CN115630296A - 基于lstm的特高压多端混合直流输电线路故障检测方法 - Google Patents
基于lstm的特高压多端混合直流输电线路故障检测方法 Download PDFInfo
- Publication number
- CN115630296A CN115630296A CN202211181167.3A CN202211181167A CN115630296A CN 115630296 A CN115630296 A CN 115630296A CN 202211181167 A CN202211181167 A CN 202211181167A CN 115630296 A CN115630296 A CN 115630296A
- Authority
- CN
- China
- Prior art keywords
- fault
- lstm
- data
- area
- extra
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 25
- 238000001514 detection method Methods 0.000 title claims abstract description 15
- 230000001052 transient effect Effects 0.000 claims abstract description 45
- 238000012549 training Methods 0.000 claims abstract description 33
- 238000012360 testing method Methods 0.000 claims abstract description 29
- 230000035772 mutation Effects 0.000 claims abstract description 9
- 238000010606 normalization Methods 0.000 claims abstract description 9
- 238000004364 calculation method Methods 0.000 claims abstract description 7
- 230000008859 change Effects 0.000 claims description 17
- 230000007704 transition Effects 0.000 claims description 10
- 238000007781 pre-processing Methods 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 7
- 230000001681 protective effect Effects 0.000 claims description 7
- 238000005070 sampling Methods 0.000 claims description 4
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 3
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 238000000034 method Methods 0.000 abstract description 4
- 238000009499 grossing Methods 0.000 description 7
- 238000009434 installation Methods 0.000 description 3
- 238000006243 chemical reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
Images
Classifications
-
- 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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/049—Temporal neural networks, e.g. delay elements, oscillating neurons or pulsed inputs
-
- 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
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于LSTM的特高压多端混合直流输电线路故障检测方法，包括在不同故障类型下，采集4个保护装置的故障暂态电流和故障暂态电压数据；依据故障暂态电流及故障暂态电压数据，获取功率突变量数据；对所得到的功率突变量数据进行归一化处理，经过归一化处理后的样本输入量；将得到的样本输入量划分为训练集和测试集，用训练集中得样本对LSTM网络进行训练，生成故障区域识别LSTM网络模型；将测试集作为故障区域识别LSTM网络模型中进行测试，得到故障区域识别结果。本发明避免了传统行波保护中的阈值整定困难和计算复杂的问题，且与传统行波保护相比，同样能够快速准确的识别故障区域。
Description
技术领域
本发明涉及一种基于LSTM的特高压多端混合直流输电线路故障检测方法，属于特高压多端混合直流输电系统继电保护技术领域。
背景技术
特高压多端混合直流输电综合基于模块化多电平直流输电系统(modularmultilevel converter based high voltage direct current，MMC-HVDC)和传统高压直流输电系统(LCC-HVDC)两者优点，送端采用电网换相型换流器(LCC)，受端采用并联结构的模块化多电平换流器(MMC)，具有灵活的潮流控制，同时也可向弱交流系统或无源系统供电。因此，LCC-MMC多端混合直流输电在直流输电中有广泛的发展前景。
由于并联型多端直流线路之间存在T区汇流母线这一特殊结构，而T区位置没有直流电网中直流线路两端的限流电抗器边界，这就导致T区两侧线路的暂态行波难以辨识。传统保护虽然克服了T区这一特殊结构的难点，但是都需要面对复杂的阈值的整定和计算环节，而整定值的选取缺乏理论依据。
发明内容
为了传统行波保护中的阈值整定困难和计算复杂的问题，本发明提供了一种基于LSTM的特高压多端混合直流输电线路故障检测方法。
本发明的技术方案是：一种基于LSTM的特高压多端混合直流输电线路故障检测方法，S1、在不同故障类型下，采集4个保护装置的故障暂态电流和故障暂态电压数据；
S2、依据故障暂态电流及故障暂态电压数据，获取功率突变量数据；
S3、对所得到的功率突变量数据进行归一化处理，经过归一化处理后的样本输入量X＝(P1，P2，P3，P4)，其中，P1、P2、P3、P4分别代表保护装置M1—M4上归一化处理后得到的功率突变量数据；
S4、将步骤S3中得到的样本输入量划分为训练集和测试集，用训练集中得样本对LSTM网络进行训练，生成故障区域识别LSTM网络模型，输出结果记为Y＝yj；其中，yj代表故障区域fj的位置编号；
S5、将测试集作为故障区域识别LSTM网络模型中进行测试，得到故障区域识别结果。
所述不同故障类型包括不同区域故障、不同过渡电阻、不同故障距离情况下直流系统发生故障；其中，不同区域为LCC侧线路区内外故障、T区汇流母线处故障以及MMC侧线路区内外故障，不同过渡电阻为0.01～300Ω；其中，LCC侧线路位于T区左侧，MMC侧线路位于T区右侧。
所述S1中，采样频率设置为20kHz，数据时间窗设置为5ms，取故障前1ms，故障后4ms。
所述功率突变量计算公式为：△Pi＝(Ui－U)×(Ii－I)；i＝1,2,3,4，式中，Ui为保护装置所测得故障暂态电压数据；Ii为保护装置所测得故障暂态电流数据；i代表4个保护装置，U为线路稳态电压，I为稳态电流。
所述LSTM网络共5层结构，分别为输入层、2层LSTM层、全连接层、输出层。
所述LSTM网络学习器采用adam梯度下降算法，最大迭代次数为250次，初始学习率为0.001；LSTM层每层100个神经元。
根据本发明的另一方面，还提供了一种基于LSTM的特高压多端混合直流输电线路故障检测系统，包括：
采集模块，用于在不同故障类型下，采集4个保护装置的故障暂态电流和故障暂态电压数据；
获取模块，用于依据故障暂态电流及故障暂态电压数据，获取功率突变量数据；
预处理模块，用于对所得到的功率突变量数据进行归一化处理，经过归一化处理后的样本输入量X＝(P1，P2，P3，P4)，其中，P1、P2、P3、P4分别代表保护装置M1—M4上归一化处理后得到的功率突变量数据；
模型训练模块，用于将预处理模块中得到的样本输入量划分为训练集和测试集，用训练集中得样本对LSTM网络进行训练，生成故障区域识别LSTM网络模型，输出结果记为Y＝yj；其中，yj代表故障区域fj的位置编号；
识别模块，用于将测试集作为故障区域识别LSTM网络模型中进行测试，得到故障区域识别结果。
本发明的有益效果是：
1、本发明通过获取4个保护装置的原始故障暂态电流及故障暂态电压数据得到故障暂态功率数据，只进行了简单的四则运算，不需要对原始信号进行相模变换及相模变换后的故障选极问题。
2、将这些数据作为LSTM网络特征输入量，利用LSTM网络的自适应学习来识别故障区域。避免了传统行波保护中的阈值整定困难和计算复杂的问题，且与传统行波保护相比，同样能够快速准确的识别故障区域。
附图说明
图1为本发明流程图；
图2为实施例所用特高压多端混合直流输电系统拓扑图；图2中：1-交流系统，2-交流滤波器，3-换流变压器，4-LCC换流器，5-平波电抗器，6-直流滤波器，7-直流线路L1，8-MMC换流器，9-直流线路L2，10-保护装置，11-直流线路L3，12-直流线路L4；f1-f10代表10个不同的故障区域；
图3为LSTM结构图，LSTM网络共5层结构，分别为输入层、2层LSTM层、全连接层、输出层；输入层1-4代表4个输入单元，LSTM层1-100代表100个LSTM单元，全连接层1-10代表10个故障区域内别，输出层y代表1个输出结果；
图4为LSTM网络的训练集损失值变化曲线；
图5为训练集预测精度变化曲线；
图6为T区区外左侧直流线路故障的等效电路；图6中，Uf为故障点等效的故障电压源，Ld为平波电抗器，ΔI1为T区区外左侧流过的电流突变量，ΔI2为T区区外右侧流过的电流突变量，Z1和Z2分别代表线路L1和L2的阻抗；
图7为T区左侧线路故障时T区两侧功率突变量；
图8为T区区外右侧直流线路故障的等效电路；图8中，Uf为故障点等效的故障电压源，Ld为平波电抗器，ΔI1为T区区外左侧流过的电流突变量，ΔI2为T区区外右侧流过的电流突变量，Z1和Z2分别代表线路L1和L2的阻抗；
图9为T区右侧线路故障时T区两侧功率突变量；
图10为T区区内故障的等效电路；图10中，Uf为故障点等效的故障电压源，Ld为平波电抗器，ΔI1为T区区外左侧流过的电流突变量，ΔI2为T区区外右侧流过的电流突变量，Z1和Z2分别代表线路L1和L2的阻抗；
图11为T区区内故障时T区两侧功率突变量；
图12为线路L1区内外故障功率突变量数据；
图13为线路L2区内外故障功率突变量数据。
具体实施方式
下面结合附图和实施例，对发明做进一步的说明，但本发明的内容并不限于所述范围。
实施例1：如图1-13所示，一种基于LSTM的特高压多端混合直流输电线路故障检测方法，包括：
S1、在不同故障类型下，采集4个保护装置的故障暂态电流和故障暂态电压数据；
S2、依据故障暂态电流及故障暂态电压数据，获取功率突变量数据；
S3、对所得到的功率突变量数据进行归一化处理，经过归一化处理后的样本输入量X＝(P1，P2，P3，P4)，其中，P1、P2、P3、P4分别代表保护装置M1—M4上归一化处理后得到的功率突变量数据；归一化的目的就是使得预处理的数据被限定在一定的范围内(比如[0,1]或者[-1,1])，从而减小奇异样本数据导致的不良影响。奇异样本数据的存在会引起训练时间增大，同时也可能导致无法收敛。
S4、将步骤S3中得到的样本输入量划分为训练集和测试集，用训练集中得样本对LSTM网络进行训练，生成故障区域识别LSTM网络模型，输出结果记为Y＝yj；其中，yj代表故障区域fj的位置编号；
S5、将测试集或者待检数据测作为故障区域识别LSTM网络模型中进行测试，得到故障区域识别结果。
可选地，所述不同故障类型表示不同区域故障、不同过渡电阻、不同故障距离情况下直流系统发生故障；其中，不同区域为LCC侧线路区内外故障、T区汇流母线处故障以及MMC侧线路区内外故障，不同过渡电阻为0.01～300Ω；其中，LCC侧线路位于T区左侧，MMC侧线路位于T区右侧。其中，以本实施例中的模型为例，不同的故障距离即正极线路L1与负极线路L3取0～542，正极线路L2和负极线路L4长度为取0～908.4。
可选地，所述S1中，采样频率设置为20kHz，数据时间窗设置为5ms，取故障前1ms，故障后4ms。基于该设置，一方面，在满足线路保护速动性要求的同时，还能预留合理的时间便于区外故障时数据传到保护装置；另一方面，可以更好地获取到区外故障时传到保护装置，进而避免LSTM网络由于数据太少导致可能无法判断该区外故障类型的不足。
可选地，所述功率突变量计算公式为：△Pi＝△U×△I＝(Ui－U)×(Ii－I)；i＝1,2,3,4，式中，Ui为保护装置所测得故障暂态电压数据；Ii为保护装置所测得故障暂态电流数据；i代表4个保护装置，U为线路稳态电压，I为稳态电流。
可选地，如图3所示，所述LSTM网络共5层结构，分别为输入层、2层LSTM层、全连接层、输出层。
可选地，所述LSTM网络学习器采用adam梯度下降算法，最大迭代次数为250次，初始学习率为0.001；LSTM层每层100个神经元。
下面对本发明一种可选的实施方式进行详细说明。
本发明在PSCAD/EMTDC仿真软件中搭建了昆柳龙混合三端直流输电系统的仿真模型，通过对直流线路不同故障区域进行故障特征分析，发现线路不同区域故障时功率突变量数据的变化存在明显差异：
1、根据故障发生位置的不同，保护装置处的功率突变量的极性也有所不同，当故障发生在T区区外左侧时，两个保护安装处的功率突变量极性相同，均为正；当故障发生在T区区外右侧时，两个保护安装处的功率突变量极性相同，均为负；当判断为T区区内故障时，两个保护安装处的功率突变量极性相反，为一正一负。如图6至图11。因此，可以利用功率突变量作为LSTM的输入特征量来识别故障方向。
2、由于直流线路L1区内与区外之间存在直流滤波器及平波电抗器，二者共同组成了线路L1区内和区外的边界元件，由于平波电抗器能有效抑制电流的变化，因此故障发生在区外时测量点处功率突变量的幅值变化程度会远小于故障发生在区内时功率突变量的幅值变化程度，如图12所示。如图13所示，L2线路同理。可依靠功率突变量作为LSTM的输入特征量来识别内外故障。
上述分析了采用功率突变量作为输入特征量的原因以及故障区域识别的原理；虽然故障特征数据在以图的形式，人眼看来较为明显，但时间序列下的数据变化阈值整定较为困难，故利用本发明给出的五层结构的LSTM网络来避开这个难点。
LSTM网络中，LSTM层的作用是提取输入特征，学习规律，建立输入与输出层之间的联系，设置2层LSTM是为了让该网络充分学习输入与输出之间的特征规律，为了防止模型进入过拟合和欠拟合状态，在2层，每层100单元时，效果最好；全连接层的作用是根据第2层LSTM层的输出进行分类，总共10类，对应不同故障区域，每一类的权重各不相同。输出层根据权重比最大的类别，输出对应区域的数字。
具体的应用过程如下：
A：在不同故障类型下，采集线路L1末端故障暂态电流和电压信号、线路L2首端故障暂态电流和电压信号、线路L3末端故障暂态电流和电压信号、线路L4首端故障暂态电流和电压信号，采样频率为20kHz，数据时间窗设置为5ms，取故障前1ms，故障后4ms；分别对其进行计算得到功率突变量数据，计算公式为：
ΔPi＝ΔU×ΔI＝(Ui-U)×(Ii-I)(i＝1，2，3，4)
式中，Ui为保护装置i所测得故障电压数据；Ii为保护装置i所测得故障电流数据；i代表4个保护装置的编号；U为线路稳态电压，I为稳态电流。
B、对所得到的功率突变量数据进行归一化处理，经过归一化处理后的样本输入量X＝(P1，P2，P3，P4)，其中，P1、P2、P3、P4分别代表保护装置M1—M4上归一化处理后得到的功率突变量数据；
C、将步骤B中得到的样本输入量划分为训练集和测试集，用训练集中的样本对LSTM网络进行训练，生成故障区域识别LSTM网络模型，输出结果记为Y＝(yj)，其中，yj为y1、y2、y3、y4、y5、y6、y7、y8、y9、y10分别代表故障区域f1～f10的位置；
D、将测试集作为故障区域识别LSTM网络模型中进行测试，得到故障区域识别结果。
为了进一步证明所搭建的LSTM模型具有较强的泛化能力本申请共进行了30组模拟实际故障判别情景的单一新测试，考虑过渡电阻(0.01～300Ω)的影响，在不同的故障位置(f1～f10)选取故障，具体故障识别情况如表1所示。
表1 LSTM测试结果
由表1可知，本申请故障检测方案面对不同故障区域、不同过渡电阻取值的故障时，LSTM网络模型测试所用时间均在0.2ms以内，能够实现故障区域快速且准确的判别。需要说明的是，训练时是以距离变化步长为100，过渡电阻变化步长为50欧姆，一共224组，测试时所选距离及过渡电阻均不同于训练样本，进一步表明该模型在面对和训练样本选取方式不一样同样也能够识别。
实施例2：根据本发明的另一方面，还提供了一种基于LSTM的特高压多端混合直流输电线路故障检测系统，包括：
采集模块，用于在不同故障类型下，采集4个保护装置的故障暂态电流和故障暂态电压数据；
获取模块，用于依据故障暂态电流及故障暂态电压数据，获取功率突变量数据；
预处理模块，用于对所得到的功率突变量数据进行归一化处理，经过归一化处理后的样本输入量X＝(P1，P2，P3，P4)，其中，P1、P2、P3、P4分别代表保护装置M1—M4上归一化处理后得到的功率突变量数据；
模型训练模块，用于将预处理模块中得到的样本输入量划分为训练集和测试集，用训练集中得样本对LSTM网络进行训练，生成故障区域识别LSTM网络模型，输出结果记为Y＝yj；其中，yj代表故障区域fj的位置编号；
识别模块，用于将测试集作为故障区域识别LSTM网络模型中进行测试，得到故障区域识别结果。
此处需要说明的是，上述采集模块、获取模块、预处理模块、模型训练模块和识别模块对应于实施例1中的步骤S1至S5，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例1所公开的内容。
上面结合附图对本发明的具体实施方式作了详细说明，但是本发明并不限于上述实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (7)
1.一种基于LSTM的特高压多端混合直流输电线路故障检测方法，其特征在于，包括：
S1、在不同故障类型下，采集4个保护装置的故障暂态电流和故障暂态电压数据；
S2、依据故障暂态电流及故障暂态电压数据，获取功率突变量数据；
S3、对所得到的功率突变量数据进行归一化处理，经过归一化处理后的样本输入量X＝(P1，P2，P3，P4)，其中，P1、P2、P3、P4分别代表保护装置M1—M4上归一化处理后得到的功率突变量数据；
S4、将步骤S3中得到的样本输入量划分为训练集和测试集，用训练集中得样本对LSTM网络进行训练，生成故障区域识别LSTM网络模型，输出结果记为Y＝yj；其中，yj代表故障区域fj的位置编号；
S5、将测试集作为故障区域识别LSTM网络模型中进行测试，得到故障区域识别结果。
2.根据权利要求1所述的基于LSTM的特高压多端混合直流输电线路故障检测方法，其特征在于，所述不同故障类型包括不同区域故障、不同过渡电阻、不同故障距离情况下直流系统发生故障；其中，不同区域为LCC侧线路区内外故障、T区汇流母线处故障以及MMC侧线路区内外故障，不同过渡电阻为0.01～300Ω；其中，LCC侧线路位于T区左侧，MMC侧线路位于T区右侧。
3.根据权利要求1所述的基于LSTM的特高压多端混合直流输电线路故障检测方法，其特征在于，所述S1中，采样频率设置为20kHz，数据时间窗设置为5ms，取故障前1ms，故障后4ms。
4.根据权利要求1所述的基于LSTM的特高压多端混合直流输电线路故障检测方法，其特征在于，所述功率突变量计算公式为：△Pi＝(Ui－U)×(Ii－I)；i＝1,2,3,4，式中，Ui为保护装置所测得故障暂态电压数据；Ii为保护装置所测得故障暂态电流数据；i代表4个保护装置，U为线路稳态电压，I为稳态电流。
5.根据权利要求1所述的基于LSTM的特高压多端混合直流输电线路故障检测方法，其特征在于，所述LSTM网络共5层结构，分别为输入层、2层LSTM层、全连接层、输出层。
6.根据权利要求5所述的基于LSTM的特高压多端混合直流输电线路故障检测方法，其特征在于，所述LSTM网络学习器采用adam梯度下降算法，最大迭代次数为250次，初始学习率为0.001；LSTM层每层100个神经元。
7.一种基于LSTM的特高压多端混合直流输电线路故障检测系统，其特征在于，包括：
采集模块，用于在不同故障类型下，采集4个保护装置的故障暂态电流和故障暂态电压数据；
获取模块，用于依据故障暂态电流及故障暂态电压数据，获取功率突变量数据；
预处理模块，用于对所得到的功率突变量数据进行归一化处理，经过归一化处理后的样本输入量X＝(P1，P2，P3，P4)，其中，P1、P2、P3、P4分别代表保护装置M1—M4上归一化处理后得到的功率突变量数据；
模型训练模块，用于将预处理模块中得到的样本输入量划分为训练集和测试集，用训练集中得样本对LSTM网络进行训练，生成故障区域识别LSTM网络模型，输出结果记为Y＝yj；其中，yj代表故障区域fj的位置编号；
识别模块，用于将测试集作为故障区域识别LSTM网络模型中进行测试，得到故障区域识别结果。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211181167.3A CN115630296A (zh) | 2022-09-27 | 2022-09-27 | 基于lstm的特高压多端混合直流输电线路故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211181167.3A CN115630296A (zh) | 2022-09-27 | 2022-09-27 | 基于lstm的特高压多端混合直流输电线路故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115630296A true CN115630296A (zh) | 2023-01-20 |
Family
ID=84903775
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211181167.3A Pending CN115630296A (zh) | 2022-09-27 | 2022-09-27 | 基于lstm的特高压多端混合直流输电线路故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115630296A (zh) |
Cited By (1)
| 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 |
-
2022
- 2022-09-27 CN CN202211181167.3A patent/CN115630296A/zh active Pending
Cited By (1)
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108279364B (zh) | 基于卷积神经网络的配电网单相接地故障选线方法 | |
| Dalstein et al. | Neural network approach to fault classification for high speed protective relaying | |
| 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 | |
| CN104502758B (zh) | 航空静止变流器故障诊断方法 | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN112051481B (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 | |
| CN112041693A (zh) | 一种基于混合录波的配电网故障定位系统 | |
| CN108761287B (zh) | 一种变压器局部放电类型识别方法 | |
| Ayyagari | Artificial neural network based fault location for transmission lines | |
| CN102279358B (zh) | 一种基于mcskpca的神经网络模拟电路故障诊断方法 | |
| CN105223466B (zh) | 一种利用模极大值比的特高压直流输电线路单端测距方法 | |
| CN112130026B (zh) | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 | |
| Baumann et al. | Impulse test fault diagnosis on power transformers using Kohonen's self-organizing neural network | |
| CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
| CN115630296A (zh) | 基于lstm的特高压多端混合直流输电线路故障检测方法 | |
| Swetapadma et al. | A novel relaying scheme using long short term memory for bipolar high voltage direct current transmission lines | |
| CN115201627A (zh) | 基于皮尔森相关系数与小波包分解的线路接地故障定位法 | |
| Mbamaluikem et al. | An artificial neural network-based intelligent fault classification system for the 33-kV Nigeria transmission line | |
| CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
| Coban et al. | Artificial neural network based fault location on 230 kv transmission line using voltage and current signals | |
| CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
| Patil et al. | Arc fault detection in DC microgrid using deep neural network | |
| CN112946425A (zh) | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 | |
| 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 | |
| CN116127302A (zh) | 基于改进AlexNet算法的电动汽车充电装置故障电弧识别方法 |
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 |