CN113702767A - 基于小波滑窗能量的孤岛直流微电网故障诊断方法 - Google Patents
基于小波滑窗能量的孤岛直流微电网故障诊断方法 Download PDFInfo
- Publication number
- CN113702767A CN113702767A CN202111012490.3A CN202111012490A CN113702767A CN 113702767 A CN113702767 A CN 113702767A CN 202111012490 A CN202111012490 A CN 202111012490A CN 113702767 A CN113702767 A CN 113702767A
- Authority
- CN
- China
- Prior art keywords
- wavelet
- sliding window
- fault
- grid
- level
- 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
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
-
- 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
本发明提供了一种基于小波滑窗能量的孤岛直流微电网故障诊断方法,包括:步骤1,获取孤岛直流微电网多组不同运行工况下的线路电流;步骤2,将获取的线路电流分别进行小波分解,得到4级小波系数;步骤3,将每一级的小波系数分别进行滑窗处理,得到4级小波滑窗能量;步骤4,将每一级的小波滑窗能量分别进行归一化处理,得到4级相对小波滑窗能量。本发明所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,可以在减少小波分解级数的情况下提取出有效特征,通过孤岛直流微电网故障诊断模型可以实现对故障的快速、精确分类,能在更短的诊断时间内实现更高的诊断准确率。
Description
技术领域
本发明涉及直流微电网故障诊断技术领域,特别涉及一种基于小波滑窗能量的孤岛直流微电网故障诊断方法。
背景技术
可再生电源作为一种新型的能源类别,正扮演越来越重要的角色。随着传统化石能源的日益枯竭和可再生能源的高速健康发展(例如太阳能发电、风力发电等),微电网已成为一种最有效的分布式发电单元的组网方式,虽然交流微电网目前仍是微电网的重要组成部分,但由于直流微电网(DCMG)无需考虑频率、相位、无功等因素的影响,且其控制实现相对简单、成本小、损耗不大、***可靠性程度高,DCMG正在掀起工业界和学术界的一股热潮。
受外部环境如气候条件、自然灾害等或者内部因素如寿命到期、性能退化等的影响,直流微电网故障不可避免,线路故障作为极易发生且危害很大的故障,故障诊断必不可少,线路故障一般分为接地故障和短路故障,馈线故障时,将阻碍非故障线路的继续供电,由于多样化分布式电源和负载经直流馈线耦合于直流母线,将导致故障的传播和升级,而电压源型变换器可承受的故障电流通常只有其额定值的两倍,对高度电力电子化的孤岛微电网的安全和正常运行造成严重的威胁,必须快速检测和清除故障,相比于传统的直流***,直流微电网惯性低,双向故障电流,过流能力弱,故障电流等级低,线路长度较短,不适合采用行波法等成熟方案检测和定位故障,如何在故障信息有限的情况下,提出有效的诊断算法,实现直流微电网故障的快速检测与准确定位,是当前直流微电网发展需要解决的焦点问题。
现有的直流微电网线路故障诊断方法大致可以分为两类:传统方法和智能方法,传统方法一般是通过设定阈值来检测是否发生故障,速度快但适用性差,准确率不高,而且往往做不到故障分类,智能方法总体来说准确率高,鲁棒性强,但时间花费较多,目前针对直流微电网线路故障的智能诊断研究较少,现存的一些问题有:邻居通信会增加经济成本;只能针对某一特定故障进行诊断;没有考虑直流微电网故障诊断时间限制。
发明内容
本发明提供了一种基于小波滑窗能量的孤岛直流微电网故障诊断方法,其目的是为了解决传统的直流微电网故障诊断方法只能针对某一特定故障进行诊断,没有考虑直流微电网故障诊断时间限制的问题。
为了达到上述目的,本发明的实施例提供了一种基于小波滑窗能量的孤岛直流微电网故障诊断方法,包括:
步骤1,获取孤岛直流微电网多组不同运行工况下的线路电流;
步骤2,将获取的线路电流分别进行小波分解,得到4级小波系数;
步骤3,将每一级的小波系数分别进行滑窗处理,得到4级小波滑窗能量;
步骤4,将每一级的小波滑窗能量分别进行归一化处理,得到4级相对小波滑窗能量;
步骤5,根据孤岛直流微电网的故障类别设计孤岛直流微电网故障诊断模型,将4级相对小波滑窗能量输入孤岛直流微电网故障诊断模型中进行训练,得到训练好的孤岛直流微电网故障诊断模型;
步骤6,实时采样孤岛直流微电网工作时的本地线路电流,对实时采样的本地线路电流执行步骤2至步骤4后输入训练好的孤岛直流微电网故障诊断模型,得到孤岛直流微电网的实时故障诊断结果。
其中,所述步骤2具体包括:
步骤21,连续小波变换,如下所示:
其中,W(a,τ)表示τ位置处,时间段2aΔt内包含的中心频率为宽度为的频窗内的频率成分的大小,Δt表示时间变化量,ω0表示频率初始值,Δω表示频率变化量,a表示缩放因子,τ表示平移因子,f(t)表示采样信号,ψa,τ(t)表示连续小波基函数,t表示时间。
其中,所述步骤2还包括:
其中,ψx,y(t)表示离散小波函数,a0表示缩放因子初始值,a0>1,τ0表示平移因子初始值,取决于缩放因子初始值a0,Z表示整数集,y表示整数,y∈Z,y=0,±1,±2,...,x表示整数,x∈Z,x=0,±1,±2,...。
其中,所述步骤2还包括:
步骤23,将每个线路电流分别进行离散小波变换,获得4级小波系数,如下所示:
其中,所述步骤3具体包括:
对每一级的小波系数分别进行滑窗处理,如下所示:
其中,Ej,i表示4级小波滑窗能量,j表示分解层级,j=1,2,3,4,i表示窗口数,i=1,2…,n,di,k表示第i个窗内第k个小波系数,k表示第k个小波系数,k=1,2…,n。
其中,所述步骤4具体包括:
将每一级的小波滑窗能量分别进行归一化处理,如下所示:
其中,所述步骤5具体包括:
步骤51,确定孤岛直流微电网的故障类别;
步骤52,根据孤岛直流微电网的故障类别的个数s,设计s(s-1)/2个支持向量机;
步骤53,基于分散式诊断框架将设计的多个支持向量机分别以孤岛直流微电网的类别为标签构建孤岛直流微电网故障诊断模型,其中,孤岛直流微电网的故障类别为接地故障、短路故障、本地无故障和全局无故障。
其中,所述步骤6具体包括:
步骤61,对孤岛直流微电网工作时的本地线路电流进行实时采样,获得实时采样的本地线路电流;
步骤62,将本地线路电流进行小波分解,获得本地线路电流的4级小波系数;
步骤63,将本地线路电流的每一级小波系数分别进行滑窗处理,得到本地线路电流的4级小波滑窗能量;
步骤64,将本地线路电流的每一级小波滑窗能量分别进行归一化处理,得到本地线路电流的4级相对小波滑窗能量;
步骤65,将本地线路电流的4级相对小波滑窗能量输入训练好的孤岛直流微电网故障诊断模型进行孤岛直流微电网的故障诊断,得到实时故障诊断结果。
本发明的上述方案有如下的有益效果:
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,可以在减少小波分解级数的情况下提取出有效特征,通过孤岛直流微电网故障诊断模型可以实现对故障的快速、精确分类,能在更短的诊断时间内实现更高的诊断准确率。
附图说明
图1为本发明的流程图;
图2为本发明的孤岛直流微电网示意图;
图3(a)为本发明的buck-boost变换器发生短路故障时的等效电路图;
图3(b)为本发明的孤岛直流微电网处于电容放电阶段的等效电路图;
图3(c)为本发明的孤岛直流微电网处于二极管续流阶段的等效电路图;
图3(d)为本发明的孤岛直流微电网处于输入源馈入阶段的等效电路图;
图4为本发明的buck-boost变换器发生短路故障时的仿真波形图;
图5为本发明的某一级小波系数滑窗示意图;
图6为本发明的孤岛直流微电网故障诊断模型示意图;
图7(a)为本发明的孤岛直流微电网接地故障时相对小波滑窗能量图;
图7(b)为本发明的孤岛直流微电网短路故障时相对小波滑窗能量图;
图7(c)为本发明的孤岛直流微电网本地无故障时相对小波滑窗能量图;
图7(d)为本发明的孤岛直流微电网全局无故障时相对小波滑窗能量图;
图7(e)为本发明的孤岛直流微电网接地故障时相对小波能量图;
图7(f)为本发明的孤岛直流微电网短路故障时相对小波能量图;
图7(g)为本发明的孤岛直流微电网本地无故障时相对小波能量图;
图7(h)为本发明的孤岛直流微电网全局无故障时相对小波能量图;
图8为本发明的支持向量机分类示意图;
图9(a)为无滑窗的7级小波能量加SVM的诊断结果示意图;
图9(b)为无滑窗的4级小波能量加SVM的诊断结果示意图;
图9(c)为4级滑窗能量加SVM的诊断结果示意图;
图9(d)为4级滑窗能量加BP的诊断结果示意图。
具体实施方式
为使本发明要解决的技术问题、技术方案和优点更加清楚,下面将结合附图及具体实施例进行详细描述。
本发明针对现有的直流微电网故障诊断方法只能针对某一特定故障进行诊断,没有考虑直流微电网故障诊断时间限制的问题,提供了一种基于小波滑窗能量的孤岛直流微电网故障诊断方法。
如图1至图9所示,本发明的实施例提供了一种基于小波滑窗能量的孤岛直流微电网故障诊断方法,包括:步骤1,获取孤岛直流微电网多组不同运行工况下的线路电流;步骤2,将获取的线路电流分别进行小波分解,得到4级小波系数;步骤3,将每一级的小波系数分别进行滑窗处理,得到4级小波滑窗能量;步骤4,将每一级的小波滑窗能量分别进行归一化处理,得到4级相对小波滑窗能量;步骤5,根据孤岛直流微电网的故障类别设计孤岛直流微电网故障诊断模型,将4级相对小波滑窗能量输入孤岛直流微电网故障诊断模型中进行训练,得到训练好的孤岛直流微电网故障诊断模型;步骤6,实时采样孤岛直流微电网工作时的本地线路电流,对实时采样的本地线路电流执行步骤2至步骤4后输入训练好的孤岛直流微电网故障诊断模型,得到孤岛直流微电网的实时故障诊断结果。
其中,所述步骤2具体包括:步骤21,连续小波变换,如下所示:
其中,W(a,τ)表示τ位置处,时间段2aΔt内包含的中心频率为宽度为的频窗内的频率成分的大小,Δt表示时间变化量,ω0表示频率初始值,Δω表示频率变化量,a表示缩放因子,τ表示平移因子,f(t)表示采样信号,ψa,τ(t)表示连续小波基函数,t表示时间。
其中,ψx,y(t)表示离散小波函数,a0表示缩放因子初始值,a0>1,τ0表示平移因子初始值,取决于缩放因子初始值a0,Z表示整数集,y表示整数,y∈Z,y=0,±1,±2,...,x表示整数,x∈Z,x=0,±1,±2,...。
其中,所述步骤2还包括:步骤23,将每个线路电流分别进行离散小波变换,获得4级小波系数,如下所示:
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,小波变换可以很好地提取非平稳信号在时域和频域的局部特征,通常通过小波变换来捕获故障信号的突变特征,小波变换通过将小波函数进行平移可获得信号的时间信息,而通过将小波函数的尺度进行缩放可获得信号的频率特性,通过小波函数的缩放和平移操作计算出小波系数,小波系数代表小波函数和局部信号之间的相互关系,孤岛直流微电网的不同运行工况为孤岛直流微电网正常运行或发生故障。
其中,所述步骤3具体包括:对每一级的小波系数分别进行滑窗处理,如下所示:
其中,Ej,i表示4级小波滑窗能量,j表示分解层级,j=1,2,3,4,i表示窗口数,i=1,2…,n,di,k表示第i个窗内第k个小波系数,k表示第k个小波系数,k=1,2…,n。
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,滑窗处理用于提取出故障信号的频域特征又能反映故障后极短时间内的时域特征变化趋势,Ej,i也可以表示为第j级第i个窗口的小波滑窗能量。
其中,所述步骤4具体包括:将每一级的小波滑窗能量分别进行归一化处理,如下所示:
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,REj,i也可以表示为第j级第i个窗口的相对小波滑窗能量。
其中,所述步骤5具体包括:步骤51,确定孤岛直流微电网的故障类别;步骤52,根据孤岛直流微电网的故障类别的个数s,设计s(s-1)/2个支持向量机;步骤53,基于分散式诊断框架将设计的多个支持向量机分别以孤岛直流微电网的类别为标签构建孤岛直流微电网故障诊断模型,其中,孤岛直流微电网的故障类别为接地故障、短路故障、本地无故障和全局无故障。
其中,所述步骤6具体包括:步骤61,对孤岛直流微电网工作时的本地线路电流进行实时采样,获得实时采样的本地线路电流;步骤62,将本地线路电流进行小波分解,获得本地线路电流的4级小波系数;步骤63,将本地线路电流的每一级小波系数分别进行滑窗处理,得到本地线路电流的4级小波滑窗能量;步骤64,将本地线路电流的每一级小波滑窗能量分别进行归一化处理,得到本地线路电流的4级相对小波滑窗能量;步骤65,将本地线路电流的4级相对小波滑窗能量输入训练好的孤岛直流微电网故障诊断模型进行孤岛直流微电网的故障诊断,得到实时故障诊断结果。
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,对孤岛直流微电网线路故障进行故障特性分析并计算出故障诊断的临界时间:假设孤岛直流微电网中的开关管在线路故障瞬间立即关断,故障过程分为三个阶段,分别为电容放电阶段、二极管续流阶段和输入源馈入阶段;
电容放电阶段的电路表达式,如下所示:
其中,L表示线路电感,R表示线路电阻,C表示直流侧并联电容,uC表示直流电压,iL表示线路电感电流;通过求解公式(7)和公式(8),获得直流电压和线路电感电流的表达式,如下所示:
当电容电压下降至零开始进入二极管续流阶段,根据公式(9)推导出电容电压下降至零的时间,如下所示:
t1=t0+(π-γ)/ω (10)
其中,t1表示电容电压下降至零的时间,t0表示故障发生时间,γ=arctan[(V0ω0C sinβ)/(V0ω0C cosβ-I0)]t1,V0表示电容的初始电压,I0表示电感的初始电流,电容电压下降至零的时间为故障诊断的临界时间;
将实际孤岛直流微电网参数V0=396V,I0=8A,t0=0.3s,R=0.015Ω,L=0.056mH,C=0.008F分别代入上述公式中得到电容电压下降至零的时间t1为1.2ms,电容电压下降至零的时间t1为所述基于小波滑窗能量的孤岛直流微电网故障诊断方法的故障诊断的临界时间;通过在Matlab/Simulink平台上搭建孤岛直流微电网仿真模型,模拟线路短路故障,进一步验证所述基于小波滑窗能量的孤岛直流微电网故障诊断方法的故障诊断的临界时间,查看模拟线路短路故障时电容电压下降至零的时间在故障发生后1.2ms,与计算出的电容电压下降至零的时间t1一致。
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,1.从仿真模型上模拟不同的正常与故障情况下的直流微电网,获取了2600组数据,2.故障特征向量预处理:将4级小波滑窗能量进行数据融合作为4级相对小波滑窗能量,并把2600组数据分成2000组训练集和600组测试集;3.故障诊断:支持向量机(support vectormachines,SVM)是一种二分类模型,它的目标是要找到在特征空间上具有“最大间隔”的划分超平面;SVM中核函数的选取,赋予了它非线性分类器的性质,SVM的学习策略就是间隔最大化,可形式化为一个求解凸二次规划的问题,诊断的目标是判别本地是否发生接地、短路故障,属于多分类问题,在任意两类样本之间设计一个SVM,因此s个类别的样本就需要设计s(s-1)/2个SVM,将s(s-1)/2个SVM采用各微源本地诊断的分散式诊断框架,以接地故障、短路故障、本地无故障和全局无故障为标签构建孤岛直流微电网故障诊断模型,用2000组训练集对孤岛直流微电网故障诊断模型进行训练,得到训练好的孤岛直流微电网故障诊断模型。
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,图2为研究的孤岛直流微电网拓扑图,由光伏发电单元、三个3kW储能单元、直流负载和交流负载组成,母线电压为400伏。其中,储能单元通过buck-boost变换器与直流母线连接,并且采用可实现“即插即用”功能的下垂控制,结构简单,可靠性高;一个1.2kW的光伏电池通过buck-boost变换器连接到直流母线,并工作在最大功率点(Maximum Power Point,MPP),最大化可再生能源利用率。直流负载为恒阻抗负载,交流负载(恒功率负载)通过两级变换器连接到母线。如图4中所示,电压跌落到0的时间为故障发生后1.2ms。图5是某一级小波系数滑窗示意图,图5中用每个窗口的系数计算相应的小波滑窗能量,归一化后展示为相对小波滑窗能量。图7是相对滑窗能量与相对小波能量对比图。图7(a)、图7(b)、图7(c)和图7(d)分别是接地故障、短路故障、本地无故障和全局无故障4种分类情况下的相对小波滑窗能量图,每幅图中的4根折线分别代表了小波分解的4个层级,每个圆圈代表了每个滑窗的相对能量。图7(e)、图7(f)、图7(g)、图7(h)分别是接地故障、短路故障、本地无故障和全局无故障4种分类情况下的相对小波能量图,短路故障和全局无故障分类情况下的相对小波滑窗能量高度相似,而短路故障和全局无故障分类情况下经过滑窗处理后的相对小波滑窗能量,其特征存在明显差异,有利于分类处理。图8中,ω·x+b=0为分离超平面,对于线性可分的数据集来说,超平面有无穷多个,但是几何间隔最大的分离超平面却是唯一的。
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,仿真模型上进行数据采集:验证需要的训练和测试数据是通过模拟不同条件下的直流微电网运行产生的,样本设置情况如下:
采用小波分解和滑窗处理对多个线路电流进行故障特征提取,将多个线路电流分解成4级小波系数,分别进行滑窗处理,小波滑窗参数如下:
诊断结果对比分析:采用MATLAB/SIMULINK搭建仿真,以100kHz的采样频率对线路电流进行采样,采样时包含故障前2.1ms数据和故障后0.5ms内的数据,将2600组数据分为2000组训练集和600组测试集,如图9所示,以第3个源为例,展示了测试集的混淆矩阵,4种方法均用了同一训练集和测试集。图9(a)是无滑窗的7级小波能量加SVM(支持向量机)诊断结果;图9(b)是无滑窗的4级小波能量加SVM诊断结果;图9(c)是4级滑窗能量加SVM诊断结果;图9(d)是4级滑窗能量加BP(Back Propagation)诊断结果,从图9中可以看出4级滑窗能量加SVM(基于小波滑窗能量的孤岛直流微电网故障诊断方法)的诊断结果具有最高的诊断准确率,且4分类都具有良好的诊断精度;
各源的诊断结果和诊断时间如下表所示,展示了4个源在6种诊断方法下的准确率,诊断时间分为特征提取时间和分类时间,可以看出,所述基于小波滑窗能量的孤岛直流微电网故障诊断方法不管在SVM还是BP中都拥有最高的精度,在6种故障诊断方法中,4级滑窗能量加SVM具有最高的诊断精度且诊断的时间最短,考虑故障后0.5ms的采样时间,最终仍能在故障后1.2ms之前完成诊断,根据故障特性分析,能够满足直流微电网故障的快速诊断要求。
本发明的上述实施例所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,依靠采样的多个线路电流信号实现线路极间短路故障和接地故障的准确识别,通过对短路故障暂态特性进行分析,计算出故障下的诊断时限,满足了直流微电网对诊断快速性的要求,将线路电流信号进行4级小波分解,得到4级小波系数,对4级小波系数进行滑窗处理,得到4级小波滑窗能量,将4级小波滑窗能量进行归一化处理,得到4级相对小波滑窗能量,将4级相对小波滑窗能量作为故障特征向量输入训练好的孤岛直流微电网故障诊断模型,得到实时诊断结果,其中,故障特征向量既提取出故障信号的频域特征又能反映故障后极短时间内的时域特征变化趋势,所述基于小波滑窗能量的孤岛直流微电网故障诊断方法,可以在减少小波分解级数的情况下提取出有效特征,通过孤岛直流微电网故障诊断模型可以实现对故障的快速、精确分类,能在更短的诊断时间内实现更高的诊断准确率。
以上所述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,在不脱离本发明所述原理的前提下,还可以作出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (8)
1.一种基于小波滑窗能量的孤岛直流微电网故障诊断方法,其特征在于,包括:
步骤1,获取孤岛直流微电网多组不同运行工况下的线路电流;
步骤2,将获取的线路电流分别进行小波分解,得到4级小波系数;
步骤3,将每一级的小波系数分别进行滑窗处理,得到4级小波滑窗能量;
步骤4,将每一级的小波滑窗能量分别进行归一化处理,得到4级相对小波滑窗能量;
步骤5,根据孤岛直流微电网的故障类别设计孤岛直流微电网故障诊断模型,将4级相对小波滑窗能量输入孤岛直流微电网故障诊断模型中进行训练,得到训练好的孤岛直流微电网故障诊断模型;
步骤6,实时采样孤岛直流微电网工作时的本地线路电流,对实时采样的本地线路电流执行步骤2至步骤4后输入训练好的孤岛直流微电网故障诊断模型,得到孤岛直流微电网的实时故障诊断结果。
7.根据权利要求6所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,其特征在于,所述步骤5具体包括:
步骤51,确定孤岛直流微电网的故障类别;
步骤52,根据孤岛直流微电网的故障类别的个数s,设计s(s-1)/2个支持向量机;
步骤53,基于分散式诊断框架将设计的多个支持向量机分别以孤岛直流微电网的类别为标签构建孤岛直流微电网故障诊断模型,其中,孤岛直流微电网的故障类别为接地故障、短路故障、本地无故障和全局无故障。
8.根据权利要求7所述的基于小波滑窗能量的孤岛直流微电网故障诊断方法,其特征在于,所述步骤6具体包括:
步骤61,对孤岛直流微电网工作时的本地线路电流进行实时采样,获得实时采样的本地线路电流;
步骤62,将本地线路电流进行小波分解,获得本地线路电流的4级小波系数;
步骤63,将本地线路电流的每一级小波系数分别进行滑窗处理,得到本地线路电流的4级小波滑窗能量;
步骤64,将本地线路电流的每一级小波滑窗能量分别进行归一化处理,得到本地线路电流的4级相对小波滑窗能量;
步骤65,将本地线路电流的4级相对小波滑窗能量输入训练好的孤岛直流微电网故障诊断模型进行孤岛直流微电网的故障诊断,得到实时故障诊断结果。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012490.3A CN113702767B (zh) | 2021-08-31 | 2021-08-31 | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111012490.3A CN113702767B (zh) | 2021-08-31 | 2021-08-31 | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113702767A true CN113702767A (zh) | 2021-11-26 |
CN113702767B CN113702767B (zh) | 2023-01-10 |
Family
ID=78658027
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111012490.3A Active CN113702767B (zh) | 2021-08-31 | 2021-08-31 | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113702767B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116301166A (zh) * | 2023-05-10 | 2023-06-23 | 深圳市安科讯电子制造有限公司 | 一种非带隙基准电压源电路 |
CN116316616A (zh) * | 2023-05-26 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 配电网的故障处理方案确定方法、装置和计算机设备 |
Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345227A (zh) * | 2013-07-02 | 2013-10-09 | 东南大学 | 一种微电网监测与能量管理装置及方法 |
CN104267387A (zh) * | 2014-09-03 | 2015-01-07 | 电子科技大学 | 一种无载波超宽带雷达的目标检测方法 |
CN105527539A (zh) * | 2015-11-30 | 2016-04-27 | 东北大学 | 一种微电网故障诊断过程中的故障信号特征值提取方法 |
CN107123987A (zh) * | 2017-05-11 | 2017-09-01 | 华东交通大学 | 基于在线训练加权svm的电能质量扰动识别方法 |
WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
CN108008246A (zh) * | 2017-11-22 | 2018-05-08 | 湖南湘能智能电器股份有限公司 | 基于时域自适应窗的线路故障测距方法及装置 |
WO2018120283A1 (zh) * | 2016-12-29 | 2018-07-05 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
CN112881942A (zh) * | 2021-01-14 | 2021-06-01 | 应急管理部四川消防研究所 | 基于小波分解与经验模态分解的异常电流诊断方法和*** |
-
2021
- 2021-08-31 CN CN202111012490.3A patent/CN113702767B/zh active Active
Patent Citations (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103345227A (zh) * | 2013-07-02 | 2013-10-09 | 东南大学 | 一种微电网监测与能量管理装置及方法 |
CN104267387A (zh) * | 2014-09-03 | 2015-01-07 | 电子科技大学 | 一种无载波超宽带雷达的目标检测方法 |
CN105527539A (zh) * | 2015-11-30 | 2016-04-27 | 东北大学 | 一种微电网故障诊断过程中的故障信号特征值提取方法 |
WO2018045689A1 (zh) * | 2016-09-07 | 2018-03-15 | 江南大学 | 光伏二极管箝位型三电平逆变器的决策树svm故障诊断方法 |
WO2018120283A1 (zh) * | 2016-12-29 | 2018-07-05 | 合肥工业大学 | 基于连续小波分析和elm网络的模拟电路故障诊断方法 |
CN107123987A (zh) * | 2017-05-11 | 2017-09-01 | 华东交通大学 | 基于在线训练加权svm的电能质量扰动识别方法 |
CN108008246A (zh) * | 2017-11-22 | 2018-05-08 | 湖南湘能智能电器股份有限公司 | 基于时域自适应窗的线路故障测距方法及装置 |
CN108802525A (zh) * | 2018-06-06 | 2018-11-13 | 浙江宇天科技股份有限公司 | 基于小样本的设备故障智能预测方法 |
CN112578312A (zh) * | 2020-12-04 | 2021-03-30 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
CN112881942A (zh) * | 2021-01-14 | 2021-06-01 | 应急管理部四川消防研究所 | 基于小波分解与经验模态分解的异常电流诊断方法和*** |
Non-Patent Citations (1)
Title |
---|
戴连铭: "基于支持向量机的微电网故障诊断研究", 《中国优秀博硕士学位沦为全文数据库(硕士)工程科技Ⅱ辑》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116301166A (zh) * | 2023-05-10 | 2023-06-23 | 深圳市安科讯电子制造有限公司 | 一种非带隙基准电压源电路 |
CN116301166B (zh) * | 2023-05-10 | 2023-11-07 | 深圳市安科讯电子制造有限公司 | 一种非带隙基准电压源电路 |
CN116316616A (zh) * | 2023-05-26 | 2023-06-23 | 南方电网数字电网研究院有限公司 | 配电网的故障处理方案确定方法、装置和计算机设备 |
CN116316616B (zh) * | 2023-05-26 | 2023-09-15 | 南方电网数字电网研究院有限公司 | 配电网的故障处理方案确定方法、装置和计算机设备 |
Also Published As
Publication number | Publication date |
---|---|
CN113702767B (zh) | 2023-01-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Godse et al. | Mathematical morphology-based feature-extraction technique for detection and classification of faults on power transmission line | |
Veerasamy et al. | LSTM recurrent neural network classifier for high impedance fault detection in solar PV integrated power system | |
Ray et al. | Support vector machine based fault classification and location of a long transmission line | |
Mahela et al. | Power quality recognition in distribution system with solar energy penetration using S-transform and Fuzzy C-means clustering | |
US20160124031A1 (en) | Smart multi-purpose monitoring system using wavelet design and machine learning for smart grid applications | |
CN104865499A (zh) | 一种特高压直流输电线路区内外故障识别方法 | |
CN113702767B (zh) | 基于小波滑窗能量的孤岛直流微电网故障诊断方法 | |
Ezzat et al. | Microgrids islanding detection using Fourier transform and machine learning algorithm | |
Manohar et al. | Enhancing resilience of PV-fed microgrid by improved relaying and differentiating between inverter faults and distribution line faults | |
CN109541344B (zh) | 基于svm的模块化多电平直流输电***故障识别方法 | |
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 | |
Venkata et al. | Data mining model based differential microgrid fault classification using svm considering voltage and current distortions | |
Mishra et al. | Time-frequency analysis based approach to islanding detection in micro-grid system | |
Wakode et al. | A flexible protection approach for DC microgrid using wavelet based machine learning technique | |
Zeng et al. | Machine-learning-based single-phase-to-ground fault detection in distribution systems | |
Tikar et al. | A novel islanding detection technique for grid-connected distributed generation using KNN and SVM | |
Thomas et al. | Machine learning based detection and classification of power system events | |
CN113315100A (zh) | 一种基于卷积神经网络的微电网保护方法与*** | |
Ankar et al. | ANN-based protection scheme for bipolar CSC-based HVDC transmission line | |
Han et al. | Fault detection method in micro-grid multi-pulse thyristor rectifier circuit | |
Behzadi et al. | Identification of combined power quality disturbances in the presence of distributed generations using variational mode decomposition and K-nearest neighbors classifier | |
Patel et al. | Wavelet and Machine learning based approach for Fault classification in AC Micro-grid system | |
Devi et al. | Detection and classification of transmission line faults using lstm algorithm | |
Syamaprasad | Fault Detection Method for DC Microgrid | |
Emmanue et al. | Hybrid signal processing and machine learning algorithm for adaptive fault classification of wind farm integrated transmission line protection |
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 |