CN110208657B - 一种t接线路故障智能识别新方法 - Google Patents
一种t接线路故障智能识别新方法 Download PDFInfo
- Publication number
- CN110208657B CN110208657B CN201910621600.2A CN201910621600A CN110208657B CN 110208657 B CN110208657 B CN 110208657B CN 201910621600 A CN201910621600 A CN 201910621600A CN 110208657 B CN110208657 B CN 110208657B
- Authority
- CN
- China
- Prior art keywords
- traveling wave
- fault
- frequency
- energy
- wave
- 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
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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)
Abstract
本发明公开了一种T接线路故障智能识别新方法。本发明提出了一种基于电流反行波多尺度S变换能量熵和极限学习机的T接线路故障识别新方法。在对T接线路各端故障反行波进行S变换的基础上,计算8个不同频率下的反行波能量熵,组成T接线路故障特征向量样本集,结合极限学习机故障智能识别模型进行训练测试,识别T接线路的故障支路。
Description
技术领域
本发明涉及T接线路故障识别技术领域,具体涉及一种T接线路故障智能识别新方法。
背景技术
随着社会经济的不断发展,电网复杂度逐渐增加。从节约投资以及其他客观条件的限制等方面考虑,T接线路因其接线方式的独特性,越来越多的出现在高压和超高压电力网中。然而,这些线路常常伴随着大电厂和大系统,其输电线路输电功率高、负荷重,当线路发生故障时,有可能造成大面积停电事故。因此,当其发生故障时,就要求能够快速准确识别故障。
目前,国内外学者对T接线路故障识别的研究主要基于电压、电流以及线路分布参数模型等信息。利用T接线路三端电压故障分量相量和与电流故障分量相量和的比值大小识别区内外故障。利用T接线路三端电流故障分量之和以及三端电流故障分量中的最大电流与另外两端电流之和的矢量差建立判据,识别区内外故障,但是判据中制动系数的选取会对故障识别的灵敏性和可靠性造成影响。利用T接线路三端故障电流分量中的最大电流与另外两端电流之和及其余弦夹角建立判据,识别区内外故障,该判据使制动项在区内外故障上分别体现为驱动和制动状态。所提判据建立综合判据,对光伏T接高压配电网络区内外故障进行识别。通过T接线路的各侧电压、电流和线路正序阻抗参数等信息,分别在各侧求取T接点电压,然后利用求得的T接点电压幅值信息识别故障支路。将T接线路保护端测量得到的电压、电流信号提供给二阶泰勒-卡尔曼-傅里叶(T2KF)滤波器,以此估计电压、电流信号的瞬时值,然后求取正序阻抗识别故障区段。在T接线路三端分别计算T接点处的正序电压,通过比较T接点正序电压的叠加分量的最大幅值与三端正序电压叠加分量的最大幅值关系识别区内外故障。首先利用T接线路三端分别计算得到的T接点正序叠加电压的最大值判别线路是否故障,然后利用特定端子处的正序叠加电压与电流之间的相位关系识别区内外故障。利用T接线路三侧电压幅值差和测量阻抗特征建立综合电压幅值差主判据,结合自适应距离辅助判据识别区内外故障。提出了基于小波变换的方法识别T接线路故障。首先采用bior3.1小波分解T接线路三端原始电流信号,然后再对分解的信号进行重建,并利用重建信号求解各相运行电流和抑制电流,最后通过对比三端相应相位运行电流与抑制电流的关系识别区内外故障。通过对比Haar小波函数在T接线路每端检测到的故障电流极性来判别区内外故障。故障识别算法主要基于T接线路的分布参数,通过对比分析线路模型导出的指数和之间的关系判别区内外故障,基于线路分布参数模型推导出测距函数,利用测距函数在各支路首末两端的相位信息判断故障所在支路。但上述方法均无法得到准确的故障判断结果。
发明内容
针对现有技术中的上述不足,本发明提供的一种T接线路故障智能识别新方法解决了T接线路故障判断不准确的问题。
为了达到上述发明目的,本发明采用的技术方案为:一种T接线路故障智能识别新方法,包括以下步骤:
S1、对故障后的T接线路行波保护单元TRm检测到的行波数据进行S变换,得到S变换后的行波数据,m为T接线路的支路序号,m=1,2,3;
S2、计算S变换后的行波数据在频率fn下,故障后初始行波波头前后0.5ms时间段内的电流反向行波数据,n为频率序号,n=1,2,3,4,5,6,7,8;
S3、通过电流反向行波数据计算各行波保护单元在0.5ms时间段内频率fn中各个频率的反行波能量熵;
S4、将各行波保护单元各个频率的反行波能量熵组成多尺度反行波能量熵向量Wm=[Wm1 Wm2…Wm8]1×8;
S5、将3个行波保护单元的多尺度反行波能量熵向量组成T接线路故障特征向量W=[W11…W18 W21…W28 W31…W38]1×24;
S6、将T接线路故障特征向量W=[W11…W18 W21…W28 W31…W38]1×24输入到极限学习机中进行训练测试,得到故障识别结果。
进一步地:所述步骤S2中电流反向行波数据的计算公式为:
上式中,Δi_为电流反向行波数据,Δi和Δu分别为各支路电阻处测量到的电压和电流故障行波分量,zc为线路波阻抗。
进一步地:所述频率fn具体为:f1=5KHz,f2=10KHz,f3=15KHz,f4=20KHz,f5=25KHz,f6=30KHz,f7=35KHz,f8=40KHz。
进一步地:所述步骤S3中反行波能量熵的计算方法为:
S31、将第m个行波保护单元TRm在频率fn下的反行波信号Δimn-(t)经S变换后得到复时频矩阵S;
S32、对复时频矩阵S的各个元素求模,得到模时频矩阵D;
S33、通过模时频矩阵D计算反行波信号Δimn-(t)初始行波波头前后50个采样点的能量Emn(j),并通过能量Emn(j)计算反行波信号Δimn-(t)在频率fn下的总能量Emn;
j为反行波信号Δimn-(t)初始行波波头前后50个采样点的序号,j=1,2,3,…,100;
S34、通过总能量Emn计算第m个行波保护单元的反行波能量熵Wmn。
进一步地:所述步骤S33中能量的计算公式为:
Emn(j)=|Dmn(j)|2
上式中,Emn(j)为能量,Dmn(j)为第m个行波保护单元在频率fn下第j个点的电流数据。
进一步地:所述步骤S33中行波单元m在频率fn下的总能量的计算公式为:
上式中,Emn为总能量。
进一步地:所述步骤S34中反行波能量熵Wmn的计算公式为:
pm(j)=Emn(j)/E
上式中,E为信号总能量,计算公式为:
本发明的有益效果为:本发明提出了一种基于电流反行波多尺度S变换能量熵和极限学习机的T接线路故障识别新方法。在对T接线路各端故障反行波进行S变换的基础上,计算8个不同频率下的反行波能量熵,组成T接线路故障特征向量样本集,结合极限学习机故障智能识别模型进行训练测试,识别T接线路的故障支路。有益效果如下:
1)本发明通过建立好的T接线路智能故障识别模型识别T接线路区内外故障支路,在各种工况下的仿真分析中,都能够快速准确识别故障所在支路,基本克服了过渡电阻、故障初始角等因素的影响。
2)本发明在数据信息丢失、CT饱和以及噪声等因素影响下,也能正确识别故障支路。
3)本与传统T接线路故障识别算法的对比分析显示,本发明在动作速度、容错性以及故障识别精确度上性能较好。
附图说明
图1为本发明流程图;
图2为本发明中500kv的T接线路示意图;
图3为本发明中T接线路区内AO支路故障时行波的传播方向示意图;
图4为本发明中T接线路区外故障时故障行波传播示意图;
图5为本发明中T接线路区内支路AO故障时行波保护单元TR1的相关行波波形图;
图6为本发明中T接线路区内支路AO故障时行波保护单元TR2的相关行波波形图;
图7为本发明中T接线路区内支路AO故障时行波保护单元TR3的相关行波波形图;
图8为本发明中T接线路区外支路BE故障时行波保护单元TR1的相关行波波形图;
图9为本发明中T接线路区外支路BE故障时行波保护单元TR2的相关行波波形图;
图10为本发明中T接线路区外支路BE故障时行波保护单元TR3的相关行波波形图;
图11为本发明中ELM网络结构示意图。
具体实施方式
下面对本发明的具体实施方式进行描述,以便于本技术领域的技术人员理解本发明,但应该清楚,本发明不限于具体实施方式的范围,对本技术领域的普通技术人员来讲,只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内,这些变化是显而易见的,一切利用本发明构思的发明创造均在保护之列。
如图1所示,一种T接线路故障智能识别新方法,包括以下步骤:
S1、对故障后的T接线路行波保护单元TRm检测到的行波数据进行S变换,得到S变换后的行波数据,m为T接线路的支路序号,m=1,2,3;
图2所示为500KV的T接线路,定义图2中AO、BO、CO三条支路为T接线路的区内支路,其余支路为区外支路。
T接线路由区内支路AO、BO、CO和区外支路AD、BE、CF组成,在区内支路靠近A、B、C三端处分别安装行波保护单元TR1~TR3,当支路AO上F1点发生故障时,行波从故障点开始沿着线路向两侧传播,在线路波阻抗不连续处发生折反射,对于线路上距离故障点为x的任意一点,该点的暂态电压、电流行波为:
式中:t为观察时间,L和C为单位长度线路的电感和电容;Δu+(Δu-)、Δi+(Δi-)为沿x正(反)方向传播的电压、电流前(反)行波。
根据行波传播理论,设初始行波到达A、B、C三端的时刻分别为t0m(m=1,2,3),行波发生折反射第二次到达A、B、C三端的时刻为t1m(m=1,2,3);在t0m~t1m时间段内,区内支路近A、B、C三端处的行波保护单元TRm(m=1,2,3)获取的故障行波称为初始电压、电流行波。其中Δum(m=1,2,3)分别为区内支路近A、B、C三端行波保护单元测量到的初始电压行波,Δim(m=1,2,3)分别为区内支路近A、B、C三端行波保护单元测量到的初始电流行波。线路波阻抗为zc。
S变换是小波变换和短时傅里叶变换原理的延伸,避免了窗函数的选择,改善了窗宽固定的缺陷,同时S变换提取的特征量对噪声不敏感。
设连续时间信号为h(t),则时间信号h(t)的连续S变换S(τ,f)定义为:
上式中,τ为控制高斯窗口在时间轴上所处位置的参数,f为连续频率,t为时间,i为虚数单位,σ=1/|f|,g(τ-t,f)为高斯窗口,受频率变化影响。
若h[kT](k=0,1,2,…,N-1)是对信号h(t)进行采样得到的离散时间序列,T为采样间隔,N为采样点数,则h[kT]的离散傅里叶变换函数为:
式中n=0,1,…,N-1。
则信号h(t)的离散S变换为:
S变换后的复矩阵,反映了信号的时域、频域特性,以及行波在时域中的幅值信息和相位信息。
S2、计算S变换后的行波数据在频率fn下,故障后初始行波波头前后0.5ms时间段内的电流反向行波数据,n为频率序号,n=1,2,3,4,5,6,7,8;
分析可知,线路上任一点的暂态电压和电流都是前行波和反行波的叠加,电流正向行波和反向行波分别为:
上式中,Δi_为电流反向行波数据,Δi和Δu分别为各支路电阻处测量到的电压和电流故障行波分量,zc为线路波阻抗。
由行波的传播特性可知,在线路波阻抗不连续处(故障点、母线等)行波会发生折反射。根据图2,定义行波的正方向为母线指向线路,当T接线路区内AO支路F1发生故障时,电流反行波的传播方向如图3所示,其中Δim-(m=1,2,3)分别为区内支路AO、BO、CO的反向行波。
当T接线路区内发生故障时,行波从故障点分别传播到A、B、C母线,由于线路与母线波阻抗不连续发生折反射。设区内外最短的一条线路的长度为dmin,在[t0m,t0m+2dmin/v](m=1,2,3)时间段内各行波保护单元TRm都能检测到反向行波。
图4所示为T接线路区外支路BE的F2处发生故障时的方向行波传播方式,其中Δim-(m=1,3)为区内支路AO、CO保护单元测量到的反向行波,Δi2+为区内支路BO保护单元测量到的正向行波。在[t0m,t0m+2dmin/v](m=1,3)时间段内,行波保护单元TRm(m=1,3)只能检测到反向行波;在[t02,t02+2dmin/v]时间段内,行波保护单元TR2只能检测到正向行波。
在三相输电系统中,各相电压和各相电流之间的耦合会对电压电流造成影响,因此需要对相电压和相电流进行解耦处理,本发明采用克拉克相模变换对相电压和相电流进行解耦处理,再利用组合模量法来反应T接线路的各种故障类型,
上式中,Δuα与Δuβ分别为克拉克α、β模电压;Δiα与Δiβ分别为克拉克α、β模电流。
频率fn具体为:f1=5KHz,f2=10KHz,f3=15KHz,f4=20KHz,f5=25KHz,f6=30KHz,f7=35KHz,f8=40KHz。
S3、通过电流反向行波数据计算各行波保护单元在0.5ms时间段内频率fn中各个频率的反行波能量熵;
反行波能量熵的计算方法为:
S31、将第m个行波保护单元TRm在频率fn下的反行波信号Δimn-(t)经S变换后得到复时频矩阵S;
S32、对复时频矩阵S的各个元素求模,得到模时频矩阵D;
S33、通过模时频矩阵D计算反行波信号Δimn-(t)初始行波波头前后50个采样点的能量Emn(j),并通过能量Emn(j)计算反行波信号Δimn-(t)在频率fn下的总能量Emn;
j为反行波信号Δimn-(t)初始行波波头前后50个采样点的序号,j=1,2,3,…,100;
能量Emn(j)的计算公式为:
Emn(j)=|Dmn(j)|2
上式中,Dmn(j)为第m个行波保护单元在频率fn下第j个点的电流数据。
行波单元m在频率fn下的总能量Emn的计算公式为:
S34、通过总能量Emn计算第m个行波保护单元的反行波能量熵Wmn。
反行波能量熵Wmn的计算公式为:
pm(j)=Emn(j)/E
上式中,E为信号总能量,计算公式为:
在PSCAD中模型中,设置T接线路区内支路AO距O点250km处发生A相接地故障,得到各行波保护单元TRm(m=1,2,3)的相关电流行波波形分别如图5~图7所示(以S变换后40kHz频率对应的信号为例),其中Δim(m=1,2,3)表示相关原始电流行波,Δim-(m=1,2,3)表示相关电流反向行波。
分析图5~图7可知,当T接线路区内支路AO发生A相接地故障时,各行波保护单元TRm(m=1,2,3)测量到的初始电流行波与故障电流反向行波同时出现,能检测到反行波。
当T接线路区外支路BE距E端100km处发生A相接地故障时,得到各行波保护单元TRm(m=1,2,3)的相关电流行波波形分别如图8~图10所示,(以S变换后40kHz频率对应的信号为例),其中Δim(m=1,2,3)表示相关原始电流行波,Δim-(m=1,2,3)表示相关电流反向行波。
分析图8~图10可知,当T接线路区外支路BE支路发生故障时,在[t0m,t0m+2dmin/v](m=1,3)时间段内,行波保护单元TRm(m=1,3)能检测到故障电流反向行波,而行波保护单元TR2只能检测到故障电流正向行波,检测不到电流反向行波。
S4、将各行波保护单元各个频率的反行波能量熵组成多尺度反行波能量熵向量Wm=[Wm1 Wm2…Wm8]1×8;
S5、将3个行波保护单元的多尺度反行波能量熵向量组成T接线路故障特征向量W=[W11…W18 W21…W28 W31…W38]1×24;
S6、将T接线路故障特征向量W=[W11…W18 W21…W28 W31…W38]1×24输入到极限学习机中进行训练测试,得到故障识别结果。
极限学习机是一种简单易用、有效的单隐层前馈神经网络学习算法。ELM只需要设置网络中隐含层神经元的个数,在算法执行过程中不需要调整网络的输入权值以及隐元的偏置,相比于传统神经网络,它改变了BP神经网络基于梯度下降学习思想,无需迭代更新网络参数,改变了SVM学习性能过度依赖参数调整的特点,具有学习速度快且泛化性能好的优点,只产生唯一最优解。图11为单隐层ELM网络结构图。
其中,j=1,2,...,N;ai=[ai1,ai2,…,ain]T为输入节点与第i个隐含层节点的输入权值;bi为第i个隐含层节点的神经元偏置;βi=[βi1,βi2,…,βim]T为第i个隐含层节点与输出节点的输出权值。
算法步骤如下:
(1)随机选定(ai,bi),通过h(x)=[G(a1,b1,x),…,G(aL,bL,x)]T将样本映射到新的特征空间。随机特征映射h(x)形成隐含层矩阵H,则有
Hβ=T
为验证算法的有效性和可靠性,本文选择在不同故障类型、不同过渡电阻、不同故障距离和不同故障初始角等情况下对T接线路区内外各支路进行仿真实验。
极限学习机的训练样本由T接线路各支路发生故障时采样数据未丢失样本和采样数据丢失样本2部分组成,其中,采样数据未丢失样本由支路随机故障样本和T接线路区内近O点故障样本2部分组成。支路随机故障样本是在不同故障条件下,对T接线路6条支路选取5种不同故障仿真得到的120组故障特征向量;区内近O点故障样本是在区内支路AO、BO、CO上分别选取距O点2.5km、2km、1.5km、1.2km、1km的故障距离,以不同故障条件仿真得到30组故障特征向量。采样数据丢失样本是在选取的8个频率下电流行波波头附近数据信息分别丢失10、20、30、40、50个采样点数据得到的60组故障特征向量。数据未丢失和数据丢失T接线路故障特征向量共同组成故障特征训练样本集,将其输入极限学习机进行训练。
分别将T接线路6条支路不同于训练样本故障类型的数据作为测试样本,将其输入训练好的极限学习机智能故障识别模型,对故障支路进行识别测试。
Claims (6)
1.一种T接线路故障智能识别新方法,其特征在于,包括以下步骤:
S1、对故障后的T接线路行波保护单元TRm检测到的行波数据进行S变换,得到S变换后的行波数据,m为T接线路的支路序号,m=1,2,3;
S2、计算S变换后的行波数据在频率fn下,故障后初始行波波头前后0.5ms时间段内的电流反向行波数据,n为频率序号,n=1,2,3,4,5,6,7,8;
S3、通过电流反向行波数据计算各行波保护单元在0.5ms时间段内频率fn中各个频率的反行波能量熵;
S4、将各行波保护单元各个频率的反行波能量熵组成多尺度反行波能量熵向量Wm;
S5、将3个行波保护单元的多尺度反行波能量熵向量组成T接线路故障特征向量W;
S6、将T接线路故障特征向量W输入到极限学习机中进行训练测试,得到故障识别结果;
所述步骤S3中反行波能量熵的计算方法为:
S31、将第m个行波保护单元TRm在频率fn下的反行波信号Δimn-(t)经S变换后得到复时频矩阵S;
S32、对复时频矩阵S的各个元素求模,得到模时频矩阵D;
S33、通过模时频矩阵D计算反行波信号Δimn-(t)初始行波波头前后50个采样点的能量Emn(j),并通过能量Emn(j)计算反行波信号Δimn-(t)在频率fn下的总能量Emn;
其中j为反行波信号Δimn-(t)初始行波波头前后50个采样点的序号,j=1,2,3,…,100;
S34、通过总能量Emn计算第m个行波保护单元的反行波能量熵Wmn。
3.根据权利要求1所述的T接线路故障智能识别新方法,其特征在于,所述频率fn具体为:f1=5KHz,f2=10KHz,f3=15KHz,f4=20KHz,f5=25KHz,f6=30KHz,f7=35KHz,f8=40KHz。
4.根据权利要求1所述的T接线路故障智能识别新方法,其特征在于,所述步骤S33中能量Emn(j)的计算公式为:
Emn(j)=|Dmn(j)|2
上式中,Dmn(j)为第m个行波保护单元在频率fn下第j个点的电流数据。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621600.2A CN110208657B (zh) | 2019-07-10 | 2019-07-10 | 一种t接线路故障智能识别新方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910621600.2A CN110208657B (zh) | 2019-07-10 | 2019-07-10 | 一种t接线路故障智能识别新方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110208657A CN110208657A (zh) | 2019-09-06 |
CN110208657B true CN110208657B (zh) | 2021-03-30 |
Family
ID=67797135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910621600.2A Active CN110208657B (zh) | 2019-07-10 | 2019-07-10 | 一种t接线路故障智能识别新方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110208657B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113447757A (zh) * | 2021-05-24 | 2021-09-28 | 南方电网科学研究院有限责任公司 | 一种高压输电线路的行波故障检测方法、设备及介质 |
CN115308534B (zh) * | 2022-09-16 | 2023-07-21 | 西南石油大学 | 一种t接输电线路故障支路诊断方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941156A (zh) * | 2014-04-16 | 2014-07-23 | 华北电力大学 | 基于极限学习机的多信息融合区段定位方法 |
CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
CN105548802A (zh) * | 2015-12-04 | 2016-05-04 | 昆明理工大学 | 一种基于故障行波沿线分布特性的t接线路三端不同步故障测距方法 |
CN105842584A (zh) * | 2016-04-01 | 2016-08-10 | 昆明理工大学 | 一种基于故障行波沿线分布特性的t接线路多端行波测距方法 |
CN106443335A (zh) * | 2016-09-20 | 2017-02-22 | 广西电网有限责任公司钦州供电局 | 雷击故障识别方法及系统 |
CN108565840A (zh) * | 2018-04-21 | 2018-09-21 | 国网四川省电力公司电力科学研究院 | 一种基于反行波波形相似度比较的快速母线保护方法 |
CN109188207A (zh) * | 2018-09-18 | 2019-01-11 | 四川理工学院 | 一种基于初始行波有功功率的母线故障定位方法 |
CN109470987A (zh) * | 2018-09-30 | 2019-03-15 | 昆明理工大学 | 一种基于区段匹配算法t接输电线路单端行波测距方法 |
CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8598886B2 (en) * | 2008-03-20 | 2013-12-03 | Freescale Semiconductor, Inc. | Apparatus and a method for detecting faults in the delivery of electrical power to electrical loads |
CN106778594A (zh) * | 2016-12-12 | 2017-05-31 | 燕山大学 | 基于lmd熵特征和lvq神经网络的运动想象脑电信号识别方法 |
-
2019
- 2019-07-10 CN CN201910621600.2A patent/CN110208657B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103941156A (zh) * | 2014-04-16 | 2014-07-23 | 华北电力大学 | 基于极限学习机的多信息融合区段定位方法 |
CN105548802A (zh) * | 2015-12-04 | 2016-05-04 | 昆明理工大学 | 一种基于故障行波沿线分布特性的t接线路三端不同步故障测距方法 |
CN105548832A (zh) * | 2015-12-10 | 2016-05-04 | 国网四川省电力公司电力科学研究院 | 高压电力电缆故障识别方法 |
CN105842584A (zh) * | 2016-04-01 | 2016-08-10 | 昆明理工大学 | 一种基于故障行波沿线分布特性的t接线路多端行波测距方法 |
CN106443335A (zh) * | 2016-09-20 | 2017-02-22 | 广西电网有限责任公司钦州供电局 | 雷击故障识别方法及系统 |
CN108565840A (zh) * | 2018-04-21 | 2018-09-21 | 国网四川省电力公司电力科学研究院 | 一种基于反行波波形相似度比较的快速母线保护方法 |
CN109188207A (zh) * | 2018-09-18 | 2019-01-11 | 四川理工学院 | 一种基于初始行波有功功率的母线故障定位方法 |
CN109470987A (zh) * | 2018-09-30 | 2019-03-15 | 昆明理工大学 | 一种基于区段匹配算法t接输电线路单端行波测距方法 |
CN109685138A (zh) * | 2018-12-25 | 2019-04-26 | 东南大学 | 一种xlpe电力电缆局部放电类型识别方法 |
Non-Patent Citations (4)
Title |
---|
基于EMD多尺度能量熵的气液两相流型表征;樊春玲 等;《华东理工大学学报(自然科学版)》;20140228(第01期);第81-85页 * |
基于反行波能量熵比较的母线保护新原理;董星星 等(包括吴浩;《电测与仪表》;20180625(第12期);第7-14页 * |
基于多尺度能量统计和小波能量熵测度的电力暂态信号识别方法;何正友 等;《中国电机工程学报》;20060531(第10期);第33-39页 * |
柔性直流输电线路故障测距研究;郗传鑫;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20170915(第9期);C042-113 * |
Also Published As
Publication number | Publication date |
---|---|
CN110208657A (zh) | 2019-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN101975910B (zh) | 一种特高压直流输电线路故障智能分类与测距方法 | |
Jiao et al. | A new method to improve fault location accuracy in transmission line based on fuzzy multi-sensor data fusion | |
CN103728535A (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 | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
CN103513159A (zh) | 一种直流接地极线路上的故障测距方法及装置 | |
CN110208657B (zh) | 一种t接线路故障智能识别新方法 | |
CN109633271A (zh) | 基于变分模态分解和维格纳威尔分布的行波时频分析方法 | |
CN109521330B (zh) | 一种基于arima波头预测的输电线路故障行波测距方法 | |
CN107329045B (zh) | 配网故障最小二乘定位方法 | |
Handschin et al. | Transformer tap position estimation and bad data detection using dynamic signal modelling | |
CN113821978B (zh) | 基于改进步长lms自适应算法的行波检测方法和系统 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
Elnozahy et al. | Artificial neural network based fault classification and location for transmission lines | |
CN104268626A (zh) | 电力电缆寿命估计的方法及系统 | |
CN113253052A (zh) | 一种基于改进smmg的高压直流输电线路故障测距方法 | |
CN112083272A (zh) | 一种基于护层电流行波固有频率频差法的10kV电缆故障测距方法 | |
Chen et al. | A novel method for SLG fault location in power distribution system using time lag of travelling wave components | |
CN107247215B (zh) | 基于多点同步测量数据的配网故障粒子群定位算法 | |
CN115963358A (zh) | 一种混合三端柔性直流输电线路故障测距方法及系统 | |
CN105223467B (zh) | 基于分维计算和mallat分解的配电网故障选线方法 | |
CN107505534B (zh) | 配网故障遗传搜索定位方法 | |
Coban et al. | Artificial neural network based fault location on 230 kv transmission line using voltage and current signals | |
CN102135588A (zh) | 一种利用s变换频谱特性的辐射网故障智能测距方法 | |
CN103245893B (zh) | 一种基于自然频率的辐射状配网分层分布式ann故障定位方法 |
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 |