CN109142851A - 一种新型的配电网内部过电压识别方法 - Google Patents
一种新型的配电网内部过电压识别方法 Download PDFInfo
- Publication number
- CN109142851A CN109142851A CN201810838379.1A CN201810838379A CN109142851A CN 109142851 A CN109142851 A CN 109142851A CN 201810838379 A CN201810838379 A CN 201810838379A CN 109142851 A CN109142851 A CN 109142851A
- Authority
- CN
- China
- Prior art keywords
- overvoltage
- frequency
- distribution network
- power distribution
- atomic
- 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
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
- G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
- G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
- G01R19/16576—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing DC or AC voltage with one threshold
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种新型的配电网内部过电压识别方法。将基于帝国殖民竞争算法优化的原子分解算法应用于过电压信号的分析中,经优化后的算法能快速、有效提取信号内部特征,且不易受噪声干扰;基于原子分解算法,构造三相特征原子谱,将仅含有时域信息的波形信号,转化为含有时频信息的高维特征,完备地描述了过电压信号的时频特性;利用卷积神经网络直接对三相特征原子谱进行识别,解决了基于浅层学习识别算法对于高维特征识别的不足,避免了特征简约过程中存在的主观性和复杂性。本发明的配电网过电压类型识别方法,经仿真波形和实物模型验证具有较高的识别准确率和较强的适应能力。
Description
技术领域
本发明涉及配电网领域,特别涉及一种新型的配电网内部过电压识别方法。
背景技术
传统运行经验和研究表明,过电压可能导致设备及线路的绝缘击穿,影响电力系统的正常工作,最终带来巨大的经济损失及人身危害。据统计,配电网的过电压事故约占整个电力系统过电压事故的70%~80%,快速、准确地识别过电压类型,将有助于工程技术人员及时查明事故原因,为提出过电压抑制方法和配电网绝缘配合的改进提供依据,对提高配电网自愈能力,构建坚强智能电网具有重大意义。
过电压的识别方法通常包括特征提取和模式识别。目前,在特征提取中常用的方法有傅里叶变换、小波变换、希尔伯特-黄变换、S变换等。这些方法虽然具有较强的时频分析能力,但噪声对其分析能力均有较大影响。由于现有过电压识别方法主要是基于浅层学习,这类方法对于特征维数有限制。因此特征提取后,还需要进行特征简约。特征简约中常用的方法有主成分分析、奇异值分解、构造数学统计量等,在加入特征简约后,往往会增加识别算法的复杂性和主观性,同时也可能造成某些重要信息的丢失,导致识别算法的适应性较低。在模式识别方面,常用的分类器有多级支持向量机、极限学习机、RBF神经网络等。这类浅层分类器,对于低维特征均有较好的识别效果,但由于结构限制对于高维特征往往难以识别。
发明内容
本发明的目的在于提供一种新型的配电网内部过电压识别方法,该方法将帝国殖民竞争算法用于优化原子分解的匹配追踪过程,提高了原子分解算法的分解精度和速度;同时,基于原子分解算法构造出一种高维特征——三相特征原子谱,结合卷积神经网络实现高维特征的识别,避免了传统方法在特征简约中存在的复杂性和主观性;通过仿真和实物平台验证,本发明相对于传统识别方法具有更高的识别准确率和更强的适应性。
为实现上述目的,本发明的技术方案是:一种新型的配电网内部过电压识别方法,包括如下步骤:
步骤S1、配电网发生过电压后,获取母线三相电压在过电压发生前后一段时间内的波形采样数据,获取电压数据;
步骤S2、对步骤S1获取的电压数据进行原子分解,获得最优原子及其参数;
步骤S3、对步骤S2获取的最优原子依据频率重构到各个子频带中,得到时频矩阵;
步骤S4、对时频矩阵进行分块求和,并按相拼接,得到三相特征原子谱;
步骤S5、采用卷积神经网络对三相特征原子谱进行识别,判别获取的过电压数据是哪一种内部过电压。
在本发明一实施例中,所述步骤S1具体实现方式为:截取过电压发生前1个周波和后3.5个周波,共4.5个周波的三相电压采样数据。
