CN112486137A - 有源配电网故障特征库构建方法、***及故障诊断方法 - Google Patents
有源配电网故障特征库构建方法、***及故障诊断方法 Download PDFInfo
- Publication number
- CN112486137A CN112486137A CN202011150145.1A CN202011150145A CN112486137A CN 112486137 A CN112486137 A CN 112486137A CN 202011150145 A CN202011150145 A CN 202011150145A CN 112486137 A CN112486137 A CN 112486137A
- Authority
- CN
- China
- Prior art keywords
- fault
- data
- sample
- wavelet
- characteristic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000003745 diagnosis Methods 0.000 title claims abstract description 23
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 41
- 230000006870 function Effects 0.000 claims description 56
- 239000011159 matrix material Substances 0.000 claims description 46
- 230000006835 compression Effects 0.000 claims description 38
- 238000007906 compression Methods 0.000 claims description 38
- 238000012549 training Methods 0.000 claims description 19
- 238000012706 support-vector machine Methods 0.000 claims description 18
- 230000001052 transient effect Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 238000010276 construction Methods 0.000 claims description 6
- 238000003860 storage Methods 0.000 claims description 6
- 150000001875 compounds Chemical class 0.000 claims description 4
- 238000001914 filtration Methods 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 10
- 239000013598 vector Substances 0.000 description 10
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 7
- 230000009466 transformation Effects 0.000 description 6
- 238000000605 extraction Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000010219 correlation analysis Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 3
- 238000012360 testing method Methods 0.000 description 3
- 238000013519 translation Methods 0.000 description 3
- 238000012512 characterization method Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000012806 monitoring device Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000021615 conjugation Effects 0.000 description 1
- 238000013527 convolutional neural network Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007710 freezing Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000005309 stochastic process Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B23/00—Testing or monitoring of control systems or parts thereof
- G05B23/02—Electric testing or monitoring
- G05B23/0205—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults
- G05B23/0259—Electric testing or monitoring by means of a monitoring system capable of detecting and responding to faults characterized by the response to fault detection
- G05B23/0262—Confirmation of fault detection, e.g. extra checks to confirm that a failure has indeed occurred
-
- G—PHYSICS
- G05—CONTROLLING; REGULATING
- G05B—CONTROL OR REGULATING SYSTEMS IN GENERAL; FUNCTIONAL ELEMENTS OF SUCH SYSTEMS; MONITORING OR TESTING ARRANGEMENTS FOR SUCH SYSTEMS OR ELEMENTS
- G05B2219/00—Program-control systems
- G05B2219/20—Pc systems
- G05B2219/24—Pc safety
- G05B2219/24065—Real time diagnostics
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Automation & Control Theory (AREA)
- Locating Faults (AREA)
Abstract
有源配电网故障特征库构建方法、***及故障诊断方法,包括:获取历史正常录波和历史故障录波数据,作为样本数据,从样本数据中提取表征故障特性的样本特征量;基于所述样本特征量的相关性,构建有源配电网故障数据特征库;本发明通过小波基函数属性和分解层数,获取故障的特征量,并检查故障特征量之间的相关性,构建故障数据特征库,通过故障数据特征库可对所有故障进行记录并预测发生故障类型和对故障进行诊断。
Description
技术领域
本发明涉及一种故障特征库,具体涉及有源配电网故障特征库构建方法、***及故障诊断方法。
背景技术
作为电力网的末端,配电网直接与用户相连,能敏锐的反应用户对供电安全、品质方面的要求,其运行安全性、可靠性和经济性直接关系到社会生产与人们的生活。配电网一旦发生故障,就会造成社会生产的巨大损失,给人们生活带来极大的不便,据统计,电力***中80%以上的故障来源于配电网,因此高度智能化、自动化的配电网故障诊断与预测具有巨大的社会效益和经济效益。
故障信号特征量的提取是配电网故障诊断与预测的关键,然而,随着有源配电网中电气设备的电力电子化、大量分布式电源接入、潮流由单向转为双向等因素导致配电网故障特征与传统配电网存在较大差异,配电网故障呈现的弱特征和高频暂态特性愈加明显,基于传统配电网历史数据库进行故障诊断与预测的方法不再适用,而构建一套可用于有源配电网智能化故障诊断与预测的故障特征库,利用该特征库能够对有源配电网故障进行判断,然而目前没有故障特征库。
发明内容
针对配电网故障呈现的弱特征和高频暂态特性愈加明显,现有技术无法根据传统配电网历史数据库进行故障诊断与预测,本发明提供了有源配电网故障特征库构建方法,包括:
获取历史正常录波和历史故障录波数据,作为样本数据;
从样本数据中提取表征故障特性的样本特征量;
基于所述样本特征量的相关性,构建有源配电网故障数据特征库。
优选的,所述从样本数据中提取表征故障特性的样本特征量,包括:
基于预先确定的小波基函数和分解层数,在设定的尺度域上对所述历史正常录波数据和所述历史故障录波数据进行分析,提取多个故障特性的样本特征量;
其中,所述特征量包括:能量特征、方差特征和熵特征。
优选的,所述小波基函数和分解层数的确定,包括:
基于暂态信号压缩的小波基函数属性和预先选取的指标,对小波变换的函数进行筛选,获得样本数据的小波基函数;
采用计算小波分解层数的方法对所述小波基函数进行计算,确定分解层数;
其中,所述小波基函数属性包括:线性相位特性、紧支性、正规性和消失矩特性;
所述指标包括:信号压缩比指标和重构失真率指标。
优选的,所述基于暂态信号压缩的小波基函数属性和预先选取的指标,对小波变换的基函数进行筛选,获得样本数据的小波基函数,包括:
基于小波基函数属性对小波变换的基函数进行初筛;
通过样本数据压缩后存储信号的数据量和样本数据原始信号计算信号压缩比指标值;
通过样本数据的误差均方根和样本数据的原始信号均方根计算重构失真率指标值;
基于信号压缩比指标值和重构失真率指标值,选取指标值低的初筛后的小波变换的基函数。
提取表征
优选的,所述基于所述样本特征量的相关性,构建有源配电网故障数据特征库,包括:
基于每个所述样品数据和所述多个故障特性的样本特征量,构造样本特征量矩阵,并通过相关系数公式计算所述样本特征量矩阵各样本特征量间相关系数;
基于所述相关系数计算所述样本特征量矩阵中每一行间的相关系数,得到样本特征量矩阵的相关系数矩阵;
基于所述相关系数矩阵中的除对角线之外的相关系数与设定阈值,对所述样本特征量矩阵进行约减,获得有源配电网故障数据特征库。
优选的,所述基于所述相关系数矩阵中的除对角线之外的相关系数与设定阈值,对所述样本特征量矩阵进行约减,获得有源配电网故障数据特征库,包括
当相关系数大于设定阈值时,删除特征量矩阵中所述特征量行,否则,保留特征量矩阵中所述特征量行,得到获得有源配电网故障数据特征库。
优选的,所述信号压缩比,如下式所示:
式中,A为原始信号数据的个数;Ac为压缩后有效数据的个数;表示小波系数经过量化后各尺度下的小波系数及其位置参数的数据个数;Aj为压缩后各级小波系数中非零数据的个数;AJ为最后一级分解后得到的近似系数的数据个数;
所述重构失真率,如下式所示:
优选的,所述能量特征,如下式所示:
式中,E为能量特征;Ej为尺度j上的能量定义;
所述方差特征,如下式所示:
所述熵特征,如下是所示:
式中,H(p1,p2,···,pJ)为小波熵特征;pj为故障信号的能量特征。
基于同一发明构思,本发明提供了有源配电网故障特征库构建***,包括获取模块、特征量模块和构建故障数据特征库模块;
所述获取模块:获取历史正常录波和历史故障录波数据,作为样本数据;
所述特征量模块:从样本数据中提取表征故障特性的样本特征量;
所述构建故障数据特征库模块:基于所述样本特征量的相关性,构建有源配电网故障数据特征库。
基于同一发明构思,本发明提供了一种故障诊断方法,包括:
获取有源配电网的录波信息并提取录波信息中的特征量;
将所述特征量输入预先训练好的支持向量机获得关联关系;
基于所述关联关系对所述有源配电网进行故障诊断;
其中,所述支持向量机:由根据权1-9任一项所述的故障数据特征库构建的样本集进行训练得到。
优选的,所述支持向量机的训练,包括:
以故障数据特征库中故障特征作为所述支持向量机的训练样本;
以训练样本中的故障特征对所述支持向量机进行训练,得到故障特征与故障的关联关系。
优选的,所述基于所述关联关系对所述有源配电网进行故障诊断,包括:
通过所述录波信息中的特征量输入支持向量机中进行匹配确定关联关系,判断是否发生故障。
与现有技术相比,本发明的有益效果为:
1、有源配电网故障特征库构建方法,包括:获取历史正常录波和历史故障录波数据,作为样本数据,从样本数据中提取表征故障特性的样本特征量,基于所述样本特征量的相关性,构建有源配电网故障数据特征库;本发明通过小波基函数属性和分解层数,获取故障的特征量,并检查故障特征量之间的相关性,构建故障数据特征库。
2、本发明通过故障提取出故障的特征,对所有故障的特征进行相关性分析,对相同的故障特征进行约除,得到典型的故障特征库,根据故障特征库对故障进行预测和发生故障时对故障进行诊断。
3、本发明通过故障数据特征库可以进行对故障进行诊断。
附图说明
图1为本发明的有源配电网故障特征库构建方法示意图;
图2为本发明的有源配电网故障特征库构建方法流程图;
图3为本发明的录波数据三相电流原始信号示意图;
图4为本发明的Daubichies5小波压缩比和失真率与分解级数的关系图;
图5为本发明的Daubichies10小波压缩比和失真率与分解级数的关系图;
图6为本发明的bior3.1小波压缩比和失真率与分解级数的关系图;
图7为本发明的bior3.3小波压缩比和失真率与分解级数的关系图;
图8为本发明的bior3.5小波压缩比和失真率与分解级数的关系图;
图9为本发明的bior4.4小波压缩比和失真率与分解级数的关系图;
图10为本发明的故障诊断辨识率结果图。
具体实施方式
结合附图对本发明的实施例作进一步的说明。
实施例1
结合图1,本发明提供了有源配电网故障特征库构建方法,包括:
步骤一:获取历史正常录波和历史故障录波数据,作为样本数据;
步骤二:从样本数据中提取表征故障特性的样本特征量;
步骤三:基于样本特征量的相关性,构建有源配电网故障数据特征库。
其中,步骤二:从样本数据中提取表征故障特性的样本特征量,包括:
基于预先确定的小波基函数和分解层数,在设定的尺度域上对历史正常录波数据和历史故障录波数据进行分析,提取多个故障特性的样本特征量;
其中,特征量包括:能量特征、方差特征和熵特征。
小波基函数和分解层数的确定,包括:
基于暂态信号压缩的小波基函数属性和预先选取的指标,对小波变换的函数进行筛选,获得样本数据的小波基函数;
采用计算小波分解层数的方法对小波基函数进行计算,确定分解层数;
其中,小波基函数属性包括:线性相位特性、紧支性、正规性和消失矩特性;
指标包括:信号压缩比指标和重构失真率指标。
基于暂态信号压缩的小波基函数属性和预先选取的指标,对小波变换的基函数进行筛选,获得样本数据的小波基函数,包括:
基于小波基函数属性对小波变换的基函数进行初筛;
通过样本数据压缩后存储信号的数据量和样本数据原始信号计算信号压缩比指标值;
通过样本数据的误差均方根和样本数据的原始信号均方根计算重构失真率指标值;
基于信号压缩比指标值和重构失真率指标值,选取指标值低的初筛后的小波变换的基函数。
提取表征
其中,步骤三:基于样本特征量的相关性,构建有源配电网故障数据特征库,包括:
基于每个样品数据和多个故障特性的样本特征量,构造样本特征量矩阵,并通过相关系数公式计算样本特征量矩阵各样本特征量间相关系数;
基于相关系数计算样本特征量矩阵中每一行间的相关系数,得到样本特征量矩阵的相关系数矩阵;
基于相关系数矩阵中的除对角线之外的相关系数与设定阈值,对样本特征量矩阵进行约减,获得有源配电网故障数据特征库。
基于相关系数矩阵中的除对角线之外的相关系数与设定阈值,对样本特征量矩阵进行约减,获得有源配电网故障数据特征库,包括
当相关系数大于设定阈值时,删除特征量矩阵中特征量行,否则,保留特征量矩阵中特征量行,得到获得有源配电网故障数据特征库。
信号压缩比,如下式所示:
式中,A为原始信号数据的个数;Ac为压缩后有效数据的个数;表示小波系数经过量化后各尺度下的小波系数及其位置参数的数据个数;Aj为压缩后各级小波系数中非零数据的个数;AJ为最后一级分解后得到的近似系数的数据个数;
重构失真率,如下式所示:
能量特征,如下式所示:
式中,E为能量特征;Ej为尺度j上的能量定义;
方差特征,如下式所示:
熵特征,如下是所示:
式中,H(p1,p2,···,pJ)为小波熵特征;pj为故障信号的能量特征。
实施例2
为了实现上述发明目的,本发明采取如下技术方案:
有源配电网故障特征库构建方法,结合图2,包括以下步骤:
一:首先,给出连续小波的定义及其离散化方法;其次,考虑到故障暂态信号经小波变换分解后,需要准确无误地还原为原来的信号,提出针对暂态信号压缩的小波基函数属性,信号压缩比和重构失真率两个小波基函数综合性能评价指标,以及小波分解层数的选择方法,选择适用于故障录波数据处理的小波基函数及分解层数。
二:选择适用于故障录波数据处理的小波基函数及分解层数后,在尺度域上对监测装置采集到的线路故障波形信号特征进行分析,提取出能有效描述故障特性的3个特征量,分别为能量特征、方差特征和熵特征。
三:利用相关系数矩阵方法对获取的样本特征量进行相关性分析,通过对每类故障数据样本的特征量进行约减,构建典型样本的故障数据特征库。
一中,具体包括以下步骤:
1-1:对连续小波进行离散化。
设小波函数ψ(t)∈L2(R)(L2(R)表示平方可积的实数空间),经伸缩和平移后,就可以得到一个小波序列:
式中,a为伸缩因子;b为平移因子。
则对于任意的函数信号f(t)∈L2(R),其连续小波变换为如下形式:
则对于任意的函数信号f(t)∈L2(R),其离散小波变换为如下形式:
式中,Wf(j,n)称为离散小波系数。
1-2:考虑到故障暂态信号经小波变换分解后,需要准确无误地还原为原来的信号。提出针对暂态信号压缩的小波基函数属性,对小波变换的基函数进行初筛。
(1)线性相位特性:具有此特性可以降低重构信号在边缘处的失真率;
(2)紧支性:此特性表示着小波变换的复杂程度,支集越短,则小波变换的实现越快;
(3)正规性:即尽量增大小波的光滑性或者连续可微性;
(4)消失矩特性:即使尽量多的小波系数为零,或者产生尽量少的非零小波系数。
1-3:提出信号压缩比和重构失真率两个评价指标,在重构信号的质量得以保证的前提下,以信号压缩比及重构失真率越低越好为原则,对初筛后的小波基函数进行选择。
(1)信号压缩比:
式中,N为原始信号数据的个数;Ac为压缩后有效数据的个数;表示小波系数经过量化后各尺度下的小波系数及其位置参数的数据个数;Aj为压缩后各级小波系数中非零数据的个数;AJ为最后一级分解后得到的近似系数的数据个数;
(2)重构失真率:
1-4:确定分解层数。
设录波数据的采样频率为fs,根据理论分析可知,录波数据的频率范围为[0,fs/2]。设尺度系数为原始采样频率,经1次小波分解后得到的尺度空间和小波空间,它们的频率范围分别为[0,fs/4],[fs/4,fs/2]。经过n层分解后,尺度空间的频率范围为[0,fs/2n+1],各个小波空间的频率范围分别为[fs/2n+1,fs/2n],[fs/2n,fs/2n-1],…,[fs/4,fs/2]。
考虑到当电力***正常运行时,电压和电流中主要是工频分量,当发生故障后,电压电流则主要由两部分构成,一部分是工频附近的低频分量,一部分是时间域上的突变。为防止电力***正常运行时的工频被分解到小波频率空间中造成计算量的增加,得到尺度空间的最大分解频率:
fs/2n+1=工频
设故障电气量的频率中心位于工频左右,即令fs/2n+1=50Hz,则小波分解层数为:
式中,int表示取整。计算得出N=4。即当故障电气量的频率中心位于工频左右时,小波分解层数为4层时最优。
二中,具体包括以下步骤:
2-1:选择适用于故障录波数据处理的小波基函数及分解层数后,在尺度域上对监测装置采集到的线路故障波形信号特征进行分析,提取出能有效描述故障特性的3个特征量,分别为能量特征、方差特征和熵特征。提取方法如下:
(1)能量特征
将尺度j上的小波系数矢量定义为:
Wj=[wj,1,wj,2,…,wj,N]
式中,wj,n为由式(4)计算得到的尺度j上第n层的小波系数。
则各尺度的系数矢量可以构成一个矢量序列{W}:
{W}={W1,W2,…,WJ}
尺度j上的能量定义为:
则故障信号的能量特征表达如下:
pj=Ej/E
(2)方差特征
小波方差可以作为随机过程的样本方差的一个替代,它的特性是依尺度分解时间序列的样本方差,尺度j上的方差特征表达如下:
(3)熵特征
设小波各尺度的能量序列的分布为:
{P}={p1,p2,…,pJ}
则小波熵特征表达如下:
三中,具体包括以下步骤:
3-1:考虑到步骤2中的特征提取包含了所有故障数据的特征信息,冗余度较高且各样本的特征量间可能具有较强的相关性,如果直接根据现有特征量进行故障诊断及预测,不仅会存在冗余数据,而且影响故障诊断及预测效果,使精度下降。本专利利用相关系数矩阵分析方法对样本的3个特征量进行相关性分析。
首先构造特征量矩阵M:
式中,m为样本数,xm1,xm2,xm3分别代表第m个样本的3个特征量。
各样本特征量间的相关性通过计算相关系数得到:
式中,cov(xi,xj)为向量xi,xj的协方差,代表不同向量xi,xj之间的特性,样本数m越多,则得到的协方差越可靠,向量间的相关性描述刚刚充分;为向量xi的标准差,μ为样本均值,E为数学期望,一般用均值代替数学期望。
根据相关系数,计算特征量矩阵M中每一行间的相关系数,得到特征量矩阵M的相关系数矩阵P:
由于两向量间的相关性rij=rji,相关系数矩阵P为对称方阵,而且两个相同向量间的相关性为1,从而对角线元素全部为1,因此,相关系数矩阵具有对称性,分析特征量间的相关性只需要分析P的上三角矩阵即可。
设定阈值T,判断相关系数矩阵P中的元素值rij与T大小关系(对角线元素除外),若rij>T,说明特征量矩阵M中元素Xi和Xj具有较强相关性,则删除矩阵M中的第i行。
由此对每类故障数据样本的特征量进行约减,构建典型样本的故障数据特征库:
式中,n为提取出的样本特征量个数。
实施例3
为验证上述方法的效果,本发明结合图3的故障录波数据原始信号进行分析。
