CN112180217A - 一种配电网单相接地故障区段定位方法及系统 - Google Patents
一种配电网单相接地故障区段定位方法及系统 Download PDFInfo
- Publication number
- CN112180217A CN112180217A CN202011058245.1A CN202011058245A CN112180217A CN 112180217 A CN112180217 A CN 112180217A CN 202011058245 A CN202011058245 A CN 202011058245A CN 112180217 A CN112180217 A CN 112180217A
- Authority
- CN
- China
- Prior art keywords
- fault
- section
- phase earth
- line
- 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.)
- Pending
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
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及一种配电网单相接地故障区段定位方法及系统,包括以下步骤:发生单相接地故障后,获取各检测节点的零序电流;对各检测节点的故障后半个周波暂态零序电流进行波形拼接,构造表征线路区段的拼接波形;采用训练好的的一维卷积神经网络进行故障区段定位。本发明能够在发生单相接地故障后准确定位各类故障工况下的故障区段和非故障区段。
Description
技术领域
本发明涉及配电网故障分析技术领域,特别是一种配电网单相接地故障区段定位方法及系统。
背景技术
中低压配电网通常指35kV及以下电压等级的电力网络,其分布范围广,结构复杂,与用户紧密联系。配电网中的大多数故障都是单相接地故障,根据相关技术标准,配电网仍可继续运行1~2小时。然而,谐振配电网中发生单相接地故障时,虽然线电压保持对称,但非故障相电压升高,易造成绝缘弱化处发生击穿导致故障范围扩大。此外,消弧线圈的投入会降低故障电流并削弱故障信号的特征,不利于故障检测和定位。因此,研究谐振配电网单相接地故障区段定位的工作,有利于保证电网的安全运行。
随着智能监测终端在配电网的投运,更多的配电网信息被记录、存储同时能够用于故障诊断。例如配电网中安装在检测节点的数字化故障指示器能够采集线路电压、电流等运行数据。诸如此类的智能监测终端能够为基于深度学习的方法提供样本数据,用于模型的训练和测试,并有利于配电网故障检测与定位方法的研究。
发明内容
有鉴于此,本发明的目的是提出一种配电网单相接地故障区段定位方法及系统,能够在发生单相接地故障后准确定位各类故障工况下的故障区段和非故障区段。
本发明采用以下方案实现:一种配电网单相接地故障区段定位方法,具体包括以下步骤:
发生单相接地故障后,获取各检测节点的零序电流;
对各检测节点的故障后半个周波暂态零序电流进行波形拼接,构造表征线路区段的拼接波形;
采用训练好的的一维卷积神经网络进行故障区段定位。
进一步地,判断是否发生单相接地故障采用以下方法:
采集线路的母线零序电压,若母线零序电压大于预设的阈值,则判定当前配电线路发生故障。
进一步地,所述预设的阈值为额定相电压的15%。
进一步地,所述对各检测节点的故障后半个周波暂态零序电流进行波形拼接,构造表征线路区段的拼接波形具体为:
步骤S11:采集配电线路上所有检测节点的故障后半周波暂态零序电流波形,并进行波形归一化处理;
步骤S12:经归一化后,将线路区段两端检测节点的故障后半周波暂态零序电流进行首尾拼接,获得表征该线路区段的拼接波形。
进一步地,所述一维卷积神经网络采用7层神经网络,由输入至输出依次包括1个输入层、1个卷积层、1个池化层、1个卷积层、1个池化层、1个全连接层和1个输出层;通过利用反向传播算法对所述卷积神经网络进行训练。
进一步地,所述采用训练好的的一维卷积神经网络进行故障区段定位具体为:
将各个区段的拼接波形分别输入到训练好的一维卷积神经网络中,分别得到每个区段对应的两个隶属度,分别用以表述属于故障类的概率以及属于非故障类的概率;
将获得的各个区段的隶属度组成隶属度矩阵,令该隶属度矩阵中的一行为属于故障类的隶属度,另一行为属于非故障类的隶属度;隶属度矩阵如下:
式中,uij表示第j段线路区段属于第i类的隶属度,M为线路区段数,隶属度矩阵U的行代表状态类别,1~M列分别对应第1~M段线路区段,U中每一列值最大的元素所在的行即为该区段对应的状态,代表故障类的那行中隶属度最大的那一列所对应的区段为故障的区段。
本发明还提供了一种配电网单相接地故障区段定位系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序,当处理器运行该计算机程序时,能够实现如上文所述的方法步骤。
本发明还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序,当处理器运行该计算机程序时,实现如上文所述的方法步骤。
与现有技术相比,本发明有以下有益效果:
1、本发明所提的一维卷积神经网络模型仅需要少量样本用于实际应用中训练,可解决现场数据难以采集的问题,适合工程应用。同时能够从拼接波形中自适应地提取特征并同时实现故障区段的定位。
3、本发明的方法在不同网络结构、噪声干扰、采样不同步、两点接地故障等情况下均能准确实现故障区段定位。
附图说明
图1为本发明实施例的方法原理示意图。
图2为本发明实施例的一维神经网络结构示意图。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是示例性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供了一种配电网单相接地故障区段定位方法,具体包括以下步骤:
发生单相接地故障后,获取各检测节点的零序电流;
对各检测节点的故障后半个周波暂态零序电流进行波形拼接,构造表征线路区段的拼接波形;
采用训练好的的一维卷积神经网络进行故障区段定位。
在本实施例中,判断是否发生单相接地故障采用以下方法:
采集线路的母线零序电压,当测得零序电压瞬时值超过15%的相电压,则判断发生电压信号出现突变,开始启动录波,采集各个检测节点的零序电流信号。
在本实施例中,所述对各检测节点的故障后半个周波暂态零序电流进行波形拼接,构造表征线路区段的拼接波形具体为:
步骤S11:基于安装在各个检测节点的数字化故障指示器,采集配电线路上所有检测节点的故障后半周波暂态零序电流波形,并进行波形归一化处理;公式如下:
式中,Xj和Xj*(j=1,2,…,N)分别是原始暂态零序电流波形和归一化后的暂态零序电流波形,N是线路上故障指示器的个数,也即检测点的个数;
步骤S12:经归一化后,将线路区段两端检测节点的故障后半周波暂态零序电流进行首尾拼接,获得表征该线路区段的拼接波形,其中,一个区段的拼接波形如下:
[X Y]=[x1…xn y1…yn];
式中,X=[x1,x2,…,xn]和Y=[y1,y2,…,yn]分别是线路区段的首端和尾端检测节点测得的暂态零序电流波形,n是半周波采样点数。本实施例中,采样点数n取值为100,得到一个区段的拼接波形样本大小为1×200的一维序列。
在本实施例中,所述一维卷积神经网络采用7层神经网络,由输入至输出依次包括1个输入层、1个卷积层、1个池化层、1个卷积层、1个池化层、1个全连接层和1个输出层,如图2所示;通过利用反向传播算法对所述卷积神经网络进行训练。
训练的过程具体如下:
1)初始化一维卷积神经网络网络结构,包括:每个卷积层的卷积核大小与数量、每个池化层的采样窗口大小、池化方式、步长以及边界延拓方式,并设置每批迭代样本数量以及迭代上限次数;
2)利用配电网单相接地故障模型(本实施例利用PSCAD/EMTDC仿真软件搭建10kV谐振接地系统仿真模型,基于仿真模型进行各种单相接地故障仿真),在模型中进行故障模拟,模拟各种故障情况,包括不同故障区段、故障电阻、故障相角等情况,采集数据并构建拼接波形,将所有样本按照7:3的比例分为训练样本集和测试样本集,从而实现对单相接地故障区段地可靠定位;
3)初始化网络参数,将各层权值和偏置项初始化为随机数,设置多组超参数,用训练集进行一维卷积神经网络模型训练。当测试集验证结果有效时,选择最优超参数集合作为实际使用的模型参数。
4)开始训练网络,进行前向传播,计算损失函数输出误差值,将误差值进行反向传播,更新各层权值和偏置项;训练结束后,保存当时各项更新后的最新参数。
在本实施例中,所述采用训练好的的一维卷积神经网络进行故障区段定位具体为:
将各个区段的拼接波形分别输入到训练好的一维卷积神经网络中,分别得到每个区段对应的两个隶属度,分别用以表述属于故障类的概率以及属于非故障类的概率;
将获得的各个区段的隶属度组成隶属度矩阵,令该隶属度矩阵中的一行为属于故障类的隶属度,另一行为属于非故障类的隶属度;隶属度矩阵如下:
式中,uij表示第j段线路区段属于第i类的隶属度,M为线路区段数,隶属度矩阵U的行代表状态类别,1~M列分别对应第1~M段线路区段,U中每一列值最大的元素所在的行即为该区段对应的状态,代表故障类的那行中隶属度最大的那一列所对应的区段为故障的区段。通过隶属度矩阵U可确定分别隶属于这两类的线路区段,其中故障区段被单独分为一类,从而在无需设置阈值的情况下选出故障线路区段。以三个区段进行说明,若第2个区段为故障区段,令隶属度矩阵的第一行代表故障类别,第二行代表非故障类别,得到的隶属度矩阵如下:
通过上述隶属度矩阵可知,代表故障类别的第一行中,第二列的隶属度最大,为0.98,因此判定第二列所对应的第二区段为故障的区段。
本实施例还提供了一种配电网单相接地故障区段定位系统,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序,当处理器运行该计算机程序时,能够实现如上文所述的方法步骤。
本实施例还提供了一种计算机可读存储介质,其上存储有能够被处理器运行的计算机程序,当处理器运行该计算机程序时,实现如上文所述的方法步骤。
特别的,本实施例选取的测试样本和故障样本源于1000次配电网单相接地故障仿真数据,进行如下实验:
(1)拼接波形的构建
截取单相接地故障发生后的0.5个工频周波(100个采样点)的各检测节点零序电流的仿真波形。对系统中线路的区段首位两端检测节点的暂态零序电流波形进行波形拼接,对于一个区段,得到代表该线路区段的长度为200的一维序列。
(2)单相接地故障区段定位
根据上述内容,输入层的输入波形为1×200的拼接波形;卷积层1采用1×9的卷积核对输入波形进行卷积操作,卷积移动步长为1,输出6个1×72的特征波形;池化层1采用平均值池化方式,采样窗口为1×2,横纵步长分别为1和2,输出6个1×36的特征曲线,卷积层2采用1×9的卷积核对输入波形进行卷积操作,卷积移动步长为1,输出12个1×18的特征波形;池化层2采用平均值池化方式,采样窗口为1×2,横纵步长分别为1和2,输出12个1×14的特征曲线;全连接层将池化层输出的12个特征图按列展开,并以此堆叠,形成1×168的特征向量,并与输出层全连接;输出层输出一个1×2的类型判别向量。输入所有拼接波形后,可得隶属度矩阵U,取代表故障类别所在行中的隶属度最大值所在位置的编号作为最终判别的故障区段编号;设置每批迭代样本数量为10,迭代上限次数为100。本实施例的故障定位正确率为100%。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上所述,仅是本发明的较佳实施例而已,并非是对本发明作其它形式的限制,任何熟悉本专业的技术人员可能利用上述揭示的技术内容加以变更或改型为等同变化的等效实施例。但是凡是未脱离本发明技术方案内容,依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与改型,仍属于本发明技术方案的保护范围。
