CN103163430A - 一种利用复小波和ann结合的谐振接地***故障选线方法 - Google Patents
一种利用复小波和ann结合的谐振接地***故障选线方法 Download PDFInfo
- Publication number
- CN103163430A CN103163430A CN2013101071086A CN201310107108A CN103163430A CN 103163430 A CN103163430 A CN 103163430A CN 2013101071086 A CN2013101071086 A CN 2013101071086A CN 201310107108 A CN201310107108 A CN 201310107108A CN 103163430 A CN103163430 A CN 103163430A
- Authority
- CN
- China
- Prior art keywords
- feeder line
- fault
- neural network
- line selection
- energy
- 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
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 50
- 238000010187 selection method Methods 0.000 title claims abstract description 11
- 230000001052 transient effect Effects 0.000 claims abstract description 31
- 238000000034 method Methods 0.000 claims abstract description 14
- 238000012549 training Methods 0.000 claims abstract description 10
- 238000012546 transfer Methods 0.000 claims abstract description 5
- 238000004088 simulation Methods 0.000 claims abstract description 3
- 238000000354 decomposition reaction Methods 0.000 claims description 12
- 239000000284 extract Substances 0.000 claims description 12
- 230000009466 transformation Effects 0.000 claims description 10
- 230000007704 transition Effects 0.000 claims description 9
- 230000007257 malfunction Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000013461 design Methods 0.000 claims description 4
- 230000008569 process Effects 0.000 claims description 3
- 230000001131 transforming effect Effects 0.000 abstract 1
- 230000007935 neutral effect Effects 0.000 description 5
- 230000001629 suppression Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000000605 extraction Methods 0.000 description 3
- 230000008033 biological extinction Effects 0.000 description 2
- 238000002592 echocardiography Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000005312 nonlinear dynamic Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000033228 biological regulation Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000013016 damping Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000013508 migration Methods 0.000 description 1
- 230000005012 migration Effects 0.000 description 1
- 230000000631 nonopiate Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
Images
Landscapes
- Locating Faults (AREA)
Abstract
本发明是一种利用复小波和ANN结合的谐振接地***故障选线方法。属电力***继电保护技术领域。本发明为:当母线零序电压瞬时值越限时,故障选线装置立即启动并录波,获取各条馈线零序暂态电流;利用复小波对各馈线故障后5ms时窗零序暂态电流进行变换分解,并进行频带划分,根据能量和最大原则选取所有馈线能量和最大的频带为特征频带,选取特征频带内各馈线的能量和特征频带中心频率对应的相位作为训练样本集,确定输入层、输出层和隐含层的节点数,选择传递函数和学习规则,并设置合适的神经网络参数,训练得到故障选线网络,自适应地选出故障线路,大量仿真表明本发明选线准确可靠。
Description
技术领域
本发明涉及电力***继电保护技术领域,具体地说是一种利用复小波和ANN结合的谐振接地***故障选线新方法。
背景技术
配电网覆盖面广,且直接面对用户为其提供用电服务。根据统计单相接地故障约占配电网故障的80%。配电网谐振接地***即为中性点经消弧线圈接地***,属小电流接地***。小电流接地***单相接地故障会影响非故障相对地电压致其升高,电压升高会对电网设备的绝缘产生破坏;特别是间歇性电弧接地,会引起弧光过电压,该电压通过破坏***绝缘进而发展成相间或多点接地短路,引起***过电压,从而损坏设备,破坏***安全运行,因此必须准确、快速找到故障线路并及时对故障进行排除。中性点经消弧线圈接地***发生单相接地故障时,若应用工频稳态量群体比幅比相法进行选线,由于受消弧线圈补偿作用的影响,接地电流微弱,可能会导致选线错误。而故障后故障暂态电流幅值远大于稳态电流,且不受消弧线圈影响,因此利用暂态量的选线方法比利用稳态量的选线方法更具优势。但无论是利用稳态量还是暂态量选线,都存在有些故障特征比较明显,而有些故障特征则比较模糊,干扰因素对某些故障特征影响较大,对某些故障特征影响较小等问题,因此利用单一的选线判据也会出现误选情况。
复小波为一系列母小波为复数的基函数,其小波变换参数也为复数,由此可同时得到信号幅值信息和相位信息。常用的复小波系列有复高斯、复 Shannon、复Morlet和复频率B样条小波。复高斯小波具有非正交、非双正交、非紧支和不可完全重构的性质。复小波最大的优势在于它能提取信号的相位信息。
ANN人工神经网络是一种自适应非线性动态***,他由大量简单的神经元相互连接而成。人工神经网络的主要特征是:大规模的信息并行处理能力和分布式的信息存储功能,极强的自学、联想、容错能力和良好的自适应性、自组织性,是多输入和多输出的非线性***。
发明内容
本发明的目的是提出一种利用复小波和ANN结合的谐振接地***故障选线方法,克服现有谐振接地***故障选线方法的不足。
本发明利用复小波和ANN结合的谐振接地***故障选线方法,按如下步骤进行:
(2)对各零序暂态电流进行20阶复高斯小波变换,分解层数为256层;选取分解尺度为4-203层的分解结果,按照20个尺度一个频带进行划分,得到各馈线10个频带的能量;根据能量和最大原则,选取10个频带中所有馈线能量和最大的频带作为特征频带;求取特征频带内各馈线的能量,提取各馈线特征频带中心频率对应的相位;
(3)设计BP神经网络,BP神经网络分为三层,拓扑结构为××;其中,第一层为输入层含个节点,将通过复小波变换求得的各馈线的能量和各馈线特征频带中心频率对应的相位作为样本属性;第二层为隐含层含个节点,采用logsig函数即对数sigmoid传递函数;第三层为输出层含个节点,采用purelin函数即纯线性传递函数;m为谐振接地***馈线数量,;
(4)进行ANN(Artificial Neural Network)训练,模拟仿真如下故障特征:在每条馈线的1/3l、1/2l、2/3l处和母线处分别选取故障点,故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻20Ω、100Ω、500Ω,故障初始相角分别取0°、30°、60°、90°,负荷分别选取为恒定功率负荷和电弧炉负荷;按步骤(1)、(2)所述方法,分别提取故障暂态量和作为样本集,经归一化处理后输入BP神经网络中进行训练,得到符合要求的故障选线网络,误差性能目标为1;
本发明的原理是:
一、特征量的提取
2、暂态特征量的选定:由于各馈线的暂态分量在特征频带内的幅值(或能量)分布和相位分布都与故障馈线的暂态分量的分布特征存在着映射关系,为了减少干扰信号的影响,依据能量和最大原则选取所有馈线能量和最大的频带为特征频带;为了增强选线的可靠性,同时选取特征频带内各馈线的能量和特征频带中心频率对应的相位作为选线的特征量。
3、复小波变换:复小波最大的优势在于它能同时提取信号的幅值信息和相位信息,这是因为复小波为一系列母小波为复数的基函数,其小波变换参数也为复数,由此可同时得到信号幅值信息和相位信息。常用的复小波系列有复高斯、复 Shannon、复Morlet和复频率B样条小波。
连续复小波的变换为:
(1)
式中,S为小波变换的尺度伸缩参数,u为时间偏移参数,t为时间,C为常数。
复小波变换的简单信息分别包括实部(RWT)、虚部(IWT)、幅值(MWT)和相位(PHWT),幅值和相位定义为:
连续小波分解层数与频率的对应关系:
其中,a是分解层数,△是采样间隔;F c为小波中心频率,单位Hz;F a与分解层数对应的伪频率,单位Hz。此处采用20阶复高斯小波。
4、特征量计算:针对图1所示的模型,对故障后5ms时窗所有馈线零序暂态电流进行20阶复高斯小波变换,分解层数为256层,选取分解尺度为4-203层的分解结果,按照20个尺度一个频带进行划分,得到各馈线10个频带的能量。
二、选线功能的实现
1、神经网络:神经网络是由大量简单的神经元相互连接而成的自适应非线性动态***。人工神经网络的主要特征是:大规模的并行处理和分布式的信息存储;极强的自学、联想和容错能力;良好的自适应和自组织性;多输入、多输出的非线性***。
2、BP神经网络的设计:针对图1所示的***和选定的特征量设计BP神经网络,共分为三层,拓扑结构为××,其中第一层为输入层含个节点,将通过复小波变换求得的各馈线的能量和特征频带中心频率对应的相位作为样本属性。第二层为隐含层含个节点,采用logsig函数即对数sigmoid传递函数;第三层为输出层含7个节点,采用purelin函数即纯线性传递函数。
3、ANN(Artificial Neural Network)训练:设定如下故障特征:在每条馈线的1/3l、1/2l、2/3l处和母线处分别选取故障点;故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻(20Ω,100Ω,500Ω);故障初始相角分别取0°,30°,60°,90°;负荷分别选取为恒定功率负荷和电弧炉负荷,按A、B方法分别提取故障暂态量和作为样本集,经归一化处理后输入BP神经网络中进行训练,得到符合要求的故障选线网络,误差性能目标为1。
本发明与现有技术相比具有如下优点:
1、本方法克服了使用单一选线判据造成选线错误的问题;
2、该方法使用的复小波变换能一次性提取零序电流的幅值和相位,简化了计算过程;
3、该方法将特征频带内的特征量作为选线判据,减少了干扰信号的影响;将馈线暂态能量和特征频带中心频率对应的相位同时作为ANN训练样本集增加了选线的可靠性。
4、该方法ANN(人工神经网络)训练时综合考虑了故障角、过渡电阻和负载特性等影响,因此选线效果不受上述因素影响,准确可靠,属智能选线方法。
随着配电网的改造升级,电缆得到大量使用,致使配网分布电容增大,导致接地容性电流超过运行规程的规定,要求中性点必须经消弧线圈接地。本发明适用于由线-缆混合线路组成的谐振接地***。
附图说明
图1为本发明谐振接地***单相接地故障仿真模型;
图2为本发明实施例1所有馈线各个频带下的能量;
图3为本发明实施例1征频带内各馈线的能量;
图4为本发明实施例1各馈线特征频带中心频率对应相位;
图5为本发明实施例1神经网络结构。
具体实施方式
以下结合附图和具体实施方式,对本发明作进一步说明。
实施例1:如图1所示110kV/35kV谐振接地***单相接地故障仿真模型,它有6条馈线,Z字型变压器中性点通过消弧线圈串联电阻接地。架空馈线=15km、=18km、=30km,线–缆混合馈线=17km,其架空馈线12km、电缆5km,电缆馈线=6km、=8km。其中,架空馈线为JS1杆型,LGJ-70型导线,档距80m,电缆馈线为YJV23-35/95型电缆。该电网中的G为无限大电源;T为主变压器,变比为110 kV /35kV,联结组别为/d11;是Z字形变压器;L为消弧线圈;R为消弧线圈的阻尼电阻。馈线采用架空线路、架空线—电缆混合线路和电缆线路三种线路。
假设馈线距离母线5km处发生单相接地故障,故障时刻为0.023ms,过渡电阻为20Ω,采样频率为10kHz。按照前述方法,选取故障后5ms时窗各馈线的零序电流数据进行复小波变换,求得所有馈线各个频带下的能量和如图2所示。对应频带为2.75~0.478kHz,对应频带为0.458~0.256kHz,其他频带可依次类推。由图2知频带对应能量和最大,根据能量和最大原则选定该频带为该故障条件下的特征频带。计算特征频带内各馈线的能量及各馈线特征频带中心频率对应相位,如图3、图4所示。故障馈线和健全馈线在特征频带下的能量和特征频带中心频率对应的相位存在明显的差异。以上通过特例说明了运用复小波变换提取特征频带下各馈线的能量和特征频带中心频率对应的相位作为特征量进行选线准确有效。
将向量P=[,,,,,,,,,,,]样本属性作为输入层构建BP神经网络,含12个节点;网络的隐含层采用logsig函数即对数sigmoid传递函数,含12个节点;输出层采用purelin函数即纯线性传递函数,含7个节点。神经网络结构图如图5所示。设定如下多种故障特征:在每条馈线的1/3l、1/2l、2/3l处和母线处分别选取故障点;故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻(20Ω,100Ω,500Ω);故障初始相角分别取0°,30°,60°,90°;负荷分别选取为恒定功率负荷和电弧炉负荷,并分别提取故障暂态量和作为样本集,经归一化处理后输入BP神经网络中进行训练,得到符合要求的故障选线神经网络,误差性能目标设为1,神经网络输出向量为[,,,…,]。神经网络的输出结果经反归一化处理后得到故障线路。选线判据为,当≈1,其它值约等于0时,判定第条馈线发生故障,为馈线编号。当≈1,其它值约等于0时,判定母线发生故障。
现假设馈线发生单相接地故障,且故障距离母线距离分别为2km、6 km、14 km,对应的过渡电阻和故障初始相角分别为150Ω、500Ω、100Ω和0°、15°、55°。对各故障条件下的零序暂态电流进行20阶复高斯小波变换,分解层数为256层;选取分解尺度为4-203层的分解结果,按照20个尺度一个频带进行划分,得到各馈线10个频带的能量;根据能量和最大原则,选取10个频带中所有馈线能量和最大的频带作为特征频带;求取特征频带内各馈线的能量,提取各馈线特征频带中心频率对应的相位。将求得的故障暂态量和样本属性输入上述训练得到的故障选线神经网络中,求得的神经网络输出向量[,,,…,]的结果如表1所示。由表1可知≈1,其它值约等于0,由此判断馈线发生故障,判断结果与假设一致,选线正确。
实施例2: 对于如图1所示的谐振接地***,假设馈线发生单相接地故障,且故障距离母线距离分别为2km、5 km、9.5km,对应的过渡电阻和故障初始相角分别为50Ω、250Ω、300Ω和25°、40°、75°。对各故障条件下的零序暂态电流进行20阶复高斯小波变换,分解层数为256层;选取分解尺度为4-203层的分解结果,按照20个尺度一个频带进行划分,得到各馈线10个频带的能量;根据能量和最大原则,选取10个频带中所有馈线能量和最大的频带作为特征频带;求取特征频带内各馈线的能量,提取各馈线特征频带中心频率对应的相位。将求得的故障暂态量和样本属性输入实施例1训练得到的故障选线神经网络中,求得的神经网络输出向量[,,,…,]的结果如表2所示。由表2可知≈1,其它值约等于0,由此判断馈线发生故障,判断结果与假设一致,选线正确。
实施例3:对于如图1所示的谐振接地***,假设母线发生单相接地故障,且故障的过渡电阻和对应的故障初始相角分别为100Ω、200Ω、500Ω和15°、35°、75°。对各故障条件下的零序暂态电流进行20阶复高斯小波变换,分解层数为256层;选取分解尺度为4-203层的分解结果,按照20个尺度一个频带进行划分,得到各馈线10个频带的能量;根据能量和最大原则,选取10个频带中所有馈线能量和最大的频带作为特征频带;求取特征频带内各馈线的能量,提取各馈线特征频带中心频率对应的相位。将求得的故障暂态量和样本属性输入实施例1训练得到的故障选线神经网络,求得的神经网络输出向量[,,,…,]的结果如表3所示。由表3可知≈1,其它值约等于0,由此判断母线发生故障,判断结果与假设一致,选线正确。
表3 母线发生故障时的选线结果
上面结合附图对本发明的实施方式进行了说明,但本发明并不限于上述实施方式,在本领域技术人员所具备的知识范围内,还可以在不脱离本发明宗旨的前提下做出各种变化。
Claims (1)
1.一种利用复小波和ANN结合的谐振接地***故障选线方法,其特征在于按下列过程实现:
(2)对各零序暂态电流进行20阶复高斯小波变换,分解层数为256层;选取分解尺度为4-203层的分解结果,按照20个尺度一个频带进行划分,得到各馈线10个频带的能量;根据能量和最大原则,选取10个频带中所有馈线能量和最大的频带作为特征频带;求取特征频带内各馈线的能量,提取各馈线特征频带中心频率对应的相位;
(3)设计BP神经网络,BP神经网络分为三层,拓扑结构为××;其中,第一层为输入层含个节点,将通过复小波变换求得的各馈线的能量和各馈线特征频带中心频率对应的相位作为样本属性;第二层为隐含层含个节点,采用logsig函数即对数sigmoid传递函数;第三层为输出层含个节点,采用purelin函数即纯线性传递函数;m为谐振接地***馈线数量,;
(4)进行ANN训练,模拟仿真如下故障特征:在每条馈线的1/3l、1/2l、2/3l处和母线处分别选取故障点,故障过渡电阻分别选取为电弧炉负荷和恒定过渡电阻20Ω、100Ω、500Ω,故障初始相角分别取0°、30°、60°、90°,负荷分别选取为恒定功率负荷和电弧炉负荷;按步骤(1)、(2)所述方法,分别提取故障暂态量和作为样本集,经归一化处理后输入BP神经网络中进行训练,得到符合要求的故障选线网络,误差性能目标为1;
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101071086A CN103163430A (zh) | 2013-03-29 | 2013-03-29 | 一种利用复小波和ann结合的谐振接地***故障选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2013101071086A CN103163430A (zh) | 2013-03-29 | 2013-03-29 | 一种利用复小波和ann结合的谐振接地***故障选线方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN103163430A true CN103163430A (zh) | 2013-06-19 |
Family
ID=48586682
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN2013101071086A Pending CN103163430A (zh) | 2013-03-29 | 2013-03-29 | 一种利用复小波和ann结合的谐振接地***故障选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN103163430A (zh) |
Cited By (13)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424668A (zh) * | 2013-08-05 | 2013-12-04 | 昆明理工大学 | 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法 |
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 |
CN103631985A (zh) * | 2013-09-02 | 2014-03-12 | 国家电网公司 | 电弧炉分段线性的仿真阻抗模型 |
CN104569684A (zh) * | 2015-01-14 | 2015-04-29 | 上海和伍新材料科技有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
CN104865499A (zh) * | 2015-05-11 | 2015-08-26 | 昆明理工大学 | 一种特高压直流输电线路区内外故障识别方法 |
CN106443334A (zh) * | 2016-09-18 | 2017-02-22 | 昆明理工大学 | 一种基于零序电流差分极性比较的配电网故障选线方法 |
CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
CN108663600A (zh) * | 2018-05-09 | 2018-10-16 | 广东工业大学 | 一种基于输电网的故障诊断方法、装置及存储介质 |
CN109061397A (zh) * | 2018-10-11 | 2018-12-21 | 南方电网科学研究院有限责任公司 | 一种线路故障区域识别方法 |
CN112240965A (zh) * | 2019-07-17 | 2021-01-19 | 南京南瑞继保工程技术有限公司 | 一种基于深度学习算法的接地选线装置及方法 |
CN113866572A (zh) * | 2021-09-06 | 2021-12-31 | 西安理工大学 | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 |
CN114814468A (zh) * | 2022-06-20 | 2022-07-29 | 南京工程学院 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
CN115291039A (zh) * | 2022-08-09 | 2022-11-04 | 贵州大学 | 一种谐振接地***单相接地故障选线方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162838A (zh) * | 2007-11-29 | 2008-04-16 | 昆明理工大学 | 一种利用小波包分解和相关分析的小电流接地***故障选线方法 |
CN101545943A (zh) * | 2009-05-05 | 2009-09-30 | 昆明理工大学 | 利用小波能量相对熵的配电网缆-线混合线路故障选线方法 |
CN101924354A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 |
-
2013
- 2013-03-29 CN CN2013101071086A patent/CN103163430A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101162838A (zh) * | 2007-11-29 | 2008-04-16 | 昆明理工大学 | 一种利用小波包分解和相关分析的小电流接地***故障选线方法 |
CN101545943A (zh) * | 2009-05-05 | 2009-09-30 | 昆明理工大学 | 利用小波能量相对熵的配电网缆-线混合线路故障选线方法 |
CN101924354A (zh) * | 2010-04-19 | 2010-12-22 | 昆明理工大学 | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 |
Non-Patent Citations (1)
Title |
---|
束洪春等: "基于零序电流小波变换系数均方根值的故障选线ANN方法", 《电力科学与技术学报》 * |
Cited By (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103424668B (zh) * | 2013-08-05 | 2016-02-24 | 昆明理工大学 | 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法 |
CN103424668A (zh) * | 2013-08-05 | 2013-12-04 | 昆明理工大学 | 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法 |
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 |
CN103631985A (zh) * | 2013-09-02 | 2014-03-12 | 国家电网公司 | 电弧炉分段线性的仿真阻抗模型 |
CN103454559B (zh) * | 2013-09-02 | 2015-10-28 | 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 |
CN104569684A (zh) * | 2015-01-14 | 2015-04-29 | 上海和伍新材料科技有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
CN104569684B (zh) * | 2015-01-14 | 2017-08-25 | 上海和伍复合材料有限公司 | 一种基于电弧光谱信号的故障电弧检测方法 |
CN104865499A (zh) * | 2015-05-11 | 2015-08-26 | 昆明理工大学 | 一种特高压直流输电线路区内外故障识别方法 |
CN106443334B (zh) * | 2016-09-18 | 2019-04-09 | 昆明理工大学 | 一种基于零序电流差分极性比较的配电网故障选线方法 |
CN106443334A (zh) * | 2016-09-18 | 2017-02-22 | 昆明理工大学 | 一种基于零序电流差分极性比较的配电网故障选线方法 |
CN108279364A (zh) * | 2018-01-30 | 2018-07-13 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
CN108279364B (zh) * | 2018-01-30 | 2020-01-14 | 福州大学 | 基于卷积神经网络的配电网单相接地故障选线方法 |
CN108663600A (zh) * | 2018-05-09 | 2018-10-16 | 广东工业大学 | 一种基于输电网的故障诊断方法、装置及存储介质 |
CN108663600B (zh) * | 2018-05-09 | 2020-11-10 | 广东工业大学 | 一种基于输电网的故障诊断方法、装置及存储介质 |
CN109061397A (zh) * | 2018-10-11 | 2018-12-21 | 南方电网科学研究院有限责任公司 | 一种线路故障区域识别方法 |
CN109061397B (zh) * | 2018-10-11 | 2020-07-28 | 南方电网科学研究院有限责任公司 | 一种线路故障区域识别方法 |
CN112240965A (zh) * | 2019-07-17 | 2021-01-19 | 南京南瑞继保工程技术有限公司 | 一种基于深度学习算法的接地选线装置及方法 |
CN113866572A (zh) * | 2021-09-06 | 2021-12-31 | 西安理工大学 | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 |
CN113866572B (zh) * | 2021-09-06 | 2024-05-28 | 西安理工大学 | 多电力电子装置接入条件下的直流故障电弧检测及定位方法 |
CN114814468A (zh) * | 2022-06-20 | 2022-07-29 | 南京工程学院 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
CN114814468B (zh) * | 2022-06-20 | 2022-09-20 | 南京工程学院 | 考虑高比例dg接入的配电网单相接地故障智能选线方法 |
CN115291039A (zh) * | 2022-08-09 | 2022-11-04 | 贵州大学 | 一种谐振接地***单相接地故障选线方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103163430A (zh) | 一种利用复小波和ann结合的谐振接地***故障选线方法 | |
Yang et al. | New ANN method for multi-terminal HVDC protection relaying | |
CN103424669B (zh) | 一种利用故障馈线零序电流矩阵主成分分析第一主成分的选线方法 | |
CN103018627B (zh) | 非有效接地***故障类型自适应接地选线方法 | |
CN103424668B (zh) | 一种利用馈线零序电流主成分分析和证据理论融合的弧光接地故障连续选线方法 | |
CN103267927B (zh) | 一种利用工频分量小波系数直线拟合检测的小电流接地***故障选线方法 | |
CN103474981B (zh) | 一种基于零序电流多阶差分变换方向的配网单相接地保护方法 | |
CN103217622B (zh) | 基于多端电压行波的配电网故障选线方法 | |
CN103474980B (zh) | 一种基于暂态功率方向的配电网单相接地保护方法 | |
Abu-Elanien et al. | A non-communication based protection algorithm for multi-terminal HVDC grids | |
CN103257304A (zh) | 一种利用零序电流特征频带内cwt系数rms值的ann故障选线方法 | |
CN103474974B (zh) | 一种基于零序电流突变量直线拟合方向的配网单相接地保护方法 | |
CN101964515B (zh) | 特高压直流输电线路线模电压s变换的边界元件方法 | |
CN101924354B (zh) | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 | |
CN105759167A (zh) | 一种基于小波神经网络的配电网单相短路选线方法 | |
CN110783896B (zh) | 一种基于弱故障主被动联合检测的配网单相接地保护方法 | |
Azeroual et al. | Fault location and detection techniques in power distribution systems with distributed generation: Kenitra City (Morocco) as a case study | |
CN102135591A (zh) | 谐振接地电网单相接地故障db小波暂态量选线方法 | |
CN102928731A (zh) | 一种利用零序电流全量Hough变换的配电网故障选线方法 | |
CN104614638A (zh) | 小电流***接地选线方法 | |
CN103163417A (zh) | 一种基于短时窗高低频暂态能量比值的虚幻接地识别方法 | |
CN103293448B (zh) | 基于半周波能量比的单相接地故障与虚幻接地识别方法 | |
Khalili et al. | A fault location and detection technique for STATCOM compensated transmission lines using game theory | |
Lee et al. | New fault detection method for low voltage DC microgrid with renewable energy sources | |
CN103323728B (zh) | 基于全周波能量比的单相接地故障与虚幻接地识别方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
C02 | Deemed withdrawal of patent application after publication (patent law 2001) | ||
WD01 | Invention patent application deemed withdrawn after publication |
Application publication date: 20130619 |