CN110579690B - 一种配电网小电流接地故障区段定位方法 - Google Patents
一种配电网小电流接地故障区段定位方法 Download PDFInfo
- Publication number
- CN110579690B CN110579690B CN201911034603.2A CN201911034603A CN110579690B CN 110579690 B CN110579690 B CN 110579690B CN 201911034603 A CN201911034603 A CN 201911034603A CN 110579690 B CN110579690 B CN 110579690B
- Authority
- CN
- China
- Prior art keywords
- fault
- approximate entropy
- terminal
- distribution network
- power distribution
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 34
- 239000011159 matrix material Substances 0.000 claims abstract description 41
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000001514 detection method Methods 0.000 claims abstract description 17
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 14
- 230000001052 transient effect Effects 0.000 claims abstract description 14
- 102100037373 DNA-(apurinic or apyrimidinic site) endonuclease Human genes 0.000 claims description 4
- 101710109420 DNA-(apurinic or apyrimidinic site) endonuclease Proteins 0.000 claims description 4
- 238000004891 communication Methods 0.000 abstract description 6
- 230000005540 biological transmission Effects 0.000 abstract description 4
- 238000012545 processing Methods 0.000 description 5
- 238000010606 normalization Methods 0.000 description 4
- 238000011144 upstream manufacturing Methods 0.000 description 3
- 230000002411 adverse Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000006185 dispersion Substances 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000926 separation method Methods 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
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
- G01R31/086—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
本发明属于配电网故障检测领域。本发明公开了一种配电网小电流接地故障区段定位方法，包括步骤：S1，各终端初步判断发生故障后，对故障发生时的暂态零模电流信号采用集合经验模态分解进行奇异性检测，确定故障发生时刻t；S2，对各终端故障发生时刻t后的半个周波的零模电流数据再进行集合经验模态分解，提取前三阶IMF分量；S3，采用近似熵算法计算各终端的前三阶IMF分量的近似熵值并上传给主站，主站根据上传的近似熵值生成为近似熵矩阵；S4，采用模糊C均值聚类算法对近似熵矩阵进行分类，实现故障区段定位。本发明所需通信传输量小，有效克服通信堵塞、噪声大，准确率低等不利因素，很好地提高了故障定位可靠性。
Description
技术领域
本发明属于配电网故障检测领域，具体地涉及一种配电网小电流接地故障区段定位方法。
背景技术
近年来，对故障信号本身运用数学信息综合处理，通过提取间接特征上传主站的定位方法成为研究热点。相比于直接利用信号本身进行度量，其精度上运用故障信息量更准确有效，速度上上传主站数据量少而快，定位可靠性高。
由于小电流接地系统发生故障瞬间，系统本身存在非平稳性与外部电磁干扰影响，其暂态零模电流信号具有非线性、非平稳性，且故障工况复杂，线路缆线混合，以及常受互感器饱和、电磁干扰及数据传输量大等因素影响。采用单一方法比较的定位方法可靠性较差，多方法多判据的融合成为近年来发展的一种新思路。有学者利用小波变换强大的多分辨率分析功能，提取特征频段信号应用相应算法计算进行定位，虽小波变换具有较高的分辨率，但选取小波基方面尚无统一标准，存在线性稳态缺陷，其最优分解效果有待商榷。
发明内容
本发明的目的在于提供一种配电网小电流接地故障区段定位方法用以解决上述存在的技术问题。
为实现上述目的，本发明采用的技术方案为：一种配电网小电流接地故障区段定位方法，包括如下步骤：
S1，各终端初步判断发生故障后，对故障发生时的暂态零模电流信号采用集合经验模态分解进行奇异性检测，确定故障发生时刻t；
S2，对各终端故障发生时刻t后的半个周波的零模电流数据再进行集合经验模态分解，提取前三阶IMF分量；
S3，采用近似熵算法计算各终端的前三阶IMF分量的近似熵值并上传给主站，主站根据上传的近似熵值生成为近似熵矩阵；
S4，采用模糊C均值聚类算法对近似熵矩阵进行分类，实现故障区段定位。
进一步的，步骤S1具体包括如下步骤：
S11，在终端初步判断发生故障后，提取故障初始时刻t0前3/4和后1/4共一周波数据零模电流信号I0(k)；
S12，对零模电流信号I0(k)进行集合经验模态分解，得到各阶IMF分量；
S13，提取两高频IMF分量，进行一阶差分，求取模极大值所对应时刻t1、t2；
S14，以时刻t1、t2的平均值t＝(t1+t2)/2作为最终的故障发生时刻。
更进一步的，步骤S13具体为：提取第2阶IMF分量IFM2和第三阶IMF分量IFM3，进行一阶差分，求取模极大值所对应时刻t1、t2。
进一步的，步骤S2具体为：对各终端故障发生时刻t后的半个周波的零模电流数据再进行集合经验模态分解，提取前三阶IMF分量，并将各终端的故障信号表示为前三阶IMF分量的矩阵。
进一步的，步骤S2中，采用就地控制模式对各终端故障发生时刻t后的半个周波的零模电流数据再进行集合经验模态分解，提取前三阶IMF分量。
进一步的，步骤S3中，近似熵矩阵APEN的表达式为
其中，x＝1:k为故障线路从选线装置到线路末端的终端编号，Dx,c1为第x号终端检测的第一阶IMF分量c1的近似熵值，Dx,c2为第x号终端检测的第二阶IMF分量c2的近似熵值，Dx,c3为第x号终端检测的第三阶IMF分量c3的近似熵值。
进一步的，步骤S4具体为：对近似熵矩阵进行归一化处理后，再采用模糊C均值聚类算法对近似熵矩阵进行分类，得到隶属度矩阵，通过隶属度矩阵实现故障区段定位。
进一步的，步骤S4包括：
S41，对近似熵矩阵进行归一化处理后，对归一化后的近似熵矩阵求取前三阶IMF分量的各阶IMF分量的标准差，若各阶IMF分量的标准差的平均值小于设定值时，直接判别末端发生故障；否则，进入步骤S42；
S42，采用模糊C均值聚类算法对归一化后的近似熵矩阵进行分类，得到隶属度矩阵，通过隶属度矩阵实现故障区段定位。
更进一步的，步骤S41中，设定值为0.15。
本发明的有益技术效果：
本发明所需通信传输量小，仅需向主站上传近似熵值矩阵，有效克服通信堵塞、噪声大，准确率低等不利因素，很好地提高了接地故障定位可靠性。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例描述中所需要使用的附图作简要介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明具体实施例的方法流程图；
图2为本发明具体实施例的含分支线路中压配电网的结构示意图。
具体实施方式
为进一步说明各实施例，本发明提供有附图。这些附图为本发明揭露内容的一部分，其主要用以说明实施例，并可配合说明书的相关描述来解释实施例的运作原理。配合参考这些内容，本领域普通技术人员应能理解其他可能的实施方式以及本发明的优点。图中的组件并未按比例绘制，而类似的组件符号通常用来表示类似的组件。
现结合附图和具体实施方式对本发明进一步说明。
如图1所示，一种配电网小电流接地故障区段定位方法，包括如下步骤：
S1，各终端初步判断发生故障后，对故障发生时的暂态零模电流信号采用集合经验模态分解进行奇异性检测，确定故障发生时刻t。
在确定发生故障后，对暂态零模电流信号采用集合经验模态分解(EEMD)，克服频谱混叠现象。由于分解后的暂态分量主频成分主要集中在前三个IMF(本征模态分量)分量IMF1、IMF2和IMF3当中，考虑到遇干扰时最高频IMF分量IMF1高频噪声较明显，根据故障时突变点相邻极值点(包含极大值和极小值)幅值差异大且对应时间区间跨度小，求取IMF分量IMF2和IMF3两个高频分量瞬时幅值模极大值出现时刻t1、t2之间进行计算选取故障时刻，具体步骤如下：
S10，设置终端启动算法初始门槛Ist，详细参照式(1)，若超过阈值，则记录故障初始时刻为t0；
Ist＝KrelI0i (1)
其中，Krel为可靠性系数；I0i＝3ωU0iCoi是位于第i检测点下游线路对地电容电流的有效值；U0i是第i检测点的零模电压有效值(即变电站母线侧检测到的零模电压)；C0i表示第i检测点下游线路的对地分布电容值；ω为系统角频率。
S11，提取该终端故障初始时刻t0前3/4和后1/4共一周波数据暂态零模电流信号I0(k)。
S12，对零模电流信号I0(k)进行集合经验模态分解(EEMD)，得到符合要求的各阶IMF分量IMF1、IMF2…IMFn。
S13，提取两高频IMF分量IMF2和IMF3，进行一阶差分diff(IMF2)、diff(IMF3)，求取模极大值所对应时刻t1和t2。
S14，以时刻t1、t2的平均值t＝(t1+t2)/2作为最终的故障发生时刻。
而传统故障时刻的判定往往以终端启动为对应时刻，其启动方法大多依靠零模电压大于0.15倍的额定相电压作为判定标准，无法准确刻画故障时刻，导致暂态数据对比误差。
S2，对各终端故障发生时刻t后的半个周波的零模电流数据再进行集合经验模态分解，提取前三阶IMF分量。
确定故障时刻t后，采用就地控制模式对录波上传的半个周波零模电流数据再进行集合经验模态分解(EEMD)后得到频率、频段宽度各不同的IMF分量c1(t)，c2(t)，...，cn(t)和残余分量rn，不同分量体现了不同成分组成的故障信息，且故障的主要成分主要集中在低阶IMF分量内，本发明选取前三阶IMF分量c1、c2和c3作为有效特征信号。因此，第x检测点故障信号将可以表示为3个IMF分量c1、c2和c3组成的矩阵Ax，各个频带的数据点为aij(i＝1:3为对应频带,j＝1:m为采样点个数)表示，矩阵Ax如下式：
相比于小波法、经验模态分解法(EMD)更准确有效反映原始信号，突出信号局部特征，减少了特征信号的干扰和耦合。
S3，采用近似熵算法计算各终端的前三阶IMF分量的近似熵值并上传给主站，主站根据上传的近似熵值生成为近似熵矩阵。
根据相关原理，发生单相接地故障后，故障点上游主谐振频率低，下游频率高，上游线路复杂度较下游线路小。从而故障点到线路末端各区段上相应检测点近似熵值大，而从母线到故障点各区段上相应检测点近似熵值较小，两侧值呈现差异(不排除上游熵值大而下游小可能，但此时故障点两侧仍呈现差异可用于判别)。因此，利用上述原理分析即可实现故障特征有效提取。综上所述，对故障信号进行EEMD分解后，实现多频带不同频率成分有效分离，并利用近似熵量化不同频带内的特征差异，即通过量化转换到另一维度空间以便为下一步区段定位做准备。
具体的，依据上一步骤EEMD分解后得到各终端子频带矩阵Ax，依次求取各终端内子频带近似熵值并上传给主站，主站根据上传的近似熵值生成矩阵得到近似熵值矩阵APEN：
其中，x＝1:k为故障线路从选线装置到线路末端的终端编号，Dx,c1为第x号终端检测的第一阶IMF分量c1的近似熵值，Dx,c2为第x号终端检测的第二阶IMF分量c2的近似熵值，Dx,c3为第x号终端检测的第三阶IMF分量c3的近似熵值。
S4，采用模糊C均值聚类算法对近似熵矩阵进行分类，实现故障区段定位。
当故障发生时，受暂态过程影响通常处在一个相对渐变的阶段，提取的信息一般较模糊，直接进行比较可能出现一定偏差且智能化水平较低。利用模糊C均值聚类，依据各数据点之间的相似程度，采取迭代寻求目标最优解的方法将不同样本间数据进行归类。并且根据聚类原理，需对其进行归一化处理，以同一频段内近似熵值的最大值为参考值对式3各终端零模电流近似熵矩阵进行归一化，更适合实现聚类分析，具体步骤如下：
对步骤S3的近似熵矩阵进行相应归一化处理后，将各终端计算形成的近似熵值矩阵APEN分成两类，得到最终隶属度矩阵U
其中，x＝1:k为故障线路从母线选线装置出线检测点到线路末端的终端编号，不同的终端被分为两类，例u12表示检测点2被分为第一类的隶属度值，u21表示检测点1被分为第二类的隶属度值，则通过该隶属度矩阵U可以实现不同故障点位置检测点信息的分类从而实现故障区段定位，具体如下：
(1)分支线路故障区段定位：如图2的分支线路，当f点发生单相失地时，1#、2#、5#终端检测到的暂态故障电流幅值大、频率低，波形基本相似；而3#、4#终端检测到的暂态故障电流幅值小、频率高；因此，3#、4#的零模电流比1#、2#、5#终端检测到较复杂，其原始波形近似熵较大，从而在各个频段内近似熵也不同。最终聚类分析结果被分为两类，即3#、4#单独分为一类。当出现这种结果时，则认定故障位于#5后的区段，利用此判别环节实现带分支线路的配网故障定位是行之有效。
(2)末端故障定位：当无分支线路末端发生故障时，则其近似熵矩阵差异化较小，各检测点近似熵值近似相等，此时若强行将故障信息矩阵聚类分析归为两类，则将导致定位失败。因此，本实施例采用在归一化处理后并进行聚类分析前对近似熵矩阵求取每一列(同一频段各检测点组成的数据序列)的标准差，通过标准差来衡量该序列的离散程度。由于该种情况下近似熵矩阵每一列近似相等，其标准差较小，通过标准差来衡量线路末端区段是否发生故障。通过多次试验，本实施例取三个子频带的标准差的平均值小于0.15时，即
时，无需进行聚类直接判别末端发生故障；否则，采用模糊C均值聚类算法对归一化后的近似熵矩阵进行分类，得到隶属度矩阵，通过隶属度矩阵实现故障区段定位。
本发明所需通信传输量小，仅需向主站上传近似熵值矩阵，有效克服通信堵塞、噪声大，准确率低等不利因素，很好地提高了接地故障定位可靠性。
尽管结合优选实施方案具体展示和介绍了本发明，但所属领域的技术人员应该明白，在不脱离所附权利要求书所限定的本发明的精神和范围内，在形式上和细节上可以对本发明做出各种变化，均为本发明的保护范围。
Claims (7)
1.一种配电网小电流接地故障区段定位方法，其特征在于，包括如下步骤：
S1，各终端初步判断发生故障后，对故障发生时的暂态零模电流信号采用集合经验模态分解进行奇异性检测，确定故障发生时刻t；
S2，对各终端故障发生时刻t后的半个周波的零模电流数据再进行集合经验模态分解，提取前三阶IMF分量；
S3，采用近似熵算法计算各终端的前三阶IMF分量的近似熵值并上传给主站，主站根据上传的近似熵值生成为近似熵矩阵；
S4，采用模糊C均值聚类算法对近似熵矩阵进行分类，实现故障区段定位，具体包括
S41，对近似熵矩阵进行归一化处理后，对归一化后的近似熵矩阵求取前三阶IMF分量的各阶IMF分量的标准差，若各阶IMF分量的标准差的平均值小于设定值时，直接判别末端发生故障；否则，进入步骤S42；
S42，采用模糊C均值聚类算法对归一化后的近似熵矩阵进行分类，得到隶属度矩阵，通过隶属度矩阵实现故障区段定位。
2.根据权利要求1所述的配电网小电流接地故障区段定位方法，其特征在于，步骤S1具体包括如下步骤：
S11，在终端初步判断发生故障后，提取故障初始时刻t0前3/4和后1/4共一周波数据零模电流信号I0(k)；
S12，对零模电流信号I0(k)进行集合经验模态分解，得到各阶IMF分量；
S13，提取两高频IMF分量，进行一阶差分，求取模极大值所对应时刻t1、t2；
S14，以时刻t1、t2的平均值t＝(t1+t2)/2作为最终的故障发生时刻。
3.根据权利要求2所述的配电网小电流接地故障区段定位方法，其特征在于，步骤S13具体为：提取第2阶IMF分量IFM2和第三阶IMF分量IFM3，进行一阶差分，求取模极大值所对应时刻t1、t2。
4.根据权利要求1所述的配电网小电流接地故障区段定位方法，其特征在于，步骤S2具体为：对各终端故障发生时刻t后的半个周波的零模电流数据再进行集合经验模态分解，提取前三阶IMF分量，并将各终端的故障信号表示为前三阶IMF分量的矩阵。
5.根据权利要求1所述的配电网小电流接地故障区段定位方法，其特征在于：步骤S2中，采用就地控制模式对各终端故障发生时刻t后的半个周波的零模电流数据再进行集合经验模态分解，提取前三阶IMF分量。
6.根据权利要求1所述的配电网小电流接地故障区段定位方法，其特征在于：步骤S3中，近似熵矩阵APEN的表达式为
其中，x＝1:k为故障线路从选线装置到线路末端的终端编号，Dx,c1为第x号终端检测的第一阶IMF分量c1的近似熵值，Dx,c2为第x号终端检测的第二阶IMF分量c2的近似熵值，Dx,c3为第x号终端检测的第三阶IMF分量c3的近似熵值。
7.根据权利要求1所述的配电网小电流接地故障区段定位方法，其特征在于：步骤S41中，设定值为0.15。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911034603.2A CN110579690B (zh) | 2019-10-29 | 2019-10-29 | 一种配电网小电流接地故障区段定位方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911034603.2A CN110579690B (zh) | 2019-10-29 | 2019-10-29 | 一种配电网小电流接地故障区段定位方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110579690A CN110579690A (zh) | 2019-12-17 |
| CN110579690B true CN110579690B (zh) | 2021-11-23 |
Family
ID=68815449
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911034603.2A Expired - Fee Related CN110579690B (zh) | 2019-10-29 | 2019-10-29 | 一种配电网小电流接地故障区段定位方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110579690B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109001592B (zh) * | 2018-07-03 | 2021-10-15 | 中国大唐集团科学技术研究院有限公司西北分公司 | 一种基于暂态量的谐振接地系统单相接地故障选线方法 |
| CN111257687B (zh) * | 2020-01-19 | 2022-03-22 | 太原理工大学 | 一种基于改进的meemd的单相接地故障选线方法 |
| CN112485592B (zh) * | 2020-11-23 | 2023-08-11 | 重庆理工大学 | 一种小电流接地系统的单相接地故障区段定位方法 |
| CN113419140B (zh) * | 2021-08-06 | 2023-01-24 | 广东电网有限责任公司 | 一种考虑人机物协同的配网线路故障诊断方法及装置 |
| CN113820564B (zh) * | 2021-09-24 | 2023-03-10 | 国家电网有限公司 | 一种适应于源网荷储复杂电网的故障检测方法 |
| CN115144703B (zh) * | 2022-08-31 | 2022-11-15 | 南京邮电大学 | 基于零序差分电流和能量矩指标的高阻接地故障识别方法 |
Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60164265A (ja) * | 1984-02-06 | 1985-08-27 | Mitsubishi Electric Corp | 地絡故障点標定装置 |
| CN101291055A (zh) * | 2008-06-18 | 2008-10-22 | 昆明理工大学 | 一种输电线路故障行波初始波头到达时刻精确标定方法 |
| CN101551433A (zh) * | 2009-05-05 | 2009-10-07 | 昆明理工大学 | 一种利用hht检测的配电网馈出线路故障选线方法 |
| CN103839197A (zh) * | 2014-03-19 | 2014-06-04 | 国家电网公司 | 一种基于eemd方法的用户用电行为异常的判定方法 |
| CN104237731A (zh) * | 2014-09-25 | 2014-12-24 | 福州大学 | 基于eemd与能量法的谐振接地配电网单相接地故障选线方法 |
| CN205539320U (zh) * | 2016-03-03 | 2016-08-31 | 厦门理工学院 | 一种电缆终端电弧接地监测装置 |
| CN106443332A (zh) * | 2016-09-09 | 2017-02-22 | 长春工程学院 | 小电流接地系统故障定位方法 |
| CN108802566A (zh) * | 2018-05-07 | 2018-11-13 | 合肥工业大学 | 一种基于hht信号分析的接地选线方法 |
| CN109298287A (zh) * | 2018-11-26 | 2019-02-01 | 国网山东省电力公司电力科学研究院 | 基于故障指示器数据的小电流接地配网故障类型识别方法 |
| CN109858458A (zh) * | 2019-02-19 | 2019-06-07 | 武汉科技大学 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US6590397B2 (en) * | 2000-10-19 | 2003-07-08 | Schweitzer Engineering Laboratories, Inc. | Line differential protection system for a power transmission line |
-
2019
- 2019-10-29 CN CN201911034603.2A patent/CN110579690B/zh not_active Expired - Fee Related
Patent Citations (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS60164265A (ja) * | 1984-02-06 | 1985-08-27 | Mitsubishi Electric Corp | 地絡故障点標定装置 |
| CN101291055A (zh) * | 2008-06-18 | 2008-10-22 | 昆明理工大学 | 一种输电线路故障行波初始波头到达时刻精确标定方法 |
| CN101551433A (zh) * | 2009-05-05 | 2009-10-07 | 昆明理工大学 | 一种利用hht检测的配电网馈出线路故障选线方法 |
| CN103839197A (zh) * | 2014-03-19 | 2014-06-04 | 国家电网公司 | 一种基于eemd方法的用户用电行为异常的判定方法 |
| CN104237731A (zh) * | 2014-09-25 | 2014-12-24 | 福州大学 | 基于eemd与能量法的谐振接地配电网单相接地故障选线方法 |
| CN205539320U (zh) * | 2016-03-03 | 2016-08-31 | 厦门理工学院 | 一种电缆终端电弧接地监测装置 |
| CN106443332A (zh) * | 2016-09-09 | 2017-02-22 | 长春工程学院 | 小电流接地系统故障定位方法 |
| CN108802566A (zh) * | 2018-05-07 | 2018-11-13 | 合肥工业大学 | 一种基于hht信号分析的接地选线方法 |
| CN109298287A (zh) * | 2018-11-26 | 2019-02-01 | 国网山东省电力公司电力科学研究院 | 基于故障指示器数据的小电流接地配网故障类型识别方法 |
| CN109858458A (zh) * | 2019-02-19 | 2019-06-07 | 武汉科技大学 | 一种基于eemd近似熵的矿山微震信号智能识别方法 |
Non-Patent Citations (2)
| Title |
|---|
| A method for identifying the fault current of DC traction power supply system based on EMD approximate entropy;Zhao Junyi et.al;《2017 International Conference on Green Energy and Applications》;20170511;第18-21页 * |
| 采用EMD 谱带通滤波和近似熵识别的配电网单相接地故障区段定位新方法;李天友 等;《供用电》;20160430;第41-47页 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110579690A (zh) | 2019-12-17 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN110579690B (zh) | 一种配电网小电流接地故障区段定位方法 | |
| CN108107324B (zh) | 一种基于深度卷积神经网络的配电网故障定位方法 | |
| Rathore et al. | Wavelet‐alienation based transmission line protection scheme | |
| Cunha et al. | A new wavelet selection method for partial discharge denoising | |
| Costa et al. | Real-time classification of transmission line faults based on maximal overlap discrete wavelet transform | |
| Zhao et al. | Wavelet analysis based scheme for fault detection and classification in underground power cable systems | |
| CN112485598A (zh) | 结合波形相关性与幅值特征的小电流接地故障定位方法 | |
| Silveira et al. | An approach using wavelet transform for fault type identification in digital relaying | |
| CN101162838A (zh) | 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 | |
| Dashtdar et al. | Fault location in the transmission network using artificial neural network | |
| CN111751671A (zh) | 基于vmd-dtw聚类的小电流接地系统故障选线方法 | |
| CN113779751B (zh) | 一种低压hplc台区拓扑识别方法及系统 | |
| CN105701470A (zh) | 一种基于最优小波包分解的模拟电路故障特征提取方法 | |
| Dashtdar et al. | Fault location in the transmission network using a discrete wavelet transform | |
| CN112415304B (zh) | 基于低压台区电压数据曲线分群的线路识别方法 | |
| CN116773894B (zh) | 一种采集器掉电检测系统及其方法 | |
| CN114879085B (zh) | 单相接地故障识别方法、装置、电子设备及介质 | |
| CN112557812B (zh) | 基于Hausdorff距离的小电流接地故障定位方法及系统 | |
| Khan et al. | End-to-end partial discharge detection in power cables via time-domain convolutional neural networks | |
| CN112462193B (zh) | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 | |
| WO2015120141A1 (en) | Location mapping of grid devices using features of passively-observed current disturbances | |
| US20220278527A1 (en) | Determination of phase connections in a power grid | |
| Dashtdar et al. | Faulted section identification and fault location in power network based on histogram analysis of three-phase current and voltage modulated | |
| CN109446910B (zh) | 一种通信辐射源信号分类识别方法 | |
| CN101446613B (zh) | 一种在平面电磁波激励下的传输线缆耦合响应检测方法 |
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 | ||
| CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20211123 |