CN108280269B - 一种基于小波神经网络与sms相结合的混合孤岛检测方法 - Google Patents

一种基于小波神经网络与sms相结合的混合孤岛检测方法 Download PDF

Info

Publication number
CN108280269B
CN108280269B CN201810007213.5A CN201810007213A CN108280269B CN 108280269 B CN108280269 B CN 108280269B CN 201810007213 A CN201810007213 A CN 201810007213A CN 108280269 B CN108280269 B CN 108280269B
Authority
CN
China
Prior art keywords
neural network
power generation
wavelet
frequency
sms
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
Application number
CN201810007213.5A
Other languages
English (en)
Other versions
CN108280269A (zh
Inventor
李磊
王涛
罗玉平
刘芹
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tongling Power Supply Co of State Grid Anhui Electric Power Co Ltd
Original Assignee
Tongling Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Tongling Power Supply Co of State Grid Anhui Electric Power Co Ltd filed Critical Tongling Power Supply Co of State Grid Anhui Electric Power Co Ltd
Priority to CN201810007213.5A priority Critical patent/CN108280269B/zh
Publication of CN108280269A publication Critical patent/CN108280269A/zh
Application granted granted Critical
Publication of CN108280269B publication Critical patent/CN108280269B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

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
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • G06N3/082—Learning methods modifying the architecture, e.g. adding, deleting or silencing nodes or connections
    • H02J3/382—
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
    • H02J3/388—Islanding, i.e. disconnection of local power supply from the network
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Evolutionary Computation (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Health & Medical Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Data Mining & Analysis (AREA)
  • Biophysics (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Computational Linguistics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Health & Medical Sciences (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于小波神经网络与SMS相结合的混合孤岛检测方法，该方法技术方案为：于第一阶段通过检测一个周期内公共耦合点上的电压信号并进行小波变换，得到一个电压周期内的小波系数绝对值的平均值并将其作为BP神经网络的输入信号，最后运用BP神经网络进行模式识别；第二阶段引入SMS算法中的相位扰动，使公共耦合点电压的频率是否超过阈值，并通过频率检测来确定是否真正发生了孤岛现象，从而在并网发电系统处于孤岛状态时采取相应的孤岛保护措施。本发明大大地提高了孤岛检测的可靠性，在保证孤岛识别率的前提下，大大降低了检测方法对系统电能质量的影响。

