CN110514967A - 一种基于narnn模型预测行波波头到达时刻的故障定位方法 - Google Patents
一种基于narnn模型预测行波波头到达时刻的故障定位方法 Download PDFInfo
- Publication number
- CN110514967A CN110514967A CN201910970933.6A CN201910970933A CN110514967A CN 110514967 A CN110514967 A CN 110514967A CN 201910970933 A CN201910970933 A CN 201910970933A CN 110514967 A CN110514967 A CN 110514967A
- Authority
- CN
- China
- Prior art keywords
- narnn
- sequence
- model
- arrival time
- wavefront
- 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
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
-
- 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)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于NARNN模型预测行波波头到达时刻的故障定位方法，方法是，首先，利用导数法对所获得的初始电压行波信号进行处理，初步确定行波波头到达时刻。然后，选取行波波头到达时刻之前的一段数据作为训练集，利用NARNN模型对行波波形进行预测。最后，将NARNN模型预测的波形与实际波形作差，利用KPSS对所得差值进行校验，得到波头到达的精确时刻，并利用双端测距法进行故障定位。本发明避免了高频噪声对故障精确定位的影响，且不受故障电阻与故障初相角的影响，适用于含有高频噪声的电网故障定位，具有较高的精度和可靠性。
Description
技术领域
本发明属于电网故障定位技术领域，特别涉及了基于NARNN模型预测型波波头到达时刻的故障定位方法。
背景技术
随着智能配电网建设的推进，故障定位技术对于迅速查找故障，快速恢复供电时间，降低各方经济损失有着重要意义。配电网的拓扑比较复杂，其线路连接方式也是多种多样，高频噪声信号大量存在于各种电力设备中，这些因素给故障准确定位带来了许多挑战。
目前，电网故障定位的行波法一般是通过检测初始暂态行波首波头到达电网各测量点的时刻，利用这些时刻与故障距离之间的内在逻辑关系进行故障定位，其相对于阻抗法故障定位具有精度高、不受电弧等因素影响的优点，因此行波法故障定位技术应用越来越广。但是，由于大部分行波信号中含有大量的高频噪声，这直接影响了行波波头到达时刻的识别与确定，而基于双端法的故障定位的精确程度的主要影响因素之一就是波头的准确识别。
发明内容
为了解决上述背景技术提出的技术问题，本发明旨在提供基于NARNN(非线性自回归神经网络)模型预测行波波头到达时刻的故障定位方法，克服传统行波法波头识别不准确，受噪声干扰等缺陷。
为实现上述目的，本发明采用的技术方案为：
一种基于NARNN(非线性自回归神经网络)模型预测行波波头到达时刻的故障定位方法，其包括如下步骤：
(1)在输电线路首末两端设置测量点，分别以m和n表示，以f表示故障点。输电线路发生故障后，分别提取首端m点及末端n点的原始电压行波信号，然后对其进行相模变换，获得原始线模电压行波信号，分别记做和其中下标表示m点和n点，上标(1)表示线模；
(2)分别对和运用导数法大致判断行波首波头到达时间点,导数法识别行波首波头的计算公式如下：
其中，Y(i)、Y(i-1)为行波采样值；Ts为采样周期；K为设置的阈值，K＝1000。记导数法判断的首端行波首波头达到时间点为t′m，末端行波首波头到达时间点为t′n；
(3)根据(2)得到的初始波头到达时间点t′m、t′n，分别从和中选取t′m和t′n前的长度为a的序列和a的值为280，该序列剔除了行波波头到达时刻之前的70个采样点，取前71～350个采样点为训练序列，是为保证高频噪声中不包含行波波头数据。
(4)以和为训练集，建立NARNN模型对行波波形进行预测，得到预测序列Unam1和Unarn1。非线性自回归神经网络的具体步骤为：
(a)确定NARNN模型的结构
非线性自回归神经网络是以非线性自回归模型为基础，利用神经网络进行训练和预测。NARNN模型中输出信号的时间延迟作为该网络中时间延迟反馈，因为它是基于自身进行回归，则将输出的时间延迟信号当作网络的输出，再经过隐藏层与输出层计算求得网络输出，并循环该过程。本发明利用非线性自回归神经网络训练来获得行波中高频噪声的规律和特点，并通过神经网络测试来行波波头之前行波波形中的高频噪声。
(b)确定NARNN模型的参数
构建NARNN模型，给定神经网络参数P、Q、E；其中，P为自回归层数，Q为隐藏层数，E为迭代次数。为了使用NARNN模型得到仅包含高频噪声信号的行波数据，添加两个特殊参数：输入时间序列长度I和输入的时间序列位置L。输入的时间序列长度I为导入NARNN模型中波头到达前的行波信号的长度，时间序列长度I需要包含足够长度的高频信号；输入时间序列位置L为导入NARNN中波头到达前的行波信号的位置，输入的时间序列位置L不能包含行波波头的数据。P、Q的值分别为10，10，考虑到时间成本，试验设置迭代次数E为20次，经过多次测试，输入时间序列长度I为280个采样点可以满足测距要求。
(c)NARNN模型参数的优化
在NARNN模型的训练中，为了衡量所选取的神经网络参数的好坏，本文选择了RMSE均方根误差作为NARNN模型在测试集中的评价指标。RMSE值越小，代表模型预测精准度越高。
以首端线模电压信号为例，选择最优参数后，NARNN模型输出波形，得到预测波形数据：Unar。求取和Unar差值ΔUnar。
(5)计算预测序列与相应的实际序列的差值：
(6)采用KPSS检验ΔUnarm1和ΔUnarm1来得到准确的行波波头到达时刻tm和tn。KPSS校验的具体步骤为：
对残差序列ΔUnar设置一个循环的KPSS检验：
ΔUnar＝[Δu1，Δu2，...，Δu10]
由于KPSS检验序列最短长度为10，所以最短序列为[Δu1，Δu2，...，Δu10]，k＝[1，n-10]，其中k为整数，并根据顺序依次检验时间序列[Δu1，Δu2，...，Δu10+k]，每次检验序列时会返回当前序列的检验值，返回值组成一个仅含0和1的序列。
当NARNN输出的波形充分还原真实波形，并且残差序列中不包含任何的趋势，仅包含白噪声时，残差序列是平稳性序列；当输入的时间序列位置不包含突变时，NARNN模型输出信号波形与行波波头到达时刻之前的波形仍符合残差围绕0上下小波动的特性，此时残差序列也为平稳序列。直到行波波头到达时，该残差序列将偏离0，ΔUnar数值发生突变，此时残差序列的平稳性发生改变，即可获取行波波头到达的准确时刻。
(7)根据(6)得到的行波首波头tm和tn，采用双端测距法进行故障测距得到准确的故障位置。双端法故障测距的公式为：
设故障初始行波信号以传播速度v到达线路两端m、n的时间为tm和tn，应用双端测距法公式为：
其中，dm和dn分别是故障点与首端m、末端n之间距离；l为输电线路的长度；
求解双端测距公式模型，得到：
最终得到故障点与首端的距离为dm。
本发明有益效果：
本发明避免了高频噪声对故障精确定位的影响，且不受故障电阻与故障初相角的影响，适用于含有高频噪声的电网故障定位，具有较高的精度和可靠性。
附图说明
图1为本发明流程图；
图2为输电线路双端测距的拓扑结构图；
具体实施方式
下面结合附图对本发明作更进一步的说明。
一个双端测距的输电线路的拓扑结构如图2所示，本发明提出了一种基于NARNN(非线性自回归神经网络)模型预测行波波头到达时刻的故障定位方法，其整体流程如图1所示，包括如下步骤：
(1)在输电线路首末两端设置测量点，分别以m和n表示，以f表示故障点。输电线路发生故障后，分别提取首端m点及末端n点的原始电压行波信号，然后对其进行相模变换，获得原始线模电压行波信号，分别记做和其中下标表示m点和n点，上标(1)表示线模；
(2)分别对和运用导数法大致判断行波首波头到达时间点，导数法识别行波首波头的计算公式如下：
其中，Y(i)、Y(i-1)为行波采样值；Ts为采样周期；K为设置的阈值，K＝1000。记导数法判断的首端行波首波头达到时间点为t′m，末端行波首波头到达时间点为t′n；
(3)根据(2)得到的初始波头到达时间点t′m、t′n，分别从和中选取t′m和t′n前的长度为a的序列和a的值为280，该序列剔除了行波波头到达时刻之前的70个采样点，取前71～350个采样点为训练序列，是为保证高频噪声中不包含行波波头数据。
(4)以和为训练集，建立NARNN模型对行波波形进行预测，得到预测序列Unarm1和Unarn1。非线性自回归神经网络的具体步骤为：
(a)确定NARNN模型的结构
非线性自回归神经网络是以非线性自回归模型为基础，利用神经网络进行训练和预测。NARNN模型中输出信号的时间延迟作为该网络中时间延迟反馈，因为它是基于自身进行回归，则将输出的时间延迟信号当作网络的输出，再经过隐藏层与输出层计算求得网络输出，并循环该过程。本发明利用非线性自回归神经网络训练来获得行波中高频噪声的规律和特点，并通过神经网络测试来行波波头之前行波波形中的高频噪声。
(b)确定NARNN模型的参数
构建NARNN模型，给定神经网络参数P、Q、E；其中，P为自回归层数，Q为隐藏层数，E为迭代次数。为了使用NARNN模型得到仅包含高频噪声信号的行波数据，添加两个特殊参数：输入时间序列长度I和输入的时间序列位置L。输入的时间序列长度I为导入NARNN模型中波头到达前的行波信号的长度，时间序列长度I需要包含足够长度的高频信号；输入时间序列位置L为导入NARNN中波头到达前的行波信号的位置，输入的时间序列位置L不能包含行波波头的数据。P、Q的值分别为10，10，考虑到时间成本，试验设置迭代次数E为20次，经过多次测试，输入时间序列长度I为280个采样点可以满足测距要求。
(c)NARNN模型参数的优化
在NARNN模型的训练中，为了衡量所选取的神经网络参数的好坏，本文选择了RMSE均方根误差作为NARNN模型在测试集中的评价指标。RMSE值越小，代表模型预测精准度越高。
以首端线模电压信号为例，选择最优参数后，NARNN模型输出波形，得到预测波形数据：Unar。求取和Unar差值ΔUnar。
(5)计算预测序列与相应的实际序列的差值：
(6)采用KPSS检验ΔUnarm1和ΔUnarm1来得到准确的行波波头到达时刻tm和tn。KPSS校验的具体步骤为：
对残差序列ΔUnar设置一个循环的KPSS检验：
ΔUnar＝[Δu1，Δu2，...，Δu10]
由于KPSS检验序列最短长度为10，所以最短序列为[Δu1，Δu2，...，Δu10]，k＝[1，n-10]，其中k为整数，并根据顺序依次检验时间序列[Δu1，Δu2，...，Δu10+k]，每次检验序列时会返回当前序列的检验值，返回值组成一个仅含0和1的序列。
当NARNN输出的波形充分还原真实波形，并且残差序列中不包含任何的趋势，仅包含白噪声时，残差序列是平稳性序列；当输入的时间序列位置不包含突变时，NARNN模型输出信号波形与行波波头到达时刻之前的波形仍符合残差围绕0上下小波动的特性，此时残差序列也为平稳序列。直到行波波头到达时，该残差序列将偏离0，ΔUnar数值发生突变，此时残差序列的平稳性发生改变，即可获取行波波头到达的准确时刻。
(7)根据(6)得到的行波首波头tm和tn，采用双端测距法进行故障测距得到准确的故障位置。双端法故障测距的公式为：
设故障初始行波信号以传播速度v到达线路两端m、n的时间为tm和tn，应用双端测距法公式为：
其中，dm和dn分别是故障点与首端m、末端n之间距离；l为输电线路的长度；
求解双端测距公式模型，得到：
最终得到故障点与首端的距离为dm。
仿真验证
为了验证本发明的可靠性和有效性，在RSCAD上搭建500KV输电线路仿真模型，双端测距的输电线路行波传播路径如图2所示。输电线路总长为37.715km，系统基频为60Hz，电压等级为500kV。输电线路采用符合实际的依频特性模型。导线和避雷线的型号分别为：4×LGJ-400/35和GJ-80。在线路首端和末端设置两个电压行波测量点(分别表示为m和n)，其采样频率为1MHz。故障相对测距误差er定义如下：
其中，dtest实测故障距离，dreal为实际故障距离，lm-n为输电线路总长度，其值为37.715km。
为了验证提出方法在现场中的有效性，本方法在线路上添加了60dB的噪声，并且在第一次识别行波波头到达时间点中加入了误差。分别在距离首端m的距离为5km、10km、14km和23km处模拟单相接地故障，故障电阻为10Ω和200Ω，故障初相角为30°和90°。表1为在以上2个位置发生故障后，故障距离确定结果。所提出方法对于不同位置的故障，均能够精确计算出故障距离，不受故障电阻以及故障初相角的影响。
表1 故障测距结果
综上，本发明提出了一种基于NARNN模型的波头到达时刻的故障定位方法。该方法可以有效避免高频噪声信号对波头识别的影响，且不受过渡电阻，故障初始相角等的影响，提高了故障定位的精度。
以上所述仅是本发明的优选实施方式，应当指出：对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征是，包括如下步骤：
步骤1)、在输电线路首末两端设置测量点，分别以m和n表示，以f表示故障点；输电线路发生故障后，分别提取首端m点及末端n点的初始电压行波信号，然后对其进行相模变换，获得初始线模电压行波信号，分别记做和其中下标表示m点和n点，上标(1)表示线模；
步骤2)、分别对和运用导数法初步判断行波波头到达时刻,记导数法判断的首端行波波头达到时间点为t′m，末端行波波头到达时间点为t′n；
步骤3)、根据步骤(2)得到的初始波头到达时间点t′m、t′n，分别从和中选取t′m和t′n前的长度为a的序列和
步骤4)、以和为训练集，建立NARNN模型对行波波形进行预测,得到预测序列Unarm1和Unarn1；
步骤5)、计算预测序列与相应的实际序列的差值:
步骤6)、采用KPSS检验ΔUnarm1和ΔUnarm1来得到准确的行波波头到达时刻tm和tn；
步骤7)、根据步骤6)得到的行波波头到达时刻tm和tn，利用双端测距法进行故障测距得到准确的故障位置。
2.根据权利要求1所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，所述步骤(2)中通过导数法识别行波首波头的计算公式如下：
其中，Y(i)、Y(i-1)为行波采样值；Ts为采样周期；K为设置的阈值，K＝1000。
3.根据权利要求1所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，所述步骤(3)中选取长度为a的序列，a的值为280，该序列剔除了行波波头到达时刻之前的70个采样点，取前71～350个采样点为训练序列，是为保证高频噪声中不包含行波波头数据。
4.根据权利要求1所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，所述步骤(4)中建立非线性自回归神经网络的具体步骤为：
(a)确定NARNN模型的结构；
(b)确定NARNN模型的参数；
(c)NARNN模型参数的优化。
5.根据权利要求4所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，步骤(a)具体为：
非线性自回归神经网络是以非线性自回归模型为基础，利用神经网络进行训练和预测；
NARNN模型中输出信号的时间延迟作为该网络中时间延迟反馈，因为它是基于自身进行回归，则将输出的时间延迟信号当作网络的输出，再经过隐藏层与输出层计算求得网络输出，并循环该过程。
6.根据权利要求4所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，步骤(b)具体为：
构建NARNN模型，给定神经网络参数P、Q、E；其中，P为自回归层数，Q为隐藏层数，E为迭代次数；
为了使用NARNN模型得到仅包含高频噪声信号的行波数据，添加两个特殊参数：输入时间序列长度I和输入的时间序列位置L；
输入的时间序列长度I为导入NARNN模型中波头到达前的行波信号的长度，时间序列长度I需要包含足够长度的高频信号；输入时间序列位置L为导入NARNN中波头到达前的行波信号的位置，输入的时间序列位置L不能包含行波波头的数据；
P、Q的值分别为10,10，考虑到时间成本，试验设置迭代次数E为20次，经过多次测试，输入时间序列长度I为280个采样点可以满足测距要求。
7.根据权利要求4所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，步骤(c)具体为：
在NARNN模型的训练中，为了衡量所选取的神经网络参数的好坏，选择了RMSE均方根误差作为NARNN模型在测试集中的评价指标；RMSE值越小，代表模型预测精准度越高。
8.根据权利要求1所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，所述步骤(6)中KPSS校验的具体步骤为：
对残差序列ΔUnar设置一个循环的KPSS检验：
ΔUnar＝[Δu1,Δu2,…,Δu10]
由于KPSS检验序列最短长度为10，所以最短序列为[Δu1,Δu2,…,Δu10],k＝[1,n-10]，其中k为整数，并根据顺序依次检验时间序列[Δu1,Δu2,…,Δu10+k]，每次检验序列时会返回当前序列的检验值，返回值组成一个仅含0和1的序列。
9.根据权利要求8所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，
当NARNN输出的波形充分还原真实波形，并且残差序列中不包含任何的趋势，仅包含白噪声时，残差序列是平稳性序列；
当输入的时间序列位置不包含突变时，NARNN模型输出信号波形与行波波头到达时刻之前的波形仍符合残差围绕0上下小波动的特性，此时残差序列也为平稳序列；
直到行波波头到达时，该残差序列将偏离0，ΔUnar数值发生突变，此时残差序列的平稳性发生改变，即可获取行波波头到达的准确时刻。
10.根据权利要求1所述的一种基于NARNN模型预测行波波头到达时刻的故障定位方法，其特征在于，所述步骤(7)中双端法故障测距的公式为：
设故障初始行波信号以传播速度v到达线路两端m、n的时间为tm和tn，应用双端测距法公式为：
其中，dm和dn分别是故障点与首端m、末端n之间距离；l为输电线路的长度。
求解双端测距公式模型，得到：
最终得到故障点与首端的距离为dm。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910970933.6A CN110514967B (zh) | 2019-10-12 | 2019-10-12 | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910970933.6A CN110514967B (zh) | 2019-10-12 | 2019-10-12 | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110514967A true CN110514967A (zh) | 2019-11-29 |
| CN110514967B CN110514967B (zh) | 2021-05-18 |
Family
ID=68634281
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910970933.6A Active CN110514967B (zh) | 2019-10-12 | 2019-10-12 | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110514967B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110954786A (zh) * | 2019-12-25 | 2020-04-03 | 青岛科技大学 | 基于hht的混合多端直流输电线路行波测距方法 |
| CN111308267A (zh) * | 2019-12-25 | 2020-06-19 | 青岛科技大学 | 基于c-evt的混合多端直流输电线路行波测距方法 |
| CN111736035A (zh) * | 2020-06-10 | 2020-10-02 | 国网浙江诸暨市供电有限公司 | 用于单芯电缆故障定位的排查方法 |
| CN113884818A (zh) * | 2021-10-27 | 2022-01-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
| CN115186935A (zh) * | 2022-09-08 | 2022-10-14 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006162541A (ja) * | 2004-12-10 | 2006-06-22 | Meiji Univ | 事故点標定方法、システム及びプログラム |
| CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
| CN105738760A (zh) * | 2014-12-12 | 2016-07-06 | 国家电网公司 | 一种频域法与行波法结合的高阻故障测距方法 |
| CN106093705A (zh) * | 2016-06-15 | 2016-11-09 | 华北电力大学 | 一种配电网单相接地故障行波波头的计算方法 |
| CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
| CN108627740A (zh) * | 2018-06-22 | 2018-10-09 | 中国矿业大学 | 考虑行波波速变化和到达时间补偿的半波长输电线路故障测距方法 |
| CN108896874A (zh) * | 2018-07-10 | 2018-11-27 | 中国矿业大学 | 一种末端连接短线路的输电线路故障测距方法 |
| CN109188210A (zh) * | 2018-10-23 | 2019-01-11 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于VMD-Hilbert变换的城市电力电缆双端故障测距方法 |
| CN109521330A (zh) * | 2018-12-06 | 2019-03-26 | 中国矿业大学 | 一种基于arima波头预测的输电线路故障行波测距方法 |
-
2019
- 2019-10-12 CN CN201910970933.6A patent/CN110514967B/zh active Active
Patent Citations (9)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2006162541A (ja) * | 2004-12-10 | 2006-06-22 | Meiji Univ | 事故点標定方法、システム及びプログラム |
| CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
| CN105738760A (zh) * | 2014-12-12 | 2016-07-06 | 国家电网公司 | 一种频域法与行波法结合的高阻故障测距方法 |
| CN106093705A (zh) * | 2016-06-15 | 2016-11-09 | 华北电力大学 | 一种配电网单相接地故障行波波头的计算方法 |
| CN107103394A (zh) * | 2017-05-27 | 2017-08-29 | 重庆大学 | 一种基于神经网络的轨道交通实时客流预测方法 |
| CN108627740A (zh) * | 2018-06-22 | 2018-10-09 | 中国矿业大学 | 考虑行波波速变化和到达时间补偿的半波长输电线路故障测距方法 |
| CN108896874A (zh) * | 2018-07-10 | 2018-11-27 | 中国矿业大学 | 一种末端连接短线路的输电线路故障测距方法 |
| CN109188210A (zh) * | 2018-10-23 | 2019-01-11 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于VMD-Hilbert变换的城市电力电缆双端故障测距方法 |
| CN109521330A (zh) * | 2018-12-06 | 2019-03-26 | 中国矿业大学 | 一种基于arima波头预测的输电线路故障行波测距方法 |
Non-Patent Citations (2)
| Title |
|---|
| 徐伟宗等: "基于导数法的故障行波波头识别改进算法", 《电网技术》 * |
| 马燕峰等: "基于非线性自回归神经网络的GHI预测", 《太阳能学报》 * |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110954786A (zh) * | 2019-12-25 | 2020-04-03 | 青岛科技大学 | 基于hht的混合多端直流输电线路行波测距方法 |
| CN111308267A (zh) * | 2019-12-25 | 2020-06-19 | 青岛科技大学 | 基于c-evt的混合多端直流输电线路行波测距方法 |
| CN111736035A (zh) * | 2020-06-10 | 2020-10-02 | 国网浙江诸暨市供电有限公司 | 用于单芯电缆故障定位的排查方法 |
| CN113884818A (zh) * | 2021-10-27 | 2022-01-04 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
| CN113884818B (zh) * | 2021-10-27 | 2024-04-09 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
| CN115186935A (zh) * | 2022-09-08 | 2022-10-14 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
| CN115186935B (zh) * | 2022-09-08 | 2023-04-07 | 山东交通职业学院 | 一种机电设备非线性故障预测方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110514967B (zh) | 2021-05-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110514967A (zh) | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 | |
| Mirshekali et al. | A novel fault location methodology for smart distribution networks | |
| Jiao et al. | A new method to improve fault location accuracy in transmission line based on fuzzy multi-sensor data fusion | |
| CN105137293B (zh) | 一种配电网混合线路中故障点的定位方法 | |
| CN107505538B (zh) | 基于线模电压行波幅值衰减特性的半波长输电线路非同步故障定位方法 | |
| CN108896874B (zh) | 一种末端连接短线路的输电线路故障测距方法 | |
| CN103592575A (zh) | 一种基于多传感器系统的自适应加权数据融合故障测距方法 | |
| CN108508320A (zh) | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 | |
| Mirshekali et al. | Linear and nonlinear fault location in smart distribution network under line parameter uncertainty | |
| 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 | |
| CN103323741B (zh) | 一种针对强故障的基于故障电压初始行波幅值比较的d型线缆混合线路故障区段判别的方法 | |
| CN108693446B (zh) | 一种非同步采样电网暂态行波模量时间差的故障定位方法 | |
| CN105676075B (zh) | 一种基于多端数据的配电网行波故障定位方法 | |
| CN109521330B (zh) | 一种基于arima波头预测的输电线路故障行波测距方法 | |
| CN103913676A (zh) | 基于可变行波辨识时窗的输电线路单端故障定位方法 | |
| CN109557421A (zh) | 一种基于初始行波时差关系的多分支配电网故障测距方法 | |
| CN109100605A (zh) | 利用故障边界条件的高压电缆单相接地故障的单端定位方法 | |
| CN104898028A (zh) | 架空线配电网单相接地故障的测距方法及定位方法 | |
| CN104599193A (zh) | 一种基于规则库的配电网单相接地故障定位方法 | |
| CN107179473B (zh) | 一种输电线路故障定位方法 | |
| CN114113890A (zh) | 基于行波模量传输时差的多端融合配电网故障定位方法 | |
| CN113884818B (zh) | 一种基于lstm的配电网故障行波到达时间精确估算方法 | |
| CN106199333A (zh) | 基于分布电容补偿的单端工频量改进分布参数自适应测距方法 | |
| CN108362978A (zh) | 一种基于测距函数相位特性的t型输电线路故障定位方法 | |
| CN103941152A (zh) | 一种基于波形相似性的k-NN算法的缆线混合线路故障测距方法 |
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 | ||
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20230112 Address after: 221400 No. 1, Wuhua Road, Xinyi Economic Development Zone, Xuzhou City, Jiangsu Province Patentee after: Xinyi MaoYuan Industrial Development Co.,Ltd. Address before: No. 20, Jiefang North Road, Xuzhou City, Jiangsu Province Patentee before: STATE GRID XUZHOU POWER SUPPLY COMPANY Patentee before: STATE GRID CORPORATION OF CHINA |