CN117826019A - 中性点不接地系统的线路单相接地故障区及类型检测方法 - Google Patents
中性点不接地系统的线路单相接地故障区及类型检测方法 Download PDFInfo
- Publication number
- CN117826019A CN117826019A CN202410252755.4A CN202410252755A CN117826019A CN 117826019 A CN117826019 A CN 117826019A CN 202410252755 A CN202410252755 A CN 202410252755A CN 117826019 A CN117826019 A CN 117826019A
- Authority
- CN
- China
- Prior art keywords
- line
- zero sequence
- fault
- training
- neural network
- 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
- 230000007935 neutral effect Effects 0.000 title claims abstract description 20
- 238000001514 detection method Methods 0.000 title abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 43
- 238000013528 artificial neural network Methods 0.000 claims abstract description 41
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000012360 testing method Methods 0.000 claims abstract description 15
- 238000004088 simulation Methods 0.000 claims description 31
- 238000012795 verification Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 4
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010200 validation analysis Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 8
- 230000006870 function Effects 0.000 description 9
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 238000013461 design Methods 0.000 description 3
- 238000009826 distribution Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 239000002184 metal Substances 0.000 description 2
- 238000003062 neural network model Methods 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 206010014357 Electric shock Diseases 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000006731 degradation reaction Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000013138 pruning Methods 0.000 description 1
Landscapes
- Locating Faults (AREA)
Abstract
本发明一种中性点不接地系统的线路单相接地故障区及类型检测方法,属于电力信息自动化技术领域;包括构建了多维度、高密度的数据集,并引入了深度残差神经网络进行多类型接地故障的准确分类。通过科学的训练集与测试集划分,仅利用故障线路某一点的零序数据来判断故障区段位置和故障类型。本发明提高了电力输电线路故障检测的准确性、泛化能力和实时性,为电力系统的安全运行提供了创新性的解决方案。
Description
技术领域
本发明属于电力信息自动化技术领域,尤其涉及一种中性点不接地系统的线路单相接地故障区及类型检测方法。
背景技术
电力是现代经济活动的基石。一个稳定和可靠的电力系统是工业生产、商业活动和日常生活顺利进行的保障。然而,频繁的电力中断或大规模停电会造成严重影响。在我国的电网系统中,一部分10kV系统采用的是非直接接地方式。这意味着一旦10kV线路发生单相接地故障,相应的10kV馈线保护不会立即断开,而是会导致该馈线母线上一相电压降至零,其余两相电压升高。这种情况可能引发一系列问题,如电压不平衡、设备过压、谐波产生、保护装置误动作和系统运行不稳定等。
如果不能在规定时间内处理故障,长时间的故障存在会增加触电事故的风险,威胁人身安全。在我国的配电网中,由于城市发展条件的差异,许多地区的配电网建设还未达到理想状态。线路结构复杂,现场运行条件不断变化,这些因素增加了单相接地故障定位的难度。为应对这些问题,目前的研究通常采用特定的保护和控制策略。例如,安装接地故障检测装置,以便在单相接地故障发生时迅速检测并采取相应措施,从而减少对电网和设备的影响。此外,通过电网设计和运营策略的改进,可以提高系统对此类故障的容忍度和稳定性。有研究提出了一种风电场集电线单相接地故障定位方法,该方法能够有效定位单相接地故障,但往往需要结合大量的线路运行数据开展较为复杂的计算。也有研究采用神经网络和特征矩阵的方法,有效实现了快速计算故障位置的目标,但并未讨论如何一次性给出接地类型的结论。
综上所述,有必要提出一种中性点不接地系统的线路单相接地故障区段判断方法,并且能够实现一次性同时给出故障类型和故障区段的目标。
发明内容
针对背景技术中提及的技术问题,本发明提供一种中性点不接地系统的线路单相接地故障区及类型检测方法,目的在于仅利用故障线路某一点的零序数据,构建海量数据集,建立线路零序数据与故障位置和故障类型的伪数学关系,利用数据驱动的方法对故障类型分类和区段智能定位模型进行训练,获取精确的故障区段位置信息和故障类型。经检索,未发现与本发明相同或相近似的现有技术的文献。
本发明提出的一种中性点不接地系统的线路单相接地故障区及类型检测方法的具体技术方案包括以下步骤:
一种中性点不接地系统的线路单相接地故障区及类型检测方法,包括以下步骤,且以下步骤顺次进行:
步骤A1:在“待检测区域”内所有线路中选定一段“待检测线路”,在首端的数据采集设备中获取“待检测线路”的零序电压U0、零序电流I0和零序电流的方向;
步骤A2:判断所述步骤A1中“待检测线路”的首端零序电流方向与其它未被选定的线路首端零序电流的方向,当出现方向相反时,得出该线路发生“单相接地故障”的结论,并进行步骤A3;若未出现方向相反现象,则重复所述步骤A1并选定另一段“待检测线路”;
步骤A3:在所述步骤A2的判断基础上,将所述步骤A1选定的“待检测线路”平均分成K段,并测量每一段线路的零序电容C0、零序阻抗R0和零序感抗L0;
步骤A4:使用数字仿真的方法,对所述步骤A1选定的“待检测线路”进行数字仿真,得到“数字仿真电路”;利用所述步骤A3中得到的参数对“数字仿真电路”中对应的各个节点进行赋值,并运行“数字仿真电路”,得到“仿真数据集”;并将“仿真数据集”按一定比例划分为训练集、测试集和验证集;
步骤A5:利用所述步骤A4中得到的训练集、测试集和验证集训练“残差神经网络”;其中训练集用于“残差神经网络”训练的初步训练,测试集用于评估“残差神经网络”的训练度,验证集用来表征“残差神经网络”的训练度是否满足要求;当“残差神经网络”完成训练,且“残差神经网络”的训练度满足给定值时,进行步骤A6;
步骤A6:将所述步骤A1和步骤A2中选取“待检测线路”的测量数据输入至所述步骤A5得到的“残差神经神经网络”,即可判断故障线路零序分量与故障位置区段和故障类型的关系,完成故障位置的区段定位和故障类型的给出。
进一步,所述步骤A1中零序电压U0包括零序电压的数值信息U0和相位信息θ Ut ,零序电流I0包括零序电流的数值信息I0和相位信息θ It 。
进一步,所述步骤A3中假设线路的阻抗参数是均匀分布的,那么每一段的零序电容值为:
式中,Cd表示线路每一子区段的零序电容值,C0为线路的单位零序电容值,L为故障线路总长度。
进一步,所述步骤A3中的K应为不小于3的正整数。
进一步,所述步骤A4,针对每一个“数字仿真电路”,根据步骤A3中的方法进行线路划分,分别在每一个划分的线路区段的不同位置设置不同的故障类型构建数据集,其中对划分的每一个区段以一定距离为间距构建位置关系的数据集,以一定欧姆为间距构建除弧光接地故障以外的故障类型数据集构建的数据集,表示为:
式中,C 0表示线路单位长度的零序电容值,Z 0表示线路单位长度的零序阻抗,包括线路的单位零序电阻和零序电感值,L表示故障线路的长度,T表示采样时间,V 0表示当前时间仪表测量的零序电压,包括零序电压瞬时大小U0和相位信息θ U ,I 0表示当前时间仪表测量的零序电流,包括零序电流瞬时大小I0和相位信息θ I ;
将C 0、Z 0、L、T、V 0、U0、θ U 、I 0、θ I 建为一个包含时间信息的二维数据,并将“位置关系的数据集”的时不变数据如线路阻抗广播成时变数据的维度。
进一步,所述步骤A4将得到的“仿真数据集”按照训练集:测试集:验证集=7:2:1或7:1.5:1.5进行划分,保证训练集的占比不低于总数据集的70%。
本发明的一种中性点不接地系统的线路单相接地故障区及类型检测方法具有以下优点:
本发明通过针对我国电网系统中10kV不接地系统存在的单相接地故障问题,提出了一种创新性的解决方案,主要集中在单相接地故障定位和类型识别的技术领域。
通过在输电线路上设置电力数据检测装置,该装置能够获取零序电压、零序电流瞬时值和方向信息。这些数据被用于构建深度残差神经网络模型,以实现对不同故障类型的准确分类。相比传统方法,该技术方案通过深度学习提高了故障定位和故障类型检测的准确性。
其次,通过在故障线路上平均划分为K段,每段构建不同位置、不同故障类型的数据集,以及对不同位置的高密度采样,确保了深度神经网络的训练数据具有丰富的多维度信息。这样的数据集设计能够更全面地覆盖各种故障情况,提高了模型的泛化能力。
此外,技术方案在深度残差神经网络中对接地故障进行定位并识别故障类型,实现了对金属接地、小电阻接地、大电阻接地和高阻接地的准确故障定位和类型识别。这样的分类能力使得该技术方案在实际应用中更为灵活可靠。
总体而言,本发明弥补了现有技术在单相接地故障定位中的不足,提供了一种高效、准确、可行的解决方案,对提高电网系统的安全性、可靠性和运行效率具有重要的实际应用价值。
附图说明
图1为本发明一种中性点不接地系统的线路单相接地故障区及类型检测方法的流程图。
图2为本发明残差神经网络的结构示意图。
具体实施方式
为了更好地了解本发明的目的、结构及功能,下面结合附图,对本发明一种中性点不接地系统的线路单相接地故障区及类型检测方法做进一步详细的描述。
本发明的创新点主要包括设计了高效的故障检测数据采集装置,构建了多维度、高密度的数据集,并引入了深度残差神经网络进行多类型接地故障的准确分类。通过科学的训练集与测试集划分,该技术方案克服了传统方法的限制,仅利用故障线路某一点的零序数据来判断故障区段位置和故障类型,提高了电力输电线路故障检测的准确性、泛化能力和实时性,为电力系统的安全运行提供了创新性的解决方案。
实施例:
一种中性点不接地系统的线路单相接地故障区及类型检测方法的具体技术方案包括以下步骤:
步骤A1:在“待检测区域”内所有线路中选定一段“待检测线路”,在首端的数据采集设备中获取“待检测线路”的零序电压U0、零序电流I0和零序电流的方向;
在本实施方式中,所述步骤A1中零序电压U0包括零序电压的数值信息U0和相位信息θ Ut ,零序电流I0包括零序电流的数值信息I0和相位信息θ It 。
在本实施方式中,所述步骤A1中的零序电压和零序电流均为矢量数据,即包括数值信息和相位信息。
在本实施方式中,所述步骤A1中的数据采集设备是指输电线路馈线首端安装测量线路运行数据的设备,主要包括配电线路故障指示器。
步骤A2:判断所述步骤A1中“待检测线路”的首端零序电流方向与其它未被选定的线路首端零序电流的方向,当出现方向相反时,得出该线路发生“单相接地故障”的结论,并进行步骤A3;若未出现方向相反现象,则重复所述步骤A1并选定另一段“待检测线路”;
步骤A3:在所述步骤A2的判断基础上,将所述步骤A1选定的“待检测线路”平均分成K段,并测量每一段线路的零序电容C0、零序阻抗R0和零序感抗L0;
在本实施方式中,所述步骤A3中假设线路的阻抗参数是均匀分布的,那么每一段的零序电容值为:
式中,Cd表示线路每一子区段的零序电容值,C0为线路的单位零序电容值,L为故障线路总长度。
在本实施方式中,所述步骤A3中的K应为不小于3的正整数。除此之外,K值曲值越大则本发明的结论就越精确,但计算复杂度也随之增加。因此应选取合适的K值,一般推荐选取10-15即可。
步骤A4:使用数字仿真的方法,对所述步骤A1选定的“待检测线路”进行数字仿真,得到“数字仿真电路”;利用所述步骤A3中得到的参数对“数字仿真电路”中对应的各个节点进行赋值,并运行“数字仿真电路”,得到“仿真数据集”;并将“仿真数据集”按一定比例划分为训练集、测试集和验证集;
在本实施方式中,所述步骤A4中的“数字仿真电路”本发明不做限定,只要能够精确实现不同类型的接地故障的仿真即可,软件本身不属于本发明保护范围。本专利设计的仿真实验线路是根据中性点不接地输电线路拓扑域设计的,仿真线路参数均采用真实电力线路的参数。
在本实施方式中,所述步骤A4中针对不同的仿真输电线路修改其单位零序电容和零序阻抗的值,用于模拟真实场景下不同输电线路采用不同型号的输电线,从而提高所提检测方法的泛化性,针对每一个“数字仿真电路”,根据步骤A3中的方法进行线路划分,分别在每一个划分的线路区段的不同位置设置不同的故障类型构建数据集,其中对划分的每一个区段以一定距离为间距构建位置关系的数据集,以一定欧姆为间距构建除弧光接地故障以外的故障类型数据集构建的数据集(例如,对划分的每一个区段以每20米为间距构建位置关系的数据集,以50欧姆为间距构建除弧光接地故障以外的故障类型数据集),表示为:
式中,C 0表示线路单位长度的零序电容值,Z 0表示线路单位长度的零序阻抗,包括线路的单位零序电阻和零序电感值,L表示故障线路的长度,T表示采样时间,V 0表示当前时间仪表测量的零序电压,包括零序电压瞬时大小U0和相位信息θ U ,I 0表示当前时间仪表测量的零序电流,包括零序电流瞬时大小I0和相位信息θ I ;
将以上样本数值构建为一个包含时间信息的二维数据,并将“位置关系的数据集”的时不变数据如线路阻抗广播成时变数据的维度。
通过改变线路的拓扑结构和线路参数仿真不同的中性点不接地线路,对于每一个线路重复以上步骤采集不同区段、不同位置、不同故障类型的数据,由此数据集的样本数据为二维数据,其数据标签包括故障的位置段和类型。从而确保在子线路中有足够的数据集来供深度神经网络进行训练。
在本实施方式中,所述步骤A4中,0-50欧姆判断为金属接地,50-1000欧姆判断为小电阻接地、1000-5000欧姆判断为大电阻接地,5000-10000欧姆为高阻接地。
在本实施方式中,所述步骤A4将得到的“仿真数据集”按照训练集:测试集:验证集=7:2:1 或7:1.5:1.5进行划分,保证训练集的占比不低于总数据集的70%。
步骤A5:利用所述步骤A4中得到的训练集、测试集和验证集训练“残差神经网络”;其中训练集用于“残差神经网络”训练的初步训练,测试集用于评估“残差神经网络”的训练度,验证集用来表征“残差神经网络”的训练度是否满足要求;当“残差神经网络”完成训练,且“残差神经网络”的训练度满足给定值时,进行步骤A6;
在本实施方式中,所述步骤A5中,残差神经网络表示为:
式中,用于表征残差神经网络输入和输出的映射关系,Xi表示神经网络的输入,即线路单位长度的零序电容值、线路单位长度的零序阻抗、故障线路的长度、故障发生时仪表测量的零序电压和零序电流。本步骤中,选择深度残差神经网络对接地故障类型进行分类,该残差神经网络结构为行业共识,不作为本发明核心创新点。下面介绍残差神经网络的基本结构:
如图2所示,整个残差神经网络的第一部分为一个三层的卷积层(图中Conv1、Conv2、Conv3)。其作用是将步骤A4中得到的数据集传入到神经网络,并使用卷积层的卷积核进行特征提取并融合不同粒度的信息,实现不同类型输入数据特征的提取。网络第二部分为残差模块(图中“ResNet”),其作用是根据通道的重要程度为每个通道分配权重,从而解决神经网络随着深度的增加,模型准确率下降的“退化”问题并有效抑制梯度爆炸和梯度消失问题。第三部分是4个全连接层(图中FC1、FC2、FC3、FC4)。其中在全连接层 FC1中使用批归一化(BN)和激活函数(ReLU),作用是对输入特征归一化后再激活;全连接层 FC2 中加入 Dropout 函数随机剪枝,作用是避免残差网络发生过拟合;全连接层 FC3和FC4中使用softmax函数,作用是输出故障区段和故障类型的多分类结果。
深度残差网络在本发明起到的作用是:在深度残差网络中,输入不仅直接传递到下一层,还通过跨层的恒等映射(或称为“快捷连接”)直接传递到更深的层次。这种设计使得网络能够通过学习输入与输出之间的残差(即差异)来训练,而不是直接学习映射本身,从而提高了训练深层网络的效率和效果。
深度残差网络的训练步骤为行业内共识,并非本发明核心创新点。关于深度残差网络的开创性工作是由何恺明(Kaiming He)等人在2015年的论文《Deep ResidualLearning for Image Recognition》(网址:https://arxiv.org/abs/1512.03385)中提出的。为了更清晰说明该网络的训练过程,做出的解释如下:
步骤B1:初始化网络参数。包括三个卷积层Conv1、Conv2、Conv3,一个残差模块“ResNet”,四个全连接层FC1、FC2、FC3、FC4。初始化的内容是上述各部分的权值;
步骤B2:将训练数据输入到深度残差网络中,得到网络预测输出,同时计算网络预测输出与真实输出的误差。误差的计算方法使用交叉熵函数:
其中, 是交叉熵损失函数,/>是样本数量,/>是第/>个样本的真实标签,/>是第/>个样本的预测概率。
步骤B3:将交叉熵函数计算的误差代入至梯度下降算法中,以更新网络权值。其中梯度下降算法可以表示为
其中θ 1表示下一阶段的神经网络权重参数,θ 0表示当前阶段的神经网络权重参数,α表示学习率,𝐽(θ)表示网络的损失函数。
步骤B4:更新后,返回重复步骤B2,直到训练损失值收敛,即可得到可以进行故障区段定位和不同故障类型识别的深度残差网络。
将A4获得的训练集输入到神经网络中进行训练,得到单相接地故障区段定位及类型识别残差神经网络模型,并利用测试集评估神经网络性能的好坏。
步骤A6:将所述步骤A1和步骤A2中选取“待检测线路”的测量数据输入至所述步骤A5得到的“残差神经神经网络”,即可判断故障线路零序分量与故障位置区段和故障类型的关系,完成故障位置的区段定位和故障类型的给出。
可以理解,本发明是通过一些实施例进行描述的,本领域技术人员知悉的,在不脱离本发明的精神和范围的情况下,可以对这些特征和实施例进行各种改变或等效替换。另外,在本发明的教导下,可以对这些特征和实施例进行修改以适应具体的情况及材料而不会脱离本发明的精神和范围。因此,本发明不受此处所公开的具体实施例的限制,所有落入本申请的权利要求范围内的实施例都属于本发明所保护的范围内。
Claims (6)
1.一种中性点不接地系统的线路单相接地故障区及类型检测方法,其特征在于,包括以下步骤,且以下步骤顺次进行:
步骤A1:在“待检测区域”内所有线路中选定一段“待检测线路”,在首端的数据采集设备中获取“待检测线路”的零序电压U0、零序电流I0和零序电流的方向;
步骤A2:判断所述步骤A1中“待检测线路”的首端零序电流方向与其它未被选定的线路首端零序电流的方向,当出现方向相反时,得出该线路发生“单相接地故障”的结论,并进行步骤A3;若未出现方向相反现象,则重复所述步骤A1并选定另一段“待检测线路”;
步骤A3:在所述步骤A2的判断基础上,将所述步骤A1选定的“待检测线路”平均分成K段,并测量每一段线路的零序电容C0、零序阻抗R0和零序感抗L0;
步骤A4:使用数字仿真的方法,对所述步骤A1选定的“待检测线路”进行数字仿真,得到“数字仿真电路”;利用所述步骤A3中得到的参数对“数字仿真电路”中对应的各个节点进行赋值,并运行“数字仿真电路”,得到“仿真数据集”;并将“仿真数据集”按一定比例划分为训练集、测试集和验证集;
步骤A5:利用所述步骤A4中得到的训练集、测试集和验证集训练“残差神经网络”;其中训练集用于“残差神经网络”训练的初步训练,测试集用于评估“残差神经网络”的训练度,验证集用来表征“残差神经网络”的训练度是否满足要求;当“残差神经网络”完成训练,且“残差神经网络”的训练度满足给定值时,进行步骤A6;
步骤A6:将所述步骤A1和步骤A2中选取“待检测线路”的测量数据输入至所述步骤A5得到的“残差神经神经网络”,即可判断故障线路零序分量与故障位置区段和故障类型的关系,完成故障位置的区段定位和故障类型的给出。
2.根据权利要求1所述的中性点不接地系统的线路单相接地故障区及类型检测方法,其特征在于,所述步骤A1中零序电压U0包括零序电压的数值信息U0和相位信息θ Ut ,零序电流I0包括零序电流的数值信息I0和相位信息θ It 。
3.根据权利要求1所述的中性点不接地系统的线路单相接地故障区及类型检测方法,其特征在于,所述步骤A3中假设线路的阻抗参数是均匀分布的,那么每一段的零序电容值为:
式中,Cd表示线路每一子区段的零序电容值,C0为线路的单位零序电容值,L为故障线路总长度。
4.根据权利要求1所述的中性点不接地系统的线路单相接地故障区及类型检测方法,其特征在于,所述步骤A3中的K应为不小于3的正整数。
5.根据权利要求1所述的中性点不接地系统的线路单相接地故障区及类型检测方法,其特征在于,所述步骤A4,针对每一个“数字仿真电路”,根据步骤A3中的方法进行线路划分,分别在每一个划分的线路区段的不同位置设置不同的故障类型构建数据集,其中对划分的每一个区段以一定距离为间距构建位置关系的数据集,以一定欧姆为间距构建除弧光接地故障以外的故障类型数据集构建的数据集,表示为:
式中,C 0表示线路单位长度的零序电容值,Z 0表示线路单位长度的零序阻抗,包括线路的单位零序电阻和零序电感值,L表示故障线路的长度,T表示采样时间,V 0表示当前时间仪表测量的零序电压,包括零序电压瞬时大小U0和相位信息θ U ,I 0表示当前时间仪表测量的零序电流,包括零序电流瞬时大小I0和相位信息θ I ;
将C 0、Z 0、L、T、V 0、U0、θ U 、I 0、θ I 建为一个包含时间信息的二维数据,并将“位置关系的数据集”的时不变数据如线路阻抗广播成时变数据的维度。
6.根据权利要求1所述的中性点不接地系统的线路单相接地故障区及类型检测方法,其特征在于,所述步骤A4将得到的“仿真数据集”按照训练集:测试集:验证集=7:2:1 或7:1.5:1.5进行划分,保证训练集的占比不低于总数据集的70%。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410252755.4A CN117826019A (zh) | 2024-03-06 | 2024-03-06 | 中性点不接地系统的线路单相接地故障区及类型检测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410252755.4A CN117826019A (zh) | 2024-03-06 | 2024-03-06 | 中性点不接地系统的线路单相接地故障区及类型检测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117826019A true CN117826019A (zh) | 2024-04-05 |
Family
ID=90513851
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410252755.4A Pending CN117826019A (zh) | 2024-03-06 | 2024-03-06 | 中性点不接地系统的线路单相接地故障区及类型检测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117826019A (zh) |
Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060097728A1 (en) * | 2002-06-20 | 2006-05-11 | Abb Ab | Fault location using measurements of current and voltage from one end of a line |
RU2356062C1 (ru) * | 2007-10-16 | 2009-05-20 | Государственное образовательное учреждение высшего профессионального образования Новосибирский государственный технический университет | Способ распознавания однофазного дугового замыкания на землю и поврежденной фазы в распределительных сетях с изолированной нейтралью |
US20120123708A1 (en) * | 2009-04-10 | 2012-05-17 | Xinzhou Dong | Method and system for transient and intermittent earth fault detection and direction determination in a three-phase median voltage electric power distribution system |
CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
CN114239703A (zh) * | 2021-12-01 | 2022-03-25 | 湖南大学 | 主动配电系统故障诊断方法、系统、设备及存储介质 |
CN114252725A (zh) * | 2021-11-05 | 2022-03-29 | 国网河南省电力公司电力科学研究院 | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 |
CN114441900A (zh) * | 2022-02-10 | 2022-05-06 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及系统 |
WO2022121138A1 (zh) * | 2020-12-09 | 2022-06-16 | 山东大学 | 一种谐振接地系统高阻故障选线和区段定位方法及系统 |
CN115047296A (zh) * | 2022-08-15 | 2022-09-13 | 四川轻化工大学 | 一种配电网故障区段定位方法 |
CN115494349A (zh) * | 2022-11-04 | 2022-12-20 | 国网浙江省电力有限公司金华供电公司 | 有源配电网单相接地故障区段定位方法 |
CN115932484A (zh) * | 2023-02-15 | 2023-04-07 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN115980515A (zh) * | 2023-02-23 | 2023-04-18 | 青岛鼎信通讯科技有限公司 | 一种单相接地故障定位方法 |
CN116008733A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 一种基于集成深度神经网络的单相接地故障诊断方法 |
CN116540025A (zh) * | 2023-05-19 | 2023-08-04 | 云南电网有限责任公司红河供电局 | 一种基于迁移学习与残差网络的故障检测方法 |
CN116679161A (zh) * | 2023-05-25 | 2023-09-01 | 国网江苏省电力有限公司南京供电分公司 | 一种电网线路故障诊断方法、设备和介质 |
US20230400499A1 (en) * | 2021-02-16 | 2023-12-14 | Abb Schweiz Ag | Method and System for Detecting Location of Fault in a Cable |
CN117421976A (zh) * | 2023-10-18 | 2024-01-19 | 昆明理工大学 | 一种基于集成学习的风电场集电线路故障定位监测方法及系统 |
-
2024
- 2024-03-06 CN CN202410252755.4A patent/CN117826019A/zh active Pending
Patent Citations (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060097728A1 (en) * | 2002-06-20 | 2006-05-11 | Abb Ab | Fault location using measurements of current and voltage from one end of a line |
RU2356062C1 (ru) * | 2007-10-16 | 2009-05-20 | Государственное образовательное учреждение высшего профессионального образования Новосибирский государственный технический университет | Способ распознавания однофазного дугового замыкания на землю и поврежденной фазы в распределительных сетях с изолированной нейтралью |
US20120123708A1 (en) * | 2009-04-10 | 2012-05-17 | Xinzhou Dong | Method and system for transient and intermittent earth fault detection and direction determination in a three-phase median voltage electric power distribution system |
CN103454559A (zh) * | 2013-09-02 | 2013-12-18 | 国家电网公司 | 一种配电网单相接地故障区段定位方法及定位装置 |
US20210190882A1 (en) * | 2019-12-10 | 2021-06-24 | Wuhan University | Transformer failure identification and location diagnosis method based on multi-stage transfer learning |
WO2022121138A1 (zh) * | 2020-12-09 | 2022-06-16 | 山东大学 | 一种谐振接地系统高阻故障选线和区段定位方法及系统 |
US20230400499A1 (en) * | 2021-02-16 | 2023-12-14 | Abb Schweiz Ag | Method and System for Detecting Location of Fault in a Cable |
CN114252725A (zh) * | 2021-11-05 | 2022-03-29 | 国网河南省电力公司电力科学研究院 | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 |
CN114239703A (zh) * | 2021-12-01 | 2022-03-25 | 湖南大学 | 主动配电系统故障诊断方法、系统、设备及存储介质 |
CN114441900A (zh) * | 2022-02-10 | 2022-05-06 | 国网四川省电力公司营销服务中心 | 一种配电网单相接地故障选线方法及系统 |
CN115047296A (zh) * | 2022-08-15 | 2022-09-13 | 四川轻化工大学 | 一种配电网故障区段定位方法 |
CN115494349A (zh) * | 2022-11-04 | 2022-12-20 | 国网浙江省电力有限公司金华供电公司 | 有源配电网单相接地故障区段定位方法 |
CN115932484A (zh) * | 2023-02-15 | 2023-04-07 | 重庆大学 | 输电线路故障辨识与故障测距方法、装置和电子设备 |
CN115980515A (zh) * | 2023-02-23 | 2023-04-18 | 青岛鼎信通讯科技有限公司 | 一种单相接地故障定位方法 |
CN116008733A (zh) * | 2023-03-21 | 2023-04-25 | 成都信息工程大学 | 一种基于集成深度神经网络的单相接地故障诊断方法 |
CN116540025A (zh) * | 2023-05-19 | 2023-08-04 | 云南电网有限责任公司红河供电局 | 一种基于迁移学习与残差网络的故障检测方法 |
CN116679161A (zh) * | 2023-05-25 | 2023-09-01 | 国网江苏省电力有限公司南京供电分公司 | 一种电网线路故障诊断方法、设备和介质 |
CN117421976A (zh) * | 2023-10-18 | 2024-01-19 | 昆明理工大学 | 一种基于集成学习的风电场集电线路故障定位监测方法及系统 |
Non-Patent Citations (2)
Title |
---|
何正友: "配电网故障诊断", 31 January 2011, 西南交通大学出版社, pages: 10 * |
王静等: "基于Python的人工智能应用基础", 31 August 2021, 北京邮电大学出版社, pages: 259 - 260 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
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 | |
Deng et al. | Fault location in loop distribution network using SVM technology | |
CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
CN106990324B (zh) | 一种配电网接地故障检测定位方法 | |
CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
CN108414896B (zh) | 一种电网故障诊断方法 | |
CN112255500A (zh) | 一种基于迁移学习的配电网弱特征故障辨识方法 | |
CN108092623A (zh) | 一种光伏阵列多传感器故障检测定位方法 | |
CN107505534B (zh) | 配网故障遗传搜索定位方法 | |
CN112684295A (zh) | 一种基于相似离度的高渗透率下配电网故障选线方法及系统 | |
CN112415325A (zh) | 基于边缘计算的单相接地故障区段辨识方法 | |
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 | |
CN115015683A (zh) | 电缆生产的性能测试方法、装置、设备及存储介质 | |
CN113610119B (zh) | 基于卷积神经网络识别输电线路发展性故障的方法 | |
Wang et al. | The cable fault diagnosis for XLPE cable based on 1DCNNs-BiLSTM network | |
CN113674106A (zh) | 一种中低压配电网接地故障组合定位方法 | |
CN115792506B (zh) | 一种运用emd和lle的单相接地故障检测系统及方法 | |
CN112710923A (zh) | 基于故障后稳态信息的数据驱动单相接地故障选线方法 | |
CN111612054A (zh) | 一种基于非负矩阵分解和密度聚类的用户窃电行为识别方法 | |
CN117826019A (zh) | 中性点不接地系统的线路单相接地故障区及类型检测方法 | |
Shu et al. | Fault phase selection and distance location based on ANN and S-transform for transmission line in triangle network | |
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 | |
CN115017828A (zh) | 基于双向长短时记忆网络的电力电缆故障识别方法及系统 | |
CN112415326A (zh) | 一种基于模糊聚类算法的配电网故障区段辨识方法 | |
CN114186590A (zh) | 一种基于小波和深度学习的配电网单相接地故障识别方法 |
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 |