CN114779016A - 一种基于改进dtw的重复性瞬时故障识别方法 - Google Patents
一种基于改进dtw的重复性瞬时故障识别方法 Download PDFInfo
- Publication number
- CN114779016A CN114779016A CN202210493177.4A CN202210493177A CN114779016A CN 114779016 A CN114779016 A CN 114779016A CN 202210493177 A CN202210493177 A CN 202210493177A CN 114779016 A CN114779016 A CN 114779016A
- Authority
- CN
- China
- Prior art keywords
- fault
- normalized
- fault event
- event
- sequence current
- 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
-
- 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
Abstract
本发明公开了一种基于改进DTW的重复性瞬时故障识别方法,通过改进DTW算法计算不同故障事件波形间的差异距离,并进行度量得到波形相似度,最终基于波形相似度进行重复性故障识别。本发明无需人工进行数据分析处理,可在早期检测到配电网的重复性瞬时故障,对于及时排除配电网安全隐患、预防非计划停电以及提升供电可靠性有重要意义。
Description
技术领域
本发明属于电网故障识别技术领域,具体涉及一种基于改进DTW的重复性瞬时故障识别方法的设计。
背景技术
在配电网各类故障中,瞬时性单相接地故障发生率最高,高达70%以上。研究表明,配电网故障在发展为永久性接地故障前,极有可能重复发生大量瞬时性故障。瞬时性故障一旦发展为永久性接地故障,将可能导致停电甚至诱发连锁性故障事件,如火灾以及人身触电伤亡,造成经济损失以及社会影响。因此在早期针对重复性瞬时故障的识别尤为重要。
目前,现有的配电网故障检测技术由于现场运维人员的故障分析、处理能力不足,导致重复性瞬时故障在早期难以被检测到,因此目前缺乏一套实时在线的重复性瞬时故障分析识别方法。
发明内容
本发明的目的是为了解决现有的配电网故障检测技术难以在早期检测到重复性瞬时故障的问题,提出了一种基于改进DTW的重复性瞬时故障识别方法。
本发明的技术方案为:一种基于改进DTW的重复性瞬时故障识别方法,包括以下步骤:
S1、获取故障事件fi和fj的零序电流采样信号,并采用滑动半波窗口计算零序电流的半波有效值,得到故障事件fi和fj的起止时刻。
S2、对故障事件fi和fj的零序电流采样信号进行小波变换,得到故障事件fi和fj的零序电流的暂态高频分量。
S3、分别对故障事件fi和fj的零序电流及其暂态高频分量进行归一化,得到归一化后故障事件fi和fj的零序电流及其暂态高频分量。
S4、采用改进DTW算法计算归一化后故障事件fi和fj的零序电流之间的差异距离D1以及归一化后故障事件fi和fj的暂态高频分量之间的差异距离D2。
S5、根据差异距离D1和D2计算得到故障事件fi和fj之间的波形相似度Sij。
S6、根据波形相似度Sij判断故障事件fi和fj是否为重复性瞬时故障。
进一步地,步骤S1中采用滑动半波窗口的RMS算法计算零序电流的半波有效值I0_rms(k):
其中i0(n)表示故障零序电流,Nhalf表示采样数据半周波的采样点数,n表示采样数据第n个数据点,k表示故障检测计算的第k个有效值。
进一步地,步骤S2中选择小波变换的分解层数p的计算公式为:
p=log2(fs/f0)-1
其中fs表示采样频率,f0表示采样信号的基频。
进一步地,步骤S3中归一化的公式为:
进一步地,步骤S4中差异距离D1的计算公式为:
Wk=1+w·fm,n·ck
D1=WD(m,n)
其中WD(i,j)表示归一化后故障事件fi的零序电流时间序列中第i个数据点与归一化后故障事件fj的零序电流时间序列中第j个数据点之间的DTW累积距离,m表示归一化后故障事件fi的零序电流时间序列的数据长度,n表示归一化后故障事件fj的零序电流时间序列的数据长度,D(i,j)表示归一化后故障事件fi的零序电流时间序列中第i个数据点与归一化后故障事件fj的零序电流时间序列中第j个数据点之间的欧式距离,Wk表示加权系数,w表示加权常数,fm,n表示min(m,n)与max(m,n)的比值,ck表示第k次路径重复使用点的次数。
进一步地,步骤S4中差异距离D2的计算公式为:
Wl=1+w·fp,q·ck
D2=WD(p,q)
其中WD(a,b)表示归一化后故障事件fi的暂态高频分量时间序列中第a个数据点与归一化后故障事件fj的暂态高频分量时间序列中第b个数据点之间的DTW累积距离,p表示归一化后故障事件fi的暂态高频分量时间序列的数据长度,q表示归一化后故障事件fj的暂态高频分量时间序列的数据长度,D(a,b)表示归一化后故障事件fi的暂态高频分量时间序列中第a个数据点与归一化后故障事件fj的暂态高频分量时间序列中第b个数据点之间的欧式距离,Wl表示加权系数,w表示加权常数,fp,q表示min(p,q)与max(p,q)的比值,ck表示第k次路径重复使用点的次数。
进一步地,步骤S5中波形相似度Sij的计算公式为:
进一步地,步骤S6中波形相似度Sij≥0.6时,判断故障事件fi和fj为重复性瞬时故障,否则判断故障事件fi和fj为非重复性瞬时故障。
本发明的有益效果是:
(1)本发明无需人工进行数据分析处理,可在早期检测到配电网的重复性瞬时故障,对于及时排除配电网安全隐患、预防非计划停电以及提升供电可靠性有重要意义。
(2)本发明根据故障零序电流及其暂态高频分量的时间序列直接计算波形相似度对重复性瞬时故障进行判断,无需提取波形各类特征量,计算方式简单快捷。
(3)本发明采用改进DTW算法计算不同故障事件波形间的差异距离,能够对不等长的故障采样信号进行辨识,同时有效避免了因DTW过度弯曲以及故障持续周波存在差异带来的误差。
附图说明
图1所示为本发明实施例提供的一种基于改进DTW的重复性瞬时故障识别方法流程图。
具体实施方式
现在将参考附图来详细描述本发明的示例性实施方式。应当理解,附图中示出和描述的实施方式仅仅是示例性的,意在阐释本发明的原理和精神,而并非限制本发明的范围。
本发明实施例提供了一种基于改进DTW的重复性瞬时故障识别方法,如图1所示,包括以下步骤S1~S6:
S1、获取故障事件fi和fj的零序电流采样信号,并采用滑动半波窗口计算零序电流的半波有效值,得到故障事件fi和fj的起止时刻。
本发明实施例中,采用滑动半波窗口的RMS算法计算零序电流的半波有效值I0_rms(k):
其中i0(n)表示故障零序电流,Nhalf表示采样数据半周波的采样点数,n表示采样数据第n个数据点,k表示故障检测计算的第k个有效值。
S2、对故障事件fi和fj的零序电流采样信号进行小波变换,得到故障事件fi和fj的零序电流的暂态高频分量。
小波变换具有对时频域的双重能力和多分辨率(多尺度)分析的特点,而选取最优的小波基可提高算法整体精度。本发明实施例中选用Daubechies4小波,其对应的分解层数p的计算公式为:
p=log2(fs/f0)-1
S3、分别对故障事件fi和fj的零序电流及其暂态高频分量进行归一化,得到归一化后故障事件fi和fj的零序电流及其暂态高频分量。
本发明实施例中,在进行DTW计算之前,需要对故障期间的零序电流及其暂态高频分量进行归一化,把故障波形数据映射到0~1范围之内进行处理,归一化的公式为:
S4、采用改进DTW算法计算归一化后故障事件fi和fj的零序电流之间的差异距离D1以及归一化后故障事件fi和fj的暂态高频分量之间的差异距离D2。
动态时间弯曲(Dynamic Time Warping,DTW)是一种准确率高、鲁棒性强的时间序列相似性度量方法。传统欧氏距离“一对一”进行时间序列匹配,因此仅适用于相同长度时间序列的度量。而DTW算法通过动态弯曲时间序列对时间序列的数据点进行匹配,因此不仅可以对数据进行“一对一”匹配,还可以进行数据异步匹配,即对数据点进行“一对多”匹配,所以DTW算法不仅可以适用于相同长度的时间序列,同样适用于不等长的时间序列的计算。
现有的DTW计算过程如下:给定两个时间序列P(p1,p2,...,pm)和Q(q1,q2,...,qn),其中,m、n分别为序列P和Q的数据长度,通过欧氏距离计算两数据点(pi,qj)间的距离D(i,j),即:
D(i,j)=||pi-qj||2
从(p1,q1)开始到(pm,qn)结束,以序列P和Q间的累积距离最小为目标,寻找一条最佳弯曲路径M(m1,m2,...,mz),路径M对应的累计距离即为两序列间的DTW差异距离。
尽管DWT算法在形态度量上具有欧式距离未有的优势,然而“一对多”的动态匹配模式,容易过度弯曲而导致度量准确性降低。因此,本发明实施例中提出加权系数对DWT算法进行改进,进而得到差异距离D1的计算公式为:
Wk=1+w·fm,n·ck
D1=WD(m,n)
其中WD(i,j)表示归一化后故障事件fi的零序电流时间序列中第i个数据点与归一化后故障事件fj的零序电流时间序列中第j个数据点之间的DTW累积距离,m表示归一化后故障事件fi的零序电流时间序列的数据长度,n表示归一化后故障事件fj的零序电流时间序列的数据长度,D(i,j)表示归一化后故障事件fi的零序电流时间序列中第i个数据点与归一化后故障事件fj的零序电流时间序列中第j个数据点之间的欧式距离,Wk表示加权系数,w表示加权常数,fm,n表示min(m,n)与max(m,n)的比值,ck表示第k次路径重复使用点的次数。
差异距离D2的计算公式为:
Wl=1+w·fp,q·ck
D2=WD(p,q)
其中WD(a,b)表示归一化后故障事件fi的暂态高频分量时间序列中第a个数据点与归一化后故障事件fj的暂态高频分量时间序列中第b个数据点之间的DTW累积距离,p表示归一化后故障事件fi的暂态高频分量时间序列的数据长度,q表示归一化后故障事件fj的暂态高频分量时间序列的数据长度,D(a,b)表示归一化后故障事件fi的暂态高频分量时间序列中第a个数据点与归一化后故障事件fj的暂态高频分量时间序列中第b个数据点之间的欧式距离,Wl表示加权系数,w表示加权常数,fp,q表示min(p,q)与max(p,q)的比值,ck表示第k次路径重复使用点的次数。
如果瞬时性故障持续时间存在差异,则其故障波形持续周波不同。尽管两故障事件之间存在极高的波形相似度,甚至故障波形几乎重合,但由于一瞬时性故障的持续时间比另一瞬时性故障多半个周波,于是对二者故障波形进行DTW运算时,将导致长度较短的故障其将结束点对应较长的故障后续一大段数据点,由此将导致度量出现错误。因此,本发明实施例中需要采用半波有效值触发检测将DTW的弯曲路径限制在故障持续周波较短的序列。
S5、根据差异距离D1和D2计算得到故障事件fi和fj之间的波形相似度Sij:
S6、根据波形相似度Sij判断故障事件fi和fj是否为重复性瞬时故障。
本发明实施例中,当波形相似度Sij≥0.6时,判断故障事件fi和fj为重复性瞬时故障,否则判断故障事件fi和fj为非重复性瞬时故障。
本发明实施例中,由于D1为零序电流完整波形之间的DTW距离,因此当D1≤0.1时,则可直接认为两故障事件为重复性瞬时故障,即波形相似度Sij=1;而D1和D2数值均大于1时,则将故障事件fi和fj视为非重复性故障,其波形相似度Sij=0。其他情况下,D1、D2分别乘以0.7以及0.3的权重系数后,根据上式计算得到波形相似度Sij,最终判断波形相似度Sij是否大于或等于阈值0.6,完成重复性故障的识别。
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 (9)
1.一种基于改进DTW的重复性瞬时故障识别方法,其特征在于,包括以下步骤:
S1、获取故障事件fi和fj的零序电流采样信号,并采用滑动半波窗口计算零序电流的半波有效值,得到故障事件fi和fj的起止时刻;
S2、对故障事件fi和fj的零序电流采样信号进行小波变换,得到故障事件fi和fj的零序电流的暂态高频分量;
S3、分别对故障事件fi和fj的零序电流及其暂态高频分量进行归一化,得到归一化后故障事件fi和fj的零序电流及其暂态高频分量;
S4、采用改进DTW算法计算归一化后故障事件fi和fj的零序电流之间的差异距离D1以及归一化后故障事件fi和fj的暂态高频分量之间的差异距离D2;
S5、根据差异距离D1和D2计算得到故障事件fi和fj之间的波形相似度Sij;
S6、根据波形相似度Sij判断故障事件fi和fj是否为重复性瞬时故障。
3.根据权利要求1所述的重复性瞬时故障识别方法,其特征在于,所述步骤S2中选择小波变换的分解层数p的计算公式为:
p=log2(fs/f0)-1
其中fs表示采样频率,f0表示采样信号的基频。
6.根据权利要求1所述的重复性瞬时故障识别方法,其特征在于,所述步骤S4中差异距离D1的计算公式为:
Wk=1+w·fm,n·ck
D1=WD(m,n)
其中WD(i,j)表示归一化后故障事件fi的零序电流时间序列中第i个数据点与归一化后故障事件fj的零序电流时间序列中第j个数据点之间的DTW累积距离,m表示归一化后故障事件fi的零序电流时间序列的数据长度,n表示归一化后故障事件fj的零序电流时间序列的数据长度,D(i,j)表示归一化后故障事件fi的零序电流时间序列中第i个数据点与归一化后故障事件fj的零序电流时间序列中第j个数据点之间的欧式距离,Wk表示加权系数,w表示加权常数,fm,n表示min(m,n)与max(m,n)的比值,ck表示第k次路径重复使用点的次数。
7.根据权利要求1所述的重复性瞬时故障识别方法,其特征在于,所述步骤S4中差异距离D2的计算公式为:
Wl=1+w·fp,q·ck
D2=WD(p,q)
其中WD(a,b)表示归一化后故障事件fi的暂态高频分量时间序列中第a个数据点与归一化后故障事件fj的暂态高频分量时间序列中第b个数据点之间的DTW累积距离,p表示归一化后故障事件fi的暂态高频分量时间序列的数据长度,q表示归一化后故障事件fj的暂态高频分量时间序列的数据长度,D(a,b)表示归一化后故障事件fi的暂态高频分量时间序列中第a个数据点与归一化后故障事件fj的暂态高频分量时间序列中第b个数据点之间的欧式距离,Wl表示加权系数,w表示加权常数,fp,q表示min(p,q)与max(p,q)的比值,ck表示第k次路径重复使用点的次数。
9.根据权利要求1所述的重复性瞬时故障识别方法,其特征在于,所述步骤S6中波形相似度Sij≥0.6时,判断故障事件fi和fj为重复性瞬时故障,否则判断故障事件fi和fj为非重复性瞬时故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210493177.4A CN114779016B (zh) | 2022-05-07 | 2022-05-07 | 一种基于改进dtw的重复性瞬时故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210493177.4A CN114779016B (zh) | 2022-05-07 | 2022-05-07 | 一种基于改进dtw的重复性瞬时故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114779016A true CN114779016A (zh) | 2022-07-22 |
CN114779016B CN114779016B (zh) | 2023-04-07 |
Family
ID=82435996
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210493177.4A Active CN114779016B (zh) | 2022-05-07 | 2022-05-07 | 一种基于改进dtw的重复性瞬时故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114779016B (zh) |
Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020024931A1 (en) * | 2000-08-31 | 2002-02-28 | Tsutomu Chikazawa | Transmission apparatus with a function to switch a line in the event of a transmission failure |
US20090088988A1 (en) * | 2007-10-01 | 2009-04-02 | The Texas A&M University System | Arcing event detection |
CN108181547A (zh) * | 2017-12-20 | 2018-06-19 | 珠海许继电气有限公司 | 一种基于时间序列压缩的动态时间弯曲距离故障区段定位方法 |
CN110554274A (zh) * | 2019-09-03 | 2019-12-10 | 广东电网有限责任公司 | 一种基于小波奇异信息的自适应权重接地选线方法 |
CN111220879A (zh) * | 2020-01-19 | 2020-06-02 | 重庆大学 | 一种小电流接地系统单相接地故障区段定位的方法 |
CN111579933A (zh) * | 2020-06-03 | 2020-08-25 | 武汉理工大学 | 一种基于Hausdroff算法的配电网故障区段定位方法 |
CN112034307A (zh) * | 2020-09-04 | 2020-12-04 | 四川大学 | 基于平稳小波变换和对称分量法的电缆早期故障检测方法 |
CN112130027A (zh) * | 2020-09-22 | 2020-12-25 | 三峡大学 | 基于直流动态时间弯曲距离的主动配电网故障定位方法 |
CN112255497A (zh) * | 2020-09-10 | 2021-01-22 | 西安理工大学 | 一种基于基频相关性和最大关联距离的故障选线方法 |
CN112782523A (zh) * | 2020-12-23 | 2021-05-11 | 南京工程学院 | 基于动态模式匹配距离的配电网单相接地故障选线方法 |
CN113295966A (zh) * | 2021-05-25 | 2021-08-24 | 四川大学 | 早期故障类型的识别方法和装置 |
CN114113894A (zh) * | 2021-11-26 | 2022-03-01 | 内蒙古电力(集团)有限责任公司呼和浩特供电局 | 一种基于固有频率特征的重复性故障识别方法 |
WO2022068074A1 (zh) * | 2020-09-29 | 2022-04-07 | 山东大学 | 一种缓慢发展型永久性故障预警方法和系统 |
-
2022
- 2022-05-07 CN CN202210493177.4A patent/CN114779016B/zh active Active
Patent Citations (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20020024931A1 (en) * | 2000-08-31 | 2002-02-28 | Tsutomu Chikazawa | Transmission apparatus with a function to switch a line in the event of a transmission failure |
US20090088988A1 (en) * | 2007-10-01 | 2009-04-02 | The Texas A&M University System | Arcing event detection |
CN108181547A (zh) * | 2017-12-20 | 2018-06-19 | 珠海许继电气有限公司 | 一种基于时间序列压缩的动态时间弯曲距离故障区段定位方法 |
CN110554274A (zh) * | 2019-09-03 | 2019-12-10 | 广东电网有限责任公司 | 一种基于小波奇异信息的自适应权重接地选线方法 |
CN111220879A (zh) * | 2020-01-19 | 2020-06-02 | 重庆大学 | 一种小电流接地系统单相接地故障区段定位的方法 |
CN111579933A (zh) * | 2020-06-03 | 2020-08-25 | 武汉理工大学 | 一种基于Hausdroff算法的配电网故障区段定位方法 |
CN112034307A (zh) * | 2020-09-04 | 2020-12-04 | 四川大学 | 基于平稳小波变换和对称分量法的电缆早期故障检测方法 |
CN112255497A (zh) * | 2020-09-10 | 2021-01-22 | 西安理工大学 | 一种基于基频相关性和最大关联距离的故障选线方法 |
CN112130027A (zh) * | 2020-09-22 | 2020-12-25 | 三峡大学 | 基于直流动态时间弯曲距离的主动配电网故障定位方法 |
WO2022068074A1 (zh) * | 2020-09-29 | 2022-04-07 | 山东大学 | 一种缓慢发展型永久性故障预警方法和系统 |
CN112782523A (zh) * | 2020-12-23 | 2021-05-11 | 南京工程学院 | 基于动态模式匹配距离的配电网单相接地故障选线方法 |
CN113295966A (zh) * | 2021-05-25 | 2021-08-24 | 四川大学 | 早期故障类型的识别方法和装置 |
CN114113894A (zh) * | 2021-11-26 | 2022-03-01 | 内蒙古电力(集团)有限责任公司呼和浩特供电局 | 一种基于固有频率特征的重复性故障识别方法 |
Non-Patent Citations (4)
Title |
---|
STAINHAOUER G N: "New parallel implementations for DTW algorithms" * |
张文海: "小电流接地系统接地型早期故障扰动特征分析" * |
瞿科: "基于波形衰减因子的电缆接头绝缘早期故障状态监测" * |
邵翔: "基于改进DTW的接地故障波形互相关度聚类选线方法" * |
Also Published As
Publication number | Publication date |
---|---|
CN114779016B (zh) | 2023-04-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gu et al. | High impedance fault detection in overhead distribution feeders using a DSP-based feeder terminal unit | |
CN112362987B (zh) | 一种基于稳健估计的避雷器故障诊断方法 | |
Atthapol et al. | Internal Fault Classification in Transformer Windings using Combination of Discrete Wavelet-Transforms and Back-propagation Neural Networks | |
CN109557429A (zh) | 基于改进小波阈值去噪的gis局部放电故障检测方法 | |
Wang et al. | Few-shot transfer learning with attention mechanism for high-voltage circuit breaker fault diagnosis | |
Sahani et al. | Fault location estimation for series-compensated double-circuit transmission line using parameter optimized variational mode decomposition and weighted P-norm random vector functional link network | |
CN111007364A (zh) | 一种电缆早期自恢复故障的识别方法 | |
Gao et al. | Fault line detection using waveform fusion and one-dimensional convolutional neural network in resonant grounding distribution systems | |
CN114217164B (zh) | 一种基于放电波形智能识别的电缆故障测距方法及系统 | |
Asman et al. | Identification of transient overvoltage using discrete wavelet transform with minimised border distortion effect and support vector machine | |
Keswani | Identification of fault in HVDC converters using wavelet based multi-resolution analysis | |
CN109635428B (zh) | 一种基于机械状态信号分析的gis机械故障诊断方法 | |
CN114779016B (zh) | 一种基于改进dtw的重复性瞬时故障识别方法 | |
Mustari et al. | Fault location estimation on transmission lines using neuro-fuzzy system | |
Kale et al. | Detection and classification of faults on parallel transmission lines using wavelet transform and neural network | |
CN116628620A (zh) | 一种非侵入式负荷识别计算方法 | |
Hashim et al. | Single-ended fault location for transmission lines using traveling wave and multilayer perceptron network | |
Chang | Partial discharge pattern recognition of cast resin current transformers using radial basis function neural network | |
Cui et al. | High impedance fault detection method based on Data divergence in the distribution network | |
Zhou et al. | Signal recognition method of power cable oscillating wave partial discharge detection based on support vector machine | |
Dahiya et al. | Detection and classification of power quality events using multiwavelets | |
CN112748318A (zh) | 基于改进pso-bp神经网络的串联故障电弧检测方法 | |
Wang et al. | Crack localization in hydraulic turbine blades based on kernel independent component analysis and wavelet neural network | |
Mahmud et al. | Selection of suitable features for fault classification in transmission line | |
Roy et al. | Signal-energy based fault classification of unbalanced network using s-transform and neural network |
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 |