CN110488152A - 一种基于自适应神经模糊推理系统的配电网故障选线方法 - Google Patents
一种基于自适应神经模糊推理系统的配电网故障选线方法 Download PDFInfo
- Publication number
- CN110488152A CN110488152A CN201910769652.4A CN201910769652A CN110488152A CN 110488152 A CN110488152 A CN 110488152A CN 201910769652 A CN201910769652 A CN 201910769652A CN 110488152 A CN110488152 A CN 110488152A
- Authority
- CN
- China
- Prior art keywords
- line
- wavelet packet
- normalization
- fault
- energy spectrum
- 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
- 230000003044 adaptive effect Effects 0.000 title claims abstract description 23
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 238000001228 spectrum Methods 0.000 claims abstract description 42
- 239000011159 matrix material Substances 0.000 claims abstract description 24
- 238000000034 method Methods 0.000 claims abstract description 11
- 238000010606 normalization Methods 0.000 claims description 59
- 238000000354 decomposition reaction Methods 0.000 claims description 39
- 230000002238 attenuated effect Effects 0.000 claims description 27
- 230000001537 neural effect Effects 0.000 claims description 17
- 238000004422 calculation algorithm Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 12
- 230000003595 spectral effect Effects 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008859 change Effects 0.000 claims description 4
- 238000012549 training Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000003672 processing method Methods 0.000 claims description 2
- 230000007704 transition Effects 0.000 abstract description 5
- 230000004927 fusion Effects 0.000 abstract description 4
- 230000008901 benefit Effects 0.000 abstract description 2
- 238000000605 extraction Methods 0.000 abstract 1
- 239000013589 supplement Substances 0.000 abstract 1
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 2
- 238000013473 artificial intelligence Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于自适应神经模糊推理系统的配电网故障选线方法，该方法利用小波包变换提取故障后线路中的波形相关量、衰减直流分量和能谱熵量，生成故障特征矩阵，通过对故障特征矩阵做特殊的归一化处理，消除了不同故障条件下判据失效的影响；利用自适应神经模糊推理系统学习模糊理论中的模糊逻辑规则及隶属度函数参数，避免了人为选取隶属度函数和权重系数的主观性；根据多判据融合结果，实现不同判据之间的优势互补。本发明方法不受配电网网络结构变化和接地点过渡电阻的影响，大大增加了系统运行的可靠性和安全性。
Description
技术领域
本发明属于配电网故障选线应用领域，具体涉及一种基于自适应神经模糊推理系统的配电网故障选线方法。
背景技术