Description

一种基于小波神经网络与SMS相结合的混合孤岛检测方法
技术领域
一种孤岛检测方法，尤其是一种基于小波神经网络与SMS相结合的混合孤岛检测方法。
背景技术
随着人类社会对电能需求的增大和电力工业技术的进步，分布式发电DG(distributed generation)技术在世界各国得到了广泛的关注和深入的研究。以光伏发电、风力发电等为代表的DG系统不仅清洁环保、能源可再生，而且与传统集中式发电相比，还具有投资小，发电方式灵活等特点。但大量分布式发电并网后.产生了一系列新的问题，孤岛效应就是严重的问题之一.因此孤岛检测是分布式发电并网的必要功能。孤岛现象发生后，孤岛效应发生后可能会引起电网频率和电压的变化，影响电能传输质量，严重时可能造成用电设备的损坏，同时也可能会危及电网线路维修人员的安全，因此，孤岛检测是分布式发电装置必须具备的一项功能。文献1发明专利《基于小波变换和神经网络并网逆变器孤岛检测方法》(公告号CN102611140B)，该发明选用2个电压、电流信号小波系数的绝对平均值，以及对应的差值作为特征向量但该方法由于仅考虑电流、电压信号2个尺度上的小波分解信息，并且2个差值本身不是独立变量，使得检测的成功率不高。文献2发明专利《基于引入粒子群算法及相位扰动的孤岛检测方法》(公告号CN104638671A)，该发明采用粒子群小波神经网络以及相位扰动两种方法相结合，但由于粒子群引入增加了计算的复杂以及检测的时间，尤其随着负载品质因数Qf的增大，传统的SMS相位扰动检测速度会减慢甚至会导致孤岛检测失败的缺陷。
发明内容
为了解决上述技术问题，本发明提供一种基于小波神经网络与SMS相结合的混合孤岛检测方法。
为了实现本发明的目的，本发明采用了以下技术方案：
一种基于小波神经网络与SMS相结合的混合孤岛检测方法，其特征在于包括如下步骤：
步骤1，实时采集分布式并网发电系统公共耦合点的电压值uPCC(i)，其中的i为采样次数；
步骤2，将采集的电压值uPCC(i)进行如下处理：
将采集的公共耦合点电压值uPCC(i)进行4尺度的小波变换，提取第i次采样的第j尺度的细节信号dj(i)，按
Figure BDA0001539030340000021
计算出一个电压周期内的小波系数绝对值的平均值，Ej作为BP神经网络的输入信号，对应的孤岛和非孤岛状态作为BP神经网络的输出信号，其中j＝1,2,3,4，n为一个电压周期内的采样次数，所述输入信号，输出信号作为BP神经网络的训练样本；
步骤3，通过BP神经网络对所述训练样本进行计算，获得分布式并网发电系统孤岛状态以及非孤岛状态下的模式识别能力；当BP神经网络判断系统与主电网断开时，即BP神经网络输出的结果为高电平，则实时采集分布式并网发电系统公共耦合点的频率fPCC信号；当神经网络判断系统与主电网连接时，即BP神经网络输出的结果为低电平，将相位扰动Δθ置零并返回步骤1；
步骤4，先比较公共耦合点的频率fPCC和分布式并网发电系统的额定频率fN，当fPCC≥fN时，则设相位扰动
Figure BDA0001539030340000022
否则设相位扰动
Figure BDA0001539030340000023
式中的r为滑膜频率偏移算法(SMS)中圆形相位偏移曲线的半径，再将相位扰动Δθ加入逆变器的控制信号中；
步骤5，先实时采集加入相位扰动Δθ后的分布式并网发电系统公共耦合点的新的频率fPCC’信号，再判断新的频率fPCC’是否满足fmin≤fPCC’≤fmax，式中的fmin为公共耦合点电压的最小频率，fmax为公共耦合点电压的最大频率，若满足则返回步骤1，否则确认分布式并网发电系统的状态为孤岛状态。
进一步的，所述分布式并网发电系统为单相分布式并网发电系统或三相分布式并网发电系统或多台逆变器并联的分布式并网发电系统。
进一步的，所述的小波变换为离散小波变换，母小波为db4。
进一步的，所述r＝0.253。
进一步的，所述的神经网络为三层前馈BP神经网络。
进一步的，所述公共耦合点电压的最小频率fmin设定为49.5Hz、最大频率fmax设定为50.5Hz。
本发明的有益效果在于：
(1)本发明充分利用小波变换与BP神经网络对非平稳系统中信号的提取和辨识能力，提高了孤岛检测的可靠性。
(2)本发明将传统SMS算法的正弦型相位偏移曲线修改为圆型相位偏移曲线，有效地解决了负载品质因数Qf的过大，传统的相位扰动检测速度会减慢甚至会导致孤岛检测失败的缺陷，而本发明大大地提高了孤岛检测的可靠性。
(3)本发明可广泛地用于包括太阳能发电、风力发电等分布式能源单元的并网逆变器，以及应用于单相分布式并网发电系统、三相分布式并网发电系统和多台逆变器并联的分布式并网发电系统。本发明在保证孤岛识别率的前提下，大大降低了检测方法对分布式并网发电系统电能质量的影响。
附图说明
图1为本发明基本流程示意图。
图2为现有技术(文献2)中不同Qf对应的θload与θSMS随频率变化的曲线。
图3为本发明中不同Qf对应的θload与θSMS随频率变化的曲线。
图4为本发明在不同参数下改进的SMS算法的检测盲区图。
图5为本发明在Qf＝1时的仿真波形。
图6为本发明在Qf＝2.5时的仿真波形。
具体实施方式
下面结合实施例对本发明技术方案做出更为具体的说明：
一种基于小波神经网络与SMS相结合的混合孤岛检测方法，包括如下步骤：
步骤1，实时采集分布式并网发电系统在孤岛以及非孤岛状态下公共耦合点的电压值uPCC(i)，其中的i为采样次数。
步骤2，将采集的电压值uPCC(i)进行如下处理：
将采集的公共耦合点电压值uPCC(i)进行4尺度的离散小波变换，提取第i次采样的第j尺度的细节信号dj(i)，按
Figure BDA0001539030340000041
计算出一个电压周期内的小波系数绝对值的平均值，Ej作为三层前馈BP神经网络的输入信号，对应的孤岛和非孤岛状态作为BP神经网络的输出信号，其中的j＝1,2,3,4，n取200，0表示非孤岛状态，1表示孤岛状态，输入信号，输出信号作为神经网络的训练样本；
Daubechies小波系是由法国学者Daubechies提出的一系列二进制小波的总称，在Matlab中记为dbN，N为小波的序号，N值取2，3，…，10。
步骤3，通过神经网络对学习样本进行训练，获得分布式并网发电系统孤岛状态以及非孤岛状态下的模式识别能力；当神经网络判断系统与主电网断开时，即BP神经网络输出的结果为高电平，则实时采集分布式并网发电系统公共耦合点的频率fPCC信号；当神经网络判断系统与主电网连接时，即BP神经网络输出的结果为低电平，将相位扰动Δθ置零并返回步骤1；
步骤4，先比较公共耦合点的频率fPCC和电网额定频率fN，当fPCC≥fN时，则设相位扰动
Figure BDA0001539030340000051
否则设
Figure BDA0001539030340000052
式中的r为滑膜频率偏移算法(SMS)中圆形相位偏移曲线的半径、r＝0.253，再将相位扰动Δθ加入逆变器的控制信号中；
步骤5，先实时采集加入相位扰动Δθ后的分布式并网发电系统公共耦合点的新的频率fPCC’信号，再判断新的频率fPCC’是否满足fmin≤fPCC’≤fmax，式中的fmin为公共耦合点电压的最小频率，fmax为公共耦合点电压的最大频率，若满足则返回步骤1，否则确认分布式并网发电系统的状态为孤岛状态。
本实施例中所述分布式并网发电系统为单相分布式并网发电系统，当然所述分布式并网发电系统也可以是三相分布式并网发电系统或多台逆变器并联的分布式并网发电系统。
通过比较传统SMS算法和改进后的本发明的SMS算法，在不同Qf条件下对应的相位随频率变化的曲线，由图2、图3可知，本发明的SMS算法在断网时刻G点处的斜率为无穷大，避免当Qf不断增大时，θload与θSMS两曲线的斜率在G点处的逐渐接近。当系统发生断网时，在微小的相位偏移下，会很快的从G点向新的工作点移动，从而使系统频率偏离允许范围而触发孤岛保护功能。所述θload是本地负载的相角，所述θSMS为相位扰动的移相角。
由于参数r的取值对孤岛检测盲区以及检测速度有影响，如图4所示，半径r越大，对应的孤岛检测盲区越小，因此合理的选择r，能在保证快速无盲区的检测孤岛发生的前提下，减少r对相位扰动的影响，从而降低了对电网电能质量的影响。根据《光伏系统并网技术要求》规定，在满足条件下，能消除检测盲区，对应的情况最优。
经实际检验，当将本发明应用于不同类型品质因数负载时，本发明均具有极好的检测实时性和获得了极高的检测准确性。如：
当Qf＝1.0时，参见图5，图中的第一组波形为公共耦合点电压波形，第二组波形为逆变器输出电流，第三组波形为并网开关信号，第四组波形为神经网络波形，第五组波形公共耦合点电压频率波形。由图5可见，神经网络输出一直为0，误判为非孤岛状态，经过一个电网电压周期后，滑膜频率偏移扰动加入系统，经过五个电压周期后，检测到电压频率的频率偏移量超出了阈值范围，孤岛保护动作。孤岛检测时间为0.08s，完全满足了国标GB/T19939-2005对孤岛检测时间的要求。
当Qf＝2.5时，参见图6，图中的第一组波形为公共耦合点电压波形，第二组波形为逆变器输出电流，第三组波形为并网开关信号，第四组波形为神经网络波形，第五组波形公共耦合点电压频率波形。由图6可见，神经网络输出一直为0，误判为非孤岛状态，经过一个电网电压周期后，滑膜频率偏移扰动加入系统，经过五个电压周期后，检测到电压频率的频率偏移量超出了阈值范围，孤岛保护动作。孤岛检测时间为0.1s，完全满足了国标GB/T19939-2005对孤岛检测时间的要求。

Claims (6)

1.一种基于小波神经网络与SMS相结合的混合孤岛检测方法，其特征在于包括如下步骤：
步骤1，实时采集分布式并网发电系统公共耦合点的电压值uPCC(i)，其中的i为采样次数；
步骤2，将采集的电压值uPCC(i)进行如下处理：
将采集的公共耦合点电压值uPCC(i)进行4尺度的小波变换，提取第i次采样的第j尺度的细节信号dj(i)，按
Figure FDA0001539030330000011
计算出一个电压周期内的小波系数绝对值的平均值，Ej作为BP神经网络的输入信号，对应的孤岛和非孤岛状态作为BP神经网络的输出信号，其中j＝1,2,3,4，n为一个电压周期内的采样次数，所述输入信号，输出信号作为BP神经网络的训练样本；
步骤3，通过BP神经网络对所述训练样本进行计算，获得分布式并网发电系统孤岛状态以及非孤岛状态下的模式识别能力；当BP神经网络判断系统与主电网断开时，即BP神经网络输出的结果为高电平，则实时采集分布式并网发电系统公共耦合点的频率fPCC信号；当神经网络判断系统与主电网连接时，即BP神经网络输出的结果为低电平，将相位扰动Δθ置零并返回步骤1；
步骤4，先比较公共耦合点的频率fPCC和分布式并网发电系统的额定频率fN，当fPCC≥fN时，则设相位扰动
Figure FDA0001539030330000012
否则设相位扰动
Figure FDA0001539030330000013
式中的r为滑膜频率偏移算法(SMS)中圆形相位偏移曲线的半径，再将相位扰动Δθ加入逆变器的控制信号中；
步骤5，先实时采集加入相位扰动Δθ后的分布式并网发电系统公共耦合点的新的频率fPCC’信号，再判断新的频率fPCC’是否满足fmin≤fPCC’≤fmax，式中的fmin为公共耦合点电压的最小频率，fmax为公共耦合点电压的最大频率，若满足则返回步骤1，否则确认分布式并网发电系统的状态为孤岛状态。
2.根据权利要求1所述的基于小波神经网络与SMS相结合的混合孤岛检测方法，其特征在于：所述分布式并网发电系统为单相分布式并网发电系统或三相分布式并网发电系统或多台逆变器并联的分布式并网发电系统。
3.根据权利要求1所述的基于小波神经网络与SMS相结合的混合孤岛检测方法，其特征在于：所述的小波变换为离散小波变换，母小波为db4。
4.根据权利要求1所述的基于小波神经网络与SMS相结合的混合孤岛检测方法，其特征在于：所述r＝0.253。
5.根据权利要求1所述的基于小波神经网络与SMS相结合的混合孤岛检测方法，其特征在于：所述的神经网络为三层前馈BP神经网络。
6.根据权利要求1所述的基于小波神经网络与SMS相结合的混合孤岛检测方法，其特征在于：所述公共耦合点电压的最小频率fmin设定为49.5Hz、最大频率fmax设定为50.5Hz。
CN201810007213.5A 2018-01-04 2018-01-04 一种基于小波神经网络与sms相结合的混合孤岛检测方法 Active CN108280269B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810007213.5A CN108280269B (zh) 2018-01-04 2018-01-04 一种基于小波神经网络与sms相结合的混合孤岛检测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810007213.5A CN108280269B (zh) 2018-01-04 2018-01-04 一种基于小波神经网络与sms相结合的混合孤岛检测方法

Publications (2)

Publication Number Publication Date
CN108280269A CN108280269A (zh) 2018-07-13
CN108280269B true CN108280269B (zh) 2021-08-13

Family

ID=62803106

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810007213.5A Active CN108280269B (zh) 2018-01-04 2018-01-04 一种基于小波神经网络与sms相结合的混合孤岛检测方法

Country Status (1)

Country Link
CN (1) CN108280269B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109387713B (zh) * 2018-10-17 2020-09-15 东北大学 一种分布式并网孤岛检测的混合方法
CN113804991B (zh) * 2020-06-15 2024-02-23 兰州理工大学 一种基于反正切滑膜频移的孤岛检测方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262182A (zh) * 2011-07-07 2011-11-30 浙江大学 光伏并网逆变器孤岛检测方法
CN102611140A (zh) * 2012-03-23 2012-07-25 合肥工业大学 基于小波变换与神经网络的并网逆变器孤岛检测方法
CN104638671A (zh) * 2015-01-16 2015-05-20 合肥工业大学 基于引入粒子群算法及相位扰动的孤岛检测方法
CN104730423A (zh) * 2015-04-07 2015-06-24 嘉兴金尚节能科技有限公司 光伏并网发电系统的孤岛效应检测方法
CN105048489A (zh) * 2015-06-23 2015-11-11 四川蜀旺科技有限公司 一种分布式并网发电系统快速检测孤岛方法
CN106019010A (zh) * 2016-05-23 2016-10-12 南昌大学 一种基于滑膜频率偏移法和被动法结合的混合孤岛检测法
CN106058911A (zh) * 2015-04-09 2016-10-26 Abb技术股份公司 电网连接的发电系统和相关直交转换装置中孤岛的检测法

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100630204B1 (ko) * 2005-08-30 2006-10-02 삼성전자주식회사 휴대단말기의 멀티태스킹 수행 장치 및 방법
CN105914776B (zh) * 2016-04-13 2019-05-24 上海交通大学 具有电网故障自愈能力的快速智能反孤岛系统和方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102262182A (zh) * 2011-07-07 2011-11-30 浙江大学 光伏并网逆变器孤岛检测方法
CN102611140A (zh) * 2012-03-23 2012-07-25 合肥工业大学 基于小波变换与神经网络的并网逆变器孤岛检测方法
CN104638671A (zh) * 2015-01-16 2015-05-20 合肥工业大学 基于引入粒子群算法及相位扰动的孤岛检测方法
CN104730423A (zh) * 2015-04-07 2015-06-24 嘉兴金尚节能科技有限公司 光伏并网发电系统的孤岛效应检测方法
CN106058911A (zh) * 2015-04-09 2016-10-26 Abb技术股份公司 电网连接的发电系统和相关直交转换装置中孤岛的检测法
CN105048489A (zh) * 2015-06-23 2015-11-11 四川蜀旺科技有限公司 一种分布式并网发电系统快速检测孤岛方法
CN106019010A (zh) * 2016-05-23 2016-10-12 南昌大学 一种基于滑膜频率偏移法和被动法结合的混合孤岛检测法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
分布式发电多逆变器并网孤岛检测技术研究;谢东;《中国博士学位论文全文数据库 工程科技Ⅱ辑》;20140815;第C042-4页 *
基于小波包与BP神经网络的孤岛检测方法的研究;王涛;《万方学位论文》;20170212;第1-72页 *

Also Published As

Publication number Publication date
CN108280269A (zh) 2018-07-13

Similar Documents

Publication Publication Date Title
CN102611140B (zh) 基于小波变换与神经网络的并网逆变器孤岛检测方法
Zhang et al. Fault diagnosis of wind turbine power converter considering wavelet transform, feature analysis, judgment and BP neural network
Guha et al. A passive islanding detection approach for inverter-based distributed generation using rate of change of frequency analysis
Nale et al. Comparative assessment of passive islanding detection techniques for microgrid
CN103366315B (zh) 基于配电网故障失负荷恢复值的配电网运行安全评估方法
CN108280269B (zh) 一种基于小波神经网络与sms相结合的混合孤岛检测方法
CN104638671A (zh) 基于引入粒子群算法及相位扰动的孤岛检测方法
Mahela et al. A voltage based technique using combined features of stockwell transform and hilbert transform for detection of islanding events
Khan et al. An efficient islanding classification technique for single phase grid connected photovoltaic system
CN109387713B (zh) 一种分布式并网孤岛检测的混合方法
Mishra et al. Islanding detection of microgrid using EMD and random forest classifier
Liu et al. Feature analysis in time-domain and fault diagnosis of series arc fault
Adouni et al. DC-DC converter fault diagnostic in PV system
CN115808600B (zh) 基于数学形态学和模式识别的直流电弧检测方法
Hariprasad et al. A novel adaptive rule-based islanding detection technique for voltage source inverter-based distribution generation
Swarnkar et al. Multivariable passive method for detection of islanding events in renewable energy based power grids
Sun et al. Fault diagnosis for VSC-HVDC using wavelet transform
Taheri et al. A novel approach for detection high impedance fault in DC microgrid
An et al. IGBT open circuit fault diagnosis method for a modular multilevel converter based on PNN-MD
Ray et al. Coherency determination in grid-connected distributed generation based hybrid system under islanding scenarios
CN111525517B (zh) 一种换流阀子模块过电压的抑制方法和系统
CN114421525A (zh) 一种基于光伏低压并网开关的防孤岛方法及系统
CN114243649A (zh) 基于动态时间弯曲距离与浮动门槛的配网差动保护方法
CN114156955A (zh) 一种直流配电网的防孤岛检测方法、系统及其控制方法
CN112865031A (zh) 基于电流衰减比的高压直流输电线路雷击干扰识别方法

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
CB02 Change of applicant information
CB02 Change of applicant information

Address after: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District

Applicant after: STATE GRID CORPORATION OF CHINA

Applicant after: STATE GRID ANHUI ELECTRIC POWER CO., LTD. TONGLING POWER SUPPLY Co.

Address before: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District

Applicant before: State Grid Corporation of China

Applicant before: STATE GRID ANHUI ELECTRIC POWER CO., LTD. TONGLING POWER SUPPLY Co.

TA01 Transfer of patent application right
TA01 Transfer of patent application right

Effective date of registration: 20210721

Address after: 244000 No.91 middle Changjiang Road, Tongguan District, Tongling City, Anhui Province

Applicant after: STATE GRID ANHUI ELECTRIC POWER CO., LTD. TONGLING POWER SUPPLY Co.

Address before: 100031 No. 86 West Chang'an Avenue, Beijing, Xicheng District

Applicant before: STATE GRID CORPORATION OF CHINA

Applicant before: STATE GRID ANHUI ELECTRIC POWER CO., LTD. TONGLING POWER SUPPLY Co.

GR01 Patent grant
GR01 Patent grant