CN103454559B - 一种配电网单相接地故障区段定位方法及定位装置 - Google Patents
一种配电网单相接地故障区段定位方法及定位装置 Download PDFInfo
- Publication number
- CN103454559B CN103454559B CN201310392802.7A CN201310392802A CN103454559B CN 103454559 B CN103454559 B CN 103454559B CN 201310392802 A CN201310392802 A CN 201310392802A CN 103454559 B CN103454559 B CN 103454559B
- Authority
- CN
- China
- Prior art keywords
- algorithm
- zero
- sequence current
- terminal
- main website
- 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 claims abstract description 39
- 238000000034 method Methods 0.000 claims abstract description 27
- 230000001052 transient effect Effects 0.000 claims abstract description 19
- 238000010295 mobile communication Methods 0.000 claims abstract description 18
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 239000000284 extract Substances 0.000 claims abstract description 12
- 230000000977 initiatory effect Effects 0.000 claims abstract description 11
- 230000004807 localization Effects 0.000 claims abstract description 11
- 239000000835 fiber Substances 0.000 claims abstract description 9
- 239000013307 optical fiber Substances 0.000 claims abstract description 9
- 238000002156 mixing Methods 0.000 claims abstract description 7
- 230000015572 biosynthetic process Effects 0.000 claims abstract description 6
- 238000004891 communication Methods 0.000 claims abstract description 6
- 238000003786 synthesis reaction Methods 0.000 claims abstract description 6
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 5
- 238000012549 training Methods 0.000 claims description 27
- 210000002569 neuron Anatomy 0.000 claims description 14
- 238000012360 testing method Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 206010028980 Neoplasm Diseases 0.000 claims description 4
- 230000000052 comparative effect Effects 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 238000012512 characterization method Methods 0.000 claims description 2
- 210000002364 input neuron Anatomy 0.000 claims description 2
- 230000010355 oscillation Effects 0.000 claims description 2
- 210000004205 output neuron Anatomy 0.000 claims description 2
- 230000007935 neutral effect Effects 0.000 description 9
