使用集成学习的高压多端直流网络故障定位
信号处理
2022-01-21 v1
摘要
对大距离电力传输网络故障的精确定位对于更快的修复与恢复过程至关重要。采用模块化多电平换流器(MMC)技术的高压直流(HVdc)网络已在互联多端网络中凸显其重要性。这使得以大距离、低成本进行大容量输电成为可能。然而，它们面临直流故障的挑战。用于在网络发生直流故障时快速高效隔离的方法已被广泛研究与探讨。成功隔离后，精确定位故障至关重要。故障后电压与电流特征为多重因素的函数，因此在多端网络上准确故障定位具有挑战性。在本文中，我们讨论一种新颖的基于数据驱动集成学习的精确故障定位方法。此处我们利用极端梯度提升(XGB)方法进行准确故障定位。所提算法对测量噪声、故障位置、电阻与限流电感的敏感性在一个于电力系统计算机辅助设计(PSCAD)/含直流的电磁暂态(EMTdc)中设计的辐射状三端 MTdc 网络上进行了测试。
引用
@article{arxiv.2201.08263,
title = {Fault location in High Voltage Multi-terminal dc Networks Using Ensemble Learning},
author = {Timothy Flavin and Bhaskar Mitra and Vidhyashree Nagaraju and Rounak Meyur},
journal= {arXiv preprint arXiv:2201.08263},
year = {2022}
}