CN103852692A - 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 - Google Patents

一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 Download PDF

Info

Publication number
CN103852692A
CN103852692A CN201410088610.1A CN201410088610A CN103852692A CN 103852692 A CN103852692 A CN 103852692A CN 201410088610 A CN201410088610 A CN 201410088610A CN 103852692 A CN103852692 A CN 103852692A
Authority
CN
China
Prior art keywords
neural network
fault
transmission line
current transmission
high frequency
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.)
Granted
Application number
CN201410088610.1A
Other languages
English (en)
Other versions
CN103852692B (zh
Inventor
陈仕龙
谢佳伟
毕贵红
张�杰
曹蕊蕊
荣俊香
李兴旺
罗璐
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Kunming University of Science and Technology
Original Assignee
Kunming University of Science and Technology
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Kunming University of Science and Technology filed Critical Kunming University of Science and Technology
Priority to CN201410088610.1A priority Critical patent/CN103852692B/zh
Priority claimed from CN201410088610.1A external-priority patent/CN103852692B/zh
Publication of CN103852692A publication Critical patent/CN103852692A/zh
Application granted granted Critical
Publication of CN103852692B publication Critical patent/CN103852692B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H04—ELECTRIC COMMUNICATION TECHNIQUE
    • H04B—TRANSMISSION
    • H04B3/00—Line transmission systems
    • H04B3/54—Systems for transmission via power distribution lines
    • H04B3/548—Systems for transmission via power distribution lines the power on the line being DC
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Power Engineering (AREA)
  • Computer Networks & Wireless Communication (AREA)
  • Signal Processing (AREA)
  • Locating Faults (AREA)

Abstract

本发明涉及一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，属于高压直流输电系统继电保护技术领域。本发明利用故障高频量在线路上传播时的衰减特性，推导出故障距离与到达整流侧和逆变侧测距装置处的故障电压行波首波头幅值比之间的数学关系；选取不同频带内整流侧和逆变侧测距装置处检测到的故障电压行波首波头幅值比作为BP神经网络的输入样本集、故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；当故障测距神经网络模型形成以后，将测试样本输入到训练后的模型当中得到测距结果。本发明避免了传统的双端行波测距方法中波速度确定困难等问题。

Description

一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法
技术领域
本发明涉及一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，属于高压直流输电系统继电保护技术领域。
背景技术
目前直流输电线路故障后的测距主要依赖于行波故障定位技术，分为单端行波测距法和双端行波测距法。单端行波法需要准确识别第二个反射行波波头，存在高阻接地故障时第二个反射行波波头的正确识别存在困难；双端行波测距法能够准确定位的关键在于正确识别和标定故障行波首波头，由于直流输电系统中由平波电抗器和直流滤波器组成的线路边界对行波的高频及低频成分呈现不同的频率特性，这给故障行波首波头的到达时间的准确标定带来了困难。另外，无论是单端法还是双端法都存在定位精度依赖波速度的准确估算、对装置采样率要求过高、抗干扰性差等问题。申请专利（申请号201310543565.X）提出了基于高频量衰减特性的特高压直流输电线路故障测距公式，据此测距，测距精度依赖于线路衰减常数                                               
Figure 2014100886101100002DEST_PATH_IMAGE002
的准确确定，但是对于特定的直流输电线路，准确求取线路衰减常数存在一定的困难。因此有必要研究具有更高可靠性和精确性的高压直流输电线路故障测距新方法。
发明内容
本发明提供了一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，以用于克服传统的双端行波测距方法中波速度确定困难以及对两端时钟同步装置精度要求过高等问题。
本发明的技术方案是：一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，所述方法的具体步骤如下：
A、当特高压直流输电线路发生接地故障后，整流侧测距装置处和逆变侧测距装置处的数据采集装置采集故障电压行波首波头到达后5ms时窗内的故障电压数据；
B、针对不同的过渡电阻和不同的故障距离分别对整流侧和逆变侧测距装置处提取的故障数据进行小波变换，得到整流侧第1、2、3、4尺度下的高频带内的故障电压行波首波头幅值U a1、U a2、U a3、U a4，以及对应频带内的到达逆变侧的故障电压行波首波头幅值U b1、U b2、U b3、U b4；
C、计算同一频带内整流侧首波头幅值与逆变侧首波头幅值之比
Figure 2014100886101100002DEST_PATH_IMAGE004
，
Figure 2014100886101100002DEST_PATH_IMAGE006
，
Figure 2014100886101100002DEST_PATH_IMAGE008
，
Figure 2014100886101100002DEST_PATH_IMAGE010
；
D、使用mapminmax函数对步骤C得到的样本数据p=[p 1,p 2,p 3,p 4]进行归一化处理，并将归一化后的数据作为神经网络的样本输入矢量； 
E、将步骤D中得到的神经网络样本输入矢量作为训练神经网络的输入样本集、故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；
F、当故障测距神经网络模型形成以后，将测试样本输入到训练后的模型当中得到测距结果。
所述步骤B中过渡电阻取值为0-100Ω；其中过渡电阻的步长为10Ω。
所述步骤B中对故障数据进行小波变换时，所用小波基为db4。
所述步骤E中故障测距的神经网络采用BP神经网络模型；其中输入层神经元数目为4，隐含层神经元数目为15，网络具有的一个隐含层采用S型传递函数tansig，输出层采用纯线性传递函数purelin。
所述神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10-5。
本发明的工作原理是：
直流输电线路发生故障时，故障点产生的高频故障信号将沿线路向两端传播，高频故障信号在线路上传播过程中将发生衰减，线路越长，衰减作用越强烈，高频量的衰减程度与其通过的直流输电线路长度有密切关系。基于高频量衰减特性的特高压直流输电线路双端测距原理图如图1所示，由图1可见，设直流输电线路全长为L，当距离整流侧测距装置处长度为x的d点发生故障时，故障点d产生的频率为f的高频量为
Figure 2014100886101100002DEST_PATH_IMAGE012
，其幅值为
Figure 2014100886101100002DEST_PATH_IMAGE014
，由于直流线路对高频量的衰减作用，该高频量到达整流侧测距装置处后为
Figure 2014100886101100002DEST_PATH_IMAGE016
，到达逆变侧测距装置处后为
Figure 2014100886101100002DEST_PATH_IMAGE018
，对应的幅值分别为
Figure 2014100886101100002DEST_PATH_IMAGE020
、
Figure 2014100886101100002DEST_PATH_IMAGE022
。根据输电线路传输函数的定义，长度为l的输电线路传输函数
Figure 2014100886101100002DEST_PATH_IMAGE024
为：
Figure 2014100886101100002DEST_PATH_IMAGE026
                                                       （1）
Figure 2014100886101100002DEST_PATH_IMAGE028
                                      （2）
其中
Figure 2014100886101100002DEST_PATH_IMAGE030
为行波传播系数；α表示行波沿线衰减特性，称为衰减常数；
Figure 2014100886101100002DEST_PATH_IMAGE032
表示行波沿线的相位变化特性，称为相位常数；R 0、L 0、G 0、C 0分别为直流输电线路单位长度的电阻、电感、电导和电容； j表示的是虚数的单位，
Figure 2014100886101100002DEST_PATH_IMAGE034
=2×π×f。
根据输电线路对高频量的衰减特性有：
Figure 2014100886101100002DEST_PATH_IMAGE036
                                                    （3）
Figure 2014100886101100002DEST_PATH_IMAGE038
                                                （4）
上述两式相除，得到：
Figure 2014100886101100002DEST_PATH_IMAGE040
                                                （5）
由（5）式可以得到故障发生点距离整流侧测距装置处的距离为：
                                             （6）
当线路发生接地故障时，在故障点和母线处因其线路波阻抗不连续而会出现行波折反射。在一定的时间窗内，线路两端测距装置处检测到的行波信号中就含有故障初始行波、故障点反射波和母线发射波。因此，在测距装置处提取单一频率的来自故障源的行波信号存在困难。
以小波变换为代表的各类信号时频分析方法，对仿真波形的波头标定获得了较为满意的结果，特别是基于小波模极大值理论的波头标定方法对初始故障行波波头标定效果显著。小波变换的模极大值与信号的突变点一一对应，其大小表示突变点的变化强度。由于初始故障行波波头获得方便而且效果良好，对单一频率的故障信号的衰减分析转化为对故障行波首波头的衰减分析。用到达整流侧和逆变侧测距装置处的故障行波首波头幅值比代替特定频率下的线路两端来自故障源的高频分量幅值比
Figure 2014100886101100002DEST_PATH_IMAGE044
，公式（6）变为：
Figure 2014100886101100002DEST_PATH_IMAGE046
                                                （7）
公式（7）中，U a 、U b 分别表示同一频带下整流侧测距装置处和逆变侧测距装置处检测到的故障电压行波首波头幅值，表示该波头对应频率下的线路衰减常数。
线路衰减常数是关于频率的非线性函数，对于直流输电线路，如果能准确确定单位长度线路的电阻、电感、电容和电纳，根据式（2）可以求得任意频率下线路衰减常数。这样通过求得特定频带下到达整流侧和逆变侧测距装置处的故障行波首波头幅值比，利用式（7）就可以计算出故障发生点距离整流侧测距装置处的距离，从而实现故障测距的目的。实际上，高压线路沿线地质条件相当复杂，不同的地质段的土壤电阻率有不同的取值，线路的分布电感也会因不同的地区和线路结构而产生差异，同时，由于气候的影响，沿线的不均匀电晕分布影响了线路的分布电容，所以对于特定的直流输电线路，准确测量线路的实际参数存在困难，所以准确求取线路的衰减常数存在一定的困难。
由上述分析可知，对于特定的直流输电线路，由于线路衰减常数不能够准确确定，通过求取同一频带下整流侧测距装置处和逆变侧测距装置处检测到的故障信号首波头幅值比来实现故障测距存在一定的误差。分析式（7）可知，故障距离x与
Figure 2014100886101100002DEST_PATH_IMAGE050
之间存在确定的非线性关系，如果能够确定的这种数学关系，就能够通过线路上整流侧和逆变侧的测量装置，测量故障电压行波首波头幅值，就可以实现故障测距。神经网络具有很强的非线性函数逼近拟合能力，故可采用神经网络对这种非线性关系进行泛化分析，从而实现对故障位置进行测算。目前，在人工神经网络的应用实际中，绝大部分的神经网络模型都采用BP网络及其变化形式，本方法采用的是BP网络模型。从结构上讲，BP网络是一种典型的多层前向型神经网络，具有一个输入层、单个或数个隐含层和一个输出层。层与层之间采用全连接的方式，同一层的神经元之间不存在相互连接。理论上已经证明，具有一个隐含层的三层网络可以逼近任意非线性函数。
本发明的有益效果是：利用了故障后一段时窗内的双端故障数据，求取特定频带下的两端电压行波首波头幅值比即可实现故障测距，而不依赖于行波在故障点与测量点之间的传输速度与传输时间，从而避免了传统的双端行波测距方法中波速度确定困难以及对两端时钟同步装置精度要求过高等问题，同时又克服了申请专利（申请号201310543565.X）提出的基于高频量衰减特性的特高压直流输电线路故障测距方法中线路衰减常数确定困难的问题。
附图说明
图1为本发明的测距原理图；
图2为本发明故障测距神经网络模型图；
图3为本发明的故障测距神经网络训练特性图；
图中各标号为：1为整流侧交流系统、2为逆变侧交流系统、3为整流桥、4为逆变桥、5为整流侧平波电抗器、6为逆变侧平波电抗器、7为整流侧直流滤波器、8为逆变侧直流滤波器、9为整流侧PLC滤波器、10为逆变侧直流滤波器、11为整流侧测距装置、12为逆变侧测距装置、13为直流输电线路、14为整流侧接地装置、15为逆变侧接地装置。
具体实施方式
实施例1：如图1-3所示，一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，所述方法的具体步骤如下：
A、当特高压直流输电线路发生接地故障后，整流侧测距装置处和逆变侧测距装置处的数据采集装置采集故障电压行波首波头到达后5ms时窗内的故障电压数据；
B、针对不同的过渡电阻和不同的故障距离分别对整流侧和逆变侧测距装置处提取的故障数据进行小波变换，得到整流侧第1、2、3、4尺度下的高频带内的故障电压行波首波头幅值U a1、U a2、U a3、U a4，以及对应频带内的到达逆变侧的故障电压行波首波头幅值U b1、U b2、U b3、U b4；
C、计算同一频带内整流侧首波头幅值与逆变侧首波头幅值之比，，，；
D、使用mapminmax函数对步骤C得到的样本数据p=[p 1,p 2,p 3,p 4]进行归一化处理，并将归一化后的数据作为神经网络的样本输入矢量； 
E、将步骤D中得到的神经网络样本输入矢量作为训练神经网络的输入样本集、故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；
F、当故障测距神经网络模型形成以后，将测试样本输入到训练后的模型当中得到测距结果。
所述步骤B中过渡电阻取值为0-100Ω；其中过渡电阻的步长为10Ω。
所述步骤B中对故障数据进行小波变换时，所用小波基为db4。
所述步骤E中故障测距的神经网络采用BP神经网络模型；其中输入层神经元数目为4，隐含层神经元数目为15，网络具有的一个隐含层采用S型传递函数tansig，输出层采用纯线性传递函数purelin。
所述神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10-5。
实施例2：如图1-3所示，一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，仿真时采样频率f s =200kHz，为了增强故障测距神经网络模型的泛化能力，选取小波分解后第1、2、3、4尺度下对应的高频带内整流侧与逆变侧故障电压行波首波头幅值比作为测距网络的输入样本集，故障距离作为输出样本集，对神经网络进行训练，形成故障测距神经网络模型。故障测距神经网络模型形成以后，将反映故障位置的特征数据输入训练后的网络模型即可实现故障测距。其中训练神经网络的输入样本集可通过以下方法获得：
1）取首波头到达后5ms时窗内的线路两端暂态电压信号作为训练样本的初始数据。分别对整流侧和逆变侧测距装置处提取的故障数据进行小波变换（为了得到第1、2、3、4尺度下的相关值，因此进行小波变换的层数满足大于等于4，此处进行实验时选取的小波变换的层数为6），得到整流侧第1、2、3、4尺度下的高频带内的首波头幅值U a1、U a2、U a3、U a4，以及对应频带内的到达逆变侧的首波头幅值U b1、U b2、U b3、U b4，分别求取各个频带内的两端电压波头幅值比
Figure 2014100886101100002DEST_PATH_IMAGE060
，
Figure 2014100886101100002DEST_PATH_IMAGE062
，
Figure 2014100886101100002DEST_PATH_IMAGE064
，
Figure 2014100886101100002DEST_PATH_IMAGE066
；训练样本的输入矢量p=[p 1,p 2,p 3,p 4]。
2）线路全长1418km。从距离整流侧测距装置处5km开始设置故障点，故障距离步长取为10km，故障点设置一直到距离整流侧测距装置处1415km结束，共包含142组故障数据。
3）过渡电阻在0-100Ω中选取，过渡电阻步长为10Ω。
4）由于训练样本集的输入矢量数值有很大的差异，对于某一输入节点，如果该节点的数值过大，这样的隐含层的输出中，该节点的权值的影响就要比其它分量大很多，这样其它分量就会失去调控作用。所以有必要对输入矢量进行归一化处理，使得输入矢量变化范围为（0，1），这样在神经网络训练时，各个输入矢量具有同等重要的地位。
经过上述步骤，生成的故障测距神经网络模型如图2所示（图2中，p 1、p 2、p 3、p 4为神经网络的输入，分别为小波分解后第1、2、3、4尺度下对应的高频带内整流侧与逆变侧故障电压行波首波头幅值比；y表示神经网络实际输出的故障距离；O表示神经网络期望输出的故障距离；表示输入层的第m个神经元到隐含层的第l个神经元之间的连接权值，
Figure 2014100886101100002DEST_PATH_IMAGE070
表示隐含层第l个神经元到输出层神经元之间的权值，∑表示BP神经网络的误差反传环节。
该网络具有一个隐含层，输入层神经元数目为4，隐含层神经元数目为15，因此网络的拓扑结构为4×15×1。网络隐含层采用S型传递函数tansig，输出层采用纯线性传递函数purelin。神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10-5。网络经过1101次训练以后满足精度要求，训练收敛曲线如图3所示（图3中，实线表示期望输出，虚线表示训练实际输出；横坐标表示训练步数，纵坐标表示训练精度即实际故障距离与测量距离之间的相对误差（实际故障距离与测量距离之间的差值，再除以线路全长））。
用得到的故障测距神经网络模型对训练集以外的故障距离（即测试样本）进行测试，得到不同条件下的测距结果如表1所示：
Figure 2014100886101100002DEST_PATH_IMAGE072
分析表1中所示仿真结果可知，不同过渡电阻下不同故障距离处，利用故障测距ANN模型测得的结果误差基本保持在2km以内，而且随着过渡电阻的变化，测距精度不受影响，可见本方法提出的基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法精度较高，而且耐受过渡电阻能力强。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通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作出各种变化。

Claims (5)

1.一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，其特征在于：所述方法的具体步骤如下：
A、当特高压直流输电线路发生接地故障后，整流侧测距装置处和逆变侧测距装置处的数据采集装置采集故障电压行波首波头到达后5ms时窗内的故障电压数据；
B、针对不同的过渡电阻和不同的故障距离分别对整流侧和逆变侧测距装置处提取的故障数据进行小波变换，得到整流侧第1、2、3、4尺度下的高频带内的故障电压行波首波头幅值U a1、U a2、U a3、U a4，以及对应频带内的到达逆变侧的故障电压行波首波头幅值U b1、U b2、U b3、U b4；
C、计算同一频带内整流侧首波头幅值与逆变侧首波头幅值之比                                                
Figure 2014100886101100001DEST_PATH_IMAGE001
，
Figure 966885DEST_PATH_IMAGE002
，
Figure 2014100886101100001DEST_PATH_IMAGE003
，
Figure 821708DEST_PATH_IMAGE004
；
D、使用mapminmax函数对步骤C得到的样本数据p=[p 1,p 2,p 3,p 4]进行归一化处理，并将归一化后的数据作为神经网络的样本输入矢量； 
E、将步骤D中得到的神经网络样本输入矢量作为训练神经网络的输入样本集、故障距离作为输出样本集，对神经网络进行训练，生成故障测距神经网络模型；
F、当故障测距神经网络模型形成以后，将测试样本输入到训练后的模型当中得到测距结果。
2.根据权利要求1所述的基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，其特征在于：所述步骤B中过渡电阻取值为0-100Ω；其中过渡电阻的步长为10Ω。
3.根据权利要求1所述的基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，其特征在于：所述步骤B中对故障数据进行小波变换时，所用小波基为db4。
4.根据权利要求1所述的基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，其特征在于：所述步骤E中故障测距的神经网络采用BP神经网络模型；其中输入层神经元数目为4，隐含层神经元数目为15，网络具有的一个隐含层采用S型传递函数tansig，输出层采用纯线性传递函数purelin。
5.根据权利要求4所述的基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法，其特征在于：所述神经网络采用自适应学习速度算法，学习率为0.01，最大训练次数取为10000，收敛精度设置为10-5。
CN201410088610.1A 2014-03-12 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 Expired - Fee Related CN103852692B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410088610.1A CN103852692B (zh) 2014-03-12 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410088610.1A CN103852692B (zh) 2014-03-12 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法

Publications (2)

Publication Number Publication Date
CN103852692A true CN103852692A (zh) 2014-06-11
CN103852692B CN103852692B (zh) 2016-11-30

Family

ID=

Cited By (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443347A (zh) * 2016-10-09 2017-02-22 中国矿业大学 一种基于故障暂态行波衰减分量的电网故障区段定位方法
CN106680733A (zh) * 2016-12-02 2017-05-17 华北电力大学 基于单端电压振荡特征的双端柔性直流系统故障测距方法
CN107422224A (zh) * 2017-04-26 2017-12-01 中国矿业大学 一种电网非同步故障区域定位方法
CN107505538A (zh) * 2017-09-22 2017-12-22 中国矿业大学 基于线模电压行波幅值衰减特性的半波长输电线路非同步故障定位方法
CN107607836A (zh) * 2017-09-22 2018-01-19 中国矿业大学 一种基于多维信息的电网故障区域定位方法
CN109212384A (zh) * 2018-10-31 2019-01-15 海南电网有限责任公司电力科学研究院 一种基于行波幅值衰减理论的输电线路故障定位方法
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
EP3460496A1 (en) * 2017-09-26 2019-03-27 Siemens Aktiengesellschaft A method and apparatus for automatic localization of a fault
CN109859216A (zh) * 2019-02-16 2019-06-07 深圳市未来感知科技有限公司 基于深度学习的测距方法、装置、设备及存储介质
CN110514967A (zh) * 2019-10-12 2019-11-29 国网江苏省电力有限公司徐州供电分公司 一种基于narnn模型预测行波波头到达时刻的故障定位方法
CN110568320A (zh) * 2018-11-06 2019-12-13 云南电网有限责任公司电力科学研究院 一种基于准确测量电压的输电线路雷电故障定位方法
CN111736036A (zh) * 2020-07-01 2020-10-02 广东电网有限责任公司 一种输电线路的故障测距系统及方法
CN112946425A (zh) * 2021-02-08 2021-06-11 长沙理工大学 一种利用深度学习挖掘行波时-频域特征的故障定位方法
CN113033077A (zh) * 2021-03-04 2021-06-25 云南电网有限责任公司电力科学研究院 一种基于神经网络算法的直流输电线路故障测距方法
CN113466624A (zh) * 2021-06-30 2021-10-01 云南电网有限责任公司电力科学研究院 一种多端混合直流输电线路故障区域的检测方法及系统
CN113985194A (zh) * 2021-09-28 2022-01-28 广西电网有限责任公司电力科学研究院 一种基于堆栈自编码器的配电网故障定位方法
CN114184896A (zh) * 2021-11-15 2022-03-15 昆明理工大学 一种混合直流输电线路单端故障测距方法及系统
CN114200246A (zh) * 2021-11-29 2022-03-18 昆明理工大学 一种直流输电线路故障测距方法及系统
CN114578184A (zh) * 2021-11-29 2022-06-03 昆明理工大学 一种直流输电线路双端行波频差比值故障测距方法及系统
CN117872039A (zh) * 2024-03-13 2024-04-12 国网山东省电力公司鱼台县供电公司 一种基于改进rbf网络的线路故障测距方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101907437A (zh) * 2010-07-23 2010-12-08 西安科技大学 一种基于小波差分算法的电缆故障测距方法
CN101923139A (zh) * 2010-04-19 2010-12-22 昆明理工大学 一种输电线路单端行波故障测距智能方法
CN101943738A (zh) * 2010-08-04 2011-01-12 清华大学 单相接地测距方法和测距装置
CN101975910A (zh) * 2010-09-07 2011-02-16 昆明理工大学 一种特高压直流输电线路故障智能分类与测距方法
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
CN102253315A (zh) * 2011-06-28 2011-11-23 中电普瑞科技有限公司 基于单端测距的故障定位方法
TW201303319A (zh) * 2011-07-06 2013-01-16 Univ Nat Taiwan 高壓輸配電網路之故障偵測、辨識與定位之方法及系統
KR20130035766A (ko) * 2011-09-30 2013-04-09 한국전력공사 Ｈｖｄｃ고장 분석 시스템
CN103592569A (zh) * 2013-11-06 2014-02-19 昆明理工大学 一种基于高频量衰减特性的特高压直流输电线路故障测距方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101923139A (zh) * 2010-04-19 2010-12-22 昆明理工大学 一种输电线路单端行波故障测距智能方法
CN101907437A (zh) * 2010-07-23 2010-12-08 西安科技大学 一种基于小波差分算法的电缆故障测距方法
CN101943738A (zh) * 2010-08-04 2011-01-12 清华大学 单相接地测距方法和测距装置
CN101975910A (zh) * 2010-09-07 2011-02-16 昆明理工大学 一种特高压直流输电线路故障智能分类与测距方法
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
CN102253315A (zh) * 2011-06-28 2011-11-23 中电普瑞科技有限公司 基于单端测距的故障定位方法
TW201303319A (zh) * 2011-07-06 2013-01-16 Univ Nat Taiwan 高壓輸配電網路之故障偵測、辨識與定位之方法及系統
KR20130035766A (ko) * 2011-09-30 2013-04-09 한국전력공사 Ｈｖｄｃ고장 분석 시스템
CN103592569A (zh) * 2013-11-06 2014-02-19 昆明理工大学 一种基于高频量衰减特性的特高压直流输电线路故障测距方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
束洪春，田鑫萃，张广斌，刘可真，孙士云: "±800kV直流输电线路故障定位的单端电压自然频率方法", 《中国机电工程学报》, vol. 31, no. 25, 5 September 2011 (2011-09-05), pages 104 - 111 *
覃剑，陈祥训，郑健超，吴成琦: "利用小波变换的双端行波测距新方法", 《中国电机工程学报》, vol. 20, no. 8, 31 August 2000 (2000-08-31), pages 6 - 10 *
谢佳伟: "特高压直流输电线路神经网络故障测距新方法研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 *
陈仕龙: "一种特高压直流输电线路神经网络双端故障测距新方法", 《电工技术学报》 *

Cited By (29)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN106443347B (zh) * 2016-10-09 2018-05-15 中国矿业大学 一种基于故障暂态行波衰减分量的电网故障区段定位方法
CN106443347A (zh) * 2016-10-09 2017-02-22 中国矿业大学 一种基于故障暂态行波衰减分量的电网故障区段定位方法
CN106680733A (zh) * 2016-12-02 2017-05-17 华北电力大学 基于单端电压振荡特征的双端柔性直流系统故障测距方法
CN107422224A (zh) * 2017-04-26 2017-12-01 中国矿业大学 一种电网非同步故障区域定位方法
CN107422224B (zh) * 2017-04-26 2018-11-02 中国矿业大学 一种电网非同步故障区域定位方法
CN107505538A (zh) * 2017-09-22 2017-12-22 中国矿业大学 基于线模电压行波幅值衰减特性的半波长输电线路非同步故障定位方法
CN107607836A (zh) * 2017-09-22 2018-01-19 中国矿业大学 一种基于多维信息的电网故障区域定位方法
CN107607836B (zh) * 2017-09-22 2019-02-19 中国矿业大学 一种基于多维信息的电网故障区域定位方法
EP3460496A1 (en) * 2017-09-26 2019-03-27 Siemens Aktiengesellschaft A method and apparatus for automatic localization of a fault
US10955456B2 (en) 2017-09-26 2021-03-23 Siemens Aktiengesellschaft Method and apparatus for automatic localization of a fault
CN109212384A (zh) * 2018-10-31 2019-01-15 海南电网有限责任公司电力科学研究院 一种基于行波幅值衰减理论的输电线路故障定位方法
CN110568320B (zh) * 2018-11-06 2021-10-15 云南电网有限责任公司电力科学研究院 一种基于准确测量电压的输电线路雷电故障定位方法
CN110568320A (zh) * 2018-11-06 2019-12-13 云南电网有限责任公司电力科学研究院 一种基于准确测量电压的输电线路雷电故障定位方法
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
CN109859216A (zh) * 2019-02-16 2019-06-07 深圳市未来感知科技有限公司 基于深度学习的测距方法、装置、设备及存储介质
CN110514967A (zh) * 2019-10-12 2019-11-29 国网江苏省电力有限公司徐州供电分公司 一种基于narnn模型预测行波波头到达时刻的故障定位方法
CN110514967B (zh) * 2019-10-12 2021-05-18 国网江苏省电力有限公司徐州供电分公司 一种基于narnn模型预测行波波头到达时刻的故障定位方法
CN111736036A (zh) * 2020-07-01 2020-10-02 广东电网有限责任公司 一种输电线路的故障测距系统及方法
CN111736036B (zh) * 2020-07-01 2022-09-09 广东电网有限责任公司 一种输电线路的故障测距系统及方法
CN112946425A (zh) * 2021-02-08 2021-06-11 长沙理工大学 一种利用深度学习挖掘行波时-频域特征的故障定位方法
CN113033077A (zh) * 2021-03-04 2021-06-25 云南电网有限责任公司电力科学研究院 一种基于神经网络算法的直流输电线路故障测距方法
CN113466624A (zh) * 2021-06-30 2021-10-01 云南电网有限责任公司电力科学研究院 一种多端混合直流输电线路故障区域的检测方法及系统
CN113985194A (zh) * 2021-09-28 2022-01-28 广西电网有限责任公司电力科学研究院 一种基于堆栈自编码器的配电网故障定位方法
CN114184896A (zh) * 2021-11-15 2022-03-15 昆明理工大学 一种混合直流输电线路单端故障测距方法及系统
CN114184896B (zh) * 2021-11-15 2022-11-15 昆明理工大学 一种混合直流输电线路单端故障测距方法及系统
CN114200246A (zh) * 2021-11-29 2022-03-18 昆明理工大学 一种直流输电线路故障测距方法及系统
CN114578184A (zh) * 2021-11-29 2022-06-03 昆明理工大学 一种直流输电线路双端行波频差比值故障测距方法及系统
CN117872039A (zh) * 2024-03-13 2024-04-12 国网山东省电力公司鱼台县供电公司 一种基于改进rbf网络的线路故障测距方法及系统
CN117872039B (zh) * 2024-03-13 2024-05-31 国网山东省电力公司鱼台县供电公司 一种基于改进rbf网络的线路故障测距方法及系统

Similar Documents

Publication Publication Date Title
CN101975910B (zh) 一种特高压直流输电线路故障智能分类与测距方法
CN101923139B (zh) 一种输电线路单端行波故障测距智能方法
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
CN101509949B (zh) 直流输电线路双端非同步且参数自适应的故障测距时域法
CN106771861B (zh) 基于广域行波能量和时间差的复杂电网故障定位方法
CN108107319A (zh) 一种多端柔性直流电网故障定位方法及系统
CN105223466B (zh) 一种利用模极大值比的特高压直流输电线路单端测距方法
CN102087332B (zh) 一种基于波速寻优的直流行波故障测距方法
CN104898021B (zh) 一种基于k‑means聚类分析的配电网故障选线方法
CN108896874B (zh) 一种末端连接短线路的输电线路故障测距方法
CN106019080B (zh) 一种基于沿线能量突变的同塔双回直流线路单端行波测距方法
CN103913676B (zh) 基于可变行波辨识时窗的输电线路单端故障定位方法
CN101762774B (zh) 基于遗传算法参数辨识高压直流输电线路故障测距方法
CN101141062A (zh) 电网故障行波定位方法
CN103018636A (zh) 一种利用故障特征频带和tt变换的电缆单端行波测距方法
CN107632236A (zh) 一种基于对端母线反射波识别的单出线输电线路单端故障测距方法
CN103969553A (zh) 基于分段补偿原理的电缆架空线混合线路双端行波故障测距算法
CN105738770B (zh) 一种基于故障行波沿线分布特性的线缆混合线路单端行波测距方法
CN103675565B (zh) 超/特高压交流输电线路工频参数测量方法
CN107621591A (zh) 一种基于零模行波波速变化特性的输电线路迭代测距方法
CN113805011B (zh) 一种基于行波能量沿线突变的调谐半波长线路测距方法
CN107179473A (zh) 一种输电线路故障定位方法
CN103941153A (zh) 一种基于波形相似性的k-NN算法的多出线辐射网故障测距方法
CN103941152B (zh) 一种基于波形相似性的k-NN算法的缆线混合线路故障测距方法
CN111766470A (zh) 高压直流输电线路的故障定位方法、系统及直流输电线路

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
CF01 Termination of patent right due to non-payment of annual fee
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20161130