CN103257304A - 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法 - Google Patents
一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法 Download PDFInfo
- Publication number
- CN103257304A CN103257304A CN2013101220324A CN201310122032A CN103257304A CN 103257304 A CN103257304 A CN 103257304A CN 2013101220324 A CN2013101220324 A CN 2013101220324A CN 201310122032 A CN201310122032 A CN 201310122032A CN 103257304 A CN103257304 A CN 103257304A
- Authority
- CN
- China
- Prior art keywords
- fault
- zero
- line
- sequence current
- feeder
- 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.)
- Pending
Links
- 238000010187 selection method Methods 0.000 title claims abstract description 9
- 238000013528 artificial neural network Methods 0.000 claims abstract description 38
- 238000000354 decomposition reaction Methods 0.000 claims description 26
- 238000000034 method Methods 0.000 claims description 19
- 239000000284 extract Substances 0.000 claims description 7
- 238000009434 installation Methods 0.000 claims description 6
- 230000007704 transition Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004064 recycling Methods 0.000 claims description 3
- 230000008676 import Effects 0.000 claims 1
- 238000010891 electric arc Methods 0.000 abstract description 3
- 230000007935 neutral effect Effects 0.000 abstract description 3
- 230000005611 electricity Effects 0.000 abstract 1
- 230000001052 transient effect Effects 0.000 description 5
- 238000001228 spectrum Methods 0.000 description 3
- 230000001629 suppression Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 2
- 208000035126 Facies Diseases 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000008033 biological extinction Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明涉及一种利用零序电流特征频带内CWT系数RMS值的ANN故障选线方法,属电力系统继电保护技术领域。配电网单相接地故障后,根据测得的三相电流得到故障零序电流,提取故障后5ms各馈线零序电流数据,进行连续小波变换,求取所有馈线在对应频带下的能量值,剔除工频所在频带后根据能量最大原则确定出特征频带,利用特征频带上CWT系数均方根值作为故障选线神经网络的输入样本属性、故障馈线编号作为故障神经网络的输出样本属性,训练出智能选线网络,实现配电网故障选线。该方法能有效提高选线方法的抗噪声干扰能力,在电缆故障、小故障角和高阻接地故障情况下能实现正确选线,鲁棒性好、不受电弧性故障和非线性负荷影响,硬件采样速率要求低。
Description
技术领域
本发明涉及电力系统继电保护技术领域,是一种利用零序电流特征频带内CWT系数RMS值的ANN故障选线方法。
背景技术