Claims (8)
1.一种配电网单相接地故障区段定位方法,其特征在于,包括以下步骤:
发生单相接地故障后,获取各检测节点的零序电流;
对各检测节点的故障后半个周波暂态零序电流进行波形拼接,构造表征线路区段的拼接波形;
采用训练好的的一维卷积神经网络进行故障区段定位。
2.根据权利要求1所述的一种配电网单相接地故障区段定位方法,其特征在于,判断是否发生单相接地故障采用以下方法:
采集线路的母线零序电压,若母线零序电压大于预设的阈值,则判定当前配电线路发生故障。
3.根据权利要求2所述的一种配电网单相接地故障区段定位方法,其特征在于,所述预设的阈值为额定相电压的15%。
4.根据权利要求1所述的一种配电网单相接地故障区段定位方法,其特征在于,所述对各检测节点的故障后半个周波暂态零序电流进行波形拼接,构造表征线路区段的拼接波形具体为:
步骤S11:采集配电线路上所有检测节点的故障后半周波暂态零序电流波形,并进行波形归一化处理;
步骤S12:经归一化后,将线路区段两端检测节点的故障后半周波暂态零序电流进行首尾拼接,获得表征该线路区段的拼接波形。
5.根据权利要求1所述的一种配电网单相接地故障区段定位方法,其特征在于,所述一维卷积神经网络采用7层神经网络,由输入至输出依次包括1个输入层、1个卷积层、1个池化层、1个卷积层、1个池化层、1个全连接层和1个输出层;通过利用反向传播算法对所述卷积神经网络进行训练。
6.根据权利要求1所述的一种配电网单相接地故障区段定位方法,其特征在于,所述采用训练好的的一维卷积神经网络进行故障区段定位具体为:
将各个区段的拼接波形分别输入到训练好的一维卷积神经网络中,分别得到每个区段对应的两个隶属度,分别用以表述属于故障类的概率以及属于非故障类的概率;
将获得的各个区段的隶属度组成隶属度矩阵,令该隶属度矩阵中的一行为属于故障类的隶属度,另一行为属于非故障类的隶属度;隶属度矩阵如下:
式中,uij表示第j段线路区段属于第i类的隶属度,M为线路区段数,隶属度矩阵U的行代表状态类别,1~M列分别对应第1~M段线路区段,U中每一列值最大的元素所在的行即为该区段对应的状态,代表故障类的那行中隶属度最大的那一列所对应的区段为故障的区段。
7.一种配电网单相接地故障区段定位系统,其特征在于,包括存储器、处理器以及存储于存储器上并能够被处理器运行的计算机程序,当处理器运行该计算机程序时,能够实现如权利要求1-6任一项所述的方法步骤。
8.一种计算机可读存储介质,其特征在于,其上存储有能够被处理器运行的计算机程序,当处理器运行该计算机程序时,实现如权利要求1-6任一项所述的方法步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058245.1A CN112180217A (zh) | 2020-09-30 | 2020-09-30 | 一种配电网单相接地故障区段定位方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011058245.1A CN112180217A (zh) | 2020-09-30 | 2020-09-30 | 一种配电网单相接地故障区段定位方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112180217A true CN112180217A (zh) | 2021-01-05 |
Family
ID=73945518
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011058245.1A Pending CN112180217A (zh) | 2020-09-30 | 2020-09-30 | 一种配电网单相接地故障区段定位方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112180217A (zh) |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904145A (zh) * | 2021-01-22 | 2021-06-04 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
CN113406439A (zh) * | 2021-06-23 | 2021-09-17 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种配电网故障定位方法 |
CN113533904A (zh) * | 2021-07-21 | 2021-10-22 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障检测方法、装置、设备和介质 |
CN113762412A (zh) * | 2021-09-26 | 2021-12-07 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障识别方法、系统、终端及介质 |
CN115047296A (zh) * | 2022-08-15 | 2022-09-13 | 四川轻化工大学 | 一种配电网故障区段定位方法 |
GB2611306A (en) * | 2021-09-29 | 2023-04-05 | Siemens Mobility Ltd | Calculation of more accurately estimated location of ground fault short circuits in complex railway power supply arrangements |
Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050231208A1 (en) * | 2004-04-15 | 2005-10-20 | Stephen Wieland | Non-load driven fault monitor for electrical circuits |
CN1696724A (zh) * | 2005-05-09 | 2005-11-16 | 昆明理工大学 | 一种消弧线圈接地系统故障选线自适应方法 |
JP2006246579A (ja) * | 2005-03-01 | 2006-09-14 | Tokyo Electric Power Co Inc:The | 電力用ケーブルの補修方法 |
US20080239763A1 (en) * | 2007-03-28 | 2008-10-02 | Mccollough Norman | Method and apparatus for quasi-resonant current mode power conversion |
CN103439634A (zh) * | 2013-09-02 | 2013-12-11 | 北京四方继保自动化股份有限公司 | 一种利用接地时刻零序电流暂态极性特征进行故障选线的方法 |
CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
WO2014004881A1 (en) * | 2012-06-27 | 2014-01-03 | Centurylink Intellectual Property Llc | Use of dying gasp to locate faults in communications networks |
CN103941162A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 利用波形时域特征聚类的谐振接地系统故障选线方法 |
CN107271845A (zh) * | 2017-06-20 | 2017-10-20 | 广东电网有限责任公司中山供电局 | 一种保护故障信息管理系统的在线测距方法 |
CN108008236A (zh) * | 2017-11-28 | 2018-05-08 | 平玥 | 一种检测电力设备故障的方法 |
CN108020754A (zh) * | 2017-11-24 | 2018-05-11 | 山东理工大学 | 基于波形重构的单端行波故障测距方法 |
CN108107324A (zh) * | 2017-12-22 | 2018-06-01 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
CN108510005A (zh) * | 2018-04-08 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的配电网高阻接地故障识别方法 |
CN108957244A (zh) * | 2018-08-31 | 2018-12-07 | 东方电子股份有限公司 | 一种配网主站单相接地故障选线定位方法 |
CN109239527A (zh) * | 2018-09-07 | 2019-01-18 | 福州大学 | 基于深度置信网络的配电网故障识别方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN110428400A (zh) * | 2019-07-09 | 2019-11-08 | 北京百分点信息科技有限公司 | 一种设备故障的定位方法、装置、设备及存储介质 |
CN110426596A (zh) * | 2019-09-11 | 2019-11-08 | 山东职业学院 | 一种分布式配电线路单相接地故障区段定位方法 |
CN111242225A (zh) * | 2020-01-16 | 2020-06-05 | 南京邮电大学 | 一种基于卷积神经网络的故障检测与诊断方法 |
CN111474442A (zh) * | 2020-03-30 | 2020-07-31 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及系统 |
CN111487505A (zh) * | 2020-05-13 | 2020-08-04 | 国网山东省电力公司泰安供电公司 | 配电线路单相接地故障分界方法、系统、终端及存储介质 |
CN111665413A (zh) * | 2019-03-06 | 2020-09-15 | 国网江西省电力有限公司电力科学研究院 | 一种配电线路单相接地故障区段定位方法 |
-
2020
- 2020-09-30 CN CN202011058245.1A patent/CN112180217A/zh active Pending
Patent Citations (23)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050231208A1 (en) * | 2004-04-15 | 2005-10-20 | Stephen Wieland | Non-load driven fault monitor for electrical circuits |
JP2006246579A (ja) * | 2005-03-01 | 2006-09-14 | Tokyo Electric Power Co Inc:The | 電力用ケーブルの補修方法 |
CN1696724A (zh) * | 2005-05-09 | 2005-11-16 | 昆明理工大学 | 一种消弧线圈接地系统故障选线自适应方法 |
US20080239763A1 (en) * | 2007-03-28 | 2008-10-02 | Mccollough Norman | Method and apparatus for quasi-resonant current mode power conversion |
WO2014004881A1 (en) * | 2012-06-27 | 2014-01-03 | Centurylink Intellectual Property Llc | Use of dying gasp to locate faults in communications networks |
CN103439634A (zh) * | 2013-09-02 | 2013-12-11 | 北京四方继保自动化股份有限公司 | 一种利用接地时刻零序电流暂态极性特征进行故障选线的方法 |
CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
CN103941162A (zh) * | 2014-05-12 | 2014-07-23 | 福州大学 | 利用波形时域特征聚类的谐振接地系统故障选线方法 |
CN107271845A (zh) * | 2017-06-20 | 2017-10-20 | 广东电网有限责任公司中山供电局 | 一种保护故障信息管理系统的在线测距方法 |
CN108020754A (zh) * | 2017-11-24 | 2018-05-11 | 山东理工大学 | 基于波形重构的单端行波故障测距方法 |
CN108008236A (zh) * | 2017-11-28 | 2018-05-08 | 平玥 | 一种检测电力设备故障的方法 |
CN108107324A (zh) * | 2017-12-22 | 2018-06-01 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
CN108510005A (zh) * | 2018-04-08 | 2018-09-07 | 福州大学 | 一种基于卷积神经网络的配电网高阻接地故障识别方法 |
CN108957244A (zh) * | 2018-08-31 | 2018-12-07 | 东方电子股份有限公司 | 一种配网主站单相接地故障选线定位方法 |
CN109325526A (zh) * | 2018-09-05 | 2019-02-12 | 福州大学 | 一种采用卷积深度置信网络的配电网故障分类方法 |
CN109239527A (zh) * | 2018-09-07 | 2019-01-18 | 福州大学 | 基于深度置信网络的配电网故障识别方法 |
CN111665413A (zh) * | 2019-03-06 | 2020-09-15 | 国网江西省电力有限公司电力科学研究院 | 一种配电线路单相接地故障区段定位方法 |
CN110428400A (zh) * | 2019-07-09 | 2019-11-08 | 北京百分点信息科技有限公司 | 一种设备故障的定位方法、装置、设备及存储介质 |
CN110426596A (zh) * | 2019-09-11 | 2019-11-08 | 山东职业学院 | 一种分布式配电线路单相接地故障区段定位方法 |
CN111242225A (zh) * | 2020-01-16 | 2020-06-05 | 南京邮电大学 | 一种基于卷积神经网络的故障检测与诊断方法 |
CN111474442A (zh) * | 2020-03-30 | 2020-07-31 | 国网山东省电力公司德州供电公司 | 一种配电网单相接地故障定位方法及系统 |
CN111487505A (zh) * | 2020-05-13 | 2020-08-04 | 国网山东省电力公司泰安供电公司 | 配电线路单相接地故障分界方法、系统、终端及存储介质 |
Non-Patent Citations (4)
Title |
---|
H. HIZMAN等: "Fault section identification and location on a distribution feeder using travelling waves", 《 IEEE POWER ENGINEERING SOCIETY SUMMER MEETING》 * |
MOU-FA GUO等: "Location of Single-Line-to-Ground Fault Using 1-D Convolutional Neural Network and Waveform Concatenation in Resonant Grounding Distribution Systems", 《 IEEE TRANSACTIONS ON INSTRUMENTATION AND MEASUREMENT》 * |
徐子华等: "含分布式电源的配电网故障区间定位研究", 《电力系统保护与控制》 * |
洪翠等: "基于卷积深度置信网络的配电网故障分类方法", 《电力自动化设备》 * |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112904145A (zh) * | 2021-01-22 | 2021-06-04 | 福州大学 | 一种配电网单相接地故障区段定位方法及系统 |
CN113406439A (zh) * | 2021-06-23 | 2021-09-17 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 一种配电网故障定位方法 |
CN113533904A (zh) * | 2021-07-21 | 2021-10-22 | 南方电网科学研究院有限责任公司 | 一种配电网高阻接地故障检测方法、装置、设备和介质 |
CN113762412A (zh) * | 2021-09-26 | 2021-12-07 | 国网四川省电力公司电力科学研究院 | 一种配电网单相接地故障识别方法、系统、终端及介质 |
GB2611306A (en) * | 2021-09-29 | 2023-04-05 | Siemens Mobility Ltd | Calculation of more accurately estimated location of ground fault short circuits in complex railway power supply arrangements |
WO2023052540A1 (en) * | 2021-09-29 | 2023-04-06 | Siemens Mobility Limited | Calculation of more accurately estimated location of ground fault short circuits in complex railway power supply arrangements |
GB2611306B (en) * | 2021-09-29 | 2024-01-03 | Siemens Mobility Ltd | Calculation of more accurately estimated location of ground fault short circuits in complex railway power supply arrangements |
CN115047296A (zh) * | 2022-08-15 | 2022-09-13 | 四川轻化工大学 | 一种配电网故障区段定位方法 |
CN115047296B (zh) * | 2022-08-15 | 2022-10-25 | 四川轻化工大学 | 一种配电网故障区段定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112180217A (zh) | 一种配电网单相接地故障区段定位方法及系统 | |
CN108279364B (zh) | 基于卷积神经网络的配电网单相接地故障选线方法 | |
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN111474442B (zh) | 一种配电网单相接地故障定位方法及系统 | |
CN108120903B (zh) | 一种基于脉冲神经膜系统的小电流单相接地故障选线方法 | |
Jamehbozorg et al. | A decision-tree-based method for fault classification in single-circuit transmission lines | |
CN112149554B (zh) | 故障分类模型的训练、故障检测方法及相关装置 | |
CN106932686B (zh) | 基于最大最小特征值法的电网异常快速检测方法 | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及系统 | |
CN106203531A (zh) | 一种基于卷积稀疏自动编码器的输电线故障分类方法 | |
CN103177188A (zh) | 一种基于特征映射的电力系统负荷动特性分类方法 | |
CN110672905A (zh) | 基于cnn的自监督电压暂降源辨识方法 | |
Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
CN116401532B (zh) | 一种电力系统受扰后频率失稳识别方法及系统 | |
CN117272143A (zh) | 基于格拉姆角场与残差网络的输电线故障辨识方法和装置 | |
CN115587329A (zh) | 基于卷积神经网络提取特征的配电网故障分类方法及系统 | |
CN115275990A (zh) | 一种用于区域电网宽频振荡风险的评估方法与系统 | |
CN114266396A (zh) | 一种基于电网特征智能筛选的暂态稳定判别方法 | |
CN117630569A (zh) | 一种基于gru神经网络的小电流单相接地故障多判据融合选线方法 | |
CN113945862A (zh) | 一种配电网高阻接地故障识别方法、装置及设备 | |
CN113092933A (zh) | 一种基于lstm的单相接地故障选线方法及系统 | |
Kou et al. | Transmission line fault identification based on BP neural network | |
CN114966324B (zh) | 一种基于改进变分模态分解的单相接地故障定位方法 | |
CN115980515A (zh) | 一种单相接地故障定位方法 | |
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 |
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: 20210105 |
|
RJ01 | Rejection of invention patent application after publication |