- 230000008569 process Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 230000008033 biological extinction Effects 0.000 description 3
- 238000005070 sampling Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000007689 inspection Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 241000272165 Charadriidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000005294 ferromagnetic effect Effects 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000035800 maturation Effects 0.000 description 1
- 238000011144 upstream manufacturing Methods 0.000 description 1
- 238000010200 validation analysis Methods 0.000 description 1
Abstract
一种基于BP神经网络的多判据融合算法的小电流接地故障的在线定位方法及定位装置,通过安装在线路上不同位置的终端准确捕捉到零序电流超过启动值前1个周期和超过启动值后4个周期的零序电流暂态信号,运用Prony算法、小波包算法、HHT算法和分形算法提取故障暂态信号的信号特征,运用BP神经网络对多种算法提取出的特征进行分析,确定故障点所在的区段。本申请的定位装置由终端和主站两个部分组成,所述终端安装在架空线路杆塔上或者电缆环网柜内,其输入端接收配电线路(包括架空线路和电缆)CT二次侧的相电流信号合成得到零序电流信号,并与主站通过光纤通信或者移动通信连接;所述主站安装在变电站内或调度中心,包括光纤通信模块和移动通信模块,接收终端发送的信号。本申请技术成熟、可靠性高。
Description
技术领域
本申请属于电力系统自动化技术领域,具体涉及一种配电网单相接地故障的区段定位方法以及基于该定位方法的定位装置,适用于3~60kV中性点非有效接地电网,能够在单相接地故障发生时,准确定位故障区段。
背景技术
我国3~60kV配电网广泛采用中性点非有效接地方式,又称为小电流接地系统,小电流接地系统的故障绝大多数是单相接地故障。发生单相接地故障时,接地电流很小,可以在故障情况下继续运行1~2个小时,但是必须尽快找到故障点,这就提出了故障定位问题。
配电网故障定位问题长期以来没有得到很好的解决,现场往往还在采用人工巡线的方法,人工巡线不仅耗费了大量人力物力,而且延长了停电时间,影响供电安全。目前现场有三种方法进行自动定位,第一种方法是从PT注入高频信号,沿线路检测该信号确定故障位置,但是由于线路分布电容对高频信号形成通路,因此在经电阻接地时定位不准确。第二种方法是利用故障指示器的方法,由于故障指示器只能测量相电流,不能测量零序电流,所以对于短路故障效果较好,但是对于单相接地故障定位准确率很低。第三种方法是安装内置CT的智能开关,虽然该方法可以测量零序电流,但是市场上运行的终端和主站算法简单,仅仅判断稳态零序电流是否超过定值,对于中性点经消弧线圈接地系统定位正确率很低。
发明内容
本申请的目的是克服现有技术上的不足,提出新的定位方法,并提供一种针对配电网故障的定位装置。该定位方法充分利用了零序电流暂态分量进行定位,由于零序电流暂态分量中,含有丰富的故障特征,且暂态分量幅值较大、易于判断,因此本申请能够快速、准确地确定故障区段。本申请适用于中性点不接地系统和中性点经消弧线圈接地系统,适用于金属性接地、经电弧接地、经过渡电阻接地等多种故障情况。
本申请的技术方案如下:
一种基于BP神经网络的多判据融合算法的配电网单相接地故障区段定位方法,其特征在于,所述方法包括以下步骤:
(1)安装在线路多个位置的终端实时检测安装位置处的电流互感器二次合成零序电流;
(2)当任一终端检测的零序电流幅值超过预设的启动值后,所有终端立刻准确捕捉到零序电流超过启动值前1个周期和超过启动值后3个周期的零序电流暂态信号;
(3)各终端运用Prony算法、小波包算法、HHT算法和分形算法对4个周期的零序电流暂态信号进行分析计算,分别提取出各算法的零序电流特征数据,并将其上传给主站;
(4)主站接收到各终端传来的各算法的零序电流特征数据后,根据各终端所提取出的各算法的零序电流特征数据确定BP神经网络层数和各层的输入输出神经元节点数,从而确定BP神经网络的网络结构以及网络参数;
(5)根据步骤(4)所确定的BP神经网络判断出故障区段,其步骤如下:
①对进行单相接地故障区段定位的配电网进行仿真,提取出仿真单相接地故障数据,并将这些仿真单相接地故障数据运用步骤(3)中所述的四种算法提取出零序电流的特征数据,作为训练样本;
②对BP神经网络进行训练,将训练样本分为测试样本和验证样本,对测试样本进行计算,确定各层神经元节点的输入和输出;
③将最后一层神经元节点的输出,即定位出的故障区段代号,与测试样本的实际结果进行比较,计算每层神经元误差,不断调整各层连接权值和阀值;
④迭代第②、③步直到测试样本用尽,计算训练后BP神经网络的平均误差,该误差为最后一层神经元节点的输出数据误差的平均值,若所述平均误差满足设定精度要求,则完成训练,进入第⑥步,否则进入第⑤步;
⑤若神经网络的平均误差不满足所设定的精度要求,再返回第①步继续提取的仿真的单相接地故障数据,并运用四种算法提取特征数据继续作为训练样本,持续迭代第②、③、④步直到迭代次数达到预定上限,BP神经网络完成训练,进入第⑥步;
⑥将终端提取出的四种算法提取的零序电流特征数据作为训练后的BP神经网络的输入,由该BP神经网络计算出输出,输出数据即为定位出的故障区段代号,从而确定故障区段。
本申请还公开了一种利用上述配电网单相接地故障区段定位方法的配电网单相接地故障区段定位装置,所述单相接地故障定位装置由主站和终端两个部分组成;
所述终端安装在架空线路杆塔上或者电缆环网柜内,其输入端接收架空线路和/或电缆CT二次侧的相电流信号合成得到零序电流信号,并与主站通过光纤通信或者移动通信连接;所述主站安装在变电站内或调度中心,接收终端发送的信号。
所述终端包括顺次连接的电流变换器、A/D转换模块、CPU模块、光纤通信模块、移动通信模块;终端对零序电流暂态信号进行Prony算法、小波包算法、HHT算法和分形算法计算,将分析结果上传给主站。
主站为一台工业控制计算机,包含光纤通信模块和移动通信模块,接收终端发送的数据,主站综合比较各个终端传来零序电流故障特征,经过计算确定故障区段并显示给调度运行人员。
本申请的有益效果如下:
1、利用故障发生后零序电流的暂态分量进行定位,相比传统的稳态量定值比较法,暂态信号的幅值相位特征明显,在定位中有明显的优势。
2、采用Prony算法、小波包算法、HHT算法和分形算法对暂态电流信号进行处理,处理后的故障特征明显,易于选出故障区段。
3、处理高阶系统的效果非常好,这对于电力系统非常有益,系统模型阶数的选择可以根据辨识的目的和需要等具体情况确定。
4、能够确定故障点所在区域,终端间距越小,定位越准确。
5、终端安装在线路上,无需人工沿线路巡视。
6、可以在带故障运行情况下定位,提高系统运行的可靠性。
7、技术成熟、可靠性高,适用于3~60kV中性点不接地或中性点经消弧线圈接地的配电网,适用于金属性接地、经电弧接地、经过渡电阻接地等多种故障情况。
附图说明
图1是本申请的定位装置结构示意图;
图2是单相接地故障时零序暂态电流分布情况的等值电路图;
图3是本申请基于BP神经网络多判据融合算法的配电网单相接地故障定位方法流程图;
图4是定位装置的终端的原理图;
图5是BP神经网络结构图。
具体实施方式
下面结合说明书附图,通过具体实施例对本申请的技术方案作进一步详细说明。
首先简单介绍BP神经网络多判据融合算法。
BP神经网络算法是基于Delta学习规则的前向多层网络学习算法,是采用梯度搜索技术,实现网络的实际输出与期望输出之间均方差最小化。网络学习的过程是一种边向后传播边修正权的过程,网络的一般结构如附图5所示,其中包含输入层、输出层以及处于输入输出层之间的中间层(即隐含层)。由于隐含层连接输入层和输出层,其状态直接影响着两者的关系。因此,可以通过改变隐含层节点权系数来调整整个神经网路的性能。
设神经网络的层数为m,输入层样本为X,输出层结果为Y,其中第k层中第i个神经元的输入总和为输出为由第k-1层中第j个神经元到第k层中第i个神经元的权值可以表示为:
系数记为Wij,其中f为神经元的激发函数。
BP神经网络由多个参数决定,其中包括网络的层数、每层神经元的个数等,即确定网络结构。确定网络结构包括:输入/输出节点、层数、隐含层节点数目等。
1)输入与输出节点
输入层节点数与样本的维数直接相关,与影响的特征数相同。本申请所提取的特征种类为四类(即Prony特征、小波包特征、HHT特征和分形维数特征),整个网络输入层节点个数就是这四类特征维数的总和,其中Prony特征为2个,小波包特征为1个,HHT特征为1个,分形维数特征为1个,所以输入层节点数为5个,它们分别是Prony分解出的高频振荡频率区幅值和相位特征、小波能量特征、HHT的衰减直流分量经验模态分量特征和分形维数特征。
由于故障定位识别目标只有区段号,用一位二进制编码即可表示,即故障接近于1,而非故障接近于0。
2)网络层个数
BP神经网络的故障定位功能是通过网络输入到网络输出的计算来完成,多于一个隐含层的网络具有更快训练速度,但较多隐含层意味着需要更多的计算时间,所以采用具有一个隐含层的BP神经网络。
3)隐含层节点个数
确定隐含层节点个数对于BP网络实现其映射至关重要,隐含层神经元个数过多或者过少都将可能出现使得整个网络归纳能力低或网络学习能力差等问题。根据选择隐含层节点的经验公式:
其中,L为隐含层节点数;n为输入层节点数;m为输出层节点数;p为学习样本数目。一般而言,隐含层节点数的取值范围是A<L<3A。
本申请中输出层节点数为1,即故障或非故障,依据以上经验公式可得隐含层节点数为10。
确定好网络结构后,进行网络的训练。将训练样本集划分为两部分:测试集和验证集,仅用测试集训练,每次训练后用验证集带入,求其误差和,当训练误差不断减小而验证误差却增加时,可以考虑算法终止,否则可能会出现过拟合。BP网络的训练主要目的是提供一个可使用的、稳定权值和阀值的系统。
网络训练的传播算法分为正向传播和反向传播,过程如下。
(1)正向传播
输入的样本经过输入层、隐含层最后传向输出层的过程中,每层神经元的状态只对下一层神经元的状态产生影响。在输出层把现行输出和期望输出进行比较,如果现行输出不等于期望输出,则进行反向传播过程。
(2)反向传播
反向传播时,把误差信号按原来正向传播的通路反向传回,并对每层隐含层的各个神经元的权系数进行修改,以期误差信号趋向最小。
本申请提出的一种基于BP神经网络的多判据融合算法的配电网单相接地故障区段定位方法,其特征在于,所述方法包括以下步骤:
(1)安装在线路多个位置的终端实时检测安装位置处的电流互感器二次合成零序电流;
如附图1和附图2中所示终端B与架空线路CTC配套使用,安装在线路的多个位置。终端收集架空CT采集的电流数据,将三相电流相加即为零序电流,通过A/D采样测量零序电流。
(2)当任一终端检测的零序电流幅值超过预设的启动值后,所有终端立刻准确捕捉到零序电流超过启动值前1个周期和超过启动值后3个周期的零序电流暂态信号;
(3)各终端运用Prony算法、小波包算法、HHT算法和分形算法对4个周期的零序电流暂态信号进行分析计算,分别提取出各算法的特征数据,并将上传给主站;
所述终端对零序电流暂态信号的采样间隔为一个周波80个点,采样频率为4000Hz;
(4)主站接收到各终端传来的各算法的零序电流特征数据后,根据终端算法提取出的特征数量确定网络层数和各层的输入输出节点数,从而确定BP神经网络的网络结构以及网络参数;
(5)将四种算法提取出的特征作为输入,根据BP神经网络的多判据融合算法判断出故障区段,其中故障定位步骤如下(如附图3所示):
①对定位装置所安装的配电网进行仿真,提取出大量仿真单相接地故障数据,并将这些数据运用四种算法提取出零序电流的特征数据,作为训练样本;
②对BP神经网络进行训练,将训练样本分为测试样本和验证样本,对测试样本进行计算,确定各层神经元节点的输入和输出;
③将最后一层神经元节点的输出,即定位出的故障区段代号,与测试样本的实际结果进行比较,计算每层神经元误差,不断调整各层连接权值和阀值;
④迭代第②、③步直到测试样本用尽,计算训练后BP神经网络的平均误差,该误差为最后一层神经元节点的输出数据误差的平均值,若满足设定精度要求,则完成训练,可利用该BP神经网络确定故障区段;
⑤若网络的平均误差不满足所设定的精度要求,再返回步骤①继续提取的仿真的单相接地故障数据,并运用四种算法提取特征数据继续作为训练样本,持续迭代第②、③、④步直到迭代次数达到预定上限,可确定BP神经网络;
⑥将终端提取出的四种算法提取的特征数据作为BP神经网络的输入,由BP神经网络计算出输出,输出数据即为定位出的故障区段代号,从而确定故障区段。
本申请还公开了一种利用上述配电网单相接地故障区段定位方法的配电网单相接地故障区段定位装置(如附图4所示),所述单相接地故障定位装置由主站和终端两个部分组成;
所述终端安装在架空线路杆塔上或者电缆环网柜内,其输入端接收架空线路和/或电缆CT二次侧的相电流信号合成得到零序电流信号,并与主站通过光纤通信或者移动通信连接;所述主站安装在变电站内或调度中心,接收终端发送的信号。
所述终端包括顺次连接的电流变换器、A/D转换模块、CPU模块、光纤通信模块、移动通信模块;终端对零序电流暂态信号进行Prony算法、小波包算法、HHT算法和分形算法计算,将分析结果上传给主站。
主站为一台工业控制计算机,包含光纤通信模块和移动通信模块,接收终端发送的数据,主站综合比较各个终端传来零序电流故障特征,经过计算确定故障区段并显示给调度运行人员。
定位装置由套接式架空线路CT C(当使用多组套接式架空线路CT时,分别使用C-1、C-2……C-n表示)、终端B(当使用多组与CT对应的终端时,多个终端分别使用B-1、B-2……B-n表示)和主站A三个部分组成,其中架空线路CT和终端配合使用,在线路的多个位置进行安装。架空线路CT为开口铁磁式结构,可以打开分为两半套接在架空线路上,避免了将架空线路断开的施工难度;CT精度达到1级,充分保证了测量的准确性。终端为适用于户外使用的低功耗微机型装置,安装于架空线杆塔上,与安装在ABC三相上的高精度架空线路CT配合使用。终端用于测量相电流和零序电流信号及向主站发送故障信息,由电流变换器、A/D、移动通信模块和太阳能充电模块组成。主站为一台工业控制计算机,安装于变电站内或者调度中心,用于接收终端的信息并进行故障定位运算,由光纤通信模块、移动通信模块组成。
单相接地故障时零序电流分布情况的等值电路如图2所示。在f点发生接地故障,由于线路上存在对地分布电容,零序电流以故障点到对地分布电容为通路,所以故障点前后及非故障分支都能检测到零序电流。故障线路零序电流大小等于所有非故障线路零序电流大小之和,且故障点上游零序电流的相位与非故障点下游零序电流的相位相差180度。在①②③④⑤五个终端,测得零序电流,箭头所示为各零序电流的流向。由于零序电流以对地电容为通路,呈容性,现以母线零序电压为参照,设定正方向为从母线流向线路,那么终端④检测出的与终端①②③⑤检测出的在相位上相差180度,这是本申请所使用判据的理论基础。
终端的原理如图4所示,由顺次连接的CPU、电流变换器、A/D、移动通信模块、光纤收发模块组成。由小电流互感器和电阻Rz构成电流变换器将输电线电流变换为交流0到5V信号,交流0到5V信号输入到输入运算放大器OP07中,OP07、基准电压源AD584以及电阻R1、R2、Rf构成比例加法器。输入运算放大器OP07输出接到8051F120的P1.0管脚上,8051F120内部含有ADC和附加基准电压源,对模拟信号进行A/D采样,采样后CPU计算出信号特征。8051F120通过P4和P5这两个I/O口中的P4.0-P4.7和P5.0-P5.6接点分别与移动通信模块M1206的Sub HD Pin15端口的15个接点一一对应相连,用于驱动移动通信模块M1206,采用移动通信方式向主站发送特征数据。HFBR14为光纤发送模块,HFBR24为光纤接收模块,8051F120芯片通过UART0连接到光纤收发模块,采用光纤通信方式向主站发送特征数据。
Claims (6)
1.一种配电网单相接地故障区段定位方法,所述定位方法采用基于BP神经网络的多判据融合算法,其特征在于,所述方法包括以下步骤:
(1)安装在线路多个位置的终端实时检测安装位置处的电流互感器二次合成零序电流;
(2)当任一终端检测的零序电流幅值超过预设的启动值后,所有终端立刻准确捕捉到零序电流超过启动值前1个周期和超过启动值后3个周期的零序电流暂态信号;
(3)各终端运用Prony算法、小波包算法、HHT算法和分形算法对4个周期的零序电流暂态信号进行分析计算,分别提取出各算法的零序电流特征数据,并将其上传给主站;
(4)主站接收到各终端传来的各算法的零序电流特征数据后,根据各终端所提取出的各算法下的零序电流特征数据确定BP神经网络层数和各层的输入输出神经元节点数,确定BP神经网络的网络结构以及网络参数;
(5)根据步骤(4)所确定的BP神经网络判断出故障区段,其步骤如下:
①对进行单相接地故障区段定位的配电网进行仿真,提取出仿真单相接地故障数据,并将这些仿真单相接地故障数据运用步骤(3)中所述的Prony算法、小波包算法、HHT算法和分形算法这四种算法提取出零序电流特征数据,作为训练样本;
②对BP神经网络进行训练,将训练样本分为测试样本和验证样本,对测试样本进行计算,确定各层神经元节点的输入和输出;
③将最后一层神经元节点的输出,即定位出的故障区段代号,与测试样本的实际结果进行比较,计算每层神经元误差,不断调整各层连接权值和阀值;
④迭代第②、③步直到测试样本用尽,计算训练后BP神经网络的平均误差,该误差为最后一层神经元节点的输出数据误差的平均值,若所述平均误差满足设定精度要求,则完成训练,进入第⑥步,否则进入第⑤步;
⑤若神经网络的平均误差不满足所设定的精度要求,再返回第①步继续提取的仿真的单相接地故障数据,并运用四种算法提取零序电流特征数据继续作为训练样本,持续迭代第②、③、④步直到迭代次数达到预定上限,BP神经网络完成训练,进入第⑥步;
⑥将终端提取出的四种算法提取的零序电流特征数据作为训练后的BP神经网络的输入,由该BP神经网络计算出输出,输出数据即为定位出的故障区段代号,从而确定故障区段。
2.根据权利要求1所述的配电网单相接地故障区段定位方法,其特征在于:在步骤(3)中,各终端运用Prony算法、小波包算法、HHT算法和分形算法所得到的零序电流特征数据分别为Prony分解出的高频振荡频率区幅值和相位特征、小波能量特征、HHT的衰减直流分量经验模态分量特征和分形维数特征。
3.根据权利要求2所述的配电网单相接地故障区段定位方法,其特征在于:
在步骤(4)中,所述BP神经网络输入层节点个数是零序电流特征数据维数的总和,即输入层节点数为5个。
4.一种利用权利要求1-3任一权利要求所述配电网单相接地故障区段定位方法的配电网单相接地故障区段定位装置,所述单相接地故障区段定位装置由主站和终端两个部分组成,其特征为:
所述终端安装在架空线路杆塔上或者电缆环网柜内:
当所述终端安装在架空线路杆塔上时,其输入端接收架空线路CT二次侧的相电流信号合成得到的零序电流信号,并与主站通过光纤通信或者移动通信连接;
当所述终端安装在电缆环网柜内时,其输入端接收电缆CT二次侧的相电流信号合成得到的零序电流信号,并与主站通过光纤通信或者移动通信连接;
所述主站安装在变电站内或调度中心,接收终端发送的信号。
5.根据权利要求4所述的配电网单相接地故障区段定位装置,其特征为:
所述终端包括顺次连接的电流变换器、A/D转换模块、CPU模块、光纤通信模块、移动通信模块;终端对零序电流暂态信号进行Prony算法、小波包算法、HHT算法和分形算法计算,将计算结果上传给主站。
6.根据权利要求4所述的配电网单相接地故障区段定位装置,其特征为:
主站为一台工业控制计算机,包含光纤通信模块和移动通信模块,所述主站接收终端发送的数据,主站综合比较各个终端传来的零序电流故障特征,经过计算确定故障区段并显示给调度运行人员。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310392802.7A CN103454559B (zh) | 2013-09-02 | 2013-09-02 | 一种配电网单相接地故障区段定位方法及定位装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201310392802.7A CN103454559B (zh) | 2013-09-02 | 2013-09-02 | 一种配电网单相接地故障区段定位方法及定位装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN103454559A CN103454559A (zh) | 2013-12-18 |
CN103454559B true CN103454559B (zh) | 2015-10-28 |
Family
ID=49737147
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201310392802.7A Active CN103454559B (zh) | 2013-09-02 | 2013-09-02 | 一种配电网单相接地故障区段定位方法及定位装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103454559B (zh) |
Families Citing this family (25)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
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 |
CN105629091A (zh) * | 2014-10-29 | 2016-06-01 | 国家电网公司 | 一种基于人工神经的供电线路保护方法 |
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 |
CN107508632B (zh) * | 2016-06-14 | 2020-02-18 | 中国移动通信集团广东有限公司 | 一种同路由光缆故障定位方法和装置 |
CN106680649B (zh) * | 2016-12-28 | 2019-11-05 | 岭东核电有限公司 | 一种核电站的瞬时接地故障检测方法和装置 |
CN106646136B (zh) * | 2016-12-28 | 2019-08-13 | 山东大学 | 带并联阻尼调匝式消弧线圈单相接地故障测距方法及系统 |
CN107167709A (zh) * | 2017-07-07 | 2017-09-15 | 吉林大学 | 一种电网故障定位方法及定位系统 |
CN108120900B (zh) * | 2017-12-22 | 2020-02-11 | 北京映翰通网络技术股份有限公司 | 一种配电网故障定位方法及系统 |
CN109085464B (zh) * | 2018-09-29 | 2020-05-29 | 广东电网有限责任公司 | 一种基于线路终端录波的电网微弱信号提取方法 |
CN109245069A (zh) * | 2018-10-18 | 2019-01-18 | 南京我的电气科技有限公司 | 一种基于机器学习的配电网小电流接地自动拉路控制装置 |
CN109270346A (zh) * | 2018-10-22 | 2019-01-25 | 贵州电网有限责任公司 | 一种opgw雷击处偏振态波形信号处理方法 |
TWI676901B (zh) * | 2018-10-26 | 2019-11-11 | 中原大學 | 移動電力電纜剩餘壽命在線估計方法 |
CN109283438B (zh) * | 2018-11-14 | 2021-03-30 | 长园深瑞继保自动化有限公司 | 铁路远动主站贯通线故障定位方法 |
CN109239533A (zh) * | 2018-11-16 | 2019-01-18 | 国网山东省电力公司电力科学研究院 | 一种基于人工神经网络的特高压直流输电线路的故障定位方法 |
CN110927526B (zh) * | 2019-12-11 | 2022-11-11 | 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 |
CN111537830A (zh) * | 2020-03-26 | 2020-08-14 | 南方电网科学研究院有限责任公司 | 一种基于云边架构和小波神经网络的配电网故障诊断方法 |
CN112180217A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
CN112684281B (zh) * | 2020-11-12 | 2022-10-04 | 国网河北省电力有限公司电力科学研究院 | 配电网单相接地故障区段定位方法、装置及终端设备 |
CN112710920A (zh) * | 2020-11-18 | 2021-04-27 | 国网浙江省电力有限公司温州供电公司 | 一种基于bp神经网络的配电网故障区段定位方法 |
CN112986754B (zh) * | 2021-05-11 | 2021-10-19 | 国网江西省电力有限公司电力科学研究院 | 一种基于数据驱动的小电流接地系统故障辨识方法及装置 |
CN113325269A (zh) * | 2021-05-28 | 2021-08-31 | 西安交通大学 | 一种配网高阻故障监测方法、系统、设备及存储介质 |
CN114487894A (zh) * | 2021-12-24 | 2022-05-13 | 中铁二院工程集团有限责任公司 | 一种对车载电源设备进行实时质量监测的系统 |
CN116405110B (zh) * | 2023-06-06 | 2023-08-15 | 四川天中星航空科技有限公司 | 一种多芯光缆故障定位分析设备 |
CN117826019A (zh) * | 2024-03-06 | 2024-04-05 | 国网吉林省电力有限公司长春供电公司 | 中性点不接地系统的线路单相接地故障区及类型检测方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4345045B2 (ja) * | 2001-10-03 | 2009-10-14 | 住友電気工業株式会社 | 送電線の事故区間標定方法 |
CN101839958A (zh) * | 2010-04-28 | 2010-09-22 | 华北电力大学 | 配电网单相接地故障带电定位装置 |
CN101924354A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 |
CN102129013A (zh) * | 2011-01-21 | 2011-07-20 | 昆明理工大学 | 一种利用自然频率和人工神经网络的配网故障测距方法 |
CN102879704A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 一种高压输电线高阻接地故障多参数数据融合检测方法 |
CN202720306U (zh) * | 2012-08-02 | 2013-02-06 | 海南电力技术研究院 | 基于套接式架空线路ct的配电网故障定位装置 |
CN102944817A (zh) * | 2012-12-10 | 2013-02-27 | 辽宁省电力有限公司沈阳供电公司 | 基于暂态信号小波变换的配电网单相接地故障定位方法及定位装置 |
CN102967800A (zh) * | 2012-12-10 | 2013-03-13 | 辽宁省电力有限公司沈阳供电公司 | 基于暂态信号prony算法的配电网单相接地故障区段定位方法及定位装置 |
CN102981099A (zh) * | 2012-12-10 | 2013-03-20 | 辽宁省电力有限公司沈阳供电公司 | 基于遗传算法的配电网单相接地故障定位方法及定位装置 |
CN103163430A (zh) * | 2013-03-29 | 2013-06-19 | 昆明理工大学 | 一种利用复小波和ann结合的谐振接地系统故障选线方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH09145772A (ja) * | 1995-11-20 | 1997-06-06 | Furukawa Electric Co Ltd:The | 送配電線故障区間標定方法及びその装置 |
-
2013
- 2013-09-02 CN CN201310392802.7A patent/CN103454559B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4345045B2 (ja) * | 2001-10-03 | 2009-10-14 | 住友電気工業株式会社 | 送電線の事故区間標定方法 |
CN101924354A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 |
CN101839958A (zh) * | 2010-04-28 | 2010-09-22 | 华北电力大学 | 配电网单相接地故障带电定位装置 |
CN102129013A (zh) * | 2011-01-21 | 2011-07-20 | 昆明理工大学 | 一种利用自然频率和人工神经网络的配网故障测距方法 |
CN202720306U (zh) * | 2012-08-02 | 2013-02-06 | 海南电力技术研究院 | 基于套接式架空线路ct的配电网故障定位装置 |
CN102879704A (zh) * | 2012-10-08 | 2013-01-16 | 南京航空航天大学 | 一种高压输电线高阻接地故障多参数数据融合检测方法 |
CN102944817A (zh) * | 2012-12-10 | 2013-02-27 | 辽宁省电力有限公司沈阳供电公司 | 基于暂态信号小波变换的配电网单相接地故障定位方法及定位装置 |
CN102967800A (zh) * | 2012-12-10 | 2013-03-13 | 辽宁省电力有限公司沈阳供电公司 | 基于暂态信号prony算法的配电网单相接地故障区段定位方法及定位装置 |
CN102981099A (zh) * | 2012-12-10 | 2013-03-20 | 辽宁省电力有限公司沈阳供电公司 | 基于遗传算法的配电网单相接地故障定位方法及定位装置 |
CN103163430A (zh) * | 2013-03-29 | 2013-06-19 | 昆明理工大学 | 一种利用复小波和ann结合的谐振接地系统故障选线方法 |
Non-Patent Citations (2)
Title |
---|
基于小波变换和神经网络的小电流接地故障选线;张志刚等;《第二十七届中国控制会议论文集》;20081231;第790-794页 * |
小电流单相接地故障在线定位装置研究与实现;郑顾平等;《电力系统保护与控制》;20120416;第40卷(第8期);第135-139页 * |
Also Published As
Publication number | Publication date |
---|---|
CN103454559A (zh) | 2013-12-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103454559B (zh) | 一种配电网单相接地故障区段定位方法及定位装置 | |
CN102967800B (zh) | 基于暂态信号Prony算法的配电网单相接地故障区段定位方法及定位装置 | |
Mirshekali et al. | A novel fault location methodology for smart distribution networks | |
CN102981099B (zh) | 基于遗传算法的配电网单相接地故障定位方法及定位装置 | |
CN108173263A (zh) | 一种基于ami量测信息的配电网拓扑错误辨识算法 | |
CN107643507A (zh) | 一种基于电网线路运行误差远程校准的精益线损分析与管控方法 | |
CN107453357A (zh) | 一种基于分层求解的配电网状态估计方法 | |
CN101958543B (zh) | 一种变电站三相无阻抗非线性多源状态估计方法 | |
CN108647438A (zh) | 一种新型土壤等效电阻模型建模方法 | |
CN104599193A (zh) | 一种基于规则库的配电网单相接地故障定位方法 | |
CN106208041A (zh) | 一种基于分段常数独立分量分析的配电网谐波电流估计方法 | |
CN103413044A (zh) | 一种基于变电站量测信息的电力系统局部拓扑估计方法 | |
CN110289613A (zh) | 基于灵敏度矩阵的配电网拓扑识别与线路参数辨识方法 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
Jin et al. | Fault location method for distribution lines with distributed generators based on a novel hybrid BPSOGA | |
CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
CN203054159U (zh) | 基于零序电流同步测量的配电网故障定位装置 | |
CN109239533A (zh) | 一种基于人工神经网络的特高压直流输电线路的故障定位方法 | |
CN112350318B (zh) | 基于广度优先搜索算法的交流配电网拓扑辨识方法 | |
CN103647284B (zh) | 一种解决单时间断面问题的电压稳定预测方法 | |
CN202720306U (zh) | 基于套接式架空线路ct的配电网故障定位装置 | |
CN102738794B (zh) | 基于赛德尔式递推贝叶斯估计的电网拓扑错误辨识方法 | |
CN110780129A (zh) | 基于电流偏差分析技术的窃漏电定位方法 | |
CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
Nilsson et al. | A machine learning method creating network models based on 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 |