CN112946425A - 一种利用深度学习挖掘行波时-频域特征的故障定位方法 - Google Patents
一种利用深度学习挖掘行波时-频域特征的故障定位方法 Download PDFInfo
- Publication number
- CN112946425A CN112946425A CN202110178000.0A CN202110178000A CN112946425A CN 112946425 A CN112946425 A CN 112946425A CN 202110178000 A CN202110178000 A CN 202110178000A CN 112946425 A CN112946425 A CN 112946425A
- Authority
- CN
- China
- Prior art keywords
- fault
- traveling wave
- frequency domain
- time
- neural network
- 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
- G01R31/085—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种利用深度学习挖掘行波时‑频域特征的故障定位方法,涉及电力系统技术领域,具体包括以下步骤:获取各种故障条件下的故障行波线模分量;对所述故障行波线模分量进行连续小波变换,获得故障行波时频域分布,作为深度学习的训练集和测试集;构建卷积神经网络,对所述卷积神经网络进行训练,得到所述故障行波时频域分布与故障位置的映射关系;将电网实际故障时记录的电压行波数据进行连续小波变换,获得实际故障行波时频域分布;将所述实际故障行波时频域分布输入到所述卷积神经网络中,得到精确故障点位置。本发明方法具有定位精度高、不依赖波头准确标定、无需选取波速度等优点。
Description
技术领域
本发明涉及电力系统领域,更具体的说是涉及一种利用深度学习挖掘行波时-频域特征的故障定位方法。
背景技术
在电力系统运行中,输电线路担负着电能输送分配的重要任务,当输电线路出现故障时,应快速查找故障点,以加快故障修复速度、减小停电损失。然而,高压输电线路距离长,人工巡线查找故障点的方法效率低下且可靠性不高。因此,研发准确可靠的输电线路故障定位方法,对保障电力系统安全运行具有重要意义。
故障行波响应速度快,不受分布式电容、系统振荡、互感器饱和等因素的影响,具有较为明显的技术优势,故障行波定位技术在理论上具有较高的定位精度,在输电线路中获得了广泛的应用。目前,故障行波定位方法主要分为以下两种:基于时域信息和基于频域信息;基于时域信息的行波定位方法,利用初始行波波头和第二反射波波头到达时刻计算故障位置,需要准确检测初始行波波头的幅值、极性和到达时刻,并正确辨识后续折、反射波形的性质,对采样率要求较高,特别在高阻接地故障或电压过零点故障时,难以检测微弱的波头信号;基于频域信息的行波定位方法,依据故障行波固有频率主成分与故障位置的函数关系进行故障定位,该方法的关键在于准确提取固有频率成分,但当电网拓扑结构复杂时,固有频率发生混叠,导致固有频率无法准确提取。
现有的行波定位方法仅基于时域信息或频域单一频段信息,导致行波定位可靠性较低,在高阻接地故障、电压过零点故障和检测点出口处故障,实际应用定位误差较大,甚至定位失败。因此,如何提取多次折反射过程中的故障行波时-频域故障特征,如何根据故障行波时-频域特征进行故障定位,仍是本领域技术人员亟待解决的问题。
发明内容
有鉴于此,本发明提供了一种利用深度学习挖掘行波时-频域特征的故障定位方法,有效提高了行波故障定位的可靠性和精度。
为了实现上述目的,本发明采用如下技术方案:一种利用深度学习挖掘行波时-频域特征的故障定位方法,具体包括以下步骤:
获取各种故障条件下的故障行波线模分量;
对所述故障行波线模分量进行连续小波变换,获得故障行波时频域分布,作为深度学习的训练集和测试集;
构建卷积神经网络,对所述卷积神经网络进行训练,得到所述故障行波时频域分布与故障位置的映射关系;
将电网实际故障时记录的电压行波数据进行连续小波变换,获得实际故障行波时频域分布;
将所述实际故障行波时频域分布输入到所述卷积神经网络中,得到精确故障点位置。
优选的,所述故障行波线模分量获取的具体步骤为:
在检测点收集输电线路上各个位置在各种故障条件下检测到的三相电压行波数据;
以故障发生后固定时间作为时间窗,将所述三相电压行波数据与未故障时的正常三相电压行波数据作差,获得三相电压故障分量;
对所述三相电压故障分量进行相模变换,得到所述故障行波线模分量。
优选的,对所述卷积神经网络进行训练的具体步骤为:
对所述故障行波时频域分布进行预处理,将RGB图像重构为灰度图像,打乱图像顺序,按照固定比例随机抽取图像划分所述训练集和测试集;
配置均方误差损失函数、Adam优化器,对所述卷积神经网络进行预训练,预训练完成后调整batch-size和epoch的参数;
对所述卷积神经网络再次进行训练,直到满足测试集误差小于固定值。
优选的,所述故障行波时频域分布与故障位置的映射关系是通过训练得出的网络权重与所述故障行波时频域分布的像素值组成的代数方程表示的,公式为:
L=f(∑(i,j)wijxij+bij);
其中,L表示故障距离,f表示非线性激活函数,xij表示输入图像(i,j) 位置的像素值,wij表示对应像素点的等效权重,bij表示偏置项。
经由上述的技术方案可知,与现有技术相比,本发明公开提供了一种利用深度学习挖掘行波时-频域特征的故障定位方法,具有以下有益的技术效果:
1、本发明的利用深度学习挖掘故障行波时-频域特征的故障定位方法,利用了固定时间窗内行波在故障线路多次折反射产生的故障信息,使用深度学习方法全面挖掘时频故障特征,建立时频故障特征与故障位置的映射关系,不依赖于单一特征实现定位。在高阻故障、过零点故障等难以提取时域特征的情况下,本方法依然可以提取充足的频域故障特征信息,充分考虑了行波的连续宽频带特性,能有效提高行波故障定位方法的可靠性和精度。
2、本发明的利用深度学习挖掘故障行波时-频域特征的故障定位方法,是针对行波多次折反射过程分析复杂、提取故障特征困难的问题,提出以数据驱动的深度学习方法,从大量故障样本中学习故障行波时频域特征,避免了人工提取故障特征的主观性和片面性,解决了行波复杂传输过程下提取故障特征难的问题。
3、本发明的利用深度学习挖掘故障行波时-频域特征的故障定位方法,以卷积神经网络构造连续回归模型,采用端对端模式,直接学习故障行波时频域分布与故障位置的映射关系,避免了基于物理模型的定位方法存在计算误差的问题,无需测量波速、标定波头或提取单个频率分量,利用故障行波时频域特征进行故障定位。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1附图为本发明方法的流程示意图;
图2附图为本发明在PSCAD软件中搭建的输电线路模型图;
图3附图为本发明获取的故障行波时频域分布图;
图4附图为本发明的卷积网络结构示意图;
图5附图为本发明实例中故障点靠近检测点时的小波变换模极大值图;
图6附图为本发明实例中故障初相角为1.5°时的小波变换模极大值图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明实施例公开了一种利用深度学习挖掘行波时-频域特征的故障定位方法,如图1所示为本发明方法的流程图,包括以下步骤:
步骤一:获取各种故障条件下的故障行波线模分量。
具体的,在检测点收集输电线路上各个位置在各种故障条件下检测到的三相电压行波数据;
以故障发生后3ms时间作为时间窗,将三相电压行波数据与未故障时的正常三相电压行波数据作差,获得三相电压故障分量;
对三相电压故障分量进行相模变换,得到故障行波线模分量。
本实施例中,在PSCAD仿真软件中搭建图1所示模型。每隔500米设置一个故障,故障点参数包括:过渡电阻R(0.01Ω、10Ω、100Ω、150Ω、200 Ω、250Ω、300Ω)、故障初相角(1.5°、30°、60°、90°、181.5°、210°、 240°、270°),故障类型包括:AG、ABG、BCG、ACG、ABCG、AB、 BC,设计控制信号,获得上述故障条件相互组合下的三相电压数据。在PSCAD 中搭建一条相同的无故障线路,有故障线路所测的三相电压行波数据减去无故障线路测得的正常三相电压行波数据即为三相电压故障分量,并利用 PSCAD中的加法器、乘法器元件搭建相模变换元件,获得故障行波线模分量。
步骤二:对故障行波线模分量进行连续小波变换,获得故障行波时频域分布,作为深度学习的训练集和测试集。
如图3所示为本发明实施例获取的故障行波时频域分布,即MN线路上距离检测母线M60km处发生AC两相短路接地故障,故障电阻为0.01Ω、故障初相角为90°时的故障行波时频域分布。
步骤三:构建卷积神经网络,对卷积神经网络进行训练,得到故障行波时频域分布与故障位置的映射关系。
具体的,如图4所示为本发明的卷积神经网络结构图,使用Tensorflow 框架搭建卷积神经网络,卷积神经网络结构为:
卷积层#1→池化层#1→卷积层#2→池化层#2→卷积层#3→池化层#3→全连接层→输出层;
其中卷积层#1选择尺寸为(6,3,3)的卷积核,使用rulu激活函数,步长为1,使用全0填充;池化层#1选择尺寸为(2,2)的池化核,步长为2,使用全0填充;卷积层#2选择尺寸为(12,3,3)的卷积核,使用relu激活函数,步长为1,使用全0填充;池化层#2参数同池化层#1;卷积层#3选择尺寸为(24,2,2)的卷积核,使用relu激活函数,步长为1,使用全0填充;池化层#3参数同池化层#1;全连接层共含神经元20个,输出层含神经元1个。
各层卷积核的通道数为6、12、24。由于池化层的作用,每个池化层输出图像尺寸减半,每层的输出图像所包含的信息量减少,故卷积核的通道数随层数增加而翻倍,以保证深层输出仍包含足够的故障信息量。
各层卷积核的单通道尺寸为(3,3)、(3,3)、(2,2)。故障行波各次波头到达时刻可以有效表征故障距离,可知卷积核必须具备精确捕捉各次波头到达时刻的能力。该能力反映在故障行波时频域分布上,即为必须能捕捉到最高频频率分量在时域上的位置,结合初始输入图像大小为(224, 224),前两个卷积核单通道尺寸应为(3,3),最后一层的卷积核可适当减小尺寸,这里定为(2,2),可以有效捕捉到最高频频率分量在时域上的出现位置。
对故障行波时频域分布样本集进行预处理,图像大小设置为(224,224),将RGB图像重构为灰度图像,打乱图像顺序,以训练集:测试集=4:1的比例随机抽取图像划分训练集和测试集。
配置均方误差损失函数、Adam优化器,batch_size参数设置为64,epoch 参数设置为30,对卷积神经网络进行预训练。预训练完成后调整batch_size 参数为128,epoch参数为5,对卷积神经网络再次进行训练,直到满足测试集误差小于0.3km。
步骤四:将电网实际故障时记录的电压行波数据进行连续小波变换,获得实际故障行波时频域分布。
步骤五:将实际故障行波时频域分布输入到卷积神经网络中,得到精确故障点位置。
具体的,如图2所示,在一个具体应用实例中,行波检测装置装设在母线M处,将线路MN上距离母线M27km、33.5km、54km、56.5km、59km处故障的故障行波时频域分布输入训练好的卷积神经网络,网络定位结果如表1 所示;
表1
从表1可知,本发明的利用深度学习挖掘故障行波时-频域特征的故障定位方法有较高的定位精度。
为体现本发明的创新性,将本发明的利用深度学习挖掘故障行波时-频域特征的故障定位方法与传统的基于小波变换模极大值的单端故障定位方法作比较。
故障行波在故障点产生,并向线路两侧传播,当行波到达检测点时,检测点电压将发生突变,对故障行波进行小波变换,小波系数的极大值点与故障行波各次波头到达时刻一一对应,因此小波变换可以提取到初始行波和第二反射波头到达时刻,再结合波速度即可求得故障距离。表2展示了故障发生在临近检测点位置和远离检测点位置的故障定位结果。
表2
其中M1代表本发明方法,M2代表传统方法。由于近故障点位置时,初始行波和第二反射波头相隔太近,导致两个波头对应模极大值发生混叠,如图5所示,前两个波头模极大值均处于50个采样点(0.1ms)之内,且混叠严重,无法分别提取到初始行波和第二反射波头到达时刻导致定位失败。在远离检测点位置故障时,由于传统方法没有考虑色散特性,定位效果较差。本发明采用故障行波时频域分布,充分展现了行波传输过程中的色散特性,定位效果较好。图6展示了故障初相角为1.5°、故障距离为20km时的小波变换模极大值,由图可见第二反射波的小波变换模极大值为0.001934,按此波头对应时刻计算故障距离为19.487km,故障误差为513m,误差较大。更为重要的是,如此小的模极大值在实际现场存在噪声干扰下可能检测不到,导致定位失败。而用本发明所提方法进行定位,定位结果为19.894km,定位误差为106m,明显优于传统方法。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。对于实施例公开的装置而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
对所公开的实施例的上述说明,使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种利用深度学习挖掘行波时-频域特征的故障定位方法,其特征在于,具体包括以下步骤:
获取各种故障条件下的故障行波线模分量;
对所述故障行波线模分量进行连续小波变换,获得故障行波时频域分布,作为深度学习的训练集和测试集;
构建卷积神经网络,对所述卷积神经网络进行训练,得到所述故障行波时频域分布与故障位置的映射关系;
将电网实际故障时记录的电压行波数据进行连续小波变换,获得实际故障行波时频域分布;
将所述实际故障行波时频域分布输入到所述卷积神经网络中,得到精确故障点位置。
2.根据权利要求1所述的一种利用深度学习挖掘行波时-频域特征的故障定位方法,其特征在于,所述故障行波线模分量获取的具体步骤为:
在检测点收集输电线路上各个位置在各种故障条件下检测到的三相电压行波数据;
以故障发生后固定时间作为时间窗,将所述三相电压行波数据与未故障时的正常三相电压行波数据作差,获得三相电压故障分量;
对所述三相电压故障分量进行相模变换,得到所述故障行波线模分量。
3.根据权利要求1所述的一种利用深度学习挖掘行波时-频域特征的故障定位方法,其特征在于,对所述卷积神经网络进行训练的具体步骤为:
对所述故障行波时频域分布进行预处理,将RGB图像重构为灰度图像,打乱图像顺序,按照固定比例随机抽取图像划分所述训练集和测试集;
配置均方误差损失函数、Adam优化器,对所述卷积神经网络进行预训练,预训练完成后调整batch-size和epoch的参数;
对所述卷积神经网络再次进行训练,直到满足测试集误差小于固定值。
4.根据权利要求1所述的一种利用深度学习挖掘行波时-频域特征的故障定位方法,其特征在于,所述故障行波时频域分布与故障位置的映射关系通过训练得出的网络权重与所述故障行波时频域分布的像素值组成的代数方程表示,公式为:
L=f(∑(i,j)wijxij+bij);
其中,L表示故障距离,f表示非线性激活函数,xij表示输入图像(i,j)位置的像素值,wij表示对应像素点的等效权重,bij表示偏置项。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178000.0A CN112946425A (zh) | 2021-02-08 | 2021-02-08 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110178000.0A CN112946425A (zh) | 2021-02-08 | 2021-02-08 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112946425A true CN112946425A (zh) | 2021-06-11 |
Family
ID=76244744
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110178000.0A Pending CN112946425A (zh) | 2021-02-08 | 2021-02-08 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112946425A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113985194A (zh) * | 2021-09-28 | 2022-01-28 | 广西电网有限责任公司电力科学研究院 | 一种基于堆栈自编码器的配电网故障定位方法 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923139A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 一种输电线路单端行波故障测距智能方法 |
CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
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 |
EP3207384A1 (en) * | 2014-10-14 | 2017-08-23 | AT&T Intellectual Property I, L.P. | Method and apparatus for adjusting a mode of communication in a communication network |
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 |
CN109633271A (zh) * | 2019-01-17 | 2019-04-16 | 长沙理工大学 | 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 |
CN110376490A (zh) * | 2019-08-14 | 2019-10-25 | 山东大学 | 基于同步挤压小波变换的高压直流输电线路故障测距方法 |
CN110969194A (zh) * | 2019-11-21 | 2020-04-07 | 国网辽宁省电力有限公司电力科学研究院 | 基于改进型卷积神经网络的电缆早期故障定位方法 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111880045A (zh) * | 2020-07-21 | 2020-11-03 | 长沙理工大学 | 基于行波全波形的高阻接地故障检测方法 |
-
2021
- 2021-02-08 CN CN202110178000.0A patent/CN112946425A/zh active Pending
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101923139A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 一种输电线路单端行波故障测距智能方法 |
CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
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 |
EP3207384A1 (en) * | 2014-10-14 | 2017-08-23 | AT&T Intellectual Property I, L.P. | Method and apparatus for adjusting a mode of communication in a communication network |
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 |
CN109633271A (zh) * | 2019-01-17 | 2019-04-16 | 长沙理工大学 | 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 |
CN110376490A (zh) * | 2019-08-14 | 2019-10-25 | 山东大学 | 基于同步挤压小波变换的高压直流输电线路故障测距方法 |
CN110969194A (zh) * | 2019-11-21 | 2020-04-07 | 国网辽宁省电力有限公司电力科学研究院 | 基于改进型卷积神经网络的电缆早期故障定位方法 |
CN111160171A (zh) * | 2019-12-19 | 2020-05-15 | 哈尔滨工程大学 | 一种联合两域多特征的辐射源信号识别方法 |
CN111880045A (zh) * | 2020-07-21 | 2020-11-03 | 长沙理工大学 | 基于行波全波形的高阻接地故障检测方法 |
Non-Patent Citations (2)
Title |
---|
邓丰 等: "基于全波形信息的混联线路单端行波定位方法", 《电工技术学报》 * |
陈仕龙等: "一种特高压直流输电线路神经网络双端故障测距新方法", 《电工技术学报》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
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 |
CN113985194A (zh) * | 2021-09-28 | 2022-01-28 | 广西电网有限责任公司电力科学研究院 | 一种基于堆栈自编码器的配电网故障定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108279364B (zh) | 基于卷积神经网络的配电网单相接地故障选线方法 | |
CN101907437B (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN103728535B (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
Shu et al. | Single-ended fault location for hybrid feeders based on characteristic distribution of traveling wave along a line | |
CN107909118B (zh) | 一种基于深度神经网络的配电网工况录波分类方法 | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN113109669B (zh) | 一种基于行波特征频率的配电网混联线路故障定位方法 | |
CN112946425A (zh) | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
CN108154223B (zh) | 基于网络拓扑及长时序信息的配电网工况录波分类方法 | |
CN109142851A (zh) | 一种新型的配电网内部过电压识别方法 | |
CN104880648B (zh) | 架空线配电网单相接地故障的测距方法 | |
CN103439631A (zh) | 接地网腐蚀状态检测方法及系统 | |
CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
CN114021433B (zh) | 一种电力系统的主导失稳模式识别模型的构建方法及应用 | |
CN112114232A (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
CN103018632A (zh) | 基于费歇信息的小电流接地系统单相接地故障选线方法 | |
CN115494341A (zh) | 基于ielm-vmd算法的配电网故障测距方法及系统 | |
Li et al. | A single-phase-to-ground fault location method based on convolutional deep belief network | |
CN114137358B (zh) | 一种基于图卷积神经网络的输电线路故障诊断方法 | |
CN108181059A (zh) | 基于小波信号的多相流管道泄漏声波信号识别方法 | |
CN114966320A (zh) | 一种基于深度学习的单端故障行波测距新算法 | |
CN107462810A (zh) | 一种适用于有源配电网的故障区段定位方法 | |
CN113610119A (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210611 |