CN113884818B - 一种基于lstm的配电网故障行波到达时间精确估算方法 - Google Patents
一种基于lstm的配电网故障行波到达时间精确估算方法 Download PDFInfo
- Publication number
- CN113884818B CN113884818B CN202111258867.3A CN202111258867A CN113884818B CN 113884818 B CN113884818 B CN 113884818B CN 202111258867 A CN202111258867 A CN 202111258867A CN 113884818 B CN113884818 B CN 113884818B
- Authority
- CN
- China
- Prior art keywords
- traveling wave
- lstm
- arrival time
- waveform
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 37
- 238000007689 inspection Methods 0.000 claims abstract description 20
- 238000012549 training Methods 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 229920001155 polypropylene Polymers 0.000 claims abstract description 8
- 238000006243 chemical reaction Methods 0.000 claims abstract description 4
- 238000012360 testing method Methods 0.000 claims description 25
- 238000005070 sampling Methods 0.000 claims description 14
- 230000009466 transformation Effects 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 238000011160 research Methods 0.000 claims description 4
- 230000035772 mutation Effects 0.000 claims description 3
- 238000007796 conventional method Methods 0.000 abstract 1
- 238000005516 engineering process Methods 0.000 description 3
- 230000006978 adaptation Effects 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 2
- 210000004027 cell Anatomy 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
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
- G01R31/088—Aspects of digital computing
-
- 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)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于LSTM的配电网故障行波到达时间精确估算方法,该方法在故障录波装置上获取线路两端的电压原始信号,经过相模变换后得到电压线模行波信号;对电压线模行波信号使用导数法,选择导数模极大值前信号导入LSTM模型训练超参数;寻找模型评价指标均方根误差RMSE值最小时,模型所对应的超参数组合;进行正态分布检验,输出预测波形并与原始波形做差,得到预测波形残差;对残差进行PP检验,得到残差序列平稳性改变点,即得到行波波头到达时刻。本发明解决了传统方法无法精准识别配电网行波波头的问题,减小高频噪声对行波波头辨识的影响,具有较高的精度和可靠性。
Description
技术领域
本发明属于电网故障定位技术领域,具体涉及一种基于LSTM的配电网故障行波到达时间精确估算方法。
背景技术
随着智能配电网建设的推进,故障定位技术对于迅速查找故障,快速恢复供电时间,降低各方经济损失有着重要意义。近年来,针对行波波速变化、多回线模量解耦、广域测量点布置等问题进行故障定位的研究正在增多。但在众多故障定位算法应用中,影响故障定位误差最主要的因素是故障行波的行波波头到达时刻辨识不精确。
不同于输电网,配电网拓扑结构复杂,包含大量短线路分支,一些电力电子设备和非线性负载运行时会产生大量的高次谐波以及高频噪声,这些噪声容易与故障行波信号叠加,进而造成行波采集装置中采集到的行波波头暂态信号与噪声严重混叠,使得行波波头辨识困难,无法精准辨识波头到达时刻。采用双端行波法进行故障定位时,1MHz的采样频率下,若存在1μs的波头到达时刻误差,定位误差即为300米,误差极大。依靠传统的行波波头辨识方法如小波变换、经验模态分解等方式无法精准识别配电网行波波头。
所以,寻找适用于配电网的行波波头精确辨识方法是提高配电网故障定位精度的关键。
发明内容
为了解决上述背景技术中所提配电网的行波波头辨识难的问题,本发明提出一种基于LSTM的配电网故障行波到达时间精确估算方法。
为了实现上述技术目的,本发明提供了一种基于LSTM的配电网故障行波到达时间精确估算方法,该估算方法包括:
在故障录波装置上获取线路两端的电压原始信号,经过相模变换后得到电压线模行波信号;
对电压线模行波信号使用导数法确定导数模极大值对应的时刻;
选择导数模极大值前信号导入LSTM模型训练超参数;
寻找模型评价指标均方根误差RMSE值最小时,模型所对应的超参数组合;
进行正态分布检验,输出预测波形并与原始波形做差,得到预测波形残差;
对残差进行PP检验,得到残差序列平稳性改变点,即得到行波波头到达时刻。
优选的,所述相模变换可使用karrenbauer变换矩阵实现,通过使用karrenbauer变换矩阵得到的线模电压行波信号为:
式中,U1表示变换后的线模电压行波信号,UA、UB表示A、B相电压信号。优选的,所述电压线模行波信号使用导数法确定导数模极大值对应的时刻为:
式中,i表示导数模极大值对应的时刻,Y(i)与Y(i-1)表示信号中相邻的两个信号值,T为采样周期。
优选的,所述选择导数模极大值前信号导入LSTM模型训练超参数,具体包括:利用前75%的训练集信号在LSTM模型中预测模拟出后25%的信号波形,在与原始波形中后25%的测试集比较相似程度来训练出最优的超参数。
优选的,所述模型评价指标均方根误差RMSE为:
在LSTM模型的训练中,选择RMSE均方根误差作为LSTM模型在测试集中的评价指标,式中Pθi代表着在θ组超参数情况下的预测值、Yi代表原始值、N代表时间序列中测试集的长度。
优选的,所述均方根误差RMSE值最小时,模型所对应的超参数组合为:
BEST_θ=argmin(RMSE)
式中,BEST_θ代表所有超参数组合中RMSE最小的超参数组合,均方根误差RMSE越小就说明预测波形与原始波形越相似,此时LSTM模型模拟预测的能力越精确,所以当RMSE最小时即是LSTM模型超参数最优状态。
优选的,所述模型所对应的超参数组合具体包括:输入的时间序列长度I、隐藏神经元个数N、学习率R、批次尺寸S、最大迭代轮数E,其中,
所述输入时间序列长度I在300个采样时刻;
所述隐藏神经元个数N的数值设置范围为20-120;
所述学习率R和批次尺寸S的经验数值设置范围为0.0005-0.005和32-256;
所述最大迭代轮数E设置为100次。
优选的,所述进行正态分布检验,输出预测波形并与原始波形做差,得到预测波形残差的步骤包括:
以导数模极大值对应的时刻作为搜索检验的边界;
从边界处开始进行逆时序搜索,每一次时窗前移一个采样时刻后计算测试集的残差,并对残差进行正态分布检验;
逆时序搜索结束后,根据残差进行正态分布检验结果,确定正确的时窗位置;
输出预测波形并与原始波形做差,得到预测波形残差。
优选的,所述以导数模极大值对应的时刻作为搜索检验边界,具体包括:根据行波波头到达时刻前数据进行预测,如果输入的时间序列包含行波波头突变信号,将导致预测失败,需要选择原始行波信号中合适时窗作为LSTM模型的训练信号才能达到要求,经过研究证明导数模极大值一定会位于行波波头到达时刻之后,将导数模极大值对应的时刻作为搜索合适时窗的边界。
优选的,所述对残差进行正态分布检验的方法为:
在最优的超参数情况下,预测波形与原始波形十分相似,预测波形与原始波形的残差应符合一维正态分布的随机分布,对其进行正态分布检验,每一次检验都会返回一个值;
若残差不符合正态分布,则返回值为1;
若残差符合正态分布,则返回值为0;
在初始时窗的位置,返回值一定为1,直到到达最佳时窗,返回值为0,此时结束搜索。
与现有技术相比,本发明具有以下优点:
本发明通过将行波波头到达时刻前的自相关噪声信号导入LSTM神经网络,建立该噪声信号的模型,输出噪声信号,并以做差的方式在原始波形中将该噪声消除;有效的解决了现有方法如小波变换、经验模态分解等方式无法识别配电网故障行波波头问题;减小了高频噪声对故障精确定位的影响,提升了行波测距精度。
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。
图1为本发明一实施例提供的基于LSTM的配电网故障行波到达时间估算流程图;
图2为LSTM细胞拓扑结构。
具体实施方式
为了加深对本发明的认识和理解,下面结合附图和具体实施方式进一步介绍本发明的技术方案。
配电网实际现场测量装置采集到的故障数据并非软件仿真所输出的完美形式的故障数据,其测量装置采集到的数据不可避免地会受到各种噪声源的影响,且噪声并不是简单的高斯白噪声;因为配电网中含有电力电子设备及非线性负载,其日常运行时含有高次谐波和噪声,从而导致行波波头识别困难。为了解决上述背景技术中所提配电网的行波波头辨识难的问题,本发明提出一种基于LSTM的配电网故障行波到达时间精确估算方法。下面结合附图对本发明作更进一步的说明。
一种LSTM细胞拓扑结构如图2所示,本发明提出了一种基于LSTM的配电网故障行波到达时间精确估算方法,参照图1所示。
步骤100:在故障录波装置上获取线路两端的电压原始信号,经过相模变换后得到电压线模行波信号。
当配电网发生故障时,故障录波装置上传数据,执行步骤100获取线路两端的电压原始信号,经过相模变换矩阵得到线模电压行波信号。相模变换可使用karrenbauer变换矩阵实现。
通过使用karrenbauer变换矩阵得到的线模电压行波信号为:
式中,U1表示变换后的线模电压行波信号,UA、UB表示A、B相电压信号。
步骤200:对电压线模行波信号使用导数法确定导数模极大值对应的时刻。
该步骤通过对线模电压行波信号使用导数法,确定出导数模极大值对应的时刻。电压线模行波信号使用导数法确定导数模极大值对应的时刻为:
式中,i表示导数模极大值对应的时刻,Y(i)与Y(i-1)表示信号中相邻的两个信号值,T为采样周期。
步骤300:选择导数模极大值前信号导入LSTM模型训练超参数。
选择导数模极大值前信号导入LSTM模型训练超参数,具体包括:利用前75%的训练集信号在LSTM模型中预测模拟出后25%的信号波形,在与原始波形中后25%的测试集比较相似程度来训练出最优的超参数。
步骤400:寻找模型评价指标均方根误差RMSE值最小时,模型所对应的超参数组合。
为了衡量所选取的神经网络参数的好坏,实施例中选择了RMSE均方根误差作为LSTM模型在测试集中的评价指标。均方根误差为RMSE为:
在LSTM模型的训练中,选择RMSE均方根误差作为LSTM模型在测试集中的评价指标,式中Pθi代表着在θ组超参数情况下的预测值、Yi代表原始值、N代表时间序列中测试集的长度。
均方根误差RMSE值最小时,模型所对应的超参数组合为:
BEST_θ=argmin(RMSE)
式中,BEST_θ代表所有超参数组合中RMSE最小的超参数组合。均方根误差RMSE越小就说明预测波形与原始波形越相似,此时LSTM模型模拟预测的能力越精确,所以当RMSE最小时即是LSTM模型超参数最优状态。
该模型所对应的超参数组合具体包括:输入的时间序列长度I、隐藏神经元个数N、学习率R、批次尺寸S、最大迭代轮数E,为了控制迭代轮数E来减少时间,本方法迭代轮数E设置为100次,输入时间序列长度I在300个采样时刻即可满足预测要求;隐藏神经元个数N越多,其模型的非线性拟合能力越强,但是其计算与时间成本也上升,所以N的数值设置范围为20-120;学习率R和批次尺寸S会影响到LSTM迭代收敛速度与预测精度,一般R和S的经验数值设置范围为0.0005-0.005和32-256。
步骤500:进行正态分布检验,输出预测波形并与原始波形做差,得到预测波形残差。
实施该具体包括以下步骤:
步骤501:以导数模极大值对应的时刻作为搜索检验的边界;
以导数模极大值对应的时刻作为搜索检验边界,具体包括:根据行波波头到达时刻前数据进行预测,如果输入的时间序列包含行波波头突变信号,将导致预测失败,需要选择原始行波信号中合适时窗作为LSTM模型的训练信号才能达到要求,经过研究证明导数模极大值一定会位于行波波头到达时刻之后,将导数模极大值对应的时刻作为搜索合适时窗的边界。
步骤502:从边界处开始进行逆时序搜索,每一次时窗前移一个采样时刻后计算测试集的残差,并对残差进行正态分布检验;
对残差进行正态分布检验的方法为:在最优的超参数情况下,预测波形与原始波形十分相似,预测波形与原始波形的残差应符合一维正态分布的随机分布,对其进行正态分布检验,每一次检验都会返回一个值;
若残差不符合正态分布,则返回值为1;
若残差符合正态分布,则返回值为0;
在初始时窗的位置,返回值一定为1,直到到达最佳时窗,返回值为0,此时结束搜索。
本实施例中正态分布检验具体是指基于lilliefos的正态分布检验。
步骤503:逆时序搜索结束后,根据残差进行正态分布检验结果,确定正确的时窗位置;
步骤504:输出预测波形并与原始波形做差,得到预测波形残差。
步骤600:对残差进行PP检验,得到残差序列平稳性改变点,即得到行波波头到达时刻。
为了验证本发明的可靠性和有效性,在PSCAD上搭建一条总长为2.5km的10kV配电电缆线路故障仿真试验系统。该系统包含两台采样速率为1MHz的行波测量单元、同步校时设备、电缆故障仿真模型(包含:电源、配电变压器、三相隔离变压器、负荷、断路器、三芯电缆模块)。在距离电缆线路首端1.5km处设置故障,在线路首端和末端分别放置行波测量单元。试验模拟了3组不同故障电阻(0Ω、100Ω和200Ω)下的单相接地故障。电缆线路行波波速为1.9×108m/s。采用本发明进行不同故障电阻下的行波波头到达时刻估算,其具体结果如表1所示。表中R为设置故障电阻的阻值,T表示故障的触发次数,Ps为波头到达首端的采样时刻,Pr为波头到达末端的采样时刻,D为波头到达首端的采样时刻与到达末端采样时刻的差值,e为两端行波波头到达时间差的实际值与理论值的绝对误差。由于故障时行波波头到达首端比末端多传播0.5km,根据故障距离和波速可以计算得知,行波波头到达首端的采样时刻比行波波头到达末端的采样时刻长2.63μs,所以两端的行波波头到达时刻差值应为2.63μs。从表中结果可以看出:本发明能够精确估算电缆发生单相接地故障后的暂态行波波头到达线路两端的时刻,线路两端时间差的最大和最小估算误差仅有1.63μs和0.37μs。
表1不同故障电阻下行波波头到达时刻估算结果
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (10)
1.一种基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,该估算方法包括:
在故障录波装置上获取线路两端的电压原始信号,经过相模变换后得到电压线模行波信号;
对电压线模行波信号使用导数法确定导数模极大值对应的时刻;
选择导数模极大值前信号导入LSTM模型训练超参数;
寻找模型评价指标均方根误差RMSE值最小时,模型所对应的超参数组合;
进行正态分布检验,输出预测波形并与原始波形做差,得到预测波形残差;
对残差进行PP检验,得到残差序列平稳性改变点,即得到行波波头到达时刻。
2.根据权利要求1所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述相模变换可使用karrenbauer变换矩阵实现,通过使用karrenbauer变换矩阵得到的线模电压行波信号为:
式中,U1表示变换后的线模电压行波信号,UA、UB表示A、B相电压信号。
3.根据权利要求1所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述电压线模行波信号使用导数法确定导数模极大值对应的时刻为:
式中,i表示导数模极大值对应的时刻,Y(i)与Y(i-1)表示信号中相邻的两个信号值,T为采样周期。
4.根据权利要求1所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述选择导数模极大值前信号导入LSTM模型训练超参数,具体包括:利用前75%的训练集信号在LSTM模型中预测模拟出后25%的信号波形,在与原始波形中后25%的测试集比较相似程度来训练出最优的超参数。
5.根据权利要求1所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述模型评价指标均方根误差RMSE为:
在LSTM模型的训练中,选择RMSE均方根误差作为LSTM模型在测试集中的评价指标,式中Pθi代表着在θ组超参数情况下的预测值、Yi代表原始值、N代表时间序列中测试集的长度。
6.根据权利要求5所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述均方根误差RMSE值最小时,模型所对应的超参数组合为:
BEST_θ=argmin(RMSE)
式中,BEST_θ代表所有超参数组合中RMSE最小的超参数组合,均方根误差RMSE越小就说明预测波形与原始波形越相似,此时LSTM模型模拟预测的能力越精确,所以当RMSE最小时即是LSTM模型超参数最优状态。
7.根据权利要求6所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述模型所对应的超参数组合具体包括:输入的时间序列长度I、隐藏神经元个数N、学习率R、批次尺寸S、最大迭代轮数E,其中,
所述输入时间序列长度I在300个采样时刻;
所述隐藏神经元个数N的数值设置范围为20-120;
所述学习率R和批次尺寸S的经验数值设置范围为0.0005-0.005和32-256;
所述最大迭代轮数E设置为100次。
8.根据权利要求1所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述进行正态分布检验,输出预测波形并与原始波形做差,得到预测波形残差的步骤包括:
以导数模极大值对应的时刻作为搜索检验的边界;
从边界处开始进行逆时序搜索,每一次时窗前移一个采样时刻后计算测试集的残差,并对残差进行正态分布检验;
逆时序搜索结束后,根据残差进行正态分布检验结果,确定正确的时窗位置;
输出预测波形并与原始波形做差,得到预测波形残差。
9.根据权利要求8所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述以导数模极大值对应的时刻作为搜索检验边界,具体包括:
根据行波波头到达时刻前数据进行预测,如果输入的时间序列包含行波波头突变信号,将导致预测失败,需要选择原始行波信号中合适时窗作为LSTM模型的训练信号才能达到要求,经过研究证明导数模极大值一定会位于行波波头到达时刻之后,将导数模极大值对应的时刻作为搜索合适时窗的边界。
10.根据权利要求8所述的基于LSTM的配电网故障行波到达时间精确估算方法,其特征在于,所述对残差进行正态分布检验的方法为:
在最优的超参数情况下,预测波形与原始波形十分相似,预测波形与原始波形的残差应符合一维正态分布的随机分布,对其进行正态分布检验,每一次检验都会返回一个值;
若残差不符合正态分布,则返回值为1;
若残差符合正态分布,则返回值为0;
在初始时窗的位置,返回值一定为1,直到到达最佳时窗,返回值为0,此时结束搜索。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111258867.3A CN113884818B (zh) | 2021-10-27 | 2021-10-27 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111258867.3A CN113884818B (zh) | 2021-10-27 | 2021-10-27 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113884818A CN113884818A (zh) | 2022-01-04 |
CN113884818B true CN113884818B (zh) | 2024-04-09 |
Family
ID=79014874
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111258867.3A Active CN113884818B (zh) | 2021-10-27 | 2021-10-27 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113884818B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117192291B (zh) * | 2023-10-31 | 2024-01-09 | 国网浙江省电力有限公司宁波供电公司 | 一种配电网单相断线不接地故障定位方法 |
CN117668471B (zh) * | 2024-02-02 | 2024-04-05 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于故障行波电流特征的树线放电故障识别方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646121A (zh) * | 2016-11-29 | 2017-05-10 | 国网辽宁省电力有限公司沈阳供电公司 | 一种配电网故障行波波头的辨识方法 |
CN109521330A (zh) * | 2018-12-06 | 2019-03-26 | 中国矿业大学 | 一种基于arima波头预测的输电线路故障行波测距方法 |
CN110514967A (zh) * | 2019-10-12 | 2019-11-29 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 |
CN111983386A (zh) * | 2020-08-19 | 2020-11-24 | 剑科云智(深圳)科技有限公司 | 一种配电网的分布式状态估计系统 |
CN112041693A (zh) * | 2018-05-07 | 2020-12-04 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 |
CN112731051A (zh) * | 2020-12-18 | 2021-04-30 | 武汉大学 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
CN113092933A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 一种基于lstm的单相接地故障选线方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110674604B (zh) * | 2019-09-20 | 2022-07-08 | 武汉大学 | 基于多维时序帧卷积lstm的变压器dga数据预测方法 |
-
2021
- 2021-10-27 CN CN202111258867.3A patent/CN113884818B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106646121A (zh) * | 2016-11-29 | 2017-05-10 | 国网辽宁省电力有限公司沈阳供电公司 | 一种配电网故障行波波头的辨识方法 |
CN112041693A (zh) * | 2018-05-07 | 2020-12-04 | 美国映翰通网络有限公司 | 一种基于混合录波的配电网故障定位系统 |
CN109521330A (zh) * | 2018-12-06 | 2019-03-26 | 中国矿业大学 | 一种基于arima波头预测的输电线路故障行波测距方法 |
CN110514967A (zh) * | 2019-10-12 | 2019-11-29 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 |
CN111983386A (zh) * | 2020-08-19 | 2020-11-24 | 剑科云智(深圳)科技有限公司 | 一种配电网的分布式状态估计系统 |
CN112731051A (zh) * | 2020-12-18 | 2021-04-30 | 武汉大学 | 混合网络的高压直流输电线路的单端故障定位方法及系统 |
CN113092933A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 一种基于lstm的单相接地故障选线方法及系统 |
Non-Patent Citations (3)
Title |
---|
基于PCA/LSTM的海底观测网电力系统供电海缆故障定位;耿坤;吕枫;;海洋技术学报;20200615(第03期);全文 * |
基于稳态波形分解与神经网络的负荷识别方法;陈伟伟;洪彬倬;;电力大数据;20200321(第03期);全文 * |
电网技术第41卷(2017)总目次;电网技术;20171205(第12期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113884818A (zh) | 2022-01-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113884818B (zh) | 一种基于lstm的配电网故障行波到达时间精确估算方法 | |
CN110514967B (zh) | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 | |
US20220196720A1 (en) | Single-ended fault positioning method and system for high-voltage direct-current transmission line of hybrid network | |
CN108508320A (zh) | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 | |
CN103913676B (zh) | 基于可变行波辨识时窗的输电线路单端故障定位方法 | |
CN101907437A (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN103513159A (zh) | 一种直流接地极线路上的故障测距方法及装置 | |
CN109001594A (zh) | 一种故障行波定位方法 | |
CN109521330B (zh) | 一种基于arima波头预测的输电线路故障行波测距方法 | |
CN111239549A (zh) | 一种基于离散小波变换的配电故障快速定位方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
CN117192292B (zh) | 一种雷击接地极线路故障测距方法及系统 | |
CN111766470B (zh) | 高压直流输电线路的故障定位方法、系统及直流输电线路 | |
CN113109669A (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 | |
CN106600452A (zh) | 基于时间分析矩阵及聚类分析的配电网行波故障定位方法 | |
CN114113890B (zh) | 基于行波模量传输时差的多端融合配电网故障定位方法 | |
CN107179473B (zh) | 一种输电线路故障定位方法 | |
CN115494341A (zh) | 基于ielm-vmd算法的配电网故障测距方法及系统 | |
CN115267428A (zh) | 基于vmd-et特征选择的lcc-mmc单极接地故障定位方法 | |
CN106093516B (zh) | 基于多频带分解的输电线路故障电流行波波形的重现方法 | |
CN113376480A (zh) | 配电网接地故障选线方法 | |
CN117368645A (zh) | 配电网电缆故障点测距方法、系统、计算机设备及介质 | |
CN113033077A (zh) | 一种基于神经网络算法的直流输电线路故障测距方法 | |
CN116298657A (zh) | 一种微弱故障行波下的多分支配电网故障定位方法 |
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 |