CN117290788B - 一种基于改进小波变换算法的配电网故障辨识方法及*** - Google Patents
一种基于改进小波变换算法的配电网故障辨识方法及*** Download PDFInfo
- Publication number
- CN117290788B CN117290788B CN202311586339.XA CN202311586339A CN117290788B CN 117290788 B CN117290788 B CN 117290788B CN 202311586339 A CN202311586339 A CN 202311586339A CN 117290788 B CN117290788 B CN 117290788B
- Authority
- CN
- China
- Prior art keywords
- sample entropy
- component
- target
- decomposition
- detail
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 71
- 238000004422 calculation algorithm Methods 0.000 title claims abstract description 32
- 230000009466 transformation Effects 0.000 title claims abstract description 26
- 239000013598 vector Substances 0.000 claims abstract description 44
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000000354 decomposition reaction Methods 0.000 claims description 96
- 230000008569 process Effects 0.000 claims description 20
- 238000005070 sampling Methods 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000013527 convolutional neural network Methods 0.000 claims description 7
- 238000011176 pooling Methods 0.000 claims description 5
- 230000006870 function Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000010295 mobile communication Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000006467 substitution reaction 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
- G01R31/50—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
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
- G06F18/24133—Distances to prototypes
- G06F18/24143—Distances to neighbourhood prototypes, e.g. restricted Coulomb energy networks [RCEN]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Probability & Statistics with Applications (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于改进小波变换算法的配电网故障辨识方法及***,方法包括:对零序电压信号进行次分解,得到一目标近似分量和个细节分量;将一目标近似分量和个细节分量相加得到第一重构信号,计算第一重构信号的第一样本熵;判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值;若小于,则对一目标近似分量和个细节分量进行降采样,并将降采样后的一目标近似分量和个细节分量相加得到第二重构信号;将第二重构信号中的样本熵组合成故障特征向量,并将故障特征向量输入至预设的故障分类模型中,输出故障类型的分布概率。能够减少因光伏并网对故障时域特征的影响导致故障特征值容易混淆的问题。
Description
技术领域
本发明属于配电网故障辨识技术领域,尤其涉及一种基于改进小波变换算法的配电网故障辨识方法及***。
背景技术
