CN117892211A - 一种基于svm的地铁和电网间电磁耦合故障识别方法 - Google Patents
一种基于svm的地铁和电网间电磁耦合故障识别方法 Download PDFInfo
- Publication number
- CN117892211A CN117892211A CN202410268629.8A CN202410268629A CN117892211A CN 117892211 A CN117892211 A CN 117892211A CN 202410268629 A CN202410268629 A CN 202410268629A CN 117892211 A CN117892211 A CN 117892211A
- Authority
- CN
- China
- Prior art keywords
- svm
- electromagnetic coupling
- data
- subway
- fault
- 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
- 230000008878 coupling Effects 0.000 title claims abstract description 40
- 238000010168 coupling process Methods 0.000 title claims abstract description 40
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 40
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000004088 simulation Methods 0.000 claims abstract description 31
- 238000012549 training Methods 0.000 claims abstract description 23
- 238000005259 measurement Methods 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 13
- 230000004913 activation Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000007423 decrease Effects 0.000 claims description 4
- 230000006698 induction Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 abstract description 4
- 238000013507 mapping Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- 239000004020 conductor Substances 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 239000002689 soil Substances 0.000 description 3
- 238000005457 optimization Methods 0.000 description 2
- 230000003213 activating effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000033228 biological regulation Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000007797 corrosion Effects 0.000 description 1
- 238000005260 corrosion Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000009545 invasion Effects 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
- 230000008569 process Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010992 reflux Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于SVM的地铁和电网间电磁耦合故障识别方法，包括以下步骤：根据地铁和电网的拓扑结构，获取地铁和电网之间的等效电路参数，构建仿真电路模型，并进行模型仿真，获取电压数据，得到仿真故障数据集；获取电网的杆塔段与地铁线路的并行距离，采用仿真故障数据集对预先构建的SVM模型进行训练，并根据并行距离调整SVM模型的最大间隔；获取待测地铁和电网中实测的电压数据，输入对应的训练好的SVM模型中，获取电磁耦合故障识别结果。与现有技术相比，本发明具有可以适用于不同情况下的仿真电路模型、能实现自更新、具有防干扰能力、监测精度高等优点。
Description
技术领域
本发明涉及地铁和电网间电磁耦合故障识别领域，尤其是涉及一种基于SVM的地铁和电网间电磁耦合故障识别方法。
背景技术
目前已有研究成果发现地铁牵引供电系统产生的是低频时变磁场，且会对周边磁性设备产生干扰。有次推断地铁牵引供电系统的低频时变磁场会引起电力变压器直流偏磁。目前对于该情况的抑制方法有在变压器中性点串接一个阻值很小的电阻或电容的方法对直流偏磁下磁感应电流进行抑制。在受到磁感应电流影响的变压器中性点串接电阻可以有效降低侵入该变压器中性点的电流值。但是对于地铁电磁耦合故障的故障识别以及相关分析目前相对缺少。
有关文献利用相关技术对输电线路的同塔双回输电线路中产生的感应电压特征进行故障识别，但是对于地铁-电网方面的电磁耦合故障问题研究相对缺乏。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于SVM的地铁和电网间电磁耦合故障识别方法，实现精准的地铁电磁耦合故障识别。
本发明的目的可以通过以下技术方案来实现：
一种基于SVM的地铁和电网间电磁耦合故障识别方法，包括以下步骤：
模型训练步骤：根据地铁和电网的拓扑结构，获取地铁和电网之间的等效电路参数，构建仿真电路模型，并进行模型仿真，获取电压数据，得到仿真故障数据集；获取电网的杆塔段与地铁线路的并行距离，采用所述仿真故障数据集对预先构建的SVM模型进行训练，并根据所述并行距离调整所述SVM模型的最大间隔；
电磁耦合故障识别步骤：获取待测地铁和电网中实测的电压数据，输入对应的训练好的SVM模型中，获取电磁耦合故障识别结果。
进一步地，所述SVM模型通过激活函数将所述并行距离映射到0-1范围以内，并随着并行长度的增加，激活函数的值递减。
进一步地，根据所述并行距离调整后的SVM模型的最大间隔的计算表达式为：
式中，/>为SVM模型的最大间隔，/>为结果标签，/>为垂直于超平面的法向量，/>为输电线路电压特征矩阵，/>为实数向量，/>为并行距离，/>为激活函数。
进一步地，所述仿真故障数据集的输入样本为感应电压有效值、电压占比和输电线路电压时段平均值的组合，输出样本为电磁耦合故障结果。
进一步地，所述电磁耦合故障识别步骤还包括：在识别出电磁耦合故障时，基于对应的故障数据构建或更新实测数据集，对实测数据集和仿真故障数据集进行加权构建总训练集，采用总训练集对所述SVM模型进行优化训练。
进一步地，所述总训练集的数据集权重分配公式为：
式中，/>为总训练集的第i个数据，/>为仿真故障数据集的第i个数据，/>为实测数据集的第i个数据，/>为仿真故障数据集权重参数，/>为实测数据集权重参数，/>为总训练集的数据总数，/>为仿真故障数据集的数据总数，/>为实测数据集的数据总数。
进一步地，随着实测数据集的数据增加，所述仿真故障数据集权重参数降低，实测数据集权重参数/>提高。
进一步地，数据输入SVM模型前还进行标准化处理，使得标准化处理后的数据符合标准正态分布。
进一步地，所述仿真故障数据集的电压数据来自不同的时段。
进一步地，所述实测的电压数据输入SVM模型前还加入有电压有效值±5%范围内的随机噪声。
与现有技术相比，本发明具有以下优点：
（1）使用范围广：本发明通过激活函数可以将并行距离映射到（0，1）的范围内，所以可以将并行距离与几何间隔耦合，使不同并行情况下的最大间隔分类器能够适用，提升了SVM故障分类的泛化能力，增大了其使用范围；且不同杆塔段的自感和互感系数会根据实际情况进行计算，适用于不同情况下的仿真电路模型。
（2）具有一定的自更新能力：本发明通过对数据集权重参数的分配实现仿真数据与实测数据的互补，每次更新数据集后SVM分类识别模型将拥有更加贴近实际情况的分类识别能力。
（3）具有较强的防干扰能力：本发明通过收集不同时段的电压数据，将电压平均值、电压值、电压比值作为数据集，并且进行标准化使得当输入数据比例差异较大时，往往会导致故障识别产生误判的情况减少。
（4）监测精度较高：本发明通过不同杆塔段之间的监测实现分段预警的效果，能够精准定位发生超限电压的区段进行有针对性的抑制措施。
附图说明
图1为本发明实施例中提供的一种基于SVM的地铁和电网间电磁耦合故障识别方法的流程示意图；
图2为本发明实施例中提供的一种本发明适用系统的总体示意图；
图3为本发明实施例中提供的一种基于SVM的地铁和电网间电磁耦合故障识别方法的核心实现方法图；
图2中，1、杆塔；2、轨道；3、高架桥；4、输电线路；5、变电站；6、变电站接地网；7、主变电所；8、城市电网侧；9、直流牵引供电系统；10、降压整流机组；11、配电负荷；12、排流网；13、轨道；14、地铁隧道；15、三相变压器；16、土壤层；
图3中，17、杆塔段几何中点；18、并行距离；19、故障样本；20、几何间隔；21、非故障样本；22、并行距离映射函数；23、预警信号。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，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。通常在此处附图中描述和示出的本发明实施例的组件可以以各种不同的配置来布置和设计。
因此，以下对在附图中提供的本发明的实施例的详细描述并非旨在限制要求保护的本发明的范围，而是仅仅表示本发明的选定实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
应注意到：相似的标号和字母在下面的附图中表示类似项，因此，一旦某一项在一个附图中被定义，则在随后的附图中不需要对其进行进一步定义和解释。
实施例1
如图1所示，本实施例提供一种基于SVM的地铁和电网间电磁耦合故障识别方法，该识别方法主要由实时数据采集、SVM模型优化、“实测+电路模型”反馈参数调节、故障电压预警四个部分组成，主要包括以下步骤：
模型训练步骤S1：根据地铁和电网的拓扑结构，获取地铁和电网之间的等效电路参数，构建仿真电路模型，并进行模型仿真，获取电压数据，得到仿真故障数据集；获取电网的杆塔段与地铁线路的并行距离，采用仿真故障数据集对预先构建的SVM模型进行训练，并根据并行距离调整SVM模型的最大间隔；
电磁耦合故障识别步骤S2：获取待测地铁和电网中实测的电压数据，输入对应的训练好的SVM模型中，获取电磁耦合故障识别结果；
“实测+电路模型”反馈参数调节步骤S3：在识别出电磁耦合故障时，基于对应的故障数据构建或更新实测数据集，对实测数据集和仿真故障数据集进行加权构建总训练集，采用总训练集对所述SVM模型进行优化训练；
故障电压预警步骤：若识别出电磁耦合故障，则进行故障电压预警。
地铁牵引供电系统由外部电源、牵引变电所、馈电线、牵引接触网、回流线组成。其中牵引变电所的任务是将电力系统提供的三相工频交流电转换为常见的1500V和750V直流牵引电流，电流引网包括接触网和回流网。随着地铁的广泛运用地铁对周边设备的影响越发明显，如地铁杂散电流引起油气管道腐蚀和周边电力变压器偏磁电流增大导致出现直流偏磁问题等，严重威胁用电安全。除了地铁杂散电流的侵扰外，列车运行时导致的空间时变磁场在电力系统中产生的感应电流也是威胁电力变压器安全的重要因素之一。已有研究成果发现地铁牵引供电系统产生的是低频时变磁场，且会对周边磁性设备产生干扰。由此推断地铁牵引供电系统的低频时变磁场会引起电力变压器直流偏磁。
地铁系统无论是隧道还是高架桥模式都会由于变化的电流或者磁感线的切割等造成周围环境中的电磁耦合从而引发迪阿尼变压器的直流偏磁。本发明通过将不同的杆塔段进行划分，计算杆塔段与地铁线路的并行距离优化最大间隔分类器以增强SVM的分类标准的泛化性；同时会对输电线路和线路拓扑结构的相关参数进行计算得出输电线路以及地铁相关结构的自感、互感和电容等等效电路参数，将等效电路参数输入进仿真电路模型进行模型仿真可以得到相应的仿真故障数据集，该数据集在一开始实测故障数据集缺乏的情况下将赋予较高的权重以构成SVM的故障分类训练集，SVM会对实测的电压数据在加入5%随机噪声后进行分类，如存在超过限值的故障电压则实测数据集的在训练集中的权重将提高，同时仿真数据集的权重将会降低；杆塔段的故障电压超限预警信号发出。
具体地，考虑到实际场景的复杂性，存在较多难以量化的影响因素，因此在测得数据上加入测得电压有效值±5%范围内的随机噪声，以提高模型的泛化能力。
上述并行长度的计算将选取杆塔段几何中点到地铁线路段的空间距离d作为输入参数。利用激活函数将并行长度距离映射到（0，1）的范围内，且随着并行长度的增加值递减。
根据所述并行距离调整后的SVM模型的最大间隔的计算表达式为：
式中，/>为SVM模型的最大间隔，/>为结果标签，/>为垂直于超平面的法向量，/>为输电线路电压特征矩阵，/>为实数向量，/>为并行距离，/>为激活函数。
选取不同时间段测量电压的平均值记为，当该时间段共有n个无故障样本时，对于输电线路的/>可由下式计算：
定义电压占比为实测后测得的电压有效值与该输电线路对应无故障电压平均值之比，可由下式计算：
增加上述特征后，在一定程度上可以体现故障前后电压有效值的变化程度。则预处理后的输入样本为感应电压有效值V、电压占比和输电线路电压时段平均值的组合，可以表示为：
优选的，当输入数据比例差异较大时，往往会导致故障识别产生误判，因此为提高性能对数据进行标准化处理。标准化过程可表示为：
其中为标准化后的特征值，/>为该特征标准化前特征值，/>为所有样本中该特征值对应的平均值，/>为所有样本中该特征值对应标准差。经过标准化处理后数据符合标准正态分布，其平均值为0，标准差为1。
上述仿真电路模型的自感系数和互感系数的计算公式：
上式中为互感系数，/>为自感系数，/>为自感磁链，/>为互感磁链，/>和/>为导线电流，其中/>为导线k与虚拟导线m'间距离，/>为导线k与导线m间距离，记导线k距地面高度为/>，虚拟导线k'距地面深度为/>。
上述数据集由于实测数据缺乏，故采用仿真电路模型结果作为数据集进行训练，在SVM分类出故障数据后，故障数据集的权重将会升高，数据集权重分配公式如下式所示：
上式中为总训练集，/>为仿真电路数据集，/>为实测数据集，/>为仿真电路数据集权重参数，/>为实测数据集权重参数；
优选的，随着实测数据的增加，会降低，/>会提高。从而实现数据的反馈与参数的更新。
上述分段报警的方法能够对感应电压超限的区域的分布进行细化，实现不同杆塔段的感应电压实时监测。
如图2所示，下面以一个具体的示例介绍上述方案。
本示例的一种基于SVM的地铁与电网之间的电磁耦合故障识别方法，主要适用于由城市侧电网8输入主变电所将110kV高压降为35kV或者10kV的中压然后输入直流牵引供电系统9，部分电能共计配电负荷11使用，其余电能输入，牵引变电所的降压整流机组10，将中压转换为1180V或者590V的电压供地铁供电系统使用。供电电流经接触轨（线）将电能传输至车体电机驱动列车前进，牵引电流经轨道2回流回牵引变电所；轨道泄露的电流大部分会经过土壤层16经排流网12留回牵引变电所形成电能传输的回路。而地铁接触轨（网）由于列车会经过地铁线路上列车运行时频繁地重复启动、加速、惰性、制动等工况，且同一供电区间可能存在多辆列车同时运行，加之地铁列车运行牵引策略多样，这些因素会导致列车的牵引电流随机变化。变化的牵引电流会在由杆塔1-输电线路4-变电站5-变电站接地网6-土壤层16组成的回路中感应出感应电势。
如图3所示，本方法的核心是利用杆塔段的几何中点17计算与地铁运行线路6的并行距离18，并利用并行距离映射函数22将（0，+∞）的并行距离映射到（0，1）上，以控制SVM的最大间隔分类器，实现不同并行距离的参数调控，并行距离映射函数22是一个随着并行距离18递减的函数，随着并行距离的增加最大间隔增大，以应对距离增加所导致的环境噪声的影响。当出现超过阈值的电压后发出分段预警信号23。
以上详细描述了本发明的较佳具体实施例。应当理解，本领域的普通技术人员无需创造性劳动就可以根据本发明的构思做出诸多修改和变化。因此，凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案，皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，包括以下步骤：
模型训练步骤：根据地铁和电网的拓扑结构，获取地铁和电网之间的等效电路参数，构建仿真电路模型，并进行模型仿真，获取电压数据，得到仿真故障数据集；获取电网的杆塔段与地铁线路的并行距离，采用所述仿真故障数据集对预先构建的SVM模型进行训练，并根据所述并行距离调整所述SVM模型的最大间隔；
电磁耦合故障识别步骤：获取待测地铁和电网中实测的电压数据，输入对应的训练好的SVM模型中，获取电磁耦合故障识别结果。
2.根据权利要求1所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，所述SVM模型通过激活函数将所述并行距离映射到0-1范围以内，并随着并行长度的增加，激活函数的值递减。
3.根据权利要求2所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，根据所述并行距离调整后的SVM模型的最大间隔的计算表达式为：
式中，/>为SVM模型的最大间隔，/>为结果标签，/>为垂直于超平面的法向量，/>为输电线路电压特征矩阵，/>为实数向量，/>为并行距离，/>为激活函数。
4.根据权利要求1所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，所述仿真故障数据集的输入样本为感应电压有效值、电压占比和输电线路电压时段平均值的组合，输出样本为电磁耦合故障结果。
5.根据权利要求1所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，所述电磁耦合故障识别步骤还包括：在识别出电磁耦合故障时，基于对应的故障数据构建或更新实测数据集，对实测数据集和仿真故障数据集进行加权构建总训练集，采用总训练集对所述SVM模型进行优化训练。
6.根据权利要求5所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，所述总训练集的数据集权重分配公式为：
式中，/>为总训练集的第i个数据，/>为仿真故障数据集的第i个数据，/>为实测数据集的第i个数据，/>为仿真故障数据集权重参数，/>为实测数据集权重参数，/>为总训练集的数据总数，/>为仿真故障数据集的数据总数，/>为实测数据集的数据总数。
7.根据权利要求6所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，随着实测数据集的数据增加，所述仿真故障数据集权重参数降低，实测数据集权重参数提高。
8.根据权利要求1所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，数据输入SVM模型前还进行标准化处理，使得标准化处理后的数据符合标准正态分布。
9.根据权利要求1所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，所述仿真故障数据集的电压数据来自不同的时段。
10.根据权利要求1所述的一种基于SVM的地铁和电网间电磁耦合故障识别方法，其特征在于，所述实测的电压数据输入SVM模型前还加入有电压有效值±5%范围内的随机噪声。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410268629.8A CN117892211B (zh) | 2024-03-11 | 2024-03-11 | 一种基于svm的地铁和电网间电磁耦合故障识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202410268629.8A CN117892211B (zh) | 2024-03-11 | 2024-03-11 | 一种基于svm的地铁和电网间电磁耦合故障识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN117892211A true CN117892211A (zh) | 2024-04-16 |
| CN117892211B CN117892211B (zh) | 2024-06-18 |
Family
ID=90639690
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202410268629.8A Active CN117892211B (zh) | 2024-03-11 | 2024-03-11 | 一种基于svm的地铁和电网间电磁耦合故障识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN117892211B (zh) |
Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120212172A1 (en) * | 2011-02-21 | 2012-08-23 | Rockwell Automation Technologies, Inc. | Modular line-to-ground fault identification |
| CN111338233A (zh) * | 2020-03-03 | 2020-06-26 | 西南交通大学 | 一种城市电网中地铁杂散电流分布的仿真建模方法 |
| CN112165179A (zh) * | 2020-09-24 | 2021-01-01 | 南方电网科学研究院有限责任公司 | 一种地铁接触网与电网的电磁耦合的分析方法及装置 |
| CN112183004A (zh) * | 2020-09-30 | 2021-01-05 | 南方电网科学研究院有限责任公司 | 一种基于cdegs的电网感应电压分析方法 |
| CN113361049A (zh) * | 2021-04-16 | 2021-09-07 | 国网上海市电力公司 | 基于地铁近区大地和电网模型的变压器偏磁电流计算方法 |
| CN113609628A (zh) * | 2021-07-21 | 2021-11-05 | 南方电网科学研究院有限责任公司 | 地铁变电站的选址方法、装置、设备及可读存储介质 |
| CN115097256A (zh) * | 2022-06-06 | 2022-09-23 | 清华大学 | 基于地线电磁信号的输电线路短路故障识别与定位方法 |
| US20220317205A1 (en) * | 2020-10-25 | 2022-10-06 | State Grid Hubei Electric Power Research Institute | Method for analyzing correlation between rail transit and direct current (dc) magnetic bias of transformer |
| CN115542059A (zh) * | 2022-10-28 | 2022-12-30 | 西南交通大学 | 地铁直流牵引供电系统对电网变电站影响的分析定位方法 |
| CN117313616A (zh) * | 2023-09-27 | 2023-12-29 | 长沙理工大学 | 一种地铁杂散电流引起的变压器直流偏磁评估方法 |
| CN117420385A (zh) * | 2023-10-19 | 2024-01-19 | 国网吉林省电力有限公司四平供电公司 | 一种基于卷积的高压直流输电线路故障识别方法 |
| CN117422332A (zh) * | 2023-10-26 | 2024-01-19 | 深圳供电局有限公司 | 电网系统受影响程度评估方法、装置、设备和存储介质 |
| 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 |
-
2024
- 2024-03-11 CN CN202410268629.8A patent/CN117892211B/zh active Active
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120212172A1 (en) * | 2011-02-21 | 2012-08-23 | Rockwell Automation Technologies, Inc. | Modular line-to-ground fault identification |
| CN111338233A (zh) * | 2020-03-03 | 2020-06-26 | 西南交通大学 | 一种城市电网中地铁杂散电流分布的仿真建模方法 |
| CN112165179A (zh) * | 2020-09-24 | 2021-01-01 | 南方电网科学研究院有限责任公司 | 一种地铁接触网与电网的电磁耦合的分析方法及装置 |
| CN112183004A (zh) * | 2020-09-30 | 2021-01-05 | 南方电网科学研究院有限责任公司 | 一种基于cdegs的电网感应电压分析方法 |
| US20220317205A1 (en) * | 2020-10-25 | 2022-10-06 | State Grid Hubei Electric Power Research Institute | Method for analyzing correlation between rail transit and direct current (dc) magnetic bias of transformer |
| CN113361049A (zh) * | 2021-04-16 | 2021-09-07 | 国网上海市电力公司 | 基于地铁近区大地和电网模型的变压器偏磁电流计算方法 |
| CN113609628A (zh) * | 2021-07-21 | 2021-11-05 | 南方电网科学研究院有限责任公司 | 地铁变电站的选址方法、装置、设备及可读存储介质 |
| CN115097256A (zh) * | 2022-06-06 | 2022-09-23 | 清华大学 | 基于地线电磁信号的输电线路短路故障识别与定位方法 |
| CN115542059A (zh) * | 2022-10-28 | 2022-12-30 | 西南交通大学 | 地铁直流牵引供电系统对电网变电站影响的分析定位方法 |
| CN117313616A (zh) * | 2023-09-27 | 2023-12-29 | 长沙理工大学 | 一种地铁杂散电流引起的变压器直流偏磁评估方法 |
| CN117420385A (zh) * | 2023-10-19 | 2024-01-19 | 国网吉林省电力有限公司四平供电公司 | 一种基于卷积的高压直流输电线路故障识别方法 |
| CN117422332A (zh) * | 2023-10-26 | 2024-01-19 | 深圳供电局有限公司 | 电网系统受影响程度评估方法、装置、设备和存储介质 |
| 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 |
Non-Patent Citations (10)
| Title |
|---|
| JIA WEI ET AL: "Fault Location Method for Active Distribution Network Based on SVM and Feature Search Algorithm", 2019 IEEE 3RD INTERNATIONAL ELECTRICAL AND ENERGY CONFERENCE (CIEEC), 27 April 2020 (2020-04-27) * |
| 严凤;李双双;: "基于C型行波与SVM的配电线路故障定位", 电力系统及其自动化学报, no. 01, 15 January 2016 (2016-01-15) * |
| 伍国兴;肖黎;张繁;陈龙;章彬;赖振宇;黄炜昭;: "城轨杂散电流在电网系统中的分布特性仿真分析", 南方电网技术, no. 10, 20 October 2019 (2019-10-20) * |
| 刘味果;周卫华;叶会生;彭平;吴晓文;: "长沙地铁轨道交通对交流电网的影响及治理措施的研究", 湖南电力, no. 01, 25 February 2017 (2017-02-25) * |
| 刘科研等: "基于电压数据SVM分类的有源配电网故障判别及定位", 电网技术, 14 August 2020 (2020-08-14) * |
| 吕晓琴;王晓茹;: "高速铁路牵引供电系统的状态空间模型", 中国电机工程学报, no. 03, 5 February 2017 (2017-02-05) * |
| 吴琼;姜齐荣;魏应冬;: "新型STATCOM装置UPQC在电气化铁路中的应用", 科技传播, no. 10, 23 May 2011 (2011-05-23) * |
| 宋奇吼;李学武;: "高速铁路接触网对地铁供电系统的电磁干扰研究", 城市轨道交通研究, no. 12, 10 December 2013 (2013-12-10) * |
| 费春国;霍洪双;: "基于电压振幅与SVM的输电线路故障分类方法", 中国民航大学学报, no. 03, 15 June 2020 (2020-06-15) * |
| 陈民武;朱久国;解绍锋;李建军;朱远帆;刘思阳;: "牵引供电系统对埋地管道阻性耦合交流干扰建模及仿真", 中国铁道科学, no. 02, 15 March 2018 (2018-03-15) * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN117892211B (zh) | 2024-06-18 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Rajesh et al. | Optimally detecting and classifying the transmission line fault in power system using hybrid technique | |
| CN105548832B (zh) | 高压电力电缆故障识别方法 | |
| Gu et al. | High impedance fault detection in overhead distribution feeders using a DSP-based feeder terminal unit | |
| CN102510044A (zh) | 基于小波变换和概率神经网络的励磁涌流鉴别方法 | |
| CN103323755A (zh) | Gis特高频局部放电信号识别方法及系统 | |
| Abdollahi et al. | Comparison of fourier & wavelet transform methods for transmission line fault classification | |
| CN107356837B (zh) | 一种改进的电抗器匝间短路故障检测识别方法 | |
| CN112114232B (zh) | 基于小波分解和dbn的单极接地故障测距方法 | |
| CN109507510A (zh) | 一种变压器故障诊断系统 | |
| CN110320467A (zh) | 一种低压直流断路器故障诊断方法 | |
| CN112130026B (zh) | 基于小波包能量熵和dbn的mmc-hvdc单极接地故障定位方法 | |
| Moravej et al. | A new approach based on S-transform for discrimination and classification of inrush current from internal fault currents using probabilistic neural network | |
| CN103018537B (zh) | 基于cwd谱峭度的暂态电能质量扰动分类识别方法 | |
| CN105893976B (zh) | 一种行波信号的参数化识别方法 | |
| CN102087311B (zh) | 一种提高电力互感器测量精度的方法 | |
| Li et al. | A single-phase-to-ground fault location method based on convolutional deep belief network | |
| CN117892211B (zh) | 一种基于svm的地铁和电网间电磁耦合故障识别方法 | |
| CN103528820B (zh) | 一种基于距离评估因子势能函数的滚动轴承故障诊断方法 | |
| Guo et al. | High-impedance fault detection methodology using time–frequency spectrum and transfer convolutional neural network in distribution networks | |
| Li et al. | A decentralized fault section location method using autoencoder and feature fusion in resonant grounding distribution systems | |
| CN110017894B (zh) | 变压器运行状态振声检测中随机噪声的滤除方法和装置 | |
| de Souza et al. | High impedance fault detection in distribution systems: An approach based on fourier transform and artificial neural networks | |
| Abohagar et al. | Back propagation neural network aided wavelet transform for high impedance fault detection and faulty phase selection | |
| CN116224158A (zh) | 基于CNN-LSTM-Attention的多端柔性直流输电线路单极接地故障定位方法 | |
| da Silva et al. | High impedance fault location-case study using wavelet transform and artificial neural networks |
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 |