CN106680664A - 一种输电线路故障点定位综合优化方法 - Google Patents
一种输电线路故障点定位综合优化方法 Download PDFInfo
- Publication number
- CN106680664A CN106680664A CN201611042440.9A CN201611042440A CN106680664A CN 106680664 A CN106680664 A CN 106680664A CN 201611042440 A CN201611042440 A CN 201611042440A CN 106680664 A CN106680664 A CN 106680664A
- Authority
- CN
- China
- Prior art keywords
- distance
- range measurement
- neural network
- network model
- kinds
- 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
Classifications
-
- 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
-
- 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
- G01R31/088—Aspects of digital computing
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明实施例公开了一种输电线路故障点定位综合优化方法,所述方法包括:获取新发生故障线路的线路总长及各类测距设备的测距结果,并将所述测距结果进行预处理;将所述预处理后得到的有效测距结果进行归一化处理;计算归一化处理后的所述有效测距结果的总体标准差值;判断所述总体标准差值是否小于预定阈值;如果所述总体标准差小于所述预定阈值,则采用第一种BP神经网络模型进行处理;如果所述总体标准差大于或等于所述预定阈值,则采用第二种BP神经网络模型进行处理。本发明综合了多种测距设备的故障测距结果,得出了更为可靠地定位结果,能够有效的提高故障点定位的精确度。
Description
技术领域
本发明涉及输电线路故障诊断技术领域,尤其涉及一种输电线路故障点定位综合优化方法。
背景技术
架空输电线路是电网建设基础,是电力系统的重要组成部分,它将能源中心转变而来的巨大电能输送到四面八方的负荷中心,输电线路的安全稳定运行直接影响着电网的稳定性和供电的可靠性。我国架空输电线路所经过地区的地形地貌通常错综复杂,沿途经过平原、丘陵、山谷、森林、江河以及湖泊等,地理条件和气象条件也多种多样,因此极易遭受各类故障,从而引起线路跳闸。能否对输电线路故障点进行快速准确查找,即对故障点进行精确定位决定着能否快速恢复电网的稳定运行,最大限度减小经济损失。
相关技术中,为了使故障点的定位更加准确,电网运行单位一般同时采用多种测距方法(例如保护测距法、故障录波测距发法、行波测距法、分布式故障测距法等)对线路故障点进行测距,当有故障发生时,设置在输电线路两端的多组具有不同测距方法的测距设备会根据自身的测距方法得到相应的故障点坐标并进行反馈,电网运维人员在接收到多组故障点坐标后会结合输电线路当时所处的环境条件以及自己的经验综合考虑之后人工选择其中一组故障点坐标作为测量结果,然后根据测量结果对输电线路进行巡线,确定故障点的准确位置。
然而,在相关技术中,电网运行单位采用的故障定位方法相互独立,在不同外部环境的影响下定位准确度不尽相同,无法确定哪种测量方法测量的结果最准确,从而导致电网运维人员难以从这些定位结果中选取最合适的测量结果,影响了故障点定位的精确度。
发明内容
为克服相关技术中存在的问题,本发明提供一种输电线路故障点定位综合优化方法,以解决现有技术中故障点定位精确度低的问题。
为了解决上述技术问题,本发明实施例公开了如下技术方案:
本申请公开了一种输电线路故障点定位综合优化方法,包括:
获取新发生故障线路的线路总长及各类测距设备的测距结果,并将所述测距结果进行预处理;
将所述预处理后得到的有效测距结果进行归一化处理;
计算归一化处理后的所述有效测距结果的总体标准差值;
判断所述总体标准差值是否小于预定阈值;
如果所述总体标准差小于所述预定阈值,则采用第一种BP神经网络模型,将归一化处理后的所述有效测距结果作为所述第一种BP神经网络模型的输入,将第一种BP神经网络模型的输出结果作反归一化处理,并将反归一化处理后的输出结果作为故障点距离;
如果所述总体标准差大于或等于所述预定阈值,则采用第二种BP神经网络模型,将归一化处理后的所述有效测距结果作为所述第二种BP神经网络模型的输入,选择第二种BP神经网络模型的输出结果中最小值所对应的测距设备的测距结果作为故障点距离;其中,所述第一种BP神经网络模型和第二种BP神经网络模型不为同一种BP神经网络模型。
可选的,所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离,其中,所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
可选的,所述将所述测距结果进行预处理,包括:
判断是否收集到所述测距结果;
如果所述测距结果部分或全部收集到,则将收集到的所述测距结果进行长度单位统一,并判断长度单位统一后的所述测距结果是否大于所述线路总长;
如果长度单位统一后的所述测距结果全部大于所述线路总长,则将所述测距结果无效处理;
如果长度单位统一后的所述测距结果全部不大于所述线路总长,则用长度单位统一后的所述测距结果的算术平均值代替未收集的测距结果
如果长度单位统一后的所述测距结果部分不大于所述线路总长,则用不大于所述线路总长的测距结果的算术平均值代替未收集到或大于所述线路总长的测距结果。
可选的,所述第一种BP神经网络模型的建立方法包括:
获取某一地区范围内的输电线路历史跳闸数据并统一长度单位;
根据所述历史跳闸数据选择其中N条完整数据进行归一化处理;
将所述归一化处理后的所述N条完整数据作为训练样本,将所述训练样本中的各类测距设备的测距结果作为所述第一种BP神经网络模型的输入,对应的所述训练样本中的实际故障点距离作为所述第一种BP神经网络模型的期望输出,建立第一种BP神经网络模型,所述第一种BP神经网络模型的隐含层设为一层,所述第一种BP神经网络模型的输出层为反归一化前的优化故障点距离。
可选的,所述历史跳闸数据中每条数据包含线路总长、各类测距设备的测距结果、实际故障点距离,其中,所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离;所述实际故障点距离为巡线后的实际故障点到故障线路同一侧端点的距离;所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
可选的,所述归一化处理包括:
将所述N条完整数据中所有数据除以对应的线路总长。
可选的,所述第二种BP神经网络模型的建立方法包括:
获取某一地区范围内的输电线路历史跳闸数据并统一长度单位;
根据所述历史跳闸数据选择其中N条完整数据进行归一化处理;
根据误差计算公式分别计算所述N条完整数据中各类测距设备的测距结果的误差,将归一化后的所述N条完整数据中的各类测距设备的测距结果作为第二种BP神经网络模型的输入,对应的所述误差作为第二种BP神经网络模型的期望输出,建立第二种BP神经网络模型,第二种BP神经网络模型的隐含层设为一层,第二种BP神经网络模型的输出层为对应的各类测距设备的误差。
可选的,所述历史跳闸数据中每条数据包含线路总长、各类测距设备的测距结果以及实际故障点距离,其中,所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离;所述实际故障点距离为巡线后的实际故障点到故障线路同一侧端点的距离;所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
可选的,所述归一化处理包括:
将所述N条完整数据中所有数据除以对应的线路总长。
可选的,所述误差计算公式为:误差=(测距结果-实际故障点距离)/线路总长。
本发明的实施例提供的技术方案可以包括以下有益效果:通过本发明实施的输电线路故障点定位综合优化方法对多种故障测距设备的定位结果进行综合分析,能够形成一种融合了各种故障定位资源的更有效地定位方法,能够有效提升资源利用率,从而提高故障点定位的精确度。
而且根据多种故障测距设备的故障测距定位历史运行数据,建立了两种不同的BP神经网络模型,并根据各种故障测距设备对新发生故障点的定位差异大小来确定选取哪一种神经网络模型,为取舍众多故障测距设备的测距结果提供了依据,保证了故障定位数据的精确度。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本发明。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分,示出了符合本发明的实施例,并与说明书一起用于解释本发明的原理。
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种输电线路故障点定位综合优化方法的流程示意图;
图2为本发明实施例提供的第一种BP神经网络模型示意图;
图3为本发明实施例提供的第二种BP神经网络模型示意图。
具体实施方式
这里将详细地对示例性实施例进行说明,其示例表示在附图中。下面的描述涉及附图时,除非另有表示,不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反,它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
图1是根据一示例性实施例示出的一种输电线路故障点定位综合优化方法的流程示意图,如图1所示,所述输电线路故障点定位综合优化方法包括:
获取新发生故障线路的线路总长及各类测距设备的测距结果,并将所述测距结果进行预处理;
将所述预处理后得到的有效测距结果进行归一化处理;
计算归一化处理后的所述有效测距结果的总体标准差值;
判断所述总体标准差值是否小于预定阈值;
如果所述总体标准差小于所述预定阈值,则采用第一种BP神经网络模型,将归一化处理后的所述有效测距结果作为所述第一种BP神经网络模型的输入,将第一种BP神经网络模型的输出结果作反归一化处理,并将反归一化处理后的输出结果作为故障点距离;
如果所述总体标准差大于或等于所述预定阈值,则采用第二种BP神经网络模型,将归一化处理后的所述有效测距结果作为所述第二种BP神经网络模型的输入,选择第二种BP神经网络模型的输出结果中最小值所对应的测距设备的测距结果作为故障点距离。
其中,所述第一种BP神经网络模型和第二种BP神经网络模型不为同一种BP神经网络模型。
所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离,其中,所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
所述将所述测距结果进行预处理,包括:
判断是否收集到所述测距结果;
如果所述测距结果全部未收集到,则将所述测距结果无效处理;
如果所述测距结果部分或全部收集到,则将收集到的所述测距结果进行长度单位统一,并判断长度单位统一后的所述测距结果是否大于所述线路总长;
如果长度单位统一后的所述测距结果全部大于所述线路总长,则将所述测距结果无效处理;
如果长度单位统一后的所述测距结果全部不大于所述线路总长,则用长度单位统一后的所述测距结果的算术平均值代替未收集的测距结果
如果长度单位统一后的所述测距结果部分不大于所述线路总长,则用不大于所述线路总长的测距结果的算术平均值代替未收集到或大于所述线路总长的测距结果。
图2为本发明实施例提供的第一种BP神经网络模型示意图,如图2所示,所述第一种BP神经网络模型的建立方法包括:
获取某一地区范围内的输电线路历史跳闸数据并统一长度单位;
根据所述历史跳闸数据选择其中N条完整数据进行归一化处理;
将所述归一化处理后的所述N条完整数据作为训练样本,将所述训练样本中的各类测距设备的测距结果作为所述第一种BP神经网络模型的输入,对应的所述训练样本中的实际故障点距离作为所述第一种BP神经网络模型的期望输出,建立第一种BP神经网络模型,所述第一种BP神经网络模型的隐含层设为一层,所述第一种BP神经网络模型的输出层为反归一化前的优化故障点距离。
所述历史跳闸数据中每条数据包含线路总长、各类测距设备的测距结果、实际故障点距离,其中,所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离;所述实际故障点距离为巡线后的实际故障点到故障线路同一侧端点的距离;所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
所述归一化处理包括:将所述N条完整数据中所有数据除以对应的线路总长。
图3为本发明实施例提供的第二种BP神经网络模型示意图,如图3所示,所述第二种BP神经网络模型的建立方法包括:
获取某一地区范围内的输电线路历史跳闸数据并统一长度单位;
根据所述历史跳闸数据选择其中N条完整数据进行归一化处理;
根据误差计算公式分别计算所述N条完整数据中各类测距设备的测距结果的误差,将归一化后的所述N条完整数据中的各类测距设备的测距结果作为第二种BP神经网络模型的输入,对应的所述误差作为第二种BP神经网络模型的期望输出,建立第二种BP神经网络模型,第二种BP神经网络模型的隐含层设为一层,第二种BP神经网络模型的输出层为对应的各类测距设备的误差。
所述历史跳闸数据中每条数据包含线路总长、各类测距设备的测距结果以及实际故障点距离,其中,所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离;所述实际故障点距离为巡线后的实际故障点到故障线路同一侧端点的距离;所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
所述归一化处理包括:
将所述N条完整数据中所有数据除以对应的线路总长。
所述误差计算公式为:误差=(测距结果-实际故障点距离)/线路总长。
如图1所示的一种输电线路故障点定位综合优化方法的具体步骤,如下所述:
获取一定范围内新发生故障线路的总长(C)、所述故障线路其中同一侧主一保护测距(Z1)、主二保护测距(Z2)、故障录波测距G、行波测距X、分布式故障测距F,并将长度单位统一为m,然后将Z1、Z2、G、X、F进行预处理。
其中,对Z1、Z2、G、X、F进行预处理的具体步骤为:如果Z1、Z2、G、X、F中数据均未收集到则将该组数据无效化处理并结束此次故障点定位;如果Z1、Z2、G、X、F中部分或全部数据收集到了则将收集到的数据与总长C进行比较,如果收集到的数据中全部大于总长C,则将该组数据无效化处理并结束此次故障点定位,如果收集到的数据全部小于总长C,则计算这些收集到的数据的算术平均值P,用所述算术平均值P代替大于总长C的数据,如果收集到的数据中只有一部分数据小于总长C,则计算小于总长C的数据的算术平均值P,用所述算术平均值P代替没有收集到或大于总长C的数据。
将预处理后的Z1、Z2、G、X、F进行归一化处理,即将Z1、Z2、G、X、F分别除以总长C。
根据公式S=sqrt{1/5[(Z1-P)^2+(Z2-P)^2+(G-P)^2+(X-P)^2+(F-P)^2]}计算Z1、Z2、G、X、F的总体标准差S。
将所述总体标准差S与预设阈值C/8进行比较,如果S<C/8,则采用第一种BP神经网络模型,将Z1/C、Z2/C、G/C、X/C、F/C作为第一种BP神经网络模型的输入,将第一种BP神经网络模型的输出结果作反归一化处理,即将输出结果乘以C,并将反归一化处理后的输出结果作为故障点距离
如果S≥C/8,则采用第二种BP神经网络模型,将Z1/C、Z2/C、G/C、X/C、F/C作为第二种BP神经网络模型的输入,选择第二种BP神经网络模型的输出结果中最小值所对应的测距设备的测距结果作为故障点距离。
如图2所示的,第一种BP神经网络模型的建立方法的具体步骤,如下所述:
收集一定范围内的输电线路历史跳闸数据并统一长度单位为m,所述历史跳闸数据中每条数据包含线路总长C、其中同一侧主一保护测距Z1、主二保护测距Z2、故障录波测距G、行波测距X、分布式故障测距F、巡线后的实际故障点到故障线路同一侧端点的距离T。
在所述历史跳闸数据中,选择其中N条完整数据,将N条完整数据记为Ci、Z1i、Z2i、Gi、Xi、Fi、Ti(其中i为从1到N的整数),然后进行归一化处理,即将Ci、Z1i、Z2i、Gi、Xi、Fi、Ti除以Ci,其中,所述N条完整数据中每条数据的C、Z1、Z2、G、X、F、T不存在数据缺失的情况,且Z1、Z2、G、X、F、T不大于线路总长C,。
如图2所示,建立第一种BP神经网络模型,将归一化后的各类测距设备的测距结果,即Z1i/Ci、Z2i/Ci、Gi/Ci、Xi/Ci、Fi/Ci(其中i为从1到N的整数)作为第一种BP神经网络模型的输入,Ti/Ci(其中i为从1到N的整数)作为第一种BP神经网络模型的期望输出,第一种BP神经网络模型的隐含层设为一层,第一种BP神经网络模型的输出层为反归一化前的优化故障点距离,使用MATLAB R2013b进行仿真,其中,将第一种BP神经网络模型的隐含层节点数设为5,训练次数设置为50000,精度设为0.00001,学习速率设为0.01。
如图3所示的,第二种BP神经网络模型的建立方法的具体步骤,如下所述:
收集一定范围内的输电线路历史跳闸数据并统一长度单位为m。所述历史跳闸数据中每条数据包含线路总长C、其中一侧主一保护测距Z1、同侧主二保护测距Z2、同侧故障录波测距G、同侧行波测距X、同侧分布式故障测距F、巡线后的实际故障点到故障线路同一侧端点的距离T。
在所述历史跳闸数据中,选择其中N条完整数据,将N条完整数据记为Ci、Z1i、Z2i、Gi、Xi、Fi、Ti(其中i为从1到N的整数)并进行归一化处理,即将Ci、Z1i、Z2i、Gi、Xi、Fi、Ti除以Ci,其中,,所述N条完整数据中每条数据的C、Z1、Z2、G、X、F、T不存在数据缺失的情况,且Z1、Z2、G、X、F、T不大于线路总长C。
分别计算所述N条完整数据中每条数据的Z1、Z2、G、X、F的误差W,其中,WZ1i=(Z1i-Ti)/Ci,WZ2i=(Z2i-Ti)/Ci,WGi=(Gi-Ti)/Ci,WXi=(Xi-Ti)/Ci,WFi=(Fi-Ti)/Ci。
如图3所示,建立第二种BP神经网络模型,将归一化后的各类测距设备的测距结果,即Z1i/Ci、Z2i/Ci、Gi/Ci、Xi/Ci、Fi/Ci(其中i为从1到N的整数)作为第二种BP神经网络模型的输入,WZ1i、WZ2i、WGi、WXi、WFi作为第二种BP神经网络模型的期望输出,第二种BP神经网络模型的隐含层设为一层,第二种BP神经网络模型的输出为对应的各类测距设备的误差,使用MATLAB R2013b进行仿真,其中,将第二种BP神经网络模型的隐含层节点数设为6,训练次数设置为30000,精度设为0.00001,学习速率设为0.005。
在上述实施例中提及的BP神经网络,是一种按误差逆传播算法训练的多层前馈网络。BP神经网络能学习和存贮大量的输入-输出模式映射关系,而无需事前揭示描述这种映射关系的数学方程,它的学习规则是使用梯度下降法,通过反向传播来不断调整网络的权值和阈值,使网络的误差平方和最小,其中,BP神经网络模型拓扑结构包括输入层(input)、隐含层(hidden layer)和输出层(output layer)。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
本领域技术人员在考虑说明书及实践这里发明的公开后,将容易想到本发明的其它实施方案。本申请旨在涵盖本发明的任何变型、用途或者适应性变化,这些变型、用途或者适应性变化遵循本发明的一般性原理并包括本发明未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的,本发明的真正范围和精神由下面的权利要求指出。
应当理解的是,本发明并不局限于上面已经描述并在附图中示出的精确结构,并且可以在不脱离其范围进行各种修改和改变。本发明的范围仅由所附的权利要求来限制。
Claims (10)
1.一种输电线路故障点定位综合优化方法,其特征在于,包括:
获取新发生故障线路的线路总长及各类测距设备的测距结果,并将所述测距结果进行预处理;
将所述预处理后得到的有效测距结果进行归一化处理;
计算归一化处理后的所述有效测距结果的总体标准差值;
判断所述总体标准差值是否小于预定阈值;
如果所述总体标准差小于所述预定阈值,则采用第一种BP神经网络模型,将归一化处理后的所述有效测距结果作为所述第一种BP神经网络模型的输入,将第一种BP神经网络模型的输出结果作反归一化处理,并将反归一化处理后的输出结果作为故障点距离;
如果所述总体标准差大于或等于所述预定阈值,则采用第二种BP神经网络模型,将归一化处理后的所述有效测距结果作为所述第二种BP神经网络模型的输入,选择第二种BP神经网络模型的输出结果中最小值所对应的测距设备的测距结果作为故障点距离;其中,所述第一种BP神经网络模型和第二种BP神经网络模型不为同一种BP神经网络模型。
2.根据权利要求1所述的输电线路故障点定位综合优化方法,其特征在于,所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离,其中,所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
3.根据权利要求1所述的输电线路故障点定位综合优化方法,其特征在于,所述将所述测距结果进行预处理,包括:
判断是否收集到所述测距结果;
如果所述测距结果部分或全部收集到,则将收集到的所述测距结果进行长度单位统一,并判断长度单位统一后的所述测距结果是否大于所述线路总长;
如果长度单位统一后的所述测距结果全部大于所述线路总长,则将所述测距结果无效处理;
如果长度单位统一后的所述测距结果全部不大于所述线路总长,则用长度单位统一后的所述测距结果的算术平均值代替未收集的测距结果;
如果长度单位统一后的所述测距结果部分不大于所述线路总长,则用不大于所述线路总长的测距结果的算术平均值代替未收集到或大于所述线路总长的测距结果。
4.根据权利要求1所述的输电线路故障点定位综合优化方法,其特征在于,所述第一种BP神经网络模型的建立方法包括:
获取某一地区范围内的输电线路历史跳闸数据并统一长度单位;
根据所述历史跳闸数据选择其中N条完整数据进行归一化处理;
将所述归一化处理后的所述N条完整数据作为训练样本,将所述训练样本中的各类测距设备的测距结果作为所述第一种BP神经网络模型的输入,对应的所述训练样本中的实际故障点距离作为所述第一种BP神经网络模型的期望输出,建立第一种BP神经网络模型,所述第一种BP神经网络模型的隐含层设为一层,所述第一种BP神经网络模型的输出层为反归一化前的优化故障点距离。
5.根据权利要求4所述的输电线路故障点定位综合优化方法,其特征在于,所述历史跳闸数据中每条数据包含线路总长、各类测距设备的测距结果、实际故障点距离,其中,所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离;所述实际故障点距离为巡线后的实际故障点到故障线路同一侧端点的距离;所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
6.根据权利要求4所述的输电线路故障点定位综合优化方法,其特征在于,所述归一化处理包括:
将所述N条完整数据中所有数据除以对应的线路总长。
7.根据权利要求1所述的输电线路故障点定位综合优化方法,其特征在于,所述第二种BP神经网络模型的建立方法包括:
获取某一地区范围内的输电线路历史跳闸数据并统一长度单位;
根据所述历史跳闸数据选择其中N条完整数据进行归一化处理;
根据误差计算公式分别计算所述N条完整数据中各类测距设备的测距结果的误差,将归一化后的所述N条完整数据中的各类测距设备的测距结果作为第二种BP神经网络模型的输入,对应的所述误差作为第二种BP神经网络模型的期望输出,建立第二种BP神经网络模型,第二种BP神经网络模型的隐含层设为一层,第二种BP神经网络模型的输出层为对应的各类测距设备的误差。
