CN113625108A - 一种柔性直流配电网故障识别方法 - Google Patents
一种柔性直流配电网故障识别方法 Download PDFInfo
- Publication number
- CN113625108A CN113625108A CN202110881499.1A CN202110881499A CN113625108A CN 113625108 A CN113625108 A CN 113625108A CN 202110881499 A CN202110881499 A CN 202110881499A CN 113625108 A CN113625108 A CN 113625108A
- Authority
- CN
- China
- Prior art keywords
- fault
- fault component
- distribution network
- current
- flexible direct
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种柔性直流配电网故障识别方法，包括以下步骤：S1、获取多个柔性直流配电网中已知故障情况的线路的特征向量，组成训练集；S2、根据训练集，通过蝙蝠算法，得到随机森林的决策树个数，建立随机森林；S3、根据Bootstrap自助法对训练集进行重采样，得到每个决策树对应的重采样训练集；S4、根据每个重采样训练集训练随机森林；S5、获取柔性直流配电网中待测线路的特征向量，并将其输入完成训练的随机森林，实现故障类别的识别。在待测线路的特征向量数据发生部分丢失的情况下仍具有较高的识别准确性；也具有较好的过渡电阻耐受能力、故障距离适应性以及抗噪能力。
Description
技术领域
本发明涉及配电网技术领域，具体涉及一种柔性直流配电网故障识别方法。
背景技术
随着电力电子技术的高速发展，柔性直流配电网逐渐成为配电网领域的研究热点。柔性直流配电网传输容量大、供电可靠性高、线路损耗小且方便分布式电源的接入。但当系统发生故障后，故障电流会对系统产生严重损害，而用于交流配电网的故障识别方法并不能够直接用于柔性直流配电网中，由此直流故障的识别成为了柔性直流技术发展的重难点。
现有的柔性直流线路故障识别方法多是基于判据类的传统算法，其优点在于实现简单，可快速对故障进行识别，且在线路电流采样数据充足未丢失的情况下拥有较高的可靠性，但在户外的复杂工况环境中，线路电流采样数据局部丢失的状况下，却容易出现识别出错的情况。
发明内容
针对现有技术中的上述不足，本发明提供的一种柔性直流配电网故障识别方法解决了现有柔性直流配电网故障识别方法在户外复杂工况环境中，线路电流采样数据局部丢失的状况下，故障识别易出错的问题。
为了达到上述发明目的，本发明采用的技术方案为：一种柔性直流配电网故障识别方法，包括以下步骤：
S1、获取多个柔性直流配电网中已知故障情况的线路的特征向量，组成训练集；
S2、根据训练集，通过蝙蝠算法，得到随机森林的决策树个数，建立随机森林；
S3、根据Bootstrap自助法对训练集进行重采样，得到每个决策树对应的重采样训练集；
S4、根据每个重采样训练集训练随机森林；
S5、获取柔性直流配电网中待测线路的特征向量，并将其输入完成训练的随机森林，实现故障类别的识别。
本发明的有益效果为：使用多个决策树组成的随机森林方案，利用了机器学习，根据故障线路的特征向量进行随机森林训练，使待测线路的特征向量数据即使发生部分丢失，仍拥有较高的故障类别识别准确性；同时，相对于传统配电网故障识别方法，由于算法本身属于数字逻辑，实际工况中仅需要用于线路特征向量提取的模拟电路，不涉及复杂的电力电子设备，因此具有较好的过渡电阻耐受能力、故障距离适应性以及抗噪能力。
进一步地，所述步骤S1和步骤S5中，获取柔性直流配电网中线路的特征向量的方法包括以下步骤：
A1、采样柔性直流配电网中线路的左端正极故障分量电流、右端正极故障分量电流、左端负极故障分量电流和右端负极故障分量电流，并得到6个左端正极故障分量电流向量、6个右端正极故障分量电流向量、6个左端负极故障分量电流向量和6个右端负极故障分量电流向量；
A2、对6个左端正极故障分量电流向量、6个右端正极故障分量电流向量、6个左端负极故障分量电流向量和6个右端负极故障分量电流向量均进行两次离散小波变换，并抽取0-2.5kHz频段的6个左端正极故障分量小波信号向量、6个右端正极故障分量小波信号向量、6个左端负极故障分量小波信号向量和6个右端负极故障分量小波信号向量；
