CN116990633A - 一种基于多特征量的故障研判方法 - Google Patents
一种基于多特征量的故障研判方法 Download PDFInfo
- Publication number
- CN116990633A CN116990633A CN202310757582.7A CN202310757582A CN116990633A CN 116990633 A CN116990633 A CN 116990633A CN 202310757582 A CN202310757582 A CN 202310757582A CN 116990633 A CN116990633 A CN 116990633A
- Authority
- CN
- China
- Prior art keywords
- fault
- real
- sample
- feature
- historical
- 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
- 238000000034 method Methods 0.000 title claims abstract description 59
- 238000012545 processing Methods 0.000 claims abstract description 45
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 19
- 238000012544 monitoring process Methods 0.000 claims abstract description 5
- 239000011159 matrix material Substances 0.000 claims description 39
- 230000008569 process Effects 0.000 claims description 16
- 238000003745 diagnosis Methods 0.000 claims description 14
- 239000013598 vector Substances 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 11
- 230000009466 transformation Effects 0.000 claims description 10
- 238000010606 normalization Methods 0.000 claims description 7
- 238000012850 discrimination method Methods 0.000 claims description 6
- 238000011160 research Methods 0.000 abstract description 15
- 238000010801 machine learning Methods 0.000 description 8
- 238000004088 simulation Methods 0.000 description 8
- 238000004364 calculation method Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 230000001186 cumulative effect Effects 0.000 description 5
- 238000002474 experimental method Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 4
- 238000000513 principal component analysis Methods 0.000 description 4
- 238000012795 verification Methods 0.000 description 4
- 230000003247 decreasing effect Effects 0.000 description 3
- 230000007935 neutral effect Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 238000012216 screening Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 230000001052 transient effect Effects 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012512 characterization method Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000007417 hierarchical cluster analysis Methods 0.000 description 1
- 238000003384 imaging method Methods 0.000 description 1
- 238000002955 isolation Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000011418 maintenance treatment Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 238000011282 treatment Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了一种基于多特征量的故障研判方法，属于配电网技术领域，包括：S1、采集历史故障特征量，构建历史特征样本并进行标准化处理；S2、基于模糊隶属匹配算法对历史特征样本进行分类，得到历史特征样本类型，同时得到对应的隶属匹配中心；S3、实时监测配电网零序电压值，若超过预设的阀值，启动无整定保护方案；S4、采集实时故障特征量，构建实时特征样本；S5、对实时特征样本进行标准化处理，计算实时特征样本到隶属匹配中心的距离；S6、确定实时特征样本数据的类型，将该实时特征样本归入对应类型的历史数据中，执行S3。本方案通过特征样本到隶属匹配中心的距离确定特征样本的类型，实现配电网的故障研判，提高了故障研判的准确率。
Description
技术领域
本发明属于配电网技术领域，尤其是一种基于多特征量的故障研判方法。
背景技术
在电力***中，配电网架空线路易发生接地故障，其中单相短路接地故障就占到了所有故障类型的80％以上，现有故障判据对弧光与高阻接地故障误判率仍较高，导致***长时间带接地故障运行，严重威胁配电网运行安全；因此，当单相接地故障发生后，如何在配电网运行工况变化的情况下，面对多样化的故障条件，迅速、准确的识别故障电气信息，是故障隔离、排除以及负荷转供的先决条件，对实现电网自愈控制具有重大意义。
中国专利，公开号：CN111965475A，公开日：2020年11月20日，公开了一种基于零序电流分布特性的配电网综合故障研判方法，通过针对零序电流分布特征分析，对小电流接地***故障特性进行研究；根据健全线路与故障线路的零序电流分布特征差异，构造故障区段辨识判据；基于层次聚类算法对配电网故障区段进行辨识；本发明的故障研判方法基于零序基频分量，采样要求低、抗噪能力强，提高了区段辨识方法的适应性；使用多周期故障数据，放大区段两端零序电流幅值的差异，抗干扰能力强，提高了区段辨识方法的可靠性；对故障数据进行层次聚类分析，定义距离比值筛选故障线路，简单、直观，提高了区段辨识方法的准确性；此方案存在以下问题：零序电流分布特性受电路的负载变化、电网拓扑结构和***参数等因素的影响具有局限性，导致配电网故障研判的准确性低，使用层次聚类算法对配电网故障区段进行辨识，会受到参数选择和数据预处理的影响，导致聚类结果的不准确性，故障区段辨识准确率低。
发明内容
本发明的目的是解决现有技术中配电网故障研判方法准确率低的问题，提供一种基于多特征量的故障研判方法，通过模糊隶属匹配算法实现对历史特征样本的分类，得到历史特征样本类型及其对应的隶属匹配中心，通过距离判别法计算实时特征样本分别与非故障类隶属匹配中心和故障类隶属匹配中心的距离，通过实时特征样本到非故障类隶属匹配中心与故障类隶属匹配中心的距离的大小关系，确定特征样本的类型，实现配电网的故障研判，通过实时监测零序电压值与预设阈值比较确认保护状态，可以显著提高故障研判的准确率。
为了实现上述目的，本发明采用以下技术方案：
一种基于多特征量的故障研判方法，其特征在于，包括如下步骤：
S1、采集被保护线路在不同运行工况下的历史故障特征量，基于所述历史故障特征量构建历史特征样本，对所述历史特征样本进行标准化处理；
S2、基于模糊隶属匹配算法对标准化处理后的历史特征样本进行分类，得到历史特征样本类型，及其对应的隶属匹配中心；
S3、从被保护馈线中采集实时故障特征量，基于所述实时故障特征量构建实时特征样本；
S4、对实时特征样本进行标准化处理，通过距离判别法得到实时特征样本分别与非故障类隶属匹配中心和故障类隶属匹配中心的距离d1g、d2g；
S5、基于d1g、d2g的比较结果判断实时特征样本数据的类型，将当前实时特征样本归入对应类型的历史数据中；
S6、实时监测配电网零序电压值，若配电网零序电压小于预设的阀值，执行S3；若配电网零序电压大于预设的阀值，启动无整定保护方案。
本方案中，通过历史故障特征量构建历史特征样本并进行标准化处理，利用模糊隶属匹配算法实现对历史特征样本的分类，采集实时故障特征量构建实时特征样本，通过距离判别法计算实时特征样本到隶属匹配中心的距离，再通过得到的距离结果判断实时特征样本的类型，基于配电网实时零序电压值确定保护方案，能够减少故障对***的影响，提高故障研判的准确性。
优选的，所述S1包括如下步骤：
S11、采集原始数据并建立原始数据矩阵，对所述原始数据矩阵进行同趋化变换；
S12、对经同趋化变换后的原始数据矩阵进行标准化处理，得到标准化矩阵；
S13、基于所述标准化矩阵建立相关系数矩阵，基于所述相关系数矩阵计算累计方差贡献率；S14、基于所述累计方差贡献率确定优选的历史特征样本的数据，得到优选的历史特征样本。
本方案中，通过对原始数据进行同趋变换可以消除原始数据中的噪声和干扰，使后续处理更加准确可靠；通过标准化处理可以将不同的特征量的值范围统一到相同的尺度上，消除了不同特征量之间的量纲差异，使得数据具有可比性；基于标准化矩阵建立相关系数矩阵，可以衡量不同特征量之间的相关性；通过基于相关系数矩阵计算累计方差贡献率，可以评估每个特征量对总方差的贡献程度，这样可以实现特征选择和降维，减少了数据维度，简化了后续处理过程，提高了计算效率。
优选的，所述S2包括如下步骤：
S21、基于配电网运行情况，设定历史特征样本类型及其对应的隶属匹配中心；
S22、基于模糊隶属匹配算法，计算每个历史特征样本与隶属匹配中心之间的隶属度；
S23、基于每个历史特征样本的隶属度，确定历史特征样本的类型，记录对应的隶属匹配中心。
本方案中，通过计算隶属度可以评估历史特征样本与每个类型的匹配程度；通过基于历史特征样本的隶属度确定样本的类型，并记录对应的隶属匹配中心，可以为后续的故障研判提供重要的参考信息，这样可以实现对历史特征样本的分类和标记，便于建立故障判别模型和进行故障识别，提高故障研判的准确性和可靠性。
优选的，所述模糊隶属匹配算法通过平衡迭代方程式实现，所述平衡迭代方程式包括：
其中，pi为隶属中心，uik表示隶属匹配样本xk从属于第i种隶属匹配类型的隶属度，m为加权指数；
1≤i≤c，1≤k≤n，其中，c为隶属匹配分析的目标类别数量，||·||为表征待测样本与隶属匹配中心之间空间距离的矩阵范数。
本方案中，采用平衡迭代方程式实现的模糊隶属匹配算法，处理多个特征量的数据，可以提高故障研判的准确性。
优选的，所述历史特征样本类型包括故障类和非故障类，所述隶属匹配中心包括故障类隶属匹配中心和非故障类隶属匹配中心。
优选的，所述S4包括如下步骤：
S41、对实时特征样本进行标准化处理，确保各个特征的数据范围一致；
S42、将实时特征样本表示为一个特征向量，将非故障类隶属匹配中心和故障类隶属匹配中心分别表示为两个特征向量；
S43、通过欧式距离公式计算实时特征样本与非故障类隶属匹配中心的距离和实时特征样本与故障类隶属匹配中心的距离d1g、d2g。
本方案中，通过标准化处理可以使得特征向量在计算距离和相似度时更加准确和可靠；通过将样本和匹配中心表示为特征向量，可以简化问题的处理和计算，并提高算法的效率；通过欧式距离公式计算实时特征样本与类隶属匹配中心的距离，可以量化实时特征样本与两种隶属匹配中心之间的差异程度。
优选的，所述欧式距离公式为：其中，dig表示实时特征样本xgj到隶属匹配中心pgj的距离。
本方案中，使用欧式距离公式对实时特征样本到隶属匹配中心的距离进行计算，简单且直观。
优选的，所述S5包括如下步骤：
S51、若d1g<d2g，则实时特征样本数据为非故障类，被保护馈线未发生故障，将该实时特征样本归入非故障类历史数据中；
S52、若d1g>d2g，则实时特征样本数据为故障类，被保护馈线发生故障，将该实时特征样本归入故障类历史数据中。
本方案中，通过判断d1g和d2g的大小关系判断实时特征样本类型，可以提高准确性、减少误报、能够实现故障定位和及时处理，在故障研判过程中进行合理的分类判断，帮助提高***的可靠性和故障处理的效率。
优选的，所述S6包括如下步骤：
S61、实时采集配电网各个节点的电压数据，包括故障发生时刻的实时数据；
S62、基于所述电压数据计算电压平均值作为零序电压；
S63、判断所述零序电压与预设阈值的大小关系，若零序电压大于预设的阈值，执行S64；若零序电压小于预设的阈值，执行S3；
S64、基于所述电压数据通过故障定位法进行故障定位；
S65、发送报警并处置故障，执行S3。
本方案中，通过实时电压数据计算零序电压，通过判断零序电压与预设阈值的大小关系，确定是否进行故障定位及故障处置，能够提供准确的故障信息并及时采取措施进行维修处理，提高配电网的运行效率和可靠性。
优选的，所述标准化处理包括如下步骤：
对于每个特征量，计算器所有样本的平均值，并将平均值减去每个样本的特征值，使得特征量的均值为零；
计算每个特征量的标准差，并将每个样本的特征值除以其标准差，使得特征量的方差为一。
本方案中，通过将每个样本的特征值减去该特征量的平均值，使得特征量的均值为零，可以消除特征量的偏移影响，突出特征值的相对差异；通过将每个样本的特征值除以该特征量的标准差，使得特征量的方差为一，可以使得不同特征量具有相似的重要性，避免一些特征量数值范围较大对分析结果产生影响。
本发明的有益效果：通过历史故障特征量构建历史特征样本并进行标准化处理，利用模糊隶属匹配算法实现对历史特征样本的分类，采集实时故障特征量构建实时特征样本，通过距离判别法计算实时特征样本到隶属匹配中心的距离，再通过得到的距离结果判断实时特征样本的类型，基于配电网实时零序电压值确定保护方案，能够减少故障对***的影响，提高故障研判的准确性；通过判断实时特征样本到非故障类隶属匹配中心与故障类隶属匹配中心的大小关系判断实时特征样本类型，可以提高准确性、减少误报、能够实现故障定位和及时处理，在配电网故障研判过程中进行合理的分类判断，帮助提高***的可靠性和故障处理的效率。
上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
图1为本发明一种基于多特征量的故障研判方法的流程图；
图2为本发明历史特征样本集构成示意图；
