CN107561407B - 一种分布式的变电站接地网检测和评估方法 - Google Patents
一种分布式的变电站接地网检测和评估方法 Download PDFInfo
- Publication number
- CN107561407B CN107561407B CN201710711942.4A CN201710711942A CN107561407B CN 107561407 B CN107561407 B CN 107561407B CN 201710711942 A CN201710711942 A CN 201710711942A CN 107561407 B CN107561407 B CN 107561407B
- Authority
- CN
- China
- Prior art keywords
- grounding
- transformer substation
- characteristic parameters
- network
- conductor
- 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.)
- Active
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 28
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 239000004020 conductor Substances 0.000 claims abstract description 54
- 239000002689 soil Substances 0.000 claims abstract description 20
- 238000013461 design Methods 0.000 claims abstract description 8
- 239000013598 vector Substances 0.000 claims description 31
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 claims description 29
- 238000013528 artificial neural network Methods 0.000 claims description 24
- 238000000034 method Methods 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 12
- 238000009412 basement excavation Methods 0.000 claims description 9
- 238000005259 measurement Methods 0.000 claims description 8
- 238000004364 calculation method Methods 0.000 claims description 6
- 210000002569 neuron Anatomy 0.000 claims description 6
- 210000004205 output neuron Anatomy 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 4
- 238000012806 monitoring device Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 230000007797 corrosion Effects 0.000 description 2
- 238000005260 corrosion Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000011897 real-time detection Methods 0.000 description 2
- 238000003466 welding Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
Landscapes
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于变电站接地网的技术领域，尤其涉及一种分布式的变电站接地网检测和评估方法。是根据变电站接地网设计文件，反演变电站内的土壤模型，以及变电站接地网的工频接地阻抗值；计算接地故障发生时变电站内的地电位升高、跨步电压和接触电压特征参数；计算不同地点发生故障的情况下变电站的地电位升，跨步电压和接触电压特征参数；结合分布式接地网状态评估装置，对接地网的接地导体运行状态进行检测，并对不同故障地点时，接地导体当前状态下接地网特征参数进行计算；对导体的当前状态进行比较识别，得出当前变电站内接地装置的整体性评估结果。本发明能够实现对接地网接地导体运行状态的跟踪，及时采取措施，排除影响设备和人员安全的事故。
Description
技术领域
本发明属于变电站接地网的技术领域，尤其涉及一种分布式的变电站接地网检测和评估方法，具体是一种分布式的变电站接地网状态检测和评估方法。
背景技术
接地网是变电站内重要的设备之一，变电站发生接地短路故障时，短路电流经接地网散入大地，并起到均压的作用，保护站内的人员和设备安全。随着投运时间的增加，接地网因腐蚀、老化等原因，性能恶化现象不可避免，因此引发的事故时有发生。变电站的接地网属于一种半免维护的设备，在变电站新建阶段埋入地下，设计寿命与变电站地上设备一致。由于种种原因，变电站接地网材料的焊接连接处，随着时间的推移，经常出现腐蚀或断裂的现象，连接于此的地上设备在接地短路故障发生时，不能及时疏导短路电流，严重威胁设备本体、邻近设备或人员的安全。
根据现行的规程要求，应定期对变电站接地网的整体状态进行评估。接地网状态评估的主要方法是对接地阻抗、跨步电压、接触电压以及变电站内的电位分布进行测量和分析，对于接地网材质的检查主要依靠开挖手段来实现，除了工作量大，还存在天气、仪器等诸多影响测量结果的因素，不利于接地网整体状态的正确评估。
发明内容
针对现有技术中的不足，本发明提供了一种分布式的变电站接地网检测和评估方法。其目的是为了实现接地网状态参数的计算，而且可以模拟系统在不同的地点发生接地故障时，站内的电位分布、接触电压、跨步电压等参数的情况。
为了实现上述发明目的，本发明是通过以下技术方案来实现的：
一种分布式的变电站接地网检测和评估方法，包括以下步骤：
步骤1：根据变电站接地网的设计文件，反演变电站内的土壤模型，以及变电站接地网的工频接地阻抗值；
步骤2：计算接地故障发生时，变电站内的地电位升高、跨步电压和接触电压特征参数；
步骤3：利用仿真软件针对接地导体断裂时，计算不同地点发生故障的情况下变电站的地电位升，跨步电压和接触电压特征参数；
步骤4：结合分布式接地网状态评估装置，对接地网的接地导体运行状态进行检测，并对不同故障地点时，接地导体当前状态下接地网特征参数进行计算；
步骤5：利用ART-2型神经网络对导体的当前状态进行比较识别，得出当前变电站内接地装置的整体性评估结果；ART-2型神经网络主要分为网络初始化阶段和比较阶段。
所述步骤1中的接地网土壤模型反演根据设计文件中的土壤电阻率测量数据得到：
ρ＝2πaU/I (1)；
式(1)中：ρ为土壤电阻率；a为测试时两个电极之间的距离；U为测试时两个电位极之间的电位差；I为测试电流；计算出土壤电阻率ρ与电极间距a之间的关系曲线，得到站址的土壤模型；变电站内发生接地故障时的接地网特征参数计算，均是在接地网完好的状态下进行的。
所述步骤2中计算接地故障发生在不同地点时，接地导体连接良好的状态下，对接地网特征参数包括接地阻抗、地电位升、跨步电压、接触电压进行计算。
所述步骤3中的不同地点发生故障时，接地导体断裂的状态下，对接地网特征参数，包括接地阻抗、地电位升、跨步电压、接触电压进行计算。
所述步骤4中的接地网特征参数，包括地电位升，跨步电压和接触电压等均是以变电站接地网当前的状态下，不同地点发生接地故障时，计算得出的结果。
所述步骤5中的利用ART-2型神经网络对导体的当前状态进行比较识别的过程主要包括：
步骤5.1：根据步骤1中对接地网导体状态完好时，计算得出的接地网特征参数，建立ART-2型神经网络比较层神经元的连接权值；
步骤5.2：根据步骤2中对接地网导体断裂时，计算得出的接地网特征参数，补充至ART-2型神经网络比较层神经元的连接权值，并设定相应的相似度阈值；
步骤5.3：根据接地导体当前的状态，计算得出的特征参数作为ART-2网络的输入，进行状态识别；
步骤5.4：比较此时的各种特征参数是否满足安全限值的要求，若满足要求则进行下一步判断；若不满足要求，记录并报告该参数，结束；
步骤5.5：对当前状态进行置信度判断，若置信度大于设定的阈值，则目前的运行状态良好；若小于阈值，则需要对接地导体的情况密切关注，必要时进行开挖检查，出现问题及时处理。
所述步骤5.1和步骤5.2中所述的连接权值，包括站内地电位升、跨步电压、接触电压以及站外跨步电压、接触电压。
所述步骤5中ART-2型神经网络主要分为网络初始化阶段和比较阶段，实现的方法还可以为：
步骤5.1：根据步骤1-步骤3计算的数据，建立ART-2型神经网络，连接权值初始化为接地网完好时的各特征参数，以及接地网节点出现严重腐蚀和断裂时的特征参数，包括接地阻抗、地电位升、跨步电压、接触电压等，并设定置信度阈值；每个故障点网络的输出有两种状态，状态完好，以及接地导体断裂，如有n个故障点，则网络的输出神经元为2n个；并设定相似度阈值；
步骤5.2：根据状态监测装置的测量数据，仿真计算当前状态下，对应接地导体在不同故障地点情况下的特征参数；
步骤5.3：根据计算的特征参数，输出到建立的ART-2神经网络模型，得到网络的输出结果；
步骤5.4：网络输出结果与相似度阈值比较，若输出结果显示当前状态为良好且大于相似度阈值，则判断当前运行状态良好。
所述步骤5.4：网络输出结果与相似度阈值比较，若输出结果显示当前状态为良好且大于相似度阈值，则判断当前运行状态良好，本步骤的具体实现方法为：
设网络输入为Y＝(y1,y2,Λ,n)T,该式中Y表示输入向量，y1,y2,Λyn表示输入向量中的元素,T表示转置，则中间节点向量Z和S的第i个元素zi与si的运算方程为：
zi＝yi+aui (2)；
公式(2)中：yi表示输入向量Y的第i个元素,a为下层网络的内部反馈，ui表示中间层节点U的第i个元素；
公式(3)中：zi表示中间层节点Z的第i个元素，||Z||表示中间层节点向量Z的模；
中间节点向量G和U的第i个元素gi与ui的方程如式(4)-(6)所示；
gi＝f(si)+bf(li) (4)；
公式(4)中：si表示中间层节点S的第i个元素，li表示中间层节点L的第i个元素，b代表下层网络的内部反馈,f(x)为传送信号的非线性变换；
公式(5)中：gi表示中间层节点G的第i个元素，ui表示中间层节点U的第i个元素，||G||表示中间层节点向量G的模；
公式(6)中：x为自变量，θ为阈值；
式(7)与(8)为中间节点向量P和L的第i个元素pi和li的方程:
pi＝ui+dtij (7)；
公式(7)中：ui表示中间层节点U的第i个元素，d为调整系数，tij表示反馈连接权值；
公式(8)中：pi表示中间层节点P的第i个元素，||P||表示中间层节点向量P的模；
第k个节点的输出值为：
公式(9)中：pi表示中间层节点P的第i个元素，wij表示前馈连接权值,n表示输出神经元的个数；
计算置信度：
公式(10)中：c表示相似度调整系数，||P||表示中间层节点向量P的模，U为中间层节点向量；
若网络识别为状态良好(hk＞h2k，k＝1,2,Λ,n。hk为第k个故障点接地导体良好时的状态输出，h2k第k个故障点接地导体断裂时的状态输出)，且置信度大于设定的阈值，则接地网最终的评估结果为良好，否则需要关注，必要时进行开挖检测，发现问题及时处理。
本发明具有以下有益效果及优点：
本发明由于包括反演变电站站址的土壤类型并计算工频接地阻抗；模拟不同故障点时，接地导体连接良好时的接地网特征参数；模拟不同故障点时，接地导体断裂时时的接地网特征参数；利用分布式测试装置检测接地导体的当前状态，并计算不同地点故障时的特征参数；利用人工神经网络对接地导体当前的状态进行评估。因此，本发明能够解决目前变电站接地网络实时检测及状态评估的要求，提出了一种采用分布式布置的检测装置的接地网检测和评估方法，能够实现对接地网接地导体运行状态的跟踪，并在不进行开挖以及现场试验的情况下对接地网的整体状态进行仿真和评估。
本发明能够解决目前变电站接地网络实时检测及状态评估的要求，本发明的评估方法可以实现对变电站接地网运行情况进行实时监测跟踪，不需要开挖，以及进行现场接地阻抗，跨步电压，接触电压等实际测试。结合实地的测量数据，实现接地网状态参数的计算。本发明的诊断方法可以模拟不同地点发生故障时，当前接地装置状态下，变电站内的地电位升、跨步电压、接触电压等特征参数，可以及时采取措施，排除影响设备和人员安全的事故。
附图说明
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，但不限于本发明所例的实施例的。
图1为本发明的评估方法流程图；
图2为本发明中利用ART-2型神经网进行状态评估的流程图；
图3为ART-2型神经网络的示意图。
具体实施方式
实施例1：
本发明是一种分布式的变电站接地网检测和评估方法，包括以下步骤：
步骤1：根据变电站接地网的设计文件，反演变电站内的土壤模型，以及变电站接地网的工频接地阻抗值；
所述步骤1中的接地网土壤模型反演根据设计文件中的土壤电阻率测量数据得到：
ρ＝2πaU/I (1)；
式(1)中：ρ为土壤电阻率；a为测试时两个电极之间的距离；U为测试时两个电位极之间的电位差；I为测试电流。计算出土壤电阻率ρ与电极间距a之间的关系曲线，得到站址的土壤模型。变电站内发生接地故障时的接地网特征参数计算，均是在接地网完好的状态下进行的。
步骤2：计算接地故障发生时，变电站内的地电位升高、跨步电压和接触电压等特征参数；
所述步骤2中计算接地故障发生在不同地点时，接地导体连接良好的状态下，对接地网特征参数包括接地阻抗、地电位升、跨步电压、接触电压等进行计算；
步骤3：利用仿真软件针对接地导体断裂时，计算不同地点发生故障的情况下变电站的地电位升，跨步电压和接触电压等特征参数；
所述步骤3中的不同地点发生故障时，接地导体断裂的状态下，对接地网特征参数，包括接地阻抗、地电位升、跨步电压、接触电压等进行计算；
步骤4：结合分布式接地网状态评估装置，对接地网的接地导体运行状态进行检测，并对不同故障地点时，接地导体当前状态下接地网特征参数进行计算；
所述步骤4中的接地网特征参数，包括地电位升，跨步电压和接触电压等均是以变电站接地网当前的状态下，不同地点发生接地故障时，计算得出的结果。
步骤5：利用ART-2型神经网络对导体的当前状态进行比较识别，得出当前变电站内接地装置的整体性评估结果。ART-2型神经网络主要分为网络初始化阶段和比较阶段。
所述步骤5中的利用ART-2型神经网络对导体的当前状态进行比较识别的过程主要包括：
步骤5.1：根据步骤1中对接地网导体状态完好时，计算得出的接地网特征参数，建立ART-2型神经网络比较层神经元的连接权值，包括站内地电位升、跨步电压、接触电压以及站外跨步电压、接触电压等；
步骤5.2：根据步骤2中对接地网导体断裂时，计算得出的接地网特征参数，补充至ART-2型神经网络比较层神经元的连接权值，包括站内地电位升、跨步电压、接触电压以及站外跨步电压、接触电压等，并设定相应的相似度阈值；
步骤5.3：根据接地导体当前的状态，计算得出的特征参数作为ART-2网络的输入，进行状态识别；
步骤5.4：比较此时的各种特征参数是否满足安全限值的要求，若满足要求则进行下一步判断；若不满足要求，记录并报告该参数，结束；
步骤5.5：对当前状态进行置信度判断，若置信度大于设定的阈值，则目前的运行状态良好；若小于阈值，则需要对接地导体的情况密切关注，必要时进行开挖检查，出现问题及时处理。
实施例2：
本发明步骤5中ART-2型神经网络主要分为网络初始化阶段和比较阶段，实现的方法还可以为：
步骤5.1：根据步骤1-步骤3计算的数据，建立ART-2型神经网络，连接权值初始化为接地网完好时的各特征参数，以及接地网节点出现严重腐蚀和断裂时的特征参数，包括接地阻抗、地电位升、跨步电压、接触电压等，并设定置信度阈值。每个故障点网络的输出有两种状态，状态完好，以及接地导体断裂，如有n个故障点，则网络的输出神经元为2n个；并设定相似度阈值。
步骤5.2：根据状态监测装置的测量数据，仿真计算当前状态下，对应接地导体在不同故障地点情况下的特征参数；
步骤5.3：根据计算的特征参数，输出到建立的ART-2神经网络模型，得到网络的输出结果；
步骤5.4：网络输出结果与相似度阈值比较，若输出结果显示当前状态为良好且大于相似度阈值，则判断当前运行状态良好。本步骤的具体实现方法为：
设网络输入为Y＝(y1,y2,Λ,n)T,该式中Y表示输入向量，y1,y2,Λyn表示输入向量中的元素,T表示转置，则中间节点向量Z和S的第i个元素zi与si的运算方程为：
zi＝yi+aui (2)；
公式(2)中：yi表示输入向量Y的第i个元素,a为下层网络的内部反馈，ui表示中间层节点U的第i个元素。
公式(3)中：zi表示中间层节点Z的第i个元素，||Z||表示中间层节点向量Z的模。
中间节点向量G和U的第i个元素gi与ui的方程如式(4)-(6)所示。
gi＝f(si)+bf(li) (4)；
公式(4)中：si表示中间层节点S的第i个元素，li表示中间层节点L的第i个元素，b代表下层网络的内部反馈,f(x)为传送信号的非线性变换。
公式(5)中：gi表示中间层节点G的第i个元素，ui表示中间层节点U的第i个元素，||G||表示中间层节点向量G的模。
公式(6)中：x为自变量，θ为阈值。
式(7)与(8)为中间节点向量P和L的第i个元素pi和li的方程:
pi＝ui+dtij (7)；
公式(7)中：ui表示中间层节点U的第i个元素，d为调整系数，tij表示反馈连接权值。
公式(8)中：pi表示中间层节点P的第i个元素，||P||表示中间层节点向量P的模。
第k个节点的输出值为：
公式(9)中：pi表示中间层节点P的第i个元素，wij表示前馈连接权值,n表示输出神经元的个数。
计算置信度：
公式(10)中：c表示相似度调整系数，||P||表示中间层节点向量P的模，U为中间层节点向量。
若网络识别为状态良好(hk＞h2k，k＝1,2,Λ,n。hk为第k个故障点接地导体良好时的状态输出，h2k第k个故障点接地导体断裂时的状态输出)，且置信度大于设定的阈值，则接地网最终的评估结果为良好，否则需要关注，必要时进行开挖检测，发现问题及时处理。
Claims (2)
1.一种分布式的变电站接地网检测和评估方法，其特征是：包括以下步骤：
步骤1：根据变电站接地网的设计文件，反演变电站内的土壤模型，以及变电站接地网的工频接地阻抗值；
所述接地网土壤模型反演根据设计文件中的土壤电阻率测量数据得到：
ρ＝2πaU/I (1)；
式(1)中：ρ为土壤电阻率；a为测试时两个电极之间的距离；U为测试时两个电位极之间的电位差；I为测试电流；计算出土壤电阻率ρ与电极间距a之间的关系曲线，得到站址的土壤模型；变电站内发生接地故障时的接地网特征参数计算，均是在接地网完好的状态下进行的；
步骤2：计算接地故障发生时，变电站内的地电位升高、跨步电压和接触电压特征参数；
所述计算接地故障发生在不同地点时，接地导体连接良好的状态下，对接地网特征参数包括接地阻抗、地电位升、跨步电压、接触电压进行计算；
步骤3：利用仿真软件针对接地导体断裂时，计算不同地点发生故障的情况下变电站的地电位升，跨步电压和接触电压特征参数；
所述不同地点发生故障时，接地导体断裂的状态下，对接地网特征参数，包括接地阻抗、地电位升、跨步电压、接触电压进行计算；
步骤4：结合分布式接地网状态评估装置，对接地网的接地导体运行状态进行检测，并对不同故障地点时，接地导体当前状态下接地网特征参数进行计算；
所述接地网特征参数包括地电位升，跨步电压和接触电压等均是以变电站接地网当前的状态下，不同地点发生接地故障时，计算得出的结果；
步骤5：利用ART-2型神经网络对导体的当前状态进行比较识别，得出当前变电站内接地装置的整体性评估结果；ART-2型神经网络主要分为网络初始化阶段和比较阶段；
所述利用ART-2型神经网络对导体的当前状态进行比较识别的过程主要包括：
步骤5.1：根据步骤1中对接地网导体状态完好时，计算得出的接地网特征参数，建立ART-2型神经网络比较层神经元的连接权值；
所述连接权值，包括站内地电位升、跨步电压、接触电压以及站外跨步电压、接触电压；
步骤5.2：根据步骤2中对接地网导体断裂时，计算得出的接地网特征参数，补充至ART-2型神经网络比较层神经元的连接权值，并设定相应的相似度阈值；
步骤5.3：根据接地导体当前的状态，计算得出的特征参数作为ART-2网络的输入，进行状态识别；
步骤5.4：比较此时的各种特征参数是否满足安全限值的要求，若满足要求则进行下一步判断；若不满足要求，记录并报告该参数，结束；
步骤5.5：对当前状态进行置信度判断，若置信度大于设定的阈值，则目前的运行状态良好；若小于阈值，则需要对接地导体的情况密切关注，必要时进行开挖检查，出现问题及时处理；
所述步骤5中ART-2型神经网络主要分为网络初始化阶段和比较阶段，实现的方法还可以为：
步骤51：根据步骤1-步骤3计算的数据，建立ART-2型神经网络，连接权值初始化为接地网完好时的各特征参数，以及接地网节点出现严重腐蚀和断裂时的特征参数，包括接地阻抗、地电位升、跨步电压、接触电压等，并设定置信度阈值；每个故障点网络的输出有两种状态，状态完好，以及接地导体断裂，如有n个故障点，则网络的输出神经元为2n个；并设定相似度阈值；
步骤52：根据状态监测装置的测量数据，仿真计算当前状态下，对应接地导体在不同故障地点情况下的特征参数；
步骤53：根据计算的特征参数，输出到建立的ART-2神经网络模型，得到网络的输出结果；
步骤54：网络输出结果与相似度阈值比较，若输出结果显示当前状态为良好且大于相似度阈值，则判断当前运行状态良好。
2.根据权利要求1所述的一种分布式的变电站接地网检测和评估方法，其特征是：所述步骤54：网络输出结果与相似度阈值比较，若输出结果显示当前状态为良好且大于相似度阈值，则判断当前运行状态良好，本步骤的具体实现方法为：
设网络输入为Y＝(y1,y2,…,n)T,该式中Y表示输入向量，y1,y2,…yn表示输入向量中的元素,T表示转置，则中间节点向量Z和S的第i个元素zi与si的运算方程为：
zi＝yi+aui (2)；
公式(2)中：yi表示输入向量Y的第i个元素,a为下层网络的内部反馈，ui表示中间层节点U的第i个元素；
公式(3)中：zi表示中间层节点Z的第i个元素，||Z||表示中间层节点向量Z的模；
中间节点向量G和U的第i个元素gi与ui的方程如式(4)-(6)所示；
gi＝f(si)+bf(li) (4)；
公式(4)中：si表示中间层节点S的第i个元素，li表示中间层节点L的第i个元素，b代表下层网络的内部反馈,f(x)为传送信号的非线性变换；
公式(5)中：gi表示中间层节点G的第i个元素，ui表示中间层节点U的第i个元素，||G||表示中间层节点向量G的模；
公式(6)中：x为自变量，θ为阈值；
式(7)与(8)为中间节点向量P和L的第i个元素pi和li的方程:
pi＝ui+dtij (7)；
公式(7)中：ui表示中间层节点U的第i个元素，d为调整系数，tij表示反馈连接权值；
公式(8)中：pi表示中间层节点P的第i个元素，||P||表示中间层节点向量P的模；
第k个节点的输出值为：
公式(9)中：pi表示中间层节点P的第i个元素，wij表示前馈连接权值,n表示输出神经元的个数；
计算置信度：
公式(10)中：c表示相似度调整系数，||P||表示中间层节点向量P的模，U为中间层节点向量；
若网络识别为状态良好(hk＞h2k，k＝1,2,…,n；hk为第k个故障点接地导体良好时的状态输出，h2k第k个故障点接地导体断裂时的状态输出)，且置信度大于设定的阈值，则接地网最终的评估结果为良好，否则需要关注，必要时进行开挖检测，发现问题及时处理。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710711942.4A CN107561407B (zh) | 2017-08-18 | 2017-08-18 | 一种分布式的变电站接地网检测和评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710711942.4A CN107561407B (zh) | 2017-08-18 | 2017-08-18 | 一种分布式的变电站接地网检测和评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107561407A CN107561407A (zh) | 2018-01-09 |
| CN107561407B true CN107561407B (zh) | 2019-12-27 |
Family
ID=60976112
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710711942.4A Active CN107561407B (zh) | 2017-08-18 | 2017-08-18 | 一种分布式的变电站接地网检测和评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107561407B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110082633A (zh) * | 2019-04-23 | 2019-08-02 | 史磊 | 一种变电站接地网在线监测系统及方法 |
| CN111948482B (zh) * | 2020-08-24 | 2021-06-29 | 西南交通大学 | 计及温度与土壤类型的接地极频率敏感特性试验评估方法 |
| CN112083253B (zh) * | 2020-09-18 | 2021-07-02 | 西南交通大学 | 一种直流下土壤电参量状态反演方法 |
| CN112394210B (zh) * | 2020-10-20 | 2023-06-27 | 中国电力科学研究院有限公司 | 一种使用电压发生器模拟变电站地电位波动的方法系统 |
| CN114184766B (zh) * | 2021-11-15 | 2022-08-26 | 西南交通大学 | 一种基于腐蚀离子的接地网土壤危害特性评估平台及方法 |
| CN115902500B (zh) * | 2023-01-05 | 2024-01-30 | 辽宁铁道职业技术学院 | 一种用于接地网特性参数的多源检测方法 |
Family Cites Families (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101034129B (zh) * | 2007-02-12 | 2011-07-20 | 湖南大学 | 发变电站接地网在线监测方法及其装置 |
| CN103439631B (zh) * | 2013-08-12 | 2016-01-20 | 国家电网公司 | 接地网腐蚀状态检测方法及系统 |
| CN103616582A (zh) * | 2013-11-13 | 2014-03-05 | 广东电网公司电力科学研究院 | 大型接地网的多维度评价方法 |
| CN104849620A (zh) * | 2015-05-28 | 2015-08-19 | 长沙理工大学 | 一种基于bp神经网络的接地网故障诊断方法 |
| CN105894096B (zh) * | 2016-04-22 | 2019-06-07 | 国家电网公司 | 一种基于云模型的变电站接地网状态评估方法 |
-
2017
- 2017-08-18 CN CN201710711942.4A patent/CN107561407B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN107561407A (zh) | 2018-01-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107561407B (zh) | 一种分布式的变电站接地网检测和评估方法 | |
| CN103605042B (zh) | 基于自适应粒子群算法的接地网故障诊断方法 | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN110632545B (zh) | 基于回归神经网络电子式互感器误差风险评估方法和装置 | |
| Xie et al. | Predicting lightning outages of transmission lines using generalized regression neural network | |
| CN106650037A (zh) | 一种基于支持向量机回归的避雷器状态诊断方法 | |
| Ayyagari | Artificial neural network based fault location for transmission lines | |
| CN108562821B (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
| CN110907755A (zh) | 一种输电线路在线监测故障识别方法 | |
| CN114236288B (zh) | 一种基于输电线路故障定位方法 | |
| CN103439631A (zh) | 接地网腐蚀状态检测方法及系统 | |
| CN106599417A (zh) | 一种基于人工神经网络的城市电网馈线负荷构成辨识方法 | |
| CN109613402A (zh) | 基于小波变换和神经网络的配电网高阻接地故障检测方法 | |
| CN106485333A (zh) | 一种输电线路运行状态评估方法 | |
| CN104849620A (zh) | 一种基于bp神经网络的接地网故障诊断方法 | |
| CN117350216A (zh) | 电阻预测模型训练方法、装置、电子设备和存储介质 | |
| CN110265906B (zh) | 一种变电站接地网状态评估方法及计算机系统 | |
| CN113536674B (zh) | 一种基于bp神经网络和改进scada数据的线路参数辨识方法 | |
| Coban et al. | Artificial neural network based fault location on 230 kv transmission line using voltage and current signals | |
| CN113267710B (zh) | 输电线路鸟害监测方法、装置、设备及存储介质 | |
| CN107632521A (zh) | 一种基于决策树和神经网络的恒电位仪控制策略 | |
| CN117825866A (zh) | 一种基于电网模型的电网短路容量就地检测方法及系统 | |
| CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
| CN112710923A (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 | |
| Li et al. | Dynamic equivalent modeling for power converter based on LSTM neural network in wide operating range |
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 |