CN104502795B - 一种适用于微电网的智能故障诊断方法 - Google Patents
一种适用于微电网的智能故障诊断方法 Download PDFInfo
- Publication number
- CN104502795B CN104502795B CN201410699320.0A CN201410699320A CN104502795B CN 104502795 B CN104502795 B CN 104502795B CN 201410699320 A CN201410699320 A CN 201410699320A CN 104502795 B CN104502795 B CN 104502795B
- Authority
- CN
- China
- Prior art keywords
- micro
- capacitance sensor
- fault
- mrow
- wavelet
- 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
- 238000003745 diagnosis Methods 0.000 title claims abstract description 59
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 29
- 230000001537 neural effect Effects 0.000 claims abstract description 27
- 230000001052 transient effect Effects 0.000 claims abstract description 19
- 238000005070 sampling Methods 0.000 claims abstract description 11
- 238000000605 extraction Methods 0.000 claims abstract description 8
- 239000011159 matrix material Substances 0.000 claims description 28
- 230000007935 neutral effect Effects 0.000 claims description 13
- 230000003068 static effect Effects 0.000 claims description 13
- 230000007704 transition Effects 0.000 claims description 13
- 230000005611 electricity Effects 0.000 claims description 11
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 238000012549 training Methods 0.000 claims description 10
- 238000004422 calculation algorithm Methods 0.000 claims description 4
- 210000002364 input neuron Anatomy 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 210000004205 output neuron Anatomy 0.000 claims description 3
- 210000004218 nerve net Anatomy 0.000 claims description 2
- 230000006870 function Effects 0.000 description 15
- 238000004458 analytical method Methods 0.000 description 11
- 238000003062 neural network model Methods 0.000 description 8
- 230000009466 transformation Effects 0.000 description 7
- 238000001514 detection method Methods 0.000 description 5
- 239000000284 extract Substances 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 4
- 238000010248 power generation Methods 0.000 description 4
- 238000013459 approach Methods 0.000 description 3
- 230000004888 barrier function Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 238000012544 monitoring process Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004146 energy storage Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 235000007926 Craterellus fallax Nutrition 0.000 description 1
- 240000007175 Datura inoxia Species 0.000 description 1
- WHXSMMKQMYFTQS-UHFFFAOYSA-N Lithium Chemical compound [Li] WHXSMMKQMYFTQS-UHFFFAOYSA-N 0.000 description 1
- 101100499229 Mus musculus Dhrsx gene Proteins 0.000 description 1
- 230000004913 activation Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000003990 capacitor Substances 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 230000000739 chaotic effect Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 230000001419 dependent effect Effects 0.000 description 1
- 238000012850 discrimination method Methods 0.000 description 1
- 238000013401 experimental design Methods 0.000 description 1
- 239000000446 fuel Substances 0.000 description 1
- 238000011478 gradient descent method Methods 0.000 description 1
- 230000008595 infiltration Effects 0.000 description 1
- 238000001764 infiltration Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 229910052744 lithium Inorganic materials 0.000 description 1
- 230000004807 localization Effects 0.000 description 1
- 238000002156 mixing Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035772 mutation Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000002569 neuron Anatomy 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000010937 topological data analysis Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
Abstract
本发明公开了一种适用于微电网的智能故障诊断方法，包括：通过采集微电网母线上的电压电流信号对微电网的运行状态进行监控，判断微电网是否发生内部故障，从而确定微电网故障诊断的启动模式；根据故障诊断模式的设定条件采样微电网母线上的电压电流信号并进行预处理；利用多小波包分解技术提取不同频率的故障信号暂态分量；计算小波奇异熵作为微电网RBF神经网络故障诊断模型的特征向量；将特征向量输入诊断模型，输出微电网的故障状态信息。本发明同时具备微电网外部故障诊断功能和内部短路故障诊断功能，为微电网的运行控制与相关保护提供了依据。
Description
技术领域
本发明涉及一种微电网孤岛检测与故障诊断方法，属于电力系统继电保护和新能源发电技术领域。
背景技术
传统的集中发电、大电网互联集中供电方式存在供电可靠性差和供电安全性问题，诸多国家大面积停电事故充分证明了这一严峻问题。高效可靠的分布式发电技术越来越受到世界各国的青睐，微电网就是在分布式发电基础之上形成的一种新型供电方式。微电网是集太阳能光伏发电、风力发电、燃料电池、微型燃气轮机等多种分布式发电及储能单元、负荷以及监控、保护装置于一体的混合供能系统。在正常状态下，微电网通过静态开关(static transfer switch，STS)接入大电网作为一个可控单元并网运行(并网模式)；当大电网故障或电能质量不满足要求时，微电网可以通过切断STS与大电网隔离，作为自治系统孤岛运行(孤岛模式)，避免电网故障影响微电网内负荷正常运行。
相对于传统的电力系统，微电网的故障诊断与传统电力系统相比，其特殊性主要表现在以下几个方面：(1)微电网中分布式电源及负荷具有“即插即用”功能，使得微电网拓扑结构复杂多变；(2)太阳能光伏发电、风力发电等分布式电源，都通过电力电子装置接入微电网，故障时提供的短路电流很小，使得传统的继电保护装置很难检测；(3)微电网中包含各种类型的分布式电源，有的通过电力电子装置接入微电网如太阳能光伏发电、风力发电等，有的具有同步发电机特性如柴油发电机、微型燃气轮机等，有的具有双向潮流特性如各种类型的储能装置(蓄电池、锂电池、超级电容等)，这些分布式电源的故障特征差异很大；(4)微电网在并网模式和孤岛模式运行时，短路故障电流差异很大。上述特点使得传统的电力系统故障分析方法已不能应用于微电网，需要研究新的微电网智能故障诊断方法。
微电网的内部故障是指发生在静态开关内侧的故障，即微电网内部的故障；微电网的外部故障是指发生在静态开关外侧的故障，即所接入大电网发生故障。
微电网内部故障主要表现为短路故障，包括单相接地短路(A相接地故障、B相接地故障、C相接地故障)、两相间短路(AB相间短路故障、BC相间短路故障、AC相间短路故障)、两相接地短路(AB相接地短路故障、BC相接地短路故障、AC相接地短路故障)以及三相接地短路等。
当微电网发生外部故障时，微电网通过切断STS与大电网隔离，继续向微电网内部负荷供电，从而进入孤岛运行模式。由于微电网并网运行与孤岛运行的控制策略不同，只有通过微电网外部故障诊断检测出孤岛状态，才能确定微电网从并网运行模式到孤岛运行模式的切换，从而为微电网的运行控制与相关保护提供依据。如果无法诊断出外部故障，将危及电网线路检修人员的安全以及电网自动重合闸。
因此，微电网的内部故障诊断和外部故障诊断都具有重要的现实意义。
申请号分别为201110382256.X和201110382164.X的中国专利文献“微网电力系统的内部故障判别方法”和“微网电力系统的外部故障判别方法”，需要对微电网内大量设备实时监控，不仅传输数据量大、通讯回路多，而且投入成本高、可靠性差。申请号为201010146403.9的中国专利文献“一种用于微网的快速故障诊断方法”，利用网络开关信息进行拓扑分析，判定微电网的故障区域，与微电网复杂多变的拓扑结构特征不符。上述方法均不能辨识出微电网的故障类型，而且工程应用较困难，智能化程度低。目前尚未有相关论文和专利研究微电网内部故障类型辨识方法，微电网的外部故障诊断研究也较少。
当系统发生故障时，各频带分量会发生明显改变，其中包含了丰富的故障信息，可通过智能手段进行分析和处理，实现故障诊断功能。小波变换相比其他信号分析技术，在分析处理暂态信号领域显示了其优越性和广阔的应用前景。多小波包具有比传统小波变换更为优良的性能，能够对故障暂态信号进行更为精细的逼近和提取到更丰富的故障特征量。经过小波变换和处理后的特征量，随过渡电阻、故障位置、故障初相角的不同会发生显著的变化，很难通过设定阈值来鉴别微电网的故障类型。人工神经网络具有较强的学习、泛化能力，可以对任何非线性系统具有辨识能力。将多小波包和神经网络应用于微电网故障诊断中，能够提高故障诊断的速度和准确性，并实现微电网故障诊断的智能化。
发明内容
为解决现有技术存在的不足，本发明公开了一种适用于微电网的智能故障诊断方法，该方法针对微电网的拓扑结构、故障特征和运行特性，结合小波理论和RBF神经网能够快速准确地辨识出微电网的故障类型，同时具备实现微电网内部故障诊断功能和外部故障诊断功能，投入成本低，智能化水平高，工程应用简单可靠。
为实现上述目的，本发明的具体方案如下：
一种适用于微电网的智能故障诊断方法，包括以下步骤：
步骤一：通过采集微电网母线上的电压电流信号对微电网的运行状态进行监控；