图3为本发明待测样本集二维故障特征空间分布图；
图4为本发明待测样本集三维故障特征空间分布图；
图5为本发明一种基于多特征量的故障研判方法的仿真模型图；
图6为本发明二维可视化各故障特征量的主成分贡献图；
图7为本发明待测样本集在高维故障特征空间中的分布图；
图8为本发明多种接地方式下故障特征量在800Ω以下的验证实验结果；
图9为本发明多种接地方式下故障特征量在800Ω以上与弧光接地故障验证实验结果。
具体实施方式
通过阅读参照以下附图所作的对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤；所述处理可以对应于方法、函数、规程、子例程、子程序等等。
实施例：
如图1所示，一种基于多特征量的故障研判方法，包括如下步骤：
S1、采集被保护线路在不同运行工况下的历史故障特征量，基于历史故障特征量构建历史特征样本，对历史特征样本进行标准化处理。
具体地，S1包括如下步骤：
S11、采集原始数据并建立原始数据矩阵，对原始数据矩阵进行同趋化变换；
S12、对经同趋化变换后的原始数据矩阵进行标准化处理，得到标准化矩阵；
S13、基于标准化矩阵建立相关系数矩阵，基于相关系数矩阵计算累计方差贡献率；
S14、基于累计方差贡献率确定优选的历史特征样本的数据，得到优选的历史特征样本。
本实施例中，通过对原始数据进行同趋变换可以消除原始数据中的噪声和干扰，使后续处理更加准确可靠；通过标准化处理可以将不同的特征量的值范围统一到相同的尺度上，消除了不同特征量之间的量纲差异，使得数据具有可比性；基于标准化矩阵建立相关系数矩阵，可以衡量不同特征量之间的相关性；通过基于相关系数矩阵计算累计方差贡献率，可以评估每个特征量对总方差的贡献程度，这样可以实现特征选择和降维，减少了数据维度，简化了后续处理过程，提高了计算效率。
具体地，设有n个样本，每个样本有p个原始故障特征量，对这些原始数据进行***评测和数据采集，得到原始数据矩阵X＝(xij)n×p＝[X1,X2,…,Xp]，其中，xij为第i个方案关于第j个指标的值。
具体地，对原始故障特征量进行主成分分析，主成分分析实际上就是p个原始变量转化为讨论p个变量的线性组合问题，得到多个故障特征主成分y1,y2,…,ym(m≤p)，各故障特征主成分需尽可能地保留原始故障特征量中的主要信息量，充分反映故障特征样本集但各故障特征主成分之间彼此相互独立；主成分分析基本做法就是对X作正交变换，以寻求原变量的线性组合Y：
该式需要满足以下条件：每个主成分的系数平方和为1，即：
主成分之间互不关联，且第i主成分yi的特征值λi即为该主成分的方差，即：
主成分的方差依次递减，各自的重要程度也依次递减，即：
var(Y1)≥var(Y2)≥…≥var(Yp)
以上条件可以判断各个主成分在实际问题中所占的重要性比例，第一主成分最大，随后依次减少；为了简化问题以进行下一步分析，通常挑选几个方差最大的主成分，剩下的忽略不计。
具体地，对原始数据矩阵X中的元素进行同趋化变换，使各元素的变化趋势尽量同步，为消除量纲的影响并规范化评价指标的量测值域，对原始数据矩阵X中向量进行标准化处理其中/>得到标准化矩阵Z：
在标准化矩阵的基础上建立相关系数矩阵R＝(rij)p×p，用来表示矩阵内各元素之间的相互关系程度，其表达式为：
cov(zi,zj)为指标zi与zj的协方差；解相关系数矩阵R的特征方程R-λIp|＝0，得p个特征值λ1≥λ2≥…≥λp≥0，其中λi＝var(Yi)，于是可以求得主成分的方差贡献率为：
方差贡献率wi反映了第i个主成分所包含的原始变量信息的百分比，由此可见，第一主成分方差贡献率最大，第二主成分次之，逐次递减；累计方差贡献率如下表示为：
为达到降维简化分析问题的目的，若前m个主成分的积累方差贡献率ρ≥75％，则可以保留的前m个主成分作为包含有大多数历史样本数据的新变量，其中各个原始评价指标对其的贡献程度都不一样，通过对前几大主成分进行分析以特征向量表示前m个主成分与原评价指标之间的相关性系数，其值越大，则表示相关性越强，该评价指标对于主成分的贡献程度越大，表明它能够更好的描述数据信息，达到优选的目的，得到故障研判优选特征样本库。
具体地，如图2所示为历史特征样本集构成示意图：定义每种情况下的多个故障特征信息为一个历史特征样本，设第k种运行条件下的s个故障特征量构建的样本表示为：x'k＝(x'k1,...,x'kj,...,x'ks)T，式中：x'k1，x'kj，x'ks分别为第k种运行条件下提取的s个故障特征量的具体值。
S2、基于模糊隶属匹配算法对标准化处理后的历史特征样本进行分类，得到历史特征样本类型，及其对应的隶属匹配中心。
具体地，S2包括如下步骤：
S21、基于配电网运行情况，设定历史特征样本类型及其对应的隶属匹配中心；
S22、基于模糊隶属匹配算法，计算每个历史特征样本与隶属匹配中心之间的隶属度；
S23、基于每个历史特征样本的隶属度，确定历史特征样本的类型，记录对应的隶属匹配中心。
本实施例中，通过计算隶属度可以评估历史特征样本与每个类型的匹配程度；通过基于历史特征样本的隶属度确定样本的类型，并记录对应的隶属匹配中心，可以为后续的故障研判提供重要的参考信息，这样可以实现对历史特征样本的分类和标记，便于建立故障判别模型和进行故障识别，提高故障研判的准确性和可靠性。
具体地，在进行故障特征相似度模糊隶属匹配时，任一待测样本xk均能够表示为多维坐标空间中一个确定的坐标点；根据待测样本中所包含故障特征量的数目建立高维故障特征空间，不同样本点之间所占据的空间位置越接近，其本质特性的相似程度越高；待测样本中的s种故障特征量与该特征空间中的s条坐标轴有一一对应的关系。
具体地，高维故障特征空间的建立实现了待测样本之间相似程度的具象化，如图3所示，展示了当s＝2特征空间中待测样本的分布情况，即待测样本集二维故障特征空间分布；如图4所示，展示了当s＝3特征空间中待测样本的分布情况，即待测样本集三维故障特征空间分布。
具体地，对优选后的特征量样本库进行相似度隶属匹配分析，通过优化目标函数，借由平衡迭代方程式实现各待测样本x1,…,xn的动态匹配，将样本被划分为故障类与非故障类：具体地，目标函数为：其中，pi为隶属中心；uik∈[0,1]表示隶属匹配样本xk从属于第i种隶属匹配类型的隶属度，满足/>m为加权指数，取m＝2。
具体地，平衡迭代方程式包括：
平衡迭代方程式1：
平衡迭代方程式2：
其中，c为隶属匹配分析的目标类别数量；||·||为表征待测样本与隶属匹配中心之间空间距离的矩阵范数。
具体地，平衡迭代方程可以描述为：首先，随机选取两个数组隶属匹配中心pi的坐标值，将pi代入平衡迭代方程式2中求取隶属度uik，将求得的隶属度uik代入式平衡迭代方程式1中对隶属中心pi进行修正，当时，迭代过程终止，ε为迭代停止阈值，可取ε＝1.0e-6。
本实施例中，采用平衡迭代方程式实现的模糊隶属匹配算法，处理多个特征量的数据，可以提高故障研判的准确性。
具体地，历史特征样本类型包括故障类和非故障类，隶属匹配中心包括故障类隶属匹配中心和非故障类隶属匹配中心。
S3、从被保护馈线中采集实时故障特征量，基于实时故障特征量构建实时特征样本。
S4、对实时特征样本进行标准化处理，通过距离判别法得到实时特征样本分别与非故障类隶属匹配中心和故障类隶属匹配中心的距离d1g、d2g。
具体地，S4包括如下步骤：
S41、对实时特征样本进行标准化处理，确保各个特征的数据范围一致；
S42、将实时特征样本表示为一个特征向量，将非故障类隶属匹配中心和故障类隶属匹配中心分别表示为两个特征向量；
S43、通过欧式距离公式计算实时特征样本与非故障类隶属匹配中心的距离和实时特征样本与故障类隶属匹配中心的距离d1g、d2g。
本实施例中，通过标准化处理可以使得特征向量在计算距离和相似度时更加准确和可靠；通过将样本和匹配中心表示为特征向量，可以简化问题的处理和计算，并提高算法的效率；通过欧式距离公式计算实时特征样本与隶属匹配中心的距离，可以量化实时特征样本与两种隶属匹配中心之间的差异程度。
具体地，欧式距离公式为：其中，dig表示实时特征样本xgj到隶属匹配中心pgj的距离。
本实施例中，使用欧式距离公式对实时特征样本到隶属匹配中心的距离进行计算，简单且直观。
S5、基于d1g、d2g的比较结果判断实时特征样本数据的类型，将当前实时特征样本归入对应类型的历史数据中。
具体地，S5包括如下步骤：
S51、若d1g<d2g，则实时特征样本数据为非故障类，被保护馈线未发生故障，将该实时特征样本归入非故障类历史数据中；
S52、若d1g>d2g，则实时特征样本数据为故障类，被保护馈线发生故障，将该实时特征样本归入故障类历史数据中。
本实施例中，通过判断d1g和d2g的大小关系判断实时特征样本类型，可以提高准确性、减少误报、能够实现故障定位和及时处理，在故障研判过程中进行合理的分类判断，帮助提高***的可靠性和故障处理的效率。
S6、实时监测配电网零序电压值，若配电网零序电压大于预设的阀值，启动无整定保护方案；若配电网零序电压小于预设的阀值，执行S3。
具体地，为进一步提高故障选线方案的性能，选择配电网中零序电压值为保护方案的触发条件，取U0set＝10％E，E为***相电压值，当配电零序电压值满足保护方案触发条件时，启动无整定保护方案进行保护判断。
优选的，S6包括如下步骤：
S61、实时采集配电网各个节点的电压数据，包括故障发生时刻的实时数据；
S62、基于电压数据计算电压平均值作为零序电压；
S63、判断零序电压与预设阈值的大小关系，若零序电压大于预设的阈值，执行S64；若零序电压小于预设的阈值，执行S3；
S64、基于电压数据通过故障定位法进行故障定位；
S65、发送报警并处置故障，执行S3。
本实施例中，通过实时电压数据计算零序电压，通过判断零序电压与预设阈值的大小关系，确定是否进行故障定位及故障处置，能够提供准确的故障信息并及时采取措施进行维修处理，提高配电网的运行效率和可靠性。
具体地，本实施例中采用阻抗分布法结合机器学习法来进行配电网的故障定位，阻抗分布法的原理是：基于故障前和故障后不同阻抗对故障进行定位；机器学习法的原理是基于现代计算机技术和数据处理技术，通过建立专家***或人工智能模型训练对故障进行诊断和定位；阻抗学习法进行故障定位具有以下优点：定位准确度高，对外来干扰敏感度较低；机器学习法进行故障定位具有以下优点：能更好地处理大量和复杂数据，实现自动化实时定位。
具体地，使用阻抗分布法结合机器学习法进行故障定位包括如下步骤：
特征提取：提取实时电压数据的特征数据；
数据标注：对历史故障特征样本进行标注，即标注每个历史故障特征样本标注的故障位置；建立机器学习模型：将提取的特征数据作为输入，将历史故障特征的故障位置作为输出，进行模型训练，建立机器学习模型；
故障定位：基于实时电压数据计算配电网各个节点的阻抗值，基于阻抗分布得到初步的故障位置估计，然后将估计结果作为输入，通过机器学习模型进行进一步的故障定位预测；
故障定位评估：根据实际的故障位置与机器学习模型预测的故障位置进行比较，评估模型的准确性和性能，并根据需要进行模型的优化和调整。
具体地，由于各种故障特征量在量纲上存在差异，因此，需要对各故障样本进行标准化处理，标准化处理包括如下步骤：
对于每个特征量，计算器所有样本的平均值，并将平均值减去每个样本的特征值，使得特征量的均值为零；
计算每个特征量的标准差，并将每个样本的特征值除以其标准差，使得特征量的方差为一。
具体地，标准化处理计算方式如下：
式中xkj为标准化处理后的样本数据；为第j种故障特征量的样本均值；S(x'j)为第j种故障特征量的样本标准差；标准化处理之后，历史特征样本集表示为Xn×s＝{x1,...,xk,...,xn}。
本实施例中，通过将每个样本的特征值减去该特征量的平均值，使得特征量的均值为零，可以消除特征量的偏移影响，突出特征值的相对差异；通过将每个样本的特征值除以该特征量的标准差，使得特征量的方差为一，可以使得不同特征量具有相似的重要性，避免一些特征量数值范围较大对分析结果产生影响。
具体地，本实施例采用EMTP电磁暂态仿真软件对典型35kV配电网进行仿真分析，仿真模型图如图5所示；本实施例仿真模型选取与母线相连的4条馈线、3条架空线路、1条电缆线路实现，测量点设置在馈线4的入口处，提取故障特征量，线路的具体参数如表1所示：
表1.线路参数
通过改变故障电阻Rf，故障电流初相角θ以及故障位置Xf，提取馈线4的历史特征样本；仿真取得大量数据，考察当单相接地故障分别发生在线路3(外部故障)与线路4(内部故障)，安装在线路4出口处的保护装置的动作情况，历史特征样本列于表2和表3：
表2.中性点不接地***历史稳态特征样本集
表3.中性点不接地***历史暂态特征样本集
*Xf表示故障点与母线间的距离
在馈线接地保护中，以多源故障信息为指标对保护装置采集的历史数据进行分类，由于各种故障特征量的量纲、单位和数值大小各异，因此，为了获得更好的隶属匹配结果，需对原始数据进行规格化预处理，处理后的得到的隶属匹配样本数据如表4所示；
表4.规格化预处理后的隶属匹配样本数据
并将样本集规格化预处理数据进行主成分分析运算，得到各个主成分特征值、贡献率以及它们的累积贡献率；由表可知，第一主成分和第二主成分的累积贡献率就高达86％，满足包含了大多数原始数据信息的要求，可以只取前两个主成分进行分析；
表5.故障特征量的主成分特征值分布
| 故障特征主成分 | 特征值λi | 贡献率ωi | 累积贡献率ρi |
| y1 | 5.5162 | 0.5516 | 0.5516 |
| y2 | 3.0848 | 0.3085 | 0.8601 |
| y3 | 0.6867 | 0.0687 | 0.9288 |
| y4 | 0.3459 | 0.0346 | 0.9634 |
| y5 | 0.2214 | 0.0221 | 0.9855 |
| y6 | 0.1056 | 0.0106 | 0.9961 |
| y7 | 0.0279 | 0.0028 | 0.9989 |
| y8 | 0.0068 | 0.0007 | 0.9996 |
| y9 | 0.0027 | 0.0003 | 0.9999 |
| y10 | 0.0006 | 0.0001 | ≈1 |
如图6所示为二维可视化各故障特征量的主成分贡献图，选择具有较大贡献程度的最为较优的故障特征量，组成新的故障测试样本集分别为xk1，xk3，xk5，xk6和xk7。
将表4中规格化处理后样本数据，根据目标函数计算隶属矩阵，将其与预设阈值进行反复比较，将最终得到的各样本的隶属度数据列入表6中；
表6.样本隶属度
根据上表中的隶属度值可发现，经规范化预处理后的历史样本X1～X8被划分到了非故障类，而X9～X16被划分为故障类，与仿真情况一致；由此可见，通过对各样本类别隶属度的计算确实可有效、准确的将多源故障特征量样本进行归类处理；
表7.历史样本数据的隶属中心坐标
计算得到非故障类隶属中心p1与故障类隶属中心p2，如表7所示；如图7所示，隶属匹配中心在故障特征空间中的位置有效表征了故障类历史特征样本与非故障类历史特征样本的空间分布情况；
表8.中性点不接地***部分实时特征样本
表9.仿真结果
由表9所示，采用欧式空间距离作为故障保护判据，在实时特征样本的采集过程受到干扰因素影响的情况下，仍能准确识别故障样本，从而实现故障研判。
如图8所示为多种方式下故障特征量在800Ω以下的验证实验结果，如图9所示为多种接地方式下故障特征量在800Ω以上与弧光接地故障验证实验结果，通过图8、图9可以看出，本实施例所提出的故障研判方法综合了多故障特征量在不同故障场景下的优势，相比基于单一故障特征量的故障研判方法具有更高的准确度和适应性；减少“优选故障特征量”个数使故障研判正确率略微下降，而增加“非优选故障特征量”个数对故障研判正确率几乎没有影响，体现了“多故障特征量优选”在针对不同故障场景筛选适用故障特征量时的作用。
本实施例的有益效果：通过历史故障特征量构建历史特征样本并进行标准化处理，利用模糊隶属匹配算法实现对历史特征样本的分类，采集实时故障特征量构建实时特征样本，通过距离判别法计算实时特征样本到隶属匹配中心的距离，再通过得到的距离结果判断实时特征样本的类型，基于配电网实时零序电压值确定保护方案，能够减少故障对***的影响，提高故障研判的准确性；通过判断实时特征样本到非故障类隶属匹配中心与故障类隶属匹配中心的大小关系判断实时特征样本类型，可以提高准确性、减少误报、能够实现故障定位和及时处理，在配电网故障研判过程中进行合理的分类判断，帮助提高***的可靠性和故障处理的效率。
以上所述之具体实施方式为本发明一种基于多特征量的故障研判方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。
Claims (10)
1.一种基于多特征量的故障研判方法，其特征在于，包括如下步骤：
S1、采集被保护线路在不同运行工况下的历史故障特征量，基于所述历史故障特征量构建历史特征样本，对所述历史特征样本进行标准化处理；
S2、基于模糊隶属匹配算法对标准化处理后的历史特征样本进行分类，得到历史特征样本类型，及其对应的隶属匹配中心；
S3、从被保护馈线中采集实时故障特征量，基于所述实时故障特征量构建实时特征样本；
S4、对实时特征样本进行标准化处理，通过距离判别法得到实时特征样本分别与非故障类隶属匹配中心和故障类隶属匹配中心的距离d1g、d2g；
S5、基于d1g、d2g的比较结果判断实时特征样本数据的类型，将当前实时特征样本归入对应类型的历史数据中；
S6、实时监测配电网零序电压值，若配电网零序电压小于预设的阀值，执行S3；若配电网零序电压大于预设的阀值，启动无整定保护方案。
2.根据权利要求1所述的一种基于多特征量的故障研判方法，其特征在于，所述S1包括如下步骤：
S11、采集原始数据并建立原始数据矩阵，对所述原始数据矩阵进行同趋化变换；
S12、对经同趋化变换后的原始数据矩阵进行标准化处理，得到标准化矩阵；
S13、基于所述标准化矩阵建立相关系数矩阵，基于所述相关系数矩阵计算累计方差贡献率；
S14、基于所述累计方差贡献率确定优选的历史特征样本的数据，得到优选的历史特征样本。
3.根据权利要求1所述的一种基于多特征量的故障研判方法，其特征在于，所述S2包括如下步骤：
S21、基于配电网运行情况，设定历史特征样本类型及其对应的隶属匹配中心；
S22、基于模糊隶属匹配算法，计算每个历史特征样本与隶属匹配中心之间的隶属度；
S23、基于每个历史特征样本的隶属度，确定历史特征样本的类型，记录对应的隶属匹配中心。
4.根据权利要求1或3所述的一种基于多特征量的故障研判方法，其特征在于，所述模糊隶属匹配算法通过平衡迭代方程式实现，所述平衡迭代方程式包括：
其中，pi为隶属中心，uik表示隶属匹配样本xk从属于第i种隶属匹配类型的隶属度，m为加权指数；/>其中，c为隶属匹配分析的目标类别数量，||·||为表征待测样本与隶属匹配中心之间空间距离的矩阵范数。
5.根据权利要求1或3所述的一种基于多特征量的故障研判方法，其特征在于，所述历史特征样本类型包括故障类和非故障类，所述隶属匹配中心包括故障类隶属匹配中心和非故障类隶属匹配中心。
6.根据权利要求1所述的一种基于多特征量的故障研判方法，其特征在于，所述S4包括如下步骤：
S41、对实时特征样本进行标准化处理，确保各个特征的数据范围一致；
S42、将实时特征样本表示为一个特征向量，将非故障类隶属匹配中心和故障类隶属匹配中心分别表示为两个特征向量；
S43、通过欧式距离公式计算实时特征样本与非故障类隶属匹配中心的距离d1g和实时特征样本与故障类隶属匹配中心的距离d2g。
7.根据权利要求6所述的一种基于多特征量的故障研判方法，其特征在于，所述欧式距离公式为：其中，dig表示实时特征样本xgj到非故障类隶属匹配中心pgj的距离。
8.根据权利要求1所述的一种基于多特征量的故障研判方法，其特征在于，所述S5包括如下步骤：
S51、若d1g<d2g，则实时特征样本数据为非故障类，被保护馈线未发生故障，将该实时特征样本归入非故障类历史数据中；
S62、若d1g>d2g，则实时特征样本数据为故障类，被保护馈线发生故障，将该实时特征样本归入故障类历史数据中。
9.根据权利要求1所述的一种基于多特征量的故障研判方法，其特征在于，所述S6包括如下步骤：
S61、实时采集配电网各个节点的电压数据，包括故障发生时刻的实时数据；
S62、基于所述电压数据计算电压平均值作为零序电压；
S63、判断所述零序电压与预设阈值的大小关系，若零序电压大于预设的阈值，执行S64；若零序电压小于预设的阈值，执行S3；
S64、基于所述电压数据通过故障定位法进行故障定位；
S65、发送报警并处置故障，执行S3。
10.根据权利要求1或2或6所述的一种基于多特征量的故障研判方法，其特征在于，所述标准化处理包括如下步骤：
对于每个特征量，计算器所有样本的平均值，并将平均值减去每个样本的特征值，使得特征量的均值为0；
计算每个特征量的标准差，并将每个样本的特征值除以其标准差，使得特征量的方差为1。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757582.7A CN116990633A (zh) | 2023-06-25 | 2023-06-25 | 一种基于多特征量的故障研判方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310757582.7A CN116990633A (zh) | 2023-06-25 | 2023-06-25 | 一种基于多特征量的故障研判方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116990633A true CN116990633A (zh) | 2023-11-03 |
Family
ID=88530997
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310757582.7A Pending CN116990633A (zh) | 2023-06-25 | 2023-06-25 | 一种基于多特征量的故障研判方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116990633A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117791597A (zh) * | 2024-02-23 | 2024-03-29 | 广东电网有限责任公司广州供电局 | 基于机器学习的配电网故障自愈方法和*** |
-
2023
- 2023-06-25 CN CN202310757582.7A patent/CN116990633A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117791597A (zh) * | 2024-02-23 | 2024-03-29 | 广东电网有限责任公司广州供电局 | 基于机器学习的配电网故障自愈方法和*** |
| CN117791597B (zh) * | 2024-02-23 | 2024-05-28 | 广东电网有限责任公司广州供电局 | 基于机器学习的配电网故障自愈方法和*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
| CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
| CN107505133B (zh) | 基于自适应mrvm的滚动轴承故障概率性智能诊断方法 | |
| CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
| CN105759201B (zh) | 基于异常样本识别的高压断路器自诊断方法 | |
| CN111596167A (zh) | 基于模糊c均值聚类算法的故障区段定位方法及装置 | |
| CN109389325B (zh) | 基于小波神经网络的变电站电子式互感器状态评估方法 | |
| CN109409425B (zh) | 一种基于近邻成分分析的故障类型识别方法 | |
| CN112200694B (zh) | 基于图神经网络的主导失稳模式识别模型构建及应用方法 | |
| CN111382809B (zh) | 一种基于电机输出功率的隔离开关机械故障诊断方法 | |
| CN116990633A (zh) | 一种基于多特征量的故障研判方法 | |
| CN112964959A (zh) | 一种基于相关系数测度判据的配电网接地故障选线方法 | |
| CN109710661A (zh) | 基于遗传模拟退火算法对高压加热器状态分析的方法 | |
| CN110569876A (zh) | 非侵入式负荷识别方法、装置及计算设备 | |
| CN111273125A (zh) | 基于rst-cnn的电力电缆沟道故障诊断方法 | |
| CN110927527A (zh) | 基于暂态能量双通道及信息融合的瞬时性故障感知方法 | |
| CN111582406A (zh) | 一种电力设备状态监测数据聚类方法和*** | |
| CN114062850B (zh) | 一种双阈值电网早期故障检测方法 | |
| CN112684295A (zh) | 一种基于相似离度的高渗透率下配电网故障选线方法及*** | |
| CN113125903A (zh) | 线损异常检测方法、装置、设备及计算机可读存储介质 | |
| CN112801135B (zh) | 一种基于特征量相关性的发电厂厂用电***故障选线方法及设备 | |
| CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及*** | |
| CN111507374A (zh) | 一种基于随机矩阵理论的电网海量数据异常检测方法 | |
| CN109389313B (zh) | 一种基于加权近邻决策的故障分类诊断方法 | |
| CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力***暂态稳定评估方法 |
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 |