CN115684843A - 输电线路故障信号的分析方法及装置 - Google Patents
输电线路故障信号的分析方法及装置 Download PDFInfo
- Publication number
- CN115684843A CN115684843A CN202211713733.0A CN202211713733A CN115684843A CN 115684843 A CN115684843 A CN 115684843A CN 202211713733 A CN202211713733 A CN 202211713733A CN 115684843 A CN115684843 A CN 115684843A
- Authority
- CN
- China
- Prior art keywords
- traveling wave
- initial
- aliasing
- incident
- complex matrix
- 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.)
- Granted
Links
Images
Classifications
-
- 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
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
本发明提供了一种输电线路故障信号的分析方法及装置,本发明根据构建的输电线路应用场景直接测得的初始混叠行波信号和初始入射行波信号,利用拉普拉斯算法和广义回归神经网络确定初始混叠行波信号和初始入射行波信号之间的运算关系,即实部网络和虚部网络,并将待分离的混叠行波信号输入确定的实部网络和虚部网络,确定分离后的入射行波信号。通过大量仿真验证,相比直接测得的混叠行波信号用于对故障定位,本申请分离后入射行波信号具有更加明显的故障特征信息,能够明显提高故障定位技术的定位精度。
Description
技术领域
本发明涉及电力系统保护技术领域,特别是涉及一种输电线路故障信号的分析方法及装置。
背景技术
随着电力系统远距离输电的日益发展以及电压等级的不断提高,人们对电网的输送能力和安全稳定运行也提出了更高的要求。如何快速判断输电线路故障位置以及实现故障部分的迅速切除是电力系统保护的重要内容,而获取可靠的故障行波信息是设计保护和定位方案的前提。
但由于变电站内电力设备众多,行波传感器与设备的距离近,所以检测到的信号是由各种设备折反射行波与入射行波混叠而成,对行波保护的可靠性和定位的精确性会造成不利影响。混叠行波相较于入射行波存在一定的波形畸变,幅值大大降低,陡度变小,失真严重,不利于高压输电线路的故障检测与精确定位。
发明内容
本发明的一个目的在于提供一种输电线路故障信号的分析方法,能够从行波传感器直接测得的混叠行波信号中准确分离出入射行波,从而提高故障定位技术的定位精度。
一种输电线路故障信号的分析方法,包括:
根据构建的输电线路应用场景,获取匹配的初始入射行波信号和初始混叠行波信号,根据拉普拉斯算法分别确定所述初始入射行波信号对应的初始入射行波复数矩阵、所述初始混叠行波信号对应的初始混叠行波复数矩阵;
分别利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络;将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络;
获取待分离混叠行波信号,根据拉普拉斯算法确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵;
根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号。
根据本发明提供的输电线路故障信号的分析方法,根据构建的输电线路应用场景直接测得的初始混叠行波信号和初始入射行波信号,利用拉普拉斯算法和广义回归神经网络确定初始混叠行波信号和初始入射行波信号之间的运算关系,即实部网络和虚部网络,并将待分离的混叠行波信号输入确定的实部网络和虚部网络,确定分离后的入射行波信号。通过大量仿真验证,相比直接测得的混叠行波信号用于对故障定位,本申请实施例分离后入射行波信号具有更加明显的故障特征信息,能够明显提高故障定位技术的定位精度。
此外,根据本发明提供的储能电池的建模方法,还具有以下技术特征:
进一步的,获取匹配的初始入射行波信号和初始混叠行波信号具体包括:
获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号。
进一步的,获取匹配的初始入射行波信号和初始混叠行波信号还包括:
获取每组运行条件对应的初始入射行波信号和初始混叠行波信号,在同一预设时间段的初始入射行波截取信号和初始混叠行波截取信号。
进一步的,利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络具体包括:
将所述初始混叠行波复数矩阵的实部矩阵构建成一维的初始混叠行波实部向量,将所述初始混叠行波实部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的实部矩阵构建成一维的初始入射行波实部向量,将所述初始入射行波实部向量作为广义回归神经网络的输出。
进一步的,所述将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络包括:
将所述初始混叠行波复数矩阵的虚部矩阵构建成一维的初始混叠行波虚部向量,将所述初始混叠行波虚部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的虚部矩阵构建成一维的初始入射行波虚部向量,将所述初始入射行波虚部向量作为广义回归神经网络的输出。
进一步的,根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号具体包括:
分别将所述待分离混叠行波复数矩阵的实部作为所述实部网络的输入,确定所述分离后入射行波的实部;将所述待分离混叠行波复数矩阵的虚部作为所述虚部网络的输入,确定所述分离后入射行波的虚部;
根据所述分离后入射行波的实部和分离后入射行波的虚部确定所述分离后入射行波信号的复数矩阵,并利用拉普拉斯逆变换算法确定对应的分离后入射行波信号。
进一步的,所述方法还包括:
获取与所述待分离混叠行波信号匹配的真实入射行波信号,判断所述真实入射行波信号与所述分离后入射行波信号的相似度。
本发明的另一个目的在于提供一种输电线路故障信号的分析装置,能够从行波传感器直接测得的混叠行波信号中准确分离出入射行波,从而提高故障定位技术的定位精度。
一种输电线路故障信号的分析装置,包括:
第一获取模块,用于根据构建的输电线路应用场景,获取匹配的初始入射行波信号和初始混叠行波信号,根据拉普拉斯算法分别确定所述初始入射行波信号对应的初始入射行波复数矩阵、所述初始混叠行波信号对应的初始混叠行波复数矩阵;
确定模块,用于分别利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络;将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络;
第二获取模块,用于获取待分离混叠行波信号,根据拉普拉斯算法确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵;
分离模块,用于根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号。
根据本发明提供的输电线路故障信号的分析装置,根据构建的输电线路应用场景直接测得的初始混叠行波信号和初始入射行波信号,利用拉普拉斯算法和广义回归神经网络确定初始混叠行波信号和初始入射行波信号之间的运算关系,即实部网络和虚部网络,并将待分离的混叠行波信号输入确定的实部网络和虚部网络,确定分离后的入射行波信号。通过大量仿真验证,相比直接测得的混叠行波信号用于对故障定位,本申请实施例分离后入射行波信号具有更加明显的故障特征信息,能够明显提高故障定位技术的定位精度。
此外,根据本发明提供的储能电池的建模装置,还具有以下技术特征:
进一步的,所述第一获取模块具体用于:
获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号。
进一步的,所述第一获取模块还用于:
获取每组运行条件对应的初始入射行波信号和初始混叠行波信号,在同一预设时间段的初始入射行波截取信号和初始混叠行波截取信号。
进一步的,所述确定模块具体用于:
将所述初始混叠行波复数矩阵的实部矩阵构建成一维的初始混叠行波实部向量,将所述初始混叠行波实部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的实部矩阵构建成一维的初始入射行波实部向量,将所述初始入射行波实部向量作为广义回归神经网络的输出。
进一步的,所述确定模块具体用于:
将所述初始混叠行波复数矩阵的虚部矩阵构建成一维的初始混叠行波虚部向量,将所述初始混叠行波虚部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的虚部矩阵构建成一维的初始入射行波虚部向量,将所述初始入射行波虚部向量作为广义回归神经网络的输出。
进一步的,所述分离模块具体用于:
分别将所述待分离混叠行波复数矩阵的实部作为所述实部网络的输入,确定所述分离后入射行波的实部;将所述待分离混叠行波复数矩阵的虚部作为所述虚部网络的输入,确定所述分离后入射行波的虚部;
根据所述分离后入射行波的实部和分离后入射行波的虚部确定所述分离后入射行波信号的复数矩阵,并利用拉普拉斯逆变换算法确定对应的分离后入射行波信号。
进一步的,所述装置还包括:
第三获取模块,用于获取与所述待分离混叠行波信号匹配的真实入射行波信号,判断所述真实入射行波信号与所述分离后入射行波信号的相似度。
附图说明
图1为本申请一实施例中输电线路故障信号的分析方法的流程图;
图2为本申请一实施例中构建的输电线路应用场景中,输电线路上的波形示意图;
图3为本申请一实施例中构建的输电线路应用场景中,不同设备产生的反射行波对比图;
图4为本申请一实施例中为广义回归神经网络的工作流程图;
图5为本申请一实施例中输电线路故障信号的分析方法的又一流程图;
图6为本申请一实施例中在PSCAD中所构建的输电线路应用场景的示意图;
图7为本申请一实施例中从待分离混叠行波信号分离后的入射行波信号与等效真实入射行波信号进行对比图;
图8为本申请一实施例中输电线路故障信号的分析装置的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合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、完整地描述,显然,所描述的实施例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。
精确检测故障暂态行波信号,一般从两个方面入手:1)设计出传变能力更强、波形畸变更小的新型行波传感器;2)分析现有行波传感器的传变特性,根据其检测到的行波信号反演得到接近真实一次侧信号。而第1)种方法的实现比较困难,且成本较高。因此,使用第2)种方法,从混叠行波中分离出入射行波是目前更加行之有效的方法。本申请第一实施例提供一种输电线路故障信号的分析方法,旨在为行波保护方案提供更加可靠的故障信息,有助于提高现有行波定位和保护方法的定位精度与保护可靠性。
请参考图1,本发明第一实施例提供的输电线路故障信号的分析方法包括步骤S101~S104:
S101: 根据构建的输电线路应用场景,获取匹配的初始入射行波信号和初始混叠行波信号,根据拉普拉斯算法分别确定所述初始入射行波信号对应的初始入射行波复数矩阵、所述初始混叠行波信号对应的初始混叠行波复数矩阵。
构建的输电线路应用场景可以是指仿真得到的模拟输电线路,例如高压输电线路。初始混叠行波信号是指行波传感器直接在输电线路故障处测得的干扰行波参考信号。初始入射行波信号是指从故障点开始,引出的一条更长、末端安装与初始混叠行波信号所在输电线路同样设备的虚拟输电线路,并通过行波传感器在虚拟输电线路测得的入射行波参考信号。所述匹配的初始入射行波信号和初始混叠行波信号是指行波传感器在构建的输电线路应用场景中直接在真实输电线路测得的混叠行波参考信号,以及在构建的输电线路应用场景中引出的虚拟输电线路中与初始混叠行波信号相同检测距离处测得的入射行波参考信号。请参阅图2,为构建的输电线路应用场景中,所述输电线路上的波形示意图,其中,201代表入射行波信号,202代表反射行波信号,203代表混叠行波信号,204代表输电线路,205代表变电站。请参阅图3,为构建的输电线路应用场景中,变电站包含的不同设备分别产生的反射行波对比图。
在信号处理的领域,傅里叶变换的提出开创了调和分析的先河,傅里叶变换通过将信号拆解为一连串不同频率不同幅值的正弦函数的累加,可以清楚地得到信号中存在的各个频率分量。但是,傅里叶变换在时间域上却无法做到明确分辨,因此仅在分析平稳信号时会有较为优越的效果。为了能够获得时间域上的分辨率,Gabor通过对所要分析的信号进行等长度切分,然后分别对每段信号进行傅里叶变换,如此就可以获得时间上的分辨率,这种方法被称之为短时傅里叶变换。不过短时傅里叶变换的缺点也很明显,即切分的窗口宽度是固定的,而分析高频信号与低频信号往往需要不同宽度的窗口才能获得更好的时频分辨率。小波变换通过对小波基函数进行平移、伸缩将信号分解,分解结果为时间-尺度图而不是真正意义的时频图,因此小波分析不是一种严格的时频分析方法。此外,根据选取的小波的不同,小波变换的处理结果也会有所不同,即小波变换存在多解性,在重构原始信号时会发生信号丢失的情况。
在继承并结合了短时傅里叶变换和小波变换两者的在时频分析上的优点后,Stockwell等学者于1996年提出了一种新的时频分析方法:拉普拉斯变换算法,即S变换。S变换的时频窗口可以根据信号自发的对其进行调整,因而不论是信号中的高频成分还是低频成分都具有较好的分辨率,由于S变换在时间上和频率上都是完全对应的,所以再进行信号重构时可以无损的还原原始信号,所以解是唯一的。而小波变换由于没能与频率对应,因此存在多解性,并且重构时不可避免的会丢失部分信息。
所述根据拉普拉斯算法确定所述初始入射行波信号对应的初始入射行波复数矩阵是指:电子设备根据S变换确定所述初始入射行波信号对应的初始入射行波复数矩阵,具体可以为:假设初始入射行波信号为h1(t),针对采集得到的离散时间序列数据X1,对X1进行S变换可得:
根据S变换为
其中,S1表示经过S变换后得到的第一二维复数矩阵,j表示时间序列,i表示虚数,T表示信号的采样间隔,N表示总的采样点个数,n表示频率,m表示采样点个数。第一二维复数矩阵反映了波形的时频特征,由此即可得到入射行波的二维复数矩阵。
同理,所述根据拉普拉斯算法确定所述初始混叠行波信号对应的初始入射行波复数矩阵是指:电子设备根据S变换确定所述初始混叠行波信号对应的初始混叠行波复数矩阵,具体可以为:假设初始混叠行波信号为h2(t),针对采集得到的离散时间序列数据X2,对X2进行S变换可得:
其中,S2表示经过S变换后得到的第二二维复数矩阵,其反映波形的时频特征,由此可得到混叠行波的二维矩阵。
所述入射行波的二维复数矩阵和所述混叠行波的二维复数矩阵中的列对应离散频率,行对应采样时间点,每一行对应的都是该时间点上的局部频谱。将所述入射行波的二维复数矩阵和所述混叠行波的二维复数矩阵中的各个元素求模后分别得到的入射行波的S模矩阵和混叠行波的S模矩阵,其行向量均表示信号某一时刻的幅值随频率变化的分布,其列向量均表示信号某一频率处的幅值随时间变化的分布,因此S模矩阵某位置元素的大小就是相应频率和时间点处信号的S变换幅值。由于S变换的结果可以用时频图像来表示,这一特点使得S变换结果在时频平面上比连续小波变换直观,更易理解。
S102: 分别利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络;将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络。
广义回归神经网络(GRNN,Generalized Regression Neural Network)是建立在数理统计基础上的径向基函数网络,其理论基础是非线性回归分析。GRNN具有很强的非线性映射能力和学习速度,网络最后普收敛于样本量集聚较多的优化回归,样本数据少时,预测效果很好。请参阅图4,为广义回归神经网络的工作流程图,其中使用了粒子群优化算法。粒子群优化算法是一种模拟鸟群觅食的优化算法,群体中的每个粒子代表搜索空间中的一个可行解。粒子以一定的速度在搜索空间中运动,粒子的飞行轨迹就是解的搜索轨迹。在寻求最优解过程中,通过设定适应度函数,来判断粒子位置的优劣,然后通过在迭代次数内不停的比较寻找搜索空间中粒子的最优位置,最终得到问题的最优解。由于希望均方误差(MSE)越小越好,因而可以MSE为依据,构造适应度函数。
粒子群算法中的每个粒子都有位置和速度两个特征,每个粒子在求解空间中的每个位置都有需要能够优化求解问题的可能解,每个粒子都具有的记忆功能,能够记录下每一步的最优位置和所有粒子的最好位置。
因此,本申请实施例利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络可以是指:电子设备将所述初始混叠行波复数矩阵的实部作为广义回归神经网络的输入、所述初始入射行波复数矩阵的实部作为广义回归神经网络的输出,利用粒子优化算法对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,进而确定混叠行波信号与匹配的入射行波信号之间的实部网络。所述利用广义回归神经网络将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络可以是指:电子设备将所述初始混叠行波复数矩阵的虚部作为广义回归神经网络的输入、所述初始入射行波复数矩阵的虚部作为广义回归神经网络的输出,利用粒子优化算法对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,进而确定混叠行波信号与匹配的入射行波信号之间的虚部网络。
S103: 获取待分离混叠行波信号,根据拉普拉斯算法确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵。
所述待分离混叠行波信号可以是指行波传感器测得的实际输电线路中的混叠行波信号。所述根据拉普拉斯算法确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵可以是指:电子设备根据S变换确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵。具体可以为:假设待分离混叠行波信号为h3(t),针对采集得到的离散时间序列数据X3,对X3进行S变换可得:
其中,S3表示经过S变换后得到的第三二维复数矩阵,其反映波形的时频特征,由此可得到待分离混叠行波信号的二维复数矩阵。
S104: 根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号。
所述分离后入射行波信号可以是指根据实际输电线路中的混叠行波信号推断出的入射行波信号。所述根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号可以是指:电子设备根据所述待分离混叠行波复数矩阵确定对应的实部和虚部,并将所述待分离混叠行波复数矩阵的实部作为实部网络的输入,对应的,所述实部网络输出分离后的入射行波复数矩阵的实部,将所述待分离混叠行波复数矩阵的虚部作为虚部网络的输入,对应的,所述虚部网络输出分离后的入射行波复数矩阵的虚部;根据上述入射行波复数矩阵的实部和入射行波复数矩阵的虚部确定入射行波复数矩阵;再根据时频变换算法确定分离后入射行波信号。
本申请实施例提供的输电线路故障信号的分析方法,根据构建的输电线路应用场景直接测得的初始混叠行波信号和初始入射行波信号,利用拉普拉斯算法和广义回归神经网络确定初始混叠行波信号和初始入射行波信号之间的运算关系,即实部网络和虚部网络,并将待分离的混叠行波信号输入确定的实部网络和虚部网络,确定分离后的入射行波信号。通过大量仿真验证,相比直接测得的混叠行波信号用于对故障定位,本申请实施例分离后入射行波信号具有更加明显的故障特征信息,能够明显提高故障定位技术的定位精度。
在一些实施例中,所述获取匹配的初始入射行波信号和初始混叠行波信号包括:获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号。
这里,运行条件可以是包括构建的仿真输电线路的输送容量Q、故障点位置d、故障初相角θ,故障电阻R等。不同运行条件可以是指:输送容量Q相同、故障电阻不同;输送容量Q不同,故障电阻相同;故障点位置d相同、故障电阻不同等。所述获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号可以是指:电子设备获取每组不同运行条件一一对应的初始入射行波信号和初始混叠行波信号。
本申请实施例中,通过获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号,可以确定不同运行条件下初始混叠行波信号和初始入射行波信号之间的对应关系,有利于后续建立完善的实部网络和虚部网络,从而达到使待分离混叠行波信号精确分离出入射行波信号的目的,进而提高故障点定位精度。
在一些实施例中,所述输电线路故障信号的分析方法还包括:获取每组运行条件对应的初始入射行波信号和初始混叠行波信号,在同一预设时间段的初始入射行波截取信号和初始混叠行波截取信号。
这里,所述同一预设时间段可以是指同一时间窗,例如,300us,400us等。所述获取每组运行条件对应的初始入射行波信号和初始混叠行波信号,在同一预设时间段的初始入射行波截取信号和初始混叠行波截取信号可以是指:电子设备获取每组运行条件分别对应的初始入射行波信号和初始混叠行波信号,并在初始入射行波信号和初始混叠行波信号上截取同一时间窗,得到初始入射行波截取信号和初始混叠行波截取信号。
本申请实施例中,通过对截取初始入射行波信号和初始混叠行波信号相同时间窗后得到的初始入射行波截取信号和初始混叠行波截取信号进行分析,既能够保证数据分析的准确性,又能够减少数据量,提高了广义回归神经网络的计算速率。
在一些实施例中,所述利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络包括:将所述初始混叠行波复数矩阵的实部矩阵构建成一维的初始混叠行波实部向量,将所述初始混叠行波实部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的实部矩阵构建成一维的初始入射行波实部向量,将所述初始入射行波实部向量作为广义回归神经网络的输出。
由于广义回归神经网络的输入输出均为向量,所以要将初始混叠行波复数矩阵和初始入射行波复数矩阵分别构建成一维的特征向量,即将初始混叠行波复数矩阵的实部矩阵组成一列,虚部矩阵组成一列;将初始入射行波复数矩阵的实部矩阵组成一列,虚部矩阵组成一列。也就是说,根据初始混叠行波复数矩阵和初始入射行波复数矩阵得到初始混叠行波实部向量和初始入射行波实部向量。这里,电子设备将所述初始混叠行波复数矩阵的实部矩阵构建成一维的初始混叠行波实部向量,将所述初始混叠行波实部向量作为广义回归神经网络的输入,将所述初始入射行波复数矩阵的实部矩阵构建成一维的初始入射行波实部向量,将所述初始入射行波实部向量作为广义回归神经网络的输出。
本申请实施例中,将初始混叠行波实部向量作为广义回归神经网络的输入、对应的,将初始入射行波实部向量作为广义回归神经网络的期望输出,进而进行训练学习,得到训练好的实部网络Net_Rel。
在一些实施例中,所述将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络包括:将所述初始混叠行波复数矩阵的虚部矩阵构建成一维的初始混叠行波虚部向量,将所述初始混叠行波虚部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的虚部矩阵构建成一维的初始入射行波虚部向量,将所述初始入射行波虚部向量作为广义回归神经网络的输出。
这里,根据初始混叠行波复数矩阵和初始入射行波复数矩阵还得到初始混叠行波虚部向量和初始入射行波虚部向量。这里,电子设备将所述初始混叠行波复数矩阵的虚部矩阵构建成一维的初始混叠行波虚部向量,将所述初始混叠行波虚部向量作为广义回归神经网络的输入,将所述初始入射行波复数矩阵的虚部矩阵构建成一维的初始入射行波虚部向量,将所述初始入射行波虚部向量作为广义回归神经网络的输出。
本申请实施例中,将初始混叠行波虚部向量作为广义回归神经网络的输入、对应的,将初始入射行波虚部向量作为广义回归神经网络的期望输出,进而进行训练学习,得到训练好的虚部网络Net_Im。
在一些实施例中,所述根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号包括:分别将所述待分离混叠行波复数矩阵的实部作为所述实部网络的输入,确定所述分离后入射行波的实部;将所述待分离混叠行波复数矩阵的虚部作为所述虚部网络的输入,确定所述分离后入射行波的虚部;根据所述分离后入射行波的实部和分离后入射行波的虚部确定所述分离后入射行波信号的复数矩阵,并利用拉普拉斯逆变换算法确定对应的分离后入射行波信号。
这里,所述将所述待分离混叠行波复数矩阵的实部作为所述实部网络的输入,确定所述分离后入射行波的实部可以是指:电子设备将所述待分离混叠行波复数矩阵的实部矩阵构建成一维的初始混叠行波实部向量,并将其作为所述实部网络的输入,以确定分离后入射行波的实部向量,从而进一步确定所述分离后入射行波的实部。将所述待分离混叠行波复数矩阵的虚部作为所述虚部网络的输入,确定所述分离后入射行波的虚部可以是指:电子设备将所述待分离混叠行波复数矩阵的虚部矩阵构建成一维的初始混叠行波虚部向量,并将其作为所述虚部网络的输入,以确定分离后入射行波的虚部向量,从而进一步确定所述分离后入射行波的虚部。所述根据所述分离后入射行波的实部和分离后入射行波的虚部确定所述分离后入射行波信号的复数矩阵,并利用拉普拉斯逆变换算法确定对应的分离后入射行波信号可以是指:电子设备根据所述分离后入射行波的实部和分离后入射行波的虚部进行重组,确定所述分离后入射行波信号的复数矩阵,并利用S逆变换算法确定对应的分离后入射行波信号。其中,利用S逆变换算法确定对应的分离后入射行波信号,分离后入射行波信号x4的表达式为:
其中,S4表示第四二维复数矩阵,具体是指分离后入射行波信号的复数矩阵,k表示采样点个数。
由上述公式可以得出结论:一维离散S变换是能够做到将S变换后的复数矩阵精确的反变换回一维时域波形的,即S变换具有无损可逆的特性,且逆变换唯一。
本申请实施例中,S变换在对待分离混叠行波信号进行时频分析得到待分离混叠行波复数矩阵,且根据实部网络和虚部网络确定分离后的入射行波复数矩阵之后,能够进行严格的S逆变换,从分离后的入射行波复数矩阵唯一得到分离后入射行波信号。
在一些实施例中,还包括:获取与所述待分离混叠行波信号匹配的真实入射行波信号,判断所述真实入射行波信号与所述分离后入射行波信号的相似度。
这里,所述与所述待分离混叠行波信号匹配的真实入射行波信号可以是指:在构建的输电线路应用场景中引出的虚拟输电线路中与待分离混叠行波信号相同检测距离处测得的入射行波信号。所述获取与所述待分离混叠行波信号匹配的真实入射行波信号,判断所述真实入射行波信号与所述分离后入射行波信号的相似度可以是指:电子设备获取与所述待分离混叠行波信号匹配的真实入射行波信号,判断所述真实入射行波信号与所述分离后入射行波信号在不同故障距离下的波形相似度、不同故障角下的波形相似度、不同输送容量下的波形相似度等。
本申请实施例中,电子设备可以通过判断所述真实入射行波信号与所述分离后入射行波信号的波形相似度,确定输电线路故障信号分析方法的可行性。
为了对本申请实施例进行更加整体性的说明,请参阅图5,为本申请实施例提供的输电线路故障信号的分析方法的一具体流程图,所述方法包括:
S501:电子设备根据构建的仿真输电线路,获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号;
S502:电子设备获取每组运行条件对应的初始入射行波信号和初始混叠行波信号,在同一预设时间段的初始入射行波截取信号和初始混叠行波截取信号;
S503:电子设备根据拉普拉斯算法分别确定所述初始入射行波截取信号对应的初始入射行波复数矩阵、所述初始混叠行波截取信号对应的初始混叠行波复数矩阵;
S504:电子设备将所述初始混叠行波复数矩阵的实部矩阵构建成一维的初始混叠行波实部向量,将所述初始混叠行波实部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的实部矩阵构建成一维的初始入射行波实部向量,将所述初始入射行波实部向量作为广义回归神经网络的输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络;
S505:电子设备将所述初始混叠行波复数矩阵的虚部矩阵构建成一维的初始混叠行波虚部向量,将所述初始混叠行波虚部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的虚部矩阵构建成一维的初始入射行波虚部向量,将所述初始入射行波虚部向量作为广义回归神经网络的输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络;
S506:电子设备获取待分离混叠行波信号,根据拉普拉斯算法确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵;
S507:电子设备分别将所述待分离混叠行波复数矩阵的实部作为所述实部网络的输入,确定所述分离后入射行波的实部;将所述待分离混叠行波复数矩阵的虚部作为所述虚部网络的输入,确定所述分离后入射行波的虚部;
S508:根据所述分离后入射行波的实部和分离后入射行波的虚部确定所述分离后入射行波信号的复数矩阵,并利用拉普拉斯逆变换算法确定对应的分离后入射行波信号。
为了对本申请实施例所述输电线路故障信号的分析方法的可靠性进行验证,本申请实施例将实验验证过程说明如下:
请参阅图6,为本申请实施例在PSCAD中所构建的输电线路应用场景的示意图,其中,601为无穷大电源,602为虚拟输电线路,603为阻波器,604为500KV母线,605为220KV母线,606为行波传感器,607为第一出线,608为第二出线,609为负荷。如图6所示500kV变电站模型,500kV的输电线路采用4×450mm的分裂导线,线路总长度为500km。变电站为500kV降压变电站,站内两台500kV转变为220kV的变压器并联运行,高压侧500kV采用3/2接线,低压侧220kV采用双母线分段接线,QF为断路器,为简化绘图,都采用单根母线表示。总输送容量为4000MW,变电站入口加装XZF-3150-1.0/63-B1型阻波器,主线圈L1大小为0.001H,电容C1为0.003466uf、C2为0.001538uf、电感L2为0.00222H、电阻R大小为800Ω。针对此变电站模型设置故障条件进行仿真,故障类型设定为A相单相接地。
(1)不同输送容量Q:2500MW、3000MW、3500MW、4000MW;
(2)不同故障点位置d:距离变电站25km、100km、200km、300km、400km;
(3)不同故障初相角θ:3°、15°、30°、60°、90°;
(4)不同故障电阻R:10Ω、125Ω、300Ω。
得到共300组不同运行情况以及故障接地电阻的混叠行波信号数据,采样率设置为1MHZ,取300us的固定时间窗。由于变电站入口只能测得混叠行波信号的数据,无法得到入射行波信号的数据,因此,在仿真中选择采取从故障点开始,同样线路参数、同样负荷的另一条虚拟输电线的相等长度位置测量入射行波信号的波形数据,以此波形等效为混叠行波信号的真实入射行波信号。
在不同的输送容量和接地电阻的A相单相故障情况下,根据所提S变换结合粒子群算法优化广义回归神经网络的方法,得到分离出的接地电阻为200Ω情况下的电流入射行波时域波形。将本文从待分离混叠行波信号分离后的入射行波信号与等效真实入射行波信号进行对比,结果如图7所示。可以看出,分离后入射行波信号与真实入射行波信号的波形几乎重合,在幅值上存在微小差异,但是在突变特征上与真实入射行波信号保持一致。虽然分离出的电流入射行波信号比真实电流入射行波信号时频图在高频部分产生部分的微弱波动,但是幅值较小,且并没有对电流入射行波的时频特征造成影响,所分离后入射行波的时频图在总体上的特征与真实电流入射行波保持一致,都保留了较多的较为明显的高频故障特征,因而可以证实所提方法分离得到的电流行波的准确性。
定义A与B之间的Hausdorff距离H(A, B)为:
从数据集A到数据集B与从数据集B到数据集A两者之间Hausdorff单向距离较大的即为Hausdorff距离值。
粒子群算法优化广义回归神经网络法分离得到的入射行波和真实入射行波在时频域上波形之间的相似程度可使用如下公式进行计算。Rr(e,r)为S变换后的真实入射行波复数矩阵,Rf(e,r)为粒子群算法优化广义回归神经网络法分离出的入射行波复数矩阵,e、r表示矩阵第i行第j列,Q1表示总行数,Q2表示总列数。
U表示时频矩阵相似度,按照上式对不同运行情况下分离后入射行波信号与真实入射行波信号之间的时域相识度与时频域相似度进行计算。将Hausdorff距离用H表示,H越接近0,表示两波形之间越相似。U值越接近100%,表示两时频矩阵越相似,得到结果表1。
表1 不同输送容量下的波形相似度(θ=30°,d=200km)
不同故障距离的情况下,分离得到的入射行波与真实的入射行波相似度如表2所示。
表2 不同故障距离下的波形相似度(θ=30°,P=4000MW)
不同故障初相角情况下,分离得到的入射行波与混叠行波的相似度如表3。
表3 不同故障角下的波形相似度(d=200km,P=4000MW)
为验证分离后入射行波信号是否对现有的保护和定位方案具有积极作用,本申请按照传统单端定位、双端定位、零-线模波速差定位方法进行的对比,故障设置为A相接地,故障初相角为15°,过渡电阻200Ω,得到定位结果如表4。
表4 不同定位方法性能比较(利用混叠行波/入射行波)
从表4中三种典型定位方案能够看出,利用分离后入射行波信号能够降低三种行波定位的误差,达到提高定位精度的目的。
根据波形相关性的保护方法,在故障初相角为3°,故障电阻为300Ω等最不利于保护判定的情况下,利用混叠行波信号与粒子群算法优化广义回归神经网络法分离后入射行波信号进行保护判定并作对比,得到结果见表5。
表5 利用混叠行波信号和入射行波信号的保护方案性能评估
由表4与表5的验证结果可知,相对于利用混叠行波信号进行输电线路保护和定位,利用分离后入射行波信号的定位准确性和保护判断准确度均有一定程度提升,且结果稳定。
因此,本申请实施例提供的输电线路故障信号的分析方法,根据构建的输电线路应用场景直接测得的初始混叠行波信号和初始入射行波信号,利用拉普拉斯算法和广义回归神经网络确定初始混叠行波信号和初始入射行波信号之间的运算关系,即实部网络和虚部网络,并将待分离的混叠行波信号输入确定的实部网络和虚部网络,确定分离后的入射行波信号。如此,本申请实施例分离后入射行波信号具有更加明显的故障特征信息,能够明显提高故障定位技术的定位精度。
请参阅图8,本发明第二实施例提供一种输电线路故障信号的分析装置,包括:
第一获取模块,用于根据构建的输电线路应用场景,获取匹配的初始入射行波信号和初始混叠行波信号,根据拉普拉斯算法分别确定所述初始入射行波信号对应的初始入射行波复数矩阵、所述初始混叠行波信号对应的初始混叠行波复数矩阵;
确定模块,用于分别利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络;将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络;
第二获取模块,用于获取待分离混叠行波信号,根据拉普拉斯算法确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵;
分离模块,用于根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号。
本实施例中,所述第一获取模块具体用于:
获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号。
本实施例中,所述第一获取模块还用于:
获取每组运行条件对应的初始入射行波信号和初始混叠行波信号,在同一预设时间段的初始入射行波截取信号和初始混叠行波截取信号。
本实施例中,所述确定模块具体用于:
将所述初始混叠行波复数矩阵的实部矩阵构建成一维的初始混叠行波实部向量,将所述初始混叠行波实部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的实部矩阵构建成一维的初始入射行波实部向量,将所述初始入射行波实部向量作为广义回归神经网络的输出。
本实施例中,所述确定模块具体用于:
将所述初始混叠行波复数矩阵的虚部矩阵构建成一维的初始混叠行波虚部向量,将所述初始混叠行波虚部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的虚部矩阵构建成一维的初始入射行波虚部向量,将所述初始入射行波虚部向量作为广义回归神经网络的输出。
本实施例中,所述分离模块具体用于:
分别将所述待分离混叠行波复数矩阵的实部作为所述实部网络的输入,确定所述分离后入射行波的实部;将所述待分离混叠行波复数矩阵的虚部作为所述虚部网络的输入,确定所述分离后入射行波的虚部;
根据所述分离后入射行波的实部和分离后入射行波的虚部确定所述分离后入射行波信号的复数矩阵,并利用拉普拉斯逆变换算法确定对应的分离后入射行波信号。
本实施例中,所述装置还包括:
第三获取模块,用于获取与所述待分离混叠行波信号匹配的真实入射行波信号,判断所述真实入射行波信号与所述分离后入射行波信号的相似度。
根据本实施例提供的输电线路故障信号的分析装置,根据构建的输电线路应用场景直接测得的初始混叠行波信号和初始入射行波信号,利用拉普拉斯算法和广义回归神经网络确定初始混叠行波信号和初始入射行波信号之间的运算关系,即实部网络和虚部网络,并将待分离的混叠行波信号输入确定的实部网络和虚部网络,确定分离后的入射行波信号。通过大量仿真验证,相比直接测得的混叠行波信号用于对故障定位,本申请实施例分离后入射行波信号具有更加明显的故障特征信息,能够明显提高故障定位技术的定位精度。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、 “示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不一定指的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施例,本领域的普通技术人员可以理解:在不脱离本发明的原理和宗旨的情况下可以对这些实施例进行多种变化、修改、替换和变型,本发明的范围由权利要求及其等同物限定。
Claims (10)
1.一种输电线路故障信号的分析方法,其特征在于,包括:
根据构建的输电线路应用场景,获取匹配的初始入射行波信号和初始混叠行波信号,根据拉普拉斯算法分别确定所述初始入射行波信号对应的初始入射行波复数矩阵、所述初始混叠行波信号对应的初始混叠行波复数矩阵;
分别利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络;将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络;
获取待分离混叠行波信号,根据拉普拉斯算法确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵;
根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号。
2.根据权利要求1所述的输电线路故障信号的分析方法,其特征在于,获取匹配的初始入射行波信号和初始混叠行波信号具体包括:
获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号。
3.根据权利要求2所述的输电线路故障信号的分析方法,其特征在于,获取匹配的初始入射行波信号和初始混叠行波信号还包括:
获取每组运行条件对应的初始入射行波信号和初始混叠行波信号,在同一预设时间段的初始入射行波截取信号和初始混叠行波截取信号。
4.根据权利要求3所述的输电线路故障信号的分析方法,其特征在于,利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络具体包括:
将所述初始混叠行波复数矩阵的实部矩阵构建成一维的初始混叠行波实部向量,将所述初始混叠行波实部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的实部矩阵构建成一维的初始入射行波实部向量,将所述初始入射行波实部向量作为广义回归神经网络的输出。
5.根据权利要求1所述的输电线路故障信号的分析方法,其特征在于,所述将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络包括:
将所述初始混叠行波复数矩阵的虚部矩阵构建成一维的初始混叠行波虚部向量,将所述初始混叠行波虚部向量作为广义回归神经网络的输入;将所述初始入射行波复数矩阵的虚部矩阵构建成一维的初始入射行波虚部向量,将所述初始入射行波虚部向量作为广义回归神经网络的输出。
6.根据权利要求1所述的输电线路故障信号的分析方法,其特征在于,根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号具体包括:
分别将所述待分离混叠行波复数矩阵的实部作为所述实部网络的输入,确定所述分离后入射行波的实部;将所述待分离混叠行波复数矩阵的虚部作为所述虚部网络的输入,确定所述分离后入射行波的虚部;
根据所述分离后入射行波的实部和分离后入射行波的虚部确定所述分离后入射行波信号的复数矩阵,并利用拉普拉斯逆变换算法确定对应的分离后入射行波信号。
7.根据权利要求6所述的输电线路故障信号的分析方法,其特征在于,所述方法还包括:
获取与所述待分离混叠行波信号匹配的真实入射行波信号,判断所述真实入射行波信号与所述分离后入射行波信号的相似度。
8.一种输电线路故障信号的分析装置,其特征在于,包括:
第一获取模块,用于根据构建的输电线路应用场景,获取匹配的初始入射行波信号和初始混叠行波信号,根据拉普拉斯算法分别确定所述初始入射行波信号对应的初始入射行波复数矩阵、所述初始混叠行波信号对应的初始混叠行波复数矩阵;
确定模块,用于分别利用广义回归神经网络将所述初始混叠行波复数矩阵的实部作为输入、所述初始入射行波复数矩阵的实部作为输出,对所述初始入射行波复数矩阵的实部和所述初始混叠行波复数矩阵的实部进行训练,确定实部网络;将所述初始混叠行波复数矩阵的虚部作为输入、所述初始入射行波复数矩阵的虚部作为输出,对所述初始入射行波复数矩阵的虚部和所述初始混叠行波复数矩阵的虚部进行训练,确定虚部网络;
第二获取模块,用于获取待分离混叠行波信号,根据拉普拉斯算法确定所述待分离混叠行波信号对应的待分离混叠行波复数矩阵;
分离模块,用于根据所述待分离混叠行波复数矩阵以及所述实部网络、所述虚部网络确定分离后入射行波信号。
9.根据权利要求8所述的输电线路故障信号的分析装置,其特征在于,所述第一获取模块具体用于:
获取多组不同运行条件中各组运行条件分别对应的初始入射行波信号和初始混叠行波信号。
10.根据权利要求9所述的输电线路故障信号的分析装置,其特征在于,所述第一获取模块还用于:
获取每组运行条件对应的初始入射行波信号和初始混叠行波信号,在同一预设时间段的初始入射行波截取信号和初始混叠行波截取信号。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211713733.0A CN115684843B (zh) | 2022-12-30 | 2022-12-30 | 输电线路故障信号的分析方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211713733.0A CN115684843B (zh) | 2022-12-30 | 2022-12-30 | 输电线路故障信号的分析方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115684843A true CN115684843A (zh) | 2023-02-03 |
CN115684843B CN115684843B (zh) | 2023-03-10 |
Family
ID=85055894
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211713733.0A Active CN115684843B (zh) | 2022-12-30 | 2022-12-30 | 输电线路故障信号的分析方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115684843B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5735424A (en) * | 1980-06-27 | 1982-02-26 | Nec Corp | Automatic tracking type predistortor |
JPH0888985A (ja) * | 1994-09-14 | 1996-04-02 | Canon Inc | 振動波駆動装置の制御装置 |
US20020118021A1 (en) * | 2000-12-20 | 2002-08-29 | Saha Murari Mohan | Method of fault location in parallel transmission lines with series compensation |
US20150253370A1 (en) * | 2012-10-24 | 2015-09-10 | Wirescan As | Method and system for monitoring a condition of electrical cables |
CN109119977A (zh) * | 2018-09-20 | 2019-01-01 | 山东大学 | 基于单端电压的多端柔性直流电网直流线路快速保护方法及系统 |
CN110954786A (zh) * | 2019-12-25 | 2020-04-03 | 青岛科技大学 | 基于hht的混合多端直流输电线路行波测距方法 |
CN115267417A (zh) * | 2022-06-15 | 2022-11-01 | 北京妙微科技有限公司 | 输电线路故障的精确定位方法及输电线路行波测量装置 |
-
2022
- 2022-12-30 CN CN202211713733.0A patent/CN115684843B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPS5735424A (en) * | 1980-06-27 | 1982-02-26 | Nec Corp | Automatic tracking type predistortor |
JPH0888985A (ja) * | 1994-09-14 | 1996-04-02 | Canon Inc | 振動波駆動装置の制御装置 |
US20020118021A1 (en) * | 2000-12-20 | 2002-08-29 | Saha Murari Mohan | Method of fault location in parallel transmission lines with series compensation |
US20150253370A1 (en) * | 2012-10-24 | 2015-09-10 | Wirescan As | Method and system for monitoring a condition of electrical cables |
CN109119977A (zh) * | 2018-09-20 | 2019-01-01 | 山东大学 | 基于单端电压的多端柔性直流电网直流线路快速保护方法及系统 |
CN110954786A (zh) * | 2019-12-25 | 2020-04-03 | 青岛科技大学 | 基于hht的混合多端直流输电线路行波测距方法 |
CN115267417A (zh) * | 2022-06-15 | 2022-11-01 | 北京妙微科技有限公司 | 输电线路故障的精确定位方法及输电线路行波测量装置 |
Non-Patent Citations (6)
Title |
---|
JONATHAN A. SHERRATT: "Numerical continuation methods for studying periodic travelling wave (wavetrain) solutions of partial differential equations" * |
WU 7,HIHUA: "A Novel Double Terminal Traveling Wave Fault Location Method not Influenced by Wave Speed" * |
ZEWEN LI: "Accurate detection method of voltage traveling-wave-based on waveform inversion" * |
朱明: "牵引网高频阻抗特性研究" * |
邓丰: "基于全波形信息的混联线路单端行波定位方法" * |
邓丰: "基于行波全波形主频分量的单端定位方法研究" * |
Also Published As
Publication number | Publication date |
---|---|
CN115684843B (zh) | 2023-03-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Deng et al. | Fault location in loop distribution network using SVM technology | |
Shu et al. | Single-ended fault location for hybrid feeders based on characteristic distribution of traveling wave along a line | |
CN109307824B (zh) | 一种基于聚类的配电网单相接地故障区段定位方法 | |
Lopes et al. | A traveling-wave detection method based on Park's transformation for fault locators | |
Pourahmadi-Nakhli et al. | Path characteristic frequency-based fault locating in radial distribution systems using wavelets and neural networks | |
Hao et al. | An intelligent algorithm for fault location on VSC-HVDC system | |
Dashtdar et al. | Fault location in the transmission network using artificial neural network | |
Deng et al. | Single‐ended travelling wave protection algorithm based on full waveform in the time and frequency domains | |
CN109633271A (zh) | 基于变分模态分解和维格纳威尔分布的行波时频分析方法 | |
CN101907437A (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
CN103454497A (zh) | 基于改进加窗离散傅立叶变换的相位差测量方法 | |
Li et al. | UHF partial discharge localization algorithm based on compressed sensing | |
Ngaopitakkul et al. | Combination of discrete wavelet transform and probabilistic neural network algorithm for detecting fault location on transmission system | |
Xie et al. | A novel fault location method for hybrid lines based on traveling wave | |
CN113821978B (zh) | 基于改进步长lms自适应算法的行波检测方法和系统 | |
CN115494341A (zh) | 基于ielm-vmd算法的配电网故障测距方法及系统 | |
CN111157843B (zh) | 一种基于时频域行波信息的配电网选线方法 | |
Li et al. | A fault pattern and convolutional neural network based single-phase earth fault identification method for distribution network | |
CN112130026A (zh) | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 | |
Wang et al. | An edge computing method using a novel mode component for power transmission line fault diagnosis in distribution network | |
Wang et al. | Travelling wave fault location of HVAC transmission line based on frequency-dependent characteristic | |
Yao et al. | A novel method to locate a fault of transmission lines by shielding failure | |
CN115684843B (zh) | 输电线路故障信号的分析方法及装置 | |
CN110927539B (zh) | 一种单端暂态能量谱相似性的配电网故障区段定位方法 | |
El Din et al. | A wavelet-based fault location technique for aged power cables |
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 |