CN105893976A - 一种行波信号的参数化识别方法 - Google Patents

Abstract

本发明属于电力系统领域，涉及一种行波信号的参数化识别方法。该方法根据行波信号的统计特性建立行波信号的参数化模型；利用自适应粒子滤波算法和优化方法估计出表示不同故障情况下行波特征的参数信息和时频信息,提取能够全面反映行波信号特点的时域和时频域关联特征量组；联合分析上述关联特征量组，提取行波故障特征，突显故障信息，准确可靠地感知强电磁干扰下微弱故障行波信号和复杂折反射行波信号。本发明方法利用参数化时频分析的方法来识别电网故障行波，提出行波信号的新型识别参数,可有效提高受扰行波信号识别的可靠性和准确性,为构建新型故障行波保护与定位原理提供参数支持。

Description

一种行波信号的参数化识别方法

技术领域

本发明属于电力系统继电保护领域，涉及一种行波信号的参数化识别方法。

背景技术

目前，行波故障定位法在理论上具有很高的定位精度，使其获得了广泛的研究和应用。故障行波信号突变点的时刻及其位置都代表了具体的故障信息，因此，准确检测故障行波信号的突变点就成为行波故障定位的关键。基于小波分析、希尔伯特黄变换等的非参数时频分析方法，在行波识别中已获得了广泛的应用，并取得了较好的故障定位效果。但这些非参数化的时频分析方法在实际应用中还存在一定的局限性，如电压过零故障或高阻接地故障等微弱故障行波信号，以及行波传输过程中的衰减对行波奇异性的削弱；线路雷击未故障时雷击干扰的识别，以及雷击故障中雷击点和闪络点不一致时，闪络点的精确定位需要识别和检测雷击侧的第二个行波波头(故障点的反射波)；在单端行波故障定位法中，故障点反射波与对端母线反射波的准确识别；行波信号在传输和采样过程中，噪声的干扰使得有用信号不能被有效提取。在这些影响因素下，单纯以时域或时频域特征量提取的行波识别方法，其可靠性和准确性难以保障，严重制约了行波故障定位的精度和准确度。

发明内容

为克服已有技术的不足，解决现有行波信号识别方法在噪声干扰和微弱故障情况下其准确性和可靠性差的技术问题，提出了一种行波信号识别的参数化时频分析方法。本发明根据行波信号的统计特性，通过参数化建模的方法，利用丰富的参数信息和时频谱信息提取能够全面反映信号特点的时域和时频域关联特征量组，联合分析上述关联特征量组，以此提取行波故障特征，准确可靠地感知强电磁干扰下微弱故障行波信号和复杂折反射行波信号，有效解决了现有行波信号识别可靠性和准确性差等问题，有助于进一步提高行波故障定位的精确度和实用性。

本发明解决上述技术问题的技术方案包括以下步骤：

1) 根据行波信号的脉冲特性和非平稳特性, 构建由稳定分布驱动的时变自回归模型(稳定分布-TVAR模型)；

2) 针对模型的非高斯性以及时变参数突变的延迟性，提出以参数噪声统计特性估计为核心、带时变遗忘因子的自适应粒子滤波算法，用于行波信号建模的参数估计中；

3) 根据估计出的模型系数计算分数低阶时变功率谱密度函数，提取以参数幅值特征的时域特征量和以分数低阶时变功率谱表征的时频域特征量；

4) 根据估计出的稳定分布的参数值提取行波信号的时域特征量；

5) 根据时域和时频域的多种关联特征量组，准确提取能够全面反映行波故障信号的特征量，实现复杂行波信号和微弱行波信号的可靠准确辨识。

上述步骤1)中，受扰行波信号的稳定分布-TVAR模型：

其中，是时变的自回归系数，代表模型的阶次，是服从稳定分布的随机噪声，且、、、分别指特征指数、分散系数、对称参数、位置参数，它们的取值能完全控制稳定分布特性。

上述步骤2)中，为了估计出模型中的参数，需建立如下的状态空间模型：

其中，,且为系统真实的状态变量,为系统扩展的状态变量, 以及观测变量，系统矩阵, 观测矩阵,是参数扰动量即人工噪声,是观测高斯白噪声。

基于上述状态空间模型，利用以参数噪声统计特性估计为核心、带时变遗忘因子的自适应粒子滤波算法，估计出行波信号模型中的参数。

上述步骤3)中，根据估计出TVAR模型的自回归系数的奇异值即行波信号的突变点来初步判断雷击冲击或故障冲击。

上述步骤3)中，根据估计出TVAR模型的自回归系数和稳定分布的参数值计算分数低阶瞬时功率谱密度函数：

由上式瞬时频率所组成的时频图中，依据行波波头在时频图中表现的高频突变, 即可实现对行波波头的准确检测。

上述步骤4)中，提取以稳定分布特征指数和分散系数、以及峭度所表示的信号脉冲水平和故障程度的时域特征量。具体来讲：

特征指数反映行波信号整体脉冲水平。其值越小，说明行波信号的脉冲性越强，在无噪声或弱噪声情况下，线路故障越严重；否则线路无故障或故障轻微。该特征量具有较强的鲁棒性，其值不会受少量干扰脉冲信号的影响，能很好地反映线路故障程度。

