CN109389325B - 基于小波神经网络的变电站电子式互感器状态评估方法 - Google Patents

Abstract

本发明公开了基于小波神经网络的变电站电子式互感器状态评估方法，基于智能变电站二次设备运行状态建模所需要的运行参数，建立电子式互感器工况监测指标体系，建立基本的电子式互感器工况监测指标体系。根据智能变电站自身的大数据特点，首先将海量参数利用信号相关性算法分析，利用相关规律予以监测，另外将相关性不明显的参数归类，并建立基于小波神经网络的电子式互感器工况在线监测方案，进行进一步分析，通过实验及仿真得到的数据分别对算法进行验证，结果表明采用信号相关性分析能够实时监测各参量间的变化关系，同时经过训练的小波神经网络算法可以较好地对辨识故障。

Description

基于小波神经网络的变电站电子式互感器状态评估方法

技术领域

本发明涉及变智能变电站电子式互感器状态评估方法，具体涉及基于小波神经网络的变电站电子式互感器状态评估方法。

背景技术

近年来，国家积极推动对智能电网的投资与建设。其中，智能变电站作为智能电网发展的基础设施和技术指标，在电网建设总投资中的占比不断扩大。同时，一批传统变电站将逐步接受智能化改造，向智能变电站靠拢。在对智能变电站的改造和新建下，对电网运行的可靠性的要求并未降低，即防止智能变电站因为通信故障或软硬件故障引起的保护拒动和误动。由于智能变电站相比与传统变电站在结构上和信息繁杂度上都大大增加，传统的变电站所采取的“定期检修”的设备检修策略不再适合，急需一种新型的在线监测、分析手段，即“运行状态评估”。

但是，目前针对电子式互感器的在线监测尚无统一的技术标准，只有IEC61850标准为组建在线监测网络提供了相关规范。而建立完善的在线监测***，首先需要规范监测目的所需的状态参数，建立电子式互感器工况监测指标体系(供电电压电流、设备指示状况等)，确定电子式互感器数据收集方案。建立可行的电子式互感器工况在线监测方案，提出检测设备需求。进一步利用运行状态数据对电子式互感器的设备预警原理研究，灵活实现设备失效预警和设备电流异常预警等功能，并提供设备正常工作情况实时监控数据。最后实现对电子互感器乃至相关配套二次设备的故障发生自动预测，改善运维效率。

发明内容

本发明所要解决的技术问题是：目前智能变电站采用传统变电站的定期检修策略，无法满足现有智能变电站实时在线监测以及分析的问题，本发明提供了解决上述问题的基于小波神经网络的变电站电子式互感器状态评估方法。

本发明通过下述技术方案实现：

基于小波神经网络的变电站电子式互感器状态评估方法，主要包括以下步骤：

S1、按照电子式互感器工况监测指标体系，按设定的时间频率评估进行采集***需要的主要量、辅助量、通信量的原始数据信号；

S2、采用信号相关性算法，在原始数据信号中选择信号对，并比较同一时间点的不同信号之间的关联性及其变化趋势，得到二者的关联情况；

S3、分析关联情况的变化，来评估电子互感器的运行状态，当相关性算法得到的相关度发生较大变化时，参数序列对所属器件有大概率发生故障，以此分析出明显故障；

S4、将步骤S3中的明显故障器件的参数序列对从基本信号剔除，再将剔除过后的源数据信号采用小波神经网络法进行分析偏差故障。

当下常用的故障诊断方法大多基于信号处理的手段，通过提取测量数据中被诊断***时域和频域中较深层次的特征向量，根据这些特征向量与***故障之间的关联来判断被诊断***的运行状况。在这种方法中，将外部特征利用之前所述的多种监测参数完整建模并描述，当故障发展到一定程度并影响到外部特征时，基于信号处理方法的诊断算法可以及时发现故障。同时***对故障范围进行粗略的判断，进一步的通过外部特征中多种监测参数的关系，直接定位故障部位。本专利通过采用信号相关性算法分析出大概率发生故障，采用小波神经网络法分析偏差故障，由于偏差故障数据相关度不高，因此，简单采用相关性算法分析无法检测到偏差故障，由于神经网络算法复杂，通过相关性算法将其原始数据进行先行处理，将其中相关度高的故障数据分出，剩下的再用神经网络算法进行运算，由此减轻了神经网络运算的工作量，使得的***分析效率更高。

进一步的，信号相关性算法步骤如下：

A1、以时间为轴，在第1个时刻到第t个时刻的时间段内各单个基本元件采集回的信号可以用下式表示：

S_n(t)＝[f_n(1),f_n(2),…f_n(t)]；

A2、采集得到的各个参量数据在一定时间内形成多个信号序列；将不同参量在t时刻形成的序列信号定义为{xi}和{yi}，按照时间排序整理为一组序列对{x1，x2，x3……}和{y1，y2，y3……}；定义相关程度为相关系数ρ_xy，其定义为

A3、定义ρ_xy的取值范围来判断两组信号之间的关系：

A4、得到的相关程度为强相关性值以及正相关性值，说明相关程度发生较大变化，说明参数序列对所属器件有大概率发生故障，以此检测出故障器件。

按照电子式互感器工况监测指标体系，评估***需要的主要量、辅助量、通信量的信号，是按一定的时间频率进行采集的。信号以时间轴为基准，呈离散分布态势。通过有策略地选择信号对，并比较同一时间点的不同信号之间的关联性，及其变化趋势，得到二者的关联情况。在实际监测过程中，通过分析关联情况的变化，来评估电子互感器的运行状态。

进一步的，小波神经网络法步骤如下：

B1、对原始信号进行多尺度小波分解，得到各层小波分解系数

X_j＝W(S),(j＝1,2...8)；

B2、对得到的小波系数进行处理，取小波系数的绝对值并对每一层的小波系数求和

B3、构造特征向量并归一化处理

T＝[E₁,E₂,E₃,E₄,E₅,E₆,E₇,E₈]，

T'＝[E₁/E,E₂/E,E₃/E,E₄/E,E₅/E,E₆/E,E₇/E,E₈/E]，

神经网络参数选择包括传输函数、输入输出层数及隐含层节点数，由于在小波分解过程中取前8个分量，因此输入层定为8；神经元的传输函数采用非对称sigmoid函数

输入层和隐含层之间的传递函数为tansig，隐含层和输出层之间的传递函数为logsig，其他参数需要根据测量得到的数据来决定，其中，隐含层节点数需满足

其中，N1为输入层节点数，N2为隐含层节点数；N3为输出层节点数；α为1～10之间的常数。

样本转化为包含很少量数据的样本，这种样本在用于神经网络训练时，可以大大提高收敛速度和成功率。同时，由于小波分析提取的频域特征向量数据中变化趋势明显，可以提供神经网络学习的特征显著，因此用于神经网络训练既可以有效地减少了样本需求量，又可以使神经网络的诊断的准确度提高。

进一步的，偏差故障包括漂移偏差故障、固定偏差故障和变比偏差故障。

本发明具有如下的优点和有益效果：

1、本发明通过采用信号相关性算法分析出大概率发生故障，采用小波神经网络法分析偏差故障，由于偏差故障数据相关度不高，因此，简单采用相关性算法分析无法检测到偏差故障，由于神经网络算法复杂，通过相关性算法将其原始数据进行先行处理，将其中相关度高的故障数据分出，剩下的再用神经网络算法进行运算，由此减轻了神经网络运算的工作量，使得的***分析效率更高；

2、本发明通过有策略地选择信号对，并比较同一时间点的不同信号之间的关联性，及其变化趋势，得到二者的关联情况；在实际监测过程中，通过分析关联情况的变化，来评估电子互感器的运行状态，当监测算法得到的相关度发生较大变化时，应注意到参数序列对所属器件有大概率发生故障；

3、本发明样本转化为包含很少量数据的样本，这种样本在用于神经网络训练时，可以大大提高收敛速度和成功率，由于小波分析提取的频域特征向量数据中变化趋势明显，可以提供神经网络学习的特征显著，因此用于神经网络训练既可以有效地减少了样本需求量，又可以使神经网络的诊断的准确度提高。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明白，下面结合实施例，对本发明作进一步的详细说明，本发明的示意性实施方式及其说明仅用于解释本发明，并不作为对本发明的限定。

实施例1

基于小波神经网络的变电站电子式互感器状态评估方法，主要包括以下步骤：

S1、按照电子式互感器工况监测指标体系，按设定的时间频率评估进行采集***需要的主要量、辅助量、通信量的原始数据信号；

S2、采用信号相关性算法，在原始数据信号中选择信号对，并比较同一时间点的不同信号之间的关联性及其变化趋势，得到二者的关联情况；

S3、分析关联情况的变化，来评估电子互感器的运行状态，当相关性算法得到的相关度发生较大变化时，参数序列对所属器件有大概率发生故障，以此分析出明显故障；

S4、将步骤S3中的明显故障器件的参数序列对从基本信号剔除，再将剔除过后的源数据信号采用小波神经网络法进行分析偏差故障。

基于智能变电站二次设备运行状态建模所需要的运行参数，建立电子式互感器工况监测指标体系，建立基本的电子式互感器工况监测指标体系。根据智能变电站自身的大数据特点，首先将海量参数利用信号相关性算法分析，利用相关规律予以监测，另外将相关性不明显的参数归类，并建立基于小波神经网络的电子式互感器工况在线监测方案，进行进一步分析，通过实验及仿真得到的数据分别对算法进行验证，结果表明采用信号相关性分析能够实时监测各参量间的变化关系，同时经过训练的小波神经网络算法可以较好地对辨识故障。

实施时，信号相关性算法步骤如下：

A1、以时间为轴，在第1个时刻到第t个时刻的时间段内各单个基本元件采集回的信号可以用下式表示：

S_n(t)＝[f_n(1),f_n(2),…f_n(t)]；

A2、采集得到的各个参量数据在一定时间内形成多个信号序列；将不同参量在t时刻形成的序列信号定义为{xi}和{yi}，按照时间排序整理为一组序列对{x1，x2，x3……}和{y1，y2，y3……}；定义相关程度为相关系数ρ_xy，其定义为

A3、定义ρ_xy的取值范围来判断两组信号之间的关系：

A4、得到的相关程度为强相关性值以及正相关性值，说明相关程度发生较大变化，说明参数序列对所属器件有大概率发生故障，以此检测出故障器件。

小波神经网络法步骤如下：

B1、对原始信号进行多尺度小波分解，得到各层小波分解系数

X_j＝W(S),(j＝1,2...8)；

B2、对得到的小波系数进行处理，取小波系数的绝对值并对每一层的小波系数求和

B3、构造特征向量并归一化处理

T＝[E₁,E₂,E₃,E₄,E₅,E₆,E₇,E₈]，

T'＝[E₁/E,E₂/E,E₃/E,E₄/E,E₅/E,E₆/E,E₇/E,E₈/E]，

神经网络参数选择包括传输函数、输入输出层数及隐含层节点数，由于在小波分解过程中取前8个分量，因此输入层定为8；神经元的传输函数采用非对称sigmoid函数

输入层和隐含层之间的传递函数为tansig，隐含层和输出层之间的传递函数为logsig，其他参数需要根据测量得到的数据来决定，其中，隐含层节点数需满足

其中，N1为输入层节点数，N2为隐含层节点数；N3为输出层节点数；α为1～10之间的常数。

为了验证信号相关性算法的正确性，在此针对电子式电压互感器的分压电容C与温度t之间的关系，采集得到随机时间点的对应数据组，并利用上文提到的相关性算法进行分析。

在不连续时间点分别采集到的电子式电压互感器数据组如下所示：

其中，电容C1与C2的比值经过计算为

C1/C2＝{0.623,0.623,0.627,0.631,0.634,0.636,0.637,0.636,0.632,0631}，与对应时间点的温度数值构成数据组t＝{25.6,25.7,22.3,24.1,23.6,21.2,26.2,25.2,21.4,26.4}，经过计算，二者的相关度为ρ_xy＝0.931。

由电路结构可知，电子式电压互感器的温度t与电容满足关系式

因此上述数据组应为相关性较高的线性关系，验证结果说明了在该运行状况下，温度参数与电容参数始终保持在正常范围之内。

在小波神经网络分析方法中，本文设计了三种电子互感器的故障分类——漂移偏差故障、固定偏差故障和变比偏差故障。

由于本算法目的是区分并识别三种不同的故障类型，因此神经网络的输出层数设置为4，令[1，0，0，0]，[0，1，0，0]，[0，0，1，0]，[0，0，0，1]为样本的训练目标向量，表征电子式互感器发生漂移偏差故障、固定偏差故障、变比偏差故障和处于正常状态。神经网络训练目标精net.trainparam.goal设置为0.001，最大训练次数net.trainparam.epochs为10000次。隐含层选择10层。得到的辨识结果如下：

该结果说明小波神经对以上三种偏差故障的辨识率皆在85％以上，可以很好地实现针对特定已分类故障的数据辨识。

以上所述的具体实施方式，对本发明的目的、技术方案和有益效果进行了进一步详细说明，所应理解的是，以上所述仅为本发明的具体实施方式而已，并不用于限定本发明的保护范围，凡在本发明的精神和原则之内，所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (4)

1.基于小波神经网络的变电站电子式互感器状态评估方法，其特征在于，主要包括以下步骤：

S1、按照电子式互感器工况监测指标体系，按设定的时间频率评估进行采集***需要的主要量、辅助量和通信量的原始数据信号；

S2、采用信号相关性算法，在原始数据信号中选择信号对，并比较同一时间点的不同信号之间的关联性及其变化趋势，得到二者的关联情况；

S3、分析关联情况的变化，来评估电子互感器的运行状态，当相关性算法得到的相关性发生较大变化时，参数序列对所属器件有大概率发生故障，以此分析出明显故障；

S4、将步骤S3中的明显故障的参数序列对从基本信号剔除，将相关性不明显的参数归类，采用小波神经网络法进行分析偏差故障。

2.根据权利要求1所述的基于小波神经网络的变电站电子式互感器状态评估方法，其特征在于，所述信号相关性算法步骤如下：

A1、以时间为轴，在第1个时刻到第t个时刻的时间段内各单个基本元件采集回的信号用下式表示：

S_n(t)＝[f_n(1),f_n(2),…f_n(t)]；

A2、采集得到的各个参量数据在一定时间内形成多个信号序列；将不同参量在t时刻形成的序列信号定义为{xi}和{yi}，按照时间排序整理为一组序列对{x1，x2，x3……}和{y1，y2，y3……}；定义相关程度为相关系数ρ_xy，其定义为

A3、定义ρ_xy的取值范围来判断两组信号之间的关系：

A4、得到的相关程度为强相关性值以及正相关性值，说明相关程度发生较大变化，说明参数序列对所属器件有大概率发生故障，以此检测出故障器件。

3.根据权利要求1所述的基于小波神经网络的变电站电子式互感器状态评估方法，其特征在于，所述小波神经网络法步骤如下：

B1、对原始信号进行多尺度小波分解，得到各层小波分解系数

X_j＝W(S),j＝1,2...8；

B2、对得到的小波系数进行处理，取小波系数的绝对值并对每一层的小波系数求和

B3、构造特征向量并归一化处理

T＝[E₁,E₂,E₃,E₄,E₅,E₆,E₇,E₈]，

T'＝[E₁/E,E₂/E,E₃/E,E₄/E,E₅/E,E₆/E,E₇/E,E₈/E]，

神经网络参数选择包括传输函数、输入输出层数及隐含层节点数，由于在小波分解过程中取前8个分量，因此输入层定为8；神经元的传输函数采用非对称sigmoid函数

输入层和隐含层之间的传递函数为tansig，隐含层和输出层之间的传递函数为logsig，其他参数需要根据测量得到的数据来决定，其中，隐含层节点数需满足

其中，N1为输入层节点数，N2为隐含层节点数；N3为输出层节点数；α为1～10之间的常数。

4.根据权利要求1所述的基于小波神经网络的变电站电子式互感器状态评估方法，其特征在于，所述偏差故障包括漂移偏差故障、固定偏差故障和变比偏差故障。