CN108089097B - 智能在线式配电网接地故障定位方法 - Google Patents
智能在线式配电网接地故障定位方法 Download PDFInfo
- Publication number
- CN108089097B CN108089097B CN201711349630.XA CN201711349630A CN108089097B CN 108089097 B CN108089097 B CN 108089097B CN 201711349630 A CN201711349630 A CN 201711349630A CN 108089097 B CN108089097 B CN 108089097B
- Authority
- CN
- China
- Prior art keywords
- fault
- time
- signal
- distribution network
- mode
- 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
- 238000000034 method Methods 0.000 title claims abstract description 41
- 230000001360 synchronised effect Effects 0.000 claims abstract description 28
- 238000005070 sampling Methods 0.000 claims abstract description 25
- 230000001052 transient effect Effects 0.000 claims abstract description 20
- 238000013528 artificial neural network Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 6
- 230000008859 change Effects 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 230000005540 biological transmission Effects 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 6
- 238000013145 classification model Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000010363 phase shift Effects 0.000 claims description 3
- 238000012795 verification Methods 0.000 claims description 3
- 239000002131 composite material Substances 0.000 abstract description 2
- 238000004458 analytical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000011664 signaling Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
-
- 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
- G01—MEASURING; TESTING
- G01S—RADIO DIRECTION-FINDING; RADIO NAVIGATION; DETERMINING DISTANCE OR VELOCITY BY USE OF RADIO WAVES; LOCATING OR PRESENCE-DETECTING BY USE OF THE REFLECTION OR RERADIATION OF RADIO WAVES; ANALOGOUS ARRANGEMENTS USING OTHER WAVES
- G01S19/00—Satellite radio beacon positioning systems; Determining position, velocity or attitude using signals transmitted by such systems
- G01S19/01—Satellite radio beacon positioning systems transmitting time-stamped messages, e.g. GPS [Global Positioning System], GLONASS [Global Orbiting Navigation Satellite System] or GALILEO
- G01S19/13—Receivers
- G01S19/14—Receivers specially adapted for specific applications
-
- 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
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Radar, Positioning & Navigation (AREA)
- Remote Sensing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了智能在线式配电网接地故障定位方法，该配电网接地故障定位方法包括同步采样、基于DFT递推算法的启动、时频模故障瞬态信号的准确提取、基于概率神经网络的故障分类和故障区段定位，将时频模复合特征提取与概率神经网络联合定位，是基于同步采样和暂态故障特征量综合分析方法，采用智能式综合分析技术解决了配电网接地故障定位的难题，在接地故障实时定位方面具有良好的应用前景。
Description
技术领域
本发明涉及一种人工智能的配电网接地故障特征综合分析技术，具体涉及一种智能在线式配电网接地故障定位方法，属于配电网技术领域。
背景技术
电网接地故障占据电力系统总故障的90％，也是大停电事故的主要根源，给人们的社会生活造成了全面而深刻的负面影响。减少电力故障，建设坚强智能电网是各国电网的主要目标。实时接地故障检测与定位不仅能够赢得故障事故处理所需的宝贵时间，还能发现某些特定条件下故障的问题，提高智能电网系统的健壮性。
配电网线路复杂、分支繁多，线路长度不固定，接地故障发生不可控，一旦发生波及范围广，影响较为恶劣。现有的故障选线定位方法分为：故障信号法以及注入信号跟踪法。利用故障信号法又可以分为利用稳态故障信号量和暂态故障信号量两大类。传统的基于稳态量的方法，判断故障的速度与准确性等方面的不足日益显露，因此现有的实时接地故障定位仍然无法准确有效进行。而故障后的暂态量信号强，内容丰富，受系统运行状况影响小，这对故障分类的速度、准确可靠度有极大的提高。
发明内容
本发明的目的是：提供一种智能在线式配电网接地故障定位的方法，是人工智能的配电网接地故障特征综合分析技术，解决配电网接地故障定位的难题。
本发明采取的技术方案是该智能在线式配电网接地故障定位方法的具体步骤如下：
S1)同步采样：所述同步采样为基于GPS的同步采样，即所有装置的采样脉冲均是经过GPS的1pps同步的，保证所有装置的采样和录波数据的同步性；
S2)基于DFT递推算法的启动：采用DFT递推算法计算采集的电压和电流信号，判断通过递推计算得出的Xm(k)在一段区间内是否发生变化，若比设置的幅值明显增加10％，则出现疑似故障信号，开始启动故障录波；
S3)基于时频模的瞬时信号的准确提取：对记录下来的数据采用S变换将时域信号变换为含有时频特征的模信号，利用故障时的暂态信号减去稳态量准确提取故障信号；
S4)基于概率神经网络的故障分类：基于统计学中的概率密度函数的非参数估计方法，用故障样本集训练PNN网络分类模型，准确高效的分类出待识别样本的类别；
S5)基于行波传输理论的故障区段定位：对截取故障线路采集到的故障后半个工频周期的信号，通过用S变换分析两个时间序列的相位移动，推断出波形运动的相位变化，提取故障点的特征频率f，利用公式计算对应的故障距离为S。
所述步骤S1)中，同步采样方法为基于GPS的同步采样，具体包括：
(A1)用GPS接收器发出的1HZ频率的方波同步脉冲信号PPS作为ADC时钟同步信号，保证ADC时钟前沿与GPS同步；
(A2)在同步的时间基准上的同一时间产生采样脉冲信号，确保各装置采样的同步性；
(A3)装置接收GPS的1pps信号和时间标签，校准装置内部时钟。
所属步骤S2)中，故障录波包含故障暂态过程，为了真实记录和还原暂态过程，选取故障前1/4个周波和故障后5/4个周波进行录波。
所述步骤S2)中，基于DFT递推算法的启动方法的具体步骤为：
(B1)x(n)的N点离散傅里叶变换，公式如下：
式中，x(n)是长度为N的序列，
(B2)DFT递推算法，公式如下：
式中，Xm-1(k)是0～N-1点的DFT，Xm(k)是1～N点的DFT；
(B3)采用公式(2)判断通过递推计算得出的Xm(k)在一段区间内是否发生变化，若高于设置门槛值10％，则出现疑似故障信号，开始启动故障录波。
所述步骤S3)中，瞬时信号的准确提取的具体步骤为：
(C1)对前面记录下来的数据进行S变换，公式如下：
式中x(t)是可能含有故障的电压/电流信号，
是高斯窗口，τ为控制高斯窗口在时间t轴位置的参数，f为频率，j为虚数；
(C2)调整可变窗口参数τ，f得到不同模行波系列，选取模极大行波匹配故障点；
式中T为最大测量时间，k为谐波；
