CN109613395A - 一种基于ann的架空柔直电网故障检测方法 - Google Patents
一种基于ann的架空柔直电网故障检测方法 Download PDFInfo
- Publication number
- CN109613395A CN109613395A CN201811467777.3A CN201811467777A CN109613395A CN 109613395 A CN109613395 A CN 109613395A CN 201811467777 A CN201811467777 A CN 201811467777A CN 109613395 A CN109613395 A CN 109613395A
- Authority
- CN
- China
- Prior art keywords
- fault
- failure
- network model
- neural network
- target nerve
- 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
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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
- G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于人工神经网络的架空柔直电网故障检测方法,该方法包括以下步骤:首先,利用小波变换提取高频分量,利用相模变换处理正负极电压变化量的关系,从而获取人工神经网络的输入特征量;进一步地,设计隐藏层与输出层神经元的数量,并通过大量样本对人工神经网络进行训练和测试;最终,根据人工神经网络的在线检测结果实现故障检测与故障选极功能。本发明解决了传统保护算法存在整定困难和计算复杂的问题,进一步完善了故障检测算法的功能,兼顾故障识别以及故障选极的能力;并提高了保护可靠性,不受交流故障、运行方式和过渡电阻的影响。
Description
技术领域
本发明属于柔性直流电网领域,更具体地,涉及一种基于ANN的架空柔直电网故障检测方法。
背景技术
随着化石能源的逐渐枯竭和环境压力的日益增加,中国和世界其他国家开始进行能源结构的调整和大规模清洁能源的开发。然而,风能和太阳能等清洁能源具有间歇性和随机性特点,加之本地交流系统对新能源的消纳能力有限,使得弃风、弃光现象经常出现。同时,我国的清洁能源基地与负荷需求呈逆向分布,大规模新能源的远距离并网和资源的优化配置成为亟待解决的问题。采用基于电压源型换流器的直流输电技术是大规模清洁能源基地接入电网的有效方案。从运行灵活性与供电可靠性角度出发,多电源供电和多落点受电的柔性直流电网技术成为未来智能电网的发展趋势。
考虑到输电距离、电压等级以及成本问题,架空线输电是大规模功率传输的主要方式之一。架空线路工作环境恶劣,故障发生概率很高,需要可靠的保护技术进行故障隔离。由于直流电网是低惯性网络,直流侧一旦发生短路故障,各换流站立即向故障点馈入短路电流,这使得故障电流上升速度快、幅值大,给换流站和系统的安全运行造成危害,也给保护方法的速动性与选择性提出了较高的要求。
针对高压直流输电系统的故障保护研究,行波保护在常规高压直流输电系统中得到广泛应用。然而,行波保护存在一些不足,比如:波头检测困难、波阻抗的大小需已知、近距离故障无法检测及高阻接地故障拒动等。为解决行波保护方案存在的上述问题,小波变换开始广泛应用于柔性直流输电系统的保护当中。文献“基于小波时间熵的MMC-HVDC架空线路单极接地故障检测方法”提出了基于小波时间熵的故障保护方案,该方法将小波变换与熵理论相结合,耐受过渡电阻能力有所提高,但只适用单极接地故障。小波变换在检测行波的过程中,存在采样频率高、易受噪声干扰等问题。文献“基于直流电压变化率的直流电网直流故障保护”提出了基于直流电压变化率的保护方案。该方案阈值整定困难,容易受高阻故障的影响,文献“基于边界特性的多端柔性直流配电系统单端量保护方案”利用高频电流暂态能量与方向元件相结合的方法来进行故障识别,但该方法没有设计故障启动环节,也不能进行故障选极。
随着人工智能的发展,智能算法开始逐渐应用于直流电网的保护领域。文献“Selective non-unit Protection Technique for Multiterminal VSC-HVDC Grids”提出了一种基于机器学习的保护方法,但是该方法需要沿线路装设大量的电流传感器,这将会增加投资成本。文献“Advanced fault location in MTDC networks utilisingoptically-multiplexed current measurements and machine learning approach”提出了基于模糊控制算法的保护方案。但该方法耐过渡电阻能力差,所能识别的最大电阻为50Ω。同时,该方法所基于的拓扑均是两电平电压源换流器,对MMC-HTDC的适用性有待验证。
