CN115078915B - 一种接触网故障位置智能预测方法 - Google Patents
一种接触网故障位置智能预测方法 Download PDFInfo
- Publication number
- CN115078915B CN115078915B CN202210844524.3A CN202210844524A CN115078915B CN 115078915 B CN115078915 B CN 115078915B CN 202210844524 A CN202210844524 A CN 202210844524A CN 115078915 B CN115078915 B CN 115078915B
- Authority
- CN
- China
- Prior art keywords
- fault
- current
- interval
- location
- intelligent
- 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
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
Abstract
本发明涉及一种接触网故障位置智能预测方法,包括故障数据完整性检查、故障区间智能判断及基于多种故障测距方法进行故障位置智能预测,在出现故障跳闸后,先判断采集的电流信息是否匹配,不匹配时通过电抗测距法进行故障测距;匹配时结合所亭吸上电流大小比较法和上下行电流大小比较法判断故障区间位置,对比分析并给出可信度;然后对可能的故障区间均进行故障测距,综合多种故障测距方法混合计算得出最终预测故障点位置。本发明可准确预判故障点位置,避免由于数据异常、跳闸在特殊区段、跳闸类型特殊等原因造成故障测距的极大误差,也可有效提高正常数据下的故障测距精度,减少抢修时间,进而减少高铁晚点时间,具有极大的社会效益。
Description
技术领域
本发明涉及电力系统故障预测技术领域,特别是一种接触网故障位置智能预测方法。
背景技术
接触网是露天设备,它受自然条件(风、雨、冰、雾、温度)的影响较大,周边环境也随时影响供电安全。在恶劣的条件下,接触网故障几乎是不可避免的。接触网没有备用,一旦故障就会直接造成高铁运行中断,严重影响人们的通行。抢修时间主要由三部分组成:到达现场时间、寻找故障点时间、临时处理故障时间。SCADA系统提供的故障信息并不能直接指向故障点位置,需要对数据进行分析、计算得到概率最大的故障位置。计算的精确度直接决定了故障测距的精度,而寻找故障点的时间由故障测距的精度决定,也间接决定了抢修时间,如果精度高则只需几分钟;如果误差达到1公里或者数公里,可能要花费数小时时间。
AT供电方式下发生跳闸时,需要同步采集AT所、分区所的数据,再进行故障测距计算。此过程中存在两个难点:一是在实际运行中,光纤通道中断、AT所(分区所)启动延时过高均可能导致变电所、AT所、分区所三者之间电流信息不匹配。一旦信息不匹配,将导致除电抗测距法之外的所有故障测距计算方法产生极大的偏差。二是AT供电方式下,故障点在AT所附近时,1AT段故障和2AT段故障的电流特性没有显著差异,一旦判断错误会造成很大的测距误差。
现有技术判断故障点区间的方式有两种,为所亭吸上电流大小比较法、上下行电流大小比较法。
1.所亭吸上电流大小比较法:比较变电所和分区所吸上电流,变电所大则在1AT段,分区所大则在2AT段。部分厂家会给分区所电流乘以1.1左右系数。但在实际应用中,AT所附近的跳闸因为区间差异,变电所吸上电流和分区所吸上电流大小没有显著的规律性,造成测距装置区间判断错误,进而造成极大的测距误差。
2.上下行电流大小比较法:与所亭吸上电流大小比较法类似,判断T线或者F线的上下行电流大小差值。如果上下行差距较小,则故障发生在2AT段。与所亭吸上电流大小比较法一样,同样有可能判错区间,从而导致极大的测距误差。
现有技术常用的AT故障测距分析方法一般包括电抗测距法、吸上电流比法、上下行电流比法和横联线电流比法、查表法等。
a.电抗测距法:广泛用于直供下计算故障点距离的测距方法,其利用直供线路电抗递增的原理,通过计算故障时的电抗大小,确定故障位置。电抗法测距原理图
如图1所示。但是在AT供电方式下,线路阻抗呈现非线性,AT供电线路阻抗分布图如图2所示。图2左侧为AT供电方式下的T-R、F-R故障阻抗分布图,右侧为T-F故障阻抗分布图。可以看出,针对T-R、F-R故障,一个阻抗可能对应多个线路位置。如8欧姆对应了3个位置,14欧姆对应2个位置,4欧姆对应1个位置。针对T-F故障,单调性较明显,绝大多阻抗对应一个位置。因为高铁供电模式均为AT供电,单一电抗指向多个故障位置,所以直供法得到的故障位置只能用于参考。
b.吸上电流比法:由于采用AT全并联供电方式,理想状况下的吸上电流法故障测距原理如图3所示。吸上电流比法只适用于全并联AT供电模式,且适用于T-R和F-R的短路。针对T-F短路类型,由于吸上电流值被旁路,无法采集,所以不适用;全并联AT供电模式为目前广泛采用的方法,其难度在于Q值的整定较困难,但自由度较好。
c.上下行电流比法:通过比较上下行的电流大小来判断故障点位置。上下行电流比法适应于全并联供电方式,供电臂必须是复线,且末端必须闭环,精度一般。
d.横联线电流比法:类似于上下行电流比法,利用横联电流比来判断故障点位置。横联线电流比法适应于全并联AT供电,可以对T-R、F-R和T-F等全部短路故障进行测距,测距原理不涉及AT自耦变漏抗和短路过渡电阻,因此测距精度极高,但不支持自定义修正。
e.基于实测电流的查表法:从各故障测距的原理可以知道,要想减小故障测距误差,就必须减小因电流比与故障点的对应关系错误而导致的误差,所以必须用实测的数据来进行校正。以往,实测数据来源于短路试验和实际运营时的短路故障,因此数据积累量较少,无法做到依托大量的有效数据积累来支持校正故障测距整定值。为了得到足够的实测数据来进行校正,可以采用高铁线路每日例行动态检测机车行速过程中的所产生的电流代替故障电流的方法来取得基础数据,其原理为:在吸上电流比法中,其测距的依据是基于每组电流之间的比值关系来分析故障点位置,即其需要的是各电流之间比值关系,与电流的绝对值大小、电流与电压相位差无关。当线路某点存在单点负载或存在T-R或F-R故障时,两次结果得到的各电流之间比值关系应基本一致。因此,可以利用单点负载来模拟T-R或F-R故障,起到多次短路试验的效果。基于这一原理,利用高铁线路例行动态检测机车作为某供电区间的单点负载,实时记录机车公里标。同时,记录同一供电臂上的变电所、AT所和分区所的电流大小,进而得到的多组单点负载点对应电流分布数据。该数据基本与故障电流分布情况一致,可以对故障测距装置精度校核进行指导,对故障测距参数进行修正,确保其计算结果吻合测试结果。
以上各测距方法优劣比较如表1所示。
表1
可见,以上方法都存在片面性,将故障类型和位置进行细分后,不同的方法优劣各有不同。现有的故障测距分析由微机保护装置计算得出,受其自身内存空间、计算能力等影响,无法进行复杂判断,只能选用五种方法中的一个进行判断,导致故障测距误差较大。尤其是当数据出现异常时,微机装置不能发现,导致重大计算错误。具体体现以下三方面:1)无法对数据完整性进行检测,无法智能判断较少见的故障类型。2)对于故障区间的判断较机械,没有缓冲区,一旦判断错误就直接导致故障误差极大。3)计算引用方法单一,不能根据故障类型和位置选用最优方法。
发明内容
本发明的主要目的是克服现有技术的缺点,提供一种可准确预判故障点位置,避免由于数据异常、跳闸在特殊区段、跳闸类型特殊等原因造成故障测距的极大误差,有效提高故障测距精度,减少抢修时间,进而减少高铁晚点时间的接触网故障位置智能预测方法。
本发明采用如下技术方案:
一种接触网故障位置智能预测方法,依次包括以下步骤:
①故障数据完整性检查:出现故障跳闸后,综合平台故障测距智能分析系统先进行数据筛选,通过分析各网孔电流,判断变电所、AT所、分区所三者之间电流信息是否匹配,如果电流信息不匹配,则除电抗测距法外所有测距方法全部失效,系统通过电抗测距法进行故障测距,并与区间模拟电抗进行比较,给出一个或数个可能故障点;如果电流信息相匹配,则进入步骤②;
②故障区间智能判断:综合平台故障测距智能分析系统结合所亭吸上电流大小比较法和上下行电流大小比较法判断故障区间位置,将所亭吸上电流大小比较法和上下行电流大小比较法得出的故障区间结论进行结合对比分析,智能判断故障点的区间位置,并给出可信度,如果二者结论一致,则可信度高;如果二者结论不一致,则可信度低;然后进入步骤③;
③基于多种故障测距方法进行故障位置智能预测:对于变电所、AT所、分区所三者之间电流信息相匹配的故障跳闸,如果故障区间判别可信度高,则只计算该判别故障区间内的故障位置;如果故障区间判别可信度低,则分别计算所亭吸上电流大小比较法和上下行电流大小比较法得出的两个故障区间内的可能故障位置;
故障位置计算方法为:
通过多种故障测距方法分别进行计算得出故障位置,并根据公式(1)采用加权平均的方式混合计算得出最终预测故障点位置;
其中:x1、x2、x3……xk为各类故障测距方法计算得出的故障位置数据;为最终预
测故障点位置数据;f1、f2、f3……fk为各类故障测距方法对应的加权系数;各类故障测距方
法对应的加权系数通过对不同故障类型和电流特征的分析确定。
进一步地,步骤③得出最终预测故障点位置后,进行视频系统验证步骤,根据预测故障点位置分析得出距离最近的摄像头位置并获取影像信息,通过查看故障前后的监控视频辅助确定故障位置。
进一步地,所述步骤②中,所亭吸上电流大小比较法设有区间特征参数Q,故障区间判定方法设置为:吸上电流比D1≥Q+0.1时,判定为故障区间在1AT段;Q<D1<Q+0.1时,判定为故障区间大概率在1AT段;Q-0.1<D1<Q时,判定为故障区间大概率在2AT段;D1≤Q-0.1时,判定为故障区间在2AT段。
进一步地,所述区间特征参数Q根据机车电流分布得出;如果无法得到机车电流分布,则将区间特征参数Q设定为1.1。
进一步地,所述步骤②中,上下行电流大小比较法的故障区间判定方法设置为:上下行电流比D2≤0.90或D2≥1.11时,判定为故障区间在1AT段;0.90<D2<0.925或1.08<D2<1.11时,判定为故障区间大概率在1AT段;0.925<D2<0.95或1.05<D2<1.08时,判定为故障区间大概率在2AT段;D2≤1.05或D2≥0.95时,判定为故障区间在2AT段。
进一步地,所述步骤③中,各类故障测距方法的加权系数随故障跳闸不断验证,根据各类故障测距方法的精确度提升或下降进行适时调整。
进一步地,所述步骤③中,故障位置计算方法综合基于实测电流的查表法、横联线电流比法、电抗测距法和吸上电流比法四种故障测距方法进行混合计算。
进一步地,在故障跳闸为T-R故障、区间测量电流分布情况下,基于实测电流的查表法的加权系数为1,其它方法的故障位置数据不参与计算;在故障跳闸为T-R故障、区间未测量电流分布情况下,横联线电流比法的加权系数为0.5,吸上电流比法的加权系数为0.5,其它方法的故障位置数据不参与计算;在故障跳闸为F-R故障情况下,基于实测电流的查表法的加权系数为0.5,横联线电流比法的加权系数为0.5,吸上电流比法的加权系数为0.5,电抗测距法的故障位置数据不参与计算;在故障跳闸为T-F故障情况下,横联线电流比法的加权系数为0.6,电抗测距法的加权系数为0.4,其它方法的故障位置数据不参与计算;在故障跳闸为电流不平衡及直供故障情况下,电抗测距法的加权系数为1,其它方法的故障位置数据不参与计算。
进一步地,所述步骤③中,在故障位置智能预测分析过程中还进行了数据自洽性验证,针对计算得出的不同的故障点位置,再结合历史数据、周边环境,智能分析得出最终故障点位置,用于确保故障位置智能预测的准确性。
进一步地,所述视频系统验证步骤中,根据预测故障点位置分析得出距离最近的摄像头位置的方法为:根据预测故障点位置通过对GIS系统分析找出距离最近的接触网支柱,通过对该接触网支柱的信息进行关联和处理,分析得出距离支柱最近的摄像头位置,并通讯获取该摄像头的实时影像信息,通过查看故障前后十秒内的监控视频,辅助确定故障位置。
由上述对本发明的描述可知,与现有技术相比,本发明的有益效果是:
第一,本发明在AT供电方式下发生跳闸时,通过先进行数据完整性验证,在采集的电流信息不匹配时采用电抗法测距,可避免在采集的电流信息不匹配情况下由于采用无效的测距方法导致极大的误差;
第二,本发明结合所亭吸上电流大小比较法和上下行电流大小比较法判断故障区间位置,得出的故障区间结论进行结合对比分析,并给出可信度,而后对可能故障点均进行测距计算,可避免出现极大误差,提高测距精度;
第三,本发明综合多种故障测距方法进行混合计算,并通过设置不同的加权系数,可根据不同故障类型及电流特征选择最佳故障测距方案,可有效减小测距误差,并通过引入自洽性验证,可更好的确保故障测距的准确性;
第四,本发明对计算得出的故障点位置进行视频系统验证,可更高效的确定故障点;
总之,本发明在出现故障跳闸后,通过依次进行数据完整性检查、故障区间智能判断、基于多种故障测距方法的故障位置智能预测及视频系统验证流程,最终可准确预判故障点位置,可避免由于数据异常、跳闸在特殊区段、跳闸类型特殊等原因造成故障测距判断错误进而导致的极大误差,也可有效提高正常数据下的故障测距精度,可减少抢修时间,进而减少高铁晚点时间,具有极大的社会效益。
附图说明
图1是现有技术的电抗法测距原理图;
图2是现有技术的AT供电线路阻抗分布图;
图3是现有技术的吸上电流比法原理图;
图4是本发明具体实施方式的某次跳闸的电流分布网孔图。
具体实施方式
以下通过具体实施方式对本发明作进一步的描述。
实施例1
参照图4,本发明的一种接触网故障位置智能预测方法,依次包括以下步骤:
①故障数据完整性检查:出现故障跳闸后,综合平台故障测距智能分析系统先进行数据筛选,通过分析各网孔电流,判断变电所、AT所、分区所三者之间电流信息是否匹配,如果电流信息不匹配,则除电抗测距法外所有测距方法全部失效,系统发出报警提示,系统采用电抗测距法进行故障测距,并与区间模拟电抗进行比较,给出一个或数个可能故障点;如果电流信息相匹配,则进入步骤②;其中通过分析各网孔电流,判断变电所、AT所、分区所三者之间电流信息是否匹配的方法属于现有技术,在此不多赘述;
②故障区间智能判断:综合平台故障测距智能分析系统结合所亭吸上电流大小比较法和上下行电流大小比较法判断故障区间位置,将所亭吸上电流大小比较法和上下行电流大小比较法得出的故障区间结论进行结合对比分析,智能判断故障点的区间位置,并给出可信度,如果二者结论一致,则可信度高;如果二者结论不一致,则可信度低,存在风险,系统发出报警提醒注意;然后进入步骤③;其中,所亭吸上电流大小比较法和上下行电流大小比较法的具体方法均属于现有技术,在此不多赘述;
所亭吸上电流大小比较法和上下行电流大小比较法的区间位置判断参数如表2所示:
表2
所亭吸上电流大小比较法设有区间特征参数Q,故障区间判定方法设置为:吸上电流比D1≥Q+0.1时,判定为故障区间在1AT段;Q<D1<Q+0.1时,判定为故障区间大概率在1AT段;Q-0.1<D1<Q时,判定为故障区间大概率在2AT段;D1≤Q-0.1时,判定为故障区间在2AT段。区间特征参数Q根据机车电流分布得出;如果无法得到机车电流分布,则将区间特征参数Q设定为1.1。由于Q不是经验值,为实测所得,所以可极大提升区间判断精度。
上下行电流大小比较法的故障区间判定方法设置为:上下行电流比D2≤0.90或D2≥1.11时,判定为故障区间在1AT段;0.90<D2<0.925或1.08<D2<1.11时,判定为故障区间大概率在1AT段;0.925<D2<0.95或1.05<D2<1.08时,判定为故障区间大概率在2AT段;D2≤1.05或D2≥0.95时,判定为故障区间在2AT段。
③基于多种故障测距方法进行故障位置智能预测:对于变电所、AT所、分区所三者之间电流信息相匹配的故障跳闸,如果故障区间判别可信度高,则只计算该判别故障区间内的故障位置;如果故障区间判别可信度低,存在风险,则分别计算所亭吸上电流大小比较法和上下行电流大小比较法得出的两个故障区间内的可能故障位置;
故障位置计算方法为:
通过基于实测电流的查表法、横联线电流比法、电抗测距法和吸上电流比法四种故障测距方法分别进行计算得出故障位置,并根据公式(1)采用加权平均的方式混合计算得出最终预测故障点位置;
其中:x1、x2、x3……xk为各类故障测距方法计算得出的故障位置数据;为最终预
测故障点位置数据;f1、f2、f3……fk为各类故障测距方法对应的加权系数;各类故障测距方
法对应的加权系数通过对不同故障类型和电流特征的分析确定。基于实测电流的查表法、
横联线电流比法、电抗测距法和吸上电流比法的具体计算方法均为现有技术,在此不再赘
述。各类故障测距方法的加权系数初始值如表3所示:
表3
表3中的各类故障测距方法的加权系数仅是一个初始值,随故障跳闸不断验证,根据各类故障测距方法的精确度提升或下降进行适时调整。如吸上电流比法的精确度会逐步提升,吸上电流比法的加权系数也会随着精度的提升而增大。
在故障跳闸为T-R故障、区间测量电流分布情况下,基于实测电流的查表法的加权系数为1,其它方法的故障位置数据不参与计算;在故障跳闸为T-R故障、区间未测量电流分布情况下,横联线电流比法的加权系数为0.5,吸上电流比法的加权系数为0.5,其它方法的故障位置数据不参与计算;在故障跳闸为F-R故障情况下,基于实测电流的查表法的加权系数为0.5,横联线电流比法的加权系数为0.5,吸上电流比法的加权系数为0.5,电抗测距法的故障位置数据不参与计算;在故障跳闸为T-F故障情况下,横联线电流比法的加权系数为0.6,电抗测距法的加权系数为0.4,其它方法的故障位置数据不参与计算;在故障跳闸为电流不平衡及直供故障情况下,电抗测距法的加权系数为1,其它方法的故障位置数据不参与计算。
在故障位置智能预测分析过程中还进行了数据自洽性验证,针对计算得出的不同的故障点位置,再结合历史数据、周边环境,智能分析得出最终故障点位置,用于确保故障位置智能预测的准确性。
④视频系统验证,根据步骤③中得出的预测故障点位置通过对GIS系统分析找出距离最近的接触网支柱,通过对该接触网支柱的信息进行关联和处理,分析得出距离支柱最近的摄像头位置,并通过web控件的方式获取该摄像头的实时影像信息,并能通过界面功能按钮对摄像头进行拉近、拉远和方向的控制,通过查看故障前后十秒内的监控视频,辅助确定故障位置。经统计,有超过80%的接触网故障可通过视频直接确定位置。
实施例2
本实施例与实施例1的区别在于:步骤③中,故障位置计算方法综合基于实测电流的查表法、横联线电流比法、上下行电流比法、电抗测距法和吸上电流比法五种故障测距方法进行混合计算得出最终预测故障点位置。各类故障测距方法对应的加权系数通过对不同故障类型和电流特征的分析确定。基于实测电流的查表法、横联线电流比法、上下行电流比法、电抗测距法和吸上电流比法的具体计算方法均为现有技术,在此不再赘述。
上述仅为本发明的两个具体实施方式,但本发明的设计构思并不局限于此,凡利用此构思对本发明进行非实质性的改动,均应属于侵犯本发明保护范围的行为。
Claims (10)
1.一种接触网故障位置智能预测方法,其特征在于,依次包括以下步骤:
①故障数据完整性检查:出现故障跳闸后,综合平台故障测距智能分析系统先进行数据筛选,通过分析各网孔电流,判断变电所、AT所、分区所三者之间电流信息是否匹配,如果电流信息不匹配,则除电抗测距法外所有测距方法全部失效,系统通过电抗测距法进行故障测距,并与区间模拟电抗进行比较,给出一个或数个可能故障点;如果电流信息相匹配,则进入步骤②;
②故障区间智能判断:综合平台故障测距智能分析系统结合所亭吸上电流大小比较法和上下行电流大小比较法判断故障区间位置,将所亭吸上电流大小比较法和上下行电流大小比较法得出的故障区间结论进行结合对比分析,智能判断故障点的区间位置,并给出可信度,如果二者结论一致,则可信度高;如果二者结论不一致,则可信度低;然后进入步骤③;
③基于多种故障测距方法进行故障位置智能预测:对于变电所、AT所、分区所三者之间电流信息相匹配的故障跳闸,如果故障区间判别可信度高,则只计算该判别故障区间内的故障位置;如果故障区间判别可信度低,则分别计算所亭吸上电流大小比较法和上下行电流大小比较法得出的两个故障区间内的可能故障位置;
故障位置计算方法为:
通过多种故障测距方法分别进行计算得出故障位置,并根据公式(1)采用加权平均的方式混合计算得出最终预测故障点位置;
2.如权利要求1所述的一种接触网故障位置智能预测方法,其特征在于,步骤③得出最终预测故障点位置后,进行视频系统验证步骤,根据预测故障点位置分析得出距离最近的摄像头位置并获取影像信息,通过查看故障前后的监控视频辅助确定故障位置。
3.如权利要求1所述的一种接触网故障位置智能预测方法,其特征在于,所述步骤②中,所亭吸上电流大小比较法设有区间特征参数Q,故障区间判定方法设置为:吸上电流比D1≥Q+0.1时,判定为故障区间在1AT段;Q<D1<Q+0.1时,判定为故障区间大概率在1AT段;Q-0.1<D1<Q时,判定为故障区间大概率在2AT段;D1≤Q-0.1时,判定为故障区间在2AT段。
4.如权利要求3所述的一种接触网故障位置智能预测方法,其特征在于,所述区间特征参数Q根据机车电流分布得出;如果无法得到机车电流分布,则将区间特征参数Q设定为1.1。
5.如权利要求1所述的一种接触网故障位置智能预测方法,其特征在于,所述步骤②中,上下行电流大小比较法的故障区间判定方法设置为:上下行电流比D2≤0.90或D2≥1.11时,判定为故障区间在1AT段;0.90<D2<0.925或1.08<D2<1.11时,判定为故障区间大概率在1AT段;0.925<D2<0.95或1.05<D2<1.08时,判定为故障区间大概率在2AT段;D2≤1.05或D2≥0.95时,判定为故障区间在2AT段。
6.如权利要求1所述的一种接触网故障位置智能预测方法,其特征在于,所述步骤③中,各类故障测距方法的加权系数随故障跳闸不断验证,根据各类故障测距方法的精确度提升或下降进行适时调整。
7.如权利要求1或6所述的一种接触网故障位置智能预测方法,其特征在于,所述步骤③中,故障位置计算方法综合基于实测电流的查表法、横联线电流比法、电抗测距法和吸上电流比法四种故障测距方法进行混合计算。
8.如权利要求7所述的一种接触网故障位置智能预测方法,其特征在于,在故障跳闸为T-R故障、区间测量电流分布情况下,基于实测电流的查表法的加权系数为1,其它方法的故障位置数据不参与计算;在故障跳闸为T-R故障、区间未测量电流分布情况下,横联线电流比法的加权系数为0.5,吸上电流比法的加权系数为0.5,其它方法的故障位置数据不参与计算;在故障跳闸为F-R故障情况下,基于实测电流的查表法的加权系数为0.5,横联线电流比法的加权系数为0.5,吸上电流比法的加权系数为0.5,电抗测距法的故障位置数据不参与计算;在故障跳闸为T-F故障情况下,横联线电流比法的加权系数为0.6,电抗测距法的加权系数为0.4,其它方法的故障位置数据不参与计算;在故障跳闸为电流不平衡及直供故障情况下,电抗测距法的加权系数为1,其它方法的故障位置数据不参与计算。
9.如权利要求1所述的一种接触网故障位置智能预测方法,其特征在于,所述步骤③中,在故障位置智能预测分析过程中还进行了数据自洽性验证,针对计算得出的不同的故障点位置,再结合历史数据、周边环境,智能分析得出最终故障点位置,用于确保故障位置智能预测的准确性。
10.如权利要求2所述的一种接触网故障位置智能预测方法,其特征在于,所述视频系统验证步骤中,根据预测故障点位置分析得出距离最近的摄像头位置的方法为:根据预测故障点位置通过对GIS系统分析找出距离最近的接触网支柱,通过对该接触网支柱的信息进行关联和处理,分析得出距离支柱最近的摄像头位置,并通讯获取该摄像头的实时影像信息,通过查看故障前后十秒内的监控视频,辅助确定故障位置。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844524.3A CN115078915B (zh) | 2022-07-19 | 2022-07-19 | 一种接触网故障位置智能预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210844524.3A CN115078915B (zh) | 2022-07-19 | 2022-07-19 | 一种接触网故障位置智能预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115078915A CN115078915A (zh) | 2022-09-20 |
CN115078915B true CN115078915B (zh) | 2022-12-30 |
Family
ID=83259293
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210844524.3A Active CN115078915B (zh) | 2022-07-19 | 2022-07-19 | 一种接触网故障位置智能预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115078915B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116432183B (zh) * | 2023-04-21 | 2024-03-26 | 深圳市高优科技有限公司 | 一种智慧地铁综合监控系统及方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0481673A (ja) * | 1990-07-25 | 1992-03-16 | Hitachi Cable Ltd | 架空送電線の故障区間標定装置 |
CN103941156A (zh) * | 2014-04-16 | 2014-07-23 | 华北电力大学 | 基于极限学习机的多信息融合区段定位方法 |
CN104316832A (zh) * | 2014-10-08 | 2015-01-28 | 成都交大许继电气有限责任公司 | 适用于多种运行方式的牵引供电系统故障测距方法 |
CN106443354A (zh) * | 2016-11-03 | 2017-02-22 | 中铁电气化局集团有限公司 | 一种高铁线路故障测距方法及故障测距系统 |
CN107843810A (zh) * | 2017-11-01 | 2018-03-27 | 东南大学 | 一种基于状态估计的有源配电网故障区段在线定位方法 |
CN111796164A (zh) * | 2020-07-16 | 2020-10-20 | 西南交通大学 | 一种全并联at牵引网故障测距方法 |
CN112946419A (zh) * | 2021-01-29 | 2021-06-11 | 西南交通大学 | 一种电气化铁道at故障测距修正系数计算方法 |
CN114460411A (zh) * | 2020-11-09 | 2022-05-10 | 国网黑龙江省电力有限公司检修公司 | 输电网的故障定位方法、装置及系统、处理器、电子设备 |
-
2022
- 2022-07-19 CN CN202210844524.3A patent/CN115078915B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH0481673A (ja) * | 1990-07-25 | 1992-03-16 | Hitachi Cable Ltd | 架空送電線の故障区間標定装置 |
CN103941156A (zh) * | 2014-04-16 | 2014-07-23 | 华北电力大学 | 基于极限学习机的多信息融合区段定位方法 |
CN104316832A (zh) * | 2014-10-08 | 2015-01-28 | 成都交大许继电气有限责任公司 | 适用于多种运行方式的牵引供电系统故障测距方法 |
CN106443354A (zh) * | 2016-11-03 | 2017-02-22 | 中铁电气化局集团有限公司 | 一种高铁线路故障测距方法及故障测距系统 |
CN107843810A (zh) * | 2017-11-01 | 2018-03-27 | 东南大学 | 一种基于状态估计的有源配电网故障区段在线定位方法 |
CN111796164A (zh) * | 2020-07-16 | 2020-10-20 | 西南交通大学 | 一种全并联at牵引网故障测距方法 |
CN114460411A (zh) * | 2020-11-09 | 2022-05-10 | 国网黑龙江省电力有限公司检修公司 | 输电网的故障定位方法、装置及系统、处理器、电子设备 |
CN112946419A (zh) * | 2021-01-29 | 2021-06-11 | 西南交通大学 | 一种电气化铁道at故障测距修正系数计算方法 |
Also Published As
Publication number | Publication date |
---|---|
CN115078915A (zh) | 2022-09-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN115078915B (zh) | 一种接触网故障位置智能预测方法 | |
CN108491990A (zh) | 一种风电场设备状态评价及检修决策支持检测方法及系统 | |
CN114236288B (zh) | 一种基于输电线路故障定位方法 | |
CN105486978A (zh) | 单相短路故障选线方法 | |
US20230179144A1 (en) | Method and apparatus for recognizing operating state of photovoltaic string and storage medium | |
CN110120666B (zh) | 一种电压暂降状态估计方法 | |
CN105548661B (zh) | 一种特高压直流输电系统直流线路电压波动的监视方法 | |
US20150188306A1 (en) | Detection of capacitor bank fuse/switch failure | |
CN114865798A (zh) | 一种基于多参数综合研判的智能预警方法 | |
CN104316836A (zh) | 基于相对保护熵与名义过渡电阻的电网故障在线检测方法 | |
CN105301453A (zh) | 一种局部放电在线监测预警方法 | |
CN115979349A (zh) | 一种电力站空间环境监测方法及系统 | |
CN111579925B (zh) | 一种第四轨回流牵引供电系统的正极轨接地故障定位方法 | |
CN110231540A (zh) | 一种用于伪双极直流输配电线路单极接地故障定位系统 | |
CN114325228B (zh) | 一种储能系统绝缘故障点定位方法、系统及存储介质 | |
CN103412190B (zh) | 基于参数在线辨识的开关类设备状态评价方法 | |
CN109711687B (zh) | 一种基于改进熵值法的绝缘子状态模糊评估方法 | |
CN114740306A (zh) | 一种基于电网信息化的配电网线路故障在线监测预警管理系统 | |
CN111123027A (zh) | 基于wams系统的多端传输线路故障测距方法 | |
CN107368979B (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 | |
CN114966326B (zh) | 基于电流负序故障的单相接地故障区段定位方法及系统 | |
CN111007344A (zh) | 一种碳纤维复合芯导线大电路负荷试验方法 | |
CN114152892B (zh) | 用于故障指示器电池健康度的监测方法 | |
CN112001073B (zh) | 一种牵引供电系统的可靠性分析研究方法 | |
CN113848416A (zh) | 一种对铁路供电线路故障进行精确定位的方法及装置 |
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 |