CN102129013B - 一种利用自然频率和人工神经网络的配网故障测距方法 - Google Patents
一种利用自然频率和人工神经网络的配网故障测距方法 Download PDFInfo
- Publication number
- CN102129013B CN102129013B CN2011100241377A CN201110024137A CN102129013B CN 102129013 B CN102129013 B CN 102129013B CN 2011100241377 A CN2011100241377 A CN 2011100241377A CN 201110024137 A CN201110024137 A CN 201110024137A CN 102129013 B CN102129013 B CN 102129013B
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- frequency
- matrix
- layer
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 37
- 230000006870 function Effects 0.000 claims abstract description 21
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 230000001052 transient effect Effects 0.000 claims abstract description 12
- 238000005070 sampling Methods 0.000 claims abstract description 6
- 230000004807 localization Effects 0.000 claims description 18
- 238000006243 chemical reaction Methods 0.000 claims description 14
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 238000009434 installation Methods 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 3
- 238000012545 processing Methods 0.000 abstract description 3
- 238000004088 simulation Methods 0.000 abstract description 2
- 210000002569 neuron Anatomy 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000002347 injection Methods 0.000 description 4
- 239000007924 injection Substances 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000003491 array Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 230000007935 neutral effect Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 241000940966 Dexia Species 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000001276 controlling effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 210000002364 input neuron Anatomy 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
- 230000002123 temporal effect Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Images
Abstract
本发明是一种利用自然频率和人工神经网络的配网故障测距方法。本发明是利用线路在不同点故障时，故障行波的线路的主自然频率不相同的原理来进行故障测距，同时利用分层分布式人工神经网络进行数据处理。当线路发生单相接地故障后，采样频率为1MHz，选取故障后采样长度为2048的离散零序暂态信号，进行FFT变换，变换结果为一2048×2的矩阵，对该矩阵求绝对值。根据本发明采用的模型，选取幅值较大的8个频率值作为神经网络的样本属性，选择合适的传递函数和学习规则，设置恰当的神经网络参数构造BP网络模型进行故障测距。大量仿真结果表明，本发明效果良好。
Description
技术领域
本发明涉及电力系统继电保护技术领域，具体地说是一种利用自然频率和人工神经网络的配网故障测距方法。