因此,研究基于人工神经网络(Artificial Neural Network,ANN)的架空柔直电网故障保护方案,可以提高换流站运行的安全性和供电可靠性,并改善现有保护方案的保护性能,提高保护可靠性。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于ANN的架空柔直电网故障检测方法,解决现有保护算法存在的阈值选取困难和计算复杂的问题,进一步完善保护性能,兼顾故障识别与故障选极功能,并提高保护的可靠性,不受交流故障、运行方式和过渡电阻的影响,为直流电网的安全可靠运行提供技术支撑。
为实现上述目的,本发明提供了一种基于ANN的架空柔直电网故障检测方法,包括:
(1)通过对架空柔直电网中的区内外故障情况进行故障特性分析,获取能够反映区内外故障差异性的故障特征量作为样本,从所述样本中分别提取训练样本和测试样本,其中,所述故障特征量包括故障识别与故障选极信息;
(2)确定神经网络模型的隐藏层与输出层的神经元数量及所述神经网络模型的输出形式,将所述训练样本中的各故障特征量作为所述神经网络模型的输入对所述神经网络模型进行训练得到目标神经网络模型,以使所述目标神经网络模型具有故障检测功能及故障选极功能;
(3)通过所述测试样本中的各故障特征量对所述目标神经网络模型进行测试,若所述目标神经网络模型的输出正确率满足预设正确率要求,则通过所述目标神经网络模型对待检测直流线路进行故障检测及故障选极。
优选地,步骤(1)包括:
通过对架空柔直电网中不同类型、不同位置及不同电阻的区内外故障情况进行故障特性分析,为满足故障识别功能,采用快速傅里叶变换FFT分析区内外故障的频率特性,并依靠小波变换来提取不同故障的高频分量,为实现故障选极功能,采用相模变换来处理不同故障的正负极电压变化量的关系,进而由得到的高频分量及电压变化量关系得到各不同故障的故障特征量。
其中,通过FFT进行故障特性分析,所进行分析的电气量包括电压、电流或者电压电流组合式电气量。
其中,利用小波变换和相模变换提取故障特征量。通过离散小波变换提取高频分量;通过相模变换分析正负极电压变化量的关系,正极接地故障时,|ΔVP|/|ΔVN|>λ;负极接地故障时,|ΔVN|/|ΔVP|>λ;双极短路故障时,1/λ<|ΔVP|/|ΔVN|<λ,其中,λ为大于1的正数,ΔVP表示正极电压变化量,ΔVN表示负极电压变化量。故利用正负极电压变化量来判断故障类型。为了满足速动性的要求,所选取的故障特征量的时间窗口可以为1.5ms。
优选地,所述故障特征量包括时域特征量和/或频域特征量,其中,所述时域特征量包括电压变化率、电流变化率、电压变化量及电流变化量,所述频域特征量包括电压高频特性、电流高频特性及谐振频率。
优选地,所述目标神经网络模型的输出形式为四维向量(x1,x2,x3,x4),其中,x1~x4取值为0或者1,x1用于识别故障,x1=1表示发生区内故障,x1=0表示发生区外短路故障;x2~x4用于故障极识别,(x2,x3,x4)=(1,0,0)时,表示发生双极短路故障,(x2,x3,x4)=(0,1,0)时表示发生正极接地故障故障,(x2,x3,x4)=(0,0,1)时表示发生负极接地故障。
优选地,若所述目标神经网络模型的输出正确率不满足所述预设正确率要求,则返回执行步骤(2),对所述目标神经网络模型继续进行训练,直至所述目标神经网络的输出正确率满足所述预设正确率要求。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果:
(1)本发明提出的一种基于ANN的架空柔直电网故障保护的方法,根据ANN的在线输出,来快速地、有选择性地进行故障隔离,保证非故障部分的正常运行,从而提高运行安全性与供电可靠性。
(2)与传统保护算法相比,基于ANN的保护方法避免了复杂的整定过程和计算过程;进一步完善了故障检测算法的功能,兼顾故障识别以及故障选极的能力;并提高了保护可靠性,不受交流故障、运行方式和过渡电阻的影响。
附图说明
图1是本发明实施例提供的一种架空柔直电网拓扑结构;
图2是本发明实施例提供的一种采用FFT分析的区内故障特性;
图3是本发明实施例提供的一种采用FFT分析的区外故障特性;
图4是本发明实施例提供的一种采用2层小波变换分解图;
图5是本发明实施例提供的一种ANN拓扑结构图;
图6是本发明实施例提供的一种基于ANN的架空柔直电网故障检测方法的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明解决了传统保护算法存在的整定困难和计算复杂的问题,进一步完善了故障检测算法的功能,兼顾故障识别以及故障选极的能力;并提高了保护可靠性,不受交流故障、运行方式和过渡电阻的影响。
本发明公开了一种基于ANN的架空柔直电网故障保护方法,通过FFT分析故障的频率特性;然后利用小波变换提取高频分量,利用相模变换处理正负极电压变化量的关系,从而获取ANN的输入特征量;进一步地,设计隐藏层与输出层神经元的数量,并通过大量样本对ANN进行训练和测试,使其具有故障识别能力和故障选极能力。最终,根据ANN的在线检测结果实现故障检测功能。通过ANN的在线输出,实现故障区域快速、选择性地隔离,保证非故障区域的正常运行,从而提高运行安全性与供电可靠性。
