CN109521330B - 一种基于arima波头预测的输电线路故障行波测距方法 - Google Patents
一种基于arima波头预测的输电线路故障行波测距方法 Download PDFInfo
- Publication number
- CN109521330B CN109521330B CN201811492951.XA CN201811492951A CN109521330B CN 109521330 B CN109521330 B CN 109521330B CN 201811492951 A CN201811492951 A CN 201811492951A CN 109521330 B CN109521330 B CN 109521330B
- Authority
- CN
- China
- Prior art keywords
- arima
- sequence
- fault
- model
- wave head
- 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.)
- Active
Links
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 title claims abstract description 37
- 230000005540 biological transmission Effects 0.000 title claims abstract description 25
- 238000000691 measurement method Methods 0.000 title claims abstract description 8
- 238000000034 method Methods 0.000 claims abstract description 31
- 238000005259 measurement Methods 0.000 claims abstract description 19
- 239000004576 sand Substances 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004088 simulation Methods 0.000 description 3
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000010891 electric arc Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Images
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
- G01R31/088—Aspects of digital computing
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于ARIMA波头预测的输电线路故障行波测距方法。该方法在首端和末端各布置一个电压测量点。首先,大致确定线路电压首波头,选取首波头前一段波形来提供初始数据;其次,利用ARIMA来预测波形;最后,求取预测波形和实际波形的差异来确定精确波头位置,并且使用双端法确定故障位置。本发明不受故障位置、故障电阻、故障初相角影响,具有较高的精度、可靠性。
Description
技术领域
本发明涉及输电线路故障测量领域,尤其是一种基于ARIMA波头预测的输电线路故障行波测距方法。
背景技术
随着近几年经济的快速发展,用电负荷的规模和数量在不断增加,输电线路的快速准确故障定位对于减少经济损失和提高***可靠性具有重要意义。但是传统行波法中,波头识别困难,误差大,无法找到精确的故障发生点。不仅仅增加电网检修人员巡线时间,也对地区的用电安全带来隐患。
目前,输电线路故障定位方法可分为阻抗法和行波法。阻抗法利用故障距离与计算阻抗的关系进行故障定位,方法虽然简单,但是易受故障电阻、电弧等因素的影响。行波法一般是通过检测初始暂态行波首波头到达输电线路两端测量点的时刻,利用这些时刻与故障距离之间的内在逻辑关系进行故障定位,其定位精度高、不受电弧等因素影响,应用越来越广。但是在现有的行波法中,由于电力***本身存在噪音,导致在输电线路发生故障时,波头难以识别。现有技术中,研究人员提出了多种波头识别方法,例如小波变换,希尔伯特-黄变换等,这些方法具有的缺陷是:小波变换要选择合适的母小波以及设置可行的分解层数,不合适的母小波和分解层数会增加波头识别误差;希尔伯特-黄变换需要复杂的递回,运算时间长。
发明内容
发明目的:为了解决目前输电线路故障测距中波头识别困难的问题,本发明提出一种基于ARIMA波头预测的输电线路故障行波测距方法。
为实现上述目的,本发明采用的技术方案为:
一种基于ARIMA波头预测的输电线路故障行波测距方法,包括依次执行的步骤(1)至(7):
(1)在输电线路的首端和末端分别设置一个测量点,记首端、末端的测量点分别为Ps、Pr;假设故障发生在F点,分别在测量点Ps、Pr处利用行波测量装置提取电压信号,然后对提取的电压信号进行相模变换,得到相应的线模电压信号向量:
Us=[us,1,us,2,...,us,k-1,us,k,us,k+1,...,us,l]
Ur=[ur,1,ur,2,...,ur,j-1,ur,j,ur,j+1,...,ur,l]
其中,Us为测量点Ps处提取的电压信号,Ur为测量点Pr处提取的电压信号,l为线模电压信号总长度;
(2)分别对Us、Ur中进行一阶差分计算,得到差分后的向量Uds、Udr,Uds=[ds,2,ds,3,...,ds,l-1],Udr=[dr,2,dr,3,...,dr,l-1],ds,k=us,k+1-us,k,dr,k=ur,k+1-ur,k,k∈[2,l-1];设置阈值w1,分别对Uds、Udr执行搜索:
从向量的第一个分量开始,遍历向量中所有元素,当遇到第一个大于阈值w1的分量时,将该分量对应的时间点作为假定初始波头到达时间点;记Uds中搜索出的假定初始波头到达时间点为ms,Udr中搜索出的假定初始波头到达时间点为mr;
(3)根据步骤(2)得到的初始波头到达时间点ms、mr,从Us中剔除ms前的a个信号,然后从Us剩余的序列中选择排在列首的长度为b的序列Us1:
(4)分别以Us1和Ur1为输入序列,采用ARIMA模型进行预测,得到相应的预测序列Us,forecast和Ur,forecast:
其中,c为预测序列的长度;
(5)计算预测序列与相应的实际序列的差值的绝对值:
分别对Uf-s和Uf-r进行一阶差分运算,得到相应的差分序列:
设置阈值w2,分别对Ud(f-s)、Ud(f-r)执行搜索:
从向量的第一个分量开始,遍历向量中所有元素,当遇到第一个大于阈值w2的分量时,记录该分量对应的时间点;记Ud(f-s)中搜索出的时间点为ns,Ud(f-r)中搜索出的时间点为nr;
(6)计算Ps精确波头到达时间点为:
Ts=ms-a-b+ns
计算Pr精确波头到达时间点为:
Tr=mr-a-b+nr;
(7)设故障初始行波信号以传播速度v到达线路两端Ps、Pr的时间为Ts和Tr,构建双端测距公式模型为:
其中,Dsf和Drf分别是故障点与Ps、Pr之间距离;L为Ps与Pr之间的线路长度;
求解双端测距公式模型,得到:
带入Ts和Tr即可得到Dsf和Drf。
进一步的,所述步骤(4)中通过ARIMA得到预测值的具体步骤为:
(b)对Us1进行一阶差分计算,得到:
(b)取d=0,将ARIMA(p,d,q)模型转化为ARIMA(p,q)模型;将Uds1带入ARIMA(p,q)模型,得到:
(c)随机选取N组不同值的(p,q),p,q都为正整数;分别计算这N组(p,q)对应的ARIMA(p,q)的赤池信息量准则AIC和贝叶斯信息准则BIC,计算公式如下:
AIC=-2(V)+2(e)
BIC=-2(V)+e*log(n)
其中,V是最佳对数似然值,e代表估计参数的数量,n是Uds1中元素的个数;
(d)选择数值最小的AIC或BIC对应的(p,q),将相应的ARIMA(p,q)作为最佳预测模型;
(e)对ARIMA(p,q)预测的最佳模型进行一阶差分还原,得到预测值:
有益效果:与现有技术相比,本发明从另一角度识别行波波头,通过对行波波头到达时间点之前的数据进行预测,从而预测正常波形,并且把预测波形与实际波形进行对比,可以识别出精确的突变点,从而准确的识别行波波头,本方法不需要精确的初始波头到达时间,通过波头到达前的数据使用ARIMA可以有效的提高故障定位的精确度。当初始波头到达时间误差大时,本方法显示出较高的精度。
附图说明
图1为本发明流程图;
图2为输电线路双端测距的拓扑结构图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
一个双端测距的输电线路的拓扑结构如图2所示,针对该拓扑,本发明提出了一种基于ARIMA波头预测的输电线路故障行波测距方法,其整体流程如图1所示,包括如下步骤:
(1)在输电线路的首端和末端分别设置一个测量点,记首端、末端的测量点分别为Ps、Pr;假设故障发生在F点,分别在测量点Ps、Pr处利用行波测量装置提取电压信号,然后对提取的电压信号进行相模变换,得到相应的线模电压信号向量:
Us=[us,1,us,2,...,us,k-1,us,k,us,k+1,...,us,l]
Ur=[ur,1,ur,2,...,ur,j-1,ur,j,ur,j+1,...,ur,l]
其中,Us为测量点Ps处提取的电压信号,Ur为测量点Pr处提取的电压信号,l为线模电压信号总长度;
(2)分别对Us、Ur中进行一阶差分计算,得到差分后的向量Uds、Udr,Uds=[ds,2,ds,3,...,ds,l-1],Udr=[dr,2,dr,3,...,dr,l-1],ds,k=us,k+1-us,k,dr,k=ur,k+1-ur,k,k∈[2,l-1];设置阈值w1,分别对Uds、Udr执行搜索:
从向量的第一个分量开始,遍历向量中所有元素,当遇到第一个大于阈值w1的分量时,将该分量对应的时间点作为假定初始波头到达时间点;记Uds中搜索出的假定初始波头到达时间点为ms,Udr中搜索出的假定初始波头到达时间点为mr;
(3)根据步骤(2)得到的初始波头到达时间点ms、mr,从Us中剔除ms前的a个信号,然后从Us剩余的序列中选择排在列首的长度为b的序列Us1:
(4)分别以Us1和Ur1为输入序列,采用ARIMA模型进行预测,得到相应的预测序列Us,forecast和Ur,forecast:
其中,c为预测序列的长度;
(5)计算预测序列与相应的实际序列的差值的绝对值:
分别对Uf-s和Uf-r进行一阶差分运算,得到相应的差分序列:
设置阈值w2,分别对Ud(f-s)、Ud(f-r)执行搜索:
从向量的第一个分量开始,遍历向量中所有元素,当遇到第一个大于阈值w2的分量时,记录该分量对应的时间点;记Ud(f-s)中搜索出的时间点为ns,Ud(f-r)中搜索出的时间点为nr;
(6)计算Ps精确波头到达时间点为:
Ts=ms-a-b+ns
计算Pr精确波头到达时间点为:
Tr=mr-a-b+nr;
(7)设故障初始行波信号以传播速度v到达线路两端Ps、Pr的时间为Ts和Tr,构建双端测距公式模型为:
其中,Dsf和Drf分别是故障点与Ps、Pr之间距离;L为Ps与Pr之间的线路长度;
求解双端测距公式模型,得到:
带入Ts和Tr即可得到Dsf和Drf。
上述步骤中,通过ARIMA得到预测值的具体步骤为:
(a)对Us1进行一阶差分计算,得到:
(b)由于在(a)中,已经对输入ARIMA的数据进行一阶差分的平稳化处理,所以此处不再考虑差分(d=0),即使用的ARIMA(p,q)模型,该模型可分为两部分:自回归模型和移动平均模型。自回归模型表示某一时刻t和前p个时刻序列值之间的相互关系,在序列{xt}中:
xt=φ1xt-1+φ2xt-2+…+φpxt-p+εt
若随机序列{εt}是白噪声且和前一时刻序列xk(k<t)不相关,则这样的模型称为p阶自回归模型,记为AR(p)。
移动平均模型表示若干个白噪声的加权平均和,在序列{xt}中:
xt=εt+θ1εt-1+θ2εt-2+…+θqεt-q
若随机序列{εt}是白噪声序列,这样的模型称为q阶移动平均模型,记为MA(q)。
ARIMA(p,q)模型为自回归模型和移动平均模型的结合:
Xt是平稳、正态、零均值的时间序列;
当{Xt,t∈Z}是零均值平稳序列,对任意t,满足线性差分方程:
其中,{Zt}~WN(0,σ2),p阶自回归多项式为:
q阶滑动平均多项式为:
θ(z)=1-θ1z-…-θpzp
当p阶自回归多项式为和q阶滑动平均多项式无公共因子,则θq≠0,即称{Xt,t∈Z}为p阶自回归、q阶滑动平均序列,简称ARIMA(p,q)序列,称{Xt,t∈Z}满足ARIMA(p,q)模型。p,q分别称为自回归阶数和滑动平均阶数,实参数为自回归参数,实参数θ1,…,θq为滑动平均参数。
(c)将Uds1代入ARIMA(p,q)模型,得到:
随机选取N组不同值的(p,q),p,q都为正整数;比如,设置0<p≤6,0<q≤6,则(p,q)一共有36组取值:(1,1),(1,2),(1,3),……,(6,1),(6,2),(6,3)……(6,6);
分别计算这N组(p,q)对应的ARIMA(p,q)的赤池信息量准则AIC和贝叶斯信息准则BIC,公式如下
AIC=-2(V)+2(e)
BIC=-2(V)+e*log(n)
其中,V是最佳对数似然值,e代表估计参数的数量,n是Uds1的容量,即Uds1中元素的总数;
(d)选择数值最小的AIC或BIC对应的(p,q),将相应的ARIMA(p,q)作为最佳预测模型;
(e)对ARIMA(p,q)预测的最佳模型进行一阶差分还原,得到预测值:
仿真验证
为了检验本发明的有效性与可靠性,在PSCAD/EMTDC上双端测距的输电线路仿真模型,双端测距的输电线路行波传播路径如图2所示。输电线路总长为200km,***基频为60Hz,电压等级为500kV。输电线路采用符合实际的依频特性模型。导线和避雷线的型号分别为:4×LGJ-400/35和GJ-80。电源和变压器参数如图所示。仿真中,在线路首端和末端2处设置两个电压行波测量点(分别表示为Ps和Pr),其采样频率为1MHz。故障相对测距误差er定义如下:
其中,xreal为实际故障距离。Ls-r为Ps和Pr之间的输电线路总长度,其值为200km。
为了验证提出方法在现场中的有效性,本方法在线路上添加了60dB的噪声,并且在第一次识别行波波头到达时间点中加入了误差(行波波头到达时间点m±10)。分别在距离首端Ps的距离为30km、60km、130km和160km处模拟单相接地故障,故障电阻为10Ω和200Ω,故障初相角为30°和90°。表1为在以上2个位置发生故障后,故障距离确定结果。所提出方法对于不同位置的故障,均能够精确计算出故障距离,不受故障电阻以及故障初相角的影响。
表1故障测距结果
以上所述仅是本发明的优选实施方式,应当指出:对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (2)
1.一种基于ARIMA波头预测的输电线路故障行波测距方法,其特征在于,包括依次执行的步骤(1)至(7):
(1)在输电线路的首端和末端分别设置一个测量点,记首端、末端的测量点分别为Ps、Pr;假设故障发生在F点,分别在测量点Ps、Pr处利用行波测量装置提取电压信号,然后对提取的电压信号进行相模变换,得到相应的线模电压信号向量:
Us=[us,1,us,2,...,us,k-1,us,k,us,k+1,...,us,l ]
Ur=[ur,1,ur,2,...,ur,j-1,ur,j,ur,j+1,...,ur,l ]
其中,Us为测量点Ps处提取的电压信号,Ur为测量点Pr处提取的电压信号,l为线模电压信号总长度;
(2)分别对Us、Ur进行一阶差分计算,得到差分后的向量Uds、Udr,Uds=[ds,2,ds,3,...,ds,l-1],Udr=[dr,2,dr,3,...,dr,l-1],ds,k=us,k+1-us,k,dr,k=ur,k+1-ur,k,k∈[2,l-1];设置阈值w1,分别对Uds、Udr执行搜索:
从向量的第一个分量开始,遍历向量中所有元素,当遇到第一个大于阈值w1的分量时,将该分量对应的时间点作为假定初始波头到达时间点;记Uds中搜索出的假定初始波头到达时间点为ms,Udr中搜索出的假定初始波头到达时间点为mr;
(3)根据步骤(2)得到的初始波头到达时间点ms、mr,从Us中剔除ms前的a个信号,然后从Us剩余的序列中选择排在列首的长度为b的序列Us1:
(4)分别以Us1和Ur1为输入序列,采用ARIMA模型进行预测,得到相应的预测序列Us,forecast和Ur,forecast:
其中,c为预测序列的长度;
(5)计算预测序列与相应的实际序列的差值的绝对值:
分别对Uf-s和Uf-r进行一阶差分运算,得到相应的差分序列:
设置阈值w2,分别对Ud(f-s)、Ud(f-r)执行搜索:
从向量的第一个分量开始,遍历向量中所有元素,当遇到第一个大于阈值w2的分量时,记录该分量对应的时间点;记Ud(f-s)中搜索出的时间点为ns,Ud(f-r)中搜索出的时间点为nr;
(6)计算Ps精确波头到达时间点为:
Ts=ms-a-b+ns
计算Pr精确波头到达时间点为:
Tr=mr-a-b+nr;
(7)设故障初始行波信号以传播速度v到达线路两端Ps、Pr的时间为Ts和Tr,构建双端测距公式模型为:
其中,DsF 和DrF 分别是故障点与Ps、Pr之间距离;L为Ps与Pr之间的线路长度;
求解双端测距公式模型,得到:
带入Ts和Tr即可得到DsF 和DrF 。
2.根据权利要求1所述的一种基于ARIMA波头预测的输电线路故障行波测距方法,其特征在于,所述步骤(4)中通过ARIMA得到预测值的具体步骤为:
(a)对Us1进行一阶差分计算,得到:
(b)取d=0,将ARIMA(p,d,q)模型转化为ARIMA(p,q)模型;将Uds1带入ARIMA(p,q)模型,得到:
(c)随机选取N组不同值的(p,q),p,q都为正整数;分别计算这N组(p,q)对应的ARIMA(p,q)的赤池信息量准则AIC和贝叶斯信息准则BIC,公式如下
AIC=-2(V)+2(e)
BIC=-2(V)+e*log(n)
其中,V是最佳对数似然值,e代表估计参数的数量,n是Uds1中元素的个数;
(d)选择数值最小的AIC或BIC对应的(p,q),将相应的ARIMA(p,q)作为最佳预测模型;
(e)对ARIMA(p,q)预测的最佳模型进行一阶差分还原,得到预测值:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811492951.XA CN109521330B (zh) | 2018-12-06 | 2018-12-06 | 一种基于arima波头预测的输电线路故障行波测距方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811492951.XA CN109521330B (zh) | 2018-12-06 | 2018-12-06 | 一种基于arima波头预测的输电线路故障行波测距方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109521330A CN109521330A (zh) | 2019-03-26 |
CN109521330B true CN109521330B (zh) | 2020-06-09 |
Family
ID=65794899
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811492951.XA Active CN109521330B (zh) | 2018-12-06 | 2018-12-06 | 一种基于arima波头预测的输电线路故障行波测距方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109521330B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110514967B (zh) * | 2019-10-12 | 2021-05-18 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 |
CN113884818B (zh) * | 2021-10-27 | 2024-04-09 | 国网江苏省电力有限公司徐州供电分公司 | 一种基于lstm的配电网故障行波到达时间精确估算方法 |
CN114487711A (zh) * | 2022-02-14 | 2022-05-13 | 山东山大电力技术股份有限公司 | 基于异厂商行波测距装置互联的行波测距方法及*** |
CN116087693B (zh) * | 2023-04-13 | 2023-08-04 | 昆明理工大学 | 一种lcc-hvdc输电线路单端测距方法及*** |
CN117274748B (zh) * | 2023-11-16 | 2024-02-06 | 国网四川省电力公司电力科学研究院 | 基于离群抑制的终生学习电力模型训练及检测方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101666848A (zh) * | 2009-10-15 | 2010-03-10 | 北京四方继保自动化股份有限公司 | 基于行波的故障定位方法 |
CN102062832A (zh) * | 2010-12-09 | 2011-05-18 | 中国南方电网有限责任公司电网技术研究中心 | 基于微扰动信号低频振荡模式辨识的电力***在线预警方法 |
CN106443347A (zh) * | 2016-10-09 | 2017-02-22 | 中国矿业大学 | 一种基于故障暂态行波衰减分量的电网故障区段定位方法 |
CN108896874A (zh) * | 2018-07-10 | 2018-11-27 | 中国矿业大学 | 一种末端连接短线路的输电线路故障测距方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
SE519943C2 (sv) * | 2000-12-14 | 2003-04-29 | Abb Ab | Metod för fellokalisering i en transmissionlinje |
-
2018
- 2018-12-06 CN CN201811492951.XA patent/CN109521330B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101666848A (zh) * | 2009-10-15 | 2010-03-10 | 北京四方继保自动化股份有限公司 | 基于行波的故障定位方法 |
CN102062832A (zh) * | 2010-12-09 | 2011-05-18 | 中国南方电网有限责任公司电网技术研究中心 | 基于微扰动信号低频振荡模式辨识的电力***在线预警方法 |
CN106443347A (zh) * | 2016-10-09 | 2017-02-22 | 中国矿业大学 | 一种基于故障暂态行波衰减分量的电网故障区段定位方法 |
CN108896874A (zh) * | 2018-07-10 | 2018-11-27 | 中国矿业大学 | 一种末端连接短线路的输电线路故障测距方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109521330A (zh) | 2019-03-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109521330B (zh) | 一种基于arima波头预测的输电线路故障行波测距方法 | |
Jiao et al. | A new method to improve fault location accuracy in transmission line based on fuzzy multi-sensor data fusion | |
CN110514967B (zh) | 一种基于narnn模型预测行波波头到达时刻的故障定位方法 | |
CN106646121B (zh) | 一种配电网故障行波波头的辨识方法 | |
CN103278748B (zh) | 基于测后模拟的配电网缆-线混合线路的故障定位方法 | |
CN111766470B (zh) | 高压直流输电线路的故障定位方法、***及直流输电线路 | |
CN103913676B (zh) | 基于可变行波辨识时窗的输电线路单端故障定位方法 | |
CN112083272B (zh) | 一种基于护层电流行波固有频率频差法的10kV电缆故障测距方法 | |
CN108693446B (zh) | 一种非同步采样电网暂态行波模量时间差的故障定位方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN106841915B (zh) | 一种基于压缩感知的输电线路故障定位方法 | |
Luo et al. | Stacked auto-encoder-based fault location in distribution network | |
CN113985194A (zh) | 一种基于堆栈自编码器的配电网故障定位方法 | |
CN114113890A (zh) | 基于行波模量传输时差的多端融合配电网故障定位方法 | |
CN113253052A (zh) | 一种基于改进smmg的高压直流输电线路故障测距方法 | |
CN113884818B (zh) | 一种基于lstm的配电网故障行波到达时间精确估算方法 | |
CN114217164A (zh) | 一种基于放电波形智能识别的电缆故障测距方法及*** | |
CN107179473B (zh) | 一种输电线路故障定位方法 | |
CN105866633B (zh) | 基于波权重的输电线路故障电流行波波形的重现方法 | |
CN106093516B (zh) | 基于多频带分解的输电线路故障电流行波波形的重现方法 | |
CN113033077A (zh) | 一种基于神经网络算法的直流输电线路故障测距方法 | |
CN110208657B (zh) | 一种t接线路故障智能识别新方法 | |
CN117310374A (zh) | 一种海底电缆故障的测距方法 | |
CN112526289A (zh) | 一种基于广域行波信息共有特征的复杂电网故障定位方法 | |
Bohórquez et al. | One-ended fault location method based on machine learning models |
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 |