CN116840671A - 一种基于智能融合断路器的故障预警与精确定位方法 - Google Patents
一种基于智能融合断路器的故障预警与精确定位方法 Download PDFInfo
- Publication number
- CN116840671A CN116840671A CN202310680265.XA CN202310680265A CN116840671A CN 116840671 A CN116840671 A CN 116840671A CN 202310680265 A CN202310680265 A CN 202310680265A CN 116840671 A CN116840671 A CN 116840671A
- Authority
- CN
- China
- Prior art keywords
- value
- discharge
- traveling wave
- fault
- discharge state
- 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 38
- 230000004927 fusion Effects 0.000 title claims abstract description 17
- 239000011159 matrix material Substances 0.000 claims abstract description 21
- 230000004044 response Effects 0.000 claims abstract description 10
- 238000009825 accumulation Methods 0.000 claims abstract description 6
- 238000009413 insulation Methods 0.000 claims abstract description 6
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000009466 transformation Effects 0.000 claims description 7
- 238000000354 decomposition reaction Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000007599 discharging Methods 0.000 claims 2
- 238000001514 detection method Methods 0.000 abstract description 5
- 230000005540 biological transmission Effects 0.000 description 4
- 238000004891 communication Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 4
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 2
- 238000002347 injection Methods 0.000 description 2
- 239000007924 injection Substances 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000007704 transition Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 230000003111 delayed effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 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
- G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于智能融合断路器的故障预警与精确定位方法,属于电路故障检测技术领域,包括数据采集单元获取不同线路放电状态下的响应数据,基于响应数据得到不同放电状态下的行波特征值的平均值和标准方差;基于获取的行波特征值的平均值和标准方差,并根据放电程度模糊集确定不同放电状态的正态隶属度函数;根据不同的放电状态和绝缘损坏累积概念,构建放电状态相似矩阵;基于不同放电状态的正态隶属度函数得到计算取值模糊子集A’,基于放电状态相似矩阵的上三角元素得到经验取值模糊子集A;基于当前放电状态,根据贴近度公式得到的A和A’的贴近度,得到贴近度最近的预测放电状态,并结合断路器进行故障预警。
Description
技术领域
本发明涉及电路故障检测技术领域,具体涉及一种基于智能融合断路器的故障预警与精确定位方法。
背景技术
随着现代工业的发展,电网建设也逐渐向着智能化发展,绿色、高效、可持续发展是电力建设的焦点,人们对用电的可靠性和电力质量的要求渐渐增高,以智能馈线终端、分布式数据传输和控制技术为主要依靠的智能电网可以提高电力系统的安全性、可靠性和电力质量。
配电网作为电力系统的末端,直接与用户接触,其电力质量和可靠性对人们的生活影响较大。由于配电网的建设通常滞后与地区和输电网的建设,导致配电网的管理和电力质量难以提高。根据统计发现,电力系统中的故障事件大概80%都处于配网系统,且大量的电力损耗也发生在配网。当前配网自动化程度远不如输电系统,同时林区和农村配电网区域广泛,故障时容易发生山火等问题,导致配网的自动化水平急需提高,来保证配网供电的质量、安全性和可靠性。
目前随着大量的自动化终端设备、数据传输设备和通信装置等在配电网的应用,能够实时地获取线路的运行信息,从而为各种故障定位新方法提供了信息基础。近年来大量的研究人员提出了许多的故障定位方案,主要定位原理分为4种:阻抗法、行波法、S信号注入法和广域通信法。阻抗法利用故障时刻的电压和电流计算线路的阻抗来分析故障距离,由于线路阻抗容易被过渡电阻和线路支路影响,导致该方法测距精度较低。S信号注入法通过故障时向线路首端注入特征信号,根据特征信号的传播路径来确定故障位置,由于注入的特性信号易受分布式电容和过渡电阻的影响,且部分特征信号如直流信号和脉冲信号对电力设备有一定的影响,所以该方法定位结果不可靠。广域通信法主要利用设置在线路上的测量设备上传的数据来定位故障区段,但是该方法对设备的采样率和通信要求较高,需要一定数量的测量设备才能够有足够的精度,且对于高阻接地故障不够灵敏。
发明内容
为此,本发明提供一种基于智能融合断路器的故障预警与精确定位方法,以解决现有技术中由于传统的在线监测方式难以应用而导致的故障搜寻困难,故障消除难度大的问题。
为了实现上述目的,本发明提供如下技术方案:
一种基于智能融合断路器的故障预警与精确定位方法,包括以下步骤:
S1:数据采集单元获取不同线路放电状态下的响应数据,基于所述响应数据得到不同放电状态下的行波特征值的平均值和标准方差;
S2:基于获取的所述行波特征值的平均值和标准方差,并根据放电程度模糊集确定不同放电状态的正态隶属度函数;
S3:根据不同的放电状态和绝缘损坏累积概念,构建放电状态相似矩阵;
S4:基于不同放电状态的所述正态隶属度函数得到计算取值模糊子集A’,基于所述放电状态相似矩阵的上三角元素得到经验取值模糊子集A;
S5:基于当前放电状态,根据贴近度公式得到的所述经验取值模糊子集A和所述计算取值模糊子集A’的贴近度,得到贴近度最近的预测放电状态,并结合断路器进行故障预警。
进一步地,所述放电程度模糊集为:
其中,λ为不同放电状态的特征值,uH(λ)为正常状态下的正态隶属度函数,λH为正常状态下的行波特征值的平均值,σH为正常状态下的行波特征值的标准方差;uL(λ)为轻微放电状态下的正态隶属度函数,λL为轻微放电状态下的行波特征值的平均值,σL为轻微放电状态下的行波特征值的标准方差;uM(λ)为中度放电状态下的正态隶属度函数,λM为中度放电状态下的行波特征值的平均值,σM为中度放电状态下的行波特征值的标准方差;uS(λ)为严重放电状态下的正态隶属度函数,λS为严重放电状态下的行波特征值的平均值,σS为严重放电状态下的行波特征值的标准方差。
进一步地,所述放电状态相似矩阵为:
其中,矩阵中的各元素SMxy表示任意两个放电程度模糊集x与y的重叠度,其取值范围为区间[0,1]。
进一步地,所述经验取值模糊子集A为:
其中,SMxy表示任意两个不相同的放电程度模糊集x与y的重叠度,其取值范围为区间[0,1],τi为不相同的放电程度模糊集x与y重叠的第i个元素,i取值范围为大于等于1小于等于6的整数。
进一步地,所述计算取值模糊子集A’为:
其中,ui为第i个重叠的不相同的放电程度模糊集x与y的正态隶属度函数的比值,其取值范围为区间[0,1],τi为不相同的放电程度模糊集x与y重叠的第i个元素,i取值范围为大于等于1小于等于6的整数。
进一步地,所述贴近度公式为:
max D=1-d(A,A′);
其中,A’为计算取值模糊子集,A为经验取值模糊子集,d(A,A′)为A’与A之间的距离。
进一步地,所述任意两个放电程度模糊集x与y的重叠度的计算公式为:
其中,x,y表示两个模糊子集,x·y和分别表示两个模糊子集的外积和内积。
进一步地,还包括以下步骤:
步骤S6:发生故障时刻瞬间,利用小波分析不同频率下的幅值与时间对应关系,确定故障时刻点;
步骤S7:通过互相关值的最大值将故障点两侧的行波波头进行对齐,求得时间差,基于行波双端故障测距和时间差,精确定位故障点的位置。
进一步地,所述步骤S6中小波分析,具体包括:
S601:将小波从小尺度拉伸到大尺度,然后把不同尺度的小波依次从0位移到信号的完整长度,并不断积分,完成小波变换;
S602:基于小波变换,对原始信号进行三层离散小波分解,利用第三层离散小波分解的细节系数即可求得故障时刻点。
进一步地,所述步骤S7中通过互相关值的最大值将故障点两侧的行波波头进行对齐,求得时间差,具体包括:
S701:对两个行波x1和x2进行卷积计算,具体为将其中一个信号反转,然后再平移,求出两者之间的重合部分;
S702:根据相关性最大值所在的索引t21,利用相关性最大处的索引值减去行波x1的长度得到指数值index;
S703:根据步骤S701中求的重合部分为两个波形之间相似度最大的部分,则其一个波形移动的距离为两者之间相似度最大点的时间差。
本发明具有如下优点:
本发明通过数据采集单元获取线路放电状态下的响应数据,并设置线路放电状态模糊集矩阵服从正态分布。计算线路放电状态的特征值λ,同时计算相对应的平均值和标准方差,可以确定线路放电状态隶属度函数。基于各个线路放电状态隶属度函数确定计算取值模糊子集A’。根据不同的放电状态和绝缘损坏累积概念,构建放电状态相似矩阵,基于放电状态相似矩阵的上三角元素得到经验取值模糊子集A。基于当前放电状态,根据贴近度公式得到的经验取值模糊子集A和计算取值模糊子集A’的贴近度,得到贴近度最近的预测放电状态,并结合断路器进行故障预警。
本发明通过预测当前放电状态的下一放电状态和行波定位方法,可以快速确定故障区间以及故障精确位置,可以自动、精确、快速地识别波头,自动化实现故障精确定位,就地判断是否存在隐患放电并发出预警。
附图说明
为了更清楚地说明本发明的实施方式或现有技术中的技术方案,下面将对实施方式或现有技术描述中所需要使用的附图作简单地介绍。显而易见地,下面描述中的附图仅仅是示例性的,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图引伸获得其它的实施附图。
本说明书所绘示的结构、比例、大小等,均仅用以配合说明书所揭示的内容,以供熟悉此技术的人士了解与阅读,并非用以限定本发明可实施的限定条件,故不具技术上的实质意义,任何结构的修饰、比例关系的改变或大小的调整,在不影响本发明所能产生的功效及所能达成的目的下,均应仍落在本发明所揭示的技术内容得能涵盖的范围内。
图1为本发明提供的故障预警与精确定位方法的流程图;
图2为本发明提供的故障预警与精确定位方法中步骤S6的具体流程图;
图3为本发明提供的故障预警与精确定位方法中步骤S7的具体流程图。
图4为本发明提供的故障预警与精确定位方法中步骤S7的行波定位原理图。
具体实施方式
以下由特定的具体实施例说明本发明的实施方式,熟悉此技术的人士可由本说明书所揭露的内容轻易地了解本发明的其他优点及功效,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。
传统的在线监测方式难以应用,为实现对配电网线路运行情况的提前感知,同时在发生故障时能够实现快速精确定位故障点,如图1所示的,提供了一种基于智能融合断路器的故障预警与精确定位方法,包括以下步骤:
S1:数据采集单元获取不同线路放电状态下的响应数据,基于响应数据得到不同放电状态下的行波特征值的平均值和标准方差;
S2:基于获取的行波特征值的平均值和标准方差,并根据放电程度模糊集确定不同放电状态的正态隶属度函数;
S3:根据不同的放电状态和绝缘损坏累积概念,构建放电状态相似矩阵;
S4:基于不同放电状态的正态隶属度函数得到计算取值模糊子集A’,基于放电状态相似矩阵的上三角元素得到经验取值模糊子集A;
S5:基于当前放电状态,根据贴近度公式得到的经验取值模糊子集A和计算取值模糊子集A’的贴近度,得到贴近度最近的预测放电状态,并结合断路器进行故障预警。
本发明通过数据采集单元获取线路放电状态下的响应数据,并设置线路放电状态模糊集矩阵服从正态分布。计算线路放电状态的特征值λ,同时计算相对应的平均值和标准方差,可以确定线路放电状态隶属度函数。基于各个线路放电状态隶属度函数确定计算取值模糊子集A’。根据不同的放电状态和绝缘损坏累积概念,构建放电状态相似矩阵,基于放电状态相似矩阵的上三角元素得到经验取值模糊子集A。基于当前放电状态,根据贴近度公式得到的经验取值模糊子集A和计算取值模糊子集A’的贴近度,得到贴近度最近的预测放电状态,并结合断路器进行故障预警。
本发明通过预测当前放电状态的下一放电状态和行波定位方法,可以快速确定故障区间以及故障精确位置,可以自动、精确、快速地识别波头,自动化实现故障精确定位,就地判断是否存在隐患放电并发出预警。
进一步地,放电程度模糊集为:
其中,λ为不同放电状态的特征值,uH(λ)为正常状态下的正态隶属度函数,λH为正常状态下的行波特征值的平均值,σH为正常状态下的行波特征值的标准方差;uL(λ)为轻微放电状态下的正态隶属度函数,λL为轻微放电状态下的行波特征值的平均值,σL为轻微放电状态下的行波特征值的标准方差;uM(λ)为中度放电状态下的正态隶属度函数,λM为中度放电状态下的行波特征值的平均值,σM为中度放电状态下的行波特征值的标准方差;uS(λ)为严重放电状态下的正态隶属度函数,λS为严重放电状态下的行波特征值的平均值,σS为严重放电状态下的行波特征值的标准方差。
进一步地,放电状态相似矩阵为:
其中,矩阵中的各元素SMxy表示任意两个放电程度模糊集x与y的重叠度,其取值范围为区间[0,1]。
进一步地,经验取值模糊子集A为:
具体为/>
其中,SMxy表示任意两个不相同的放电程度模糊集x与y的重叠度,其取值范围为区间[0,1],τi为不相同的放电程度模糊集x与y重叠的第i个元素,i取值范围为大于等于1小于等于6的整数。
进一步地,计算取值模糊子集A’为:
具体为/>即
其中,ui为第i个重叠的不相同的放电程度模糊集x与y的正态隶属度函数的比值,其取值范围为区间[0,1],τi为不相同的放电程度模糊集I与L重叠的第i个元素,i取值范围为大于等于1小于等于6的整数。
上述符号“+”表示联系符号,不代表相加的意思。
进一步地,贴近度公式为:
max D=1-d(A,A′);
其中,A’为计算取值模糊子集,A为经验取值模糊子集,d(A,A′)为A’与A之间的距离。
D值越大表明两个模糊集A和A’相似度越高。
进一步地,任意两个放电程度模糊集I与L的重叠度的计算公式为:
其中,x,y表示两个模糊子集,x·y和分别表示两个模糊子集的外积和内积。
计算线路放电状态的小波能量指数作为特征值。如,采集到线路“正常”情况下的各特征值如下表1所示,然后将其平均值λH=0.0024和标准差σH=0.0008代入公式uH(λ),可以识别该状态为“正常”状态模糊集隶属度函数。
表1线路为“正常”状态下的各检测点的特征值
设置专家预测的放电状态相似矩阵为
则可以得到经验取值模糊子集
确定4种不同放电状态行波特征值的算术平均值和标准方差如下表2所示,
表2 4种不同放电状态行波特征值
上述不同放电状态的行波特征值的算术平均值和标准方差分别代入公式uH(λ)、uL(λ)、uM(λ)和uS(λ),然后代入算取值模糊子集A’。
基于当前状态为正常状态,将和代入贴近度计算公式,比较A和A’中哪组的贴近度最高,如果与/>的贴近度高,得到“正常”和“轻度”放电贴进度较高,从而能够更好寻找到各放电状态的联系,对轻度放电状态进行预警。
进一步地,还包括以下步骤:
步骤S6:发生故障时刻瞬间,利用小波分析不同频率下的幅值与时间对应关系,确定故障时刻点;
步骤S7:通过互相关值的最大值将故障点两侧的行波波头进行对齐,求得时间差,基于行波双端故障测距和时间差,精确定位故障点的位置。
进一步地,步骤S6中小波分析,如图2所示的,具体包括:
S601:将小波从小尺度拉伸到大尺度,然后把不同尺度的小波依次从0位移到信号的完整长度,并不断积分,完成小波变换;
S602:基于小波变换,对原始信号进行三层离散小波分解,利用第三层离散小波分解的细节系数即可求得故障时刻点。
小波变换的计算公式为:
具体步骤为:
1)将小波ψ(t)放到原始信号f(t)的开头处进行比较。
2)计算小波系数C,C其实也表示了小波与信号这一部分的相关程度。C越大,说明相似度越高。
3)将小波向右平移,距离为b,小波函数变为ψ(t-b)。并且重复步骤1和2,直到小波位移完整个信号f(t)。
4)扩展小波的尺度,比如扩展一倍,小波函数变为ψ(t2)。然后重复步骤1~3。
5)重复步骤1~4直到小波已经拓展到规定的最大尺度。
进一步地,步骤S7中通过互相关值的最大值将故障点两侧的行波波头进行对齐,求得时间差,如图3所示的,具体包括:
S701:对两个行波x1和x2进行卷积计算,具体为将其中一个信号反转,然后再平移,求出两者之间的重合部分;
S702:根据相关性最大值所在的索引t21,利用相关性最大处的索引值减去行波x1的长度得到指数值index;若index=0,则说明刚好两个行波x1和x2刚好对齐;若index>0,则说明行波x1领先行波x2有index个点;若index<0,则说明行波x1落后行波x2有index个点。
S703:根据步骤S701中求的重合部分为两个波形之间相似度最大的部分,则其一个波形移动的距离为两者之间相似度最大点的时间差。
根据故障发生时刻故障行波以故障点为中心向两边传播的特性,由故障行波到达两端检测设备的时间和传播速度就可以精确定位故障点的位置,主要行波定位原理如图4所示。
基于行波双端故障测距计算公式:
其中,L=Laf+Lbf,L为两端检测点的总距离,v为传播速度,Laf为一端到故障点的距离,Lbf为另一端到故障点的距离,ta为一端到故障点的时间,tb为另一端到故障点的时间。
在对配电网故障行波进行分析时,可以发现在故障点两侧设备采集到的行波相似度很高,且波头的相似度最高,由于故障点到两侧设备的距离不同,所以行波波头到达两侧设备的时间点不同,利用时间差就可以求出故障点的具体位置。因此,上述的时间差能解决测距问题。
虽然,上文中已经用一般性说明及具体实施例对本发明作了详尽的描述,但在本发明基础上,可以对之作一些修改或改进,这对本领域技术人员而言是显而易见的。因此,在不偏离本发明精神的基础上所做的这些修改或改进,均属于本发明要求保护的范围。
Claims (10)
1.一种基于智能融合断路器的故障预警与精确定位方法,其特征在于,包括以下步骤:
S1:数据采集单元获取不同线路放电状态下的响应数据,基于所述响应数据得到不同放电状态下的行波特征值的平均值和标准方差;
S2:基于获取的所述行波特征值的平均值和标准方差,并根据放电程度模糊集确定不同放电状态的正态隶属度函数;
S3:根据不同的放电状态和绝缘损坏累积概念,构建放电状态相似矩阵;
S4:基于不同放电状态的所述正态隶属度函数得到计算取值模糊子集A’,基于所述放电状态相似矩阵的上三角元素得到经验取值模糊子集A;
S5:基于当前放电状态,根据贴近度公式得到的所述经验取值模糊子集A和所述计算取值模糊子集A’的贴近度,得到贴近度最近的预测放电状态,并结合断路器进行故障预警。
2.如权利要求1所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,所述放电程度模糊集为:
其中,λ为不同放电状态的特征值,uH(λ)为正常状态下的正态隶属度函数,λH为正常状态下的行波特征值的平均值,σH为正常状态下的行波特征值的标准方差;uL(λ)为轻微放电状态下的正态隶属度函数,λL为轻微放电状态下的行波特征值的平均值,σL为轻微放电状态下的行波特征值的标准方差;uM(λ)为中度放电状态下的正态隶属度函数,λM为中度放电状态下的行波特征值的平均值,σM为中度放电状态下的行波特征值的标准方差;uS(λ)为严重放电状态下的正态隶属度函数,λS为严重放电状态下的行波特征值的平均值,σS为严重放电状态下的行波特征值的标准方差。
3.如权利要求1所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,所述放电状态相似矩阵为:
其中,矩阵中的各元素SMxy表示任意两个放电程度模糊集x与y的重叠度,其取值范围为区间[0,1]。
4.如权利要求3所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,所述经验取值模糊子集A为:
其中,SMxy表示任意两个不相同的放电程度模糊集x与y的重叠度,其取值范围为区间[0,1],τi为不相同的放电程度模糊集x与y重叠的第i个元素,i取值范围为大于等于1小于等于6的整数。
5.如权利要求2所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,所述计算取值模糊子集A’为:
其中,ui为第i个重叠的不相同的放电程度模糊集x与y的正态隶属度函数的比值,其取值范围为区间[0,1],τi为不相同的放电程度模糊集x与y重叠的第i个元素,i取值范围为大于等于1小于等于6的整数。
6.如权利要求1所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,所述贴近度公式为:
max D=1-d(A,A′);
其中,A’为计算取值模糊子集,A为经验取值模糊子集,d(A,A′)为A’与A之间的距离。
7.如权利要求3所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,所述任意两个放电程度模糊集x与y的重叠度的计算公式为:
其中,x,y表示两个模糊子集,x·y和分别表示两个模糊子集的外积和内积。
8.如权利要求1所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,还包括以下步骤:
步骤S6:发生故障时刻瞬间,利用小波分析不同频率下的幅值与时间对应关系,确定故障时刻点;
步骤S7:通过互相关值的最大值将故障点两侧的行波波头进行对齐,求得时间差,基于行波双端故障测距和时间差,精确定位故障点的位置。
9.如权利要求8所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,所述步骤S6中小波分析,具体包括:
S601:将小波从小尺度拉伸到大尺度,然后把不同尺度的小波依次从0位移到信号的完整长度,并不断积分,完成小波变换;
S602:基于小波变换,对原始信号进行三层离散小波分解,利用第三层离散小波分解的细节系数即可求得故障时刻点。
10.如权利要求8所述的基于智能融合断路器的故障预警与精确定位方法,其特征在于,所述步骤S7中通过互相关值的最大值将故障点两侧的行波波头进行对齐,求得时间差,具体包括:
S701:对两个行波x1和x2进行卷积计算,具体为将其中一个信号反转,然后再平移,求出两者之间的重合部分;
S702:根据相关性最大值所在的索引t21,利用相关性最大处的索引值减去行波x1的长度得到指数值index;
S703:根据步骤S701中求的重合部分为两个波形之间相似度最大的部分,则其一个波形移动的距离为两者之间相似度最大点的时间差。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680265.XA CN116840671B (zh) | 2023-06-09 | 2023-06-09 | 一种基于智能融合断路器的故障预警与精确定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310680265.XA CN116840671B (zh) | 2023-06-09 | 2023-06-09 | 一种基于智能融合断路器的故障预警与精确定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN116840671A true CN116840671A (zh) | 2023-10-03 |
CN116840671B CN116840671B (zh) | 2024-01-19 |
Family
ID=88158431
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310680265.XA Active CN116840671B (zh) | 2023-06-09 | 2023-06-09 | 一种基于智能融合断路器的故障预警与精确定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116840671B (zh) |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2523005B1 (de) * | 1975-04-28 | 1976-09-09 | Bbc Brown Boveri & Cie | Verfahren und einrichtung zur fehlerortseingrenzung auf einer leitung |
CN103198175A (zh) * | 2013-03-04 | 2013-07-10 | 辽宁省电力有限公司鞍山供电公司 | 基于模糊聚类的变压器故障诊断方法 |
CN103345639A (zh) * | 2013-07-01 | 2013-10-09 | 河海大学常州校区 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
CN105866631A (zh) * | 2016-05-19 | 2016-08-17 | 昆明理工大学 | 一种基于模糊匹配的新型双端行波测距方法 |
CN108112044A (zh) * | 2018-02-27 | 2018-06-01 | 华南理工大学 | 一种基于正态模糊数的异构无线网络选择方法 |
CN111929576A (zh) * | 2020-09-27 | 2020-11-13 | 通号(长沙)轨道交通控制技术有限公司 | 基于组合赋权法的真空断路器健康状态评估方法 |
CN112541682A (zh) * | 2020-12-16 | 2021-03-23 | 济南置真电气有限公司 | 一种真空断路器状态综合评估方法 |
WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
CN113591985A (zh) * | 2021-07-30 | 2021-11-02 | 国网安徽省电力有限公司电力科学研究院 | 基于数据融合的特高压gis运行状态综合诊断方法和系统 |
CN116068333A (zh) * | 2022-12-28 | 2023-05-05 | 安徽正广电电力技术有限公司 | 基于模糊理论的多判据融合故障选线装置及选线方法 |
-
2023
- 2023-06-09 CN CN202310680265.XA patent/CN116840671B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE2523005B1 (de) * | 1975-04-28 | 1976-09-09 | Bbc Brown Boveri & Cie | Verfahren und einrichtung zur fehlerortseingrenzung auf einer leitung |
CN103198175A (zh) * | 2013-03-04 | 2013-07-10 | 辽宁省电力有限公司鞍山供电公司 | 基于模糊聚类的变压器故障诊断方法 |
CN103345639A (zh) * | 2013-07-01 | 2013-10-09 | 河海大学常州校区 | 基于模糊聚类的支持向量机高压断路器故障诊断方法 |
CN105866631A (zh) * | 2016-05-19 | 2016-08-17 | 昆明理工大学 | 一种基于模糊匹配的新型双端行波测距方法 |
CN108112044A (zh) * | 2018-02-27 | 2018-06-01 | 华南理工大学 | 一种基于正态模糊数的异构无线网络选择方法 |
WO2021097604A1 (zh) * | 2019-11-18 | 2021-05-27 | 株洲中车时代电气股份有限公司 | 一种基于多信息融合的变流器的故障预警方法及装置 |
CN111929576A (zh) * | 2020-09-27 | 2020-11-13 | 通号(长沙)轨道交通控制技术有限公司 | 基于组合赋权法的真空断路器健康状态评估方法 |
CN112541682A (zh) * | 2020-12-16 | 2021-03-23 | 济南置真电气有限公司 | 一种真空断路器状态综合评估方法 |
CN113591985A (zh) * | 2021-07-30 | 2021-11-02 | 国网安徽省电力有限公司电力科学研究院 | 基于数据融合的特高压gis运行状态综合诊断方法和系统 |
CN116068333A (zh) * | 2022-12-28 | 2023-05-05 | 安徽正广电电力技术有限公司 | 基于模糊理论的多判据融合故障选线装置及选线方法 |
Non-Patent Citations (2)
Title |
---|
周秀桦, 电器开关,基于模糊逻辑的断路器状态检测, no. 5, pages 26 - 33 * |
张洪伟等, 科学技术创新,基于电流行波图像的输电线故障类型识别, no. 7, pages 39 - 40 * |
Also Published As
Publication number | Publication date |
---|---|
CN116840671B (zh) | 2024-01-19 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110646677B (zh) | 一种台区低压配电网拓扑及线路阻抗识别方法 | |
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 | |
AU2020103179A4 (en) | A Fault Locating Method of Power Grid Based on Network Theory | |
CN103454559A (zh) | 一种配电网单相接地故障区段定位方法及定位装置 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN111413589A (zh) | 一种基于灰靶决策的配电网单相短路故障定位方法 | |
CN108548578A (zh) | 一种基于自适应阈值的超声波回波信号特征峰识别方法 | |
CN114966301A (zh) | 一种三端混合高压直流输电线路故障测距方法及系统 | |
CN114720819A (zh) | 一种基于自校验学习的故障区段二分定位方法 | |
CN114113890A (zh) | 基于行波模量传输时差的多端融合配电网故障定位方法 | |
CN107632238B (zh) | 一种基于wams系统的多端传输线路故障测距方法 | |
CN111766470A (zh) | 高压直流输电线路的故障定位方法、系统及直流输电线路 | |
CN115061006A (zh) | 基于行波的复杂配电网故障自动诊断方法 | |
CN115015687A (zh) | 一种四端环状柔性直流电网故障测距方法及系统 | |
CN116840671B (zh) | 一种基于智能融合断路器的故障预警与精确定位方法 | |
CN107179473A (zh) | 一种输电线路故障定位方法 | |
CN112114229A (zh) | 配电网故障定位方法、装置和系统 | |
CN112526290A (zh) | 一种基于广域行波侧后模拟的复杂电网接地故障定位方法 | |
CN115542087B (zh) | 一种适用于行波录波一体化设备的多重雷击识别方法 | |
CN112782532A (zh) | 基于断路器合闸产生行波信号的配电网故障测距方法 | |
CN113567804B (zh) | 一种配电网故障快速定位方法 | |
CN111178679A (zh) | 一种基于聚类算法和网络搜索的相位识别方法 | |
CN113567810B (zh) | 一种配电网电弧接地故障区段定位方法、装置及系统 | |
CN116125192A (zh) | 基于行波模量分析的输电线路故障测距与预警装置及方法 | |
CN113484682B (zh) | 一种基于驻波的配电线路接地故障测距方法 |
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 |