CN104698343B - 基于历史录波数据的电网故障判断方法和*** - Google Patents

Abstract

本发明提供一种基于历史录波数据的电网故障判断方法和***，该方法包括：根据预设的历史录波数据构造暂态突变量矩阵，从暂态突变量矩阵中检测出所述历史录波数据的异常相位；根据历史录波数据的异常相位，对历史录波数据利用小波变换构建特征值矩阵，根据特征值矩阵获得聚类分析的输入样本集；根据所述输入样本集进行聚类分析，建立故障原因聚类模型；其中，所述故障原因聚类模型中包括多个簇，每个簇包括中心向量及其对应的故障原因；提取实时录波数据的特征向量，计算所述特征向量与每个簇的中心向量的欧氏距离，将欧氏距离最小的簇对应的故障原因记录为所述实时录波数据的故障原因。本发明能利用历史录波数据对电网故障的原因进行实时判断。

Description

基于历史录波数据的电网故障判断方法和***

技术领域

本发明涉及电网故障诊断技术领域，特别是涉及一种基于历史录波数据的电网故障判断方法，以及一种基于历史录波数据的电网故障判断***。

背景技术

当前，电网中存在大量的传感装置，实时记录电网中发生的事件，这些传感器产生的报警记录、录波文件，蕴含着丰富的信息，如能加以充分利用，必能提升运行人员对电网行为的理解能力。但是，目前大多数传感器录波的目的，都是为了事后分析故障原因，分析手段一般也是以手动分析为主，缺乏在线、大规模、自动化分析的手段。传感器启动录波的条件往往是单一指标的超限，而且为了能够在分析事故原因时提供充分证据，越限门槛值一般都设定得比较低。这样形成的结果是，很多录波对应的时刻，***并没有发生明显异常，而个别故障时刻的重要录波，也只在事后分析时才发挥作用。长年积累下来大量的录波文件，除了用于历史备案且占据大量的硬盘空间，却没有形成能帮助运行人员理解电网状态的知识，以便能及时识别故障原因及采取相应的措施进行应对，甚至进行预测以便制定必要的预防措施。

发明内容

基于此，本发明提供一种基于历史录波数据的电网故障判断方法和***，能利用历史录波数据对电网故障的原因进行实时判断。

一种基于历史录波数据的电网故障判断方法，包括如下步骤：

根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位；

根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵，根据所述特征值矩阵获得聚类分析的输入样本集；

根据所述输入样本集进行聚类分析，建立故障原因聚类模型；其中，所述故障原因聚类模型中包括多个簇，每个簇包括中心向量及其对应的故障原因；

提取实时录波数据的特征向量，计算所述特征向量与每个簇的中心向量的欧氏距离，将欧氏距离最小的簇对应的故障原因记录为所述实时录波数据的故障原因。

一种基于历史录波数据的电网故障判断***，包括：

检测模块，用于根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位；

构建模块，用于根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵，根据所述特征值矩阵获得聚类分析的输入样本集；

建立模块，用于根据所述输入样本集进行聚类分析，建立故障原因聚类模型；其中，所述故障原因聚类模型中包括多个簇，每个簇包括中心向量及其对应的故障原因；

记录模块，用于提取实时录波数据的特征向量，计算所述特征向量与每个簇的中心向量的欧氏距离，将欧氏距离最小的簇对应的故障原因记录为所述实时录波数据的故障原因。

上述基于历史录波数据的电网故障判断方法和***，利用大量历史录波数据及相关的故障事后诊断数据，通过异常序列监测、特征向量提取、聚类分析等步骤挖掘特征向量与故障原因之间隐含的关联关系；本发明克服了传统基于模型方法的建模复杂、先验参数确定的困难，可有效长期存储录波数据，对其中的信息进行抽样与挖掘，形成故障原因与录波特征的关联模式，以达到利用录波数据对电网故障的原因进行实时诊断的目的。本发明便于辅助电力专业人员快速判定故障异常相位及故障原因，以便及时采取对应的保护措施，具有重要的实用价值。

附图说明

图1为本发明基于历史录波数据的电网故障判断方法在一实施例中的流程示意图；

图2为本发明基于历史录波数据的电网故障判断方法在一实施例中聚类分析的流程示意图；

图3为本发明基于历史录波数据的电网故障判断***在一实施例中的结构示意图。

具体实施方式

下面结合实施例及附图对本发明作进一步详细说明，但本发明的实施方式不限于此。

如图1所示，是本发明一种基于历史录波数据的电网故障判断方法，包括如下步骤：

S11、根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位；

S12、根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵，根据所述特征值矩阵获得聚类分析的输入样本集；

S13、根据所述输入样本集进行聚类分析，建立故障原因聚类模型；其中，所述故障原因聚类模型中包括多个簇，每个簇包括中心向量及其对应的故障原因；

S14、提取实时录波数据的特征向量，计算所述特征向量与每个簇的中心向量的欧氏距离，将欧氏距离最小的簇对应的故障原因记录为所述实时录波数据的故障原因；

本实施例的基于历史录波数据的电网故障判断方法，利用大量历史录波数据及相关的故障事后诊断数据，通过异常序列监测、特征向量提取、聚类分析等步骤挖掘特征向量与故障原因之间隐含的关联关系；本实施例克服了传统基于模型方法的建模复杂、先验参数确定的困难，可有效长期存储录波数据，对其中的信息进行抽样与挖掘，形成故障原因与录波特征的关联模式，以达到利用录波数据对电网故障的原因进行实时诊断的目的。本实施例方法便于辅助电力专业人员快速判定故障异常相位及故障原因，以便及时采取对应的保护措施，具有重要的实用价值。

对于步骤S11、根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位；

首先，构造录波电流暂态突变量序列，并监测出异常变化相位；

在一较佳实施例中，所述根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位的步骤包括：

S111、从所述历史录波数据中提取电流信号，利用下式计算所述电流信号的三相暂态突向量及暂态突变量矩阵：

${\mathrm{\ΔS}}_{In}=\left\{S(T_f+f_d\×k)\right|k\∈\[-\frac{f_s}{f_d},m*\frac{f_s}{f_d}\]\}$

其中，ΔS_In为所述三相暂态突向量，包括a相暂态突向量ΔS_Ia、b相暂态突向量ΔS_Ib和c相暂态突向量ΔS_Ic；

所述暂态突变量矩阵为 $DeltaC=\left[\begin{array}{c}{\mathrm{\ΔS}}_{Ia}\left(1\right)\\ {\mathrm{\ΔS}}_{Ib}\left(1\right)\\ {\mathrm{\ΔS}}_{Ic}\left(1\right)\\ ...\\ {\mathrm{\ΔS}}_{Ic}\left(N\right)\end{array}\right],$ S为所述电流信号，T_f为所述历史录波数据中的故障发生时刻，f_d为电流信号的信号频率，f_s为电流信号的数据采样频率，m为预设的在故障发生时间之后所观察的周波个数；

S112、从所述暂态突变量矩阵中抽取预设个数的样本，计算所述样本的均值T1和协方差矩阵S1；

S113、根据所述样本的均值T1和协方差矩阵S1，利用下式计算所述暂态突变量矩阵中每一个样本的马氏距离：

$\begin{array}{c}{d}_j=\sqrt{({\mathrm{DeltaC}}_j-T_1)S_1^{-1}{({\mathrm{DeltaC}}_j-T_1)}^T}\\ \left(j=1,2,...,N\right)\end{array};$

其中，d_j为所述马氏距离；

S114、从所有样本中，选取马氏距离最小的H个样本计算其均值T2和协方差矩阵S2，当不满足det(S2)＝det(S1)或det(S2)＝0时，将所述均值T1和协方差矩阵S1更新为均值T2和协方差矩阵S2，并转至所述根据样本的均值T1和协方差矩阵S1，计算所述暂态突变量矩阵中每一个样本的马氏距离的步骤；其中，H为预设值；H可为N/2≤H≤3N/4，N为样本总数；

S115、当满足时，det(S2)＝det(S1)或det(S2)＝0时，将所述均值T1和协方差矩阵S1作为暂态突变量矩阵总体分布期望T和方差S的可靠估计值；

本实施例中，利用迭代优化的方法确定暂态突变量矩阵总体分布期望T和方差S的可靠估计值；

具体的，从暂态突变量矩阵DeltaC中随机抽取H个样本，其中N/2≤H≤3N/4，计算其样本均值T1和协方差矩阵S1；

根据样本均值T1和协方差矩阵S1，获取所有N个样本的马氏距离dj；

从暂态突变量矩阵中选择对应马氏距离最小的H个样本，计算其样本均值T2和协方差矩阵S2，当满足det(S2)＝det(S1)或det(S2)＝0时，将T1和S1分别作为暂态突变量矩阵总体分布期望T和方差S的可靠估计。否则，基于T2和S2重新计算所有样本的马氏距离dj，也即是，将T2和S2作为T1和S1，重新代入马氏距离的计算公式 $\begin{array}{c}{d}_j=\sqrt{({\mathrm{DeltaC}}_j-T_1)S_1^{-1}{({\mathrm{DeltaC}}_j-T_1)}^T}\\ \left(j=1,2,...,N\right)\end{array}$ 再次计算，并再次选择对应马氏距离最小的H个样本，计算其样本均值T3和协方差矩阵S3……如此反复，直至det(Sn+1)＝det(Sn)或det(Sn+1)＝0时停止迭代，并将Tn和Sn分别作为暂态突变量矩阵总体分布期望T和方差S的可靠估计进行存储；

S116、根据所述可靠估计值，从所述样本中检测出异常暂态突向量样本，获得与所述异常暂态突向量样本对应的历史录波数据的异常相位；

基于存储的期望T和方差S的可靠估计量，由于样本的马氏距离服从自由度为K的卡方分布，当满足时视为异常样本，α为显著性水平。根据检测出来的异常暂态突向量样本，将对应的原始历史录波样本异常相位进行分类标注，可分为单相、双相和三相异常，并标注对应的异常相位。

S12、根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵，根据所述特征值矩阵获得聚类分析的输入样本集；

在一较佳实施例中，所述根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵的步骤包括：

选取每层小波分解系数的能量均值、能量方差和能量熵作为特征指标，根据下式进行特征值矩阵的构建：

${\mathrm{WEE}}_j=-\underset{k}{\Σ}\frac{E_{jk}}{E_j}\log \left(\frac{E_{jk}}{E_j}\right)$

${\mathrm{EXP}}_j=\frac{E_j}{length\left(j\right)}$

${\mathrm{VAR}}_j=\frac{\underset{k}{\Σ}{(E_{jk}-{\mathrm{EXP}}_j)}^2}{length\left(j\right)-1}$

WEE_j为每层小波信号的能量熵；为每层小波信号中第j尺度k时刻的信号能量，为每层小波信号的信号总能量；

EXP_j为每层小波信号的能量均值；VAR_j为每层小波信号的能量方差；

length(j)为第j层小波系数的个数；

层上的小波系数个数相等，对于抽取型小波系数，每一层上的小波系数个数不等，其随着小波层频率范围的减小而减小。

S13、根据所述输入样本集进行聚类分析，建立故障原因聚类模型；其中，所述故障原因聚类模型中包括多个簇，每个簇包括中心向量及其对应的故障原因；

在一较佳实施例中，所述根据所述输入样本集进行聚类分析，建立故障原因聚类模型的步骤包括：

S131、对同一异常相位的录波数据的三相电压和三相电流，按异常相位优先的顺序获得故障点前后n个周波的数据作为输入信号，将所述输入信号进行小波分解，构建特征值矩阵；其中，n为预设值；所述故障点，也即录波数据中记录的故障发生时刻；

S132、按预设的异常相位优先的顺序，取出故障点前后n个周波的该相的电流电压数据作为聚类分析的输入样本集；

最终的输入样本集可为：

$C=\left[\begin{array}{ccc}wd(1,Ia,1,wee)& ...& ...\\ ...& ...& ...\\ ...& ...& wd(N,phase,wavelevel,wavevalue)\end{array}\right]$

其中，wd为保存小波变换因子的4维矩阵，N为历史录波数据的总数，phase为某相电压电流，按照异常相位的顺序，wavelevel为小波分解的层从1到设定的最大层，wavevalue为所述能量熵、能量均值和能量方差；

其中，所述异常相位的顺序，是指按异常相位排在前面，正常相位排于后的方式。异常相位内按a，b，c，a…的顺序排列，正常相位内的排序方式也同样同相位。对单个相位内，排列顺序为1层能量熵、能量均值和能量方差，2层能量熵、能量均值和能量方差等。例如，若干异常相位内的排列顺序为a,b,c。同样若干正常相位内的顺序也为a，b，c。比如为b、c双相异常，则这个录波对应的行向量为：

Ib第1层小波系数的能量熵、能量均值和能量方差(三个数依次排放)

Ib第2层小波系数的能量熵、能量均值和能量方差

Ib第3层小波系数的能量熵、能量均值和能量方差

Ib第4层小波系数的能量熵、能量均值和能量方差

Ic第1层小波系数的能量熵、能量均值和能量方差

Ic第2层小波系数的能量熵、能量均值和能量方差

Ic第3层小波系数的能量熵、能量均值和能量方差

Ic第4层小波系数的能量熵、能量均值和能量方差

Ia第1层小波系数的能量熵、能量均值和能量方差

Ia第2层小波系数的能量熵、能量均值和能量方差

Ia第3层小波系数的能量熵、能量均值和能量方差

Ia第4层小波系数的能量熵、能量均值和能量方差

Ub第1层小波系数的能量熵、能量均值和能量方差

Ub第2层小波系数的能量熵、能量均值和能量方差

Ub第3层小波系数的能量熵、能量均值和能量方差

Ub第4层小波系数的能量熵、能量均值和能量方差

….

电压分解变量类似电流分解变量。

S133、对所述输入样本集进行聚类分析，建立故障原因与所述特征值矩阵对应的关联模型，得到所述故障原因聚类模型。

在一较佳实施例中，所述根据所述输入样本集进行聚类分析，建立故障原因聚类模型的步骤还包括：

从所述历史录波数据中选择k个样本c₁,c₂,...,c_k作为簇的中心；

依据将每个样本c_l分到中心为c_i的簇C_i中；·

$d(c_l,c_i)=\underset{j}{\min }d(c_l,c_j)$

其中，d(c_l,c_i)为样本c_l与c_i的欧式距离；

将簇C_i中的每个样本按分到各个簇中，若有任何一个簇C_i满足N_i＜N_threshold时，则舍去簇C_i；其中，N_i是簇C_i的样本数，N_threshold为一个类中最小样本数阈值；

更新各个簇中心、每个簇中的各个样本离开中心的距离，以及所有样本离开其簇中心的平均距离；

对所述簇进行***操作、合并操作及迭代停止判断操作，输出故障原因聚类模型FaultJudgeSet＝{＜C_i,conf_j＞|i∈1..K,j∈1..M}；其中，C_i表示簇i，conf_j为属于簇i类别为j故障原因的置信度，K为簇数，M为簇中故障原因的类别数，也即是，预先设置各种故障原因，并对每一种故障原因预设对应的类别，故障原因j在本实施例中表示为1，2，3……M。

具体的，如图2所示，聚类分析的过程可为：

1)随机从历史录波数据中选取k个样本c₁,c₂,...,c_k作为簇的中心。

2)依据下列关系将每个样本c_l分到中心为c_i的簇C_i中。

$d(c_l,c_i)=\underset{j}{\min }d(c_l,c_j)---\left(1\right)$

把簇C_i中的样本按上式分到相应的簇中；若有任何一个C_i满足

N_i＜N_threshold(2)

则舍去C_i，并令k＝k-1；其中，N_i是簇C_i的样本数，N_threshold为一个类中最小样本数阈值。

3)按照下式更新以下参数：

a)簇中心：

$c_{im}=\frac{\underset{c_{li}\∈clusteri}{\Σ}{c}_{li}}{N_i},i=1,2,...,k---\left(3\right)$

b)簇C_i中的各个样本离开其中心c_i的距离。

${\stackrel{\‾}{\mathrm{\δ}}}_i=\frac{1}{N_i}\underset{c_l\∈C_i}{\Σ}d(c_l,c_i),i=1,2,...,k---\left(4\right)$

c)所有样本离开其相应簇中心的平均距离：

$\stackrel{\‾}{\mathrm{\δ}}=\frac{1}{N}\underset{i=1}{\overset{k}{\Σ}}{N}_i{\stackrel{\‾}{\mathrm{\δ}}}_i---\left(5\right)$

4)判断停止、***或合并。

a)若迭代次数I＝I_max或者ΣΔc_im＜d_threshold，则算法结束；

b)若k≤N_expect/2，则转到5；

c)若k≥N_expect×2，则转至6；

d)若N_expect/2＜k＜2*N_expect，当迭代次数I是奇数时转至5；迭代次数I是偶数时转至6。

5)簇的***判断与操作。若对任一个且其中α_i为该簇中故障原因的类别数，α为整体样本的样本故障原因的类别数。如满足条件，则把C_i***为两个簇，其中心对应为和把原来的c_i取消，且令k＝k+1。和的计算方法：给定一个h值，使0＜h≤1；令其中h值的选择要使得C_i中的点到和的距离不同，但又要保证C_i中的样本仍在这两个新的集合中。

6)簇的合并判断与操作。对于所有的簇中心，计算两簇之间的距离：

δ_ij＝d(c_i,c_j),i＝1,2,...k,j＝i,i+1,...,k(6)

将小于δ_threshold的δ_ij作为待合并的集合。首先按照类别标签进行分类，合并两个簇内故障原因类别相同的样本数大于设定阈值的簇。余下不满足条件的簇按大小作升序排列，δ₁＜δ₂＜...＜δ_L，其中，L为剩余的簇数。对于每两个簇和进行合并操作，并根据下式重新计算簇中心：

$c_l=\frac{1}{N_{i_l}+N_{j_l}}(N_{i_l}{c}_{i_l}+N_{j_l}{c}_{j_l})---\left(7\right)$

将整体簇数减少，k＝k－1。

7)迭代计数器加1，即I＝I+1，转2。

经过上面的三个流程，算法输出的故障原因聚类模型如下：

FaultJudgeSet＝{＜C_i,conf_j＞|i∈1..K,j∈1..M}(8)

其中，C_i为簇i的中心向量，conf_j为属于簇i类别为j故障原因的置信度，K为簇数，M为簇中故障原因的类别数。

S14、提取实时录波数据的特征向量，计算所述特征向量与每个簇的中心向量的欧氏距离，将欧氏距离最小的簇对应的故障原因记录为所述实时录波数据的故障原因；

此阶段为实时监控阶段。在进行设备故障在线监测时，将实时***中产生的实时录波数据，对实时录波数据进行特征提取，将提取后的特征向量与训练阶段产生的各个聚类簇中心进行距离判断，计算特征向量与中心向量的欧式距离，取欧式距离最小的簇所对应的故障原因为最终的判定结果。

如图3所示，本发明还提供一种基于历史录波数据的电网故障判断***，包括：

检测模块31，用于根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位；

构建模块32，用于根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵，根据所述特征值矩阵获得聚类分析的输入样本集；

建立模块33，用于根据所述输入样本集进行聚类分析，建立故障原因聚类模型；其中，所述故障原因聚类模型中包括多个簇，每个簇包括中心向量及其对应的故障原因；

记录模块34，用于提取实时录波数据的特征向量，计算所述特征向量与每个簇的中心向量的欧氏距离，将欧氏距离最小的簇对应的故障原因记录为所述实时录波数据的故障原因。

在一较佳实施例中，所述检测模块31还用于：

从所述历史录波数据中提取电流信号，利用下式计算所述电流信号的三相暂态突向量及暂态突变量矩阵：

${\mathrm{\ΔS}}_{In}=\left\{S(T_f+f_d\×k)\right|k\∈\[-\frac{f_s}{f_d},m*\frac{f_s}{f_d}\]\}$

其中，ΔS_In为所述三相暂态突向量，包括a相暂态突向量ΔS_Ia、b相暂态突向量ΔS_Ib和c相暂态突向量ΔS_Ic；

所述暂态突变量矩阵为 $DeltaC=\left[\begin{array}{c}{\mathrm{\ΔS}}_{Ia}\left(1\right)\\ {\mathrm{\ΔS}}_{Ib}\left(1\right)\\ {\mathrm{\ΔS}}_{Ic}\left(1\right)\\ ...\\ {\mathrm{\ΔS}}_{Ic}\left(N\right)\end{array}\right],$ S为所述电流信号，T_f为所述历史录波数据中的故障发生时刻，f_d为电流信号的信号频率，f_s为电流信号的数据采样频率，m为预设的在故障发生时间之后所观察的周波个数；

从所述暂态突变量矩阵中抽取预设个数的样本，计算所述样本的均值T1和协方差矩阵S1；

根据所述样本的均值T1和协方差矩阵S1，利用下式计算所述暂态突变量矩阵中每一个样本的马氏距离：

$\begin{array}{c}{d}_j=\sqrt{({\mathrm{DeltaC}}_j-T_1)S_1^{-1}{({\mathrm{DeltaC}}_j-T_1)}^T}\\ \left(j=1,2,...,N\right)\end{array};$

其中，d_j为所述马氏距离；

从所有样本中，选取马氏距离最小的H个样本计算其均值T2和协方差矩阵S2，当不满足det(S2)＝det(S1)或det(S2)＝0时，将所述均值T1和协方差矩阵S1更新为均值T2和协方差矩阵S2，则转至所述根据样本的均值T1和协方差矩阵S1，计算所述暂态突变量矩阵中每一个样本的马氏距离的步骤；其中，H为预设值；

当满足时，det(S2)＝det(S1)或det(S2)＝0时，将所述均值T1和协方差矩阵S1作为暂态突变量矩阵总体分布期望T和方差S的可靠估计值；

根据所述可靠估计值，从所述样本中检测出异常暂态突向量样本，获得与所述异常暂态突向量样本对应的历史录波数据的异常相位。

在一较佳实施例中，所述构建模块32还用于：

对同一异常相位的录波数据的三相电压和三相电流，按异常相位优先的顺序获得故障点前后n个周波的数据作为输入信号，将所述输入信号进行小波分解，构建特征值矩阵；其中，n为预设值；

按异常相位优先的顺序，取出故障点前后n个周波的该相的电流电压数据作为聚类分析的输入样本集；

对所述输入样本集进行聚类分析，建立故障原因与所述特征值矩阵对应的关联模型，得到所述故障原因聚类模型。

在一较佳实施例中，所述构建模块32还用于：

选取每层小波分解系数的能量均值、能量方差和能量熵作为特征指标，根据下式进行特征值矩阵的构建：

${\mathrm{WEE}}_j=-\underset{k}{\Σ}\frac{E_{jk}}{E_j}\log \left(\frac{E_{jk}}{E_j}\right)$

${\mathrm{EXP}}_j=\frac{E_j}{length\left(j\right)}$

${\mathrm{VAR}}_j=\frac{\underset{k}{\Σ}{(E_{jk}-{\mathrm{EXP}}_j)}^2}{length\left(j\right)-1}$

WEE_j为每层小波信号的能量熵；为每层小波信号中第j尺度k时刻的信号能量，为每层小波信号的信号总能量；

EXP_j为每层小波信号的能量均值；VAR_j为每层小波信号的能量方差；

length(j)为第j层小波系数的个数。

在一较佳实施例中，所述建立模块33还用于：

从所述历史录波数据中选择k个样本c₁,c₂,...,c_k作为簇的中心；

依据将每个样本c_l分到中心为c_i的簇C_i中；·

$d(c_l,c_i)=\underset{j}{\min }d(c_l,c_j)$

其中，d(c_l,c_i)为样本c_l与c_i的欧式距离；

将簇C_i中的每个样本按分到各个簇中，若有任何一个簇C_i满足N_i＜N_threshold时，则舍去簇C_i；其中，N_i是簇C_i的样本数，N_threshold为一个类中最小样本数阈值；

更新各个簇中心、每个簇中的各个样本离开中心的距离，以及所有样本离开其簇中心的平均距离；

对所述簇进行***操作、合并操作及迭代停止判断操作，输出故障原因聚类模型FaultJudgeSet＝{＜C_i,conf_j＞|i∈1..K,j∈1..M}；其中，C_i表示簇i，conf_j为属于簇i类别为j故障原因的置信度，K为簇数，M为簇中故障原因的类别数。

上述基于历史录波数据的电网故障判断方法和***，利用大量历史录波数据及相关的故障事后诊断数据，通过异常序列监测、特征向量提取、聚类分析等步骤挖掘特征向量与故障原因之间隐含的关联关系；本发明克服了传统基于模型方法的建模复杂、先验参数确定的困难，可有效长期存储录波数据，对其中的信息进行抽样与挖掘，形成故障原因与录波特征的关联模式，以达到利用录波数据对电网故障的原因进行实时诊断的目的。本发明便于辅助电力专业人员快速判定故障异常相位及故障原因，以便及时采取对应的保护措施，具有重要的实用价值。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。

Claims (8)

1.一种基于历史录波数据的电网故障判断方法，其特征在于，包括如下步骤：

根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位；

根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵，根据所述特征值矩阵获得聚类分析的输入样本集；

根据所述输入样本集进行聚类分析，建立故障原因聚类模型；其中，所述故障原因聚类模型中包括多个簇，每个簇包括中心向量及其对应的故障原因；

提取实时录波数据的特征向量，计算所述特征向量与每个簇的中心向量的欧氏距离，将欧氏距离最小的簇对应的故障原因记录为所述实时录波数据的故障原因；

所述根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位的步骤包括：

从所述历史录波数据中提取电流信号，利用下式计算所述电流信号的三相暂态突向量及暂态突变量矩阵：

${\mathrm{\ΔS}}_{In}=\left\{S(T_f+f_d\×k)\right|k\∈\[-\frac{f_s}{f_d},m*\frac{f_s}{f_d}\]\}$

其中，ΔS_In为所述三相暂态突向量，包括a相暂态突向量ΔS_Ia、b相暂态突向量ΔS_Ib和c相暂态突向量ΔS_Ic；

所述暂态突变量矩阵为 $DeltaC=\left[\begin{array}{c}{\mathrm{\ΔS}}_{Ia}\left(1\right)\\ {\mathrm{\ΔS}}_{Ib}\left(1\right)\\ {\mathrm{\ΔS}}_{Ic}\left(1\right)\\ ...\\ {\mathrm{\ΔS}}_{Ic}\left(N\right)\end{array}\right],$ S为所述电流信号，T_f为所述历史录波数据中的故障发生时刻，f_d为电流信号的信号频率，f_s为电流信号的数据采样频率，m为预设的在故障发生时间之后所观察的周波个数；

从所述暂态突变量矩阵中抽取预设个数的样本，计算所述样本的均值T1和协方差矩阵S1；

根据所述样本的均值T1和协方差矩阵S1，利用下式计算所述暂态突变量矩阵中每一个样本的马氏距离：

$\begin{array}{c}{d}_j=\sqrt{({\mathrm{DeltaC}}_j-T_1)S_1^{-1}{({\mathrm{DeltaC}}_j-T_1)}^T}\\ (j=1,2,...,N)\end{array};$

其中，d_j为所述马氏距离；

从所有样本中，选取马氏距离最小的H个样本计算其均值T2和协方差矩阵S2，当不满足det(S2)＝det(S1)或det(S2)＝0时，将所述均值T1和协方差矩阵S1更新为均值T2和协方差矩阵S2，则转至所述根据样本的均值T1和协方差矩阵S1，计算所述暂态突变量矩阵中每一个样本的马氏距离的步骤；其中，H为预设值；

当满足det(S2)＝det(S1)或det(S2)＝0时，将所述均值T1和协方差矩阵S1作为暂态突变量矩阵总体分布期望T和方差S的可靠估计值；

根据所述可靠估计值，从所述样本中检测出异常暂态突向量样本，获得与所述异常暂态突向量样本对应的历史录波数据的异常相位。

2.根据权利要求1所述的基于历史录波数据的电网故障判断方法，其特征在于，所述根据所述输入样本集进行聚类分析，建立故障原因聚类模型的步骤包括：

对同一异常相位的录波数据的三相电压和三相电流，按异常相位优先的顺序获得故障点前后n个周波的历史录波数据作为输入信号，将所述输入信号进行小波分解，构建特征值矩阵；其中，n为预设值；

按预设的异常相位优先的顺序，取出故障点前后n个周波的该相的电流电压数据作为聚类分析的输入样本集；

对所述输入样本集进行聚类分析，建立故障原因与所述特征值矩阵对应的关联模型，得到所述故障原因聚类模型。

3.根据权利要求2所述的基于历史录波数据的电网故障判断方法，其特征在于，所述根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵的步骤包括：

选取每层小波分解系数的能量均值、能量方差和能量熵作为特征指标，根据下式进行特征值矩阵的构建：

${\mathrm{WEE}}_j=-\underset{k}{\Σ}\frac{E_{jk}}{E_j}log\left(\frac{E_{jk}}{E_j}\right)$

${\mathrm{EXP}}_j=\frac{E_j}{length\left(j\right)}$

${\mathrm{VAR}}_j=\frac{\underset{k}{\Σ}{(E_{jk}-{\mathrm{EXP}}_j)}^2}{length\left(j\right)-1}$

其中，WEE_j为每层小波信号的能量熵；为每层小波信号中第j尺度k时刻的信号能量，为每层小波信号的信号总能量；

EXP_j为每层小波信号的能量均值；VAR_j为每层小波信号的能量方差；

length(j)为第j层小波系数的个数。

4.根据权利要求3所述的基于历史录波数据的电网故障判断方法，其特征在于，所述根据所述输入样本集进行聚类分析，建立故障原因聚类模型的步骤还包括：

从所述历史录波数据中选择k个样本c₁,c₂,...,c_k作为簇的中心；

依据将每个样本c_l分到中心为c_i的簇C_i中；·

$d(c_l,c_i)=\underset{j}{\min }d(c_l,c_j)$

其中，d(c_l,c_i)为样本c_l与c_i的欧式距离；

将簇C_i中的每个样本按分到各个簇中，若有任何一个簇C_i满足N_i＜N_threshold时，则舍去簇C_i；其中，N_i是簇C_i的样本数，N_threshold为一个类中最小样本数阈值；

更新各个簇中心、每个簇中的各个样本离开中心的距离，以及所有样本离开其簇中心的平均距离；

对所述簇进行***操作、合并操作及迭代停止判断操作，输出故障原因聚类模型FaultJudgeSet＝{＜C_i,conf_j＞|i∈1..K,j∈1..M}；其中，C_i表示簇i，conf_j为属于簇i类别为j故障原因的置信度，K为簇数，M为簇中故障原因的类别数。

5.一种基于历史录波数据的电网故障判断***，其特征在于，包括：

检测模块，用于根据预设的历史录波数据构造暂态突变量矩阵，从所述暂态突变量矩阵中检测出所述历史录波数据的异常相位；

构建模块，用于根据所述历史录波数据的异常相位，对所述历史录波数据利用小波变换构建特征值矩阵，根据所述特征值矩阵获得聚类分析的输入样本集；

建立模块，用于根据所述输入样本集进行聚类分析，建立故障原因聚类模型；其中，所述故障原因聚类模型中包括多个簇，每个簇包括中心向量及其对应的故障原因；

记录模块，用于提取实时录波数据的特征向量，计算所述特征向量与每个簇的中心向量的欧氏距离，将欧氏距离最小的簇对应的故障原因记录为所述实时录波数据的故障原因；

所述检测模块还用于：

从所述历史录波数据中提取电流信号，利用下式计算所述电流信号的三相暂态突向量及暂态突变量矩阵：

${\mathrm{\ΔS}}_{In}=\left\{S(T_f+f_d\×k)\right|k\∈\[-\frac{f_s}{f_d},m*\frac{f_s}{f_d}\]\}$

其中，ΔS_In为所述三相暂态突向量，包括a相暂态突向量ΔS_Ia、b相暂态突向量ΔS_Ib和c相暂态突向量ΔS_Ic；

所述暂态突变量矩阵为 $DeltaC=\left[\begin{array}{c}{\mathrm{\ΔS}}_{Ia}\left(1\right)\\ {\mathrm{\ΔS}}_{Ib}\left(1\right)\\ {\mathrm{\ΔS}}_{Ic}\left(1\right)\\ ...\\ {\mathrm{\ΔS}}_{Ic}\left(N\right)\end{array}\right],$ S为所述电流信号，T_f为所述历史录波数据中的故障发生时刻，f_d为电流信号的信号频率，f_s为电流信号的数据采样频率，m为预设的在故障发生时间之后所观察的周波个数；

从所述暂态突变量矩阵中抽取预设个数的样本，计算所述样本的均值T1和协方差矩阵S1；

根据所述样本的均值T1和协方差矩阵S1，利用下式计算所述暂态突变量矩阵中每一个样本的马氏距离：

$\begin{array}{c}{d}_j=\sqrt{({\mathrm{DeltaC}}_j-T_1)S_1^{-1}{({\mathrm{DeltaC}}_j-T_1)}^T}\\ (j=1,2,...,N)\end{array};$

其中，d_j为所述马氏距离；

从所有样本中，选取马氏距离最小的H个样本计算其均值T2和协方差矩阵S2，当不满足det(S2)＝det(S1)或det(S2)＝0时，将所述均值T1和协方差矩阵S1更新为均值T2和协方差矩阵S2，则转至所述根据样本的均值T1和协方差矩阵S1，计算所述暂态突变量矩阵中每一个样本的马氏距离的步骤；其中，H为预设值；

当满足det(S2)＝det(S1)或det(S2)＝0时，将所述均值T1和协方差矩阵S1作为暂态突变量矩阵总体分布期望T和方差S的可靠估计值；

根据所述可靠估计值，从所述样本中检测出异常暂态突向量样本，获得与所述异常暂态突向量样本对应的历史录波数据的异常相位。

6.根据权利要求5所述的基于历史录波数据的电网故障判断***，其特征在于，所述构建模块还用于：

对同一异常相位的录波数据的三相电压和三相电流，按异常相位优先的顺序获得故障点前后n个周波的历史录波数据作为输入信号，将所述输入信号进行小波分解，构建特征值矩阵；其中，n为预设值；

按预设的异常相位优先的顺序，取出故障点前后n个周波的该相的电流电压数据作为聚类分析的输入样本集；

对所述输入样本集进行聚类分析，建立故障原因与所述特征值矩阵对应的关联模型，得到所述故障原因聚类模型。

7.根据权利要求6所述的基于历史录波数据的电网故障判断***，其特征在于，所述构建模块还用于：

选取每层小波分解系数的能量均值、能量方差和能量熵作为特征指标，根据下式进行特征值矩阵的构建：

${\mathrm{WEE}}_j=-\underset{k}{\Σ}\frac{E_{jk}}{E_j}log\left(\frac{E_{jk}}{E_j}\right)$

${\mathrm{EXP}}_j=\frac{E_j}{length\left(j\right)}$

${\mathrm{VAR}}_j=\frac{\underset{k}{\Σ}{(E_{jk}-{\mathrm{EXP}}_j)}^2}{length\left(j\right)-1}$

WEE_j为每层小波信号的能量熵；为每层小波信号中第j尺度k时刻的信号能量，为每层小波信号的信号总能量；

EXP_j为每层小波信号的能量均值；VAR_j为每层小波信号的能量方差；

length(j)为第j层小波系数的个数。

8.根据权利要求7所述的基于历史录波数据的电网故障判断***，其特征在于，所述建立模块还用于：

从所述历史录波数据中选择k个样本c₁,c₂,...,c_k作为簇的中心；

依据将每个样本c_l分到中心为c_i的簇C_i中；·

$d(c_l,c_i)=\underset{j}{\min }d(c_l,c_j)$

其中，d(c_l,c_i)为样本c_l与c_i的欧式距离；

将簇C_i中的每个样本按分到各个簇中，若有任何一个簇C_i满足N_i＜N_threshold时，则舍去簇C_i；其中，N_i是簇C_i的样本数，N_threshold为一个类中最小样本数阈值；

更新各个簇中心、每个簇中的各个样本离开中心的距离，以及所有样本离开其簇中心的平均距离；

对所述簇进行***操作、合并操作及迭代停止判断操作，输出故障原因聚类模型FaultJudgeSet＝{＜C_i,conf_j＞|i∈1..K,j∈1..M}；其中，C_i表示簇i，conf_j为属于簇i类别为j故障原因的置信度，K为簇数，M为簇中故障原因的类别数。