CN107167702A - 一种配电网馈线故障类型识别方法及装置 - Google Patents

一种配电网馈线故障类型识别方法及装置 Download PDF

Info

Publication number
CN107167702A
CN107167702A CN201710306258.8A CN201710306258A CN107167702A CN 107167702 A CN107167702 A CN 107167702A CN 201710306258 A CN201710306258 A CN 201710306258A CN 107167702 A CN107167702 A CN 107167702A
Authority
CN
China
Prior art keywords
matrix
fault type
singular
sampling data
frequency
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.)
Pending
Application number
CN201710306258.8A
Other languages
English (en)
Inventor
高伟
游林旭
杨帆
刘坚
陈领
宋仕江
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Fuzhou University
State Grid Fujian Electric Power Co Ltd
Nanping Power Supply Co of State Grid Fujian Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Fuzhou University
State Grid Fujian Electric Power Co Ltd
Nanping Power Supply Co of State Grid Fujian Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Fuzhou University, State Grid Fujian Electric Power Co Ltd, Nanping Power Supply Co of State Grid Fujian Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201710306258.8A priority Critical patent/CN107167702A/zh
Publication of CN107167702A publication Critical patent/CN107167702A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/08—Locating faults in cables, transmission lines, or networks
    • G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections

Abstract

本发明涉及一种配电网馈线故障类型识别方法及装置，主要是利用故障后相关电气量的暂态信息实现故障识别，所述方法包括步骤：首先获取波形采样数据，对波形采样数据依次进行局部特征尺度分解、希尔伯特变换及带通滤波以获取重构的时频矩阵；然后求解时频矩阵的奇异谱，提取奇异谱的分布参数并构成特征向量矩阵，对所有特征向量矩阵进行归一化处理并将归一化后的特征向量矩阵作为多级支持向量机的输入样本来实现馈线故障类型辨识。本发明在噪声干扰等工况下，仍具有较高的故障类型识别正确率，适应能力较强。