配电网作为电力系统中直接连接用户和配电的关键环节，其安全性、稳定性和运行可靠性直接关系到企业的稳定生产和社会的和谐安定。现场运行经验表明，配电网发生单相接地故障几率最高，约占系统电气总故障的80％以上。当系统发生单相接地故障时，由于故障点电流较小，不影响对负荷的正常供电，一般允许继续运行1～2小时。但是此时健全相电压升高，影响电气设备的绝缘水平，随着配电网馈线的增多，电容电流增大，长时间运行易使故障扩大成两点或多点接地短路，严重破坏了系统的安全运行。因此尽快找出故障线路并切除，这对于提高供电可靠性和保持系统稳定性具有重要意义。
随着信息融合技术的发展，运用人工智能算法对多种选线判据进行融合成为发展的趋势。单一选线判据准确率不高，泛化能力较差，难以适应不同的中性点接地方式和网络结构的变化。通过合理选择能够覆盖所有故障类型并且具有互补性的选线判据，借助机器学习方法，将极大提高故障选线的正确率和泛化能力。
发明内容
本发明的目的在于提供一种基于自适应神经模糊推理系统的配电网故障选线方法，以克服现有背景下配电网故障选线的难点，本发明对多种选线判据输出值进行数据处理，并采用自适应神经模糊推理系统进行数据融合，可以提高配电网故障选线的准确性，对维护系统安全稳定运行具有重要的现实意义。
为达到上述目的，本发明采用如下技术方案：
一种基于自适应神经模糊推理系统的配电网故障选线方法，包括以下步骤：
步骤1、当配电网线路发生故障时，采集故障后的线路A、B、C三相电流，将采集到的三相电流采样值求和得出零序电流的采样值；
步骤2、利用小波包变换提取每条线路零序电流中的波形相关量、衰减直流分量和能谱熵量，形成故障特征矩阵；
步骤3、采用不同的数据处理方法对故障特征矩阵进行归一化，得到归一化矩阵；
步骤4、利用归一化矩阵训练自适应神经模糊推理系统，得到自适应神经模糊推理系统的故障选线模型，利用自适应神经模糊推理系统的故障选线模型进行故障选线。
进一步地，步骤1中根据母线电压突变时刻采集每条线路的三相电流，零序电流计算公式如下：
其中，ia、ib、ic分别为A、B、C三相的电流采样值，i0为零序电流的采样值。
进一步地，步骤2中小波包变换通过分解与重构分析任意频带下的信号特征，其中小波包小波包变换分解算法公式如下：
其中，hk-2l为小波包分解的低通滤波器系数，gk-2l为小波包分解的高通滤波器系数，为第j-1层上的第n个小波包分解系数，为第j层上的第2n个小波包分解的低频系数，为第j层上的第2n+1个小波包分解的高频系数，k为第j-1层上的小波包分解系数总个数，l为第j层上小波包分解对应的节点；
小波包变换重构算法公式如下：
其中，hl-2k为小波包重构的低通滤波器系数，gl-2k为小波包重构的高通滤波器系数，为第j层上的第2u个小波包重构的低频系数，为第j层上的第2u+1个小波包重构的高频系数，为第j层上的第2u个小波包重构系数，m为第j层上的小波包重构系数总个数，r为第j层上小波包重构对应的节点；
利用小波包变换计算的波形相关量算法公式如下：
其中，xi(v)和yi(v)分别为线路i和线路j在主频带下的第v个小波包分解系数，V为主频带下小波包分解系数的总个数，L为配电网线路总个数，ρij为线路i和线路j的互相关系数，ρi为线路i的波形相关量；
利用小波包变换计算的衰减直流分量算法公式如下：
其中，xi为50Hz以下低频带小波包重构系数，N为一个周波的采样点，Id为衰减直流分量值；
利用小波包变换计算的能谱熵量算法公式如下：
其中，为小波包分解到(i,j)子频带的系数，w为不同子频带下小波包分解系数的总个数，pji为第i个子区间包含的信号能量在j尺度总能量中存在的概率，e为子频带的总个数，H为计算的能谱熵值；
利用每条线路计算所得的波形相关量、衰减直流分量和能谱熵量，形成故障特征矩阵 P如下所示：
其中，pI.i、pII.i、pIII.i分别为第i条线路未经归一化处理的波形相关量、衰减直流分量和能谱熵量，L为配电网线路总个数。
进一步地，步骤3中如果某条线路波形相关量大于等于0，则将归一化后的值强制为 1，如果线路波形相关量小于0，则对所有满足条件的线路波形相关量进行归一化，归一化公式如下：
其中，pI.i为线路i未经归一化处理的波形相关量，pI为满足门槛的所有线路的波形相关量，qI.i为线路i归一化后的波形相关量；
如果线路的最大衰减直流分量和第二大衰减直流分量的差值小于等于绝对门槛和相对门槛，则归一化公式如下：
其中，pII.i为线路i未经归一化处理的衰减直流分量，pII为所有线路的衰减直流分量，qII.i为线路i归一化后的衰减直流分量；
如果线路的最大衰减直流分量和第二大衰减直流分量的差值大于绝对门槛和相对门槛，则归一化公式如下：
其中，pII.i为线路i未经归一化处理的衰减直流分量，pII为所有线路的衰减直流分量，qII.i为线路i归一化后的衰减直流分量；
如果线路的第三小能谱熵量和最小能谱熵量差值小于等于绝对门槛和相对门槛，则归一化公式如下：
其中，pIII.i为线路i未经归一化处理的能谱熵量，pIII为所有线路的能谱熵量，qIII.i 为线路i归一化后的能谱熵量；
如果线路的第三小能谱熵量和最小能谱熵量差值大于绝对门槛和相对门槛，则归一化公式如下：
其中，pIII.i为线路i未经归一化处理的能谱熵量，pIII为所有线路的能谱熵量，qIII.i 为线路i归一化后的能谱熵量；
利用每条线路经归一化处理后的波形相关量、衰减直流分量和能谱熵量，形成归一化矩阵Q如下所示：
其中，qI.i、qII.i、qIII.i分别为第i条线路归一化后的波形相关量、衰减直流分量和能谱熵量，L为配电网线路总个数。
进一步地，步骤4中采用的自适应神经模糊推理系统输入为经归一化处理后的归一化矩阵，自适应神经模糊推理系统的每个输入有两个隶属度函数，隶属度函数类型为高斯函数，运用训练后的自适应神经模糊推理系统进行故障选线，将最大输出值对应的线路选为故障线路。
与现有技术相比，本发明具有以下有益的技术效果：
本发明方法采用多判据融合的思路，实现不同判据之间的优势互补；方法通过对传统选线判据输出结果做特殊的数据处理，消除了不同故障条件下判据失效的影响；方法利用自适应神经模糊推理系统学习模糊理论中的模糊逻辑规则及隶属度函数参数，避免了人为选取隶属度函数和权重系数的主观性；方法不受配电网网络结构变化和接地点过渡电阻的影响，网络泛化能力强。本发明无需装设新设备，采样频率低，有良好的应用前景，同时能够快速有效地实现故障选线，大大增加了系统运行的可靠性和安全性。
附图说明
图1本发明方法流程图；
图2故障特征矩阵计算流程图；
图3归一化矩阵计算流程图；
图4自适应神经模糊推理系统原理示意图；
图5自适应神经模糊推理系统故障选线流程图。
图6配电网模型示意图。
具体实施方式
下面结合附图对本发明的实施过程作进一步详细描述：
如图1所示，本发明是一种基于自适应神经模糊推理系统的配电网故障选线方法，具体包括以下步骤：
一、获取配电网线路故障特征矩阵，根据母线电压突变时刻提取线路零序电流采样值，零序电流计算公式如下：
其中，ia、ib、ic分别为A、B、C三相的电流采样值，i0为零序电流的采样值；
根据如图2所示故障特征计算流程图，利用小波包变换良好的时频局部化特性，通过分解与重构，可以分析任意频带下的信号特征。小波包分解算法公式如下：
其中，hk-2l为小波包分解的低通滤波器系数，gk-2l为小波包分解的高通滤波器系数，为第j-1层上的第n个小波包分解系数，为第j层上的第2n个小波包分解的低频系数，为第j层上的第2n+1个小波包分解的高频系数，k为第j-1层上的小波包分解系数总个数，l为第j层上小波包分解对应的节点；
小波包变换重构算法公式如下：
其中，hl-2k为小波包重构的低通滤波器系数，gl-2k为小波包重构的高通滤波器系数，为第j层上的第2u个小波包重构的低频系数，为第j层上的第2u+1个小波包重构的高频系数，为第j层上的第2u个小波包重构系数，m为第j层上的小波包重构系数总个数，r为第j层上小波包重构对应的节点；
利用小波包变换计算的波形相关量算法公式如下：
其中，xi(v)和yi(v)分别为线路i和线路j在主频带下的第v个小波包分解系数，V为主频带下小波包分解系数的总个数，L为配电网线路总个数，ρij为线路i和线路j的互相关系数，ρi为线路i的波形相关量；
利用小波包变换计算的衰减直流分量算法公式如下：
其中，xi为50Hz以下低频带小波包重构系数，N为一个周波的采样点，Id为衰减直流分量值；
利用小波包变换计算的能谱熵量算法公式如下：
其中，为小波包分解到(i,j)子频带的系数，w为不同子频带下小波包分解系数的总个数，pji为第i个子区间包含的信号能量在j尺度总能量中存在的概率，e为子频带的总个数，H为计算的能谱熵值；
利用每条线路的波形相关量、衰减直流分量和能谱熵量，形成故障特征矩阵P如下所示：
其中，pI.i、pII.i、pIII.i分别为第i条线路未经归一化处理的波形相关量、衰减直流分量和能谱熵量，L为配电网线路总个数。
二、获取经数据处理后的归一化矩阵，利用如图3所示的归一化矩阵计算流程图，对线路的波形相关量、衰减直流分量和能谱熵量分别处理。如果某条线路波形相关量大于等于0，则将归一化后的值强制为1，如果线路波形相关量小于0，则将所有满足条件的线路波形相关量进行归一化，归一化公式如下：
其中，pI.i为线路i未经归一化处理的波形相关量，pI为满足门槛的所有线路的波形相关量，qI.i为线路i归一化后的波形相关量；
经上述处理后，满足门槛条件的线路波形相关量经归一化后的值被限制在[0,0.5]，不满足门槛条件的线路波形相关量经归一化后的值被强制为1。
如果线路的最大衰减直流分量和第二大衰减直流分量的差值小于等于绝对门槛和相对门槛，则归一化公式如下：
其中，pII.i为线路i未经归一化处理的衰减直流分量，pII为所有线路的衰减直流分量，qII.i为线路i归一化后的衰减直流分量；
如果线路的最大衰减直流分量和第二大衰减直流分量的差值大于绝对门槛和相对门槛，则归一化公式如下：
其中，pII.i为线路i未经归一化处理的衰减直流分量，pII为所有线路的衰减直流分量，qII.i为线路i归一化后的衰减直流分量；
经上述处理后，如果满足门槛条件，则线路衰减直流分量经归一化后的值被限制在 [0,1]，如果不满足门槛条件，则线路衰减直流分量经归一化后的值被限制在[0,0.5]。
如果线路的第三小能谱熵量和最小能谱熵量差值小于等于绝对门槛和相对门槛，则归一化公式如下：
其中，pIII.i为线路i未经归一化处理的能谱熵量，pIII为所有线路的能谱熵量，qIII.i 为线路i归一化后的能谱熵量；
