CN110398663B - 一种基于卷积神经网络的柔性直流电网故障识别方法 - Google Patents
一种基于卷积神经网络的柔性直流电网故障识别方法 Download PDFInfo
- Publication number
- CN110398663B CN110398663B CN201910597006.4A CN201910597006A CN110398663B CN 110398663 B CN110398663 B CN 110398663B CN 201910597006 A CN201910597006 A CN 201910597006A CN 110398663 B CN110398663 B CN 110398663B
- Authority
- CN
- China
- Prior art keywords
- fault
- neural network
- convolutional neural
- layer
- data
- 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
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
- G01R31/081—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明涉及柔性直流电网故障检测与识别领域,具体涉及一种基于卷积神经网络的柔性直流电网故障识别方法。该方法包括:构建含有分支结构的卷积神经网络模型;仿真获取故障案例数据并训练模型与调整模型参数;保存训练验证中识别准确率高、损失函数小的模型结构与参数;设置故障检测识别启动判据,并启动故障识别程序,在采样信号检测点以2ms采样数据窗,采集实际工况线路正负极电压、电流;数据归一化处理,并通过模型识别实际故障类型。该方法充分利用2ms采样窗内信息,模型的分支结构实现多种不同量纲故障特征的综合利用,提高柔直电网区内外故障识别的准确度,提高耐过渡电阻能力,满足故障识别速动性、选择性、灵敏性的要求。
Description
技术领域
本发明涉及柔性直流电网故障检测与识别领域,具体涉及一种基于卷积神经网络的柔性直流电网故障识别方法。
背景技术
随着模块化多电平换流器(MMC)技术的发展,基于电压源换流器技术的高压直流输电(VSC-HVDC)逐渐取代了传统的基于晶闸管技术的高压直流输电(LCC-HVDC),具有有功和无功独立控制、不存在换相失败、谐波水平低等特点。为了充分利用直流电网的优势,实现交流***异步互联、多能互补,提高新能源消纳水平,多端柔性直流电网成为了未来直流输电发展的趋势。然而,柔性直流电网发生直流故障后,由于***惯量小,故障电流上升速度极快、幅值极高,往往在几个毫秒内就超过器件的耐受能力,导致换流站闭锁。并且直流断路器的动作速度和最大切断能力也受到严峻挑战,目前混合式直流断路器动作完成至少需要3ms,切断最大故障电流为25kA。因此,留给柔性直流电网故障检测与识别的时间仅有几个毫秒。
柔性直流电网的直流故障识别需要满足速动性、选择性和灵敏性要求。速动性指的是故障识别的时间仅有几个毫秒;选择性是指故障识别需要能够有效区分区内区外故障,从而使得线路两侧的直流断路器能够正确动作;灵敏性是指故障识别应该能够承受足够的耐过渡电阻能力。目前现有的柔性直流电网故障识别方法,可总结为:利用时域特征、利用频域特征、以及利用线路边界的平波电抗器上的电压。这些方法都是基于短时窗采样内,仅依靠原始采样信号或对原始信号进行简单的数学处理后的判断,本质上都是单一的阈值型判断方法。此类方法虽然能够满足速动性要求,但是往往存在着耐过渡电阻能力不足的问题,导致选择性和灵敏性不能满足直流故障检测与识别的要求。因此,研究在短时窗(毫秒级)内柔性直流电网直流故障检测与识别技术具有十分重要的意义。
发明内容
为了克服上述现有技术的不足,本发明提供了一种基于卷积神经网络的柔性直流电网故障识别方法,使得在短时采样窗(毫秒级)内能够满足故障识别的速动性、选择性、灵敏性要求,从而既能实现故障类型的判断,又能实现故障区内、区外的判断,同时能够耐受较高的过渡电阻。
为解决上述技术问题,本发明提出以下技术方案:
本发明提供了一种基于卷积神经网络的柔性直流电网故障识别方法,具体步骤如下:
步骤S1:构建用于柔性直流电网故障识别的卷积神经网络初始模型。
卷积神经网络初始模型包含:第一分支结构,第二分支结构,连接层,第三卷积层,第三池化层,随机层,第一全连接层,第二全连接层,以及输出层;其中,第一分支结构包含:第一输入层,第一卷积层,第一池化层;第二分支结构包含:第二输入层,第二卷积层,第二池化层。
第一输入数据输入到第一输入层后,依次通过第一卷积层和第一池化层。