Description

一种配电网馈线故障类型识别方法及装置
技术领域
本发明涉及电力系统配电网领域，特别是涉及一种配电网馈线故障类型识别方法及装置。
背景技术
配电网结构复杂，在实际工况下不可避免地受到各类故障的影响，其中短路、接地是较为常见的电气性故障。当发生故障时，为了保证供电可靠性，应该及时有效地定位和隔离故障区段，从而保障非故障区域的正常供电，排除故障所带来的诸多不利影响。配电网故障处理技术应及时作出反应，其首要任务就是利用故障时所获取的故障电压、电流等故障信号进行故障检测和分类识别。这一过程还会受到很多因素的干扰，如故障初相角、故障过渡电阻、噪声干扰、网络结构变化、系统接地方式等，上述因素中任何一个因素的变化都会引起故障信号发生变化，大大增加分类识别的难度，若分类识别算法没有较强的鲁棒性和适应性，则无法适用于配电网故障分类识别的问题。因此，对配电网故障类型的准确分类具有相当的难度。
当前技术在实际应用过程中采用小波变换对当前故障波形进行实时处理，利用提取的特征值计算其与数据库中波形的距离，而后进行初次匹配与最终匹配。因需多次计算距离值，因而计算量较大，可能影响装置的实际运行效率，在线辨识时间因此加长。
本发明提出一种配电网馈线故障类型识别方法，主要是利用故障后相关电气量的暂态信息实现故障识别。主要内容包括获取波形采样数据、对波形采样数据依次进行局部特征尺度分解、希尔伯特变换及带通滤波以获取重构的时频矩阵、求解时频矩阵的奇异谱，提取奇异谱的分布参数并构成特征向量矩阵、对所有特征向量矩阵进行归一化处理并将归一化后的特征向量矩阵作为多级支持向量机的输入样本来实现馈线故障类型辨识。本发明可以事先对数据库中的大量波形提取特征量，组成训练样本，因而更有利于进行在线辨识应用，省去了实时计算距离这一计算量庞大的步骤。
发明内容
本发明的目的在于提供一种能够及时准确识别故障类型的配电网馈线故障类型识别方法及装置。
为实现上述目的，本发明的技术方案是：一种配电网馈线故障类型识别方法，包括如下步骤，
步骤S1：配电网发生故障后，获取母线三相电压、零序电压、主变低压侧进线的三相电流在故障前后一段时间内的波形采样数据；
步骤S2：分别对步骤S1获取的各组波形采样数据依次进行局部特征尺度分解、希尔伯特变换及带通滤波，并根据带通滤波数据重构时频矩阵；
步骤S3：分别对每个时频矩阵进行奇异值分解得到对应的多阶奇异值，根据奇异值的累积贡献率选取每个多阶奇异值中的前5个奇异值组成主奇异谱；计算主奇异谱的四个分布参数，将所有时频矩阵的分布参数组成特征向量矩阵C；
步骤S4：对特征向量矩阵C进行归一化处理得到元素大小范围在[0，1]的特征向量矩阵C'，特征向量矩阵C'作为多级支持向量机的训练样本和测试样本；
步骤S5：将训练样本输入多级支持向量机进行参数优化与训练，最后根据测试样本识别该次故障类型。
进一步的，步骤S2包括如下步骤，
步骤S21：对获取的各组波形采样数据进行局部特征尺度分解，每组波形采样数据均得到多个内禀尺度分量，即ISC分量；
步骤S22：对各个ISC分量做希尔伯特变换，得到希尔伯特能量谱图；
步骤S23：根据希尔伯特能量谱图进行带通滤波，将每个ISC分量分解到等间隔的频带上，并将每个频带内的所有ISC分量叠加，得到各组波形采样数据在各个频带内的分量数据；
步骤S24：将每组波形采样数据在各个频带内的分量数据作为时频矩阵的行来重构时频矩阵，每组波形采样数据对应一个重构时频矩阵。
进一步的，所述步骤S3中，提取特征向量矩阵的具体过程如下：
奇异值的累积贡献率
式中：λ为某个奇异谱中的元素，n为该奇异谱中奇异值的总个数，选取累积贡献率k>85％的前5个奇异值组成主奇异谱，计算主奇异谱的四个分布参数，
奇异谱均值
奇异谱标准差
奇异谱信息熵
奇异谱脉冲因子
式中，i＝1，2，3，4，5。
进一步的，所述步骤S4中，对特征向量矩阵C进行归一化处理得到特征向量矩阵C'的具体过程如下：
将每个特征向量矩阵C按照与三相电压、零序电压、三相电流的对应关系拆分为12个分块矩阵Cp(p＝1,2,…,12)，依据对应三相电压、三相电流、零序电压的奇异值部分，对CP利用如下公式进行归一化：
式中，为分块矩阵CP的归一化矩阵Cp'中的元素，cij为分块矩阵CP中的元素，为所有N个分块矩阵Cp中值最小的元素，为所有N个分块矩阵Cp中值最大的元素，N为样本总数；将12个归一化后的分块矩阵Cp'合并即得到特征向量矩阵C'。
进一步的，所述步骤S5包括以下步骤：
将部分特征向量矩阵C'作为训练样本输入多级支持向量机，多级向量机根据这些训练样本进行训练；
将某次故障的特征向量矩阵C'作为测试样本输入多级支持向量机，多级向量机根据测试样本对该次配电网故障类型进行辨识。
进一步的，所述多级支持向量机包括第一至第三支持向量机，第一支持向量机根据所述测试样本进行故障类型识别，第二支持向量机根据第一支持向量机的输出结果及所述测试样本进行故障类型识别，第三支持向量机根据第二支持向量机的输出结果及所述测试样本进行故障类型识别。
本发明还通过以下技术方案实现：
一种配电网馈线故障类型识别装置，包括：
数据获取模块：用于在配电网发生故障后，获取母线三相电压、零序电压、主变低压侧进线的三相电流在故障前一个周期和故障后一个周期的波形采样数据；
时频矩阵重构模块：用于分别对数据获取模块的各组波形采样数据进行局部特征尺度分解、希尔伯特变换及带通滤波后重构时频矩阵的模块；
特征向量矩阵构建模块：用于分别对每个时频矩阵进行奇异值分解得到对应的多阶奇异值，根据奇异值的累积贡献率选取每个多阶奇异值中的前5个奇异值组成主奇异谱，计算主奇异谱的分布参数并组成特征向量矩阵C；
特征向量矩阵归一化处理模块：用于对特征向量矩阵C进行归一化处理得到元素大小范围在[0,1]的特征向量矩阵C'，特征向量矩阵C'作为多级支持向量机的训练样本和测试样本；
故障类型识别模块：用于多级支持向量机根据训练样本进行训练后，再根据测试样本识别配电网馈线故障类型。
进一步的，所述时频矩阵重构模块包括：
分别将各组波形采样数据进行局部特征尺度分解，每组波形采样数据均得到多个ISC分量的模块；
对各个ISC分量做希尔伯特变换，得到希尔伯特能量谱图的模块；
根据希尔伯特能量谱图进行带通滤波，将每个ISC分量分解到等间隔的频带上，并将每个频带内的所有ISC分量叠加，得到各组波形采样数据在各个频带内的分量数据的模块；
将每组波形采样数据在各个频带内的分量数据作为时频矩阵的行来重构时频矩阵，每组波形采样数据对应一个重构时频矩阵的模块。
本发明具有如下有益效果：
1、本发明利用LCD、Hilbert变换及带通滤波算法构造的时频矩阵可完备地描述故障信号波形在各个子频带内的时频特征，包含了表征信号本质特征的时频局部化信息。
2、本发明结合奇异值分解和运用统计学原理进行数学计算的方法，可以有效提取出体现故障信号时频变化特征的主要特征量，其可以表征故障信号的固有模式占比，并且对于不同故障类型呈现出较大差异性。
3、本发明的多级向量机基于二分树结构，分类性能良好，逻辑清晰，能够较准确地识别单相接地、两相接地、两相短路、三相短路等四类配电网故障类型。
4、本发明的配电网故障类型识别方法在噪声干扰等工况下，仍具有较高的故障类型识别正确率，适应能力较强。
附图说明
图1为本发明的流程图。
图2为本发明实施例中所应用的10kV配电网模型。
具体实施方式
下面结合附图，对本发明的技术方案进行具体说明。
如图1所示，本发明的一种配电网馈线故障类型识别方法，包括如下步骤：
步骤S1：配电网发生故障后，获取母线三相电压、零序电压、主变低压侧进线的三相电流在故障前后一段时间内的波形采样数据，共七组波形采样数据。
步骤S2：分别对步骤S1获取的各组波形采样数据依次进行局部特征尺度分解、希尔伯特变换及带通滤波处理，并根据带通滤波后的数据重构时频矩阵，每组波形采样数据可重构一个时频矩阵，本步骤具体包括如下步骤：
步骤S21：分别将各组波形采样数据进行局部特征尺度分解，每组波形采样数据均得到多个ISC分量，具体为；
(1)首先，满足以下两个条件的单分量信号可被称为内禀尺度分量：
(Ⅰ)在整个数据段内，极小值为负，极大值为正，且任意两个相邻的极小值与极大值之间呈现单调性。
(Ⅱ)在整个数据段内，设所有极值点为Xk，k＝1，2，…，N，对应的时刻为tk，k＝1，2，…，N，其中N为极值点个数。由任意两个相邻的极大(或小)值点(tk，Xk)和(tk+2，Xk+2)确定的直线在二者之间的极值点Xk+1所对应的时刻tk+1处的函数值(记为Mk+1)与Xk+1的比值保持不变。考虑更一般的情况，即要满足
pMk+1+(1-a)Xk+1＝0,a∈(0,1) (7)
其中，
一般地，取p＝0.5，此时上述
(2)设第j组波形采样数据序列为X(t)，确定X(t)的所有极值点及其对应的时刻tk，k＝2,3,…，N-1，其中N为极值点个数。设置式(7)中的a＝0.5，根据式(8)计算Mk+1的值，k＝2,3,…，N-1；依据下述公式计算Lk:
Lk＝aMk+(1-a)Xk (9)
经延拓得到左右两端的极值点(t0,X0)和(tN,XN)。再令k分别等于0和N-1，按式(8)求出M1和MN，进而由式(9)可求出L1与LN的值。
(3)利用三次样条函数L1，L2，…，LN拟合为均值曲线B(t)，并将其从原信号中分离出来，得到h1(t)＝X(t)-B(t)，若h1(t)满足(1)中的条件(Ⅰ)(Ⅱ)，即为ISC分量，记为ISC1。
(4)若不满足则将h1(t)作为原始信号，重复步骤(2)-(3)，循环z次，直到得到满足条件(Ⅰ)(Ⅱ)的第一个ISC分量h1z(t)，记ISC1＝h1z(t)。
(5)将ISC1从原信号中分离出来，即u1(t)＝X(t)-ISC1，对u1(t)重复上述步骤(2)-(4)，得到第二个ISC分量ISC2。对原信号重复循环n次，直到un(t)单调或为一常函数为止。至此共得到n个ISC分量ISC1，ISC2，…ISCn和剩余分量un(t)，此时X(t)与各个ISC分量的关系为：
步骤S22：对各个ISC分量做希尔伯特变换，得到二维希尔伯特能量谱图，具体为：设c(t)为任一个ISC分量，对其做希尔伯特变换：
求c(t)的解析信号：
z(t)＝c(t)+jH[c(t)] (12)
c(t)可以表示成：
c(t)＝a(t)cosΦ(t) (13)
其中，c(t)的幅值函数a(t)为：
c(t)的相位函数Φ(t)为：
Φ(t)＝arctan(H[c(t)]/c(t)) (15)
可计算出c(t)的瞬时频率：
可获得各ISC分量的希尔伯特能量谱图为：
步骤S23：根据希尔伯特能量谱图进行带通滤波，将每个ISC分量分解到等间隔的频带上，并将每个频带内的所有ISC分解分量叠加，得到各组波形采样数据在各个频带内的分量，具体为：
(1)对希尔伯特能量谱图中的瞬时频率进行等间隔区域划分，频带宽度Δf＝300Hz，则第i个间隔区域的频率范围为[300(i-1),300i]，将所有ISC分量在该频率范围外的瞬时能量点的灰度值置为零，在该频率范围内的瞬时能量点灰度值保持不变，即可得到所有ISC分量在该频率范围内的成分；
(2)将每个频率范围内的所有ISC分解分量叠加，即可得到各组采样波形数据在各个频率范围内的分量数据；
步骤S24：将每组波形采样数据在各个频带内的分量数据作为时频矩阵的行来重构时频矩阵，每组波形采样数据对应一个重构时频矩阵，在本实施例中，划分e个频带，每个频带带宽为300Hz，带通滤波后，每组波形采样数据可得到e个频带的波形，各组波形采样数据的采样点数均为f，对于某一组波形采样数据，各个频带波形的数据点为aij(i＝1,2,...,e,j＝1,2,...,f)，形成的时频矩阵为
其中，时频矩阵A的行表示波形采样数据经带通滤波后各个频带内的重构波形数据，列表示波形采样数据的采样时刻。
步骤S3：分别对每个时频矩阵进行奇异值分解得到对应的多阶奇异值，其中非零奇异值的个数代表故障波形的频谱特性，根据奇异值的累积贡献率选取每组奇异值中的前5个奇异值作为主奇异值组成主奇异谱，提取主奇异谱的分布参数并组成特征向量，主要步骤如下：
:奇异值的累积贡献率
式中：λ为某个奇异谱中的元素，n为该奇异谱中奇异值的总个数，选取累积贡献率k>85％的前5个奇异值组成主奇异谱，计算主奇异谱的四个分布参数，
奇异谱均值
奇异谱标准差
奇异谱信息熵
奇异谱脉冲因子
式中，i＝1，2，3，4，5。
步骤S4：对特征向量矩阵C进行归一化处理得到元素值在[0，1]的特征向量矩阵C'，特征向量矩阵C'作为多级支持向量机的训练样本和测试样本，归一化的处理过程为：
将每个特征向量矩阵C按照与三相电压、零序电压、三相电流的对应关系拆分为12个分块矩阵Cp(p＝1,2,…,12)，依据对应三相电压、三相电流、零序电压的奇异值部分，对CP利用如下公式进行归一化：
式中，为分块矩阵CP的归一化矩阵Cp'中的元素，cij为分块矩阵CP中的元素，为所有N个分块矩阵Cp中值最小的元素，为所有N个分块矩阵Cp中值最大的元素，N为样本总数；将12个归一化后的分块矩阵Cp'合并即得到特征向量矩阵C'。
步骤S5：多级支持向量机根据训练样本进行训练后，再根据测试样本识别配电网馈线故障类型，具体包括：
将部分特征向量矩阵C'作为训练样本输入多级支持向量机，多级向量机根据这些训练样本进行训练；
将某次故障的特征向量矩阵C'作为测试样本输入多级支持向量机，多级向量机根据测试样本对该次配电网故障类型进行辨识。
多级支持向量机包括第一至第三支持向量机，第一支持向量机根据所述测试样本进行故障类型识别，第一支持向量机可区分两类故障，其输出结果为1时代表单相接地故障，输出结果为-1时代表两相接地故障、两相短路故障或者三相短路故障，当第一支持向量机输出结果为-1时，第二支持向量机根据第一支持向量机的输出结果及所述测试样本，根据是否接地这一特征，设计为可区分两相接地故障和不接地故障(即短路故障)，其输出结果为1时代表两相接地故障，输出结果为-1时代表两相短路故障或者三相短路故障，当第二支持向量机输出结果为-1时，第三支持向量机根据第二支持向量机的输出结果及所述测试样本，根据两相短路故障和三相短路故障的电气量对称性，设计为可区分两相短路故障和三相短路故障。
