CN106405339B - 基于高低频小波特征关联的输电线路故障原因辨识方法 - Google Patents

Abstract

本发明公开了基于高低频小波特征关联的输电线路故障原因辨识方法，包括：提取N种故障类型故障相电流样本，建立样本数据库；从样本数据库中对故障类型T进行高频及低频数据采样，并分别进行小波分解；对高频及低频数据小波系数进行特征提取；步骤四：建立故障T关联关系模型；确立N种故障类型的关联关系模型；步骤六：将待测故障原因的样本数据进行小波分解并提取特征量；将待测故障原因的样本的特征量依次带入N种故障类型的关联关系模型，判断该待测故障原因的样本数据的故障类型。本发明通过小波变换理论和信息熵结合对故障相电流进行分析及处理，既能有效的分析突变信号，又能达到信息融合的目的，提高辨识准确度。

Description

基于高低频小波特征关联的输电线路故障原因辨识方法

技术领域

本发明涉及输电线路故障诊断技术领域，具体涉及基于高低频小波特征关联的输电线路故障原因辨识方法。

背景技术

高压输电线路是输电网中发生故障最多的地方，其故障对电力系统的稳定运行、国民经济建设及人民日常生活产生非常严重的危害与影响。在故障后快速、准确的故障原因分析对于工作人员的勘察检修及快速恢复电网供电有重要的作用。引起输电线路故障的原因主要有雷击、污闪、鸟闪、山火、异物短路、外力触碰等。

在对上述各种故障机理的分析基础上进行相应特征提取，可实现故障原因的辨识。高频行波信号中包含了大量的频域和时域信息，对故障原因的分析可提供足够的数据支持，故障特征较为明显，容易实现故障原因的辨识。但实际现场录波数据中大多是采样频率小于10K的录波数据，包含的频率和时域信息相对较少，给故障原因的辨识带来很大困难。

发明内容

为解决现有技术存在的不足，本发明公开了基于高低频小波特征关联的输电线路故障原因辨识方法，本发明的目的是通过建立高频行波数据的小波特征与低频录波数据的小波特征的关联模型，采用低频录波数据实现故障原因的辨识。

为实现上述目的，本发明的具体方案如下：

基于高低频小波特征关联的输电线路故障原因辨识方法，包括以下步骤：

步骤一：提取N种故障类型故障相电流样本，建立样本数据库，N为故障类型种类数；

步骤二：从样本数据库中对故障类型T进行高频及低频数据采样，并分别进行小波变换，得到小波系数，T代表故障类型；

步骤三：对高频及低频数据小波系数进行特征提取，提取低频特征向量及高频特征向量；

步骤四：利用BP神经网络读取步骤三中得到的低频特征向量及高频特征向量，建立故障T关联关系模型，对参数进行保存，确立T模型的关联关系；

步骤五：重复步骤二至四，直至所有故障类型均处理完毕，确立N种故障类型的关联关系模型；

步骤六：将待测故障原因的样本数据进行小波变换并提取特征量；

步骤七：将待测故障原因的样本的特征量依次带入N种故障类型的关联关系模型，选取拟合度最大且大于设定值的输出结果，判断该待测故障原因的样本数据为该输出结果对应的模型中的故障类型。

进一步的，所述小波变换中，本发明应用的是小波的多分辨率分析，如下：

在满足采样定理的情况下，信号x(k)经多分辨率分解运算，即利用一对镜像滤波器{h_n}，{g_n}对采样信号不断进行二进频带划分，可得到第j分解尺度下k时刻的高频分量系数为d_j(k)，低频分量系数为a_j(k)，进行单支重构后得到的信号分量D_j(k)、A_j(k)所包含的信息频带范围为：

D_j(k)：

A_j(k)：

j＝1,2,…,J

式中：f_s为信号采样频率；J表示最大分解尺度。

此时，原始信号序列x(k)可以表示为各分量的和，即

为统一，用D_j+1(k)代替A_J(k),则有

D_j(k)表征了信号x(k)在不同尺度下的分量，故也称为信号的多尺度表示。

进一步的，基于小波多分辨率分析的小波变换具体步骤包括：

选取小波基函数t表示小波基函数是时间t的函数，Daubechies系列小波正交性、紧支性较好，对不规则信号较为敏感，选用DB4小波对故障暂态信号进行小波分解；

对被分析信号进行小波分解：依次利用小波基函数对故障类型T情况下故障相电流数据样本i^T(t)进行J层小波分解，得J+1个输出频带的小波系数k＝1,2,…,K；

其中，J表示分解层数；j表示第j个频带，k表示第k个系数，K表示相对应于每个输出频带上小波系数的总数，T代表故障类型，代表对故障类型T情况下故障相电流数据样本i^T(t)利用小波基函数进行J层小波分解后的第j个频带的第k个系数，代表系数进行单支重构后的信号。

进一步的，对高频及低频数据小波系数进行特征提取，所提取的三种特征量分别是：小波能量矩、小波能谱熵及小波奇异熵。

进一步的，小波能量矩提取过程为：

各频带内信号的能量矩

式中Δt指采样时间间隔；

将能量矩进行处理，形成特征向量

进一步的，小波能谱熵提取过程为：

为尺度j时刻k的小波能谱，为尺度j上的小波能谱；

由正交小波变换的特性可知，小波变换后的能量与原始信号能量之间存在等价关系，在某一时间窗内(窗宽ω∈N)信号总能量E等于各分量能量之和；

则则相应的小波能谱熵则

进一步的，小波奇异熵提取过程为：

定义相对奇异值为：

结合小波变换奇异值分解和信息熵各自的特点，定义的小波奇异熵如下：

其中，采样信号经小波变换后得到系数矩阵A_J×K，其中K为采样点数，J表示小波分解层数，对矩阵A_J×K进行奇异值分解，必然存在一个J×R维的矩阵U，一个R×K的矩阵V和一个R阶的对角阵W，使得A_J×K＝U_J×RW_R×RV_R×K，其中对角矩阵W的主对角非零元素λ_i(i＝1,2,…,R)是系数矩阵A_J×K的奇异值。

进一步的，在确立N种故障类型的关联关系模型时，所使用的关联分析模型为神经网络模型，使用基于误差反向传播算法的多层前向网络的BP神经网络，在样本训练过程中，通过不断调整各层神经元之间的连接权值，使网络输出结果逐渐接近给定的目标值，BP网络由输入层、一个或多个隐含层、输出层组成，各层神经元之间的联系用权值表示，同一层神经元之间无连接。

本发明的有益效果：

(1)本发明提出一种基于高低频小波特征关联的输电线路故障原因辨识方法，该方法针对目前电力系统的采样设备的采样频率低而无法捕捉到细致的故障信息进行故障原因的辨识的问题提出了新的解决方法；

(2)本发明通过小波变换理论和信息熵结合对故障相电流进行分析及处理，充分发挥两者的优点，既能有效的分析突变信号，又能达到信息融合的目的，从而提取到更为细致的故障信息，提高辨识准确度。

附图说明

图1为输电线路故障原因辨识的流程图；

图2为某次实际雷击故障低频录波信号进行小波的多分辨率分析结果；

图3为某次实际雷击故障行波录波信号进行小波的多分辨率分析结果。

具体实施方式：

下面结合附图对本发明进行详细说明：

输电线路故障原因的辨识需要借助录波数据中频域和时域特征，由于现场的录波数据采样频率较低，难以提供丰富的时频域特征作为故障原因判断的依据，为了解决这个问题，实现采用低频录波数据辨识输电线路故障原因的目的，本发明提出了建立高频行波信号小波特征与低频录波数据的小波特征的关联模型，然后采用低频录波数据实现故障原因辨识的方法。故障行波信号由综合测距装置中行波监测装置获得，经过大量历史故障样本数据的训练和学习，形成辨识模型，用于对各种故障原因的辨识。

本发明提出了一种基于高低频小波特征关联的输电线路故障原因辨识方法，该方法在对各种常见故障的故障原因特征分析的基础上，采用了小波理论对故障信号进行分析处理，建立了故障信号的行波特征以及低频特征之间的关联关系。因此，通过在实际故障现场所测得的低频采样的数据可以相应关联出发生此种故障时的行波的相关特征，从而实现故障原因的辨识。

基于香农(Shannon)信息熵概念的谱熵是信号复杂度的一种分析指标，利用小波变换所得的各层小波重构系数为基础定义的各种熵值，统称为小波熵。小波变换具有时频域分析非平稳时变信号的能力，基于小波变换得到的系数矩阵反映了信号在各个时频段的特征，由此计算得到的熵值能反映信号概率分布的有序程度。应用信息熵提取暂态信号特征，当信号发生扰动时，测试信号的幅值和频率会发生较大的变化，其熵值也会发生相应的变化。小波变换具有多分辨分析的特点，对于非线性时变信号有其独特的分析能力，是一种时频分析方法，而信息熵对信号的扰动具有很强的辨识能力，因此，将小波变换和信息熵两者结合，充分结合二者的优点，既能有效地分析突变信号，又能达到信息融合的目的。

如图1所示，整体上，基于高低频小波特征关联的输电线路故障原因辨识方法，包括以下步骤：

(1)提取N种故障类型故障时的故障相电流的原始的低频和高频的采样数据，建立样本数据库；

对N种故障原因类型的故障样本分别提取高频行波数据及工频数据。如雷击的低频样本数据集高频样本数据集n代表第n个波形样本，N为所分析故障原因种类数，T代表故障类型)。

(2)低频及高频行波数据信息进行小波变换；

将数据集分别导入matlab，进行小波分解与单支重构，得到小波系数。

(3)对低频及高频行波数据小波系数进行特征提取；

分别对低频数据及高频数据的小波系数进一步计算分析，提取出故障信息(高频小波能量矩、高频小波能谱熵，高频小波奇异熵以及低频小波能量矩、低频小波能谱熵，低频小波奇异熵)，构成低频特征向量高频特征向量

(4)建立低频及高频特征量之间的关联关系；

依次将低频特征向量作为输入参量，高频特征向量作为输出参量，建立神经网络关联关系模型进行训练，得到低频特征向量和高频特征向量的对应关系，在样本训练过程中根据测试效果不断调整各层神经元之间的连接权值，使网络输出结果逐渐接近给定的目标值。

(5)重复(2)至(4)，直至所有故障类型均处理完毕，确立N种故障类型的关联关系模型；

(6)对待分析低频故障样本的故障相电流数据进行小波小波变换并分析处理，提取特征量Q_x；

(7)对待分析故障样本故障类型进行识别；

将待分析故障样本的特征量作为输入参量Q_x分别导入N种故障高低频关联关系模型中，得到相对应各输出参量即为待测样本根据各模型所关联的对应于各个故障类型的高频特征，计算各输出参量和各高频样本的拟合程度W₁,W₂,…,W_N，取拟合程度最大W_Z并且拟合程度大于阈值(0.8)，则说明该故障与此种故障类型的故障特征最为相似，且相似度满足要求，因此判定为是故障Z；否则，故障分析不正确。

步骤(2)及(6)中，所述小波变换所用的中小波的多分辨率分析理解如下：

在满足采样定理的情况下，信号x(k)经多分辨率分解运算，即利用一对镜像滤波器{h_n}，{g_n}对采样信号不断进行二进频带划分，可得到第j分解尺度下k时刻的高频分量系数为d_j(k)，低频分量系数为a_j(k)，进行单支重构后得到的信号分量D_j(k)、A_j(k)所包含的信息频带范围为：

D_j(k)：

A_j(k)：

j＝1,2,…,J

式中：f_s为信号采样频率；J表示最大分解尺度。

则原始信号序列x(k)可以表示为各分量的和，即

为统一，用D_j+1(k)代替A_J(k),则有

D_j(k)表征了信号x(k)在不同尺度下的分量，故也称为信号的多尺度表示。

具体方法包括：

选取小波基函数t表示小波基函数是时间t的函数，Daubechies系列小波正交性、紧支性较好，对不规则信号较为敏感，选用DB4小波对故障暂态信号进行小波分解；

对被分析信号进行小波分解及单支重构：依次利用小波基函数对故障类型T情况下故障相电流数据样本i^T(t)进行J层小波分解，得J+1个输出频带的小波系数j＝1,2,…,J+1，k＝1,2,…,K,其中，J表示分解层数；j表示第j个频带，k表示第k个系数，K表示相对应于每个输出频带上小波系数的总数，T代表故障类型代表对故障类型T情况下故障相电流数据样本i^T(t)利用小波基函数进行J层小波分解后的第j个频带的第k个系数，代表系数进行单支重构后的信号；