中性点经消弧线圈接地的配电网系统发生单相接地故障时,因故障电流较小和电弧不稳定因素,使得基于稳态量的选线方法在实际应用时效果不甚理想。此外,由于架空馈线导线坠地、树木与架空馈线接触引起的高阻故障时有发生,使得实际运行中常常存在漏选和误选。故障后的暂态分量相比稳态分量有很大的优势,利用暂态量进行选线成为故障选线方法之首选。
目前已提出多种暂态量故障选线方法,主要利用暂态零序电流信号突变量、能量、幅值及极性等,使得选线效果得到提升。但由于故障边界复杂、随机,如故障初始相角大小、故障距离、过渡电阻大小等因素的影响,使得故障选线仍然是实际运行中的一个难题;同时在不同故障条件下,暂态零序电流信号频率成分、衰减特性、频谱能量分布具有较大差异。因此,配电网故障选线仍然是一个亟需解决的一个问题。
发明内容
本发明的目的是提出一种利用零序电流特征频带内CWT系数的RMS值的ANN故障选线方法,将故障后各条馈线特征频带的CWT系数作为故障选线神经网络的输入样本属性、故障馈线编号作为选线神经网络的输出样本属性,构造出可靠性高、实用性强的配电网智能故障选线方法。
本发明利用零序电流特征频带内CWT系数RMS值的ANN故障选线方法是:当配电网发生单相接地故障后,根据保护安装处测得的故障零序电流,提取故障后短时窗各馈线零序电流数据,对其进行CWT(Continuous Wavelet Transform)连续小波变换,除去工频所在频带后,根据能量最大原则确定出特征频带,再利用特征频带小波系数的均方根RMS(Root Mean Square)值作为人工神经网络ANN(Artificial Neural Network)的输入样本属性,训练出智能故障选线网络(ANN),进行故障选线。具体按照下面步骤进行:
(1)配电网发生故障后,根据保护安装处测得的三相电流,通过下式得到故障零序电流 :
(2)提取配电网单相接地故障后5ms短时窗各馈线零序电流数据,对提取的零序电流数据利用20阶复高斯小波进行连续小波变换,复高斯小波的中心频率为1.1Hz;
(3)由于CWT变换过程中存在为频率现象,选取分解尺度为4-203的小波分解结果,按照20个尺度一个频带进行划分,对各馈线零序电流进行复小波分解,得到其在分解尺度k下的小波系数c ij ,再按下式得到所有馈线对应分解层数k下的能量和E k :
其中,i为馈线编号,N为故障馈线条数;l为分解尺度数,每个频带下包含20层分解尺度;j为采样点数;
(4)剔除工频所在的频带,根据下式选取能量和最大的频带M,作为该故障条件下的特征频带:
EM=max[E 1,E 2…E k…E 10] (3)
(5)根据均方根定义,求取各条馈线特征频带对应小波分解系数的RMS值;将得到的RMS值作为故障选线ANN的输入样本属性,将故障馈线编号作为其输出样本属性,利用样本对构造出的选线网络进行训练和测试,通过修改神经网络隐含层节点数,使实际输出结果与理论结果误差达到最小,从而训练出智能故障选线ANN网络;
(6)采用将各条馈线RMS值与人工神经网络相结合的方法,根据以下判据进行故障选线:当某条馈线发生单线接地故障时,求得各条馈线特征频带下CWT系数的RMS值,将其输入训练好的故障选线神经网络中,其输出编号即对应故障馈线编号。
本发明在故障选线ANN模型训练中,输入样本RMS值在下列故障条件下获取:于每条馈线的1/3l、1/2l、2/3l处和母线处分别设置故障点,故障过渡电阻分别选取20Ω、100Ω、500Ω,故障初始相角分别设置为0°、30°、60°、90°。
本发明的选线原理为:
(1)
提取配电网单相接地故障后5ms短时窗各馈线零序电流数据,对提取的零序电流数据利用20阶复高斯小波进行连续小波变换(复高斯小波的中心频率为1.1Hz);由于CWT变换过程中存在为频率现象,选取分解尺度为4-203的小波分解结果,按照20个尺度一个频带进行划分,对各馈线零序电流进行复小波分解,得到其在分解尺度k下的小波系数c ij ,再按下式得到所有馈线对应分解层数k下的能量和E k :
其中,i为馈线编号,N为故障馈线条数;l为分解尺度数,每个频带下包含20层分解尺度;j为采样点数;
剔除工频所在的频带,可以根据下式选取能量和最大的频带M,作为该故障条件下的特征频带:
EM=max[E 1,E 2…E k…E 10] (3)
根据均方根定义,求取各条馈线特征频带对应小波分解系数的RMS值;当故障合闸角较大时,故障馈线特征频带下CWT系数的RMS值要远大于健全馈线,且故障馈线RMS值要大于两个次大值之和,因此,可以利用此判据进行故障选线。但是,当故障馈线为电缆馈线或故障合闸角较小、故障过渡电阻较大时,故障馈线值虽然仍为最大,但并不大于两个次大值之和。
根据以上规律可知,单纯利用RMS值的大小进行故障选线不能很好地适应小故障角及电缆馈线发生故障的情况。由此,须采用将各条馈线RMS值与人工神经网络相结合的方法进行选线,将故障后各条馈线特征频带下CWT系数的RMS值作为故障选线的神经网络的输入样本属性,将故障馈线编号作为其输出样本属性,利用大量样本对构造好的神经网络进行训练,然后以理想输出和实际输出误差最小为原则选定出训练好的故障选线ANN网络。
当某条馈线发生单线接地故障时,求得各条馈线特征频带下CWT系数的RMS值,将其输入训练好的故障选线神经网络中,其输出编号即对应故障馈线编号。
本发明提取故障后5ms短时窗的各馈线零序电流数据,对其进行连续小波变换并确定出特征频带,利用特征频带上的小波系数的均方根(RMS)值作为故障选线人工神经网络(ANN)的输入样本属性、故障馈线编号作为故障选线ANN网络的输出样本属性,训练出智能选线网络,再利用此网络进行故障选线。与现有技术相比,具有以下优点:
1、原理较为简单,故障选线ANN输入样本属性个数较少,可靠性好,能够有效提高选线方法的抗噪声干扰能力。
2、采用数据时窗较短,时效性好。同时,可识别小故障角、高阻接地故障情况下的故障馈线,故障初瞬数据丢失也不会影响选线方法的有效性。
3、鲁棒性好,不受电弧性故障、非线性负荷等的影响,大大降低了对硬件采样速率的要求,有较强的实用性。
附图说明
图1为本发明智能选线神经网络结构图;
图2为本发明神经网络收敛曲线图;
图3为本发明实施例用于仿真的配电网系统结构图;
图4为本发明实施例1大故障合闸角下馈线L 1及馈线L 2的零序电流波形图;
图5为本发明实施例1大故障合闸角下馈线L 1及馈线L 2的零序电流频谱分布图;
图6为本发明实施例2小故障合闸角下馈线L 1及馈线L 2的零序电流波形图;
图7为本发明实施例2小故障合闸角下馈线L 1及馈线L 2的零序电流频谱分布图。
具体实施方式
以下结合附图和具体实施方式,对本发明作进一步说明。
当配电网发生单相接地故障后,通过式,根据保护安装处测得的三相电流得到故障零序电流;提取故障后5ms短时窗各馈线零序电流数据,对提取的零序电流数据利用20阶复高斯小波进行连续小波变换(CWT),20阶复高斯小波中心频率为1.1Hz;选取分解尺度为4-203的小波分解结果,按照20个尺度一个频带进行划分,对各馈线零序电流进行复小波分解,得到其在分解尺度k下的小波系数c ij ,再按式,得到所有馈线对应分解层数k下的能量和E k ;剔除工频所在频带后,根据能量最大原则确定出特征频带,再求取各条馈线特征频带对应的小波分解系数的RMS值;将得到的RMS值作为故障选线的神经网络的输入样本属性,将故障馈线编号作为选线网络的输出样本属性,训练出智能故障选线网络(ANN);运用故障选线ANN,根据以下条件进行故障选线:当某条馈线发生单线接地故障时,求得各条馈线特征频带下CWT系数的RMS值,将其输入训练好的故障选线神经网络中,其输出编号即对应故障馈线编号。应用故障选线ANN模型,能够不受故障条件的影响,实现正确选线。
实施例1:对于图3所示110kV/35kV配电网单相接地故障仿真模型,电源电压为110kV,经变压器变为35kV后输送至负荷端,有6条馈线,Z字型变压器中性点通过消弧线圈串联电阻接地。架空馈线L 1=15km、L 3=18km、L 5=30km,线–缆混合馈线L 4=17km(其架空馈线12km、电缆5km),电缆馈线L 2=6km、L 6=8km。其中,架空馈线为JS1杆型, LGJ-70型导线,档距80m,电缆馈线为YJV23-35/95型电缆。
该电网中的G为无限大电源;T为主变压器,变比为110 kV /35kV,联结组别为YN/d11;TZ是Z字形变压器;L为消弧线圈;R为消弧线圈的阻尼电阻。馈线采用架空线路、架空线—电缆混合线路和电缆线路三种线路。负荷选用恒定功率负荷模型。距离馈线L 1始端5 km处发生单相接地故障,故障过渡电阻R f =20Ω,故障角θ=60°,采样频率为10kHz。
当配电网发生故障后,量测端检测到的馈线L 1及馈线L 2的零序电流波形如图4所示;选取故障后5ms数据对其进行连续小波变换(CWT)后,得到频域分布图如图5所示;选取除工频所在频带外的能量最大的频带作为特征频带,根据均方根定义求得各条馈线特征频带对应的小波系数RMS值。
根据均方根定义,求得各条馈线特征频带对应的小波系数RMS值为:RMS i =[14677.4 901.03 111.87 766.41 2433.08 11221.5],将其输入训练好的ANN故障选线网络中,进行故障选线。
选线网络输出结果为 [0.9985, 0.0024, 0.0012, 0, 0.0045, 0, 0.0007];
由此得出输出馈线L 1为故障馈线,与实际情况相符。
实施例2:110kV/35kV配电网单相接地故障仿真模型与实施例1相同,故障在电缆馈线L 2上,距离母线量测端4km,故障时刻为0.025s,过渡电阻R f =100Ω,故障角θ=0°,采样频率为10kHz。
按前述方法,求得各条馈线故障后5ms零序电流特征频带下CWT系数的RMS值为:RMSi=[124.1 2367.8 184.3 1380.1 255.2 1861.6],将其输入训练好的ANN故障选线网络中,进行故障选线。
选线网络输出结果为 [0.0005, 0.9978, 0.0013, 0, 0.0062, 0, 0.0054]
由此得出输出馈线L 2为故障馈线,与实际情况相符。
对于不同馈线上的随机故障,采用本发明的方法,其故障条件和选线结果如表1所示。从该表可以看出,利用本发明的方法能够实现正确选线。大量的实验仿真数据表明,本发明方法选线结果准确可靠。
上面结合附图对本发明的实施方式进行了说明,但本发明并不限于上述实施方式,在本领域技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (3)
1.一种利用零序电流特征频带内CWT系数RMS值的ANN故障选线方法,其特征在于:当配电网发生单相接地故障后,根据保护安装处测得的故障零序电流,提取故障后短时窗各馈线零序电流数据,对其进行CWT连续小波变换,剔除工频所在频带后,根据能量最大原则确定出特征频带,再利用特征频带小波系数的均方根RMS值作为ANN的输入样本属性,训练出智能故障选线网络,进行故障选线。
2.根据权利要求1所述的利用零序电流特征频带内CWT系数RMS值的ANN故障选线方法,其特征在于:配电网故障选线方法具体按照下面步骤进行:
(2)提取配电网单相接地故障后5ms短时窗各馈线零序电流数据,对提取的零序电流数据利用20阶复高斯小波进行连续小波变换,复高斯小波的中心频率为1.1Hz;
(3)由于CWT变换过程中存在伪频率现象,选取分解尺度为4-203的小波分解结果,按照20个尺度一个频带进行划分,对各馈线零序电流进行复小波分解,得到其在分解尺度k下的小波系数c ij ,再按下式得到所有馈线对应分解层数k下的能量和E k :
其中,i为馈线编号,N为故障馈线条数;l为分解尺度数,每个频带下包含20层分解尺度;j为采样点数;
(4)剔除工频所在的频带,根据下式选取能量和最大的频带M,作为该故障条件下的特征频带:
EM=max[E 1,E 2…E k…E 10] (3)
(5)根据均方根定义,求取各条馈线特征频带对应小波分解系数的RMS值;将得到的RMS值作为故障选线ANN的输入样本属性,将故障馈线编号作为其输出样本属性,利用样本对构造出的选线网络进行训练和测试,通过修改神经网络隐含层节点数,使实际输出结果与理论结果误差达到最小,从而训练出智能故障选线ANN网络;
(6)采用将各条馈线RMS值与人工神经网络相结合的方法,根据以下判据进行故障选线:当某条馈线发生单线接地故障时,求得各条馈线特征频带下CWT系数的RMS值,将其输入训练好的故障选线神经网络中,其输出编号即对应故障馈线编号。
3.根据权利要求2所述的利用零序电流特征频带内CWT系数RMS值的ANN故障选线方法,其特征在于:在故障选线ANN模型训练中,输入样本RMS值在下列故障条件下获取:于每条馈线的1/3l、1/2l、2/3l处和母线处分别设置故障点,故障过渡电阻分别选取20Ω、100Ω、500Ω,故障初始相角分别设置为0°、30°、60°、90°。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101220324A CN103257304A (zh) | 2013-04-10 | 2013-04-10 | 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101220324A CN103257304A (zh) | 2013-04-10 | 2013-04-10 | 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103257304A true CN103257304A (zh) | 2013-08-21 |
Family
ID=48961334
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101220324A Pending CN103257304A (zh) | 2013-04-10 | 2013-04-10 | 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103257304A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823158A (zh) * | 2014-02-19 | 2014-05-28 | 福州大学 | 采用不变矩的谐振接地系统故障选线方法 |
CN103884966A (zh) * | 2014-04-15 | 2014-06-25 | 河海大学常州校区 | 基于神经网络的配电网小电流单相接地故障定位方法 |
CN104166067A (zh) * | 2014-08-06 | 2014-11-26 | 湖南英科电力技术有限公司 | 单相接地故障定位检测方法及装置 |
CN104865499A (zh) * | 2015-05-11 | 2015-08-26 | 昆明理工大学 | 一种特高压直流输电线路区内外故障识别方法 |
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 |
CN109188193A (zh) * | 2018-07-26 | 2019-01-11 | 昆明理工大学 | 一种基于特征频带收敛性闵氏距离的配电网故障选线方法 |
CN109613402A (zh) * | 2019-02-14 | 2019-04-12 | 福州大学 | 基于小波变换和神经网络的配电网高阻接地故障检测方法 |
CN109709448A (zh) * | 2019-03-06 | 2019-05-03 | 南京工程学院 | 一种基于同步挤压小波变换的配电网单相高阻接地故障选线方法 |
CN110927526A (zh) * | 2019-12-11 | 2020-03-27 | 云南电网有限责任公司临沧供电局 | 基于零序电流波形分形盒维数的配电网故障选线方法 |
CN112114231A (zh) * | 2020-09-18 | 2020-12-22 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
CN110221170B (zh) * | 2019-06-05 | 2021-07-27 | 贵州电网有限责任公司 | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 |
CN113762412A (zh) * | 2021-09-26 | 2021-12-07 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障识别方法、系统、终端及介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58151819A (ja) * | 1982-03-05 | 1983-09-09 | 株式会社日立製作所 | 地絡回線選択リレ− |
JPH0919047A (ja) * | 1995-06-29 | 1997-01-17 | Tohoku Electric Power Co Inc | 配電線の零相電流比較による地絡回線選択継電方式 |
CN101482593A (zh) * | 2008-12-25 | 2009-07-15 | 南京因泰莱配电自动化设备有限公司 | 小电流接地智能选线方法和装置 |
CN201780353U (zh) * | 2009-06-11 | 2011-03-30 | 北京衡天北斗科技有限公司 | 一种小电流接地系统配电线路故障选线装置 |
CN102520342A (zh) * | 2011-12-07 | 2012-06-27 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
-
2013
- 2013-04-10 CN CN2013101220324A patent/CN103257304A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS58151819A (ja) * | 1982-03-05 | 1983-09-09 | 株式会社日立製作所 | 地絡回線選択リレ− |
JPH0919047A (ja) * | 1995-06-29 | 1997-01-17 | Tohoku Electric Power Co Inc | 配電線の零相電流比較による地絡回線選択継電方式 |
CN101482593A (zh) * | 2008-12-25 | 2009-07-15 | 南京因泰莱配电自动化设备有限公司 | 小电流接地智能选线方法和装置 |
CN201780353U (zh) * | 2009-06-11 | 2011-03-30 | 北京衡天北斗科技有限公司 | 一种小电流接地系统配电线路故障选线装置 |
CN102520342A (zh) * | 2011-12-07 | 2012-06-27 | 南京航空航天大学 | 基于动态反馈神经网络建模的模拟电路测试节点选择方法 |
Non-Patent Citations (1)
Title |
---|
束洪春 等: "基于零序电流小波变化系数均方根值的故障选线ANN方法", 《电力科学与技术学报》, vol. 28, no. 1, 31 March 2013 (2013-03-31), pages 17 - 24 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103823158A (zh) * | 2014-02-19 | 2014-05-28 | 福州大学 | 采用不变矩的谐振接地系统故障选线方法 |
CN103884966A (zh) * | 2014-04-15 | 2014-06-25 | 河海大学常州校区 | 基于神经网络的配电网小电流单相接地故障定位方法 |
CN104166067A (zh) * | 2014-08-06 | 2014-11-26 | 湖南英科电力技术有限公司 | 单相接地故障定位检测方法及装置 |
CN104865499A (zh) * | 2015-05-11 | 2015-08-26 | 昆明理工大学 | 一种特高压直流输电线路区内外故障识别方法 |
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 |
CN109188193B (zh) * | 2018-07-26 | 2020-09-25 | 昆明理工大学 | 一种基于特征频带收敛性闵氏距离的配电网故障选线方法 |