如图2所示，本发明利用PSCAD/EMTDC软件搭建10kV配电网模型用于获取训练样本和测试样本，测试结果表明，该方法对配电网故障类型的识别正确率较高，且在噪声干扰、采样不同步、系统网络结构、负荷电流变化和系统中性点经消弧线圈接地等情况下有较好的适应性，在此基础上进行四种故障类型的模拟实验，并采集母线三相电压与零序电压、主变低压侧进线三相电流等7个故障波形。在配电网线路模型中，包括110kV/10kV变压器1和位于变压器10kV一侧的中性点不接地系统，系统阻抗为0.2Ω，其中，中性点不接地系统包括第一馈线线路2、第二馈线线路3、第三馈线线路4、第四馈线线路5、第五馈线线路6和第六馈线线路7，第一馈线线路2包括4km的架空线路21、3km的电缆线路22和7km的电缆线路23，第二馈线线路3包括1km的电缆线路31和4km的电缆线路32，第三馈线线路4包括10km的架空线路和6km的电缆线路，第四馈线线路5包括2km的电缆线路51和8km的架空线路52，第五馈线线路6包括4km的架空线路61和3km的电缆线路62，第六馈线线路7包括1km的电缆线路71、7km的架空线路72和5km的架空线路73，第一至第六馈线线路所接负载相同，其中，电缆线路正序参数为：R1＝0.27Ω/km，C1＝0.339μF/km，L1＝0.255mH/km，电缆线路零序参数为：R0＝2.7Ω/km，C0＝0.28μF/km，L0＝1.019mH/km，架空线路正序参数为：R1＝0.125Ω/km，C1＝0.0096μF/km，L1＝1.3mH/km，架空线路零序参数为：R0＝0.275Ω/km，C0＝0.0054μF/km，L0＝4.6mH/km。
综合考虑故障点、故障初相角、故障电阻、故障相别等因素，选择并提取支持向量机的训练样本，具体条件为：故障点为F11、F12、F13、F21、F22、F31、F32；故障初相角为15°、30°、60°、75°；故障电阻为0Ω、0.5Ω、5Ω、50Ω、200Ω；故障相别全部考虑，总共提取905个样本用于训练多级支持向量机，测试样本同样考虑上述4个因素，具体条件和测试结果如表1所示。
表1 测试样本和测试结果
通过以下测试结果来检验所提出识别方法的适应性：
(1)对图2中故障点F41、F52和F61的测试样本施加信噪比(signal noise ratio，SNR)为20dB的高斯白噪声，考察识别方法的抗干扰性。测试结果如表2所示，识别结果与表1相近，说明带通滤波可以有效地滤除高频杂讯的干扰。
表2 噪声干扰下的测试结果
故障点位置 测试样本容量 正确率/％
F41 129 93.80
F52 129 93.80
F61 129 91.47
合计 387 93.02
(2)考虑到故障电压和故障电流波形之间可能出现采样不同步的情况。设定三相电流的采样时刻滞后三相电压和零序电压0.1ms，同样选取表2的测试样本，识别结果如表3所示。
表3 信号采样不同步下的测试结果
故障点位置 测试样本容量 正确率
F41 129 96.90％
F52 129 96.90％
F61 129 94.57％
合计 387 96.12％
(3)通过三种措施改变系统网络结构：删减L6、删减L5和L6、增加一条5km的架空线L7(故障点设在线路末端)，故障点选取网络结构改变后L4-L7中所有剩余的故障点，其余条件同表1，进行仿真和测试，测试结果如表4所示。可见提出的方法能适应系统网络结构变化的影响，与表1相比，3种工况下的总识别正确率变化甚微，均能达到96％以上。
表4系统网络结构变化的测试结果
(4)在L4馈线负荷电流有效值分别为65A、150A、300A情况下，故障点设为F41，测试样本其它条件与表1相同，识别结果如表5所示。
表5 负荷电流变化下的测试结果
负荷电流 测试样本数 识别正确率
65A 129 96.12％
150A 128 98.44％
300A 129 98.45％
总计 386 97.67％
(5)将系统的接地方式改为经消弧线圈接地，消弧线圈的电感值取1.5H，为过补偿方式。由于电感值较大，消弧线圈的动态响应速度较慢，对故障后1周波内的零序暂态分量抑制作用较小，因此仍可利用暂态分量结合其他故障信号作出准确辨识。测试样本取自故障点F41、F51、F62，其余条件同表1，识别结果如表6所示。
表6 中性点经消弧线圈接地下的测试结果
故障点 测试样本数 识别正确率
F41 132 96.21％
F51 124 90.32％
F62 132 93.94％
总计 388 93.56％
以上对本发明的目的、技术方案和优点进行了详细说明，所应理解的是，以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种配电网馈线故障类型识别方法，其特征在于：包括如下步骤，
步骤S1：配电网发生故障后，获取母线三相电压、零序电压、主变低压侧进线的三相电流在故障前后一段时间内的波形采样数据；
步骤S2：分别对步骤S1获取的各组波形采样数据依次进行局部特征尺度分解、希尔伯特变换及带通滤波，并根据带通滤波数据重构时频矩阵；
步骤S3：分别对每个时频矩阵进行奇异值分解得到对应的多阶奇异值，根据奇异值的累积贡献率选取每个多阶奇异值中的前5个奇异值组成主奇异谱；计算主奇异谱的四个分布参数，将所有时频矩阵的分布参数组成特征向量矩阵C；
步骤S4：对特征向量矩阵C进行归一化处理得到元素大小范围在[0，1]的特征向量矩阵，特征向量矩阵作为多级支持向量机的训练样本和测试样本；
步骤S5：将训练样本输入多级支持向量机进行参数优化与训练，最后根据测试样本识别该次故障类型。
2.根据权利要求1所述的一种配电网馈线故障类型识别方法，其特征在于：所述步骤S2包括如下步骤，
步骤S21：对获取的各组波形采样数据进行局部特征尺度分解，每组波形采样数据均得到多个内禀尺度分量，即ISC分量；
步骤S22：对各个ISC分量做希尔伯特变换，得到希尔伯特能量谱图；
步骤S23：根据希尔伯特能量谱图进行带通滤波，将每个ISC分量分解到等间隔的频带上，并将每个频带内的所有ISC分量叠加，得到各组波形采样数据在各个频带内的分量数据；
步骤S24：将每组波形采样数据在各个频带内的分量数据作为时频矩阵的行来重构时频矩阵，每组波形采样数据对应一个重构时频矩阵。
3.根据权利要求1所述的一种配电网馈线故障类型识别方法，其特征在于：所述步骤S3中，提取特征向量矩阵的具体过程如下：
奇异值的累积贡献率
（1）
式中：为某个奇异谱中的元素，为该奇异谱中奇异值的总个数，选取累积贡献率>85%的前5个奇异值组成主奇异谱，计算主奇异谱的四个分布参数，
奇异谱均值
（2）
奇异谱标准差
（3）
奇异谱信息熵
（4）
奇异谱脉冲因子
（5）
式中，i=1，2，3，4，5。
4.根据权利要求1所述的一种配电网馈线故障类型识别方法，其特征在于：所述步骤S4中，对特征向量矩阵C进行归一化处理得到特征向量矩阵的具体过程如下：
将每个特征向量矩阵C按照与三相电压、零序电压、三相电流的对应关系拆分为12个分块矩阵，依据对应三相电压、三相电流、零序电压的奇异值部分，对利用如下公式进行归一化：
（6）
式中，为分块矩阵的归一化矩阵中的元素，为分块矩阵中的元素，为所有N个分块矩阵中值最小的元素，为所有N个分块矩阵中值最大的元素，N为样本总数；将12个归一化后的分块矩阵合并即得到特征向量矩阵。
5.根据权利要求1所述的一种配电网馈线故障类型识别方法，其特征在于：所述步骤S5包括以下步骤：
将部分特征向量矩阵作为训练样本输入多级支持向量机，多级向量机根据这些训练样本进行训练；
将某次故障的特征向量矩阵作为测试样本输入多级支持向量机，多级向量机根据测试样本对该次配电网故障类型进行辨识。
6.根据权利要求1所述的一种配电网馈线故障类型识别方法，其特征在于：所述多级支持向量机包括第一至第三支持向量机，第一支持向量机根据所述测试样本进行故障类型识别，第二支持向量机根据第一支持向量机的输出结果及所述测试样本进行故障类型识别，第三支持向量机根据第二支持向量机的输出结果及所述测试样本进行故障类型识别。
7.一种配电网馈线故障类型识别装置，其特征在于，包括：
数据获取模块：用于在配电网发生故障后，获取母线三相电压、零序电压、主变低压侧进线的三相电流在故障前一个周期和故障后一个周期的波形采样数据；
时频矩阵重构模块：用于分别对数据获取模块的各组波形采样数据进行局部特征尺度分解、希尔伯特变换及带通滤波后重构时频矩阵的模块；
特征向量矩阵构建模块：用于分别对每个时频矩阵进行奇异值分解得到对应的多阶奇异值，根据奇异值的累积贡献率选取每个多阶奇异值中的前5个奇异值组成主奇异谱，计算主奇异谱的分布参数并组成特征向量矩阵C；
特征向量矩阵归一化处理模块：用于对特征向量矩阵C进行归一化处理得到元素大小范围在[0，1]的特征向量矩阵，特征向量矩阵作为多级支持向量机的训练样本和测试样本；
故障类型识别模块：用于多级支持向量机根据训练样本进行训练后，再根据测试样本识别配电网馈线故障类型。
8.根据权利要求7所述的一种配电网馈线故障类型识别装置，其特征在于，所述时频矩阵重构模块包括：
分别将各组波形采样数据进行局部特征尺度分解，每组波形采样数据均得到多个ISC分量的模块；
对各个ISC分量做希尔伯特变换，得到希尔伯特能量谱图的模块；
根据希尔伯特能量谱图进行带通滤波，将每个ISC分量分解到等间隔的频带上，并将每个频带内的所有ISC分量叠加，得到各组波形采样数据在各个频带内的分量数据的模块；
将每组波形采样数据在各个频带内的分量数据作为时频矩阵的行来重构时频矩阵，每组波形采样数据对应一个重构时频矩阵的模块。
CN201710306258.8A 2017-05-04 2017-05-04 一种配电网馈线故障类型识别方法及装置 Pending CN107167702A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201710306258.8A CN107167702A (zh) 2017-05-04 2017-05-04 一种配电网馈线故障类型识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201710306258.8A CN107167702A (zh) 2017-05-04 2017-05-04 一种配电网馈线故障类型识别方法及装置

Publications (1)

Publication Number Publication Date
CN107167702A true CN107167702A (zh) 2017-09-15

Family

ID=59813911

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201710306258.8A Pending CN107167702A (zh) 2017-05-04 2017-05-04 一种配电网馈线故障类型识别方法及装置

Country Status (1)

Country Link
CN (1) CN107167702A (zh)

Cited By (19)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154175A (zh) * 2017-12-22 2018-06-12 北京映翰通网络技术股份有限公司 一种配电网录波多工况精确识别方法
CN108154223A (zh) * 2017-12-22 2018-06-12 北京映翰通网络技术股份有限公司 基于网络拓扑及长时序信息的配电网工况录波分类方法
CN108287194A (zh) * 2018-01-30 2018-07-17 青岛理工大学 基于局部特征尺度分解和波形指数的结构损伤预警方法
CN108510005A (zh) * 2018-04-08 2018-09-07 福州大学 一种基于卷积神经网络的配电网高阻接地故障识别方法
CN109061390A (zh) * 2018-09-07 2018-12-21 中电普瑞电力工程有限公司 一种区域行波故障定位方法及系统
CN109145999A (zh) * 2018-09-06 2019-01-04 福州大学 一种配电开关振动信号故障特征提取及辨识方法
CN109325526A (zh) * 2018-09-05 2019-02-12 福州大学 一种采用卷积深度置信网络的配电网故障分类方法
CN109993183A (zh) * 2017-12-30 2019-07-09 中国移动通信集团四川有限公司 网络故障评估方法、装置、计算设备及存储介质
CN109991512A (zh) * 2019-02-22 2019-07-09 江苏方天电力技术有限公司 基于负荷突变同步的低压配电箱用户相位大数据辨识方法
CN110245617A (zh) * 2019-06-17 2019-09-17 江苏云脑数据科技有限公司 基于暂态录波波形的人工智能分析方法
CN110954779A (zh) * 2019-11-29 2020-04-03 国网上海市电力公司 一种基于s变换与多维分形的电压暂降源特征识别方法
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
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN112345887A (zh) * 2020-11-28 2021-02-09 国网江苏省电力有限公司盐城供电分公司 一种电缆线路过电压故障检测系统
CN112557819A (zh) * 2020-11-27 2021-03-26 广东电网有限责任公司肇庆供电局 一种主动配电网故障识别方法、系统及计算机可读储存介质
CN112632857A (zh) * 2020-12-22 2021-04-09 广东电网有限责任公司广州供电局 一种配电网的线损确定方法、装置、设备和存储介质
CN112630560A (zh) * 2020-12-01 2021-04-09 清科优能(深圳)技术有限公司 一种基于小波分析的录波数据奇异熵特征提取方法
CN113378111A (zh) * 2021-06-22 2021-09-10 四川汇源光通信有限公司 一种输电线路行波电流有效性判断方法
CN115293303A (zh) * 2022-10-10 2022-11-04 广东电网有限责任公司中山供电局 一种高压输电线网监测方法、系统、设备和介质

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101924354A (zh) * 2010-04-19 2010-12-22 昆明理工大学 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
CN103344875A (zh) * 2013-07-02 2013-10-09 福州大学 谐振接地系统单相接地故障分类选线方法
CN103454562A (zh) * 2013-09-22 2013-12-18 福州大学 谐振接地系统单相接地聚类法选线
CN105259471A (zh) * 2015-10-14 2016-01-20 上海电力学院 一种基于随机共振和暂态电流信号的三维故障选线方法
CN106226635A (zh) * 2016-07-14 2016-12-14 国网福建晋江市供电有限公司 一种配电网馈线故障类型识别方法及装置

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101924354A (zh) * 2010-04-19 2010-12-22 昆明理工大学 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
CN103344875A (zh) * 2013-07-02 2013-10-09 福州大学 谐振接地系统单相接地故障分类选线方法
CN103454562A (zh) * 2013-09-22 2013-12-18 福州大学 谐振接地系统单相接地聚类法选线
CN105259471A (zh) * 2015-10-14 2016-01-20 上海电力学院 一种基于随机共振和暂态电流信号的三维故障选线方法
CN106226635A (zh) * 2016-07-14 2016-12-14 国网福建晋江市供电有限公司 一种配电网馈线故障类型识别方法及装置

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
郭谋发等: "基于LCD-Hilbert 谱奇异值和多级支持向量机的配电网故障识别方法", 《高电压技术》 *

Cited By (24)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108154223A (zh) * 2017-12-22 2018-06-12 北京映翰通网络技术股份有限公司 基于网络拓扑及长时序信息的配电网工况录波分类方法
CN108154175A (zh) * 2017-12-22 2018-06-12 北京映翰通网络技术股份有限公司 一种配电网录波多工况精确识别方法
CN109993183A (zh) * 2017-12-30 2019-07-09 中国移动通信集团四川有限公司 网络故障评估方法、装置、计算设备及存储介质
CN108287194A (zh) * 2018-01-30 2018-07-17 青岛理工大学 基于局部特征尺度分解和波形指数的结构损伤预警方法
CN108510005A (zh) * 2018-04-08 2018-09-07 福州大学 一种基于卷积神经网络的配电网高阻接地故障识别方法
CN109325526A (zh) * 2018-09-05 2019-02-12 福州大学 一种采用卷积深度置信网络的配电网故障分类方法
CN109145999A (zh) * 2018-09-06 2019-01-04 福州大学 一种配电开关振动信号故障特征提取及辨识方法
CN109061390A (zh) * 2018-09-07 2018-12-21 中电普瑞电力工程有限公司 一种区域行波故障定位方法及系统
CN109061390B (zh) * 2018-09-07 2023-12-15 中电普瑞电力工程有限公司 一种区域行波故障定位方法及系统
CN109991512B (zh) * 2019-02-22 2021-07-13 江苏方天电力技术有限公司 基于负荷突变同步的低压配电箱用户相位大数据辨识方法
CN109991512A (zh) * 2019-02-22 2019-07-09 江苏方天电力技术有限公司 基于负荷突变同步的低压配电箱用户相位大数据辨识方法
CN110245617A (zh) * 2019-06-17 2019-09-17 江苏云脑数据科技有限公司 基于暂态录波波形的人工智能分析方法
CN110245617B (zh) * 2019-06-17 2022-06-24 江苏云脑数据科技有限公司 基于暂态录波波形的人工智能分析方法
CN110954779A (zh) * 2019-11-29 2020-04-03 国网上海市电力公司 一种基于s变换与多维分形的电压暂降源特征识别方法
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
CN112327219A (zh) * 2020-10-29 2021-02-05 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN112327219B (zh) * 2020-10-29 2024-03-12 国网福建省电力有限公司南平供电公司 特征自动挖掘和参数自动寻优的配电变压器故障诊断方法
CN112557819A (zh) * 2020-11-27 2021-03-26 广东电网有限责任公司肇庆供电局 一种主动配电网故障识别方法、系统及计算机可读储存介质
CN112345887A (zh) * 2020-11-28 2021-02-09 国网江苏省电力有限公司盐城供电分公司 一种电缆线路过电压故障检测系统
CN112630560A (zh) * 2020-12-01 2021-04-09 清科优能(深圳)技术有限公司 一种基于小波分析的录波数据奇异熵特征提取方法
CN112632857A (zh) * 2020-12-22 2021-04-09 广东电网有限责任公司广州供电局 一种配电网的线损确定方法、装置、设备和存储介质
CN113378111A (zh) * 2021-06-22 2021-09-10 四川汇源光通信有限公司 一种输电线路行波电流有效性判断方法
CN113378111B (zh) * 2021-06-22 2022-09-20 四川汇源光通信有限公司 一种输电线路行波电流有效性判断方法
CN115293303A (zh) * 2022-10-10 2022-11-04 广东电网有限责任公司中山供电局 一种高压输电线网监测方法、系统、设备和介质

Similar Documents

Publication Publication Date Title
CN107167702A (zh) 一种配电网馈线故障类型识别方法及装置
CN109307824B (zh) 一种基于聚类的配电网单相接地故障区段定位方法
CN106226635A (zh) 一种配电网馈线故障类型识别方法及装置
CN109142851B (zh) 一种新型的配电网内部过电压识别方法
CN107451557A (zh) 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
CN109884464A (zh) 小电流单相接地故障选线方法
CN103941163A (zh) 利用模糊k均值聚类的谐振接地系统故障选线方法
CN107045093B (zh) 基于快速s变换的小电流单相接地故障选线方法
Koley et al. Detection and classification of faults on six phase transmission line using ANN
CN106771520B (zh) 一种配电网暂时过电压分类识别方法及装置
CN111723684B (zh) 一种海上风电场内部暂态过电压类型的识别方法
CN110488152A (zh) 一种基于自适应神经模糊推理系统的配电网故障选线方法
Nguyen et al. Wavelet-based Neural Network for recognition of faults at NHABE power substation of the Vietnam power system
CN111896890B (zh) 基于希尔伯特-黄变换的微电网线路故障诊断方法及系统
Ngaopitakkul et al. Application of probabilistic neural network with transmission and distribution protection schemes for classification of fault types on radial, loop, and underground structures
Lai et al. RMS percent of wavelet transform for the detection of stochastic high impedance faults
CN112485590A (zh) 一种配电网单相断线故障识别方法
Yadav Comparison of single and modular ANN based fault detector and classifier for double circuit transmission lines
CN113591792B (zh) 一种基于自组织竞争神经网络算法的变压器故障辨识方法
CN115128400A (zh) 一种配网故障类型识别与故障选线综合研判方法及系统
CN109655711A (zh) 配电网内部过电压类型识别方法
Paul et al. ANFIS based single line to ground fault location estimation for transmission lines
Hongchun et al. A fault location method of traveling wave for distribution network with only two-phase current transformer using artificial neutral network
Patel et al. Wavelet and Machine learning based approach for Fault classification in AC Micro-grid system
Song et al. An improved negative selection algorithm based identification model for distribution network operating state with small samples

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
RJ01 Rejection of invention patent application after publication

Application publication date: 20170915

RJ01 Rejection of invention patent application after publication