CN116087667A - 基于lstm的特高压直流输电线路继电保护故障检测方法 - Google Patents
基于lstm的特高压直流输电线路继电保护故障检测方法 Download PDFInfo
- Publication number
- CN116087667A CN116087667A CN202310221427.3A CN202310221427A CN116087667A CN 116087667 A CN116087667 A CN 116087667A CN 202310221427 A CN202310221427 A CN 202310221427A CN 116087667 A CN116087667 A CN 116087667A
- Authority
- CN
- China
- Prior art keywords
- direct current
- transmission line
- current transmission
- high voltage
- lstm
- 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 42
- 238000001514 detection method Methods 0.000 title claims abstract description 28
- 238000000034 method Methods 0.000 claims abstract description 28
- 238000013528 artificial neural network Methods 0.000 claims abstract description 25
- 230000001052 transient effect Effects 0.000 claims abstract description 24
- 230000009466 transformation Effects 0.000 claims abstract description 16
- 238000012360 testing method Methods 0.000 claims abstract description 9
- 238000012549 training Methods 0.000 claims abstract description 9
- 125000004122 cyclic group Chemical group 0.000 claims abstract description 8
- 230000001902 propagating effect Effects 0.000 claims abstract description 8
- 238000010606 normalization Methods 0.000 claims abstract description 6
- 238000012545 processing Methods 0.000 claims abstract description 6
- 238000013135 deep learning Methods 0.000 claims abstract description 5
- 230000006870 function Effects 0.000 claims description 20
- 230000007787 long-term memory Effects 0.000 claims description 9
- 230000000306 recurrent effect Effects 0.000 claims description 8
- 230000007774 longterm Effects 0.000 claims description 4
- 230000008859 change Effects 0.000 claims description 3
- 238000005530 etching Methods 0.000 claims description 3
- 230000015654 memory Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 abstract description 6
- 238000012795 verification Methods 0.000 abstract description 2
- 230000008901 benefit Effects 0.000 description 3
- 230000007704 transition Effects 0.000 description 3
- 230000009471 action Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012706 support-vector machine 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
-
- 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
-
- 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computational Linguistics (AREA)
- General Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Artificial Intelligence (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Emergency Protection Circuit Devices (AREA)
Abstract
本发明公开了基于LSTM的特高压直流输电线路继电保护故障检测方法，包括：基于快速傅里叶变换分析暂态电压频率特性，使用相模变换和小波变换提取出故障特征量作为输入数据；对数据进行归一化处理，分成测试集和训练集两个样本；构建基于LSTM循环神经网络的特高压直流输电线路继电保护故障检测模型，前向传播深层次学习特高压直流输电线路的故障特征，反向传播优化网络参数，将深层的特征量输入到Softmax分类器中进行分类，并输出识别结果。经过验证本发明的方法在特高压直流输电线路继电保护的故障检测、故障选极上具有很好的效果。
Description
技术领域
本发明涉及高压直流传输系统控制技术领域，具体是基于LSTM的特高压直流输电线路继电保护故障检测方法。
背景技术
对电力传输技术提出了越来越严格的要求，特高压直流输电技术因为线路损耗小、电能质量高、控制领过等特点，在大容量输电方面有着广泛的深化应用。然而直流输电是一个低惯量的系统，如果线路发生短路故障，故障电流会快速地上升，进而烧坏换流器等设备。因此亟需特高压直流断路器进行可靠、快速地切除故障，实现非故障区段的安全稳定运行，保护系统需要在3ms以内完成故障检测和定位，对特高压直流输电线路的保护提出了很高的要求。并且对于高阻故障检测难度较大，长期运行对电网安全也会存在一定的隐患。
目前在特高压直流输电线路故障保护的方法中主要包括行波法和小波法。行波法虽然可以在常规直流输电中进行应用，但是波头检测困难、近距离故障检测难的缺点使得行波法无法长期应用；小波法可以很大地提高行波波头的检测速度，但是对于高阻故障无法检测出来；方向元件可以检测出各类故障，但是无法进行故障选极。
发明内容
为了解决上述中传统的特高压直流保护对高阻故障检测准确率不高、故障检测时间过长以及故障选极不完善的问题，本发明提供了基于LSTM的特高压直流输电线路继电保护故障检测方法，在特高压直流输电线路继电保护的故障检测、故障选极上具有很好的效果。
为了达到上述目的，本发明是通过以下技术方案来实现的：
本发明基于LSTM的特高压直流输电线路继电保护故障检测方法，包括如下步骤：
步骤1，利用故障启动元件构造保护启动判据，满足判据时再进行后续的故障识别；
步骤2，使用快速傅里叶变换分析暂态电压频率特性，利用相模变换提取正极电压变化量和负极电压变化量，小波变换提取母线电压暂态能量和直流电压暂态能量，构成四维特征数据作为LSTM循环神经网络的输入；
步骤3，对输入的四维特征数据进行归一化处理，并将四维特征数据分成测试集和训练集；
步骤4，将训练集输入到LSTM循环神经网络中去，前向传播深层次学习特高压直流输电线路的故障特征，反向传播更新网络参数，并且将学习到的特征输入到Softmax分类器中进行分类，设置分类器参数，输出识别结果，并不断迭代优化网络参数，最终形成性能满足的特高压直流输电线路继电保护故障检测模型；
步骤5，利用测试集验证步骤4得到的特高压直流输电线路继电保护故障检测模型的有效性。
步骤1中设置母线电压变化率为故障启动元件，构造的保护启动判据如下：
式中：为直流线路电压，为直流保护算法启动阈值。
步骤2中小波变换提取母线电压暂态能量和直流电压暂态能量具体为：采用的小波变换为：
式中：为小波变换符号；为原始离散信号；为小波基；R为原始离散信号的定义域；为小波变换后离散点的坐标；
经过小波变换后得到第j层系数如下：
式中：为离散信号的维度；离散信号的总维度；为第j-1层的离散信号；为近似系数；为细节系数；和分别为低通和高通滤波器；
利用细节系数 的平方经过时间轴进行积分，得到电压暂态能量为：
式中：为积分的时间窗口；对于母线电压暂态能量，时间窗口选择0.5ms；对于直流电压暂态能量，时间窗口选择1.5ms。
步骤3中按照如下表达式对输入的四维特征数据进行归一化处理：
式中：为归一化后样本数据；为原始数据；min、max为最小值和最大值函数。
步骤4中所构建的LSTM循环神经网络的前向传播表达式如下：
式中：为输入门；为遗忘门；为输出门；为
t时刻的输入； 为时刻的输入；为时刻输出，是传给下一时刻短时记忆状态的； 为刻的输出；为LSTM循环神经网络的长时记忆，即细胞的长时状态；为上一刻的细胞状态；为sigmoid层；为输入层到输入门之间的权重；为输入层到遗忘门之间的权重；为输入层到输出门之间的权重；为输入层到长时记忆之间的权重；为遗忘门到长时记忆之间的权重；为隐藏层输出到输出门之间的权重；为隐藏层输出到输入门之间的权重；为隐藏层输出到遗忘门之间的权重；、、、分别输入门、遗忘门、输出门、长时记忆的偏置。
步骤4中LSTM循环神经网络参数利用反向传播算法反向传播更新权重和偏置，反向传播算法的损失函数选择为交叉损失函数，表达式如下：
式中：为t时刻的交叉损失函数；为总的交叉损失函数；为实际需求的输出值，为网络输出的预测值。
步骤4中设置Softmax分类器维度为6，分别代表区外故障、母线故障、线路故障、正极故障、负极故障、双极故障，用“1”和“0”分别表示对应故障的发生与否，故障类别相量
R输出为
本发明的有益效果是：与传统特高压直流输电线路保护相比，本发明所提出的基于LSTM循环神经网络的特高压直流输电线路继电保护故障检测方法利用LSTM循环神经网络在长序列数据下拥有很好的稳定性和信息选择能力的优势，构建了特高压直流输电线路继电保护故障检测模型，前向传播深层次学习故障特征，反向传播优化网络参数，在特高压直流输电线路继电保护的故障检测、故障选极上具有很好的效果，具有很好的实际意义。
附图说明
图1为本发明基于LSTM的特高压直流输电线路继电保护故障检测方法的步骤流程图；
图2为本发明实施例中网络识别准确率和迭代次数的关系图；
图3为本发明实施例中各种网络的损失函数和迭代次数的关系对比图；
图4为本发明实施例中特高压直流输电线路各种方法故障识别的准确率对比图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，并不用于限定本发明。此外，下面所描述的本发明各个实施方式中所涉及到的技术特征只要彼此之间未构成冲突就可以相互组合。
如图1所示，本发明的基于LSTM的特高压直流输电线路继电保护故障检测方法，主要包括网络训练和故障类型识别，具体包括如下步骤：
步骤1，利用故障启动元件构造保护启动判据，满足判据时再进行后续的故障识别；
步骤2，使用快速傅里叶变换分析暂态电压频率特性，利用相模变换提取正极电压变化量和负极电压变化量，小波变换提取母线电压暂态能量和直流电压暂态能量，构成四维特征数据作为LSTM循环神经网络的输入；
步骤3，对输入的四维特征数据进行归一化处理，并将四维特征数据分成测试集和训练集；
步骤4，将训练集输入到LSTM循环神经网络中去，前向传播深层次学习特高压直流输电线路的故障特征，反向传播更新网络参数，并且将学习到的特征输入到Softmax分类器中进行分类，把故障识别分成区外故障、母线故障和线路故障，故障分类设为正极故障、负极故障和双极故障，设置分类器参数，输出识别结果，并不断迭代优化网络参数，最终形成性能较好的特高压直流输电线路继电保护故障检测模型；
步骤5，利用测试集验证步骤4得到的特高压直流输电线路继电保护故障检测模型的有效性。
在本发明实施例中，步骤1的具体操作如下：
设置母线电压变化率为故障启动的元件，构造的保护启动判据如下：
式中：为直流线路电压，为直流保护算法启动阈值。
步骤2中采用的小波变换表达式如下：
式中：为小波变换符号；为原始离散信号；为小波基；为原始离散信号的定义域；为小波变换后离散点的坐标；
经过小波变换后得到第j层系数如下：
式中：为离散信号的维度；离散信号的总维度；为第j-1层的离散信号；为近似系数；为细节系数；和分别为低通和高通滤波器。
利用细节系数 的平方经过时间轴进行积分，得到电压暂态能量为：
式中：为积分的时间窗口。
对于母线电压暂态能量，时间窗口选择0.5ms；对于直流电压暂态能量，时间窗口选择1.5ms。
式中：为归一化后样本数据；为原始数据；min、max为最小值和最大值函数。
步骤4中所构建的LSTM循环神经网络前向传播公式如下：
式中：为输入门；为遗忘门；为输出门；为
t时刻的输入； 为时刻的输入；为时刻输出，是传给下一时刻短时记忆状态的； 为刻的输出；为LSTM循环神经网络的长时记忆，即细胞的长时状态；为上一刻的细胞状态；为sigmoid层；为输入层到输入门之间的权重；为输入层到遗忘门之间的权重；为输入层到输出门之间的权重；为输入层到长时记忆之间的权重；为遗忘门到长时记忆之间的权重；为隐藏层输出到输出门之间的权重；为隐藏层输出到输入门之间的权重；为隐藏层输出到遗忘门之间的权重；、、、分别输入门、遗忘门、输出门、长时记忆的偏置。
LSTM循环神经网络参数利用反向传播算法反向传播更新权重和偏置。反向传播算法的损失函数选择为交叉损失函数，公式如下：
式中：为t时刻的交叉损失函数；
L 为总的交叉损失函数；为实际需求的输出值，为网络输出的预测值。
LSTM循环神经网络输出至Softmax分类器中进行分类，Softmax分类器输出维度设置为6，分别代表区外故障、母线故障、线路故障、正极故障、负极故障、双极故障，用“1”和“0”分别表示对应故障的发生与否，故障类别相量
R输出为。
softmax函数是一个典型的多分类问题的函数，假如输入
x输出的标签为
y，那么
x被认为是类别
j的概率是，Softmax输出一个维向量，且这维向量的元素在0~1之间，之和为1，数学表达式如下：
式中：为第i个样本属于类别k的概率，为Softmax函数的输出值。
为验证本发明的效果，以下例对所提出的基于LSTM循环神经网络的特高压直流输电线路继电保护故障检测方法的先进性进行说明。
以电磁暂态仿真平台PSCAD/EMTDC为基础，搭建四端的MMC直流电网模型，对线路和母线进行保护研究，把故障数据样本输入到LSTM循环神经网络中去，样本数据一共5000组，按照4:1的比例形成训练集和测试集。保护启动判据阈值设为200kV/ms。
不断提高网络的迭代次数，故障的识别准确率结果如图2所示。从图中可得，当迭代次数达到400时，趋于稳定，故障识别准确率最高。因此设置网络的迭代次数为400。
分别对线路处故障、区外故障、母线处故障进行仿真验证，故障的过渡电阻设为0.01Ω，结果如表1所示。从表中可得，LSTM循环神经网络可以快速准确地识别出线路和母线的故障，并且可以实现故障的选极。通过检测时间可以得出，最大的检测时间为1.90ms，说明本发明所提方法具有检测速度快的优点，可以满足特高压直流输电线路保护的速动性要求。
表1LSTM循环神经网络的输出和保护动作结果
为了验证所提方法对不同过渡电阻都具有很好的识别效果，取不同过渡电阻进行试验，结果如表2所示。从表中可得，本发明的方法对高阻故障也有很好的识别效果。
为了验证本发明所提方法的优越性，将本发明方法与主流的人工神经网络、卷积神经网络、支持向量机进行对比，结果如图3、图4所示。从图中可得，本发明方法具有更小的损失函数、更高的故障识别准确率。
以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本权利要求范围当中。
Claims (7)
1.基于LSTM的特高压直流输电线路继电保护故障检测方法，其特征在于：包括如下步骤：
步骤1，利用故障启动元件构造保护启动判据，满足判据时再进行后续的故障识别；
步骤2，使用快速傅里叶变换分析暂态电压频率特性，利用相模变换提取正极电压变化量和负极电压变化量，小波变换提取母线电压暂态能量和直流电压暂态能量，构成四维特征数据作为LSTM循环神经网络的输入；
步骤3，对输入的四维特征数据进行归一化处理，并将四维特征数据分成测试集和训练集；
步骤4，将训练集输入到LSTM循环神经网络中去，前向传播深层次学习特高压直流输电线路的故障特征，反向传播更新网络参数，并且将学习到的特征输入到Softmax分类器中进行分类，设置分类器参数，输出识别结果，并不断迭代优化网络参数，最终形成性能满足的特高压直流输电线路继电保护故障检测模型；
步骤5，利用测试集验证步骤4得到的特高压直流输电线路继电保护故障检测模型的有效性。
2.根据权利要求1所述的基于LSTM的特高压直流输电线路继电保护故障检测方法，其特征在于：所述步骤1中设置母线电压变化率为故障启动元件，构造的保护启动判据如下：
式中：为直流线路电压，为直流保护算法启动阈值。
3.根据权利要求1所述的基于LSTM的特高压直流输电线路继电保护故障检测方法，其特征在于：所述步骤2中小波变换提取母线电压暂态能量和直流电压暂态能量具体为：采用的小波变换为：
式中：为小波变换符号；为原始离散信号；为小波基；R为原始离散信号的定义域；为小波变换后离散点的坐标；
经过小波变换后得到第j层系数如下：
式中：为离散信号的维度；离散信号的总维度；为第j-1层的离散信号；为近似系数；为细节系数；和分别为低通和高通滤波器；
利用细节系数 的平方经过时间轴进行积分，得到电压暂态能量为：
式中：为积分的时间窗口；对于母线电压暂态能量，时间窗口选择0.5ms；对于直流电压暂态能量，时间窗口选择1.5ms。
4.根据权利要求1所述的基于LSTM的特高压直流输电线路继电保护故障检测方法，其特征在于：步骤3中按照如下表达式对输入的四维特征数据进行归一化处理：
式中：为归一化后样本数据；为原始数据；min、max为最小值和最大值函数。
5.根据权利要求1所述的基于LSTM的特高压直流输电线路继电保护故障检测方法，其特征在于：所述步骤4中所构建的LSTM循环神经网络的前向传播表达式如下：
式中：为输入门；为遗忘门；为输出门；为t 时刻的输入； 为时刻的输入；为时刻输出，是传给下一时刻短时记忆状态的； 为刻的输出；为LSTM循环神经网络的长时记忆，即细胞的长时状态；为上一刻的细胞状态；为sigmoid层；为输入层到输入门之间的权重；为输入层到遗忘门之间的权重；为输入层到输出门之间的权重；为输入层到长时记忆之间的权重；为遗忘门到长时记忆之间的权重；为隐藏层输出到输出门之间的权重；为隐藏层输出到输入门之间的权重；为隐藏层输出到遗忘门之间的权重；、、、分别输入门、遗忘门、输出门、长时记忆的偏置。
6.根据权利要求5所述的基于LSTM的特高压直流输电线路继电保护故障检测方法，其特征在于：所述步骤4中LSTM循环神经网络参数利用反向传播算法反向传播更新权重和偏置，反向传播算法的损失函数选择为交叉损失函数，表达式如下：
式中：为t时刻的交叉损失函数；为总的交叉损失函数；为实际需求的输出值，为网络输出的预测值。
7.根据权利要求1所述的基于LSTM的特高压直流输电线路继电保护故障检测方法，其特征在于：所述步骤4中设置Softmax分类器维度为6，分别代表区外故障、母线故障、线路故障、正极故障、负极故障、双极故障，用“1”和“0”分别表示对应故障的发生与否，故障类别相量R输出为。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310221427.3A CN116087667A (zh) | 2023-03-09 | 2023-03-09 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310221427.3A CN116087667A (zh) | 2023-03-09 | 2023-03-09 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116087667A true CN116087667A (zh) | 2023-05-09 |
Family
ID=86202706
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310221427.3A Pending CN116087667A (zh) | 2023-03-09 | 2023-03-09 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116087667A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577594A (zh) * | 2023-07-10 | 2023-08-11 | 广东电网有限责任公司佛山供电局 | 一种继电保护装置的故障监测方法和系统 |
| CN116914685A (zh) * | 2023-09-15 | 2023-10-20 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
| 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 |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 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 |
| CN106990324A (zh) * | 2017-04-06 | 2017-07-28 | 北京四方继保自动化股份有限公司 | 一种配电网接地故障检测定位方法 |
| CN108683160A (zh) * | 2018-04-28 | 2018-10-19 | 西安理工大学 | 一种用于直流输电线路故障电流的暂态能量保护方法 |
| 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 |
| CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
| CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
| CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
| CN112101116A (zh) * | 2020-08-17 | 2020-12-18 | 北京无线电计量测试研究所 | 一种基于深度学习的模拟电路故障诊断方法 |
| AU2021103276A4 (en) * | 2021-06-10 | 2021-07-29 | Sichuan University Of Science & Engineering | Single-ended protection method and device for HVDC transmission lines |
| CN113466624A (zh) * | 2021-06-30 | 2021-10-01 | 云南电网有限责任公司电力科学研究院 | 一种多端混合直流输电线路故障区域的检测方法及系统 |
| US20220196720A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Single-ended fault positioning method and system for high-voltage direct-current transmission line of hybrid network |
| CN115201632A (zh) * | 2022-07-21 | 2022-10-18 | 国网福建省电力有限公司宁德供电公司 | 一种多端直流输电线路故障识别方法 |
| CN115630296A (zh) * | 2022-09-27 | 2023-01-20 | 昆明理工大学 | 基于lstm的特高压多端混合直流输电线路故障检测方法 |
-
2023
- 2023-03-09 CN CN202310221427.3A patent/CN116087667A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 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 |
| CN106990324A (zh) * | 2017-04-06 | 2017-07-28 | 北京四方继保自动化股份有限公司 | 一种配电网接地故障检测定位方法 |
| CN108683160A (zh) * | 2018-04-28 | 2018-10-19 | 西安理工大学 | 一种用于直流输电线路故障电流的暂态能量保护方法 |
| 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 |
| CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
| CN109931678A (zh) * | 2019-03-13 | 2019-06-25 | 中国计量大学 | 基于深度学习lstm的空调故障诊断方法 |
| CN110082640A (zh) * | 2019-05-16 | 2019-08-02 | 国网安徽省电力有限公司 | 一种基于长短时记忆网络的配网单相接地故障辨识方法 |
| CN112101116A (zh) * | 2020-08-17 | 2020-12-18 | 北京无线电计量测试研究所 | 一种基于深度学习的模拟电路故障诊断方法 |
| US20220196720A1 (en) * | 2020-12-18 | 2022-06-23 | Wuhan University | Single-ended fault positioning method and system for high-voltage direct-current transmission line of hybrid network |
| AU2021103276A4 (en) * | 2021-06-10 | 2021-07-29 | Sichuan University Of Science & Engineering | Single-ended protection method and device for HVDC transmission lines |
| CN113466624A (zh) * | 2021-06-30 | 2021-10-01 | 云南电网有限责任公司电力科学研究院 | 一种多端混合直流输电线路故障区域的检测方法及系统 |
| CN115201632A (zh) * | 2022-07-21 | 2022-10-18 | 国网福建省电力有限公司宁德供电公司 | 一种多端直流输电线路故障识别方法 |
| CN115630296A (zh) * | 2022-09-27 | 2023-01-20 | 昆明理工大学 | 基于lstm的特高压多端混合直流输电线路故障检测方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李斌 等: "基于边界特性的多端柔性直流配电系统单端量保护方案", 中国电机工程学报, vol. 36, no. 21, pages 5741 - 5750 * |
| 李绍伟: "柔性中压直流配电线路保护方法研究", 中国优秀硕士学位论文全文数据库-工程科技Ⅱ辑, vol. 1, pages 15 - 19 * |
| 高敬鹏: "深度学习：卷积神经网络技术与实践", 机械工业出版社, pages: 185 - 190 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116577594A (zh) * | 2023-07-10 | 2023-08-11 | 广东电网有限责任公司佛山供电局 | 一种继电保护装置的故障监测方法和系统 |
| CN116577594B (zh) * | 2023-07-10 | 2023-11-14 | 广东电网有限责任公司佛山供电局 | 一种继电保护装置的故障监测方法和系统 |
| CN116914685A (zh) * | 2023-09-15 | 2023-10-20 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
| CN116914685B (zh) * | 2023-09-15 | 2023-12-22 | 珠海汇众能源科技有限公司 | 固态断路器控制系统及固态断路器控制方法 |
| 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 |
|---|---|---|
| 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 | |
| Zhang et al. | Novel fault location method for power systems based on attention mechanism and double structure GRU neural network | |
| 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 | |
| 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 | |
| US20200285900A1 (en) | Power electronic circuit fault diagnosis method based on optimizing deep belief network | |
| 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 | |
| Tong et al. | Detection and classification of transmission line transient faults based on graph convolutional neural network | |
| Mishra et al. | FDOST-based fault classification scheme for fixed series compensated transmission system | |
| CN110596530B (zh) | 一种小电流接地故障选线方法 | |
| Xi et al. | Fault detection algorithm for power distribution network based on sparse self-encoding neural network | |
| CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
| CN112200694A (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
| CN111553112A (zh) | 一种基于深度置信网络的电力系统故障辨识方法及装置 | |
| Tripathy | Power Transformer Differential Protection Based on Neural Network Principal Component Analysis, Harmonic Restraint and Park′ s Plots | |
| CN112633315A (zh) | 一种电力系统扰动分类方法 | |
| Wang et al. | The Cable Fault Diagnosis for XLPE Cable Based on 1DCNNs‐BiLSTM Network | |
| CN114386024A (zh) | 基于集成学习的电力内网终端设备异常攻击检测方法 | |
| Wang et al. | Complex fault source identification method for high-voltage trip-offs of wind farms based on SU-MRMR and PSO-SVM | |
| Eissa et al. | A new protection detection technique for high impedance fault using neural network | |
| Xu et al. | Short-term electricity consumption forecasting method for residential users based on cluster classification and backpropagation neural network | |
| CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
| CN116401572A (zh) | 一种基于cnn-lstm的输电线路故障诊断方法及系统 | |
| Liu et al. | DC short-circuit fault detection for MMC-HVDC-grid based on improved DBN and DC fault current statistical features | |
| CN114384319A (zh) | 一种并网逆变器孤岛检测方法、系统、终端及介质 | |
| CN116070151B (zh) | 基于广义回归神经网络特高压直流输电线路故障检测方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20230509 |
|
| RJ01 | Rejection of invention patent application after publication |