A3、根据0-2.5kHz频段的6个左端正极故障分量小波信号向量、6个右端正极故障分量小波信号向量、6个左端负极故障分量小波信号向量和6个右端负极故障分量小波信号向量，计算得到6个左端正极故障分量能量值、6个左端正极故障分量幅值、6个右端正极故障分量能量值、6个右端正极故障分量幅值、6个左端负极故障分量能量值、6个左端负极故障分量幅值、6个右端负极故障分量能量值和6个右端负极故障分量幅值，并组合为1×48的特征向量。
上述进一步方案的有益效果为：柔性直流配电网发生故障后，其线路电流特性会发生改变，发明人并进一步探究出故障时线路电流的改变主要发生于0-2.5kHz频率分量上，基于该科学规律，通过两次离散小波变换，抽取0-2.5kHz频段的线路电流信息，利用其进一步推算故障分量的能量值和幅值，构成能够直接反应故障种类的特征向量，相比于现有的各种种类的特征向量，与故障种类的相关性更大。
进一步地，所述步骤A1中，采样线路的故障分量电流的方法包括以下步骤：
B1、采样线路的故障前电流和故障后电流；
B2、通过下式计算得到故障分量电流：
ΔIFi＝IFi-Iset
其中，ΔIFi为故障分量电流，IFi为故障后电流，Iset为故障前电流。
进一步地，所述步骤A1包括以下分步骤：
C1、以0.1ms作为采样间隔时间，采样指定线路的特定部位故障分量电流，得到20个采样点；
C2、分别将第1-10个采样点、第3-12个采样点、第5-14个采样点、第7-16个采样点、第9-18个采样点和第11-20采样点按采样时间先后顺序进行组合，得到6个故障分量电流向量。
上述进一步方案的有益效果为：为了使故障分量电流的采样更加充分和具体，摒弃了常规的直接顺序采样法，而采用移窗式的采样方法，使故障分量电流的信息被充分提取，保障算法的可靠性。
进一步地，所述步骤A3中，根据故障分量小波信号向量计算对应的故障分量能量值的表达式为：
其中，QFi为故障分量能量值，ΔIFi(t)为故障分量小波信号向量中t时刻小波信号的值，t1为故障分量小波信号向量中第一个小波信号的对应时间，t2为故障分量小波信号向量中最后个小波信号的对应时间。
进一步地，所述步骤A3中，根据故障分量小波信号向量计算对应的故障分量幅值的表达式为：
其中，AFi为故障分量幅值。
进一步地，所述步骤S2包括以下分步骤：
S21、初始化蝙蝠算法各参数，并设定最大迭代次数；
S22、根据训练集，训练迭代蝙蝠算法的蝙蝠种群，得到当前迭代过程得到的最优解；
S23、判断迭代次数是否达到设定的最大迭代次数，若是，则跳转至步骤S24，若否，则跳转至步骤S22；
S24、比较每轮迭代过程得到的最优解，选取全局最优解作为随机森林的决策树个数，建立随机森林。
上述进一步方案的有益效果为：随机森林中，决策树的个数直接影响故障识别的准确性，为了避免决策树个数的错误设置，基于了机器学习中的蝙蝠算法，模拟蝙蝠捕食的启发式搜索过程，有效搜索随机森林决策树个数的全局最优解，使柔性直流配电网故障识别准确性最佳。
进一步地，所述步骤S21中初始化蝙蝠算法各参数包括：设定蝙蝠算法问题维度为1；设定蝙蝠种群大小为20；设定最优解区间范围为1～100。
上述进一步方案的有益效果为：基于配电网的物理实际和蝙蝠算法的应用效果，上述参数的设定可使蝙蝠算法的运算速度最快，算法复杂度最低。
进一步地，所述步骤S4包括以下分步骤：
S41、设定随机森林每个决策树的分类标签，所述分类标签包括：标签1，用于标记区内双极故障；标签2，用于标记区内正极故障；标签3，用于标记区内负极故障；标签4，用于标记区外故障；
S42、以每个重采样训练集中每一个特征向量对应的已知分类标签对每个决策树进行监督学习，完成随机森林的训练。
上述进一步方案的有益效果为：采用上述的分类标签设定，使得本发明具有区内双极故障、区内正极故障、区内负极故障和区外故障这四类故障的识别能力。
进一步地，所述步骤S5包括以下步骤：
S51、通过随机森林中的每一个决策树对柔性直流配电网中待测线路的特征向量进行故障类别的识别；
S52、将所有决策树的识别结果汇总和投票，得到票数最多的分类标签，作为故障类别的识别结果。
附图说明
图1为本发明具体实施例的一种柔性直流配电网故障识别方法流程示意图；
图2为本发明具体实施例的识别错误率与随机森林的决策树数目的关系图；
图3为本发明具体实施例在过渡电阻与常规工况不同的情况下识别结果与实际结果的对比图。
图4为本发明具体实施例在随机丢失线路电流的13个采样数据的情况下识别结果与实际结果对比图。
具体实施方式
下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
如图1所示，在本发明的一个实施例中，一种柔性直流配电网故障识别方法，包括以下步骤：
S1、获取多个柔性直流配电网中已知故障情况的线路的特征向量，组成训练集。
S2、根据训练集，通过蝙蝠算法，得到随机森林的决策树个数，建立随机森林；
步骤S2包括以下分步骤：
S21、初始化蝙蝠算法各参数，并设定最大迭代次数，其中，初始化蝙蝠算法各参数包括：设定蝙蝠算法问题维度为1；设定蝙蝠种群大小为20；设定最优解区间范围为1～100。基于配电网的物理实际和蝙蝠算法的应用效果，上述参数的设定可使蝙蝠算法的运算速度最快，算法复杂度最低。
S22、根据训练集，训练迭代蝙蝠算法的蝙蝠种群，得到当前迭代过程得到的最优解。
S23、判断迭代次数是否达到设定的最大迭代次数，若是，则跳转至步骤S24，若否，则跳转至步骤S22。
S24、比较每轮迭代过程得到的最优解，选取全局最优解作为随机森林的决策树个数，建立随机森林。
如图2所示，可以看出随机森林中，决策树的个数直接影响故障识别的准确性，当决策树数目小于5时，已经出现较大的错误率，为了避免决策树个数的错误设置，基于了机器学习中的蝙蝠算法，模拟蝙蝠捕食的启发式搜索过程，有效搜索随机森林决策树个数的全局最优解，使柔性直流配电网故障识别准确性最佳。
S3、根据Bootstrap自助法对训练集进行重采样，得到每个决策树对应的重采样训练集。
S4、根据每个重采样训练集训练随机森林。
步骤S4包括以下分步骤：
S41、设定随机森林每个决策树的分类标签，所述分类标签包括：标签1，用于标记区内双极故障；标签2，用于标记区内正极故障；标签3，用于标记区内负极故障；标签4，用于标记区外故障；
S42、以每个重采样训练集中每一个特征向量对应的已知分类标签对每个决策树进行监督学习，完成随机森林的训练。
采用上述的分类标签设定，使得本发明具有区内双极故障、区内正极故障、区内负极故障和区外故障这四类故障的识别能力。
S5、获取柔性直流配电网中待测线路的特征向量，并将其输入完成训练的随机森林，实现故障类别的识别。
步骤S5包括以下步骤：
S51、通过随机森林中的每一个决策树对柔性直流配电网中待测线路的特征向量进行故障类别的识别；
S52、将所有决策树的识别结果汇总和投票，得到票数最多的分类标签，作为故障类别的识别结果。
值得注意的是，步骤S1和步骤S5中，获取柔性直流配电网中线路的特征向量的方法包括以下步骤：
A1、采样柔性直流配电网中线路的左端正极故障分量电流、右端正极故障分量电流、左端负极故障分量电流和右端负极故障分量电流，并得到6个左端正极故障分量电流向量、6个右端正极故障分量电流向量、6个左端负极故障分量电流向量和6个右端负极故障分量电流向量；
A2、对6个左端正极故障分量电流向量、6个右端正极故障分量电流向量、6个左端负极故障分量电流向量和6个右端负极故障分量电流向量均进行两次离散小波变换，并抽取0-2.5kHz频段的6个左端正极故障分量小波信号向量、6个右端正极故障分量小波信号向量、6个左端负极故障分量小波信号向量和6个右端负极故障分量小波信号向量；
A3、根据0-2.5kHz频段的6个左端正极故障分量小波信号向量、6个右端正极故障分量小波信号向量、6个左端负极故障分量小波信号向量和6个右端负极故障分量小波信号向量，计算得到6个左端正极故障分量能量值、6个左端正极故障分量幅值、6个右端正极故障分量能量值、6个右端正极故障分量幅值、6个左端负极故障分量能量值、6个左端负极故障分量幅值、6个右端负极故障分量能量值和6个右端负极故障分量幅值，并组合为1×48的特征向量。
根据故障分量小波信号向量计算对应的故障分量能量值的表达式为：
其中，QFi为故障分量能量值，ΔIFi(t)为故障分量小波信号向量中t时刻小波信号的值，t1为故障分量小波信号向量中第一个小波信号的对应时间，t2为故障分量小波信号向量中最后个小波信号的对应时间。
根据故障分量小波信号向量计算对应的故障分量幅值的表达式为：
其中，AFi为故障分量幅值。
柔性直流配电网发生故障后，其线路电流特性会发生改变，发明人并进一步探究出故障时线路电流的改变主要发生于0-2.5kHz频率分量上，基于该科学规律，通过两次离散小波变换，抽取0-2.5kHz频段的线路电流信息，利用其进一步推算故障分量的能量值和幅值，构成能够直接反应故障种类的特征向量，相比于现有的各种种类的特征向量，与故障种类的相关性更大。
步骤A1中，采样线路故障分量电流的方法包括以下步骤：
B1、采样线路的故障前电流和故障后电流；
B2、通过下式计算得到故障分量电流：
ΔIFi＝IFi-Iset
其中，ΔIFi为故障分量电流，IFi为故障后电流，Iset为故障前电流。
步骤A1包括以下分步骤：
C1、以0.1ms作为采样间隔时间，采样指定线路的特定部位故障分量电流，得到20个采样点；
C2、分别将第1-10个采样点、第3-12个采样点、第5-14个采样点、第7-16个采样点、第9-18个采样点和第11-20采样点按采样时间先后顺序进行组合，得到6个故障分量电流向量。
为了使故障分量电流的采样更加充分和具体，摒弃了常规的直接顺序采样法，而采用移窗式的采样方法，使故障分量电流的信息被充分提取，保障算法的可靠性。
本发明具体实施例采用上述方案，对配电网线路故障进行了识别测试，如图3所示为过渡电阻是20欧姆的配电网线路进行地故障识别测试，如图4所示为随机丢失线路电流的13个采样数据下故障识别的测试，两图中的1-4即为标签1-4，可以看出，过渡电阻不同，本实施例依然可以准确识别；数据未丢失的情况下识别结果与实际结果完全吻合，即使随机丢失线路电流的13个采样数据，也仅有极小的识别偏差率。本发明具体实施例还对10～30dB高斯白噪声环境进行了测试，即使有噪声干扰，也不影响本实施例的识别准确性。由此可见，本实施例所提出的方案具有良好的过渡电阻耐受能力和抗噪能力。
综上，本发明使用多个决策树组成的随机森林方案，利用了机器学习，根据故障线路的特征向量进行随机森林训练，使待测线路的特征向量数据即使发生部分丢失，仍拥有较高的故障类别识别准确性；同时，相对于传统配电网故障识别方法，由于算法本身属于数字逻辑，实际工况中仅需要用于线路特征向量提取的模拟电路，不涉及复杂的电力电子设备，因此具有较好的过渡电阻耐受能力、故障距离适应性以及抗噪能力。
本发明中应用了具体实施例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。
本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。
Claims (10)
1.一种柔性直流配电网故障识别方法，其特征在于，包括以下步骤：
S1、获取柔性直流配电网中已知不同故障情况的线路的特征向量，组成训练集；
S2、根据训练集，通过蝙蝠算法，得到随机森林的决策树个数，建立随机森林；
S3、根据Bootstrap自助法对训练集进行重采样，得到每个决策树对应的重采样训练集；
S4、根据每个重采样训练集训练随机森林；
S5、获取柔性直流配电网中待测线路的特征向量，并将其输入完成训练的随机森林，实现故障类别的识别。
2.根据权利要求1所述的柔性直流配电网故障识别方法，其特征在于，所述步骤S1和步骤S5中，获取柔性直流配电网中线路的特征向量的方法包括以下步骤：
A1、采样柔性直流配电网中线路的左端正极故障分量电流、右端正极故障分量电流、左端负极故障分量电流和右端负极故障分量电流，并得到6个左端正极故障分量电流向量、6个右端正极故障分量电流向量、6个左端负极故障分量电流向量和6个右端负极故障分量电流向量；
A2、对6个左端正极故障分量电流向量、6个右端正极故障分量电流向量、6个左端负极故障分量电流向量和6个右端负极故障分量电流向量均进行两次离散小波变换，并抽取0-2.5kHz频段的6个左端正极故障分量小波信号向量、6个右端正极故障分量小波信号向量、6个左端负极故障分量小波信号向量和6个右端负极故障分量小波信号向量；
A3、根据0-2.5kHz频段的6个左端正极故障分量小波信号向量、6个右端正极故障分量小波信号向量、6个左端负极故障分量小波信号向量和6个右端负极故障分量小波信号向量，计算得到6个左端正极故障分量能量值、6个左端正极故障分量幅值、6个右端正极故障分量能量值、6个右端正极故障分量幅值、6个左端负极故障分量能量值、6个左端负极故障分量幅值、6个右端负极故障分量能量值和6个右端负极故障分量幅值，并组合为1×48的特征向量。
3.根据权利要求2所述的柔性直流配电网故障识别方法，其特征在于，所述步骤A1中，采样线路的故障分量电流的方法包括以下步骤：
B1、采样线路的故障前电流和故障后电流；
B2、通过下式计算得到故障分量电流：
ΔIFi＝IFi-Iset
其中，ΔIFi为故障分量电流，IFi为故障后电流，Iset为故障前电流。
4.根据权利要求3所述的柔性直流配电网故障识别方法，其特征在于，所述步骤A1包括以下分步骤：
C1、以0.1ms作为采样间隔时间，采样指定线路的特定部位故障分量电流，得到20个采样点；
C2、分别将第1-10个采样点、第3-12个采样点、第5-14个采样点、第7-16个采样点、第9-18个采样点和第11-20采样点按采样时间先后顺序进行组合，得到6个故障分量电流向量。
5.根据权利要求4所述的柔性直流配电网故障识别方法，其特征在于，所述步骤A3中，根据故障分量小波信号向量计算对应的故障分量能量值的表达式为：
其中，QFi为故障分量能量值，ΔIFi(t)为故障分量小波信号向量中t时刻小波信号的值，t1为故障分量小波信号向量中第一个小波信号的对应时间，t2为故障分量小波信号向量中最后个小波信号的对应时间。
6.根据权利要求5所述的柔性直流配电网故障识别方法，其特征在于，所述步骤A3中，根据故障分量小波信号向量计算对应的故障分量幅值的表达式为：
其中，AFi为故障分量幅值。
7.根据权利要求1-6任一项所述的柔性直流配电网故障识别方法，其特征在于，所述步骤S2包括以下分步骤：
S21、初始化蝙蝠算法各参数，并设定最大迭代次数；
S22、根据训练集，训练迭代蝙蝠算法的蝙蝠种群，得到当前迭代过程得到的最优解；
S23、判断迭代次数是否达到设定的最大迭代次数，若是，则跳转至步骤S24，若否，则跳转至步骤S22；
S24、比较每轮迭代过程得到的最优解，选取全局最优解作为随机森林的决策树个数，建立随机森林。
8.根据权利要求7所述的柔性直流配电网故障识别方法，其特征在于，所述步骤S21中初始化蝙蝠算法各参数包括：设定蝙蝠算法问题维度为1；设定蝙蝠种群大小为20；设定最优解区间范围为1～100。
9.根据权利要求1所述的柔性直流配电网故障识别方法，其特征在于，所述步骤S4包括以下分步骤：
S41、设定随机森林每个决策树的分类标签，所述分类标签包括：标签1，用于标记区内双极故障；标签2，用于标记区内正极故障；标签3，用于标记区内负极故障；标签4，用于标记区外故障；
S42、以每个重采样训练集中每一个特征向量对应的已知分类标签对每个决策树进行监督学习，完成随机森林的训练。
10.根据权利要求9所述的柔性直流配电网故障识别方法，其特征在于，所述步骤S5包括以下步骤：
S51、通过随机森林中的每一个决策树对柔性直流配电网中待测线路的特征向量进行故障类别的识别；
S52、将所有决策树的识别结果汇总和投票，得到票数最多的分类标签，作为故障类别的识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110881499.1A CN113625108B (zh) | 2021-08-02 | 2021-08-02 | 一种柔性直流配电网故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110881499.1A CN113625108B (zh) | 2021-08-02 | 2021-08-02 | 一种柔性直流配电网故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113625108A true CN113625108A (zh) | 2021-11-09 |
| CN113625108B CN113625108B (zh) | 2022-11-01 |
Family
ID=78382293
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110881499.1A Active CN113625108B (zh) | 2021-08-02 | 2021-08-02 | 一种柔性直流配电网故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113625108B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117728054A (zh) * | 2024-02-06 | 2024-03-19 | 北京航空航天大学 | 一种飞行汽车动力电池管理方法及系统 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58117467A (ja) * | 1982-01-05 | 1983-07-13 | Japanese National Railways<Jnr> | 直流電線路故障点標定方式 |
| CN102004209A (zh) * | 2010-12-03 | 2011-04-06 | 丹东欣泰电气股份有限公司 | 配电网电缆故障在线测距装置及测距方法 |
| AU2013201064B1 (en) * | 2013-02-25 | 2014-08-28 | Nexans | A Line Break Detection System |
| EP2820435A1 (en) * | 2012-02-28 | 2015-01-07 | ABB Technology Ltd. | A method and an apparatus for detecting a fault in an hvdc power transmission system |
| CN105591372A (zh) * | 2016-03-11 | 2016-05-18 | 西南交通大学 | 基于小波能量相对熵的高压直流输电线路单端保护方法 |
| CN106093706A (zh) * | 2016-07-05 | 2016-11-09 | 四川中光防雷科技股份有限公司 | 一种输电线路故障区间确定方法及系统 |
| CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
| CN107543998A (zh) * | 2017-07-18 | 2018-01-05 | 华北电力大学 | 多端柔性直流输电系统直流侧故障定位系统及方法 |
| CN108107319A (zh) * | 2017-11-27 | 2018-06-01 | 山东大学 | 一种多端柔性直流电网故障定位方法及系统 |
| CN108344924A (zh) * | 2018-01-19 | 2018-07-31 | 中电普瑞电力工程有限公司 | 一种直流输电线路行波故障测距装置启动方法及系统 |
| CN108663602A (zh) * | 2018-05-14 | 2018-10-16 | 山东大学 | 柔性直流配电网单极故障选线与区段定位方法及系统 |
| WO2018233294A1 (zh) * | 2017-06-19 | 2018-12-27 | 天津大学 | 一种高压直流输电线路故障类型判断方法 |
| CN109490704A (zh) * | 2018-10-16 | 2019-03-19 | 河海大学 | 一种基于随机森林算法的配电网故障区段定位方法 |
| CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
| CN110247420A (zh) * | 2019-07-17 | 2019-09-17 | 四川轻化工大学 | 一种hvdc输电线路故障智能识别方法 |
| CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
| WO2020029327A1 (zh) * | 2018-08-10 | 2020-02-13 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
| CN110940893A (zh) * | 2019-12-13 | 2020-03-31 | 西安锐驰电器有限公司 | 直流线路故障检测系统及方法 |
| CN111366816A (zh) * | 2020-04-26 | 2020-07-03 | 华北电力大学 | 一种基于机器学习的电网故障诊断方法 |
| CN112750051A (zh) * | 2020-12-30 | 2021-05-04 | 广东电网有限责任公司计量中心 | 基于随机森林算法的台区相序识别方法、装置及终端设备 |
-
2021
- 2021-08-02 CN CN202110881499.1A patent/CN113625108B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JPS58117467A (ja) * | 1982-01-05 | 1983-07-13 | Japanese National Railways<Jnr> | 直流電線路故障点標定方式 |
| CN102004209A (zh) * | 2010-12-03 | 2011-04-06 | 丹东欣泰电气股份有限公司 | 配电网电缆故障在线测距装置及测距方法 |
| EP2820435A1 (en) * | 2012-02-28 | 2015-01-07 | ABB Technology Ltd. | A method and an apparatus for detecting a fault in an hvdc power transmission system |
| AU2013201064B1 (en) * | 2013-02-25 | 2014-08-28 | Nexans | A Line Break Detection System |
| CN105591372A (zh) * | 2016-03-11 | 2016-05-18 | 西南交通大学 | 基于小波能量相对熵的高压直流输电线路单端保护方法 |
| CN106093706A (zh) * | 2016-07-05 | 2016-11-09 | 四川中光防雷科技股份有限公司 | 一种输电线路故障区间确定方法及系统 |
| CN107273920A (zh) * | 2017-05-27 | 2017-10-20 | 西安交通大学 | 一种基于随机森林的非侵入式家用电器识别方法 |
| WO2018233294A1 (zh) * | 2017-06-19 | 2018-12-27 | 天津大学 | 一种高压直流输电线路故障类型判断方法 |
| CN107543998A (zh) * | 2017-07-18 | 2018-01-05 | 华北电力大学 | 多端柔性直流输电系统直流侧故障定位系统及方法 |
| CN108107319A (zh) * | 2017-11-27 | 2018-06-01 | 山东大学 | 一种多端柔性直流电网故障定位方法及系统 |
| CN108344924A (zh) * | 2018-01-19 | 2018-07-31 | 中电普瑞电力工程有限公司 | 一种直流输电线路行波故障测距装置启动方法及系统 |
| CN108663602A (zh) * | 2018-05-14 | 2018-10-16 | 山东大学 | 柔性直流配电网单极故障选线与区段定位方法及系统 |
| WO2020029327A1 (zh) * | 2018-08-10 | 2020-02-13 | 江南大学 | 一种基于改进随机森林算法的光伏阵列故障诊断方法 |
| CN109490704A (zh) * | 2018-10-16 | 2019-03-19 | 河海大学 | 一种基于随机森林算法的配电网故障区段定位方法 |
| CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
| CN110398663A (zh) * | 2019-07-03 | 2019-11-01 | 东南大学 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
| CN110247420A (zh) * | 2019-07-17 | 2019-09-17 | 四川轻化工大学 | 一种hvdc输电线路故障智能识别方法 |
| CN110940893A (zh) * | 2019-12-13 | 2020-03-31 | 西安锐驰电器有限公司 | 直流线路故障检测系统及方法 |
| CN111366816A (zh) * | 2020-04-26 | 2020-07-03 | 华北电力大学 | 一种基于机器学习的电网故障诊断方法 |
| CN112750051A (zh) * | 2020-12-30 | 2021-05-04 | 广东电网有限责任公司计量中心 | 基于随机森林算法的台区相序识别方法、装置及终端设备 |
Non-Patent Citations (2)
| Title |
|---|
| MARIO ŠIPOŠ: "Determining the Fault Position in the Power System", 《2020 INTERNATIONAL CONFERENCE ON SMART SYSTEMS AND TECHNOLOGIES》 * |
| 林楠: "BA-Adaboost模型的黑土区土壤养分含量高光谱估测", 《光谱学与光谱分析》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117728054A (zh) * | 2024-02-06 | 2024-03-19 | 北京航空航天大学 | 一种飞行汽车动力电池管理方法及系统 |
| CN117728054B (zh) * | 2024-02-06 | 2024-04-12 | 北京航空航天大学 | 一种飞行汽车动力电池管理方法及系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113625108B (zh) | 2022-11-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Wang et al. | Frustratingly simple few-shot object detection | |
| CN111563424B (zh) | 基于半监督学习的行人再识别方法及装置 | |
| US20170061252A1 (en) | Method and device for classifying an object of an image and corresponding computer program product and computer-readable medium | |
| CN113625108B (zh) | 一种柔性直流配电网故障识别方法 | |
| CN113572708B (zh) | 一种dft信道估计改进方法 | |
| CN106443380B (zh) | 一种配电电缆局部放电信号识别方法及装置 | |
| CN114441900A (zh) | 一种配电网单相接地故障选线方法及系统 | |
| CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
| 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 | |
| CN110610212A (zh) | 一种配电网的变压器的故障分类方法和故障分类装置 | |
| CN114252739B (zh) | 配电网单相接地故障判别方法、系统、设备和存储介质 | |
| CN111539924A (zh) | 一种悬垂线夹的缺陷检测方法、装置、设备及存储介质 | |
| CN116243110A (zh) | 一种一级式配电网故障识别与定位方法及相关设备 | |
| 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 | |
| CN116756594A (zh) | 一种电网数据异常点检测方法、系统、设备及介质 | |
| Karan et al. | Fault classification in microgrids using deep learning | |
| CN114980122A (zh) | 一种小样本射频指纹智能识别系统与方法 | |
| CN113627294A (zh) | 一种基于深度学习的变电站异常智能识别方法及系统 | |
| CN113076892A (zh) | 一种基于深度学习sdae-bp的暂降类型识别方法、装置和系统 | |
| CN104408072B (zh) | 一种基于复杂网络理论的适用于分类的时间序列特征提取方法 | |
| CN115494349B (zh) | 有源配电网单相接地故障区段定位方法 | |
| CN106803290A (zh) | 输配线路巡视记录方法和装置 | |
| Wan et al. | Feeder selection method for full cable networks earth faults based on improved K‐means | |
| CN116502149A (zh) | 基于电流特征传导的低压配电网户变关系识别方法及系统 | |
| CN109581142B (zh) | 一种新型多维度融合的高压发电机组定子单相接地故障检测方法 |
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 |