下面是本发明中所提取的三种特征量：小波能量矩、小波能谱熵及小波奇异熵。

1)小波能量矩

各频带内信号的能量矩

式中Δt指采样时间间隔；

将能量矩进行处理，形成特征向量

2)小波能谱熵

为尺度j时刻k的小波能谱，为尺度j上的小波能谱。

由正交小波变换的特性可知，小波变换后的能量与原始信号能量之间存在等价关系，在某一时间窗内(窗宽ω∈N)信号总能量E等于各分量能量之和。

则则相应的小波能谱熵则

3)小波奇异熵

采样信号经小波变换后得到系数矩阵A_J×K，其中K为采样点数，J表示小波分解层数。对矩阵A_J×K进行奇异值分解，必然存在一个J×R维的矩阵U，一个R×K的矩阵V和一个R阶的对角阵W，使得A_J×K＝U_J×RW_R×RV_R×K，其中对角矩阵W的主对角非零元素λ_i(i＝1,2,…,R)是系数矩阵A_J×K的奇异值。根据信号奇异值分解理论，信号小波变换矩阵的奇异值能反映信号的特征。对小波变换矩阵进行奇异值分解相当于将小波空间映射到线性无关的特征空间，奇异值反映了信号时频空间中特征模式能量分布的确定性。

定义相对奇异值为：

结合小波变换奇异值分解和信息熵各自的特点，定义的小波奇异熵如下：

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。在综合冗余信息的基础上，小波空间的奇异熵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。

故，

综上，特征向量为

步骤(4)中，所使用的关联分析方法为神经网络模型。在其中使用基于误差反向传播算法的多层前向网络的BP神经网络，在样本训练过程中，通过不断调整各层神经元之间的连接权值，使网络输出结果逐渐接近给定的目标值，具有很好的函数逼近能力。BP网络由输入层、一个或多个隐含层、输出层组成，各层神经元之间的联系用权值表示，同一层神经元之间无连接。

更为详细的实施例子：

(1)提取故障样本故障相电流的低频及行波采样数据

本实施例中故障种类为雷击故障。对录波数据进行分析，知检测装置的工频录波装置的采样频率为5kHz，高频行波数据的采样频率为2MHz，分别提取出样本中的故障发生时刻后一周期的故障相电流(B相电流)数据

(2)小波变换提取特征量

对于5kHz的采样频率所得到的故障信号所包含的应为2.5kHz以内的频率成分，对其进行5层小波分解，得到频段分别为cA5：0～78Hz，cD5：78～156Hz，cD4：156～312Hz，cD3：312～625Hz，cD2：625～1250Hz以及cD1：1250～2500Hz的频率成分的信号。

对于2MHz的采样频率所得到的故障信号所包含的应为1MHz以内的频率成分，对其进行5层小波分解，得到频段分别为cA5：0～31.25kHz，cD5：31.25～62.5kHz，cD4：62.5～125kHz，cD3：125～250kHz，cD2：250～500kHz以及cD1：500～1000kHz的信号。

附图2为所用故障样本的低频录波信号(取故障后一周期的数据)采用DB4小波基进行小波分解的结果，附图3是所用故障样本采集的行波信号(取故障前25μs开始至故障后175μs的数据)采用DB4小波基进行小波分解的结果。

(3)求小波能量矩、小波能谱熵及小波奇异熵

通过步骤中所描述的方法，将实施例故障的低频信号特征向量Q_a、行波信号特征向量Q_b(取故障后行波信号明显的50μs的数据进行分析求解)分别为：

Q_a＝[Q_a1,Q_a2,Q_a3]＝[M_a,W_EEa,W_CSa]

＝[4.109e-05 2.748e-04 3.400e-04 0.001 0.042 0.999 0.209 0.833]

Q_b＝[Q_b1,Q_b2,Q_b3]＝[M_b,W_EEb,W_CSb]

＝[0.491 0.740 0.407 0.051 0.120 0.171 1.361 1.679]

(4)建立低频特征Q_a和高频特征Q_b之间的关联关系

将小波分解的特征量输入神经网络进行学习，建立模型。

(5)故障原因识别

将(4)中建立的模型应用于实际故障的识别，可通过带入待分析故障计算与高频信号特征分量的拟合程度分辨出是否为同种故障即雷击故障。

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 (10)

1.基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，包括以下步骤：

步骤一：提取N种故障类型故障相电流样本，建立样本数据库，N为故障类型种类数；

步骤二：从样本数据库中对故障类型T进行高频及低频数据采样，并分别进行小波变换，得到小波系数，T代表故障类型；

步骤三：对高频及低频数据小波系数进行特征提取，提取低频特征向量及高频特征向量；

步骤四：利用BP神经网络读取步骤三中得到的低频特征向量及高频特征向量，建立故障T关联关系模型，对参数进行保存，确立T模型的关联关系；

步骤五：重复步骤二至四，直至所有故障类型均处理完毕，确立N种故障类型的关联关系模型；

步骤六：将待测故障原因的样本数据进行小波变换并提取特征量；

步骤七：将待测故障原因的样本的特征量依次带入N种故障类型的关联关系模型，选取拟合度最大且大于设定值的输出结果，判断该待测故障原因的样本数据为该输出结果对应的模型中的故障类型。

2.如权利要求1所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，所述小波变换中，本发明应用的是小波的多分辨率分析，如下：

在满足采样定理的情况下，信号x(k)经多分辨率分解运算，即利用一对镜像滤波器{h_n}，{g_n}对采样信号不断进行二进频带划分，可得到第j分解尺度下k时刻的高频分量系数为d_j(k)，低频分量系数为a_j(k)，进行单支重构后得到的信号分量D_j(k)、A_j(k)所包含的信息频带范围为：

D_j(k)：[2^-(j+1)f_s,2^-jf_s]

A_j(k)：[0,2^-(j+1)f_s]

j＝1,2,…,J

式中：f_s为信号采样频率；J表示最大分解尺度。

3.如权利要求2所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，多分辨率分析后原始信号序列x(k)可以表示为各分量的和，即

为统一，用D_j+1(k)代替A_J(k),则有

D_j(k)表征了信号x(k)在不同尺度下的分量，故也称为信号的多尺度表示。

4.如权利要求1所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，基于小波多分辨率分析的小波变换具体步骤包括：

选取小波基函数t表示小波基函数是时间t的函数，Daubechies系列小波正交性、紧支性较好，对不规则信号较为敏感，选用DB4小波对故障暂态信号进行小波变换；

对被分析信号进行小波分解与单支重构：依次利用小波基函数对故障类型T情况下故障相电流数据样本i^T(t)进行J层小波分解，得J+1个输出频带的小波系数

其中，J表示分解层数；j表示第j个频带，k表示第k个系数，K表示相对应于每个输出频带上小波系数的总数，T代表故障类型，代表对故障类型T情况下故障相电流数据样本i^T(t)利用小波基函数进行J层小波分解后的第j个频带的第k个系数，代表系数进行单支重构后的信号。

5.如权利要求1或4所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，对高频及低频数据小波系数进行特征提取，所提取的三种特征量分别是：小波能量矩、小波能谱熵及小波奇异熵。

6.如权利要求5所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，小波能量矩提取过程为：

各频带内信号的能量矩

式中Δt指采样时间间隔；

将能量矩进行处理，形成特征向量

7.如权利要求5所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，小波能谱熵提取过程为：

为尺度j时刻k的小波能谱，为尺度j上的小波能谱；

由正交小波变换的特性可知，小波变换后的能量与原始信号能量之间存在等价关系，在某一时间窗内信号总能量E等于各分量能量之和；

则则相应的小波能谱熵则

8.如权利要求5所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，小波奇异熵提取过程为：

定义相对奇异值为：

结合小波变换奇异值分解和信息熵各自的特点，定义的小波奇异熵如下：

其中，采样信号经小波变换后得到系数矩阵A_J×K，其中K为采样点数，J表示小波分解层数，对矩阵A_J×K进行奇异值分解，必然存在一个J×R维的矩阵U，一个R×K的矩阵V和一个R阶的对角阵W，使得A_J×K＝U_J×RW_R×RV_R×K，其中对角矩阵W的主对角非零元素λ_i(i＝1,2,…,R)是系数矩阵A_J×K的奇异值。

9.如权利要求1所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，在确立N种故障类型的关联关系模型时，所使用的关联分析模型为神经网络模型，使用基于误差反向传播算法的多层前向网络的BP神经网络，在样本训练过程中，通过不断调整各层神经元之间的连接权值，使网络输出结果逐渐接近给定的目标值。

10.如权利要求9所述的基于高低频小波特征关联的输电线路故障原因辨识方法，其特征是，BP网络由输入层、一个或多个隐含层、输出层组成，各层神经元之间的联系用权值表示，同一层神经元之间无连接。