CN114200232B - 一种输电线路故障行波波头检测方法及系统 - Google Patents
一种输电线路故障行波波头检测方法及系统 Download PDFInfo
- Publication number
- CN114200232B CN114200232B CN202111470183.XA CN202111470183A CN114200232B CN 114200232 B CN114200232 B CN 114200232B CN 202111470183 A CN202111470183 A CN 202111470183A CN 114200232 B CN114200232 B CN 114200232B
- Authority
- CN
- China
- Prior art keywords
- traveling wave
- noise
- transmission line
- fault
- power transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims description 45
- 238000001514 detection method Methods 0.000 claims abstract description 24
- 230000008859 change Effects 0.000 claims abstract description 17
- 230000009467 reduction Effects 0.000 claims description 15
- 238000012360 testing method Methods 0.000 claims description 11
- 238000004422 calculation algorithm Methods 0.000 claims description 9
- 230000015654 memory Effects 0.000 claims description 9
- 230000008569 process Effects 0.000 claims description 9
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000001744 unit root test Methods 0.000 claims description 7
- 238000001914 filtration Methods 0.000 claims description 6
- 238000007689 inspection Methods 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 5
- 238000005315 distribution function Methods 0.000 claims description 4
- XMWRBQBLMFGWIX-UHFFFAOYSA-N C60 fullerene Chemical compound C12=C3C(C4=C56)=C7C8=C5C5=C9C%10=C6C6=C4C1=C1C4=C6C6=C%10C%10=C9C9=C%11C5=C8C5=C8C7=C3C3=C7C2=C1C1=C2C4=C6C4=C%10C6=C9C9=C%11C5=C5C8=C3C3=C7C1=C1C2=C4C6=C2C9=C5C3=C12 XMWRBQBLMFGWIX-UHFFFAOYSA-N 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 229910003472 fullerene Inorganic materials 0.000 claims description 3
- 230000001419 dependent effect Effects 0.000 claims description 2
- 241001050985 Disco Species 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 abstract description 2
- 230000006870 function Effects 0.000 description 8
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000000605 extraction Methods 0.000 description 4
- 230000000306 recurrent effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 3
- 230000001052 transient effect Effects 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 2
- 238000013135 deep learning Methods 0.000 description 2
- 108700041286 delta Proteins 0.000 description 2
- 238000009795 derivation Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000001502 supplementing effect Effects 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 230000005284 excitation Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000006403 short-term memory 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
-
- 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
-
- 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
本公开属于输电线路故障诊断技术领域,提供了一种输电线路故障行波波头检测方法及系统,获取输电线路的故障行波和背景噪声;根据所获取的背景噪声和预设的预测模型,得到预测噪声;基于所获取的输电线路的故障行波和所得到的预测噪声,得到降噪后的故障行波信号;检验所得到的降噪后的故障行波信号,识别平稳性改变点,确定故障行波波头的到达时刻。
Description
技术领域
本公开属于输电线路故障诊断技术领域,具体涉及一种输电线路故障行波波头检测方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息,不必然构成在先技术。
准确的输电线路故障点定位对于减轻电网运行人员巡线负担、加快线路供电恢复,减少因电路故障造成的经济损失,保证电力系统安全稳定运行具有重要意义。
目前常用的故障测距方法有阻抗法、行波法、故障分析法。其中,行波测距方法由于不受线路类型、接地阻抗等因素影响以及定位精度高等优点得到广泛应用。行波测距的关键是寻找行波波头的到达时刻,随着故障录波器等行波测距装置的规模化运行,行波测距波头识别存在易受干扰、可靠性差的问题,对输电线路故障进行定位时行波波头不易提取,有必要对行波波头检测与提取技术展开持续研究。
近年来国内外专家针对暂态行波波头的检测做了大量研究,早期采用求导、相关分析方法,但求导对噪声敏感,相关分析难以选择合适的时间窗;张小丽等人采用Hilbert-Huang变换(HHT)对故障行波进行检测,较准确地提取电网故障行波波头位置,但此方法存在模态混叠现象和端点效应,且没有考虑高采样频率下噪声等因素的影响。
小波分析是一种信号的时间尺度分析方法,随着小波变换理论在工业领域的广泛应用,小波变换被引入行波故障测距波头突变点的提取。此方法具有良好的时频信号局部表征能力,但是暂态行波持续时间短,衰减严重,采集到的行波信号通常含有大量的噪声信息,给行波波头检测带来困难。传统的去噪手段一般采用低通滤波的方法,各种低通滤波器虽然可在一定程度上滤除白噪声,但不能有效抑制脉冲噪声,而脉冲噪声与暂态行波信号的突变特征很相似,容易和行波信号突变点混淆,因此传统滤波算法往往不能起到良好的效果。
目前深度学习算法在电力领域的应用越来越多,而采用深度学习算法进行行波波头检测的文献较少。
发明内容
为了解决上述问题,本公开提出了一种输电线路故障行波波头检测方法及系统,根据输电线路的触发故障数据,利用电流互感器收集行波信号,硬件电路获取背景噪声;确定神经网络的输入时间序列位置,采用长短期记忆网络(Long-Short Term MemoryNetwork,简称LSTM)提取行波信号中噪声信号的规律并对噪声行波进行预测,在原始信号中将噪声滤除;然后采用扩展的迪克富勒检验(Augmented Dickey-Fuller test,简称ADF)单位根检验法对降噪后的故障行波信号的平稳性改变点进行辨识,进而确定行波波头到达时刻。
根据一些实施例,本公开的第一方案提供了一种输电线路故障行波波头检测方法,采用如下技术方案:
一种输电线路故障行波波头检测方法,包括以下步骤:
获取输电线路的故障行波和背景噪声;
根据所获取的背景噪声和预设的预测模型,得到预测噪声;
基于所获取的输电线路的故障行波和所得到的预测噪声,得到降噪后的故障行波信号;
检验所得到的降噪后的故障行波信号,识别平稳性改变点,确定故障行波波头的到达时刻。
作为进一步的技术限定,在预测噪声之前,对所获取的背景噪声进行数据的预处理,过滤高斯白噪声、高次谐波和高频噪声。
作为进一步的技术限定,所述预测模型采用LSTM,与循环神经网络相比,LSTM增加遗忘门结构、输入门结构和输出门结构。
作为进一步的技术限定,对所获取的输电线路的故障行波进行数据的预处理,剔除异常数据,补齐数据,得到预处理后的输电线路的故障行波。
进一步的,所述降噪后的故障行波信号是通过在所得到的预处理后的输电线路的故障行波中减去预测噪声所得到的。
作为进一步的技术限定,所述检验所得到的降噪后的故障行波信号的过程中,采用扩展的迪克富勒检验单位根检验法对降噪后的故障行波信号的平稳性改变点进行辨识。
进一步的,在故障行波波头到达时刻之前,降噪后的故障行波信号平稳,故障行波波头到达时,降噪后的故障行波信号的平稳性发生改变。
根据一些实施例,本公开的第二方案提供了一种输电线路故障行波波头检测系统,采用如下技术方案:
一种输电线路故障行波波头检测系统,包括:
获取模块,被配置为获取输电线路的故障行波和背景噪声;
预测模块,被配置为根据所获取的背景噪声和预设的预测模型,得到预测噪声;
降噪模块,被配置为基于所获取的输电线路的故障行波和所得到的预测噪声,得到降噪后的故障行波信号;
检测模块,被配置为检验所得到的降噪后的故障行波信号,识别平稳性改变点,确定故障行波波头的到达时刻。
根据一些实施例,本公开的第三方案提供了一种计算机可读存储介质,采用如下技术方案:
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开第一方面所述的输电线路故障行波波头检测方法中的步骤。
根据一些实施例,本公开的第四方案提供了一种电流行波采集设备,采用如下技术方案:
一种电流行波采集设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开第一方面所述的输电线路故障行波波头检测方法中的步骤,实现波形录取、数据转化、基准值计算和差分值计算功能。
与现有技术相比,本公开的有益效果为:
1.本公开以电厂的现场数据为基础,输入预测模型,基于模型预测结果获得降噪波形序列,通过对降噪后的故障行波信号的稳定性检验,得到行波波头到达时刻。
2.本公开采用LSTM算法,与传统方法相比,该方法无需做出任何简化假设,且不用考虑数据的周期性,利用其在特征提取与时间序列预测方面的优越性能,对噪声波形数据作出精度较高的预测,训练LSTM模型获取最优参数建立噪声波形预测模型;根据原始行波信号与模型数据结果得到残差序列;采用ADF单位根检验寻找残差序列突变点,从而实现行波波头到达时刻的确定。
附图说明
构成本公开的一部分的说明书附图用来提供对本公开的进一步理解,本公开的示意性实施例及其说明用于解释本公开,并不构成对本公开的不当限定。
图1是本公开实施例一中的一种输电线路故障行波波头检测方法的流程图;
图2是本公开实施例一中的LSTM的结构示意图;
图3是本公开实施例二中的一种输电线路故障行波波头检测系统的结构框图。
具体实施方式
下面结合附图与实施例对本公开作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本公开提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本公开的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下,本公开中的实施例及实施例中的特征可以相互组合。
实施例一
本公开实施例一介绍了一种输电线路故障行波波头检测方法。
如图1所示的一种输电线路故障行波波头检测方法,包括以下步骤:
步骤S01:获取输电线路的故障行波和背景噪声;
步骤S02:根据所获取的背景噪声和预设的预测模型,得到预测噪声;
步骤S03:基于所获取的输电线路的故障行波和所得到的预测噪声,得到降噪后的故障行波信号;
步骤S04:检验所得到的降噪后的故障行波信号,识别平稳性改变点,确定故障行波波头的到达时刻。
在获取输电线路故障行波数据之后,包括:对历史数据进行预处理,剔除异常数据,补齐数据;在预处理后通过硬件电路获取背景噪声,并过滤背景噪声中的高斯白噪声和一部分高次谐波和高频噪声。
采用LSTM算法基于输电线路故障噪声数据对噪声规律进行提取和预测;具体的,LSTM是循环神经网络的一种变体,有着强大的时间序列处理能力,通过门控制将短期记忆与长期记忆结合起来,解决了传统循环神经网络无法处理长距离依赖的问题。LSTM相较于传统循环神经网络增加了三个“门”结构,即遗忘门、输入门和输出门,LSTM结构图如图2所示。
通过遗忘门决定选择什么信息存储到细胞当中,遗忘门的输出为
ft=σ(ωf·[ht-1,xt]+bf) (1)
式中,ωf为前一细胞到遗忘门的权重,bf为遗忘门的偏移值。
通过输入门确定细胞状态中保存的信息,包括两部分信息,一是需要被更新的信息,二是tanh函数产生的一个新的候选细胞状态
输入门输出为:
it=σ(wi·[ht-1,xt]+bi) (2)
式中,ωi为前一个细胞状态到输入门的权重,bi为输入门的偏移值。
候选细胞状态为:
式中,ωc为输入到tanh函数的权重,bc为tanh函数的偏移值。
当前细胞状态为:
通过输出门决定输出信息。输出门输出为:
ot=σ(wo[ht-1,xt]+bo) (5)
当前单元的最终输出为:
ht=ot×tanh(Ct) (6)
在公式(1)、公式(2)、公式(3)、公式(4)、公式(5)和公式(6)中,ht-1是前一单元的输出,xt是当前单元的输入,σ为激活函数,本例选则Sigmiod函数,输出值在[0,1]区间,0代表完全丢弃,1代表完全通过,tanh为激励函数。
确定LSTM的隐含层层数、隐含层单元个数、批大小、训练轮数等参数,通过训练得到权重、偏置等参数。
采用作差方法过滤行波信号中的噪声;
具体的,训练LSTM模型获得最优参数,利用LSTM模型预测噪声数据,在原始波形T中减去LSTM噪声模型的输出波形Tp,得到降噪后的波形。降噪后波形信号为:
ΔT=T-Tp (7)
式中,残差序列ΔT为降噪后波形信息。
采用ADF单位根检验法对降噪后的行波信号进行平稳性检验,识别平稳性改变点,确定行波波头到达时刻;具体的,对于降噪后的行波信号,行波波头到达时刻前信号具有平稳性,由于行波波头的到达带来突变使得行波波头到达时刻后的信号平稳性发生改变。时间序列{xt}的平稳性是指其随变量的任意子集的联合分布函数与时间无关,即无论对T的任何时间子集(t1,t2,...,tn)以及任何实数k,(ti+k)∈T,i=1,2,....,n都有
F(x(t1),x(t2),...,x(tn))=F(x(t1+k),x(t2+k),.....,x(tn+k)) (8)
成立,其中F(·)表示n个随机变量的联合分布函数。
实际应用中,常放宽条件,行波信号的时间序列平稳性是其均值和方差并不会因为时间的推进产生变化,同时任意两个时间段内的协方差只是和其时间间隔存在联系。
本实施例采用单位根(平稳性)检验对降噪后行波信号中的突变进行识别。ADF单位根检验主要作用是检测序列平稳性,是在富勒检测(Dickey-Fuller test,简称DF)单位根检验的基础上,通过加入原序列的若干差分滞后项消除了误差项的自相关特性,具有更广泛的适用范围。
对于序列yt,若yt序列和yt-1作回归
yt=δyt-1+μt (9)
检验δ是否等于1
H0:δ=1 (10)
若δ=1,则y序列有单位根,y是非平稳的;若δ<1,则y序列无单位根,y是平稳的。
在公式(10)两边同时减去yt-1,即得到如下式子:
Δyt=(δ-1)yt-1+μt (11)
令δ-1=β,即作如下假设检验
H0:β=0 (12)
若不拒绝原假设,即β=0,则y有单位根,y是非平稳的;若拒绝原假设,即β<0,则y没有单位根,y是平稳的。
传统DF单位根检验通常分为三种类型,分别为数据实际生成过程是不带漂移的单位根过程,检验式中不含确定部分;数据实际生成过程是不带漂移的单位根过程,检验式中含截距项;数据实际生成过程是带漂移的单位根过程,检验式中含截距项和线性趋势项。应用于行波测距种,不带漂移的单位根过程对应一个常数项μ,检验式种的确定部分对应时间趋势项αt。根据行波信号趋势的不同表现形式,可以分为三种信号趋势:
1)不含常数项μ和时间趋势项αt
yt=βyt-1+ut,y0=0,ut~ID(0,σ2) (13)
2)包含常数项μ,不含时间趋势项αt
yt=μ+βyt-1+ut,y0=0,ut~ID(0,σ2) (14)
3)包含常数项μ,包含时间趋势项αt
yt=μ+αt+βyt-1+ut,y0=0,ut~ID(0,σ2)(15)
式中,μt假定为白噪声序列(本实施例中几乎为0)。
ADF检验基于如下三个模型:
波头到达前的残差序列为平稳序列,返回值为1,波头到达时刻,残差序列ΔT的值发生突变,残差序列的平稳性发生改变,返回值为0。判定行波波头到达点即为平稳序列向不平稳序列的转化时刻。
本实施例采用LSTM算法,与传统方法相比,该方法无需做出任何简化假设,且不用考虑数据的周期性,利用其在特征提取与时间序列预测方面的优越性能,对噪声波形数据作出精度较高的预测,训练LSTM模型获取最优参数建立噪声波形预测模型;根据原始行波信号与模型数据结果得到残差序列;采用ADF单位根检验寻找残差序列突变点,从而实现行波波头到达时刻的确定。
实施例二
本公开实施例二介绍了一种输电线路故障行波波头检测系统。
如图3所示的一种输电线路故障行波波头检测系统,包括:
获取模块,被配置为获取输电线路的故障行波和背景噪声;即电网故障时,安装在各变电站内的故障录波器将电网一次系统的故障数据及行波信号以一定采样频率记录下来,并通过数据采集单元送到调度主站端;
预测模块,被配置为根据所获取的背景噪声和预设的预测模型,得到预测噪声;即对噪声信号进行预处理,通过故障录波器硬件电路过滤行波信号噪声中的高斯白噪声和一部分高次谐波和高频噪声,将剩余的行波噪声作为波头到达前的行波噪声信号,为LSTM噪声模型提供训练数据,基于初步降噪数据采用LSTM建立噪声预测模型;
降噪模块,被配置为基于所获取的输电线路的故障行波和所得到的预测噪声,得到降噪后的故障行波信号;即获取原始行波数据和预测故障噪声数据的残差序列;
检测模块,被配置为检验所得到的降噪后的故障行波信号,识别平稳性改变点,确定故障行波波头的到达时刻。
详细步骤与实施例一提供的一种输电线路故障行波波头检测方法相同,在此不再赘述。
实施例三
本公开实施例三提供了一种计算机可读存储介质。
一种计算机可读存储介质,其上存储有程序,该程序被处理器执行时实现如本公开实施例一所述的一种输电线路故障行波波头检测方法中的步骤。
详细步骤与实施例一提供的一种输电线路故障行波波头检测方法相同,在此不再赘述。
实施例四
本公开实施例四提供了一种电流行波采集设备。
一种电流行波采集设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,所述处理器执行所述程序时实现如本公开实施例一所述的输电线路故障行波波头检测方法中的步骤,实现波形录取、数据转化、基准值计算和差分值计算功能。
详细步骤与实施例一提供的一种输电线路故障行波波头检测方法相同,在此不再赘述。
以上所述仅为本公开的优选实施例而已,并不用于限制本公开,对于本领域的技术人员来说,本公开可以有各种更改和变化。凡在本公开的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本公开的保护范围之内。
Claims (8)
1.一种输电线路故障行波波头检测方法,其特征在于,包括以下步骤:
获取输电线路的故障行波和背景噪声;
根据所获取的背景噪声和预设的预测模型,得到预测噪声;
基于所获取的输电线路的故障行波和所得到的预测噪声,得到降噪后的故障行波信号;
检验所得到的降噪后的故障行波信号,识别平稳性改变点,确定故障行波波头的到达时刻;
基于所获取的输电线路的故障行波和所得到的预测噪声,得到降噪后的故障行波信号;具体为:
采用LSTM算法基于输电线路故障噪声数据对噪声规律进行提取和预测;
采用作差方法过滤行波信号中的噪声;
具体的,训练LSTM模型获得最优参数,利用LSTM模型预测噪声数据,在原始波形T中减去LSTM噪声模型的输出波形,得到降噪后的波形;降噪后波形信号为:
(7)
式中,残差序列为降噪后波形信息;
采用ADF单位根检验法对降噪后的行波信号进行平稳性检验,识别平稳性改变点,确定行波波头到达时刻;具体的,对于降噪后的行波信号,行波波头到达时刻前信号具有平稳性,由于行波波头的到达带来突变使得行波波头到达时刻后的信号平稳性发生改变;时间序列的平稳性是指其随变量的任意子集的联合分布函数与时间无关,即无论对T的任何时间子集(/>)以及任何实数/>,/>都有:
(8)
成立,其中表示n个随机变量的联合分布函数;
采用ADF单位根检验寻找残差序列突变点,从而实现行波波头到达时刻的确定。
2.如权利要求1中所述的一种输电线路故障行波波头检测方法,其特征在于,在预测噪声之前,对所获取的背景噪声进行数据的预处理,过滤高斯白噪声、高次谐波和高频噪声。
3.如权利要求1中所述的一种输电线路故障行波波头检测方法,其特征在于,所述预测模型采用长短期记忆网络,增加遗忘门结构、输入门结构和输出门结构。
4.如权利要求1中所述的一种输电线路故障行波波头检测方法,其特征在于,对所获取的输电线路的故障行波进行数据的预处理,剔除异常数据,补齐数据,得到预处理后的输电线路的故障行波。
5.如权利要求1中所述的一种输电线路故障行波波头检测方法,其特征在于,所述检验所得到的降噪后的故障行波信号的过程中,采用扩展的迪克富勒检验单位根检验法对降噪后的故障行波信号的平稳性改变点进行辨识。
6.一种输电线路故障行波波头检测系统,基于权利要求1-5任一项所述的一种输电线路故障行波波头检测方法,其特征在于,包括:
获取模块,被配置为获取输电线路的故障行波和背景噪声;
预测模块,被配置为根据所获取的背景噪声和预设的预测模型,得到预测噪声;
降噪模块,被配置为基于所获取的输电线路的故障行波和所得到的预测噪声,得到降噪后的故障行波信号;
检测模块,被配置为检验所得到的降噪后的故障行波信号,识别平稳性改变点,确定故障行波波头的到达时刻。
7.一种计算机可读存储介质,其上存储有程序,其特征在于,该程序被处理器执行时实现如权利要求1-5中任一项所述的一种输电线路故障行波波头检测方法中的步骤。
8.一种电流行波采集设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的程序,其特征在于,所述处理器执行所述程序时实现如权利要求1-5中任一项所述的一种输电线路故障行波波头检测方法中的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470183.XA CN114200232B (zh) | 2021-12-03 | 2021-12-03 | 一种输电线路故障行波波头检测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111470183.XA CN114200232B (zh) | 2021-12-03 | 2021-12-03 | 一种输电线路故障行波波头检测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114200232A CN114200232A (zh) | 2022-03-18 |
CN114200232B true CN114200232B (zh) | 2024-04-23 |
Family
ID=80650481
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111470183.XA Active CN114200232B (zh) | 2021-12-03 | 2021-12-03 | 一种输电线路故障行波波头检测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114200232B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114779002B (zh) * | 2022-03-29 | 2024-04-02 | 南方电网电力科技股份有限公司 | 一种输电线路故障点定位方法、装置、设备及存储介质 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393248A (zh) * | 2008-06-18 | 2009-03-25 | 昆明理工大学 | 一种基于s变换的输电线路故障行波波头精确定位方法 |
CN102680860A (zh) * | 2012-06-08 | 2012-09-19 | 东华理工大学 | 一种高压电力线路行波测距用故障点自动定位方法 |
CN104965155A (zh) * | 2015-06-26 | 2015-10-07 | 国家电网公司 | 一种基于滤波特性的波头查找方法 |
CN106093705A (zh) * | 2016-06-15 | 2016-11-09 | 华北电力大学 | 一种配电网单相接地故障行波波头的计算方法 |
CN113589100A (zh) * | 2021-07-26 | 2021-11-02 | 国电南瑞科技股份有限公司 | 基于双向长短期记忆和注意力机制的异常放电识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150081236A1 (en) * | 2013-09-16 | 2015-03-19 | Schweitzer Engineering Laboratories, Inc. | Traveling wave validation using estimated fault location |
-
2021
- 2021-12-03 CN CN202111470183.XA patent/CN114200232B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101393248A (zh) * | 2008-06-18 | 2009-03-25 | 昆明理工大学 | 一种基于s变换的输电线路故障行波波头精确定位方法 |
CN102680860A (zh) * | 2012-06-08 | 2012-09-19 | 东华理工大学 | 一种高压电力线路行波测距用故障点自动定位方法 |
CN104965155A (zh) * | 2015-06-26 | 2015-10-07 | 国家电网公司 | 一种基于滤波特性的波头查找方法 |
CN106093705A (zh) * | 2016-06-15 | 2016-11-09 | 华北电力大学 | 一种配电网单相接地故障行波波头的计算方法 |
CN113589100A (zh) * | 2021-07-26 | 2021-11-02 | 国电南瑞科技股份有限公司 | 基于双向长短期记忆和注意力机制的异常放电识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN114200232A (zh) | 2022-03-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
CN109581270B (zh) | 基于小波多尺度变换快速辨识cvt故障的方法 | |
Chen et al. | An efficient Prony-based solution procedure for tracking of power system voltage variations | |
CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
CN105223482A (zh) | 局部放电特高频信号波形的小波分解二值去噪方法 | |
CN114200232B (zh) | 一种输电线路故障行波波头检测方法及系统 | |
CN111291918B (zh) | 平稳子空间外源矢量自回归的旋转机械退化趋势预测方法 | |
CN103207931A (zh) | 基于mm和arma算法的次同步振荡模态辨识方法 | |
Deng et al. | A single-ended fault location method for transmission line based on full waveform features extractions of traveling waves | |
CN113406441A (zh) | 基于聚类和迭代算法的柔性直流电网故障测距方法 | |
CN112034387B (zh) | 一种基于预测序列的输电线路短路故障诊断方法及装置 | |
CN112033656A (zh) | 一种基于宽带谱处理的机械系统故障检测方法 | |
Tripath et al. | An improved Prony method for identifying low frequency oscillations using synchro-phasor measurements | |
CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
CN116401513A (zh) | 一种基于深度残差网络的磁共振工频谐波噪声抑制方法 | |
CN108020761B (zh) | 一种局部放电去噪方法 | |
CN113537156B (zh) | 一种基于区间标准差结合频谱分析的振动数据清洗方法 | |
Jiang et al. | Fault location on branched networks using a new traveling-wave algorithm | |
CN112116917B (zh) | 基于相位跃变度的电抗器本体与风机声信号分离方法 | |
Khoa et al. | Regular paper An Extended Kalman Filter for Detecting Voltage Sag Events in Power Systems | |
Shi et al. | Wavelet De-Noising Method Analysis of Pipeline Magnetic Flux Leakage In-Line Inspection Based on Coefficient of Variation | |
CN112526404A (zh) | 基于特高频外置传感器的电力变压器故障在线定位系统 | |
CN112729531A (zh) | 配电变压器设备故障研判方法及系统 | |
CN111781439B (zh) | 一种电力电缆局部放电信号检测方法及装置 | |
Iwuamadi et al. | Application of S–Transform For Fault Studies on 330KV Transmission Line |
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 |