读取故障前2个周波和故障后10个周波共1200个数据点,进行小波变换。对故障线路A相电流信号分别用dbN小波和biorNr.Nd小波进行压缩,同时考虑计算速度方面的性能,采用bior3.1~3.5和bior4.4小波基进行实验,分析评价指标实验结果,对小波基函数及分解层数进行选择。
表1给出了六种小波基在5级分解的特征比较,结合图4、图5、图6、图7、图8和图9给出了六种小波变换下的压缩比和失真率的变化趋势。
表1
从压缩比和失真率两个特征综合来看,选择bior3.5小波基作为录波信号的压缩工具,选择信号压缩分解尺度为5。由此,对电力线路的故障录波数据进行特征提取,生成各类典型故障数据样本特征库,如表2、表3、表4和表5:
表2山火录波数据的特征库
表3外力破坏录波数据的特征库
表4凝冰录波数据的特征库
表5对树木放电录波数据的特征库
实施例4
基于同一发明构思,本发明提供了有源配电网故障特征库构建***,包括获取模块、特征量模块和构建故障数据特征库模块;
获取模块:获取历史正常录波和历史故障录波数据,作为样本数据;
特征量模块:从样本数据中提取表征故障特性的样本特征量;
构建故障数据特征库模块:基于样本特征量的相关性,构建有源配电网故障数据特征库。
基于同一发明构思,本发明提供了一种故障诊断方法,包括:
获取有源配电网的录波信息并提取录波信息中的特征量;
将特征量输入预先训练好的支持向量机获得关联关系;
基于关联关系对有源配电网进行故障诊断;
其中,支持向量机:由根据权1-9任一项的故障数据特征库构建的样本集进行训练得到。
支持向量机的训练,包括:
以故障数据特征库中故障特征作为支持向量机的训练样本;
以训练样本中的故障特征对支持向量机进行训练,得到故障特征与故障的关联关系。
基于关联关系对有源配电网进行故障诊断,包括:
通过录波信息中的特征量输入支持向量机中进行匹配确定关联关系,判断是否发生故障。
实施例5
情景1-故障诊断
将故障数据样本特征库作为训练样本集,训练样本得到用于判别故障类型的多分类SVM模型,再将故障数据样本特征库作为测试样本,输入至SVM模型中,结果结合图10,诊断结果平均辨识率高达85%。
情景2-故障预测
将故障数据样本特征库随机以7:3划分训练集和测试集,采用CNN-MSVM算法,先建立完整的卷积神经网络,再利用故障数据样本特征库进行训练得到卷积层权重参数,将卷积层输出转换为SVM输入向量,而后对SVM进行训练。预测结果结合表5所述。等级1-3分别为轻度、中度、严重故障;精确率表示被预测为某类的样本中实际为某类的比例;召回率表示实际为某类的样本中被预测正确的比例;总准确率是三类样本总体预测准确率。由表可知,基于本专利构建的故障特征库进行的故障预测总准确率为90.38%。
表5
本领域内的技术人员应明白,本申请的实施例可提供为方法、***、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上仅为本发明的实施例而已,并不用于限制本发明,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,均包含在申请待批的本发明的权利要求范围之内。
Claims (12)
1.有源配电网故障特征库构建方法,其特征在于,包括:
获取历史正常录波和历史故障录波数据,作为样本数据;
从样本数据中提取表征故障特性的样本特征量;
基于所述样本特征量的相关性,构建有源配电网故障数据特征库。
2.如权利要求1所述的方法,其特征在于,所述从样本数据中提取表征故障特性的样本特征量,包括:
基于预先确定的小波基函数和分解层数,在设定的尺度域上对所述历史正常录波数据和所述历史故障录波数据进行分析,提取多个故障特性的样本特征量;
其中,所述特征量包括:能量特征、方差特征和熵特征。
3.如权利要求2所述的方法,其特征在于,所述小波基函数和分解层数的确定,包括:
基于暂态信号压缩的小波基函数属性和预先选取的指标,对小波变换的函数进行筛选,获得样本数据的小波基函数;
采用计算小波分解层数的方法对所述小波基函数进行计算,确定分解层数;
其中,所述小波基函数属性包括:线性相位特性、紧支性、正规性和消失矩特性;
所述指标包括:信号压缩比指标和重构失真率指标。
4.如权利要求3所述的方法,其特征在于,所述基于暂态信号压缩的小波基函数属性和预先选取的指标,对小波变换的基函数进行筛选,获得样本数据的小波基函数,包括:
基于小波基函数属性对小波变换的基函数进行初筛;
通过样本数据压缩后存储信号的数据量和样本数据原始信号计算信号压缩比指标值;
通过样本数据的误差均方根和样本数据的原始信号均方根计算重构失真率指标值;
基于信号压缩比指标值和重构失真率指标值,选取指标值低的初筛后的小波变换的基函数。
5.如权利要求4所述的方法,其特征在于,所述基于所述样本特征量的相关性,构建有源配电网故障数据特征库,包括:
基于每个所述样品数据和所述多个故障特性的样本特征量,构造样本特征量矩阵,并通过相关系数公式计算所述样本特征量矩阵各样本特征量间相关系数;
基于所述相关系数计算所述样本特征量矩阵中每一行间的相关系数,得到样本特征量矩阵的相关系数矩阵;
基于所述相关系数矩阵中的除对角线之外的相关系数与设定阈值,对所述样本特征量矩阵进行约减,获得有源配电网故障数据特征库。
6.如权利要求5所述的方法,其特征在于,所述基于所述相关系数矩阵中的除对角线之外的相关系数与设定阈值,对所述样本特征量矩阵进行约减,获得有源配电网故障数据特征库,包括
当相关系数大于设定阈值时,删除特征量矩阵中所述特征量行,否则,保留特征量矩阵中所述特征量行,得到获得有源配电网故障数据特征库。
9.有源配电网故障特征库构建***,其特征在于,包括获取模块、特征量模块和构建故障数据特征库模块;
所述获取模块:获取历史正常录波和历史故障录波数据,作为样本数据;
所述特征量模块:从样本数据中提取表征故障特性的样本特征量;
所述构建故障数据特征库模块:基于所述样本特征量的相关性,构建有源配电网故障数据特征库。
10.一种故障诊断方法,其特征在于,包括:
获取有源配电网的录波信息并提取录波信息中的特征量;
将所述特征量输入预先训练好的支持向量机获得关联关系;
基于所述关联关系对所述有源配电网进行故障诊断;
其中,所述支持向量机:由根据权1-9任一项所述的故障数据特征库构建的样本集进行训练得到。
11.如权利要求10所述的方法,其特征在于,所述支持向量机的训练,包括:
以故障数据特征库中故障特征作为所述支持向量机的训练样本;
以训练样本中的故障特征对所述支持向量机进行训练,得到故障特征与故障的关联关系。
12.如权利要求11所述的方法,其特征在于,所述基于所述关联关系对所述有源配电网进行故障诊断,包括:
通过所述录波信息中的特征量输入支持向量机中进行匹配确定关联关系,判断是否发生故障。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011150145.1A CN112486137A (zh) | 2020-10-23 | 2020-10-23 | 有源配电网故障特征库构建方法、***及故障诊断方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011150145.1A CN112486137A (zh) | 2020-10-23 | 2020-10-23 | 有源配电网故障特征库构建方法、***及故障诊断方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112486137A true CN112486137A (zh) | 2021-03-12 |
Family
ID=74926959
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011150145.1A Pending CN112486137A (zh) | 2020-10-23 | 2020-10-23 | 有源配电网故障特征库构建方法、***及故障诊断方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112486137A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113076664A (zh) * | 2021-05-11 | 2021-07-06 | 广东电网有限责任公司东莞供电局 | 配电网故障波形库的构建方法、装置及存储介质 |
CN113125902A (zh) * | 2021-04-19 | 2021-07-16 | 福州大学 | 基于iewt和imdmf的直流配电***故障检测方法 |
CN113985173A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工业大学 | 基于统计特征典型相关分析的pfc故障检测方法 |
-
2020
- 2020-10-23 CN CN202011150145.1A patent/CN112486137A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113125902A (zh) * | 2021-04-19 | 2021-07-16 | 福州大学 | 基于iewt和imdmf的直流配电***故障检测方法 |
CN113125902B (zh) * | 2021-04-19 | 2022-07-22 | 福州大学 | 基于iewt和imdmf的直流配电***故障检测方法 |
CN113076664A (zh) * | 2021-05-11 | 2021-07-06 | 广东电网有限责任公司东莞供电局 | 配电网故障波形库的构建方法、装置及存储介质 |
CN113985173A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工业大学 | 基于统计特征典型相关分析的pfc故障检测方法 |
CN113985173B (zh) * | 2021-10-27 | 2024-03-15 | 哈尔滨工业大学 | 基于统计特征典型相关分析的pfc故障检测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112486137A (zh) | 有源配电网故障特征库构建方法、***及故障诊断方法 | |
CN110702418A (zh) | 航空发动机故障预测方法 | |
CN112036042B (zh) | 一种基于变分模态分解的动力设备异常检测方法及*** | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN112051480A (zh) | 基于变分模态分解的神经网络配电网故障诊断方法及*** | |
CN112085111B (zh) | 一种负荷辨识方法和装置 | |
CN110020637A (zh) | 一种基于多粒度级联森林的模拟电路间歇故障诊断方法 | |
CN114186379A (zh) | 基于回声网络和深度残差神经网络的变压器状态评估方法 | |
CN116401532B (zh) | 一种电力***受扰后频率失稳识别方法及*** | |
CN114966312A (zh) | 基于迁移卷积神经网络的配电网故障检测定位方法和*** | |
CN114462508A (zh) | 基于多模态神经网络的电力变压器健康状态评估方法 | |
CN115238759A (zh) | 基于压缩感知的电力数据压缩与电能质量扰动识别方法 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
CN117609836A (zh) | 一种综合模块的电磁敏感预测与健康管理方法 | |
CN117219124A (zh) | 一种基于深度神经网络的开关柜声纹故障检测方法 | |
Petladwala et al. | Canonical correlation based feature extraction with application to anomaly detection in electric appliances | |
CN112380763A (zh) | 一种基于数据挖掘的堆内构件可靠性分析***及方法 | |
CN116559728A (zh) | 基于小波变换-多层感知机的输电线路故障诊断方法 | |
Li et al. | Bearing fault detection via wavelet packet transform and rough set theory | |
CN116340812A (zh) | 一种变压器局部放电故障模式识别方法及*** | |
CN115902557A (zh) | 开关柜故障诊断处理方法、装置及非易失性存储介质 | |
CN115355166A (zh) | 一种基于短时傅里叶变换的空压机故障诊断方法和*** | |
CN115128402A (zh) | 一种基于数据驱动的配电网故障类型识别方法及*** | |
CN114186590A (zh) | 一种基于小波和深度学习的配电网单相接地故障识别方法 | |
Sima et al. | A framework for automatically cleansing overvoltage data measured from transmission and distribution systems |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |