CN115201632A - 一种多端直流输电线路故障识别方法 - Google Patents
一种多端直流输电线路故障识别方法 Download PDFInfo
- Publication number
- CN115201632A CN115201632A CN202210859169.7A CN202210859169A CN115201632A CN 115201632 A CN115201632 A CN 115201632A CN 202210859169 A CN202210859169 A CN 202210859169A CN 115201632 A CN115201632 A CN 115201632A
- Authority
- CN
- China
- Prior art keywords
- fault
- detection model
- representing
- frequency energy
- fault detection
- 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
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- 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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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
- G06N3/084—Backpropagation, e.g. using gradient descent
Landscapes
- Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及一种多端直流输电线路故障识别方法,包括:提取故障特征:获取多端直流输电线路的电压行波信息;对电压行波信息进行特征提取,得到故障特征;所述故障特征包括正负极电压变化比系数、母线高频能量与低频能量的比值、线路高频能量与低频能量的比值;构建故障检测模型;初始化故障检测模型的超参数;训练故障检测模型以更新所述超参数;将故障特征输入完成训练的故障检测模型,故障检测模型输出故障类型。本发明利用小波变换将母线与线路的瞬时电压暂态特征转化为小波能量占比和正负极能量变比,构建起频域特性下的故障特征,受高阻故障影响小,从而提高故障耐受过渡电阻能力。
Description
技术领域
本发明涉及一种多端直流输电线路故障识别方法,属于直流输电线路保护领域。
背景技术
柔性直流输电系统作为低惯量系统,其直流侧故障具有故障电流上升速度快、故障电流幅值高的特征。MMC直流侧线路发生故障时,故障电流必然流经耐涌流能力较差的全控型半导体器件IGBT;若故障电流不及时切断会导致换流站内设备烧毁,使系统崩溃,酿成灾难。目前柔性直流输电系统的换流站多采用无故障自清除能力的半桥型子模块,因此,直流保护技术要求对故障进行快速检测并隔离,以保证非故障部分的正常运行。
目前实际投入运行的直流输电线路保护方法主要有行波保护和微分欠压保护两种,最先是应用于常规高压直流输电系统,而柔性直流输电线路则直接借鉴了这2种保护方法。其中行波保护主要采用单端量行波保护原理,利用极波(即反向电压行波)构成保护判据,又分为以下两种:1、根据极波的变化量的大小来判断故障。当极波的变化量大于保护定值时,即认为线路发生了故障。2、引入电压微分构成保护的启动判据,同时使用保护启动后极波的变化量在10ms内的积分值构成保护判据。这样可以在一定程度上降低各种干扰对保护的影响,提高保护的可靠性,但牺牲了保护的动作速度。
这两种行波保护方案本质上只是一种简单的突变量保护,缺点在于:1、由于它们的采样率都只有10kHz,实际利用的信号频带范围只有0~4kHz,仅利用了故障行波信号中的低频信息。噪声、雷击及其他干扰所引起的暂态突变有可能导致保护的误动,保护可靠性不高。2、区外故障时极波的变化量也有较大的数值,为保证保护的选择性,保护的定值不得不设置为较大的数值,这就导致区内线路末端故障或者故障过渡电阻较大的情况下可能拒动,保护的灵敏度不足。3、这两种保护方案都只能耐受几十W的过渡电阻。
因此,需要一种在满足速动性的前提下,耐过渡电阻能力强和故障诊断准确率高的故障识别方法。
公开号CN110398663B的专利《一种基于卷积神经网络的柔性直流电网故障识别方法》包括:构建含有分支结构的卷积神经网络模型;仿真获取故障案例数据并训练模型与调整模型参数;设置故障检测识别启动判据,并启动故障识别程序,在采样信号检测点以2ms采样数据窗,采集实际工况线路正负极电压、电流;数据归一化处理,并通过模型识别实际故障类型,故障类型包括仿真区内正极接地、区内负极接地、区内双极短路以及区外双极短路。该方法充分利用2ms采样窗内信息,模型的分支结构实现多种不同量纲故障特征的综合利用,提高柔直电网区内外故障识别的准确度,提高耐过渡电阻能力,满足故障识别速动性、选择性、灵敏性的要求。但该方法构建时域特性下的故障特征,易受噪声干扰且受故障电阻的影响较大,对于线路远端高阻抗故障存在识别困难的情况。此外,该方法所能识别的故障类型较少。
发明内容
为了克服现有技术中存在的问题,本发明设计了一种多端直流输电线路故障识别方法,在满足速动性的前提下提高了耐过渡电阻能力和故障诊断准确率。
为了实现上述目的,本发明采用如下技术方案:
一种多端直流输电线路故障识别方法,包括以下步骤:
提取故障特征:获取多端直流输电线路的电压行波信息;对电压行波信息进行特征提取,得到故障特征;所述故障特征包括正负极电压变化比系数、母线高频能量与低频能量的比值、线路高频能量与低频能量的比值;
构建故障检测模型;
初始化故障检测模型的超参数;
训练故障检测模型以更新所述超参数;
将故障特征输入完成训练的故障检测模型,故障检测模型输出故障类型。
进一步地,所述对电压行波信息进行特征提取:
对电压行波信息进行小波变换,得到高频总能量;
根据高频总能量,计算故障特征,计算公式如下:
k=EhP/EhN
式中,bus表示母线;Line表示线路;p表示母线高频能量与低频能量的比值;q表示线路高频能量与低频能量的比值;Eh表示高频能量的总和;An 2表示为近似系数的平方;k表示正负极电压变比系数;EhP为正极高频能量,EhN为负极高频能量。
进一步地,所述初始化故障检测模型的超参数,具体如下:
Step1:设置种群规模N,搜索空间维度D,最大迭代次数T,对麻雀种群初始化,使种群均匀分布,对麻雀位置初始化;
Step2:对故障检测模型的超参数进行赋值,并设置超参数的寻优范围;
Step3:计算出当前超参数下的每一只麻雀的最优和最劣适应度值,并记录其位置;
Step4:更新探寻者、从者、警卫个体位置;
Step5:计算麻雀新位置的适应度值,若前者更优则保持原有个体不变,更新整个麻雀种群所经历的最优和最劣适应度值及其位置。
Step6:判断是否满足最大迭代次数,若满足条件,则将最优超参数赋予故障检测模型,若不满足返回Step4继续迭代。
进一步地,对故障检测模型的超参数进行赋值,以公式表达为:
Yi+1=ρsin(πYi)
式中,Yi为混沌序列,Yi∈[-1,1];ρ为控制参数;Xi,j表示麻雀i在j维中的位置信息;Uj为麻雀在第j维的上限,Lj为下限;Yi,j表示混沌序列Yi第j维的数据。
进一步地,所述更新探寻者的位置,以公式表达为:
式中,表示第t次迭代时探寻者位置;ω为惯性权重;r1、r2、r3为[0,1]内的随机数;c1为学习因子;xbt为在第t次迭代时麻雀种群的最优位置;为第t次迭代时的高斯扰动项;Gaussian(μ,σ2)是服从高斯分布N(μ,σ2)的随机数,均值μ为0,标准差σ为xbt的绝对值;Q为符合正态分布的随机数;L为1*j的矩阵。
进一步地,所述更新从者的位置,以公式表达为:
式中,表示第t次迭代时从者位置;Q为符合正态分布的随机数;表示第t次迭代时全局最差位置;表示第t+1次迭代时全局最佳位置;A+=AT(AAT)-1,A为内部元素随机分配为1或-1的1*j矩阵,AT为A的转置;L为1*j的矩阵。
进一步地,所述更新警卫的位置,以公式表达为:
式中,表示第t次迭代时警卫位置;表示第t次迭代时全局最佳位置;表示第t次迭代时全局最差位置;β和K均为步长控制参数,其中β为服从方差为1均值为0的正态分布的随机数,K表示闭区间-1到1的随机数;fi表示当前麻雀的适应度值,fw、fg分别表示全局最差与最优位置麻雀的适应度;ε为使分母不为0的最小常数。
与现有技术相比本发明有以下特点和有益效果:
1、本发明将限流电抗器作为边界条件,利用小波变换将母线与线路的瞬时电压暂态特征转化为小波能量占比和正负极能量变比,构建起频域特性下的故障特征,受高阻故障影响小,从而提高故障耐受过渡电阻能力。
2、本发明采用Sine混沌映射对麻雀种群初始化,Sine混沌映射产生的变量具有强遍历性,可以让初始种群分布更均匀,搜索范围更广,避免在搜索过程中陷入局部最小值,从而提高超参数的寻优效率。
附图说明
图1是本发明流程图;
图2是四端柔性直流输电系统拓扑结构示意图;
图3是本发明流程图;
图4是BiLSTM结构示意图;
图5是线路OHL13末端双极短路故障仿真图;
图6是本发明所述故障检测模型和现有技术准确率对比图。
具体实施方式
下面结合实施例对本发明进行更详细的描述。
实施例一
四端柔性直流输电系统拓扑结构如图2所示,图2中S1~S4表示交流电网;BUS1~BUS4表示母线;MMC1~MMC4表示模块化多电平换流器;SSCB13表示交流电网S1到交流电网S3之间且靠近S1的固态断路器,SSCB31表示交流电网S1到交流电网S3之间且靠近S3的固态断路器,其余固态断路器命名方式同理;OHL13表示母线BUS1到母线BUS3之间的输电线路;F1~F4表示母线Bus1~Bus4处发生故障;F12、F13、F34、F24表示输电线路OHL12、OHL13、OHL34、OHL24处发生故障。
如图1和图3所示,对四端柔性直流输电系统进行故障判断,包括以下步骤:
S1、提取故障特征:
四端柔性直流输电系统故障后,在各母线处获得母线的电压行波信息,在限流电抗器与母线之间的位置获取线路的电压行波;
对各电压行波信息进行小波变换,取具备正性、紧支撑性、计算速度快的db4小波为小波基,时间窗设置为1.5ms,对时间窗内的电压行波信息进行5层分解,得到分解结果:
对于一个离散信号A0(l)即电压行波信息按式(1)计算电压行波信息的第j层近似系数Aj(l)与细节系数Dj(l):
式中,近似系数Aj(l)对应低频段信号;细节系数Dj(l)对应高频段信号,j为分解层数。hj(2l-k)、gj(2l-k)分别为高通滤波器和低通滤波器。
根据分解结果,按式(2)计算母线电压及线路电压的高频总能量为:
式中,Eh表示高频能量的总和;D2n为表示细节系数的平方
对如图1所示的四端柔性直流输电系统,按式(3)、(4)、(5)计算故障特征最终得到故障特征:T1=(p1、q1、k1)、…、Ti=(pi、qi、ki)、…、T4=(p4、q4、k4)。
k=EhP/EhN (5)
式中,bus表示母线;Line表示线路;p表示母线高频能量与低频能量的比值;q表示线路高频能量与低频能量的比值,p、q值越高表示行波信号中高频分量越大;Eh表示高频能量的总和;An 2表示为近似系数的平方;k表示正负极电压变比系数;EhP为正极高频能量,EhN为负极高频能量。
S2、构建故障检测模型:
S21、故障检测模型包括输入层、BiLSTM层、全连接层、分类层和输出层。如图4所示,BiLSTM层由前向和后向长短时记忆网络(long short-term memory,LSTM)组成。LSTM由遗忘门、输入门和输出门组成:遗忘门接收上一细胞单元的输出ht-1并结合当前时刻细胞单元的输入xt来决定保护或控制信息的继续传递;输入门决定哪些信息加入到细胞状态中:首先通过一个输入门操作决定更新哪些信息,接着通过tanh层得到新的细胞状态C't,这些信息被用于更新到细胞信息中;输出门决定哪些信息可作为当前细胞状态的输出:首先通过上一细胞单元的输出ht-1结合当前时刻细胞单元的输入xt经过输出门的Sigmoid激活得到判断条件,决定部分细胞状态作为输出。细胞状态经过tanh层得到范围为(-1,1)的向量,将其与输出门判断条件相乘的结果作为该LSTM细胞单元的输出,具体公式如下:
1)门计算
2)记忆细胞计算
3)隐藏状态计算
Ht=ot tanhCt (8)
式中f、i、o分别表示遗忘门、输入门、输出门的计算结果,Ct′为LSTM细胞状态待更新值;Ct为更新后的细胞状态值;ht表示隐藏状态;σ、tanh为激活函数;W为权重参数;b为偏置参数
BiLSTM层输出yn至分类层,分类层通过softmax函数输出故障类别概率
其中,Z为激活函数的输入,Zi表示Z中的第i个元素;C为故障类别个数。本实施例中,C=7。
S22、初始化故障检测模型的超参数;
S23、训练故障检测模型,如下:
S231、构建训练样本集,每一训练样本包括故障特征,设置各训练样本的标签值为其对应的故障类型。
S232、利用训练样本集训练更新故障检测模型中的超参数:
BiLSTM层的训练包括正向计算和反向计算两个过程,通过将前向和后向LSTM层的输出连接起来得到输出值yt,如下所示:
其中:LSTM+()表示LSTM细胞单元正向运算,LSTM-()表示LSTM细胞单元反向运算;Why和Why′分别为BiLSTM正向计算层、反向计算层的权重值;by为输出层的偏置向量。BiLSTM在计算过程中同时对数据的上下文信息进行权重计算,相较于传统LSTM神经网络学习到更多的数据特征。
S3、进行故障类型识别:将步骤S1得到的故障特征输入至故障检测模型,故障检测模型输出故障类型。
本实施例中,故障检测模型输出的故障类型如表1所示:
表1
在各故障类型中,假设过渡电阻为0.01Ω,计算得到故障特征的数值如表2所示。由表2可知,区内线路故障时,p值较小,q值较大;母线故障时,p值较大,q值较小;区外故障时,由于多个限流电感的高频阻滞作用使得p、q的值近似为0。取一个大于1的阈值γ,正极接地故障时k>γ;负极接地故障时k<γ;两极短路故障时1/γ<k<γ。
表2
综上,本申请构造的故障特征(p、q、k)能较好地表征故障类型,从而提高故障识别准确率。
实施例二
进一步地,初始化故障检测模型的超参数具体为:
Step1:设置种群规模N,搜索空间维度D,最大迭代次数T,采用sine混沌映射对麻雀种群初始化,使种群均匀分布,对麻雀位置初始化:
Yi+1=ρsin(πYi) (11)
式中,Yi为混沌序列;ρ为控制参数;Xi,j为麻雀i在j维中的位置信息;Uj为麻雀在第j维的上限,Lj为下限。
Step2:对故障检测模型的超参数进行随机赋值,并设置超参数的寻优范围。
Step3:计算出当前超参数下的每一只麻雀的最优和最劣适应度值,并记录其位置。
Step4:分别按公式(13)(14)(15)更新探寻者、从者、警卫的个体位置:
式(13)中,表示第t次迭代时探寻者位置;ω为惯性权重;r1、r2、r3为[0,1]内的随机数;c1为学习因子;xbt为在第t次迭代时麻雀种群的最优位置;为第t次迭代时的高斯扰动项;Gaussian(μ,σ2)是服从高斯分布N(μ,σ2)的随机数,其中均值μ为0,标准差σ为xbt的绝对值;Q为符合正态分布的随机数;L为1*j的矩阵,矩阵内各元素均为1。
本实施例中使用全局最优值(xbt)、个体最优值和高斯扰动项共同更新探寻者的位置,提高了超参数的搜索速度和寻优精度:探寻者位置不仅受全局最优个体位置的影响,还受个体历史最优位置的影响,提升麻雀种群之间的信息交流能力,从而提高超参数寻优精度;高斯扰动项受全局最优值(xbt)控制,能在防止麻雀种群陷入局部最优的同时保证了麻雀种群的自学习能力,加快了收敛速度。
式(14)中,第t次迭代时表示从者位置;表示迭代t次时全局最差位置;表示迭代t+1次时全局最佳位置;A+=AT(AAT)-1,A为内部元素随机分配为1或-1的1*j矩阵,AT为A的转置;L为1*j的矩阵,矩阵内各元素均为1。当i>n/2时,代表适应度较差的第i个从者可能饿死,则为第i个从者在探寻者所处的最佳位置附近的随机一个位置处觅食。
式(15)中,表示警卫位置;表示第t次迭代时全局最佳位置;表示第t次迭代时全局最差位置;β和K均为步长控制参数,其中β为服从方差为1均值为0的正态分布的随机数,K表示闭区间-1到1的随机数,表示麻雀的移动方向;fi表示当前麻雀的适应度值,而全局最差与最优位置麻雀的适应度值为fw、fg;ε为使分母不为0的最小常数。当fi>fg时,表示麻雀个体位于种群边缘,易受捕食者攻击,fi=fg时,表示位于种群中间的麻雀察觉到危险,需向其他方向移动。
Step5:计算麻雀新位置的适应度值,若前者更优则保持原有个体不变,更新整个麻雀种群所经历的最优和最劣适应度值及其位置。
Step6:判断是否满足最大迭代次数,若满足条件,则将最优超参数赋予故障检测模型以完成故障检测模型的超参数的初始化,若不满足返回Step4继续迭代。
实施例三
为保护电力设备不被损坏,要在6ms以内清除故障,固态断路器(SSCB)的动作时间为50μs,这意味柔性直流输电系统故障检测的时间要小于5.95ms。本发明构建故障检测模型采用离线训练、在线检测的方式,大幅缩减了故障检测的时间。以线路OHL13末端发生短路故障为例,说明本发明的速动性:
线路OHL13末端双极短路故障仿真图如图5。由图5(a)可知,故障发生0.65ms后直流电压变化率超过启动判据阈值,保护检测算法启动,线路电压数据窗长取1.5ms,之后由故障检测模型进行在线检测,故障检测时间为0.7ms,由图5(b)可知,直流断路器SSCB13、SSCB31在故障发生2.85ms后收到跳闸指令,断路器动作时间约为50μs,即故障发生2.9ms后保护动作完成,满足速动性的要求。
为进一步验证本发明所述故障检测模型的优越性,将其与现有技术中的ISSA-LSTM、BiLSTM、LSTM、CNN、SSA-SVM、BP模型作对比,以识别的准确率为量化指标,根据控制变量的原则,以上模型均使用相同的样本数据。为了提高对比结果的准确性,每个模型均进行10次实验,最终结果取平均值。由图6所示的10次测试准确率对比以及不同模型性能对比表3可知,本发明所述故障检测模型识别准确率达到了99.648%,显著优于现有技术。
表3
显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
Claims (7)
1.一种多端直流输电线路故障识别方法,其特征在于,包括以下步骤:
提取故障特征:获取多端直流输电线路的电压行波信息;对电压行波信息进行特征提取,得到故障特征;所述故障特征包括正负极电压变化比系数、母线高频能量与低频能量的比值、线路高频能量与低频能量的比值;
构建故障检测模型;
初始化故障检测模型的超参数;
训练故障检测模型以更新所述超参数;
将故障特征输入完成训练的故障检测模型,故障检测模型输出故障类型。
3.根据权利要求1所述的一种多端直流输电线路故障识别方法,其特征在于,所述初始化故障检测模型的超参数,具体如下:
Step1:设置种群规模N,搜索空间维度D,最大迭代次数T;初始化麻雀种群;
Step2:对故障检测模型的超参数进行赋值,并设置超参数的寻优范围;
Step3:计算出当前超参数下的每一只麻雀的最优和最劣适应度值,并记录其位置;
Step4:更新探寻者、从者、警卫个体位置;
Step5:计算麻雀新位置的适应度值,若前者更优则保持原有个体不变,更新整个麻雀种群所经历的最优和最劣适应度值及其位置。
Step6:判断是否满足最大迭代次数,若满足条件,则将最优超参数赋予故障检测模型,若不满足返回Step4继续迭代。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859169.7A CN115201632A (zh) | 2022-07-21 | 2022-07-21 | 一种多端直流输电线路故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210859169.7A CN115201632A (zh) | 2022-07-21 | 2022-07-21 | 一种多端直流输电线路故障识别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115201632A true CN115201632A (zh) | 2022-10-18 |
Family
ID=83583364
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210859169.7A Pending CN115201632A (zh) | 2022-07-21 | 2022-07-21 | 一种多端直流输电线路故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115201632A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
CN117454231A (zh) * | 2023-11-27 | 2024-01-26 | 广州得元电力科技有限公司 | 一种应用智能仿真技术的地铁直流保护测试系统 |
-
2022
- 2022-07-21 CN CN202210859169.7A patent/CN115201632A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
CN117454231A (zh) * | 2023-11-27 | 2024-01-26 | 广州得元电力科技有限公司 | 一种应用智能仿真技术的地铁直流保护测试系统 |
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 | |
CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
CN110263907B (zh) | 基于改进ga-pso-bp的船舶短路故障诊断方法 | |
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 | |
CN103728535A (zh) | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 | |
Ayyagari | Artificial neural network based fault location for transmission lines | |
CN110687393A (zh) | 一种基于vmd-svd-fcm的阀短路保护故障定位方法 | |
Fan et al. | Transmission line fault location using deep learning techniques | |
CN115201632A (zh) | 一种多端直流输电线路故障识别方法 | |
CN115693661A (zh) | 一种基于图神经网络的连锁故障风险关键线路辨识方法 | |
Kumar et al. | Mamdani fuzzy expert system based directional relaying approach for six-phase transmission line | |
CN116087667A (zh) | 基于lstm的特高压直流输电线路继电保护故障检测方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN109342885A (zh) | 一种直流配电网线路故障的定位方法及系统 | |
CN112557808A (zh) | 一种配电网单相接地故障定位方法 | |
Taheri et al. | A novel approach for detection high impedance fault in DC microgrid | |
CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 | |
Muzzammel et al. | Wavelet multiscale principal components and traveling waves enabled machine learning technique for protection of MT-HVDC systems | |
CN116224158A (zh) | 基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法 | |
CN115310604A (zh) | 一种基于神经网络的ups系统在线故障诊断方法 | |
An et al. | IGBT open circuit fault diagnosis method for a modular multilevel converter based on PNN-MD | |
CN115754790A (zh) | 一种低压双电源系统电源侧故障诊断及自动切换方法 | |
CN115544701A (zh) | 一种数据机理交互驱动的微电网拓扑辨识方法和系统 | |
CN110968073B (zh) | 一种hvdc系统换相失败故障原因双层溯源辨识方法 | |
Biswal et al. | A combined approach of empirical wavelet transform and artificial neural network based high impedance fault classification in micro-grid system |
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 |