CN109635430B - 电网输电线路暂态信号监测方法和系统 - Google Patents

电网输电线路暂态信号监测方法和系统 Download PDF

Info

Publication number
CN109635430B
CN109635430B CN201811516584.2A CN201811516584A CN109635430B CN 109635430 B CN109635430 B CN 109635430B CN 201811516584 A CN201811516584 A CN 201811516584A CN 109635430 B CN109635430 B CN 109635430B
Authority
CN
China
Prior art keywords
disturbance
data
detection
value
neural network
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
CN201811516584.2A
Other languages
English (en)
Other versions
CN109635430A (zh
Inventor
郭媛君
杨之乐
王颖
朱俊丞
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.)
Shenzhen Institute of Advanced Technology of CAS
Original Assignee
Shenzhen Institute of Advanced Technology of CAS
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 Shenzhen Institute of Advanced Technology of CAS filed Critical Shenzhen Institute of Advanced Technology of CAS
Priority to CN201811516584.2A priority Critical patent/CN109635430B/zh
Publication of CN109635430A publication Critical patent/CN109635430A/zh
Application granted granted Critical
Publication of CN109635430B publication Critical patent/CN109635430B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/30—Circuit design
    • G06F30/36—Circuit design at the analogue level
    • G06F30/367—Design verification, e.g. using simulation, simulation program with integrated circuit emphasis [SPICE], direct methods or relaxation methods
    • 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

Landscapes

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

Abstract

本发明公开了一种电网输电线路暂态信号监测方法和系统，包括，如下步骤：检测扰动信号、离线建模得到最优的主元分析模型、在线监测检测模型的统计指标T2值，并对所监测到的所述统计指标T2进行分析处理，以判断是否检测到暂态扰动的发生。本法发明所用的数据更加全面、精度更高，并利用优化方法对模型参数进行调优，提高了检测准确度，及时发现输电线路故障隐患，提高了电网安全稳定性。

Description

电网输电线路暂态信号监测方法和系统
技术领域
本发明涉及智能电网技术领域，特别涉及一种电网输电线路暂态信号监测方法和系统。
背景技术
现有电网的工作环境中，众多分布式可再生能源的渗透比例逐步增大，都对主体电网有着不可忽视的干扰。电网被干扰后容易失去同步运行稳定性，其后果是电力系统发生振荡，引起系统中枢点电压、输电设备中的电流和电压大幅度地周期性波动，导致电力系统因不能继续向负荷正常供电而造成大面积停电。因此，对有效暂态扰动的检测方法是维护供电系统及大电网正常运行的有效保护措施。
现有的对电能质量暂态扰动的检测方法主要有均方根方法、傅里叶变换、小波变换等方法。均方根方法运算简便，分析时间较短，适用于扰动较为明显的情况；傅里叶变换又分为快速傅里叶变换(Fast FourierTransform，FFT)、离散傅里叶变换(DiscreteFourier Transform，DFT)等，具有正交、完备等许多优点，已广泛应用到电能质量扰动检测与分析领域。为了弥补傅里叶变换缺少的时间信息，在原方法的基础上进行时间加窗，提出了短时傅里叶变换的方法；而小波变换针对频率分析的时-频窗口固定不变的问题，采用了自适应变化的时间窗口，很适合电能暂态扰动波形的处理。由于小波函数本身是一带通滤波器，能够将小波的频率成分分解在不同的频段上，从而展现不同的时频特征。其他方法如希尔伯特黄变换(Hilhert-Huang transform，HHT)方法、S变换等在暂态扰动检测中都有一定应用。
上述均方根方法运算简便，但其只能检测特殊的扰动事件，不适用普遍情况；傅里叶变换是频域分析方法，在分析时需满足一定的条件，否则会出现频率混叠，栅栏效应以及频谱泄露等现象，产生一定的误差。另外，频域分析时的窗口固定不变，不利于突变和不平稳的信号处理。小波变换具有很好的时间-频率局部特性，但是小波基函数的选取较为困难，会因为暂态扰动特点的不同造成分析结果的不同。可见，现有技术存在不足。
发明内容
本发明旨在克服现有技术的缺陷，提供一种通过优先判断暂态扰动的真伪来快速判断电网输电线路暂态信号监测方法。
为实现上述目的，本发明采用以下技术方案：
本发明提供一种电网输电线路暂态信号监测方法，包括如下步骤：
S1、检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生，若为所述可疑扰动，则进行步骤S2；
S2、对普通径向基函数神经网络节点参数进行离线建模优化；
S3、在线监测模型的统计指标T2的值，将所述统计指标T2与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。
本发明还提供一种电网输电线路暂态信号监测系统，包括：
可疑扰动检测单元，检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生；
神经网络优化单元，与所述可疑扰动检测单元电连接，对普通径向基函数神经网络节点参数进行离线建模优化；
暂态扰动检测单元，分别与所述可疑扰动检测单元、所述神经网络优化单元电连接；在线监测模型的统计指标T2的值，将所述统计指标T2与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。
本发明将高精度时间序列数据进行分析处理。通过主元分析方法，将全网数据作为整体矩阵进行分解，能够去除传统方法在阈值设定时，必须选定一个基准值进行参考的缺点，避免了参考值本身出现错误或故障时带来的误判断，提高了检测精度。
同时，本发明采用了先进的启发式优化算法，能够在减少输入变量的情况下，保证模型检测的准确性，进一步减少运行时间。相比传统方法更加提高了检测精度和准确率，同时又避免了运行时间的延长。
附图说明
图1所示为本发明的主要流程框图；
图2基于主元分析模型的整体流程框图；
图3所示为本发明的系统结构框图；
图4实际暂态扰动数据的检测图谱的原比例及部分放大对比图。
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，以下结合附图及具体实施例，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用以解释本发明，而不构成对本发明的限制。
本发明实施例公开了一种基于优化主元分析模型的电网输电线路暂态扰动检测方法。
实施例1
附图1所示，一种电网输电线路暂态信号监测方法，包括如下步骤：
S1、检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生，若为所述可疑扰动，则进行步骤S2；避免了参考值本身出现错误或故障时带来的误判断。
S2、对普通径向基函数(RBF)神经网络节点参数进行离线建模优化；能够在减少输入变量的情况下，保证模型检测的准确性，进一步减少运行时间。
S3、在线监测模型的统计指标T2的值，将所述统计指标T2与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。保证模型检测的准确性，进一步减少运行时间。
进一步的，步骤S1中：检测扰动信号具体为：将广域测量系统采集的各个观测点的频率数据进行矩阵化组合。
进一步的，步骤S1中：对所检测到的所述扰动信号进行分析及判断过程具体为：利用主元分析方法将数据矩阵进行分解，选取合适的主元个数来表示所述数据矩阵中方差最大的主元空间，将余下残差部分进行扰动重构，若重构结果在正常范围之内，则建立正常运行状态下的主元分析模型；若超出范围，则视为所述可疑扰动发生，则进行步骤S2。
进一步的，所述步骤S1具体包括以下步骤：
S1.1：采集电网公共连接点处的电压频率，用向量表示，其中x为电压频率测量值，向量/>即表示在此处连续采集的m个时间序列点的集合。
S1.2：在另一地点采集的数据可以表示为同理可得，其他第i个地点的检测装置都能得到同样格式的相量数据/>
S1.3：根据所述主元分析方法的计算特点，可以将N个地点的电压频率数据组成矩阵进行处理，得到所述数据矩阵其中R表示实数集合；N×m为矩阵的维度；
S1.4：通过所述主元分析可以将原始数据矩阵分解为载荷向量pi和得分向量ti的乘积之和再加上残余误差E：
式中的k表示选取的所述主元个数，用来代表数据中方差最大的主元空间，所述主元个数能够包含数据总方差的95％。
S1.5：计算PCA方法用于所述检测模型的所述统计指标T2，按如下公式计算：
式中的λ是对角矩阵，包含协方差矩阵的特征值。
S1.6：将PCA方法运用于过程检测时，要在正常数据的处理基础上计算检测控制限，所述统计指标T2为符合F分布的，设定置信度α为95％，则所述统计控制限可以由下面公式计算得出：
其中，k是所述主元个数，N是训练数据的变量个数，F(k，N-k，α)表示当数据符合F分布时，在自由度为(m-k)，置信度为α时的概率值。
S1.7：故障重构过程：所述故障重构利用一个模拟的故障方向向量ξi T＝[1，0，…，0]，将原始变量表示为 是对故障向量fi的估计值，则故障向量可以利用下式求出：
上述公式中计算的是x的估计值与实际值之间的误差，如果未发生扰动或者故障，则重构值应该接近0，任何扰动或者故障都会导致结果的值不为0，则进行步骤S2。
上述步骤将广域测量系统采集的各个观测点的频率数据进行矩阵化组合，将全网数据作为整体矩阵进行分解，能够去除传统方法在阈值设定时，必须选定一个基准值进行参考的缺点，避免了参考值本身出现错误或故障时带来的误判断，提高了检测精度。
进一步的，所述步骤S2中，采用启发式JAYA优化算法对普通径向基函数神经网络节点参数进行优化。
进一步的，所述步骤S2具体包括以下步骤：
S2.1：所述启发式JAYA优化算法对神经网络模型参数进行优化，利用以下公式：
X′j，k，i＝Xj，k，i+rand1，j，i(Xj，b，i-|Xj，k，i|)-rand2，j，i(Xj，w，i-|Xj，k，i|)；
其中，Xj，b，i是第j个变量的最优值，Xj，w，i是第j个变量的最差值，X′j，k，i是Xj，k，i每一次优化之后的值，rand1，j，i和rand2，j，i是第j个变量的第i次优化循环时采用的随机数，范围在[0，1]；
S2.2：将所述启发式JAYA优化算法的优化结果对神经网络结构进行参数更新，得到最优的神经网络模型；
S2.3：将所述最优的神经网络模型进行运算，得到模型的预测输出y，与实时数据在线检测数据进行对比。
步骤S2的优化算法采用了先进的启发式优化算法，能够在减少输入变量的情况下，保证模型检测的准确性，进一步减少运行时间。相比传统方法更加提高了检测精度和准确率，同时又避免了运行时间的延长。
进一步的，所述步骤S3中利用主元分析方法检测所述模型的统计指标T2的值。
进一步的，所述步骤S3中主元分析法对所述统计指标T2的具体分析判断过程为：计算待检测数据的统计指标T2值并与所述检测控制限进行比较，当其超过所述检测控制限，即为检测到暂态扰动的发生。
进一步的，所述步骤S3具体包括以下步骤：
S3.1：将实时数据与步骤S2.3中的模型的预测输出y进行比较，得到残差，按照T2公式计算实时数据的统计指标T2的值；
S3.2：将计算得到的T2与步骤S1.6中得到的检测控制限进行比较，若在所述检测控制限之内则为正常信号，若超出所述检测控制限则判断为暂态扰动的发生。
如附图4所示，图中表示本方案的一个检测结图谱的放大对比图。图中放大部分为95％控制限以上的T2。可以看到，超出检测控制限的部分即为暂态扰动的发生。
实施例二
如附图3所示，本发明还提供一种电网输电线路暂态信号监测系统，包括：
可疑扰动检测单元，检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生。
神经网络优化单元，与所述可疑扰动检测单元电连接，对普通径向基函数(RBF)神经网络节点参数进行离线建模优化；且该神经网络优化单元对神经网络节点的搜索过程简单，无参数设定，使得RBF神经网络在不增加输入变量的情况下，仍有较高的准确度。
暂态扰动检测单元，分别与所述可疑扰动检测单元、所述神经网络优化单元电连接；在线监测模型的统计指标T2的值，将所述统计指标T2与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。该暂态扰动检测单元通过计算对主元成分的贡献率可以简便快速的确定暂态扰动事件发生的线路。
本发明通过三个主要步骤，第一步，检测扰动信号：将广域测量系统采集的各个观测点的频率数据进行矩阵化组合，利用主元分析方法将数据矩阵进行分解，选取合适的主元个数来表示数据矩阵中方差最大的主元空间，将余下残差部分进行故障重构，若重构结果在正常范围之内，则建立正常运行状态下的主元分析模型，若超出范围，则视为可疑扰动发生，进行下一步；第二步，离线建模优化过程：本阶段采用了一种新型的JAYA启发式优化算法对普通径向基函数神经网络节点参数进行优化，该优化方法搜索过程简单，无参数设定，使得RBF神经网络在不增加输入变量的情况下，仍有较高的准确度。第三步，在线监测：利用主元分析方法用于检测模型的统计指标T2值，计算待检测数据的统计指标T2值并进行比较，当其超过检测控制限即为检测到暂态扰动的发生。通过计算对主元成分的贡献率可以简便快速的确定暂态扰动事件发生的线路。
上述方案通过主元分析方法，将全网数据作为整体矩阵进行分解，能够去除传统方法在阈值设定时，必须选定一个基准值进行参考的缺点，避免了参考值本身出现错误或故障时带来的误判断，提高了检测精度。
本发明采用了先进的启发式优化算法，能够在减少输入变量的情况下，保证模型检测的准确性，进一步减少运行时间。相比传统方法更加提高了检测精度和准确率，同时又避免了运行时间的延长。
以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。

Claims (9)

1.一种电网输电线路暂态信号监测方法，其特征在于，包括如下步骤：
S1、检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生，若为所述可疑扰动，则进行步骤S2；
S2、对普通径向基函数神经网络节点参数进行离线建模优化；
S3、在线监测模型的统计指标T2的值，将所述统计指标T2与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生；
所述步骤S1具体包括以下步骤：
S1.1：采集电网公共连接点处的电压频率，用向量表示，其中x为电压频率测量值，向量/>即表示在此处连续采集的m个时间序列点的集合；
S1.2：在另一地点采集的数据可以表示为，同理可得，其他第i个地点的检测装置都能得到同样格式的相量数据/>；
S1.3：根据主元分析方法的计算特点，可以将N个地点的电压频率数据组成矩阵进行处理，得到数据矩阵：
；其中R表示实数集合；N×m为矩阵的维度；
S1.4：通过所述主元分析可以将原始数据矩阵分解为载荷向量和得分向量/>的乘积之和再加上残余误差E：
；
式中的k表示选取的主元个数，用来代表数据中方差最大的主元空间，所述主元个数能够包含数据总方差的95%；上标T为向量的转置符号；
S1.5：计算PCA方法用于检测模型的所述统计指标T2，按如下公式计算：
；
式中的是对角矩阵，包含协方差矩阵的特征值；
S1.6：将PCA方法运用于过程检测时，要在正常数据的处理基础上计算检测控制限，所述统计指标T2为符合F分布的，设定置信度α为95%，则统计控制限表示为：，可以由下面公式计算得出：
；
其中，k是所述主元个数，N是训练数据的变量个数，表示当数据符合F分布时，在自由度为（m-k），置信度为α时的概率值；
S1.7：故障重构过程：所述故障重构利用一个模拟的故障方向向量，将原始变量表示为/>，/>是对故障向量/>的估计值，则故障向量可以利用下式求出：
；
上述公式中计算的是x的估计值与实际值之间的误差，如果未发生扰动或者故障，则重构值应该接近0，任何扰动或者故障都会导致结果的值不为0，则进行步骤S2。
2.如权利要求1所述的监测方法，其特征在于，步骤S1中：检测扰动信号具体为：将广域测量系统采集的各个观测点的频率数据进行矩阵化组合。
3.如权利要求2所述的监测方法，其特征在于，步骤S1中：对所检测到的所述扰动信号进行分析及判断过程具体为：利用主元分析方法将数据矩阵进行分解，选取合适的主元个数来表示所述数据矩阵中方差最大的主元空间，将余下残差部分进行扰动重构，若重构结果在正常范围之内，则建立正常运行状态下的主元分析模型；若超出范围，则视为所述可疑扰动发生，则进行步骤S2。
4.如权利要求1所述的监测方法，其特征在于，所述步骤S2中，采用启发式JAYA优化算法对普通径向基函数神经网络节点参数进行优化。
5.如权利要求4所述的监测方法，其特征在于，所述步骤S2具体包括以下步骤：
S2.1：所述启发式JAYA优化算法对神经网络模型参数进行优化，利用以下公式：
；
其中，是第j个变量的最优值，/>是第j个变量的最差值，/>是/>每一次优化之后的值，/>和/>是第j个变量的第i次优化循环时采用的随机数，范围在[0,1]；
S2.2：将所述启发式JAYA优化算法的优化结果对神经网络结构进行参数更新，得到最优的神经网络模型；
S2.3：将所述最优的神经网络模型进行运算，得到所述最优的神经网络模型的预测输出y，与实时数据在线检测数据进行对比。
6.如权利要求5所述的监测方法，其特征在于，所述步骤S3中利用主元分析方法检测所述神经网络模型的统计指标T2的值。
7.如权利要求6所述的监测方法，其特征在于，所述步骤S3中主元分析法对所述统计指标T2的具体分析判断过程为：计算待检测数据的统计指标T2值并与所述检测控制限进行比较，当其超过所述检测控制限，即为检测到暂态扰动的发生。
8.如权利要求7述的监测方法，其特征在于，所述步骤S3具体包括以下步骤：
S3.1：将实时数据与步骤S2.3中的所述神经网络模型的预测输出y进行比较，得到残差，按照T2公式计算实时数据的统计指标T2的值；
S3.2：将计算得到的T2与步骤S1.6中得到的检测控制限进行比较，若在所述检测控制限之内则为正常信号，若超出所述检测控制限则判断为暂态扰动的发生。
9.一种电网输电线路暂态信号监测系统，其特征在于，采用了如权利要求1至8任意一项所述的监测方法，该检测系统包括：
可疑扰动检测单元，检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生；
神经网络优化单元，与所述可疑扰动检测单元电连接，对普通径向基函数神经网络节点参数进行离线建模优化；
暂态扰动检测单元，分别与所述可疑扰动检测单元、所述神经网络优化单元电连接；在线监测模型的统计指标T2的值，将所述统计指标T2与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。
CN201811516584.2A 2018-12-12 2018-12-12 电网输电线路暂态信号监测方法和系统 Active CN109635430B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811516584.2A CN109635430B (zh) 2018-12-12 2018-12-12 电网输电线路暂态信号监测方法和系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811516584.2A CN109635430B (zh) 2018-12-12 2018-12-12 电网输电线路暂态信号监测方法和系统

Publications (2)

Publication Number Publication Date
CN109635430A CN109635430A (zh) 2019-04-16
CN109635430B true CN109635430B (zh) 2023-10-03

Family

ID=66072894

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811516584.2A Active CN109635430B (zh) 2018-12-12 2018-12-12 电网输电线路暂态信号监测方法和系统

Country Status (1)

Country Link
CN (1) CN109635430B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110460099B (zh) * 2019-08-30 2021-03-09 北方工业大学 公共负载公共连接点pcc电压暂态补偿前馈控制方法以及系统
WO2021119640A1 (en) * 2019-12-13 2021-06-17 Lindsey Firesense, Llc System and method for debris detection and integrity validation for right-of-way based infrastructure
CN111884792B (zh) * 2020-06-30 2021-07-09 深圳市永达电子信息股份有限公司 基于忆阻器混沌序列的本征态网络电路信号制备系统和方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5170359A (en) * 1984-07-19 1992-12-08 Presearch Incorporated Transient episode detector method and apparatus
CN101738551A (zh) * 2009-12-15 2010-06-16 西南交通大学 基于联网的暂态电能质量扰动智能分析方法
CN103995178A (zh) * 2014-05-20 2014-08-20 江苏大学 一种基于时频聚集特性准则s变换的电压暂降检测方法
CN107462785A (zh) * 2017-06-14 2017-12-12 郑州轻工业学院 基于ga‑svm的电能质量多扰动信号分类识别方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US5170359A (en) * 1984-07-19 1992-12-08 Presearch Incorporated Transient episode detector method and apparatus
CN101738551A (zh) * 2009-12-15 2010-06-16 西南交通大学 基于联网的暂态电能质量扰动智能分析方法
CN103995178A (zh) * 2014-05-20 2014-08-20 江苏大学 一种基于时频聚集特性准则s变换的电压暂降检测方法
CN107462785A (zh) * 2017-06-14 2017-12-12 郑州轻工业学院 基于ga‑svm的电能质量多扰动信号分类识别方法

Non-Patent Citations (6)

* Cited by examiner, † Cited by third party
Title
CEEMD在电能质量扰动检测中的应用;吴新忠；邢强；渠虎等;《电力系统保护与控制》;20170208;全文 *
一种新的电压暂态信号检测方法;堵俊等;《电测与仪表》;20080725(第07期);全文 *
基于小波分解的电网动态电能质量扰动检测;秦立军等;《智能电网》;20150810(第08期);全文 *
基于粒子群优化SVM的电能质量复合扰动分类的研究;胡坤等;《西安理工大学学报》;20120930(第03期);全文 *
暂态电能质量实时监测和分析系统;冯浩等;《电子测量技术》;20110115(第01期);全文 *
电能质量复合扰动分类的研究进展;刘志刚等;《电力系统保护与控制》;20130701(第13期);全文 *

Also Published As

Publication number Publication date
CN109635430A (zh) 2019-04-16

Similar Documents

Publication Publication Date Title
Mishra Power quality disturbance detection and classification using signal processing and soft computing techniques: A comprehensive review
Cavraro et al. Power distribution network topology detection with time-series signature verification method
Xiao et al. Data-driven multi-hidden markov model-based power quality disturbance prediction that incorporates weather conditions
Jiang et al. Spatial-temporal synchrophasor data characterization and analytics in smart grid fault detection, identification, and impact causal analysis
US11656263B2 (en) Effective feature set-based high impedance fault detection
Khamis et al. Islanding detection and load shedding scheme for radial distribution systems integrated with dispersed generations
Yılmaz et al. A real-time UWT-based intelligent fault detection method for PV-based microgrids
CN109635430B (zh) 电网输电线路暂态信号监测方法和系统
Mishra et al. Fast discrete s-transform and extreme learning machine based approach to islanding detection in grid-connected distributed generation
Bhui et al. Application of recurrence quantification analysis to power system dynamic studies
Liu et al. Wide-area phase-angle measurements for islanding detection—An adaptive nonlinear approach
CN111652479B (zh) 一种针对电力系统动态安全评估的数据驱动方法
CN105354643A (zh) 一种风电接入电网的风险预测评估方法
Moravej et al. A new approach for fault classification and section detection in compensated transmission line with TCSC
Kordestani et al. Data fusion for fault diagnosis in smart grid power systems
Li et al. Physics-informed learning for high impedance faults detection
Fang et al. An explainable and robust method for fault classification and location on transmission lines
Li et al. Adaptive S transform for feature extraction in voltage sags
Cui et al. High-impedance fault detection method based on sparse data divergence discrimination in distribution networks
Saikia et al. Detection and classification of power quality disturbances using wavelet transform, fuzzy logic and neural network
Vosughi et al. Synchrophasor-based event detection, classification, and localization using koopman, transient energy matrix, best worth method, and dynamic graph
Bhuiyan et al. A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems
Gopinath et al. A PCA‐NPOGBDT strategy‐based protection scheme to differentiate between inverter and distribution line faults plus detection and identification of faulty section in microgrid
Fuentes-Velazquez et al. A fast automatic detection and classification of voltage magnitude anomalies in distribution network systems using PMU data
Jiang et al. Application of a hybrid model of big data and BP network on fault diagnosis strategy for microgrid

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