CN108510005A - 一种基于卷积神经网络的配电网高阻接地故障识别方法 - Google Patents
一种基于卷积神经网络的配电网高阻接地故障识别方法 Download PDFInfo
- Publication number
- CN108510005A CN108510005A CN201810304830.1A CN201810304830A CN108510005A CN 108510005 A CN108510005 A CN 108510005A CN 201810304830 A CN201810304830 A CN 201810304830A CN 108510005 A CN108510005 A CN 108510005A
- Authority
- CN
- China
- Prior art keywords
- frequency
- time
- power distribution
- distribution network
- convolutional neural
- 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.)
- Pending
Links
- 238000013527 convolutional neural network Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 26
- 230000001052 transient effect Effects 0.000 claims abstract description 19
- 239000011159 matrix material Substances 0.000 claims abstract description 15
- 238000001228 spectrum Methods 0.000 claims abstract description 13
- 238000001914 filtration Methods 0.000 claims abstract description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 239000003990 capacitor Substances 0.000 claims description 5
- 238000000354 decomposition reaction Methods 0.000 claims description 4
- 238000004088 simulation Methods 0.000 claims description 4
- 238000001514 detection method Methods 0.000 claims description 3
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 239000010426 asphalt Substances 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000004568 cement Substances 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Mathematical Physics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
- Locating Faults (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明涉及一种基于卷积神经网络的配电网高阻接地故障识别方法，首先获取配电网高阻接地故障以及多种暂态扰动下的主变低压侧三相电压和零序电压信号；然后利用局部特征尺度法分解信号，对各电压信号进行等频带宽的带通滤波，构造时频矩阵，得到分块时频谱图；最后采用卷积神经网络算法进行分类识别，判断是否发生高阻接地故障。
Description
技术领域
本发明涉及配电网领域，特别是一种基于卷积神经网络的配电网高阻接地故障识别方法。
背景技术
配电网是作为电力系统的末端直接与用户相连起分配电能作用的网络，包括0.4-110kV各电压等级的电网。配电网是电力系统中与用户联系最为紧密的环节，其覆盖面广泛，相比于输电网故障几率高，据统计，电力系统有80％以上的故障发生于配电网。目前，配电网的规模不断扩大，对配电网安全、可靠、经济运行的重视程度也随之增大，对配电网馈线的安全性和可靠性的要求自然也就越来越高。配电网络靠近负荷中心，具有结构多样、等级复杂等特点，此外，我国的配电网自动化程度较低，面对日渐提高的电能要求，提升配电系统的可靠性对电力系统的安全、可靠、稳定、经济运行起着重要作用。
配电网拓扑复杂、线路众多，当导线掉落接触到如碎石、沥青、树木、沙砾等高阻性表面时，线路与接触表面之间呈现高阻性，此时发生的故障被称为高阻接地故障(HighImpedance Fault，HIF)。当遭遇大风、雷击等恶劣天气时，高阻接地故障也会发生。相较于一般单相接地故障，高阻接地故障的过渡电阻很大，可以达到几百甚至几千，其发生时故障电流很小，不到负荷电流的10％，电压、电流的变化量很小，常规的过流继电器检测困难，无法动作切除故障部分，可靠性不高。单相接地故障往往伴随着燃弧现象，将产生电弧接地过电压，作用时间较长，如果系统设备长期处在故障状态下运行，尤其是系统中存在未被检测出的高阻接地故障时，极易使系统设备出现新的接地点，引发短路故障，扩大事故影响。
有统计分析表明，相当多的相间故障均是由单相接地发展而来。HIF常会长期存在，一旦数值很小的故障电流不被切除而长时间存在将引起严重的危害：故障点燃弧产生的高温与易燃物接触极易引发火灾，威胁电气设备安全，且高阻接地故障多落于沙地、水泥地等，可能导致人身触电等安全事故，因此需要对其进行快速检测及识别分类，并采取相应措施。
发明内容
有鉴于此，本发明的目的是提出一种基于卷积神经网络的配电网高阻接地故障识别方法，采用分块时频谱图作为深度学习算法的输入，能够自主学习各类过电压的特征，实现配电网内部过电压的分类识别。
本发明采用以下方案实现：一种基于卷积神经网络的配电网高阻接地故障识别方法，具体包括以下步骤：
步骤S1：获取高阻接地故障以及其他暂态扰动情况所引起的暂态扰动信号；
步骤S2：利用局部特征尺度分解方法分解步骤S1获取的信号；
步骤S3：按照设定的频带对步骤S2分解后的信号进行带通滤波，构造时频矩阵；
步骤S4：获取分块时频谱图；
步骤S5：采用卷积神经网络算法对步骤S4获得的分块时频谱图进行分类识别，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。
进一步地，所述其他暂态扰动情况包括电容器投入、负荷投入、空载线路投入、以及单相接地故障。
进一步地，所述步骤S1中，所述暂态扰动信号具体截取故障前的半个周波和故障后的一个半周波的母线三相电压和零序电压仿真波形。即截取多种暂态扰动下的主变低压侧三相电压和零序电压信号。
进一步地，所述步骤S3中，设截取的波形信号经LCD带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为aij(i＝1,2,...,m；j＝1,2,...n)，构造时频矩阵为：
进一步地，其特征在于：
步骤S41：设输入波形被分解为m个频带，每个频带n个数据点，将时频矩阵中各个频带序列按时间进行L等分，得到L个区块，即时频块；每个时频块中含有P个数据点，其中P＝n/L，定义第m个频带的第L个时频能量块为：
其中，表示第m个频带第L个时频块中第y个数据点的幅值，Δt表示两个数据点间的时间间隔，即采样周期；
步骤S42：每个过电压信号的分块时频谱矩阵为：
步骤S43：将4个过电压波形对应的分块时频谱按三相电压、零序电压的顺序从上至下拼接，即得到总的分块时频谱Etotal，作为过电压识别的特征量，其总的分块时频谱Etotal表达形式为：
其中，分别表示母线三相电压以及零序电压的分块时频谱图。
与现有技术相比，本发明有以下有益效果：
1、本发明首次将卷积神经网络应用于配电网高阻接地故障的识别分类中。卷积神经网络不需要进行多个特征量的提取，可以自主学习各类分块时频谱图的特征，训练完成即可进行高阻接地故障识别，并且在识别正确率上高于常规的基于人为构造特征量的分类方法。
2.本发明利用LCD时频分解结合带通滤波算法以解决LCD的模态混叠问题并可实现这些暂态和稳态信号在频带上的分离并滤去高频杂讯，增强信号可比性，提高识别成功率。
3.本发明提出的方法具有良好的配电网故障类型识别性能、抗干扰能力和不同系统的样本兼容性，分类性能和适应性优秀。
附图说明
图1为本发明的算法流程示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
如图1所示，本实施例提供了一种基于卷积神经网络的配电网高阻接地故障识别方法，具体包括以下步骤：
步骤S1：获取高阻接地故障以及其他暂态情况所引起的暂态扰动信号；
步骤S2：利用局部特征尺度分解方法分解步骤S1获取的信号；
步骤S3：按照设定的频带对步骤S2分解后的信号进行带通滤波，构造时频矩阵；
步骤S4：获取分块时频谱图；
步骤S5：采用卷积神经网络算法对步骤S4获得的分块时频谱图进行分类识别，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。
在本实施例中，所述其他暂态扰动情况包括电容器投入、负荷投入、空载线路投入、以及单相接地故障。
在本实施例中，所述步骤S1中，所述暂态扰动信号具体截取故障前的半个周波和故障后的一个半周波的母线三相电压和零序电压仿真波形。即截取多种暂态扰动下的主变低压侧三相电压和零序电压信号。
在本实施例中，所述步骤S3中，设截取的波形信号经LCD带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为aij(i＝1,2,...,m；j＝1,2,...n)，构造时频矩阵为：
在本实施例中，其特征在于：
步骤S41：设输入波形被分解为m个频带，每个频带n个数据点，将时频矩阵中各个频带序列按时间进行L等分，得到L个区块，即时频块；每个时频块中含有P个数据点，其中P＝n/L，定义第m个频带的第L个时频能量块为：
其中，表示第m个频带第L个时频块中第y个数据点的幅值，Δt表示两个数据点间的时间间隔，即采样周期；
步骤S42：每个过电压信号的分块时频谱矩阵为：
步骤S43：将4个过电压波形对应的分块时频谱按三相电压、零序电压的顺序从上至下拼接，即得到总的分块时频谱Etotal，作为过电压识别的特征量，其总的分块时频谱Etotal表达形式为：
其中，分别表示母线三相电压以及零序电压的分块时频谱图。
特别的，由于配电网中还存在一些与高阻接地故障相似的暂态扰动工况，如电容器投入、负荷投入、空载线路投入等，采用本实施例的方法能够将高阻接地故障与这些正常暂态扰动工况区分开。在利用PSCAD/EMTDC搭建的10kV配电网仿真模型中，获取高阻接地故障以及其他暂态过程(电容器投入、负荷投入、空载线路投入、单相接地故障)的母线三相电压、零序电压，输入信号长度取故障前半周波和故障后一个半周波。之后，利用LCD带通滤波算法构建时频矩阵，再将其转化成分块时频谱图作为卷积神经网络的输入，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。
Claims (5)
1.一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：包括以下步骤：
步骤S1：获取高阻接地故障以及其他暂态扰动情况的暂态扰动信号；
步骤S2：利用局部特征尺度分解方法分解步骤S1获取的信号；
步骤S3：按照设定的频带对步骤S2分解后的信号进行带通滤波，构造时频矩阵；
步骤S4：获取分块时频谱图；
步骤S5：采用卷积神经网络算法对步骤S4获得的分块时频谱图进行分类识别，再利用BP算法训练CNN，通过训练完成的CNN实现配电网高阻接地故障的识别。
2.根据权利要求1所述的一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：所述其他暂态扰动情况包括电容器投入、负荷投入、空载线路投入、以及单相接地故障。
3.根据权利要求1所述的一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：所述步骤S1中，所述暂态扰动信号具体截取故障前的半个周波和故障后的一个半周波的母线三相电压和零序电压仿真波形。
4.根据权利要求1所述的一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：所述步骤S3中，设截取的波形信号经LCD带通滤波后分解为m个子频带，各个波形采样点数均为n，各个子频带波形的数据点为aij(i＝1,2,...,m；j＝1,2,...n)，构造时频矩阵为：
5.根据权利要求1所述的一种基于卷积神经网络的配电网高阻接地故障识别方法，其特征在于：
步骤S41：设输入波形被分解为m个频带，每个频带n个数据点，将时频矩阵中各个频带序列按时间进行L等分，得到L个区块，即时频块；每个时频块中含有P个数据点，其中P＝n/L，定义第m个频带的第L个时频能量块为：
其中，表示第m个频带第L个时频块中第y个数据点的幅值，Δt表示两个数据点间的时间间隔，即采样周期；
步骤S42：每个过电压信号的分块时频谱矩阵为：
步骤S43：将4个过电压波形对应的分块时频谱按三相电压、零序电压的顺序从上至下拼接，即得到总的分块时频谱Etotal，作为过电压识别的特征量，其总的分块时频谱Etotal表达形式为：
其中，分别表示母线三相电压以及零序电压的分块时频谱图。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810304830.1A CN108510005A (zh) | 2018-04-08 | 2018-04-08 | 一种基于卷积神经网络的配电网高阻接地故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810304830.1A CN108510005A (zh) | 2018-04-08 | 2018-04-08 | 一种基于卷积神经网络的配电网高阻接地故障识别方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108510005A true CN108510005A (zh) | 2018-09-07 |
Family
ID=63380682
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810304830.1A Pending CN108510005A (zh) | 2018-04-08 | 2018-04-08 | 一种基于卷积神经网络的配电网高阻接地故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108510005A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444667A (zh) * | 2018-12-17 | 2019-03-08 | 国网山东省电力公司电力科学研究院 | 基于卷积神经网络的配电网早期故障分类方法及装置 |
| CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
| CN110320436A (zh) * | 2019-07-06 | 2019-10-11 | 河南理工大学 | 基于颜色关系分类器的柔性直流配电网高阻接地故障检测方法 |
| CN111596165A (zh) * | 2020-04-13 | 2020-08-28 | 上海紫通信息科技有限公司 | 一种稳态暂态平滑拼接输出的配电网故障模拟方法 |
| CN112180217A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
| CN112255500A (zh) * | 2020-10-12 | 2021-01-22 | 山东翰林科技有限公司 | 一种基于迁移学习的配电网弱特征故障辨识方法 |
| CN112415259A (zh) * | 2020-11-28 | 2021-02-26 | 国网江苏省电力有限公司盐城供电分公司 | 一种电缆过电压检测方法 |
| CN113447766A (zh) * | 2021-08-17 | 2021-09-28 | 广东电网有限责任公司东莞供电局 | 一种高阻接地故障的检测方法、装置、设备和存储介质 |
| CN113702773A (zh) * | 2021-09-27 | 2021-11-26 | 广东电网有限责任公司东莞供电局 | 配电网的高阻接地故障定位方法、装置、设备和介质 |
| CN113820624A (zh) * | 2021-09-30 | 2021-12-21 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障识别装置 |
| CN113945862A (zh) * | 2021-10-18 | 2022-01-18 | 广东电网有限责任公司东莞供电局 | 一种配电网高阻接地故障识别方法、装置及设备 |
| CN115293303A (zh) * | 2022-10-10 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种高压输电线网监测方法、系统、设备和介质 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344875A (zh) * | 2013-07-02 | 2013-10-09 | 福州大学 | 谐振接地系统单相接地故障分类选线方法 |
| CN106680576A (zh) * | 2017-01-11 | 2017-05-17 | 福州大学 | 基于分块时频谱和深度学习算法的配电网内部过电压识别方法 |
| CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
-
2018
- 2018-04-08 CN CN201810304830.1A patent/CN108510005A/zh active Pending
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103344875A (zh) * | 2013-07-02 | 2013-10-09 | 福州大学 | 谐振接地系统单相接地故障分类选线方法 |
| CN106680576A (zh) * | 2017-01-11 | 2017-05-17 | 福州大学 | 基于分块时频谱和深度学习算法的配电网内部过电压识别方法 |
| CN107167702A (zh) * | 2017-05-04 | 2017-09-15 | 国网福建省电力有限公司 | 一种配电网馈线故障类型识别方法及装置 |
Non-Patent Citations (1)
| Title |
|---|
| 张君琦等: "配电网高阻接地故障时频特征SVM分类识别方法", 《电气技术》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109444667B (zh) * | 2018-12-17 | 2021-02-19 | 国网山东省电力公司电力科学研究院 | 基于卷积神经网络的配电网早期故障分类方法及装置 |
| CN109444667A (zh) * | 2018-12-17 | 2019-03-08 | 国网山东省电力公司电力科学研究院 | 基于卷积神经网络的配电网早期故障分类方法及装置 |
| CN109508908A (zh) * | 2018-12-25 | 2019-03-22 | 深圳市城市公共安全技术研究院有限公司 | 非侵入式负荷识别模型训练方法、负荷监测方法及装置 |
| CN110320436A (zh) * | 2019-07-06 | 2019-10-11 | 河南理工大学 | 基于颜色关系分类器的柔性直流配电网高阻接地故障检测方法 |
| CN111596165A (zh) * | 2020-04-13 | 2020-08-28 | 上海紫通信息科技有限公司 | 一种稳态暂态平滑拼接输出的配电网故障模拟方法 |
| CN111596165B (zh) * | 2020-04-13 | 2022-03-29 | 上海紫通信息科技有限公司 | 一种稳态暂态平滑拼接输出的配电网故障模拟方法 |
| CN112180217A (zh) * | 2020-09-30 | 2021-01-05 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
| CN112255500A (zh) * | 2020-10-12 | 2021-01-22 | 山东翰林科技有限公司 | 一种基于迁移学习的配电网弱特征故障辨识方法 |
| CN112415259A (zh) * | 2020-11-28 | 2021-02-26 | 国网江苏省电力有限公司盐城供电分公司 | 一种电缆过电压检测方法 |
| CN113447766A (zh) * | 2021-08-17 | 2021-09-28 | 广东电网有限责任公司东莞供电局 | 一种高阻接地故障的检测方法、装置、设备和存储介质 |
| CN113702773A (zh) * | 2021-09-27 | 2021-11-26 | 广东电网有限责任公司东莞供电局 | 配电网的高阻接地故障定位方法、装置、设备和介质 |
| CN113702773B (zh) * | 2021-09-27 | 2023-05-02 | 广东电网有限责任公司东莞供电局 | 配电网的高阻接地故障定位方法、装置、设备和介质 |
| CN113820624A (zh) * | 2021-09-30 | 2021-12-21 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障识别装置 |
| CN113820624B (zh) * | 2021-09-30 | 2024-04-16 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障识别装置 |
| CN113945862A (zh) * | 2021-10-18 | 2022-01-18 | 广东电网有限责任公司东莞供电局 | 一种配电网高阻接地故障识别方法、装置及设备 |
| CN115293303A (zh) * | 2022-10-10 | 2022-11-04 | 广东电网有限责任公司中山供电局 | 一种高压输电线网监测方法、系统、设备和介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108510005A (zh) | 一种基于卷积神经网络的配电网高阻接地故障识别方法 | |
| CN103344875B (zh) | 谐振接地系统单相接地故障分类选线方法 | |
| CN101373197B (zh) | 一种过电压在线监测方法及其装置 | |
| CN102135560B (zh) | 雷电波侵入变电站的扰动识别方法 | |
| CN106226635A (zh) | 一种配电网馈线故障类型识别方法及装置 | |
| CN106771520B (zh) | 一种配电网暂时过电压分类识别方法及装置 | |
| CN108683160B (zh) | 一种用于直流输电线路故障电流的暂态能量保护方法 | |
| CN104280644B (zh) | 一种直流输电工程典型暂态故障识别方法 | |
| CN104155626B (zh) | 一种检测电压互感器抵御地电位升高能力的系统 | |
| CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
| CN111985412B (zh) | 一种高压直流输电线路雷击干扰识别方法 | |
| CN108896869A (zh) | 一种基于s变换的高压直流输电线路雷击干扰识别方法 | |
| CN103197124A (zh) | 基于时频矩阵奇异值的过电压识别方法 | |
| CN113300343B (zh) | 一种基于余弦相似度的柔性直流电网故障线路识别方法 | |
| CN105809574A (zh) | 一种结合地形参数判定线路走廊云地闪高危区段的方法 | |
| CN111999591A (zh) | 一种配电网一次设备异常状态的识别方法 | |
| CN104655980B (zh) | 一种基于db4小波分解的非本侧电压等级邻近线路短路故障快速识别方法 | |
| CN205263221U (zh) | 一种超高压输电线路杆塔雷电屏蔽能力模拟试验平台 | |
| CN112162173A (zh) | 一种基于故障电流频带分布差异的配电网雷击与非雷击故障辨识方法 | |
| CN112083278A (zh) | 一种基于站端故障电流宽频检测的配电网直击雷与感应雷辨识方法 | |
| CN116863233A (zh) | 一种基于图像分类的配电网高阻接地故障智能识别方法 | |
| CN114910744B (zh) | 基于s变换和自适应平均奇异熵的高阻接地故障检测方法 | |
| CN110927528A (zh) | 一种输电线路故障模拟试验装置 | |
| Kumar et al. | A single ended wavelet based fault classification scheme in transmission line | |
| CN108414845B (zh) | 基于光学集成电场传感器的雷电能量频域分布统计方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180907 |