CN117872039A - 一种基于改进rbf网络的线路故障测距方法及系统 - Google Patents
一种基于改进rbf网络的线路故障测距方法及系统 Download PDFInfo
- Publication number
- CN117872039A CN117872039A CN202410281574.4A CN202410281574A CN117872039A CN 117872039 A CN117872039 A CN 117872039A CN 202410281574 A CN202410281574 A CN 202410281574A CN 117872039 A CN117872039 A CN 117872039A
- Authority
- CN
- China
- Prior art keywords
- line fault
- fault location
- transient voltage
- location method
- rbf 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 230000001052 transient effect Effects 0.000 claims description 37
- 238000000354 decomposition reaction Methods 0.000 claims description 15
- 230000006870 function Effects 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 11
- 241000287127 Passeridae Species 0.000 claims description 10
- 238000003062 neural network model Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000003416 augmentation Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000010845 search algorithm Methods 0.000 claims description 3
- 230000005540 biological transmission Effects 0.000 abstract description 6
- 238000012549 training Methods 0.000 description 10
- 238000005259 measurement Methods 0.000 description 6
- 238000013528 artificial neural network Methods 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000001514 detection method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 244000062645 predators Species 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
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
- Locating Faults (AREA)
Abstract
本发明公开了一种基于改进RBF网络的线路故障测距方法及系统，属于电力系统高压直流输电继电保护技术领域，先基于变分模态分解方法对目标特征量进行优化，去除背景噪音，进而基于改进的RBF网络进行故障测距，无需准确计算线路衰减常数也能够实现准确定位。
Description
技术领域
本发明属于电力系统输电继电保护技术领域，尤其涉及一种基于改进RBF网络的线路故障测距方法及系统。
背景技术
本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。
高压直流架空输电线路通常距离较长，受所跨越的地区气候条件、地形地貌条件差异影响，线路故障概率很高，且故障巡线难度大，因此，需要具有可靠性和准确性的线路故障定位技术保证电力系统安全稳定运行，提高系统可靠性。
直流输电线路故障测距领域主要包括行波测距法和非行波测距法，行波测距法过于依赖行波波头检测的准确性，如果波头检测失败会导致行波测距无法进行；非行波测距方法如双端测距法，现有的高压直流输电线路双端测距方法的测距精度往往依赖于线路衰减常数的准确求取，但准确计算线路衰减常数是一个难题。同时，线路故障产生的暂态行波中往往掺杂有过多的干扰信号，严重影响故障距离的确定。
发明内容
为克服上述现有技术的不足，本发明提供了一种基于改进RBF网络的线路故障测距方法及系统，先基于变分模态分解方法对目标特征量进行优化，去除背景噪音，进而基于改进的RBF网络进行故障测距，无需准确计算线路衰减常数也能够实现准确定位。
为实现上述目的，本发明的一个或多个实施例提供了如下技术方案：
第一方面，本发明提供了一种基于改进RBF网络的线路故障测距方法，包括：
获取故障线路两端的暂态电压波形；
对所述暂态电压波形进行小波变换，提取所述暂态电压波形的高频分量；
对所述高频分量进行变分模态分解，得到暂态电压波形的最优模态分量；
将所述最优模态分量输入至预先训练好的线路故障测距模型进行测距，得到故障距离。
进一步的技术方案，所述小波变换为离散小波变换。
进一步的技术方案，所述变分模态分解步骤具体为：
构造变分问题，设置约束变分表达式；
引入乘法算子和二次惩罚因子，得到最优解增广函数表达式；
经多次迭代后，得到暂态电压波形的最优模态分量。
进一步的技术方案，所述约束变分表达式中的约束条件为所有模态分量之和与原始高频分量信号相等。
进一步的技术方案，所述线路故障测距模型为改进的RBF神经网络模型。
进一步的技术方案，所述线路故障测距模型由输入层、隐含层和输出层三部分组成。
进一步的技术方案，通过麻雀搜索算法对线路故障测距模型的超参数进行寻优，来优化目标参数。
第二方面，本发明提供了一种基于改进RBF网络的线路故障测距系统，具体包括：
数据获取模块：获取故障线路两端的暂态电压波形；
信号变换模块：对所述暂态电压波形进行小波变换，提取所述暂态电压波形的高频分量；
信号分解模块：对所述高频分量进行变分模态分解，得到暂态电压波形的最优模态分量；
故障测距模块：将所述最优模态分量输入至预先训练好的线路故障测距模型进行测距，得到故障距离。
第三方面，本发明提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如第一方面所述的一种基于改进RBF网络的线路故障测距方法中的步骤。
第四方面，本发明提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如第一方面所述的一种基于改进RBF网络的线路故障测距方法中的步骤。
以上一个或多个技术方案存在以下有益效果：
本发明使用小波变换提取不同频带的故障暂态行波分量，针对选取特征信息丰富的高频特征分量，提高测量数据的质量，进一步提高测距准确性。
本发明利用神经网络模型进行故障测距计算，将不必准确计算线路衰减常数也能够准确实现故障定位，可实现性强、检测速度快、测距结果精度高，且耐受过渡电阻能力强。且选择结构简单，收敛效果好，能够逼近任意非线性函数的径向基神经网络RBF，具有逼近能力强、学习速度快的显著优点。
本发明在进行模型测量之前，先采用变分模态分解VMD方法对提取的高频分量进一步分解，有效去除了被忽略的背景噪声，强调敏感特征，对模型特征量进行优化。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。
图1是本发明实施例提供的方法流程图。
具体实施方式
应该指出，以下详细说明都是示例性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
参见附图1所示，本实施例公开了一种高压直流输电线路故障测距方法，该方法包括以下步骤：
S1：获取故障线路两端的暂态电压波形；
在本实施例中，在电压监测点处，采集故障线路整流侧和逆变侧两端发生故障时的电压数据。
获取电压数据后，利用交替混合滤波器对采集到的数据进行滤波处理，去除噪声，提高检测数据的质量，进一步提高测距的准确性。
S2：对所述暂态电压波形进行小波变换，提取所述暂态电压波形的高频分量；
在本实施例中，小波变换具有时频分析的能力，可以处理非平稳信号和突变信号，本实施例中采用离散小波变换提取暂态电压高频分量。
得到暂态电压波形的小波变换系数。暂态电压波形的小波变换系数的表达式为：
其中，为原始离散信号，/>为小波基，/>为小波变换符号，/>为原始离散信号的定义域，/>为小波变换后离散点的坐标。
S3：对所述高频分量进行变分模态分解，得到暂态电压波形的最优模态分量；
在本实施例中，采用一种非递归变分模式的分解方法对高频分量进行分解，即变分模态分解VMD方法，将信号分解问题变为一个带约束的变分最优化问题，采用高频分量构造变分问题步骤为：
首先构造变分问题，假设电压行波信号分解为I个分量，保证分解序列为具有中心频率的模态分量，同时各模态的估计带宽之和最小，约束条件为所有模态之和与原始高频分量信号相等，则相应约束变分表达式为：
其中，t为时间参数，为随时间变换的偏导数，/>为脉冲函数，/>为分解所得的第i个模态分量，/>为各分量的中心频率。
其次，对上述高频分量构造的变分问题进行求解得到暂态电压波形的最优模态分量；为求解上述约束变分问题的最优解，引入Lagrange乘法算子和二次惩罚因子/>，得到表达式的最优解增广Lagrange函数表达式：
更新、/>、/>的计算式为：
其中，n为迭代的次数。
迭代停止所要满足的条件为：
其中，为收敛精度。
在本实施例中，收敛精度根据经验设置，固定二次惩罚因子，并在预设的模态总数取值范围内对各个取值进行搜索，计算相邻模态总数的能量差值，选取其中能量差值最大的模态总数取值作为最终使用的模态总数I。
通过采用上述技术方案，故障信号容易受到背景噪声的影响，如高压电缆发生故障时产生的暂态电压波形中混杂了暂态电压在组合电气各部件之间产生的折射波，仅仅使用神经网络模型进行故障判断会出现，输入信息特征不明显，影响故障距离测算结果的准确性，本实施例采用VMD算法在初步噪声处理之后，进一步有效去除了被忽略的背景噪声，避免在故障测距过程中丢失敏感特征。
S4：将所述最优模态分量输入至预先训练好的线路故障测距模型进行测距，得到故障距离；
在本实施例中，线路故障测距模型为改进的RBF神经网络模型。
改进的RBF神经网络模型包括输入层、隐含层和输出层三部分组成。径向基神经网络RBF结构简单，收敛效果好，能够逼近任意非线性函数，具有逼近能力强、学习速度快的显著优点。
第一层为输入层，设有M个样本：
。
第二层为隐含层，设隐含层的节点数为N，隐含层通过映射将I维的输入矢量映射到N维空间内。隐含层第n个神经元的输出为：
其中，是第n个神经元的中心，/>的维度与输入节点的个数是相同的，是一个I维向量；/>为第n个神经元的宽度，反映了径向基函数的衰减速度。
隐含层的激活函数为标准的Gauss函数。
第三层为输出层，其输出结果表达式为：
其中，为第n个隐含节点到第z个输出节点的连接权值。
在本实施例中，RBF神经网络模型的效果受中心点、宽度以及连接权值影响，因此通过麻雀搜索算法SSA对神经网络的超参数进行寻优，来优化目标参数。
麻雀搜索算法通过实现个体的角色和位置变换，有效避免了陷入局部最优解的问题，其具体步骤如下：
1）初始化种群、捕食者和加入者比例、迭代次数，p只麻雀种群A可以表示为：
其中，a为麻雀个体，r为种群的维数，在数值上与RBF神经网络待优化的参数个数相同。
2）计算出适应度值，并按大小排序。全部麻雀适应度矩阵可以表示为：
其中，h为麻雀的适应度值，适应度值可以根据RBF神经网络的测试测距结果与原始距离数据的误差均方根进行计算。
3）更新发现者、加入者、侦查者位置。
4）计算适应度值并更新麻雀位置。
5）若满足要求，输出结果；否则重复步骤 2-4。对于没有获取食物的个体会进行位置更新，直到达到最大迭代次数，找出全局适应度值最高的麻雀为全局最优解，即得到线路故障测距模型最优的目标参数。
在本实施例中，线路故障测距模型的训练步骤具体为：
获取历史线路故障暂态电压行波及确定的故障距离为训练数据，将训练数据分为训练集和测试集；
将训练数据进行归一化处理；由于故障特征包含电流暂态波形、电压暂态波形，差异性较大，训练数据的值差异也比较大，为提高网络模型训练的精度，最大化故障特征，对样本数据进行归一化处理。
采用步骤S2、S3对训练数据进行处理，得到最优模态分量，进而将最优模态分量和确定的故障距离结果输入至线路故障测距模型进行训练，得到训练好的线路故障测距模型。
本发明通过采用变分模态分解方法对测距模型的输入特征量进行有效的优化筛选，并选择结构简单、训练精炼的改进后的径向基神经网络进行故障测距，极大提高了多重影响因素下线路故障测距的精度。
实施例二
本实施例提供一种基于改进RBF网络的线路故障测距系统，具体包括：
数据获取模块：获取故障线路两端的暂态电压波形；
信号变换模块：对所述暂态电压波形进行小波变换，提取所述暂态电压波形的高频分量；
信号分解模块：对所述高频分量进行变分模态分解，得到暂态电压波形的最优模态分量；
故障测距模块：将所述最优模态分量输入至预先训练好的线路故障测距模型进行测距，得到故障距离。
实施例三
本实施例的目的是提供一种计算装置,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一所述方法的步骤。
实施例四
本实施例的目的是提供一种计算机可读存储介质，一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时执行实现实施例一所述方法的步骤。
以上实施例三和四的装置中涉及的各步骤与方法实施例一相对应，具体实施方式可参见实施例一的相关说明部分。术语“计算机可读存储介质”应该理解为包括一个或多个指令集的单个介质或多个介质；还应当被理解为包括任何介质，所述任何介质能够存储、编码或承载用于由处理器执行的指令集并使处理器执行本发明中的任一方法。
本领域技术人员应该明白，上述本发明的各模块或各步骤可以用通用的计算机装置来实现，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。本发明不限制于任何特定的硬件和软件的结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (10)
1.一种基于改进RBF网络的线路故障测距方法，其特征是，包括：
获取故障线路两端的暂态电压波形；
对所述暂态电压波形进行小波变换，提取所述暂态电压波形的高频分量；
对所述高频分量进行变分模态分解，得到暂态电压波形的最优模态分量；
将所述最优模态分量输入至预先训练好的线路故障测距模型进行测距，得到故障距离。
2.如权利要求1所述的一种基于改进RBF网络的线路故障测距方法，其特征是，所述小波变换为离散小波变换。
3.如权利要求1所述的一种基于改进RBF网络的线路故障测距方法，其特征是，所述变分模态分解步骤具体为：
构造变分问题，设置约束变分表达式；
引入乘法算子和二次惩罚因子，得到最优解增广函数表达式；
经多次迭代后，得到暂态电压波形的最优模态分量。
4.如权利要求3所述的一种基于改进RBF网络的线路故障测距方法，其特征是，所述约束变分表达式中的约束条件为所有模态分量之和与原始高频分量信号相等。
5.如权利要求1所述的一种基于改进RBF网络的线路故障测距方法，其特征是，所述线路故障测距模型为改进的RBF神经网络模型。
6.如权利要求5所述的一种基于改进RBF网络的线路故障测距方法，其特征是，所述线路故障测距模型由输入层、隐含层和输出层三部分组成。
7.如权利要求5所述的一种基于改进RBF网络的线路故障测距方法，其特征是，通过麻雀搜索算法对线路故障测距模型的超参数进行寻优，来优化目标参数。
8.一种基于改进RBF网络的线路故障测距系统，其特征是，具体包括：
数据获取模块：获取故障线路两端的暂态电压波形；
信号变换模块：对所述暂态电压波形进行小波变换，提取所述暂态电压波形的高频分量；
信号分解模块：对所述高频分量进行变分模态分解，得到暂态电压波形的最优模态分量；
故障测距模块：将所述最优模态分量输入至预先训练好的线路故障测距模型进行测距，得到故障距离。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，该程序被处理器执行时实现如权利要求1-7中任一项所述的一种基于改进RBF网络的线路故障测距方法中的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1-7中任一项所述的一种基于改进RBF网络的线路故障测距方法中的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410281574.4A CN117872039B (zh) | 2024-03-13 | 2024-03-13 | 一种基于改进rbf网络的线路故障测距方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410281574.4A CN117872039B (zh) | 2024-03-13 | 2024-03-13 | 一种基于改进rbf网络的线路故障测距方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117872039A true CN117872039A (zh) | 2024-04-12 |
| CN117872039B CN117872039B (zh) | 2024-05-31 |
Family
ID=90581508
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410281574.4A Active CN117872039B (zh) | 2024-03-13 | 2024-03-13 | 一种基于改进rbf网络的线路故障测距方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117872039B (zh) |
Citations (9)
| 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 |
| CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
| CN106771871A (zh) * | 2016-12-28 | 2017-05-31 | 江苏大学 | 一种基于vmd与柔性形态学的输电线路故障行波测距方法 |
| CN110376490A (zh) * | 2019-08-14 | 2019-10-25 | 山东大学 | 基于同步挤压小波变换的高压直流输电线路故障测距方法 |
| US20210293873A1 (en) * | 2020-03-18 | 2021-09-23 | Mitsubishi Electric Research Laboratories, Inc. | Transient based Fault Location Method for Ungrounded Power Distribution Systems |
| CN116008722A (zh) * | 2022-12-12 | 2023-04-25 | 四川艾德瑞电气有限公司 | 基于vmd变分模态分解的接触网故障测距系统的计算方法 |
| CN116430172A (zh) * | 2023-04-27 | 2023-07-14 | 国网安徽省电力有限公司超高压分公司 | 特高压直流输电线路故障测距方法、设备及存储介质 |
| CN117113180A (zh) * | 2023-08-22 | 2023-11-24 | 国家电网有限公司 | 基于vmd与卷积神经网络的直流配网高阻故障识别方法 |
| CN117310374A (zh) * | 2023-09-27 | 2023-12-29 | 华北电力大学 | 一种海底电缆故障的测距方法 |
-
2024
- 2024-03-13 CN CN202410281574.4A patent/CN117872039B/zh active Active
Patent Citations (9)
| 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 |
| CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
| CN106771871A (zh) * | 2016-12-28 | 2017-05-31 | 江苏大学 | 一种基于vmd与柔性形态学的输电线路故障行波测距方法 |
| CN110376490A (zh) * | 2019-08-14 | 2019-10-25 | 山东大学 | 基于同步挤压小波变换的高压直流输电线路故障测距方法 |
| US20210293873A1 (en) * | 2020-03-18 | 2021-09-23 | Mitsubishi Electric Research Laboratories, Inc. | Transient based Fault Location Method for Ungrounded Power Distribution Systems |
| CN116008722A (zh) * | 2022-12-12 | 2023-04-25 | 四川艾德瑞电气有限公司 | 基于vmd变分模态分解的接触网故障测距系统的计算方法 |
| CN116430172A (zh) * | 2023-04-27 | 2023-07-14 | 国网安徽省电力有限公司超高压分公司 | 特高压直流输电线路故障测距方法、设备及存储介质 |
| CN117113180A (zh) * | 2023-08-22 | 2023-11-24 | 国家电网有限公司 | 基于vmd与卷积神经网络的直流配网高阻故障识别方法 |
| CN117310374A (zh) * | 2023-09-27 | 2023-12-29 | 华北电力大学 | 一种海底电缆故障的测距方法 |
Non-Patent Citations (7)
| Title |
|---|
| ZHOULI WAN 等: "Research on Fault Diagnosis of Transmission Lines based on VMD and Bidirectional LSTM", 《 2020 7TH INTERNATIONAL FORUM ON ELECTRICAL ENGINEERING AND AUTOMATION (IFEEA)》, 31 December 2020 (2020-12-31) * |
| ZUOXUN WANG 等: "Fault Detection of the Power System Based on the Chaotic Neural Network and Wavelet Transform", 《COMPLEXITY》, 1 December 2020 (2020-12-01) * |
| 付华 等: "基于VMD与广义S变换的HVDC线路故障定位", 《电力系统保护与控制》, vol. 48, no. 4, 16 February 2020 (2020-02-16) * |
| 肖辉 等: "基于小波神经网络的超高压输电线路行波测距保护研究", 《四川理工学院学报（自然科学版）》, vol. 23, no. 3, 30 June 2010 (2010-06-30) * |
| 覃剑 等: "利用小波变换的双端行波测距新方法", 《中国电机工程学报》, vol. 20, no. 8, 31 August 2000 (2000-08-31) * |
| 陈仕龙 等: "一种特高压直流输电线路神经网络双端故障测距新方法", 《电工技术学报》, vol. 30, no. 4, 28 February 2015 (2015-02-28), pages 258 * |
| 高星: "基于小波变换与VMD-WVD的电缆故障定位研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》, no. 2, 15 February 2024 (2024-02-15), pages 17 - 29 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117872039B (zh) | 2024-05-31 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106443316B (zh) | 一种电力变压器绕组形变状态多信息检测方法及装置 | |
| CN113219300B (zh) | 一种基于相电流暂态稳态的配电网单相接地故障感知方法 | |
| CN109524972B (zh) | 基于gso和svm算法的低频振荡参数估计方法 | |
| CN108761287B (zh) | 一种变压器局部放电类型识别方法 | |
| CN114217164B (zh) | 一种基于放电波形智能识别的电缆故障测距方法及系统 | |
| CN112327200B (zh) | Dc-ac逆变器电路的健康表征及健康基线构建方法 | |
| CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
| CN111046327A (zh) | 适用于低频振荡与次同步振荡辨识的Prony分析方法 | |
| CN108089100B (zh) | 小电流接地系统弧光电阻接地故障的检测方法 | |
| CN111060652A (zh) | 基于长短期记忆网络的变压器油中溶解气体浓度预测方法 | |
| CN111541255A (zh) | 基于动力学系统的低频振荡模态识别方法及系统 | |
| CN108594156B (zh) | 一种改进的电流互感器饱和特性识别方法 | |
| CN109635430A (zh) | 电网输电线路暂态信号监测方法和系统 | |
| CN113514743A (zh) | 一种基于多维特征的gis局部放电模式识别系统构建方法 | |
| CN113837895A (zh) | 基于电力扰动数据的配电网异常事件识别方法及系统 | |
| CN117872039B (zh) | 一种基于改进rbf网络的线路故障测距方法及系统 | |
| CN116307269B (zh) | 一种基于人工智能的光伏发电功率预测方法及装置 | |
| CN117347916A (zh) | 一种基于参数辨识的绕组结构故障定位方法及装置 | |
| CN108334822B (zh) | 基于电动汽车充电非线性负荷特征的卡尔曼和修正小波变换滤波方法 | |
| Zhu et al. | Aiming to Complex Power Quality Disturbances: A Novel Decomposition and Detection Framework | |
| 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 | |
| CN114200232A (zh) | 一种输电线路故障行波波头检测方法及系统 | |
| CN113051809A (zh) | 一种基于改进受限玻尔兹曼机的虚拟健康因子构建方法 | |
| CN105671596A (zh) | 一种铝电解槽单个阳极数学模型的确定方法 | |
| CN117713505B (zh) | 一种开关电源高边电流检测方法及系统 |
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 |