(C3)采集到的信号进行S变换求取时频模矩阵，时频模矩阵反映故障时时间—频率—模的集中突变的情况；故障信号用故障时的暂态信号减去稳态量，公式如下：
所述步骤S4)中，基于概率神经网络的故障分类方法的具体步骤为：
(D1)采用配电网模型，在模型中进行故障预设，拟对故障线路、接地相角、接地电阻、故障距离进行设定，建立一系列的故障样本，分别统计并得到配电网中正常情况、A路发生接地故障、B路发生接地故障以及C路发生接地故障的样本集；
(D2)将样本集按7:3的比例划分为训练集T和测试集Q，用于训练出较高准确率的故障分类模型；
(D3)PNN神经网络模型选择具有最大后验概率的故障类型由输出层输出，完成故障选线；
(D4)当在测试集验证结果有效时，将配电网实际运行过程中实时采集的样本输入模型，预测各线路发生接地故障的概率。
所述步骤S5)中，基于行波传输理论的故障区段定位方法的具体步骤为：
(E1)选取凯伦布尔变换矩阵进行相模转换，行波传播系数如下：
式中，l表示导线长度，α表示行波沿线的衰减常数，β表示行波沿线的相位常数；
(E2)相位常数公式如下：
式中，Rm(w)、Lm(w)、Gm(w)、Cm(w)分别表示模量上单位长度线路在某一频率下的电阻、电感、电导和电容；
(E3)单端故障行波测距基本公式如下：
式中，v0为零模波速度，表示为v0＝ω/β0；v1为线模波速度，表示为v1＝ω/β1；ΔT＝t0-t1，t0为零模波头到达测量点的时刻，t1为线模波头到达测量点的时刻。
本发明的优点是：该配电网接地故障定位方法包括同步采样、基于DFT递推算法的启动、时频模故障瞬态信号的准确提取、基于概率神经网络的故障分类和故障区段定位，将时频模复合特征提取与概率神经网络联合定位，是基于同步采样和暂态故障特征量综合分析方法，采用智能式综合分析技术解决了配电网接地故障定位的难题，在接地故障实时定位方面具有良好的应用前景。
具体实施方式
下面结合实施例对技术方案进行清楚、完整的描述，而不能以此限制本发明的保护范围。
本实施例是一种智能在线式配电网接地故障定位方法，包括同步采样、基于DFT递推算法的启动、瞬时信号的准确提取、基于概率神经网络的故障分类和故障区段定位，其具体步骤如下：
S1)同步采样：所述同步采样为基于GPS的同步采样，即所有装置的采样脉冲均是经过GPS的1pps同步的，保证所有装置的采样和录波数据的同步性；如下：
(A1)用GPS接收器发出的1HZ频率的方波同步脉冲信号PPS作为ADC时钟同步信号，保证ADC时钟前沿与GPS同步；
(A2)在同步的时间基准上的同一时间产生采样脉冲信号，确保各装置采样的同步性；
(A3)装置接收GPS的1pps信号和时间标签，校准装置内部时钟；
S2)基于DFT递推算法的启动：所述基于DFT递推算法的启动即采用DFT递推算法计算采集的电压和电流信号，判断通过递推计算得出的Xm(k)在一段区间内是否发生变化，若比设置的幅值明显增加10％，则出现疑似故障信号，开始启动故障录波；如下：
(B1)x(n)的N点离散傅里叶变换，公式如下：
式中，x(n)是长度为N的序列，
(B2)DFT递推算法，公式如下：
式中，Xm-1(k)是0～N-1点的DFT，Xm(k)是1～N点的DFT；
(B3)采用公式(2)判断通过递推计算得出的Xm(k)在一段区间内是否发生变化，若比设置的门槛值明显增加10％，则出现疑似故障信号，开始启动故障录波；
(B4)此录波包含故障暂态过程，为了真实记录和还原暂态过程，选取故障前1/4个周波和故障后5/4个周波进行录波；
S3)瞬时信号的准确提取：所述瞬时信号的准确提取即采用S变换将时域信号变换为含有时频特征的模信号，如下：
(C1)对前面记录下来的数据进行S变换，公式如下：
式中x(t)是可能含有故障的电压/电流信号，
是高斯窗口，τ为控制高斯窗口在时间t轴位置的参数，f为频率，j为虚数；
(C2)调整可变窗口参数τ，f得到不同模行波系列，选取模极大行波匹配故障点，
式中T为最大测量时间，k为谐波；
(C3)采集到的信号进行S变换求取时频模矩阵，时频模矩阵反映故障时时间—频率—模的集中突变的情况。故障信号用故障时的暂态信号减去稳态量，公式如下：
S4)基于概率神经网络的故障分类：所述基于概率神经网络的故障分类即基于统计学中的概率密度函数的非参数估计方法，用故障样本集训练PNN网络分类模型，准确高效的分类出待识别样本的类别，如下；
(D1)采用配电网模型，在模型中进行故障预设，拟对故障线路、接地相角、接地电阻、故障距离进行设定，建立一系列的故障样本，分别统计并得到配电网中正常情况、A路发生接地故障、B路发生接地故障以及C路发生接地故障的样本集；
(D2)将样本集按7:3的比例划分为训练集T和测试集Q，用于训练出较高准确率的故障分类模型；
(D3)PNN神经网络模型选择具有最大后验概率的故障类型由输出层输出，完成故障选线；
(D4)当在测试集验证结果有效时，将配电网实际运行过程中实时采集的样本输入模型，预测各线路发生接地故障的概率；
S5)基于行波传输理论的故障区段定位：所述基于行波传输理论的故障区段定位即截取故障线路采集到的故障后半个工频周期的信号，通过用S变换分析两个时间序列的相位移动，推断出波形运动的相位变化，提取故障点的特征频率f，利用公式计算对应的故障距离为S；
(E1)选取凯伦布尔变换矩阵进行相模转换，行波传播系数如下：
式中，l表示导线长度，α表示行波沿线的衰减常数，β表示行波沿线的相位常数；
(E2)相位常数公式如下：
式中，Rm(w)、Lm(w)、Gm(w)、Cm(w)分别表示模量上单位长度线路在某一频率下的电阻、电感、电导和电容；
(E3)单端故障行波测距基本公式如下：
式中，v0为零模波速度，表示为v0＝ω/β0；v1为线模波速度，表示为v1＝ω/β1；ΔT＝t0-t1，t0为零模波头到达测量点的时刻，t1为线模波头到达测量点的时刻。
以上所述仅是本发明的优选实施方式，并不用于限制本发明。对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，依然可以对方案进行若干修改，或者对其中部分技术特征进行等同替换，这些修改和替换也应视为本发明的保护范围之内。
Claims (7)
1.智能在线式配电网接地故障定位方法，其特征在于该配电网接地故障定位方法包括以下步骤：
S1)同步采样：所述同步采样为基于GPS的同步采样，即所有装置的采样脉冲均是经过GPS的1pps同步的，保证所有装置的采样和录波数据的同步性；
S2)基于DFT递推算法的启动：采用DFT递推算法计算采集的电压和电流信号，判断通过递推计算得出的Xm(k)在一段区间内是否发生变化，若比设置的幅值明显增加10％，则出现疑似故障信号，开始启动故障录波；
S3)基于时频模的瞬时信号的准确提取：对记录下来的数据采用S变换将时域信号变换为含有时频特征的模信号，利用故障时的暂态信号减去稳态量准确提取故障信号；
S4)基于概率神经网络的故障分类：基于统计学中的概率密度函数的非参数估计方法，用故障样本集训练PNN网络分类模型，准确高效的分类出待识别样本的类别；
S5)基于行波传输理论的故障区段定位：对截取故障线路采集到的故障后半个工频周期的信号，通过用S变换分析两个时间序列的相位移动，推断出波形运动的相位变化，提取故障点的特征频率f，利用公式计算对应的故障距离；其中，单端故障行波测距基本公式如下：
式中，v0为零模波速度，表示为v0＝ω/β0；v1为线模波速度，表示为v1＝ω/β1；ΔT＝t0-t1，t0为零模波头到达测量点的时刻，t1为线模波头到达测量点的时刻。
2.根据权利要求1所述的智能在线式配电网接地故障定位方法，其特征在于：所述步骤S1)中，同步采样方法为基于GPS的同步采样，具体包括：
(A1)用GPS接收器发出的1HZ频率的方波同步脉冲信号PPS作为ADC时钟同步信号，保证ADC时钟前沿与GPS同步；
(A2)在同步的时间基准上的同一时间产生采样脉冲信号，确保各装置采样的同步性；
(A3)装置接收GPS的1pps信号和时间标签，校准装置内部时钟。
3.根据权利要求1所述的智能在线式配电网接地故障定位方法，其特征在于：所属步骤S2)中，故障录波包含故障暂态过程，为了真实记录和还原暂态过程，选取故障前1/4个周波和故障后5/4个周波进行录波。
4.根据权利要求3所述的智能在线式配电网接地故障定位方法，其特征在于：所述步骤S2)中，基于DFT递推算法的启动方法的具体步骤为：
(B1)x(n)的N点离散傅里叶变换，公式如下：
式中，x(n)是长度为N的序列，
(B2)DFT递推算法，公式如下：
式中，Xm-1(k)是0～N-1点的DFT，Xm(k)是1～N点的DFT；
(B3)采用公式(2)判断通过递推计算得出的Xm(k)在一段区间内是否发生变化，若高于设置门槛值10％，则出现疑似故障信号，开始启动故障录波。
5.根据权利要求1所述的智能在线式配电网接地故障定位方法，其特征在于：所述步骤S3)中，瞬时信号的准确提取的具体步骤为：
(C1)对前面记录下来的数据进行S变换，公式如下：
式中x(t)是可能含有故障的电压/电流信号，
是高斯窗口，τ为控制高斯窗口在时间t轴位置的参数，f为频率，j为虚数；
(C2)调整可变窗口参数τ，f得到不同模行波系列，选取模极大行波匹配故障点；
式中T为最大测量时间，k为谐波；
(C3)采集到的信号进行S变换求取时频模矩阵，时频模矩阵反映故障时时间—频率—模的集中突变的情况；故障信号用故障时的暂态信号减去稳态量，公式如下：
6.根据权利要求1所述的智能在线式配电网接地故障定位方法，其特征在于：所述步骤S4)中，基于概率神经网络的故障分类方法的具体步骤为：
(D1)采用配电网模型，在模型中进行故障预设，拟对故障线路、接地相角、接地电阻、故障距离进行设定，建立一系列的故障样本，分别统计并得到配电网中正常情况、A路发生接地故障、B路发生接地故障以及C路发生接地故障的样本集；
(D2)将样本集按7:3的比例划分为训练集T和测试集Q，用于训练出较高准确率的故障分类模型；
(D3)PNN神经网络模型选择具有最大后验概率的故障类型由输出层输出，完成故障选线；
(D4)当在测试集验证结果有效时，将配电网实际运行过程中实时采集的样本输入模型，预测各线路发生接地故障的概率。
7.根据权利要求1所述的智能在线式配电网接地故障定位方法，其特征在于：所述步骤S5)中，基于行波传输理论的故障区段定位方法的具体步骤为：
(E1)选取凯伦布尔变换矩阵进行相模转换，行波传播系数如下：
式中，l表示导线长度，α表示行波沿线的衰减常数，β表示行波沿线的相位常数；
(E2)相位常数公式如下：
式中，Rm(w)、Lm(w)、Gm(w)、Cm(w)分别表示模量上单位长度线路在某一频率下的电阻、电感、电导和电容。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711349630.XA CN108089097B (zh) | 2017-12-15 | 2017-12-15 | 智能在线式配电网接地故障定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201711349630.XA CN108089097B (zh) | 2017-12-15 | 2017-12-15 | 智能在线式配电网接地故障定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108089097A CN108089097A (zh) | 2018-05-29 |
| CN108089097B true CN108089097B (zh) | 2020-05-05 |
Family
ID=62176378
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201711349630.XA Active CN108089097B (zh) | 2017-12-15 | 2017-12-15 | 智能在线式配电网接地故障定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108089097B (zh) |
Families Citing this family (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110247420B (zh) * | 2019-07-17 | 2020-07-28 | 四川轻化工大学 | 一种hvdc输电线路故障智能识别方法 |
| CN111175670B (zh) * | 2019-07-30 | 2020-10-27 | 贵州电网有限责任公司 | 一种配电自动化测试系统接地故障反演实现方法 |
| CN113285431A (zh) * | 2021-06-10 | 2021-08-20 | 云南电网有限责任公司迪庆供电局 | 一种智能配电网信息物理融合保护系统及方法 |
| CN114384376B (zh) * | 2022-03-23 | 2022-06-24 | 浙江浙能能源服务有限公司 | 一种直流配电网故障分类定位方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768324A (zh) * | 2012-04-10 | 2012-11-07 | 河南理工大学 | 小电流接地系统单相接地故障区段定位方法 |
| 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 |
| CN106124936A (zh) * | 2016-07-29 | 2016-11-16 | 国电南瑞科技股份有限公司 | 一种分布式配电网单相接地故障定位方法 |
| US9667058B2 (en) * | 2014-03-17 | 2017-05-30 | Abb Schweiz Ag | Method and apparatus for sensing a fault in a power system |
| CN107449993A (zh) * | 2017-08-04 | 2017-12-08 | 国网江苏省电力公司无锡供电公司 | 一种基于故障录波器的故障测距方法及测距装置 |
-
2017
- 2017-12-15 CN CN201711349630.XA patent/CN108089097B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102768324A (zh) * | 2012-04-10 | 2012-11-07 | 河南理工大学 | 小电流接地系统单相接地故障区段定位方法 |
| 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 |
| US9667058B2 (en) * | 2014-03-17 | 2017-05-30 | Abb Schweiz Ag | Method and apparatus for sensing a fault in a power system |
| CN106124936A (zh) * | 2016-07-29 | 2016-11-16 | 国电南瑞科技股份有限公司 | 一种分布式配电网单相接地故障定位方法 |
| CN107449993A (zh) * | 2017-08-04 | 2017-12-08 | 国网江苏省电力公司无锡供电公司 | 一种基于故障录波器的故障测距方法及测距装置 |
Non-Patent Citations (2)
| Title |
|---|
| Accurate Fault Classification in Series Compensated multi-terminal extra high voltage transmission line using Probabilistic Neural Network;P.D.Raval et al.;《International Conference on Electrical, Electronics, and Optimization Techniques (ICEEOT)》;20161124;C042-126 * |
| 电力线路在线巡视监测及故障精确定位的研究;唐金锐;《中国博士学术论文全文数据库》;20150715(第7期);1550-1554 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108089097A (zh) | 2018-05-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108089097B (zh) | 智能在线式配电网接地故障定位方法 | |
| CN109272146B (zh) | 一种基于深度学习模型和bp神经网络校正的洪水预测方法 | |
| CN104597376B (zh) | 一种考虑实测波速的高压直流输电线路故障测距方法 | |
| CN111313932B (zh) | 一种基于电磁时间反演的传递函数相关性的传输线及网络故障定位方法 | |
| CN107589341B (zh) | 一种基于配电自动化主站的单相接地在线故障定位方法 | |
| CN106646205A (zh) | 一种声振联合分析断路器故障的随机大扰动信号剔除算法 | |
| 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 | |
| CN111404130B (zh) | 基于快速开关的新型配电网故障检测方法及故障自愈系统 | |
| CN107632225A (zh) | 一种小电流系统接地故障定位方法 | |
| CN109521330A (zh) | 一种基于arima波头预测的输电线路故障行波测距方法 | |
| CN103267652B (zh) | 一种智能早期设备故障在线诊断方法 | |
| CN105893976A (zh) | 一种行波信号的参数化识别方法 | |
| CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
| CN113884818B (zh) | 一种基于lstm的配电网故障行波到达时间精确估算方法 | |
| CN117708550B (zh) | 一种电力大数据自动化数据分析及模型构建方法 | |
| CN111365624A (zh) | 一种输卤管道泄漏检测的智能终端与方法 | |
| CN111031064A (zh) | 一种检测电网假数据注入攻击的方法 | |
| CN110161376A (zh) | 一种行波故障时刻提取算法 | |
| CN108008246B (zh) | 基于时域自适应窗的线路故障测距方法及装置 | |
| CN112330482B (zh) | 基于暂态信息融合的输电线路单端故障定位方法 | |
| CN106646138B (zh) | 基于多采样频率小波特征能量折算的配电网接地故障定位方法 | |
| CN110657355B (zh) | 一种热力管线泄漏检测方法 | |
| CN110095691B (zh) | 基于全波形主频分量的初始行波波头提取方法和装置 | |
| CN109444660A (zh) | 一种输电线路故障与干扰的辨识方法 | |
| Zhong et al. | Low-voltage distribution network topology identification method based on segmented current features and cnn-lstm deep learning |
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 |