CN109324266B - 一种基于深度学习的配网接地故障分析方法 - Google Patents
一种基于深度学习的配网接地故障分析方法 Download PDFInfo
- Publication number
- CN109324266B CN109324266B CN201811393217.8A CN201811393217A CN109324266B CN 109324266 B CN109324266 B CN 109324266B CN 201811393217 A CN201811393217 A CN 201811393217A CN 109324266 B CN109324266 B CN 109324266B
- Authority
- CN
- China
- Prior art keywords
- fault
- deep learning
- recording data
- line
- data
- 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
Images
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了一种基于深度学习的配网接地故障类型辨识装置和方法,利用深度学习技术,实现对故障录波数据进行语义挖掘,并利用增量学习、深度增强学习技术,构建具备自学习能力的故障辨识模型,实现对配网接地故障类型的自动辨识,突破了传统接地故障分析仅进行选线定位的限制,提供更加丰富的故障处理决策信息;利用基于暂态零序电流相似性原理的定位方法,较之传统的经验分析事故处理方法,具有更高的准确性和更广泛的适应性;综合故障类型和故障定位结果,决策依据有理可依,应对措施更有针对性,能更加合理的安排事故处理计划。
Description
技术领域
本发明涉及配网故障检测分析技术领域,特别涉及一种基于深度学习的配网接地故障分析方法。
背景技术
在整个电力系统运行过程中,一旦配网线路出现某种接地故障,将直接影响电力企业的正常稳定供电。这时,及时、准确地分析与查找到接地故障原因,并进行有针对性的处理,就变得十分重要。
由于配电网发生单相接地后不会形成有效回路,故障电容电流微弱,尤其是在消弧线圈过补偿/欠补偿、接地过渡电阻、电网自身三相不平衡、量测装置功能/精度限制等多重因素叠加影响下,故障表征信息不明显。再加上受接地阻抗变化、间歇性电弧重燃以及故障演变、故障并发等因素的影响,故障变化的不确定性也很强,导致准确识别接地故障十分困难,严重威胁配电网可靠性。
因上述原因,目前仍主要采用由“经验判断法”完成配网接地故障的处理的配网接地故障处理方法。所谓“经验判断法”,就是指在处理配网接地线路故障时,如果相关工作人员不能准确分析出故障情况,就必须依据自己以往的接地故障实践处理经验,推断出相应的有可能发生故障的配网线路单相接地点,然后去现场逐点排查故障,最后进行试送电确认故障点。但该方法费人费力,准确度不高。
发明内容
本发明要解决的技术问题在于,提供一种基于深度学习的配网接地故障分析装置,包括:故障特征库模块、故障数据处理模块、故障选线定位模块、故障类型辨识模块和故障处理支持模块;其中,所述故障特征库模块用于存储已探明及总结的各类配网接地故障录波数据;所述故障数据处理模块用于对发生故障时采集的录波数据进行预处理;所述故障选线定位模块用于利用选线定位算法对故障录波数据进行计算,从而确定故障位置;所述故障类型辨识模块用于利用深度学习模型完成故障类型的辨识;其中,所述深度学习模型在故障特征库的基础上通过训练来完成;所述故障处理支持模块用于结合故障位置和故障类型给出运维检修人员合理的工作建议。
其中,故障特征库模块的故障特征库中存储的故障录波数据为通过A/B/C三相电流合成的零序电流波形;其中,所述A/B/C三相电流的同步时钟误差小于等于10ms,所述标准零序电流录波数据长度至少为故障前4个周波至故障后8个周波,所述录波数据每周波不少于80个采样点。
其中,故障预处理的处理步骤包括:对不同检测点的故障录波数据进行连续性校验、起点对齐、截取定长后,合成标准尺寸的零序电流波形图像。
其中,故障选线定位模块利用的选线定位算法是采用基于暂态零序电流相似性原理的定位方法,利用线路上故障点上游侧与下游侧暂态零序电流的流向相反的分布特征的差异,实现故障选线和线路定位。
其中,深度学习模型选用的是卷积神经网络,采用离线深度学习和在线深度学习两种方式对故障录波数据进行辨识学习;其中,所述的离线深度学习方式完成模型的构建,所述的在线深度学习方式采用增量学习技术对离线深度学习方式得到的模型进行优化。
本发明要解决的技术问题在于,提供一种基于深度学习的配网接地故障分析方法,包括:采集发生故障时的录波数据,并对采集的录波数据对进行预处理;利用选线定位算法对故障录波数据进行计算,确定故障位置;利用深度学习模型完成故障类型的辨识;其中,所述深度学习模型在故障特征库的基础上通过训练来完成,所述故障数据库用于存储已探明及总结的各类配网接地故障录波数据;结合故障位置和故障类型给出运维检修人员合理的工作建议。
其中,故障特征库中存储的故障录波数据为通过A/B/C三相电流合成的零序电流波形;其中,所述A/B/C三相电流的同步时钟误差小于等于10ms,所述标准零序电流录波数据长度至少为故障前4个周波至故障后8个周波,所述录波数据每周波不少于80个采样点。
其中,在对采集的录波数据对进行预处理的步骤中,故障预处理的处理步骤包括:对不同检测点的故障录波数据进行连续性校验、起点对齐、截取定长后,合成标准尺寸的零序电流波形图像。
其中,在利用选线定位算法对故障录波数据进行计算,确定故障位置的步骤中,所利用的选线定位算法是采用基于暂态零序电流相似性原理的定位方法,利用线路上故障点上游侧与下游侧暂态零序电流的流向相反的分布特征的差异,实现故障选线和线路定位。
其中,在利用深度学习模型完成故障类型的辨识的步骤中,深度学习模型选用卷积神经网络,采用离线深度学习和在线深度学习两种方式对故障录波数据进行辨识学习;其中,所述的离线深度学习方式完成模型的构建,所述的在线深度学习方式采用增量学习技术对离线深度学习方式得到的模型进行优化。
区别于现有技术,本发明的基于深度学习的配网接地故障类型辨识方法利用深度学习技术,实现对故障录波数据进行语义挖掘,并利用增量学习、深度增强学习技术,构建具备自学习能力的故障辨识模型,实现对配网接地故障类型的自动辨识,突破了传统接地故障分析仅进行选线定位的限制,提供更加丰富的故障处理决策信息;利用基于暂态零序电流相似性原理的定位方法,较之传统的经验分析事故处理方法,具有更高的准确性和更广泛的适应性;综合故障类型和故障定位结果,决策依据有理可依,应对措施更有针对性,能更加合理的安排事故处理计划。
附图说明
下面将结合附图及实施例对本发明作进一步说明,附图中:
图1是本发明提供的一种基于深度学习的配网接地故障类型辨识方法的整体逻辑示意图。
图2是本发明提供的一种基于深度学习的配网接地故障类型辨识方法的整体流程示意图。
图3是本发明提供的一种基于深度学习的配网接地故障类型辨识方法中数据预处理的流程示意图。
图4是本发明提供的一种基于深度学习的配网接地故障类型辨识方法中选线定位算法的流程示意图。
图5是本发明提供的一种基于深度学习的配网接地故障类型辨识方法中深度模型训练流程示意图。
具体实施方式
为了对本发明的技术特征、目的和效果有更加清楚的理解,现对照附图详细说明本发明的具体实施方式。
本发明提供的一种基于深度学习的配网接地故障类型辨识方法,该辨识方法的流程见图1和图2,其包括以下步骤:
S110:采集发生故障时的录波数据,并对采集的录波数据对进行预处理。收集某次故障发生后从该变电站所有出线上安装的三相故障指示器上召回的同步电流录波数据,然后按照配电网拓扑顺序将其放置在不同文件夹内(其中同组三相故障录波数据存在同一文件夹下),然后进行预处理。
S120:利用选线定位算法对故障录波数据进行计算,确定故障位置。
选线定位算法包含选线和定位两个算法模块。其中,选线算法是针对变电站所有出线的第一组故障指示器的录波数据来分析的。其中,定位算法是利用选线后该条线路上所有故障指示器的录波数据来分析的。
S130:利用深度学习模型完成故障类型的辨识。
利用步骤S120得到的故障定位,筛选出步骤S110得到的标准尺寸的零序图像中对应位置的波形图像,再利用深度学习模型对其故障类型进行辨识。
S140:结合故障位置和故障类型给出运维检修人员合理的工作建议。
依据步骤S120得到的故障定位和步骤S130得到的故障类型在决策支持模块中综合分析,对运维检修人员给出维修建议和决策支持。
进一步,依据步骤S110得到的故障图像、步骤S120得到的故障定位、步骤S130得到的故障类型、步骤S140给出的处理意见、故障原因等信息,综合形成标准故障案例。将多次故障案例进行有序分类、建立索引,使其有序化和优质化,形成故障案例库。
本发明利用深度学习技术,实现对故障录波数据进行语义挖掘,并利用增量学习、深度增强学习技术,构建具备自学习能力的故障辨识模型,实现对配网接地故障类型的自动辨识,突破了传统接地故障分析仅进行选线定位且准确度不高的限制,提供更加丰富的故障处理决策信息。
接地故障分析方法包括故障的选线定位以及故障类型的辨识。深度学习的概念源于人工神经网络的研究,是一种含多隐层的多层感知器结构的神经网络。深度学习通过组合低层特征形成更加抽象的高层表示属性类别或特征,以发现接地录波数据的分布式特征表示,从而进行更好的接地故障类型辨识。
在上述步骤S110中的故障预处理流程见图3。具体实施步骤如下:
1)以站内故障报警系统为准,确定故障起始时刻;
2)采用自回归滑动平均(ARMA)模型作为连续性校验算法,对合成的零序电流波形数据中的奇异点进行修正;
3)采用波形平移求取最大相关系数法对不同故障检测点的零序录波电流波形数据进行起点对齐,具体的实施步骤如下:
确定在波形平移范围内,对应相关系数幅值最大的波形平移点数k0',即:
式中:iom和ion为2个不同的故障检测点的电流采样信号,m、n代表不同故障检测点的编号;k表示采样序列,K为不同故障检测点的电流信号的数据长度;式中超过故障检测点电流信号长度的数据均用0代替。
4)截取故障过程的零序电流波形,故障时刻前4个周波,故障后8个周波的数据,具体的数据点数由采样频率决定,但不应少于80个点;
5)最后将截取后的零序波形数据序列图形化成标准尺寸的图像。
在上述步骤S130中的选线定位算法见图4。具体实施步骤如下:
首先要进行故障选线:
1)将每一个出线的第一个监测点的录波波形文件取出;
2)计算各条出线的第一个监测点的波形两两之间的相似度,形成相似度矩阵(例如表1);
表1线路相似度矩阵
3)在第一行中挑选出相似度最小的一个,比如说是δ13;
4)再定位到第三行,依次判断δ31、δ32和δ34是否是当前列中最小的一个。如果均为各列中最小的一个,则认为第3条出线为故障出线,否则可能是故障误报警。
在选出故障线路后,从故障线路出口处开始向线路末端搜索,确定故障区段。搜索过程为:
1)依次检测两个相邻的监测点,如果两者的相似度为负值,则认为故障区段在这两个监测点之间。若直到线路最后1个监测点仍未找到故障区段,则认为故障点位于最后1个监测点之后;
2)在某些情况下,由于故障点下游线路较短,故障点下游线路的对地电容电流微弱,下游监测点检测不到零序电流信号。此时沿线找到第1个检测不到零序电流信号的监测点,其与上游相邻监测点之间的线路区段即为故障区段;
3)在某些情况下,由于故障点下游线路较短,故障点下游线路的对地电容电流微弱,下游监测点检测不到零序电流信号,此时沿线找到第1个检测不到零序电流信号的监测点,其与上游相邻监测点之间的线路区段即为故障区段。
在步骤S130中,所述深度学习模型需要预先进行学习训练,学习训练流程见图5,具体包括:
1)对深度神经网络进行初始化训练,采用的是离线学习的方法,将事先准备好的带标签的图像训练集,利用不限于数据增广、图像预处理、网络初始化、激活函数的选择、不同正则化方法等技巧,完成深度神经网络的初始化训练;
2)将训练好的深度神经网络模型应用于在线识别中,进行目标的识别、定位和状态辨识,模型的输入来自实际输入的图像;
3)当系统应用一段时间后,深度学习模型需要从人机交互过程中获取新的知识,不断完善识别准确率,因此需要利用在线识别图片组成增量学习样本;
4)利用增量学习样本,通过增量学习算法,完成对深度学习网络的参数优化。
区别于现有技术,本发明的基于深度学习的配网接地故障类型辨识方法利用深度学习技术,实现对故障录波数据进行语义挖掘,并利用增量学习、深度增强学习技术,构建具备自学习能力的故障辨识模型,实现对配网接地故障类型的自动辨识,突破了传统接地故障分析仅进行选线定位的限制,提供更加丰富的故障处理决策信息;利用基于暂态零序电流相似性原理的定位方法,具有更高的准确性和更广泛的适应性;综合故障类型和故障定位结果,较之传统的经验分析事故处理方法,决策依据有理可依,应对措施更有针对性,能合理安排事故处理计划。
本发明还提供了一种基于深度学习的配网接地故障分析装置,包括:
故障特征库模块、故障数据处理模块、故障选线定位模块、故障类型辨识模块和故障处理支持模块;
其中,故障特征库模块用于存储已探明及总结的各类配网接地故障录波数据。故障特征库模块的故障特征库中存储的故障录波数据为通过A/B/C三相电流合成的零序电流波形;其中,所述A/B/C三相电流的同步时钟误差小于等于10ms,所述标准零序电流录波数据长度至少为故障前4个周波至故障后8个周波,所述录波数据每周波不少于80个采样点。
故障数据处理模块用于对发生故障时采集的录波数据进行预处理。故障预处理的处理步骤包括:对不同检测点的故障录波数据进行连续性校验、起点对齐、截取定长后,合成标准尺寸的零序电流波形图像。
故障选线定位模块用于利用选线定位算法对故障录波数据进行计算,从而确定故障位置。故障选线定位模块利用的选线定位算法是采用基于暂态零序电流相似性原理的定位方法,利用线路上故障点上游侧与下游侧暂态零序电流的流向相反的分布特征的差异,实现故障选线和线路定位。
故障类型辨识模块用于利用深度学习模型完成故障类型的辨识;其中,所述深度学习模型在故障特征库的基础上通过训练来完成。深度学习模型选用的是卷积神经网络,采用离线深度学习和在线深度学习两种方式对故障录波数据进行辨识学习;其中,所述的离线深度学习方式完成模型的构建,所述的在线深度学习方式采用增量学习技术对离线深度学习方式得到的模型进行优化。
故障处理支持模块用于结合故障位置和故障类型给出运维检修人员合理的工作建议。
上面结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
Claims (8)
1.一种基于深度学习的配网接地故障分析装置,其特征在于,包括:故障特征库模块、故障数据处理模块、故障选线定位模块、故障类型辨识模块和故障处理支持模块;
其中,所述故障特征库模块用于存储已探明及总结的各类配网接地故障录波数据;
所述故障数据处理模块用于对发生故障时采集的录波数据进行预处理;
其中,故障预处理的处理步骤包括:
以站内故障报警系统为准,确定故障起始时刻;
采用自回归滑动平均(ARMA)模型作为连续性校验算法,对合成的零序电流波形数据中的奇异点进行修正;
采用波形平移求取最大相关系数法对不同故障检测点的零序录波电流波形数据进行起点对齐,具体实施的步骤如下:
根据不同故障检测点的对时精度设置电流信号前后平移的最大点数,使用Δt表示不同故障检测点的对时误差,一般为1-3ms;
确定在波形平移范围内,对应相关系数幅度值最大的波形平移点数,即:
式中,iom和ion为2个不同的故障检测点的电流采样信号,m、n代表不同故障检测点的编号;k表示采样序列,K为不同故障检测点的电流信号的数据长度,式中超过故障检测点的电流信号长度的数据均用0代替;
截取故障过程的零序电流波形,故障时刻前4个周波,故障后8个周波的数据,具体的数据点数由采样频率决定,但不应少于80个点;
将截取后的零序波形数据序列图形化成标准尺寸的图像;
所述故障选线定位模块用于利用选线定位算法对故障录波数据进行计算,从而确定故障位置;
所述故障类型辨识模块用于利用深度学习模型完成故障类型的辨识;其中,所述深度学习模型在故障特征库的基础上通过训练来完成;
所述故障处理支持模块用于结合故障位置和故障类型给出运维检修人员合理的工作建议。
2.根据权利要求1所述的基于深度学习的配网接地故障分析装置,其特征在于,所述故障特征库模块的故障特征库中存储的故障录波数据为通过A/B/C三相电流合成的零序电流波形;其中,所述A/B/C三相电流的同步时钟误差小于等于10ms,所述标准零序电流录波数据长度至少为故障前4个周波至故障后8个周波,所述录波数据每周波不少于80个采样点。
3.根据权利要求1所述的基于深度学习的配网接地故障分析装置,其特征在于,故障选线定位模块利用的选线定位算法是采用基于暂态零序电流相似性原理的定位方法,利用线路上故障点上游侧与下游侧暂态零序电流的流向相反的分布特征的差异,实现故障选线和线路定位。
4.根据权利要求1所述的基于深度学习的配网接地故障分析装置,其特征在于,深度学习模型选用的是卷积神经网络,采用离线深度学习和在线深度学习两种方式对故障录波数据进行辨识学习;其中,所述的离线深度学习方式完成模型的构建,所述的在线深度学习方式采用增量学习技术对离线深度学习方式得到的模型进行优化。
5.一种基于深度学习的配网接地故障分析方法,其特征在于,包括:
采集发生故障时的录波数据,并对采集的录波数据对进行预处理;
其中,故障预处理的处理步骤包括:
以站内故障报警系统为准,确定故障起始时刻;
采用自回归滑动平均(ARMA)模型作为连续性校验算法,对合成的零序电流波形数据中的奇异点进行修正;
采用波形平移求取最大相关系数法对不同故障检测点的零序录波电流波形数据进行起点对齐,具体实施的步骤如下:
根据不同故障检测点的对时精度设置电流信号前后平移的最大点数,使用Δt表示不同故障检测点的对时误差,一般为1-3ms;
确定在波形平移范围内,对应相关系数幅度值最大的波形平移点数,即:
式中,iom和ion为2个不同的故障检测点的电流采样信号,m、n代表不同故障检测点的编号;k表示采样序列,K为不同故障检测点的电流信号的数据长度,式中超过故障检测点的电流信号长度的数据均用0代替;
截取故障过程的零序电流波形,故障时刻前4个周波,故障后8个周波的数据,具体的数据点数由采样频率决定,但不应少于80个点;
将截取后的零序波形数据序列图形化成标准尺寸的图像;
利用选线定位算法对故障录波数据进行计算,确定故障位置;
利用深度学习模型完成故障类型的辨识;其中,所述深度学习模型在故障特征库的基础上通过训练来完成,所述故障数据库用于存储已探明及总结的各类配网接地故障录波数据;
结合故障位置和故障类型给出运维检修人员合理的工作建议。
6.根据权利要求5所述的基于深度学习的配网接地故障分析方法,其特征在于,故障特征库中存储的故障录波数据为通过A/B/C三相电流合成的零序电流波形;其中,所述A/B/C三相电流的同步时钟误差小于等于10ms,所述标准零序电流录波数据长度至少为故障前4个周波至故障后8个周波,所述录波数据每周波不少于80个采样点。
7.根据权利要求5所述的基于深度学习的配网接地故障分析方法,其特征在于,在利用选线定位算法对故障录波数据进行计算,确定故障位置的步骤中,所利用的选线定位算法是采用基于暂态零序电流相似性原理的定位方法,利用线路上故障点上游侧与下游侧暂态零序电流的流向相反的分布特征的差异,实现故障选线和线路定位。
8.根据权利要求5所述的基于深度学习的配网接地故障分析方法,其特征在于,在利用深度学习模型完成故障类型的辨识的步骤中,深度学习模型选用卷积神经网络,采用离线深度学习和在线深度学习两种方式对故障录波数据进行辨识学习;其中,所述的离线深度学习方式完成模型的构建,所述的在线深度学习方式采用增量学习技术对离线深度学习方式得到的模型进行优化。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811393217.8A CN109324266B (zh) | 2018-11-21 | 2018-11-21 | 一种基于深度学习的配网接地故障分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811393217.8A CN109324266B (zh) | 2018-11-21 | 2018-11-21 | 一种基于深度学习的配网接地故障分析方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109324266A CN109324266A (zh) | 2019-02-12 |
CN109324266B true CN109324266B (zh) | 2021-06-22 |
Family
ID=65257885
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811393217.8A Active CN109324266B (zh) | 2018-11-21 | 2018-11-21 | 一种基于深度学习的配网接地故障分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109324266B (zh) |
Families Citing this family (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110082640B (zh) * | 2019-05-16 | 2021-11-30 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
CN110232409A (zh) * | 2019-05-30 | 2019-09-13 | 国网上海市电力公司 | 一种配网跳闸故障类型自动识别方法 |
CN112240965A (zh) * | 2019-07-17 | 2021-01-19 | 南京南瑞继保工程技术有限公司 | 一种基于深度学习算法的接地选线装置及方法 |
CN111478292B (zh) * | 2020-03-16 | 2022-10-04 | 中国电力科学研究院有限公司 | 一种基于深度强化学习的电力系统的故障切除方法和系统 |
CN111415077A (zh) * | 2020-03-17 | 2020-07-14 | 内蒙古电力(集团)有限责任公司乌兰察布电业局 | 一种智能配网故障诊断定位方法 |
CN111950197A (zh) * | 2020-08-04 | 2020-11-17 | 珠海市鸿瑞信息技术股份有限公司 | 一种基于人工智能语义的配网攻击及故障采集分析系统 |
CN113033837A (zh) * | 2021-03-05 | 2021-06-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
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 |
CN115047296B (zh) * | 2022-08-15 | 2022-10-25 | 四川轻化工大学 | 一种配电网故障区段定位方法 |
CN115932484B (zh) * | 2023-02-15 | 2023-07-18 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN117110798B (zh) * | 2023-10-25 | 2024-02-13 | 国网江苏省电力有限公司苏州供电分公司 | 智能配电网的故障检测方法和系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103809020B (zh) * | 2014-01-17 | 2016-04-27 | 浙江大学 | 互联电网低频振荡频率和阻尼估计值联合置信区间的确定方法 |
CN105094116B (zh) * | 2015-07-01 | 2017-10-10 | 西北工业大学 | 交流固态功率控制器快速电弧故障检测数据预处理方法 |
CN107085750A (zh) * | 2017-03-10 | 2017-08-22 | 广东工业大学 | 一种基于arma和ann的混合动态故障预测方法 |
-
2018
- 2018-11-21 CN CN201811393217.8A patent/CN109324266B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
Non-Patent Citations (1)
Title |
---|
基于人工智能的小电流接地故障融合选线技术研究与开发应用;金涛 等;《科技创新导报》;20181011(第29期);第1-2页 * |
Also Published As
Publication number | Publication date |
---|---|
CN109324266A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109324266B (zh) | 一种基于深度学习的配网接地故障分析方法 | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN104793106B (zh) | 基于电流突变率的配网线路故障区段定位方法 | |
CN104635114A (zh) | 一种电能质量扰动源定位系统及定位方法 | |
CN111413589B (zh) | 一种基于灰靶决策的配电网单相短路故障定位方法 | |
CN103064008A (zh) | 一种基于希尔伯特-黄变换的非线性模拟电路软故障诊断方法 | |
CN113625103B (zh) | 小电流接地系统单相接地故障的选线方法 | |
CN103018632A (zh) | 基于费歇信息的小电流接地系统单相接地故障选线方法 | |
CN110794254B (zh) | 一种基于强化学习的配电网故障预测方法及系统 | |
CN110632455A (zh) | 一种基于配网同步量测大数据的故障检测定位方法 | |
CN105137324A (zh) | 一种基于仿真分类模型的多探测点故障元器件定位方法 | |
CN110824299B (zh) | 基于零序电流曲线簇的二维平面判断的故障选线方法 | |
CN105425105A (zh) | 电网故障线段综合定位方法及系统 | |
CN104021232A (zh) | 基于配置项的飞行器测试数据判读方法 | |
CN113848471A (zh) | 继电保护系统的故障智能定位方法及系统 | |
CN113837895A (zh) | 基于电力扰动数据的配电网异常事件识别方法及系统 | |
Kumar et al. | Deep Learning based Fault Detection in Power Transmission Lines | |
CN105279315A (zh) | 一种基于相关分析和马氏距离的变压器在线监测信息聚合分析方法 | |
CN106646138A (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 | |
CN115308538A (zh) | 基于yolov5的配电网故障定位方法、系统、终端及存储介质 | |
Balouji et al. | A deep learning approach to earth fault classification and source localization | |
CN110927511B (zh) | 一种利用故障波形的电网故障诊断系统及方法 | |
CN114118166A (zh) | 一种基于智能频谱监测的变压器故障诊断系统及方法 | |
CN112098777A (zh) | 一种基于rtds的多源异构配电网故障仿真工艺及方法 | |
Balouji et al. | Distribution network fault prediction utilising protection relay disturbance recordings and machine 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 |