分散系数反映行波信号整体幅值的变化，其值越大，说明行波信号整体幅值变化越大，无论是故障本身引起的变化大，还是雷击干扰所引起的变化大。利用分散系数的这一特点，可以识别雷击干扰和雷击故障。当线路雷击未造成故障时，雷击前后电流整体幅值变化不大；当线路雷击造成故障时，雷击前后电流整体幅值变化大。不同雷击情况下电流整体幅值变化不同的特征可通过分散系数值的变化来表征，即：若分散系数值变化不大，保持在某一稳定水平，则雷击未造成故障；若分散系数值变化大，则雷击造成故障。当然，在无干扰情况下，该特征参数与故障程度也是紧密相关的。

峭度是描述波形尖峰量的量纲，是一种经典的表征脉冲特性的指标参数。其性能同特征指数类似，峭度值变大时，则行波信号的脉冲性越强；反之，则行波信号的脉冲性越弱。但与特征指数相比，峭度对信号脉冲的变化非常敏感，任意单个脉冲的出现都会使峭度有一个大幅度的增加。在故障信号微弱(如轻微故障)时，这一特征参数也能较好地捕捉到信号的突变点，即辨识出行波波头。因此，该特征量能准确反映轻微故障的发生。

与现有技术相比，本发明所具有的有益效果为：本发明依据行波信号的统计特性，从时域的角度，利用统计信号处理方法和人工智能技术对行波信号进行分析和建模，从时域和时频域提取暂态行波信号的参数特征量和瞬时频率特征量，而不仅仅凭借单一故障行波时域或时频域特征来辨识行波信号。本发明方法是一种典型的参数化时频分析方法，综合了时域、时频域以及参数化分析方法的优点：丰富的参数信息和较高的时频分辨率。本发明方法能在保留原始信号特征的同时，有效滤掉混杂在行波信号中的各种噪声；通过综合分析时域和时频域的多种关联特征量组，实现行波信号的准确辨识。本发明方法的提出，能有效提高行波故障定位的准确性和可靠性，提高行波保护的实用化，为构建新型故障行波保护与定位原理提供参数支持。

下面结合附图对本发明做出进一步的说明。

附图说明

图1为本发明行波信号识别的流程图。

具体实施方式

图1为本发明行波信号识别的流程图，搭建电网EMTP仿真分析模型，设置不同故障点、故障类型以及故障程度，全面总结不同故障情况下行波信号的传输特性；在学校高压实验室搭建典型模拟实验系统，模拟测试雷击、开关操作及污闪产生的干扰暂态行波信号的波形特征，通过统计特性分析，比对不同故障情况下行波信号与干扰暂态行波信号的波形特征差异，提出辨识故障行波信号的判据；选择株洲110kV线路，采用高速存储示波器和申请者所在课题组最新研制的10MHz暂态记录分析仪测试线路弧光故障、高阻故障和金属接地故障时，不同故障点位置产生的原始行波波形，与线路干扰暂态行波信号进行波形相似度比对，寻找波形差异规律，进一步改进与完善理论研究结果，为行波信号的有效辨识提供完备的理论依据。

采样的行波信号是被白噪声干扰、具有脉冲特性的非平稳时间序列，它可被描述为：

式中，(为采样长度)是被白噪声干扰的行波序列，是纯净的行波序列，为观测白噪声。

根据行波信号的非平稳性和突变性，去噪后纯净的行波序列可通过稳定分布-TVAR模型所描述

式中，是时变的自回归系数，代表模型的阶次，是服从稳定分布的随机噪声。、、、分别指特征指数、分散系数、对称参数、位置参数，它们的取值能完全控制稳定分布特性。

为了估计出模型中的参数，需建立如下的状态空间模型：

其中，,且为系统真实的状态变量,为系统扩展的状态变量, 以及观测变量，系统矩阵, 观测矩阵,是参数扰动量即人工噪声,是观测高斯白噪声。

基于上述状态空间模型，利用两类以参数噪声统计特性估计为核心、带时变遗忘因子的自适应粒子滤波算法，估计出行波信号模型中的参数。根据估计出的模型参数，提取以TVAR模型的自回归系数、稳定分布中的分布参数、和峭度所组成的时域特征量组，以及由瞬时频率所表示的时频特征量。综合分析上述关联特征量组，对比不同影响因素和故障情况下特征量的差异，准确提取能够全面反映行波故障信息的特征量，实现行波信号的准确识别。如，线路故障严重时，则特征指数值较小，否则，线路未故障或轻微故障时，则特征指数值较大；当线路雷击未造成故障时，雷击前后电流整体幅值变化不大，则分散系数值变化不大，保持在某一稳定水平，否则，当线路雷击造成故障时，雷击前后电流整体幅值变化大，则分散系数值变化大；在故障信号微弱如轻微故障时，则可通过峭度值的变化来进行判断。

Claims (7)

1.一种行波信号的参数化识别方法，包括如下步骤：

1) 根据行波信号的脉冲特性和非平稳特性, 构建由稳定分布驱动的时变自回归模型(稳定分布-TVAR模型)；

2) 针对模型的非高斯性以及时变参数突变的延迟性，提出以参数噪声统计特性估计为核心、带时变遗忘因子的自适应粒子滤波算法，用于行波信号建模的参数估计中；

3) 根据估计出的模型系数计算分数低阶时变功率谱，提取以参数幅值特征的时域特征量和以分数低阶时变功率谱表征的时频域特征量；

4) 根据估计出的稳定分布参数值提取行波信号的时域特征量；

5) 根据时域和时频域的多种关联特征量组，准确提取能够全面反映行波故障信号的特征量，实现复杂行波信号和微弱行波信号的可靠准确辨识。

2.根据权利要求l所述行波信号的参数化识别方法，其特征在于：所述步骤1)中，行波信号的稳定分布-TVAR模型为：

其中，是时变的自回归系数，代表模型的阶次，是服从稳定分布的随机噪声，且、、、分别指特征指数、分散系数、对称参数、位置参数，它们的取值能完全控制稳定分布特性；

TVAR模型自回归系数的动态变化情况能很好地反映信号的动态特性，即自回归系数的突变或缓慢变化分别对应行波信号的突变(如雷击冲击或故障冲击)或缓慢变化，由此可提取以模型自回归系数奇异值表示的时域特征量；而且，根据时变自回归系数的值可以计算出信号的瞬时频率，由此可提取由瞬时频率所组成的时频特征量；

在稳定分布中，与行波信号特征相关的两参数和分别表征信号的脉冲水平和故障程度；即，值越小，信号的整体脉冲特性越强；越大，信号的整体幅值变化越大；

这两个参数都与故障程度和故障信息密切相关，因此，可以将它们作为衡量信号脉冲特性和故障程度的参数特征量。

3.根据权利要求l所述行波信号的参数化识别方法，其特征在于：所述步骤2)中，模型参数估计方法如下：

其中，表示稳定分布-TVAR模型所有待估计的参数；

为了准确估计出模型中自回归系数以及纯净行波信号，选取状态变量,且为系统真实的状态变量,为系统扩展的状态变量, 以及观测变量，建立如下的自组织状态空间模型：

其中，系统矩阵, 观测矩阵,是参数扰动量即人工噪声,是高斯噪声；

基于上述状态空间模型, 利用自适应滤波算法即可估计出模型状态和参数。

4.根据权利要求l所述行波信号的参数化识别方法，其特征在于：所述步骤3)中提取以模型自回归系数奇异值表示的时域特征量，即：自回归系数的奇异值点对应行波信号的突变，如雷击冲击或故障冲击。

5.根据权利要求l所述行波信号的参数化识别方法，其特征在于：所述步骤3)中信号的谱密度函数的估计如下：

由上式瞬时频率所组成的时频图中，行波波头会在该时频图中表现为高频突变，由此可以通过频率突变点的时间位置确定行波到达时间，实现对行波波头的准确检测。

6.根据权利要求l所述行波信号的参数化识别方法，其特征在于：所述步骤4)中根据估计估计的特征指数来判断线路故障程度，即其值越小，说明行波信号的脉冲性越强，在无噪声或弱噪声情况下，线路故障越严重，反之亦然。

7.根据权利要求l所述行波信号的参数化识别方法，其特征在于：所述步骤4)中根据估计的分散系数来区分雷击干扰和雷击故障，即：若其值变化不大，保持在某一稳定水平，则雷击未造成故障；若其值变化大，则雷击造成故障。