第二输入数据输入到第二输入层后,依次通过第二卷积层和第二池化层。
卷积神经网络初始模型中,连接层连接第一分支结构与第二分支结构,第一分支结构和第二分支结构的输出数据都输入到连接层,经过正向传播依次通过第三卷积层,第三池化层,随机层,第一全连接层,第二全连接层,最后由输出层输出故障类型的识别信号。
第一输入数据是正极线路电压和负极线路电压的归一化处理后数据;第二输入数据是正极线路电流和负极线路电流的归一化处理后数据。
步骤S2:分别仿真多端柔性直流电网的区内正极接地、区内负极接地、区内双极短路以及区外双极短路这4种故障类型,仿真过程中改变故障发生位置和过渡电阻阻值,得到多种仿真案例;对每个故障案例,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集正极线路电压、正极线路电流、负极线路电压、负极线路电流,形成故障案例数据集。
将故障案例数据集随机分为训练数据集和验证数据集。
步骤S3:步骤S2获得的训练数据集的数据进行归一化处理后作为卷积神经网络初始模型的输入数据,根据卷积神经网络初始模型输出数据的识别准确率和损失函数来调整卷积神经网络初始模型的结构和参数,经过训练和调整后,当识别准确率达到100%并且损失函数小于0.1时,保存模型结构与参数,形成卷积神经网络训练模型。
步骤S3中,调整所述卷积神经网络初始模型的结构,具体包括:调整第一卷积层、第二卷积层和第三卷积层的数量,调整第一池化层、第二池化层和第三池化层的数量,调整第一全连接层和第二全连接层的数量、调整第一卷积层、第二卷积层和第三卷积层的卷积核大小、以及随机层的在所述卷积神经网络初始模型中的***位置。
调整卷积神经网络初始模型的参数,具体包括:初始学习率learnrate,权值衰减系数decay,epoch次数,batchsize大小;还包括准确率和损失函数,准确率代表预测标签与真实标签相同的样本量占总样本集的比例;损失函数为交叉熵损失函数,用来评估当前训练得到的概率分布与真实分布的差异情况,损失函数公式如下:
步骤S4:步骤S2获得的验证数据集的数据进行归一化处理后作为卷积神经网络训练模型的输入数据,当卷积神经网络训练模型输出数据的识别准确率达到100%并且损失函数小于0.1时,该卷积神经网络训练模型作为实际工况下的柔性直流电网故障识别的卷积神经网络应用模型;否则重复进行步骤S3、步骤S4,直到卷积神经网络训练模型的准确率达到100%并且损失函数小于0.1。
步骤S5:设置实际工况下的柔性直流电网的故障检测与识别启动判据,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集线路正极电压和线路负极电压;当线路正极电压的瞬时变化率大于等于启动阈值时,或者当线路负极电压的瞬时变化率大于等于启动阈值时,启动故障检测与识别程序。
步骤S6:故障检测与识别程序启动后,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集正极线路电压、正极线路电流、负极线路电压、负极线路电流,对全部电压、电流数据进行归一化处理后通过卷积神经网络应用模型识别故障类型。
本发明提出的卷积神经网络模型中包含有分支结构,从而能够综合利用不同量纲的故障特征进行柔性直流电网的故障检测与识别。
进一步,本发明提出的故障识别方法中,步骤S2与步骤S5中电压、电流的采样信号检测点、采样频率、数据采样启动逻辑等均相同,并且采样数据窗的宽度均与步骤S6中相同。因此2ms采用数据窗内各采样信号的个数N=2n,其中,n为采样频率,单位为kHZ。
本发明采用以上技术方案与现有技术相比,具有如下技术效果:
利用卷积神经网络的人工智能算法实现了故障特征由显示提取变为隐式学习;单一的阈值判断变为充分利用了仅有的短时窗内的所有信息;提出卷积神经网络分支结构,实现了多种不同量纲的故障特征的综合利用。
本发明提出的故障识别方法能够显著提高柔性直流电网故障识别的区内外故障识别的准确度,并且极大的提高耐过渡电阻能力,满足故障识别速动性、选择性、灵敏性的要求。
附图说明
图1为本发明提出的用于柔性直流电网故障识别的卷积神经网络初始模型。
图2为基于MMC的四端柔性直流电网拓扑结构图。
图3为训练集和验证集的识别准确率和损失函数随epoch次数的变化情况。
图4为测试集的识别准确率随epoch次数变化情况。
图5为不同故障位置、不同过渡下的故障类型误判概率。
图6为不同故障位置能够耐受的过渡电阻极限。
具体实施方式
下面结合附图和实施例对本发明的具体实施方式作进一步的详细描述。
具体实施例1:
本发明提出的一种基于卷积神经网络的柔性直流电网故障识别方法,步骤S1构建用于柔性直流电网故障识别的卷积神经网络初始模型如图1所示。
卷积神经网络初始模型包含:第一分支结构,第二分支结构,连接层,第三卷积层,第三池化层,随机层,第一全连接层,第二全连接层,以及输出层;其中,第一分支结构包含:第一输入层,第一卷积层,第一池化层;第二分支结构包含:第二输入层,第二卷积层,第二池化层。
第一输入数据输入到第一输入层后,依次通过第一卷积层和第一池化层。
第二输入数据输入到第二输入层后,依次通过第二卷积层和第二池化层。
卷积神经网络初始模型中,连接层连接第一分支结构与第二分支结构,第一分支结构和第二分支结构的输出数据都输入到连接层,经过正向传播依次通过第三卷积层,第三池化层,随机层,第一全连接层,第二全连接层,最后由输出层输出故障类型的识别信号。
第一输入数据是正极线路电压和负极线路电压的归一化处理后数据;第二输入数据是正极线路电流和负极线路电流的归一化处理后数据。
具体实施例2:
图2是基于MMC的四端柔性直流电网拓扑结构图。该拓扑结构包括:第一换流器1、第二换流器2、第三换流器3、第四换流器4,这四个换流器均采用伪双极结构,电压等级均为±200kV。第一换流器1和第二换流器2之间连接有第一线路,第二换流器2和第三换流器3之间连接有第二线路,第三换流器3和第四换流器4之间连接有第三线路,第四换流器4和第一换流器1之间连接有第四线路。每条线路的两端靠近换流站侧均设有平波电抗器和直流断路器,每条线路均采用相域频变模型。以第一换流器1和第三换流器3之间的第四线路作为测试保护线路,长度为180km,故第一换流器1和第二换流器2之间的第一线路为保护区内线路,而其余线路则为保护区外线路。
以图2所示的四端柔性直流电网为研究对象,分别仿真区内正极接地、区内负极接地、区内双极短路以及区外双极短路这4种故障类型,其中采样频率设定为10kHZ。仿真过程中,通过均匀改变故障位置、过渡电阻的大小,共形成故障案例150种。其中,单极接地的过渡电阻范围设置为0~400Ω之间,双极短路的过渡电阻设置为0~50Ω之间。
对每个故障案例,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集正极线路电压、正极线路电流、负极线路电压、负极线路电流,形成故障案例数据集;将故障案例数据集随机分为训练数据集和验证数据集。
在优选实施例中,将故障案例数据集按5:1的固定比例随机分配为训练数据集和验证数据集。
具体实施例3:
将训练数据集的数据进行归一化处理后作为卷积神经网络初始模型的输入数据,根据卷积神经网络初始模型输出数据的识别准确率和损失函数来调整卷积神经网络初始模型的结构和参数,经过训练和调整后,当识别准确率达到100%并且损失函数小于0.1时,保存模型结构与参数,形成卷积神经网络训练模型。
调整所述卷积神经网络初始模型的结构,具体包括:调整第一卷积层、第二卷积层和第三卷积层的数量,调整第一池化层、第二池化层和第三池化层的数量,调整第一全连接层和第二全连接层的数量、调整第一卷积层、第二卷积层和第三卷积层的卷积核大小、以及随机层的在所述卷积神经网络初始模型中的***位置。
在优选实施例中,第一卷积层、第二卷积层和第三卷积层均为一维卷积层,卷积公式为:
经过训练确定卷积核长度为1,数量分别为100、100、50;因此卷积公式如下:
在优选实施例中,第一池化层、第二池化层和第三池化层均采用最大池化方法,对上一层矩阵维度进行减半;随机层将选中节点的输出归零,随机失活系数为d,其值位于0~1之间,在优选实施例中随机失活系数为0.4。
在优选实施例中,输出层采用softmax分类层;卷积神经网络的激励函数为Relu线性整流函数,公式为:f(x)=max(0,x)。
模型的梯度下降算法采用SGD随机梯度下降法。
调整卷积神经网络初始模型的参数,具体包括:初始学习率learnrate,权值衰减系数decay,epoch次数,batchsize大小。
还包括准确率和损失函数,准确率代表预测标签与真实标签相同的样本量占总样本集的比例;损失函数为交叉熵损失函数,用来评估当前训练得到的概率分布与真实分布的差异情况,损失函数公式如下:
图3显示了在采用随机梯度下降法SGD,且初始学习率learnrate=0.01,权值衰减系数decay=1e-6,batchsize=25的情况下,交叉熵损失函数和识别准确率随epoch次数增大的变化情况,选择epoch=400时模型的权重参数等进行保存。
通过上述训练,识别准确率达到100%并且损失函数小于0.1时,保存模型结构与参数,形成卷积神经网络训练模型。
验证数据集的数据进行归一化处理后作为卷积神经网络训练模型的输入数据,当卷积神经网络训练模型输出数据的识别准确率达到100%并且损失函数小于0.1时,该卷积神经网络训练模型作为实际工况下的柔性直流电网故障识别的卷积神经网络应用模型;否则重复进行训练与验证,直到卷积神经网络训练模型的准确率达到100%并且损失函数小于0.1。
对卷积神经网络训练模型进行泛化能力测试,同样按照具体实施例2所采用的故障仿真方法,获取包含50种故障案例的验证数据集。图4显示了不同epoch次数下,利用卷积神经网络训练模型对验证数据集进行识别的准确率,可以看到对于选取的epoch=400时,卷积神经网络训练模型卷积神经网络训练模型的识别准确率达到100%,并且损失函数小于0.1。该卷积神经网络训练模型作为实际工况下的柔性直流电网故障识别的卷积神经网络应用模型。
具体实施例4:
设置实际工况下的柔性直流电网的故障检测与识别启动判据,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集线路正极电压和线路负极电压;当线路正极电压的瞬时变化率大于等于启动阈值时,或者当线路负极电压的瞬时变化率大于等于启动阈值时,启动故障检测与识别程序。
优选实施例中,对四端柔性直流电网的故障检测与识别启动判据进行设置,以第一换流器1所连接的第四线路上的平波电抗器靠近线路侧作为采样信号检测点,分别采集第四线路的正极电压UdcP_4、正极电流为IdcP_4、负极电压UdcN_4、负极电流IdcN_4,并且设置启动阈值S=300kV/ms,将各采样数据均录入启动逻辑:或
故障检测与识别程序启动后,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集正极线路电压、正极线路电流、负极线路电压、负极线路电流,对全部电压、电流数据进行归一化处理后通过卷积神经网络应用模型识别故障类型。
本发明提出的故障识别方法中,各步骤中电压、电流的采样信号检测点、采样频率、数据采样启动逻辑、采样数据窗的宽度均相同。因此2ms采用数据窗内各采样信号的个数N=2n,其中,n为采样频率,单位为kHZ。
具体实施例5:
对卷积神经网络训练模型进行过渡电阻极限能力测试,以区内双极短路故障作为测试案例,图5显示了不同故障位置、过渡电阻取不同阻值下的故障类型误判概率;图6为在图5的上提取出的本发明提出的含有分支结构的卷积神经网络模型在不同故障位置所能耐受的过渡电阻极限阻值,与训练值相比较可以发现模型的实际工作区间远远超过训练区间,实际工作区间最低值约为训练区间极值的5倍,因此本发明提出的含有分支结构的卷积神经网络模型拥有极大的耐过渡电阻能力,足够满足实际工况的需求。
本发明提出的含有分支结构的卷积神经网络模型的具备较高的速动性,在首次训练完毕后,后续计算中无需再次训练,因此实际应用中的计算量仅为输入和权值偏置的四则运算所用时间。若按照计算机10ns完成一次计算来考虑,那么完成一次四则运算的时间为0.36ms,因此完成一次故障识别的总时间约为:T=2+0.36=2.36ms,这个故障识别时间能够满足柔性直流电网故障识别速动性的要求。
通过各具体实施例的详细说明,本发明提出的含有分支结构的卷积神经网络模型能够准确识别故障类型,显著提高柔性直流电网故障识别的区内外故障识别的准确度,并且极大的提高耐过渡电阻能力,满足故障识别速动性、选择性、灵敏性的要求。
以上具体实施方式及实施例是对本发明提出的一种基于卷积神经网络的柔性直流电网故障识别方法技术思想的具体支持,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在本技术方案基础上所做的任何等同变化或等效的改动,均仍属于本发明技术方案保护的范围。
Claims (5)
1.一种基于卷积神经网络的柔性直流电网故障识别方法,其特征在于:
具体步骤如下:
步骤S1:构建用于柔性直流电网故障识别的卷积神经网络初始模型;
步骤S2:分别仿真多端柔性直流电网的区内正极接地、区内负极接地、区内双极短路以及区外双极短路这4种故障类型,仿真过程中改变故障发生位置和过渡电阻阻值,得到多种仿真案例;对每个故障案例,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集正极线路电压、正极线路电流、负极线路电压、负极线路电流,形成故障案例数据集;
将故障案例数据集随机分为训练数据集和验证数据集;
步骤S3:步骤S2获得的训练数据集的数据进行归一化处理后作为卷积神经网络初始模型的输入数据,根据卷积神经网络初始模型输出数据的识别准确率和损失函数来调整卷积神经网络初始模型的结构和参数,经过训练和调整后,当识别准确率达到100%并且损失函数小于0.1时,保存模型结构与参数,形成卷积神经网络训练模型;
步骤S4:步骤S2获得的验证数据集的数据进行归一化处理后作为卷积神经网络训练模型的输入数据,当卷积神经网络训练模型输出数据的识别准确率达到100%并且损失函数小于0.1时,该卷积神经网络训练模型作为实际工况下的柔性直流电网故障识别的卷积神经网络应用模型;否则重复进行步骤S3、步骤S4,直到卷积神经网络训练模型的准确率达到100%并且损失函数小于0.1;
