CN110221170A - 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 - Google Patents
一种基于禁忌搜索优化rbf网络的小电流接地选线方法 Download PDFInfo
- Publication number
- CN110221170A CN110221170A CN201910485908.9A CN201910485908A CN110221170A CN 110221170 A CN110221170 A CN 110221170A CN 201910485908 A CN201910485908 A CN 201910485908A CN 110221170 A CN110221170 A CN 110221170A
- Authority
- CN
- China
- Prior art keywords
- rbf
- network
- current
- tabu search
- 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
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
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于禁忌搜索优化RBF网络的小电流接地选线方法,它采用禁忌算法,对待定的RBF网络结构参数进行训练使之趋向最优,以优化后的RBF网络为选线模型实现小电流接地故障综合选线;实现了自动快速确定故障线路,保障电网稳定运行和设备安全。
Description
技术领域
本发明属于继电保护领域,尤其涉及一种基于禁忌搜索优化RBF网络的小电流接地选线方法。
背景技术
由于35KV、10KV电网大多采用小电流接地方式(包括中性点不接地和中性点经消弧线圈接地方式),地处南方雷雨潮湿环境的供电***,发生单相接地故障的概率很高,单相接地发生后安全规程规定可以短时带故障运行,但也存在弧光接地发展为两相短路的隐患,因此迫切需要一种自动快速确定故障线路的方法,缩短故障时间,保障电网稳定运行和设备安全。
随着电网结构日趋复杂,不同故障条件下的有效故障特征分量差异较大,如何能快速准确选出故障线路一直是一个难题。小电流接地***自动选线方法主要有稳态法和暂态法,稳态法包括谐波分量法、零序稳态电流幅值与极性比较法、方向法等,稳态故障分量一般较小,难以检测,增加了选线难度。暂态法主要有零序暂态电流幅值与极性比较法、首半波法、能量法等,暂态特征分量比较明显,但对不同故障敏感的特征分量并不一致,而且现场各种干扰使得故障分量的有效成分获取困难,此时如果采用单一判据选线,容易造成误判。为此综合多种判据的选线策略得到越来越多的应用。目前流行的综合选线策略多采用BP神经网络,BP网络复杂的网络结构和参数不仅影响选线实时性,而且容易陷入局部极值的陷阱,降低选线准确性。
相较于BP神经网络,RBF神经网络结构更简单,对于局部的输入区域,对输出产生影响的仅少数几个权,因而学习效率和逼近精度更高。但是RBF网络结构参数多,设置不当会严重影响网络收敛速度和精度,在应用于小电流接地故障的选线时,准确度难以保证。作为一种全局优化算法,禁忌算法采用禁忌表可有效避免局部最优陷阱,收敛速度快。本文将RBF网络应用于小电流接地故障选线中,采用禁忌算法,对待定的RBF网络结构参数进行训练使其趋向最优,并仿真验证该方法的选线效率与精度。
发明内容
本发明要解决的技术问题是:本发明提出一种基于禁忌搜索优化RBF网络的小电流接地选线方法,自动快速确定故障线路,保障电网稳定运行和设备安全。
本发明的技术方案是:
一种基于禁忌搜索优化RBF网络的小电流接地选线方法,它采用禁忌算法,对待定的RBF网络结构参数进行训练使之趋向最优,以优化后的RBF网络为选线模型实现小电流接地故障综合选线。
它包括如下步骤:
步骤1、在单相接地发生时采集零序电流的稳态和暂态有效故障特征,稳态电流的采样取故障发生三个周期后的信号,利用FFT算法,得到零序稳态电流的基波分量和五次谐波分量,同时采样零序电压,计算本线路和非采样线路零序导纳的差并求和,作为零序导纳特征分量;对于暂态有效故障特征则取故障前一周期和后一周期的信号,通过小波采样法进行分解,采用db10小波包5层分解,提取出暂态能量特征值;每条线路的零序电流稳态特征和暂态特征作为一组故障录入数据,构成神经网络训练和测试的样本,这些样本都经过归一化处理;
步骤2、采用改进的禁忌算法优化RBF神经网络,输入零序电流的稳态基波分量、五次谐波分量、零序导纳特征量及暂态能量特征分量对RBF的结构参数进行优化,得到RBF网络最佳的网络层连接权值、隐含层的中心和宽度参数;
