CN111239549A - 一种基于离散小波变换的配电故障快速定位方法 - Google Patents

一种基于离散小波变换的配电故障快速定位方法 Download PDF

Info

Publication number
CN111239549A
CN111239549A CN202010099640.8A CN202010099640A CN111239549A CN 111239549 A CN111239549 A CN 111239549A CN 202010099640 A CN202010099640 A CN 202010099640A CN 111239549 A CN111239549 A CN 111239549A
Authority
CN
China
Prior art keywords
fault
wavelet
power distribution
discrete wavelet
entropy
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.)
Pending
Application number
CN202010099640.8A
Other languages
English (en)
Inventor
黄文思
董朝武
陈婧
廖华东
陈建军
廖应霞
高红均
刘友波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
State Grid Jiangsu Electric Power Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Information and Telecommunication Co Ltd
State Grid Jiangsu Electric Power Co Ltd
Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, State Grid Information and Telecommunication Co Ltd, State Grid Jiangsu Electric Power Co Ltd, Great Power Science and Technology Co of State Grid Information and Telecommunication Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202010099640.8A priority Critical patent/CN111239549A/zh
Publication of CN111239549A publication Critical patent/CN111239549A/zh
Pending legal-status Critical Current

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
    • G01R31/086—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离散小波变换的配电故障快速定位方法，将离散小波变换(DWT)和BP神经网络(BPNN)结合在配电系统故障定位中，根据DWT细节系数计算的小波能量谱熵和每单位能量可以有效地反映故障特征。此外，由于DWT分解，噪声将被滤除，小波熵(EPU)作为训练的BPNN模型输入可以快速准确地找到故障位置，具有高灵敏度、高可靠性的效果。

Description

一种基于离散小波变换的配电故障快速定位方法
技术领域
本发明涉及配电故障定位技术领域，更具体地说它涉及一种基于离散小波变换的配电故障快速定位方法。
背景技术
配电网是“发、变、输、配”四大环节中的最后一环，在电力系统中占有十分重要的地位，电网的工作情况对消费者供电的可靠性和电能质量有着很大的影响。
由于配电网分支多，结构复杂，供电半径下等，关于配电网的故障诊断一直是电力系统继电保护领域的一个难点。而现有的诊断方法阻抗法通过故障时测点电压与电流计算故障线路阻抗，以此求取故障距离，但易受过渡电阻、线路分支等因素影响，易出现伪故障点；行波法通过测量电压、电流行波到故障点间的传播时间确定故障距离，由于配电网结构复杂分支众多，需要在多个位置安装设备，且难以精确同步获取多端行波信号，导致投资大，定位精度不高都不适合与配电网的故障快速定位。
发明内容
针对现有技术存在的不足，本发明在于提供一种基于离散小波变换的配电故障快速定位方法，具有高灵敏度、高可靠性，能快速准确地找到故障位置的效果。
为实现上述目的，本发明提供了如下技术方案：一种基于离散小波变换的配电故障快速定位方法，包括一下步骤：
步骤一，获取包含三相线电流和零序电流信号的配电网络故障信息，作为输入信号；
步骤二，通过离散小波变换对故障信息进行特征提取，并计算小波熵；
(一)故障信息分析，通过低通滤波器获得故障信息的低频信号 g[n]，通过高通滤波器获得故障信息的高频信号h[n]，并利用降采样滤波器分别对低频信号和高频信号进行升/降采样处理，利用MRA分解重构方法进行小波分析，MRA尺度函数的表达式
Figure BDA0002386438760000021
和相应的离散小波函数由下式给出：
Figure BDA0002386438760000022
Figure BDA0002386438760000023
原始信号序列x(n)可以表示为所有分量的总和，对于两个级别的分解，表示为：
x(n)＝c1D1(n)+c2A2(n)＝c1D1(n)+c2D2(n)+c2A2(n)
其中D1和D2分别是分量分解等级的第一和第二细节，A1和A2是近似于分量的第一和第二分解层，cj是第j个细节或近似分量分解等级的系数；
(二)计算小波熵，
对于正交小波变换，变换后的每个尺度的能量Ej(n)可以直接从其小波系数的平方获得，第j个信号小波能量谱的总和是Ej，得到相对小波能量如下：
Figure BDA0002386438760000024
定义小波能谱熵为：
WEEj＝-∑Pjklog2Pjk
单位的小波熵计算公式如下：
Figure BDA0002386438760000031
其中p为分配网络的相,pjk为第j个信号小波能量谱的相对小波能量；
步骤三，将离散小波分析信号和计算所得到的小波熵作为输入信息训练BPNN模型，并定位配电网中故障发生的区段和位置；
(一)确定配电网网络的具体特征和网络中故障可能发生的场景，简化“BPNN模型的可学习性”引出隐含层神经元的大小；
(二)设置1-2个隐含成，第一隐层用8个激活函数作为双曲正切的神经元,第二隐层用4个激活函数作为S型的神经元,输出层用2 个线性激活函数的神经元；
(三)BPNN模型输出层采用2个线性激活函数的神经元，其中一个测量故障的距离,另一个用于测量过渡电阻在BP神经网络训练时,通过调整BP神经网络的连接权值,使输出层两个神经元分别逼近故障距离的期望值和过渡电阻的期望值,将过渡电阻的影响存储在神经网络的权值中。
(四)训练BPNN模型，利用BPNN模型反向传播的误差信息不断调整隐含层的权重和偏置，使输出值逼近故障信息的期望值，准确定位配电网中故障发生的区段和位置。
进一步的，所述配电故障故障类型包括单相接地、两相短路、两相短路接地和三相短路。
进一步的，所述步骤三种对BP神经网络的训练算法还可以是变尺度法的BFGS法、共轭梯度法等。
综上所述，本发明具有以下有益效果：
1.根据小波变化(DWT)细节系数计算的小波能量谱熵和每单位能量可以有效地反映故障特征，具有更高的灵敏度和可靠性；
2.由于小波变换(DWT)分解，把信号分解成不同尺度和位移的小波之和，能有效滤除噪声；
3.使用EPU作为训练的BPNN模型输入可以快速准确地找到故障位置；
4.简化BPNN模型隐含层神经元的大小，提高了BPNN模型的准确性。
附图说明
图1是本发明配电网故障定位模型框架示意图；
图2是本发明离散小波分解过程示意图；
图3是本发明神经网络示意图；
图4是本发明两级小波变换过程示意图；
图5是本发明A相接地短路故障的测量信号；
图6是本发明BPNN用于故障区段定位的模型结构图；
图7是本发明IEEE 34节点系统的拓扑结构示意图。
具体实施方式
以下结合附图对本发明作进一步详细说明。
本实施例公开了一种基于离散小波变换的配电故障快速定位方法，
如图1所示，利用离散小波变换对测量所得到的故障信息进行特征提取，并计算故障信号分解后的小波熵；再利用离散小波分析信号和计算的所得到的小波熵作为故障定位模型的输入，快速决策配电网中故障发生的区段和位置。
小电流接地系统单相接地时,故障电流和故障电压暂态过程中包含有丰富的故障信息,它比稳态故障信号大几倍,它克服了傅里叶变换不能对信号同时进行时频局部化分析的缺点,因此利用暂态故障信号来实现故障识别,具有更高的灵敏度和可靠性,可以对信号进行精确分析,特别是对暂态突变信号或微弱信号的变化比较敏感,能可靠地提取出故障特征。
如图2所示，小波变换把信号分解成不同尺度和位移的小波之和, 利用合适的小波基对暂态故障电流进行小波变换后容易看出故障线路上暂态故障电流幅值大于非故障线路零序电流的幅值,而其相位也与非故障线路的相位相反,因此可利用它进行故障选线和故障定位。
如图3所示，BP神经网络的过程主要分为两个阶段，第一阶段是信号的前向传播，从输入层经过隐含层，最后到达输出层；第二阶段是误差的反向传播，从输出层到隐含层的权重和偏置；其中常用的激活函数有阀值函数、sigmoid函数和双曲正切函数，
神经元的输出为：
Figure BDA0002386438760000051
如图4所示，小波变换将非平稳信号分解为时域和频域，获取更多的细节信息。离散小波变换遵循一定的离散扩展模式，这种离散扩展模式由选择膨胀因子为2的幂决定。
MRA尺度函数的表达式
Figure BDA0002386438760000052
和相应的离散小波函数由下式给出：
Figure BDA0002386438760000053
Figure BDA0002386438760000061
原始信号序列x(n)可以表示为所有分量的总和。对于两个级别的分解，表示为：
x(n)＝c1D1(n)+c2A2(n)＝c1D1(n)+c2D2(n)+c2A2(n)
其中D1和D2分别是分量分解等级的第一和第二细节，A1和A2是近似于分量的第一和第二分解层，cj是第j个细节或近似分量分解等级的系数。
对于正交小波变换，变换后的每个尺度的能量可以直接从其小波系数的平方获得。
Figure BDA0002386438760000062
是j-scale和k-time的信号x(t)的小波能量谱。在第j个标度处，时刻是k＝1,2,3，...，N，其中N是第j个标度中的时刻(系数)的数量。第j个信号小波能量谱的总和是
Figure BDA0002386438760000063
相对小波能量如下：
Figure BDA0002386438760000064
定义小波能谱熵为：
Figure BDA0002386438760000065
即单位的小波熵：
Figure BDA0002386438760000071
其中p∈{A,B,C}为分配网络的相。
如图5所示，本发明通过PSCAD/EMTDC搭建了IEEE-34节点仿真实验系统，将配电网络变电站测量点测量得到的三相零序电流输入到 MATLAB仿真计算平台里，并设置不同的仿真基础参数，每个周期采样128个样本，并使用Daubechies db4 level6对其进行分解，在806-808线段设置单相接地短路下利用不同母小波得到的暂态信号提取结果。
db4的高通(g)和低通(h)滤波器有四个系数，这些是：
g1＝0.1294,g2＝0.2241,g3＝0.8365,g4＝0.4830
h1＝0.4830,h2＝0.8365,h3＝-0.2241,h4＝-0.1294
选取5级离散小波分解细节，计算得到小波能谱熵如表1所示：
表1 806-808线A-g断层的熵指标
指标 WEE<sub>A</sub> WEE<sub>B</sub> WEE<sub>C</sub> WEE<sub>I0</sub>
Level-1 2.5374 3.7492 3.8123 3.5551
Level-2 2.0987 3.1031 3.1321 2.7209
Level-3 2.6984 2.5938 3.0079 2.7935
Level-4 2.7467 4.412 4.4197 2.8112
Level-5 3.7374 5.1914 4.5281 3.5526
Level-6 3.1647 4.5726 3.9347 2.7917
如图6所示，反向传播神经网络(BPNN)是数学方程的多层前馈神经网络，故障区段定位算法由四个“反向传播BPNN模型组成”，在 BPNN的训练期间，每个BPNN从训练数据集获取关于问题的知识，并且存储使用神经元之间的突触权重获得的知识。
输入是三相和零序线电流的EPU/WEE，输出层计算每层神经元的输出误差，然后根据误差梯度减小，并调整每层的权重和阈值，
Figure BDA0002386438760000081
Figure BDA0002386438760000082
Figure BDA0002386438760000083
Figure BDA0002386438760000084
其中Δwi是隐含层的第i个节点到点之间的输出层权重校正部分。Δα是输出层阈值校正量。Δwik是隐含层k的第i个输入层。
在配电网络中可能发生四类故障，1.单线对地故障(1Ph.g)，2. 两相(2Ph.)短路，3.两相接地(2Ph.g)短路，4.三相短路(3Ph.) 故障。故障位置被分解为四个回归任务，针对故障定位的BPNN模型分别针对1Ph.g，2Ph。，2Ph.g和3Ph，对应于可能在配电网络中发生的四类故障。
如图7所示，搭建复合模型，各种仿真波形的三相线电流和零序电流输出到MATLAB中通过离散小波变化进行信号处理，再将所有故障的训练数据将在PSCAD/EMTDC中进行了电磁瞬态(EMT)模拟，训练模拟参数如表2所示：
表2 BPNN训练和测试参数
Figure BDA0002386438760000091
对于故障定位任务，使用WEE/EPU输入训练BPNN模型。表3 给出了使用未经训练的数据集进行故障定位的方法的性能测试。表4 中显示的相对百分比误差仍然在可接受的范围内，具有不同的故障类型，故障电阻和故障起始角。
表4-2故障区段定位算法的性能分析
Figure BDA0002386438760000092
表4-2故障定位算法的性能分析
Figure BDA0002386438760000101
在IEEE-34节点系统研究表明了小波熵和BP神经网络的应用对于配电系统中的故障定位方法的有效性。
以上所述仅为本发明的较佳实施例，并不用于限制本发明，凡在本发明的设计构思之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (3)

1.一种基于离散小波变换的配电故障快速定位方法，其特征在于,包括一下步骤：
步骤一，获取包含三相线电流和零序电流信号的配电网络故障信息，作为输入信号；
步骤二，通过离散小波变换对故障信息进行特征提取，并计算小波熵；
(一)故障信息分析，通过低通滤波器获得故障信息的低频信号g[n]，通过高通滤波器获得故障信息的高频信号h[n]，并利用降采样滤波器分别对低频信号和高频信号进行升/降采样处理，利用MRA分解重构方法进行小波分析，MRA尺度函数的表达式
Figure FDA0002386438750000011
和相应的离散小波函数由下式给出：
Figure FDA0002386438750000012
Figure FDA0002386438750000013
原始信号序列x(n)可以表示为所有分量的总和，对于两个级别的分解，表示为：
x(n)＝c1D1(n)+c2A2(n)＝c1D1(n)+c2D2(n)+c2A2(n)
其中D1和D2分别是分量分解等级的第一和第二细节，A1和A2是近似于分量的第一和第二分解层，cj是第j个细节或近似分量分解等级的系数；
(二)计算小波熵，
对于正交小波变换，变换后的每个尺度的能量Ej(n)可以直接从其小波系数的平方获得，第j个信号小波能量谱的总和是Ej，得到相对小波能量如下：
Figure FDA0002386438750000021
定义小波能谱熵为：
WEEj＝-∑Pjklog2Pjk
单位的小波熵计算公式如下：
Figure FDA0002386438750000022
其中p为分配网络的相；
步骤三，将离散小波分析信号和计算所得到的小波熵作为输入信息训练BPNN模型，并定位配电网中故障发生的区段和位置；
(一)确定配电网网络的具体特征和网络中故障可能发生的场景，简化“BPNN模型的可学习性”引出隐含层神经元的大小；
(二)设置1-2个隐含成，第一隐层用8个激活函数作为双曲正切的神经元,第二隐层用4个激活函数作为S型的神经元；
(三)BPNN模型输出层采用2个线性激活函数的神经元，其中一个测量故障的距离,另一个用于测量过渡电阻在BP神经网络训练时,通过调整BP神经网络的连接权值,使输出层两个神经元分别逼近故障距离的期望值和过渡电阻的期望值,将过渡电阻的影响存储在神经网络的权值中；
(四)利用具有惯性因子的固定步长的梯度法训练BPNN模型，利用BPNN模型反向传播的误差信息不断调整隐含层的权重和偏置，使输出值逼近故障信息的期望值，准确定位配电网中故障发生的区段和位置。
2.根据权利要求1所述的一种基于离散小波变换的配电故障快速定位方法，其特征在于：所述配电故障故障类型包括单相接地、两相短路、两相短路接地和三相短路。
3.根据权利要求1所述的一种基于离散小波变换的配电故障快速定位方法，其特征在于：所述步骤三种对BP神经网络的训练算法还可以是变尺度法的BFGS法、共轭梯度法等。
CN202010099640.8A 2020-02-18 2020-02-18 一种基于离散小波变换的配电故障快速定位方法 Pending CN111239549A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010099640.8A CN111239549A (zh) 2020-02-18 2020-02-18 一种基于离散小波变换的配电故障快速定位方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010099640.8A CN111239549A (zh) 2020-02-18 2020-02-18 一种基于离散小波变换的配电故障快速定位方法

Publications (1)

Publication Number Publication Date
CN111239549A true CN111239549A (zh) 2020-06-05

Family

ID=70873260

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010099640.8A Pending CN111239549A (zh) 2020-02-18 2020-02-18 一种基于离散小波变换的配电故障快速定位方法

Country Status (1)

Country Link
CN (1) CN111239549A (zh)

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069453A (zh) * 2020-09-08 2020-12-11 东北电力大学 一种基于小波变换的电力系统强迫振荡源时频域定位方法
CN112130026A (zh) * 2020-09-22 2020-12-25 福州大学 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法
CN112327104A (zh) * 2020-11-19 2021-02-05 国网安徽省电力有限公司 一种含分布式电源配电网的故障检测与定位方法
CN113466624A (zh) * 2021-06-30 2021-10-01 云南电网有限责任公司电力科学研究院 一种多端混合直流输电线路故障区域的检测方法及系统
CN113891241A (zh) * 2021-11-05 2022-01-04 广州港发石油化工码头有限公司 码头人员三维可视化监控系统
CN113949069A (zh) * 2021-12-20 2022-01-18 中国电力科学研究院有限公司 确定高比例新能源电力系统暂态电压稳定性的方法及系统
CN114325236A (zh) * 2021-12-28 2022-04-12 广东电网有限责任公司 一种基于频谱熵和随机森林的配电网故障识别方法及系统
CN114636900A (zh) * 2022-05-11 2022-06-17 广东电网有限责任公司东莞供电局 一种配电网多重故障诊断方法及系统
CN114779010A (zh) * 2022-04-22 2022-07-22 南方电网科学研究院有限责任公司 基于对称差分能量算子和神经网络的故障行波检测方法
CN118091270A (zh) * 2023-12-07 2024-05-28 国网湖北省电力有限公司宜昌供电公司 配电自动化馈线终端单元高阻抗故障检测方法
CN118150944A (zh) * 2024-05-11 2024-06-07 国网江苏省电力有限公司无锡供电分公司 采用特征信号能量的有源配电网故障区段辨识方法及系统

Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129013A (zh) * 2011-01-21 2011-07-20 昆明理工大学 一种利用自然频率和人工神经网络的配网故障测距方法
CN103884966A (zh) * 2014-04-15 2014-06-25 河海大学常州校区 基于神经网络的配电网小电流单相接地故障定位方法
CN104459388A (zh) * 2014-11-26 2015-03-25 国家电网公司 一种永磁直驱风力发电系统一体化故障诊断方法
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法
CN106249101A (zh) * 2016-06-30 2016-12-21 湖南大学 一种智能配电网故障辨识方法
CN106919925A (zh) * 2017-03-07 2017-07-04 南京师范大学 一种基于小波熵与人工神经网络的福特汽车检测方法
CN108197645A (zh) * 2017-12-28 2018-06-22 国家电网公司 一种基于小波包奇异熵的费控故障智能诊断方法
CN110084106A (zh) * 2019-03-19 2019-08-02 中国地质大学（武汉） 基于小波变换和概率神经网络的微网逆变器故障诊断方法
CN110702786A (zh) * 2019-09-30 2020-01-17 河海大学 基于多尺度奇异吸引子预测误差的梁结构损伤识别方法

Patent Citations (9)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102129013A (zh) * 2011-01-21 2011-07-20 昆明理工大学 一种利用自然频率和人工神经网络的配网故障测距方法
CN103884966A (zh) * 2014-04-15 2014-06-25 河海大学常州校区 基于神经网络的配电网小电流单相接地故障定位方法
CN104459388A (zh) * 2014-11-26 2015-03-25 国家电网公司 一种永磁直驱风力发电系统一体化故障诊断方法
CN104502795A (zh) * 2014-11-26 2015-04-08 国家电网公司 一种适用于微电网的智能故障诊断方法
CN106249101A (zh) * 2016-06-30 2016-12-21 湖南大学 一种智能配电网故障辨识方法
CN106919925A (zh) * 2017-03-07 2017-07-04 南京师范大学 一种基于小波熵与人工神经网络的福特汽车检测方法
CN108197645A (zh) * 2017-12-28 2018-06-22 国家电网公司 一种基于小波包奇异熵的费控故障智能诊断方法
CN110084106A (zh) * 2019-03-19 2019-08-02 中国地质大学（武汉） 基于小波变换和概率神经网络的微网逆变器故障诊断方法
CN110702786A (zh) * 2019-09-30 2020-01-17 河海大学 基于多尺度奇异吸引子预测误差的梁结构损伤识别方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
燕洁: "基于小波变换和BP网络的输电线路故障定位研究", 《万方数据》 *

Cited By (18)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112069453A (zh) * 2020-09-08 2020-12-11 东北电力大学 一种基于小波变换的电力系统强迫振荡源时频域定位方法
CN112069453B (zh) * 2020-09-08 2022-05-27 东北电力大学 一种基于小波变换的电力系统强迫振荡源时频域定位方法
CN112130026A (zh) * 2020-09-22 2020-12-25 福州大学 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法
CN112130026B (zh) * 2020-09-22 2021-09-28 福州大学 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法
CN112327104B (zh) * 2020-11-19 2023-10-20 国网安徽省电力有限公司 一种含分布式电源配电网的故障检测与定位方法
CN112327104A (zh) * 2020-11-19 2021-02-05 国网安徽省电力有限公司 一种含分布式电源配电网的故障检测与定位方法
CN113466624A (zh) * 2021-06-30 2021-10-01 云南电网有限责任公司电力科学研究院 一种多端混合直流输电线路故障区域的检测方法及系统
CN113891241A (zh) * 2021-11-05 2022-01-04 广州港发石油化工码头有限公司 码头人员三维可视化监控系统
CN113949069A (zh) * 2021-12-20 2022-01-18 中国电力科学研究院有限公司 确定高比例新能源电力系统暂态电压稳定性的方法及系统
CN113949069B (zh) * 2021-12-20 2022-03-04 中国电力科学研究院有限公司 确定高比例新能源电力系统暂态电压稳定性的方法及系统
CN114325236A (zh) * 2021-12-28 2022-04-12 广东电网有限责任公司 一种基于频谱熵和随机森林的配电网故障识别方法及系统
CN114325236B (zh) * 2021-12-28 2023-08-18 广东电网有限责任公司 一种基于频谱熵和随机森林的配电网故障识别方法及系统
CN114779010A (zh) * 2022-04-22 2022-07-22 南方电网科学研究院有限责任公司 基于对称差分能量算子和神经网络的故障行波检测方法
CN114636900B (zh) * 2022-05-11 2022-09-30 广东电网有限责任公司东莞供电局 一种配电网多重故障诊断方法
CN114636900A (zh) * 2022-05-11 2022-06-17 广东电网有限责任公司东莞供电局 一种配电网多重故障诊断方法及系统
CN118091270A (zh) * 2023-12-07 2024-05-28 国网湖北省电力有限公司宜昌供电公司 配电自动化馈线终端单元高阻抗故障检测方法
CN118150944A (zh) * 2024-05-11 2024-06-07 国网江苏省电力有限公司无锡供电分公司 采用特征信号能量的有源配电网故障区段辨识方法及系统
CN118150944B (zh) * 2024-05-11 2024-07-05 国网江苏省电力有限公司无锡供电分公司 采用特征信号能量的有源配电网故障区段辨识方法及系统

Similar Documents

Publication Publication Date Title
CN111239549A (zh) 一种基于离散小波变换的配电故障快速定位方法
CN112041693B (zh) 一种基于混合录波的配电网故障定位系统
CN109142851B (zh) 一种新型的配电网内部过电压识别方法
CN110705456A (zh) 一种基于迁移学习的微型电机异常检测方法
CN112114232B (zh) 基于小波分解和dbn的单极接地故障测距方法
CN112130026B (zh) 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法
CN113514743B (zh) 一种基于多维特征的gis局部放电模式识别系统构建方法
CN112798888B (zh) 一种无人驾驶列车车载电气系统故障非侵入诊断方法
CN115201627B (zh) 基于皮尔森相关系数与小波包分解的线路接地故障定位法
Xu et al. Novel fault location for high permeability active distribution networks based on improved VMD and S-transform
Coban et al. Artificial neural network based fault location on 230 kv transmission line using voltage and current signals
CN117388639A (zh) 一种通过零序电流进行配电网故障定位的方法
CN113740671A (zh) 一种基于vmd和elm的故障电弧识别方法
CN115047296B (zh) 一种配电网故障区段定位方法
CN116559728A (zh) 基于小波变换-多层感知机的输电线路故障诊断方法
Laib et al. A new hybrid approach using time-domain reflectometry combined with wavelet and neural network for fault identification in wiring network
Mosavi et al. Stability comparison of fault location techniques against faulty GPS time tagging for three-terminal lines
CN115293090A (zh) 基于重构数据处理的多谐波源责任量化方法
CN114186590A (zh) 一种基于小波和深度学习的配电网单相接地故障识别方法
CN115313329A (zh) 一种用于快速行波保护的频带范围选取方法及相关装置
CN114662251B (zh) 一种基于深度神经网络的配电网故障定位方法
Lala et al. Fault Detection and Localization using Continuous Wavelet Transform and Artificial Neural Network Based Approach in Distribution System.
Mahmud et al. Selection of suitable features for fault classification in transmission line
Ekici et al. Fault Location Estimation on Transmission Lines Using Wavelet Transform and Artificial Neural Network.
Bhowmik et al. A novel wavelet assisted neural network for transmission line fault analysis

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20200605

RJ01 Rejection of invention patent application after publication