CN103675544B - 基于优化算法的电力系统故障信号检测与波形识别方法 - Google Patents

Abstract

本发明公开了一种基于优化算法的电力系统故障信号检测与波形识别方法，其方法如下：首先利用电流互感器采集电力系统信号数据，通过互感器与数据采集卡连接，由数据采集卡转换为数字信号发给上位机；然后在上位机采用优化算法估计电力系统信号的基波分量（包括振幅、频率、相位）、谐波分量（包括各谐波的振幅、频率、相位）、指数衰减的直流偏移（包括幅值、时间常数）及故障起始点，最后根据这些估计参数重构电力系统信号，优化目标为重构信号与实测信号之间的最小二乘方差误差最小。本发明能够准确估计在无故障及有故障情况下的信号参数；故障起始点的检测与故障信号波形的识别同时进行，优化算法能够在半周期长的采样窗口内完成上述两项任务。

Description

基于优化算法的电力系统故障信号检测与波形识别方法

技术领域

本发明涉及电力系统保护的技术领域，尤其是指一种基于优化算法的电力系统故障信号检测与波形识别方法。

背景技术

继电保护是指在电力系统发生故障后，通过将故障部分隔离出电力系统来保护整个系统的正常运行，要求继电保护系统在故障发生的时刻就迅速做出正确的反应，确保由故障引起的损失降至最小。电力系统故障信号表现为信号幅值突然增加，且含有谐波分量。电力系统继电保护的基本原理沿用了半个多世纪一直未有改变，几乎全部算法都基于积分变换，如傅里叶变换和小波变换。积分变换的一个主要不足在于它仅能提供信号的平均特性，它需要在一个采样窗口内进行复杂的积分计算，以得到与信号特征相关的参数，再通过一定的算法给出这些特征与系统故障之间的关系。由于积分计算相对复杂，涉及到的采样点较多，这类保护算法需要较长的计算时间，在用于实时保护或在需要处理快速瞬变和高次谐波时，需要配套具有高速计算能力的设备。另外，由于对暂态信号做了周期性假设，积分变换导致细节特征提取的准确度大大降低。对于存在时间短且微弱的瞬时信号，由于采样窗口长、幅值变形、相位偏移、积分计算等不利因素，传统的基于傅里叶变换的继电保护算法无法做到精确定位和提取。可以看出，传统继电保护算法存在不准确、反应时间长、易被噪声干扰、可靠性差等缺点，因此需要研发一种新的算法代替传统算法。

另外，故障信号通常含有指数衰减的直流分量，该分量的存在严重影响了傅里叶变换的准确度。解决这一问题的传统方法有两类，一是首先去除直流分量，再应用福利叶变换；二是识别直流分量的参数。第一类方法对滤波器的要求较高，所需计算量较大。第二类方法采用泰勒展开的前两项代替指数分量，再采用最小均方误差曲线拟合技术估计故障信号的谐波分量，其缺点在于二阶泰勒展开将引入较大误差，且曲线拟合的计算效率较低。

发明内容

本发明的目的在于克服现有技术的不足，提供一种可以在线检测与识别，且准确率高、计算效率高的基于优化算法的电力系统故障信号检测与波形识别方法。

为实现上述目的，本发明所提供的技术方案为：基于优化算法的电力系统故障信号检测与波形识别方法，包括以下步骤：

1）利用电流互感器采集现场电力系统信号数据，通过电流互感器与数据采集卡连接，并由数据采集卡转换为数字信号发送至上位机；

2）在上位机中，分别建立电力系统正常信号及故障信号模型，随机选取模型参数，并假设故障起始点，在故障起始点之前使用正常信号模型，在故障起始点之后使用故障信号模型，执行下面步骤3）；

3）步骤2）中建立的电力系统信号称为重构信号，该信号与实测信号具有较大误差，即随机选取的模型参数无法表达实测信号，采用优化算法对模型参数进行优化，优化目标为重构信号与实测信号之间的误差达到最小，使得优化后的模型参数能够精确表达实测信号。

在步骤3）中，所述优化算法仅需半周期长的采样窗口，在该半周期长的采样窗口内建立故障信号的综合模型，初始模型参数随机选取；窗口移动步长最大可为四分之一周期，最小可为一个采样点；在识别采样窗口内数据的参数时，优化算法本身所需时间小于四分之一周期。

所述步骤2）包括如下步骤：

2.1）电力系统正常信号为正弦波，建立电力系统正常信号模型如下：

其中，I为电流信号，A、ω、分别为电流信号的振幅、基波角频率及相位，n为采样点，Δt为采样间隔，若每周期T内有N_s个采样点，则Δt＝T^/N_s；

2.2）故障信号含有谐波及指数衰减的直流偏移，建立电力系统故障信号模型如下：

其中，I_k和分别为基波，即k＝1及各谐波，即k＝2，…，K分量的振幅及相位，B和τ分别为指数衰减的直流分量的幅值及时间常数；

2.3）假设故障发生于t_s时刻，则建立综合模型如下：

其中，n_sΔt＝t_s，为获得重构信号，共有2K+6个参数需要识别，包括：基波角频率ω、正常信号的振幅与相位A与故障起始点n_s、故障信号正弦分量即基波及谐波的振幅与相位I_k与故障信号指数衰减的直流分量的幅值与时间常数B与τ；

所述步骤3）包括如下步骤：

3.1）首先随机选取步骤2.3）所述综合模型的参数，根据这些随机参数获得重构信号，计算重构信号与实测信号之间的最小均方误差；

3.2）采用优化算法对模型参数进行优化，优化目标为重构信号与实测信号之间的误差达到最小。

所述优化算法为双细菌优化算法，包括以下步骤：

①在第k次迭代过程中，主细菌位置为其中n为搜索空间维数，其初始位置随机选取；

②在第k次迭代过程中，伴随细菌位置为 其中，表示伴随细菌与主细菌位置仅第l维不同，l＝1,2,…,n随机选取；其中，r₁∈[-1,1]为服从均匀分布的随机数，B_upl和B_lol分别为第l维的边界，系数c₁有两个可能取值，分别为0.05和1；当c₁＝0.05时，伴随细菌位于主细菌附近，当c₁＝1时，伴随细菌位于解空间内的一个随机位置；

③由于伴随细菌与主细菌位置仅第l维不同，故仅针对第l维计算二者间伪梯度，公式为：

$g_l^k({\tilde{X}}^k,X^k)=\frac{F\left({\tilde{X}}^k\right)-F\left(X^k\right)}{{\tilde{x}}_l^k-x_l^k}$

其中，F(X^k)和分别为X^k和的评估值，基于伪梯度的值，该算法判断是否将主细菌向伴随细菌移动，其移动速度，由下式确定：

$V_p^k=(0,...,-g_l^k({\tilde{X}}^k,X^k),...,0);$

④主细菌在第k次迭代过程中的移动速度同时由式决定，其中为在过去k次迭代过程中获得的最佳位置，即在该位置获得了最小的评估值；r₂∈[0,1]为服从均匀分布的随机数；

⑤主细菌在第k次迭代过程中的移动速度与下式有关：

$V_d^k=\left\{\begin{array}{cc}{r}_3\left(X^k\mathrm{\&Theta;}{\tilde{x}}_l^k\right),& F\left({\tilde{X}}^k\right)<F\left(X^k\right)\\ 0,& F\left({\tilde{X}}^k\right)\&GreaterEqual;F\left(X^k\right)\end{array}\right.$

其中，r₃∈[0,1]为服从均匀分布的随机数，aΘb表示数组a的每个元素均减去常量b；

⑥由步骤③～⑤可知，主细菌在第(k+1)次迭代过程中的初始位置由下式确定：

$X^{k+1}=X^k+V_p^k+V_q^k+V_d^k.$

采用双细菌优化算法识别模型参数的计算时间小于5毫秒。

所述上位机为工控机或PC机。

本发明与现有技术相比，具有如下优点与有益效果：

1、本发明能够准确估计在无故障及有故障情况下的信号的参数；

2、故障起始点的检测与故障信号波形的识别同时进行，优化算法能够在半周期长的采样窗口内完成上述两项任务；

3、本发明摒弃了传统的电力系统故障检测方法常用的傅里叶变换、滤波及曲线拟合等技术，可提供更为精确的波形参数识别结果；

4、本发明适用于三次五次等谐波含量大于50%、高斯白噪声30～60dB、考虑基频漂移、含有指数衰减的直流分量的电力系统故障信号；仿真结果显示，在所采用的优化算法为双细菌优化算法的情况下，本发明的算法对正常信号的识别误差平均为5.6955×10^-9，对故障信号的识别误差平均为0.3827，在数据窗口移动步长为一个采样点的情况下，对综合信号（即数据窗口中包含了正常信号及故障信号）的识别误差平均为1.4071×10^-4；

5、本发明检测时的数据窗口长度为半周期，为检测故障发生点，该数据窗口仅需包含故障发生后的四个采样点即可，即仅需0.625毫秒的延时，本发明的算法即可检测到故障发生；

6、本发明可以用软件实现，以工控机或PC机为上位机，无需增加额外的电路，也可集成至片上系统，而且准确度高，适用于在线检测和识别。

附图说明

图1为本发明电力系统故障信号检测与识别方法的流程示意图。

图2为本发明双细菌优化算法的流程示意图。

图3a为本发明由双细菌优化算法进行故障信号参数识别得到的重构信号与其它方法（遗传算法和傅里叶变换）比较的结果图之一，为方便看清其差别，选取故障发生前的两个波峰进行了放大。

图3b为本发明由双细菌优化算法进行故障信号参数识别得到的重构信号与其它方法（遗传算法和傅里叶变换）比较的结果图之二，为方便看清其差别，选取故障发生后的两个波峰进行了放大。

图4为两相短路情况下实测信号与由双细菌优化算法进行故障信号参数识别得到的重构信号的对比图。

图5为三相短路情况下实测信号与由双细菌优化算法进行故障信号参数识别得到的重构信号的对比图。

图6为本发明故障起始点的检测图。

具体实施方式

下面结合具体实施例对本发明作进一步说明。

参见图1所示，本实施例所述的基于优化算法的电力系统故障信号检测与波形识别方法，其具体情况如下：

1）利用电流互感器采集现场电力系统信号数据，通过电流互感器与数据采集卡连接，并由数据采集卡转换为数字信号发送至上位机（具体为工控机或PC机）；

2）在上位机中，建立电力系统正常信号及故障信号模型，随机选取模型参数，并假设故障起始点，在故障起始点之前使用正常信号模型，在故障起始点之后使用故障信号模型：

2.1）电力系统正常信号为正弦波，建立电力系统正常信号模型如下：

其中，I为电流信号，A、ω、分别为电流信号的振幅、基波角频率及相位，n为采样点，Δt为采样间隔。若每周期T内有N_s个采样点，则Δt＝T/N_s。

2.2）故障信号含有谐波及指数衰减的直流偏移。建立电力系统故障信号模型如下：

其中，I_k和分别为基波（k＝1）及各谐波（k＝2，…，K）分量的振幅及相位，B和τ分别为指数衰减的直流分量的幅值及时间常数。

2.3）假设故障发生于t_s时刻，则建立综合模型如下：

其中，n_sΔt＝t_s。为获得重构信号，共有（2K+6)个参数需要识别，包括：基波角频率ω、正常信号的振幅与相位A与故障起始点n_s、故障信号正弦分量（基波及谐波）的振幅与相位I_k与故障信号指数衰减的直流分量的幅值与时间常数B与τ；

3）步骤2）中建立的电力系统信号称为重构信号，该信号与实测信号具有较大误差，即随机选取的模型参数无法表达实测信号。在本实施例中，采用双细菌优化算法对模型参数进行优化，优化目标为重构信号与实测信号之间的误差达到最小，使得优化后的模型参数能够精确表达实测信号；

3.1）首先随机选取步骤2.3）所述综合模型的参数，根据这些随机参数获得重构信号，计算重构信号与实测信号之间的最小均方误差；

3.2）采用双细菌优化算法对模型参数进行优化，优化目标为重构信号与实测信号之间的误差达到最小。如图2所示，所述双细菌优化算法包括以下步骤：

①在第k次迭代过程中，主细菌位置为其中n为搜索空间维数，而在本专利中，n＝2K+6，其初始位置随机选取；

②在第k次迭代过程中，伴随细菌位置为 其中，表示伴随细菌与主细菌位置仅第l维不同，l＝1,2,…,n随机选取；其中，r₁∈[-1,1]为服从均匀分布的随机数，B_upl和B_lol分别为第l维的边界，系数c₁有两个可能取值，分别为0.05和1；当c₁＝0.05时，伴随细菌位于主细菌附近，当c₁＝1时，伴随细菌位于解空间内的一个随机位置；

③由于伴随细菌与主细菌位置仅第l维不同，故仅针对第l维计算二者间伪梯度，公式为：

$g_l^k({\tilde{X}}^k,X^k)=\frac{F\left({\tilde{X}}^k\right)-F\left(X^k\right)}{{\tilde{x}}_l^k-x_l^k}$

其中，F(X^k)和分别为X^k和的评估值，基于伪梯度的值，该算法判断是否将主细菌向伴随细菌移动，其移动速度，由下式确定：

$V_p^k=(0,...,-g_l^k({\tilde{X}}^k,X^k),...,0);$

④主细菌在第k次迭代过程中的移动速度同时由式决定，其中为在过去k次迭代过程中获得的最佳位置，即在该位置获得了最小的评估值；r₂∈[0,1]为服从均匀分布的随机数；

⑤主细菌在第k次迭代过程中的移动速度与下式有关：

$V_d^k=\left\{\begin{array}{cc}{r}_3\left(X^k\mathrm{\&Theta;}{\tilde{x}}_l^k\right),& F\left({\tilde{X}}^k\right)<F\left(X^k\right)\\ 0,& F\left({\tilde{X}}^k\right)\&GreaterEqual;F\left(X^k\right)\end{array}\right.$

其中，r₃∈[0,1]为服从均匀分布的随机数，aΘb表示数组a的每个元素均减去常量b；

⑥由步骤③～⑤可知，主细菌在第(k+1)次迭代过程中的初始位置由下式确定：

$X^{k+1}=X^k+V_p^k+V_q^k+V_d^k.$

其中，所述双细菌优化算法仅需半周期长的采样窗口，在该半周期长的采样窗口内建立故障信号的综合模型，初始模型参数随机选取；窗口移动步长最大可为四分之一周期，最小可为一个采样点；在识别采样窗口内数据的参数时，优化算法本身所需时间小于四分之一周期；采用双细菌优化算法识别模型参数的计算时间小于5毫秒。

参见图3a和图3b所示，显示了本发明由双细菌优化算法进行故障信号参数识别得到的重构信号与其它方法（遗传算法和傅里叶变换）的比较情况，为方便看清其差别，分别选取故障发生前和发生后的两个波峰进行了放大。从图中可以看出，通过傅里叶变换获得的重构信号与故障信号之间差别最大，即在三种方法中，基于傅里叶变换的方法效果最差。而双细菌算法与遗传算法相比，其重构效果更为准确，尤其是在发生故障的情况下。

三种方法重构效果的定量分析如下表1所示，其中，Error表示重构信号与故障信号之间的均方误差，分别为采用各方法算得的基波分量的幅值、指数衰减的直流分量的幅值和时间常数。从表中可以看出，由双细菌算法计算得到的信号参数最为准确，重构得到的信号与原始信号之间的误差最小。本例中，信号采样频率为每基波周期128个采样点，双细菌优化算法和遗传算法所需的计算窗口均为64个采样点，即半周期，而傅里叶变换则需要128个采样点，即一周期。可以看出，就算法效率而言，进化计算算法也明显优于傅里叶变换。

表1三种方法估计信号参数

参见图4所示，显示了两相短路情况下实测信号与由双细菌优化算法进行故障信号参数识别得到的重构信号的对比情况，从图中可以看出，双细菌优化算法重构出的信号几乎与原始信号一致，即该情况下，双细菌优化算法能够准确地估计出故障发生前的正常信号的参数及故障发生后短路信号的参数。

参见图5所示，显示了三相短路情况下实测信号与由双细菌优化算法进行故障信号参数识别得到的重构信号的对比情况，从图中可以看出，双细菌优化算法重构出的信号几乎与原始信号一致，即该情况下，双细菌优化算法能够准确地估计出故障发生前的正常信号的参数及故障发生后短路信号的参数。

参见图6所示，显示了本发明故障起始点的检测情况，由该图可以看出，双细菌优化算法能够准确快速地检测出故障的出现，其延时仅为4个采样点、3.125×10^-4秒，重构误差为1.4071×10^-4。

以上所述之实施例子只为本发明之较佳实施例，并非以此限制本发明的实施范围，故凡依本发明之形状、原理所作的变化，均应涵盖在本发明的保护范围内。

Claims (5)

1.基于优化算法的电力系统故障信号检测与波形识别方法，其特征在于，包括以下步骤：

1)利用电流互感器采集现场电力系统信号数据，通过电流互感器与数据采集卡连接，并由数据采集卡转换为数字信号发送至上位机；

2)在上位机中，分别建立电力系统正常信号及故障信号模型，随机选取模型参数，并假设故障起始点，在故障起始点之前使用正常信号模型，在故障起始点之后使用故障信号模型：

2.1)电力系统正常信号为正弦波，建立电力系统正常信号模型如下：

其中，I为电流信号，A、ω、分别为电流信号的振幅、基波角频率及相位，n为采样点，Δt为采样间隔，若每周期T内有N_s个采样点，则Δt＝T/N_s；

2.2)故障信号含有谐波及指数衰减的直流偏移，建立电力系统故障信号模型如下：

其中，I_k和分别为基波，即k＝1及各谐波，即k＝2，…，K分量的振幅及相位，B和τ分别为指数衰减的直流分量的幅值及时间常数；

2.3)假设故障发生于t_s时刻，则建立综合模型如下：

其中，n_sΔt＝t_s，为获得重构信号，共有2K+6个参数需要识别，包括：基波角频率ω、正常信号的振幅与相位A与故障起始点n_s、故障信号正弦分量即基波及谐波的振幅与相位I_k与故障信号指数衰减的直流分量的幅值与时间常数B与τ；

3)步骤2)中建立的电力系统信号称为重构信号，该信号与实测信号具有较大误差，即随机选取的模型参数无法表达实测信号，采用优化算法对模型参数进行优化，优化目标为重构信号与实测信号之间的误差达到最小，使得优化后的模型参数能够精确表达实测信号；其中，所述优化算法仅需半周期长的采样窗口，在该半周期长的采样窗口内建立故障信号的综合模型，初始模型参数随机选取；窗口移动步长最大可为四分之一周期，最小可为一个采样点；在识别采样窗口内数据的参数时，优化算法本身所需时间小于四分之一周期。

2.根据权利要求1所述的基于优化算法的电力系统故障信号检测与波形识别方法，其特征在于：

所述步骤3)包括如下步骤：

3.1)首先随机选取步骤2.3)所述综合模型的参数，根据这些随机参数获得重构信号，计算重构信号与实测信号之间的最小均方误差；

3.2)采用优化算法对模型参数进行优化，优化目标为重构信号与实测信号之间的误差达到最小。

3.根据权利要求1所述的基于优化算法的电力系统故障信号检测与波形识别方法，其特征在于：所述优化算法为双细菌优化算法，包括以下步骤：

①在第k次迭代过程中，主细菌位置为其中n为搜索空间维数，其初始位置随机选取；

②在第k次迭代过程中，伴随细菌位置为 其中，表示伴随细菌与主细菌位置仅第l维不同，l＝1,2,…,n随机选取；其中，r₁∈[-1,1]为服从均匀分布的随机数，B_upl和B_lol分别为第l维的边界，系数c₁有两个可能取值，分别为0.05和1；当c₁＝0.05时，伴随细菌位于主细菌附近，当c₁＝1时，伴随细菌位于解空间内的一个随机位置；

③由于伴随细菌与主细菌位置仅第l维不同，故仅针对第l维计算二者间伪梯度，公式为：

$g_l^k({\tilde{X}}^k,X^k)=\frac{F\left({\tilde{X}}^k\right)-F\left(X^k\right)}{{\tilde{x}}_l^k-x_l^k}$

其中，F(X^k)和分别为X^k和的评估值，基于伪梯度的值，该算法判断是否将主细菌向伴随细菌移动，其移动速度，由下式确定：

$V_p^k=(0,...,-g_l^k({\tilde{X}}^k,X^k),...,0);$

④主细菌在第k次迭代过程中的移动速度同时由式决定，其中为在过去k次迭代过程中获得的最佳位置，即在该位置获得了最小的评估值；r₂∈[0,1]为服从均匀分布的随机数；

⑤主细菌在第k次迭代过程中的移动速度与下式有关：

$V_d^k=\left\{\begin{array}{cc}{r}_3\left(X^k\mathrm{\&Theta;}{\tilde{x}}_l^k\right),& F\left({\tilde{X}}^k\right)<F\left(X^k\right)\\ 0,& F\left({\tilde{X}}^k\right)\&GreaterEqual;F\left(X^k\right)\end{array}\right.$

其中，r₃∈[0,1]为服从均匀分布的随机数，aΘb表示数组a的每个元素均减去常量b；

⑥由步骤③～⑤可知，主细菌在第(k+1)次迭代过程中的初始位置由下式确定：

$X^{k+1}=X^k+V_p^k+V_q^k+V_d^k.$

4.根据权利要求3所述的基于优化算法的电力系统故障信号检测与波形识别方法，其特征在于：采用双细菌优化算法识别模型参数的计算时间小于5毫秒。

5.根据权利要求1所述的基于优化算法的电力系统故障信号检测与波形识别方法，其特征在于：所述上位机为工控机或PC机。