步骤二：根据步骤一中对微电网的运行状态进行监控判断微电网是否发生内部故障；当发生内部故障时，转入步骤三；当未发生内部故障时，转入步骤四；
步骤三：当微电网发生内部故障时，立即启动微电网内部故障诊断模式，根据设定条件采样电压电流信号并进行预处理；
步骤四：当微电网未发生内部故障时，每隔设定时间启动微电网外部故障诊断模式，根据设定条件采样电压电流信号并进行预处理；
步骤五：利用多小波包分解提取不同频率的故障信号暂态分量；计算小波奇异熵作为微电网RBF神经网络故障诊断模型的特征向量；
步骤六：将特征向量输入微电网RBF神经网络故障诊断模型进行训练，训练好的神经网络故障诊断模型输出对应微电网的故障状态信息；
步骤七：每隔设定时间按照步骤二到步骤五计算采样信号的小波奇异熵，作为步骤六中训练好的神经网络故障诊断模型的输入特征向量，获得微电网的故障状态信息。
所述步骤一中，采集微电网母线上的电压电流信号，具体为：微电网公共母线三相电流、零序电流及静态开关STS处三相电压。
所述步骤三中，根据设定条件采样电压电流信号并进行预处理具体是：以10kHz的频率采样故障前半个周期即10ms和故障后半个周期即10ms的微电网公共母线三相电流、零序电流及静态开关STS处三相电压，作为故障信号离散时间序列，并存入录波数据库中。
所述步骤四中，根据设定条件采样电压电流信号并进行预处理具体是：每隔200ms以10kHz的频率采样一个周期即20ms的微电网公共母线三相电流、零序电流及静态开关STS处三相电压，作为故障信号离散时间序列，并存入录波数据库中。
所述步骤五中，利用多小波包分解技术提取不同频率的故障信号暂态分量，微电网公共母线三相电流、零序电流和STS处三相电压7个故障信号离散时间序列进行多小波包分解方法为：
给定k时刻的故障信号离散时间序列x(n)，选择DB10小波基进行多小波包分解，离散时间序列x(n)被分解到m个频带下，每个频带下的暂态分量为Dj(n)(j＝1,2,…,m)，通过多小波包分解后的故障信号离散时间序列x(n)可以表示为
所述步骤五中，计算小波奇异熵作为微电网RBF神经网络故障诊断模型的特征向量；对微电网公共母线三相电流、零序电流和STS处三相电压7个故障信号离散时间序列计算小波奇异熵的方法：
根据求出的Dj(n)在m个频带下的小波分解结果可以构成一个m×n的矩阵Dm×n，根据信号奇异值分解理论，对于一个m×n的矩阵Dm×n，必然存在一个m×l维的矩阵Um×l和一个l×n维的矩阵Vl×n，和一个l×l维的矩阵Rl×l，使得矩阵Dm×n分解为
式中，对角线矩阵Rl×l的主对角线元素ri(i＝1,2,…,l)是小波变换结果Dm×n的奇异值，是l×n维的矩阵Vl×n的转置矩阵。
计算离散时间序列x(n)的小波奇异熵Q作为微电网RBF神经网络故障诊断模型的输入特征向量
rk，ri是对角线矩阵Rl×l的不同的主对角线元素，下标不同是为了相互区分。
所述步骤六中，微电网RBF神经网络故障诊断模型为：网络拓扑采用三层结构7×50×12，输入变量有微电网公共母线三相电流的小波奇异熵、微电网公共母线零序电流的小波奇异熵以及STS处三相电压的小波奇异熵，分别对应神经网络的7个输入神经元；隐含层神经元由输入样本点决定，高斯函数作为隐含层径向基函数，采用最近邻聚类学习算法确定径向基函数的中心矢量；隐含层到输出层为线性映射，输出变量为微电网的12种运行状态，对应神经网络的12个输出神经元。
所述微电网RBF神经网络故障诊断模型的训练样本的获取方法：
采样并计算不同运行状态下的微电网公共母线三相电流、零序电流以及STS处三相电压的小波奇异熵作为训练样本输入微电网RBF神经网络故障诊断模型进行训练，实时改变神经网络的参数，训练好的故障诊断模型输出对应微电网的12种运行状态信息，包括微电网正常运行状态、微电网外部故障状态以及微电网的内部故障状态。
不同运行状态包括：
1)不同负载状况下的微电网正常并网运行状态，即微电网接入大电网并网运行；微电网投入负载容量分别为所有负载容量的40％、60％、80％和100％；
2)不同负载状况下的微电网外部故障状态，即所接入大电网发生故障，微电网脱离大电网孤岛运行；微电网投入负载容量分别为所有负载容量的40％、60％、80％和100％；
3)不同短路类型、过渡电阻和故障初相角的微电网内部故障状态，包括多种短路故障类型，接地故障过渡电阻范围为1～301Ω，相间过渡电阻范围为1～51Ω，过渡电阻依次增加50Ω；故障初相角范围为0°～90°，依次递增30°。
本发明的有益效果：
(1)本发明同时具备微电网外部故障诊断功能和内部短路故障诊断功能，不但能够诊断出微电网的内部或外部是否发生故障，还能辨识出故障类型，为微电网的运行控制与相关保护提供了依据；
(2)本发明只需要采集微电网母线和静态开关STS处的数据信息，所需设备数量少成本低，数据传输量小，工程应用简单可靠，适用于微电网的拓扑结构、故障特征和运行特性。
附图说明
图1为微电网智能故障诊断流程图；
图2为RBF神经网络结构图；
图3为小波包分解示意图；
图4为微电网结构示意图；
图5为微电网故障诊断结果表
附表1为微电网运行状态编码；
附表2为小波奇异熵计算结果。
具体实施方式：
本发明提供一种微电网智能故障诊断方法，以下结合附图及具体实施方式，对本发明作进一步的详细描述。
小波变换是分析非平稳信号或具有奇异性突变信号的最有效方法，适合于故障检测这种瞬态突变信号的场合。小波分析技术的引入，在电力系统暂态信号特征提取及分类领域发挥了重要作用，开拓了电网及设备智能故障诊断、电力灾变防治等的新思路。然而，由于小波变换是一种时频分析，不像FFT变换结果频域表示那样直观明了。而且，由于小波变换结果中包含了大量的小波分解信息和数据，在通常的检测方法中，特征提取都少不了人工干预或对待定工况的假设。而分类方法中，由于小波信息繁多，是神经网络等智能判别系统变得庞大。因此，小波分析大量的信息提取还需要研究恰当的数据挖掘方法。信息熵表示某种特定信息出现概率的统计方法。一个系统越是有序，信息熵就越低；反之，一个系统越是混乱，信息熵就越高。利用信息熵和小波分析相结合的小波熵理论提取系统表征系统特征，为检测和分类器提供有效的预处理方法，给电力系统故障分析与诊断、新型继电保护原理提供有效依据。
大多数文献都是将BP神经网络应用于系统故障诊断。然而，BP网络权值的调节采用负梯度下降法，这种方法存在其局限性，即局部极小问题和收敛速度慢等。RBF神经网络具有任意函数逼近能力、自动优化神经网络结构能力、快速训练收敛能力和较好的泛化能力,使其在故障诊断方面的能力要优于BP神经网络。
本发明的技术方案是：
通过采集微电网母线上的电压电流信号对微电网的运行状态进行监控。微电网发生内部短路故障时，微电网母线上的电压电流会发生明显暂态突变；而发生微电网外部故障时，微电网有可能和大电网上的负载形成孤岛运行，此时微电网母线上的电压电流不会发生明显变化。因此，通过微电网的运行状态监控可以判断是否发生了内部故障，但不能够判别是否发生了外部故障。通过判断微电网是否发生内部故障，可以确定微电网故障诊断的启动模式：
(1)当微电网发生内部故障时，立即启动微电网短路故障诊断模式。以10kHz的频率采样故障前半个周期(10ms)和故障后半个周期(10ms)的微电网公共母线三相电流、零序电流及静态开关STS处三相电压并进行预处理，通过小波包分解提取不同频带的故障信号暂态分量，计算相应的小波奇异熵作为特征向量，输入训练好的微电网RBF神经网络故障诊断模型，获得微电网的内部故障信息。
(2)当微电网未发生内部故障时，每隔200ms启动微电网断路故障诊断模式。以10kHz的频率采样一个周期内(20ms)微电网公共母线三相电流、零序电流及静态开关STS处三相电压并进行预处理，通过小波包分解提取不同频带的故障信号暂态分量，计算相应的小波奇异熵作为特征向量，输入训练好的微电网RBF神经网络故障诊断模型，获得微电网的外故障信息。
本发明研究表明采集并分析微电网公共母线的三相电流，能够提取系统发生内部短路故障相的相关信息；采集并分析微电网公共母线的三相电流和STS处三相电压，相比传统的只采样分析单一变量的方法，有效提高了辨识度，减小了神经网络的判断误区。
根据图1所示的微电网智能故障诊断方法流程图，该方法的具体实施方案是：
(1)微电网电压电流信号采样与数据预处理。在微电网母线上配备数据采集装置，采集微电网公共母线三相电流、零序电流和STS处三相电压作为故障信号离散时间序列，采样数据存入录波数据库中。根据分类准确性、检测速度以及硬件工作实时性的要求，将数据采集的频率设定为10kHz。
(2)利用多小波包分解技术提取不同频带的故障信号暂态分量。
多小波包具有比传统小波变换更为优良的性能，能够对故障暂态信号进行更为精细的逼近和提取到更丰富的故障特征量，因此可以为人工神经网络提供更为丰富的特征信息，使学习后的人工神经网络对不同的故障信号更加敏感。
选择合适的小波基进行多小波包分解对故障诊断的效果影响很大。小波基的紧支性可减少相邻分解级间的信号能量的渗透以保证其局部化能力。而小波基的消失矩越大，通过离散小波变换所提取信号的精确性和完整性越好；另外，所选择小波基应具有正交性以允许重构原始信号。选择包括DB10小波基、DB4小波基、GHM小波基、SA4小波基分别进行多小波包分解，发现采用DB10小波基处理后信号特征差异最为明显，故选用DB10小波基进行多小波包分解。
小波包的分解方法实质上是把上一层分解得到的低频信号和高频信号同时进行分解，其示意图如图3所示。其中，S为原始信号；L1为第一层低频信号；LL2为L1分解的低频信号；HL2为L1分解的高频信号；LH2为H1分解的低频信号；HH2为H1分解的高频信号；其他以此类推。它不仅对低频部分进行分解，对高频部分也同样进行分解，与传统小波包相比，多小波包能够提取到更丰富、更精细的故障信息。
给定k时刻的故障信号离散时间序列x(n)，选择DB10小波基进行多小波包分解。离散时间序列x(n)被分解到m个频带下，每个频带下的暂态分量为Dj(n)(j＝1,2,…,m)。通过多小波包分解后的故障信号离散时间序列x(n)可以表示为
根据上述方法对微电网公共母线三相电流、零序电流和STS处三相电压7个故障信号离散时间序列进行多小波包分解。
(3)计算小波奇异熵作为微电网RBF神经网络故障诊断模型的特征向量。第(2)步求出的Dj(n)在m个频带下的小波分解结果可以构成一个m×n的矩阵Dm×n，根据信号奇异值分解理论，对于一个m×n的矩阵Dm×n，必然存在一个m×l维的矩阵Um×l和一个l×n维的矩阵Vl×n，和一个l×l维的矩阵Rl×l，使得矩阵Dm×n分解为
式中，对角线矩阵Rl×l的主对角线元素ri(i＝1,2,…,l)是小波变换结果Dm×n的奇异值。参照信号的奇异分解理论，当信号无噪声或具有较高的信噪比时，其主对角线上得奇异值仅有少数不为零，信号小波分解结果矩阵的奇异值也满足类似的规律，且信号的频率成分越少，小波分解结果的奇异值不为零的个数也越少。
计算离散时间序列x(n)的小波奇异熵Q作为微电网RBF神经网络故障诊断模型的输入特征向量
对小波变化结果矩阵进行奇异值分解相当于将彼此存在关联的小波空间映射到线性无关的特征空间。小波空间的奇异熵，在冗余信息的基础上，直接反映了被分析信号时频空间中特征模式能量的分布不确定性。被分析信号越简单，能量越集中于少数几个模式，小波奇异熵越小；相反，信号越复杂，能量就越分散，小波奇异熵越大。因此，小波奇异熵给出了一个在整体上衡量信号复杂性或不确定性程度的指标。
根据上述方法对微电网公共母线三相电流、零序电流和STS处三相电压7个故障信号离散时间序列计算小波奇异熵。应用多小波包分解技术和小波奇异熵分析微电网公共母线的零序电流，能够提取接地短路故障的相关信息；应用多小波包分解技术和小波奇异熵分析微电网公共母线的三相电流，能够提取短路故障相的相关信息；应用多小波包分解技术和小波奇异熵分析微电网公共母线的三相电流和STS处三相电压，相比传统的只采样分析单一变量的方法，有效提高了辨识度，减小了神经网络的判断误区。
(4)训练微电网RBF神经网络故障诊断模型。
基本的RBF神经网络是具有输入层、隐含层、输出层的三层前馈网络，结构如图2所示。输入层由一些感知单元组成，它们将网络与外界环境连接起来；第二层是由径向基神经元组成，它的作用是从输入空间到隐空间之间进行非线性变换；输出层是由线性神经元组成，它为作用于输入层的激活模式提供响应。
本发明用于微电网故障诊断的RBF神经网络模型，网络拓扑采用三层结构7×50×12。输入变量有微电网公共母线三相电流的小波奇异熵、微电网公共母线零序电流的小波奇异熵以及STS处三相电压的小波奇异熵，分别对应神经网络的7个输入神经元；隐含层神经元由输入样本点决定，高斯函数作为隐含层径向基函数，采用最近邻聚类学习算法确定径向基函数的中心矢量；隐含层到输出层为线性映射，输出变量为微电网的12种运行状态，对应神经网络的12个输出神经元。
在RBF神经网络模型中，X＝[x1,x2,…,xn]T为神经网络的输入变量，隐含层径向基向量H＝[h1,h2,…,hj,…,hm]T，其中hj为高斯函数
Cj为网络的隐含层第j个节点的中心矢量，σj为隐含层第j个节点的宽度。本发明采用最近邻聚类算法确定基函数中心矢量，构造出的RBF神经网络模型学习时间短，计算量小和性能优良的特点，适用于动态在线学习。
RBF神经网络模型的第k个输出为：
其中，wkj为隐含层第j个节点至输出层第k个节点的权值。
RBF神经网络模型的性能指标函数J为
其中，yout为RBF神经网络模型的期望输出矩阵；y为RBF神经网络模型的实际输出矩阵。设定以0与1之间的数值大小表示对应的RBF神经网络模型故障诊断结果，越接近数值1时表示发生对应故障的可能性越大。最大训练次数为1000次，目标函数误差设定为1e-5。
所述微电网RBF神经网络故障诊断模型训练样本的获取方法，设计了如下微电网运行状态以获得尽可能丰富的训练样本：
1)不同负载状况下的微电网正常并网运行状态，即微电网接入大电网并网运行；微电网投入负载容量分别为所有负载容量的40％、60％、80％和100％。
2)不同负载状况下的微电网外部故障状态，即所接入大电网发生故障，微电网脱离大电网孤岛运行；微电网投入负载容量分别为所有负载容量的40％、60％、80％和100％。
3)不同短路类型、过渡电阻和故障初相角的微电网内部故障状态，包括微电网的单相接地、相间短路、两相接地、三相短路等10种短路故障类型，接地故障过渡电阻范围为1～301Ω，相间过渡电阻范围为1～51Ω，过渡电阻依次增加50Ω；故障初相角范围为0°～90°，依次递增30°。需要说明的是，与传统输电系统相比，微电网系统主要采用就地发电供电方式，供电区域较小，供电线路较短，故可不考虑不同故障位置的情况。
根据上述方法，采样并计算不同运行状态下的微电网公共母线三相电流、零序电流以及STS处三相电压的小波奇异熵作为训练样本输入微电网RBF神经网络故障诊断模型进行训练，实时改变神经网络的参数。训练好的故障诊断模型输出对应微电网的12种运行状态信息，包括微电网正常运行状态、微电网外部故障状态以及微电网的10种内部故障状态(A相接地故障、B相接地故障、C相接地故障、AB相间短路故障、BC相间短路故障、AC相间短路故障、AB相接地短路故障、BC相接地短路故障、AC相接地短路故障以及三相接地短路)，运行状态编码如附表1所示。表1
(5)实时采样录波数据库中的故障信号，通过小波包分解提取不同频带的故障信号暂态分量并计算相应的小波奇异熵，输入第(4)步训练好的微电网RBF神经网络故障诊断模型，获得微电网的相关故障信息。
本发明利用PSCAD/EMTDC电磁暂态仿真软件搭建如图4所示的微电网仿真模型，模拟微电网系统的各种故障部件及故障类型。按照上述方法对不同类型的故障进行诊断，故障类型编码如表1所示，小波奇异熵计算结果如表2所示，其中ia,ib,ic为微电网公共母线三相电流，io为微电网公共母线零序电流，ua,ub,uc为STS处三相电压。
表2
离线训练微电网RBF神经网络故障诊断模型并进行测试，如图5所示，表3所示的诊断测试结果与试验设计相符，验证本发明所提出方法的有效性和可行性。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
Claims (1)
1.一种适用于微电网的智能故障诊断方法，其特征是，包括以下步骤：
步骤一：通过采集微电网母线上的电压电流信号对微电网的运行状态进行监控；
所述步骤一中，采集微电网母线上的电压电流信号，具体为：微电网公共母线三相电流、零序电流及静态开关STS处三相电压；
步骤二：根据步骤一中对微电网的运行状态进行监控判断微电网是否发生内部故障；当发生内部故障时，转入步骤三；当未发生内部故障时，转入步骤四；
步骤三：当微电网发生内部故障时，立即启动微电网内部故障诊断模式，根据设定条件采样电压电流信号并进行预处理；所述步骤三中，根据设定条件采样电压电流信号并进行预处理具体是：以10kHz的频率采样故障前半个周期即10ms和故障后半个周期即10ms的微电网公共母线三相电流、零序电流及静态开关STS处三相电压，作为故障信号离散时间序列，并存入录波数据库中；
步骤四：当微电网未发生内部故障时，每隔设定时间启动微电网外部故障诊断模式，根据设定条件采样电压电流信号并进行预处理；所述步骤四中，根据设定条件采样电压电流信号并进行预处理具体是：每隔200ms以10kHz的频率采样一个周期即20ms的微电网公共母线三相电流、零序电流及静态开关STS处三相电压，作为故障信号离散时间序列，并存入录波数据库中；
步骤五：利用多小波包分解提取不同频率的故障信号暂态分量；计算小波奇异熵作为微电网RBF神经网络故障诊断模型的特征向量；
所述步骤五中，利用多小波包分解技术提取不同频率的故障信号暂态分量，微电网公共母线三相电流、零序电流和STS处三相电压7个故障信号离散时间序列进行多小波包分解方法为：
给定k时刻的故障信号离散时间序列x(n)，选择DB10小波基进行多小波包分解，离散时间序列x(n)被分解到m个频带下，每个频带下的暂态分量为Dj(n)(j＝1,2,…,m)，通过多小波包分解后的故障信号离散时间序列x(n)可以表示为
<mrow>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>m</mi>
</munderover>
<msub>
<mi>D</mi>
<mi>j</mi>
</msub>
<mrow>
<mo>(</mo>
<mi>n</mi>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
所述步骤五中，计算小波奇异熵作为微电网RBF神经网络故障诊断模型的特征向量；对微电网公共母线三相电流、零序电流和STS处三相电压7个故障信号离散时间序列计算小波奇异熵的方法：
根据求出的Dj(n)在m个频带下的小波分解结果可以构成一个m×n的矩阵Dm×n，根据信号奇异值分解理论，对于一个m×n的矩阵Dm×n，必然存在一个m×l维的矩阵Um×l和一个l×n维的矩阵Vl×n，和一个l×l维的矩阵Rl×l，使得矩阵Dm×n分解为
<mrow>
<msub>
<mi>D</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
</msub>
<mo>=</mo>
<msub>
<mi>U</mi>
<mrow>
<mi>m</mi>
<mo>&times;</mo>
<mi>l</mi>
</mrow>
</msub>
<msub>
<mi>R</mi>
<mrow>
<mi>l</mi>
<mo>&times;</mo>
<mi>l</mi>
</mrow>
</msub>
<msubsup>
<mi>V</mi>
<mrow>
<mi>l</mi>
<mo>&times;</mo>
<mi>n</mi>
</mrow>
<mi>T</mi>
</msubsup>
</mrow>
式中，对角线矩阵Rl×l的主对角线元素ri(i＝1,2,…,l)是小波变换结果Dm×n的奇异值；
计算离散时间序列x(n)的小波奇异熵Q作为微电网RBF神经网络故障诊断模型的输入特征向量
<mrow>
<mi>Q</mi>
<mo>=</mo>
<mo>-</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mi>log</mi>
<mrow>
<mo>(</mo>
<msub>
<mi>r</mi>
<mi>k</mi>
</msub>
<mo>/</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>r</mi>
<mi>i</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>;</mo>
</mrow>
1
步骤六：将特征向量输入微电网RBF神经网络故障诊断模型进行训练，训练好的神经网络故障诊断模型输出对应微电网的故障状态信息；
所述步骤六中，微电网RBF神经网络故障诊断模型为：网络拓扑采用三层结构7×50×12，输入变量有微电网公共母线三相电流的小波奇异熵、微电网公共母线零序电流的小波奇异熵以及STS处三相电压的小波奇异熵，分别对应神经网络的7个输入神经元；隐含层神经元由输入样本点决定，高斯函数作为隐含层径向基函数，采用最近邻聚类学习算法确定径向基函数的中心矢量；隐含层到输出层为线性映射，输出变量为微电网的12种运行状态，对应神经网络的12个输出神经元；
所述微电网RBF神经网络故障诊断模型的训练样本的获取方法：
采样并计算不同运行状态下的微电网公共母线三相电流、零序电流以及STS处三相电压的小波奇异熵作为训练样本输入微电网RBF神经网络故障诊断模型进行训练，实时改变神经网络的参数，训练好的故障诊断模型输出对应微电网的12种运行状态信息，包括微电网正常运行状态、微电网外部故障状态以及微电网的内部故障状态；不同运行状态包括：
1)不同负载状况下的微电网正常并网运行状态，即微电网接入大电网并网运行；微电网投入负载容量分别为所有负载容量的40％、60％、80％和100％；
2)不同负载状况下的微电网外部故障状态，即所接入大电网发生故障，微电网脱离大电网孤岛运行；微电网投入负载容量分别为所有负载容量的40％、60％、80％和100％；
3)不同短路类型、过渡电阻和故障初相角的微电网内部故障状态，包括多种短路故障类型，接地故障过渡电阻范围为1～301Ω，相间过渡电阻范围为1～51Ω，过渡电阻依次增加50Ω；故障初相角范围为0°～90°，依次递增30°；
步骤七：每隔设定时间按照步骤二到步骤五计算采样信号的小波奇异熵，作为步骤六中训练好的神经网络故障诊断模型的输入特征向量，获得微电网的故障状态信息。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410699320.0A CN104502795B (zh) | 2014-11-26 | 2014-11-26 | 一种适用于微电网的智能故障诊断方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201410699320.0A CN104502795B (zh) | 2014-11-26 | 2014-11-26 | 一种适用于微电网的智能故障诊断方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN104502795A CN104502795A (zh) | 2015-04-08 |
| CN104502795B true CN104502795B (zh) | 2017-11-14 |
Family
ID=52944206
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201410699320.0A Active CN104502795B (zh) | 2014-11-26 | 2014-11-26 | 一种适用于微电网的智能故障诊断方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN104502795B (zh) |
Families Citing this family (41)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN104934924B (zh) * | 2015-05-18 | 2017-06-23 | 国电南京自动化股份有限公司 | 基于分布式邻接表的微电网保护控制方法 |
| CN105527539B (zh) * | 2015-11-30 | 2018-05-04 | 东北大学 | 一种微电网故障诊断过程中的故障信号特征值提取方法 |
| CN105425172B (zh) * | 2015-12-21 | 2018-05-04 | 东北大学 | 基于多频段歪度分析的微网逆变器自适应故障诊断方法 |
| CN105738764B (zh) * | 2016-02-22 | 2018-09-07 | 国家电网公司 | 基于暂态信息全频带的配电网故障区段定位方法 |
| CN107437794B (zh) * | 2016-05-26 | 2019-12-27 | 珠海格力电器股份有限公司 | 直流微电网母线故障识别方法、装置和直流微电网系统 |
| CN106249101A (zh) * | 2016-06-30 | 2016-12-21 | 湖南大学 | 一种智能配电网故障辨识方法 |
| CN106019195B (zh) * | 2016-07-22 | 2019-02-05 | 国网浙江省电力公司电力科学研究院 | 一种电力计量自动化检定流水线故障诊断系统 |
| CN106295023A (zh) * | 2016-08-15 | 2017-01-04 | 南京航空航天大学 | 一种异步电机转子复合故障的诊断方法 |
| CN106596111A (zh) * | 2016-12-10 | 2017-04-26 | 国网福建省电力有限公司 | 基于多小波的水电机组故障特征自适应提取方法 |
| CN107219418B (zh) * | 2017-05-25 | 2019-06-18 | 国家电网公司 | 一种配电网运行状态监测终端 |
| CN107451557B (zh) * | 2017-07-29 | 2020-06-23 | 吉林化工学院 | 基于经验小波变换与局部能量的输电线路短路故障诊断方法 |
| CN107505539B (zh) * | 2017-10-23 | 2020-09-29 | 云南电网有限责任公司电力科学研究院 | 一种配网弧光接地故障辨识方法 |
| CN108196161A (zh) * | 2018-01-10 | 2018-06-22 | 哈尔滨理工大学 | 一种异步化超高压同步发电机失磁故障诊断方法 |
| CN108647275A (zh) * | 2018-04-28 | 2018-10-12 | 国网北京市电力公司 | 孤岛检测状态的识别方法及装置、存储介质、处理器 |
| CN108663600B (zh) * | 2018-05-09 | 2020-11-10 | 广东工业大学 | 一种基于输电网的故障诊断方法、装置及存储介质 |
| CN108802570B (zh) * | 2018-06-15 | 2020-06-09 | 贵州电网有限责任公司 | 一种用于交直流混联微电网的故障检测系统及检测方法 |
| CN108964103B (zh) * | 2018-07-27 | 2021-11-05 | 广州穗华能源科技有限公司 | 一种考虑微网系统可调度性的微网储能配置方法 |
| TWI694386B (zh) * | 2018-12-04 | 2020-05-21 | 中原大學 | 田口法與人工神經網路進行微電網靜態開關之故障偵測、分類與定位之方法 |
| CN109557417B (zh) * | 2018-12-12 | 2020-09-25 | 国电南瑞科技股份有限公司 | 一种输电线路分布式行波诊断启动方法及系统 |
| CN111327487A (zh) * | 2018-12-14 | 2020-06-23 | 国网山西省电力公司信息通信分公司 | 基于深度学习的电力通信网络运行状态监测方法和装置 |
| CN109459669B (zh) * | 2019-01-09 | 2021-01-26 | 国网上海市电力公司 | 10kV配电网单相接地故障区段定位方法 |
| CN111999591B (zh) * | 2019-05-27 | 2023-07-21 | 北京映翰通网络技术股份有限公司 | 一种配电网一次设备异常状态的识别方法 |
| CN110908365A (zh) * | 2019-12-25 | 2020-03-24 | 西北工业大学 | 一种无人机传感器故障诊断方法、系统及可读存储介质 |
| CN111239549A (zh) * | 2020-02-18 | 2020-06-05 | 国网信通亿力科技有限责任公司 | 一种基于离散小波变换的配电故障快速定位方法 |
| CN112117777B (zh) * | 2020-07-22 | 2023-09-01 | 中国大唐集团科学技术研究院有限公司西北电力试验研究院 | 一种基于注入零序电流的光伏并网孤岛检测方法 |
| CN111679158A (zh) * | 2020-08-04 | 2020-09-18 | 国网内蒙古东部电力有限公司呼伦贝尔供电公司 | 基于同步量测数据相似度的配电网故障辨识方法 |
| CN111965490A (zh) * | 2020-08-21 | 2020-11-20 | 华翔翔能科技股份有限公司 | 一种基于仿真的微电网故障定位方法 |
| CN112052243B (zh) * | 2020-09-08 | 2021-05-14 | 贵州乌江水电开发有限责任公司东风发电厂 | 一种基于数据库技术的连续波形记录方法 |
| CN112363012A (zh) * | 2020-10-29 | 2021-02-12 | 国家电网有限公司 | 一种电网故障预警装置及方法 |
| CN112578312B (zh) * | 2020-12-04 | 2022-03-15 | 燕山大学 | 基于鲸鱼算法优化极限学习机的微电网故障诊断方法 |
| CN112637224B (zh) * | 2020-12-28 | 2022-11-15 | 浙江工业大学 | 一种自治系统内基于子空间和相对熵的DDoS攻击检测方法 |
| CN112763853B (zh) * | 2020-12-29 | 2022-03-15 | 福州大学 | 一种并网模式下交流微电网短路故障的检测与定位系统及其工作方法 |
| CN113325269A (zh) * | 2021-05-28 | 2021-08-31 | 西安交通大学 | 一种配网高阻故障监测方法、系统、设备及存储介质 |
| CN113325271A (zh) * | 2021-06-17 | 2021-08-31 | 南京工程学院 | 基于小波奇异性检测理论的含iidg配电网故障检测方法 |
| CN113657689B (zh) * | 2021-09-01 | 2023-07-14 | 中国人民解放军国防科技大学 | 一种自适应微型电网的调度优化的方法及系统 |
| CN114636900B (zh) * | 2022-05-11 | 2022-09-30 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法 |
| CN114690038B (zh) * | 2022-06-01 | 2022-09-20 | 华中科技大学 | 一种基于神经网络的电机故障识别方法、系统及存储介质 |
| CN115146707B (zh) * | 2022-06-07 | 2023-07-07 | 湖南雪墨电气科技有限公司 | 一种多功能物联网功率因素检测方法 |
| CN114915033B (zh) * | 2022-06-15 | 2023-12-15 | 苏州云能魔方能源科技有限公司 | 一种基于云边协同的大型储能电站黑匣子系统 |
| CN115356599B (zh) * | 2022-10-21 | 2023-04-07 | 国网天津市电力公司城西供电分公司 | 一种多模态城市电网故障诊断方法及系统 |
| CN116821834B (zh) * | 2023-08-29 | 2023-11-24 | 浙江北岛科技有限公司 | 基于内嵌传感器的真空断路器检修管理系统 |
Family Cites Families (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| GB0713126D0 (en) * | 2007-07-06 | 2007-08-15 | Areva T & D Uk Ltd | Improvements in or relating to current differential protection relays |
| CN101782625B (zh) * | 2009-01-16 | 2012-01-04 | 复旦大学 | 一种基于Gradation-Boosting算法的电力电子系统故障诊断方法 |
| CN101726688A (zh) * | 2009-09-17 | 2010-06-09 | 浙江大学 | 一种多数据源信息融合的电网故障诊断方法 |
| CN101975910B (zh) * | 2010-09-07 | 2012-07-04 | 昆明理工大学 | 一种特高压直流输电线路故障智能分类与测距方法 |
| CN102510044A (zh) * | 2011-11-04 | 2012-06-20 | 上海电力学院 | 基于小波变换和概率神经网络的励磁涌流鉴别方法 |
| CN102495333A (zh) * | 2011-11-25 | 2012-06-13 | 北京金风科创风电设备有限公司 | 微网电力系统的内部故障判别方法 |
| CN202424140U (zh) * | 2012-01-12 | 2012-09-05 | 天津市电力公司 | 一种微电网母线差动保护装置 |
| CN102545170A (zh) * | 2012-01-12 | 2012-07-04 | 天津市电力公司 | 一种微电网母线差动保护装置 |
| CN103091603B (zh) * | 2013-01-14 | 2015-01-07 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
| CN103091554B (zh) * | 2013-03-01 | 2015-04-22 | 山东电力集团公司电力科学研究院 | 线路末端同步测量信号多母线微电网稳态谐波分析方法 |
| CN103439647A (zh) * | 2013-08-28 | 2013-12-11 | 深圳华越天芯电子有限公司 | 一种动态电源电流监测的模拟电路故障诊断方法 |
| CN103926526A (zh) * | 2014-05-05 | 2014-07-16 | 重庆大学 | 一种基于改进的rbf神经网络的模拟电路故障诊断方法 |
-
2014
- 2014-11-26 CN CN201410699320.0A patent/CN104502795B/zh active Active
Also Published As
| Publication number | Publication date |
|---|---|
| CN104502795A (zh) | 2015-04-08 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN104502795B (zh) | 一种适用于微电网的智能故障诊断方法 | |
| CN102508076B (zh) | 一种基于多智能体系统和小波分析的故障诊断装置及方法 | |
| Ali et al. | Fault management in DC microgrids: A review of challenges, countermeasures, and future research trends | |
| Sanaye-Pasand et al. | Transmission line fault detection & phase selection using ANN | |
| CN101924354B (zh) | 利用s变换能量样本属性的配电网故障的人工神经网络选线方法 | |
| Koley et al. | Detection and classification of faults on six phase transmission line using ANN | |
| CN105759167A (zh) | 一种基于小波神经网络的配电网单相短路选线方法 | |
| CN105067958B (zh) | 一种基于馈线终端信息交互的小电流接地故障定位方法 | |
| CN106483425A (zh) | 基于三角模糊数的脉冲神经膜系统的故障诊断方法及装置 | |
| CN104198890A (zh) | 中低压配电网小电流接地智能选线系统 | |
| Srivastava et al. | A review on challenges and solutions in microgrid protection | |
| Yuan et al. | Study on fault line detection methods based on multi‐feature fusion in distribution systems | |
| Yuan et al. | Faulty feeder detection for single phase-to-ground faults in distribution networks based on waveform encoding and waveform segmentation | |
| CN106569096A (zh) | 一种配电网单相故障的在线定位方法 | |
| Bhuiyan et al. | A deep learning through DBN enabled transmission line fault transient classification framework for multimachine microgrid systems | |
| Jamali et al. | Phase selective protection in microgrids using combined data mining and modal decomposition method | |
| Dong et al. | Substation fault diagnosis based on rough sets and grey relational analysis | |
| CN112198391B (zh) | V2g充电桩的孤岛检测系统、检测方法和混合检测系统 | |
| Rao et al. | Fault Detection in Cluster Microgrids of Urban Community using Multi Resolution Technique based Wavelet Transforms | |
| Bisoi et al. | A hybrid Hilbert Huang transform and improved fuzzy decision tree classifier for assessment of power quality disturbances in a grid connected distributed generation system | |
| Shu et al. | A detection method of high impedance arcing fault for distribution network with distributed generation based on CEEMDAN and TEO algorithm | |
| Ekka et al. | Fault identification using fuzzy in renewable energy interfaced IEEE 13 bus system | |
| Sun et al. | Transmission Line Fault Diagnosis Method Based on Improved Multiple SVM Model | |
| Harish et al. | Evaluation of Wavelet Transform Based Feature Extraction Techniques for Detection and Classification of Faults on Transmission Lines Using WAMS Data | |
| Devi et al. | Detection and classification of transmission line faults using lstm algorithm |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| C10 | Entry into substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |