CN107451557A - 基于经验小波变换与局部能量的输电线路短路故障诊断方法 - Google Patents
基于经验小波变换与局部能量的输电线路短路故障诊断方法 Download PDFInfo
- Publication number
- CN107451557A CN107451557A CN201710634036.9A CN201710634036A CN107451557A CN 107451557 A CN107451557 A CN 107451557A CN 201710634036 A CN201710634036 A CN 201710634036A CN 107451557 A CN107451557 A CN 107451557A
- Authority
- CN
- China
- Prior art keywords
- mrow
- mtd
- msub
- mtr
- phase
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Abstract
本发明涉及一种基于经验小波变换与局部能量的输电线路短路故障诊断方法,其特点是,包括:短路故障电压信号采集、利用经验小波变换方法处理短路故障电压信号获取经验模态、基于经验小波变换的短路故障检测和基于分块局部能量的短路故障分类特征提取,具有科学合理,时‑频分辨率高、抗噪性好,自适应性强,应用效果佳等优点。
Description
技术领域
本发明是一种基于经验小波变换(Empirical Wavelet Transform,EWT)与局部能量(Local Energy,LE)的输电线路故障诊断方法,应用于输电线路短路故障自动诊断。
背景技术
输电线路短路故障诊断是准确判断故障相的基础。而故障相的准确切除减小了故障对电力系统进一步的负面影响,可提升电力系统稳定性,增强系统暂态稳定性和提高供电质量。准确高效的短路故障诊断是输电线路故障针对性治理的基础,由于受输电线路故障位置、故障时刻和过渡电阻等不确定性因素影响,短路故障信号含多种暂态成分,分析复杂,分类难度较大。常见的短路故障诊断一般包括信号处理、特征提取与模式识别三个部分。
信号处理是短路故障分类的基础,现有技术对短路故障信号处理方法多采用时-频分析方法,主要包括小波变换(Wavelet Transform,WT)、小波包变换(Wavelet PacketTransform,WPT)、S变换(S-transform,ST)、经验模态分解(Empirical ModeDecomposition,EMD)、集合经验模态分解(Ensemble Empirical Mode Decomposition,EEMD)等。WT和WPT具有较好的时-频分析能力,但易受噪声干扰,且在高频部分分辨率有限,存在小波基和分解尺度选择困难的问题;ST具有良好的时-频分辨率、抗噪性好,但运算量大,难以处理高采样率的短路故障信号。相较于WT、WPT和ST方法,EMD方法具有良好自适应性,能够将非线性、非平稳信号自适应分解为几个固有模态函数(Intrinsic ModeFunction,IMF),分别表现不同暂态成分,比较ST、WPT、ST等方法,更加便于提取短路故障特征。但是,采用EMD处理短路故障信号时存在模态混叠、虚假模态等缺点,影响了EMD的短路故障时-频特征表现能力。EEMD方法较EMD具有更高的时-频分辨率,且抑制了模态混叠缺陷,但仍然存在重构信号和最后分量包含残余噪声、信号添加不同噪声产生不同数量模态的问题。
发明内容
本发明的目的是,克服现有技术的不足,提出一种科学合理,时-频分辨率高、抗噪性好,自适应性强,应用效果佳的基于经验小波变换与局部能量的输电线路故障诊断方法。
本发明的目的是由以下技术方案来实现的:一种基于经验小波变换与局部能量的输电线路短路故障诊断方法,其特征是,它包括:使用经验小波变换分析短路故障信号,以高频经验模态极大值确定扰动起始时间,以基频经验模态故障发生后一周期内局部能量特征识别故障类型,首先,采用经验小波变换处理原始短路故障电压信号,将信号分解为若干具有紧支撑傅立叶频谱的经验模态;再根据高频分量模极大值点检测故障发生时刻,并分别针对故障发生后1周期内三相电压信号基频经验模态分量构建时-频向量,并分块求取局部能量构建特征向量;最后,以局部能量特征向量为支持向量机的输入,构建基于支持向量机的短路故障分类器,开展故障诊断,具体步骤为,
1)短路故障电压信号采集
利用变电站中的电压互感器,根据二次设备动作,记录短路故障电压信号;
2)利用经验小波变换方法处理短路故障电压信号获取经验模态
经验小波变换方法在构建自适应正交小波滤波器组的基础上,计算近似系数与细节系数,得到更为精确的短路故障信号经验模态分量,更加适用于短路故障信号分析,
经验小波变换的经验模态数可人为指定或自适应确定,在此采用指定经验模态数目的自适应频域分割方法,其分割频谱的初始边界采用包含2个数值的默认参数,故得到3个经验模态分量,
对离散的原始短路故障信号f的频域进行分割,从而将离散的原始短路故障信号f分解为M+1个分量fk(n),以分析不同频域分布的短路故障信号成分,
信号采样频率为100kHz,n为离散采样点,fk(n)为分解后的第k个分量,分解得到的M+1个分量中包含M个经验模态分量和1个残余分量,n为采样点数,n=4000;
首先,通过快速傅里叶变换,得到离散的原始短路故障信号f的频谱f(ω),ω为频率,其傅里叶支撑为[0,50]kHz,得到分割边界Ω0,Ω1,Ω2,Ω3,其中,Ω0=0kHz,Ω3=50kHz,用Λi=[Ωi-1,Ωi],i=1,2,3来表示每个经验模态分量所处的频域区间,Λ1=[Ω0,Ω1],Λ2=[Ω1,Ω2],Λ3=[Ω2,Ω3];
其次,基于以上分割边界,定义1个低通滤波器和2个带通滤波器,尺度函数和经验小波函数的傅里叶变换表达式与分别为式(2)、式(3),
其中,γ为确保相邻区间没有重叠的参数,β(x)为满足式(4)特性的任意函数,
然后,计算尺度函数φ1,根据式(2),i=1与离散的原始短路故障信号f的内积获得近似系数,如式(5)所示,计算小波函数与离散的原始短路故障信号f的内积获得细节系数如式(6)所示,
式中,和为快速傅里叶变换及其逆变换,为求复共轭,
最后,由下式获得经验模态fk
式中,*为卷积;
3)基于经验小波变换的短路故障检测
通过以互感器采样得到的A、B、C三相电压信号,由经验小波变换分解获得的高频分量经验模态分量模极大值点定位短路故障发生时间,具体方法为:如三相起始时间判定结果一致,则以该结果为故障起始时间;如检测结果中三相不一致,但其中两相一致,则以两相一致结果为故障开始时间,即AB故障时,A、C相检测结果相同且与真实值吻合,选取A、C相的检测值作为检测结果;如三相检测结果均不一致,则取最小检测时间为故障开始时间;
4)基于分块局部能量的短路故障分类特征提取
基于分块局部能量的短路故障分类特征提取其过程为在获得短路故障开始时间后,针对故障发生时刻后一周期内短路故障信号的基频分量开展特征提取,以构建分类器特征向量,为有效表现该时段内短路故障信号在时域上的变化特征,采用局部能量为特征,构建短路故障特征向量,即将该时段经验小波变换基频向量分解为等大小的时-频块,计算各个时-频块的局部能量,最终,由全部时-频块的局部能量构成短路故障特征向量;
短路故障信号经过经验小波变换分解得到基频经验模态分量,则故障发生时刻后1个周波的基频经验模态向量维度为1×2000,采样率为100000点/秒,构成时-频向量E,将时-频向量E沿时间轴划分为8个等大小的时-频块S1,S2,…,S8,每个时-频块为125个采样点,时-频块S1,S2,…,S8的能量分别为Z1,Z2,…,Z8,第u个时-频块的能量Zu计算公式为式(9):
Zu=∑|Ev|2u=1,…,8;v=1,…,125 (9)
式(9)中,Ev表示第v个采样点的幅值,
A、B、C三相电压信号特征值均按照式(9)计算,并依次排列得到向量构成局部能量特征向量
5)基于支持向量机的短路故障分类器设计
以局部能量特征向量为分类器输入,识别10类短路故障,识别类型包括:单相接地故障中的A相接地为AG、B相接地为BG、C相接地为CG;相间故障中的AB相间故障为AB、BC相间故障为BC、CA相间故障为CA;两相接地故障中的AB相接地故障为ABG、BC相接地故障为BCG、CA相接地故障为CAG;三相短路故障为ABC,支持向量机参数采用交叉验证法确定。
本发明的一种基于经验小波变换与局部能量的输电线路故障诊断方法,具有科学合理,时-频分辨率高、抗噪性好,自适应性强,应用效果佳等优点。
附图说明
图1为本发明的总体算法流程图;
图2为A相接地故障波形及A、B、C三相局部能量特征图;
图3为B相接地故障波形及A、B、C三相局部能量特征图;
图4为C相接地故障波形及A、B、C三相局部能量特征图;
图5为AB相接地故障波形及A、B、C三相局部能量特征图;
图6为BC相接地故障波形及A、B、C三相局部能量特征图;
图7为CA相接地故障波形及A、B、C三相局部能量特征图;
图8为AB相间障波形及A、B、C三相局部能量特征图;
图9为BC相间障波形及A、B、C三相局部能量特征图;
图10为CA相间障波形及A、B、C三相局部能量特征图;
图11为ABC相间障波形及A、B、C三相局部能量特征图。
具体实施方式
下面结合附图和具体实施例对本发明做进一步描述。
参照图1-图11,本发明的一种基于经验小波变换与局部能量的输电线路短路故障诊断方法,包括:使用经验小波变换分析短路故障信号,以高频经验模态极大值确定扰动起始时间,以基频经验模态故障发生后一周期内局部能量特征识别故障类型,首先,采用经验小波变换处理原始短路故障电压信号,将信号分解为若干具有紧支撑傅立叶频谱的经验模态;再根据高频分量模极大值点检测故障发生时刻,并分别针对故障发生后1周期内三相电压信号基频经验模态分量构建时-频向量,并分块求取局部能量构建特征向量;最后,以局部能量特征向量为支持向量机的输入,构建基于支持向量机的短路故障分类器,开展故障诊断,具体步骤为,
1)短路故障电压信号采集
利用变电站中的电压互感器,根据二次设备动作,记录短路故障电压信号;
2)利用经验小波变换方法处理短路故障电压信号获取经验模态
经验小波变换方法在构建自适应正交小波滤波器组的基础上,计算近似系数与细节系数,得到更为精确的短路故障信号经验模态分量,更加适用于短路故障信号分析,
经验小波变换的经验模态数可人为指定或自适应确定,在此采用指定经验模态数目的自适应频域分割方法,其分割频谱的初始边界采用包含2个数值的默认参数,故得到3个经验模态分量,
对离散的原始短路故障信号f的频域进行分割,从而将离散的原始短路故障信号f分解为M+1个分量fk(n),以分析不同频域分布的短路故障信号成分,
信号采样频率为100kHz,n为离散采样点,fk(n)为分解后的第k个分量,分解得到的M+1个分量中包含M个经验模态分量和1个残余分量,n为采样点数,n=4000;
首先,通过快速傅里叶变换,得到离散的原始短路故障信号f的频谱f(ω),ω为频率,其傅里叶支撑为[0,50]kHz,得到分割边界Ω0,Ω1,Ω2,Ω3,其中,Ω0=0kHz,Ω3=50kHz,用Λi=[Ωi-1,Ωi],i=1,2,3来表示每个经验模态分量所处的频域区间,Λ1=[Ω0,Ω1],Λ2=[Ω1,Ω2],Λ3=[Ω2,Ω3];
其次,基于以上分割边界,定义1个低通滤波器和2个带通滤波器,尺度函数和经验小波函数的傅里叶变换表达式与分别为式(2)、式(3),
其中,γ为确保相邻区间没有重叠的参数,β(x)为满足式(4)特性的任意函数,
然后,计算尺度函数φ1,根据式(2),i=1与离散的原始短路故障信号f的内积获得近似系数,如式(5)所示,计算小波函数与离散的原始短路故障信号f的内积获得细节系数如式(6)所示,
式中,和为快速傅里叶变换及其逆变换,为求复共轭,
最后,由下式获得经验模态fk
式中,*为卷积;
3)基于经验小波变换的短路故障检测
通过以互感器采样得到的A、B、C三相电压信号,由经验小波变换分解获得的高频分量经验模态分量模极大值点定位短路故障发生时间,具体方法为:如三相起始时间判定结果一致,则以该结果为故障起始时间;如检测结果中三相不一致,但其中两相一致,则以两相一致结果为故障开始时间,即AB故障时,A、C相检测结果相同且与真实值吻合,选取A、C相的检测值作为检测结果;如三相检测结果均不一致,则取最小检测时间为故障开始时间;
4)基于分块局部能量的短路故障分类特征提取
基于分块局部能量的短路故障分类特征提取其过程为在获得短路故障开始时间后,针对故障发生时刻后一周期内短路故障信号的基频分量开展特征提取,以构建分类器特征向量,为有效表现该时段内短路故障信号在时域上的变化特征,采用局部能量为特征,构建短路故障特征向量,即将该时段经验小波变换基频向量分解为等大小的时-频块,计算各个时-频块的局部能量,最终,由全部时-频块的局部能量构成短路故障特征向量;
短路故障信号经过经验小波变换分解得到基频经验模态分量,则故障发生时刻后1个周波的基频经验模态向量维度为1×2000,采样率为100000点/秒,构成时-频向量E,将时-频向量E沿时间轴划分为8个等大小的时-频块S1,S2,…,S8,每个时-频块为125个采样点,时-频块S1,S2,…,S8的能量分别为Z1,Z2,…,Z8,第u个时-频块的能量Zu计算公式为式(9):
Zu=∑|Ev|2u=1,…,8;v=1,…,125 (9)
式(9)中,Ev表示第v个采样点的幅值,
A、B、C三相电压信号特征值均按照式(9)计算,并依次排列得到向量构成局部能量特征向量
5)基于支持向量机的短路故障分类器设计
以局部能量特征向量为分类器输入,识别10类短路故障,识别类型包括:单相接地故障中的A相接地为AG、B相接地为BG、C相接地为CG;相间故障中的AB相间故障为AB、BC相间故障为BC、CA相间故障为CA;两相接地故障中的AB相接地故障为ABG、BC相接地故障为BCG、CA相接地故障为CAG;三相短路故障为ABC,支持向量机参数采用交叉验证法确定。
具体实施例:
参照图1-图11,对本发明的一种基于经验小波变换与局部能量的输电线路短路故障诊断方法进行数据仿真验证分析如下:
1)短路故障实验数据仿真
未体现不同故障参数下信号差异性,获得完善训练样本,采用电磁暂态软件PSCAD搭建了一个500kV的双端供电输电线路仿真模型,该输电线路采用Bergeron模型,数据集参数如下:
(1)电压故障初始角设置为0°~90°间随机整数值;
(2)故障过渡电阻设置为0~200Ω间随机整数值;
(3)故障距离设置为10~190km间随机整数值。
2)对短路故障电压数据进行经验小波变换
对原始故障电压信号开展经验小波变换获得其经验模态,经验模态分为三层,分别对应基频经验模态(IMF0)、中频部分经验模态(IMF1)与高频部分经验模态(IMF2)。
3)以经验小波变换分解获得的高频经验模态开展短路故障检测,
通过经验小波变换,分解A、B、C三相电压信号,以各相的高频分量经验模态(IMF2)分量模极大值点定位短路故障发生时间。典型故障定位效果如表1所示,由此可知,本发明的方法具有良好的故障时间检测效果。
表1经验小波变换故障检测效果
4)提取局部能量特征,并构建支持向量机分类器,识别短路故障
提取故障发生后,1周期内(2000采样点)数据分成等长度的8段后,计算各段局部能量特征(每相信号计算得到8维特征),以A、B、C三相的特征构成24维故障特征,输入支持向量机分类器,识别10种短路故障。不同类型故障特征提取结果如图2所示。各类故障的局部能量特征具有明显区别。
5)使用仿真信号验证本发明的有效性
利用PSCAD软件仿真生成在1000组仿真数据,随机选取600组数据(每类60组)用于训练,400组数据(每类40组)用于测试。比较采用不同特征,包括局部能量特征(localEnergy,LE)、香农熵(Shannon Singular Entropy,SE)、能量熵(Energy Entropy,EE)与包括支持向量机(Support vector machine,SVM)、极限学习机(extremely learningmachine,ELM)与BP神经网络(BP neural networks,BPNN)在内的不同分类器结合的分类效果。结果如表2所示,本发明方法分类准确率较其他方法都有提高,尤其识别复合扰动时,优势尤其明显,本发明的方法具有最高的识别精度。
表2对比实验分类准确率
显然,上述实施例仅仅是为清楚地说明所作的举例,并非穷举,并不构成对权利要求保护范围的限定,本领域技术人员根据本发明实施例获得的启示,不经过创造性劳动就能够想到其它实质上等同的替代,均在本发明保护范围内。
Claims (1)
1.一种基于经验小波变换与局部能量的输电线路短路故障诊断方法,其特征是,它包括:使用经验小波变换分析短路故障信号,以高频经验模态极大值确定扰动起始时间,以基频经验模态故障发生后一周期内局部能量特征识别故障类型,首先,采用经验小波变换处理原始短路故障电压信号,将信号分解为若干具有紧支撑傅立叶频谱的经验模态;再根据高频分量模极大值点检测故障发生时刻,并分别针对故障发生后1周期内三相电压信号基频经验模态分量构建时-频向量,并分块求取局部能量构建特征向量;最后,以局部能量特征向量为支持向量机的输入,构建基于支持向量机的短路故障分类器,开展故障诊断,具体步骤为,
1)短路故障电压信号采集
利用变电站中的电压互感器,根据二次设备动作,记录短路故障电压信号;
2)利用经验小波变换方法处理短路故障电压信号获取经验模态
经验小波变换方法在构建自适应正交小波滤波器组的基础上,计算近似系数与细节系数,得到更为精确的短路故障信号经验模态分量,更加适用于短路故障信号分析,
经验小波变换的经验模态数可人为指定或自适应确定,在此采用指定经验模态数目的自适应频域分割方法,其分割频谱的初始边界采用包含2个数值的默认参数,故得到3个经验模态分量,
对离散的原始短路故障信号f的频域进行分割,从而将离散的原始短路故障信号f分解为M+1个分量fk(n),以分析不同频域分布的短路故障信号成分,
<mrow>
<mi>f</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mi>M</mi>
</munderover>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
</mrow>
信号采样频率为100kHz,n为离散采样点,fk(n)为分解后的第k个分量,分解得到的M+1个分量中包含M个经验模态分量和1个残余分量,n为采样点数,n=4000;
首先,通过快速傅里叶变换,得到离散的原始短路故障信号f的频谱f(ω),ω为频率,其傅里叶支撑为[0,50]kHz,得到分割边界Ω0,Ω1,Ω2,Ω3,其中,Ω0=0kHz,Ω3=50kHz,用Λi=[Ωi-1,Ωi],i=1,2,3来表示每个经验模态分量所处的频域区间,Λ1=[Ω0,Ω1],Λ2=[Ω1,Ω2],Λ3=[Ω2,Ω3];
其次,基于以上分割边界,定义1个低通滤波器和2个带通滤波器,尺度函数和经验小波函数的傅里叶变换表达式与分别为式(2)、式(3),
<mrow>
<msub>
<mover>
<mi>&phi;</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
</mrow>
</mtd>
</mtr>
</mtable>
<mo>&le;</mo>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
</mrow>
<msub>
<mi>&Omega;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mo>&lsqb;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msub>
<mi>&gamma;&Omega;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>(</mo>
<mrow>
<mrow>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>&Omega;</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
<msub>
<mi>&Omega;</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
<mo>&le;</mo>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
<msub>
<mi>&Omega;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>2</mn>
<mo>)</mo>
</mrow>
</mrow>
1
<mrow>
<msub>
<mover>
<mi>&psi;</mi>
<mo>^</mo>
</mover>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>&omega;</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>)</mo>
<msub>
<mi>&Omega;</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
<mo>&le;</mo>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>cos</mi>
<mo>&lsqb;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msub>
<mi>&gamma;&Omega;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mfrac>
<mo>(</mo>
<mrow>
<mrow>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
<mo>&le;</mo>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
<mo>&le;</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>)</mo>
<msub>
<mi>&Omega;</mi>
<mrow>
<mi>i</mi>
<mo>+</mo>
<mn>1</mn>
</mrow>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>sin</mi>
<mo>&lsqb;</mo>
<mfrac>
<mi>&pi;</mi>
<mn>2</mn>
</mfrac>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mrow>
<mn>2</mn>
<msub>
<mi>&gamma;&Omega;</mi>
<mi>i</mi>
</msub>
</mrow>
</mfrac>
<mo>(</mo>
<mrow>
<mrow>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
</mrow>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mrow>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
</mrow>
<mo>)</mo>
</mrow>
<msub>
<mi>&Omega;</mi>
<mi>i</mi>
</msub>
</mrow>
<mo>)</mo>
<mo>)</mo>
</mrow>
<mo>&rsqb;</mo>
<mo>,</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>-</mo>
<mi>&gamma;</mi>
<mo>)</mo>
<msub>
<mi>&Omega;</mi>
<mi>i</mi>
</msub>
<mo>&le;</mo>
<mo>|</mo>
<mi>&omega;</mi>
<mo>|</mo>
<mo>&le;</mo>
<mo>(</mo>
<mn>1</mn>
<mo>+</mo>
<mi>&gamma;</mi>
<mo>)</mo>
<msub>
<mi>&Omega;</mi>
<mi>i</mi>
</msub>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>o</mi>
<mi>t</mi>
<mi>h</mi>
<mi>e</mi>
<mi>r</mi>
<mi>w</mi>
<mi>i</mi>
<mi>s</mi>
<mi>e</mi>
</mrow>
</mtd>
</mtr>
</mtable>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>3</mn>
<mo>)</mo>
</mrow>
</mrow>
其中,γ为确保相邻区间没有重叠的参数,β(x)为满足式(4)特性的任意函数,
<mrow>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mfenced open = "{" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<mn>0</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&le;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>&beta;</mi>
<mrow>
<mo>(</mo>
<mi>x</mi>
<mo>+</mo>
<mn>1</mn>
<mo>)</mo>
</mrow>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&Element;</mo>
<mo>&lsqb;</mo>
<mn>0</mn>
<mo>,</mo>
<mn>1</mn>
<mo>&rsqb;</mo>
</mrow>
</mtd>
</mtr>
<mtr>
<mtd>
<mrow>
<mn>1</mn>
<mo>,</mo>
</mrow>
</mtd>
<mtd>
<mrow>
<mi>x</mi>
<mo>&GreaterEqual;</mo>
<mn>1</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>4</mn>
<mo>)</mo>
</mrow>
</mrow>
然后,计算尺度函数φ1,根据式(2),i=1与离散的原始短路故障信号f的内积获得近似系数,如式(5)所示,计算小波函数与离散的原始短路故障信号f的内积获得细节系数如式(6)所示,
式中,和为快速傅里叶变换及其逆变换,为求复共轭,
最后,由下式获得经验模态fk
<mrow>
<msub>
<mi>f</mi>
<mn>0</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>W</mi>
<mi>f</mi>
<mi>e</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mn>1</mn>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>&phi;</mi>
<mn>1</mn>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>7</mn>
<mo>)</mo>
</mrow>
</mrow>
<mrow>
<msub>
<mi>f</mi>
<mi>k</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mi>W</mi>
<mi>f</mi>
<mi>e</mi>
</msubsup>
<mrow>
<mo>(</mo>
<mi>i</mi>
<mo>,</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>*</mo>
<msub>
<mi>&psi;</mi>
<mi>i</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mo>,</mo>
<mi>i</mi>
<mo>=</mo>
<mn>2</mn>
<mo>,</mo>
<mn>3</mn>
<mo>-</mo>
<mo>-</mo>
<mo>-</mo>
<mrow>
<mo>(</mo>
<mn>8</mn>
<mo>)</mo>
</mrow>
</mrow>
式中,*为卷积;
3)基于经验小波变换的短路故障检测
通过以互感器采样得到的A、B、C三相电压信号,由经验小波变换分解获得的高频分量经验模态分量模极大值点定位短路故障发生时间,具体方法为:如三相起始时间判定结果一致,则以该结果为故障起始时间;如检测结果中三相不一致,但其中两相一致,则以两相一致结果为故障开始时间,即AB故障时,A、C相检测结果相同且与真实值吻合,选取A、C相的检测值作为检测结果;如三相检测结果均不一致,则取最小检测时间为故障开始时间;
4)基于分块局部能量的短路故障分类特征提取
基于分块局部能量的短路故障分类特征提取其过程为在获得短路故障开始时间后,针对故障发生时刻后一周期内短路故障信号的基频分量开展特征提取,以构建分类器特征向量,为有效表现该时段内短路故障信号在时域上的变化特征,采用局部能量为特征,构建短路故障特征向量,即将该时段经验小波变换基频向量分解为等大小的时-频块,计算各个时-频块的局部能量,最终,由全部时-频块的局部能量构成短路故障特征向量;
短路故障信号经过经验小波变换分解得到基频经验模态分量,则故障发生时刻后1个周波的基频经验模态向量维度为1×2000,采样率为100000点/秒,构成时-频向量E,将时-频向量E沿时间轴划分为8个等大小的时-频块S1,S2,…,S8,每个时-频块为125个采样点,时-频块S1,S2,…,S8的能量分别为Z1,Z2,…,Z8,第u个时-频块的能量Zu计算公式为式(9):
Zu=∑|Ev|2u=1,…,8;v=1,…,125 (9)
式(9)中,Ev表示第v个采样点的幅值,
A、B、C三相电压信号特征值均按照式(9)计算,并依次排列得到向量构成局部能量特征向量
5)基于支持向量机的短路故障分类器设计
以局部能量特征向量为分类器输入,识别10类短路故障,识别类型包括:单相接地故障中的A相接地为AG、B相接地为BG、C相接地为CG;相间故障中的AB相间故障为AB、BC相间故障为BC、CA相间故障为CA;两相接地故障中的AB相接地故障为ABG、BC相接地故障为BCG、CA相接地故障为CAG;三相短路故障为ABC,支持向量机参数采用交叉验证法确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710634036.9A CN107451557B (zh) | 2017-07-29 | 2017-07-29 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710634036.9A CN107451557B (zh) | 2017-07-29 | 2017-07-29 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107451557A true CN107451557A (zh) | 2017-12-08 |
CN107451557B CN107451557B (zh) | 2020-06-23 |
Family
ID=60489680
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710634036.9A Active CN107451557B (zh) | 2017-07-29 | 2017-07-29 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107451557B (zh) |
Cited By (19)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832709A (zh) * | 2017-11-10 | 2018-03-23 | 辽宁师范大学 | 基于经验小波变换进行特征提取的脑电情感识别方法 |
CN108053128A (zh) * | 2017-12-25 | 2018-05-18 | 东南大学 | 一种基于elm和tf的电网暂态稳定快速评估方法 |
CN108828301A (zh) * | 2018-03-07 | 2018-11-16 | 江苏大学 | 一种基于复小波变换与Teager能量算子的电压跌落检测方法 |
CN109085461A (zh) * | 2018-07-20 | 2018-12-25 | 江苏安方电力科技有限公司 | 采用小波变换能量进行配电网单相高阻接地阻抗计算的方法 |
CN109211568A (zh) * | 2018-09-19 | 2019-01-15 | 四川大学 | 基于条件经验小波变换的滚动轴承故障诊断方法 |
CN109241849A (zh) * | 2018-08-07 | 2019-01-18 | 浙江大学 | 面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法 |
CN109269629A (zh) * | 2018-08-03 | 2019-01-25 | 河海大学 | 基于经验小波变换的特高压并联电抗器振动信号分析方法 |
CN109375041A (zh) * | 2018-12-24 | 2019-02-22 | 华北科技学院 | 小电流接地系统单相接地故障判断方法 |
CN109782158A (zh) * | 2019-02-19 | 2019-05-21 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN109828181A (zh) * | 2019-01-09 | 2019-05-31 | 上海电力学院 | 一种基于modwt的变压器绕组轻微故障检测方法 |
CN111238808A (zh) * | 2020-02-04 | 2020-06-05 | 沈阳理工大学 | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 |
CN111397896A (zh) * | 2020-03-08 | 2020-07-10 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
CN111504635A (zh) * | 2020-04-21 | 2020-08-07 | 哈尔滨理工大学 | 基于差分进化概率神经网络的行星齿轮故障诊断方法 |
CN112255495A (zh) * | 2020-09-10 | 2021-01-22 | 西安理工大学 | 一种微电网高阻故障检测方法 |
CN112444758A (zh) * | 2020-11-18 | 2021-03-05 | 合肥工业大学 | 一种智能配电网线路故障诊断及分类评估方法 |
CN112834959A (zh) * | 2021-01-04 | 2021-05-25 | 福州大学 | 基于高频特征提取的直流配电系统故障检测方法 |
CN112836390A (zh) * | 2021-03-04 | 2021-05-25 | 南京邮电大学 | 一种变流器故障检测方法、系统及存储介质 |
CN113125902A (zh) * | 2021-04-19 | 2021-07-16 | 福州大学 | 基于iewt和imdmf的直流配电系统故障检测方法 |
CN114034966A (zh) * | 2021-10-13 | 2022-02-11 | 国电南瑞科技股份有限公司 | 一种基于支持向量机的输电线路故障识别方法和装置 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5640103A (en) * | 1994-06-30 | 1997-06-17 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CN101593971A (zh) * | 2009-04-22 | 2009-12-02 | 北京四方继保自动化股份有限公司 | 一种基于故障谐振频率的保护方法 |
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 |
CN103116090A (zh) * | 2013-01-21 | 2013-05-22 | 江南大学 | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 |
CN103713237A (zh) * | 2013-12-30 | 2014-04-09 | 华北电力大学 | 一种电力系统输电线路短路故障诊断方法 |
CN104502795A (zh) * | 2014-11-26 | 2015-04-08 | 国家电网公司 | 一种适用于微电网的智能故障诊断方法 |
CN105095566A (zh) * | 2015-06-29 | 2015-11-25 | 南京航空航天大学 | 一种基于小波分析和svm的逆变器故障诊断方法 |
CN105093066A (zh) * | 2015-08-12 | 2015-11-25 | 华北电力大学 | 基于小波分析与支持向量机的线路故障判断方法 |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
CN106568607A (zh) * | 2016-11-04 | 2017-04-19 | 东南大学 | 一种基于经验小波变换碰摩声发射故障诊断方法 |
-
2017
- 2017-07-29 CN CN201710634036.9A patent/CN107451557B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5640103A (en) * | 1994-06-30 | 1997-06-17 | Siemens Corporate Research, Inc. | Radial basis function neural network autoassociator and method for induction motor monitoring |
CN101593971A (zh) * | 2009-04-22 | 2009-12-02 | 北京四方继保自动化股份有限公司 | 一种基于故障谐振频率的保护方法 |
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 |
CN103116090A (zh) * | 2013-01-21 | 2013-05-22 | 江南大学 | 一种基于小波包分析和支持向量机的三相pwm整流器故障诊断方法 |
CN103713237A (zh) * | 2013-12-30 | 2014-04-09 | 华北电力大学 | 一种电力系统输电线路短路故障诊断方法 |
CN104502795A (zh) * | 2014-11-26 | 2015-04-08 | 国家电网公司 | 一种适用于微电网的智能故障诊断方法 |
CN105095566A (zh) * | 2015-06-29 | 2015-11-25 | 南京航空航天大学 | 一种基于小波分析和svm的逆变器故障诊断方法 |
CN105093066A (zh) * | 2015-08-12 | 2015-11-25 | 华北电力大学 | 基于小波分析与支持向量机的线路故障判断方法 |
CN106568607A (zh) * | 2016-11-04 | 2017-04-19 | 东南大学 | 一种基于经验小波变换碰摩声发射故障诊断方法 |
CN106405339A (zh) * | 2016-11-11 | 2017-02-15 | 中国南方电网有限责任公司 | 基于高低频小波特征关联的输电线路故障原因辨识方法 |
Non-Patent Citations (4)
Title |
---|
M GEETHANJALI: ""Combined Wavelet transforms and neural network(WNN) based fault detection and classification in transmission lines"", 《2009 INTERNATIONAL CONFERENCE ON CONTROL,AUTOMATION,COMMUNICATION AND ENERGY CONSERVATION》 * |
张明光等: ""基于小波能量熵和支持向量机的高压输电线路故障选相方法研究"", 《电气自动化》 * |
李志农等: ""基于经验小波变换的机械故障诊断方法研究"", 《仪器仪表学报》 * |
王奉涛等: ""基于小波包分解的频带局部能量特征提取方法"", 《农业机械学报》 * |
Cited By (30)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107832709A (zh) * | 2017-11-10 | 2018-03-23 | 辽宁师范大学 | 基于经验小波变换进行特征提取的脑电情感识别方法 |
CN108053128A (zh) * | 2017-12-25 | 2018-05-18 | 东南大学 | 一种基于elm和tf的电网暂态稳定快速评估方法 |
CN108053128B (zh) * | 2017-12-25 | 2021-07-09 | 东南大学 | 一种基于elm和tf的电网暂态稳定快速评估方法 |
CN108828301A (zh) * | 2018-03-07 | 2018-11-16 | 江苏大学 | 一种基于复小波变换与Teager能量算子的电压跌落检测方法 |
CN109085461A (zh) * | 2018-07-20 | 2018-12-25 | 江苏安方电力科技有限公司 | 采用小波变换能量进行配电网单相高阻接地阻抗计算的方法 |
CN109085461B (zh) * | 2018-07-20 | 2020-11-24 | 江苏安方电力科技有限公司 | 采用小波变换能量进行配电网单相高阻接地阻抗计算的方法 |
CN109269629A (zh) * | 2018-08-03 | 2019-01-25 | 河海大学 | 基于经验小波变换的特高压并联电抗器振动信号分析方法 |
CN109241849A (zh) * | 2018-08-07 | 2019-01-18 | 浙江大学 | 面向智能电厂汽轮机主机的经验模态和小波分解及特征选择的故障诊断方法 |
CN109241849B (zh) * | 2018-08-07 | 2021-02-09 | 浙江大学 | 面向智能电厂汽轮机主机的特征分解选择与故障诊断方法 |
CN109211568B (zh) * | 2018-09-19 | 2019-11-15 | 四川大学 | 基于条件经验小波变换的滚动轴承故障诊断方法 |
CN109211568A (zh) * | 2018-09-19 | 2019-01-15 | 四川大学 | 基于条件经验小波变换的滚动轴承故障诊断方法 |
CN109375041A (zh) * | 2018-12-24 | 2019-02-22 | 华北科技学院 | 小电流接地系统单相接地故障判断方法 |
CN109375041B (zh) * | 2018-12-24 | 2021-01-05 | 华北科技学院 | 小电流接地系统单相接地故障判断方法 |
CN109828181A (zh) * | 2019-01-09 | 2019-05-31 | 上海电力学院 | 一种基于modwt的变压器绕组轻微故障检测方法 |
CN109782158B (zh) * | 2019-02-19 | 2020-11-06 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN109782158A (zh) * | 2019-02-19 | 2019-05-21 | 桂林电子科技大学 | 一种基于多级分类的模拟电路诊断方法 |
CN111238808A (zh) * | 2020-02-04 | 2020-06-05 | 沈阳理工大学 | 一种基于经验模态分解与改进变分模态分解的齿轮箱复合故障诊断方法 |
CN111397896B (zh) * | 2020-03-08 | 2020-12-18 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
CN111397896A (zh) * | 2020-03-08 | 2020-07-10 | 华中科技大学 | 一种旋转机械故障诊断方法、系统及存储介质 |
CN111504635A (zh) * | 2020-04-21 | 2020-08-07 | 哈尔滨理工大学 | 基于差分进化概率神经网络的行星齿轮故障诊断方法 |
CN112255495A (zh) * | 2020-09-10 | 2021-01-22 | 西安理工大学 | 一种微电网高阻故障检测方法 |
CN112255495B (zh) * | 2020-09-10 | 2023-10-24 | 西安理工大学 | 一种微电网高阻故障检测方法 |
CN112444758B (zh) * | 2020-11-18 | 2021-09-14 | 合肥工业大学 | 一种智能配电网线路故障诊断及分类评估方法 |
CN112444758A (zh) * | 2020-11-18 | 2021-03-05 | 合肥工业大学 | 一种智能配电网线路故障诊断及分类评估方法 |
CN112834959A (zh) * | 2021-01-04 | 2021-05-25 | 福州大学 | 基于高频特征提取的直流配电系统故障检测方法 |
CN112836390B (zh) * | 2021-03-04 | 2022-09-16 | 南京邮电大学 | 一种变流器故障检测方法、系统及存储介质 |
CN112836390A (zh) * | 2021-03-04 | 2021-05-25 | 南京邮电大学 | 一种变流器故障检测方法、系统及存储介质 |
CN113125902A (zh) * | 2021-04-19 | 2021-07-16 | 福州大学 | 基于iewt和imdmf的直流配电系统故障检测方法 |
CN113125902B (zh) * | 2021-04-19 | 2022-07-22 | 福州大学 | 基于iewt和imdmf的直流配电系统故障检测方法 |
CN114034966A (zh) * | 2021-10-13 | 2022-02-11 | 国电南瑞科技股份有限公司 | 一种基于支持向量机的输电线路故障识别方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN107451557B (zh) | 2020-06-23 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107451557A (zh) | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 | |
CN103713237B (zh) | 一种电力系统输电线路短路故障诊断方法 | |
CN107167702A (zh) | 一种配电网馈线故障类型识别方法及装置 | |
CN206114822U (zh) | 一种电力变压器绕组形变状态多信息检测装置 | |
CN109977920A (zh) | 基于时频谱图及卷积神经网络的水轮机组故障诊断方法 | |
EP3043186B1 (en) | Method and system for identifying full parameters of element by fault recorder, and fault locating method | |
CN106443316A (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
CN106771520B (zh) | 一种配电网暂时过电压分类识别方法及装置 | |
CN103323718A (zh) | 一种容性高压设备绝缘老化诊断试验系统及其工作方法 | |
CN103018632B (zh) | 基于费歇信息的小电流接地系统单相接地故障选线方法 | |
Abdollahi et al. | Comparison of fourier & wavelet transform methods for transmission line fault classification | |
CN108693437B (zh) | 一种判断变压器绕组变形的方法及系统 | |
CN106291261A (zh) | 混联配电网单相接地故障的定位方法 | |
CN106019076A (zh) | 一种高压直流输电线路故障测距方法 | |
Ngaopitakkul et al. | Combination of discrete wavelet transform and probabilistic neural network algorithm for detecting fault location on transmission system | |
CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
CN109142851A (zh) | 一种新型的配电网内部过电压识别方法 | |
Usama et al. | Design and implementation of a wavelet analysis‐based shunt fault detection and identification module for transmission lines application | |
CN110244122A (zh) | 电力系统谐振过电压检测与控制方法 | |
CN104655967B (zh) | 配电变压器绕组振动信号特征量提取方法 | |
CN110007198A (zh) | 一种新型的单相接地故障启动方法 | |
CN111157843B (zh) | 一种基于时频域行波信息的配电网选线方法 | |
Ngaopitakkul et al. | Application of probabilistic neural network with transmission and distribution protection schemes for classification of fault types on radial, loop, and underground structures | |
CN111896890B (zh) | 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统 | |
Lai et al. | RMS percent of wavelet transform for the detection of stochastic high impedance faults |
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 |