CN107330160A - 一种短路电流零点预测方法和系统 - Google Patents
一种短路电流零点预测方法和系统 Download PDFInfo
- Publication number
- CN107330160A CN107330160A CN201710433251.2A CN201710433251A CN107330160A CN 107330160 A CN107330160 A CN 107330160A CN 201710433251 A CN201710433251 A CN 201710433251A CN 107330160 A CN107330160 A CN 107330160A
- Authority
- CN
- China
- Prior art keywords
- circuit current
- short
- short circuit
- zero
- current zero
- 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.)
- Withdrawn
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/175—Indicating the instants of passage of current or voltage through a given value, e.g. passage through zero
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种短路电流零点预测方法,包括:根据获取的电力传输线的离线数据,训练得到支持向量机模型,离线数据包括性能参数和单相接地故障参数;在线实时采集电路中的包括单相接地故障发生时的电流数据,得到电流数据和时间的对应关系,并确定单相接地故障发生的起始时刻;根据对应关系、起始时刻、预设的预测数据窗长和支持向量机模型,计算得到短路电流零点。本发明提高了零点预测的精度,达到了缩短断路器开断的熄弧过渡过程、减小触头电侵蚀的目的,提升了电网的安全运行水平。
Description
技术领域
本发明涉及电力系统继电保护及自动化技术领域,特别是涉及一种短路电流零点预测方法及系统。
背景技术
近年来,随着断路器性能的不断提升,断路器的操动机构动作时间越来越短,离散性越来越小,相控开断的实现逐步具备工程应用的条件。然而,当电力传输线路发生故障时,断路器对线路的开断还不能够满足如今电网的发展要求。
当电流传输线路发送故障时,对线路及时的开断,可以减小触头燃弧时间,延长设备运行寿命。且当电弧在目标零点熄灭后,触头不再发生重燃,线路系统的运行可靠性增强。因此,需要提高断路器的短路开断水平。但不同于常规负载的电路特点,发生线路故障时的短路电流中包含衰减直流分量,使得电路零点不再周期性出现,且继电保护系统对开关的速动性要求也日益严格。因此,控制器需要在继电保护系统发出命令之前预测出目标零点,并结合开关的机械及电气特性,控制触头延时之后再动作,使得短路电流可在目标相位被成功分断。因此,实现短路电流分断的基础和难点是根据有限的采样信息,快速、准确地还原短路电流波形,预测出目标零点。
短路电流的零点预测可以转换为一个非线性的模式识别问题,现有的基于最小二乘,以及衍生出来的递归最小二乘(RLS)等的短路电流预测方法受制于模型的准确性,一旦真实电流中的成分与预测模型中的分量出现偏差,容易导致预测结果出现错误。
发明内容
本发明提供一种短路电流零点预测方法和系统,提高了零点预测的精度,达到了缩短断路器开断的熄弧过渡过程、减小触头电侵蚀的目的,提升了电网的安全运行水平。
本发明解决上述技术问题的技术方案如下:一种短路电流零点预测方法,包括:
步骤1、根据获取的电力传输线的离线数据,训练得到支持向量机模型,所述离线数据包括性能参数和单相接地故障参数;
步骤2、在线实时采集电路中的包括单相接地故障发生时的电流数据,得到所述电流数据和时间的对应关系,并确定所述单相接地故障发生的起始时刻;
步骤3、根据所述对应关系、所述起始时刻、预设的预测数据窗长和所述支持向量机模型,计算得到短路电流零点。
本发明的有益效果是:支持向量机(Support Vector Machine,SVM)算法,因其在解决小样本、非线性及高维模式识别中,表现出特别突出的优势,且能够推广应用到函数拟合等其他机器学习问题中,得到了广泛的应用。因此,基于SVM的短路电流零点预测算法,通过完善的样本进行离线训练,确定具有鲁棒性的SVM模型,在获得在线电流数据时,能根据在线获得的短路电流采样值,适应性的计算得到短路电流零点。根据所获得的短路电流零点,进行断路器的相控开断操作,能够缩短断路器开断的熄弧过渡过程、减小触头电侵蚀,延长断路器开关使用寿命,提升了电网的安全运行水平。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,所述步骤1包括:
步骤1.1、根据所述性能参数,建立电磁暂态仿真模型;
步骤1.2、根据所述单相接地故障参数,建立短路故障样本数据库;
步骤1.3、对所述短路故障样本数据库中的短路故障样本数据利用所述电磁暂态仿真模型计算得到短路电流数据集合;
步骤1.4、对所述短路电流数据集合利用支持向量机算法训练得到所述短路电流数据集合对应的支持向量机模型。
进一步,所述步骤3包括:
步骤3.1、根据所述起始时刻和预设的预测数据窗长,确定包括所述起始时刻的预测时间段;
步骤3.2、根据所述预测时间段和所述对应关系,确定预测数据窗;
步骤3.3、利用所述预测数据窗选取所述对应关系中的部分对应关系,并将所述部分对应关系输入所述支持向量机模型,得到短路电流零点。
本发明的进一步有益效果是:通过在训练过的SVM模型中输入电流传输线上的电流采样值以及其对应的时间,SVM模型自身通过计算预测出接下来的短路电流零点,用于相控开断操作,其中,零点为短路电流为零的时刻。
进一步,所述步骤3还包括:
步骤3.4、根据所述起始时刻和所述预测数据窗长,确定包括所述起始时刻的新的预测时间段;
步骤3.5、根据预设的重复次数,重复执行步骤3.2-步骤3.4,得到多组短路电流零点,以对所述多组短路电流零点中各零点对应的时间点求平均值,得到短路电流零点。
本发明的进一步有益效果是:得到多组短路电流零点,可求平均值,以提高短路电流零点的精确度。
进一步,所述电力传输线单相接地故障参数包括故障发生位置、过渡电阻和短路合闸相角;
所述短路故障样本数据库中的短路故障样本的个数为所述故障发生位置的个数、所述过渡电阻的个数和所述短路合闸相角的个数的乘积。
本发明还提供了一种短路电流零点预测系统,包括:
支持向量机模型建立模块,用于根据获取的电力传输线的离线数据,训练得到支持向量机模型,所述离线数据包括性能参数和单相接地故障参数;
在线数据获取模块,用于在线实时采集电路中的包括单相接地故障发生时的电流数据,得到所述电流数据和时间的对应关系,并确定所述单相接地故障发生的起始时刻;
零点预测模块,用于根据所述对应关系、所述起始时刻、预设的预测数据窗长和所述支持向量机模型,计算得到短路电流零点。
进一步,所述支持向量机模型建立模块具体用于:
根据所述性能参数,建立电磁暂态仿真模型;根据所述单相接地故障参数,建立短路故障样本数据库;对所述短路故障样本数据库中的短路故障样本数据利用所述电磁暂态仿真模型计算得到短路电流数据集合;对所述短路电流数据集合利用支持向量机算法训练得到所述短路电流数据集合对应的支持向量机模型。
进一步,所述零点预测模块具体用于:
根据所述起始时刻和预设的预测数据窗长,确定包括所述起始时刻的预测时间段;根据所述预测时间段和所述对应关系,确定预测数据窗;利用所述预测数据窗选取所述对应关系中的部分对应关系,并将所述部分对应关系输入所述支持向量机模型,得到短路电流零点。
进一步,所述零点预测模块还用于:
根据所述起始时刻和所述预测数据窗长,确定包括所述起始时刻的新的预测时间段;根据预设的重复次数,重复执行步骤3.2-步骤3.4,得到多组短路电流零点,以对所述多组短路电流零点中各零点对应的时间点求平均值,得到短路电流零点。
进一步,所述电力传输线单相接地故障参数包括故障发生位置、过渡电阻和短路合闸相角;
所述短路故障样本数据库中的短路故障样本的个数为所述故障发生位置的个数、所述过渡电阻的个数和所述短路合闸相角的个数的乘积。
附图说明
图1为本发明实施例一提供的一种电力传输线模型图;
图2为基于图1的一种短路电流零点预测方法的流程示意图;
图3为图2中的步骤110的流程示意图;
图4为图2中的步骤130的流程示意图;
图5为基于图4的故障前和故障后的电流波形示意图;
图6为本发明实施例二提供的一种短路电流零点预测系统的结构框图。
附图中,各标号所代表的元件列表如下:
1、电力传输线,2、电力故障,3、短路器,4、左侧系统,5、右侧系统,6、预测数据窗,7、预测数据窗长,8、故障点,9、零点。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例一
如图1所示,其为短路电流零点预测的运用背景。将电力系统网络中的需要进行预测的电力传输线进行等效,建立等效的双端电源结构。当然,本实施例的重点在于预测方法,所以本发明实施例并不局限于上述结构,只要能够实施该预测方法并解决背景技术中存在的技术问题,其他的电力传输线的结构也可,其中,图中虚线箭头代表电流流向。
当电力传输线1上发生电力故障2,此时电流由左侧系统4经由断路器3流向电力传输线1上的电力故障2处,直至右侧系统5。本实施例的短路电流零点预测即为针对发生故障后电流的在线预测,得到故障后电流的零点,进而实现对断路器3的相控开断。其中,短路电流零点预测的方法如下。
一种短路电流零点预测方法100,如图2所示,包括:
步骤110、根据获取的电力传输线的离线数据,训练得到支持向量机模型,离线数据包括性能参数和单相接地故障参数。
步骤120、在线实时采集电路中的包括单相接地故障发生时的电流数据,得到电流数据和时间的对应关系,并确定单相接地故障发生的起始时刻。
步骤130、根据对应关系、起始时刻、预设的预测数据窗长和支持向量机模型,计算得到短路电流零点。
其中,性能参数包括电力传输线的线路长度、线路电阻、电路电感、线路电导和线路电容。
需要说明的是,支持向量机为SupportVectorMachine,简称SVM。通过离线数据,训练得到SVM模型,其中,训练是指:通过把大量离线数据输入给SVM算法,然后SVM算法通过改变自身模型,实现经验总结和逻辑归纳,经过训练过得到的SVM模型,输入与离线数据相关的数据,这个模型就可以自身去做判断。
具体的,如图3所示,步骤110包括:
步骤111、根据性能参数,建立电磁暂态仿真模型。
步骤112、根据单相接地故障参数,建立短路故障样本数据库。
步骤113、对短路故障样本数据库中的短路故障样本数据利用电磁暂态仿真模型计算得到短路电流数据集合。
步骤114、对短路电流数据集合利用支持向量机算法训练得到短路电流数据集合对应的支持向量机模型。
需要说明的是,电磁暂态仿真模型的建立可用各种不同的电磁暂态仿真软件,包括但不限于PSCAD/EMTDC和ATP。另外,步骤112中,利用相应的软件,根据单相接地故障参数,计算得到短路故障样本数据,构成短路故障样本数据库。
另外,因SVM有多种类型,本专利不限于具体的SVM类型。以μ-type的SVM为例,核函数选取为径向基函数(Radial Basis Function简称RBF),训练计算的模型结果为μ参数、γ参数和代价函数,其中,径向基函数(Radial Basis Function简称RBF)是某种沿径向对称的标量函数,其通常定义为空间中任一点到某一中心之间欧氏距离的单调函数;代价函数是用于找到最优解的目的函数;μ参数决定支持向量机(SVM)的类型,γ参数是选择径向基函数作为核函数后,该函数自带的一个参数,隐含地决定了数据映射到新的特征空间后的分布。
步骤120中,在线实时采集电力系统电路中的电流数据和时间的对应关系,可一直采集,也可在识别发生单相接地故障后的一小段时间后停止,步骤130会根据步骤120中确定的单相接地故障发生的起始时刻,对步骤120中采集的对应关系进行处理,确定包括起始时刻的数据窗,利用这个数据窗中的对应关系,进行短路电流零点的预测。
具体的,如图4所示,步骤130包括:
步骤131、根据起始时刻和预设的预测数据窗长,确定包括起始时刻的预测时间段。
步骤132、根据预测时间段和对应关系,确定预测数据窗。
步骤133、利用预测数据窗选取对应关系中的部分对应关系,并将该部分对应关系输入支持向量机模型,得到短路电流零点。
步骤134、根据起始时刻和预测数据窗长,确定包括起始时刻的新的预测时间段。
步骤135、根据预设的重复次数,重复执行步骤132-步骤134,得到多组短路电流零点,以对该多组短路电流零点中各零点对应的时间点求平均值,得到短路电流零点。
需要说明的是,步骤134中,新的预测时间段是之前的预测时间段在时间轴上的左右移动得到的,但新的预测时间段需要包括上述起始时刻,且该新的预测时间段的段长不变,即上述预测数据窗长不变。
步骤135中,以对该多组短路电流零点中各零点对应的时间点求平均值,得到短路电流零点,是指:例如,在一次预测后,得到一组短路电流零点会在13:00、14:00、15:00发生。在第二次预测后,得到一组短路电流零点会在13:01、14:02、15:01发生。那么,最后得到的短路电流零点为:13:00和13:01求平均值,14:00和14:02求平均值,15:00和15:01求平均值,得到最后的短路电流零点。
通过在训练过的SVM模型中输入电流传输线上的电流采样值以及其对应的时间,SVM模型自身通过计算预测出接下来的短路电流零点,用于相控开断操作,其中,零点为短路电流为零的时刻。
需要说明的是,数据窗内必须同时包含故障前电流数据和故障后电流数据,基于支持向量机算法内部构造的超平面,结合故障前数据与故障后数据的差异,定位确切的故障发生时刻,进而实现对故障后数据更精确、快速的计算识别。另外,预设重复次数,得到多组短路电流零点,求平均值,以提高短路电流零点的精确度。
如图5所示,其横坐标为时间,纵坐标为电流幅值,所示曲线对应的电流为电力系统正弦交流。图示竖直虚线处对应的时间点(故障点8)发生电力系统单相接地短路故障。故障后,电流I的幅值大幅上升。当故障发生一段时间后,利用一段故障前的电流和时间对应关系以及故障后的电流和时间对应关系,如图中虚线框所示(该虚线框即为预测数据窗6),其中,预测数据窗长7为如图所示的时间间隔。将对应关系的相关数据输入SVM算法模型中,预测在时间点9处可以得到电流过零点的一个结果,9处对应的坐标点即为一个零点。图中多个虚线框表示进行多次计算,次数可根据情况进行具体选择。
需要说明的是,电力传输线单相接地故障参数包括故障发生位置、过渡电阻和短路合闸相角,而短路故障样本数据库中的短路故障样本的个数为各单相接地故障参数的个数的乘积,例如,故障样本库考虑10个不同的故障位置,10种不同大小的故障电阻以及10种不同的短路合闸相角,则故障样本库有1000种不同的故障。其中,短路合闸相角是指:电路发生故障时,短路的时刻是随机的,为了模拟这个短路时刻,试验中常采用合闸开关来精确控制合闸时刻,这个合闸时刻对应的电位角就是短路合闸相角。
支持向量机(Support Vector Machine,SVM)算法,因其在解决小样本、非线性及高维模式识别中,表现出特别突出的优势,且能够推广应用到函数拟合等其他机器学习问题中,得到了广泛的应用。因此,基于SVM的短路电流零点预测算法,通过完善的样本进行离线训练,确定具有鲁棒性的SVM模型,在获得在线电流数据时,能根据在线获得的短路电流采样值,适应性的计算得到短路电流零点。根据所获得的短路电流零点,进行断路器的相控开断操作,缩短了断路器开断的熄弧过渡过程,减小了触头电侵蚀,延长断路器开关使用寿命,提升了电网的安全运行水平。
实施例二
一种短路电流零点预测系统200,如图6所示,包括:
支持向量机模型建立模块,用于根据获取的电力传输线的离线数据,训练得到支持向量机模型,离线数据包括性能参数和单相接地故障参数
在线数据获取模块,用于在线实时采集电路中的包括单相接地故障发生时的电流数据,得到电流数据和时间的对应关系,并确定单相接地故障发生的起始时刻
零点预测模块,用于根据对应关系、起始时刻、预设的预测数据窗长和支持向量机模型,计算得到短路电流零点。
其中,支持向量机模型建立模块具体用于:根据性能参数,建立电磁暂态仿真模型;根据单相接地故障参数,建立短路故障样本数据库;对短路故障样本数据库中的短路故障样本数据利用电磁暂态仿真模型计算得到短路电流数据集合;对短路电流数据集合利用支持向量机算法训练得到短路电流数据集合对应的支持向量机模型。
其中,电力传输线单相接地故障参数包括故障发生位置、过渡电阻和短路合闸相角;短路故障样本数据库中的短路故障样本的个数为故障发生位置的个数、过渡电阻的个数和短路合闸相角的个数的乘积。
零点预测模块具体用于:根据起始时刻和预设的预测数据窗长,确定包括起始时刻的预测时间段;根据预测时间段和对应关系,确定预测数据窗;利用预测数据窗选取对应关系中的部分对应关系,并将该部分对应关系输入支持向量机模型,得到短路电流零点。
零点预测模块还用于:根据起始时刻和预测数据窗长,确定包括起始时刻的新的预测时间段;根据预设的重复次数,重复进行短路电流零点预测,得到多组预测短路电流零点,以对该多组预测短路电流零点中各零点对应的时间点求平均值,得到短路电流零点。
以上各模块可设置在电力线路继电保护装置当中,预测得到的短路电流零点数据可发送至断路器,断路器根据上述短路电流零点数据进行准确的相控开断操作。
以上所述仅为本发明的较佳实施例,并不用以限制本发明,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 (10)
1.一种短路电流零点预测方法,其特征在于,包括:
步骤1、根据获取的电力传输线的离线数据,训练得到支持向量机模型,所述离线数据包括性能参数和单相接地故障参数;
步骤2、在线实时采集电路中的包括单相接地故障发生时的电流数据,得到所述电流数据和时间的对应关系,并确定所述单相接地故障发生的起始时刻;
步骤3、根据所述对应关系、所述起始时刻、预设的预测数据窗长和所述支持向量机模型,计算得到短路电流零点。
2.根据权利要求1所述的一种短路电流零点预测方法,其特征在于,所述步骤1包括:
步骤1.1、根据所述性能参数,建立电磁暂态仿真模型;
步骤1.2、根据所述单相接地故障参数,建立短路故障样本数据库;
步骤1.3、对所述短路故障样本数据库中的短路故障样本数据利用所述电磁暂态仿真模型计算得到短路电流数据集合;
步骤1.4、对所述短路电流数据集合利用支持向量机算法训练得到所述短路电流数据集合对应的支持向量机模型。
3.根据权利要求1所述的一种短路电流零点预测方法,其特征在于,所述步骤3包括:
步骤3.1、根据所述起始时刻和预设的预测数据窗长,确定包括所述起始时刻的预测时间段;
步骤3.2、根据所述预测时间段和所述对应关系,确定预测数据窗;
步骤3.3、利用所述预测数据窗选取所述对应关系中的部分对应关系,并将所述部分对应关系输入所述支持向量机模型,得到短路电流零点。
4.根据权利要求3所述的一种短路电流零点预测方法,其特征在于,所述步骤3还包括:
步骤3.4、根据所述起始时刻和所述预测数据窗长,确定包括所述起始时刻的新的预测时间段;
步骤3.5、根据预设的重复次数,重复执行步骤3.2-步骤3.4,得到多组短路电流零点,以对所述多组短路电流零点中各零点对应的时间点求平均值,得到短路电流零点。
5.根据权利要求2至4任一项所述的一种短路电流零点预测方法,其特征在于,所述电力传输线单相接地故障参数包括故障发生位置、过渡电阻和短路合闸相角;
所述短路故障样本数据库中的短路故障样本的个数为所述故障发生位置的个数、所述过渡电阻的个数和所述短路合闸相角的个数的乘积。
6.一种短路电流零点预测系统,其特征在于,包括:
支持向量机模型建立模块,用于根据获取的电力传输线的离线数据,训练得到支持向量机模型,所述离线数据包括性能参数和单相接地故障参数;
在线数据获取模块,用于在线实时采集电路中的包括单相接地故障发生时的电流数据,得到所述电流数据和时间的对应关系,并确定所述单相接地故障发生的起始时刻;
零点预测模块,用于根据所述对应关系、所述起始时刻、预设的预测数据窗长和所述支持向量机模型,计算得到短路电流零点。
7.根据权利要求6所述的一种短路电流零点预测系统,其特征在于,所述支持向量机模型建立模块具体用于:
根据所述性能参数,建立电磁暂态仿真模型;根据所述单相接地故障参数,建立短路故障样本数据库;对所述短路故障样本数据库中的短路故障样本数据利用所述电磁暂态仿真模型计算得到短路电流数据集合;对所述短路电流数据集合利用支持向量机算法训练得到所述短路电流数据集合对应的支持向量机模型。
8.根据权利要求6所述的一种短路电流零点预测系统,其特征在于,所述零点预测模块具体用于:
根据所述起始时刻和预设的预测数据窗长,确定包括所述起始时刻的预测时间段;根据所述预测时间段和所述对应关系,确定预测数据窗;利用所述预测数据窗选取所述对应关系中的部分对应关系,并将所述部分对应关系输入所述支持向量机模型,得到短路电流零点。
9.根据权利要求8所述的一种短路电流零点预测系统,其特征在于,所述零点预测模块还用于:
根据所述起始时刻和所述预测数据窗长,确定包括所述起始时刻的新的预测时间段;根据预设的重复次数,重复进行短路零点预测,得到多组短路电流零点,以对所述多组短路电流零点中各零点对应的时间点求平均值,得到短路电流零点。
10.根据权利要求7至9任一所述的一种短路电流零点预测系统,其特征在于,所述电力传输线单相接地故障参数包括故障发生位置、过渡电阻和短路合闸相角;
所述短路故障样本数据库中的短路故障样本的个数为所述故障发生位置的个数、所述过渡电阻的个数和所述短路合闸相角的个数的乘积。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710433251.2A CN107330160A (zh) | 2017-06-09 | 2017-06-09 | 一种短路电流零点预测方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710433251.2A CN107330160A (zh) | 2017-06-09 | 2017-06-09 | 一种短路电流零点预测方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107330160A true CN107330160A (zh) | 2017-11-07 |
Family
ID=60194757
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710433251.2A Withdrawn CN107330160A (zh) | 2017-06-09 | 2017-06-09 | 一种短路电流零点预测方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107330160A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363004A (zh) * | 2018-01-31 | 2018-08-03 | 陕西乐般电力科技有限公司 | 一种电流半波参数读取计算方法 |
CN108761262A (zh) * | 2018-04-28 | 2018-11-06 | 南京南瑞继保电气有限公司 | 一种短路电流过零预测方法 |
CN109797403A (zh) * | 2019-04-05 | 2019-05-24 | 唐山三友氯碱有限责任公司 | 电解槽零点电位差短路自切断集成控制装置 |
CN110297155A (zh) * | 2019-07-18 | 2019-10-01 | 科大智能电气技术有限公司 | 一种小电流接地系统主站准确判断接地故障时刻的方法 |
CN113866635A (zh) * | 2021-12-01 | 2021-12-31 | 山东蓝湾新材料有限公司 | 化工设备中电机故障发生时间的确定方法 |
CN114039412A (zh) * | 2021-09-27 | 2022-02-11 | 广东电网有限责任公司广州供电局 | 一种应用于高压断路器的选相控制方法及装置 |
CN115389812A (zh) * | 2022-10-28 | 2022-11-25 | 国网信息通信产业集团有限公司 | 一种人工神经网络短路电流零点预测方法及预测终端 |
CN116109017A (zh) * | 2023-04-12 | 2023-05-12 | 国网信息通信产业集团有限公司 | 一种短路电流零点快速精准预测方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106129976A (zh) * | 2016-07-12 | 2016-11-16 | 许继集团有限公司 | 基于Hausdorff距离算法的差动保护方法及装置 |
CN106159875A (zh) * | 2015-04-27 | 2016-11-23 | 华中科技大学 | 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 |
CN106300293A (zh) * | 2016-08-31 | 2017-01-04 | 华中科技大学 | 一种基于电力系统底层故障信息的复杂故障串联整合方法 |
-
2017
- 2017-06-09 CN CN201710433251.2A patent/CN107330160A/zh not_active Withdrawn
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106159875A (zh) * | 2015-04-27 | 2016-11-23 | 华中科技大学 | 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 |
CN106129976A (zh) * | 2016-07-12 | 2016-11-16 | 许继集团有限公司 | 基于Hausdorff距离算法的差动保护方法及装置 |
CN106300293A (zh) * | 2016-08-31 | 2017-01-04 | 华中科技大学 | 一种基于电力系统底层故障信息的复杂故障串联整合方法 |
Non-Patent Citations (2)
Title |
---|
PAPIARAY 等: "Support vector machine based fault classification and location of a long transmission line", 《ENGINEERING SCIENCE AND TECHNOLOGY, AN INTERNATIONAL JOURNAL》 * |
URMIL B. PARIKH 等: "SVR-Based Current Zero Estimation Technique for Controlled Fault Interruption in the Series-Compensated Transmission Line", 《IEEE TRANSACTIONS ON POWER DELIVERY 》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108363004A (zh) * | 2018-01-31 | 2018-08-03 | 陕西乐般电力科技有限公司 | 一种电流半波参数读取计算方法 |
CN108761262A (zh) * | 2018-04-28 | 2018-11-06 | 南京南瑞继保电气有限公司 | 一种短路电流过零预测方法 |
CN109797403A (zh) * | 2019-04-05 | 2019-05-24 | 唐山三友氯碱有限责任公司 | 电解槽零点电位差短路自切断集成控制装置 |
CN110297155A (zh) * | 2019-07-18 | 2019-10-01 | 科大智能电气技术有限公司 | 一种小电流接地系统主站准确判断接地故障时刻的方法 |
CN114039412A (zh) * | 2021-09-27 | 2022-02-11 | 广东电网有限责任公司广州供电局 | 一种应用于高压断路器的选相控制方法及装置 |
CN113866635A (zh) * | 2021-12-01 | 2021-12-31 | 山东蓝湾新材料有限公司 | 化工设备中电机故障发生时间的确定方法 |
CN115389812A (zh) * | 2022-10-28 | 2022-11-25 | 国网信息通信产业集团有限公司 | 一种人工神经网络短路电流零点预测方法及预测终端 |
CN116109017A (zh) * | 2023-04-12 | 2023-05-12 | 国网信息通信产业集团有限公司 | 一种短路电流零点快速精准预测方法及系统 |
CN116109017B (zh) * | 2023-04-12 | 2023-06-09 | 国网信息通信产业集团有限公司 | 一种短路电流零点快速精准预测方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107330160A (zh) | 一种短路电流零点预测方法和系统 | |
