CN107085164A - 一种电网故障类型确定方法及装置 - Google Patents

Abstract

本发明提供一种电网故障类型确定方法及装置，所述方法包括：获取预设时间段内的电网数据；基于第一空间分布确定规则，确定所述电网数据对应的目标空间分布；基于所述目标空间分布以及预先确定的电网故障类型与空间分布的对应关系，确定所述电网数据对应的电网故障类型。本发明的方法通过确定所述电网数据对应的目标空间分布，并基于预先确定的电网故障类型与空间分布的对应关系，能够快速实现电网故障类型确定。

Description

一种电网故障类型确定方法及装置

技术领域

本发明涉及电网故障技术领域，特别是一种电网故障类型确定方法及装置。

背景技术

电力系统中各种电压的变电所及输配电线路组成的整体，称为电网。它包含变电、输电、配电三个单元。电网的任务是输送与分配电能，改变电压。电网故障诊断是对各级各类保护装置、断路器的动作信息以及电压电流等电气量的测量信息进行分析,根据保护动作的逻辑和运行人员的经验来推断可能的故障位置和故障类型，为调度员的决策提供相关的判据。当电网发生故障时，准确、快速、自动的故障诊断对迅速恢复电网供电具有重要意义。

根据分析所使用的数据类型、诊断方法的不同，电网故障诊断的发展可以分为四个阶段。

在第一阶段，由于测量手段有限，可以获取的数据类型和数量非常少，这个阶段的故障诊断主要依靠人工实现。基于经验的故障诊断可靠性很低，同时，效率也很低，故障定位要占到整个故障处理时间的三分之一以上。

第二阶段主要依靠数据采集与监视控制系统(SCADA，Supervisory Control AndData Acquisition)，采集的数据类型主要是保护装置和断路器的动作信息。这一阶段的故障诊断主要是依靠故障后电力系统的一系列事件数据。使用的方法主要是专家系统，即通过建立故障信息知识库，通过逻辑约束产生事件信息和故障之间的对应关系。专家系统方法的优点是电网中保护动作和故障之间的关系可以用直观的、模块化的规则表达出来，解释能力强。缺点是电网规模比较大时，构建和更新知识库难；主动学习能力差。在第二阶段中，基本已经实现了有效的故障诊断，但是由于不采集暂态波形信息，无法完成对故障信息的直接分析。

在第三阶段中，由于故障信息系统的使用，克服了这个问题。通过采集故障时暂态录波信息，加强了对故障信息的直接分析。在第四阶段，广域信息系统(WAMS,Wide AreaMeasurement System)信息系统兼具了SCADA系统和故障录波系统的功能。其前置PMU单元可以高频率的采集电网电流、电压信息，同时计算出功角、有功、无功等信息。WAMS最大的特点是通过全球定位系统(GPS)校对，可以保证各个监测点数据的同步性。由于WAMS的使用大大丰富了可供使用的数据类型和数量，传统基于逻辑推理方法的实施难度很大，因此一批基于机器学习的方法得到广泛应用，主要包括人工神经网络、支持向量机、Petri网、贝叶斯网络、粗糙集等方法。

未来随着由传统电网向能源互联网发展，网络的拓扑结构越来越复杂，传感器数量的越来越多，可供分析和挖掘的数据量和数据类型也越来越多。随着数据量的增大，数据中所蕴含的信息量也更大，但是其中冗余的信息也成倍增加，对于大数据的故障诊断所耗费的时间和精力也成倍增加。

因此，传统的技术方案对基于大数据的故障诊断分析存在效率低的缺陷。

发明内容

针对现有技术的缺陷，本发明提供一种电网故障类型确定方法方法及装置。

第一方面，本发明提供一种电网故障类型确定方法，包括：

获取预设时间段内的电网数据；

基于第一空间分布确定规则，确定所述电网数据对应的目标空间分布；

基于所述目标空间分布以及预先确定的电网故障类型与空间分布的对应关系，确定所述电网数据对应的电网故障类型。

第二方面，本发明还提供一种电网故障类型确定装置，包括：

获取单元，用于获取预设时间段内的电网数据；

第一确定单元，用于基于第一空间分布确定规则，确定所述电网数据对应的目标空间分布；

第二确定单元，用于基于所述目标空间分布以及预先确定的电网故障类型与空间分布的对应关系，确定所述电网数据对应的电网故障类型。

由上述技术方案可知，本发明提供的一种电网故障类型确定方法及装置，所述方法通过确定所述电网数据对应的目标空间分布，并基于预先确定的电网故障类型与空间分布的对应关系，能够快速实现电网故障类型确定。

附图说明

图1为本发明实施例一提供的一种电网故障类型确定方法的流程示意图；

图2为本发明实施例二提供的一种电网故障类型确定方法的部分流程示意图；

图3为本发明实施例三提供的一种电网故障类型确定方法的部分流程示意图；

图4为本发明实施例四提供的一种电网故障类型确定装置的结构示意图。

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。

能源互联网可理解是综合运用先进的电力电子技术,信息技术和智能管理技术,将大量由分布式能量采集装置,分布式能量储存装置和各种类型负载构成的新型电力网络、石油网络、天然气网络等能源节点互联起来,以实现能量双向流动的能量对等交换与共享网络。

能源互联网可包括广域信息系统WAMS，WAMS可采集电网中的电网数据，本发明提供的一种电网故障类型确定方法可针对采集的电网数据进行故障类型确定。

本实施例中，故障类型可以是短路和断路故障。短路故障可以包括三相短路、两相短路、单项接地短路、两相接地短路；断路故障包括单项断路、两相断路和三相断路等。

随着能源互联网发展，采集的数据量的增大，数据结构也更加复杂，通常电网数据是较为复杂的高维数据。

流形学习(Manifold Learning)是从高维采样数据中恢复低维流形结构，即找到高维空间中的低维流形，并求出相应的嵌入映射，以实现维数约简或者数据可视化。它是从观测到的现象中去寻找事物的本质，找到产生数据的内在规律。

具体地，流形学习是在高维空间中，找到其对应的低维流形嵌入，使得高维空间中数据点彼此之间的近邻关系得以保持，是一种非线性的降维方法。将原始特征空间的全局非线性看作局部线性，使得降维过程中不改变其拓扑结构和固有流形，因此也是一种特征提取方法。

图1示出了本发明实施例一提供的一种电网故障类型确定方法的流程示意图。

参照图1，本发明实施例一具体包括以下步骤：

101、获取预设时间段内的电网数据；

在本步骤中，可从电网系统中的监控系统，如广域信息系统WAMS采集电网数据。所述预设时间段可为10s，可根据实际情况进行调整。

其中，所述电网数据可为以下至少一者：电压、电流、有功功率、无功功率。

举例来说，所述电网数据可为电压、电流、有功功率、无功功率及其衍生量，且采集得到的电网数据可以是高维矩阵，也就是说，所述电网数据可为电压、电流、有功功率、无功功率四个数据的高维矩阵。

102、基于第一空间分布确定规则，确定所述电网数据对应的目标空间分布；

在本步骤中，可采用流形学习方法，实现数据可视化，也即，基于第一空间分布确定规则，对所述电网数据进行数据可视化，得到确定所述电网数据对应的目标空间分布。

其中，基于第一空间分布确定规则，也可实现维数约简，也即，将高维矩阵降维为低维矩阵。

举例来说，所述第一空间分布确定规则可为非线性降维算法。

具体地，非线性降维算法是流形学习方法的一种，包括保留局部特征算法及保留全局特征算法。其中，保留局部特征算法包括LLE(Locally Linear Embedding，局部线性嵌入算法)等。LLE算法是在保持原始数据性质不变的情况下，将高维空间的数据映射到低维空间上，即特征值的二次提取。不仅可使降维后的数据保持原有拓扑结构，而且算法操作相对简单。

103、基于所述目标空间分布以及预先确定的电网故障类型与空间分布的对应关系，确定所述电网数据对应的电网故障类型。

在本步骤中，获取预先确定的电网故障类型与空间分布的对应关系，将所述目标空间分布与所述对应关系进行比对，以确定所述目标空间分布所对应的电网故障类型，从而实现确定所述电网数据对应的电网故障类型。

其中，所述电网故障类型与空间分布的对应关系可通过机器学习(MachineLearning,ML)原理预先对所述电网数据进行电网故障类型学习得到。

本实施例一提供的一种电网故障类型确定方法，至少具有以下技术效果：

通过确定所述电网数据对应的目标空间分布，并基于预先确定的电网故障类型与空间分布的对应关系，能够快速实现电网故障类型确定。

图2示出了本发明实施例二提供的一种电网故障类型确定方法的部分流程示意图。

参照图2，本发明实施例二提供的一种电网故障类型确定方法，在所述步骤103之前，还包括确定所述电网故障类型与空间分布的对应关系的步骤，具体包括：

201、获取电网训练数据，所述电网训练数据携带电网故障类型；

在本步骤之前，自WAMS采集数据，对所述数据进行预处理、分析，依据现有技术中的故障诊断手段，加上技术人员的经验判断，得到所述数据的电网故障类型，并对所述数据进行人为的标记动作。由此可获得携带电网故障类型的所述电网训练数据。

在本步骤中，使用机器学习之前，需要对机器进行学习训练，为机器提供学习的训练样本。

202、基于第一空间分布确定规则，确定所述电网训练数据对应的空间分布；

在本步骤中，可基于第一空间分布确定规则，对所述电网训练数据进行数据可视化，得到确定所述电网数据对应的目标空间分布。

可选地，所述第一空间分布确定规则可为非线性降维算法。

203、对所述电网训练数据进行训练，确定所述电网故障类型与空间分布的对应关系。

在本步骤中，利用所述电网数据对应的目标空间分布与电网故障类型建立映射函数，训练的结果可得到所述电网故障类型与空间分布的对应关系。

其中，所述电网故障类型与空间分布的对应关系可以是一种电网故障类型对应一种空间分布。

在上述实施例的基础上，可将各实施例的内容做自由组合。

本实施例二提供的一种电网故障类型确定方法，至少具有以下技术效果：

通过为机器学习提供所述电网训练数据，能够确定电网故障类型与空间分布的对应关系，从而为电网故障诊断提供基础。

图3示出了本发明实施例三提供的一种电网故障类型确定方法的部分流程示意图。

参照图3，本发明实施例三提供的一种电网故障类型确定方法，所述步骤202具体包括：

2021、基于第二空间分布确定规则，确定所述电网训练数据的近邻数和维数，所述近邻数为距离预设参考点最近邻的所述电网训练数据的个数；

在本步骤中，可通过第二空间分布确定规则，以需要确定的两个参数近邻数k和维数d。

所述近邻数k为距离预设参考点最近邻的所述电网训练数据的个数，个数可预先给定。

所述维数d为所述电网训练数据的内嵌维度。

其中，所述第二空间分布确定规则可为线性降维算法，将所述电网训练数据映射到空间上，进行空间分布集中分析。

可选地，所述线性降维算法可为Fisher准则(Fisher Linear Discriminant，FLD)，也称线性判别式分析(Linear Discriminant Analysis，简称LDA)。

Fisher准则的基本思想是将高维的样本投影到最佳鉴别矢量空间，以达到抽取分类信息和压缩特征空间维数的效果，投影后保证模式样本在新的子空间有最大的类间距离和最小的类内距离，即模式在该空间中有最佳的可分离性。因此，它是一种有效的特征抽取方法。使用这种方法能够使投影后样本的类间散布矩阵最大，并且同时类内散布矩阵最小，即模式在该空间中有最佳的可分离性。

具体地，所述步骤2021包括图未示出的步骤A1-A3:

A1、确定近邻数和维数的取值范围；

A2、基于第二空间分布确定规则，针对所述电网训练数据的空间分布，遍历所述近邻数和维数的取值范围；

在本步骤中，将所述近邻数和维数分别代入所述电网训练数据的空间分布，可得到对应所述近邻数和维数的空间分布。

A3、将所述电网训练数据的空间分布最集中时对应的近邻数和维数，确定为所述电网训练数据的近邻数和维数。

在本步骤中，分析各个近邻数和维数的空间分布，选择所述电网训练数据在空间分布最集中的空间分布，获得空间分布最集中时所对应的近邻数和维数，由此可确定为所述电网训练数据的近邻数和维数。

也即，通过Fisher准则，对所述近邻数和维数进行优化，将不同近邻数和维数所对应的所述电网训练数据的空间分布分开，获得最优近邻数和维数。

2022、基于第一空间分布确定规则，根据所述近邻数和维数，确定所述电网训练数据对应的空间分布。

相应地，可基于LLE算法，根据获得的最优所述近邻数和维数，确定所述电网训练数据对应的空间分布。

在上述实施例的基础上，可将各实施例的内容做自由组合。

本实施例三提供的一种电网故障类型确定方法，至少具有以下技术效果：

通过第二空间分布确定规则，确定第一空间分布确定规则所需的参数，由此确定所述电网训练数据对应的空间分布，从而可确定电网故障类型与空间分布的对应关系。

为了更清楚的描述实施例，以下具体描述上述实施例。

所述步骤202，利用LLE算法对所述电网训练数据进行降维，具体步骤如下S1-S3：

应当说明的是，所述电网训练数据简称样本，映射至空间上成为样本点。

步骤S1、计算出每个样本的k个近邻点。把相对于所求样本点距离最近的k个样本点规定为所求样本点的近邻点，k是一个预先给定值。

可选地，可根据预设距离算法，获得所述样本的近邻点。本实施例中，由于针对多个样本点，可采用的是欧氏距离作为距离算法，可减轻计算的复杂程度，可以理解的是，也可采用其他现有距离算法。

步骤S2、计算出样本点的局部重建权值矩阵w。

首先，可根据以下公式一定义重构误差：

式中，ε为任取变量，w是为局部重建权值矩阵，X表示一个特定的点，i取值从1到N，N为样本个数，j取值1到k，k为近邻点个数。

其次，可根据以下公式二定义协方差矩阵C：

式中，X的k个紧邻点用η表示。

于是，可根据以下公式三定义目标函数：

式中，∑_jw_j＝1

再次，可根据以下公式四得到局部重建权值矩阵w：

其中，对协方差C采用拉格朗日乘子法。

步骤S3、将所有的样本点映射到低维空间中。

映射条件满足以下公式五：

式中，Ф(Y)为损失函数值，是的输出向量。

进一步地，公式五可转化为以下公式六：

式中，M是一个NXN的对称矩阵，M＝(I-W)^T(I-W)，I是kxk的单位矩阵。

可得到公式七：

公式七：MY＝λY

其中，λ表示映射关系，要使损失函数值达到最小,标准的特征分解问题，即取Y为M的最小的m个非零特征值所对应的特征向量。在处理过程中，将M的特征值从小到大排列，第一个特征值几乎接近于零，那么舍去第一个特征值。通常取第2到m+1间的特征值所对应的特征向量组成列向量，作为输出结果，即一个Nxm的数据表达矩阵Y。

相应地，所述步骤102，可基于LLE算法，确定所述电网数据对应的目标空间分布。

所述步骤2021，利用Fisher准则确定LLE算法的两个核心参数：近邻数k和内嵌维度d，具体步骤如下S4-S8：

步骤S4、根据经验，选择k和d的取值范围.

举例来说，近邻数k的取值范围可以是5-10个，维数d可以是3-5维，当然可根据实际情况调整。

步骤S5、在k和d的参数范围中，分别选择一个，组成参数组合，带入到步骤二中利用LLE算法进行降维，得到降维后的数据集Y。

举例来说，近邻数k可包括6个取值，维度d可包括3个取值，自取值范围分别选择一个，由此可组成18个参数的组合。

步骤S6、利用降维后的数据，可根据以下计算步骤评价指标Fisher准则。

首先，假设降维后的数据为y＝{y₁，y_2，…y_N)

其中，Y是一个N×m的矩阵，N是样本个数，d是内嵌维度

其次，可通过公式八得到均值向量c。

式中，s表示s个不同类别的故障，分别为φ₁，φ₂，…，φ_s在每一个类别中，均值向量通过公式八计算。

再次，根据均值向量，计算类内离散度矩阵，可通过公式九定义所有类别的类内离散度矩阵S_i。

然后，根据类内离散度矩阵，可通过公式十计算总类内离散度矩阵，混合类内离散度矩阵即为所有类内离散度矩阵的求和。

公式十：S_w＝S₁+S₂+…S_s

此外，可通过公式十一计算类间离散度矩阵S_b。

最后，Fisher准则判别式可通过公式十二计算：

步骤S7、选择另一组参数组合，重复步骤S5和步骤S6中，得到所有参数组合的F，也即，遍历所有k和d的参数组合，得到所有参数组合的判别式的值。

S8、判别式的分子为类间间距，分母为类内间距，类间间距越大，类内间距越小，判别式F的值越大。选择最大的F所对应的参数组合k和d，在这组参数下，在新的降维空间中，类内间距最小，类间间距最大。

所述步骤103、对新样本，即未知故障类型的样本进行故障诊断

当有未知类型的样本时，利用步骤2021中确定的参数，通过LLE算法进行降维。通过其在降维后空间中的分布，确定其故障类型。

在上述实施例的基础上，可将各实施例的内容做自由组合。

本实施例三提供的一种电网故障类型确定方法，至少具有以下技术效果：

通过Fisher准则，确定LLE算法所需的参数，由此确定所述电网训练数据对应的空间分布，从而可确定电网故障类型与空间分布的对应关系，在当有未知类型的电网数据时，可直接通过所述对应关系，得到电网数据的故障类型。

图4示出了为本发明实施例四提供的一种电网故障类型确定装置的结构示意图

参照图4，本发明实施例四提供的一种电网故障类型确定装置，包括：获取单元41、第一确定单元42和第二确定单元43。

其中，获取单元42，用于获取预设时间段内的电网数据；

第一确定单元42，用于基于第一空间分布确定规则，确定所述电网数据对应的目标空间分布；

第二确定单元43，用于基于所述目标空间分布以及预先确定的电网故障类型与空间分布的对应关系，确定所述电网数据对应的电网故障类型。

可选地，所述获取单元42广域信息系统WAMS采集电网数据，例如为电压、电流、有功功率、无功功率及其衍生量，且采集得到的电网数据可以是高维矩阵。

可选地，所述第一确定单元42可采用流形学习方法，基于第一空间分布确定规则，对所述电网数据进行数据可视化，得到确定所述电网数据对应的目标空间分布。

可选地，所述第二确定单元43可获取预先确定的电网故障类型与空间分布的对应关系，将所述目标空间分布与所述对应关系进行比对，以确定所述目标空间分布所对应的电网故障类型，从而实现确定所述电网数据对应的电网故障类型。

其中，所述电网故障类型与空间分布的对应关系可通过机器学习原理预先对所述电网数据进行电网故障类型学习得到。

本实施例四提供的一种电网故障类型确定方法，至少具有以下技术效果：

通过所述第一确定单元42确定所述电网数据对应的目标空间分布，并基于预先确定的电网故障类型与空间分布的对应关系，所述第二确定单元43能够快速实现电网故障类型确定。

本实施例四还用以执行上述方法实施例，具体不再详述。

由以上各实施例可知，本发明提供的一种电网故障类型确定方法及装置，根据降维后的数据在低维空间中的分布来判断故障的类型。所述方法包括训练部分和预测部分，训练部分通过历史数据进行机器学习，依据Fisher准则确定其中的关键参数：近邻数k和内嵌维度d。使得在低维空间中，最大化类间距离，最小化类内距离。分类器训练完成后，对新增的未知类别数据利用LLE算法进行降维，然后根据其在空间中所处的位置判断故障类型。

本发明使用流形学习中的LLE算法应用于能源互联网故障诊断，核心思想是使用LLE算法降维后，相同故障类型的数据会相对聚集。

本发明提供的一种电网故障类型确定方法及装置，至少具有以下技术效果：面对高维度大数据量样本，计算速度快，比较适合在线系统。

本领域的技术人员能够理解，尽管在此所述的一些实施例包括其它实施例中所包括的某些特征而不是其它特征，但是不同实施例的特征的组合意味着处于本发明的范围之内并且形成不同的实施例。

本领域技术人员可以理解，实施例中的各步骤可以以硬件实现，或者以在一个或者多个处理器上运行的软件模块实现，或者以它们的组合实现。本领域的技术人员应当理解，可以在实践中使用微处理器或者数字信号处理器(DSP)来实现根据本发明实施例的一些或者全部部件的一些或者全部功能。本发明还可以实现为用于执行这里所描述的方法的一部分或者全部的设备或者装置程序(例如，计算机程序和计算机程序产品)。

虽然结合附图描述了本发明的实施方式，但是本领域技术人员可以在不脱离本发明的精神和范围的情况下做出各种修改和变型，这样的修改和变型均落入由所附权利要求所限定的范围之内。

Claims (10)

1.一种电网故障类型确定方法，其特征在于，包括：

获取预设时间段内的电网数据；

基于第一空间分布确定规则，确定所述电网数据对应的目标空间分布；

基于所述目标空间分布以及预先确定的电网故障类型与空间分布的对应关系，确定所述电网数据对应的电网故障类型。

2.根据权利要求1所述的方法，其特征在于，所述方法还包括：

获取电网训练数据，所述电网训练数据携带电网故障类型；

基于第一空间分布确定规则，确定所述电网训练数据对应的空间分布；

对所述电网训练数据进行训练，确定所述电网故障类型与空间分布的对应关系。

3.根据权利要求2所述的方法，其特征在于，所述方法包括:

基于第二空间分布确定规则，确定所述电网训练数据的近邻数和维数，所述近邻数为距离预设参考点最近邻的所述电网训练数据的个数；

基于第一空间分布确定规则，根据所述近邻数和维数，确定所述电网训练数据对应的空间分布。

4.根据权利要求3所述的方法，其特征在于，所述方法包括:

确定近邻数和维数的取值范围；

基于第二空间分布确定规则，针对所述电网训练数据的空间分布，遍历所述近邻数和维数的取值范围；

将所述电网训练数据的空间分布最集中时对应的近邻数和维数，确定为所述电网训练数据的近邻数和维数。

5.根据权利要求1-4其中任一项所述的方法，其特征在于，所述第一空间分布确定规则为非线性降维算法，用于将所述电网数据/所述电网训练数据映射到空间上。

6.根据权利要求5所述的方法，其特征在于，所述非线性降维算法为LLE算法。

7.根据权利要求3或4所述的方法，其特征在于，所述第二空间分布确定规则为线性降维算法，用于将所述电网训练数据映射到空间上，进行空间分布集中分析。

8.根据权利要求7所述的方法，其特征在于，所述线性降维算法为Fisher准则。

9.根据权利要求1所述的方法，其特征在于，所述电网数据为以下至少一者：

电压、电流、有功功率、无功功率。

10.一种电网故障类型确定装置，其特征在于，包括：

获取单元，用于获取预设时间段内的电网数据；

第一确定单元，用于基于第一空间分布确定规则，确定所述电网数据对应的目标空间分布；

第二确定单元，用于基于所述目标空间分布以及预先确定的电网故障类型与空间分布的对应关系，确定所述电网数据对应的电网故障类型。