背景技术
目前已有的配电网测距方法有“S”注入法，微分方程法，行波法和参数辨识法。“S”注入法是通过检测故障线路注入信号的电流和电压，来计算母线至故障点的的故障阻抗，根据已知的单位长度的阻抗来计算故障点的位置。但是该方法的灵敏度容易受注入信号的影响，且定位效果与现场实际运行情况有关。微分方程法通过列些线路的暂态微分方程利用测量的暂态电压和电流信号求取测量端至故障点之间线路电感实现故障测距，又称之为暂态阻抗法。该方法不受中性点运行方式的影响，灵敏度提高，但由于所使用模型未考虑线路的分布电容，测距结果误差较大，不能满足现场使用的要求。行波测距法是通过测量故障产生的行波在故障点和母线之间往返一次的时间差来计算故障距离或者利用GPS同步对时可以准确计算故障距离。配电网络结构复杂，分支点较多，在配电网中应用行波测距时关键要解决故障波头的识别以及缓和线路波阻抗变化得问题，同时需要考虑经济成本。参数辨识法是在系统结构已知的情况下，建立数学模型，通过线路首端检测到的电气量求取模型内各元件参数的方法，在电力系统一般应用时域和频域两种参数识别。由于小电流接地系统零序分量较小，仅能保证一定程度的选线判断，用于故障测距，会大大降低计算精度。综上述：已有的配电网测距在一定程度上都存在一定的不足。
发明内容
本发明的目的是提供一种利用行波自然频率和神经网络为基础的配电网故障测距方法。
近年来得到广泛研究的人工神经网络具有良好的鲁棒性、抗噪能力和容错能力，基于人工神经网络的故障分类与测距方法不易受系统参数变化的影响。本发明使用神经网络进行故障测距。
本发明的利用自然频率和人工神经网络的配网故障测距方法按以下步骤进行：
（1）配电网发生单相接地故障后，启动元件立即启动，根据保护安装处测得的三相电流可得故障零序电流，将其减去对应时间上的稳态电流得到零序暂态故障电流 
为：
(1)
式中，
、
、
分别为故障线路A、B、C三相电流，k =1、2、3…N，N为采样序列长度；
（2）对故障线路进行FFT变换，其采样频率是1MHz，采样长度是2048，经FFT变换得到一个2048×2的矩阵：
式中，
为从保护安装处得到的零序暂态电流，
为
的FFT变换，它反映了
频域上的分布情况。
（3）对得到的2048×2的矩阵取绝对值得到
，其中
为一关于横坐标中点对称的矩阵。
其中
为
矩阵中各个元素求绝对值后的矩阵，
为某一特定频率对应的幅值。
（4）选取第（3）步求出
的八个最大值，I=(f 1 ，f 2 ，f 3 ，f 4 ，f 5 ，f 6 ，f 7 ，f 8 )，使用mapminmax函数对其做归一化处理，将归一化得到的数据作为神经网络的输入向量；
（5）故障测距：将第（4）步中的得到的神经网络的样本送入到故障测距的神经网络中进行训练，并得到故障测距结果。
其中：
神经网络的输入样本通过以下方法取得：
1）线路全长为13km，故障距离变化步长为50m，共260组数据 ；
2) 故障电阻R=20Ω ，故障合闸角分别取0°、30°、45°、60°和90°，共5组数据。
由上面两个条件组合形成的神经网络的样本数组共1300个；
故障测距的神经网络采用BP神经网络模型，网络拓扑结构为8×15×9×1，第一层为输入层，节点数为8；第二层和第三层为隐含层，节点个数分别为15和9，传递函数分别为tansigmoid和logsigmoid；第四层为输出层，节点数为1，传递函数为trainlm；训练算法选用自适应学习速度算法，最大训练次数选为5000次，目标函数误差设定为1e-5。
以下是本发明的设计原理：
1．配电网输电线路单相接地故障测距原理
配电网输电线路发生故障时，故障行波的主自然频率分布不相同，它与线路长度和故障点到母线检测点距离有关，据此特征可以用于配电网输电线路故障测距。选择不同的故障接地电阻、故障位置和故障合闸角对如图2示的配电网模型中的下路一进行仿真，线路一的具体模型如图3示。当对同一故障点设置相同的故障合闸角和故障距离时，发现其故障行波的频率分布一致，如图4所示，即故障接地电阻不影响故障行波自然频率的分布，因此在本发明的仿真过程中接地电阻选择为20Ω。考虑不同的故障位置和故障合闸角，将故障后经过FFT变换之后的故障零序电流频率分布作为训练样本，选择合适的神经网络参数构造BP网络模型进行故障定位，其方法原理图如图1所示。
2．FFT理论
快速傅里叶变换是众多科学领域(特别是信号处理、图像处理、量子物理等)里的重要的应用工具之一。其实质是把f(t)这个波形分解成许多不同频率的正弦波的叠加和。这样就可将对原函数f(t)的研究转化为对其权系数，即其傅里叶变换F(w)的研究。
函数f (t)∈L1(R)的连续傅里叶变换定义为：
F(w)的傅里叶逆变换定义为：
给定实的或复的离散时间序列
，
，…，
，设该序列绝对可积，即满足
，称:
为{ fn}的离散傅里叶变换；F(n)的傅里叶逆变换定义为：
因此在本文中对故障零序电流波进行FFT变换，得到其频率分布，从中提取出故障行波的主自然频率，用于判断故障点离测量点的距离。
3. 神经网络理论