8.根据权利要求7所述的输电线路故障点定位综合优化方法,其特征在于,所述历史跳闸数据中每条数据包含线路总长、各类测距设备的测距结果以及实际故障点距离,其中,所述各类测距设备的测距结果指各类测距设备在故障线路同一侧得到的与故障点的距离;所述实际故障点距离为巡线后的实际故障点到故障线路同一侧端点的距离;所述各类测距设备包括保护测距设备、故障录波测距设备、行波测距设备。
9.根据权利要求7所述的输电线路故障点定位综合优化方法,其特征在于,所述归一化处理包括:
将所述N条完整数据中所有数据除以对应的线路总长。
10.根据权利要求7所述的输电线路故障点定位综合优化方法,其特征在于,所述误差计算公式为:误差=(测距结果-实际故障点距离)/线路总长。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611042440.9A CN106680664B (zh) | 2016-11-22 | 2016-11-22 | 一种输电线路故障点定位综合优化方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201611042440.9A CN106680664B (zh) | 2016-11-22 | 2016-11-22 | 一种输电线路故障点定位综合优化方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN106680664A true CN106680664A (zh) | 2017-05-17 |
CN106680664B CN106680664B (zh) | 2019-07-05 |
Family
ID=58865958
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201611042440.9A Active CN106680664B (zh) | 2016-11-22 | 2016-11-22 | 一种输电线路故障点定位综合优化方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN106680664B (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108614191A (zh) * | 2018-06-07 | 2018-10-02 | 云南电网有限责任公司丽江供电局 | 一种基于bim模型的配电网及地下电缆故障检测方法 |
CN109270958A (zh) * | 2018-11-20 | 2019-01-25 | 国网四川省电力公司广安供电公司 | 一种输电线路故障自动快速定位无人机系统 |
CN111796160A (zh) * | 2020-05-27 | 2020-10-20 | 山东山大世纪科技有限公司 | 一种基于多源故障测距结果的输电线路准确测距方法 |
CN112041693A (zh) * | 2018-05-07 | 2020-12-04 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5724247A (en) * | 1993-09-27 | 1998-03-03 | Siemens Aktiengesellschaft | Method of generating a signal indicating the direction of a short-circuit |
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 |
CN102981108A (zh) * | 2012-11-29 | 2013-03-20 | 重庆大学 | 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法 |
CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN103592575A (zh) * | 2013-11-25 | 2014-02-19 | 国家电网公司 | 一种基于多传感器系统的自适应加权数据融合故障测距方法 |
-
2016
- 2016-11-22 CN CN201611042440.9A patent/CN106680664B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5724247A (en) * | 1993-09-27 | 1998-03-03 | Siemens Aktiengesellschaft | Method of generating a signal indicating the direction of a short-circuit |
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 |
CN102981108A (zh) * | 2012-11-29 | 2013-03-20 | 重庆大学 | 一种基于多特征信息融合技术的变压器内绝缘老化诊断方法 |
CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
CN103592575A (zh) * | 2013-11-25 | 2014-02-19 | 国家电网公司 | 一种基于多传感器系统的自适应加权数据融合故障测距方法 |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112041693A (zh) * | 2018-05-07 | 2020-12-04 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
CN112041693B (zh) * | 2018-05-07 | 2023-10-17 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
CN108614191A (zh) * | 2018-06-07 | 2018-10-02 | 云南电网有限责任公司丽江供电局 | 一种基于bim模型的配电网及地下电缆故障检测方法 |
CN108614191B (zh) * | 2018-06-07 | 2020-07-14 | 云南电网有限责任公司丽江供电局 | 一种基于bim模型的配电网及地下电缆故障检测方法 |
CN109270958A (zh) * | 2018-11-20 | 2019-01-25 | 国网四川省电力公司广安供电公司 | 一种输电线路故障自动快速定位无人机系统 |
CN111796160A (zh) * | 2020-05-27 | 2020-10-20 | 山东山大世纪科技有限公司 | 一种基于多源故障测距结果的输电线路准确测距方法 |
Also Published As
Publication number | Publication date |
---|---|
CN106680664B (zh) | 2019-07-05 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106680664A (zh) | 一种输电线路故障点定位综合优化方法 | |
CN106529791B (zh) | 一种电力系统中支路重要度的评估方法 | |
CN108108877A (zh) | 一种基于bp神经网络的输电线路雷害风险评估方法 | |
CN107704992A (zh) | 输电线路雷击风险评估的方法及装置 | |
CN104297638B (zh) | 一种高精度、低成本的配电网故障定位方法 | |
CN108375713A (zh) | 一种新型电网故障行波定位方法和系统 | |
CN110417011A (zh) | 一种基于互信息与迭代随机森林的在线动态安全评估方法 | |
CN108256234A (zh) | 一种用于评估变压器直流偏磁影响的方法及系统 | |
CN111413589B (zh) | 一种基于灰靶决策的配电网单相短路故障定位方法 | |
CN108647438A (zh) | 一种新型土壤等效电阻模型建模方法 | |
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 | |
CN103645423A (zh) | 一种输电网络的故障定位方法和系统 | |
CN109100614A (zh) | 一种基于pmu装置的输电线路故障定位系统及方法 | |
CN106330095A (zh) | 一种大型光伏电站汇集系统故障定位方法 | |
CN109375050A (zh) | 一种基于初始故障线路割集的电力系统关键断面辨识方法 | |
CN106779267A (zh) | 一种基于多层模糊法的电力系统模型与数据质量评价方法 | |
CN109460431A (zh) | 一种配电网故障定位方法 | |
CN104361242B (zh) | 基于数据驱动和随机直觉模糊策略的轴承故障诊断方法 | |
CN103324858A (zh) | 配电网三相潮流状态估计方法 | |
CN104898039B (zh) | 基于故障传播概率模型的故障模式优选方法 | |
CN104537581B (zh) | 采用模糊相似度匹配的电压暂降源在线定位方法 | |
CN105353270B (zh) | 考虑分布式电源并网的电能质量扰动源容错定位方法 | |
CN106410791A (zh) | 一种不良数据的前推回代追踪方法 | |
CN108387818A (zh) | 一种适用于含分布式电源树状配电网的故障测距方法 | |
CN103810340A (zh) | 基于站内主接线图映射的故障矢量分析及故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |