CN116520095A - 故障测距方法、系统以及计算机可读存储介质 - Google Patents
故障测距方法、系统以及计算机可读存储介质 Download PDFInfo
- Publication number
- CN116520095A CN116520095A CN202310797321.8A CN202310797321A CN116520095A CN 116520095 A CN116520095 A CN 116520095A CN 202310797321 A CN202310797321 A CN 202310797321A CN 116520095 A CN116520095 A CN 116520095A
- Authority
- CN
- China
- Prior art keywords
- fault
- signal
- determining
- ranging
- characteristic
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000005259 measurement Methods 0.000 claims abstract description 22
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 230000008859 change Effects 0.000 claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims description 69
- 239000013598 vector Substances 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 18
- 238000012545 processing Methods 0.000 claims description 15
- 230000009466 transformation Effects 0.000 claims description 14
- 238000001914 filtration Methods 0.000 claims description 11
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000013500 data storage Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 27
- 230000007704 transition Effects 0.000 abstract description 8
- 238000001514 detection method Methods 0.000 abstract description 7
- 230000006870 function Effects 0.000 description 29
- 238000010586 diagram Methods 0.000 description 12
- 238000004590 computer program Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 6
- 238000000691 measurement method Methods 0.000 description 5
- 230000004048 modification Effects 0.000 description 5
- 238000012986 modification Methods 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 4
- 230000008878 coupling Effects 0.000 description 4
- 238000010168 coupling process Methods 0.000 description 4
- 238000005859 coupling reaction Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 3
- 230000004075 alteration Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000004973 liquid crystal related substance Substances 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007667 floating Methods 0.000 description 1
- 238000009499 grossing Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 230000001902 propagating effect Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
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
- G01R31/081—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
-
- 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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace 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)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明涉及电力系统继电保护技术领域，涉及一种故障测距方法、系统以及计算机可读存储介质。在风电场出现故障时，获取预设时长内，风电场的送出线路上设置的行波耦合器采集的故障特征信号；基于最大相关峭度解卷积算法，确定故障特征信号对应的解卷积信号；将基于解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点；根据故障点，以及故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。由于基于最大相关峭度解卷积算法得到的解卷积信号具有抗干扰强，不容易受过渡电阻和线路对侧系统运行方式的影响的特性，能够适用于风电场环境下的输电网故障测距。解决了故障距离检测精度不高的问题。
Description
技术领域
本发明涉及电力系统继电保护技术领域，尤其涉及一种故障测距方法、系统以及计算机可读存储介质。
背景技术
随着风电事业的发展，风机装机容量不断增加，风电在电源中所占比重也在不断扩大，其故障特征较常规能源有着较大的区别，并且集群风电送出线电压等级较高，发生单相接地故障可能伴随着过渡电阻的产生，这对传统的测距方式不利。输电线路常用的测距方法有行波法、故障分析法、固有频率法。目前风电场送出线路主要采用的故障测距方法多为固有频率法和故障分析法。单端法仅依靠输电线路其中一端的电压电流电气量建立故障判别方程式就可求出故障位置，无需信息同步。而由于风电场高次谐波含量较高、明显的弱馈特性和频偏特性的影响，相量提取受到“傅式算法”的限制而失准，传统基于工频量的故障测距法在风电场中可靠性变低。相比频域法，时域法考虑了故障后的暂态过程，且无需滤除非周期分量，不受电网频率变化影响，因此基于时域法的故障测距法受到广泛研究。但上述单端测距方法的缺点是测距精度容易受过渡电阻和线路对侧系统运行方式的影响。
综上所述，输电网的故障测距方法多为单端法，通过输电线路其中一端的电压电流电气量建立故障判别方程式求出故障位置。
然而，对于风电场环境下的输电网，由于风电场环境中的高次谐波含量较高，且具有明显的弱馈特性和频偏特性，导致传统的单端测距方法的测距精度容易受过渡电阻和线路对侧系统运行方式的影响，无法准确测量行波波头的到达时刻，从而造成故障距离的检测精度降低。因此，需要一种针对风电场环境下的故障测距方法，来克服上述缺陷。
上述内容仅用于辅助理解本发明的技术方案，并不代表承认上述内容是现有技术。
发明内容
本发明的主要目的在于提供一种故障测距方法，旨在解决如何提高故障距离的检测精度的问题。
为实现上述目的，本发明提供的一种故障测距方法，所述方法包括：
在风电场出现故障时，获取预设时长内，所述风电场的送出线路上设置的行波耦合器采集的故障特征信号；
基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号；
将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点；
根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。
可选地，所述获取预设时长内，所述风电场的送出线路上设置的行波耦合器发出的故障特征信号的步骤包括：
通过行波耦合器采集所述送出线路的故障行波信号；
基于凯伦贝尔线模变换矩阵，对所述故障行波信号作解耦处理，得到所述故障行波信号的线模分量；
将所述线模分量作为所述故障特征信号。
可选地，所述基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号的步骤包括：
基于最大相关峭度求解函数，确定所述故障特征信号对应的目标滤波向量；
将所述目标滤波向量和所述故障特征信号的卷积结果，确定为所述解卷积信号。
可选地，所述将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，作为故障点的步骤之前，还包括：
确定所述解卷积信号的原始矩阵；
确定间隔距离m；
根据所述间隔距离和预设波速的比值，确定每一次的移动步长；
根据所述测距线路总长度和所述移动步长的比值，确定移动次数；
根据所述移动步长和移动次数，将所述原始矩阵的元素循环右移，得到变换矩阵；
将所述原始矩阵分别与所述变换矩阵的每一行进行哈达玛积计算，确定测距矩阵；
根据所述测距矩阵，构建所述解卷积信号的特征函数。
可选地，所述根据所述测距矩阵，构建所述解卷积信号的特征函数的步骤包括：
根据所述预设波速、测距线路总长度和预设的初始采样时间，确定采样时窗；
根据所述采样时窗、原始矩阵中的向量个数、移动次数和所述测距矩阵，确定所述解卷积信号的特征函数。
可选地，所述根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果的步骤包括：
获取所述故障点对应的目标测距距离；
若所述正弦值为负值，确定所述测距结果为第一测距结果，其中，所述第一测距结果为所述目标测距距离的一半；
若所述正弦值为正值，确定所述测距结果为第二测距结果，其中，所述第二测距结果为测距线路总长度与所述第一测距结果的差值。
此外，为实现上述目的，本发明还提供一种故障测距系统，所述故障测距系统包括：
故障特征信号采集模块，用于在风电场出现故障时获取预设时长内，所述风电场的送出线路上设置的行波耦合器采集的故障特征信号；
数据处理模块，用于基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号，将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点；
故障测距模块，用于根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。
可选地，所述故障特征信号采集模块包括：
数据采集单元，用于采集送出线路上设置的行波耦合器二次侧输出的模拟信号；
数模转换单元，用于将所述模拟信号转变为数字信号；
数据存储单元，用于存储采集到的所述模拟信号和/或所述数字信号。
可选地，所述数据处理模块包括：
线模分量计算单元，用于计算故障行波信号的线模分量；
数据处理单元，用于计算测距矩阵和测距函数，以及计算所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值。
可选地，所述故障测距模块包括：
距离测量单元，用于测量所述故障点对应的目标测距距离；
正负判断单元，用于判断所述正弦值的正负。
此外，为实现上述目的，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质上存储有故障测距程序，所述故障测距程序被处理器执行时实现如上任一项所述的故障测距方法的步骤。
本发明实施例提供一种故障测距方法、系统以及计算机可读存储介质，通过获取风电场的送出线路上设置的行波耦合器采集的故障特征信号，将故障特征信号基于最大相关峭度解卷积算法得到解卷积信号后，将解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点，根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。由于基于最大相关峭度解卷积算法得到的解卷积信号具有抗干扰强，不容易受过渡电阻和线路对侧系统运行方式的影响的特性，能够适用于风电场环境下的输电网故障测距。
附图说明
图1为本发明实施例涉及的故障测距系统的硬件运行环境的架构示意图；
图2为本发明故障测距方法的第一实施例的流程示意图；
图3为风电经柔直送出系统仿真模型示意图；
图4为基于解卷积信号构建的特征曲线中的特征信号变化最大点示意图；
图5为本发明故障测距方法的第二实施例的流程示意图；
图6为本发明故障测距方法的第三实施例的流程示意图；
图7为本发明所提出的故障测距系统的架构示意图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图作进一步说明。
具体实施方式
本发明通过获取风电场的送出线路上设置的行波耦合器采集的故障特征信号，将故障特征信号基于最大相关峭度解卷积算法得到解卷积信号后，将解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点，根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。由于基于最大相关峭度解卷积算法得到的解卷积信号具有抗干扰强，不容易受过渡电阻和线路对侧系统运行方式的影响的特性，能够适用于风电场环境下的输电网故障测距。
为了更好地理解上述技术方案，下面将参照附图更详细地描述本发明的示例性实施例。虽然附图中显示了本发明的示例性实施例，然而应当理解，可以以各种形式实现本发明而不应被这里阐述的实施例所限制。相反，提供这些实施例是为了能够更透彻地理解本发明，并且能够将本发明的范围完整地传达给本领域的技术人员。
作为一种实现方案，图1为本发明实施例方案涉及的故障测距系统的硬件运行环境的架构示意图。
如图1所示，该故障测距系统可以包括：处理器1001，例如CPU，存储器1005，用户接口1003，网络接口1004，通信总线1002。其中，通信总线1002用于实现这些组件之间的连接通信。用户接口1003可以包括显示屏（Display）、输入单元比如键盘（Keyboard），可选用户接口1003还可以包括标准的有线接口、无线接口。网络接口1004可选的可以包括标准的有线接口、无线接口（如WI-FI接口）。存储器1005可以是高速RAM存储器，也可以是稳定的存储器（non-volatile memory），例如磁盘存储器。存储器1005可选的还可以是独立于前述处理器1001的存储装置。
本领域技术人员可以理解，图1中示出的故障测距系统的架构并不构成对故障测距系统的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件布置。
如图1所示，作为一种存储介质的存储器1005中可以包括操作系统、网络通信模块、用户接口模块以及故障测距程序。其中，操作系统是管理和控制故障测距系统的硬件和软件资源的程序，故障测距程序以及其他软件或程序的运行。
在图1所示的故障测距系统中，用户接口1003主要用于连接终端，与终端进行数据通信；网络接口1004主要用于后台服务器，与后台服务器进行数据通信；处理器1001可以用于调用存储器1005中存储的故障测距程序。
在本实施例中，故障测距系统包括：存储器1005、处理器1001及存储在所述存储器上并可在所述处理器上运行的故障测距程序，其中：
处理器1001调用存储器1005中存储的故障测距程序时，执行以下操作：
在风电场出现故障时，获取预设时长内，所述风电场的送出线路上设置的行波耦合器采集的故障特征信号；
基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号；
将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点；
根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。
处理器1001调用存储器1005中存储的故障测距程序时，执行以下操作：
通过行波耦合器采集所述送出线路的故障行波信号；
基于凯伦贝尔线模变换矩阵，对所述故障行波信号作解耦处理，得到所述故障行波信号的线模分量；
将所述线模分量作为所述故障特征信号。
处理器1001调用存储器1005中存储的故障测距程序时，执行以下操作：
基于最大相关峭度求解函数，确定所述故障特征信号对应的目标滤波向量；
将所述目标滤波向量和所述故障特征信号的卷积结果，确定为所述解卷积信号。
处理器1001调用存储器1005中存储的故障测距程序时，执行以下操作：
确定所述解卷积信号的原始矩阵；
确定间隔距离m；
根据所述间隔距离和预设波速的比值，确定每一次的移动步长；
根据所述测距线路总长度和所述移动步长的比值，确定移动次数；
根据所述移动步长和移动次数，将所述原始矩阵的元素循环右移，得到变换矩阵；
将所述原始矩阵分别与所述变换矩阵的每一行进行哈达玛积计算，确定测距矩阵；
根据所述测距矩阵，构建所述解卷积信号的特征函数。
处理器1001调用存储器1005中存储的故障测距程序时，执行以下操作：
根据所述预设波速、测距线路总长度和预设的初始采样时间，确定采样时窗；
根据所述采样时窗、原始矩阵中的向量个数、移动次数和所述测距矩阵，确定所述解卷积信号的特征函数。
处理器1001调用存储器1005中存储的故障测距程序时，执行以下操作：
获取所述故障点对应的目标测距距离；
若所述正弦值为负值，确定所述测距结果为第一测距结果，其中，所述第一测距结果为所述目标测距距离的一半；
若所述正弦值为正值，确定所述测距结果为第二测距结果，其中，所述第二测距结果为测距线路总长度与所述第一测距结果的差值。
基于上述基于电力系统继电保护技术的故障测距系统的硬件架构，提出本发明故障测距方法的实施例。
参照图2，在第一实施例中，所述故障测距方法包括以下步骤：
步骤S10，在风电场出现故障时，获取预设时长内，所述风电场的送出线路上设置的行波耦合器采集的故障特征信号；
在本实施例中，在风电场的送出线路上安装行波耦合器，用于采集故障特征信号，并在行波耦合器上配置传感器和数据采集设备，用于获取行波耦合器采集的信号数据。风电场正常运行期间，通过行波耦合器采集到的信号数据进行记录和存储。当风电场出现故障时，及时触发故障检测系统开始采集故障特征信号，并记录采集时长。
行波耦合器（Traveling Wave Coupler）是一种用于传输信号的微波器件。它通常用于将信号从一个传输线传送到另一个传输线，同时保持信号的相位和幅度不变。行波耦合器的工作原理基于行波的传输，其中行波是指沿着传输线以固定速度传播的电磁波。该器件包含两个平行的传输线，分别称为主线和副线。主线是信号输入端和输出端所在的传输线，而副线是用于耦合信号的传输线。当信号从主线输入时，行波耦合器的结构会引导一部分信号通过副线，而另一部分信号则继续在主线上传输。通过适当设计行波耦合器的结构和尺寸，可以实现在主线和副线之间的能量传递，同时保持信号的传输特性。
对于风电场的输电网而言，其通常采用高压直流输电线路，因为高压直流输电线路一般很长，其正负极存在电磁耦合现象，需要对电路中采集到的电压信号进行解耦，解耦为独立的线模分量和零模分量，因为零模分量沿线路衰减严重，所以使用线模分量来表示故障特征信号，从而提取出故障特征信号，即，故障特征信号表征为对采集到的电压信号进行解耦得到的线模分量。
可选地，故障特征信号的确定方式，首先通过行波耦合器采集所述送出线路的故障行波信号，然后基于凯伦贝尔线模变换矩阵，对所述故障行波信号作解耦处理，得到所述故障行波信号的线模分量，最后将所述线模分量作为所述故障特征信号。
需要说明的是，采用上述确定方式的有益效果至少在于：在实际的线路中送端和受端一般装有平波电抗器，当频率较高时，边界特性为高阻抗特性，相当于开路，所以测量不到电流行波信号，而电压互感器传变高频信号的能力较差，所以一般不用电压互感器来测量电压行波信号。使用行波耦合箱，当故障电压行波信号经过行波耦合箱时产生电流信号，再利用电流互感器测量电流信号来间接测量电压信号。
而利用凯伦贝尔线模变换矩阵对采集到的故障行波信号进行解耦得到线模分量的理由在于，因为高压直流输电线路一般很长，其正负极存在电磁耦合，所以需要对信号进行解耦，解耦为独立的线模分量和零模分量，因为零模分量沿线路衰减严重，所以使用线模分量来进行分析。
步骤S20，基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号；
在本实施例中，在得到故障特征信号之后，基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号。这一步骤的目的在于突出故障特征信号中的故障冲击成分（或故障信息），减少风电场环境下的噪声影响。
峭度是描述信号非高斯性的统计量，用于度量信号的尖锐程度和峰值特性。最大相关峭度解卷积算法通过计算信号的峭度，并寻找峭度值最大的解卷积信号，以实现信号的还原。在这一步骤中，通过解卷积可以消除信号经过传输或处理过程中引入的失真、模糊或干扰，恢复信号的清晰度和准确性，解卷积后的信号可以更好地用于信号分析、故障诊断、特征提取等应用，提高对信号的理解和判别能力。
步骤S30，将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点；
在得到故障特征信号对应的解卷积信号之后，将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点。其中，将解卷积信号作为曲线的纵坐标，距离为横坐标。这一步骤的目的在于，解卷积信号在行波过程中保持不变的，在风电场输电网的送出线路上的某个点位出现故障时，送出特征曲线的该点也会发生剧烈，因此将该点作为故障点。
步骤S40，根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。
在确定出故障点之后，记录故障点的坐标（x，y），计算出故障点与特征曲线的原点（0，0）之间形成的夹角的正弦值：
根据正弦值及所述特征函数变化最大的点，综合判定故障测距结果。
可选地，所述故障测距结果为：获取所述故障点（x，y）对应的目标测距距离G；
若所述正弦值为负值，将目标测距距离G的一半，即G/2作为故障测距结果；
若所述正弦值为正值，将测距线路总长度l与目标测距距离G的一半的差值，即l-G/2作为故障测距结果。
示例性地，参照图3，图3为风电经柔直送出系统仿真模型示意图，其中，输电线路为海底电缆，线路全长78km，电压等级为500kV。假设在距离场站侧20km处出现一故障，过渡电阻设置为0.01Ω，采样率为200kHz。
测试人员基于上述方案，测量出如图4所示的基于解卷积信号构建的特征曲线中的特征信号变化最大点示意图，该点的坐标值为（40.02，-3.815e+43），该点即为故障点，由于y坐标值为负，得到的正弦值也为负，因此取故障测距结果为G/2=20.01，与预设故障处的距离误差为0.01km，符合预期。
在本实施例提供的技术方案中，通过获取风电场的送出线路上设置的行波耦合器采集的故障特征信号，将故障特征信号基于最大相关峭度解卷积算法得到解卷积信号后，将解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点，根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。由于基于最大相关峭度解卷积算法得到的解卷积信号具有抗干扰强，不容易受过渡电阻和线路对侧系统运行方式的影响的特性，能够适用于风电场环境下的输电网故障测距，达到了提高故障距离的检测精度的效果。
参照图5，在第二实施例中，基于任一实施例，所述步骤S20包括：
步骤S21，基于最大相关峭度求解函数，确定所述故障特征信号对应的目标滤波向量；
步骤S22，将所述目标滤波向量和所述故障特征信号的卷积结果，确定为所述解卷积信号。
作为一可选实施例，本实施提供一种解卷积信号的计算方式。
首先将故障特征信号代入至预设的最大相关峭度求解函数得到目标滤波向量：
其中，T为周期，N为故障特征信号构成的原始矩阵中元素的个数，m为采样间隔距离，M为移位数，f为长度为k的滤波器向量。
需要说明的是，越高阶移位数M越能够提高故障检测能力，然而，测试人员经过测试发现，当M>7时，此迭代方法会因为超出浮点指数范围而降低计算精度，因此，M可以取7作为最优取值，此时得到的目标滤波向量即为最优的滤波向量。
设解卷积信号为x，故障特征信号为y：
其中，为故障冲击，h为传递函数，e为噪声干扰，均为已知量。
最后，将目标滤波向量f和所述故障特征信号y的卷积结果，确定为所述解卷积信号x：
在本实施提供的技术方案中，基于最大相关峭度求解函数，确定所述故障特征信号对应的目标滤波向量，然后将所述目标滤波向量和所述故障特征信号的卷积结果，确定为所述解卷积信号，利用最大相关峭度解卷积方法对解耦得到的线模电压信号进行降噪和故障特征增强，得到抗干扰能力较强的解卷积信号，能够适用于风电场环境下的输电网故障测距，与第一实施例中的技术方案相结合，达到了提高故障距离的检测精度的效果。
参照图6，在第三实施例中，基于任一实施例，所述步骤S30之前，还包括：
步骤S50，确定所述解卷积信号的原始矩阵；
步骤S60，确定间隔距离m；
步骤S70，根据所述间隔距离和预设波速的比值，确定每一次的移动步长；
步骤S80，根据所述测距线路总长度和所述移动步长的比值，确定移动次数；
步骤S90，根据所述移动步长和移动次数，将所述原始矩阵的元素循环右移，得到变换矩阵；
步骤S100将所述原始矩阵分别与所述变换矩阵的每一行进行哈达玛积计算，确定测距矩阵；
步骤S110，根据所述测距矩阵，构建所述解卷积信号的特征函数。
作为一可选实施例，在本实施例中，为了便于系统快速查找到特征函数中的特征变化最大点，通过将解卷积信号的原始矩阵变换为哈达玛（Hadamard）矩阵。Hadamard矩阵是一种特殊的正交矩阵，通过将解卷积信号形成的原始矩阵进行Hadamard变换，可以将信号在频域上进行重新排列和调整。将特征函数表示为Hadamard矩阵的形式后，特征函数中的峰值和突变点会在变换后的矩阵中得到放大，并且更易于被观察和分析。在Hadamard矩阵中，峰值和突变点往往表现为较大的数值，而其他区域则相对较小。通过对Hadamard矩阵进行观察和分析，可以很容易地定位到特征函数中的特征变化最大点，即故障点的位置。
下面作示例性说明。
首先利用解卷积得到的信号x，形成原始矩阵Q：
将矩阵Q向右移动一位，前面空出的位置由最后一位替换，记作矩阵U；
计算矩阵Q和矩阵U的Hadamard乘积，得到矩阵D；
重复上述操作，直至矩阵Q中元素全部移动完成，将得出的所有Hadamard矩阵，作为测距矩阵，记作Z；
在得到测距矩阵之后，根据所述测距矩阵Z和采样间隔时间t，构建所述解卷积信号的特征函数。
进一步的，所述步骤S110包括：
步骤S111，根据所述预设波速、测距线路总长度和预设的初始采样时间，确定采样时窗；
步骤S112，根据所述采样时窗、原始矩阵中的向量个数、移动次数和所述测距矩阵，确定所述解卷积信号的特征函数。
对于如何根据所述测距矩阵Z和采样间隔时间t，构建所述解卷积信号的特征函数。
具体的，首先根据所述间隔距离和预设波速，确定采样时窗：
最后，根据所述采样时窗、原始矩阵中的向量个数、移动次数和所述测距矩阵，确定所述解卷积信号的特征函数：
在本实施例提供的技术方案中，通过将解卷积信号的原始矩阵变换为哈达玛矩阵，便于系统快速查找到特征函数中的特征变化最大点，更容易地定位到特征函数中的特征变化最大点。
此外，参照图7，本实施例还提出一种故障测距系统，所述故障测距系统包括：
故障特征信号采集模块100，用于在风电场出现故障时获取预设时长内，所述风电场的送出线路上设置的行波耦合器采集的故障特征信号；
数据处理模块200，用于基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号，将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点；
故障测距模块300，用于根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。
其中，所述故障特征信号采集模块包括：
数据采集单元101，用于采集送出线路上设置的行波耦合器二次侧输出的模拟信号；
数模转换单元102，用于将所述模拟信号转变为数字信号；
数据存储单元103，用于存储采集到的所述模拟信号和/或所述数字信号。
其中，所述数据处理模块包括：
线模分量计算单元201，用于计算故障行波信号的线模分量；
数据处理单元202，用于计算测距矩阵和测距函数，以及计算所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值。
其中，所述故障测距模块包括：
距离测量单元301，用于测量所述故障点对应的目标测距距离；
正负判断单元302，用于判断所述正弦值的正负。
此外，本领域普通技术人员可以理解的是实现上述实施例的方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成。该计算机程序包括程序指令，计算机程序可以存储于一存储介质中，该存储介质为计算机可读存储介质。该程序指令被故障测距系统中的至少一个处理器执行，以实现上述方法的实施例的流程步骤。
因此，本发明还提供一种计算机可读存储介质，所述计算机可读存储介质存储有故障测距程序，所述故障测距程序被处理器执行时实现如上实施例所述的故障测距方法的各个步骤。
其中，所述计算机可读存储介质可以是U盘、移动硬盘、只读存储器（Read-OnlyMemory，ROM）、磁碟或者光盘等各种可以存储程序代码的计算机可读存储介质。
需要说明的是，由于本申请实施例提供的存储介质，为实施本申请实施例的方法所采用的存储介质，故而基于本申请实施例所介绍的方法，本领域所属人员能够了解该存储介质的具体结构及变形，故而在此不再赘述。凡是本申请实施例的方法所采用的存储介质都属于本申请所欲保护的范围。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质（包括但不限于磁盘存储器、CD-ROM、光学存储器等）上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备（系统）、和计算机程序产品的流程图和／或方框图来描述的。应理解可由计算机程序指令实现流程图和／或方框图中的每一流程和／或方框、以及流程图和／或方框图中的流程和／或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和／或方框图一个方框或多个方框中指定的功能的步骤。
应当注意的是，在权利要求中，不应将位于括号之间的任何参考符号构造成对权利要求的限制。单词“包含”不排除存在未列在权利要求中的部件或步骤。位于部件之前的单词“一”或“一个”不排除存在多个这样的部件。本发明可以借助于包括有若干不同部件的硬件以及借助于适当编程的计算机来实现。在列举了若干装置的单元权利要求中，这些装置中的若干个可以是通过同一个硬件项来具体体现。单词第一、第二、以及第三等的使用不表示任何顺序。可将这些单词解释为名称。
尽管已描述了本发明的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明范围的所有变更和修改。
显然，本领域的技术人员可以对本发明进行各种改动和变型而不脱离本发明的精神和范围。这样，倘若本发明的这些修改和变型属于本发明权利要求及其等同技术的范围之内，则本发明也意图包含这些改动和变型在内。
Claims (11)
1.一种故障测距方法，其特征在于，所述故障测距方法包括：
在风电场出现故障时，获取预设时长内，所述风电场的送出线路上设置的行波耦合器采集的故障特征信号；
基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号；
将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点；
根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。
2.如权利要求1所述的故障测距方法，其特征在于，所述获取预设时长内，所述风电场的送出线路上设置的行波耦合器发出的故障特征信号的步骤包括：
通过行波耦合器采集所述送出线路的故障行波信号；
基于凯伦贝尔线模变换矩阵，对所述故障行波信号作解耦处理，得到所述故障行波信号的线模分量；
将所述线模分量作为所述故障特征信号。
3.如权利要求1所述的故障测距方法，其特征在于，所述基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号的步骤包括：
基于最大相关峭度求解函数，确定所述故障特征信号对应的目标滤波向量；
将所述目标滤波向量和所述故障特征信号的卷积结果，确定为所述解卷积信号。
4.如权利要求1所述的故障测距方法，其特征在于，所述将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，作为故障点的步骤之前，还包括：
确定所述解卷积信号的原始矩阵；
确定间隔距离m；
根据所述间隔距离和预设波速的比值，确定每一次的移动步长；
根据所述测距线路总长度和所述移动步长的比值，确定移动次数；
根据所述移动步长和移动次数，将所述原始矩阵的元素循环右移，得到变换矩阵；
将所述原始矩阵分别与所述变换矩阵的每一行进行哈达玛积计算，确定测距矩阵；
根据所述测距矩阵，构建所述解卷积信号的特征函数。
5.如权利要求4所述的故障测距方法，其特征在于，根据所述测距矩阵，构建所述解卷积信号的特征函数的步骤包括：
根据所述预设波速、测距线路总长度和预设的初始采样时间，确定采样时窗；
根据所述采样时窗、原始矩阵中的向量个数、移动次数和所述测距矩阵，确定所述解卷积信号的特征函数。
6.如权利要求1至5任一项所述的故障测距方法，其特征在于，根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果的步骤包括：
获取所述故障点对应的目标测距距离；
若所述正弦值为负值，确定所述测距结果为第一测距结果，其中，所述第一测距结果为所述目标测距距离的一半；
若所述正弦值为正值，确定所述测距结果为第二测距结果，其中，所述第二测距结果为测距线路总长度与所述第一测距结果的差值。
7.一种故障测距系统，其特征在于，所述故障测距系统包括：
故障特征信号采集模块，用于在风电场出现故障时获取预设时长内，所述风电场的送出线路上设置的行波耦合器采集的故障特征信号；
数据处理模块，用于基于最大相关峭度解卷积算法，确定所述故障特征信号对应的解卷积信号，将基于所述解卷积信号构建的特征曲线中的特征信号变化最大点，确定为故障点；
故障测距模块，用于根据所述故障点，以及所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值，确定故障测距结果。
8.如权利要求7所述的故障测距系统，其特征在于，所述故障特征信号采集模块包括：
数据采集单元，用于采集送出线路上设置的行波耦合器二次侧输出的模拟信号；
数模转换单元，用于将所述模拟信号转变为数字信号；
数据存储单元，用于存储采集到的所述模拟信号和/或所述数字信号。
9.如权利要求7所述的故障测距系统，其特征在于，所述数据处理模块包括：
线模分量计算单元，用于计算故障行波信号的线模分量；
数据处理单元，用于计算测距矩阵和测距函数，以及计算所述故障点的坐标与特征曲线的原点之间构成的夹角的正弦值。
10.如权利要求7所述的故障测距系统，其特征在于，所述故障测距模块包括：
距离测量单元，用于测量所述故障点对应的目标测距距离；
正负判断单元，用于判断所述正弦值的正负。
11.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有故障测距程序，所述故障测距程序被处理器执行时实现如权利要求1至6中任一项所述的故障测距方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310797321.8A CN116520095B (zh) | 2023-07-03 | 2023-07-03 | 故障测距方法、系统以及计算机可读存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310797321.8A CN116520095B (zh) | 2023-07-03 | 2023-07-03 | 故障测距方法、系统以及计算机可读存储介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN116520095A true CN116520095A (zh) | 2023-08-01 |
| CN116520095B CN116520095B (zh) | 2023-09-12 |
Family
ID=87403297
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310797321.8A Active CN116520095B (zh) | 2023-07-03 | 2023-07-03 | 故障测距方法、系统以及计算机可读存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116520095B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117517876A (zh) * | 2024-01-04 | 2024-02-06 | 昆明理工大学 | 直流输电线路的故障定位方法、故障定位设备及存储介质 |
Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002095633A2 (en) * | 2001-05-24 | 2002-11-28 | Simmonds Precision Products, Inc. | Method and apparatus for determining the health of a component using condition indicators |
| US20100014606A1 (en) * | 2008-07-16 | 2010-01-21 | Industrial Technology Research Institute | Symbol detector and sphere decoding method |
| US20120098481A1 (en) * | 2010-10-22 | 2012-04-26 | Nucleus Scientific, Inc. | Apparatus and Method for Rapidly Charging Batteries |
| CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
| CN103430551A (zh) * | 2011-01-14 | 2013-12-04 | 索尼公司 | 使用具有纵色像差的透镜单元的成像系统及其操作方法 |
| CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 |
| US20170356936A1 (en) * | 2016-05-11 | 2017-12-14 | Mcmaster University | Enhanced system and method for conducting pca analysis on data signals |
| CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
| WO2020012298A1 (en) * | 2018-07-09 | 2020-01-16 | University Of Iowa Research Foundation | Pattern and delay recovery with higher-order spectra |
| CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
| CN112345880A (zh) * | 2020-09-19 | 2021-02-09 | 昆明理工大学 | 一种双馈风电场站送出线路故障选相方法 |
| CN112686096A (zh) * | 2020-12-03 | 2021-04-20 | 昆明理工大学 | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 |
| CN112945546A (zh) * | 2021-01-20 | 2021-06-11 | 南京航空航天大学 | 一种齿轮箱复杂故障精确诊断方法 |
| CN114118172A (zh) * | 2021-12-13 | 2022-03-01 | 山东理工大学 | 离散零极点滤波器风电齿轮箱轮齿故障振动识别方法 |
| CN114113890A (zh) * | 2021-11-23 | 2022-03-01 | 国网江西省电力有限公司电力科学研究院 | 基于行波模量传输时差的多端融合配电网故障定位方法 |
| CN114124038A (zh) * | 2021-11-11 | 2022-03-01 | 大连理工大学 | 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 |
| CN114707537A (zh) * | 2022-03-10 | 2022-07-05 | 三峡大学 | 基于自适应vmd和优化cycbd的旋转机械故障特征提取方法 |
| CN115470829A (zh) * | 2022-09-30 | 2022-12-13 | 上海电机学院 | 基于imvo优化mckd去噪的滚动轴承故障诊断方法 |
| CN115563482A (zh) * | 2022-10-22 | 2023-01-03 | 福州大学 | 基于声强图像与特征信号提取的液压马达故障预定位方法 |
| CN116087693A (zh) * | 2023-04-13 | 2023-05-09 | 昆明理工大学 | 一种lcc-hvdc输电线路单端测距方法及系统 |
-
2023
- 2023-07-03 CN CN202310797321.8A patent/CN116520095B/zh active Active
Patent Citations (20)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| WO2002095633A2 (en) * | 2001-05-24 | 2002-11-28 | Simmonds Precision Products, Inc. | Method and apparatus for determining the health of a component using condition indicators |
| US20100014606A1 (en) * | 2008-07-16 | 2010-01-21 | Industrial Technology Research Institute | Symbol detector and sphere decoding method |
| US20120098481A1 (en) * | 2010-10-22 | 2012-04-26 | Nucleus Scientific, Inc. | Apparatus and Method for Rapidly Charging Batteries |
| CN103430551A (zh) * | 2011-01-14 | 2013-12-04 | 索尼公司 | 使用具有纵色像差的透镜单元的成像系统及其操作方法 |
| CN102519726A (zh) * | 2011-12-28 | 2012-06-27 | 昆明理工大学 | 一种针对滚动轴承复合故障的声学诊断方法 |
| CN103471848A (zh) * | 2013-08-20 | 2013-12-25 | 哈尔滨工程大学 | 基于独立分量分析和倒频谱理论的滚动轴承故障特征提取方法 |
| US20170356936A1 (en) * | 2016-05-11 | 2017-12-14 | Mcmaster University | Enhanced system and method for conducting pca analysis on data signals |
| WO2020012298A1 (en) * | 2018-07-09 | 2020-01-16 | University Of Iowa Research Foundation | Pattern and delay recovery with higher-order spectra |
| CN110470475A (zh) * | 2019-09-04 | 2019-11-19 | 中国人民解放军空军工程大学航空机务士官学校 | 一种航空发动机中介轴承早期微弱故障诊断方法 |
| CN111623982A (zh) * | 2020-06-15 | 2020-09-04 | 大连理工大学 | 一种基于apewt和imomeda的行星齿轮箱早期故障诊断方法 |
| CN112345880A (zh) * | 2020-09-19 | 2021-02-09 | 昆明理工大学 | 一种双馈风电场站送出线路故障选相方法 |
| CN112686096A (zh) * | 2020-12-03 | 2021-04-20 | 昆明理工大学 | 基于多尺度散布熵和vpmcd的滚动轴承故障诊断方法 |
| CN112945546A (zh) * | 2021-01-20 | 2021-06-11 | 南京航空航天大学 | 一种齿轮箱复杂故障精确诊断方法 |
| CN114124038A (zh) * | 2021-11-11 | 2022-03-01 | 大连理工大学 | 一种基于解卷积增强的滚动轴承声信号微弱故障诊断方法 |
| CN114113890A (zh) * | 2021-11-23 | 2022-03-01 | 国网江西省电力有限公司电力科学研究院 | 基于行波模量传输时差的多端融合配电网故障定位方法 |
| CN114118172A (zh) * | 2021-12-13 | 2022-03-01 | 山东理工大学 | 离散零极点滤波器风电齿轮箱轮齿故障振动识别方法 |
| CN114707537A (zh) * | 2022-03-10 | 2022-07-05 | 三峡大学 | 基于自适应vmd和优化cycbd的旋转机械故障特征提取方法 |
| CN115470829A (zh) * | 2022-09-30 | 2022-12-13 | 上海电机学院 | 基于imvo优化mckd去噪的滚动轴承故障诊断方法 |
| CN115563482A (zh) * | 2022-10-22 | 2023-01-03 | 福州大学 | 基于声强图像与特征信号提取的液压马达故障预定位方法 |
| CN116087693A (zh) * | 2023-04-13 | 2023-05-09 | 昆明理工大学 | 一种lcc-hvdc输电线路单端测距方法及系统 |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117517876A (zh) * | 2024-01-04 | 2024-02-06 | 昆明理工大学 | 直流输电线路的故障定位方法、故障定位设备及存储介质 |
| CN117517876B (zh) * | 2024-01-04 | 2024-05-03 | 昆明理工大学 | 直流输电线路的故障定位方法、故障定位设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN116520095B (zh) | 2023-09-12 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| EP3043186B1 (en) | Method and system for identifying full parameters of element by fault recorder, and fault locating method | |
| CN101907437B (zh) | 一种基于小波差分算法的电缆故障测距方法 | |
| CN109001594B (zh) | 一种故障行波定位方法 | |
| Preston et al. | New settings-free fault location algorithm based on synchronised sampling | |
| CN116520095B (zh) | 故障测距方法、系统以及计算机可读存储介质 | |
| CN109375060B (zh) | 一种配电网故障波形相似度计算方法 | |
| CN109523165B (zh) | 一种基于有限信息的电压暂降状态估计方法 | |
| CN109596944B (zh) | 线缆检测方法、装置及电子设备 | |
| CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
| Huai et al. | Single-ended line fault location method for multi-terminal HVDC system based on optimized variational mode decomposition | |
| CN114879085B (zh) | 单相接地故障识别方法、装置、电子设备及介质 | |
| CN112782539A (zh) | 一种电缆绝缘缺陷检测方法及检测系统 | |
| CN110045186B (zh) | 电力系统公共连接点处的系统谐波阻抗估计方法和系统 | |
| CN116338525B (zh) | 一种风电交流送出线路故障测距方法及系统 | |
| CN117192292B (zh) | 一种雷击接地极线路故障测距方法及系统 | |
| Reis et al. | An improved single-ended correlation-based fault location technique using traveling waves | |
| CN110161375B (zh) | 一种基于分布电阻参数的高压直流输电线路计算模型 | |
| CN111537776A (zh) | 一种行波波头标定方法、装置、终端以及介质 | |
| CN117748507B (zh) | 基于高斯回归模型的配网谐波接入不确定性评估方法 | |
| Lin et al. | A new fault location technique for three-terminal transmission grids using unsynchronized sampling | |
| Zhu et al. | Injection amplitude guidance for impedance measurement in power systems | |
| Feng et al. | Identification of faults using sparse optimization | |
| Huai et al. | Combined line fault location method for MMC–HVDC transmission systems | |
| CN115313329A (zh) | 一种用于快速行波保护的频带范围选取方法及相关装置 | |
| CN111521909B (zh) | 基于线零模波速差的复杂结构电网故障单端测距方法 |
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 | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |