CN113466624A - 一种多端混合直流输电线路故障区域的检测方法及*** - Google Patents
一种多端混合直流输电线路故障区域的检测方法及*** Download PDFInfo
- Publication number
- CN113466624A CN113466624A CN202110735230.2A CN202110735230A CN113466624A CN 113466624 A CN113466624 A CN 113466624A CN 202110735230 A CN202110735230 A CN 202110735230A CN 113466624 A CN113466624 A CN 113466624A
- Authority
- CN
- China
- Prior art keywords
- voltage
- line
- current
- mode
- line mode
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 42
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims description 48
- 238000006243 chemical reaction Methods 0.000 claims description 26
- 230000009466 transformation Effects 0.000 claims description 17
- 238000012549 training Methods 0.000 claims description 12
- 238000003062 neural network model Methods 0.000 claims description 11
- 238000005070 sampling Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 238000012546 transfer Methods 0.000 description 4
- 230000002238 attenuated effect Effects 0.000 description 3
- 238000010276 construction Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 230000005684 electric field Effects 0.000 description 2
- 238000009499 grossing Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G01R31/081—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)
- Locating Faults (AREA)
Abstract
本申请涉及直流线路保护领域，提供一种多端混合直流输电线路故障区域的检测方法及***，通过获取故障后的正极电压和负极电压、故障后的正极电流和负极电流，进行相模变换，得到线模电压、零模电压、线模电流和零模电流，并进行小波分解，得到线模电压的高频小波能量、线模电压低频小波能量、线模电流的中低频小波能量，将得到的这些数据作为神经网路模型的输入样本，对神经网路模型进行大量训练，得到多层感知器，根据多层感知器的输出结果判断故障位置。本申请提供的一种多端混合直流输电线路故障区域的检测方法及***，可以实现对多端混合直流输电线路故障区域进行检测，并定位到故障的具***置。
Description
技术领域
本申请涉及直流线路保护领域，尤其涉及一种多端混合直流输电线路故障区域的检测方法及***。
背景技术
两端直流输电是一种将电场发出的交流电，经整流器(送端)变换成直流电输送至逆变器(受端)，再用逆变器将直流电变换成交流电，送到受端交流电网的输电方式。但是随着电网建设日益完善，发电技术日趋成熟，电场建设脚步不断加快，建设数量越来越多，两端直流输电已经不能满足供电需求。
为了解决上述问题，多端混合直流***应运而生，多端混合直流***可实现多电源供电、多落点受电，且电损耗更低。但是由于多端混合直流***大规模采用架空输电线路，导致直流线路的故障发生率高，从而必须用故障检测方法来检测故障，而多端混合直流线路的故障特征与两端直流输电的故障特征，截然不同，所以两端直流输电的故障检测方法无法应用到多端混合直流输电中。
现有技术中，关于多端混合直流输电线路故障区域的检测，采用非智能的多端混合直流输电线路故障检测方法，这种方法，需要复杂的阈值整定，计算过程复杂，且无法定位故障的具***置。
发明内容
本申请提供了一种多端混合直流输电线路故障区域的检测方法及***，旨在对多端混合直流输电线路故障区域的检测，不需要复杂的阈值整定，并定位故障的具***置。
本申请第一方面，提供一种多端混合直流输电线路故障区域的检测方法，所述多端混合直流输电线路故障区域的检测方法包括：
获取线路故障后的正极电压和负极电压。
获取线路故障后的正极电压变化量和负极电压变化量。
获取线路故障后的正极电流和负极电流。
对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压。
对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和低频小波能量。
对所述正极电流和所述负极电流，进行电流相模变换，得到线模电流和零模电流。
对所述线模电流，进行电流小波分解，得到线模电流的中低频小波能量。
将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。
可选的，所述电压相模变换，采用电压相模变换模型，所述电压相模变换模型具体为：
其中，uG为所述零模电压，uL为所述线模电压，uP为所述正极电压，uN为所述负极电压。
可选的，所述电压小波分解，采用电压小波分解模型，所述电压小波分解模型具体为：
其中，E为所述线模电压对应的小波能量，N为采样点个数，d(n)为所述线模电压小波细节系数，所述线模电压小波细节系数为线模电压进行八层分解后，得到细节系数[d1、d2、d3、d4、d5、d6、d7、d8]，根据第一尺度细节系数d1，可得到所述高频小波能量，根据第八尺度细节系数d8，可得到所述低频小波能量。
可选的，所述多层感知器模型根据以下方法建立：
获取多组同一时刻故障下的正极电压变化量、负极电压变化量、线模电压的高频小波能量、线模电压的低频小波能量、线模电流的中低频小波能量，以及对应实测的故障位置；
将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量作为神经网络模型的输入，将对应实测的故障位置作为神经网络模型的输出，对神经网络模型进行训练，获得多层感知器模型。
本申请第二方面，提供多端混合直流输电线路故障区域的检测***，所述***，包括：获取模块、线模电压模块、电压小波能量模块、线模电流模块、电流中低频小波能量模块和多层感知器故障定位模块。
所述获取模块，用于于获取线路故障后的正极电压、负极电压、正极电压变化量、负极电压变化量、正极电流和负极电流。
所述线模电压模块，用于对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压。
所述电压小波能量模块，用于对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和低频小波能量。
所述线模电流模块，用于对所述正极电流和所述负极电流，进行电流相模变换，得到线模电流和零模电流。
所述电流中低频小波能量模块，用于对所述线模电流，进行电流小波分解，得到线模电流的中低频小波能量。
所述多层感知器故障定位模块，用于将所述正极电压、所述负极电压、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。
可选的，所述线模电压模块还用于对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压，所述相模变换，采用电压相模变换模型，所述电压相模变换模型具体为：
其中，uG为所述零模电压，uL为所述线模电压，uP为所述正极电压，uN为所述负极电压。
可选的，所述电压小波能量模块，还用于对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和线模电压低频小波能量，所述电压小波分解，采用电压小波分解模型，所述电压小波分解模型具体为：
其中，E为所述线模电压对应的小波能量，N为采样点个数，d(n)为所述线模电压小波细节系数，所述线模电压小波细节系数为线模电压进行八层分解后，得到细节系数[d1、d2、d3、d4、d5、d6、d7、d8]，根据第一尺度细节系数d1，可得到所述高频小波能量，根据第八尺度细节系数d8，可得到所述低频小波能量。
可选的，所述多层感知器故障定位模块，还用于将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置，所述多层感知器模型根据以下方法建立：
获取多组线路故障后的正极电压变化量、负极电压变化量、线模电压的高频小波能量、线模电压的低频小波能量、线模电流的中低频小波能量，以及故障位置对应的标签。
将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量作为多层感知器模型的输入，将与故障位置对应的标签作为多层感知器模型的输出，对多层感知器模型进行训练和优化，获得多层感知器模型。
由以上技术方案可知，本申请提供的一种多端混合直流输电线路故障区域的检测方法及***，通过获取故障后的正极电压和负极电压、故障后的正极电流和负极电流，进行相模变换，得到线模电压、零模电压、线模电流和零模电流，并进行小波分解，得到线模电压的高频小波能量、线模电压低频小波能量、线模电流的中低频小波能量，将得到的这些数据作为神经网路模型的输入样本，对神经网路模型进行大量训练，得到多层感知器模型，根据多层感知器模型的输出结果判断故障位置。本申请提供的一种多端混合直流输电线路故障区域的检测方法及***，可以实现对多端混合直流输电线路故障区域进行检测，并定位到故障的具***置。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本申请实施例提供的多端混合直流输电线路故障区域的检测方法流程图；
图2为本申请实施例提供的逆变侧2的直流线路边界图；
图3为本申请实施例提供的多端混合直流输电线路故障区域的检测***框架图；
图4为本申请实施例提供的特高压三端混合直流***图。
具体实施方式
以下对本申请的具体实施方式进行详细说明。显然，所描述的实施例仅仅是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。
参见图1为本申请实施例提供的多端混合直流输电线路故障区域的检测方法流程图。
参见图4本申请实施例提供的特高压三端混合直流***图。图中：在正负极直流线路T区左右两侧配置四个保护测量点M1、M2、M3、M4，保护M1、M2、M3、M4的保护范围为线路L1、线路L2、线路L3、线路L4，f1-f8为故障位置。
本申请第一方面，提供一种多端混合直流输电线路故障区域的检测方法，所述多端混合直流输电线路故障的检测方法包括：
S101获取线路故障后的正极电压、负极电压、正极电压变化量、负极电压变化量、正极电流和负极电流。
S102对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压。
其中，所述电压相模变换，采用电压相模变换模型，所述电压相模变换模型具体为：
其中，uG为所述零模电压，uL为所述线模电压，uP为所述正极电压，uN为所述负极电压。
S103对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和线模电压的低频小波能量。
整流侧直流线路边界由平波电抗器和直流滤波器组成，分析整流侧直流线路边界传递函数幅频特性，得出电压高频分量经过整流侧直流线路边界会大幅衰减，故可利用保护M1测得的电压高频分量，判别线路L1的区内故障f1和区外故障f2，利用保护M3测得的电压高频分量，判别线路L3的区内故障f5和区外故障f6。
参见图2为本申请实施例提供的逆变侧2的直流线路边界图。
因架空线路对地有电容，为了便于推导逆变侧2直流线路边界的传递函数，可利用一段架空线路对地电容和平波电抗器构成逆变侧2直流线路边界。
通过分析逆变侧2直流线路边界传递函数幅频特性，得出电压高频分量经过逆变侧2直流线路边界会大幅衰减，故可利用保护M2测得的电压高频分量，判别线路L2的区内故障(f3)和区外故障(f4)，利用保M4测得的电压高频分量，判别线路L4的区内故障(f7)和区外故障(f8)。
高压直流***一极线路发生接地故障时，另一极线路电压由于耦合作用也会受到波动，故可利用保护M1、M3测得的正极电压变化量、负极电压变化量实现故障选极。
计算故障后5ms数据窗内，保护M1测到的正极电压|Δup1|和保护M3测到的负极电压变化量|Δun3|。
计算故障后5ms数据窗内，保护M1测到的正极电压uP1和保护M3测到的负极电压uN3进行相模变换，如式下式所示，得到故障后的线模电压uG1和零模电压uL1。
所述电压小波分解，采用电压小波分解模型，所述电压小波分解模型具体为：
其中，E为线模电压对应的小波能量，N为采样点个数，d(n)为线模电压小波细节系数，所述线模电压小波细节系数为线模电压进行八层分解后，得到细节系数[d1、d2、d3、d4、d5、d6、d7、d8]，根据第一尺度细节系数d1，可得到所述高频小波能量，根据第八尺度细节系数d8，可得到所述低频小波能量。
S104对所述正极电流和所述负极电流，进行电流相模变换，得到线模电流和零模电流。
所述电流相模变换，采用电流相模变换模型，所述电流相模变换模型具体为：
其中，iG为所述零模电流，iL为所述线模电流，iP为所述正极电流，iN为所述负极电流。
计算故障后5ms数据窗内，保护M1的正极电流iP1和保护M3测到的负极电流iN3进行相模变换，如式下式所示，得到一个线模电流iL1和零模电流iG1。
计算故障后5ms数据窗内，保护M2的正极电流iP2和保护M4测到的负极电流iN4进行相模变换，如式下式所示，得到一个线模电流iL2和零模电流iG2。
S105对所述线模电流，进行电流小波分解，得到线模电流的中低频小波能量。
分析了T区传递函数的幅频特性，得出线模电流的中低频分量经过T区会大幅度衰减，故可以利用保护M1、M3测到的线模电流的中低频分量和保护M2、M4测到的线模电流的中低频分量，判别T区左侧故障还是右侧故障。
所述电流小波分解，采用电流小波分解模型，所述电流小波分解模型具体为：
其中，Ei为线模电流对应的小波能量，N为采样点个数，d(n)i为线模电流小波细节系数，所述线模电流小波细节系数为所述线模电流进行八层分解后得到，线模电流小波细节系数[D1、D2、D3、D4、D5、D6、D7、D8]，根据第八尺度细节系数D8，可得到所述线模电流的中低频小波能量。
S106将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。
其中，所述多层感知器模型根据以下方法建立：
获取多组同一时刻故障下的正极电压变化量、负极电压变化量、线模电压的高频小波能量、线模电压的低频小波能量、线模电流的中低频小波能量，以及对应实测的故障位置。
将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量作为神经网络模型的输入，将对应实测的故障位置作为神经网络模型的输出，对神经网络模型进行训练，获得多层感知器模型。f1-f8的8个故障区域所对应的初步多层感知器模型的输出样本数据如表1所示。
表1多层感知器模型的输出样本数据
比如，输入样本数据来自于故障区域f1，其对应的多层感知器模型的输出样本数据为[1 0 0 0 0 0 0 0]称为期望输出。8个故障区域相当于8个类别，每个类别贴一个标签，一个标签就是表1中的一个向量，每个向量就是输入样本数据对应的输出样本数据。
通过对图4所示的特高压三端混合直流***的不同故障区域f1-f8进行大量故障仿真，通过保护M提取故障样本数据，得到训练样本集(包括训练输入样本数据和训练输出样本数据)和测试样本集(包括测试输入样本数据和测试输出样本数据)。利用训练样本集对多层感知器模型进行训练和优化，得到可以对特高压三端混合直流线路不同故障区域f1-f8进行定位的多层感知器模型。
由以上技术方案可知，本申请实施例提供的一种多端混合直流输电线路故障区域的检测方法，通过获取故障后的正极电压、负极电压、正极电压变化量、负极电压变化量、正极电流和负极电流；对所述正极电压、所述负极电压、所述正极电流和所述负极电流进行相模变换，得到线模电压、零模电压、线模电流和零模电压；再进行小波分解，得到线模电压的高频小波能量、线模电压低频小波能量、线模电流的中低频小波能量；将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。实现故障位置的检测，且可对故障位置进行精准定位。
参见图3为本申请实施例提供的多端混合直流输电线路故障区域的检测***框架图。
本申请第二方面，提供一种多端混合直流输电线路故障区域的检测***，所述***，包括：获取模块、线模电压模块、电压小波能量模块、线模电流模块、电流中低频小波能量模块和多层感知器故障定位模块。
所述获取模块，用于于获取线路故障后的正极电压、负极电压、正极电压变化量、负极电压变化量、正极电流和负极电流。
所述线模电压模块，用于对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压。
所述电压小波能量模块，用于对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和线模电压的低频小波能量。
所述线模电流模块，用于对所述正极电流和所述负极电流，进行电流相模变换，得到线模电流和零模电流。
所述电流中低频小波能量模块，用于对所述线模电流，进行电流小波分解，得到线模电流的中低频小波能量。
所述多层感知器故障定位模块，用于将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。
可选的，所述线模电压模块还用于对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压，所述相模变换，采用电压相模变换模型，所述电压相模变换模型具体为：
其中，uG为所述零模电压，uL为所述线模电压，uP为所述正极电压，uN为所述负极电压。
可选的，所述电压小波能量模块，还用于对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和线模电压低频小波能量，所述电压小波分解，采用电压小波分解模型，所述电压小波分解模型具体为：
其中，E为所述线模电压对应的小波能量，N为采样点个数，d(n)为所述线模电压小波细节系数，所述线模电压小波细节系数为线模电压进行八层分解后，得到细节系数[d1、d2、d3、d4、d5、d6、d7、d8]，根据第一尺度细节系数d1，可得到所述高频小波能量，根据第八尺度细节系数d8，可得到所述低频小波能量。
可选的，所述多层感知器故障定位模块，还用于将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置，所述多层感知器模型根据以下方法建立：
获取多组线路故障后的正极电压变化量、负极电压变化量、线模电压的高频小波能量、线模电压的低频小波能量、线模电流的中低频小波能量，以及故障位置对应的标签。
将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量作为多层感知器模型的输入，将与故障位置对应的标签作为多层感知器模型的输出，对多层感知器模型进行训练和优化，获得多层感知器模型。
将所述正极电压、所述负极电压、所述正极电压变化量、所述负极电压变化量、所述正极电流和所述负极电流输入进所述获取模块，所述获取模块将所述正极电压和所述负极电压传递至所述线模电压模块，并进行电压相模变换，得到线模电压和零模电压；所述线模电压模块将所述线模电压，传递至所述电压小波能量模块，并进行电压小波分解，得到线模电压的高频小波能量和线模电压低频小波能量；所述获取模块将所述正极电流和所述负极电流传递至所述线模电流模块，并进行电流相模变换，得到线模电流和零模电流；所述线模电流模块将所述线模电流传递至所述电流中低频小波能量模块，并进行电流小波分解，得到线模电流的中低频小波能量；所述多层感知器故障定位模块，将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。
由以上技术方案可知，本申请实施例提供一种多端混合直流输电线路故障区域的检测方法及***，通过获取线路故障后的正极电压、负极电压、正极电压变化量、负极电压变化量、正极电流和负极电流；对所述正极电压、所述负极电压、所述正极电流和所述负极电流进行相模变换，得到线模电压、零模电压、线模电流和零模电压；再进行小波分解，得到线模电压的高频小波能量、线模电压低频小波能量、线模电流的中低频小波能量；将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。实现了多端混合直流输电线路故障区域的检测，精准定位故障发生位置，且无需复杂的阈值限定，和计算步骤。
以上结合具体实施方式和范例性实例对本申请进行了详细说明，不过这些说明并不能理解为对本申请的限制。本领域技术人员理解，在不偏离本申请精神和范围的情况下，可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进，这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (8)
1.一种多端混合直流输电线路故障区域的检测方法，其特征在于，包括：
获取线路故障后的正极电压和负极电压；
获取线路故障后的正极电压变化量和负极电压变化量；
获取线路故障后的正极电流和负极电流；
对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压；
对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和线模电压的低频小波能量；
对所述正极电流和所述负极电流，进行电流相模变换，得到线模电流和零模电流；
对所述线模电流，进行电流小波分解，得到线模电流的中低频小波能量；
将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。
2.根据权利要求1所述的一种多端混合直流输电线路故障区域的检测方法，其特征在于，所述电压相模变换，采用电压相模变换模型，所述电压相模变换模型具体为：
其中，uG为所述零模电压，uL为所述线模电压，uP为所述正极电压，uN为所述负极电压。
3.根据权利要求1所述的一种多端混合直流输电线路故障区域的检测方法，其特征在于，所述电压小波分解，采用电压小波分解模型，所述电压小波分解模型具体为：
其中，E为所述线模电压对应的小波能量，N为采样点个数，d(n)为所述线模电压小波细节系数，所述线模电压小波细节系数为线模电压进行八层分解后，得到细节系数[d1、d2、d3、d4、d5、d6、d7、d8]，根据第一尺度细节系数d1，可得到所述高频小波能量，根据第八尺度细节系数d8，可得到所述低频小波能量。
4.根据权利要求1所述的一种多端混合直流输电线路故障区域的检测方法，其特征在于，所述多层感知器模型根据以下方法建立：
获取多组同一时刻故障下的正极电压变化量、负极电压变化量、线模电压的高频小波能量、线模电压的低频小波能量、线模电流的中低频小波能量，以及对应实测的故障位置；
将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量作为神经网络模型的输入，将对应实测的故障位置作为神经网络模型的输出，对神经网络模型进行训练，获得多层感知器模型。
5.一种多端混合直流输电线路故障区域的检测***，其特征在于，所述一种多端混合直流输电线路故障的检测***用于执行权利要求1-4所述的一种多端混合直流输电线路故障的检测方法，包括：获取模块、线模电压模块、电压小波能量模块、线模电流模块、电流中低频小波能量模块和多层感知器故障定位模块；
所述获取模块，用于获取线路故障后的正极电压、负极电压、正极电压变化量、负极电压变化量、正极电流和负极电流；
所述线模电压模块，用于对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压；
所述电压小波能量模块，用于对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和低频小波能量；
所述线模电流模块，用于对所述正极电流和所述负极电流，进行电流相模变换，得到线模电流和零模电流；
所述电流中低频小波能量模块，用于对所述线模电流，进行电流小波分解，得到线模电流的中低频小波能量；
所述多层感知器故障定位模块，用于将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置。
6.根据权利要求5所述的一种多端混合直流输电线路故障区域的检测***，其特征在于，所述线模电压模块还用于对所述正极电压和所述负极电压，进行电压相模变换，得到线模电压和零模电压，所述相模变换，采用电压相模变换模型，所述电压相模变换模型具体为：
其中，uG为所述零模电压，uL为所述线模电压，uP为所述正极电压，uN为所述负极电压。
7.根据权利要求5所述的一种多端混合直流输电线路故障区域的检测***，其特征在于，所述电压小波能量模块，还用于对所述线模电压，进行电压小波分解，得到线模电压的高频小波能量和线模电压低频小波能量，所述电压小波分解，采用电压小波分解模型，所述电压小波分解模型具体为：
其中，E为所述线模电压对应的小波能量，N为采样点个数，d(n)为所述线模电压小波细节系数，所述线模电压小波细节系数为线模电压进行八层分解后，得到细节系数[d1、d2、d3、d4、d5、d6、d7、d8]，根据第一尺度细节系数d1，可得到所述高频小波能量，根据第八尺度细节系数d8，可得到所述低频小波能量。
8.根据权利要求7所述的一种多端混合直流输电线路故障区域的检测***，其特征在于，所述多层感知器故障定位模块，还用于将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量，输入预先建立的多层感知器模型，生成故障位置，所述多层感知器模型根据以下方法建立：
获取多组线路故障后的正极电压变化量、负极电压变化量、线模电压的高频小波能量、线模电压的低频小波能量、线模电流的中低频小波能量，以及故障位置对应的标签；
将所述正极电压变化量、所述负极电压变化量、所述线模电压的高频小波能量、所述线模电压的低频小波能量、所述线模电流的中低频小波能量作为多层感知器模型的输入，将与故障位置对应的标签作为多层感知器模型的输出，对多层感知器模型进行训练和优化，获得多层感知器模型。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110735230.2A CN113466624A (zh) | 2021-06-30 | 2021-06-30 | 一种多端混合直流输电线路故障区域的检测方法及*** |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110735230.2A CN113466624A (zh) | 2021-06-30 | 2021-06-30 | 一种多端混合直流输电线路故障区域的检测方法及*** |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113466624A true CN113466624A (zh) | 2021-10-01 |
Family
ID=77874385
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110735230.2A Pending CN113466624A (zh) | 2021-06-30 | 2021-06-30 | 一种多端混合直流输电线路故障区域的检测方法及*** |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113466624A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115201636A (zh) * | 2022-08-02 | 2022-10-18 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障检测方法及相关设备 |
| CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
| CN116859184A (zh) * | 2023-09-05 | 2023-10-10 | 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 (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201303319A (zh) * | 2011-07-06 | 2013-01-16 | Univ Nat Taiwan | 高壓輸配電網路之故障偵測、辨識與定位之方法及系統 |
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
| CN105223466A (zh) * | 2015-09-24 | 2016-01-06 | 昆明理工大学 | 一种利用模极大值比的特高压直流输电线路单端测距方法 |
| CN106291238A (zh) * | 2016-08-02 | 2017-01-04 | 昆明理工大学 | 一种三端直流输电线路离散小波变换和支持向量机的故障支路识别方法 |
| CN108107319A (zh) * | 2017-11-27 | 2018-06-01 | 山东大学 | 一种多端柔性直流电网故障定位方法及*** |
| CN109119977A (zh) * | 2018-09-20 | 2019-01-01 | 山东大学 | 基于单端电压的多端柔性直流电网直流线路快速保护方法及*** |
| CN109239533A (zh) * | 2018-11-16 | 2019-01-18 | 国网山东省电力公司电力科学研究院 | 一种基于人工神经网络的特高压直流输电线路的故障定位方法 |
| CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
| CN111239549A (zh) * | 2020-02-18 | 2020-06-05 | 国网信通亿力科技有限责任公司 | 一种基于离散小波变换的配电故障快速定位方法 |
| CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及*** |
| CN112946425A (zh) * | 2021-02-08 | 2021-06-11 | 长沙理工大学 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
| CN113033077A (zh) * | 2021-03-04 | 2021-06-25 | 云南电网有限责任公司电力科学研究院 | 一种基于神经网络算法的直流输电线路故障测距方法 |
-
2021
- 2021-06-30 CN CN202110735230.2A patent/CN113466624A/zh active Pending
Patent Citations (13)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| TW201303319A (zh) * | 2011-07-06 | 2013-01-16 | Univ Nat Taiwan | 高壓輸配電網路之故障偵測、辨識與定位之方法及系統 |
| CN103728535A (zh) * | 2013-10-28 | 2014-04-16 | 昆明理工大学 | 一种基于小波变换暂态能量谱的特高压直流输电线路故障测距方法 |
| CN103852692A (zh) * | 2014-03-12 | 2014-06-11 | 昆明理工大学 | 一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法 |
| CN105223466A (zh) * | 2015-09-24 | 2016-01-06 | 昆明理工大学 | 一种利用模极大值比的特高压直流输电线路单端测距方法 |
| CN106291238A (zh) * | 2016-08-02 | 2017-01-04 | 昆明理工大学 | 一种三端直流输电线路离散小波变换和支持向量机的故障支路识别方法 |
| CN108107319A (zh) * | 2017-11-27 | 2018-06-01 | 山东大学 | 一种多端柔性直流电网故障定位方法及*** |
| CN109119977A (zh) * | 2018-09-20 | 2019-01-01 | 山东大学 | 基于单端电压的多端柔性直流电网直流线路快速保护方法及*** |
| CN109239533A (zh) * | 2018-11-16 | 2019-01-18 | 国网山东省电力公司电力科学研究院 | 一种基于人工神经网络的特高压直流输电线路的故障定位方法 |
| CN109613395A (zh) * | 2018-12-03 | 2019-04-12 | 华中科技大学 | 一种基于ann的架空柔直电网故障检测方法 |
| CN111239549A (zh) * | 2020-02-18 | 2020-06-05 | 国网信通亿力科技有限责任公司 | 一种基于离散小波变换的配电故障快速定位方法 |
| CN112051480A (zh) * | 2020-08-06 | 2020-12-08 | 国网安徽省电力有限公司电力科学研究院 | 基于变分模态分解的神经网络配电网故障诊断方法及*** |
| CN112946425A (zh) * | 2021-02-08 | 2021-06-11 | 长沙理工大学 | 一种利用深度学习挖掘行波时-频域特征的故障定位方法 |
| CN113033077A (zh) * | 2021-03-04 | 2021-06-25 | 云南电网有限责任公司电力科学研究院 | 一种基于神经网络算法的直流输电线路故障测距方法 |
Non-Patent Citations (3)
| Title |
|---|
| 李海锋 等: "并联型多端混合高压直流线路故障区域判别方法", 《电力***自动化》 * |
| 王浩 等: "基于并联卷积神经网络的多端直流输电线路故障诊断", 《电力***自动化》 * |
| 谢李为 等: "基于VMD和S变换的多端输电线路故障定位", 《电力***及其自动化学报》 * |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN115201636A (zh) * | 2022-08-02 | 2022-10-18 | 云南电网有限责任公司电力科学研究院 | 一种输电线路故障检测方法及相关设备 |
| CN116087667A (zh) * | 2023-03-09 | 2023-05-09 | 国网安徽省电力有限公司超高压分公司 | 基于lstm的特高压直流输电线路继电保护故障检测方法 |
| CN116859184A (zh) * | 2023-09-05 | 2023-10-10 | 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 |
| 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 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113466624A (zh) | 一种多端混合直流输电线路故障区域的检测方法及*** | |
| CN109802406B (zh) | 一种分析柔性直流输电接入***谐振稳定性的方法 | |
| CN110441662B (zh) | 直流供电***及其电弧故障的检测方法和装置 | |
| CN109901039A (zh) | 一种换流阀晶闸管均压元件测试装置及方法 | |
| CN107679289B (zh) | 一种降低多馈入直流换相失败风险的动态无功补偿配置方法 | |
| CN109004652B (zh) | 一种含异步电机的直流多馈入***受端电网强度获得方法 | |
| CN110609213B (zh) | 基于最优特征的mmc-hvdc输电线路高阻接地故障定位方法 | |
| 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 | |
| CN112763853B (zh) | 一种并网模式下交流微电网短路故障的检测与定位***及其工作方法 | |
| CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
| CN112051468A (zh) | 一种复杂工况下航空静止变流器健康状态评估方法 | |
| CN102809684B (zh) | 电源供应器一次侧电路的功率检测方法及其功率检测电路 | |
| CN109342885B (zh) | 一种直流配电网线路故障的定位方法及*** | |
| CN111105072A (zh) | 一种基于熵权模糊综合法预测光伏电站健康度的方法 | |
| CN113189513B (zh) | 一种基于纹波的冗余电源均流状态识别方法 | |
| CN112578184B (zh) | 一种无线充电***多负载参数辨识方法及*** | |
| CN114188975A (zh) | 光伏并网逆变器多故障特征提取方法与装置 | |
| Ankar et al. | Wavelet-ANN based fault location scheme for bipolar CSC-based HVDC transmission system | |
| CN109494741A (zh) | 一种基于特定次谐波提取的选择性谐波补偿方法 | |
| CN113746132B (zh) | 一种基于云边协同的光伏电站及其控制方法 | |
| CN116068303A (zh) | 一种基于数据驱动的专用变压器私自增容在线监测方法 | |
| CN113435065B (zh) | 一种基于“黑箱”dc/dc变换器的等效阻抗建模方法 | |
| CN115588987A (zh) | 一种llcl型电池储能变换器的有限集模型预测控制方法 | |
| CN104808038A (zh) | 一种软仿真插值提升交流采样频率的方法 | |
| CN113253056A (zh) | 基于时频域能量比的柔性直流电缆故障测距方法 |
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 | ||
| RJ01 | Rejection of invention patent application after publication | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20211001 |