一种特高压直流输电线路与边界对高频量衰减作用大小的界定方法

    公开(公告)号:CN103543358A

    公开(公告)日:2014-01-29

    申请号:CN201310506651.3

    申请日:2013-10-24

    Abstract: 本发明涉及一种特高压直流输电线路与边界对高频量衰减作用大小的界定方法,属于特高压直流输电技术领域。本发明首先根据直流线路上故障点的高频暂态信号通过长度为x的特高压直流输电线路到达保护装置后的高频暂态信号与直流线路上故障点的高频暂态信号相除取模得到特高压直流输电线路对高频量的衰减为;然后利用直流母线故障点的高频暂态信号通过特高压直流输电线路边界到达保护装置后的高频暂态信号与直流母线故障点的高频暂态信号相除取模得到特高压直流输电边界对高频量的衰减为;最后根据与之间的大小关系来实现特高压直流输电线路与边界对高频量衰减作用大小的界定。本发明可以有效地界定特高直流输电线路与边界对高频量衰减作用的大小。

    一种贯通式同相牵引供电系统牵引网故障区间行波定位方法

    公开(公告)号:CN105203917A

    公开(公告)日:2015-12-30

    申请号:CN201510567841.5

    申请日:2015-09-09

    Abstract: 本发明涉及一种贯通式同相牵引供电系统牵引网故障区间行波定位方法,属于电气化铁道牵引网故障区间定位研究技术领域。本发明包括步骤:A、贯通式同相牵引供电系统牵引网上发生故障后,各牵引变电所数据采集装置采集故障发生后10ms时窗内的电流;B、求取各牵引变电所出口处的故障电流信号小波变换模极大值;C、比较各出口处电流行波信号的模极大值极性。若紧邻的两个牵引变电所的故障电流行波模极大值极性相反,则故障发生在这两个牵引变电所之间;否则,则故障位置不在这两个牵引变电所之间。本发明所述方法经仿真结果表明该贯通式同相牵引供电系统故障区间行波定位方法准确可靠。

    一种特高压直流输电系统换相失败故障诊断方法

    公开(公告)号:CN105116208A

    公开(公告)日:2015-12-02

    申请号:CN201510508305.8

    申请日:2015-08-18

    Abstract: 本发明涉及一种特高压直流输电系统换相失败故障诊断方法,属于高压直流输电系统故障诊断技术领域。本发明首先对提取的直流电流信号序列进行分层重构;然后对信号进行降噪处理,处理后用形态滤波器进行滤波,并提取它的高频段分量;将高频段分量进行希尔伯特-黄变换,求出固有模态函数分量的瞬时频率最大值f和幅值平均值A,设定频率阈值f0和幅值平均阈值A0,若f≥f0,系统发生故障,若不成立,则系统正常运行;若系统发生故障,则判定A≥A0,是否成立,若成立则是线路短路故障,反之则为换相失败故障。故本发明能够准确地判别出系统的运行状态、换相失败故障、线路短路故障。

    一种特高压直流输电系统换相失败故障诊断方法

    公开(公告)号:CN105116208B

    公开(公告)日:2018-03-06

    申请号:CN201510508305.8

    申请日:2015-08-18

    Abstract: 本发明涉及一种特高压直流输电系统换相失败故障诊断方法,属于高压直流输电系统故障诊断技术领域。本发明首先对提取的直流电流信号序列进行分层重构;然后对信号进行降噪处理,处理后用形态滤波器进行滤波,并提取它的高频段分量;将高频段分量进行希尔伯特‑黄变换,求出固有模态函数分量的瞬时频率最大值f和幅值平均值A,设定频率阈值f0和幅值平均阈值A0,若f≥f0,系统发生故障,若不成立,则系统正常运行;若系统发生故障,则判定A≥A0,是否成立,若成立则是线路短路故障,反之则为换相失败故障。故本发明能够准确地判别出系统的运行状态、换相失败故障、线路短路故障。

    一种特高压直流输电线路区内外故障识别方法

    公开(公告)号:CN104865499B

    公开(公告)日:2017-12-01

    申请号:CN201510236260.3

    申请日:2015-05-11

    Abstract: 本发明涉及一种特高压直流输电线路区内外故障识别方法,属高压直流输电系统继电保护领域。首先采集故障电压数据;将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高频系数,将所有的每一层的高频系数的奇异谱熵组成特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;再设定训练集标签和测试集标签;对训练集进行训练;再设定预测标签和预测精度的存储位置;将测试集输入到SVM分类器进行测试,得到分类结果和预测精度;再确定存储在预测标签存储空间中的分类结果是否正确。本发明能同时将三种不同位置的故障进行识别,而且该方法简单、有效,计算时间短,在整个分类过程中可以实现自动化。

    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

    公开(公告)号:CN103852692A

    公开(公告)日:2014-06-11

    申请号:CN201410088610.1

    申请日:2014-03-12

    CPC classification number: H04B3/54

    Abstract: 本发明涉及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,属于高压直流输电系统继电保护技术领域。本发明利用故障高频量在线路上传播时的衰减特性,推导出故障距离与到达整流侧和逆变侧测距装置处的故障电压行波首波头幅值比之间的数学关系;选取不同频带内整流侧和逆变侧测距装置处检测到的故障电压行波首波头幅值比作为BP神经网络的输入样本集、故障距离作为输出样本集,对神经网络进行训练,生成故障测距神经网络模型;当故障测距神经网络模型形成以后,将测试样本输入到训练后的模型当中得到测距结果。本发明避免了传统的双端行波测距方法中波速度确定困难等问题。

    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

    公开(公告)号:CN103852692B

    公开(公告)日:2016-11-30

    申请号:CN201410088610.1

    申请日:2014-03-12

    Abstract: 本发明涉及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,属于高压直流输电系统继电保护技术领域。本发明利用故障高频量在线路上传播时的衰减特性,推导出故障距离与到达整流侧和逆变侧测距装置处的故障电压行波首波头幅值比之间的数学关系;选取不同频带内整流侧和逆变侧测距装置处检测到的故障电压行波首波头幅值比作为BP神经网络的输入样本集、故障距离作为输出样本集,对神经网络进行训练,生成故障测距神经网络模型;当故障测距神经网络模型形成以后,将测试样本输入到训练后的模型当中得到测距结果。本发明避免了传统的双端行波测距方法中波速度确定困难等问题。

    一种特高压直流输电线路与边界对高频量衰减作用大小的界定方法

    公开(公告)号:CN103543358B

    公开(公告)日:2016-08-17

    申请号:CN201310506651.3

    申请日:2013-10-24

    Abstract: 本发明涉及一种特高压直流输电线路与边界对高频量衰减作用大小的界定方法,属于特高压直流输电技术领域。本发明根据直流线路上故障点的高频暂态信号通过长度为x的特高压直流输电线路到达保护装置后的高频暂态信号与直流线路上故障点的高频暂态信号相除取模得到特高压直流输电线路对高频量的衰减为|e?γx|;利用直流母线故障点的高频暂态信号通过特高压直流输电线路边界到达保护装置后的高频暂态信号与直流母线故障点的高频暂态信号相除取模得到特高压直流输电边界对高频量的衰减为|G(jω)|;最后界定|e?γx|与|G(jω)|之间的大小关系。本发明可以有效地界定特高直流输电线路与边界对高频量衰减作用的大小。

    一种基于高频量衰减特性的特高压直流输电线路故障测距方法

    公开(公告)号:CN103592569B

    公开(公告)日:2016-06-08

    申请号:CN201310543565.X

    申请日:2013-11-06

    CPC classification number: Y04S10/522

    Abstract: 本发明涉及一种基于高频量衰减特性的特高压直流输电线路故障测距方法,属特高压直流输电技术领域。本发明利用整流侧和逆变侧的故障测距装置,检测直流输电线路某点发生故障时到达整流侧和逆变侧故障测距装置的高频量,利用整流侧和逆变侧检测到的高频量的模就能计算出故障发生点距离整流侧故障测距装置的距离。本发明能实现特高压直流输电线路故障定位,是一种全新的特高压直流输电线路故障测距方法,对特高压直流输电系统安全运行有重要意义。

    一种特高压直流输电线路区内外故障识别方法

    公开(公告)号:CN104865499A

    公开(公告)日:2015-08-26

    申请号:CN201510236260.3

    申请日:2015-05-11

    Abstract: 本发明涉及一种特高压直流输电线路区内外故障识别方法,属高压直流输电系统继电保护领域。首先采集故障电压数据;将检测到的故障电压信号进行小波多尺度分解,得到每一层的小波重构高频系数,将所有的每一层的高频系数的奇异谱熵组成特征向量矩阵,将特征向量矩阵中的数据划分为训练集和测试集;再设定训练集标签和测试集标签;对训练集进行训练;再设定预测标签和预测精度的存储位置;将测试集输入到SVM分类器进行测试,得到分类结果和预测精度;再确定存储在预测标签存储空间中的分类结果是否正确。本发明能同时将三种不同位置的故障进行识别,而且该方法简单、有效,计算时间短,在整个分类过程中可以实现自动化。

Patent Agency Ranking