CN104538222B - 基于人工神经网络的高压开关选相控制器及方法 - Google Patents
基于人工神经网络的高压开关选相控制器及方法 Download PDFInfo
- Publication number
- CN104538222B CN104538222B CN201410830675.9A CN201410830675A CN104538222B CN 104538222 B CN104538222 B CN 104538222B CN 201410830675 A CN201410830675 A CN 201410830675A CN 104538222 B CN104538222 B CN 104538222B
- Authority
- CN
- China
- Prior art keywords
- voltage
- time
- artificial neural
- microcontroller
- neural network
- 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
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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
- Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
- Y02P90/02—Total factory control, e.g. smart factories, flexible manufacturing systems [FMS] or integrated manufacturing systems [IMS]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Driving Mechanisms And Operating Circuits Of Arc-Extinguishing High-Tension Switches (AREA)
- Keying Circuit Devices (AREA)
- Feedback Control In General (AREA)
Abstract
本发明提供了一种基于人工神经网络的高压开关选相控制器及方法。包括微控制器以及与微控制器电连接的电流/电压过零点检测模块、控制电压检测模块、温度传感器,以及通讯模块;所述微控制器通过通讯模块获得高压选相开关的储能水平及充气压力;当微控制器MCU获得环境温度、操作电压、储能水平、充气压力,以及间歇时间后,基于人工神经网络计算断路器的分/合闸时刻,最后当捕捉到电压/电流过零点时,在适当的分/合闸时刻发出分/合闸命令。本发明通过人工神经网络迅速计算开关的固有分/合闸时间,实时控制开关分/合于最佳的电流/电压相位从而有效降低开关操作对电网产生的冲击。
Description
技术领域
本发明涉及一种配用液压机构的SF6断路器控制器,具体为一种基于人工神经网络的高压开关选相控制器及方法。
背景技术
配液压机构的SF6断路器广泛应用在220kV电压等级及以上的高压电网中。SF6断路器在进行分合闸操作时,容易产生很高的操作过电压和涌流,例如在关合电容器组时,断路器接收合闸命令的时刻是随机的,断路器在合闸操作时其触头两端电压大多数情况下不为零,触头之间在合闸瞬间会产生最大可达50倍稳态值的高频涌流,给电力系统和用户设备造成严重危害,解决这一问题的最佳方法是采用选相操作的方法。即选择合理的电压/电流相位进行分/合闸操作。
以并联电容器组的操作为例,当触头两端电压为零时合闸,涌流会大大减轻,理论上涌流峰值只有稳态值的1.6倍。当断路器分闸时,在电流过零熄灭时,如果保证触头间有足够的熄弧间距以承受恢复电压,则重击穿的几率会显著降低。
高压选相开关可以选择最有利的电压/电流相位进行合/分闸操作以有效降低开关操作对电网产生的冲击。高压开关选相操作的关键在于准确预知其分/合闸动作时间,然而高压开关的动作时间受环境温度、控制电压、充气压力、机构储能水平以及操作间歇时间(idle time)等多种因素影响。这些因素对开关动作时间的影响极其复杂且 同时作用,根本无法建立它们之间的解析表达式,而当变化参数多于两个时,用插值法进行描述也成为不可能。目前业界通常的做法是采用插值法,只考虑对开关动作时间影响最大的两个因素——环境温度和控制电压对动作时间的影响。然而这实在是舍弃控制精度的无奈之举,无法完全满足工程实际的要求。
发明内容
本发明提供了一种基于人工神经网络的高压开关选相控制器及方法,利用人工神经网络描述影响选相开关动作时间的诸多因素与开关动作时间之间的关系,满足了工程实际对高压开关选相操作控制精度的要求。
为实现上述目的,本发明采用以下技术方案:
一种基于人工神经网络的高压开关选相控制器,包括微控制器MCU以及与微控制器MCU连接的电流/电压过零点检测模块、控制电压检测模块、温度传感器,以及通讯模块;所述电流/电压过零点检测模块及控制电压检测模块通过光耦与微控制器MCU连接,所述微控制器通过通讯模块获取高压选相开关的储能水平及充气压力;当控制器接到分/合闸指令后,微控制器MCU通过相应功能模块获取环境温度、操作电压、储能水平、充气压力,以及间歇时间,随后,基于人工神经网络计算断路器的分/合闸时间并据此计算出使开关操作冲击降至最小的最佳分/合闸指令发出时刻,最后当捕捉到电压/电流过零点后,等待一段时间,该在分/合闸时刻发出分/合闸命令。
作为本发明的优选实施例,所述电流/电压过零点检测模块的输 入端进一步连接有霍尔电压传感器和霍尔电流传感器用以捕获输电系统的电压和电流信号,进而获得高压开关的过零点电压/电流。
作为本发明的优选实施例,所述人工神经网络采用三层结构,第一层为输入层,包括环境温度、控制电压、充气压力、储能水平及间歇时间,第二层为隐层,采用高斯基函数作为激活函数,第三层为输出层,为分闸和合闸时间。
作为本发明的优选实施例,所述微控制器MCU的输出端电连接有分合闸线圈驱动模块,用以控制高压开关的动作。
作为本发明的优选实施例,所述微控制器MCU通过光耦连接分合闸线圈驱动模块。
一种基于人工神经网络的高压开关选相控制器的控制方法,包括以下步骤:
(1)高压开关发送分合闸命令给微控制器;
(2)微控制器采集环境温度、控制电压、充气压力、储能水平及间歇时间,将该五个参数作为人工神经网络的输入,计算得出断路器的固有合闸时间Tc和分闸时间To;
(3)根据人工神经网络计算得出的断路器固有合闸时间Tc和分闸时间To计算断路器接收到电压/电流过零点信号后需要等待的时间Tw;
(4)微控制器搜索到高压开关的电压/电流过零点信号后,等待Tw时间,发送分闸或合闸指令,控制高压开关分/合与最佳之电压/电流相位,使开关操作对电网的冲击将至最小。
作为本发明的优选实施例,分闸时的等待时间Tw根据公式Tw=N·Tzero-To-Tarcing计算;合闸时的等待时间Tw根据公式Tw=N·Tzero-Tc计算,其中,N为正整数,Tzero为交流的半波时间,Tarcing为期望的最佳燃弧时间。
作为本发明的优选实施例,利用人工神经网络计算断路器的分/合闸时间的方法为:
第一层输入层节点数N=5,即有5个输入变量,分别是环境温度、控制电压、充气压力、储能水平及间歇时间,用Xk(k=1,2,3,4,5)表示;第三层输出层节点数M=2,即有2个输出变量:分闸和合闸时间,用Yi(i=2)表示;第二层隐层采用高斯基函数作为激活函数,其输出用Vj(j=1,2,…,L)表示,L为隐含层节点数;隐含层函数采用高斯型径向基函数,并进行归一化处理;假设P为样本个数,给定输入为(u=1,2,…,P),隐含层给定输出为(u=1,2,…,P),输出层给定输出为(u=1,2,…,P),则隐含层输出为: 其中,为高斯型径向基函数,cjk=(cj1,cj2,...,cjk,cjN)T为隐含层节点基函数的中心,σj为隐含层节点基函数的宽度,为归一化的径向基函数,N为正整数;
输出层节点的输出为Wij为隐含层节点与输出层节点之间的连接权值。
作为本发明的优选实施例,所述人工神经网络的网络训练按照以下步骤进行:
a)对所有变量进行归一化处理
其中X和X’分别为原始数据和归一化后的数据;
b)确定RBF网络逼近的性能指标函数为
其中y(k)为实测的分/合闸时间(导师信号),ym(k)为网络的实际输出值;
c)根据梯度下降法,输出权、节点基宽参数及节点中心矢量的迭代算法如下:
bj(k)=bj(k-1)+ηΔbj+α(bj(k-1)-bj(k-2))
cji(k)=cji(k-1)+ηΔcji+α(cji(k-1)-cji(k-2))
式中,hj为高斯基函数,
η为学习速率,α为动量因子,η∈[0,1],α∈[0,1];
d)用实验方式离线获得断路器分/合闸时间与环境温度、控制电压、充气压力、储能水平及间歇时间的关系,形成训练对数据,按上述(a-c)步骤,对所述的人工神经网络进行训练,获得神经网络的网络参数。
与现有技术相比,本发明控制器及其方法至少具有以下有益效 果:高压开关选相操作的关键在于准确预知其分/合闸动作时间,然而现有的高压开关的动作时间受环境温度、控制电压、充气压力、机构储能水平以及操作间歇时间(idle time)等多种因素影响,这些因素对开关动作时间的影响极其复杂且同时作用,根本无法建立它们之间的解析表达式,而当变化参数多于两个时,用插值法进行描述也几乎成为不可能。本发明构造了离线的人工神经网络模型,用人工神经网络模型描述上述诸多因素与开关动作时间之间的关系,考虑上述所有参数对开关动作时间的影响,满足了工程实际对高压开关选相操作控制精度的要求。
附图说明
图1是开关动作时间与环境温度、控制电压等5个影响变量之间关系的RBF人工神经网络算法示意图。
图2是本发明选相断路器控制系统结构框图。
具体实施方式
本发明的技术方案包括以下5个步骤:
1.构造开关动作时间(分/合闸时间)与环境温度、操作电压、储能水平、充气压力以及间歇时间5个变量之间关系的三层RBF(径向基函数)人工神经网络;
2.通过实验离线获取高压开关动作时间与环境温度、操作电压、储能水平、充气压力以及间歇时间5个变量之间关系的训练对数据;
3.训练之前对数据进行归一化处理;
4.根据梯度下降法执行输出权值、节点基宽参数及节点中心矢量 的迭代算法以确定人工神经网络参数;
5.在开关进行分/合闸操作时,通过人工神经网络迅速计算开关分/合闸时间。以此为根据,实时控制开关分/合于最佳的电流/电压相位,从而有效降低开关操作对电网产生的冲击。
下面结合附图对本发明控制器及其控制方法做详细介绍:
如图2所述,本发明基于人工神经网络的高压开关选相控制器包括微控制器MCU,以及与MCU连接的电流/电压过零点检测模块、控制电压检测模块、温度传感器,以及通讯模块。本发明以微控制器MCU为核心,微控制器通过光耦与电流/电压过零点检测模块、控制电压检测模块连接。
所述电流/电压过零点检测模块的输入端进一步连接有霍尔电压传感器或霍尔电流传感器,霍尔电压传感器与霍尔电流传感器检测来自经电压、电流互感器变换后的输电系统电压、电流信号,捕捉系统电压、电流的过零点并输入微控制器。
选相断路器的控制电压信号通过线性光耦送入微控制器MCU。环境温度由控制器自带的温度传感器测量。充气压力、储能水平等信息通过通讯模块送入微控制器。MCU记录断路器两次开关操作的间歇时间。
本发明的工作过程为:当微控制器接收到分/合闸命令后,微控制器将温度传感器采集的环境温度、控制电压检测模块采集的操作电压、通讯模块传输的储能水平、充气压力,以及微控制器记录的断路器两次开关操作的间歇时间输入到人工神经网络中,计算得到断路器 的固有分/合闸时间;接着,微控制器根据该分/合闸时间计算分/合闸命令发出时刻,最后,在检测到电流/电压过零点后等待一段特定的时间,在分/合闸时刻发出分/合闸命令,使开关操作对电网形成的冲击最小。
如图1所示,本发明的人工神经网络有三层,输入层有5个节点Xk(k=1…….5),分别对应环境温度、操作电压、储能水平、充气压力以及间歇时间,输出层2节点,为分闸时间和合闸时间。中间层有L个节点,为隐层。
通过实验获取高压开关动作时间与环境温度、操作电压、储能水平、充气压力以及间歇时间5个变量之间关系的训练对数据;
网络训练包括以下步骤:
a)对所有变量进行归一化处理
其中X和X’分别为原始数据和归一化后的数据,Xmin为对应数据的最小值,Xmax为对应数据的最大值。
b)确定RBF网络逼近的性能指标函数为
其中,y(k)为实测的分/合闸时间(导师信号),(k为训练样本数)ym(k)为网络的实际输出值。
c)根据梯度下降法,输出权wj(k)、节点基宽参数bj及节点中心矢量cji的迭代算法如下
bj(k)=bj(k-1)+ηΔbj+α(bj(k-1)-bj(k-2))
cji(k)=cji(k-1)+ηΔcji+α(cji(k-1)-cji(k-2))
式中,hj为高斯基函数,
η为学习速率,α为动量因子,η∈[0,1],α∈[0,1]
用实验获得的训练对数据按上述方法,对所述的人工神经网络进行训练,获得该神经网络的网络参数。
选相控制器在接收到分/合闸命令后,测量环境温度、控制电压、同时根据事先由通讯接口输入的充气压力和储能水平数值以及控制器记录的间歇时间数据,得到所有RBF神经网络的输入参数。随后,通过该神经网络模型计算出此时条件下的断路器分/合闸时间,并且据此计算出断路器的等待时间。最后,检测到电网电流/电压相位(即检测到电网的过零点电压/电流信号)后,延迟一段时间(上述计算出的等待时间),,随后发送断路器的分/合闸命令,令断路器分/合于最佳的电流/电压相位,使断路器操作对电网的影响降至最小。
本发明人工神经网络模型在高压选相断路器控制器中的应用进一步说明如下:
该网络第一层的5个输入变量分别是环境温度、控制电压、充气压力、储能水平及间歇时间,用Xk(k=1,2,3,4,5)表示;第三层1个输出变量:为分闸或合闸时间(分闸操作时为分闸时间,合闸操作时为合闸时间),用Yi(i=2)表示;第二层隐层采用高斯基函数作为 激活函数,其输出用Vj(j=1,2,…,L)表示,L为隐含层节点数。隐含层函数采用高斯型径向基函数,并进行归一化处理。假设P为样本个数,给定输入为(u=1,2,…,P),隐含层给定输出为(u=1,2,…,P),输出层给定输出为(u=1,2,…,P),则隐含层输出如下:
其中,为高斯型径向基函数,Cjk=(cj1,cj2,...,cjk,cjN)T表示隐含层节点基函数的中心σj表示隐含层节点基函数的宽度,为归一化的径向基函数,上表u代表第u次测量。 为归一化的径向基函数。
输出层节点的输出为
其中Wj为隐含层节点与输出层节点之间的连接权值。
对每一种型号的高压断路器,可以通过实验的方法测量其动作时间与控制电压、环境温度、充气压力、储能水平以及间歇时间等5个变量之间的关系。具体方法如下:
以控制电压、环境温度、充气压力、储能水平以及间歇时间等5个变量作为自变量,以分闸时间和合闸时间为因变量,控制上述5个自变量变化,对每一组自变量,测量开关的分/合闸时间。每一组自变量及其对应的因变量构成一个训练对。重复上述方法获得更多的训练对数据。
用上述训练对数据对本发明构造的人工神经网络进行训练, 获得该神经网络的网络参数。
Claims (9)
1.一种基于人工神经网络的高压开关选相控制器,其特征在于:包括微控制器MCU以及与微控制器MCU连接的电流/电压过零点检测模块、控制电压检测模块、温度传感器,以及通讯模块;所述电流/电压过零点检测模块及控制电压检测模块通过光耦与微控制器MCU连接,所述微控制器通过通讯模块获取高压选相开关的储能水平及充气压力;当控制器接到分/合闸指令后,微控制器MCU通过相应功能模块获取环境温度、操作电压、储能水平、充气压力,以及间歇时间,随即基于人工神经网络计算断路器的固有分/合闸时间并据此计算出使开关操作冲击降至最小的最佳分合闸指令发出时刻,最后当捕捉到过零点电压/电流时,在该分/合闸时刻发出分/合闸命令。
2.根据权利要求1所述的一种基于人工神经网络的高压开关选相控制器,其特征在于:所述电流/电压过零点检测模块的输入端进一步连接有霍尔电压传感器和霍尔电流传感器用以捕获输电系统的电压和电流信号,进而获得高压开关的电压/电流过零点。
3.根据权利要求1所述的一种基于人工神经网络的高压开关选相控制器,其特征在于:所述人工神经网络采用三层结构,第一层为输入层,包括环境温度、控制电压、充气压力、储能水平及间歇时间,第二层为隐层,采用高斯基函数作为激活函数,第三层为输出层,为分闸和合闸时间。
4.根据权利要求1至3中任意一项所述的一种基于人工神经网络的高压开关选项控制器,其特征在于:所述微控制器MCU的输出端电连接有分合闸线圈驱动模块,用以控制高压开关的动作。
5.根据权利要求4所述的一种基于人工神经网络的高压开关选相控制器,其特征在于:所述微控制器MCU通过光耦连接分合闸线圈驱动模块。
6.一种基于权利要求1至5中任意一项所述的基于人工神经网络的高压开关选项控制器的控制方法,其特征在于:包括以下步骤:
(1)高压开关发送分合闸命令给微控制器;
(2)微控制器采集环境温度、控制电压、充气压力、储能水平及间歇时间,将该五个参数作为人工神经网络的输入,计算得出断路器的固有合闸时间Tc和固有分闸时间To;
(3)根据人工神经网络计算得出的断路器固有合闸时间Tc和分闸时间To计算断路器接收到过零点电压/电流信号后需要等待的时间Tw;(4)微控制器搜索到高压开关的电压/电流过零点信号后,等待Tw时间,发送分闸或合闸指令,控制高压开关的分合。
7.根据权利要求6所述的控制方法,其特征在于:分闸时的等待时间Tw根据公式Tw=N·Tzero-To-Tarcing计算;合闸时的等待时间Tw根据公式Tw=N·Tzero-Tc计算,其中,N为正整数,Tzero为交流的半波时间,对于工频50Hz时,Tzero为10ms,Tarcing为期望的最佳燃弧时间。
8.根据权利要求6所述的控制方法,其特征在于:利用人工神经网络计算断路器的分/合闸时间的方法为:
第一层输入层节点数N=5,即有5个输入变量,分别是环境温度、控制电压、充气压力、储能水平及间歇时间,用Xk(k=1,2,3,4,5)表示;第三层输出层节点数M=1,即有1个输出变量:分闸时间或合闸时间,用Y表示;第二层隐层采用高斯基函数作为激活函数,其输出用Vj(j=1,2,…,L)表示,L为隐含层节点数;隐含层函数采用高斯型径向基函数,并进行归一化处理;假设P为样本个数,给定输入为(u=1,2,…,P),隐含层给定输出为(u=1,2,…,P),输出层给定输出为(u=1,2,…,P),
则隐含层输出为:其中,为高斯型径向基函数,cjk=(cj1,cj2,...,cjk,cjN)T为隐含层节点基函数的中心,σj为隐含层节点基函数的宽度,为归一化的径向基函数,N=5,为输入节点数;输出层节点的输出为Wij为隐含层节点与输出层节点之间的连接权值。
9.根据权利要求8所述的控制方法,其特征在于,所述人工神经网络的网络训练按照以下步骤进行:
a)对所有变量进行归一化处理
其中X和X’分别为原始数据和归一化后的数据;
b)确定RBF网络逼近的性能指标函数为
其中y(k)为实测的分/合闸时间,ym(k)为网络的实际输出值;
c)根据梯度下降法,输出权、节点基宽参数及节点中心矢量的迭代算法如下
wj(k)=wj(k-1)+η(y(k)-ym(k))hj+α(wj(k-1)-wj(k-2))
bj(k)=bj(k-1)+ηΔbj+α(bj(k-1)-bj(k-2))
cji(k)=cji(k-1)+ηΔcji+α(cji(k-1)-cji(k-2))
式中,hj为高斯基函数,
η为学习速率,α为动量因子,η∈[0,1],α∈[0,1];
d)用实验方式离线获得断路器分/合闸时间与环境温度、控制电压、充气压力、储能水平及间歇时间的关系,形成训练对数据,按上述(a-c)步骤,对所述的人工神经网络进行训练,获得神经网络的网络参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410830675.9A CN104538222B (zh) | 2014-12-27 | 2014-12-27 | 基于人工神经网络的高压开关选相控制器及方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201410830675.9A CN104538222B (zh) | 2014-12-27 | 2014-12-27 | 基于人工神经网络的高压开关选相控制器及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN104538222A CN104538222A (zh) | 2015-04-22 |
CN104538222B true CN104538222B (zh) | 2016-09-28 |
Family
ID=52853729
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201410830675.9A Active CN104538222B (zh) | 2014-12-27 | 2014-12-27 | 基于人工神经网络的高压开关选相控制器及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN104538222B (zh) |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106291351B (zh) * | 2016-09-20 | 2019-01-18 | 西安工程大学 | 基于卷积神经网络算法的高压断路器故障检测方法 |
JP6789848B2 (ja) * | 2017-02-27 | 2020-11-25 | 株式会社東芝 | アイソレーション管理システムおよびアイソレーション管理方法 |
CN108334843B (zh) * | 2018-02-02 | 2022-03-25 | 成都国铁电气设备有限公司 | 一种基于改进AlexNet的燃弧识别方法 |
CN109038519B (zh) * | 2018-08-22 | 2020-04-03 | 西安西电电气研究院有限责任公司 | 一种故障电流选相开断控制方法、装置和控制系统 |
CN111799113A (zh) * | 2020-06-09 | 2020-10-20 | 国网山东省电力公司检修公司 | 具有功能数据库存储功能的智能选相控制系统及方法 |
CN113589156B (zh) * | 2021-06-18 | 2024-02-09 | 国网浙江省电力有限公司嘉兴供电公司 | 一种断路器防跳功能测试方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1519872A (zh) * | 2003-01-20 | 2004-08-11 | 张若愚 | 智能分相控制型高低压开关电器 |
CN201266570Y (zh) * | 2008-08-15 | 2009-07-01 | 西安市创元电器科技有限责任公司 | 高压交流断路器选相位控制器 |
JP4651751B1 (ja) * | 2010-04-08 | 2011-03-16 | 三菱電機株式会社 | 突入電流抑制装置および突入電流抑制方法 |
EP2784894A1 (en) * | 2013-03-28 | 2014-10-01 | Vetco Gray Controls Limited | Protecting against transients in a power control system |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6768615B2 (en) * | 2002-06-24 | 2004-07-27 | Daniel Liu | Spark elimination circuit for controlling relay contacts |
-
2014
- 2014-12-27 CN CN201410830675.9A patent/CN104538222B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN1519872A (zh) * | 2003-01-20 | 2004-08-11 | 张若愚 | 智能分相控制型高低压开关电器 |
CN201266570Y (zh) * | 2008-08-15 | 2009-07-01 | 西安市创元电器科技有限责任公司 | 高压交流断路器选相位控制器 |
JP4651751B1 (ja) * | 2010-04-08 | 2011-03-16 | 三菱電機株式会社 | 突入電流抑制装置および突入電流抑制方法 |
EP2784894A1 (en) * | 2013-03-28 | 2014-10-01 | Vetco Gray Controls Limited | Protecting against transients in a power control system |
Also Published As
Publication number | Publication date |
---|---|
CN104538222A (zh) | 2015-04-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN104538222B (zh) | 基于人工神经网络的高压开关选相控制器及方法 | |
CN106443297B (zh) | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 | |
CN111245002B (zh) | 基于mmc的双极柔性直流电网短路和接地故障电流预测方法 | |
CN106019081B (zh) | 一种基于波形反演的输电线路故障电压行波精确检测方法 | |
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 | |
CN103728535A (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 | |
CN109672221B (zh) | 一种用于次同步振荡分析的直驱风电场动态等值方法 | |
CN107329044A (zh) | 一种基于电弧暂态分量的配电网单相接地故障选线方法 | |
CN105938578A (zh) | 一种基于聚类分析的大规模光伏电站等值建模方法 | |
CN102570392A (zh) | 基于改进概率神经网络的变压器励磁涌流鉴别方法 | |
CN110488155A (zh) | 一种应用于柔性接地系统的单相接地故障选线方法 | |
CN104393590B (zh) | 电网暂态失稳模式智能辨识方法 | |
CN104360227A (zh) | 基于行波法和暂态主频法的变电站电缆出线故障监测方法 | |
CN101924354A (zh) | 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 | |
CN104614638A (zh) | 小电流系统接地选线方法 | |
CN110021929B (zh) | 一种快速开关型故障限流器电磁暂态时域仿真建模方法 | |
CN105954640A (zh) | 基于主频零序功率的配电网故障选线方法 | |
CN103558481A (zh) | 同塔并架多回直流线路耦合作用引发换相失败的判别方法 | |
CN104198890A (zh) | 中低压配电网小电流接地智能选线系统 | |
CN104299480A (zh) | 智能开关及其控制方法、智能控制网络 | |
CN106159875A (zh) | 一种短路电流零点预测方法及短路电流选相分断控制方法 | |
CN115469184A (zh) | 基于卷积网络的新能源输电线路故障识别方法 | |
CN106546895B (zh) | 一种二极管浪涌性能测试电路及其控制方法 | |
CN109687437B (zh) | 一种柔性直流输电的交流耗能装置的电气仿真方法 | |
CN203287500U (zh) | 一种基于变流器并联和电抗器分压的低电压穿越测试平台 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
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 | ||
TR01 | Transfer of patent right |
Effective date of registration: 20180628 Address after: 710075 5 to 9 floors of block C, No. 7 Tang Xing Road, Xi'an, Shaanxi. Co-patentee after: China XD Electronic Corporation Patentee after: Xi'an Xidian Electric Research Institute Co Ltd Address before: No. 7, Tang Xing Road, Xi'an, Shaanxi Province Patentee before: China XD Electronic Corporation |
|
TR01 | Transfer of patent right |