CN109188193A (zh) * | 2018-07-26 | 2019-01-11 | 昆明理工大学 | 一种基于特征频带收敛性闵氏距离的配电网故障选线方法 |
CN109613402A (zh) * | 2019-02-14 | 2019-04-12 | 福州大学 | 基于小波变换和神经网络的配电网高阻接地故障检测方法 |
CN109709448A (zh) * | 2019-03-06 | 2019-05-03 | 南京工程学院 | 一种基于同步挤压小波变换的配电网单相高阻接地故障选线方法 |
CN110221170B (zh) * | 2019-06-05 | 2021-07-27 | 贵州电网有限责任公司 | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 |
CN110927526A (zh) * | 2019-12-11 | 2020-03-27 | 云南电网有限责任公司临沧供电局 | 基于零序电流波形分形盒维数的配电网故障选线方法 |
CN112114231A (zh) * | 2020-09-18 | 2020-12-22 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
CN112114231B (zh) * | 2020-09-18 | 2023-10-10 | 广西大学 | 一种具有连续学习能力的cnn故障选线方法 |
CN113762412A (zh) * | 2021-09-26 | 2021-12-07 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障识别方法、系统、终端及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103257304A (zh) | 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法 | |
CN103424669B (zh) | 一种利用故障馈线零序电流矩阵主成分分析第一主成分的选线方法 | |
CN103245883B (zh) | 一种基于暂态零序电流时频特征向量的配电网故障选线方法 | |
CN103267927B (zh) | 一种利用工频分量小波系数直线拟合检测的小电流接地系统故障选线方法 | |
CN100530883C (zh) | 两相ta配电网单相接地故障选线的方法 | |
CN104898021B (zh) | 一种基于k‑means聚类分析的配电网故障选线方法 | |
CN108594071B (zh) | 一种中性点小电阻接地配网的单相接地故障检测方法 | |
CN103197202B (zh) | 一种基于三相突变电流分量特征频带内小波系数相关分析的配网故障选线方法 | |
CN103207352B (zh) | 利用选线阻抗幅值特性实现配电网单相接地故障选线方法 | |
CN103197203A (zh) | 一种基于三相电流突变量的时域波形相关分析的故障选线方法 | |
CN103474981B (zh) | 一种基于零序电流多阶差分变换方向的配网单相接地保护方法 | |
CN103163430A (zh) | 一种利用复小波和ann结合的谐振接地系统故障选线方法 | |
CN105759167A (zh) | 一种基于小波神经网络的配电网单相短路选线方法 | |
CN103163417B (zh) | 一种基于短时窗高低频暂态能量比值的虚幻接地识别方法 | |
CN103474980B (zh) | 一种基于暂态功率方向的配电网单相接地保护方法 | |
CN101964515B (zh) | 特高压直流输电线路线模电压s变换的边界元件方法 | |
CN103675605A (zh) | 基于故障信号暂态相关分析的小电流接地故障选线方法 | |
CN103792465A (zh) | 一种基于零序电压的配电网单相接地故障测距的方法 | |
CN102928731A (zh) | 一种利用零序电流全量Hough变换的配电网故障选线方法 | |
CN107192883B (zh) | 一种谐振接地系统高阻接地故障过渡电阻辨识方法 | |
CN103293448B (zh) | 基于半周波能量比的单相接地故障与虚幻接地识别方法 | |
CN110783896B (zh) | 一种基于弱故障主被动联合检测的配网单相接地保护方法 | |
CN103226176A (zh) | 一种配电网单相接地故障选线方法 | |
CN102135591A (zh) | 谐振接地电网单相接地故障db小波暂态量选线方法 | |
CN103474974A (zh) | 一种基于零序电流突变量直线拟合方向的配网单相接地保护方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20130821 |
|
RJ01 | Rejection of invention patent application after publication |