CN115184728A - 一种交直流混合配电网的故障识别方法 - Google Patents
一种交直流混合配电网的故障识别方法 Download PDFInfo
- Publication number
- CN115184728A CN115184728A CN202210817971.XA CN202210817971A CN115184728A CN 115184728 A CN115184728 A CN 115184728A CN 202210817971 A CN202210817971 A CN 202210817971A CN 115184728 A CN115184728 A CN 115184728A
- Authority
- CN
- China
- Prior art keywords
- fault
- power distribution
- distribution network
- hybrid power
- formula
- 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
- 238000000034 method Methods 0.000 title claims abstract description 54
- 239000013598 vector Substances 0.000 claims abstract description 40
- 238000012549 training Methods 0.000 claims abstract description 37
- 238000004088 simulation Methods 0.000 claims abstract description 10
- 238000005259 measurement Methods 0.000 claims abstract description 6
- 238000010606 normalization Methods 0.000 claims description 27
- 230000008569 process Effects 0.000 claims description 22
- 238000004364 calculation method Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 14
- 238000013528 artificial neural network Methods 0.000 claims description 12
- 238000005070 sampling Methods 0.000 claims description 12
- 230000006870 function Effects 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000004927 fusion Effects 0.000 claims description 6
- 238000007781 pre-processing Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 230000008878 coupling Effects 0.000 claims description 4
- 238000010168 coupling process Methods 0.000 claims description 4
- 238000005859 coupling reaction Methods 0.000 claims description 4
- 230000004888 barrier function Effects 0.000 claims description 2
- 230000002194 synthesizing effect Effects 0.000 claims description 2
- 235000013399 edible fruits Nutrition 0.000 claims 1
- 239000002994 raw material Substances 0.000 claims 1
- 238000012360 testing method Methods 0.000 description 9
- 230000008859 change Effects 0.000 description 8
- 230000000694 effects Effects 0.000 description 8
- 238000010586 diagram Methods 0.000 description 7
- 230000007704 transition Effects 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000002787 reinforcement Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于配电技术领域,具体涉及一种交直流混合配电网的故障识别方法。本发明包括:步骤1.采集交直流混合配电网的故障电气量,获取故障典型特征,基于皮尔逊相关系数确定故障识别特征,并将多维故障识别特征构建为单一的输入向量;步骤2.构建离线的交直流混合配电网故障学习模型;利用仿真与实测数据进行训练,得到在线故障识别模型的参数;步骤3.设计故障标签与故障识别判据,利用在线故障识别模型结合故障标签与故障识别判据,实现交直流混合配电网故障识别。本发明可对故障发生及其类型进行准确的判断,具有识别速度快、准确性高的特点,具有较强的理论与工程实用意义。
Description
技术领域
本发明涉及一种故障识别方法,尤其涉及一种交直流混合配电网的故障识别方法。
背景技术
随着电力电子技术的快速发展,交直流混合配电网在传输容量、线路损耗、场景适应能力及分布式电源即插即用等方面的突出优势,已成为新型电力系统在配电网方向的重点发展方向。然而,交直流混合配电网横跨交流与直流配电网模式,其故障类型多样且故障特征复杂,依靠传统的单一特征值检测的方法难以有效地甄别故障的发生及其类型。并且,故障的准确识别是交直流混合配电网保护可靠动作的关键,是保障交直流混合配电网安全稳定运行的重要基础。因此,有必要对交直流混合配电网的故障识别进行研究,以得到更为精准的故障识别效果。现有交直流混合配电网故障识别分析方法仍沿用传统交流配电网或特高压直流输电的理论及经验,对交直流混合配电模式、分布式电源多点接入等考虑不足,对故障电阻、线路长度等影响因素的适应能力差,导致实际的故障识别效果仍然无法满足交直流混合配电网实际应用的要求,影响了交直流混合配电网的推广、发展与建设。因此,有必要对交直流混合配电网的高灵敏故障识别方法进行研究,需充分考虑考虑线路、故障电阻、交直流混合配电网等影响因素,以实现交直流混合配电网更为精确、灵敏的故障识别能力。
发明内容
针对背景技术中存在的问题,本发明提供一种交直流混合配电网的故障识别方法。本发明的目的是为克服现有技术对交直流混合配电网故障识别能力的不足,提供一种基于智能学习的交直流混合配电网高灵敏故障识别方法,该方法利用自适应增强智能学习算法对大量的故障数据进行学习,能够快速并精确的识别不同类型故障特征的变化规律,并且本发明设计了故障特征筛选、数据预处理方法,实现了完整交直流混合配电网故障检测方法,该方法对交直流混合配电网的故障识别、保护等具有工程与实用价值。
本发明解决上述技术问题提供以下技术方案:
一种交直流混合配电网的故障识别方法,包括以下步骤:
步骤1:采集交直流混合配电网的故障电气量,获取故障典型特征,基于皮尔逊相关系数确定故障识别特征,并根据故障特征综合归一法将多维故障识别特征构建为单一的输入向量;
步骤2:基于自适应增强智能学习算法,构建离线的交直流混合配电网故障学习模型;利用仿真与实测数据,训练所述离线的交直流混合配电网故障学习模型,得到在线故障识别模型的参数;
步骤3:设计故障标签与故障识别判据,利用在线故障识别模型结合故障标签与故障识别判据,实现交直流混合配电网故障识别。
作为优选,步骤1具体包括:
步骤1.2:基于皮尔逊相关系数计算不同故障电气量之间的相关性,以确定不同类型故障电气量之间的耦合关系,其中皮尔逊相关系数计算公式如下:
式中,为归一化后的第个数据点,为被归一化的故障电气量、、、的第个数据点,、分别为被归一化的故障电气量、、、采样值的最大值与最小值,将被筛选出的故障电气量归一化为区间[0,1]上的数据信号,并按照下式生成输入向量:
式中:x为离线故障学习模型及在线故障识别模型的输入向量。
作为优选,步骤2具体包括:
步骤2.1:确定弱分类器;
所述弱分类器为BP神经网络,所述弱分类器的拓扑结构包括输入层、隐藏层和输出层,其计算过程为:
步骤2.2:构建离线的交直流混合配电网故障学习模型,该模型的学习过程为通过训练多个弱分类器,组合多个弱分类器的权重,进而构建强分类器,并进一步得到在线故障识别模型的参数;
其具体过程为:
然后归一化下轮样本权值,为下一轮学习做准备:
得到该弱分类器的参数后返回继续训练下一个弱分类器,直到所有弱分类器被训练完毕;
进一步的,步骤3具体包括以下步骤:
步骤3.1:设计故障识别启动判据,故障识别启动判据通过下式实现:
式中:为正极限流电抗器的端电压,为负极限流电抗器的端电压,为启动判据定值一,且为正常运行下和的最大值;为正极直流线路的电压微分值,为负极直流线路的电压微分值,为启动判据定值二,且 为正常运行下和的最大值;当上式成立时,判断可能发生故障,故障识别系统启动;
故障识别判据为:
综上所述,由于采用了上述技术方案,本发明的有益效果是:
1、本发明,利用自适应增强智能学习算法对大量的故障数据进行学习,能够快速并精确的识别不同类型故障特征的变化规律。
2、本发明设计了故障特征筛选、数据预处理方法,实现了完整交直流混合配电网故障检测方法,该方法对交直流混合配电网的故障识别、保护等具有工程与实用价值。
3、本发明利用训练后的离线学习模型构成在线故障识别模型,可直接装入交直流混合配电网故障检测系统,利用采集的故障数据信息,即可对故障发生及其类型进行准确的判断,具有识别速度快、准确性高的特点。
附图说明
图1是基于智能学习的交直流混合配电网故障识别方法流程图。
图2是离线训练过程流程图。
图3是BP神经网络结构图。
图4是实施例的系统等效结构图。
图5是实施例的综合相关系数计算结果。
图6是实施例输入向量波形图。
图7是实施例的弱分类器数量与训练效果关系图。
具体实施方式
为了使本发明实现的技术手段、特征与功效更容易被理解下面结合具体实施例和本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述。
如图1-图7所示,下面对本发明的技术方案作进一步详细描述。图1所示为基于智能学习的交直流混合配电网故障识别方法流程图。
本发明提出一种基于智能学习的交直流混合配电网故障识别方法,其具体实施方法包括以下几个步骤:
步骤1:采集交直流混合配电网的故障电气量,获取故障典型特征,利用皮尔逊相关系数确定故障识别特征,并根据所提出的故障特征综合归一法将多维故障特征构建为单一的输入向量。
步骤2:基于自适应增强智能学习算法,设计离线的交直流混合配电网故障学习模型,利用大量的仿真与实测数据,训练该故障学习模型,确定在线故障识别模型的参数。
步骤3:设计高灵敏的故障标签与故障识别判据,形成基于在线推理的交直流混合配电网故障识别方法,包括启动判据、数据预处理、故障识别判据等。
步骤1中采集交直流混合配电网的故障电气量,获取故障典型特征,利用皮尔逊相关系数确定故障识别特征,并根据所提出的故障特征综合归一法将多维故障特征构建为单一的输入向量。具体过程为:
步骤1.1:采集交直流混合配电网的故障电气量,将其分别进行编号,Xn为某个故障电气量,n为其编号,根据实际交直流混合配电网的需求确定具体的故障电气量的类型和数量。通常可按照表1所示的方式进行编号。
表1 交直流配电网故障电气量编号表
步骤1.2:利用皮尔逊相关系数计算不同故障电气量之间的相关性,以确定不同类型故障电气量之间的耦合关系,从而筛选出弱相关的故障电气量,实现对故障的可靠区分。其中皮尔逊相关系数计算公式如下:
式中:、分别为上述某两个不同故障电气量, 和分别为上述某两个不同故障电气量采样值的平均值,为与的皮尔逊相关系数,的范围为-1到1,越大表示相关性越强,对故障的区分能力越弱;因此,取不同类型故障下的平均值为故障电气量的综合相关系数,确定某个故障电气量对交直流混合配电网故障的区分能力。综合相关系数可用下式进行计算:
步骤1.3:根据所提出的故障特征综合归一方法将上一步筛选出的多维故障电气量进行归一与融合,进而构建离线故障训练模型需要的单一输入向量。其中故障电气量归一化能够提高数据辨识能力,减小不同类型故障电气量在数量级上的差异。将被筛选的故障电气量、、、进行归一与融合,进而构建离线故障学习模型需要的单一输入向量,故障电气量、、、归一化原理为利用采样值中的最大值与最小值对采样值的所有数值进行归一化,故利用下式分别对筛选出的故障电气量、、、的采样值进行归一化处理:
步骤2中的自适应增强智能学习算法离线训练流程图如图2所示。通过设计离线的交直流混合配电网故障学习模型,利用大量的仿真与实测数据,训练该故障学习模型,确定在线故障识别模型的参数。具体过程为:
步骤2.1:离线的交直流混合配电网故障识别模型通过多个弱分类器的加权叠加组成一个强分类器,能够有效快速、自适应的解决交直流混合配电网的故障识别问题。采用的弱分类器为BP神经网络,BP神经网络的结构如图3所示,该分类器的拓扑结构包括输入层、隐藏层和输出层,其计算过程为:
BP神经网络的隐藏层层数m是重要的参数,其可通过下式进行计算:
步骤2.2:确定弱分类器后,需要设计离线交直流混合配电网故障学习模型,该模型的学习过程为通过训练多个弱分类器,组合多个弱分类器的权重,进而构建具有强分类能力、高精度的在线故障识别模型。其具体过程为:
最后,加权各个弱分类器得到强分类器的输出函数H(X)形成在线推理模型:
步骤3中的故障标签如表2所示,结合设计的故障识别判据,可形成基于在线推理的交直流混合配电网故障识别方法,如图1所示,包括启动判据、数据预处理、故障识别判据等。其具体过程为:
表2 故障标签设置
步骤3.1:故障识别系统的频繁启动加大了系统工作量,可能对系统运行产生负面影响,故设计故障识别启动判据以减小故障识别系统的启动次数,故障识别启动判据通过下式实现:
式中:与分别为正极、负极限流电抗器的端电压,为启动判据定值一,为正常运行下和的最大值;与分别为正极、负极直流线路的电压微分值,为启动判据定值二,为正常运行下和的最大值。当上式成立时,判断可能发生故障,故障识别系统启动。
步骤3.2:以启动时刻为原点采集故障电气量,利用所提的故障特征归一化方法将故障数据预处理为输入向量。然后将向量输入在线推理模型中,得到推理结果。为一个一维矩阵,矩阵的维数为故障类型数,故矩阵中为1的元素对应识别到的故障类型,能够实现故障的准确识别与判断。
故障识别判据为:
当输入向量的计算结果满足上式时,判定交直流混合配电网发生故障,并且通过i能够判定故障的类型。
实施例
为使本领域的技术人员更好地理解本发明的原理,结合附图和实施例阐述如下:
以图4所示的典型交直流混合电网为实施例,利用本发明所提方法进行计算分析。图4所示的典型交直流混合电网系统参数如表3所示:
表3 实施例交直流混合配电网系统参数
故障分别发生在区内直流线路、区外直流线路和区外交流线路上,过渡电阻分别设置为0.01-100欧姆,通过大量的仿真数据对本发明所提方法进行测试和验证,具体流程图如图1所示。
步骤1:采集交直流混合配电网的故障电气量,获取故障典型特征,利用皮尔逊相关系数确定故障识别特征,并根据所提出的故障特征综合归一法将多维故障特征构建为单一的输入向量。具体过程为:
步骤1.1:采集交直流混合配电网的故障电气量,将其分别进行编号,实施例的编号情况如表1所示。
步骤1.2:利用皮尔逊相关系数计算不同故障电气量之间的相关性,以确定不同类型故障电气量之间的耦合关系,从而筛选出弱相关的故障电气量,实现对故障的可靠区分。其中皮尔逊相关系数计算公式如下:
式中:、分别为上述某两个不同故障电气量, 和分别为上述某两个不同故障电气量采样值的平均值,为与的皮尔逊相关系数,的范围为-1到1,越大表示相关性越强,对故障的区分能力越弱;因此,取不同类型故障下的平均值为故障电气量的综合相关系数,确定某个故障电气量对交直流混合配电网故障的区分能力。综合相关系数可用下式进行计算:
在本实施例中,分别计算以下故障类型,其中直流侧故障包括:区内正极接地故障、区内负极接地故障、区内双极短路故障、区外正极接地故障、区外负极接地故障、区外双极短路故障,交流侧故障包括单相接地故障、两相短路故障、三相短路故障。利用仿真数据对综合系数进行计算得到图5所示结果,由图5可知,相关系数最小的4个故障电气量为:直流正极电流X2、直流正极电压变化率X4、直流负极电流X7、直流负极电压变化率X9,此外直流正极电流变化率X5、直流负极电流变化率X10的综合相关系数也较小,可作为备选故障电气量。
步骤1.3:根据所提出的故障特征综合归一方法将上一步筛选出的多维故障电气量进行归一与融合,进而构建离线故障训练模型需要的单一输入向量。其中故障电气量归一化能够提高数据辨识能力,减小不同类型故障电气量在数量级上的差异。将被筛选的故障电气量、、、进行归一与融合,进而构建离线故障学习模型需要的单一输入向量,故障电气量、、、归一化原理为利用采样值中的最大值与最小值对采样值的所有数值进行归一化,故利用下式分别对筛选出的故障电气量、、、的采样值进行归一化处理:
步骤2:自适应增强智能学习算法离线训练流程图如图2所示。通过设计离线的交直流混合配电网故障学习模型,利用大量的仿真与实测数据,训练该故障学习模型,确定在线故障识别模型的参数。具体过程为:
步骤2.1:离线的交直流混合配电网故障识别模型通过多个弱分类器的加权叠加组成一个强分类器,能够有效快速、自适应的解决交直流混合配电网的故障识别问题。采用的弱分类器为BP神经网络,BP神经网络的结构如图3所示,该分类器的拓扑结构包括输入层、隐藏层和输出层,其计算过程为:
BP神经网络的隐藏层层数m是重要的参数,其可通过下式进行计算:
步骤2.2:确定弱分类器后,需要设计离线的交直流混合配电网故障学习模型,该模型的学习过程为通过训练多个弱分类器,组合多个弱分类器的权重,进而构建具有强分类能力、高精度的在线故障识别模型。其具体过程为:
最后,加权各个弱分类器得到强分类器的输出函数H(X)形成在线推理模型:
上述自适应增强学习模型的初始参数设置为:学习率 ,最大迭代次数,训练收敛目标 。结合图4所示的实施例等效电路图,在PSCAD仿真平台上得到大量仿真数据,其中过渡电阻在0.01-100欧姆之间变化,故障距离在0-3km内变化。所得的训练样本与测试样本如表4所示。
表4 训练样本与测试样本设计
通过1800组数据进行训练可以得到离线的交直流混合配电网故障识别训练模型的参数。其中,离线的交直流混合配电网故障识别训练模型的训练时间与弱分类器数量N呈现正相关,利用训练数据分别测试不同的N对训练效果的影响,如图7所示。 时,弱分类器数量能够带来明显的准确率提升, 时,较长的训练时间不能带来明显的训练效果提升,反而可能降低训练性能,由于训练时间的增加,导致计算效率下降,影响保护的速动性和准确性;时训练效果和训练时间较为合适。
表5 在线推理模型分类器权值与样本权重
步骤3:设计故障标签如表2所示,结合设计的故障识别判据,可形成基于在线推理的交直流混合配电网故障识别方法,如图1所示,包括启动判据、数据预处理、故障识别判据等。其具体过程为:
步骤3.1:故障识别系统的频繁启动加大了系统工作量,可能对系统运行产生负面影响,故设计故障识别启动判据以减小故障识别系统的启动次数,故障识别启动判据通过下式实现:
式中:与分别为正极、负极限流电抗器的端电压,为启动判据定值一,为正常运行下和的最大值;与分别为正极、负极直流线路的电压微分值,为启动判据定值二,为正常运行下和的最大值。当上式成立时,判断可能发生故障,故障识别系统启动。
步骤3.2:以启动时刻为原点采集故障电气量,利用所提的故障特征归一化方法将故障数据预处理为输入向量。然后将向量输入在线推理模型中,得到推理结果。为一个一维矩阵,矩阵的维数为故障类型数,故矩阵中为1的元素的维数对应识别到的故障类型,能够实现故障的准确识别与判断。
故障识别判据为:
通过600组测试数据对在线推理模型进行测试,可得测试结果为表6。
表6 实施例测试数据结果
进一步地,为了说明本发明所提方法优越性,测试了不同故障位置时发生过渡电阻为500/1000/2000欧姆故障,本发明所提方法的可靠性,结果如表7所示,结果表明本发明所提方法具有较好的抗过渡电阻效果。
表7 抗过渡电阻测试结果
对于本领域技术人员而言,显然本发明不限于上述示范性实施例的细节,而且在不背离本发明的精神或基本特征的情况下,能够以其他的具体形式实现本发明。因此,无论从哪一点来看,均应将实施例看作是示范性的,而且是非限制性的,本发明的范围由所附权利要求而不是上述说明限定,因此旨在将落在权利要求的等同要件的含义和范围内的所有变化囊括在本发明内。不应将权利要求中的任何附图标记视为限制所涉及的权利要求。
Claims (4)
1.一种交直流混合配电网的故障识别方法,其特征在于,包括以下步骤:
步骤1:采集交直流混合配电网的故障电气量,获取故障典型特征,基于皮尔逊相关系数确定故障识别特征,并根据故障特征综合归一法将多维故障识别特征构建为单一的输入向量;
步骤2:基于自适应增强智能学习算法,构建离线的交直流混合配电网故障学习模型;利用仿真与实测数据,训练所述离线的交直流混合配电网故障学习模型,得到在线故障识别模型的参数;
步骤3:设计故障标签与故障识别判据,利用在线故障识别模型结合故障标签与故障识别判据,实现交直流混合配电网故障识别。
2.根据权利要求1所述的一种交直流混合配电网的故障识别方法,其特征在于:所述步骤1具体过程为:
步骤1.2:基于皮尔逊相关系数计算不同故障电气量之间的相关性,以确定不同类型故障电气量之间的耦合关系,其中皮尔逊相关系数计算公式如下:
式中,为归一化后的第i个数据点,Si为被归一化的故障电气量、、、的第个数据点,、分别为被归一化的故障电气量、、、采样值的最大值与最小值,将被筛选出的故障电气量归一化为区间[0,1]上的数据信号,并按照下式生成输入向量:
3.根据权利要求1所述的一种交直流混合配电网的故障识别方法,其特征在于:所述步骤2具体过程为:
步骤2.1:确定弱分类器;
所述弱分类器为BP神经网络,所述弱分类器的拓扑结构包括输入层、隐藏层和输出层,其计算过程为:
m通过下式进行计算:
步骤2.2:构建离线的交直流混合配电网故障学习模型,该模型的学习过程为通过训练多个弱分类器,组合多个弱分类器的权重,进而构建强分类器,并进一步得到在线故障识别模型的参数;
其具体过程为:
然后归一化下轮样本权值,为下一轮学习做准备:
得到该弱分类器的参数后返回继续训练下一个弱分类器,直到所有弱分类器被训练完毕;
4.根据权利要求1所述的一种交直流混合配电网的故障识别方法,其特征在于:所述步骤3具体过程在于:
步骤3.1:设计故障识别启动判据,故障识别启动判据通过下式实现:
式中:为正极限流电抗器的端电压,为负极限流电抗器的端电压,为启动判据定值一,且为正常运行下和的最大值;为正极直流线路的电压微分值,为负极直流线路的电压微分值,为启动判据定值二,且 为正常运行下和的最大值;当上式成立时,判断可能发生故障,故障识别系统启动;
故障识别判据为:
当输入向量的计算结果满足上式时,判定交直流混合配电网发生故障,通过i判定故障的类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817971.XA CN115184728A (zh) | 2022-07-13 | 2022-07-13 | 一种交直流混合配电网的故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210817971.XA CN115184728A (zh) | 2022-07-13 | 2022-07-13 | 一种交直流混合配电网的故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115184728A true CN115184728A (zh) | 2022-10-14 |
Family
ID=83517455
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210817971.XA Pending CN115184728A (zh) | 2022-07-13 | 2022-07-13 | 一种交直流混合配电网的故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115184728A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189396A (zh) * | 2023-04-28 | 2023-05-30 | 威利朗沃矿业设备(北京)有限公司 | 电器安全保护方法、装置、电子设备和计算机可读介质 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN111679158A (zh) * | 2020-08-04 | 2020-09-18 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于同步量测数据相似度的配电网故障辨识方法 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 |
CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
CN113970686A (zh) * | 2021-10-27 | 2022-01-25 | 西南交通大学 | 基于单端量保护的配电网故障检测方法、系统及定位方法 |
CN114062832A (zh) * | 2021-08-31 | 2022-02-18 | 广东电网有限责任公司 | 一种配电网短路故障类型的识别方法及系统 |
-
2022
- 2022-07-13 CN CN202210817971.XA patent/CN115184728A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN111679158A (zh) * | 2020-08-04 | 2020-09-18 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于同步量测数据相似度的配电网故障辨识方法 |
CN112051481A (zh) * | 2020-08-12 | 2020-12-08 | 华中科技大学 | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 |
CN112147462A (zh) * | 2020-09-16 | 2020-12-29 | 国网江西省电力有限公司电力科学研究院 | 一种基于深度学习的输电线路故障辨识方法 |
CN114062832A (zh) * | 2021-08-31 | 2022-02-18 | 广东电网有限责任公司 | 一种配电网短路故障类型的识别方法及系统 |
CN113970686A (zh) * | 2021-10-27 | 2022-01-25 | 西南交通大学 | 基于单端量保护的配电网故障检测方法、系统及定位方法 |
Non-Patent Citations (4)
Title |
---|
刘一丁 等: ""基于Adaboost强分类器的财务预警模型"", 《现代商业》, no. 31, 8 November 2020 (2020-11-08), pages 187 - 188 * |
杨华: ""配电网故障预测的研究与应用"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 8, 15 August 2020 (2020-08-15), pages 042 - 339 * |
杨斐然: ""基于BP与时间约束分层模糊Petri网的有源配电网故障诊断研究"", 《中国优秀硕士学位论文全文数据库 工程科技II辑》, no. 6, 15 June 2021 (2021-06-15), pages 042 - 1284 * |
江波 等: ""基于BP神经网络的电网故障诊断研究"", 《能源与环保》, vol. 39, no. 11, 30 November 2017 (2017-11-30), pages 246 - 256 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116189396A (zh) * | 2023-04-28 | 2023-05-30 | 威利朗沃矿业设备(北京)有限公司 | 电器安全保护方法、装置、电子设备和计算机可读介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
Teimourzadeh et al. | High impedance single-phase faults diagnosis in transmission lines via deep reinforcement learning of transfer functions | |
CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
CN112051481A (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 | |
CN108492043A (zh) | 一种基于聚类算法的电力用户负荷测算方法 | |
CN114414942B (zh) | 基于暂态波形图像识别的输电线路故障辨识分类器、辨识方法及系统 | |
CN108459240A (zh) | 一种配电网线路故障区间定位方法 | |
CN109459669A (zh) | 10kV配电网单相接地故障区段定位方法 | |
CN112731260B (zh) | 基于概念漂移识别的电压互感器误差状态在线评估方法 | |
CN111679158A (zh) | 基于同步量测数据相似度的配电网故障辨识方法 | |
CN115932484B (zh) | 输电线路故障辨识与故障测距方法、装置和电子设备 | |
Júnior et al. | The design of multiple linear regression models using a genetic algorithm to diagnose initial short-circuit faults in 3-phase induction motors | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN113674106A (zh) | 一种中低压配电网接地故障组合定位方法 | |
CN111429043B (zh) | 基于场景构建的电压暂降特征量随机评估方法 | |
CN115184728A (zh) | 一种交直流混合配电网的故障识别方法 | |
CN114035086A (zh) | 基于信号处理的电池组多故障诊断方法 | |
CN107037278A (zh) | 一种iec61850标准下的智能变电站故障诊断方法 | |
Maruf et al. | Locating faults in distribution systems in the presence of distributed generation using machine learning techniques | |
CN110212503B (zh) | 一种适用于小电阻接地系统的高阻接地保护方法 | |
CN115712871A (zh) | 一种结合重采样和集成学习的电力电子系统故障诊断方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN117972460A (zh) | 一种高压电流互感器运行故障判别方法 |
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 |