CN114384319A - 一种并网逆变器孤岛检测方法、系统、终端及介质 - Google Patents
一种并网逆变器孤岛检测方法、系统、终端及介质 Download PDFInfo
- Publication number
- CN114384319A CN114384319A CN202210050796.6A CN202210050796A CN114384319A CN 114384319 A CN114384319 A CN 114384319A CN 202210050796 A CN202210050796 A CN 202210050796A CN 114384319 A CN114384319 A CN 114384319A
- Authority
- CN
- China
- Prior art keywords
- grid
- island
- lstm
- detection
- inverter
- 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.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种并网逆变器孤岛检测方法、系统、终端及介质,涉及微网检测技术领域,解决了现有技术中孤岛检测时,检测盲区大和检测精度低的问题。其技术方案要点是:利用滑窗离散傅里叶变换和对称分量法提取公共耦合点(PCC)点电压和逆变器电流信号中谐波的零、正、负序特征量,以提取到的谐波零、正、负序分量作为主特征量,系统频率作为辅助特征量,共7个特征量组成LSTM神经网络的特征向量空间进行孤岛检测。达到了在微网内电源和本地负载的有功功率、无功功率都基本匹配的情况下均能准确检测的目的,同时达到了在PCC点断路器跳闸、三相短路和本地负载突变的情况下,能准确识别孤岛,且高精度检测的目的。另外具有优化孤岛特征提取方法,不会影响电能质量等优点。
Description
技术领域
本发明涉及微网检测技术领域,更具体地说,它涉及一种并网逆变器孤岛检测方法、系统、终端及介质。
背景技术
随着光伏发电产业的迅速发展,光伏逆变器并网会对电网稳定性造成一定的影响。孤岛现象是指在电网发生异常时,此时各个分布式电源系统未能及时检测出电网断电,并继续向本地负载提供电能,形成由发电系统与负载组成的供电系统,属于计划外的孤岛,定义为故障。当非计划孤岛发生时,供电的可靠性无法得到保证,损害电气设备,甚至危及运维人员的人身安全。为了保障安全和电能质量,根据GB/T33593-2017和IEEE 1547,在非计划孤岛运行时,微网必须具备快速孤岛检测的能力,其最大检测时间不得超过2s。因此有效的孤岛检测是微网的基本要求。
当前,孤岛检测的方法可分为三类:远程法、主动法和被动法。远程检测法通过信号采集和通讯技术实现检测,该方法的缺点是检测成本高,复杂且实施困难;主动式检测法通过引入扰动信号,造成分布式电源输出电压/电流的幅值或频率偏移出正常范围,从而触发继电器工作来判断孤岛状态,如频移法、功率扰动法、阻抗测量法等,该方法在逆变器并网运行下分布式电源输出电压不会发生明显畸变,但会导致电能质量问题和谐波干扰,从而降低系统性能;被动式检测法根据测量异常的电压或频率来判断孤岛,如过/欠电压检测法、过/欠频率检测法、电压谐波检测法等,该方法在功率匹配时,存在较大的检测盲区,并且很难选择检测阈值。主动法与被动法结合的检测方法,既复杂又低效,在有功功率与无功功率不匹配的情况下,存在的盲区和阈值的设定是影响检测的主要因素。
针对传统孤岛检测方法的不足,有人提出基于信号处理和人工智能的检测方法,以克服现有方法的缺点。其中,基于BP神经网络的孤岛检测的方法,只将周期内的电压值作为BP 神经网络的输入值,容易出现局部最优解。本征模函数检测非平稳模态电压信号,当功率匹配时,容易错误检测。支持向量机提取分布式电源端的电压波形以识别孤岛,该方法没有考虑多类型的分布式电源。一种基于LSTM的分布式电源孤岛检测方法,将LSTM神经网络作为特征提取器和分类器,导致LSTM模型结构对检测的准确率影响很大,模型层过多或者过少都会造成错误检测。小波变换提取PCC点电压信号的复时频率特征,利用LSTM神经网络进行分类,实现对孤岛状态的精准检测。这些方法可以准确地对孤岛和非孤岛事件进行分类,并在低功率不平衡时检测孤岛。但是都未考虑,当孤岛发生前后逆变器输出有功功率和无功功率没有发生变化时,将会导致孤岛模式下PCC点电压和频率变化很小的情况,这种情况下很难检测出孤岛状态。
发明内容
本发明的目的是提供一种并网逆变器孤岛检测方法、系统、终端及介质,解决当孤岛发生前后逆变器输出有功功率和无功功率没有发生变化时,孤岛模式下PCC点电压和频率变化很小,很难检测出孤岛状态的问题。
本发明的上述技术目的是通过以下技术方案得以实现的:
一种并网逆变器孤岛检测方法,包括以下步骤:
获取PCC点电压、逆变器输出电流以及系统频率;
利用滑窗离散傅里叶变换和对称分量法提取PCC点电压和逆变器输出电流中谐波的零、正、负序特征量,得到6个主特征向量;
将系统频率作为辅特征向量,并与6个主特征向量组合后划分训练集和测试集;
构建LSTM分类器模型,以训练集作为LSTM分类器模型的特征向量空间进行孤岛检测,得到检测结果。
进一步的,所述PCC点电压、逆变器输出电流以及系统频率的获取过程具体为:
通过MATLAB/Simulink搭建光伏逆变器仿真模型;
设置电网参数,模拟系统在不同负载品质因数下主断路器跳闸、PCC三相短路和本地负载突变等孤岛、非孤岛工况系统的运行情况;
设置采样频率为5kHz,采集PCC点电压和逆变器输出电流以及系统频率。
进一步的,所述主特征向量的提取过程具体为:
采用SDFT算法检测PCC点电压和逆变器输出电流的各次谐波;
确定各次谐波中对系统影响最大的谐波;
采用对称分量法对影响最大的谐波进行分离处理,得到PCC点电压和逆变器输出电流分别对应零序分量以及正序、负序分量的6个主特征向量。
进一步的,所述LSTM分类器模型配置有输入层、第一LSTM层和第二LSTM层;
输入层,用于在网络中输入时间序列;
第一LSTM层,用于通过初始状态和输入序列产生相应隐藏状态和更新的单元状态;
第二LSTM层,用于更新当前的单元状态以及计算输出隐藏状态和另一个更新的单元状态。
进一步的,所述LSTM分类器模型中的隐藏状态通过全连接层与softmax层连接;
LSTM分类器采用softmax层进行分类;
softmax层将结果映射到0到1之间的概率值,并使所有输出概率值和为1。
进一步的,所述softmax层的概率计算公式具体为:
Y=softmax(Wshf+bs)
其中,Y为概率,WS,bs为学习参数,hf为隐藏状态,C代表故障种类,Zi代表第i种故障的值,Zj代表第j种故障的值。
进一步的,所述LSTM分类器模型进行孤岛检测的具体过程为:
将系统频率和6个主特征向量做标准化处理,将标准化处理后的系统频率和6个主特征向量划分训练集和测试集;
初始化LSTM模型,将训练集作为LSTM神经网络的特征向量空间,训练结束后导出离线训练的模型参数,作为在线检测模型的参数;
通过测试集检验在线检测模型的识别精度,评估模型性能,并在不同的工况下验证所提算法的性能。
一种并网逆变器孤岛检测系统,包括:
数据获取模块,用于获取PCC点电压、逆变器输出电流以及系统频率;
特征提取模块,用于利用滑窗离散傅里叶变换和对称分量法提取PCC点电压和逆变器输出电流中谐波的零、正、负序特征量,得到6个主特征向量;
特征划分模块,用于将系统频率作为辅特征向量,并与6个主特征向量组合后划分训练集和测试集;
模型训练模块,用于构建LSTM分类器模型,以训练集作为LSTM分类器模型的特征向量空间进行孤岛检测,得到检测结果。
一种电子终端,包括:
存储器,所述存储器用于存储计算机程序;
处理器,所述处理器用于执行所述存储器存储的计算机程序,以使电子终端执行上述的一种并网逆变器孤岛检测方法。
一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,该程序被处理器执行时实现上述的一种并网逆变器孤岛检测方法。
与现有技术相比,本发明具有以下有益效果:
①利用滑窗离散傅里叶变换法检测孤岛发生前后公共耦合点电压和逆变器输出电流的各次谐波,确定对系统影响最大的谐波。达到了在有功功率、无功功率都基本匹配的情况下均能准确检测的目的,避免了被动法检测盲区大、阈值设定难的问题。
②利用对称分量法提取出对系统影响最大的谐波的零、正、负序分量,优化了孤岛特征提取方法。
③将对系统影响最大的谐波的零、正、负序分量,系统频率作为主特征量,利用LSTM 神经网络模型获得检测结果。该方法中为引入扰动信号,不会导致电能质量问题。
④利用MATLAB/Simulink搭建光伏逆变器仿真模型,设置电网参数,模拟系统在不同品质因数下,PCC点断路器跳闸、三相短路和本地负载突变的情况下,该方法依然能准确识别孤岛,且检测精度较高。
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为本发明实施例中并网逆变系统结构示意图;
图2为本发明利用对称分量法获得对系统影响最大的谐波的特征量的流程示意图;
图3为本发明实施例中LSTM框架示意图;
图4为本发明实施例中LSTM cell的具体机制结构示意图;
图5为本发明提供的新型孤岛检测模型示意图;
图6为经过训练模型的accuracy曲线和loss曲线,其中(a)为accuracy曲线,(b)为loss曲线;
图7为实施例中算例A中的SDFT提取结果;
图8为实施例中算例A中品质因数为1的孤岛仿真波形,其中(a)为入网电流,(b)为系统频率,(c)为PCC电压,(d)为PCC电压的正负零序分量,(e)为逆变器输出电流,(f) 为逆变器输出电流的正负零序分量,(g)为孤岛识别结果。
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:一种并网逆变器孤岛检测方法、系统、终端及介质。
其中,滑窗离散傅里叶变换(Sliding Discrete Fourier Transform,SDFT)是由离散傅里叶变换(Discrete Fourier Transform,DFT)演变来的,离散傅里叶变换的计算式为:
其中N为计算长度,x(n)为第n个采样值,k为谐波次数,X(k)为k次谐波的检测结果。而滑窗离散傅里叶变换在离散傅里叶变换的基础上增加一个滑动采样窗口,每两次相邻的计算中,程序仅更新一个采样值。可得滑窗离散傅里叶变换的计算公式为:
其中x(n)为当前采样值,XS(k-1)为上一次计算的结果。
如图1所示为并网逆变系统结构,一个变压器与断路器CB1连接到电网,其中逆变器发出的功率为PL+jQL,电网发出的功率为PL+jQL,负载吸收的功率为PL+jQL。
采集公共耦合点(Point of Common Coupling,PCC)的电压和逆变器输出电流,SDFT 检测出PCC点电压和逆变器输出电流中谐波的离散频谱,可以准确获得各次谐波的幅值和频率信息,确定PCC电压和逆变器电流中存在的干扰,进一步确定孤岛事件。
由于SDFT检测出的谐波十分复杂,包含正序分量、负序分量、零序分量,而且在实验中零序分量对系统并无影响,需要使用对称分量法(Symmetrical Components Method,SCM) 提取正负零序分量,并将零序分量分离出特征矩阵中。对称序列分量的大小是用于指示电压或电流波形中存在干扰的主要指标。对PCC点的三相电压(Va、Vb、Vc)和逆变器的输出电流(Ia、Ib、Ic)进行对称分解得到如下等式:
其中a为运算子,且a=1∠1200;Vp、Vn、V0分别为电压的正、负、零序列;Ip、In、I0分别为电流的正、负、零序列。
图2为所提孤岛检测的特征提取步骤。SDFT算法检测PCC点电压和逆变器输出电流各次谐波,确定对系统影响最大的谐波,其次对称分量法分将零序分量与正序、负序分量分离。
LSTM神经网络模型包括输入层和LSTM层。输入层在网络中输入时间序列数据,LSTM 层学习序列数据与时间的关联性。用于孤岛检测的LSTM框架如图3所示,一串时间序列通过LSTM神经网络的过程,第一个LSTM cell通过初始状态(Ct-1,ht-1)和输入序列(x11,x21..xk1) 产生相应隐藏状态(h1t,h2t...hkt)和更新的单元状态(Ct),下一个LSTM cell更新当前的单元状态以及计算输出隐藏状态和另一个更新的单元状态。其中x是具有k个特征的输入信号,N 为孤岛分类隐藏层单元数。
LSTM cell的具体机制如图4所示,网络结构设计了三个具有门激活功能的主门单元,图中σ为sigmoid激励函数,能够将实数映射到[0,1],0表示上一时刻单元的信息全部丢弃, 1表示信息全部保留;tanh为双曲正切函数,其功能可将实数映射到[-1,1]。
其中ft为遗忘门,it为输入门,ot为输出门,以及更新门的单元如下
式中U∈Rd×d,W∈Rd×k,b∈Rd是学习参数,k,d分别为输入大小和隐藏层的大小,ht-1、 Xt分别为上一时刻输出和当前时刻输入。在孤岛检测中输入信号Xt代表PCC点电压、逆变器电流的正、负、零序分量和系统频率。孤岛检测实质上是二分类,由于最终的隐藏状态hf包含了输入信号中的大部分信息,因此我们将hf通过全连接层与softmax层相连,采用softmax 层进行分类,softmax层将结果映射到0到1之间的概率值,并使所有输出概率值和为1,其概率计算如下,其中,Y为概率,Ws∈R|C|×d,bs∈R|C|为学习参数,C代表故障种类,Zi代表第i种故障的值,Zj代表第j种故障的值。
Y=softmax(Wshf+bs) (6)
孤岛检测是二分类问题,即输出判别结果由2种状态组成即1代表孤岛事件,0代表非孤岛事件。基于SDFT-LSTM的新型孤岛检测模型如图5所示,主要分为离线训练和在线检测,具体步骤如下:
Step1:MATLAB/Simulink搭建光伏逆变器仿真模型,设置电网参数,模拟系统在不同负载品质因数下主断路器跳闸、PCC三相短路和本地负载突变等孤岛和非孤岛工况系统的运行情况,设置采样频率为5kHz,采集PCC点电压和逆变器输出电流以及系统频率。
Step2:通过滑窗离散傅里叶变换获得各次谐波的幅值和频率信息,确定对系统影响最大的谐波。
Step3:使用对称分量法计算谐波的正序、负序和零序分量,将PCC点电压、逆变器输出电流的正、负、零序分量和系统频率作标准化处理,划分出训练集和测试集。
Step4:初始化LSTM模型,将训练集作为LSTM神经网络的特征向量空间,训练结束后导出离线训练的模型参数,作为在线检测模型的参数。
Step5:通过测试集检验在线检测模型的识别精度,评估模型性能,并在不同的工况下验证所提算法的性能。
算例分析:
测试系统
在MATLAB/Simulink搭建光伏逆变器并网仿真模型,一个690V/30MVA的三相电压源连接于一个690V/270V的降压变压器,通过三相断路器与光伏逆变器相连,系统工频为50Hz,逆变器开关频率为5kHz,具体仿真参数如表1所示。在孤岛发生前后,将有功功率和无功功率的偏差近似为0,此时系统检测孤岛难度最大。
表1
LSTM离线训练模型训练
LSTM离线训练模型的参数和超参数根据多次实验与训练选出最佳值,具体数值如表2。
表2
经过训练后的离线训练模型的accuracy曲线和loss曲线如图6,此时导出离线训练模型的权重参数,用于在线识别模型,其在测试集上的精确度理论上可达100%。
不同工况验证分析
负载品质因数用来衡量本地负载的谐振能力,两者关系成正比,负载品质因数越大,本地负载谐振能力越强。当系统的工作频率等于谐振频率时,在断路器断开前后逆变器输出的有功、无功功率基本没有变化,将会导致孤岛模式下并网点的电压变化很小,很难检测出孤岛故障。为了验证所提算法在不同工况下的性能,将已训练的离线训练模型用于孤岛和非孤岛事件:品质因数分别为1和2.5的PCC点断路器跳闸;PCC点三相短路;本地负载突变事件。
算例A:品质因数为1的PCC点断路器跳闸
并联RCL负载的参数为:R=0.64Ω,C=4.97mF,L=2.04mH,此时负载品质因数为1,设置三相断路器在0.8s断开,通过SDFT检测各次谐波的幅值,图7可以看出二次谐波对孤岛事件的影响较大。如图8(c)和(e)在0.8s断路器断开前后逆变器电压、电流没有明显变化,而且系统频率稳定,此时系统检测出孤岛的难度大。图8是断路器CB1在0.8s断开时的孤岛仿真波形,图8(a)(b)所示系统入网电流在0.8s之后为0,PCC点电压和逆变器电流的正负零序分量,显示电压和电流波形中存在的干扰,在0到0.8s之间系统未发生孤岛事件,其分量为零,0.8s之后分量发生明显突变。过/欠电压和过/欠频率检测法均不能识别,图8(g)所示模型将品质因数为1的PCC点断路器跳闸识别为孤岛。
以上所述的具体实施方式,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,以上所述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)
1.一种并网逆变器孤岛检测方法,其特征在于,包括以下步骤:
获取PCC点电压、逆变器输出电流以及系统频率;
利用滑窗离散傅里叶变换和对称分量法提取PCC点电压和逆变器输出电流中谐波的零、正、负序特征量,得到6个主特征向量;
将系统频率作为辅特征向量,并与6个主特征向量组合后划分训练集和测试集;
构建LSTM分类器模型,以训练集作为LSTM分类器模型的特征向量空间进行孤岛检测,得到检测结果。
2.根据权利要求1所述的一种并网逆变器孤岛检测方法,其特征在于,所述PCC点电压、逆变器输出电流以及系统频率的获取过程具体为:
通过MATLAB/Simulink搭建光伏逆变器仿真模型;
设置电网参数,模拟系统在不同品质因数下主断路器跳闸、PCC三相短路和本地负载突变等孤岛、非孤岛工况系统的运行情况;
设置采样频率为5kHz,采集PCC点电压和逆变器输出电流以及系统频率。
3.根据权利要求1所述的一种并网逆变器孤岛检测方法,其特征在于,所述主特征向量的提取过程具体为:
采用滑窗离散傅里叶变换算法检测PCC点电压和逆变器输出电流的各次谐波;
确定各次谐波中对系统影响最大的谐波;
采用对称分量法对影响最大的谐波进行分离处理,得到PCC点电压和逆变器输出电流分别对应零序分量以及正序、负序分量的6个主特征向量。
4.根据权利要求1所述的一种并网逆变器孤岛检测方法,其特征在于,所述LSTM分类器模型配置有输入层、第一LSTM层和第二LSTM层;
输入层,用于在网络中输入时间序列;
第一LSTM层,用于通过初始状态和输入序列产生相应隐藏状态和更新的单元状态;
第二LSTM层,用于更新当前的单元状态以及计算输出隐藏状态和另一个更新的单元状态。
5.根据权利要求1所述的一种并网逆变器孤岛检测方法,其特征在于,所述LSTM分类器模型中的隐藏状态通过全连接层与softmax层连接;
LSTM分类器采用softmax层进行分类;
softmax层将结果映射到0到1之间的概率值,并使所有输出概率值和为1。
7.根据权利要求1所述的一种并网逆变器孤岛检测方法,其特征在于,所述LSTM分类器模型进行孤岛检测的具体过程为:
将系统频率和6个主特征向量做标准化处理,将标准化处理后的系统频率和6个主特征向量划分训练集和测试集;
初始化LSTM模型,将训练集作为LSTM神经网络的特征向量空间,训练结束后导出离线训练的模型参数,作为在线检测模型的参数;
通过测试集检验在线检测模型的识别精度,评估模型性能,并在不同的工况下验证所提算法的性能。
8.一种并网逆变器孤岛检测系统,其特征在于,包括:
数据获取模块,用于获取PCC点电压、逆变器输出电流以及系统频率;
特征提取模块,用于利用滑窗离散傅里叶变换和对称分量法提取PCC点电压和逆变器输出电流中谐波的零、正、负序特征量,得到6个主特征向量;
特征划分模块,用于将系统频率作为辅特征向量,并与6个主特征向量组合后划分训练集和测试集;
模型训练模块,用于构建LSTM分类器模型,以训练集作为LSTM分类器模型的特征向量空间进行孤岛检测,得到检测结果。
9.一种电子终端,其特征在于,包括:
存储器,所述存储器用于存储计算机程序;
处理器,所述处理器用于执行所述存储器存储的计算机程序,以使电子终端执行权利要求1-7中任一项所述的一种并网逆变器孤岛检测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,其特征在于:该程序被处理器执行时实现权利要求1-7中任一项所述的一种并网逆变器孤岛检测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050796.6A CN114384319A (zh) | 2022-01-17 | 2022-01-17 | 一种并网逆变器孤岛检测方法、系统、终端及介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210050796.6A CN114384319A (zh) | 2022-01-17 | 2022-01-17 | 一种并网逆变器孤岛检测方法、系统、终端及介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114384319A true CN114384319A (zh) | 2022-04-22 |
Family
ID=81201417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210050796.6A Pending CN114384319A (zh) | 2022-01-17 | 2022-01-17 | 一种并网逆变器孤岛检测方法、系统、终端及介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114384319A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590152A (zh) * | 2023-11-21 | 2024-02-23 | 国网宁夏电力有限公司中卫供电公司 | 一种微电网并入电网中的电网孤岛数字化检测装置 |
-
2022
- 2022-01-17 CN CN202210050796.6A patent/CN114384319A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117590152A (zh) * | 2023-11-21 | 2024-02-23 | 国网宁夏电力有限公司中卫供电公司 | 一种微电网并入电网中的电网孤岛数字化检测装置 |
CN117590152B (zh) * | 2023-11-21 | 2024-05-28 | 国网宁夏电力有限公司中卫供电公司 | 一种微电网并入电网中的电网孤岛数字化检测装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109635928B (zh) | 基于深度学习模型融合的电压暂降原因识别方法 | |
WO2022067562A1 (zh) | 一种故障电弧的诊断方法、装置和计算机可读存储介质 | |
CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
US20160124031A1 (en) | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications | |
CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
Mishra et al. | Fast discrete s-transform and extreme learning machine based approach to islanding detection in grid-connected distributed generation | |
CN108535572B (zh) | 基于基波零序特征的计量系统二次回路监测方法及装置 | |
CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、系统和介质 | |
CN112180204A (zh) | 一种基于电气量信息的电网线路故障诊断方法 | |
CN114021671B (zh) | 一种有源配电网在线故障处理方法和系统 | |
CN113625103A (zh) | 小电流接地系统单相接地故障的选线方法 | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
CN114384319A (zh) | 一种并网逆变器孤岛检测方法、系统、终端及介质 | |
CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
CN111521905A (zh) | 一种基于多维数据故障度智能融合的电网故障诊断方法 | |
CN115409335A (zh) | 基于深度学习考虑未知扰动类型的电力系统扰动识别方法 | |
Thomas et al. | Machine learning based detection and classification of power system events | |
He et al. | Application and comparative analysis of traditional machine learning and deep learning in transmission line fault classification | |
Lv et al. | Sparse Bayesian learning-based topology reconstruction under measurement perturbation for fault location | |
Li et al. | Faulty Feeders Identification for Single-phase-to-ground Fault Based on Multi-features and Machine Learning | |
Huang et al. | Converter fault diagnosis method based on principal component analysis combined with improved similarity classifier | |
CN114814391A (zh) | 充电桩故障识别方法和存储介质 | |
Thapa et al. | A machine learning-based approach to detection of fault locations in transmission networks | |
Ren et al. | Fault Diagnosis of UHVDC Transmission System Based on Gated Recurrent Unit |
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 |