如果线路的第三小能谱熵量和最小能谱熵量差值大于绝对门槛和相对门槛，则归一化公式如下：
其中，pIII.i为线路i未经归一化处理的能谱熵量，pIII为所有线路的能谱熵量，qIII.i 为线路i归一化后的能谱熵量；
经上述处理后，如果满足门槛条件，则能谱熵量经归一化后的值被限制在[0,1]，如果不满足门槛条件，则线路能谱熵量经归一化后的值被限制在[0.5,1]。
将每条线路经归一化处理后的波形相关量、衰减直流分量和能谱熵量形成归一化矩阵 Q如下所示：
其中，qI.i、qII.i、qIII.i分别为第i条线路归一化后的波形相关量、衰减直流分量和能谱熵量，L为配电网线路总个数。
三、利用得到的归一化矩阵Q训练自适应神经模糊推理系统，得到故障选线模型。自适应神经模糊推理系统的示意图如图4所示，模糊系统的每个输入有两个隶属度函数，隶属度函数类型取为高斯函数。
四、利用训练后的自适应神经模糊推理系统进行故障选线，选线流程如图5所示，取模糊系统最大输出结果对应的线路为故障线路。
实施例
在训练集中，搭建如图6所示的配电网模型，架空线路采用贝瑞隆模型，馈线长度分别为1km、3km、7km、15km、20km、25km、35km、40km、44km、50km，模型参数为 r1＝0.17Ω/km，r0＝0.23Ω/km，L1＝1.21mH/km，L0＝5.48mH/km，C1＝9.7pF/km，C0＝6pF/km，在故障相电压0°～90°之间间隔4.5°发生单相接地故障，接地点过渡电阻分别取5Ω，20Ω， 100Ω，500Ω，1000Ω，1400Ω，2000Ω，在每条线路上分别设置6个故障点。在测试集中，改变线路参数和仿真条件，架空线路模型参数为r1＝0.33Ω/km，r0＝1.041Ω/km， L1＝1.31mH/km，L0＝3.96mH/km，C1＝7pF/km，C0＝4pF/km，电缆线路模型参数为： r1＝0.0791Ω/km，r0＝0.2273Ω/km，L1＝0.2642mH/km，L0＝0.9263mH/km，C1＝0.373uF/km， C0＝0.166uF/km，在故障相电压0°～88.2°之间间隔12.6°发生单相接地故障，接地点过渡电阻分别取7Ω，28Ω，390Ω，890Ω，1500Ω，2000Ω，分别验证在3条架空馈线、6条架空馈线、6条混联馈线和12条架空馈线情况下的选线情况，仿真结果如表1所示。
表1故障选线泛化能力测试仿真结果
分析选线结果得到，此发明方法能够实现准确的故障选线，正确率高，且不受网络结构变化和接地点过渡电阻的影响。
Claims (5)
1.一种基于自适应神经模糊推理系统的配电网故障选线方法，其特征在于，包括以下步骤：
步骤1、当配电网线路发生故障时，采集故障后的线路A、B、C三相电流，将采集到的三相电流采样值求和得出零序电流的采样值；
步骤2、利用小波包变换提取每条线路零序电流中的波形相关量、衰减直流分量和能谱熵量，形成故障特征矩阵；
步骤3、采用不同的数据处理方法对故障特征矩阵进行归一化，得到归一化矩阵；
步骤4、利用归一化矩阵训练自适应神经模糊推理系统，得到自适应神经模糊推理系统的故障选线模型，利用自适应神经模糊推理系统的故障选线模型进行故障选线。
2.根据权利要求1所述的一种基于自适应神经模糊推理系统的配电网故障选线方法，其特征在于，步骤1中根据母线电压突变时刻采集每条线路的三相电流，零序电流计算公式如下：
其中，ia、ib、ic分别为A、B、C三相的电流采样值，i0为零序电流的采样值。
3.根据权利要求1所述的一种基于自适应神经模糊推理系统的配电网故障选线方法，其特征在于，步骤2中小波包变换通过分解与重构分析任意频带下的信号特征，其中小波包小波包变换分解算法公式如下：
其中，hk-2l为小波包分解的低通滤波器系数，gk-2l为小波包分解的高通滤波器系数，为第j-1层上的第n个小波包分解系数，为第j层上的第2n个小波包分解的低频系数，为第j层上的第2n+1个小波包分解的高频系数，k为第j-1层上的小波包分解系数总个数，l为第j层上小波包分解对应的节点；
小波包变换重构算法公式如下：
其中，hl-2k为小波包重构的低通滤波器系数，gl-2k为小波包重构的高通滤波器系数，为第j层上的第2u个小波包重构的低频系数，为第j层上的第2u+1个小波包重构的高频系数，为第j层上的第2u个小波包重构系数，m为第j层上的小波包重构系数总个数，r为第j层上小波包重构对应的节点；
利用小波包变换计算的波形相关量算法公式如下：
其中，xi(v)和yi(v)分别为线路i和线路j在主频带下的第v个小波包分解系数，V为主频带下小波包分解系数的总个数，L为配电网线路总个数，ρij为线路i和线路j的互相关系数，ρi为线路i的波形相关量；
利用小波包变换计算的衰减直流分量算法公式如下：
其中，xi为50Hz以下低频带小波包重构系数，N为一个周波的采样点，Id为衰减直流分量值；
利用小波包变换计算的能谱熵量算法公式如下：
其中，为小波包分解到(i,j)子频带的系数，w为不同子频带下小波包分解系数的总个数，pji为第i个子区间包含的信号能量在j尺度总能量中存在的概率，e为子频带的总个数，H为计算的能谱熵值；
利用每条线路计算所得的波形相关量、衰减直流分量和能谱熵量，形成故障特征矩阵P如下所示：
其中，pI.i、pII.i、pIII.i分别为第i条线路未经归一化处理的波形相关量、衰减直流分量和能谱熵量，L为配电网线路总个数。
4.根据权利要求1所述的一种基于自适应神经模糊推理系统的配电网故障选线方法，其特征在于，步骤3中如果某条线路波形相关量大于等于0，则将归一化后的值强制为1，如果线路波形相关量小于0，则对所有满足条件的线路波形相关量进行归一化，归一化公式如下：
其中，pI.i为线路i未经归一化处理的波形相关量，pI为满足门槛的所有线路的波形相关量，qI.i为线路i归一化后的波形相关量；
如果线路的最大衰减直流分量和第二大衰减直流分量的差值小于等于绝对门槛和相对门槛，则归一化公式如下：
其中，pII.i为线路i未经归一化处理的衰减直流分量，pII为所有线路的衰减直流分量，qII.i为线路i归一化后的衰减直流分量；
如果线路的最大衰减直流分量和第二大衰减直流分量的差值大于绝对门槛和相对门槛，则归一化公式如下：
其中，pII.i为线路i未经归一化处理的衰减直流分量，pII为所有线路的衰减直流分量，qII.i为线路i归一化后的衰减直流分量；
如果线路的第三小能谱熵量和最小能谱熵量差值小于等于绝对门槛和相对门槛，则归一化公式如下：
其中，pIII.i为线路i未经归一化处理的能谱熵量，pIII为所有线路的能谱熵量，qIII.i为线路i归一化后的能谱熵量；
如果线路的第三小能谱熵量和最小能谱熵量差值大于绝对门槛和相对门槛，则归一化公式如下：
其中，pIII.i为线路i未经归一化处理的能谱熵量，pIII为所有线路的能谱熵量，qIII.i为线路i归一化后的能谱熵量；
利用每条线路经归一化处理后的波形相关量、衰减直流分量和能谱熵量，形成归一化矩阵Q如下所示：
其中，qI.i、qII.i、qIII.i分别为第i条线路归一化后的波形相关量、衰减直流分量和能谱熵量，L为配电网线路总个数。
5.根据权利要求1所述的一种基于自适应神经模糊推理系统的配电网故障选线方法，其特征在于，步骤4中采用的自适应神经模糊推理系统输入为经归一化处理后的归一化矩阵，自适应神经模糊推理系统的每个输入有两个隶属度函数，隶属度函数类型为高斯函数，运用训练后的自适应神经模糊推理系统进行故障选线，将最大输出值对应的线路选为故障线路。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910769652.4A CN110488152B (zh) | 2019-09-27 | 2019-09-27 | 一种基于自适应神经模糊推理系统的配电网故障选线方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910769652.4A CN110488152B (zh) | 2019-09-27 | 2019-09-27 | 一种基于自适应神经模糊推理系统的配电网故障选线方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110488152A true CN110488152A (zh) | 2019-11-22 |
| CN110488152B CN110488152B (zh) | 2021-06-22 |
Family
ID=68552236
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910769652.4A Active CN110488152B (zh) | 2019-09-27 | 2019-09-27 | 一种基于自适应神经模糊推理系统的配电网故障选线方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110488152B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111273131A (zh) * | 2020-03-17 | 2020-06-12 | 辽宁工程技术大学 | 基于能量特性与随机森林的光伏并网发电孤岛检测方法 |
| CN111337791A (zh) * | 2020-03-25 | 2020-06-26 | 国网河南省电力公司电力科学研究院 | 一种基于梯度提升树算法的配电网单相接地故障选线方法 |
| CN111596173A (zh) * | 2020-06-06 | 2020-08-28 | 张朝 | 一种基于etl技术修正下的信息融合选线方法 |
| CN112345858A (zh) * | 2020-11-03 | 2021-02-09 | 西华大学 | 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法 |
| CN112363012A (zh) * | 2020-10-29 | 2021-02-12 | 国家电网有限公司 | 一种电网故障预警装置及方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162838A (zh) * | 2007-11-29 | 2008-04-16 | 昆明理工大学 | 一种利用小波包分解和相关分析的小电流接地系统故障选线方法 |
| CN103344875A (zh) * | 2013-07-02 | 2013-10-09 | 福州大学 | 谐振接地系统单相接地故障分类选线方法 |
| CN103499769A (zh) * | 2013-09-23 | 2014-01-08 | 武汉大学 | 一种谐振接地系统单相接地故障自适应选线方法 |
| CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
| CN105759167A (zh) * | 2016-01-28 | 2016-07-13 | 江苏省电力公司南京供电公司 | 一种基于小波神经网络的配电网单相短路选线方法 |
| CN105911414A (zh) * | 2016-04-27 | 2016-08-31 | 福州大学 | 一种基于模糊理论的配电网多判据融合故障选线方法 |
| CN106019082A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于暂态零序电流的含dg配电网故障选线方法 |
-
2019
- 2019-09-27 CN CN201910769652.4A patent/CN110488152B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101162838A (zh) * | 2007-11-29 | 2008-04-16 | 昆明理工大学 | 一种利用小波包分解和相关分析的小电流接地系统故障选线方法 |
| CN103344875A (zh) * | 2013-07-02 | 2013-10-09 | 福州大学 | 谐振接地系统单相接地故障分类选线方法 |
| CN103499769A (zh) * | 2013-09-23 | 2014-01-08 | 武汉大学 | 一种谐振接地系统单相接地故障自适应选线方法 |
| CN104155574A (zh) * | 2014-07-31 | 2014-11-19 | 国网湖北省电力公司武汉供电公司 | 基于自适应神经模糊推理系统的配电网故障分类方法 |
| CN105759167A (zh) * | 2016-01-28 | 2016-07-13 | 江苏省电力公司南京供电公司 | 一种基于小波神经网络的配电网单相短路选线方法 |
| CN105911414A (zh) * | 2016-04-27 | 2016-08-31 | 福州大学 | 一种基于模糊理论的配电网多判据融合故障选线方法 |
| CN106019082A (zh) * | 2016-05-26 | 2016-10-12 | 上海电力学院 | 一种基于暂态零序电流的含dg配电网故障选线方法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹现峰: "基于模糊神经网络的小电流接地故障选线方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
| 王磊 等: "基于模糊神经网络的小电流接地系统故障选线", 《合肥工业大学学报（自然科学版）》 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111273131A (zh) * | 2020-03-17 | 2020-06-12 | 辽宁工程技术大学 | 基于能量特性与随机森林的光伏并网发电孤岛检测方法 |
| CN111337791A (zh) * | 2020-03-25 | 2020-06-26 | 国网河南省电力公司电力科学研究院 | 一种基于梯度提升树算法的配电网单相接地故障选线方法 |
| CN111596173A (zh) * | 2020-06-06 | 2020-08-28 | 张朝 | 一种基于etl技术修正下的信息融合选线方法 |
| CN112363012A (zh) * | 2020-10-29 | 2021-02-12 | 国家电网有限公司 | 一种电网故障预警装置及方法 |
| CN112345858A (zh) * | 2020-11-03 | 2021-02-09 | 西华大学 | 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法 |
| CN112345858B (zh) * | 2020-11-03 | 2021-06-01 | 西华大学 | 一种计及量测篡改攻击引发虚假故障的电网故障诊断方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110488152B (zh) | 2021-06-22 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110488152B (zh) | 一种基于自适应神经模糊推理系统的配电网故障选线方法 | |
| CN103344875B (zh) | 谐振接地系统单相接地故障分类选线方法 | |
| 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 | |
| CN105738764B (zh) | 基于暂态信息全频带的配电网故障区段定位方法 | |
| CN109142851B (zh) | 一种新型的配电网内部过电压识别方法 | |
| Chen et al. | Intelligent transient overvoltages location in distribution systems using wavelet packet decomposition and general regression neural networks | |
| CN102005740B (zh) | 利用极波小波能量比值的特高压直流线路边界元件方法 | |
| CN107167702A (zh) | 一种配电网馈线故障类型识别方法及装置 | |
| CN112114232B (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
| CN102510044A (zh) | 基于小波变换和概率神经网络的励磁涌流鉴别方法 | |
| CN105807165B (zh) | Mmc换流站运行状态模糊综合评判方法 | |
| CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
| CN101924354A (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 | |
| Rohani et al. | A hybrid method based on optimized neuro-fuzzy system and effective features for fault location in VSC-HVDC systems | |
| 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 | |
| CN109901020A (zh) | 稀疏自动编码器优化神经网路的输电线路故障识别方法 | |
| CN116632791A (zh) | 基于复合暂态能量低频特征的送出线路纵联保护方法 | |
| CN112946425A (zh) | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 | |
| CN113960417A (zh) | 基于多源信息融合的输电线路故障快速诊断方法、装置、设备及介质 | |
| CN111487507A (zh) | 基于小波包能量比值的配电网高阻故障辨识方法 | |
| Nguyen et al. | Wavelet-based Neural Network for recognition of faults at NHABE power substation of the Vietnam power system | |
| Meyur et al. | A wavelet-adaptive network based fuzzy inference system for location of faults in parallel transmission lines | |
| CN110646703B (zh) | 一种配电网单相接地故障选线方法及系统 | |
| CN104659767B (zh) | 一种利用序列重叠差分的三角形环网线路单元保护方法 | |
| CN117434385A (zh) | 一种基于虚拟过渡电阻的有源配电网高阻故障区段定位方法及系统 |
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 | ||
| TA01 | Transfer of patent application right |
Effective date of registration: 20200923 Address after: 450052 No. 85 South Songshan Road, 27 District, Henan, Zhengzhou Applicant after: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID HENAN ELECTRIC POWER Co. Applicant after: XI'AN JIAOTONG University Applicant after: STATE GRID CORPORATION OF CHINA Address before: 450000 No. 85 South Songshan Road, 27 District, Henan, Zhengzhou Applicant before: ELECTRIC POWER RESEARCH INSTITUTE OF STATE GRID HENAN ELECTRIC POWER Co. Applicant before: XI'AN JIAOTONG University |
|
| TA01 | Transfer of patent application right | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |