CN105044556A - 基于原子稀疏证据融合的小电流接地故障自适应选线方法 - Google Patents
基于原子稀疏证据融合的小电流接地故障自适应选线方法 Download PDFInfo
- Publication number
- CN105044556A CN105044556A CN201510411978.1A CN201510411978A CN105044556A CN 105044556 A CN105044556 A CN 105044556A CN 201510411978 A CN201510411978 A CN 201510411978A CN 105044556 A CN105044556 A CN 105044556A
- Authority
- CN
- China
- Prior art keywords
- atom
- evidence
- fault
- sigma
- energy
- 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
Links
Abstract
本发明涉及一种基于原子稀疏证据融合的小电流接地故障自适应选线方法。首先,利用稀疏分解法对各线路零序电流进行分解得到4个最佳原子,采用相关分析法计算各分支线路所得4个最佳原子与最佳原子1的相关系数,选出与最佳原子1相关性最大的3个原子作为证据原子,并按能量从大到小依次排序;然后,计算各证据原子能量熵,利用可确定故障测度函数,求取各证据原子的可确定故障测度值;其次,修正可确定故障测度函数,得到各证据原子故障信任度函数,进而求得各证据原子故障信任度;最后,对各证据故障信任度值进行融合,得到各线路故障综合信任度,选取故障综合信任度最大值对应的线路为故障线路,输出选线结果。
Description
技术领域
本发明涉及一种基于原子稀疏证据融合的小电流接地故障自适应选线方法,属电力系统故障选线技术领域。
背景技术
目前,对于小电流接地系统故障选线问题一直未能得到很好解决。发生单相接地故障时,暂态信号特征量丰富,使得基于暂态信号的分析方法得到广泛关注,常用的暂态信号故障分析方法有:暂态能量法、S变换、普罗尼(Prony)算法、相关分析法、小波分解、经验模态分解等。
利用暂态能量法进行故障选线,当发生大电阻接地故障时,由于消弧线圈感性电流对故障瞬间零序电流的补偿作用,使得线路间的暂态零序电流相差较小,暂态能量法易导致误判。利用S变换具有良好的时频特性实现选线,但S变换分解后信息量太多,如何合理的利用相角信息有待进一步研究。Prony算法对低频暂态信号拟合能力较好,对高频暂态信号拟合效果欠佳且在模型阶次的确定上有待进一步研究。采用相关分析法实现选线,当流过电缆健全线路与架空故障线路的零序电流的幅度相近时,该方法失效。小波变换对故障暂态信号处理时具有良好的时频特性,当发生高阻接地故障时,故障分量小,判断故障线路时有困难,该算法受限。经验模态分解(EMD)对非线性,非平稳信号的处理具有明显的优势,能分解出表征各特征分量的IMF,但可能会造成模态混叠现象,该故障选线方法有待进一步研究。
总之,采用以上信号处理方法对故障信号进行处理,较好地提取出了蕴含丰富特征信息的故障特征量,为准确选线奠定了基础,但同时也应看到,现有特征提取方法存在以下3点不足:
(1)试图用有限的基函数去表征广泛多变的电力故障信号,特征提取过程不具自适应性,导致出现了无法解释的分解项,对后续的故障分析和识别非常不利。
(2)现有信号处理方法在建立故障信号数学模型时,均假定故障信号中各特征分量持续存在,而实际故障信号中各特征分量并非具有这一特点,显然这一假定是不合适的。
(3)现有信号处理方法在“大数据”时代对于故障特征数据的有效存储方面能力不足。随着配网数字化和信息化进程的加快以及各类自动装置的安装,在系统发生故障时,将有大量的报警数据在短时间内上报主/子站,如故障录波数据、保护装置报警、断路器/开关跳闸数据等。这些数据量庞大,蕴含故障信息丰富,反映故障特征全面,若能将该类故障数据进行有效的存储,必将对配网故障选线与诊断提供重要的数据支撑。
因此,如何在现有技术的基础上,尽可能的存储更多的故障数据显得尤为重要,信号的稀疏表征就是解决该问题的一条有效途径。
另外,对于故障选线判据而言,单一的选线判据往往不能覆盖所有接地工况,很难完全适应各种电网结构与复杂的故障工况要求。因此,综合利用多种故障暂态信息进行融合来构造综合选线方法是一种行之有效的思路。
发明内容
本发明涉及一种基于原子稀疏证据融合的小电流接地故障自适应选线方法。首先,获取故障后2个工频周期内的暂态零序电流,利用稀疏分解算法对各分支线路暂态零序电流进行4次迭代分解,各分支线路的暂态零序电流经稀疏分解算法4次迭代分解后得到4个最佳原子,利用相关分析方法分别计算各分支线路所得4个最佳原子与最佳原子1的相关系数,选出与最佳原子1相关性最大的三个最佳原子作为证据原子,并按其能量从大到小依次排序;然后,计算各证据原子能量熵,利用可确定故障测度函数,求取各证据原子的可确定故障测度值;其次,利用各证据原子相对能量修正其可确定故障测度函数,得到各证据原子故障信任度函数,进而求得各证据原子故障信任度;最后,利用D-S理论对各证据故障信任度值进行融合,得到各线路故障综合信任度,选取最大故障综合信任度对应的线路为故障线路,输出选线结果。
本发明所述的基于原子稀疏证据融合的小电流接地故障自适应选线方法,该方法具体步骤如下:
步骤1当小电流接地系统发生单相接地故障时,故障选线装置立即启动,采用100kHz的采样频率记录故障时刻起2个工频周期内各分支线路暂态零序电流Ij(n),j为分支线路的编号,j=1,2,…,k;n为采样点,n=1,2,…,N;
步骤2采用稀疏分解算法对步骤1记录的Ij(n)进行4次迭代分解,得到线路j的4个最佳原子:Rj1(n)、Rj2(n)、Rj3(n)和Rj4(n);
步骤3计算相关系数ρj11、ρj12、ρj13、ρj14,其中,ρj11为Rj1(n)与Rj1(n)的相关系数,ρj12为Rj1(n)与Rj2(n)的相关系数,ρj13为Rj1(n)与Rj3(n)的相关系数,ρj14为Rj1(n)与Rj4(n)的相关系数,易知,ρj11=1;
求取相关系数ρj1h的计算式如下:
其中,Rjh(n)为稀疏分解Ij(n)得到的最佳原子h,h=1,2,3,4,为Rjh(n)的平均值,为Rj1(n)的平均值;
步骤4剔除|ρj11|、|ρj12|、|ρj13|、|ρj14|中的最小数值对应的最佳原子η,η=1,2,3,4,将剩下的3个最佳原子统称为证据原子yjq(n),q=1,2,3,分别计算各证据原子能量,并按其能量值从大到小依次进行排序;所得的3个证据原子中,能量最大的证据原子称为主导证据原子yj1(n),能量次大的证据原子称为辅助证据原子yj2(n),能量最小的证据原子称为次辅助证据原子yj3(n);其中,|ρj11|、|ρj12|、|ρj13|、|ρj14|分别为相关系数ρj11、ρj12、ρj13、ρj14的绝对值;
证据原子的能量Ejq计算式如下:
其中,yjq(n)为证据原子,q为证据原子编号,q=1,2,3;
步骤5计算各证据原子能量熵Sjq与相对能量Ljq;
证据原子能量熵Sjq计算式如下:
证据原子相对能量Ljq计算式如下:
其中,Yjq为线路j的证据原子q的二阶范数,Ej为线路j暂态零序电流Ij(n)的二阶范数,Ij(n)为线路j对应的暂态零序电流;
步骤6归一化证据原子能量熵Sjq作为自变量xjq,计算各证据原子的可确定故障测度Xjq;
证据原子能量熵Sjq归一化计算式如下:
可确定故障测度Xjq计算式如下:
步骤7采用相对能量Ljq修正Xjq,计算得到故障测度函数Fjq;
修正计算式如下:
其中,H为常数,其值等于
步骤8归一化Fjq,Fjq归一化后的函数定义为故障信任度函数mjq;
故障信任度mjq计算式如下:
步骤9采用D-S证据理论融合线路j的各证据原子故障信任度mjq,得到线路j的故障综合信任度mj;
步骤10遴选故障综合信任度mj中的最大值mmax对应的线路为故障线路,故障判定完成。
本发明工作原理
1.匹配追踪算法
匹配追踪方法是由Mallat和Zhang于1933年提出的,采用过完备冗余时频原子代替传统的正交基函数,利用原子库的冗余特性捕捉信号的自然特征。为了使选取的原子能最佳的匹配原始信号的结构特征,匹配追踪算法采取的是一种贪心的自适应分解策略。
原子通常是由某种高斯窗函数经过伸缩、平移、变换和调制生成的。目前最常用的的原子库有Gabor原子生成,Gabor表达式如下:
式(1)中,为高斯窗函数;定义索引γ=(s,τ,ξ,φ),其中s为尺度参数,τ为位移参数,ξ为频率因子,φ为相位因子,K是信号幅值归一化的系数。
采用匹配追踪(matchingpursuits,MP)算法对信号进f(n)进行分析时,若迭代次数为m,信号f(n)可分解为:
式(2)中:为第k次迭代时求得的最佳匹配原子;Rkf(n)为当前信号;表示内积运算;Rmf(n)为残余信号。
同时,信号能量||f(n)||2可以表示成如下形式:
式中,也满足:
式中,0≤α≤1,如果分解m次后达到所需的精度要求,则停止分解,。
残余信号会随着迭代次数的增大而逐渐衰减,多次迭代后可以忽略信号残差,则信号f(n)可以表示为一系列原子的线性组合。
2.D-S证据融合基本概念
D-S证据理论是目前信息融合常用的一种方法,由A.P.Dempster和G.Shafer创立并完善,该理论建立在集合论的基础上,主要解决一些不确定性问题,如:模型可行性评估,多目标数据融合,负荷预测,故障诊断等。
对于D-S证据理论算法,识别框架是整个判断的标准,基本概率分布是融合的基础,合成规则是判断过程,信任函数和似然函数是支持力度区间的上下限。
定义1:对于一个判决问题,所有可能出现的判断结果组成的集合称为识别框架Θ,Θ中的元素之间是互斥的,所有元素组成一个完备的集合。对于故障选线问题,可得:
Θ={line(0),line(1),line(2),……,line(k)},k为分支线路总条数;
其中,line(0)表示母线发生单相接地故障,line(k)表示线路k发生单相接地故障。
在识别框架Θ上,2Θ为Θ的所有子集的结合,信任函数Bel被定义为从2Θ到[01]的一个映射,Θ的任一子集用A表示,满足其中,m(A)为事件A的基本概率分别配函数,简称BPA函数,它表示证据对A的信任程度,m(A)>0,则A成为焦点元素。
因此,对于配网故障选线问题,可将各原子提供的特征信息作为线路是否故障的证据,计算各原子故障测度值,最后,运用D-S理论对各证据原子故障信任度值进行融合,以期实现故障线路的选取。
3.Dempster证据合成规则
证据合成法则是反映证据之间联合作用的法则,也即将多个证据的判断结果融合起来。合成规则如下:
在同一识别框架Θ上,利用BPA函数求得不同线路前2个原子的故障信任度分别设为m1和m2,对应的焦点元素分别为Aj和Bj。那么,两个不同证据原子故障信任度的m1,m2合成规则为:
其中,m1、m2之间的这种运算组合称为正交和,用符号表示,因此,式(5)也可简写成当证据原子个数大于3时,故障信任度合成的计算可由式(5)递推得到,即经过证据合成后,同一线路多个原子提供的故障信任度合成一个故障综合信任度,该故障综合信任度是一个抽象证据,该抽象证据综合了具体证据的信息。
4.相关分析理论
相关分析是两个随机变量之间关系密切程度的度量,其波形的相似性可用相关系数进行定量衡量,相关分析是一种多元统计分析处理方法。
某一线路的暂态零序电流稀疏分解后得到R个原子Z1,Z2,…,ZR,任选原子g和原子h,则两原子的相关系数ρgh计算式如下:
式中,Zg,Zh分别为原子g、原子h;分别为原子g、原子h的数学期望,g=1,2,3,4,h=1,2,3,4;cov(Zg,Zh)为原子g、原子h的协方差;与分别为原子g、原子h的标准差。
由式(7)可得,原子g与原子h的相关性大小为|ρgh|,|ρgh|越大,两原子相似性越高;若ρgh>0代表两原子正相关,ρgh<0代表两原子负相关,ρgh=0表示两原子不相关;因此,对于故障选线问题,可选取|ρgh|最大的前M个原子作为证据原子,实现故障特征的选取。
则R个最佳原子的互相关系数矩阵为:显然,该互相关系数矩阵的对角元素均为1。由于ρ11=1>ρ12……ρ1R,则最佳原子1一定被选取为证据原子,选取ρ12……ρ1R中的最大值和次大值对应的最佳原子选为证据原子,综上,可确定3个证据原子,按其能量大小进行排序,能量最大的证据原子称为主导证据原子,能量次大的证据原子称为辅助证据原子,能量最小的证据原子称为次辅助证据原子。
附图说明
图1为本发明实施例所述辐射状缆线混合配电网络;
图2为本发明实施例所述基于原子稀疏证据融合的小电流接地故障自适应选线方法的选线模型;
图3为本发明实施例所述基于原子稀疏证据融合的小电流接地故障自适应选线方法的选线流程;
图4为本发明实施例所述故障瞬间,各分支线路2个工频周期内暂态零序电流示意图,其中,图4(a)为分支线路1的暂态零序电流波形,图4(b)为分支线路2的暂态零序电流波形,图4(c)为分支线路3的暂态零序电流波形,图4(d)为分支线路4的暂态零序电流波形;
图5为本发明实施例所述故障瞬间,稀疏分解算法4次迭代分解线路1的暂态零序电流得到的4个最佳原子示意图;
图6为本发明实施例所述稀疏分解后,分支线路的各证据原子能量示意图;
图7为本发明实施例所述稀疏分解后,分支线路的各证据原子能量熵示意图;
具体实施方式
本发明选线方法的步骤如下:
步骤1当小电流接地系统发生单相接地故障时,故障选线装置立即启动,采用100KHz的采样频率记录故障时刻起2工频周期内各分支线路j暂态零序电流Ij(n),j为分支线路的编号,j=1,2,…,k;n为采样点,n=1,2,…,N;
步骤2稀疏分解算法对步骤1记录的Ij(n)进行4次迭代分解,得到线路j的4个最佳原子:Rj1(n)、Rj2(n)、Rj3(n)和Rj4(n);
步骤3计算相关系数ρj11、ρj12、ρj13、ρj14,其中,ρj11、ρj12、ρj13、ρj14分别为稀疏分解线路j所得最佳原子1与原子1、最佳原子1与最佳原子2、最佳原子1与最佳原子3、最佳原子1与最佳原子4之间的相关系数,易知,ρj11=1;
步骤4剔除|ρj11|、|ρj12|、|ρj13|、|ρj14|中最小值对应的原子η,η=1,2,3,4,将剩下的3个最佳原子统称为证据原子yjq(n),q=1,2,3,并按其能量从大到小依次进行排序;所得的3个证据原子中,能量最大的证据原子称为主导证据原子yj1(n),能量次大的证据原子称为辅助证据原子yj2(n),能量最小的证据原子称为次辅助证据原子yj3(n),|ρj11|、|ρj12|、|ρj13|、|ρj14|分别为相关系数ρj11、ρj12、ρj13、ρj14的绝对值;
步骤5计算各证据原子能量熵Xjq与相对能量Ljq;
步骤6以归一化的证据原子能量熵作为自变量xjq,计算各证据原子可确定故障测度Xjq;
步骤7相对能量Ljq修正Xjq,得到故障测度函数Fjq;
步骤8归一化Fjq,Fjq经归一化后得到的函数称为故障信任度函数mjq;
步骤9D-S证据理论融合线路j的各证据原子故障信任度mjq,得到线路j的故障综合信任度mj;
步骤10选取故障信任度mj中的最大值mmax对应的线路为故障线路,选线判定结束。
实施例
图1为本发明实施例所述辐射状缆线混合配电网络。如图1所示,线路1,线路2均为架空线路,线路长度分别为13.5km、24km,线路正序参数为R1=0.17Ω/km,L1=1.2mH/km,C1=9.697nF/km,零序参数为R0=0.23Ω/km,L0=5.48mH/km,C0=6nF/km;线路4为电缆线路,长度10km,线路正序参数为R11=0.193Ω/km,L11=0.442mH/km,C11=143nF/km,零序参数为R00=1.93Ω/km,L00=5.48mH/km,C00=143nF/km。线路3为缆-线混合线路,其中电缆线长度为5km,架空线路长度为12km;消弧线圈Lx的过补偿度为10%,消弧线圈的电感经计算为1.574H。采样频率100kHz。变压器接线方式为Δ/Y,变比为220kV/35kV。
图2为本发明实施例所述基于原子稀疏证据融合的小电流接地故障自适应选线方法的选线模型。
图3为本发明实施例所述基于原子稀疏证据融合的小电流接地故障自适应选线方法的选线流程。
故障发生瞬间,以线路1故障为例,故障相为A,故障初相角0°,过渡电阻1Ω,记录各分支线路2个工频周期内暂态零序电流示意图如图4所示。
利用稀疏分解算法对图4所述各暂态零序电流波形进行4次迭代分解,限于篇幅,现给出线路1的4个最佳原子如图5所示。
从图5可知,最佳原子1的波形均与其对应的暂态零序电流波形相似度较高,但对于最佳原子2、最佳原子3与最佳原子4,无论是波形还是幅值均与原始信号相差较大。
鉴于各线路最佳原子1均与其原始信号高度相关,为简化计算过程,在求取证据原子过程中,仅计算各最佳原子间互相关系数,结果如表1所示:
表1互相关系数
从表1可知,最佳原子1与最佳原子2之间是负相关,相关系数为0.2903;最佳原子1与最佳原子4是正相关,相关系数为0.8128;最佳原子1与最佳原子3之间具有很小的相似性,相关系数仅为0.0405。因此,本发明将最佳原子1,最佳原子2,最佳原子4统称为证据原子;同理,可分别求取线路2,线路3,线路4的证据原子。为实现更好的选线,将各分支线路的3个证据原子按照能量从大到小依次排序,排序后各证据原子能量结果如图6所示。
图6所示的重新排序后的3个证据原子中,证据原子1的能量较原子2,原子3的能量大很多,且该证据原子无论幅值还是波形均与暂态零序电流相似度最大,在此,称该证据原子为主导证据原子。另外,将能量介于最大值和最小值之间的证据原子2称为辅助证据原子,将能量最小的证据原子3称为次辅助证据原子。
为提高选线的正确率,根据图6中的原证据子能量,分别计算各证据原子相对能量Ljq和能量熵值Sjq,具体如表2和图7。
表2各原子相对能量
求取各证据原子可确定故障测度值Xjq,如表3所示:
表3各原子故障测度
计算修正后的故障测度值Fjq,归一化后得到故障信任度值mjq。根据D-S证据理论合成规则,实现同一线路不同证据原子间的证据融合,获得各线路故障综合信任度,具体如表4所示:
表4故障信任度
从表4选取各分支线路故障综合信任度的最大值mmax=0.9964,此时,对应分支线路1,因此,分支线路1最终被判定为故障线路,选线结果正确。
综上所述,以上仅为本发明的较佳实施例而已,并非用于限定本发明的保护范围。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (2)
1.一种基于原子稀疏证据融合的小电流接地故障自适应选线方法,其特征在于,选线步骤如下:
步骤1当小电流接地系统发生单相接地故障时,故障选线装置立即启动,采用100kHz的采样频率记录故障时刻起2个工频周期内各分支线路暂态零序电流Ij(n),j为分支线路的编号,j=1,2,…,k;n为采样点,n=1,2,…,N;
步骤2采用稀疏分解算法对步骤1记录的Ij(n)进行4次迭代分解,得到线路j的4个最佳原子:Rj1(n)、Rj2(n)、Rj3(n)和Rj4(n);
步骤3计算相关系数ρj11、ρj12、ρj13、ρj14,其中,ρj11为Rj1(n)与Rj1(n)的相关系数,ρj12为Rj1(n)与Rj2(n)的相关系数,ρj13为Rj1(n)与Rj3(n)的相关系数,ρj14为Rj1(n)与Rj4(n)的相关系数,易知,ρj11=1;
求取相关系数ρj1h的计算式如下:
其中,Rjh(n)为稀疏分解Ij(n)得到的最佳原子h,h=1,2,3,4,为Rjh(n)的平均值,为Rj1(n)的平均值;
步骤4剔除|ρj11|、|ρj12|、|ρj13|、|ρj14|中的最小数值对应的最佳原子η,η=1,2,3,4,将剩下的3个最佳原子统称为证据原子yjq(n),q=1,2,3,分别计算各证据原子能量,并按其能量值从大到小依次进行排序;所得的3个证据原子中,能量最大的证据原子称为主导证据原子yj1(n),能量次大的证据原子称为辅助证据原子yj2(n),能量最小的证据原子称为次辅助证据原子yj3(n);其中,|ρj11|、|ρj12|、|ρj13|、|ρj14|分别为相关系数ρj11、ρj12、ρj13、ρj14的绝对值;
证据原子的能量Ejq计算式如下:
其中,yjq(n)为证据原子,q为证据原子编号,q=1,2,3;
步骤5计算各证据原子能量熵Sjq与相对能量Ljq;
证据原子能量熵Sjq计算式如下:
证据原子相对能量Ljq计算式如下:
其中,Yjq为线路j的证据原子q的二阶范数,Ej为线路j暂态零序电流Ij(n)的二阶范数,Ij(n)为线路j对应的暂态零序电流;
步骤6归一化证据原子能量熵Siq作为自变量xiq,计算各证据原子的可确定故障测度Xjq;
证据原子能量熵Sjq归一化计算式如下:
可确定故障测度Xjq计算式如下:
步骤7采用相对能量Ljq修正Xjq,计算得到故障测度函数Fjq;
修正计算式如下:
其中,H为常数,其值等于
步骤8归一化Fjq,Fjq归一化后的函数定义为故障信任度函数mjq;
故障信任度mjq计算式如下:
步骤9采用D-S证据理论融合线路j的各证据原子故障信任度mjq,得到线路j的故障综合信任度mj;
步骤10遴选故障综合信任度mj中的最大值mmax对应的线路为故障线路,故障判定完成。
2.根据权利要求1所述的一种基于原子稀疏证据融合的小电流接地故障自适应选线方法,其特征在于,所述步骤1之前,还需进行如下步骤:
步骤a:判断小电流接地系统的零序电压U0(t)是否大于母线额定电压U的0.15倍,当U0(t)>0.15U时,则执行步骤b;当U0(t)≤0.15U时,则返回步骤a;
步骤b:判断电压互感器是否断线:当电压互感器发生断线时,则发出电压互感器断线警告信息;当电压互感器没有发生断线时,则执行步骤c;
步骤c:判断消弧线圈是否发生串联谐振:当发生串联谐振时,则调节消弧线圈远离谐振点以防止其发生串联谐振;当消弧线圈没有发生串联谐振时,则判定小电流接地系统发生单相接地故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510411978.1A CN105044556B (zh) | 2015-07-06 | 2015-07-06 | 基于原子稀疏证据融合的小电流接地故障自适应选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510411978.1A CN105044556B (zh) | 2015-07-06 | 2015-07-06 | 基于原子稀疏证据融合的小电流接地故障自适应选线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105044556A true CN105044556A (zh) | 2015-11-11 |
CN105044556B CN105044556B (zh) | 2017-12-05 |
Family
ID=54451242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510411978.1A Expired - Fee Related CN105044556B (zh) | 2015-07-06 | 2015-07-06 | 基于原子稀疏证据融合的小电流接地故障自适应选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105044556B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226658A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于多数据融合的电网故障诊断方法 |
CN108805850A (zh) * | 2018-06-05 | 2018-11-13 | 天津师范大学 | 一种基于原子融合吸收度的框架性图像融合方法 |
CN109142970A (zh) * | 2018-07-23 | 2019-01-04 | 海南电网有限责任公司电力科学研究院 | 一种基于匹配追踪的配电网单相接地故障定位方法 |
CN109447127A (zh) * | 2018-09-29 | 2019-03-08 | 深圳市元征科技股份有限公司 | 数据处理方法及装置 |
CN109683051A (zh) * | 2018-12-27 | 2019-04-26 | 国网安徽省电力有限公司芜湖供电公司 | 一种基于稀疏信号重构的小电流接地故障选线方法 |
CN109752630A (zh) * | 2019-03-06 | 2019-05-14 | 云南电网有限责任公司保山供电局 | 一种同塔双回直流线路故障选线方法 |
CN110954743A (zh) * | 2019-12-18 | 2020-04-03 | 山东山大电力技术股份有限公司 | 一种分布式录波装置及小电流接地选线方法 |
CN111695611A (zh) * | 2020-05-27 | 2020-09-22 | 电子科技大学 | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 |
CN112415324A (zh) * | 2020-10-15 | 2021-02-26 | 西安理工大学 | 一种小电流接地系统故障选线方法 |
CN115407162A (zh) * | 2022-08-31 | 2022-11-29 | 国网山东省电力公司郯城县供电公司 | 一种基于稀疏表示的小电流接地故障选线方法及系统 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011012015A1 (zh) * | 2009-07-29 | 2011-02-03 | 江苏省电力公司常州供电公司 | 配电网小电流接地系统故障选线方法 |
CN102854437A (zh) * | 2012-08-22 | 2013-01-02 | 广东电网公司电力科学研究院 | 应用时频原子分解理论的小电流接地系统故障选线方法 |
CN103308822A (zh) * | 2013-05-07 | 2013-09-18 | 河南理工大学 | 辐射状配网小电流接地故障选线方法 |
CN103760464A (zh) * | 2014-01-07 | 2014-04-30 | 河南理工大学 | 基于解析图求解与svm的小电流接地系统故障选线方法 |
CN103926509A (zh) * | 2014-04-01 | 2014-07-16 | 河南理工大学 | 基于谱峭度相对能量熵的配电网故障阶梯式选线方法 |
CN104297635A (zh) * | 2014-10-14 | 2015-01-21 | 河南理工大学 | 基于原子稀疏分解与极限学习机的配电网故障选线方法 |
-
2015
- 2015-07-06 CN CN201510411978.1A patent/CN105044556B/zh not_active Expired - Fee Related
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011012015A1 (zh) * | 2009-07-29 | 2011-02-03 | 江苏省电力公司常州供电公司 | 配电网小电流接地系统故障选线方法 |
CN102854437A (zh) * | 2012-08-22 | 2013-01-02 | 广东电网公司电力科学研究院 | 应用时频原子分解理论的小电流接地系统故障选线方法 |
CN103308822A (zh) * | 2013-05-07 | 2013-09-18 | 河南理工大学 | 辐射状配网小电流接地故障选线方法 |
CN103760464A (zh) * | 2014-01-07 | 2014-04-30 | 河南理工大学 | 基于解析图求解与svm的小电流接地系统故障选线方法 |
CN103926509A (zh) * | 2014-04-01 | 2014-07-16 | 河南理工大学 | 基于谱峭度相对能量熵的配电网故障阶梯式选线方法 |
CN104297635A (zh) * | 2014-10-14 | 2015-01-21 | 河南理工大学 | 基于原子稀疏分解与极限学习机的配电网故障选线方法 |
Non-Patent Citations (1)
Title |
---|
王晓卫等: "基于时频原子灰色关联的小电流接地故障选线方法", 《煤炭学报》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106226658A (zh) * | 2016-09-07 | 2016-12-14 | 上海市政工程设计研究总院(集团)有限公司 | 一种基于多数据融合的电网故障诊断方法 |
CN108805850A (zh) * | 2018-06-05 | 2018-11-13 | 天津师范大学 | 一种基于原子融合吸收度的框架性图像融合方法 |
CN109142970B (zh) * | 2018-07-23 | 2019-12-03 | 海南电网有限责任公司电力科学研究院 | 一种基于匹配追踪的配电网单相接地故障定位方法 |
CN109142970A (zh) * | 2018-07-23 | 2019-01-04 | 海南电网有限责任公司电力科学研究院 | 一种基于匹配追踪的配电网单相接地故障定位方法 |
CN109447127A (zh) * | 2018-09-29 | 2019-03-08 | 深圳市元征科技股份有限公司 | 数据处理方法及装置 |
CN109683051A (zh) * | 2018-12-27 | 2019-04-26 | 国网安徽省电力有限公司芜湖供电公司 | 一种基于稀疏信号重构的小电流接地故障选线方法 |
CN109752630A (zh) * | 2019-03-06 | 2019-05-14 | 云南电网有限责任公司保山供电局 | 一种同塔双回直流线路故障选线方法 |
CN110954743A (zh) * | 2019-12-18 | 2020-04-03 | 山东山大电力技术股份有限公司 | 一种分布式录波装置及小电流接地选线方法 |
CN110954743B (zh) * | 2019-12-18 | 2020-09-25 | 山东山大电力技术股份有限公司 | 一种分布式录波装置及小电流接地选线方法 |
CN111695611A (zh) * | 2020-05-27 | 2020-09-22 | 电子科技大学 | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 |
CN111695611B (zh) * | 2020-05-27 | 2022-05-03 | 电子科技大学 | 一种蜂群优化核极限学习和稀疏表示机械故障识别方法 |
CN112415324A (zh) * | 2020-10-15 | 2021-02-26 | 西安理工大学 | 一种小电流接地系统故障选线方法 |
CN115407162A (zh) * | 2022-08-31 | 2022-11-29 | 国网山东省电力公司郯城县供电公司 | 一种基于稀疏表示的小电流接地故障选线方法及系统 |
CN115407162B (zh) * | 2022-08-31 | 2024-01-23 | 国网山东省电力公司郯城县供电公司 | 一种基于稀疏表示的小电流接地故障选线方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105044556B (zh) | 2017-12-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105044556A (zh) | 基于原子稀疏证据融合的小电流接地故障自适应选线方法 | |
Gholami et al. | Detecting the location of short-circuit faults in active distribution network using PMU-based state estimation | |
CN103308822B (zh) | 辐射状配网小电流接地故障选线方法 | |
CN102788926B (zh) | 小电流接地系统单相接地故障区段定位方法 | |
CN103985066B (zh) | 一种基于混合潮流的电力系统静态风险评估方法 | |
CN103744850B (zh) | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 | |
CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
CN103760464B (zh) | 基于解析图求解与svm的小电流接地系统故障选线方法 | |
CN104297635A (zh) | 基于原子稀疏分解与极限学习机的配电网故障选线方法 | |
CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
Dharmapandit et al. | Detection, classification, and location of faults on grid‐connected and islanded AC microgrid | |
CN106199267A (zh) | 一种电力设备故障特征分析方法 | |
Guomin et al. | Deep learning‐based fault location of DC distribution networks | |
CN110363130A (zh) | 基于变分模态分解的电压暂降源辨识方法及辨识装置 | |
Yong et al. | High impedance fault identification method of the distribution network based on discrete wavelet transformation | |
CN106019043B (zh) | 一种基于模糊积分多源信息融合理论的电网故障诊断方法 | |
Zargar et al. | Probabilistic multi‐objective state estimation‐based PMU placement in the presence of bad data and missing measurements | |
Shi et al. | Diagnosis of the single phase‐to‐ground fault in distribution network based on feature extraction and transformation from the waveforms | |
Liu et al. | High-impedance fault detection method based on feature extraction and synchronous data divergence discrimination in distribution networks | |
CN105445618A (zh) | 一种小电流接地系统故障选线方法及装置 | |
CN112964960A (zh) | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 | |
Chen et al. | Location for single‐phase grounding fault in distribution network based on equivalent admittance distortion rate | |
Gol | Incorporation of pmus in power system state estimation | |
Liu et al. | Robust Transmission Expansion Planning Considering Massive N-1 Contingencies with High Proportion of Renewable Energy | |
Yuanhai | Robust Estimators in Modern Powe1· System Networks |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
DD01 | Delivery of document by public notice |
Addressee: Wang Xiaowei Document name: Notice of termination of patent right |
|
DD01 | Delivery of document by public notice | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20171205 Termination date: 20200706 |
|
CF01 | Termination of patent right due to non-payment of annual fee |