CN113125902B - 基于iewt和imdmf的直流配电系统故障检测方法 - Google Patents
基于iewt和imdmf的直流配电系统故障检测方法 Download PDFInfo
- Publication number
- CN113125902B CN113125902B CN202110418998.7A CN202110418998A CN113125902B CN 113125902 B CN113125902 B CN 113125902B CN 202110418998 A CN202110418998 A CN 202110418998A CN 113125902 B CN113125902 B CN 113125902B
- Authority
- CN
- China
- Prior art keywords
- fault
- direct current
- current
- power distribution
- distribution system
- 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.)
- Active
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
-
- 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
- G01R31/58—Testing of lines, cables or conductors
-
- 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
- G06F17/141—Discrete Fourier transforms
-
- 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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- 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
Abstract
本发明涉及一种基于IEWT和IMDMF的直流配电系统故障检测方法,包括以下步骤:获取直流配电线路故障、交流系统故障的数据,并构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型;直流配电系统的线路两端安装保护装置,实时监测采集直流线路的电流电压波形,并获得极间电压u dc;采用改进经验小波变换自适应分解电流波形,得到电流分量c 1~3;计算细节系数的最大值A max ,并设定阈值A th ,当满足A max >A th 时,判定发生故障;将获得的电流分量c 1~3、极间电压u dc输入故障分类模型中,实现直流配电系统故障类型的划分。本发明能够有效缩短故障分类的时间,提高了分类模型运行的效率。
Description
技术领域
本发明涉及配电系统故障检测领域,具体涉及一种基于IEWT和IMDMF的直流配电系统故障检测方法。
背景技术
随着新能源与电力电子技术的快速发展,分布式电源并网需求增大,直流负荷比重不断增加。传统交流配电网需通过电力电子换流装置实现分布式电源的消纳以及直流负荷的供电,采用直流配电网,不但可向各类直流负荷直接供电,省去分布式电源和储能装置并网时的电力电子转换装置,并且具有传输效率高、电能质量好、供电可靠性高等优势。然而,保护技术的不成熟一定程度上限制了直流配电网的大范围应用。与交流配电网相比,直流配电网的系统阻抗低,故障电流上升速度快且幅值高,将对换流站中的二极管带来冲击,进而可能危害直流配电设备。为保护直流配电网中的电力电子器件,需尽快实现故障隔离。快速可靠的故障检测将为保护动作奠定良好基础,是直流配电网保护方案不可或缺的关键环节。
根据获取检测判据方式,直流配电网的故障检测方法大致可以分为基于单端量的故障检测和基于双端量通信的故障检测二类。基于双端量通信的故障检测需在线路两端安装通信设备,存在通信同步性的问题。而基于单端量的故障检测可直接以电气量的幅值作为故障检测判据,例如典型的“握手法”及其改进方式、电流的全相关性检测等,这些方案实施起来较为容易,但在负荷投切、功率反转的情况下容易出现误检、漏检,难以满足可靠性要求。而更常见的是通过信号处理算法、机器学习算法等方式提取信号的故障特征,再将其作为故障检测的判据。信号处理算法有短时傅里叶变换、离散傅里叶变换、小波变换、改进互补集合经验模态分解算法等,这些算法能够较好地提取故障特征,捕捉信号的奇异点,可靠性相比于直接采用电气量检测高,但各个信号处理算法在直流配电系统故障检测领域的应用中或多多少存在一些缺陷。机器学习算法如深层神经网络、K-means算法、卷积神经网络等,在近几年越来越受欢迎,基于大量数据来进行预测或者得出建议的机器学习无疑是非常强大的,若运用在故障检测的领域中可自动挖掘故障的潜在特征实现故障检测及分类,减少人为因素对特征提取的影响。
发明内容
有鉴于此,本发明的目的在于提供一种基于改进经验小波变换(ImprovedEmpirical Wavelet Transform,IEWT)和改进多视角深度矩阵分解(Improved Multi-viewDeep Matrix Factorization,IMDMF)的直流配电系统故障检测方法,能够有效缩短故障分类的时间,提高了分类模型运行的效率。
为实现上述目的,本发明采用如下技术方案:
一种基于IEWT和IMDMF的直流配电系统故障检测方法,包括以下步骤:
获取直流配电线路故障、交流系统故障的数据,并构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型;
直流配电系统的线路两端安装保护装置,实时监测采集直流线路的电流电压波形,并获得极间电压udc;
采用改进经验小波变换自适应分解电流波形,得到电流分量c1~3;
计算细节系数的最大值Amax,并设定阈值Ath,当满足Amax>Ath时,判定发生故障;
将获得的电流分量c1~3、极间电压udc输入故障分类模型中,实现直流配电系统故障类型的划分。
进一步的,所述构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型,具体如下:
获取包含直流配电线路故障、交流系统故障的数据,构建训练集数据库;
利用训练集训练改进多视角深度矩阵分解模型的参数,获得多视角数据共有的表示矩阵XU;
利用获得的表示矩阵XU训练软分配层参数,获得各个类别的得分值G;
将各个类别得分G映射至0~1,获得各个类别的概率值Pm,从中取最大概率值Pmax及其对应的类别;
设置阈值Pth,当满足Pth>Pmax时,输出Pmax对应的类别,否则输出“未知类型”。
保存改进多视角深度矩阵分解模型及软分配层参数,构建直流配电系统故障分类模型。
进一步的,所述获取多视角数据共有的表示矩阵XU,具体如下:
根据公式(1)对多视角输入信号进行权重学习,获得融合数据X;
X≈W{X1,X2,…,Xv} (1)其中,W为权重自学习网络中的权重矩阵,{X1,X2,…,Xv}表示将数据矩阵横向进行拼接,X1,X2,…,Xv对应c1~3、udc四个视角的输入数据;
将获得的融合数据X输入深度矩阵分解模型;
进一步的,所述得分值G,具体为:
G≈XUWc (3)
其中Wc为类别分配权重矩阵,G为类别得分矩阵。
进一步的,所述最大概率值Pmax,具体为:
其中,q类别总数为四,分别为直流线路正极接地故障、负极接地故障、极间短路故障、交流侧故障。
进一步的,所述改进经验小波变换,具体为:对原经验小波变换中的经验小波函数添加相位特性
利用式(5)对故障电流信号进行离散傅里叶变换;
其中,N为采样点数,x(n)为电流信号,X(k)为变换后的复数序列;
利用式(6)对S21获得的复数序列X(k)进行计算,得到相频值Pha;
Pha=arctan(Im(X(k))/Re(X(k))) (6)
其中,Im(X(k))为复数序列的虚部,Re(X(k))为复数序列的实部。
利用最小二乘法拟合故障频带的相频值Pha,获得相位函数表达式(7);
θ(ω)=-0.1198sin(900ω) (7)
将式(7)添加至原经验小波变换中的经验小波函数,获得新的经验小波函数为式(8),尺度函数保持不变为式(9);
进一步的,所述采用改进经验小波变换自适应分解电流波形,得到电流分量c1~3,具体为:
利用公式(5)对S3采集到的电流波形进行离散傅里叶变换;
利用公式(10)计算电流信号的幅频谱;
寻找频率范围内Amp的局部极大值,两个极大值的中点设置为边界ωn,其中0,π是固定边界点,共划分出3个区域;
根据公式(11)和公式(12)计算经验小波近似系数c1,经验小波细节系数cn,其中n为2~3;
本发明与现有技术相比具有以下有益效果:
1、本发明对多视角深度矩阵分解进行了改进,在其前端设计了权重自学习网络,通过权重学习使得对分类任务具有较大作用的数据在多视角深度矩阵分解模型中占有较大的权重,最终获得多视角共有的特征表示矩阵XU;改进后的多视角深度矩阵分解模型简化了结构,有利于缩短故障分类的时间;
2、本发明对经验小波变换进行了改进,修改了经验小波函数的相频特性,使之与故障信号的相频特性相吻合,从而获得能量更集中的分解系数,更多地捕获故障信号的能量;
3、本发明改进多视角深度矩阵分解与软分配层相结合的故障分类模型,改进多视角深度矩阵分解能够自动提取特征,而分类仅用一层软分配层映射完成,提高了分类模型运行的效率。
附图说明
图1是本发明一实施例中直流配电系统故障检测分类方案流程图;
图2是本发明一实施例中检测分类;
图3是本发明一实施例中改进多视角深度矩阵分解模型。
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。
请参照图1,本发明提供一种基于IEWT和IMDMF的直流配电系统故障检测方法,包括以下步骤:
S1:获取直流配电线路故障、交流系统故障的数据,并构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型;
S2:对原经验小波变换中的经验小波函数添加相位特性;
S3:直流配电系统的线路两端安装保护装置,实时监测采集直流线路的电流电压波形,并获得极间电压udc;
S4:采用改进经验小波变换自适应分解电流波形,得到电流分量c1~3;
S5:计算细节系数的最大值Amax,并设定阈值Ath,当满足Amax>Ath时,判定发生故障;
S6:将获得的电流分量c1~3、极间电压udc输入故障分类模型中,实现直流配电系统故障类型的划分。
在本实施例中,构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型,具体如下:
获取包含直流配电线路故障、交流系统故障的数据,构建训练集数据库;
利用训练集训练改进多视角深度矩阵分解模型的参数,获得多视角数据共有的表示矩阵XU;
根据公式(1)对多视角输入信号进行权重学习,获得融合数据X;
X≈W{X1,X2,…,Xv} (1)
其中,W为权重自学习网络中的权重矩阵,{X1,X2,…,Xv}表示将数据矩阵横向进行拼接,X1,X2,…,Xv对应c1~3、udc四个视角的输入数据;
将获得的融合数据X输入深度矩阵分解模型;
利用获得的表示矩阵XU训练软分配层参数,获得各个类别的得分值G;
得分值G,具体为:
G≈XUWc (3)
其中Wc为类别分配权重矩阵,G为类别得分矩阵;
将各个类别得分G映射至0~1,获得各个类别的概率值Pm,从中取最大概率值Pmax及其对应的类别;
设置阈值Pth,当满足Pth>Pmax时,输出Pmax对应的类别,否则输出“未知类型”;
最大概率值Pmax,具体为:
其中,q类别总数为四,分别为直流线路正极接地故障、负极接地故障、极间短路故障、交流侧故障;
保存改进多视角深度矩阵分解模型及软分配层参数,构建直流配电系统故障分类模型。
在本实施例中,改进经验小波变换,具体为:对原经验小波变换中的经验小波函数添加相位特性
利用式(5)对故障电流信号进行离散傅里叶变换;
其中,N为采样点数,x(n)为电流信号,X(k)为变换后的复数序列;
利用式(6)对S21获得的复数序列X(k)进行计算,得到相频值Pha;
Pha=arctan(Im(X(k))/Re(X(k))) (6)
其中,Im(X(k))为复数序列的虚部,Re(X(k))为复数序列的实部。
利用最小二乘法拟合故障频带的相频值Pha,获得相位函数表达式(7);
θ(ω)=-0.1198sin(900ω) (7)
将式(7)添加至原经验小波变换中的经验小波函数,获得新的经验小波函数为式(8),尺度函数保持不变为式(9);
在本实施例中,采用改进经验小波变换自适应分解电流波形,得到电流分量c1~3,具体为:
利用公式(5)对S3采集到的电流波形进行离散傅里叶变换;
利用公式(10)计算电流信号的幅频谱;
寻找频率范围内Amp的局部极大值,两个极大值的中点设置为边界ωn,其中0,π是固定边界点,共划分出3个区域;
根据公式(11)和公式(12)计算经验小波近似系数c1,经验小波细节系数cn,其中n为2~3;
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种基于IEWT和IMDMF的直流配电系统故障检测方法,其特征在于,包括以下步骤:
获取直流配电线路故障、交流系统故障的数据,并构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型;
所述构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型,具体如下:
获取包含直流配电线路故障、交流系统故障的数据,构建训练集数据库;
利用训练集训练改进多视角深度矩阵分解模型的参数,获得多视角数据共有的表示矩阵XU;
利用获得的表示矩阵XU训练软分配层参数,获得各个类别的得分值G;
将各个类别得分值G映射至0~1,获得各个类别的概率值Pm,从中取最大概率值Pmax及其对应的类别;
设置阈值Pth,当满足Pth>Pmax时,输出Pmax对应的类别,否则输出“未知类型”;
保存改进多视角深度矩阵分解模型及软分配层参数,构建直流配电系统故障分类模型;
直流配电系统的线路两端安装保护装置,实时监测采集直流线路的电流电压波形,并获得极间电压udc;
采用改进经验小波变换自适应分解电流波形,得到电流分量c1~3;
计算细节系数的最大值Amax,并设定阈值Ath,当满足Amax>Ath时,判定发生故障;
将获得的电流分量c1~3、极间电压udc输入故障分类模型中,实现直流配电系统故障类型的划分。
3.根据权利要求1所述的基于IEWT和IMDMF的直流配电系统故障检测方法,其特征在于,所述得分值G,具体为:
G≈XUWc (3)
其中Wc为类别分配权重矩阵,G为类别得分矩阵。
5.根据权利要求1所述的基于IEWT和IMDMF的直流配电系统故障检测方法,其特征在于,所述改进经验小波变换,具体为:对原经验小波变换中的经验小波函数添加相位特性
利用式(5)对故障电流信号进行离散傅里叶变换;
其中,N为采样点数,x(n)为电流信号,X(k)为变换后的复数序列;
利用式(6)对获得的复数序列X(k)进行计算,得到相频值Pha;
Pha=arctan(Im(X(k))/Re(X(k))) (6)
其中,Im(X(k))为复数序列的虚部,Re(X(k))为复数序列的实部;
利用最小二乘法拟合故障频带的相频值Pha,获得相位函数表达式(7);
θ(ω)=-0.1198sin(900ω) (7)
将式(7)添加至原经验小波变换中的经验小波函数,获得新的经验小波函数为式(8),尺度函数保持不变为式(9);
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110418998.7A CN113125902B (zh) | 2021-04-19 | 2021-04-19 | 基于iewt和imdmf的直流配电系统故障检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110418998.7A CN113125902B (zh) | 2021-04-19 | 2021-04-19 | 基于iewt和imdmf的直流配电系统故障检测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113125902A CN113125902A (zh) | 2021-07-16 |
CN113125902B true CN113125902B (zh) | 2022-07-22 |
Family
ID=76778070
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110418998.7A Active CN113125902B (zh) | 2021-04-19 | 2021-04-19 | 基于iewt和imdmf的直流配电系统故障检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113125902B (zh) |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101317561B1 (ko) * | 2012-05-16 | 2013-10-11 | 용인송담대학교 산학협력단 | 웨이브릿 변환을 이용한 배전 선로의 사고 검출 방법 |
CN105548820A (zh) * | 2016-03-10 | 2016-05-04 | 西安科技大学 | 基于暂态行波模极大值法的电缆线路故障识别与定位方法 |
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 |
CN107451557A (zh) * | 2017-07-29 | 2017-12-08 | 吉林化工学院 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
CN112486137A (zh) * | 2020-10-23 | 2021-03-12 | 中国电力科学研究院有限公司 | 有源配电网故障特征库构建方法、系统及故障诊断方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2582676B (en) * | 2018-12-27 | 2022-11-16 | Univ Shanghai Jiaotong | Early Failure Detection Method for Power Distribution Network Equipment Based On Human-Level Concept Learning |
-
2021
- 2021-04-19 CN CN202110418998.7A patent/CN113125902B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR101317561B1 (ko) * | 2012-05-16 | 2013-10-11 | 용인송담대학교 산학협력단 | 웨이브릿 변환을 이용한 배전 선로의 사고 검출 방법 |
CN105548820A (zh) * | 2016-03-10 | 2016-05-04 | 西安科技大学 | 基于暂态行波模极大值法的电缆线路故障识别与定位方法 |
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 |
CN107451557A (zh) * | 2017-07-29 | 2017-12-08 | 吉林化工学院 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
CN112486137A (zh) * | 2020-10-23 | 2021-03-12 | 中国电力科学研究院有限公司 | 有源配电网故障特征库构建方法、系统及故障诊断方法 |
Non-Patent Citations (3)
Title |
---|
An Improved Method of EWT and Its Application in Rolling Bearings Fault Diagnosis;Zhicheng Qiao 等;《Hindawi Shock and Vibration》;20201231;第1-13页 * |
基于IEWT和MCKD的滚动轴承故障诊断方法;李政 等;《机械工程学报》;20191231;第55卷(第23期);第136-146页 * |
基于经验小波变换与谱峭度的船舶轴系故障特征提取方法;何洋洋 等;《中国舰船研究》;20201231;第15卷;第98-106页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113125902A (zh) | 2021-07-16 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106771846B (zh) | 基于模糊推理脉冲神经膜系统的输电线路故障选相方法 | |
CN107153150A (zh) | 一种配电网过电压故障类型识别方法及装置 | |
CN110672976B (zh) | 基于并联卷积神经网络的多端直流输电线路故障诊断方法 | |
Nale et al. | Islanding detection in distributed generation system using intrinsic time decomposition | |
CN105117975B (zh) | 一种光伏输出功率值的分频预测方法 | |
Nale et al. | Comparative assessment of passive islanding detection techniques for microgrid | |
CN104407273B (zh) | 计及监测可信度的电能质量扰动源定位方法 | |
Reddy et al. | A Deep learning approach for Islanding Detection of Integrated DG with CWT and CNN | |
Darab et al. | Artificial intelligence techniques for fault location and detection in distributed generation power systems | |
CN108802570B (zh) | 一种用于交直流混联微电网的故障检测系统及检测方法 | |
Kapoor | Wavelet transform based fault detector for protection of series capacitor compensated three phase transmission line | |
CN108267673B (zh) | 一种配网故障选线大数据降维方法和装置 | |
CN113125902B (zh) | 基于iewt和imdmf的直流配电系统故障检测方法 | |
CN114137358B (zh) | 一种基于图卷积神经网络的输电线路故障诊断方法 | |
Sima et al. | Edge–cloud collaboration detection approach for small-sample imbalanced faults in power lines | |
Li et al. | Incipient Fault Detection in Power Distribution System: A Time–Frequency Embedded Deep-Learning-Based Approach | |
CN108108659B (zh) | 基于经验模态分解的孤岛检测关键特征提取方法 | |
CN113466624A (zh) | 一种多端混合直流输电线路故障区域的检测方法及系统 | |
Mishra et al. | High impedance fault detection in radial distribution system using wavelet transform | |
Luo et al. | Stacked auto-encoder-based transients recognition in VSC-HVDC | |
CN111667157A (zh) | 一种输电线路雷电防护评估方法 | |
Tang et al. | Classification for transient overvoltages in offshore wind farms based on sparse decomposition | |
CN112834959A (zh) | 基于高频特征提取的直流配电系统故障检测方法 | |
CN109752630A (zh) | 一种同塔双回直流线路故障选线方法 | |
Xu | Fault diagnosis method of power system based on neural network |
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 |