人工神经网络（Artificial Neural Network，简称ANN）是指用大量的简单计算单元（神经元）构成的非线性系统，在一定程度上模拟生物神经元的信息处理、存储和检索能力，是一种具有高度智能化的数学工具。ANN具有良好的自适应性、自组织性和容错性，有较强的学习、记忆、联想、识别和分类等能力。ANN拓扑结构分为三层：输入层、输出层和隐层。输入层接受从外部环境到达的输入信号，经过活化函数作用后产生输出，这个输出被作为隐层的输入，该过程一直持续下去直到满足某个特定条件或者从输出层输出到外界为止。
BP神经网络是基于误差反向传播算法（BP算法）的多层前向神经网络。BP网络结构包括输入节点、输出节点、一层或多层隐含节点，其中隐含层节点通常采用Sigmoid型传递函数，而输出层节点则采用Purelin型传递函数。本发明采用的BP神经网络包括四层，一个输入层，一个输出层和两个隐含层。其中输入层包含8个输入神经元，即幅值最大的几个频率值；第一个隐含层包含15个神经元，第二个隐含层包含9个神经元；输出层包含1个神经元，即故障点到母线测量点的距离。其中隐含层的传递函数是：
对P个样本计算的误差函数为：
(9)
式中，
为期望输出，为网络实际计算输出。
BP算法就是在网络训练过程中不断修正网络权值与阀值，使误差沿负梯度方向下降，最终满足要求。
4. 样本归一化处理
由于样本的输入矢量数值的数量级有很大的差异，对于某一输入节点k，如果该节点的数值过大，这样在隐层的输出中，k节点权值的影响就要比其他分量大很多，导致其他分量几乎失去了调控作用，所以有必要对样本矢量进行归一化处理，依据各分量可参照价值的不同，对其输入幅值进行合理的调整，使其变化范围大致均匀分布在区间(0，1)，从而使网络训练一开始就给各输入分量以同等重要的地位。
5．基于FFT的自然频率的配电网输电线路单相接地故障测距
在本发明中，故障发生后对故障暂态零序电流进行FFT变换，采样频率是1MHz，采样长度是2048，经FFT变换得到一个2048×2的矩阵：
式中，
为从保护安装处得到的零序暂态电流，
为的FFT变换，它反映了
频域上的分布情况。对得到的2048×2的矩阵，取绝对值得到
：
其中为
矩阵中各个元素求绝对值后的矩阵，
为某一特定频率对应的幅值。求出
的八个最大值，I=(f 1 ，f 2 ，f 3 ，f 4 ，f 5 ，f 6 ，f 7 ，f 8 )，使用mapminmax函数对其做归一化处理，将归一化得到的数据作为神经网络的输入向量进行故障测距。
本发明与现有技术相比具有如下优点：
1. 耐受过渡电阻能力强；
2. 本方法对于配电网故障率较高的单相接地故障测距具有较高的准确度；
3. 对于发生在相同半径内的故障，有较好的识别能力，实用性较强。
附图说明
图1为用于仿真的分支配电网的结构图，其中电源电压为110kV，经变压器变为35kV后输送至负荷端。
图2图1模型中线路L1的具体结构图，为一条多分支的线路，图中所示数字为相应分支线路的长度；
图3分析对于同一故障当过度电阻不同时，线路自然频率的变化。其中横坐标为线路频率值，纵坐标为频率对应的幅值，不同曲线对应不同的过度电阻(属于本发明)。
图4 为本发明的故障智能分类方法的原理框图，图中f 1 ，f 2 ，f 3 ，f 4 ，f 5 ，f 6 ，f 7 和f 8 为从故障暂态零序电流经过FFT变化之后提取出幅值较大的频率值。
图5为本发明的故障测距神经网络训练特性图，实线表示实际计算输出，虚线表示期望输出；横坐标为迭代次数，纵坐标为迭代精度。
具体实施方式
具体仿真模型如图2所示，在线路上每隔50m取一故障点即Δl=50m,故障电阻为20Ω，故障合闸角θ=0°，30°，45°，60°，90°，进行仿真。
（1）配电网发生单相接地故障后，启动元件立即启动，根据保护安装处测得的三相电流可得故障零序电流故障分量 为：
(1)
式中，分别为故障线路A、B、C三相电流，k =1、2、3…N，N为采样序列长度；
（2）对故障线路暂态零序电流进行FFT变换，其采样频率是1MHz，采样长度是2048，经FFT变换得到一个2048×2的矩阵：
式中，为从保护安装处得到的零序暂态电流，
为
的FFT变换，它反映了
频域上的分布情况。
（3）对得到的2048×2的矩阵取绝对值得到
，其中
为一关于横坐标中点对称的矩阵。
其中为
矩阵中各个元素求绝对值后的矩阵，
为某一特定频率对应的幅值。
（4）选取第（3）步求出
的八个最大值，I=（f 1 ，f 2 ，f 3 ，f 4 ，f 5 ，f 6 ，f 7 ，f 8 ），使用mapminmax函数对其做归一化处理，将归一化得到的数据作为神经网络的输入向量；其神经网络的输入样本通过以下方法取得：
1）线路全长为13km，故障距离变化步长为50m，共260组数据 ；
2) 故障电阻R=20Ω ，故障合闸角分别取0°、30°、45°、60°和90°，共5组数据。
由上面两个条件组合形成的神经网络的样本数组共1300个；
（5）故障测距。故障分类后，将第（4）步中的得到的神经网络的样本送入到故障测距的神经网络中进行训练，并得到故障测距结果。
故障测距的神经网络采用BP神经网络模型，网络拓扑结构为8×15×9×1，第一层为输入层，节点数为8；第二层和第三层为隐含层，节点个数分别为15和9，传递函数分别为tansigmoid和logsigmoid；第四层为输出层，节点数为1，传递函数为trainlm；训练算法选用自适应学习速度算法，最大训练次数选为5000次，目标函数误差设定为1e-5。
本发明中对不同的故障距离进行了仿真验证，其结果如下表所示。
Claims (3)
1.一种利用自然频率和人工神经网络的配网故障测距方法，其特征在于按以下步骤进行：
（1）配电网发生单相接地故障后，启动元件立即启动，根据保护安装处测得的三相电流可得零序电流故障分量 
为：
式中，
、
、
分别为故障线路A、B、C三相电流，k =1、2、3…N，N为采样序列长度；
（2）对故障线路暂态零序电流进行FFT变换，其采样频率是1MHz，采样长度是2048，经FFT变换得到一个2048×2的矩阵：
式中，e为自然常数，
为从保护安装处得到的零序电流故障分量，
为的FFT变换，它反映了频域上的分布情况；
（3）对得到的2048×2的矩阵取绝对值得到
：
其中为
矩阵中各个元素求绝对值后的矩阵，横坐标
为的频率分布，纵坐标
为某一特定频率对应的幅值；
（4）选取第（3）步求出最大八个
对应的横坐标即对应的频率，I=（f 1 ，f 2 ，f 3 ，f 4 ，f 5 ，f 6 ，f 7 ，f 8 ），用mapminmax函数对其做归一化处理，将归一化得到的数据作为神经网络的输入向量；
（5）故障测距：将第（4）步中的得到的神经网络的样本送入到故障测距的神经网络中进行训练，并得到故障测距结果。
2.根据权利要求1所述的利用自然频率和人工神经网络的配网故障测距方法，其特征在于步骤（4）中神经网络的输入向量通过以下方法取得：
1）线路全程选取故障点，故障距离变化步长为50m；
2) 故障过渡电阻R=20Ω ；
3) 故障合闸角分别取0°、30°、45°、60°、90°。
3.根据权利要求1所述的利用自然频率和人工神经网络的配网故障测距方法，其特征在于步骤（5）中的故障测距的神经网络采用BP神经网络模型，网络拓扑结构为8×15×9×1，第一层为输入层，节点数为8；第二层和第三层为隐含层，节点个数分别为15和9，传递函数分别为tansigmoid和logsigmoid；第四层为输出层，节点数为1，传递函数为trainlm；训练算法选用自适应学习速度算法，最大训练次数选为5000次，目标函数误差设定为1e-5。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011100241377A CN102129013B (zh) | 2011-01-21 | 2011-01-21 | 一种利用自然频率和人工神经网络的配网故障测距方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN2011100241377A CN102129013B (zh) | 2011-01-21 | 2011-01-21 | 一种利用自然频率和人工神经网络的配网故障测距方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN102129013A CN102129013A (zh) | 2011-07-20 |
| CN102129013B true CN102129013B (zh) | 2013-11-27 |
Family
ID=44267171
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN2011100241377A Active CN102129013B (zh) | 2011-01-21 | 2011-01-21 | 一种利用自然频率和人工神经网络的配网故障测距方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN102129013B (zh) |
Families Citing this family (21)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP5337853B2 (ja) * | 2011-09-12 | 2013-11-06 | 株式会社日立製作所 | 発電プラントの診断装置、及び発電プラントの診断方法 |
| CN102508121B (zh) * | 2011-11-08 | 2015-03-04 | 西安交通大学 | 多端柔性直流输电系统的直流线路单端故障定位方法 |
| CN102749849B (zh) * | 2012-07-03 | 2016-04-27 | 西安交通大学 | 一种壳体结构表面变频率特性的主动控制方法 |
| CN103163429A (zh) * | 2013-03-26 | 2013-06-19 | 昆明理工大学 | 第ⅲ类母线系统三相对称故障特征频带下的自然频率测距方法 |
| CN103163428B (zh) * | 2013-03-26 | 2016-03-30 | 昆明理工大学 | 一种提高单端行波测距可靠性的方法 |
| CN103245893B (zh) * | 2013-04-10 | 2015-12-23 | 昆明理工大学 | 一种基于自然频率的辐射状配网分层分布式ann故障定位方法 |
| CN103454559B (zh) * | 2013-09-02 | 2015-10-28 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
| CN103728535B (zh) * | 2013-10-28 | 2016-09-14 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN103941156B (zh) * | 2014-04-16 | 2016-06-22 | 华北电力大学 | 基于极限学习机的多信息融合区段定位方法 |
| CN105759167A (zh) * | 2016-01-28 | 2016-07-13 | 江苏省电力公司南京供电公司 | 一种基于小波神经网络的配电网单相短路选线方法 |
| CN107301453B (zh) * | 2016-04-15 | 2021-04-20 | 中科寒武纪科技股份有限公司 | 支持离散数据表示的人工神经网络正向运算装置和方法 |
| CN106569095B (zh) * | 2016-11-09 | 2019-07-26 | 于祥茹 | 一种基于加权平均依赖分类器的电网故障诊断系统 |
| US20210165032A1 (en) * | 2017-10-31 | 2021-06-03 | Abb Power Grids Switzerland Ag | System and Method for Analyzing Fault Data of a Power Transmission Network |
| CN109061397B (zh) * | 2018-10-11 | 2020-07-28 | 南方电网科学研究院有限责任公司 | 一种线路故障区域识别方法 |
| CN109409014B (zh) * | 2018-12-10 | 2021-05-04 | 福州大学 | 基于bp神经网络模型的年可照时数的计算方法 |
| CN109782126B (zh) * | 2018-12-27 | 2021-01-01 | 上海交通大学 | 基于类人概念学习的配电网早期故障检测方法 |
| CN109884465B (zh) * | 2019-03-01 | 2023-09-29 | 辽宁工业大学 | 一种基于信号注入法的单向接地故障定位方法 |
| CN111239549A (zh) * | 2020-02-18 | 2020-06-05 | 国网信通亿力科技有限责任公司 | 一种基于离散小波变换的配电故障快速定位方法 |
| CN111965485B (zh) * | 2020-08-04 | 2023-11-14 | 许继集团有限公司 | 一种用于输电线路行波测距的数据处理系统及方法 |
| CN112016684B (zh) * | 2020-08-06 | 2022-09-02 | 广西大学 | 一种深度并行柔性发射网络的电力终端指纹识别方法 |
| CN113657689B (zh) * | 2021-09-01 | 2023-07-14 | 中国人民解放军国防科技大学 | 一种自适应微型电网的调度优化的方法及系统 |
Family Cites Families (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7941680B2 (en) * | 2007-11-19 | 2011-05-10 | International Business Machines Corporation | Distributing integrated circuit net power accurately in power and thermal analysis |
| WO2009123488A2 (en) * | 2008-04-02 | 2009-10-08 | Dragoje Ristic | Reproductive power station |
| CN101860020B (zh) * | 2010-06-04 | 2012-10-31 | 昆明理工大学 | 一种特高压直流输电线路区内外故障甄别方法 |
-
2011
- 2011-01-21 CN CN2011100241377A patent/CN102129013B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN102129013A (zh) | 2011-07-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN102129013B (zh) | 一种利用自然频率和人工神经网络的配网故障测距方法 | |
| CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
| Liang et al. | Two-terminal fault location method of distribution network based on adaptive convolution neural network | |
| CN101975910B (zh) | 一种特高压直流输电线路故障智能分类与测距方法 | |
| Bi et al. | Single pole‐to‐ground fault location method for MMC‐HVDC system using active pulse | |
| Ayyagari | Artificial neural network based fault location for transmission lines | |
| CN105633956A (zh) | 一种基于Spiking神经网络伪量测建模的配电网三相状态估计方法 | |
| Elnozahy et al. | Artificial neural network based fault classification and location for transmission lines | |
| CN104393590B (zh) | 电网暂态失稳模式智能辨识方法 | |
| CN102135588B (zh) | 一种利用s变换频谱特性的辐射网故障智能测距方法 | |
| Wang et al. | Parameter identification for a power distribution network based on MCMC algorithm | |
| CN105260521B (zh) | 一种基于层次分析法的负荷融合建模方法 | |
| Jiang et al. | Application of a hybrid model of big data and BP network on fault diagnosis strategy for microgrid | |
| CN103245893A (zh) | 一种基于自然频率的辐射状配网分层分布式ann故障定位方法 | |
| Vakil-Baghmisheh et al. | Dynamic voltage stability assessment of power transmission systems using neural networks | |
| Gao et al. | Feature‐clustering‐based single‐line‐to‐ground fault section location using auto‐encoder and fuzzy C‐means clustering in resonant grounding distribution systems | |
| Yulin et al. | Distribution network reactive power optimization based on ant colony optimization and differential evolution algorithm | |
| Mahdi et al. | Defensive islanding using self-organizing maps neural networks and hierarchical clustering | |
| Tong et al. | A fault location method for active distribution network with renewable sources based on bp neural network | |
| Zhang et al. | High impedance fault detection in distribution network using convolutional neural network based on distribution-level PMU data | |
| CN112557808A (zh) | 一种配电网单相接地故障定位方法 | |
| Kamali et al. | Online voltage estimation for distribution networks in presence of distributed generation | |
| Liu et al. | A data-driven harmonic modeling method for electric vehicle charging stations | |
| Chatterjee et al. | Cross-correlation based single-phase fault location scheme for transmission lines using one-end voltage | |
| Lei et al. | Eastern Interconnection model reduction based on phasor measurements |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| C14 | Grant of patent or utility model | ||
| GR01 | Patent grant |