CN113075498A - 一种基于残差聚类的配电网行波故障定位方法和系统 - Google Patents
一种基于残差聚类的配电网行波故障定位方法和系统 Download PDFInfo
- Publication number
- CN113075498A CN113075498A CN202110252570.XA CN202110252570A CN113075498A CN 113075498 A CN113075498 A CN 113075498A CN 202110252570 A CN202110252570 A CN 202110252570A CN 113075498 A CN113075498 A CN 113075498A
- Authority
- CN
- China
- Prior art keywords
- fault
- traveling wave
- clustering
- 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.)
- Granted
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
-
- 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)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于残差聚类的配电网行波故障定位方法和系统,属于配电网故障检测领域。本发明将可能受到时间误差影响的数据纳入故障区段的残差,再利用DBSCAN算法对故障区段的残差聚类分组,辨识受时间误差影响的不良数据,利用余下的正常数据重新构建优化模型并计算最优解,修正故障定位结果,该方法对时间误差具有强鲁邦性,不受故障条件及分布式电源影响,具有较高的定位精度和可靠性。此外,还利用区段最小残差平方和进行故障区段定位,由于在识别故障区段时,将波速作为未知量进行求解,故障区段的判定结果不受波速误差的影响,具有较高的可靠性。同时,在识别过程中得到与故障区段对应的一组残差,为利用DBSCAN算法实现残差聚类提供了基础。
Description
技术领域
本发明属于配电网故障检测领域,更具体地,涉及一种基于残差聚类的配电网行波故障定位方法和系统。
背景技术
配电网快速、准确的故障定位是加快故障恢复和减少停电时间的关键,对提升电力系统稳定性和供电可靠性具有重要意义。近年来,世界各地的配电系统已经商业化使用分布式能源资源(DERs)。随着DERs和电力电子装置的大规模并网,传统配电网的“径向”结构和无源特性不复存在,电网中部分馈线的功率流向可能由单向改变为双向,故障特征与传统的旋转电机系统有很大的不同,直接导致过电流保护的定值错误和动作配合失效,使配电网的保护和故障定位更加复杂。
目前配电网故障定位方法主要有两种:阻抗法和行波法。阻抗法易受网络结构,CT饱和,线路参数和三相负载不对称的影响,导致阻抗法的定位精确度较低。行波法不受CT饱和,故障条件和负载情况的影响,具有较高的定位精度和明显的理论优势。随着无线通信、PMU测量装置和信号处理技术的发展,行波法体现出巨大的应用潜力。更重要的是,行波法对DERs具有较好的适用性,故障初始行波不受DERs及其控制策略的影响。
由于配电网的拓扑结构复杂且分支众多,定位难度较高。此外,行波波速接近光速,微小的行波到达时间误差就可能导致巨大的定位误差。现有的行波定位方法对时间误差的耐受能力较弱,可能造成定位失败。上述问题影响了配电网行波故障精确定位技术的定位精度和可靠性,限制了该技术的实际工程应用。
发明内容
针对现有技术的以上缺陷或改进需求,本发明提供了一种基于残差聚类的配电网行波故障定位方法和系统,其目的在于解决现有配电网行波故障定位方法对时间误差的鲁棒性弱,定位结果的精度和可靠性低的技术问题。
为实现上述目的,本发明提供了一种基于残差聚类的配电网行波故障定位方法,包括:
S1.提取故障初始行波到达时间;
S2.故障区段定位;
S3.对故障区段的所有残差执行DBSCAN聚类;其中,故障区段的残差定义为:Rxy表示残差,和分别为节点Bj距离行波检测器Dx和Dy的距离;Tx和Ty分别为行波检测器Dx和Dy测量的故障初始行波到达时间,v表示波速;l表示故障距离,dxy是与检测器位置有关的0-1系数;
S4.选择聚类结果中均值最小的簇,利用该簇中的数据计算得到行波波速和故障距离。
进一步地,步骤S2具体包括:
01.以波速、故障距离作为决策变量,以各个区段的残差平方和最小为目标函数,对配电网中的每个区段构建优化模型;优化模型构建公式为:
其中,表示任意区段BiBj的最小残差平方和,n为行波检测器数量;C(n,2)为任选两个行波检测器的组合数量,Rxy表示残差,和分别为节点Bj距离行波检测器Dx和Dy的距离;Tx和Ty分别为行波检测器Dx和Dy测量的故障初始行波到达时间,v表示波速;l表示故障距离,dxy是与检测器位置有关的0-1系数,Su为节点Bi直接连接的上游部分包含的行波检测器集合,Sd为与节点Bj直接连接的下游部分包含的行波检测器集合,vc为光速;为区段BiBj的长度;
02.将配电网所有区段中最小残差平方和最小的区段判定为故障区段,对应公式为:
其中,MN为故障区段;最优解[v,l]分别表示波速和故障距离的初始解。
进一步地,DBSCAN聚类过程中的个数阈值MinPts计算公式为:
进一步地,当检测器数量小于10时,MinPts取值为4。
进一步地,DBSCAN聚类过程中的邻域距离阈值Eps计算公式为:
Eps=max(disMinPts)-0.9[max(disMinPts)-min(disMinPts)]
其中,disMinPts(q)表示样本Rq与距离样本Rq最近的第MinPts个样本之间的距离,样本Rq表示故障区段的残差。
进一步地,步骤S4具体为,
利用聚类结果中均值最小的簇构建故障区段优化模型:
计算该模型的最优解,得到行波波速和故障距离的修正解[v′,l′];
其中,H为均值最小的簇存在的样本个数,SH为聚类结果中均值最小的簇,LMN为区段MN的长度。
总体而言,通过本发明所构思的以上技术方案与现有技术相比,能够取得下列有益效果。
(1)本发明首先将可能受到时间误差影响的数据纳入故障区段的残差,进一步利用DBSCAN算法对故障区段的残差聚类分组,辨识受时间误差影响的不良数据,利用余下的正常数据重新构建优化模型并计算最优解,修正故障定位结果,该方法对时间误差具有强鲁邦性,不受行波波速、故障条件及分布式电源影响,具有较高的定位精度和可靠性。
(2)本发明还提供了一种故障区段定位方法,具体地,通过在故障发生后利用故障初始行波到达时间对每个区段构建最小化优化模型,其目标函数代表最小残差平方和,最优解分别代表行波波速与故障距离,然后求解各优化模型,将配电网所有区段中最小残差平方和最小的区段判定为故障区段,该方法在识别故障区段时,将波速作为未知量进行求解,故障区段的判定结果不受波速误差的影响,具有较高的可靠性。同时,在识别过程中得到与故障区段对应的一组残差,为利用DBSCAN算法实现残差聚类提供了基础。
附图说明
图1为本发明实施例提供的一种基于残差聚类的配电网行波故障定位方法的实现流程图;
图2为本发明的常规配电网系统及故障区段B9B2的网络划分结果;
图3为本发明的常规配电网系统及非故障区段B8B9的网络划分结果;
图4为本发明在PSCAD/EMTDC软件平台中搭建的配电网仿真测试系统;
图5中(a)为本发明实例中f1处故障时,检测器D1~D8的行波到达时间图,(b)为检测器D9~D16的行波到达时间图;
图6为本发明实例中f1处故障时,各区段的最小残差平方和的计算结果图;
图7为本发明实施例f1处故障时,故障区段的残差聚类结果图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明。此外,下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
本发明提供一种基于残差聚类的配电网行波故障定位方法,如图1所示,基于残差聚类的配电网行波故障定位方法包括:
S1:故障发生后,配电网中各同步相量测量装置D-PMU测量装置启动、采集线模电压行波信号,记录故障初始行波到达时间。所述D-PMU测量装置位于配电网的网络末端。
本发明对故障初始行波到达时间提取方式不作限制。可选地,首先选定奈奎斯特频率fs,对各D-PMU采集的线模行波执行广义S变换,并提取该频率fs下的行波到达时间。
S2.故障区段定位;
本发明对故障区段定位过程不作限制;优选地,步骤S2具体包括:
01.以波速、故障距离作为决策变量,以各个区段的残差平方和最小为目标函数,对配电网中的每个区段构建优化模型;优化模型构建公式为:
其中,表示任意区段BiBj的最小残差平方和,n为行波检测器数量;C(n,2)为任选两个行波检测器的组合数量,Rxy表示残差,和分别为节点Bj距离行波检测器Dx和Dy的距离;Tx和Ty分别为行波检测器Dx和Dy测量的故障初始行波到达时间,v表示波速;l表示故障距离,dxy是与检测器位置有关的0-1系数,Su为节点Bi直接连接的上游部分包含的行波检测器集合,Sd为与节点Bj直接连接的下游部分包含的行波检测器集合,vc为光速;为区段BiBj的长度;
以图2所示的配电网拓扑结构为例,共有16个端点、12个分支点和27个区段,共安装16个D-PMU。各检测器的编号与端点的编号相同。当故障点f位于区段B9B2上时,应当理解,本发明的故障精确定位方法可适用于任何区段上发生的故障,并不仅限于图2所示的故障情况。
故障区段B9B2的网络划分结果如图2所示。Su包含检测器{D3,D4,D5,D6,D7};Sd包含检测器{D1,D2,D8,D9,D10,D11,D12,D13,D14,D15,D16}。构建优化模型:
该优化模型是带约束的凸优化问题,不存在局部最优解。当不考虑时间误差时,决策变量[v,l]的最优解为:
式中vwave为理想的线模行波波速;为故障点f距下游节点B2的距离。将(3)代入(2)检验,可以发现,系数R均为0且目标函数的最小值也为0。残差在数理统计中指实际观测值与估计值之间的差,可以看作是误差的观测值。当估计值等于实际观测值时,残差为零。本发明将视为实际观测值;将v(Tx-Ty)+2ldxy视为基于决策变量[v,l]的估计值。在此基础上,可以将系数R的物理意义视为残差,将目标函数的物理意义视为最小残差平方和。当不存时间误差时,故障区段的各残差均为0。
对于非故障区段,以区段B8B9为例。此时,网络划分结果如图3所示,Su包含检测器{D3,D4,D5,D6};Sd包含检测器{D1,D2,D7,D8,D9,D10,D11,D12,D13,D14,D15,D16}。此时优化模型为:
观察图3,检测器D7位于故障点的上游,但被归入下游集合Sd,使优化模型的求解变的复杂。为便于分析,当不存在时间误差时,对区段B8B9的C(16,2)种检测器组合分情况讨论。
Case1:忽略检测器D7,利用余下的检测器构建子优化模型,共存在C(15,2)种组合。若不考虑约束条件,该子优化模型存在最小残差平方和为0的最优解:
Case2:当一个检测器为D7,另一个检测器属于Su时,共有4种检测器组合,系数dxy为1。该情况的子优化模型存在最小残差平方和为0的最优解:
Case3:一个检测器为D7,另一个检测器属于Sd,构建子优化模型。其中,系数dxy为0,存在11种组合。此时,该情况的子优化模型不存在最小残差平方和为0的最优解。对于每一种组合,残差为0的解各不相同且可能不满足约束条件,如(6)所示。
对比(4)~(6),当故障位置不是分支点B9时,三种情况的解互不相同且可能不满足约束。因此,非故障区段B8B9的最小残差平方和远大于0。
综上所述,故障区段的最小残差平方和远小于非故障区段的最小残差平方和。此外,由于估计值v(Tx-Ty)+2ldxy直接受行波到达时间Tx和Ty影响。因此残差Rxy能够直接反应行波到达时间的误差大小。
02.基于上述分析,将配电网所有区段中最小残差平方和最小的区段判定为故障区段,对应公式为:
其中,MN为故障区段;最优解[v,l]分别表示波速和故障距离的初始解。
该方法在识别故障区段时,将波速作为未知量进行求解,故障区段的判定结果不受波速误差的影响,具有较高的可靠性。同时,在识别过程中得到与故障区段对应的一组残差,为利用DBSCAN算法实现残差聚类提供了基础。
S3.对故障区段的所有残差执行DBSCAN聚类;
DBSCAN是密度聚类算法,基于样本分布的稠密程度聚类分组,无需预先设定簇的数量,能够有效处理噪声。具体地,该算法利用一组参数[Eps,MinPts]来描述样本分布的稠密程度。其中,Eps为邻域距离阈值,MinPts为样本个数的阈值。
传统的DBSCAN算法将MinPts设定为4,通过观察法选取Eps。然而观察法可靠性低,若选择的Eps过小,会导致正常的簇被分拆为多个,大量样本被误划分为噪声;若选择的Eps过大,会导致噪声被错误地归入到簇。因此,结合行波定位方法的应用背景,本发明提出了一种自适应的[Eps,MinPts]参数选取方法。
在已经识别出故障区段前提下,利用公式:
将故障区段的残差记为样本集SR:SR={R1 R2...Rq...RC(16,2)},对于样本Rq,查找与其距离最近的第MinPts个样本,将二者之间的距离记为disMinPts(q)。遍历SR中的样本得到距离集Sdis,Sdis={disMinPts(q):Rq∈SR}。利用公式:
Eps=max(disMinPts)-0.9[max(disMinPts)-min(disMinPts)] (9)
计算参数Eps。
利用计算得到的[Eps,MinPts]参数,对故障区段的所有残差执行DBSCAN聚类。
S4.选择聚类结果中均值最小的簇,利用该簇中的数据计算得到行波波速和故障距离。
聚类结果中均值最小的簇是正常数据,由此辨识受时间误差影响的不良数据,利用余下的正常数据重复构建优化模型并计算其最优解,得到误差修正后的精确定位结果。
具体的,利用公式重新构建优化模型:
利用粒子群优化算法或其他优化算法计算该模型的最优解,其中,均值最小的簇存在H个样本,SH为聚类结果中均值最小的簇,得到行波波速和故障距离的修正解[v′,l′],输出故障定位结果。
与传统的行波故障定位方法相比,本发明基于故障初始行波到达时间对所有区段构建优化模型,计算得到各区段的最优解和最小残差平方和。对比所有区段的最小残差平方和,将计算值最小的区段识别为故障区段。上述过程中将行波波速作为待求量,定位结果不受波速误差的影响。利用DBSCAN算法对故障区段的残差聚类分组,辨识受时间误差影响的不良数据,利用余下的正常数据重复构建优化模型并计算其最优解,得到误差修正后的精确定位结果,提高了定位结果对时间误差的耐受能力。仿真验证了本发明方法的可行性。
图4为本发明在PSCAD/EMTDC软件平台中搭建的配电网仿真测试系统。其中,线路总长36.234km,架空线路29.456km,电缆线路6.778km;DG代表分布式电源,渗透率达到35%;共有27个区段;在网络端点布置16个D-PMU,采样率为10MHz。利用PSCAD/EMTDC建立仿真模型,架空线路采用频变模型,设置非均匀换位以模拟线路参数不对称情况。对采集到的信号加入信噪比为40dB的高斯白噪声,模拟信号传输过程中噪声的影响。
在本发明实例中,以故障点f1为例,f1位于区段3(区段B2B3)上,距分支点B31027m。假设0.1253s时f1发生A相接地故障,故障角为60°,过渡电阻为500Ω。对相模变换后的线模电压执行广义S变换,变换结果和故障初始行波到达时间如图5(a)、图5(b)和表1所示。
表1故障初始行波到达时间
根据故障初始行波到达时间,计算各区段的最小残差平方和,计算结果如图6所示。由于非故障区段的数量级远大于故障区段,为便于图形展示,在不改变数值特征的前提下,将各区段的计算值转化为增益形式:
由图6可以看出,区段3的计算值A3为0,远小于其他区段。因而,将区段3识别为故障区段。利用残差聚类方法对故障区段的残差进行DBSCAN聚类,聚类结果如图7所示。从图7中可以看出,簇1的均值最小,是正常数据。提取簇1中的样本,按式(10)计算[v′,l′],修正故障定位结果。修正后的定位误差仅为3.454m,误差减小了64.31%。满足故障定位的精度要求。
故障点f2恰好位于分支点B4(区段4,5和17的交点),故障点f3位于区段26(区段B11D14)上,距分支点B11仅有100m。三种故障的定位结果如
表2所示,均满足故障定位的精度要求。
表2故障定位结果
以故障点f1为例,当仅有检测器D1的行波到达时间存在3μs、6μs、9μs和12μs的同步时间误差时,故障定位结果与误差分析如表3所示。
表3检测器D1存在同步时间误差时定位结果
仍以故障点f1为例,当若干检测器的行波到达时间存在同步时间误差时,对如下五种情况进行仿真验证:Case1:检测器D1和D2存在2μs的同步误差;Case2:检测器D1和D2存在4μs的同步误差;Case3:检测器D1、D2和D13存在4μs的同步误差;Case4:检测器D1、D2和D13存在6μs的同步误差;Case5:检测器D1、D2、D13和D15存在6μs的同步误差,故障定位结果与误差分析如表4所示。
表4若干检测器存在同步时间误差时定位结果
由表3和表4可以发现,修正后的定位结果准确度较高,绝对误差均小于100m。总体来看,残差聚类后定位结果的准确度得到大幅度提升,说明本发明对少数检测器存在同步时间误差具有较好的鲁棒性。
本领域的技术人员容易理解,以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明的保护范围之内。
Claims (7)
2.根据权利要求1所述的一种基于残差聚类的配电网行波故障定位方法,其特征在于,步骤S2具体包括:
01.以波速、故障距离作为决策变量,以各个区段的残差平方和最小为目标函数,对配电网中的每个区段构建优化模型;优化模型构建公式为:
其中,表示任意区段BiBj的最小残差平方和,n为行波检测器数量;C(n,2)为任选两个行波检测器的组合数量,Rxy表示残差,和分别为节点Bj距离行波检测器Dx和Dy的距离;Tx和Ty分别为行波检测器Dx和Dy测量的故障初始行波到达时间,v表示波速;l表示故障距离,dxy是与检测器位置有关的0-1系数,Su为节点Bi直接连接的上游部分包含的行波检测器集合,Sd为与节点Bj直接连接的下游部分包含的行波检测器集合,vc为光速;为区段BiBj的长度;
02.将配电网所有区段中最小残差平方和最小的区段判定为故障区段,对应公式为:
其中,MN为故障区段;最优解[v,l]分别表示波速和故障距离的初始解。
4.根据权利要求3所述的一种基于残差聚类的配电网行波故障定位方法,其特征在于,当检测器数量小于10时,MinPts取值为4。
5.根据权利要求1或2所述的一种基于残差聚类的配电网行波故障定位方法,其特征在于,DBSCAN聚类过程中的邻域距离阈值Eps计算公式为:
Eps=max(disMinPts)-0.9[max(disMinPts)-min(disMinPts)]
其中,disMinPts(q)表示样本Rq与距离样本Rq最近的第MinPts个样本之间的距离,样本Rq表示故障区段的残差。
7.一种基于残差聚类的配电网行波故障定位系统,其特征在于,包括:计算机可读存储介质和处理器;
所述计算机可读存储介质用于存储可执行指令;
所述处理器用于读取所述计算机可读存储介质中存储的可执行指令,执行权利要求1至6任一项所述的基于残差聚类的配电网行波故障定位方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110252570.XA CN113075498B (zh) | 2021-03-09 | 2021-03-09 | 一种基于残差聚类的配电网行波故障定位方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110252570.XA CN113075498B (zh) | 2021-03-09 | 2021-03-09 | 一种基于残差聚类的配电网行波故障定位方法和系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113075498A true CN113075498A (zh) | 2021-07-06 |
CN113075498B CN113075498B (zh) | 2022-05-20 |
Family
ID=76612157
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110252570.XA Active CN113075498B (zh) | 2021-03-09 | 2021-03-09 | 一种基于残差聚类的配电网行波故障定位方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113075498B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330599A (zh) * | 2022-03-14 | 2022-04-12 | 中汽信息科技(天津)有限公司 | 基于深度学习的发动机故障识别方法、设备和系统 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050149297A1 (en) * | 2003-12-31 | 2005-07-07 | Valerie Guralnik | Principal component analysis based fault classification |
US20120004869A1 (en) * | 2010-06-07 | 2012-01-05 | Abb Research Ltd. | Systems and methods for power line event zone identification |
CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 |
CN109684673A (zh) * | 2018-12-03 | 2019-04-26 | 三峡大学 | 一种电力系统暂态稳定结果的特征提取和聚类分析方法 |
CN110850837A (zh) * | 2018-08-20 | 2020-02-28 | 北京航天长峰科技工业集团有限公司 | 基于长短时记忆神经网络的系统寿命分析与故障诊断方法 |
CN111382862A (zh) * | 2018-12-27 | 2020-07-07 | 国网辽宁省电力有限公司信息通信分公司 | 一种电力系统异常数据辨识方法 |
CN111598179A (zh) * | 2020-05-21 | 2020-08-28 | 国网电力科学研究院有限公司 | 电力监控系统用户异常行为分析方法、存储介质和设备 |
CN112418202A (zh) * | 2021-01-11 | 2021-02-26 | 上海恒能泰企业管理有限公司 | 一种基于MaskRCNN的变电设备异常识别定位方法及系统 |
-
2021
- 2021-03-09 CN CN202110252570.XA patent/CN113075498B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20050149297A1 (en) * | 2003-12-31 | 2005-07-07 | Valerie Guralnik | Principal component analysis based fault classification |
US20120004869A1 (en) * | 2010-06-07 | 2012-01-05 | Abb Research Ltd. | Systems and methods for power line event zone identification |
CN102705303A (zh) * | 2012-05-16 | 2012-10-03 | 北京航空航天大学 | 一种基于残差与双级Elman神经网络的液压伺服系统故障定位方法 |
CN110850837A (zh) * | 2018-08-20 | 2020-02-28 | 北京航天长峰科技工业集团有限公司 | 基于长短时记忆神经网络的系统寿命分析与故障诊断方法 |
CN109684673A (zh) * | 2018-12-03 | 2019-04-26 | 三峡大学 | 一种电力系统暂态稳定结果的特征提取和聚类分析方法 |
CN111382862A (zh) * | 2018-12-27 | 2020-07-07 | 国网辽宁省电力有限公司信息通信分公司 | 一种电力系统异常数据辨识方法 |
CN111598179A (zh) * | 2020-05-21 | 2020-08-28 | 国网电力科学研究院有限公司 | 电力监控系统用户异常行为分析方法、存储介质和设备 |
CN112418202A (zh) * | 2021-01-11 | 2021-02-26 | 上海恒能泰企业管理有限公司 | 一种基于MaskRCNN的变电设备异常识别定位方法及系统 |
Non-Patent Citations (3)
Title |
---|
WEI GAO 等: "A Novel Fault Identification Method for Photovoltaic Array via Convolutional Neural Network and Residual Gated Recurrent Unit", 《IEEE ACCESS》 * |
曾祥君 等: "信息融合技术在电力系统故障检测中的应用探讨", 《中国电力》 * |
李泽兰 等: "基于流形理论与L1+L2约束的智能电网故障定位", 《电力系统保护与控制》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114330599A (zh) * | 2022-03-14 | 2022-04-12 | 中汽信息科技(天津)有限公司 | 基于深度学习的发动机故障识别方法、设备和系统 |
Also Published As
Publication number | Publication date |
---|---|
CN113075498B (zh) | 2022-05-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
CN108693446B (zh) | 一种非同步采样电网暂态行波模量时间差的故障定位方法 | |
CN106330095B (zh) | 一种大型光伏电站汇集系统故障定位方法 | |
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 | |
CN110348114B (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
CN113671314B (zh) | 一种配电网环网单相接地故障区段定位及测距方法 | |
CN113075498B (zh) | 一种基于残差聚类的配电网行波故障定位方法和系统 | |
CN115980514B (zh) | 一种基于多端行波频率矩阵的复杂配电网故障定位方法 | |
CN107918088B (zh) | 基于多阶小波函数变换的配电网故障时刻确定方法 | |
Xu et al. | Novel fault location for high permeability active distribution networks based on improved VMD and S-transform | |
CN112327104A (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
CN113341275B (zh) | 一种配电网单相接地故障的定位方法 | |
CN112269096B (zh) | 一种基于k系数的配电网行波故障定位方法、装置和系统 | |
CN113504437A (zh) | 一种中性点小电阻接地配电网单相接地故障区间辨识方法 | |
CN117786446A (zh) | 一种基于多判据融合的单相接地故障免阈值选段方法 | |
Shen et al. | A pantograph horn detection method based on deep learning network | |
Dang et al. | Fast single-phase fault location method based on community graph depth-first traversal for distribution network | |
CN107478941B (zh) | 基于多点同步测量数据的配电网故障模拟退火定位方法 | |
CN111796165B (zh) | 一种基于自适应傅里叶变换的配电网故障定位方法 | |
CN112363009B (zh) | 一种用于同塔线路接地故障的单端故障测距方法及系统 | |
CN112415326B (zh) | 一种基于模糊聚类算法的配电网故障区段辨识方法 | |
CN113640615A (zh) | 一种基于证据组合的稳暂态信息的小电流接地故障选线的方法 | |
JP3479711B2 (ja) | 電力系統状態決定装置 | |
CN115078920B (zh) | 多信息融合的有源配电网单相接地故障选线方法与系统 | |
CN113447761B (zh) | 基于最大均值差异的配电网小电流接地故障区段定位方法 |
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 |