在本发明一实施例中,所述步骤S2具体实现方式为:在原子分解算法中,加入帝国殖民竞争算法优化匹配追踪的过程。
在本发明一实施例中,所述步骤S3具体实现方式为:将最优原子依据频率划分到m个子频带中,频带m中第k个点的幅值为
式中:Uf(k)为属于频带m的原子在第k个点的幅值;f为原子频率;H为原子的数据点个数。
在本发明一实施例中,所述步骤S4具体实现步骤如下:
步骤S41:将得到的每个频带的时段进行N等分;定义频带m在时段n内原子幅值为
步骤S42:求出所有频带和时段的原子幅值,即可得到表征信号时频信息的特征原子谱E:
步骤S43:将特征原子谱按三相电压的顺序从上至下拼接,即可得到三相特征原子谱E3,其表达形式为
其中,分别表示A、B、C相电压的特征原子谱。
相较于现有技术,本发明具有以下有益效果:
1)本发明将原子分解算法应用于过电压信号的分解,弥补常用时频分析方法易受噪声影响的缺陷;
2)本发明利用帝国殖民竞争算法优化原子分解算法,大大提高了原子分解在匹配追踪过程中的速度与精度;
3)本发明基于原子分解算法构造出一种高维特征——三相特征原子谱,可完备地描述电压波形在各个频带内的时频特征且不易受噪声影响。同时,不同类型过电压的特征原子谱差异明显;
4)本发明结合深度学习算法进行过电压类型识别,能够克服浅层学习算法对于高维特征识别准确率低的缺陷,避免由于特征简约带来的主观性和复杂性,且适应性强。
5)本发明的配电网内部过电压类型识别方法在噪声干扰的工况下,仍具有较高的过电压类型识别正确率,适应能力较强。
附图说明
图1是本发明算法流程示意图。
图2是本发明中基于帝国殖民竞争算法优化的原子分解算法流程图。
图3是本发明的卷积神经网络结构图。
图4是本发明涉及的7类配电网内部过电压波形及其三相特征原子谱图。
图5是本发明实施案例中所应用的10kV配电网模型。
图6是本发明实施案例中所应用的物理仿真系统实拍图。
图7是本发明实施案例中所应用的物理仿真系统的拓扑图。
具体实施方式
下面结合附图,对本发明的技术方案进行具体说明。
本发明提供了一种新型的配电网内部过电压识别方法,包括如下步骤:
步骤S1、配电网发生过电压后,获取母线三相电压在过电压发生前后一段时间内的波形采样数据,获取电压数据;
步骤S2、对步骤S1获取的电压数据进行原子分解,获得最优原子及其参数;
步骤S3、对步骤S2获取的最优原子依据频率重构到各个子频带中,得到时频矩阵;
步骤S4、对时频矩阵进行分块求和,并按相拼接,得到三相特征原子谱;
步骤S5、采用卷积神经网络对三相特征原子谱进行识别,判别获取的过电压数据是哪一种内部过电压。
所述步骤S1具体实现方式为:截取过电压发生前1个周波和后3.5个周波,共4.5个周波的三相电压采样数据。
所述步骤S2具体实现方式为:在原子分解算法中,加入帝国殖民竞争算法优化匹配追踪的过程。且为了获取过电压信号的完整内部结构,将原子分解的分解次数设置为10次。
所述步骤S3具体实现方式为:将总频带宽度设为0~4kHz,并将频带数m设为15,频带宽为不等间隔,频带范围为[0 10 20 30 40 80 200 300 400 500 600 700 1000 15002000 4000],第一个频带为0~10Hz,第二个频带为10~20Hz,以此类推。
将获得的最优原子及其频率参数,按照频率划分到15个子频带中,频带m中第k个点的幅值为
式中:Uf(k)为属于频带m的原子在第k个点的幅值;f为原子频率;H为原子的数据点个数。
所述步骤S4具体实现步骤如下:
步骤S41:将得到的每个频带的时段进行N等分;定义频带m在时段n内原子幅值为
步骤S42:求出所有频带和时段的原子幅值,即可得到表征信号时频信息的特征原子谱E:
步骤S43:将特征原子谱按三相电压的顺序从上至下拼接,即可得到三相特征原子谱E3,其表达形式为
其中,分别表示A、B、C相电压的特征原子谱。
以下为本发明的具体实现过程。
本实施案例提供一种基于原子分解和深度学习的配电网内部过电压识别方法,如图1所示,包括如下步骤:
步骤S1:配电网发生过电压后,截取过电压发生前1.5个周波和过电压发生后的3个周波,共4.5个周波的电压采样信号;
步骤S2:利用基于帝国殖民竞争算法优化后的原子分解算法分解步骤S1获取的电压信号;
步骤S3:依据频率将步骤S2获取的最优原子重构到设定的频带中,得到时频矩阵;
步骤S4:将步骤S3获取的时频矩阵在时域上进行等分后,再将A、B、C三相按行拼接,得到三相特征原子谱;
步骤S5:采用卷积神经网络对步骤S4获取的三相特征原子谱进行过电压类型识别。
本实施案例中,首先利用ATP-EMTP电磁暂态仿真软件,搭建10KV配电网模型获取内部过电压的波形,为了能得到过电压发生前后的时频特性,设置数据区间为过电压发生前1.5个周波至发生后3个周波;利用原子分解算法对过电压信号进行10次分解,将原子分解获得的最优原子依据频率重构到预设的频带后,再对该矩阵按时域进行划分,即可获得特征原子谱。最后,将三相按行拼接获得三相特征原子谱,作为卷积神经网络的训练样本和测试样本,从而实现对内部过电压的类型识别。
本实施案例中,所述原子分解算法使用阻尼正弦原子库作为过完备原子库,并使用帝国殖民竞争算法优化的匹配追踪算法作为将信号在原子库中稀疏分解的求解算法;用原子分解算法分解内部过电压信号流程图,如图2所示,具体过程如下:
(1)构造阻尼正弦原子库式中,每一个衰减正弦量原子模型包含5个参数(f,φ,ρ,ts,te)。其中:f为原子频率;φ为初相位;ρ为衰减系数;ts和te分别为衰减正弦量原子的开始与终止时间;u(t)为单位阶跃函数;Kγ为原子归一化因子。
(2)给定帝国殖民竞争的匹配追踪算法的适应度评价函数为式中,为第n次迭代时求得的最优原子;Rnx为当前信号;表示内积运算;
(3)设置分解次数为N,开始分解过程,用优化后的匹配追踪算法进行原子分解,开始寻优,每一次分解都选出一个权力最大帝国作为最优解,也就获得了最优原子及其参数;
(4)按照公式更新当前残余信号Rm+1x;判断分解次数是否小于N,若是,则循环执行步骤(4)和(5),否则终止分解;
(5)提取N次分解的最优解,即最优原子,并得到对应的5个特征参数,分别为频率、初相角、衰减系数、开始时间、截止时间;
本实施案例中,构造三相特征原子谱能克服最优原子分解顺序存在的偶然性。具体为:
定义频带m中第k个点的幅值为
式中:Uf(k)为属于频带m的原子在第k个点的幅值;f为原子频率;H为原子的数据点个数。
为了充分利用过电压信号时域局部化的特性,将得到的每个频带的时段进行N等分。定义频带m在时段n内原子幅值为
求出所有频带和时段的原子幅值,即可得到表征信号时频信息的特征原子谱E:
将过电压波形对应的特征原子谱按三相电压的顺序从上至下拼接,即可得到三相特征原子谱E3,其表达形式为
其中,分别表示A、B、C相电压的特征原子谱。
基于过电压频率特性以及对大量过电压信号进行原子分解后,发现原子频率主要集中在0~4kHz,因此将该范围作为总频带宽度,并将频带数m设为15,频带宽为不等间隔,频带范围为[0 10 20 30 40 80 200 300 400 500 600 700 1000 1500 2000 4000],第一个频带为0~10Hz,第二个频带为10~20Hz,以此类推。为减少时域上的冗余,在时域上每20个点求和,即N=20。在10kHz的采样频率下,最后得到维度维度为45×45的三相特征原子谱。
本实施案例中,采用7层卷积神经网络,包含一个输入层、2个卷积层、2个下采样层、1个全连接层和1个输出层,如图3所示。利用反向传播(BP)算法对所设计的卷积神经网络进行训练。具体为:
(1)初始化CNN的网络结构,包括学习率、训练次数、批量样本数、卷积核尺寸、下采样方式等;
(2)将获得的三相特征原子谱分为一半作为训练集,一半作为测试集;
(3)将训练样本集输入到CNN模型中,初始化权值矩阵和偏置项b。
(4)信息经过前向传播,从输入层经过逐级变换到输出层,得到实际输出,计算其与目标输出的误差;
(5)为了使误差达到最小,采用反向传播算法,计算误差关于参数的梯度,根据最优梯度,不断更新参数;
(6)重复步骤(4)和步骤(5),当达到预设的训练次数或精度满足要求时,完成CNN模型的训练。
本实施案例中,如图2所示,利用ATP-EMTP软件搭建10KV配电网模型用于获取过电压数据。在配电网线路模型中,G为110kV无穷大系统电源;T1为110kV/10.5kV主变压器;T2为10kV/0.4kV配电变压器;OL为架空线路,其参数为:R0=0.23Ω/km,C0=0.008μF/km,L0=5.48mH/km;R1=0.17Ω/km,C1=0.0097μF/km,L1=1.21mH/km;CL为电缆线路,其参数为:R0=2.7Ω/km,C0=0.28μF/km,L0=1.019mH/km;R1=0.27Ω/km,C1=0.339μF/km,L1=0.255mH/km。综合考虑故障点、故障初相角、故障过渡电阻等因素,对图5所示的中性点不接地系统发生的内部过电压进行仿真,获得7类型内部过电压样本,样本容量为2742,其中一半作为训练样本,一半作为测试样本。
配电网内部过电压类型识别的步骤为:
(1)三相特征原子谱的获取。
对获取的7类配电网内部过电压波形进行原子分解,分解次数设置为10;根据最优原子频率将其划分到15个频带中,获得时频矩阵;将时频矩阵在时间域上分块求和后在按相拼接,获取7类配电网内部过电压三相特征原子谱。原始波形及其对应的三相特征原子谱,如图4所示。
(2)内部过电压的类型识别
模型参数设置为:激活函数为Sigmoid函数,批量样本数为3,训练次数为40次;输入层输入特征为45×45的三相特征原子谱;卷积层1采用4个4×4的卷积核,卷积层2采用8个6×6的卷积核;两个下采样层均为均值下采样,下采样因子为2;输出层输出是一个7×1的类型判别向量,输出结构的每个元素值均在[0,1]之间,取其最大值所在位置的编号作为模型识别的类型,其对应关系为:1:分频谐振;2:基频谐振;3:高频谐振;4:单相金属性接地;5:间歇性弧光接地;6:合闸空载线路;7:投切电容器组。
在本实施案例中,根据上述配电网内部过电压类型识别步骤,对获得的样本进行识别,识别准确率如表1所示。
表1识别效果
过电压类型 | 样本数 | 识别准确率 |
单相金属性接地 | 432 | 100% |
分频谐振 | 165 | 100% |
基频谐振 | 165 | 100% |
高频谐振 | 165 | 100% |
间歇性弧光接地 | 105 | 100% |
合闸空载线路 | 172 | 100% |
投切电容器组 | 167 | 100% |
通过以下测试结果来检验所提出识别方法的适应性:
对测试样本加入30dB的高斯白噪声,再进行过电压类型识别,验证噪声对本文识别方法的影响,识别结果如表2所示,识别准确率为98.69%,这是由于原子分解算法有很强的抗噪能力,因此噪声对于所提方法的影响十分微弱,说明了所提方法具有良好的抗噪性能。
表2噪声干扰下的识别效果
过电压类型 | 样本数 | 识别准确率 |
单相金属性接地 | 432 | 100% |
分频谐振 | 165 | 100% |
基频谐振 | 165 | 100% |
高频谐振 | 165 | 100% |
间歇性弧光接地 | 105 | 100% |
合闸空载线路 | 172 | 95.93% |
投切电容器组 | 167 | 93.21% |
通过以下测试结果来检验所提出识别方法的在实物模型上有效性:
在图6的配电网物理仿真系统上进行物理实验验证。该系统是根据相似等效性原理,用0.4kV模拟10kV配电网,线路模型采用∏型等值网络,线路末端接入纯阻性负载模拟中压1MW负荷。物理仿真系统的拓扑结构如图7所示。该系统是根据相似等效性原理,用0.4kV模拟10kV配电网,线路模型采用∏型等值网络,线路末端接入纯阻性负载模拟中压1MW负荷。实验样本数和识别结果如表3所示。可见,识别准确率为100%,说明对于实测单相金属性接地故障,本方法能进行有效识别。
表3实验样本及识别结果
以上是本发明的较佳实施例,凡依本发明技术方案所作的改变,所产生的功能作用未超出本发明技术方案的范围时,均属于本发明的保护范围。
Claims (5)
1.一种新型的配电网内部过电压识别方法,其特征在于,包括如下步骤:
步骤S1、配电网发生过电压后,获取母线三相电压在过电压发生前后一段时间内的波形采样数据,获取电压数据;
步骤S2、对步骤S1获取的电压数据进行原子分解,获得最优原子及其参数;
步骤S3、对步骤S2获取的最优原子依据频率重构到各个子频带中,得到时频矩阵;
步骤S4、对时频矩阵进行分块求和,并按相拼接,得到三相特征原子谱;
步骤S5、采用卷积神经网络对三相特征原子谱进行识别,判别获取的过电压数据是哪一种内部过电压。
2.根据权利要求1所述的一种新型的配电网内部过电压识别方法,其特征在于,所述步骤S1具体实现方式为:截取过电压发生前1个周波和后3.5个周波,共4.5个周波的三相电压采样数据。
3.根据权利要求1所述的一种新型的配电网内部过电压识别方法,其特征在于,所述步骤S2具体实现方式为:在原子分解算法中,加入帝国殖民竞争算法优化匹配追踪的过程。
4.根据权利要求1所述的一种新型的配电网内部过电压识别方法,其特征在于,所述步骤S3具体实现方式为:将最优原子依据频率划分到m个子频带中,频带m中第k个点的幅值为
式中:Uf(k)为属于频带m的原子在第k个点的幅值;f为原子频率;H为原子的数据点个数。
5.根据权利要求4所述的一种新型的配电网内部过电压识别方法,其特征在于,所述步骤S4具体实现步骤如下:
步骤S41:将得到的每个频带的时段进行N等分;定义频带m在时段n内原子幅值为
步骤S42:求出所有频带和时段的原子幅值,即可得到表征信号时频信息的特征原子谱E:
步骤S43:将特征原子谱按三相电压的顺序从上至下拼接,即可得到三相特征原子谱E3,其表达形式为
其中,分别表示A、B、C相电压的特征原子谱。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810838379.1A CN109142851B (zh) | 2018-07-26 | 2018-07-26 | 一种新型的配电网内部过电压识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810838379.1A CN109142851B (zh) | 2018-07-26 | 2018-07-26 | 一种新型的配电网内部过电压识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109142851A true CN109142851A (zh) | 2019-01-04 |
CN109142851B CN109142851B (zh) | 2021-03-02 |
Family
ID=64797952
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810838379.1A Active CN109142851B (zh) | 2018-07-26 | 2018-07-26 | 一种新型的配电网内部过电压识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109142851B (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655711A (zh) * | 2019-01-10 | 2019-04-19 | 国网福建省电力有限公司漳州供电公司 | 配电网内部过电压类型识别方法 |
CN110108985A (zh) * | 2019-05-29 | 2019-08-09 | 福州大学 | 一种基于原子分解算法的配电网内部过电压的识别方法 |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN111273106A (zh) * | 2020-03-04 | 2020-06-12 | 云南电网有限责任公司电力科学研究院 | 一种具备边缘计算功能的ai过电压识别系统及方法 |
CN111598166A (zh) * | 2020-05-18 | 2020-08-28 | 国网山东省电力公司电力科学研究院 | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 |
CN112100920A (zh) * | 2020-09-15 | 2020-12-18 | 东南大学 | 一种配电网三相电压计算方法、装置、设备及存储介质 |
CN113311219A (zh) * | 2021-03-11 | 2021-08-27 | 国网福建省电力有限公司 | 一种配电网暂时过电压识别方法 |
CN113933636A (zh) * | 2021-10-29 | 2022-01-14 | 国网湖北省电力有限公司电力科学研究院 | 一种基于电弧发生器的配电网故障测试系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854437A (zh) * | 2012-08-22 | 2013-01-02 | 广东电网公司电力科学研究院 | 应用时频原子分解理论的小电流接地系统故障选线方法 |
CN104810861A (zh) * | 2015-04-23 | 2015-07-29 | 广西电网有限责任公司电力科学研究院 | 一种低压配电网中分布式电源的优化选址与定容方法 |
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 |
CN108089100A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 小电流接地系统弧光电阻接地故障的检测方法 |
-
2018
- 2018-07-26 CN CN201810838379.1A patent/CN109142851B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102854437A (zh) * | 2012-08-22 | 2013-01-02 | 广东电网公司电力科学研究院 | 应用时频原子分解理论的小电流接地系统故障选线方法 |
CN104810861A (zh) * | 2015-04-23 | 2015-07-29 | 广西电网有限责任公司电力科学研究院 | 一种低压配电网中分布式电源的优化选址与定容方法 |
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 |
CN108089100A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 小电流接地系统弧光电阻接地故障的检测方法 |
Non-Patent Citations (2)
Title |
---|
张镱议等: "基于帝国殖民竞争算法优化支持向量机的电力变压器故障诊断模型", 《电力自动化设备》 * |
龚庆武等: "基于原子分解法的中性点不接地系统铁磁谐振检测", 《电工技术学报》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109655711A (zh) * | 2019-01-10 | 2019-04-19 | 国网福建省电力有限公司漳州供电公司 | 配电网内部过电压类型识别方法 |
CN110223195A (zh) * | 2019-05-22 | 2019-09-10 | 上海交通大学 | 基于卷积神经网络的配电网故障检测方法 |
CN110108985A (zh) * | 2019-05-29 | 2019-08-09 | 福州大学 | 一种基于原子分解算法的配电网内部过电压的识别方法 |
CN110108985B (zh) * | 2019-05-29 | 2020-05-08 | 福州大学 | 一种基于原子分解算法的配电网内部过电压的识别方法 |
CN111273106A (zh) * | 2020-03-04 | 2020-06-12 | 云南电网有限责任公司电力科学研究院 | 一种具备边缘计算功能的ai过电压识别系统及方法 |
CN111598166A (zh) * | 2020-05-18 | 2020-08-28 | 国网山东省电力公司电力科学研究院 | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 |
CN111598166B (zh) * | 2020-05-18 | 2023-10-17 | 国网山东省电力公司电力科学研究院 | 基于主分量分析和Softmax函数的单相接地故障分类方法和系统 |
CN112100920A (zh) * | 2020-09-15 | 2020-12-18 | 东南大学 | 一种配电网三相电压计算方法、装置、设备及存储介质 |
CN113311219A (zh) * | 2021-03-11 | 2021-08-27 | 国网福建省电力有限公司 | 一种配电网暂时过电压识别方法 |
CN113311219B (zh) * | 2021-03-11 | 2022-11-08 | 国网福建省电力有限公司 | 一种配电网暂时过电压识别方法 |
CN113933636A (zh) * | 2021-10-29 | 2022-01-14 | 国网湖北省电力有限公司电力科学研究院 | 一种基于电弧发生器的配电网故障测试系统 |
Also Published As
Publication number | Publication date |
---|---|
CN109142851B (zh) | 2021-03-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109142851A (zh) | 一种新型的配电网内部过电压识别方法 | |
CN109884459B (zh) | 一种电力变压器绕组变形智能在线诊断定位方法 | |
CN112041693B (zh) | 一种基于混合录波的配电网故障定位系统 | |
CN108107324B (zh) | 一种基于深度卷积神经网络的配电网故障定位方法 | |
CN109948597B (zh) | 一种高压断路器机械故障诊断方法 | |
CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
CN106680576B (zh) | 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 | |
CN109307824B (zh) | 一种基于聚类的配电网单相接地故障区段定位方法 | |
CN107167702A (zh) | 一种配电网馈线故障类型识别方法及装置 | |
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 | |
CN110596530B (zh) | 一种小电流接地故障选线方法 | |
CN101924354B (zh) | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 | |
CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
CN103149514B (zh) | 一种gis内多绝缘缺陷模式识别方法 | |
CN110068759A (zh) | 一种故障类型获得方法及装置 | |
CN108154223B (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 | |
CN109783919A (zh) | 基于波形松弛迭代的频域多导体传输线电磁脉冲响应快速建模方法 | |
CN109783768A (zh) | 基于波形松弛迭代的时域多导体传输线电磁脉冲响应快速建模方法 | |
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
CN112114232A (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
CN105160058B (zh) | 一种用于电网电磁暂态计算的网络边界等值方法 | |
CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
CN106099891A (zh) | 对海上风电场出线端海缆进行并联电抗器优化配置的分析方法 | |
CN106443380B (zh) | 一种配电电缆局部放电信号识别方法及装置 | |
CN110808580A (zh) | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |