KR20130035766A - Ｈｖｄｃ고장 분석 시스템 - Google Patents

Ｈｖｄｃ고장 분석 시스템 Download PDF

Info

Publication number
KR20130035766A
KR20130035766A KR1020110100290A KR20110100290A KR20130035766A KR 20130035766 A KR20130035766 A KR 20130035766A KR 1020110100290 A KR1020110100290 A KR 1020110100290A KR 20110100290 A KR20110100290 A KR 20110100290A KR 20130035766 A KR20130035766 A KR 20130035766A
Authority
KR
South Korea
Prior art keywords
harmonic
failure
neural network
hvdc
component
Prior art date
Application number
KR1020110100290A
Other languages
English (en)
Inventor
이성두
심응보
김진영
Original Assignee
한국전력공사
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by 한국전력공사 filed Critical 한국전력공사
Priority to KR1020110100290A priority Critical patent/KR20130035766A/ko
Publication of KR20130035766A publication Critical patent/KR20130035766A/ko

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
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R22/00—Arrangements for measuring time integral of electric power or current, e.g. electricity meters
    • G01R22/06—Arrangements for measuring time integral of electric power or current, e.g. electricity meters by electronic methods
    • G01R22/061—Details of electronic electricity meters
    • G01R22/068—Arrangements for indicating or signaling faults

Landscapes

  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

HVDC 고장 분석 시스템이 제공된다. HVDC 고장 분석 시스템은 HVDC 시스템에서 검출된 송전 신호를 샘플링하여 이산 신호를 생성하고, 이산 신호로부터 미리 설정된 시간 동안 지연된 샘플에 대해 신경회로망의 가중치를 적용하여 고조파 성분을 출력하는 신경회로망 고조파 분석부, 송전 신호의 3상 입력에 대해 대칭 성분을 출력하는 대칭 성분 분석부 및 고조파 성분을 미리 설정된 정상 상태 성분과 비교하여 HVDC 시스템의 고장 유형을 판단하고, 대칭 성분으로 고장 위치를 판별하는 고장 유형 감지부를 포함한다.

Description

ＨＶＤＣ고장 분석 시스템{SYSTEM FOR ANALYZING FAILURE OF HVDC}
본 발명은 HVDC 고장 분석 시스템에 관한 것이다.
HVDC 시스템은 컨버터의 제어성 때문에 전력계통 연계에서 안정도 여유를 향상시키는데 사용된다. 그럼에도 불구하고, HVDC 시스템의 신뢰성 있는 운전은 고장의 빠른 감지와 제거에 따라 좌우된다.
전력 계통에서 DC 선로 고장, 인버터측에서의 정류 실패 및 인버터측 교류단의 단상 지락 고장이 발생할 경우 과도상태의 전압 및 전류파형이 나타난다. 그런데, 고장의 위치는 다르지만 고장 파형은 유사한 특징을 보인다는 것을 알 수 있다. 그래서, 일반적인 방식을 사용하면 3~5ms 이내의 빠른 시간 내에 고장을 검출하고 시스템을 보호하기 위한 결정하기가 쉽지 않다. 또한, 측정된 신호에 노이즈가 있을 경우 빠른 시간 내에 고장을 검출하기가 더욱 힘들다. 이에 따라 최근에는 데이터베이스를 기초로 한 고장 판별 방법을 사용하고 있다. 그러나, 데이터베이스를 기초로 한 고장 판별 방법에서는 고장 유형 판단을 위해 데이터베이스에서 고장 증상을 찾아서 판별하여야 하며, 데이터베이스 검색 시간이 오래 걸리는 단점이 있다.
한국공개특허 제10-2010-0049412호
상술한 종래 기술의 문제점을 해결하기 위해, 본 발명은 짧은 시간 내에 고장 검출 및 적절한 보호 동작을 수행하기 위해서 정상 상태 및 고장시의 전압이나 전류 파형을 실시간으로 분석할 수 있는 HVDC 고장 분석 시스템을 제공한다.
본 발명의 목적들은 이상에서 언급한 목적들로 제한되지 않으며, 언급되지 않은 또 다른 목적들은 아래의 기재로부터 명확하게 이해될 수 있을 것이다.
상기 목적을 달성하기 위하여, 본 발명의 일 측면에 따른 HVDC 고장 분석 시스템은 HVDC 시스템에서 검출된 송전 신호를 샘플링하여 이산 신호를 생성하고, 이산 신호로부터 미리 설정된 시간 동안 지연된 샘플에 대해 신경회로망의 가중치를 적용하여 고조파 성분을 출력하는 신경회로망 고조파 분석부, 송전 신호의 3상 입력에 대해 대칭 성분을 출력하는 대칭 성분 분석부 및 고조파 성분을 미리 설정된 정상 상태 성분과 비교하여 HVDC 시스템의 고장 유형을 판단하고, 대칭 성분으로 고장 위치를 판별하는 고장 유형 감지부를 포함한다.
본 발명의 일 측면에서, 고장 위치에 고장 유형에 상응하는 조치를 적용하여 HVDC 시스템을 제어하는 HVDC 제어부를 더 포함할 수 있다.
본 발명의 일 측면에서, 고조파 분석부는 송전 신호를 샘플링 주파수에 대해 샘플링하여 이산 신호를 구하고 이산 신호로부터 M시간(여기서 M은 실수) 동안 지연된 샘플을 신경회로망에 입력할 수 있다.
본 발명의 일 측면에서, 고조파 분석부는 출력 오차의 최소화를 위해 신경회로망의 가중치를 최적화하고 신경회로망의 가중치를 담당하는 복수의 뉴런에 입력을 곱하여 고조파 성분을 출력할 수 있다.
본 발명의 일 측면에서, 고장 유형 감지부는 고조파 성분으로부터 고조파 인자를 추출하고 고조파 인자를 미리 설정된 고장 유형에 비추어 고장 유형을 결정할 수 있다.
본 발명의 일 측면에서, 대칭 성분 분석부는 3상 입력을 받아 정상분, 역상분 및 영상분을 추출할 수 있다.
본 발명의 일 측면에서, 대칭 성분 분석부는 신경회로망을 포함하여 정상분, 역상분 및 영상분을 추출할 수 있다.
상기 목적을 달성하기 위한 구체적인 사항들은 첨부된 도면과 함께 상세하게 후술된 실시예들을 참조하면 명확해질 것이다.
그러나 본 발명은 이하에서 개시되는 실시예들에 한정되는 것이 아니라, 서로 다른 다양한 형태로 구성될 수 있으며, 본 실시예들은 본 발명의 개시가 완전하도록 하고 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자에게 발명의 범주를 완전하게 알려주기 위해 제공되는 것이다.
전술한 본 발명의 과제 해결 수단 중 하나에 의하면, HVDC 고장 분석 시스템은 신경회로망을 이용한 고조파 분석 및 고장유형 판별에 있어서 퓨리에 분석에 보다 정확하고, 계산량이 감소하여 고조파 분석 시간을 감소시킬 수 있다.
따라서 HVDC 고장 분석 시스템은 고장시에 빠른 고장 검출 및 보호 동작 수행이 가능하므로 고장의 파급 방지 및 실시간적인 제어가 가능하다.
또한 HVDC 고장 분석 시스템은 고조파 분석기에 대한 구현회로가 간단하고 노이즈에 강한 특성을 보여 현장기기에 구현시 견고한 특성을 가지게 된다.
도 1은 본 발명의 일 실시예에 따른 HVDC 고장 분석 시스템의 구성을 나타내는 블록도이다.
도 2는 신경회로망을 이용한 고조파 분석을 설명하기 위한 도면이다.
도 3은 본 발명의 일 실시예에 따른 고조파 분석부의 가중치 최적화 알고리즘을 나타내는 도면이다.
도 4는 최적화된 신경회로망 고조파 분석부를 나타내는 도면이다.
도 5는 본 발명의 일 실시 예에 따른 대칭 성분 분석부를 설명하기 위한 도면이다.
도 6은 본 발명의 일 실시예에 따른 고장 유형 감지부를 나타내는 도면이다.
도 7은 본 발명의 다른 실시예에 따른 HVDC 고장 분석 시스템을 나타내는 도면이다.
도 8은 본 발명의 또 다른 실시예에 따른 HVDC 고장 분석 시스템을 나타내는 도면이다.
도 9는 본 발명의 일 실시 예에 따른 고장 유형 판단 알고리즘을 나타내는 도면이다.
본 발명은 다양한 변경을 가할 수 있고 여러 가지 실시예를 가질 수 있는 바, 특정 실시예들을 도면에 예시하고 이를 상세한 설명을 통해 상세히 설명하고자 한다.
그러나, 이는 본 발명을 특정한 실시 형태에 대해 한정하려는 것이 아니며, 본 발명의 사상 및 기술 범위에 포함되는 모든 변경, 균등물 내지 대체물을 포함하는 것으로 이해되어야 한다.
본 발명을 설명함에 있어서, 관련된 공지 기술에 대한 구체적인 설명이 본 발명의 요지를 불필요하게 흐릴 수 있다고 판단되는 경우 그 상세한 설명을 생략한다.
그리고 도면에서 본 발명을 명확하게 설명하기 위해서 설명과 관계없는 부분은 생략하였으며, 명세서 전체를 통하여 유사한 부분에 대해서는 유사한 도면 부호를 붙였다.
이하, 첨부된 도면들을 참조하여 본 발명의 실시를 위한 구체적인 내용을 설명하도록 한다.
도 1은 본 발명의 일 실시예에 따른 HVDC 고장 분석 시스템의 구성을 나타내는 블록도이다.
도 1을 참조하면, 본 발명의 일 실시예에 따른 HVDC 고장 분석 시스템은 신경회로망 고조파 분석부(210), 대칭 성분 분석부(250), 고장 유형 감지부(300) 및 HVDC 제어부(400)를 포함한다.
우선, HVDC 시스템(100)에 대해 간단히 설명한다.
HVDC 시스템(100)은 3상 교류 전력을 전송하는 제1 및 제2 교류 전원(110,120), 입력된 3상 교류 전원을 직류로 변환하는 정류부(130), 교류 전원에서 입력된 교류 전력을 승압하여 전송하는 변압부(140) 및 이들을 연결하는 선로(150)로 이루어진다.
신경회로망 고조파 분석부(210)는 HVDC 시스템에서 검출된 송전 신호를 샘플링하여 이산 신호를 생성하고, 상기 이산 신호로부터 미리 설정된 시간 동안 지연된 샘플에 대해 신경회로망의 가중치를 적용하여 고조파 성분을 출력한다. 여기서 신경회로망 고조파 분석부(210)는 신경회로망을 이용하여 반 주기보다 적은 시간 내에 신속하게 고조파 분석을 수행할 수 있다. 이러한 신경회로망 고조파 분석부(210)는 적어도 한 주기의 신호를 이용한 퓨리에 변환보다 빠른 시간 내에 고조파 분석을 수행할 수 있다. 이때, 퓨리에 변환은 특성상 사인 파형이나 코사인 파형의 1주기에 대한 분석이 반드시 필요하다. 그러나 신경 회로망을 이용한 고조파 분석은 도 2에 도시된 바와 같이 파형 학습을 통해 레이어별로 가중치가 결정되면 반주기 이하의 데이터로도 고조파 분석이 가능하다. 도 2는 신경회로망을 이용한 고조파 분석을 설명하기 위한 도면이다.
여기서 도 3을 더 참조하여 신경회로망 고조파 분석부(210)를 설명한다.
도 3은 본 발명의 일 실시예에 따른 고조파 분석부의 가중치 최적화 알고리즘을 나타내는 도면이다.
신경회로망 고조파 분석부(210)는 송전 신호 s(t)를 샘플링 주파수 ∫s에 대해 샘플링하게 되어 이산 신호 s(n)을 얻는다. 그리고 신경회로망 고조파 분석부(210)는 이산 신호 s(n)으로부터 M시간동안(여기서 M은 실수) 지연된 샘플을 신경회로망의 입력 벡터 X로 입력시킨다. 예를 들면, 입력 벡터 X는 아래의 수학식 1과 같이 나타낼 수 있다.
[수학식 1]
Figure pat00001
도 3에 도시된 Z-1은 시간 지연을 나타낸다. 또한, Z-1은 다음 번의 샘플링 데이터를 나타낼 수 있다.
여기서 신경회로망의 출력 Yk(n)은 입력 벡터와 가중치 함수(weight vector)로 이루어진다. 예를 들면, 출력 Yk(n)은 아래의 수학식 2와 같이 나타낼 수 있다.
[수학식 2]
Figure pat00002
Figure pat00003
수학식 2에서 출력
Figure pat00004
는 샘플링 시간 n시점에서 크기와 위상각이 각각
Figure pat00005
,
Figure pat00006
되는 k차 고조파를 나타낼 수 있다.
또한, 신경회로망에서 설정된 출력
Figure pat00007
은 추출된 k차 고조파 성분(여기서 k는 자연수)이 되며 출력 오차
Figure pat00008
는 아래의 수학식 3과 같이 정의될 수 있다.
[수학식 3]
Figure pat00009
신경회로망 고조파 분석부(210)는 출력 오차를 최소화하기 위해 신경회로망의 가중치를 최적화하게 된다.
여기서 도 4를 더 참조하여 신경회로망 고조파 분석부(210)를 설명한다.
도 4는 최적화된 신경회로망 고조파 분석부를 나타내는 도면이다.
도 4에서는 가중치가 최적화된 신경회로망 신경회로망 고조파 분석부(210)를 보여준다. 신경회로망 고조파 분석부(210)는 출력 오차의 최소화를 위해 신경회로망의 가중치를 최적화하고 신경회로망의 가중치를 담당하는 복수의 뉴런(220)에 입력을 곱하여 고조파 성분을 출력할 수 있다. 예를 들면, 신경회로망 고조파 분석부(210)는 신경회로망의 가중치를 담당하는 뉴런(220)에 입력 벡터 X를 곱하여 출력을 발생시키고 뉴런(220)마다 가중치가 미리 설정되고 출력을 발생시킬 때마다 가중치가 적절히 조정될 수 있다.
대칭 성분 분석부(250)는 도 5를 더 참조하여 설명한다.
도 5는 본 발명의 일 실시 예에 따른 대칭 성분 분석부를 설명하기 위한 도면이다.
대칭 성분 분석부(250)는 송전 신호의 3상 입력에 대해 대칭 성분을 출력한다. 여기서 대칭 성분 분석부(250)는 3상 입력을 받아 정상분(Vp), 역상분(Vn) 및 영상분(V0)을 추출할 수 있다. 이때, 정상분(Vp), 역상분(Vn) 및 영상분(V0) 각각은 아래의 수학식 4 내지 7과 같이 설정될 수 있다.
[수학식 4]
Figure pat00010
[수학식 5]
Figure pat00011
[수학식 6]
Figure pat00012
[수학식 7]
Figure pat00013
고장 유형 감지부(300)는 고조파 성분을 미리 설정된 정상 상태 성분과 비교하여 HVDC 시스템(100)의 고장 유형을 판단한다. 또한, 고장 유형 감지부(300)는 대칭 성분으로 고장 위치를 판별한다.
여기서 고장 유형 감지부(300)는 도 6을 더 참조하여 설명한다.
도 6은 본 발명의 일 실시예에 따른 고장 유형 감지부를 나타내는 도면이다.
고장 유형 감지부(300)는 고조파 성분으로부터 고조파 인자를 추출하고 상기 고조파 인자를 미리 설정된 고장 유형에 비추어 고장 유형을 결정할 수 있다. 또한, 상기 고장 유형 감지부는 3상에서 정확한 고장 위치 판별을 위해 고장 발생시의 대칭 성분인 정상분 및 역상분을 동시에 적용하여 고장 위치를 결정할 수 있다.
도 7은 고장 거리별 정상 전류와 정산분 전류의 특성을 나타내는 도면이다.
도 7에서는 정상분 및 역상분을 동시에 고려하여 정확한 고장 위치를 판별하는 것을 설명하기 위해 정상 전류와 정산분 전류비에 따른 고장 특성을 예시적으로 나타내고 있다.
다시 도 1을 참조하면, HVDC 제어부(400)는 고장 위치에 고장 유형에 상응하는 조치를 적용하여 HVDC 시스템(100)을 제어한다. 여기서 HVDC 제어부(400)는 고장 유형 감지부(300)로부터 고장 발생 위치와 고장 유형에 대한 정보를 입력받는다.
본 발명의 일 실시예에 따른 HVDC 고장 분석 시스템은 신경회로망을 이용한 고조파 분석 및 고장유형 판별에 있어서 퓨리에 분석에 보다 정확하고, 계산량이 감소하여 고조파 분석 시간을 감소시킬 수 있다. 따라서 HVDC 고장 분석 시스템은 고장시에 빠른 고장 검출 및 보호 동작 수행이 가능하므로 고장의 파급 방지 및 실시간적인 제어가 가능하다. 또한 HVDC 고장 분석 시스템은 고조파 분석기에 대한 구현회로가 간단하고 노이즈에 강한 특성을 보여 현장기기에 구현시 견고한 특성을 가지게 된다.
도 8은 본 발명의 또 다른 실시예에 따른 HVDC 고장 분석 시스템을 나타내는 도면이다.
도 8에서는 HVDC 고장 분석 시스템이 신경회로망을 이용한 고조파 분석부(210)와 대칭성분 분석부(280)를 포함한다.
신경회로망을 이용하여 고조파 성분을 추출하고 추출된 고조파 성분중 특히 저주파수대(2차~5차)의 고조파 성분의 크기(Harmonic Factor)를 계산하고, 고장 유형별로 고조파 성분의 크기가 다른 특징을 이용하여 고장 유형을 판별한다.
아울러 3상으로 구성된 AC측의 고장에 대해서 정확도를 더 높이기 위해 정상전류 대비 대칭성분(정상분) 크기를 통해 고장 유형을 재차 확인하게 된다.
도 9는 본 발명의 일 실시 예에 따른 고장 유형 판단 알고리즘을 나타내는 도면이다.
도 9를 참조하면, 본 발명의 일 실시 예에 따른 고장 유형 판단 알고리즘은 전압 파형 데이터로부터 전압 파형을 샘플링한다. 샘프링된 전압 파형은 신경회로망, 신경회로망 가중치 트레이닝 프로세스 미 대칭 성분 계산기 각각에서 이용된다.
신경회로망에서는 샘플링된 전압 파형으로부터 고조파 성분을 검출한다. 그리고 검출된 고조파 성분으로부터 고조파 성분의 크기를 계산한다.
신경회로망 가중치 트레이닝 프로세스에서는 샘플링된 전압 파형으로부터 전압 데이터를 출력하고 왜곡 파형을 예측한다. 그리고 예측 파형과 입력 파형의 실효값(root mean square)인 출력 오차(error)를 판별하여 가중치 학습을 진행한다.
대칭 성분 계산기는 정상분, 역상분 및 영상분 추출을 통해 평형 고장 및 불평형 고장을 구별한다.
고장 유형 감지부에서는 고조파 성분의 크기와 추출된 정상분, 역상분 및 영상분을 이용하여 고장 유형과 고장 위치를 판단한다.
이상의 설명은 본 발명의 기술 사상을 예시적으로 설명한 것에 불과한 것으로서, 본 발명이 속하는 기술 분야에서 통상의 지식을 가진 자라면 본 발명의 본질적인 특성에서 벗어나지 않는 범위에서 다양한 수정 및 변형이 가능할 것이다.
따라서, 본 발명에 개시된 실시 예들은 본 발명의 기술 사상을 한정하기 위한 것이 아니라 설명하기 위한 것이고, 이러한 실시 예에 의하여 본 발명의 기술 사상의 범위가 한정되는 것은 아니다.
본 발명의 보호 범위는 아래의 청구범위에 의하여 해석되어야 하며, 그와 동등한 범위 내에 있는 모든 기술 사상은 본 발명의 권리범위에 포함되는 것으로 해석되어야 할 것이다.
100: HVDC 시스템
110, 120: 제1 및 제2 교류 전원
130: 정류부
140: 변압부
210: 신경회로망 고주파 분석부
250: 대칭 성분 분석부
300: 고장 유형 감지부
400: HVDC 제어부

Claims (7)

  1. HVDC 시스템에서 고장을 분석하는 시스템에 있어서,
    HVDC 시스템에서 검출된 송전 신호를 샘플링하여 이산 신호를 생성하고, 상기 이산 신호로부터 미리 설정된 시간 동안 지연된 샘플에 대해 신경회로망의 가중치를 적용하여 고조파 성분을 출력하는 고조파 분석부;
    상기 송전 신호의 3상 입력에 대해 대칭 성분을 출력하는 대칭 성분 분석부; 및
    상기 고조파 성분을 미리 설정된 정상 상태 성분과 비교하여 상기 HVDC 시스템의 고장 유형을 판단하고, 상기 대칭 성분으로 고장 위치를 판별하는 고장 유형 감지부를 포함하는 HVDC 고장 분석 시스템.
  2. 제1 항에 있어서,
    상기 고장 위치에 상기 고장 유형에 상응하는 조치를 적용하여 상기 HVDC 시스템을 제어하는 HVDC 제어부를 더 포함하는 HVDC 고장 분석 시스템.
  3. 제1 항에 있어서,
    상기 고조파 분석부는
    상기 송전 신호를 샘플링 주파수에 대해 샘플링하여 상기 이산 신호를 구하고 상기 이산 신호로부터 M시간(여기서 M은 실수) 동안 지연된 샘플을 상기 신경회로망에 입력하는 것을 특징으로 하는 HVDC 고장 분석 시스템.
  4. 제1 항에 있어서,
    상기 고조파 분석부는 출력 오차의 최소화를 위해 상기 신경회로망의 가중치를 최적화하고 상기 신경회로망의 가중치를 담당하는 복수의 뉴런에 입력을 곱하여 상기 고조파 성분을 출력하는 것을 특징으로 하는 HVDC 고장 분석 시스템.
  5. 제1 항에 있어서,
    상기 고장 유형 감지부는
    상기 고조파 성분으로부터 고조파 인자를 추출하고 상기 고조파 인자를미리 설정된 고장 유형에 비추어 고장 유형을 결정하는 것을 특징으로 하는 HVDC 고장 분석 시스템.
  6. 제1 항에 있어서,
    상기 대칭 성분 분석부는 3상 입력을 받아 정상분, 역상분 및 영상분을 추출하는 것을 특징으로 하는 하는 HVDC 고장 분석 시스템.
  7. 제1 항에 있어서,
    상기 대칭 성분 분석부는 상기 신경회로망을 포함하여 정상분, 역상분 및 영상분을 추출하는 것을 특징으로 하는 하는 HVDC 고장 분석 시스템.
KR1020110100290A 2011-09-30 2011-09-30 Ｈｖｄｃ고장 분석 시스템 KR20130035766A (ko)

Priority Applications (1)

Application Number Priority Date Filing Date Title
KR1020110100290A KR20130035766A (ko) 2011-09-30 2011-09-30 Ｈｖｄｃ고장 분석 시스템

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
KR1020110100290A KR20130035766A (ko) 2011-09-30 2011-09-30 Ｈｖｄｃ고장 분석 시스템

Publications (1)

Publication Number Publication Date
KR20130035766A true KR20130035766A (ko) 2013-04-09

Family

ID=48437519

Family Applications (1)

Application Number Title Priority Date Filing Date
KR1020110100290A KR20130035766A (ko) 2011-09-30 2011-09-30 Ｈｖｄｃ고장 분석 시스템

Country Status (1)

Country Link
KR (1) KR20130035766A (ko)

Cited By (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
KR101641460B1 (ko) * 2015-03-23 2016-07-20 엘에스산전 주식회사 고전압 직류 송전 시스템의 데이터 처리 장치 및 방법
CN103852692B (zh) * 2014-03-12 2016-11-30 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
US9882504B2 (en) 2015-11-27 2018-01-30 Korea Electric Power Corporation HVDC rectifier protection using estimated and measured power
CN109494781A (zh) * 2018-12-24 2019-03-19 清华大学 一种高压直流输电换相重叠角实时估值的方法
CN109635732A (zh) * 2018-12-12 2019-04-16 国网山东省电力公司电力科学研究院 一种lcc-hvdc连续换相失败故障预警网络训练方法
CN110348498A (zh) * 2019-06-28 2019-10-18 国网河北省电力有限公司电力科学研究院 一种基于深度学习的配电设备缺陷自动判别方法及***

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN103852692B (zh) * 2014-03-12 2016-11-30 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
KR101641460B1 (ko) * 2015-03-23 2016-07-20 엘에스산전 주식회사 고전압 직류 송전 시스템의 데이터 처리 장치 및 방법
US9929666B2 (en) 2015-03-23 2018-03-27 Lsis Co., Ltd. Data processing device and method for high voltage direct current transmission system
US9882504B2 (en) 2015-11-27 2018-01-30 Korea Electric Power Corporation HVDC rectifier protection using estimated and measured power
CN109635732A (zh) * 2018-12-12 2019-04-16 国网山东省电力公司电力科学研究院 一种lcc-hvdc连续换相失败故障预警网络训练方法
CN109635732B (zh) * 2018-12-12 2020-10-09 国网山东省电力公司电力科学研究院 一种lcc-hvdc连续换相失败故障预警网络训练方法
CN109494781A (zh) * 2018-12-24 2019-03-19 清华大学 一种高压直流输电换相重叠角实时估值的方法
CN109494781B (zh) * 2018-12-24 2022-02-22 清华大学 一种高压直流输电换相重叠角实时估值的方法
CN110348498A (zh) * 2019-06-28 2019-10-18 国网河北省电力有限公司电力科学研究院 一种基于深度学习的配电设备缺陷自动判别方法及***

Similar Documents

Publication Publication Date Title
CN104181412B (zh) 电弧检测
Valtierra-Rodriguez et al. Detection and classification of single and combined power quality disturbances using neural networks
RU2557017C2 (ru) Идентификация и направленное детектирование короткого замыкания в трехфазной энергосистеме
US9429604B2 (en) Three-phase AC phase sequence detecting method and apparatus
RU2613584C2 (ru) Способ и устройство анализа качества электрической энергии в трехфазной электрической сети
KR101352204B1 (ko) 배전 계통에서 발생하는 전력 품질 외란의 원인 판별 장치 및 방법
CN104091056B (zh) 一种实验室设备使用寿命预测***和方法
KR20130035766A (ko) Ｈｖｄｃ고장 분석 시스템
US20170363664A1 (en) Apparatus for and method of providing measurements of uncertainty in respect of a transfer function
CN113156336A (zh) 双级辨识Vienna整流器单管开路故障的方法、装置及存储介质
JP7437584B2 (ja) 送電線の外乱分類のための機械学習ベースの方法および装置
US9075088B2 (en) Power quality monitoring apparatus and method thereof
Stanisavljević et al. A comprehensive overview of digital signal processing methods for voltage disturbance detection and analysis in modern distribution grids with distributed generation
Ukil et al. Power systems frequency estimation using amplitude tracking square wave for low-end protective relays
Mumtaz et al. Incipient fault detection in active-distribution networks based on Time-varying Kalman Filter
Ma et al. Identifying the root cause of power system disturbances based on waveform templates
KR20170070700A (ko) 동기위상기 신호를 이용한 전력계통 사고 발생 자동 검출 장치 및 방법
CN104914354A (zh) 三相电压突变量和零序电压相结合的电压暂降检测方法
Asiminoaei et al. Implementation and test of on-line embedded grid impedance estimation for PV-inverters
CN112834891A (zh) 检测相控整流电路中失效晶闸管的方法、装置及终端设备
Caujolle et al. Impact of Waveform Segmentation Accuracy on Disturbance Recognition Reliability
KR101774728B1 (ko) 복합 동력원 전력 분석 장치 및 그를 포함하는 수상 구조물 복합 동력원 테스트 시스템
Binek et al. Signal parameters identification methods used in wide-area measurement systems
Carní et al. A power signal alteration analyzer based on empirical mode decomposition
Khan Signal processing techniques used in power quality monitoring

Legal Events

Date Code Title Description
WITN Withdrawal due to no request for examination