步骤S5:设置实际工况下的柔性直流电网的故障检测与识别启动判据,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集线路正极电压和线路负极电压;当线路正极电压的瞬时变化率大于等于启动阈值时,或者当线路负极电压的瞬时变化率大于等于启动阈值时,启动故障检测与识别程序;
步骤S6:故障检测与识别程序启动后,以故障线路上的平波电抗器靠近线路侧作为采样信号检测点,以2ms数据窗为采样数据窗,采集正极线路电压、正极线路电流、负极线路电压、负极线路电流,对全部电压、电流数据进行归一化处理后通过卷积神经网络应用模型识别故障类型。
2.根据权利要求1所述的一种基于卷积神经网络的柔性直流电网故障识别方法,其特征在于:所述卷积神经网络初始模型包含:第一分支结构,第二分支结构,连接层,第三卷积层,第三池化层,随机失活层,第一全连接层,第二全连接层,以及输出层;其中,第一分支结构包含:第一输入层,第一卷积层,第一池化层;第二分支结构包含:第二输入层,第二卷积层,第二池化层;
第一输入数据输入到第一输入层后,依次通过第一卷积层和第一池化层;
第二输入数据输入到第二输入层后,依次通过第二卷积层和第二池化层;
所述卷积神经网络初始模型中,连接层连接第一分支结构与第二分支结构,第一分支结构和第二分支结构的输出数据都输入到连接层,经过正向传播依次通过第三卷积层,第三池化层,随机失活层,第一全连接层,第二全连接层,最后由输出层输出故障类型的识别信号。
3.根据权利要求2所述的一种基于卷积神经网络的柔性直流电网故障识别方法,其特征在于:
所述第一输入数据是正极线路电压和负极线路电压的归一化处理后数据;所述第二输入数据是正极线路电流和负极线路电流的归一化处理后数据。
5.根据权利要求1所述的一种基于卷积神经网络的柔性直流电网故障识别方法,其特征在于:步骤S1中,将故障案例数据集按固定比例随机分为训练数据集和验证数据集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597006.4A CN110398663B (zh) | 2019-07-03 | 2019-07-03 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597006.4A CN110398663B (zh) | 2019-07-03 | 2019-07-03 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110398663A CN110398663A (zh) | 2019-11-01 |
CN110398663B true CN110398663B (zh) | 2021-03-23 |
Family
ID=68322775
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910597006.4A Active CN110398663B (zh) | 2019-07-03 | 2019-07-03 | 一种基于卷积神经网络的柔性直流电网故障识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110398663B (zh) |
Families Citing this family (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111160241B (zh) * | 2019-12-27 | 2022-08-12 | 华中科技大学 | 一种基于深度学习的配电网故障分类方法、***和介质 |
CN111461037B (zh) * | 2020-04-07 | 2023-04-07 | 电子科技大学 | 一种基于fmcw雷达的端到端手势识别方法 |
CN114076902A (zh) * | 2020-08-10 | 2022-02-22 | 施耐德电器工业公司 | 接地故障方向性检测方法、设备及计算机可读存储介质 |
CN112098760A (zh) * | 2020-09-21 | 2020-12-18 | 广东电网有限责任公司佛山供电局 | 基于卷积神经网络的电力故障信号检测方法 |
CN112505473B (zh) * | 2020-10-21 | 2022-02-01 | 北京交通大学 | 柔性直流电网双极短路故障暂态电流的解析计算方法 |
CN113471932B (zh) * | 2021-06-29 | 2022-04-01 | 中国矿业大学 | 基于多类相似性分析的单端mmc直流配电网单极接地变权重保护方法 |
CN113392589B (zh) * | 2021-06-30 | 2022-09-27 | 云南电网有限责任公司电力科学研究院 | 基于卷积神经网络的高压直流换流站故障分析方法及*** |
CN113610119B (zh) * | 2021-07-19 | 2023-10-27 | 西安交通大学 | 基于卷积神经网络识别输电线路发展性故障的方法 |
CN113468704B (zh) * | 2021-07-23 | 2024-02-02 | 南方电网科学研究院有限责任公司 | 一种间歇性电弧故障检测方法及相关装置 |
CN113625108B (zh) * | 2021-08-02 | 2022-11-01 | 四川轻化工大学 | 一种柔性直流配电网故障识别方法 |
CN113945797B (zh) * | 2021-10-11 | 2022-07-26 | 华南理工大学 | 高压直流输电线路自适应单端量保护方法、***及介质 |
CN113970685B (zh) * | 2021-10-27 | 2022-08-30 | 西南交通大学 | 基于微分分析的配电网故障检测方法、***及定位方法 |
CN113970686B (zh) * | 2021-10-27 | 2022-08-30 | 西南交通大学 | 基于单端量保护的配电网故障检测方法、***及定位方法 |
CN114002556B (zh) * | 2021-11-02 | 2023-06-13 | 华自科技股份有限公司 | 一种异常线路定位方法及装置 |
CN116432183B (zh) * | 2023-04-21 | 2024-03-26 | 深圳市高优科技有限公司 | 一种智慧地铁综合监控***及方法 |
CN116859184B (zh) * | 2023-09-05 | 2024-01-16 | 国网信息通信产业集团有限公司 | 电网故障检测方法、装置、电子设备和计算机可读介质 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
Family Cites Families (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9426036B1 (en) * | 2013-09-26 | 2016-08-23 | Amazon Technologies, Inc. | Mixture model approach for network forecasting |
CN104794534B (zh) * | 2015-04-16 | 2017-12-15 | 国网山东省电力公司临沂供电公司 | 一种基于改进深度学习模型的电网安全态势预测方法 |
CN104820159A (zh) * | 2015-04-30 | 2015-08-05 | 国家电网公司 | 一种柔性直流输电***直流双极短路故障辨识方法 |
US10586153B2 (en) * | 2016-06-16 | 2020-03-10 | Qatar University | Method and apparatus for performing motor-fault detection via convolutional neural networks |
CN106980073A (zh) * | 2017-05-23 | 2017-07-25 | 武汉大学 | 一种基于卷积神经网络的输电线路双端故障录波数据匹配方法 |
EP3460496B1 (en) * | 2017-09-26 | 2022-06-08 | Siemens Aktiengesellschaft | A method and apparatus for automatic localization of a fault |
CN108089099A (zh) * | 2017-12-18 | 2018-05-29 | 广东电网有限责任公司佛山供电局 | 基于深度置信网络的配电网故障的诊断方法 |
CN108107324B (zh) * | 2017-12-22 | 2020-04-17 | 北京映翰通网络技术股份有限公司 | 一种基于深度卷积神经网络的配电网故障定位方法 |
CN108732465B (zh) * | 2018-05-30 | 2020-08-04 | 广东电网有限责任公司 | 一种基于小波变换和cnn的配电网故障定位方法 |
CN109142969A (zh) * | 2018-07-20 | 2019-01-04 | 西南交通大学 | 一种基于连续隐马尔可夫模型的输电线路故障选相方法 |
-
2019
- 2019-07-03 CN CN201910597006.4A patent/CN110398663B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108959732A (zh) * | 2018-06-15 | 2018-12-07 | 西安科技大学 | 一种基于卷积神经网络的输电线路故障类型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110398663A (zh) | 2019-11-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110398663B (zh) | 一种基于卷积神经网络的柔性直流电网故障识别方法 | |
CN112787591B (zh) | 基于微调密集连接卷积神经网络的光伏阵列故障诊断方法 | |
CN111160241B (zh) | 一种基于深度学习的配电网故障分类方法、***和介质 | |
CN110672976B (zh) | 基于并联卷积神经网络的多端直流输电线路故障诊断方法 | |
CN112255500A (zh) | 一种基于迁移学习的配电网弱特征故障辨识方法 | |
Jamali et al. | Identification of faulted line section in microgrids using data mining method based on feature discretisation | |
CN108898182A (zh) | 一种基于核主元分析与支持向量机的mmc故障诊断方法 | |
CN111553112A (zh) | 一种基于深度置信网络的电力***故障辨识方法及装置 | |
Luo et al. | An end-to-end transient recognition method for VSC-HVDC based on deep belief network | |
CN113030789A (zh) | 一种基于卷积神经网络的串联型电弧故障诊断及选线方法 | |
CN113536509A (zh) | 一种基于图卷积网络的微电网拓扑辨识方法 | |
CN111062569A (zh) | 一种基于bp神经网络的小电流故障判别方法 | |
CN113158781B (zh) | 一种雷击跳闸类型识别方法 | |
CN112036718B (zh) | 一种考虑新能源不确定性的电力***安全风险评估方法 | |
CN110968073B (zh) | 一种hvdc***换相失败故障原因双层溯源辨识方法 | |
Luo et al. | Stacked auto-encoder-based transients recognition in VSC-HVDC | |
CN113392589B (zh) | 基于卷积神经网络的高压直流换流站故障分析方法及*** | |
Muzzammel et al. | Wavelet multiscale principal components and traveling waves enabled machine learning technique for protection of MT-HVDC systems | |
CN114089181B (zh) | 基于XG-Boost的MMC开关管开路故障检测方法 | |
Dehghani et al. | Distribution feeder classification based on self organized maps (case study: Lorestan province, Iran) | |
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 | |
CN110245617B (zh) | 基于暂态录波波形的人工智能分析方法 | |
Hossain et al. | Fault Detection and Classification in Microgrid Using Long Short-Term Memory | |
Wang et al. | Fault Diagnosis of UHVDC Transmission Line Based on Deep Neural Network | |
Ojetola et al. | Time Series Classification for Detecting Fault Location in a DC Microgrid |
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 |