在传统的配电网接地故障辨识方法中,一般采用基于电气量的分析和计算,如绝缘监测、零序电流等方法。这些方法虽然在一定程度上能够检测到接地故障,但在复杂多变的配电网***中,往往受到光伏并网不确定性、波动性等因素的影响,难以准确快速地辨识故障。此外,传统基于故障波形进行分析的方法主要依赖于信号分解,其分解层数通常依据经验确定,难以适应不同故障类型之间的差异化分解。目前,许多研究人员从时频域特征融合及机器学习等方面进行故障辨识,但随着高渗透率分布式光伏接入,故障特征提取存在一定难度,并且难以全面获取故障信息。
综上,现有技术中故障辨识存在以下技术缺陷:1)分布式光伏并网使得配电网的电压、电流等故障信号呈现非平稳特征,基于电气量分析难以对信号突变进行有效检测;2)基于信号分解的算法需要人工确定阈值及分解层数,难以对不同故障类型进行有效分解;3)基于时频域特征融合的算法在提取故障特征时往往只针对特定类型故障进行研究,难以对全体故障特征进行差异化描述。
发明内容
本发明提供一种基于改进小波变换算法的配电网故障辨识方法及***,用于解决传统故障特征提取算法难以有效提取零序电压信号非平稳特性故障特征及现有故障信号分解方法的分解尺度及阈值局限性的技术问题。
第一方面,本发明提供一种基于改进小波变换算法的配电网故障辨识方法,包括:
获取输入的零序电压信号;
根据预设的信号小波分解规则对零序电压信号进行/>次分解,得到一目标近似分量和/>个细节分量,其中,在对零序电压信号/>进行分解过程中,每次分解后均生成一近似分量和一细节分量;
将一目标近似分量和个细节分量相加得到第一重构信号,并计算第一重构信号的第一样本熵;
判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值;
若第一重构信号的第一样本熵与零序电压信号的第二样本熵的比值小于预设阈值,则对一目标近似分量和/>个细节分量进行降采样,并将降采样后的一目标近似分量和/>个细节分量相加得到第二重构信号,直至第二重构信号的第二样本熵与零序电压信号/>的目标样本熵的比值不小于预设阈值;
将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>,并将故障特征向量输入至预设的故障分类模型中,最终输出故障类型的分布概率,其中,/>为第k个目标近似分量的样本熵,/>为第k个细节分量的样本熵,/>为第k-1个细节分量的样本熵,/>为第1个细节分量的样本熵。
第二方面,本发明提供一种基于改进小波变换算法的配电网故障辨识***,包括:
获取模块,配置为获取输入的零序电压信号;
分解模块,配置为根据预设的信号小波分解规则对零序电压信号进行/>次分解,得到一目标近似分量和/>个细节分量,其中,在对零序电压信号/>进行分解过程中,每次分解后均生成一近似分量和一细节分量;
计算模块,配置为将一目标近似分量和个细节分量相加得到第一重构信号,并计算第一重构信号的第一样本熵;
判断模块,配置为判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值;
降采样模块,配置为若第一重构信号的第一样本熵与零序电压信号的第二样本熵的比值小于预设阈值,则对一目标近似分量和/>个细节分量进行降采样,并将降采样后的一目标近似分量和/>个细节分量相加得到第二重构信号,直至第二重构信号的第二样本熵与零序电压信号/>的目标样本熵的比值不小于预设阈值;
输出模块,配置为将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>,并将故障特征向量/>输入至预设的故障分类模型中,最终输出故障类型的分布概率,其中,/>为第k个目标近似分量的样本熵,/>为第k个细节分量的样本熵,/>为第k-1个细节分量的样本熵,/>为第1个细节分量的样本熵。
第三方面,提供一种电子设备,其包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行本发明任一实施例的基于改进小波变换算法的配电网故障辨识方法的步骤。
第四方面,本发明还提供一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行本发明任一实施例的基于改进小波变换算法的配电网故障辨识方法的步骤。
本申请的基于改进小波变换算法的配电网故障辨识方法及***,具体以下有益效果:
减少因光伏并网对故障时域特征的影响导致故障特征值容易混淆的问题,并优化样本熵的取值范围,使得各故障样本特征向量之间能够有效进行区分,联合卷积神经网络的故障辨识模型能够提高故障辨识准确率。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明一实施例提供的一种基于改进小波变换算法的配电网故障辨识方法的流程图;
图2为本发明一实施例提供一个具体实施例的故障特征向量规范化处理示意图;
图3为本发明一实施例提供的一具体实施例的基于卷积神经网络的故障辨识示意图;
图4为本发明一实施例提供的一种基于改进小波变换算法的配电网故障辨识***的结构框图;
图5是本发明一实施例提供的电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作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。
请参阅图1,其示出了本申请的一种基于改进小波变换算法的配电网故障辨识方法的流程图。
如图1所示,基于改进小波变换算法的配电网故障辨识方法具体包括以下步骤:
步骤S101,获取输入的零序电压信号。
步骤S102,根据预设的信号小波分解规则对零序电压信号进行/>次分解,得到一目标近似分量和/>个细节分量,其中,在对零序电压信号/>进行分解过程中,每次分解后均生成一近似分量和一细节分量。
在本步骤中,依据动态采样频率与所需频率段之间的关系给出限制分解区间;依据限制分解区间各近似分量的信息熵排序并求相邻两层之间的比值,直至比值不小于目标阈值,得到最终分解层数,其中,计算最终分解层数的表达式为:,式中,/>为最终分解层数,/>为采样频率,/>为限制频率,/>为对采样频率与限制频率的比值取对数;对零序电压信号/>进行一次分解,得到第一近似分量和第一细节分量,并对第一近似分量进行二次分解,得到第二近似分量和第二细节分量,直至分解达到最终分解层数,得到一目标近似分量和/>个细节分量。
具体地,计算最小限制分解层、最大限制分解层/>之间各个分解层的近似分量的信息熵。
对于给定的近似分量数据,计算样本熵。
,
式中,为近似分量的信息熵,/>表示/>在数据集中出现的概率,/> 表示对/>出现的概率取对数,/>为近似分量;
对最大限制分解层、最小限制分解层之间各个分解层的近似分量的信息熵进行排序,计算公式为:
,
式中:表示最小限制分解层近似分量的信息熵,表示最大限制分解层近似分量的信息熵,表示对最小分解层、最大分解层之间各个分解层的近似分量信息熵进行排序,/>表示信息熵最大,表示信息熵最小。
判断所需分解层数的表达式为:
,
式中,表示第/>组比值,/>表示排序为/>的信息熵值,表示排序为/>的信息熵值,/>表示最大限制分解层数、最小限制分解层数的差值。
依次计算得到个比值。当所有/>均小于0.8,则分解层数为/>所属分解层;当连续有均大于0.8,则分解层数为/>所属分解层。
需要说明的是,对零序电压信号进行/>次分解的表达式为:
,
式中,为待处理的数据,/>为不同尺度和位置的小波基函数,/>为零序电压信号。
步骤S103,将一目标近似分量和个细节分量相加得到第一重构信号,并计算第一重构信号的第一样本熵。
在本步骤中,在将一目标近似分量和个细节分量相加得到第一重构信号之后,计算第一重构信号的第一样本熵,具体为:
给定窗口长度m,构造出一组m维矢量:,其中,为第i点开始的若干个长度为m的向量的集合,/>为第i点开始的长度为m的向量,为第i+1点开始的长度为m的向量,/>为第i+m-1点开始的长度为m的向量,,/>为总维数;
遍历所有的和/>的距离/>,其中,式中a表示/>和/>中第a个位置元素,/>为/>和/>相同位置元素的最大差值,且,得到/>种组合;
将小于/>的数量与/>为任意值时的总数量的比值记为,并根据/>小于/>的数量与/>为任意值时的总数量的/>计算/>,计算/>的表达式为:
,
式中,为两个序列在相似容限阈值/>下匹配m个点的概率,/>为总的矢量个数,/>为相似容限阈值;
将维数加1,变为m+1维矢量,并根据更新后的小于/>的数量与为任意值时的总数量的比值计算/>;
根据和/>计算第一重构信号的样本熵,其中,计算第一重构信号的样本熵的表达式为:
,
式中,为长度为m,相似容限阈值为/>时的样本熵。
步骤S104,判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值。
在本步骤中,判断的目的在于确定是否还需要继续分解。当比值大于等于阈值时,认为可以由重构信号表示原零序电压信号,且不需要继续分解。否则需要继续分解。若第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值不小于预设阈值,则确定分解层数,并将第一重构信号中一目标近似分量的样本熵和/>个细节分量的样本熵组合成故障特征向量/>。实现了自适应完成分解,无需人工参与设定分解层数,提高信号分解有效性。
步骤S105,若第一重构信号的第一样本熵与零序电压信号的第二样本熵的比值小于预设阈值,则对一目标近似分量和/>个细节分量进行降采样,并将降采样后的一目标近似分量和/>个细节分量相加得到第二重构信号,直至第二重构信号的第二样本熵与零序电压信号/>的目标样本熵的比值不小于预设阈值。
步骤S106,将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>,并将故障特征向量输入至预设的故障分类模型中,最终输出故障类型的分布概率。
在本步骤中,在将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>之后,其中,/>为第k个目标近似分量的样本熵,/>为第k个细节分量的样本熵,/>为第k-1个细节分量的样本熵,/>为第1个细节分量的样本熵。如图2所示,对所有接地特征向量的维度取最大值,当故障特征向量/>的维度小于最大特征向量维度时,在故障特征向量/>中进行补0,直到等于最大特征向量维度。
将规划化后的故障特征向量输入卷积神经网络,经过卷积层和池化层处理后,输入全连接层进行分类,最终输出故障类型的分布概率。卷积神经网络的结构如图3所示,采用单个卷积层、池化层和全连接层来处理数据,卷积层的作用是提取故障特征矩阵的特征;池化层用于降低数据维度,减少计算量;全连接层用于故障分类辨识。其中,卷积神经网络参数如表1所示。
。
综上,本申请的方法,基于改进小波变换的信号分解算法能够依据故障信号动态采样频率最终自适应确定分解层数,在提高分解效率及故障特征表达效率的同时避免因分解层数过高出现过拟合的现象,将最后一层近似系数和各层细节系数的样本熵构造为特征向量极大差异化了各类接地故障的特征表现,减少因光伏并网对故障时域特征的影响导致故障特征值容易混淆的问题,并优化样本熵的取值范围,使得各故障样本特征向量之间能够有效进行区分,联合卷积神经网络的故障辨识模型能够提高故障辨识准确率。
请参阅图4,其示出了本申请的一种基于改进小波变换算法的配电网故障辨识***的结构框图。
如图4所示,配电网故障辨识***200,包括获取模块210、分解模块220、计算模块230、判断模块240、降采样模块250以及输出模块260。
其中,获取模块210,配置为获取输入的零序电压信号;分解模块220,配置为根据预设的信号小波分解规则对零序电压信号/>进行/>次分解,得到一目标近似分量和个细节分量,其中,在对零序电压信号/>进行分解过程中,每次分解后均生成一近似分量和一细节分量;计算模块230,配置为将一目标近似分量和/>个细节分量相加得到第一重构信号,并计算第一重构信号的第一样本熵;判断模块240,配置为判断第一重构信号的第一样本熵与零序电压信号/>的目标样本熵的比值是否小于预设阈值;降采样模块250,配置为若第一重构信号的第一样本熵与零序电压信号/>的第二样本熵的比值小于预设阈值,则对一目标近似分量和/>个细节分量进行降采样,并将降采样后的一目标近似分量和/>个细节分量相加得到第二重构信号,直至第二重构信号的第二样本熵与零序电压信号/>的目标样本熵的比值不小于预设阈值;输出模块260,配置为将第二重构信号中一目标近似分量的样本熵和/>个细节分量的样本熵组合成故障特征向量,并将故障特征向量输入至预设的故障分类模型中,最终输出故障类型的分布概率,其中,/>为第k个目标近似分量的样本熵,/>为第k个细节分量的样本熵,/>为第k-1个细节分量的样本熵,/>为第1个细节分量的样本熵。
应当理解,图4中记载的诸模块与参考图1中描述的方法中的各个步骤相对应。由此,上文针对方法描述的操作和特征以及相应的技术效果同样适用于图4中的诸模块,在此不再赘述。
在另一些实施例中,本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,所述程序指令被处理器执行时,使所述处理器执行上述任意方法实施例中的基于改进小波变换算法的配电网故障辨识方法;
作为一种实施方式,本发明的计算机可读存储介质存储有计算机可执行指令,计算机可执行指令设置为:
获取输入的零序电压信号;
根据预设的信号小波分解规则对零序电压信号进行/>次分解,得到一目标近似分量和/>个细节分量,其中,在对零序电压信号/>进行分解过程中,每次分解后均生成一近似分量和一细节分量;
将一目标近似分量和个细节分量相加得到第一重构信号,并计算第一重构信号的第一样本熵;
判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值;
若第一重构信号的第一样本熵与零序电压信号的第二样本熵的比值小于预设阈值,则对一目标近似分量和/>个细节分量进行降采样,并将降采样后的一目标近似分量和/>个细节分量相加得到第二重构信号,直至第二重构信号的第二样本熵与零序电压信号/>的目标样本熵的比值不小于预设阈值;
将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>,并将故障特征向量输入至预设的故障分类模型中,最终输出故障类型的分布概率,其中,/>为第k个目标近似分量的样本熵,/>为第k个细节分量的样本熵,/>为第k-1个细节分量的样本熵,/>为第1个细节分量的样本熵。
计算机可读存储介质可以包括存储程序区和存储数据区,其中,存储程序区可存储操作***、至少一个功能所需要的应用程序;存储数据区可存储根据基于改进小波变换算法的配电网故障辨识***的使用所创建的数据等。此外,计算机可读存储介质可以包括高速随机存取存储器,还可以包括存储器,例如至少一个磁盘存储器件、闪存器件、或其他非易失性固态存储器件。在一些实施例中,计算机可读存储介质可选包括相对于处理器远程设置的存储器,这些远程存储器可以通过网络连接至基于改进小波变换算法的配电网故障辨识***。上述网络的实例包括但不限于互联网、企业内部网、局域网、移动通信网及其组合。
图5是本发明实施例提供的电子设备的结构示意图,如图5所示,该设备包括:一个处理器310以及存储器320。电子设备还可以包括:输入装置330和输出装置340。处理器310、存储器320、输入装置330和输出装置340可以通过总线或者其他方式连接,图5中以通过总线连接为例。存储器320为上述的计算机可读存储介质。处理器310通过运行存储在存储器320中的非易失性软件程序、指令以及模块,从而执行服务器的各种功能应用以及数据处理,即实现上述方法实施例基于改进小波变换算法的配电网故障辨识方法。输入装置330可接收输入的数字或字符信息,以及产生与基于改进小波变换算法的配电网故障辨识***的用户设置以及功能控制有关的键信号输入。输出装置340可包括显示屏等显示设备。
上述电子设备可执行本发明实施例所提供的方法,具备执行方法相应的功能模块和有益效果。未在本实施例中详尽描述的技术细节,可参见本发明实施例所提供的方法。
作为一种实施方式,上述电子设备应用于基于改进小波变换算法的配电网故障辨识***中,用于客户端,包括:至少一个处理器;以及,与至少一个处理器通信连接的存储器;其中,存储器存储有可被至少一个处理器执行的指令,指令被至少一个处理器执行,以使至少一个处理器能够:
获取输入的零序电压信号;
根据预设的信号小波分解规则对零序电压信号进行/>次分解,得到一目标近似分量和/>个细节分量,其中,在对零序电压信号/>进行分解过程中,每次分解后均生成一近似分量和一细节分量;
将一目标近似分量和个细节分量相加得到第一重构信号,并计算第一重构信号的第一样本熵;
判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值;
若第一重构信号的第一样本熵与零序电压信号的第二样本熵的比值小于预设阈值,则对一目标近似分量和/>个细节分量进行降采样,并将降采样后的一目标近似分量和/>个细节分量相加得到第二重构信号,直至第二重构信号的第二样本熵与零序电压信号/>的目标样本熵的比值不小于预设阈值;
将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>,并将故障特征向量输入至预设的故障分类模型中,最终输出故障类型的分布概率,其中,/>为第k个目标近似分量的样本熵,/>为第k个细节分量的样本熵,/>为第k-1个细节分量的样本熵,/>为第1个细节分量的样本熵。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种基于改进小波变换算法的配电网故障辨识方法,其特征在于,包括:
获取输入的零序电压信号;
根据预设的信号小波分解规则对零序电压信号进行/>次分解,得到一目标近似分量和/>个细节分量,其中,在对零序电压信号/>进行分解过程中,每次分解后均生成一近似分量和一细节分量,所述根据预设的信号小波分解规则对零序电压信号/>进行/>次分解,得到一目标近似分量和/>个细节分量包括:
依据动态采样频率与所需频率段之间的关系给出限制分解区间;
依据限制分解区间各近似分量的信息熵排序并求相邻两层之间的比值,直至比值不小于目标阈值,得到最终分解层数,其中,计算最终分解层数的表达式为:
,
式中,为最终分解层数,/>为采样频率,/>为限制频率,/>为对采样频率与限制频率的比值取对数;
对零序电压信号进行一次分解,得到第一近似分量和第一细节分量,并对第一近似分量进行二次分解,得到第二近似分量和第二细节分量,直至分解达到最终分解层数,得到一目标近似分量和/>个细节分量;
将一目标近似分量和个细节分量相加得到第一重构信号,并计算第一重构信号的第一样本熵;
判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值;
若第一重构信号的第一样本熵与零序电压信号的第二样本熵的比值小于预设阈值,则对一目标近似分量和/>个细节分量进行降采样,并将降采样后的一目标近似分量和/>个细节分量相加得到第二重构信号,直至第二重构信号的第二样本熵与零序电压信号/>的目标样本熵的比值不小于预设阈值;
将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>,并将故障特征向量输入至预设的故障分类模型中,最终输出故障类型的分布概率,其中,/>为第k个目标近似分量的样本熵,/>为第k个细节分量的样本熵,/>为第k-1个细节分量的样本熵,/>为第1个细节分量的样本熵。
2.根据权利要求1所述的一种基于改进小波变换算法的配电网故障辨识方法,其特征在于,其中,对零序电压信号进行/>次分解的表达式为:
,
式中,为待处理的数据,/>为不同尺度和位置的小波基函数,/>为零序电压信号。
3.根据权利要求1所述的一种基于改进小波变换算法的配电网故障辨识方法,其特征在于,所述计算第一重构信号的第一样本熵包括:
给定窗口长度m,构造出一组m维矢量:,其中,/>为第i点开始的若干个长度为m的向量的集合,/>为第i点开始的长度为m的向量,/>为第i+1点开始的长度为m的向量,/>为第i+m-1点开始的长度为m的向量,,/>为总维数;
遍历所有的和/>的距离/>,其中,式中a表示/>和/>中第a个位置元素,/>为/>和/>相同位置元素的最大差值,且/>,得到种组合;
将小于/>的数量与/>为任意值时的总数量的比值记为/>,并根据/>小于/>的数量与/>为任意值时的总数量的/>计算/>,计算的表达式为:
,
式中,为两个序列在相似容限阈值/>下匹配m个点的概率,/>为/>总的矢量个数,/>为相似容限阈值;
将维数加1,变为m+1维矢量,并根据更新后的小于/>的数量与/>为任意值时的总数量的比值计算/>;
根据和/>计算第一重构信号的样本熵,其中,计算第一重构信号的样本熵的表达式为:
,
式中,为长度为m,相似容限阈值为/>时的样本熵。
4.根据权利要求1所述的一种基于改进小波变换算法的配电网故障辨识方法,其特征在于,在判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值之后,所述方法还包括:
若第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值不小于预设阈值,则确定分解层数,并将第一重构信号中一目标近似分量的样本熵和/>个细节分量的样本熵组合成故障特征向量/>。
5.根据权利要求1所述的一种基于改进小波变换算法的配电网故障辨识方法,其特征在于,在将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>之后,所述方法还包括:
对所有接地特征向量的维度取最大值,当故障特征向量的维度小于最大特征向量维度时,在故障特征向量中进行补0,直到等于最大特征向量维度。
6.根据权利要求1所述的一种基于改进小波变换算法的配电网故障辨识方法,其特征在于,所述故障分类模型包括卷积层、池化层和全连接层;
所述将故障特征向量输入至预设的故障分类模型包括:
将故障特征向量输入卷积神经网络,经过卷积层和池化层处理后,输入全连接层进行分类,最终输出故障类型的分布概率。
7.一种基于改进小波变换算法的配电网故障辨识***,其特征在于,包括:
获取模块,配置为获取输入的零序电压信号;
分解模块,配置为根据预设的信号小波分解规则对零序电压信号进行/>次分解,得到一目标近似分量和/>个细节分量,其中,在对零序电压信号/>进行分解过程中,每次分解后均生成一近似分量和一细节分量,所述根据预设的信号小波分解规则对零序电压信号进行/>次分解,得到一目标近似分量和/>个细节分量包括:
依据动态采样频率与所需频率段之间的关系给出限制分解区间;
依据限制分解区间各近似分量的信息熵排序并求相邻两层之间的比值,直至比值不小于目标阈值,得到最终分解层数,其中,计算最终分解层数的表达式为:
,
式中,为最终分解层数,/>为采样频率,/>为限制频率,/>为对采样频率与限制频率的比值取对数;
对零序电压信号进行一次分解,得到第一近似分量和第一细节分量,并对第一近似分量进行二次分解,得到第二近似分量和第二细节分量,直至分解达到最终分解层数,得到一目标近似分量和/>个细节分量;
计算模块,配置为将一目标近似分量和个细节分量相加得到第一重构信号,并计算第一重构信号的第一样本熵;
判断模块,配置为判断第一重构信号的第一样本熵与零序电压信号的目标样本熵的比值是否小于预设阈值;
降采样模块,配置为若第一重构信号的第一样本熵与零序电压信号的第二样本熵的比值小于预设阈值,则对一目标近似分量和/>个细节分量进行降采样,并将降采样后的一目标近似分量和/>个细节分量相加得到第二重构信号,直至第二重构信号的第二样本熵与零序电压信号/>的目标样本熵的比值不小于预设阈值;
输出模块,配置为将第二重构信号中一目标近似分量的样本熵和个细节分量的样本熵组合成故障特征向量/>,并将故障特征向量输入至预设的故障分类模型中,最终输出故障类型的分布概率,其中,/>为第k个目标近似分量的样本熵,/>为第k个细节分量的样本熵,/>为第k-1个细节分量的样本熵,/>为第1个细节分量的样本熵。
8.一种电子设备,其特征在于,包括:至少一个处理器,以及与所述至少一个处理器通信连接的存储器,其中,所述存储器存储有可被所述至少一个处理器执行的指令,所述指令被所述至少一个处理器执行,以使所述至少一个处理器能够执行权利要求1至6任一项所述的方法。
9.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述程序被处理器执行时实现权利要求1至6任一项所述的方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586339.XA CN117290788B (zh) | 2023-11-27 | 2023-11-27 | 一种基于改进小波变换算法的配电网故障辨识方法及*** |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311586339.XA CN117290788B (zh) | 2023-11-27 | 2023-11-27 | 一种基于改进小波变换算法的配电网故障辨识方法及*** |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117290788A CN117290788A (zh) | 2023-12-26 |
CN117290788B true CN117290788B (zh) | 2024-02-02 |
Family
ID=89252124
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311586339.XA Active CN117290788B (zh) | 2023-11-27 | 2023-11-27 | 一种基于改进小波变换算法的配电网故障辨识方法及*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117290788B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117648570B (zh) * | 2024-01-30 | 2024-04-12 | 吉林大学 | 一种基于人工智能的心电监测与数据分析*** |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944817A (zh) * | 2012-12-10 | 2013-02-27 | 辽宁省电力有限公司沈阳供电公司 | 基于暂态信号小波变换的配电网单相接地故障定位方法及定位装置 |
CN111222429A (zh) * | 2019-12-27 | 2020-06-02 | 猫岐智能科技(上海)有限公司 | 设备故障识别*** |
CN112114232A (zh) * | 2020-09-22 | 2020-12-22 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
CN112287835A (zh) * | 2020-10-29 | 2021-01-29 | 河北工业大学 | 一种基于ewt-se及小波阈值的叶片声信号降噪方法 |
CN112634457A (zh) * | 2021-01-06 | 2021-04-09 | 广西科技大学 | 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法 |
CN112986858A (zh) * | 2021-01-26 | 2021-06-18 | 国网浙江杭州市萧山区供电有限公司 | 基于零序小波分解计算的接地故障判断方法 |
CN113960412A (zh) * | 2021-10-20 | 2022-01-21 | 南方电网科学研究院有限责任公司 | 一种配电网故障行波信号处理方法及装置 |
CN114152440A (zh) * | 2021-11-10 | 2022-03-08 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种滚动轴承故障特征提取方法 |
CN117054803A (zh) * | 2023-06-14 | 2023-11-14 | 南昌航空大学 | 一种含分布式光伏配电网接地故障辨识方法及*** |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210167584A1 (en) * | 2019-11-29 | 2021-06-03 | Electric Power Science & Research Institute Of State Grid Tianjin Electric Power Company | Gis mechanical fault diagnosis method and device |
-
2023
- 2023-11-27 CN CN202311586339.XA patent/CN117290788B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102944817A (zh) * | 2012-12-10 | 2013-02-27 | 辽宁省电力有限公司沈阳供电公司 | 基于暂态信号小波变换的配电网单相接地故障定位方法及定位装置 |
CN111222429A (zh) * | 2019-12-27 | 2020-06-02 | 猫岐智能科技(上海)有限公司 | 设备故障识别*** |
CN112114232A (zh) * | 2020-09-22 | 2020-12-22 | 福州大学 | 基于小波分解和dbn的单极接地故障测距方法 |
CN112287835A (zh) * | 2020-10-29 | 2021-01-29 | 河北工业大学 | 一种基于ewt-se及小波阈值的叶片声信号降噪方法 |
CN112634457A (zh) * | 2021-01-06 | 2021-04-09 | 广西科技大学 | 基于豪斯多夫距离和平均投影距离局部熵的点云精简方法 |
CN112986858A (zh) * | 2021-01-26 | 2021-06-18 | 国网浙江杭州市萧山区供电有限公司 | 基于零序小波分解计算的接地故障判断方法 |
CN113960412A (zh) * | 2021-10-20 | 2022-01-21 | 南方电网科学研究院有限责任公司 | 一种配电网故障行波信号处理方法及装置 |
CN114152440A (zh) * | 2021-11-10 | 2022-03-08 | 中国大唐集团科学技术研究院有限公司中南电力试验研究院 | 一种滚动轴承故障特征提取方法 |
CN117054803A (zh) * | 2023-06-14 | 2023-11-14 | 南昌航空大学 | 一种含分布式光伏配电网接地故障辨识方法及*** |
Non-Patent Citations (2)
Title |
---|
Power grid fault diagnosis method based on CNN image recognition;Xuanwen Ding 等;《ICASIT 2020: Proceedings of the 2020 International Conference on Aviation Safety and Information Technology》;第742–746页 * |
基于改进经验小波变换和改进多视角深度矩阵分解的直流配电网故障检测方案;洪翠 等;《电力自动化设备》;第8-15+29页 * |
Also Published As
Publication number | Publication date |
---|---|
CN117290788A (zh) | 2023-12-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN117290788B (zh) | 一种基于改进小波变换算法的配电网故障辨识方法及*** | |
CN111650453B (zh) | 基于加窗特征希尔伯特图像化的电力设备诊断方法及*** | |
CN108957421B (zh) | 一种基于贝塞尔曲线拟合雷达辐射源个体识别方法及*** | |
CN111426905B (zh) | 一种配电网同母线变关系异常诊断方法、装置及*** | |
CN110726898B (zh) | 一种配电网故障类型识别方法 | |
CN116679161A (zh) | 一种电网线路故障诊断方法、设备和介质 | |
CN114397569A (zh) | 基于vmd参数优化、样本熵的断路器故障电弧检测方法 | |
CN108089100A (zh) | 小电流接地***弧光电阻接地故障的检测方法 | |
Yang et al. | Fault Classification in Distribution Systems Using Deep Learning With Data Preprocessing Methods Based on Fast Dynamic Time Warping and Short-Time Fourier Transform | |
CN110264482B (zh) | 基于中智集变换矩阵因子分解的活动轮廓分割方法 | |
CN115601603B (zh) | 模型训练和用电器类别识别方法、设备及存储介质 | |
CN117054803A (zh) | 一种含分布式光伏配电网接地故障辨识方法及*** | |
CN114325072B (zh) | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 | |
CN116299219A (zh) | 一种干扰深度特征距离度量联合检测与抑制方法 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及*** | |
CN116660691A (zh) | 光伏箱式变压器故障监测方法 | |
CN110990383A (zh) | 一种基于工业大数据集的相似度计算方法 | |
CN107609395B (zh) | 一种数值融合模型构建方法及装置 | |
Wei | On feature extraction of ship radiated noise using 11/2 d spectrum and principal components analysis | |
CN115169418A (zh) | 基于改进小波阈值法的开关柜局部放电识别方法和*** | |
CN113986711A (zh) | 一种时间序列数据的峰值检测方法、装置及设备 | |
CN112863536A (zh) | 环境噪声提取方法、装置、计算机设备和存储介质 | |
Zhang et al. | Nature scene statistics approach based on ICA for no-reference image quality assessment | |
WO2019095433A1 (zh) | 一种超高效交流永磁同步电机的鲁棒性优化方法 | |
Kianpoor et al. | Home Load Disaggregation using Deep Learning and Bayesian Optimization: A Case Study in Arctic Climate in Northern Norway |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |