同杆双回线故障选相及单相接地故障定位方法
发布时间：2021-01-27 09:59
同杆双回线因其传输容量大、占用土地资源少以及节约成本等一系列优点被广泛运用。距离保护由于受系统运行方式影响较小、灵敏度高等优点,成为了同杆双回线的主保护。同杆双回线两回线间的距离较近,两回线间存在较强的互感,互感的存在使得同杆双回线两回线的电气量相互耦合不再独立。而距离保护都是以每回线作为保护单元进行配置的,当同杆双回线发生故障时,由于单元配置的距离保护无法获取到相邻回线的电气量,同时,为了两回线保护的独立性也不允许引入相邻回线的电气量,因此无法消除互感的影响,这就导致了无法准确的进行故障选相以及故障定位。目前仍未有较好的解决方案,因此研发出仅利用单端单回线电气量就能在同杆双回线中准确进行故障选相以及故障定位的方法具有重大意义。传统的同杆双回线故障选相方法都是基于模型的方法,即根据所建立的同杆双回线数学模型提出故障选相判据以进行故障选相。基于模型的方法仅解决了故障选相中的部分问题,同时故障选相判据中存在大量依托工程经验整定的阈值,在实际使用中,这些阈值整定困难且易受到线路参数、负载等的影响。为此,提出了属于数据驱动领域的基于卷积神经网络（Convolutional Neural Net...
【文章来源】：济南大学山东省
【文章页数】：111 页
【学位级别】：硕士
【部分图文】：
CNN的结构
同杆双回线故障选相及单相接地故障定位方法12样将将人手写的数字“0”转化为照片输入至计算机，计算机就自动识别为数字“0”。“0-9”手写字图片如图2.4所示。图2.4“0-9”手写字图片“0-9”手写字的识别实际上是一个分类任务。分类的步骤如下：首先将数字“0-9”预先分为10个类别，即数字“0”为第1个类别、数字“1”为第2个类别…、数字“9”为第10个类别。然后手写字体图片被输入至预训练好的CNN后，预训练好的CNN通过卷积层和池化层提取出每个手写字的特征，然后根据所提取的特征将每个输入CNN的手写字体分类到不同的类别下，这样就完成了手写字的识别。下面以一个预训练好的CNN对“6”手写字的处理过程为例，详细介绍CNN的分类过程。这里需要强调的是预训练好的CNN其结构与图2.1所示CNN结构相同。输入至CNN中的手写字“6”如图2.5所示，图2.5位于图2.4中的第7列第2行的位置。图2.5手写字“6”步骤1：将图2.5所示的手写字读入预训练好的CNN中。在现代计算机中灰度图每个像素的取值范围为0-255，其中数值0表示的是黑色像素，数值255表示的是白色像素。在该实例中为了便于计算的方便，使用0-9作为灰度图每个像素的取值范围，其中数值0表示的是黑色像素，数值9表示的是白色像素。图2.5就是一个灰度图，手写字“6”的图片将以5*5形式的矩阵被读入到CNN中，其矩阵形式如式(2.3)所示：
同杆双回线故障选相及单相接地故障定位方法12样将将人手写的数字“0”转化为照片输入至计算机，计算机就自动识别为数字“0”。“0-9”手写字图片如图2.4所示。图2.4“0-9”手写字图片“0-9”手写字的识别实际上是一个分类任务。分类的步骤如下：首先将数字“0-9”预先分为10个类别，即数字“0”为第1个类别、数字“1”为第2个类别…、数字“9”为第10个类别。然后手写字体图片被输入至预训练好的CNN后，预训练好的CNN通过卷积层和池化层提取出每个手写字的特征，然后根据所提取的特征将每个输入CNN的手写字体分类到不同的类别下，这样就完成了手写字的识别。下面以一个预训练好的CNN对“6”手写字的处理过程为例，详细介绍CNN的分类过程。这里需要强调的是预训练好的CNN其结构与图2.1所示CNN结构相同。输入至CNN中的手写字“6”如图2.5所示，图2.5位于图2.4中的第7列第2行的位置。图2.5手写字“6”步骤1：将图2.5所示的手写字读入预训练好的CNN中。在现代计算机中灰度图每个像素的取值范围为0-255，其中数值0表示的是黑色像素，数值255表示的是白色像素。在该实例中为了便于计算的方便，使用0-9作为灰度图每个像素的取值范围，其中数值0表示的是黑色像素，数值9表示的是白色像素。图2.5就是一个灰度图，手写字“6”的图片将以5*5形式的矩阵被读入到CNN中，其矩阵形式如式(2.3)所示：
【参考文献】：
期刊论文
[1]基于堆叠自动编码器的输电线路故障选相方法[J]. 张国星,吕飞鹏. 水电能源科学. 2019(06)
[2]基于同向量电流选相的电流平衡保护研究[J]. 梁振锋,吴思奇,张惠智,樊占峰,李宝伟,宋国兵. 电力系统保护与控制. 2019(11)
[3]基于深度递归神经网络的电力系统短期负荷预测模型[J]. 于惠鸣,张智晟,龚文杰,段晓燕. 电力系统及其自动化学报. 2019(01)
[4]基于深度学习的输电线路故障类型辨识[J]. 徐舒玮,邱才明,张东霞,贺兴,储磊,杨浩森. 中国电机工程学报. 2019(01)
[5]基于长短期记忆的实时电价条件下智能电网短期负荷预测[J]. 李鹏,何帅,韩鹏飞,郑苗苗,黄敏,孙健. 电网技术. 2018(12)
[6]基于深度结构多任务学习的园区型综合能源系统多元负荷预测[J]. 史佳琪,谭涛,郭经,刘阳,张建华. 电网技术. 2018(03)
[7]不对称参数同杆双回线选相方法研究[J]. 朱忆洋,都洪基,赵青春. 电力系统保护与控制. 2017(15)
[8]基于分布参数模型的串联补偿双回线单线故障定位算法[J]. 张莹,梁军,贠志皓,张峰,霍爽,王鹏. 电力系统自动化. 2017(01)
[9]平行线路跨线故障选相元件的动作分析[J]. 徐海洋,宋国兵,樊占峰. 电力系统自动化. 2016(12)
[10]六相输电系统的故障暂态分析[J]. 张艳霞,张宏远,孙莹. 电力系统及其自动化学报. 2015(04)
博士论文
[1]同杆双回线故障稳态分析及其单端量选相的研究[D]. 张海.华北电力大学 2013
硕士论文
[1]基于六序分量法的双回长线路故障测距算法研究[D]. 孙铁铮.燕山大学 2019
[2]不对称参数同杆并架双回线故障选相和测距方法的研究[D]. 朱忆洋.南京理工大学 2017
本文编号：3002860
【文章来源】：济南大学山东省
【文章页数】：111 页
【学位级别】：硕士
【部分图文】：
CNN的结构
同杆双回线故障选相及单相接地故障定位方法12样将将人手写的数字“0”转化为照片输入至计算机，计算机就自动识别为数字“0”。“0-9”手写字图片如图2.4所示。图2.4“0-9”手写字图片“0-9”手写字的识别实际上是一个分类任务。分类的步骤如下：首先将数字“0-9”预先分为10个类别，即数字“0”为第1个类别、数字“1”为第2个类别…、数字“9”为第10个类别。然后手写字体图片被输入至预训练好的CNN后，预训练好的CNN通过卷积层和池化层提取出每个手写字的特征，然后根据所提取的特征将每个输入CNN的手写字体分类到不同的类别下，这样就完成了手写字的识别。下面以一个预训练好的CNN对“6”手写字的处理过程为例，详细介绍CNN的分类过程。这里需要强调的是预训练好的CNN其结构与图2.1所示CNN结构相同。输入至CNN中的手写字“6”如图2.5所示，图2.5位于图2.4中的第7列第2行的位置。图2.5手写字“6”步骤1：将图2.5所示的手写字读入预训练好的CNN中。在现代计算机中灰度图每个像素的取值范围为0-255，其中数值0表示的是黑色像素，数值255表示的是白色像素。在该实例中为了便于计算的方便，使用0-9作为灰度图每个像素的取值范围，其中数值0表示的是黑色像素，数值9表示的是白色像素。图2.5就是一个灰度图，手写字“6”的图片将以5*5形式的矩阵被读入到CNN中，其矩阵形式如式(2.3)所示：
同杆双回线故障选相及单相接地故障定位方法12样将将人手写的数字“0”转化为照片输入至计算机，计算机就自动识别为数字“0”。“0-9”手写字图片如图2.4所示。图2.4“0-9”手写字图片“0-9”手写字的识别实际上是一个分类任务。分类的步骤如下：首先将数字“0-9”预先分为10个类别，即数字“0”为第1个类别、数字“1”为第2个类别…、数字“9”为第10个类别。然后手写字体图片被输入至预训练好的CNN后，预训练好的CNN通过卷积层和池化层提取出每个手写字的特征，然后根据所提取的特征将每个输入CNN的手写字体分类到不同的类别下，这样就完成了手写字的识别。下面以一个预训练好的CNN对“6”手写字的处理过程为例，详细介绍CNN的分类过程。这里需要强调的是预训练好的CNN其结构与图2.1所示CNN结构相同。输入至CNN中的手写字“6”如图2.5所示，图2.5位于图2.4中的第7列第2行的位置。图2.5手写字“6”步骤1：将图2.5所示的手写字读入预训练好的CNN中。在现代计算机中灰度图每个像素的取值范围为0-255，其中数值0表示的是黑色像素，数值255表示的是白色像素。在该实例中为了便于计算的方便，使用0-9作为灰度图每个像素的取值范围，其中数值0表示的是黑色像素，数值9表示的是白色像素。图2.5就是一个灰度图，手写字“6”的图片将以5*5形式的矩阵被读入到CNN中，其矩阵形式如式(2.3)所示：
【参考文献】：
期刊论文
[1]基于堆叠自动编码器的输电线路故障选相方法[J]. 张国星,吕飞鹏. 水电能源科学. 2019(06)
[2]基于同向量电流选相的电流平衡保护研究[J]. 梁振锋,吴思奇,张惠智,樊占峰,李宝伟,宋国兵. 电力系统保护与控制. 2019(11)
[3]基于深度递归神经网络的电力系统短期负荷预测模型[J]. 于惠鸣,张智晟,龚文杰,段晓燕. 电力系统及其自动化学报. 2019(01)
[4]基于深度学习的输电线路故障类型辨识[J]. 徐舒玮,邱才明,张东霞,贺兴,储磊,杨浩森. 中国电机工程学报. 2019(01)
[5]基于长短期记忆的实时电价条件下智能电网短期负荷预测[J]. 李鹏,何帅,韩鹏飞,郑苗苗,黄敏,孙健. 电网技术. 2018(12)
[6]基于深度结构多任务学习的园区型综合能源系统多元负荷预测[J]. 史佳琪,谭涛,郭经,刘阳,张建华. 电网技术. 2018(03)
[7]不对称参数同杆双回线选相方法研究[J]. 朱忆洋,都洪基,赵青春. 电力系统保护与控制. 2017(15)
[8]基于分布参数模型的串联补偿双回线单线故障定位算法[J]. 张莹,梁军,贠志皓,张峰,霍爽,王鹏. 电力系统自动化. 2017(01)
[9]平行线路跨线故障选相元件的动作分析[J]. 徐海洋,宋国兵,樊占峰. 电力系统自动化. 2016(12)
[10]六相输电系统的故障暂态分析[J]. 张艳霞,张宏远,孙莹. 电力系统及其自动化学报. 2015(04)
博士论文
[1]同杆双回线故障稳态分析及其单端量选相的研究[D]. 张海.华北电力大学 2013
硕士论文
[1]基于六序分量法的双回长线路故障测距算法研究[D]. 孙铁铮.燕山大学 2019
[2]不对称参数同杆并架双回线故障选相和测距方法的研究[D]. 朱忆洋.南京理工大学 2017
本文编号：3002860
本文链接：https://www.wllwen.com/kejilunwen/dianlidianqilunwen/3002860.html