图1为本发明实施例采用的一种架空柔直电网故障保护方案。其子模块采用半桥型结构。由于半桥型MMC不具备故障自清除能力,因此需要在线路两侧安装高压直流断路器来进行故障隔离。为限制故障电流的大小,在线路两侧安装限流电抗器。该系统为对称单极系统,架空线路采用频率依赖模型。以保护CB12为例,考虑选择性,F12为区内故障,F1、F2和F14为区外故障。当F12处发生短路故障时,断路器CB12应动作;发生故障F1、F2和F14时,断路器应保持不动。
图2为采用FFT分析的一种区内故障特性。发生区内故障F12,对直流电压进行FFT。由频谱分析结果可得,直流电压含较大的高频分量。
图3为采用FFT分析的一种区外故障特性。发生区内故障F14,对直流电压进行FFT。由频谱分析结果可得,直流电压高频分量较小。结合图3可知,高频特性可以作为ANN一个故障特征输入量。
图4为根据本发明一种实施方式的2层DWT原理图。小波变换具有时域局部化的特点,可以将时域信号与频谱信号联系起来,故采用离散小波变换来提取电压的高频分量。测量电压通过2层DWT,可以得到细节系数d2。选取10kHz作为DWT的采样频率,则d2对应的高频段为:1.25kHz~2.5kHz。考虑到symlets小波基具有以下几个特点:对称性,不会产生相位失真;紧支撑性,局部化能力强;正交性,可以进行高效的离散小波变换。因此,选用symlets作为DWT的小波基。
图5为根据本发明一种实施方式的三层ANN工作原理图。ANN输入层神经元的数量为4。ANN的输出有4个,分别为“Line Fault”、“Bus Fault”、“PGF”、“NGF”和“PPF”。用“1”和“0”表示每个输出的真假性。对于故障识别输出而言,若输出结果为“1”,则判定发生区内故障;若输出结果为“0”,则判定发生区外故障。对于故障选极输出而言,若输出结果为(1,0,0),则判定发生双极短路故障;若输出结果为(0,1,0),则判定发生正极接地故障故障;若输出结果为(0,0,1),则判定发生负极接地故障故障。隐藏层ANN的数量难以确定,一方面,如果神经元数量过少,输出误差将会太大;另一方面,如果神经元数量太多,将会使ANN陷入过拟合的状态。综合以上因素的考虑及考虑输入故障特征量和输出目标的数量,在本发明实施例中,ANN隐藏层神经元数量优选为15个。
图6为本发明实施例提供的一种基于智能控制算法的架空柔直电网故障保护方法的流程示意图,包括以下步骤:
(1)首先,通过FFT分析故障的频率特性;
(2)然后利用小波变换提取高频分量,利用相模变换处理正负极电压变化量的关系,从而获取ANN的输入特征量;
(3)进一步地,设计隐藏层与输出层神经元的数量,并通过大量样本对ANN进行训练和测试,使其具有故障识别能力和故障选极能力。
在本发明实施例中,训练样本用于人工神经网络的训练,使其具有故障识别功能及故障选极功能;测试样本用于对训练结束的人工神经网络进行测试,若测试结果满足预设正确率的要求,则表明该人工神经网络训练成功;若正确率不满足预设正确率要求,则重新对人工神经网络进行训练,直到正确率满足预设正确率要求。测试样本与训练样本的数量应足够的大,应涵盖不同类型、不同过渡电阻、不同位置的区内外故障,且训练样本与测试样本应满足合适的比例要求。
其中,预设正确率要求可以根据实际需要确定,本发明实施例中优选为100%。
其中,人工神经网络采用三层结构,依次为:输入层、隐藏层和输出层。输入层神经元的数量与ANN的输入个数有关;输出层神经元的数量对应ANN的输出个数,与所实现的功能相关。隐藏层ANN的数量难以确定,一方面,如果神经元数量过少,输出误差将会太大;另一方面,如果神经元数量太多,将会使ANN陷入过拟合的状态。因此,在确定隐藏层神经元数量时,要综合考虑以上因素。
(4)最终,根据ANN的在线检测结果实现故障检测功能。对于故障识别输出而言,若“x1”输出结果为“1”,则判定发生区内故障;若“x1”输出结果为“0”,则判定发生区外故障。对于故障选极输出而言,若(x2,x3,x4)输出结果为(1,0,0),则判定发生双极短路故障;若(x2,x3,x4)输出结果为(0,1,0),则判定发生正极接地故障故障;若(x2,x3,x4)输出结果为(0,0,1),则判定发生负极接地故障故障。通过ANN的在线输出,实现故障区域快速、选择性地隔离,并判断故障类型,保证非故障区域的正常运行,从而提高供电可靠性和换流站安全运行能力。本发明解决了非智能保护算法存在的整定困难和计算复杂的问题,进一步完善了故障检测算法的功能,兼顾故障识别以及故障选极的能力;并提高了保护可靠性,不受交流故障、运行方式和过渡电阻的影响。
其中,输出层神经元的数量与人工神经网络所实现的功能相对应。在本发明实施例中,人工神经网络应实现的功能包括但不限于故障识别、故障选极与故障测距等。
表1为本发明实施例提供的ANN的在线检测结果。根据图1所示系统,以线路保护CB12为例,分别对线路OHL12的1/4处、线路OHL14的1/4处、母线Bus1处的故障进行仿真验证。故障电阻设置为0.01Ω。由检测结果可知,ANN能够正确识别线路故障,同时能够实现故障选极功能。
表1
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于ANN的架空柔直电网故障检测方法,其特征在于,包括:
(1)通过对架空柔直电网中的区内外故障情况进行故障特性分析,获取能够反映区内外故障差异性的故障特征量作为样本,从所述样本中分别提取训练样本和测试样本,其中,所述故障特征量包括故障识别与故障选极信息;
(2)确定神经网络模型的隐藏层与输出层的神经元数量及所述神经网络模型的输出形式,将所述训练样本中的各故障特征量作为所述神经网络模型的输入对所述神经网络模型进行训练得到目标神经网络模型,以使所述目标神经网络模型具有故障检测功能及故障选极功能;
(3)通过所述测试样本中的各故障特征量对所述目标神经网络模型进行测试,若所述目标神经网络模型的输出正确率满足预设正确率要求,则通过所述目标神经网络模型对待检测直流线路进行故障检测及故障选极。
2.根据权利要求1所述的方法,其特征在于,步骤(1)包括:
通过对架空柔直电网中不同类型、不同位置及不同电阻的区内外故障情况进行故障特性分析,为满足故障识别功能,采用快速傅里叶变换FFT分析区内外故障的频率特性,并依靠小波变换来提取不同故障的高频分量,为实现故障选极功能,采用相模变换来处理不同故障的正负极电压变化量的关系,进而由得到的高频分量及电压变化量关系得到各不同故障的故障特征量。
3.根据权利要求2所述的方法,其特征在于,所述故障特征量包括时域特征量和/或频域特征量,其中,所述时域特征量包括电压变化率、电流变化率、电压变化量及电流变化量,所述频域特征量包括电压高频特性、电流高频特性及谐振频率。
4.根据权利要求1至3任意一项所述的方法,其特征在于,所述目标神经网络模型的输出形式为四维向量(x1,x2,x3,x4),其中,x1~x4取值为0或者1,x1用于识别故障,x1=1表示发生区内故障,x1=0表示发生区外短路故障;x2~x4用于故障极识别,(x2,x3,x4)=(1,0,0)时,表示发生双极短路故障,(x2,x3,x4)=(0,1,0)时表示发生正极接地故障故障,(x2,x3,x4)=(0,0,1)时表示发生负极接地故障。
5.根据权利要求4所述的方法,其特征在于,若所述目标神经网络模型的输出正确率不满足所述预设正确率要求,则返回执行步骤(2),对所述目标神经网络模型继续进行训练,直至所述目标神经网络的输出正确率满足所述预设正确率要求。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811467777.3A CN109613395A (zh) | 2018-12-03 | 2018-12-03 | 一种基于ann的架空柔直电网故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811467777.3A CN109613395A (zh) | 2018-12-03 | 2018-12-03 | 一种基于ann的架空柔直电网故障检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109613395A true CN109613395A (zh) | 2019-04-12 |
Family
ID=66006311
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811467777.3A Pending CN109613395A (zh) | 2018-12-03 | 2018-12-03 | 一种基于ann的架空柔直电网故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109613395A (zh) |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110493054A (zh) * | 2019-08-23 | 2019-11-22 | 广东电网有限责任公司 | 一种基于频域特征的电力通信网设备故障预测方法 |
CN110739668A (zh) * | 2019-10-24 | 2020-01-31 | 华中科技大学 | 一种柔性直流电网短路故障性质判别方法及重合闸方法 |
CN113315103A (zh) * | 2021-06-01 | 2021-08-27 | 华北电力大学 | 一种基于单端电流暂态量的柔性直流配电网保护方法 |
CN113466624A (zh) * | 2021-06-30 | 2021-10-01 | 云南电网有限责任公司电力科学研究院 | 一种多端混合直流输电线路故障区域的检测方法及系统 |
CN113625108A (zh) * | 2021-08-02 | 2021-11-09 | 四川轻化工大学 | 一种柔性直流配电网故障识别方法 |
CN113985261A (zh) * | 2021-07-07 | 2022-01-28 | 四川大学锦城学院 | 一种基于神经网络的模拟电路故障诊断方法 |
CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
CN116995909A (zh) * | 2023-09-27 | 2023-11-03 | 安徽大学 | 储能mmc系统开路故障诊断与容错运行的方法和系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837784A (zh) * | 2014-03-27 | 2014-06-04 | 国家电网公司 | 一种hvdc系统换流母线外部故障的人工智能识别方法 |
CN106291234A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 |
US20170045589A1 (en) * | 2014-05-12 | 2017-02-16 | Siemens Aktiengesellschaft | Fault level estimation method for power converters |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
-
2018
- 2018-12-03 CN CN201811467777.3A patent/CN109613395A/zh active Pending
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103837784A (zh) * | 2014-03-27 | 2014-06-04 | 国家电网公司 | 一种hvdc系统换流母线外部故障的人工智能识别方法 |
US20170045589A1 (en) * | 2014-05-12 | 2017-02-16 | Siemens Aktiengesellschaft | Fault level estimation method for power converters |
CN106291234A (zh) * | 2016-07-29 | 2017-01-04 | 武汉大学 | 一种基于卷积神经网络的输电线路区内外故障判断及故障选相方法 |
CN108062572A (zh) * | 2017-12-28 | 2018-05-22 | 华中科技大学 | 一种基于DdAE深度学习模型的水电机组故障诊断方法与系统 |
Non-Patent Citations (7)
Title |
---|
M. KHODAPARASTAN ET AL.: ""Smart fault classification in HVDC system based on optimal probabilistic neural networks"", 《IRANIAN CONFERENCE ON SMART GRIDS》 * |
周全 等: ""±800 kV 直流线路故障过程中电磁耦合特性与保护研究"", 《电 网 技 术》 * |
张家奇 等: ""基于神经网络的 HVDC系统故障诊断"", 《高 电 压 技 术》 * |
李斌 等: ""基于边界特性的多端柔性直流配电系统单端量保护方案"", 《中 国 电 机 工 程 学 报》 * |
梁远升 等: ""基于电位系数矩阵的同塔双回直流输电线路故障选线方法"", 《电力系统自动化》 * |
董秀成 等: ""基于神经网络模型的母线保护故障定位研究"", 《西 华 大 学 学 报》 * |
邬乾晋 等: ""楚穗直流线路故障致双极闭锁及故障重启逻辑缺陷分析"", 《中 国 电 力》 * |
Cited By (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110493054A (zh) * | 2019-08-23 | 2019-11-22 | 广东电网有限责任公司 | 一种基于频域特征的电力通信网设备故障预测方法 |
CN110493054B (zh) * | 2019-08-23 | 2020-12-29 | 广东电网有限责任公司 | 一种基于频域特征的电力通信网设备故障预测方法 |
CN110739668A (zh) * | 2019-10-24 | 2020-01-31 | 华中科技大学 | 一种柔性直流电网短路故障性质判别方法及重合闸方法 |
CN113315103A (zh) * | 2021-06-01 | 2021-08-27 | 华北电力大学 | 一种基于单端电流暂态量的柔性直流配电网保护方法 |
CN113466624A (zh) * | 2021-06-30 | 2021-10-01 | 云南电网有限责任公司电力科学研究院 | 一种多端混合直流输电线路故障区域的检测方法及系统 |
CN113985261A (zh) * | 2021-07-07 | 2022-01-28 | 四川大学锦城学院 | 一种基于神经网络的模拟电路故障诊断方法 |
CN113625108A (zh) * | 2021-08-02 | 2021-11-09 | 四川轻化工大学 | 一种柔性直流配电网故障识别方法 |
CN113625108B (zh) * | 2021-08-02 | 2022-11-01 | 四川轻化工大学 | 一种柔性直流配电网故障识别方法 |
CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
CN116995909A (zh) * | 2023-09-27 | 2023-11-03 | 安徽大学 | 储能mmc系统开路故障诊断与容错运行的方法和系统 |
CN116995909B (zh) * | 2023-09-27 | 2023-12-29 | 安徽大学 | 储能mmc系统开路故障诊断与容错运行的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109613395A (zh) | 一种基于ann的架空柔直电网故障检测方法 | |
CN108663602B (zh) | 柔性直流配电网单极故障选线与区段定位方法及系统 | |
Yang et al. | New ANN method for multi-terminal HVDC protection relaying | |
CN103941163B (zh) | 利用模糊k均值聚类的谐振接地系统故障选线方法 | |
Zhang et al. | A non-unit boundary protection of DC line for MMC-MTDC grids | |
Zhang et al. | Non-unit traveling wave protection of HVDC grids using Levenberg–Marquart optimal approximation | |
CN110297146A (zh) | 基于暂态波形特征的输电线路雷击干扰与故障识别方法 | |
CN104614638A (zh) | 小电流系统接地选线方法 | |
CN109613400A (zh) | 基于限流电抗器电压差异性的架空柔直电网故障检测方法 | |
He et al. | A novel traveling-wave directional relay based on apparent surge impedance | |
He et al. | The improved fault location method based on natural frequency in MMC-HVDC grid by combining FFT and MUSIC algorithms | |
CN104198890A (zh) | 中低压配电网小电流接地智能选线系统 | |
CN104638671A (zh) | 基于引入粒子群算法及相位扰动的孤岛检测方法 | |
Tang et al. | Faulted feeder identification based on active adjustment of arc suppression coil and similarity measure of zero-sequence currents | |
Gao et al. | Fault line detection using waveform fusion and one-dimensional convolutional neural network in resonant grounding distribution systems | |
Ameli et al. | An intrusion detection method for line current differential relays in medium-voltage DC microgrids | |
CN107271851B (zh) | 一种基于差动有功功率的广域后备保护方法 | |
Wang et al. | Stator single-line-to-ground fault protection for bus-connected powerformers based on S-transform and bagging ensemble learning | |
Tajani et al. | A novel differential protection scheme for AC microgrids based on discrete wavelet transform | |
Saber | A backup protection algorithm for bipolar line-commutated converter HVDC lines | |
CN110244181A (zh) | 海上风电场集电线路海缆电气故障定位方法及其装置 | |
Yuan et al. | Faulty feeder detection for single phase-to-ground faults in distribution networks based on waveform encoding and waveform segmentation | |
CN102435896A (zh) | 船舶中压电力系统中间歇性接地故障的快速识别方法 | |
CN109387713A (zh) | 一种分布式并网孤岛检测的混合方法 | |
CN206096341U (zh) | 应用于配电网单相故障接地工况下的故障线路识别装置 |
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: 20190412 |