步骤3、将故障测试数据输入优化好的RBF网络,实现小电流接地故障的综合选线。
所述RBF神经网络采用单隐层前馈的三层RBF神经网络结构,隐单元的激励函数选用径向基函数,这里取高斯核函数,隐单元输出的线性加权和构成网络输出。
步骤2包括如下子步骤:
Step 1、在定义域N(X)任选初始解X,设所有移动的状态点及步长集合为B,禁忌表状态点及步长集合为J,迭代数设为N,初始化J置空,N=1,初设邻域范围Sk;
Step 2、对不在禁忌表J内的状态点及所有步长Bj∈B-J,从初始解X的邻域Sk随机产生一个新状态Zj;
Step 3、将状态点Zj作为RBF网络参数进行仿真,输入训练样本,根据网络输出计算适应度函数f(Zj);
Step 4、判断Zj是否在禁忌表中,若不在转向Step 5;若在禁忌表中,进一步判断是否满足藐视准则,满足则转向Step 5,否则转向Step 2;
Step 5、计算n个状态点的适应度,取其中最小值记为f(Z);
Step 6、将f(Z)与当前最优适应度fopt比较,若f(Z)<fopt,则替换当前最优值:Zopt=Z,fopt=f(Z),转向Step 7;若f(Z)>fopt,则直接转向Step 7;
Step 7、若当前迭代周期已结束且适应度相比上一周期无改善,则停止迭代,当前Zopt为最优解;否则将迭代数N加1,转Step2。
所述采用改进的禁忌算法优化RBF神经网络时,RBF神经网络的适应度函数以RBF网络理想输出与实际输出之间误差平方和形式表示:
式中yi(l)和分别为样本l在第i个输出节点的实际输出与预测输出,n为样本数,m为样本输出数。
本发明的有益效果:
(1)本发明鉴于RBF网络预测能力与其参数密切相关,采用应用禁忌算法优化RBF网络;改进禁忌搜索算法的关键要素,在搜索的不同阶段选取不同邻域,优化禁忌表使禁忌范围更精确地指向无效搜索,结合最大迭代数和允许误差作为迭代终止条件,有效提高了TS算法的寻优速度与精度。改进TS算法训练的RBF网络相较于传统TS-RBF,收敛速度更快,自学习能力和鲁棒性更强,进而保证了选线的快速、准确。
(2)不同故障条件下故障特征的差异和恶劣环境下故障特征分量的低信噪比,容易造成单一判据的误选和漏选,该方法综合零序电流稳态和暂态的多种故障分量信息,优势互补从而实现对故障信号更全面的描述,并结合改进的TS-RBF网络构成选线模型,不仅选线准确率高,且不受中性点运行方式、短路位置、接地电阻、合闸角等因素的影响,证明了该方法对多种故障情况更好的鲁棒性。
附图说明
图1为本发明原理示意图;
图2为本发明RBF网络模型示意图;
图3为本发明改进禁忌算法优化RBF网络的流程示意图;
图4为本发明***仿真模型示意图;
图5为本发明网络训练误差曲线示意图;
图6为本发明三种方法的预测误差比较示意图。
具体实施方式
为了进一步了解本发明的内容,下面结合附图并举实例对本发明进行详细描述。
本发明提出一种基于禁忌搜索优化RBF网络的小电流接地选线方法,如图1所示,采用禁忌算法,对待定的RBF网络结构参数进行训练使其趋向最优,并以优化好的RBF网络作为选线模型,实现接地故障的综合选线。
网络结构参数对于RBF网络非线性逼近能力至关重要,网络结构如果过于简单,网络对样本的学习能力不够;反之则容易导致过度拟合,降低神经网络的泛化能力。特别在面对小电流接地***复杂多变的故障状况时,容易出现选线误判的情况,因此对RBF网络结构参数的优化尤为必要。RBF网络结构参数较多,但最关键的是隐含层与输出层之间的连接权值、隐含层的中心和宽度。本发明采用禁忌算法,对待定的RBF网络结构参数进行训练使其趋向最优。
为提高禁忌算法的搜索效率与精度,下面对其要素进行优化。TS算法最重要的三个要素是邻域范围、禁忌条件和终止条件,它们对应搜索的不同阶段。
TS法从初始解的邻域开始搜索,邻域范围设置得大,搜索范围广,但搜索效率会降低,反之邻域设置过小,则无法保证搜索多样性。因此本文在优化的不同阶段选取不同邻域,起始阶段应强调搜索多样性,邻域设置大一些,最后阶段搜索最优解,减小邻域范围,加强搜索强度以便快速找到最优解。
搜索过程中,为了跳出局部极小的陷阱,禁忌表中禁止历史上发生过的移动,但一般均以移动的步长作为禁止条件,问题是这一条件范围太大,那些尚未访问过的状态点如果步长落入上述范围,也被禁止,有可能错过指向最优解的移动,为此本文将禁止条件改为访问过的状态点及其步长,使禁忌范围更精确地指向无效搜索。
逼近最优解的阶段,迭代终止条件如何确定影响到优化时间和解的精度。如果以迭代数作为终止条件,虽然优化时间可以确定,但解的精度无法保证;如果以允许误差为终止条件,可以满足收敛精度,但优化时间可能较长,况且在最优解还未找到前,允许误差仅是估计值。为了平衡优化时间和解的精度,本文采用迭代周期的办法,在每个迭代周期中以本周期最优解和上周期最优解的优劣作为是否继续迭代的判据。
根据上述分析给出基于禁忌搜索优化RBF网络的小电流接地选线流程:
步骤1,在单相接地发生时采集零序电流的稳态和暂态有效故障特征,稳态电流的采样取故障发生三个周期后的信号,利用FFT算法(快速傅里叶变换),得到零序稳态电流的基波分量和五次谐波分量,同时采样零序电压,计算本线路和其他线路零序导纳的差并求和,作为零序导纳特征分量。对于暂态电流,则取故障前一周期和后一周期的信号,通过小波采样法进行分解,本文采用db10小波包5层分解,提取出暂态能量特征值。每条线路的零序电流稳态特征和暂态特征作为一组故障录入数据,构成神经网络训练和测试的样本,这些样本都经过归一化处理;
步骤2,采用改进的禁忌算法优化RBF神经网络,输入零序电流的稳态基波分量、五次谐波分量、零序导纳特征量及暂态能量特征分量对RBF的结构参数进行优化,最终得到RBF网络最佳的网络层连接权值、隐含层的中心和宽度等参数;
步骤3,将故障测试数据输入优化好的RBF网络,实现小电流接地故障的综合选线;
如图2所示,所述RBF网络采用单隐层前馈的三层神经网络结构,隐单元的激励函数选用径向基函数,这里取高斯核函数,隐单元输出的线性加权和构成网络输出;
如图3所示,所述步骤2包括如下子步骤:
Step 1,在定义域N(X)任选初始解X,设所有移动的状态点及其步长集合为B,禁忌表状态点及其步长集合为J,迭代数设为N,初始化J置空,N=1,初设邻域范围Sk;
Step 2,对不在禁忌表J内的状态点及其所有步长Bj∈B-J,从初始解X的邻域Sk随机产生一个新状态Zj;
Step 3,将状态点Zj作为RBF网络参数进行仿真,输入训练样本,根据网络输出计算适应度函数f(Zj);
Step 4,判断Zj是否在禁忌表中,若不在转向Step 5;若在表中,进一步判断是否满足藐视准则,满足则转向Step 5,否则转向Step 2;
Step 5,计算n个状态点的适应度,取其中最小值记为f(Z);
Step 6,将f(Z)与当前最优适应度fopt比较,若f(Z)<fopt,则替换当前最优值:Zopt=Z,fopt=f(Z),转向Step 7;若f(Z)>fopt,则直接转向Step 7;
Step 7,若当前迭代周期已结束且适应度相比上一周期无改善,则停止迭代,当前Zopt为最优解;否则将迭代数N加1,转Step2。
所述RBF优化算法中的适应度函数以RBF网络理想输出与实际输出之间误差平方和形式表示:
式中yi(l)和分别为样本l在第i个输出节点的实际输出与预测输出,n为样本数,m为样本输出数。
为了验证本方法的效果,进行了下述仿真试验,ATP***仿真模型如图4所示,为一110KV/35KV的配电***,变压器35KV侧中性点经过一开关接消弧线圈,开关闭合与否构成中性点两种运行方式:不接地或经消弧线圈接地。低压侧共8条架空出线,线路长度:L1=5km,L2=10km,L3=25km,L4=20km,L5=35km,L6=30km,L7=15km,L8=40km。线路正序参数:感抗L1=1.51mH/km,电阻R1=0.17Ω/km,容抗C1=9.70nF/km;线路零序参数:感抗L0=5.48mH/km,电阻R0=0.23Ω/km,容抗C0=6.00nF/km。采样周期设定为1×10-5s。
***训练环境分为中性点不接地和中性点经消弧线圈接地(过补偿,补偿度设为10%)两种运行方式。每种运行方式下,设定不同的故障条件:距线路首端20%、50%、90%处分别设置短路点,合闸角依次取为0、π/6、π/4、π/2,接地电阻分别取为0.4、40、400、4000Ω。根据以上故障分类,8条线路可采集得到8×2×3×4×4=768个零序故障电流样本。
每条线路发生单相接地故障采集的故障特征分量为4个,一次性将8条线路共32个故障分量输入RBF网络,经网络计算后应得到8条线路的判断结果。RBF网络的输入输出容易决定,但中间隐含节点数直接影响网络预测精度与效率,节点数并非越多越好,隐含节点数超过某一数值后精度不再有明显变化,反而计算量会陡增,根据大量样本的仿真测试,隐含节点数取为58是合适的。据此三层RBF神经网络的结构设为32-58-8。取768个样本中的672个作为训练样本,剩余96个作为测试样本。
禁忌搜索算法的参数设置如下:种群规模设为40,禁忌搜索迭代周期设为100,禁忌长度设为50,目标误差设为0.02。为了比较单纯RBF、传统TS-RBF及改进TS-RBF三种方法的选线效果,同时采用训练样本对三种网络进行训练,目标是网络输出的选线误差小于设定的目标误差。图5显示了三种方法的训练误差曲线。由图得知,改进TS-RBF网络优化起始阶段的收敛速度明显快于RBF和传统TS-RBF网络,在迭代27次后即达到目标误差,而传统TS-RBF需要83次,RBF需要378次。同时改进TS-RBF在收敛精度方面也明显优于其他两种方法。
对于三种训练好的网络,采用96个测试样本进行验证对比。网络输出接近1判定是故障线路,同时用网络输出与1的差值表达该网络对故障线路的逼近程度,同理非故障线路的网络输出越接近0,则表示网络逼近精度越高。表2是部分线路的选线结果,从输出数值上可看出,无论故障还是非故障线路,改进TS-RBF的选线精度高于传统TS-RBF,而传统TS-RBF又高于单纯RBF。表2只是部分结果,图6比较了全部测试样本的实际输出与理想输出(正常线路为0,故障线路为1)的误差,经统计,改进TS-RBF、传统TS-RBF和单纯RBF三者的选线准确率分别为98.9%、96.9%和91.7%,证实了本文方法的准确性。
表2三种算法选线部分结果(补偿度10%)
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构或等效流程变换,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (5)
1.一种基于禁忌搜索优化RBF网络的小电流接地选线方法,其特征在于:它采用禁忌算法,对待定的RBF网络结构参数进行训练使之趋向最优,以优化后的RBF网络为选线模型实现小电流接地故障综合选线。
2.根据权利要求1所述的一种基于禁忌搜索优化RBF网络的小电流接地选线方法,其特征在于:它包括如下步骤:
步骤1、在单相接地发生时采集零序电流的稳态和暂态有效故障特征,稳态电流的采样取故障发生三个周期后的信号,利用FFT算法,得到零序稳态电流的基波分量和五次谐波分量,同时采样零序电压,计算本线路和非采样线路零序导纳的差并求和,作为零序导纳特征分量;对于暂态有效故障特征则取故障前一周期和后一周期的信号,通过小波采样法进行分解,采用db10小波包5层分解,提取出暂态能量特征值;每条线路的零序电流稳态特征和暂态特征作为一组故障录入数据,构成神经网络训练和测试的样本,这些样本都经过归一化处理;
步骤2、采用改进的禁忌算法优化RBF神经网络,输入零序电流的稳态基波分量、五次谐波分量、零序导纳特征量及暂态能量特征分量对RBF的结构参数进行优化,得到RBF网络最佳的网络层连接权值、隐含层的中心和宽度参数;
步骤3、将故障测试数据输入优化好的RBF网络,实现小电流接地故障的综合选线。
3.根据权利要求2所述一种基于禁忌搜索优化RBF网络的小电流接地选线方法,其特征在于:所述RBF神经网络采用单隐层前馈的三层RBF神经网络结构,隐单元的激励函数选用径向基函数,这里取高斯核函数,隐单元输出的线性加权和构成网络输出。
4.根据权利要求2所述一种基于禁忌搜索优化RBF网络的小电流接地选线方法,其特征在于:步骤2包括如下子步骤:
Step1、在定义域N(X)任选初始解X,设所有移动的状态点及步长集合为B,禁忌表状态点及步长集合为J,迭代数设为N,初始化J置空,N=1,初设邻域范围Sk;
Step2、对不在禁忌表J内的状态点及所有步长Bj∈B-J,从初始解X的邻域Sk随机产生一个新状态Zj;
Step3、将状态点Zj作为RBF网络参数进行仿真,输入训练样本,根据网络输出计算适应度函数f(Zj);
Step4、判断Zj是否在禁忌表中,若不在转向Step5;若在禁忌表中,进一步判断是否满足藐视准则,满足则转向Step5,否则转向Step2;
Step5、计算n个状态点的适应度,取其中最小值记为f(Z);
Step6、将f(Z)与当前最优适应度fopt比较,若f(Z)<fopt,则替换当前最优值:Zopt=Z,fopt=f(Z),转向Step7;若f(Z)>fopt,则直接转向Step7;
Step7、若当前迭代周期已结束且适应度相比上一周期无改善,则停止迭代,当前Zopt为最优解;否则将迭代数N加1,转Step2。
5.根据权利要求2所述一种基于禁忌搜索优化RBF网络的小电流接地选线方法,其特征在于:
所述采用改进的禁忌算法优化RBF神经网络时,RBF神经网络的适应度函数以RBF网络理想输出与实际输出之间误差平方和形式表示:
式中yi(l)和分别为样本l在第i个输出节点的实际输出与预测输出,n为样本数,m为样本输出数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910485908.9A CN110221170B (zh) | 2019-06-05 | 2019-06-05 | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910485908.9A CN110221170B (zh) | 2019-06-05 | 2019-06-05 | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110221170A true CN110221170A (zh) | 2019-09-10 |
CN110221170B CN110221170B (zh) | 2021-07-27 |
Family
ID=67819417
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910485908.9A Active CN110221170B (zh) | 2019-06-05 | 2019-06-05 | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110221170B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947071A (zh) * | 2021-01-28 | 2021-06-11 | 河北工业大学 | 基于Backstepping的下肢外骨骼控制方法 |
CN113092934A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 基于聚类和lstm的单相接地故障判定方法及*** |
CN115168281A (zh) * | 2022-09-09 | 2022-10-11 | 之江实验室 | 一种基于禁忌搜索算法的神经网络片上映射方法和装置 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101251579B (zh) * | 2008-03-05 | 2010-04-14 | 湖南大学 | 一种基于支持向量机的模拟电路故障诊断方法 |
CN103164709A (zh) * | 2012-12-24 | 2013-06-19 | 天津工业大学 | 一种基于禁忌搜索算法优化支持向量机的方法 |
CN103257304A (zh) * | 2013-04-10 | 2013-08-21 | 昆明理工大学 | 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 |
CN103543376A (zh) * | 2013-09-09 | 2014-01-29 | 国家电网公司 | 用于小电流接地***故障选线的径向基神经网络方法 |
CN109344918B (zh) * | 2018-12-05 | 2022-03-04 | 国网陕西省电力公司宝鸡供电公司 | 基于改进粒子群算法的大数据配电网故障选线分析方法 |
-
2019
- 2019-06-05 CN CN201910485908.9A patent/CN110221170B/zh active Active
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112947071A (zh) * | 2021-01-28 | 2021-06-11 | 河北工业大学 | 基于Backstepping的下肢外骨骼控制方法 |
CN112947071B (zh) * | 2021-01-28 | 2022-04-01 | 河北工业大学 | 基于Backstepping的下肢外骨骼控制方法 |
CN113092934A (zh) * | 2021-03-23 | 2021-07-09 | 武汉大学 | 基于聚类和lstm的单相接地故障判定方法及*** |
CN113092934B (zh) * | 2021-03-23 | 2022-05-13 | 武汉大学 | 基于聚类和lstm的单相接地故障判定方法及*** |
CN115168281A (zh) * | 2022-09-09 | 2022-10-11 | 之江实验室 | 一种基于禁忌搜索算法的神经网络片上映射方法和装置 |
Also Published As
Publication number | Publication date |
---|---|
CN110221170B (zh) | 2021-07-27 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110221170A (zh) | 一种基于禁忌搜索优化rbf网络的小电流接地选线方法 | |
CN103941156B (zh) | 基于极限学习机的多信息融合区段定位方法 | |
CN108508320A (zh) | 基于谐波能量和波形畸变特征的弧光接地故障辨识方法 | |
CN111413589B (zh) | 一种基于灰靶决策的配电网单相短路故障定位方法 | |
CN110208650A (zh) | 基于径向基网络的小电流接地***多判据故障选线方法 | |
CN104616061B (zh) | 基于小波包对数能量熵及遗传算法优化的孤岛检测方法 | |
CN110247420B (zh) | 一种hvdc输电线路故障智能识别方法 | |
CN103543376A (zh) | 用于小电流接地***故障选线的径向基神经网络方法 | |
CN102879704B (zh) | 一种高压输电线高阻接地故障多参数数据融合检测方法 | |
CN102135588B (zh) | 一种利用s变换频谱特性的辐射网故障智能测距方法 | |
Zeng et al. | Faulty feeder selection and segment location method for SPTG fault in radial MMC‐MVDC distribution grid | |
CN104198890A (zh) | 中低压配电网小电流接地智能选线*** | |
Wu et al. | Machine learning-based single-phase ground fault identification strategy for AC-DC transmission lines | |
CN112363009B (zh) | 一种用于同塔线路接地故障的单端故障测距方法及*** | |
Song et al. | The method of BP algorithm for genetic simulated annealing algorithm in fault line selection | |
Wang et al. | A dc arc fault sensor with leftover gated recurrent neural network in consumer electronics | |
Liu et al. | Single-phase Grounding Fault Line Selection Method Based on the Difference of Electric Energy Information Between the Distribution End and the Load End | |
Ding et al. | Research on power grid fault diagnosis method based on PMU data and convolutional neural network | |
Wu et al. | The magnetic inrush current and internal fault types recognition in transformer based on probabilistic neural network | |
Shu et al. | A detection method of high impedance arcing fault for distribution network with distributed generation based on CEEMDAN and TEO algorithm | |
Wang et al. | A method of faulty line selection for the flexible grounding system based on the parallel resistance identification | |
Quan et al. | The application of Bayesian network theory in transformer condition assessment | |
Xia et al. | Study on power transformer faults based on neural network combined plant growth simulation algorithm | |
Liu et al. | Single phase to ground fault location of distribution network based on combined-gat | |
KHORASHADIZADEH et al. | A neuro-fuzzy technique for discrimination between internal faults and magnetizing inrush currents in transformers |
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 |