US11329479B2 (en) | Locating and isolating grid faults utilizing a fast close-open operation | |
EP2779350B1 (en) | Direct current transmission and distribution system and method of operating the same | |
US10958101B2 (en) | Methods and apparatus incorporating topology error estimation for management of an electric power system | |
CN104950216B (zh) | 一种基于波形比较的配电线路故障定位方法 | |
Sneath et al. | DC fault protection of a nine-terminal MMC HVDC grid | |
JP6463772B2 (ja) | 配電系統内部の不安定性を検出および補正するための方法および装置 | |
CN104993462A (zh) | 一种基于模式识别的带统一潮流控制器输电线路的电流暂态量方向保护方法 | |
Gupta et al. | Adaptive protection schemes for the microgrid in a Smart Grid scenario: Technical challenges | |
CN103532108A (zh) | 电力网络中的差动保护 | |
CN105119251A (zh) | 一种适用柔性直流配电系统接地电阻方案的确定方法 | |
Wang et al. | Improved voltage‐based protection scheme for an LVDC distribution network interfaced by a solid state smart transformer | |
CN104361531A (zh) | 变电站自动化系统的高风险故障设备的识别方法和系统 | |
CN101521407A (zh) | 一种三段式失步自适应解列的方法 | |
Liu et al. | Performance of out‐of‐step tripping protection under renewable integration | |
CN104967104A (zh) | 一种带统一潮流控制器的输电线路的暂态能量保护方法 | |
CN108667006B (zh) | 用于提升换流阀可靠性的单阀数字宽频故障风险分析方法 | |
CN104297676A (zh) | 一种风力发电机组的断路器监测方法、装置及系统 | |
CN105391030A (zh) | 基于网络拓扑结构负荷逐渐加载聚合的计划孤岛划分方法 | |
CN106329714B (zh) | 一种动态判断电网开关类型的方法 | |
Xue et al. | Fault location principle and 2‐step isolation scheme for a loop‐type DC grid | |
CN104112240A (zh) | 一种基于拓扑岛分析的停电分析方法 | |
Hussein et al. | Fault location and isolation using multi agent systems in 16 buses distribution system | |
Da Silva et al. | Optimised allocation of sectionalising switches and protection devices in distribution networks by using a reactive tabu search algorithm | |
Yang et al. | Analysis of lightning arrester operating current based on multidimensional neural network for transmission lines |
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 | ||
WW01 | Invention patent application withdrawn after publication | ||
WW01 | Invention patent application withdrawn after publication |
Application publication date: 20171107 |