CN106771846A - 基于模糊推理脉冲神经膜***的输电线路故障选相方法 - Google Patents

基于模糊推理脉冲神经膜***的输电线路故障选相方法 Download PDF

Info

Publication number
CN106771846A
CN106771846A CN201610984099.2A CN201610984099A CN106771846A CN 106771846 A CN106771846 A CN 106771846A CN 201610984099 A CN201610984099 A CN 201610984099A CN 106771846 A CN106771846 A CN 106771846A
Authority
CN
China
Prior art keywords
phase
fault
character values
fuzzy
rule
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
Application number
CN201610984099.2A
Other languages
English (en)
Other versions
CN106771846B (zh
Inventor
张葛祥
黄康
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Xihua University
Original Assignee
Xihua University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xihua University filed Critical Xihua University
Priority to CN201610984099.2A priority Critical patent/CN106771846B/zh
Publication of CN106771846A publication Critical patent/CN106771846A/zh
Application granted granted Critical
Publication of CN106771846B publication Critical patent/CN106771846B/zh
Expired - Fee Related legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
    • 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
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/088—Aspects of digital computing

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Engineering & Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Theoretical Computer Science (AREA)
  • Emergency Protection Circuit Devices (AREA)

Abstract

本发明属于电网调度与故障分析领域，涉及一种基于模糊推理实数脉冲神经膜***的输电线路故障选相方法。本发明的方法主要包括：获取电流故障分量信息；提取电流故障分量信号小波特征；建立故障选相模糊推理实数脉冲神经膜***；对建立的故障选相模糊推理实数脉冲神经膜***进行推理；根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应故障类型为最后选相结果。本发明的有益效果为，本发明将小波变换与模糊推理实数脉冲神经膜***进行有机结合，实现准确的输电线路故障选相；故障选相正确性高；方法实现简单；对复杂故障情况适应性好。

Description

基于模糊推理脉冲神经膜***的输电线路故障选相方法
技术领域
本发明属于电网调度与故障分析领域，涉及一种基于模糊推理实数脉冲神经膜***的输电线路故障选相方法。
背景技术
随着电网规模的不断扩大，如何高效稳定地输送电能是保证电网安全、稳定运行的重要环节。影响电能输送的因素很多，其中，输电线路故障是其重要因素之一。如何快速、准确地对输电线路进行故障选相是快速恢复电网供电、保证电网安全运行的重要前提。
目前，传统的输电线路故障选相主要分为两个阶段：故障信息特征提取和故障信息特征识别。在第一阶段，故障信息特征提取方法主要分为两类，一类是基于工频稳态量的提取方法，这类方法的性能容易受故障电阻、故障距离、故障初始角等因素影响；另一类是基于故障暂态量的提取方法，由于暂态量包含了丰富的故障特征信息，并且不易受故障电阻、故障距离、故障初始角的影响，因此提取故障信息特征具有很高的识别度和精度。对于第二阶段，故障信息特征识别方法主要集中于推理法和分类器法，如模糊推理、人工神经网络。但是，无论是模糊推理还是人工神经网络，其推理过程都是一个黑箱操作，不容易被人理解。因此，研究快速准确的输电线路故障选相方法对保障电能传输安全性与经济性具有重要的实际意义。
发明内容
本发明的目的在于克服上述现有技术的不足，提供一种基于模糊推理实数脉冲神经膜***的输电线路故障选相方法。首先利用小波变换具有良好的时频特性，提取电流故障分量的特征信息。在此基础上，利用模糊推理实数脉冲神经膜***进行故障特征识别。本发明的突出优势是利用模糊推理脉冲神经膜***解决输电线路故障选相的第二阶段。该方法在选相过程中依据模糊推理实数脉冲神经膜***的推理算法进行推理，表达清晰，计算简便，且在复杂的故障条件下，本方法都能获得正确选相结果。
为解决上述技术问题，本发明的采用的技术方案为：
基于模糊推理脉冲神经膜***的输电线路故障选相方法，其特征在于，包括以下步骤：
a.获取电流故障分量信息：
取故障后1/4周期内的三相电流与故障发生前15ms至20ms内的三相电流差值作为三相电流故障分量，并同时计算零序电流故障分量；
b.提取电流故障分量信号小波特征：
采用db3小波对三相电流及零序电流故障分量进行8层分解，对第8层小波系数矩阵进行奇异值分解，得到系数矩阵的奇异值，并计算归一化值，将得到的归一化值作为电流故障分量信号小波特征值；
c.建立故障选相模糊推理实数脉冲神经膜***：
根据电流故障分量信号小波特征值，建立故障选相模糊产生式规则集；
d.对建立的故障选相模糊推理实数脉冲神经膜***进行推理：
采用模糊推理实数脉冲神经膜***的模糊推理算法对故障选相膜***进行推理，获取故障类型的模糊可信度；模糊推理实数脉冲神经膜***模糊推理算法的具体步骤为：
(1)设定初始状态：令推理步骤g＝0，设定判定依据01＝(0,0,...,0)T。依据各神经元中包含的脉冲值设定命题神经元和规则神经元向量初始值，两个向量分别表示为θ0＝(θ10,θ20,...,θs0)T和δ0＝(δ10,δ20,...,δt0)，其中s代表命题神经元个数，n代表规则神经元个数；
(2)令推理步骤g＝g+1；
(3)命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新；
(4)当δg≠01，规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，并返回到步骤(2)；否则，结束推理并输出结果。
其中，各参数向量(矩阵)含义及其乘法算子的定义如下：
θ＝(θ1,θ2,...,θs)T，其中θi(1≤i≤s)，表示第i个命题神经元包含的脉冲值，其值由0和1之间的实数表示。若一个命题神经元中没有包含任何脉冲，则该命题神经元的脉冲值表示为0，命题神经元及其脉冲值传递规则如图3所示；
δ＝(δ1,δ2,...,δt)T，其中δj(1≤j≤t)，表示第j个规则神经元包含的脉冲值，其值同样由0和1之间的实数表示。若一个规则神经元中没有包含任何脉冲，则该规则神经元的脉冲值表示为0；
C＝diag(c1,c2,...,ct)，其中cj表示第j个规则神经元(第j条模糊产生式规则)的置信度，其值由0和1之间的实数表示；
为突触矩阵，表示命题神经元到“与”规则神经元的有向连接关系。如果从命题神经元δi到“与”规则神经元δj存在突触，则dij＝1，否则dij＝0；
为突触矩阵，表示“与”规则神经元到命题神经元的有向连接关系。如果从“与”规则神经元δj到命题神经元δi存在突触，则eji＝1，否则eji＝0；
其中j＝1,...,t；
其中j＝1,...,t，算子“∧”为取最小值；
其中j＝1,...,t，算子“∨”为取最大值；
e.确定故障选相结果：
根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应故障类型为最后选相结果。
进一步的，步骤c中所述故障选相模糊产生式规则集包括：
规则1：If零序特征值高，then接地故障；
规则2：If零序特征值低，then相间故障；
规则3：If A相特征值高、B相特征值低、C相特征值低且接地故障，then故障类型为A相接地故障；
规则4：If A相特征值低、B相特征值高、C相特征值低且接地故障，then故障类型为B相接地故障；
规则5：If A相特征值低、B相特征值低、C相特征值高且接地故障，then故障类型为C相接地故障；
规则6：If A相特征值高、B相特征值高、C相特征值低且接地故障，then故障类型为AB两相接地故障；
规则7：If A相特征值低、B相特征值高、C相特征值高且接地故障，then故障类型为BC两相接地故障；
规则8：If A相特征值高、B相特征值低、C相特征值高且接地故障，then故障类型为CA两相接地故障；
规则9：If A相特征值高、B相特征值高、C相特征值低且相间故障，then故障类型为AB相间短路故障；
规则10：If A相特征值低、B相特征值高、C相特征值高且相间故障，then故障类型为BC相间短路故障；
规则11：If A相特征值高、B相特征值低、C相特征值高且相间故障，then故障类型为CA相间短路故障；
规则12：If A相特征值高、B相特征值高、C相特征值高且相间故障，then故障类型为ABC三相短路故障。
本发明的有益效果为：(1)本发明将小波变换与模糊推理实数脉冲神经膜***进行有机结合，实现准确的输电线路故障选相；(2)故障选相正确性高，本发明依据10种短路故障类型与故障特征值之间的关系建立模糊产生式规则，并赋予其一定可信度，使得推理过程更合理，更符合实际情况；(3)方法实现简单，本发明首先通过小波变换提取电流故障分量的故障特征值，然后把故障特征值作为故障选相模糊推理实数脉冲神经膜***的输入，采用模糊推理算法进行推理，推理过程中主要进行矩阵运算，具有较好的并行处理能力，选相过程清晰简单，易于维护；(4)对复杂故障情况适应性好，本发明在叠加原理的基础上采用小波变换分析电流故障分量的故障特征，从而在高故障电阻，远故障距离的情况下，本方法都能获得正确的选相结果。
附图说明
图1为本发明方法的流程图；
图2为本发明方法的模糊隶属度函数；
图3为本发明命题神经元：(a)传统形式；(b)简写形式；
图4为本发明规则神经元：(i)“一般”类型：(a)传统形式；(b)简写形式
(ii)“”类型：(a)传统形式；(b)简写形式
图5为本发明基于模糊推理实数脉冲神经膜***的故障选相模型；
图6为本发明双端供电输电线路示意图。
具体实施方式
下面结合附图和实施例，详细描述本发明的技术方案：
实施例
这里以图6所示的双端供电输电线路短路故障为例对本发明方法进行详细阐述。实施例分为具有代表性的单相接地故障，两相接地故障，两相相间短路故障以及三相短路故障四种情况进行。情况一：输电线路A相接地故障，故障初始角为0°，故障电阻为200Ω，故障距离为200km；情况二：AB两相接地故障，故障初始角为0°，故障电阻为200Ω，故障距离为200km；情况三：AB相间短路故障，故障初始角为30°，故障电阻为200Ω，故障距离为200km；情况四：ABC三相短路故障，故障初始角为30°，故障电阻为200Ω，故障距离为200km；
情况一：输电线路A相接地故障。故障选相的具体过程如下：
步骤1：取故障后1/4周期内的三相电流与故障前15ms至20ms内的三相电流差值作为三相电流故障分量，并同时计算零序电流故障分量；
步骤2：利用db3小波对故障分量进行分析，尺度为8，对第8层小波系数矩阵进行奇异值分解，得到三相及零序电流故障分量奇异值分别为10.5269，2.1463，1.8363和3.7628，并将这些奇异值归一化，结果分别为1，0.2039，0.1744和0.3574；
步骤3：将归一化值模糊化，采用模糊推理实数脉冲神经膜***的模糊推理算法对故障分类模型进行模糊推理，获取每种故障类型的故障可信度。具体步骤为：
1.设定初始状态。设定推理步骤g＝0。设定判定依据01＝(0，0，...，0)T。模糊推理实数脉冲神经膜***初始状态为：θ0＝[1，0，1，0，0.013，0.987，0，1，0，0，0，0，0，0，0，0，0，0，0，0]，δ0＝[0，0，0，0，0，0，0，0，0，0，0，0]，C＝[0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95]；
2.令推理步骤g增加1，即g＝1；
3.命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新，即δ1＝[1，0，0，0，0，0，0，0，0，0，0，0]；4.规则神经元点火。规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，即
θ1＝[0，0，1，0，0.013，0.987，0，1，0.95，0，0，0，0，0，0，0，0，0，0，0]；
5.返回执行第2步。推理步骤g＝2。δ2＝[0，0，0.95，0，0，0，0，0，0，0，0，0]，θ1＝[0，0，0，0，0，0，0，0，0，0，0.9025，0，0，0，0，0，0，0，0，0]；
6.返回执行第2步。推理步骤g＝3。δ3＝[0，0，0，0，0，0，0，0，0，0，0，0]，满足终止条件，结束推理。
步骤4：确定故障选相结果。
根据疑似故障类型的模糊可信度确定故障类型，并输出选相结果，具体过程为：
根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应的故障类型为最后选相结果。由于命题神经元11是模糊可信度最大的命题神经元，因此判定故障类型为A相接地故障。
情况二：输电线路AB两相接地故障。故障分类的具体过程如下：
步骤1：取故障后1/4周期内的三相电流与故障前15ms至20ms内的三相电流采样值数列差作为故障分量；
步骤2：利用db3小波对故障分量进行分析，尺度为8，对第8层小波系数矩阵进行奇异值分解，得到三相及零序电流故障分量奇异值分别为23.6354，19.3165，2.1259和3.2944，并将这些奇异值归一化，结果分别为1，0.8173，0.0899和0.1394；
步骤3：将归一化值模糊化，采用模糊推理脉冲神经膜***的模糊推理算法对故障分类模型进行反向模糊推理，获取每种故障类型的故障可信度。具体步骤为：
1.设定初始状态。设定推理步骤g＝0。设定判定依据01＝(0，0，...，0)T。模糊推理实数脉冲神经膜***初始状态为：
θ0＝[1，0，1，0，1，0，0，1，0，0，0，0，0，0，0，0，0，0，0，0]
δ0＝[0，0，0，0，0，0，0，0，0，0，0，0]
C＝[0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95，0.95]；
2.令推理步骤g增加1，即g＝1；
3.命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新，即δ1＝[1，0，0，0，0，0，0，0，0，0，0，0]；
4.规则神经元点火。规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，即
θ1＝[0，0，1，0，1，0，0，1，0.95，0，0，0，0，0，0，0，0，0，0，0]；
5.返回执行第2步。推理步骤g＝2。δ2＝[0，0，0，0，0，0.95，0，0，0，0，0，0]，θ2＝[0，，0，0，0，0，0，0，0，0，0，0，0，0，0.9025，0，0，0，0，0，0]；
6.返回执行第2步。推理步骤g＝3。δ3＝[0,0,0,0,0,0,0,0,0,0,0,0]，满足终止条件，结束推理。
步骤4：确定故障选相结果。
根据疑似故障类型的模糊可信度确定故障类型，并输出选相结果，具体过程为：
根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应的故障类型为最后选相结果。由于命题神经元14是模糊可信度最大的命题神经元，因此判定故障类型为AB两相接地故障。
情况三：输电线路AB相间短路故障。故障分类的具体过程如下：
步骤1：取故障后1/4周期内的三相电流与故障前15ms至20ms内的三相电流采样值数列差作为故障分量；
步骤2：利用db3小波对故障分量进行分析，尺度为8，对第8层小波系数矩阵进行奇异值分解，得到三相及零序电流故障分量奇异值分别为15.3014,13.7617,1.5847和4.5792e-13，并将这些奇异值归一化，结果分别为1,0.8994,0.1036和0.2993e-13；
步骤3：将归一化值模糊化，采用模糊推理脉冲神经膜***的模糊推理算法对故障分类模型进行反向模糊推理，获取每种故障类型的故障可信度。具体步骤为：
1.设定初始状态。设定推理步骤g＝0。设定判定依据01＝(0,0,...,0)T。模糊推理实数脉冲神经膜***初始状态为：
θ0＝[0,1,1,0,1,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0]，
δ0＝[0,0,0,0,0,0,0,0,0,0,0,0],
C＝[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95]；
2.令推理步骤g增加1,即g＝1；
3.命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新,即δ1＝[0,1,0,0,0,0,0,0,0,0,0,0]，
4.规则神经元点火。规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，即θ1＝[0,0,1,0,1,0,0,1,0,0.95,0,0,0,0,0,0,0,0,0,0]；
5.返回执行第2步。推理步骤g＝2。δ2＝[0，0，0，0，0，0，0，0，0，0，0，0.95]，θ2＝[0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0,0.9025,0,0,0]；
6.返回执行第2步。推理步骤g＝3。δ3＝[0,0,0,0,0,0,0,0,0,0,0,0]，满足终止条件，结束推理。
步骤4：确定故障选相结果。
根据疑似故障类型的模糊可信度确定故障类型，并输出选相结果，具体过程为：
根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应的故障类型为最后选相结果。由于命题神经元17是模糊可信度最大的命题神经元，因此判定故障类型为AB相间短路故障。
情况四：输电线路ABC三相短路故障。故障分类的具体过程如下：
步骤1：取故障后1/4周期内的三相电流与故障前15ms至20ms内的三相电流采样值数列差作为故障分量；
步骤2：利用db3小波对故障分量进行分析，尺度为8，对第8层小波系数矩阵进行奇异值分解，得到三相及零序电流故障分量奇异值分别为24.1292,36.7854,48.0947和7.5930e-13，并将这些奇异值归一化，结果分别为0.5017,0.7649,1和1.5796e-14；
步骤3：将归一化值模糊化，采用模糊推理脉冲神经膜***的模糊推理算法对故障分类模型进行反向模糊推理，获取每种故障类型的故障可信度。具体步骤为：
1.设定初始状态。设定推理步骤g＝0。设定判定依据01＝(0,0,...,0)T。模糊推理实数脉冲神经膜***初始状态为：
θ0＝[0，1，1，0，1，0，1，0，0，0，0，0，0，0，0，0，0，0，0，0]，
δ0＝[0,0,0,0,0,0,0,0,0,0,0,0],
C＝[0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95,0.95]；
2.令推理步骤g增加1,即g＝1；
3.命题神经元点火。命题神经元点火后，规则神经元矩阵中各元素的值将依据公式进行更新,即δ1＝[0,1,0,0,0,0,0,0,0,0,0,0]，
4.规则神经元点火。规则神经元点火，命题神经元矩阵中各元素的值将依据公式进行更新，即
θ1＝[0，0，1，0，1，0，1，0，0，0.95，0，0，0，0，0，0，0，0，0，0]；
5.返回执行第2步。推理步骤g＝2。δ2＝[0，0，0，0，0，0，0，0，0.95，0，0，0]，θ2＝[0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0，0.9025]；
6.返回执行第2步。推理步骤g＝3。δ3＝[0，0，0，0，0，0，0，0，0，0，0，0]，满足终止条件，结束推理。
步骤4：确定故障选相结果。
根据疑似故障类型的模糊可信度确定故障类型，并输出选相结果，具体过程为：
根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应的故障类型为最后选相结果。由于命题神经元20是模糊可信度最大的命题神经元，因此判定故障类型为ABC三相短路故障。
通过实施例中四种情况选相结果可知，本发明方法故障选相过程采用模糊推理实数脉冲神经膜***，过程清晰简单，易于理解，且在不同故障初始角、高故障电阻、远故障距离等情况下，本方法仍然能获得正确的故障选相结果。

Claims (2)

1.基于模糊推理脉冲神经膜***的输电线路故障选相方法，其特征在于，包括以下步骤：
a.获取电流故障分量信息：
取故障后1/4周期内的三相电流与故障发生前15ms至20ms内的三相电流差值作为三相电流故障分量，并同时计算零序电流故障分量；
b.提取电流故障分量信号小波特征：
采用db3小波对三相电流及零序电流故障分量进行8层分解，对第8层小波系数矩阵进行奇异值分解，得到系数矩阵的奇异值，并计算归一化值，将得到的归一化值作为电流故障分量信号小波特征值；
c.建立故障选相模糊推理实数脉冲神经膜***：
根据电流故障分量信号小波特征值，建立故障选相模糊产生式规则集；
d.对建立的故障选相模糊推理实数脉冲神经膜***进行推理：
采用模糊推理实数脉冲神经膜***的模糊推理算法对故障选相膜***进行推理，获取故障类型的模糊可信度；
e.确定故障选相结果：
根据模糊推理得到的各疑似故障类型的模糊可信度进行判定，选择模糊可信度最大的命题神经元所对应故障类型为最后选相结果。
2.根据权利要求1所述的基于模糊推理脉冲神经膜***的输电线路故障选相方法，其特征在于，步骤c中所述故障选相模糊产生式规则集包括：
规则1：If零序特征值高，then接地故障；
规则2：If零序特征值低，then相间故障；
规则3：If A相特征值高、B相特征值低、C相特征值低且接地故障，then故障类型为A相接地故障；
规则4：If A相特征值低、B相特征值高、C相特征值低且接地故障，then故障类型为B相接地故障；
规则5：If A相特征值低、B相特征值低、C相特征值高且接地故障，then故障类型为C相接地故障；
规则6：If A相特征值高、B相特征值高、C相特征值低且接地故障，then故障类型为AB两相接地故障；
规则7：If A相特征值低、B相特征值高、C相特征值高且接地故障，then故障类型为BC两相接地故障；
规则8：If A相特征值高、B相特征值低、C相特征值高且接地故障，then故障类型为CA两相接地故障；
规则9：If A相特征值高、B相特征值高、C相特征值低且相间故障，then故障类型为AB相间短路故障；
规则10：If A相特征值低、B相特征值高、C相特征值高且相间故障，then故障类型为BC相间短路故障；
规则11：If A相特征值高、B相特征值低、C相特征值高且相间故障，then故障类型为CA相间短路故障；
规则12：If A相特征值高、B相特征值高、C相特征值高且相间故障，then故障类型为ABC三相短路故障。
CN201610984099.2A 2016-11-08 2016-11-08 基于模糊推理脉冲神经膜***的输电线路故障选相方法 Expired - Fee Related CN106771846B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201610984099.2A CN106771846B (zh) 2016-11-08 2016-11-08 基于模糊推理脉冲神经膜***的输电线路故障选相方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201610984099.2A CN106771846B (zh) 2016-11-08 2016-11-08 基于模糊推理脉冲神经膜***的输电线路故障选相方法

Publications (2)

Publication Number Publication Date
CN106771846A true CN106771846A (zh) 2017-05-31
CN106771846B CN106771846B (zh) 2019-03-01

Family

ID=58972361

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201610984099.2A Expired - Fee Related CN106771846B (zh) 2016-11-08 2016-11-08 基于模糊推理脉冲神经膜***的输电线路故障选相方法

Country Status (1)

Country Link
CN (1) CN106771846B (zh)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108120903A (zh) * 2018-02-05 2018-06-05 西南交通大学 一种基于脉冲神经膜***的小电流单相接地故障选线方法
CN109507527A (zh) * 2018-11-06 2019-03-22 国网天津市电力公司电力科学研究院 一种基于突触可塑性的snp***含分布式电源配电网故障定位方法
CN112613613A (zh) * 2020-12-01 2021-04-06 西华大学 一种基于脉冲神经膜***的三相感应电动机故障分析方法
CN112710914A (zh) * 2020-12-16 2021-04-27 西华大学 计及控制中心故障信息篡改的智能变电站故障诊断方法
CN113159113A (zh) * 2021-03-09 2021-07-23 西华大学 信息恶意篡改下可修复遥测量的智能电网故障诊断方法
CN113625118A (zh) * 2021-08-17 2021-11-09 广西电网有限责任公司 基于优化脉冲神经膜***的单相接地故障选线方法
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

Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5972068A (ja) * 1982-10-18 1984-04-23 Nissin Electric Co Ltd 平行２回線送電線地絡故障点標定装置
CN1601840A (zh) * 2004-09-29 2005-03-30 上海交通大学 基于单端电流暂态信息的单回线路故障选相方法
CN102122815A (zh) * 2011-02-28 2011-07-13 清华大学 高压输电线路超高速行波方向纵联保护方法、装置和***
CN102305898A (zh) * 2011-05-18 2012-01-04 昆明理工大学 一种利用暂态能量的交流输电线路故障选相方法
CN103336222A (zh) * 2013-06-06 2013-10-02 西南交通大学 基于模糊推理脉冲神经膜***的电力***故障诊断方法
CN105911415A (zh) * 2016-04-29 2016-08-31 四川中光防雷科技股份有限公司 一种基于暂态分量的短路故障选相方法

Patent Citations (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JPS5972068A (ja) * 1982-10-18 1984-04-23 Nissin Electric Co Ltd 平行２回線送電線地絡故障点標定装置
CN1601840A (zh) * 2004-09-29 2005-03-30 上海交通大学 基于单端电流暂态信息的单回线路故障选相方法
CN102122815A (zh) * 2011-02-28 2011-07-13 清华大学 高压输电线路超高速行波方向纵联保护方法、装置和***
CN102305898A (zh) * 2011-05-18 2012-01-04 昆明理工大学 一种利用暂态能量的交流输电线路故障选相方法
CN103336222A (zh) * 2013-06-06 2013-10-02 西南交通大学 基于模糊推理脉冲神经膜***的电力***故障诊断方法
CN105911415A (zh) * 2016-04-29 2016-08-31 四川中光防雷科技股份有限公司 一种基于暂态分量的短路故障选相方法

Cited By (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108120903A (zh) * 2018-02-05 2018-06-05 西南交通大学 一种基于脉冲神经膜***的小电流单相接地故障选线方法
CN109507527A (zh) * 2018-11-06 2019-03-22 国网天津市电力公司电力科学研究院 一种基于突触可塑性的snp***含分布式电源配电网故障定位方法
CN109507527B (zh) * 2018-11-06 2021-03-19 国网天津市电力公司电力科学研究院 一种基于突触可塑性的snp***含分布式电源配电网故障定位方法
CN112613613A (zh) * 2020-12-01 2021-04-06 西华大学 一种基于脉冲神经膜***的三相感应电动机故障分析方法
CN112613613B (zh) * 2020-12-01 2024-03-05 深圳泓越企业管理咨询有限公司 一种基于脉冲神经膜***的三相感应电动机故障分析方法
CN112710914A (zh) * 2020-12-16 2021-04-27 西华大学 计及控制中心故障信息篡改的智能变电站故障诊断方法
CN112710914B (zh) * 2020-12-16 2022-06-17 西华大学 计及控制中心故障信息篡改的智能变电站故障诊断方法
CN113159113A (zh) * 2021-03-09 2021-07-23 西华大学 信息恶意篡改下可修复遥测量的智能电网故障诊断方法
CN113625118A (zh) * 2021-08-17 2021-11-09 广西电网有限责任公司 基于优化脉冲神经膜***的单相接地故障选线方法
CN113625118B (zh) * 2021-08-17 2023-10-24 广西电网有限责任公司 基于优化脉冲神经膜***的单相接地故障选线方法
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

Also Published As

Publication number Publication date
CN106771846B (zh) 2019-03-01

Similar Documents

Publication Publication Date Title
CN106771846B (zh) 基于模糊推理脉冲神经膜***的输电线路故障选相方法
CN109635928B (zh) 基于深度学习模型融合的电压暂降原因识别方法
CN104502795B (zh) 一种适用于微电网的智能故障诊断方法
CN108120903A (zh) 一种基于脉冲神经膜***的小电流单相接地故障选线方法
CN109921414A (zh) 一种基于深度学习融合模型的电力***暂态稳定评估方法
CN106203531A (zh) 一种基于卷积稀疏自动编码器的输电线故障分类方法
CN108964046A (zh) 一种基于短时受扰轨迹的电力***暂态稳定性评估方法
CN114021433B (zh) 一种电力***的主导失稳模式识别模型的构建方法及应用
CN110609477A (zh) 一种基于深度学习的电力***暂态稳定性判别***及方法
CN106483425A (zh) 基于三角模糊数的脉冲神经膜***的故障诊断方法及装置
Yan et al. Deep learning based total transfer capability calculation model
CN115469184A (zh) 基于卷积网络的新能源输电线路故障识别方法
CN103545789B (zh) 变压器差动保护的励磁涌流模糊识别方法
Ye et al. Single pole‐to‐ground fault location method for mmc‐hvdc system using wavelet decomposition and dbn
CN106019043A (zh) 一种基于模糊积分多源信息融合理论的电网故障诊断方法
CN108121796A (zh) 基于可信度的电能计量装置故障分析方法及装置
CN109271925A (zh) 一种智能插座上的电器设备类型识别方法
Du et al. A hierarchical power system transient stability assessment method considering sample imbalance
CN107196307A (zh) 一种变压器故障后电网有功潮流快速估算的方法
Wan et al. Feeder selection method for full cable networks earth faults based on improved K‐means
Mishra et al. Classification of faults in a TCSC compensated transmission line using data mining algorithm
CN106816871A (zh) 一种电力***状态相似性分析方法
CN104934969B (zh) 一种电力线路参数的计算方法
Bisoi et al. A hybrid Hilbert Huang transform and improved fuzzy decision tree classifier for assessment of power quality disturbances in a grid connected distributed generation system
Liu et al. Theoretical line loss calculation method for low-voltage distribution network via matrix completion and ReliefF-CNN

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
CF01 Termination of patent right due to non-payment of annual fee

Granted publication date: 20190301

Termination date: 20191108

CF01 Termination of patent right due to non-payment of annual fee