CN113762412A - 一种配电网单相接地故障识别方法、系统、终端及介质 - Google Patents

一种配电网单相接地故障识别方法、系统、终端及介质 Download PDF

Info

Publication number
CN113762412A
CN113762412A CN202111126854.0A CN202111126854A CN113762412A CN 113762412 A CN113762412 A CN 113762412A CN 202111126854 A CN202111126854 A CN 202111126854A CN 113762412 A CN113762412 A CN 113762412A
Authority
CN
China
Prior art keywords
fault
phase earth
phase
cycle
earth fault
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
Application number
CN202111126854.0A
Other languages
English (en)
Other versions
CN113762412B (zh
Inventor
苏学能
张华�
范松海
方玉
高艺文
李世龙
龙呈
杨勇波
宁鑫
徐琳
刘畅
雷潇
张睿
罗洋
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical Electric Power Research Institute of State Grid Sichuan Electric Power Co Ltd
Priority to CN202111126854.0A priority Critical patent/CN113762412B/zh
Publication of CN113762412A publication Critical patent/CN113762412A/zh
Application granted granted Critical
Publication of CN113762412B publication Critical patent/CN113762412B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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
    • 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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • 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

本发明公开了一种配电网单相接地故障识别方法、系统、终端及介质，涉及配电网故障识别技术领域，其技术方案要点是：根据零序等效网络构造契合接地故障的特征工程，特征工程包括零序电压、零序电流分别对应的幅值周波、突变量幅值周波和相位周波；采用主成分分析法对特征工程进行降维优化处理，得到故障特征集；依据故障特征集以机器学习算法构建单相接地故障分类模型；将故障采集数据输入单相接地故障分类模型进行故障识别，得到故障识别结果。本发明既提高了模型的准确率，又提升了抵抗强干扰恶劣工况接地故障的识别泛化能力。

Description

一种配电网单相接地故障识别方法、系统、终端及介质
技术领域
本发明涉及配电网故障识别技术领域，更具体地说，它涉及一种配电网单相接地故障识别方法、系统、终端及介质。
背景技术
中低压配电网(3-66kV)接地方式，主要以中性点不接地、中性点经消弧线圈接地两种方式为主，也常称作小电流接地系统。配电网故障中，单相接地故障发生概率占据总故障事件近60-80％，且相间故障大多由单相接地故障恶化而来，因此在发生单相接地故障时，准确、迅速地识别该故障对于故障恶化及范围扩大的有效防止，具有非常重要的意义。
目前，关于单相接地故障识别算法，主要包括：暂态法和稳态法。首半波极性法、暂态无功功率方向法、暂态参数识别法等方法，是暂态法范畴中最主流的三种方法；稳态法包含种类丰富，包含工频零序电流比幅法、工频零序电流比相法、谐波分量法、零序电流有功分量法和零序导纳法等。对比而言，稳态法受中性点接地方式影响较大，故其更适合于中性点不接地系统，而暂态法受中性点消弧线圈接地系统影响较小，适应能力更强，因此在工程应用中，随着暂态故障录波功能的普及，故障暂态信号法逐渐成为最常用的接地故障识别方法。例如：1、通过采集暂态过程中三相电流突变量进行相序电流之间的相关系数计算后，依据相序相关系数之间的最大差异甄别接地故障。2、利用暂态零序电流特定频率分量，比较暂态零序电流幅值大小、极性差异，从而识别单相接地故障。3、小波变换提取暂态零序信息的方法。4、通过零序电流广义S变换能量相对熵识别接地故障。虽然这些暂态信号法在处理零序电流较大的故障时效果理想，但是实际运行中故障零序电流较小时，易受到启动定值、采样噪声、电磁干扰等多个环节的综合系统性影响，最终使算法灵敏度较低，过于受配电网不同工况影响，亦过度依赖各类配置参数的差异化配置。
因此，如何研究设计能够克服上述缺陷的配电网单相接地故障识别方法、系统、终端及介质是我们目前急需解决的问题。
发明内容
为解决现有技术中的不足，本发明的目的是提供了模型-数据联合驱动下机器学习的配电网单相接地故障识别方法、系统、终端及介质，既提高了模型的准确率，又提升了抵抗强干扰恶劣工况接地故障的识别泛化能力。
本发明的上述技术目的是通过以下技术方案得以实现的：
第一方面，提供了一种配电网单相接地故障识别方法，包括以下步骤：
根据零序等效网络构造契合接地故障的特征工程，特征工程包括零序电压、零序电流分别对应的幅值周波、突变量幅值周波和相位周波；
采用主成分分析法对特征工程进行降维优化处理，得到故障特征集；
依据故障特征集以机器学习算法构建单相接地故障分类模型；
将故障采集数据输入单相接地故障分类模型进行故障识别，得到故障识别结果。
进一步的，所述特征工程的构造过程具体为：
建立单相接地故障零序等效网络模型；
根据故障线路、非故障线路、非故障元件的故障特点以及暂态录波数据建立由零序电压幅值周波序列、零序电压突变量幅值周波序列、零序电压相位周波序列、零序电流幅值周波序列、零序电流突变量幅值周波序列和零序电流相位周波序列组成的特征工程。
进一步的，所述特征工程中各个序列所对应的特征值采用傅里叶分解函数以及幅值/相位提取函数提取得到。
进一步的，所述特征工程中各个序列所对应周期的采样频率12800Hz，采样数为256。
进一步的，所述机器学习算法为AdaBoost算法。
进一步的，所述单相接地故障分类模型采用基于权重改进的阈值移动上采样方法对引入样本不平衡修正，修正公式具体为：
ym-/(m+-ym+)＞β
其中，y表示预测为正例的概率阈值；m+、m-分别表示正例数目、反例数目；β表示修正权重参数，取值为0.6-0.8。
进一步的，所述特征工程从初始构造的1536维的负荷特征工程优化降维至12维。
第二方面，提供了一种配电网单相接地故障识别系统，包括：
工程构造模块，用于根据零序等效网络构造契合接地故障的特征工程，特征工程包括零序电压、零序电流分别对应的幅值周波、突变量幅值周波和相位周波；
工程处理模块，用于采用主成分分析法对特征工程进行降维优化处理，得到故障特征集；
模型构建模块，用于依据故障特征集以机器学习算法构建单相接地故障分类模型；
故障识别模块，用于将故障采集数据输入单相接地故障分类模型进行故障识别，得到故障识别结果。
第三方面，提供了一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面中任意一项所述的一种配电网单相接地故障识别方法。
第四方面，提供了一种计算机可读介质，其上存储有计算机程序，所述计算机程序被处理器执行可实现如第一方面中任意一项所述的一种配电网单相接地故障识别方法。
与现有技术相比，本发明具有以下有益效果：
1、本发明提出的一种配电网单相接地故障识别方法，在根据零序等效网络构造契合接地故障的特征工程时，不仅考虑了零序电压、零序电流分别对应的幅值周波和相位周波，还创造性地考虑幅值周波、相位周波两者间的方向性矢量，即零序电压突变量幅值周波、零序电流突变量幅值周，更加适应高阻接地故障、低阻型接地故障等多场景和强干扰恶劣工况下的快速灵敏检测，既提高了模型的准确率，又提升了抵抗强干扰恶劣工况接地故障的识别泛化能力；
2、本发明提出基于权重改进的阈值移动上采样技术，能够克服传统上采样技术容易依赖于样本不平衡差异的无差期准确估计的问题，可有效避免样本不均衡的有差干扰；
3、本发明针对PSCAD仿真模型、真型波形试验下的故障、非故障样例，单相接地故障分类模型分别取得93.52％、100％的分类正确率；且采取主成分降维技术后，特征工程可以转化为由12维向量表征的特征空间，实现了高达99.21％的空间压缩率；此外，学习曲线中训练集和验证集训练效果整体趋于0.93，以及交叉验证下的AUC平均面积亦近0.93。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解，构成本申请的一部分，并不构成对本发明实施例的限定。在附图中：
图1是本发明实施例中的流程图；
图2是本发明实施例中的单相接地零序等效网络及相量网络示意图；
图3是本发明实施例中采取PCA法降维后单相接地故障特征值分布示意图；
图4是本发明实施例中AdaBoost接地故障分类模型的学习曲线图；
图5是本发明实施例中AdaBoost接地故障分类模型的ROC曲线图；
图6是本发明实施例中的系统框图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例和附图，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。
实施例1：一种配电网单相接地故障识别方法，如图1所示，包括以下步骤：
S1：根据零序等效网络构造契合接地故障的特征工程，特征工程包括零序电压、零序电流分别对应的幅值周波、突变量幅值周波和相位周波；
S2：采用主成分分析法对特征工程进行降维优化处理，得到故障特征集；
S3：依据故障特征集以机器学习算法构建单相接地故障分类模型；
S4：将故障采集数据输入单相接地故障分类模型进行故障识别，得到故障识别结果。
结合图2所示的单相接地故障零序等效网络模型，鉴于故障线路与非故障线路、非故障元件的故障特点完全不同，可构造单相接地故障特征。结合山火防范的背景，考虑暂态录波数据。
其中，所述构造的特征工程截然不同于现有仅考虑零序电压、零序电流对应的幅值和相位标量的单相接地故障特征，还创新地提出了两者的方向性矢量，即零序电压突变量幅值周波、零序电流突变量幅值周波，其更加适应高阻接地故障的快速的灵敏检测。当然，其对于低阻型接地故障的识别亦将具备等同优势。
对于本实施例中所构造的特征工程，将重点将一个周波的零序电压、零序电流的幅值、相位及突变量纳入范畴。
零序电压类包含三个特征：幅值周波序列、突变量幅值周波序列和相位周波序列。此处所属周波序列即为在一个周期的采样数据集。零序电压幅值周波
Figure BDA0003279149690000041
零序电压突变量幅值周波
Figure BDA0003279149690000046
和零序电压相位周波
Figure BDA0003279149690000047
三个特征序列的提取公式具体为：
Figure BDA0003279149690000042
Figure BDA0003279149690000043
Figure BDA0003279149690000044
其中，
Figure BDA0003279149690000048
为零序电压周波向量序列；
Figure BDA0003279149690000049
为零序电压向量中第k个零序电压相量，其可在对应时刻t往前推移一个周波所构成序列后，通过傅里叶分解提取基波相量而得；T代表与设备采样频率关联的周波序列规模，本论文中采样频率12800Hz，T＝256；
Figure BDA0003279149690000045
分别对应第k个零序电压幅值和相位量；fft(·)、func_ext(·)分别对应傅里叶分解函数、幅值/相位提取函数；
Figure BDA00032791496900000512
则为第k个零序电压突变量幅值；
Figure BDA00032791496900000513
代表与第k个关联第t个时刻的零序电压幅值。
零序电流类也包含三个特征：幅值周波序列、突变量幅值周波序列和相位周波序列。零序电流幅值周波
Figure BDA0003279149690000051
零序电流突变量幅值周波
Figure BDA00032791496900000514
和零序电流相位周波
Figure BDA00032791496900000515
三个特征序列的提取公式具体为：
Figure BDA0003279149690000052
Figure BDA0003279149690000053
Figure BDA0003279149690000054
其中，
Figure BDA00032791496900000516
为零序电流周波向量序列；
Figure BDA00032791496900000517
为零序电流向量中第k个零序电流相量，其可在对应时刻t往前推移一个周波所构成序列后，通过傅里叶分解提取基波相量而得；
Figure BDA0003279149690000055
分别对应第k个零序电流幅值和相位量；fft(·)、func_ext(·)分别对应傅里叶分解函数、幅值/相位提取函数；
Figure BDA00032791496900000518
则为第k个零序电流突变量幅值；
Figure BDA00032791496900000519
代表与第k个关联第t个时刻的零序电流幅值。
结合零序电压幅值
Figure BDA0003279149690000056
零序电压突变量幅值
Figure BDA0003279149690000057
零序电压相位
Figure BDA0003279149690000058
零序电流幅值
Figure BDA0003279149690000059
零序电流突变量幅值
Figure BDA00032791496900000520
和零序电流相位
Figure BDA00032791496900000510
可以构造出关于单相接地故障的特征工程
Figure BDA00032791496900000511
零序电压幅值周波、零序电压突变量幅值周波和零序电压相位周波，以及零序电流幅值周波、零序电流突变量幅值周波和零序电流相位周波构造出特征工程。
针对单相接地故障的机器学习范式研究中，未见有关于单相接地故障样本天然上传配电自动化主站的故障样本、非故障样本的严重不均衡问题的研究，而样本的差异将会学习模型陷入欠拟合或过拟合的问题，因此本发明提出基于权重改进的阈值移动上采样技术，以解决上述问题的前提下进一步克服传统上采样技术容易依赖于样本不平衡差异的无差期准确估计的问题。为此，单相接地故障分类模型采用基于权重改进的阈值移动上采样方法对引入样本不平衡修正，修正公式具体为：
ym-/(m+-ym+)＞β
其中，y表示预测为正例的概率阈值；m+、m-分别表示正例数目、反例数目；β表示修正权重参数，取值为0.6-0.8。
本实施例的单相接地故障特征工程采取PCA降维技术后，对初始构造1536维的负荷特征工程进行优化降维到12维，空间压缩率高达99.21％。考虑“90％”价值空间原则后，图3刻画出选取排名靠前10的特征值，特征累计比率占91.37％。本实施例的PCA算法原理，如表1所示。
表1 PCA算法原理
Figure BDA0003279149690000061
机器学习算法中分类算法众多，涵盖KNeighbor近邻、支持向量机和决策树，以及Bagging、Boosting集成算法。相比单一分类器(也称弱学习器)，结合多个学习器的集成学习，常可获得比单一学习器显著优越的泛化性能。Boosting方法原理分别侧重于错误样例再学习及基学习器的强化具有更明显的优势。鉴于此，在以PCA法降维优化故障特征集的基础上，结合Boosting中AdaBoost法，构建单相接地故障分类模型，其原理伪代码如表2所示。
表2
Figure BDA0003279149690000071
验证一：构建的单相接地故障分类模型后，获取包含训练集和测试集在内的故障、非故障样例的混淆矩阵，如表3所示：
表3
Figure BDA0003279149690000072
表中，指标TPR、TFR、FPR和FPR分别代表真正率、真假率、假正率和假假率。表2混淆矩阵可以得知，故障例正确预测样例共101个，高达总数的93.52％，而非故障样例预测正确率100％，完全正确划分。
验证二：本实施例从学习曲线和ROC曲线维度，验证所提AdaBoost单相接地故障分类模型的性能。
图4、图5分别刻画了基于AdaBoost单相接地故障分类模型的学习曲线和ROC曲线。由图4可知，随着训练样例数量的增大，训练集和验证集的分类准确率逐渐趋于一致，且验证集的分类准确率呈现逐渐升高的趋势，其表征模型应用于未知故障集的泛化能力较强，但是该能力的提升是以训练集训练效果适当弱化为牺牲。以AdaBoost为代表的机器学习方法所构建的分类模型，其性能优劣取决于训练、验证效果的折中，亦是分类模型高偏差和高方差之间的平衡。
由图5可知，针对训练集采取交叉验证5份为前提下，每一份对应的ROC曲线的面积AUC分别为0.98、0.89、1.00、0.89和0.92，均远远高于随机猜测下的0.5，且整体的AUC面积平均值/标准差：0.93和±0.05，较小标准差说明模型训练效果比较稳定。
可见，所提AdaBoost单相接地故障分类模型，更佳适应特定刺激条件下不同判断标准的差异化选取，整体性能更稳定、鲁棒性能更佳。
实施例2：一种配电网单相接地故障识别系统，如图6所示，包括工程构造模块、工程处理模块、模型构建模块和故障识别模块。
其中，工程构造模块，用于根据零序等效网络构造契合接地故障的特征工程，特征工程包括零序电压、零序电流分别对应的幅值周波、突变量幅值周波和相位周波；工程处理模块，用于采用主成分分析法对特征工程进行降维优化处理，得到故障特征集；模型构建模块，用于依据故障特征集以机器学习算法构建单相接地故障分类模型；故障识别模块，用于将故障采集数据输入单相接地故障分类模型进行故障识别，得到故障识别结果。
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。
以上的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (10)

1.一种配电网单相接地故障识别方法，其特征是，包括以下步骤：
根据零序等效网络构造契合接地故障的特征工程，特征工程包括零序电压、零序电流分别对应的幅值周波、突变量幅值周波和相位周波；
采用主成分分析法对特征工程进行降维优化处理，得到故障特征集；
依据故障特征集以机器学习算法构建单相接地故障分类模型；
将故障采集数据输入单相接地故障分类模型进行故障识别，得到故障识别结果。
2.根据权利要求1所述的一种配电网单相接地故障识别方法，其特征是，所述特征工程的构造过程具体为：
建立单相接地故障零序等效网络模型；
根据故障线路、非故障线路、非故障元件的故障特点以及暂态录波数据建立由零序电压幅值周波序列、零序电压突变量幅值周波序列、零序电压相位周波序列、零序电流幅值周波序列、零序电流突变量幅值周波序列和零序电流相位周波序列组成的特征工程。
3.根据权利要求1所述的一种配电网单相接地故障识别方法，其特征是，所述特征工程中各个序列所对应的特征值采用傅里叶分解函数以及幅值/相位提取函数提取得到。
4.根据权利要求1所述的一种配电网单相接地故障识别方法，其特征是，所述特征工程中各个序列所对应周期的采样频率12800Hz，采样数为256。
5.根据权利要求1所述的一种配电网单相接地故障识别方法，其特征是，所述机器学习算法为AdaBoost算法。
6.根据权利要求1-5任意一项所述的一种配电网单相接地故障识别方法，其特征是，所述单相接地故障分类模型采用基于权重改进的阈值移动上采样方法对引入样本不平衡修正，修正公式具体为：
ym-/(m+-ym+)＞β
其中，y表示预测为正例的概率阈值；m+、m-分别表示正例数目、反例数目；β表示修正权重参数，取值为0.6-0.8。
7.根据权利要求6所述的一种配电网单相接地故障识别方法，其特征是，所述特征工程从初始构造的1536维的负荷特征工程优化降维至12维。
8.一种配电网单相接地故障识别系统，其特征是，包括：
工程构造模块，用于根据零序等效网络构造契合接地故障的特征工程，特征工程包括零序电压、零序电流分别对应的幅值周波、突变量幅值周波和相位周波；
工程处理模块，用于采用主成分分析法对特征工程进行降维优化处理，得到故障特征集；
模型构建模块，用于依据故障特征集以机器学习算法构建单相接地故障分类模型；
故障识别模块，用于将故障采集数据输入单相接地故障分类模型进行故障识别，得到故障识别结果。
9.一种计算机终端，包含存储器、处理器及存储在存储器并可在处理器上运行的计算机程序，其特征是，所述处理器执行所述程序时实现如权利要求1-7中任意一项所述的一种配电网单相接地故障识别方法。
10.一种计算机可读介质，其上存储有计算机程序，其特征是，所述计算机程序被处理器执行可实现如权利要求1-7中任意一项所述的一种配电网单相接地故障识别方法。
CN202111126854.0A 2021-09-26 2021-09-26 一种配电网单相接地故障识别方法、系统、终端及介质 Active CN113762412B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111126854.0A CN113762412B (zh) 2021-09-26 2021-09-26 一种配电网单相接地故障识别方法、系统、终端及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111126854.0A CN113762412B (zh) 2021-09-26 2021-09-26 一种配电网单相接地故障识别方法、系统、终端及介质

Publications (2)

Publication Number Publication Date
CN113762412A true CN113762412A (zh) 2021-12-07
CN113762412B CN113762412B (zh) 2023-04-18

Family

ID=78797640

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111126854.0A Active CN113762412B (zh) 2021-09-26 2021-09-26 一种配电网单相接地故障识别方法、系统、终端及介质

Country Status (1)

Country Link
CN (1) CN113762412B (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757291A (zh) * 2022-04-26 2022-07-15 国网四川省电力公司电力科学研究院 基于机器学习算法的单相故障识别优化方法、系统及设备
CN114764599A (zh) * 2022-04-26 2022-07-19 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灵敏度分析方法和系统
CN114910742A (zh) * 2022-05-05 2022-08-16 湖南腾河智慧能源科技有限公司 单相故障接地监测方法及监测系统、电子设备、存储介质
CN115343579A (zh) * 2022-10-20 2022-11-15 国网四川省电力公司电力科学研究院 一种电网故障分析方法、装置及电子设备
CN117314883A (zh) * 2023-10-27 2023-12-29 国网四川省电力公司电力科学研究院 基于EWT和VGGNet的配电网故障选线方法及系统

Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6097582A (en) * 1999-02-12 2000-08-01 Wisconsin Alumni Research Foundation Short circuit protection of IGBTs and other power switching devices
JP2011199954A (ja) * 2010-03-17 2011-10-06 Chugoku Electric Power Co Inc:The リアクトル接地配電系統の後備地絡保護装置
CN103257304A (zh) * 2013-04-10 2013-08-21 昆明理工大学 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法
CN103884966A (zh) * 2014-04-15 2014-06-25 河海大学常州校区 基于神经网络的配电网小电流单相接地故障定位方法
CN104297635A (zh) * 2014-10-14 2015-01-21 河南理工大学 基于原子稀疏分解与极限学习机的配电网故障选线方法
CN107238780A (zh) * 2017-06-13 2017-10-10 国网江苏省电力公司宿迁供电公司 利用粗集理论分类的补偿接地电网自适应选线方法
US20180101932A1 (en) * 2016-10-11 2018-04-12 The Boeing Company System and method for upsampling of sparse point cloud for 3d registration
CN108008244A (zh) * 2017-10-25 2018-05-08 国网湖北省电力公司电力科学研究院 一种小电流接地故障多层次递进式分类识别方法
US20180293706A1 (en) * 2017-04-05 2018-10-11 Here Global B.V. Deep convolutional image up-sampling
CN109444640A (zh) * 2018-11-28 2019-03-08 南京国电南自电网自动化有限公司 一种配电网单相高阻接地故障检测方法、系统及存储介质
CN110009679A (zh) * 2019-02-28 2019-07-12 江南大学 一种基于多尺度特征卷积神经网络的目标定位方法
CN110579354A (zh) * 2019-10-16 2019-12-17 西安交通大学 一种基于卷积神经网络的轴承检测方法
CN111398733A (zh) * 2020-03-19 2020-07-10 华中科技大学 一种海洋核动力平台电网接地故障选线保护方法和系统
US20200275527A1 (en) * 2019-02-26 2020-08-27 Denso Corporation Control apparatus for heater
CN111965475A (zh) * 2020-06-05 2020-11-20 国电南瑞南京控制系统有限公司 一种基于零序电流分布特性的配电网综合故障研判方法
CN112083275A (zh) * 2020-08-21 2020-12-15 广东电网有限责任公司广州供电局 一种配网故障类型识别方法及系统
CN112147462A (zh) * 2020-09-16 2020-12-29 国网江西省电力有限公司电力科学研究院 一种基于深度学习的输电线路故障辨识方法
CN112180217A (zh) * 2020-09-30 2021-01-05 福州大学 一种配电网单相接地故障区段定位方法及系统
CN112241952A (zh) * 2020-10-22 2021-01-19 平安科技（深圳）有限公司 大脑中线识别方法、装置、计算机设备及存储介质
WO2021105871A1 (en) * 2019-11-29 2021-06-03 Alpha AR OÜ An automatic 3d image reconstruction process from real-world 2d images
CN113222813A (zh) * 2021-04-19 2021-08-06 西安电子科技大学 图像超分辨率重建方法、装置、电子设备及存储介质
CN113391164A (zh) * 2021-06-10 2021-09-14 中国电力科学研究院有限公司 一种配电网单相接地故障智能化识别方法及装置

Patent Citations (22)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US6097582A (en) * 1999-02-12 2000-08-01 Wisconsin Alumni Research Foundation Short circuit protection of IGBTs and other power switching devices
JP2011199954A (ja) * 2010-03-17 2011-10-06 Chugoku Electric Power Co Inc:The リアクトル接地配電系統の後備地絡保護装置
CN103257304A (zh) * 2013-04-10 2013-08-21 昆明理工大学 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法
CN103884966A (zh) * 2014-04-15 2014-06-25 河海大学常州校区 基于神经网络的配电网小电流单相接地故障定位方法
CN104297635A (zh) * 2014-10-14 2015-01-21 河南理工大学 基于原子稀疏分解与极限学习机的配电网故障选线方法
US20180101932A1 (en) * 2016-10-11 2018-04-12 The Boeing Company System and method for upsampling of sparse point cloud for 3d registration
US20180293706A1 (en) * 2017-04-05 2018-10-11 Here Global B.V. Deep convolutional image up-sampling
CN107238780A (zh) * 2017-06-13 2017-10-10 国网江苏省电力公司宿迁供电公司 利用粗集理论分类的补偿接地电网自适应选线方法
CN108008244A (zh) * 2017-10-25 2018-05-08 国网湖北省电力公司电力科学研究院 一种小电流接地故障多层次递进式分类识别方法
CN109444640A (zh) * 2018-11-28 2019-03-08 南京国电南自电网自动化有限公司 一种配电网单相高阻接地故障检测方法、系统及存储介质
US20200275527A1 (en) * 2019-02-26 2020-08-27 Denso Corporation Control apparatus for heater
CN110009679A (zh) * 2019-02-28 2019-07-12 江南大学 一种基于多尺度特征卷积神经网络的目标定位方法
CN110579354A (zh) * 2019-10-16 2019-12-17 西安交通大学 一种基于卷积神经网络的轴承检测方法
WO2021105871A1 (en) * 2019-11-29 2021-06-03 Alpha AR OÜ An automatic 3d image reconstruction process from real-world 2d images
CN111398733A (zh) * 2020-03-19 2020-07-10 华中科技大学 一种海洋核动力平台电网接地故障选线保护方法和系统
CN111965475A (zh) * 2020-06-05 2020-11-20 国电南瑞南京控制系统有限公司 一种基于零序电流分布特性的配电网综合故障研判方法
CN112083275A (zh) * 2020-08-21 2020-12-15 广东电网有限责任公司广州供电局 一种配网故障类型识别方法及系统
CN112147462A (zh) * 2020-09-16 2020-12-29 国网江西省电力有限公司电力科学研究院 一种基于深度学习的输电线路故障辨识方法
CN112180217A (zh) * 2020-09-30 2021-01-05 福州大学 一种配电网单相接地故障区段定位方法及系统
CN112241952A (zh) * 2020-10-22 2021-01-19 平安科技（深圳）有限公司 大脑中线识别方法、装置、计算机设备及存储介质
CN113222813A (zh) * 2021-04-19 2021-08-06 西安电子科技大学 图像超分辨率重建方法、装置、电子设备及存储介质
CN113391164A (zh) * 2021-06-10 2021-09-14 中国电力科学研究院有限公司 一种配电网单相接地故障智能化识别方法及装置

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
GUO M等: "Features-clustering-based earth fault detection using singular-value decomposition and fuzzy c-means in resonant grounding distribution systems" *
曾晓丹: "基于深度学习的配电网单相接地故障选线方法研究" *

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114757291A (zh) * 2022-04-26 2022-07-15 国网四川省电力公司电力科学研究院 基于机器学习算法的单相故障识别优化方法、系统及设备
CN114764599A (zh) * 2022-04-26 2022-07-19 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灵敏度分析方法和系统
CN114910742A (zh) * 2022-05-05 2022-08-16 湖南腾河智慧能源科技有限公司 单相故障接地监测方法及监测系统、电子设备、存储介质
CN115343579A (zh) * 2022-10-20 2022-11-15 国网四川省电力公司电力科学研究院 一种电网故障分析方法、装置及电子设备
CN115343579B (zh) * 2022-10-20 2023-01-10 国网四川省电力公司电力科学研究院 一种电网故障分析方法、装置及电子设备
CN117314883A (zh) * 2023-10-27 2023-12-29 国网四川省电力公司电力科学研究院 基于EWT和VGGNet的配电网故障选线方法及系统
CN117314883B (zh) * 2023-10-27 2024-04-16 国网四川省电力公司电力科学研究院 基于EWT和VGGNet的配电网故障选线方法及系统

Also Published As

Publication number Publication date
CN113762412B (zh) 2023-04-18

Similar Documents

Publication Publication Date Title
CN113762412B (zh) 一种配电网单相接地故障识别方法、系统、终端及介质
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
CN107132443B (zh) 一种三电平statcom智能故障诊断方法
CN107589342A (zh) 一种配电网单相接地故障定位方法及系统
CN103177188A (zh) 一种基于特征映射的电力系统负荷动特性分类方法
Mishra et al. A universal high impedance fault detection technique for distribution system using S-transform and pattern recognition
CN110579684A (zh) 一种基于融合算法的小电流接地系统选线方法
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
EP3012643B1 (en) Method and apparatus for identifying causes for cable overcurrent
CN114252739A (zh) 配电网单相接地故障判别方法、系统、设备和存储介质
CN103823158A (zh) 采用不变矩的谐振接地系统故障选线方法
CN111896890B (zh) 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统
Husari et al. Sensitive inter-tum fault identifcation in induction motors using deep learning based methods
CN114757291B (zh) 基于机器学习算法的单相故障识别优化方法、系统及设备
CN116415115A (zh) 变压器绕组状态确定方法及装置、变压器
Li et al. Faulty Feeders Identification for Single-phase-to-ground Fault Based on Multi-features and Machine Learning
CN113567803B (zh) 基于Tanimoto相似度的小电流接地故障定位方法及系统
CN115128400A (zh) 一种配网故障类型识别与故障选线综合研判方法及系统
CN114062845A (zh) 线路故障的检测方法、装置以及电子设备
CN110988590B (zh) 一种基于pca-svm模型的配网选线方法及系统
Parija et al. Faults classification In A Microgrid Using Decision Tree Technique And Support Vector Machine
Azarakhsh The power transformer differential protection using decision tree
Zhu et al. Fault Phase Identification Method Based on Convolutional Neural Network for Double Circuit Transmission Lines
Ahanch et al. Transmission lines fault detection, classification and location considering wavelet support vector machine with Harris Hawks optimization algorithm to improve the SVR training
CN115144695B (zh) 小电流接地系统故障线路寻找方法、装置、设备及介质

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