CN110609213A - 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 - Google Patents
基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 Download PDFInfo
- Publication number
- CN110609213A CN110609213A CN201910998087.9A CN201910998087A CN110609213A CN 110609213 A CN110609213 A CN 110609213A CN 201910998087 A CN201910998087 A CN 201910998087A CN 110609213 A CN110609213 A CN 110609213A
- Authority
- CN
- China
- Prior art keywords
- mmc
- algorithm
- transmission line
- sample
- fault
- 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
- G01R31/085—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
Abstract
本发明提出基于最优特征的MMC‑HVDC输电线路高阻接地故障定位方法,所述定位方法为对线路高阻接地故障进行定位的方法;所述方法包括以下步骤;A1、在故障波形采集作业中进行样本分解;A2、进行各个子分量的的权重寻优,突出对于故障距离敏感的频率特征;A3、将优化权值后的各个频段的子波形重组为新的特征波形,以回归算法进行回归预测,来对线路高阻接地故障进行定位;本发明能提升MMC‑HVDC输电线路的高阻接地故障定位精度。
Description
技术领域
本发明涉及电力技术领域,尤其是基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法。
背景技术
模块化多电平变换器(MMC)技术逐渐取代了二级或三级电压源变换器(VSC),成为柔性直流输电技术发展的新方向。MMC-HVDC系统具有许多优点,例如低开关频率,低操作损耗,高效率和高可靠性等。它在新能源并网,扩展城市配电网容量和远距离负荷供电等领域都具有广阔的应用前景。
MMC-HVDC的传输线通常很长并且沿途经过各种复杂的地形,这往往会导致各种线路故障。通常,断路故障和极间短路故障通常由外部机械应力引起,通常为永久性故障。因此,一旦检测到故障,线路两端换流站就会被隔离并停止运行。但是,当发生小电流接地的单极接地故障时,换流站不会隔离,并且线路可以继续传输功率。
因此,当MMC-HVDC系统发生单极接地故障时,如果能够快速准确地找到故障点,就可以及时排除故障,修复线路,系统正常运行即可在短时间内恢复。目前,高压直流输电线路的故障定位主要基于行波理论。行波法可分为单端法和双端法。一般来说,双端方法的测量精度和可靠性高于单端方法,但双端方法需要在线路的两端保持记录时间同步,这增加了设备成本和技术要求。
行波法有一些固有的缺陷,故障定位的准确性十分依赖于故障录波设备的采样频率,是否可以准确地检测出行波的到达时间是成功定位的关键。使用行波方法的精确定位还依赖于行波速度的精确测量,这在MMC-HVDC传输线中不易实现,特别是在传输线是电缆的情况下。另外,接地过渡电阻对于故障录波的影响也不容忽视。高阻接地时过度电阻值可能从几百欧姆至数万欧姆不等,故障波形的故障暂态差异很大。而且在高电阻接地故障的情况下,瞬态信号衰减得很快,故障波形特征不明显,波头信号很难准确检测,这将会造成很大的定位误差。高压输电线路高阻接地的精确定位问题,一直是行波法难以彻底解决的难点。
近年来,一些学者尝试利用各种回归类智能算法将线路故障定位作为模式识别问题来解决,通过训练回归模型最终实现故障点的预测定位。不同的学者尝试利用支持向量机、BP神经网络、卷积神经网络等算法来实现接地故障点的定位。但是,此类算法中普遍存在的问题是回归模型定位的精度和泛化性能极其依赖于训练回归模型时的样本数量,较理想的定位准确性必须由很大数量的训练样本来保证,小样本的训练出模型一般定位精度较差。同时,当前一般直接利用故障录波设备采集到的的原始波形数据训练回归模型,只有算法的结构和参数可以调整,无法突出样本中的某些重要特征。
发明内容
本发明提出基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,能提升MMC-HVDC输电线路的高阻接地故障定位精度。
本发明采用以下技术方案。
基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,所述定位方法为对线路高阻接地故障进行定位的方法;所述方法包括以下步骤;
A1、在故障波形采集作业中进行样本分解;
A2、进行各个子分量的的权重寻优,突出对于故障距离敏感的频率特征;
A3、将优化权值后的各个频段的子波形重组为新的特征波形,以回归算法进行回归预测,来对线路高阻接地故障进行定位。
所述高阻接地故障为过渡电阻大于500Ω的单极接地故障。
在步骤A1中,所述样本分解为先根据波形形态的不同,在训练回归模型前,将样本按照接地电阻的不同进行事先分类,在一定的阻值区间内采集样本训练模型。
在步骤A2中包括以下步骤;
B1、利用分解算法将原始的故障录波波形分解为不同频次的的分量,其算法基于公式
其中s(t)为录波设备的的原始录波波形,fi(t)为分解出的各个子分量;
B2、将分解出的各个子分量按照一定的权值进行加权重构,得到新的特征波形,其算法基于公式
xi为对应每个fi(t)的权值,h(t)为重构的特征波形。
在步骤A3中,将重构的特征波形作为样本,来对回归模型进行回归算法的训练;在训练模型的过程中,利用优化算法对于各个权值xi进行样本寻优,寻找使得测试集定位误差最小的xi值;在样本寻优时同时进行回归算法的算法参数寻优。
所述MMC-HVDC为基于最近电平逼近调制的200级MMC-HVDC系统;其中的MMC为模块化多电平变换器;模块化多电平变换器的换流器共有三相,每相由上桥臂和下桥臂共同构成;每个相单元由2n个子模块级联构成,上下桥臂各有n个子模块;每个桥臂均串联有一个用于抑制相间环流和平滑交流电压的桥臂电抗器。
所述MMC-HVDC系统采用直流侧钳位电阻接地的中性点接地方法,其整流侧采用恒定直流电压和恒定无功功率控制,其逆变侧采用恒定有功功率和固定无功功率控制;所述MMC-HVDC系统中,整流侧换流站和逆变侧换流站的结构和参数相同;系统中的直流线采用变频架空线。
所述分解算法为经验模态分解算法(Empirical Mode Decomposition,缩写为EMD);所述优化算法为粒子群优化算法(Particle Swarm Optimization,缩写为PSO);所述回归算法在训练时所采用的故障定位回归模型为支持向量机。
所述分解算法的过程如公式
所示,f(t)为原始故障波形信号,imfi(t)为各个固有模函数,r(t)为余项;
所述分解算法分别利用两种方式重构特征波形h(t)和s(t),如
公式
和
所示;
公式4中将各IMF细分,寻优α和β两个权值参数;公式5中依照完整的EMD分解结果,寻优各个IMF分量和余项的最优权值xi。
所述样本为正极电压样本;所述样本的采样频率为20KHz;
所述优化算法中,粒子群的寻优迭代次数设置为200次,学习因子和社会因子的值均取2,适应度函数取测试集的平均定位误差,寻优目标为适应度函数的最小值,利用f(t)作为样本时对c、g参数进行寻优,利用h(t)与s(t)时对c、g参数和权值同时寻优。
本发明针对于高阻接地故障提出了一种基于优化算法的故障点定位模型的训练方法,通过构造最优特征波形训练回归模型进行故障点定位,其过程中运用到了分解类算法、寻优算法和回归算法,可以针对已收集的原始样本自适应地构造定位效果最佳的波性特征来训练定位模型;且利用寻优后的特征波形作为训练样本的定位效果比直接利用初始采集行波进行故障定位的效果大大优化
在实际应用中,虽然具体的定位精度依旧依赖于样本的采集规模和三类(分解、寻优、回归)具体算法的选择,但在同等样本数量的情况下,利用本发明提出的方法训练回归模型的定位精度将远远优于直接利用故障录波数据的定位结果。
附图说明
下面结合附图和具体实施方式对本发明进一步详细的说明:
附图1是MMC-HVDC系统的拓扑示意图;
附图2是MMC-HVDC系统在不同接地电阻单极接地故障时的故障极电压波形示意图;
附图3是回归算法所用的故障定位回归模型的训练流程示意图;
附图4是粒子群优化算法的算法流程示意图;
附图5是故障定位回归模型的迭代寻优结果示意图;
具体实施方式
如图1-5所示,基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,所述定位方法为对线路高阻接地故障进行定位的方法;所述方法包括以下步骤;
A1、在故障波形采集作业中进行样本分解;
A2、进行各个子分量的的权重寻优,突出对于故障距离敏感的频率特征;
A3、将优化权值后的各个频段的子波形重组为新的特征波形,以回归算法进行回归预测,来对线路高阻接地故障进行定位。
所述高阻接地故障为过渡电阻大于500Ω的单极接地故障。
在步骤A1中,所述样本分解为先根据波形形态的不同,在训练回归模型前,将样本按照接地电阻的不同进行事先分类,在一定的阻值区间内采集样本训练模型。
在步骤A2中包括以下步骤;
B1、利用分解算法将原始的故障录波波形分解为不同频次的的分量,其算法基于公式
其中s(t)为录波设备的的原始录波波形,fi(t)为分解出的各个子分量;
B2、将分解出的各个子分量按照一定的权值进行加权重构,得到新的特征波形,其算法基于公式
xi为对应每个fi(t)的权值,h(t)为重构的特征波形。
在步骤A3中,将重构的特征波形作为样本,来对回归模型进行回归算法的训练;在训练模型的过程中,利用优化算法对于各个权值xi进行样本寻优,寻找使得测试集定位误差最小的xi值;在样本寻优时同时进行回归算法的算法参数寻优。
所述MMC-HVDC为基于最近电平逼近调制的200级MMC-HVDC系统;其中的MMC为模块化多电平变换器;模块化多电平变换器的换流器共有三相,每相由上桥臂和下桥臂共同构成;每个相单元由2n个子模块级联构成,上下桥臂各有n个子模块;每个桥臂均串联有一个用于抑制相间环流和平滑交流电压的桥臂电抗器。
所述MMC-HVDC系统采用直流侧钳位电阻接地的中性点接地方法,其整流侧采用恒定直流电压和恒定无功功率控制,其逆变侧采用恒定有功功率和固定无功功率控制;所述MMC-HVDC系统中,整流侧换流站和逆变侧换流站的结构和参数相同;系统中的直流线采用变频架空线。
所述分解算法为经验模态分解算法(Empirical Mode Decomposition,缩写为EMD);所述优化算法为粒子群优化算法(Particle Swarm Optimization,缩写为PSO);所述回归算法在训练时所采用的故障定位回归模型为支持向量机。
所述分解算法的过程如公式
所示,f(t)为原始故障波形信号,imfi(t)为各个固有模函数,r(t)为余项;
所述分解算法分别利用两种方式重构特征波形h(t)和s(t),如
公式
和
所示;
公式4中将各IMF细分,寻优α和β两个权值参数;公式5中依照完整的EMD分解结果,寻优各个IMF分量和余项的最优权值xi。
所述样本为正极电压样本;所述样本的采样频率为20KHz;
所述优化算法中,粒子群的寻优迭代次数设置为200次,学习因子和社会因子的值均取2,适应度函数取测试集的平均定位误差,寻优目标为适应度函数的最小值,利用f(t)作为样本时对c、g参数进行寻优,利用h(t)与s(t)时对c、g参数和权值同时寻优。
实施例:
如图5所示,粒子群的寻优迭代次数设置为200次,学习因子和社会因子的值均取2,适应度函数取测试集的平均定位误差,寻优目标为适应度函数的最小值。
利用f(t)作为样本时对c、g参数进行寻优,利用h(t)与s(t)时对c、g参数和权值同时寻优。样本采集自5000Ω,10000Ω和20000Ω的接地故障,共采集597个故障波形,故f(t)与h(t)共有597个样本。将原始波形进行EMD分解,可能出现的分解子分量(包含余项)的数目为4,5,6,7。s(t)由分解出4个子分量的波形分解重构后得到,共计456个样本。
从图5可以明显看出,利用进行过完全重构的特征样本s(t)训练出的定位模型取得了最佳的定位效果,其定位误差远远小于利用原始故障波形f(t)和不完全分解重构波形h(t)的定位结果。
在本例中同时进行参数寻优,参数寻优的结果如下
Claims (10)
1.基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:所述定位方法为对线路高阻接地故障进行定位的方法;所述方法包括以下步骤;
A1、在故障波形采集作业中进行样本分解;
A2、进行各个子分量的的权重寻优,突出对于故障距离敏感的频率特征;
A3、将优化权值后的各个频段的子波形重组为新的特征波形,以回归算法进行回归预测,来对线路高阻接地故障进行定位。
2.根据权利要求1所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:所述高阻接地故障为过渡电阻大于500Ω的单极接地故障。
3.根据权利要求1所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:在步骤A1中,所述样本分解为先根据波形形态的不同,在训练回归模型前,将样本按照接地电阻的不同进行事先分类,在一定的阻值区间内采集样本训练模型。
4.根据权利要求1所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:在步骤A2中包括以下步骤;
B1、利用分解算法将原始的故障录波波形分解为不同频次的的分量,其算法基于公式
其中s(t)为录波设备的的原始录波波形,fi(t)为分解出的各个子分量;
B2、将分解出的各个子分量按照一定的权值进行加权重构,得到新的特征波形,其算法基于公式
xi为对应每个fi(t)的权值,h(t)为重构的特征波形。
5.根据权利要求4所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:在步骤A3中,将重构的特征波形作为样本,来对回归模型进行回归算法的训练;在训练模型的过程中,利用优化算法对于各个权值xi进行样本寻优,寻找使得测试集定位误差最小的xi值;在样本寻优时同时进行回归算法的算法参数寻优。
6.根据权利要求5所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:所述MMC-HVDC为基于最近电平逼近调制的200级MMC-HVDC系统;其中的MMC为模块化多电平变换器;模块化多电平变换器的换流器共有三相,每相由上桥臂和下桥臂共同构成;每个相单元由2n个子模块级联构成,上下桥臂各有n个子模块;每个桥臂均串联有一个用于抑制相间环流和平滑交流电压的桥臂电抗器。
7.根据权利要求6所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:所述MMC-HVDC系统采用直流侧钳位电阻接地的中性点接地方法,其整流侧采用恒定直流电压和恒定无功功率控制,其逆变侧采用恒定有功功率和固定无功功率控制;所述MMC-HVDC系统中,整流侧换流站和逆变侧换流站的结构和参数相同;系统中的直流线采用变频架空线。
8.根据权利要求7所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:所述分解算法为经验模态分解算法(Empirical Mode Decomposition,缩写为EMD);所述优化算法为粒子群优化算法(Particle Swarm Optimization,缩写为PSO);所述回归算法在训练时所采用的故障定位回归模型为支持向量机。
9.根据权利要求8所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:所述分解算法的过程如公式
所示,f(t)为原始故障波形信号,imfi(t)为各个固有模函数,r(t)为余项;
所述分解算法分别利用两种方式重构特征波形h(t)和s(t),如
公式
和
所示;
公式4中将各IMF细分,寻优α和β两个权值参数;公式5中依照完整的EMD分解结果,寻优各个IMF分量和余项的最优权值xi。
10.根据权利要求9所述的基于最优特征的MMC-HVDC输电线路高阻接地故障定位方法,其特征在于:所述样本为正极电压样本;所述样本的采样频率为20KHz;
所述优化算法中,粒子群的寻优迭代次数设置为200次,学习因子和社会因子的值均取2,适应度函数取测试集的平均定位误差,寻优目标为适应度函数的最小值,利用f(t)作为样本时对c、g参数进行寻优,利用h(t)与s(t)时对c、g参数和权值同时寻优。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998087.9A CN110609213B (zh) | 2019-10-21 | 2019-10-21 | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910998087.9A CN110609213B (zh) | 2019-10-21 | 2019-10-21 | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110609213A true CN110609213A (zh) | 2019-12-24 |
CN110609213B CN110609213B (zh) | 2022-04-12 |
Family
ID=68893247
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910998087.9A Active CN110609213B (zh) | 2019-10-21 | 2019-10-21 | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110609213B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308275A (zh) * | 2020-03-31 | 2020-06-19 | 南京辉腾电子科技有限公司 | 一种提高行波法故障测距精度方法 |
CN112731051A (zh) * | 2020-12-18 | 2021-04-30 | 武汉大学 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
ES2934620A1 (es) * | 2022-10-31 | 2023-02-23 | Univ Madrid Politecnica | Sistema y método de localización de faltas a tierra en una instalación eléctrica de corriente continua y corriente alterna con convertidor modular multinivel |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104597378A (zh) * | 2015-01-26 | 2015-05-06 | 福州大学 | 基于暂态非工频零序电流的含dg配电网的故障选线方法 |
US20150346266A1 (en) * | 2014-05-30 | 2015-12-03 | Eaton Corporation | System and method for pulsed ground fault detection and localization |
CN105571638A (zh) * | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
CN106226635A (zh) * | 2016-07-14 | 2016-12-14 | 国网福建晋江市供电有限公司 | 一种配电网馈线故障类型识别方法及装置 |
CN106250935A (zh) * | 2016-08-15 | 2016-12-21 | 广东石油化工学院 | 遗传编程和加权证据理论融合的旋转机械故障诊断方法 |
CN106443349A (zh) * | 2016-10-17 | 2017-02-22 | 国网福建省电力有限公司 | 一种高阻接地故障定位方法及系统 |
EP3208623A1 (en) * | 2016-02-05 | 2017-08-23 | Hamilton Sundstrand Corporation | High impedance arc fault detection |
CN109975656A (zh) * | 2019-03-06 | 2019-07-05 | 河南理工大学 | 基于柔性直流配电网高阻接地故障检测方法 |
-
2019
- 2019-10-21 CN CN201910998087.9A patent/CN110609213B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150346266A1 (en) * | 2014-05-30 | 2015-12-03 | Eaton Corporation | System and method for pulsed ground fault detection and localization |
CN104597378A (zh) * | 2015-01-26 | 2015-05-06 | 福州大学 | 基于暂态非工频零序电流的含dg配电网的故障选线方法 |
CN105571638A (zh) * | 2015-12-17 | 2016-05-11 | 安徽理工大学 | 一种机械设备故障组合预测系统及方法 |
EP3208623A1 (en) * | 2016-02-05 | 2017-08-23 | Hamilton Sundstrand Corporation | High impedance arc fault detection |
CN106226635A (zh) * | 2016-07-14 | 2016-12-14 | 国网福建晋江市供电有限公司 | 一种配电网馈线故障类型识别方法及装置 |
CN106250935A (zh) * | 2016-08-15 | 2016-12-21 | 广东石油化工学院 | 遗传编程和加权证据理论融合的旋转机械故障诊断方法 |
CN106443349A (zh) * | 2016-10-17 | 2017-02-22 | 国网福建省电力有限公司 | 一种高阻接地故障定位方法及系统 |
CN109975656A (zh) * | 2019-03-06 | 2019-07-05 | 河南理工大学 | 基于柔性直流配电网高阻接地故障检测方法 |
Non-Patent Citations (3)
Title |
---|
唐宏宾 等: "基于信息融合的高压大流量柱塞泵故障诊断试验研究", 《电子测量与仪器学报》 * |
柏文琦 等: "EMD和SVM在变速器故障诊断中的应用", 《计量技术》 * |
邸忆 等: "一种基于声阵列信息融合及改进EEMD的信号降噪方法", 《振动与冲击》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111308275A (zh) * | 2020-03-31 | 2020-06-19 | 南京辉腾电子科技有限公司 | 一种提高行波法故障测距精度方法 |
CN112731051A (zh) * | 2020-12-18 | 2021-04-30 | 武汉大学 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
ES2934620A1 (es) * | 2022-10-31 | 2023-02-23 | Univ Madrid Politecnica | Sistema y método de localización de faltas a tierra en una instalación eléctrica de corriente continua y corriente alterna con convertidor modular multinivel |
Also Published As
Publication number | Publication date |
---|---|
CN110609213B (zh) | 2022-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110609213B (zh) | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 | |
CN110082639B (zh) | 一种基于最小幅值搜索的电压暂降监测点优化配置方法 | |
CN111948493A (zh) | 一种mmc-hvdc直流输电线路故障定位方法 | |
Wei et al. | Waveform matching approach for fault diagnosis of a high-voltage transmission line employing harmony search algorithm | |
Li et al. | Sixth harmonic‐based fault location for VSC‐DC distribution systems | |
CN112803377B (zh) | 适用于混合双极直流输电线路的单端电气量保护方法 | |
CN107329045B (zh) | 配网故障最小二乘定位方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN107505534B (zh) | 配网故障遗传搜索定位方法 | |
CN109342885B (zh) | 一种直流配电网线路故障的定位方法及系统 | |
CN112763853B (zh) | 一种并网模式下交流微电网短路故障的检测与定位系统及其工作方法 | |
CN112130027A (zh) | 基于直流动态时间弯曲距离的主动配电网故障定位方法 | |
CN116482571A (zh) | 一种基于cnn的小电流单相接地故障多判据融合选线方法 | |
CN113820564B (zh) | 一种适应于源网荷储复杂电网的故障检测方法 | |
Zeng et al. | Machine-learning-based single-phase-to-ground fault detection in distribution systems | |
Lei et al. | A protection method for LCC-VSC hybrid HVDC system based on boundary transient power direction | |
CN112698150B (zh) | 基于配电变压器监测终端的配电网行波故障定位方法 | |
CN112595932B (zh) | 一种适用于中压直流配电网的单极故障选线方法 | |
Cheong et al. | Accurate fault location in high voltage transmission systems comprising an improved thyristor controlled series capacitor model using wavelet transforms and neural network | |
CN114512966A (zh) | 基于s变换频域阻抗的直流配电网纵联保护方法及系统 | |
CN113162002A (zh) | 一种计及宽频测量环节的直流行波保护方法及系统 | |
Bunjongjit et al. | A discrete wavelet transform and fuzzy logic algorithm for identifying the location of fault in underground distribution system | |
Zhang et al. | Inverter Fault Diagnosis Based on Improved Grey Correlation Analysis | |
Zhang et al. | Fast Fault Detection and Location System for Distribution Network Lines Based on Power Electronic Disturbance Signals | |
Yu et al. | Fault Location Approach for Distribution Network with Dynamic Environment |
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 |