CN105403807A - 一种三段线缆混合直流输电线路故障区段识别的智能方法 - Google Patents
一种三段线缆混合直流输电线路故障区段识别的智能方法 Download PDFInfo
- Publication number
- CN105403807A CN105403807A CN201510633182.0A CN201510633182A CN105403807A CN 105403807 A CN105403807 A CN 105403807A CN 201510633182 A CN201510633182 A CN 201510633182A CN 105403807 A CN105403807 A CN 105403807A
- Authority
- CN
- China
- Prior art keywords
- fault
- svm
- line
- transmission line
- sections
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 49
- 238000000034 method Methods 0.000 title claims abstract description 27
- 238000005070 sampling Methods 0.000 claims abstract description 4
- 238000007621 cluster analysis Methods 0.000 claims abstract description 3
- 238000000513 principal component analysis Methods 0.000 claims description 8
- 230000007246 mechanism Effects 0.000 claims description 5
- 230000007704 transition Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 2
- 230000008569 process Effects 0.000 claims description 2
- 238000004088 simulation Methods 0.000 abstract description 4
- 238000012706 support-vector machine Methods 0.000 description 29
- 230000005611 electricity Effects 0.000 description 4
- 239000000470 constituent Substances 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000004807 localization Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
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
- Locating Faults (AREA)
Abstract
本发明涉及一种三段线缆混合直流输电线路故障区段识别的智能方法,属于电力系统继电保护技术领域。本发明为由仿真获得三段线缆混合线路正极线路发生短路故障时测量端故障电压行波曲线簇,选取其故障电压初始行波到达M端之前的2个采样点,故障电压初始行波到达M端之后28个采样点的180条全部初始电压行波曲线在PCA空间进行聚类分析。将故障电压行波曲线簇在PC1和PC2坐标轴上的投影值q1和q2作为SVM的输入属性,根据SVM的输出判断故障区段。并定义SVM输出1为架空线路l1故障,SVM输出0为电缆线路l2故障,SVM输出2为架空线路l3故障,这样可以建立三段线缆混合线路故障区段识别的PCA-SVM方法,通过仿真实验证明,本发明可以准确的识别三段线缆混合直流输电线路故障区段。
Description
技术领域
本发明涉及一种三段线缆混合直流输电线路故障区段识别的智能方法,属于电力系统继电保护技术领域。
背景技术
高压直流输电具有占地面积小、输送容量大、电能损耗小、输送距离远等优点,在我国电力系统得到了广泛应用。对于一些特殊的直流输电工程,如横跨大江、穿越海峡的输电线路,单一的架空线路很难满足运行的经济性和可靠性,需要建设线缆混合的输电线路。研究适用于高压直流线缆混合线路的故障测距技术,能够有效的提高输电线路的可靠性和经济性,对电力系统的安全运行具有重要意思。
目前,线缆混合高压直流输电线路故障测距方法主要有两种:阻抗法和行波法。基于故障时线路的阻抗进行测距的方法基本原理为:输电线路发生故障时,线路两端可测量可到故障电压和故障电流,通过计算可得出故障时线路的阻抗,与单位的线路阻抗进行比较从而得到故障点到测距装置的距离。阻抗法原理简单,但其测距误差较大,这一测距误差主要起源于该测距方法的原理性缺陷,对参数模糊化造成的误差考虑较少。线缆混合线路由于电气参数不一致,使用阻抗法测距会使得误差更加显著。基于故障行波的测距方法是目前世界上应用最广泛的故障测距方法,利用线路故障时产生的电压或电流行波在线路上的传播时间和传播距离之间的对应关系进行测距。行波测距具有原理简单、测距精度高、测距速度快等优点。但是对于线缆混合输电线路,其电气参数不一致,导致行波传播速度也不一致,测距公式也有很大差别,需要更加具体的研究。通常利用单端电压行波对高压直流线缆混合线路进行测距。
高压直流线缆混合线路单端电压行波法故障测距的基础和关键环节是识别故障线路区段。一般根据ANN或SVM分类功能可实现故障线路区段辨识,若采用SVM,通常可以构建DWT-SVM或PCA-SVM判别模型和算法,这里阐述三段线缆混合高压直流输电线路故障线路区段识别的PCA-SVM判别模型和算法。
发明内容
本发明的目的是提供一种三段线缆混合直流输电线路故障区段识别的智能方法,用以解决上述问题。
本发明的技术方案是:一种三段线缆混合直流输电线路故障区段识别的智能方法,由仿真获得三段线缆混合线路正极线路发生短路故障时测量端故障电压行波曲线簇,选取其故障电压初始行波到达M端之前的2个采样点,故障电压初始行波到达M端之后28个采样点的180条全部初始电压行波曲线在PCA空间进行聚类分析。将故障电压行波曲线簇在PC1和PC2坐标轴上的投影值q1和q2作为SVM的输入属性,根据SVM的输出判断故障区段。SVM输出1为架空线路l1故障,SVM输出0为电缆线路l2故障,SVM输出2为架空线路l3故障,这样可以建立三段线缆混合线路故障区段识别的PCA-SVM方法,通过仿真实验证明,该方法可以准确的识别三段线缆混合直流输电线路故障区段。
具体步骤如下:
第一步、在三段线缆混合直流输电线路中,利用仿真数据形成样本数据库:于架空线路l1起端M观测,分别假设架空线路l1、电缆线路l2和架空线路l3正极线路发生短路故障,沿线路MN全长共设180个故障位置,过渡电阻设为0Ω。
第二步、将仿真获得的180条全部初始电压行波曲线进行归一化处理,即在1MHz采样率下,选取其故障电压初始行波到达M端之前的2个采样点,故障电压初始行波到达M端之后28个采样点的电压数据进行均值为零、方差为1的归一化处理。
第三步、对上述归一化处理后的数据进行主成分分析,得到电压曲线在第一主成分(PC1)和第二主成分(PC2)上的投影(q1,q2)。
第四步、将第三步得到的投影值(q1,q2)作为SVM的输入属性,构建PCA-SVM的线路故障段识别机制,并规定SVM输出1为架空线路l1故障,SVM输出0为电缆线路l2故障,SVM输出2为架空线路l3故障。
第五步、当三段线缆混合直流线路不同线路发生故障时,得量测端所获得达M端之前的2个采样点,故障电压初始行波到达M端之后28个采样点的电压数据,经过数据归一化处理,将该故障样本投入相对应的主成分聚类空间中,得到其在第一主成分(PC1)轴上的投影值q′1和第二主成分(PC2)轴上的投影值q′2;
第六步、根据权利要求书中步骤四中所得的投影值q′1和q′2作为SVM的输入属性,根据SVM的输出结果判断出故障区段。即
若SVM输出1,则架空线路l1故障;
若SVM输出0,则电缆线路l2故障;
若SVM输出2,则架空线路l3故障。
本发明的原理是:
对于三段线缆混合直流输电线路,架空线部分和电缆部分的波阻抗不同,故障位于不同线路段时的初始电压行波的幅值和陡度具有很大差别。将这种时域故障初始行波的幅值和陡度差别映射到PCA空间,得到故障初始电压行波曲线簇在PC1坐标轴的投影值q1。当故障位于架空线路l3,其故障初始行波曲线簇在PC1坐标轴的投影值q1大于零;当故障位于架空线路l1和电缆线路l2,其故障初始行波曲线簇在PC1坐标轴的投影值q1均小于零。这样,根据q1值可以实现架空线路l1和架空线路l3故障线路段的两者之间的识别,以及实现电缆线路l2和架空线路l3故障线路段的两者之间识别,但不能实现架空线路l1和电缆线路l2故障区段的识别。
支持向量机(SVM)是建立在统计学习理论基础上的一种小样本机器学习方法,用于解决二分类问题,SVM的主要思想可以概括为两点:(1)它是针对线性可分情况进行分析,对于线性不可分的情况,通过使用非线性映射算法将低维输入空间线性不可分的样本转化为高维特征空间使其线性可分,从而使得高维特征空间采用线性算法对样本的非线性特征进行线性分析成为可能;(2)它基于结构风险最小化理论之上在特征空间中建构最优分割超平面,使得学习器得到全局最优化,并且在整个样本空间的期望风险以某个概率满足一定上界。将三段线缆混合线路故障初始电压行波曲线簇在PC1和PC2坐标轴上的投影值q1和q2作为SVM的输入属性,根据SVM的输出可以实现架空线路l1、电缆线路l2及架空线路l3故障区段的识别。
本发明的有益效果是:
本方法利用故障初始电压行波对三段线缆混合直流输电线路正极线路发生短路故障进行故障识别,为行波测距提供依据,通过大量仿真实验证明,该方法可以准确、可靠的识别三段线缆混合直流输电线路故障区段。
附图说明
图1为实施例1中三段线缆混合线路故障示意图;
图2为实施例1中不同线路段故障电压初始行波曲线簇;
图3为实施例1中故障电压初始行波曲线簇在PCA空间聚类结果。
具体实施方式
实施例1:三段线缆混合线路如图1所示。其线路参数如下:架空线路l1全长30km,电缆线路l2全长50km,架空线路l3全长100km。现假设l1架空线路距离M端2.5km发生接地故障,过渡电阻为20Ω。
(1)根据说明书中的步骤一至步骤三构建如图2所示故障初始电压行波曲线簇主成分聚类分析空间;
(2)根据说明书中的步骤四将第三步得到的投影值(q1,q2)作为SVM的输入属性,构建PCA-SVM的线路故障段识别机制。
(3)根据说明书中的步骤五求取测试数据在第一主成分PC1和第二主成分PC2上的主成分的投影值(q′1,q′2)=(-30.9726,10.6759);
(4)根据说明书中的步骤五对故障样本中所得的投影值q1和q2作为SVM的输入属性,SVM输出1,可知故障位于l1架空线路。
实施例2:三段线缆混合线路如图1所示。其线路参数如下:架空线路l1全长30km,电缆线路l2全长50km,架空线路l3全长100km。现假设l2电缆线路距离M端62km发生接地故障。
(1)根据说明书中的步骤一至步骤三构建如图2所示故障初始电压行波曲线簇主成分聚类分析空间;
(2)根据说明书中的步骤四将第三步得到的投影值(q1,q2)作为SVM的输入属性,构建PCA-SVM的线路故障段识别机制。
(3)根据说明书中的步骤五求取测试数据在第一主成分PC1和第二主成分PC2上的主成分的投影值(q′1,q′2)=(-4.4476,10.6209);
(4)根据说明书中的步骤五对故障样本中所得的投影值q1和q2作为SVM的输入属性,SVM输出1,可知故障位于l1架空线路。
实施例3:三段线缆混合线路如图1所示。其线路参数如下:架空线路l1全长30km,电缆线路l2全长50km,架空线路l3全长100km。现假设l3架空线路距离M端147km发生接地故障。
(1)根据说明书中的步骤一至步骤三构建如图2所示故障初始电压行波曲线簇主成分聚类分析空间;
(2)根据说明书中的步骤四将第三步得到的投影值(q1,q2)作为SVM的输入属性,构建PCA-SVM的线路故障段识别机制。
(3)根据说明书中的步骤五求取测试数据在第一主成分PC1和第二主成分PC2上的主成分的投影值(q′1,q′2)=(4.3065,13.4143);
(4)根据说明书中的步骤五对故障样本中所得的投影值q1和q2作为SVM的输入属性,SVM输出1,可知故障位于l1架空线路。
Claims (2)
1.一种三段线缆混合直流输电线路故障区段识别的智能方法,其特征在于:由仿真获得三段线缆混合线路正极线路发生短路故障时测量端故障电压行波曲线簇,选取其故障电压初始行波到达M端之前的2个采样点,故障电压初始行波到达M端之后28个采样点的180条全部初始电压行波曲线在PCA空间进行聚类分析,将故障电压行波曲线簇在PC1和PC2坐标轴上的投影值q1和q2作为SVM的输入属性,根据SVM的输出判断故障区段,SVM输出1为架空线路l1故障,SVM输出0为电缆线路l2故障,SVM输出2为架空线路l3故障,。
2.根据权利要求书1所述的三段线缆混合直流输电线路故障区段识别的智能方法,其特征在于具体步骤如下:
第一步、在三段线缆混合直流输电线路中,利用仿真数据形成样本数据库:于架空线路l1起端M观测,分别假设架空线路l1、电缆线路l2和架空线路l3正极线路发生短路故障,沿线路MN全长共设180个故障位置,过渡电阻设为0Ω;
第二步、将仿真获得的180条全部初始电压行波曲线进行归一化处理,即在1MHz采样率下,选取其故障电压初始行波到达M端之前的2个采样点,故障电压初始行波到达M端之后28个采样点的电压数据进行均值为零、方差为1的归一化处理;
第三步、对上述归一化处理后的数据进行主成分分析,得到电压曲线在第一主成分(PC1)和第二主成分(PC2)上的投影(q1,q2);
第四步、将第三步得到的投影值(q1,q2)作为SVM的输入属性,构建PCA-SVM的线路故障段识别机制,并规定SVM输出1为架空线路l1故障,SVM输出0为电缆线路l2故障,SVM输出2为架空线路l3故障;
第五步、当三段线缆混合直流线路不同线路发生故障时,得量测端所获得达M端之前的2个采样点,故障电压初始行波到达M端之后28个采样点的电压数据,经过数据归一化处理,将该故障样本投入相对应的主成分聚类空间中,得到其在第一主成分(PC1)轴上的投影值q′1和第二主成分(PC2)轴上的投影值q′2;
第六步、根据权利要求书中步骤四中所得的投影值q′1和q′2作为SVM的输入属性,根据SVM的输出结果判断出故障区段,即:
若SVM输出1,则架空线路l1故障;
若SVM输出0,则电缆线路l2故障;
若SVM输出2,则架空线路l3故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510633182.0A CN105403807B (zh) | 2015-09-29 | 2015-09-29 | 一种三段线缆混合直流输电线路故障区段识别的智能方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510633182.0A CN105403807B (zh) | 2015-09-29 | 2015-09-29 | 一种三段线缆混合直流输电线路故障区段识别的智能方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105403807A true CN105403807A (zh) | 2016-03-16 |
CN105403807B CN105403807B (zh) | 2018-11-27 |
Family
ID=55469412
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510633182.0A Active CN105403807B (zh) | 2015-09-29 | 2015-09-29 | 一种三段线缆混合直流输电线路故障区段识别的智能方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105403807B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738770A (zh) * | 2016-04-01 | 2016-07-06 | 昆明理工大学 | 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 |
CN107390086A (zh) * | 2017-06-30 | 2017-11-24 | 昆明理工大学 | 一种基于主成分分析‑支持向量机的单永故障识别方法 |
CN107515356A (zh) * | 2017-10-23 | 2017-12-26 | 华北电力大学(保定) | 一种直流配电网系统及其故障诊断方法 |
CN110571768A (zh) * | 2019-08-19 | 2019-12-13 | 南方电网科学研究院有限责任公司 | 一种基于混合线路的直流输电故障重启方法及装置 |
CN110927525A (zh) * | 2019-12-03 | 2020-03-27 | 昆明理工大学 | 一种基于电压变化sod曲线簇的线路故障识别pca聚类方法 |
CN111007427A (zh) * | 2019-11-23 | 2020-04-14 | 清华大学 | 配电线路单相接地故障选线方法及计算机可读存储介质 |
CN111896840A (zh) * | 2020-07-15 | 2020-11-06 | 武汉三相电力科技有限公司 | 基于故障行波电压判断混合线路中故障区间的方法和系统 |
CN111950125A (zh) * | 2020-07-10 | 2020-11-17 | 国网江苏省电力有限公司常州供电分公司 | 一种直流电缆故障类型和位置判断方法及系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706274A (zh) * | 2009-12-02 | 2010-05-12 | 中国计量学院 | 钢轨扣件系统螺母缺失自动检测装置 |
CN102005755A (zh) * | 2010-10-29 | 2011-04-06 | 昆明理工大学 | 基于支持向量机的特高压直流输电线路边界元件构成方法 |
CN102799856A (zh) * | 2012-06-15 | 2012-11-28 | 天津大学 | 基于双通道红外信息融合的人体动作识别方法 |
CN102999020A (zh) * | 2011-09-14 | 2013-03-27 | 株式会社东芝 | 过程监视·诊断·支援装置 |
CN103335617A (zh) * | 2013-06-19 | 2013-10-02 | 清华大学 | 一种基于振动信号的铁路钢轨几何形变检测方法 |
WO2014053174A1 (en) * | 2012-10-03 | 2014-04-10 | Abb Technology Ltd | Method for sensing a fault in a power system based on travelling wave currents |
AU2014271281A1 (en) * | 2011-10-12 | 2015-01-15 | Schweitzer Engineering Laboratories, Inc. | Fault location using traveling waves |
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 |
-
2015
- 2015-09-29 CN CN201510633182.0A patent/CN105403807B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101706274A (zh) * | 2009-12-02 | 2010-05-12 | 中国计量学院 | 钢轨扣件系统螺母缺失自动检测装置 |
CN102005755A (zh) * | 2010-10-29 | 2011-04-06 | 昆明理工大学 | 基于支持向量机的特高压直流输电线路边界元件构成方法 |
CN102999020A (zh) * | 2011-09-14 | 2013-03-27 | 株式会社东芝 | 过程监视·诊断·支援装置 |
AU2014271281A1 (en) * | 2011-10-12 | 2015-01-15 | Schweitzer Engineering Laboratories, Inc. | Fault location using traveling waves |
CN102799856A (zh) * | 2012-06-15 | 2012-11-28 | 天津大学 | 基于双通道红外信息融合的人体动作识别方法 |
WO2014053174A1 (en) * | 2012-10-03 | 2014-04-10 | Abb Technology Ltd | Method for sensing a fault in a power system based on travelling wave currents |
CN103335617A (zh) * | 2013-06-19 | 2013-10-02 | 清华大学 | 一种基于振动信号的铁路钢轨几何形变检测方法 |
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 |
Non-Patent Citations (1)
Title |
---|
何菲 等: "PCA_SVM的多故障分类方法在TE过程中的应用", 《计算机与应用化学》 * |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105738770A (zh) * | 2016-04-01 | 2016-07-06 | 昆明理工大学 | 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 |
CN105738770B (zh) * | 2016-04-01 | 2019-05-14 | 昆明理工大学 | 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 |
CN107390086A (zh) * | 2017-06-30 | 2017-11-24 | 昆明理工大学 | 一种基于主成分分析‑支持向量机的单永故障识别方法 |
CN107515356A (zh) * | 2017-10-23 | 2017-12-26 | 华北电力大学(保定) | 一种直流配电网系统及其故障诊断方法 |
CN110571768A (zh) * | 2019-08-19 | 2019-12-13 | 南方电网科学研究院有限责任公司 | 一种基于混合线路的直流输电故障重启方法及装置 |
CN111007427A (zh) * | 2019-11-23 | 2020-04-14 | 清华大学 | 配电线路单相接地故障选线方法及计算机可读存储介质 |
CN111007427B (zh) * | 2019-11-23 | 2021-05-04 | 清华大学 | 配电线路单相接地故障选线方法及计算机可读存储介质 |
US11543462B2 (en) | 2019-11-23 | 2023-01-03 | Tsinghua University | Single-phase-to-ground fault line selection method for distribution lines and computer readable storage medium |
CN110927525A (zh) * | 2019-12-03 | 2020-03-27 | 昆明理工大学 | 一种基于电压变化sod曲线簇的线路故障识别pca聚类方法 |
CN111950125A (zh) * | 2020-07-10 | 2020-11-17 | 国网江苏省电力有限公司常州供电分公司 | 一种直流电缆故障类型和位置判断方法及系统 |
CN111950125B (zh) * | 2020-07-10 | 2022-08-30 | 国网江苏省电力有限公司常州供电分公司 | 一种直流电缆故障类型和位置判断方法及系统 |
CN111896840A (zh) * | 2020-07-15 | 2020-11-06 | 武汉三相电力科技有限公司 | 基于故障行波电压判断混合线路中故障区间的方法和系统 |
CN111896840B (zh) * | 2020-07-15 | 2023-06-27 | 武汉三相电力科技有限公司 | 基于故障行波电压判断混合线路中故障区间的方法和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN105403807B (zh) | 2018-11-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105403807A (zh) | 一种三段线缆混合直流输电线路故障区段识别的智能方法 | |
CN105548819B (zh) | 一种基于反行波的高压直流输电线路区内外故障识别方法 | |
CN112731051B (zh) | 混合网络的高压直流输电线路的单端故障定位方法及系统 | |
CN109217267B (zh) | 基于限流电感电压极性的多端柔性直流电网纵联保护方法及系统 | |
CN113036908B (zh) | 一种基于继电保护在线监视与分析系统的故障分析方法 | |
CN103744002B (zh) | 一种基于电流暂态量主成分聚类分析的缆-线混合输电线路的故障区段识别方法 | |
CN108832619A (zh) | 基于卷积神经网络的电力系统暂态稳定评估方法 | |
CN103178508B (zh) | 基于并联电容参数识别的vsc-hvdc输电线路纵联保护方法 | |
CN106130039A (zh) | 电力系统的主导失稳模式识别方法和系统 | |
CN110244186B (zh) | 一种基于孤立点检测算法的电缆故障预测报警方法 | |
CN105486978A (zh) | 单相短路故障选线方法 | |
CN102590654A (zh) | 一种直流输电线路故障极判别元件及判别方法 | |
CN105162094B (zh) | 一种利用极线故障电流曲线簇主成分分析的特高压直流线路的纵联保护方法 | |
CN105403816A (zh) | 一种光伏系统直流故障电弧的识别方法 | |
CN103267926A (zh) | 基于差分进化算法故障特征匹配的含dg配电网故障测距 | |
CN105116281A (zh) | 一种基于模式识别的两段线缆混合直流输电线路故障区段识别方法 | |
CN107390086A (zh) | 一种基于主成分分析‑支持向量机的单永故障识别方法 | |
CN104820168A (zh) | 一种基于波形差异度和雷击故障样本库的雷击故障判别方法 | |
CN101915888A (zh) | ±800kV直流输电线路雷击干扰的可拓融合识别方法 | |
CN104237703A (zh) | 带并联电抗器线路三相自适应重合闸故障性质识别方法 | |
CN104297628A (zh) | 含dg的配电网的区段故障检测与定位方法 | |
CN104538941A (zh) | 一种高压直流输电线路行波保护定值整定方法 | |
CN104155572A (zh) | 一种同塔双回直流输电线路故障选线方法 | |
CN104133159B (zh) | 一种利用零序电流进行pca聚类分析的线缆混合线路故障区段识别方法 | |
CN103592572B (zh) | 一种利用直流分量和谐波分量交线定位的直流接地极线路故障测距方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |