CN115061006A - 基于行波的复杂配电网故障自动诊断方法 - Google Patents
基于行波的复杂配电网故障自动诊断方法 Download PDFInfo
- Publication number
- CN115061006A CN115061006A CN202210504489.0A CN202210504489A CN115061006A CN 115061006 A CN115061006 A CN 115061006A CN 202210504489 A CN202210504489 A CN 202210504489A CN 115061006 A CN115061006 A CN 115061006A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- traveling wave
- power distribution
- phase
- 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
- 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
- G01R31/08—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computing Systems (AREA)
- Computational Linguistics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Biophysics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及一种基于行波的复杂配电网故障自动诊断方法,获取配电网上的行波信号和工频信号;对工频信号进行识别,以判断线路是否发生故障,若为是,则进行下一步,若为否,则诊断结束;对行波信号和工频信号依据故障特征判断故障相别和故障类型;基于小波分析法监测工频信号瞬时变化点,以确定故障时刻;基于故障定位矩阵判断故障区间;基于双端定位原理对所确定的故障区间内的故障点进行定位。有益效果为:适用于不同类型的多分支、多分布式电源的复杂配电网中发生的故障;不会存在高阻性单相接地故障漏报或无法启动的情况;可以准确判断故障相别并给出故障精确发生位置,大大提高巡线效率,缩短故障持续时间;全程无需人为操作。
Description
技术领域
本发明涉及配电网领域,具体涉及一种基于行波的复杂配电网故障自动诊断方法。
背景技术
随着我国经济、社会的快速繁荣发展,人们的生活水平不断提高,工业电力用户和居民电力用户对配电网的电能质量、供电稳定性以及故障定位、隔离、抢修的速度提出了更高的要求。因此我国正大力推进由传统配电网向高度自动化的智能配电网发展,在配电网自动化中,其中很重要的一个部分就是配电网的故障自动诊断,一旦配电线路发生故障,可以立即根据采集的行波等其他电气量信息准确判断故障点位置,无需人为干预。
1)输电线路自动诊断
对于较高电压等级的输电线路,大多采用的是“点对点”的电能输送方式,输电线路中含T接线的情况较少,因此输电线路的拓扑结构较简单,故障自动诊断相对较容易,不需要考虑大量的T接线和分支线的问题,而配电网是直接连接用电客户的输送网络,配电网的分支线非常多,其拓扑结构相较于输电线路复杂程度较高,对自动诊断造成了很大的困难。
目前我国配电网大多采用的是中性点不接地系统或中性点经消弧线圈接地系统,配电网中故障70%以上为单相故障,而单相故障的故障特征并不明显;输电线路中采用的是中性点直接接地系统,单相故障会产生非常大的故障电流,故障特征明显,从故障特征的角度,配电网的故障特征更加隐蔽,故障自动诊断启动条件难度更高。
2)配网自动化设备自动诊断
目前应用较广泛的一二次智能融合开关进行故障自动诊断,配网线路发生故障时,可以快速判断故障区间并隔离故障,但这种自动诊断方式的结果仅为一个故障区段,无法确定故障点的具体位置,仍然需要运维人员大面巡线才能确定故障点位置,无法快速给出故障位置,甚至有时难以确定故障相别,在这种情况下单相故障可能会演变为相间短路,导致更加严重的后果。
综上所述,目前有待解决的技术问题为:
1)配电网分支众多、结构复杂,输电线路中的自动诊断方法仅适用于“点对点”的无分支线路,配电网自动诊断算法复杂程度较高;
2)配电网中性点大多采用中性点不接地或中性点经消弧线圈接地方式,对于发生频率最高的单相接地故障而言,其故障特征不明显,发生故障后仍然可以带故障运行,因此对于配网的故障自动诊断启动较困难,对采集数据的精确性和自动诊断算法的有效性有较高要求;
3)基于一二次智能融合开关的配网故障自动诊断能够自动判断接地故障和相间故障,也仅能通过“失压分压,来电延时合闸”等方式判断故障所在的大区段,并不能精确判断故障位置;
4)基于一二次智能融合开关的配网故障自动诊断无法判断具体故障相别。
发明内容
本发明所要解决的技术问题是提供一种基于行波的复杂配电网故障自动诊断方法,以克服上述现有技术中的不足。
本发明解决上述技术问题的技术方案如下:一种基于行波的复杂配电网故障自动诊断方法,包括如下步骤:
S100、获取配电网上的行波信号和工频信号;
S200、对工频信号进行识别,以判断线路是否发生故障,若为是,则进行下一步,若为否,则诊断结束;
S300、对行波信号和工频信号依据故障特征判断故障相别和故障类型;
S400、基于小波分析法监测工频信号瞬时变化点,以确定故障时刻;
S500、基于故障定位矩阵判断故障区间;
S600、基于双端定位原理对所确定的故障区间内的故障点进行定位。
在上述技术方案的基础上,本发明还可以做如下改进。
进一步,配电网上的行波信号和工频信号由配电网上的行波采集装置所采集。
进一步,采用卷积神经网络对工频信号进行识别。
更进一步,卷积神经网络故障识别方法如下:
将工频信号按相同规格绘制成黑白两色的线条图;
以线条图图片作为输入信号导入训练后的卷积神经网络中;
将工频信号分类识别为对应标签,包括:故障标签、干扰标签、倒负荷标签;
结合同一台装置的标签情况,以及其他装置同一时刻采集的标签情况,判断是否为故障。
进一步,故障类型包括:单相接地、相间短路和三相短路;
单相接地判断所依据的故障特征为:单故障相相电压降低,另两相电压升高,故障相电流变化;
相间短路判断所依据的故障特征为:故障相电流大幅上升,且相角相反,故障相电压下降;
三相短路判断所依据的故障特征为:三相电流均大幅上升,三相电压均大幅下降。
进一步,S400中小波变换后得到的细节系数的幅值绝对值最大点的时刻为故障时刻。
更进一步,进行三层离散小波分解,即可获得对应细节系数。
进一步,故障定位矩阵的确定方法如下:
确定连接描述矩阵D;
确定故障信息矩阵G;
故障定位矩阵P=连接描述矩阵D×故障信息矩阵G。
进一步,连接描述矩阵D的确定方法如下:
根据配电网上所安装的行波采集装置和配网结构形成简化拓扑图,并将所有行波采集装置及其构成的区间分别作为节点和区段进行编号;
若区段进入该节点,则该位置元素为-1;若区段远离该节点,则该位置元素为1;若该区段与节点不连接,则该位置元素为0;
由此得到连接描述矩阵D。
进一步,故障信息矩阵G的确定方法如下:
根据行波采集装置确定是否存在故障信息,若存在,则故障信息矩阵G中该节点位置元素为1,否则为0。
本发明的有益效果是:
当线路发生故障时,故障点会产生沿线路向两端传输的行波,采集线路中的行波,并上传至主站中,进行自动诊断,即可确定故障点位置,无需人为分析或干预,大大节省了运维人员故障巡线的时间;
相较于现有的技术,基于行波的复杂配网故障自动诊断具有的优点有:
1)适用于不同类型的多分支、多分布式电源的复杂配电网中发生的故障;
2)对高阻性单相接地故障这类故障特征不明显的故障也可以通过行波的方式精确捕捉故障特征,不会存在高阻性单相接地故障漏报或无法启动的情况;
3)基于行波的故障自动诊断可以准确判断故障相别并给出故障精确发生位置,大大提高巡线效率,缩短故障持续时间;
4)基于行波的故障自动诊断全程无需人为操作,一旦线路故障,配电网故障自动诊断系统会自动输出故障精确位置及故障相别,无需人为诊断,响应速度快,诊断效率高。
附图说明
图1为本发明所述基于行波的复杂配电网故障自动诊断方法的流程图;
图2为原始工频信号及三层小波分解后的信号;
图3为简单放射型配电网;
图4为双端行波定位原理图。
具体实施方式
以下结合附图对本发明的原理和特征进行描述,所举实例只用于解释本发明,并非用于限定本发明的范围。
实施例1
从线路结构上,配电网中存在大量T接线分支,且架空绝缘导线、架空裸导线、电缆线路混架众多,结构十分复杂;从运行情况上,配电网一般架设高度较低,线路周围环境复杂,干扰众多,且会含有分布式电源接入情况;从中性点接地方式上,配电网中有中性点不接地系统,中性点经消弧线圈接地系统,中性点直接接地系统等多种类型的接地方式,因此配电网中故障的自动诊断复杂程度远远超过输电线路中。
下面就本发明所提及的一种基于行波的复杂配电网故障自动诊断方法进行详细阐述,如图1所示,包括如下步骤:
S100、获取配电网上的行波信号和工频信号,其中,工频信号包含:工频电压信号和工频电流信号;
S200、对工频信号进行识别,以判断线路是否发生故障,若为是,则进行下一步,若为否,则诊断结束;
S300、对行波信号和工频信号依据故障特征判断故障相别和故障类型;
S400、基于小波分析法监测工频信号瞬时变化点,以确定故障时刻;
S500、基于故障定位矩阵判断故障区间;
S600、基于双端定位原理对所确定的故障区间内的故障点进行定位。
实施例2
本实施例为在实施例1的基础上对其所进行的进一步改进,具体如下:
配电网上的行波信号和工频信号由配电网上安装的行波采集装置所采集,行波采集装置采用现有技术中的装置。
通常,本发明中故障自动诊断在主站中进行,即行波采集装置所采集的行波将上传给主站。
实施例3
本实施例为在实施例2的基础上对其所进行的进一步改进,具体如下:
在配电网上的行波采集装置采集行波后上传至主站中,然后通过卷积神经网络识别所上传的工频信号,并从中选择出发生故障的工频信号,同时让该故障时间点的所有行波采集装置采集的行波信号和工频信号进入后续自动诊断流程中。
卷积神经网络(Convolutional Neural Networks,CNN)是一类包含卷积计算且具有深度结构的前馈神经网络。
行波采集装置采集的工频电压信号和工频电流信号只是一长串数组,无论该数组是不是故障或者各类干扰都会被采集并上传至主站,而并非所有上传至主站的数据均是故障数据,其中较大一部分都是因为外界干扰或者倒负荷引起点工频信号波动,因此需要通过卷积神经网络的特征性识别,筛选出其中的非故障数据。
卷积神经网络故障识别:
将工频信号按相同规格绘制成黑白两色的线条图;
以线条图图片作为输入信号导入训练后的卷积神经网络中;
将工频信号分类识别为对应标签,包括:故障标签、干扰标签、倒负荷标签;
结合同一台装置的标签情况,以及其他装置同一时刻采集的标签情况,判断是否为故障。
实施例4
本实施例为在实施例1~3任一实施例的基础上对其所进行的进一步改进,具体如下:
通过采集的工频信号和行波信号,根据配电网中不同故障类型的特点,判断本次故障属于何种故障并判断故障类型;
配电网中中性点接地方式多种多样,不同的中性点接地方式,发生故障时的特征也存在差异,针对不同配电网,自动诊断时的算法策略也需要相应调整,下面以配电网中的最常见中性点不接地系统为例,分析故障类型和故障相别。
经CNN筛选为故障的信号,进入自动诊断的第一步是判断故障类型,配电网中的故障类型以单相接地故障为主,70%以上的故障均为单相故障。
高阻单相接地时,工频电流故障特征不明显,金属性接地时,故障相会产生较大故障电流;所有类型的单相接地,均满足故障相电压降低,非故障相电压升高的特点。
故障类型包括:单相接地、相间短路和三相短路;
单相接地判断所依据的故障特征为:单故障相相电压降低,另两相电压升高,故障相电流变化;
相间短路判断所依据的故障特征为:故障相电流大幅上升,且相角相反,故障相电压下降;
三相短路判断所依据的故障特征为:三相电流均大幅上升,三相电压均大幅下降。
实施例5
本实施例为在实施例1~4任一实施例的基础上对其所进行的进一步改进,具体如下:
确定故障时刻:
一旦发生故障,线路的稳定状态会被瞬间打破,线路的工频电压和工频电流会瞬间发生变化,故可以通过小波分析法监测工频电压和工频电流瞬时变化点,从而确定故障发生时刻点;
小波变换后得到的细节系数的幅值绝对值最大点的时刻为故障时刻;
连续小波变换其实就是把小波从小尺度拉伸到大尺度,然后把不同尺度的小波依次从0位移到信号的完整长度,并不断地计算它们的积分的过程。
小波变换的计算公式为:
具体步骤为:
1)将小波ψ(t)放到原始信号f(t)的开头处进行比较;
2)计算小波系数C,C其实也表示了小波与信号这一部分的相关程度,C越大,说明相似度越高;
3)将小波向右平移,距离为b,小波函数变为ψ(t-b),并且重复步骤1)和2),直到小波位移完整个信号f(t);
4)扩展小波的尺度,比如扩展一倍,小波函数变为ψ(t2),然后重复步骤1)~3);
5)重复步骤1)~4)直到小波已经拓展到规定的最大尺度。
由此可以求出小波变换结果,经测试,对原始信号进行三层离散小波分解,利用第三层离散小波分解的细节系数即可求得故障时刻。
如图2所示为原始工频信号及三层小波分解后的信号,从图中可以明确的找到故障点的时刻。
实施例6
本实施例为在实施例1~5任一实施例的基础上对其所进行的进一步改进,具体如下:
基于故障定位矩阵判断故障区间中故障定位矩阵的确定方法如下:
确定连接描述矩阵D;
确定故障信息矩阵G;
故障定位矩阵P=连接描述矩阵D×故障信息矩阵G。
对于一个复杂配电网,首先需要根据安装的行波采集装置和配电网的拓扑结构图,得到一个可以描述所有装置连接关系的一个连接描述矩阵,该矩阵是将每一台行波采集装置作为节点,行波采集装置之间的馈线作为区段,其具体判断流程为:
根据行波采集装置和配网结构形成简化拓扑图,将所有行波采集装置及其构成的区间分别作为节点和区段进行编号;
每一行对应于一个节点,第i行中的元素则对应与第i个节点相连接的区段的情况;若区段进入该节点则该位置元素为-1,若区段远离该节点则该位置元素为1,若该区段与节点不连接,则该位置元素为0;
由此得到连接描述矩阵D。
根据行波采集装置确定是否存在故障信息,若存在,则故障信息矩阵G中该节点位置元素为1,否则为0。
如图3所示,以一个简单放射型配电网为例,简单说明上述流程,其中方块表示行波采集装置,假设故障点发生在装置3与装置5之间;
首先根据行波采集装置及配电网结构可以得到连接描述矩阵D:
根据故障信息行波采集装置确定是否存在故障信息,可以得到故障信息矩阵G:
G=[1 1 1 0 0 0]
则可以计算出故障定位矩阵P:
P=G×D=[0 0 1 0]
据此可以判断故障位于区段3内。
实施例7
本实施例为在实施例6的基础上对其所进行的进一步改进,具体如下:
基于双端定位原理对所确定的故障区间内的故障点进行定位:
一般行波定位采用双端定位原理,在F点发生故障后,行波会以光速V向线路两端传播,通过计算行波首次到达两端的时间差的绝对值可以得到故障点的位置,原理图如图4所示。
图4中,TS为故障行波第一次到达测量端S的时间,TR为故障行波第一次到达测量端R的时间,r为输电线路长度,F为故障点位置。
通过求解下述方程组即可求得故障点距离:
双端行波测距原理公式中,可以看出需要准确的获取行波传播速度V,行波首次到达两端的时间差TS-TR或TR-TS,以及线路全长r,这三个关键性参数,依据这三个参数即可精确判断故障点位置。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。
Claims (10)
1.一种基于行波的复杂配电网故障自动诊断方法,其特征在于,包括如下步骤:
S100、获取配电网上的行波信号和工频信号;
S200、对工频信号进行识别,以判断线路是否发生故障,若为是,则进行下一步,若为否,则诊断结束;
S300、对行波信号和工频信号依据故障特征判断故障相别和故障类型;
S400、基于小波分析法监测工频信号瞬时变化点,以确定故障时刻;
S500、基于故障定位矩阵判断故障区间;
S600、基于双端定位原理对所确定的故障区间内的故障点进行定位。
2.根据权利要求1所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:配电网上的行波信号和工频信号由配电网上的行波采集装置所采集。
3.根据权利要求1或2所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:采用卷积神经网络对工频信号进行识别。
4.根据权利要求1或2或3所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:
卷积神经网络故障识别方法如下:
将工频信号按相同规格绘制成黑白两色的线条图;
以线条图图片作为输入信号导入训练后的卷积神经网络中;
将工频信号分类识别为对应标签,包括:故障标签、干扰标签、倒负荷标签;
结合同一台装置的标签情况,以及其他装置同一时刻采集的标签情况,判断是否为故障。
5.根据权利要求1所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:
故障类型包括:单相接地、相间短路和三相短路;
单相接地判断所依据的故障特征为:单故障相相电压降低,另两相电压升高,故障相电流变化;
相间短路判断所依据的故障特征为:故障相电流大幅上升,且相角相反,故障相电压下降;
三相短路判断所依据的故障特征为:三相电流均大幅上升,三相电压均大幅下降。
6.根据权利要求1所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:
S400中小波变换后得到的细节系数的幅值绝对值最大点的时刻为故障时刻。
7.根据权利要求6所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:
进行三层离散小波分解,即可获得对应细节系数。
8.根据权利要求1所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:
故障定位矩阵的确定方法如下:
确定连接描述矩阵D;
确定故障信息矩阵G;
故障定位矩阵P=连接描述矩阵D×故障信息矩阵G。
9.根据权利要求8所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:
连接描述矩阵D的确定方法如下:
根据配电网上所安装的行波采集装置和配网结构形成简化拓扑图,并将所有行波采集装置及其构成的区间分别作为节点和区段进行编号;
若区段进入该节点,则该位置元素为-1;若区段远离该节点,则该位置元素为1;若该区段与节点不连接,则该位置元素为0;
由此得到连接描述矩阵D。
10.根据权利要求8或9所述的一种基于行波的复杂配电网故障自动诊断方法,其特征在于:
故障信息矩阵G的确定方法如下:
根据行波采集装置确定是否存在故障信息,若存在,则故障信息矩阵G中该节点位置元素为1,否则为0。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504489.0A CN115061006A (zh) | 2022-05-10 | 2022-05-10 | 基于行波的复杂配电网故障自动诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210504489.0A CN115061006A (zh) | 2022-05-10 | 2022-05-10 | 基于行波的复杂配电网故障自动诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115061006A true CN115061006A (zh) | 2022-09-16 |
Family
ID=83197892
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210504489.0A Pending CN115061006A (zh) | 2022-05-10 | 2022-05-10 | 基于行波的复杂配电网故障自动诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115061006A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343587A (zh) * | 2022-10-18 | 2022-11-15 | 武汉品迅科技有限公司 | 配网隐患预警方法、装置、设备及存储介质 |
CN117250436A (zh) * | 2023-09-26 | 2023-12-19 | 中宝电气有限公司 | 基于动态模式和双端行波法的配电网行波信号定位方法 |
CN117250436B (zh) * | 2023-09-26 | 2024-06-11 | 中宝电气有限公司 | 基于动态模式和双端行波法的配电网行波信号定位方法 |
-
2022
- 2022-05-10 CN CN202210504489.0A patent/CN115061006A/zh active Pending
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115343587A (zh) * | 2022-10-18 | 2022-11-15 | 武汉品迅科技有限公司 | 配网隐患预警方法、装置、设备及存储介质 |
CN115343587B (zh) * | 2022-10-18 | 2023-01-24 | 武汉品迅科技有限公司 | 配网隐患预警方法、装置、设备及存储介质 |
CN117250436A (zh) * | 2023-09-26 | 2023-12-19 | 中宝电气有限公司 | 基于动态模式和双端行波法的配电网行波信号定位方法 |
CN117250436B (zh) * | 2023-09-26 | 2024-06-11 | 中宝电气有限公司 | 基于动态模式和双端行波法的配电网行波信号定位方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112041693B (zh) | 一种基于混合录波的配电网故障定位系统 | |
RU2632989C2 (ru) | Способ и устройство для определения местонахождения однофазного замыкания на землю в распределительной сети на основе вейвлет-преобразования переходных сигналов | |
CN108683180B (zh) | 一种三相低压配电网拓扑重建方法 | |
CN110907758B (zh) | 一种涵盖ct极性自修正的小电流接地故障选线方法 | |
Navaneethan et al. | Automatic fault location for underground low voltage distribution networks | |
CN115291046B (zh) | 基于电网运行大数据的电网配电异常识别方法 | |
CN110988600B (zh) | 一种配电网断线故障区间定位方法 | |
CN109643890B (zh) | 用于对混合型输电线路中的故障进行定位的方法和系统 | |
CN114460411A (zh) | 输电网的故障定位方法、装置及系统、处理器、电子设备 | |
Abu-Elanien et al. | Survey on the transformer condition monitoring | |
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 | |
CN115061006A (zh) | 基于行波的复杂配电网故障自动诊断方法 | |
CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
CN116559591A (zh) | 一种智能输配电分布式故障诊断及类型识别系统 | |
CN112763853B (zh) | 一种并网模式下交流微电网短路故障的检测与定位系统及其工作方法 | |
CN115469189A (zh) | 基于护套首末端电流比和环流比的电缆护套故障判断方法 | |
CN112462195A (zh) | 一种基于故障特征值的小电流故障定位方法 | |
CN114911752A (zh) | 一种针对t接线路的三端故障数据归档的方法 | |
CN114280425A (zh) | 基于负荷端相电压幅值变化量的配电网短路故障判断方法 | |
CN112526289A (zh) | 一种基于广域行波信息共有特征的复杂电网故障定位方法 | |
Bello et al. | A Comparative Study of Different Traveling Wave Fault Location Techniques | |
CN117394311B (zh) | 一种基于多源信息融合的配电网韧性评估及紧急控制方法 | |
CN116840671B (zh) | 一种基于智能融合断路器的故障预警与精确定位方法 | |
CN116773960B (zh) | 优化录波装置布点的单端融合多端混合配电网故障定位法 | |
RU2809032C1 (ru) | УЗЛОВОЙ БЛОК УПРАВЛЕНИЯ УСТРОЙСТВОМ СЕЛЕКТИВНОГО ОПРЕДЕЛЕНИЯ ПОВРЕЖДЕННОГО ПРИСОЕДИНЕНИЯ И РАССТОЯНИЯ ОТ ПОДСТАНЦИИ ДО МЕСТА ВОЗНИКНОВЕНИЯ ОДНОФАЗНОГО ЗАМЫКАНИЯ НА ЗЕМЛЮ В РАСПРЕДЕЛИТЕЛЬНЫХ СЕТЯХ 6-35 кВ |
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 |