CN107908598B - 基于ds证据理论的oplc故障定位方法 - Google Patents
基于ds证据理论的oplc故障定位方法 Download PDFInfo
- Publication number
- CN107908598B CN107908598B CN201711187374.9A CN201711187374A CN107908598B CN 107908598 B CN107908598 B CN 107908598B CN 201711187374 A CN201711187374 A CN 201711187374A CN 107908598 B CN107908598 B CN 107908598B
- Authority
- CN
- China
- Prior art keywords
- cable
- fault
- positioning
- interval
- optical cable
- 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.)
- Expired - Fee Related
Links
- 238000000034 method Methods 0.000 title claims abstract description 31
- 239000008186 active pharmaceutical agent Substances 0.000 title claims abstract description 23
- 238000009826 distribution Methods 0.000 claims abstract description 107
- 230000003287 optical effect Effects 0.000 claims abstract description 105
- 238000001514 detection method Methods 0.000 claims abstract description 69
- 230000004927 fusion Effects 0.000 claims abstract description 54
- 238000007500 overflow downdraw method Methods 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims description 73
- 230000001186 cumulative effect Effects 0.000 claims description 19
- 239000000126 substance Substances 0.000 claims description 9
- 238000007619 statistical method Methods 0.000 claims description 6
- 239000012634 fragment Substances 0.000 claims description 3
- 239000000835 fiber Substances 0.000 claims description 2
- 238000004088 simulation Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 4
- 239000013307 optical fiber Substances 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 239000004020 conductor Substances 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 230000000737 periodic effect Effects 0.000 description 2
- 238000013024 troubleshooting Methods 0.000 description 2
- RYGMFSIKBFXOCR-UHFFFAOYSA-N Copper Chemical compound [Cu] RYGMFSIKBFXOCR-UHFFFAOYSA-N 0.000 description 1
- 239000004698 Polyethylene Substances 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 229910052802 copper Inorganic materials 0.000 description 1
- 239000010949 copper Substances 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000009916 joint effect Effects 0.000 description 1
- -1 polyethylene Polymers 0.000 description 1
- 229920000573 polyethylene Polymers 0.000 description 1
- 229920000915 polyvinyl chloride Polymers 0.000 description 1
- 239000004800 polyvinyl chloride Substances 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Probability & Statistics with Applications (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Locating Faults (AREA)
- Monitoring And Testing Of Transmission In General (AREA)
Abstract
一种基于DS证据理论的OPLC故障定位方法,属于智能电网检测技术领域。本发明的目的是针对电缆和光缆在同一地点同时出现故障时,利用DS证据理论进行置信度的融合,融合后的置信度取得峰值处为最可能故障位置的基于DS证据理论的OPLC故障定位方法。本发明利用电缆和光缆进行故障定位获取定位结果,利用电缆检测与光缆检测测量OPLC故障位置,得到其各自的真实值分布,根据DS证据理论,进行置信度数据融合,得到故障位置区间。本发明DS证据理论融合方法可以在电缆和光缆在同一位置同时发生故障时,单独检测电缆或光缆不能准确判断故障位置的情况下,能够解决因为定位误差导致的电缆和光缆定位结果不一致,给检测人员带来的难以决策的问题,有效提高这种情况下OPLC故障定位的精度。并可以大大降低判断的不确定性。
Description
技术领域:
本发明属于智能电网检测技术领域。
背景技术
光纤复合低压电缆(Optical Fiber Composite Low-Voltage Cable,OPLC)是一种低压电力电缆与光单元相复合的电缆,能够同时提供电力和信息的传输,其适用于额定电压0.6kV/1.0kV及以下电压等级。OPLC使得原本需要敷设的电线、网线、电话线、有线电视线等多条线路的复杂工程并为一体化施工,简化了安装流程,也大大节省了线路资源和管道资源,同时其具有信息化、自动化、互动化等方面的优势,无疑将成为“智能电网”的终端主流产品,可为用户带来更加便利和现代化的生活方式。图1为OPLC的典型结构。
在实际工程应用中,OPLC中的电缆和光缆都可能出现故障,电缆或光缆可能单独出现故障,也有可能电缆和光缆同时出现故障。针对电缆或光缆单独出现故障的情况,目前都分别有比较成熟应用的故障点定位方法。对电缆和光缆在相同位置同时发生故障时的情况,分别利用电缆与光缆检测得到的结果往往具有一定的差异,导致定位检测操作人员难以抉择。本方法考虑利用DS证据理论将两个结果进行融合,以提高OPLC故障定位精度,具有重要的实际工程意义。
发明内容
本发明的目的是针对电缆和光缆在同一地点同时出现故障时,利用DS证据理论进行置信度的融合,融合后的置信度取得峰值处为最可能故障位置的基于DS证据理论的OPLC故障定位方法。
本发明的步骤是:
步骤1:分别利用电缆和光缆进行故障定位,获取定位结果,判断定位结果差是否小于某一阈值d,如满足,则利用本方法提高定位精度;
步骤101:取数根OPLC样品,分别在不同位置设置故障,使用同型号的OPLC检测装置,对OPLC中电缆与光缆分别进行检测,统计分析样本数据,得到各自的测量值概率密度分布;步骤102:将所测得的数据减去已知故障位置,得到各自的测量误差分布
fd(x,y)=Zd+wd(x,y) (1)
wd(x,y)=fd(x,y)-Zd (2)
其中,fd(x,y)为电缆测量故障位置测量值分布,zd(x,y)为电缆测量故障位置真实值分布,wd(x,y)为电缆测量误差分布,Zd为电缆测量故障位置真实值;
fg(x,y)=Zg+wg(x,y) (3)
wg(x,y)=fg(x,y)-Zg (4)
其中,fg(x,y)为光缆测量故障位置测量值分布,zg(x,y)为光缆测量故障位置真实值分布,wg(x,y)为光缆测量误差分布,Zg为光缆测量故障位置真实值;
步骤2根据电缆和光缆的定位结果,以及统计分析获得的电缆和光缆的故障位置真实值分布,分别计算故障区间置信度;
将电缆或光缆故障位于线路l内可能的故障区间划分为w个小段,以每个小段的中点xi(i=1,2,…,w)代表该小段;记Gi为测量值m对小段xi的置信度,即假设故障位于小段xi时,i点测量值yi等于真实值ri的概率,如式(5)所示:
Gi=P(ri=yi|xi) (5)
分别计算处ri落在m的某一邻域(B-,B+)中的概率Pm和ri落在yi等宽邻域中的概率Pyi,再以Pyi与Pm的比值作为xi的置信度;
在取相同邻域的情况下,可用概率密度函数f(ri)在yi和m处取值的比值来近似计算:
步骤201利用电缆检测与光缆检测测量OPLC故障位置,为别为Xd和Xg,叠加上误差分布,得到其各自的真实值分布zd(x,y)、zg(x,y)
zd(x,y)=Fd-wd(x,y) (7)
zg(x,y)=Fg-wg(x,y) (8)
其中,Fd为电缆测量故障位置测量值,Fg为光缆测量故障位置测量值;
根据两个分布波形的位置特点,每隔1m取一个区间,两组数据取相同区间,利用公式(6),按区间逐一求取置信度;取每个区间中点为该区间代号,xi(i=1,2,…,w);
步骤3根据DS证据理论,进行置信度数据融合,得到故障位置区间
对多个证据源进行融合的公式为:
当来自不同传感器的不同周期的测量数据送入信息融合中心的时候,可进行普通的时域融合或空域融合,也可以进时-空域信息融合。
本发明多传感器单测量周期的空域信息融合:
假设识别框架U下,ms(Ai)表示第s个传感器提供的对目标Ai的可信度分配,s=1,2,...,N;则也可以利用式(11),推导出N个传感器所获得的累积信息,MLN表示N个传感器融合后对命题A的累积的概率分配,
本发明单传感器多测量周期的时域信息融合:
假设识别框架为U,mj(Ai)表示传感器在第j个测量周期所获得的对目标Ai的可信度分配,这里j=1,2,...,N,则可以利用式(11),对传感器进行时域的信息融合,MN表示传感器在N个测量周期的融合后对命题A的累积的概率分配,
本发明基于区间融合结果差的决策方法:
则A1即为最终决策结果,其中ε1,ε2为预先设定的门限;
步骤301采用空域信息融合方法,利用公式(12)将两种传感器的基本概率赋值融合,使用基于基本概率赋值的决策方法,利用公式(14)得到最终故障区间Xc;
步骤302将Xc与单独使用电缆检测与光缆检测定位所得的故障区间Xl进行比较,若Xc=1m,且|Xc—Xl|>=2m,则定位结束;若不满足要求,则增加一个周期,进行时域-空域信息融合;步骤303再分别利用电缆检测与光缆检测定位一次,其中利用电缆检测测得故障位置为Xd2,利用光缆检测测得故障位置为Xg2,叠加上各自的误差分布,得到其各自的真实值分布zd2(x,y)、zg2(x,y);
步骤304对第二周期测得的电缆及光缆测量的真实值分布,根据两个波形的位置特点,每隔1m取一个区间,所取区间应包含第一周期的所有区间,取每个区间中点为该区间代号,xi(i=1,2,…,w);
步骤305分别将两个周期的电缆与光缆定位所确定的基本概率赋值,利用公式(13)在时域上进行信息融合,得到电缆与光缆定位的累积基本概率赋值;
步骤306将电缆与光缆定位2个测量周期后的累积基本概率赋值,利用公式(12)在空域进行融合,得出最终的故障区间Xp;
步骤307将Xp与最初单独使用电缆检测与光缆检测定位所得的故障区间Xl进行比较,若符合要求,则定位结束;若仍不满足要求,则再增加一个周期,继续使用时域-空域信息融合方法定位。
本发明提出了一种基于DS证据融合理论的OPLC故障检测定位方法。该发明针对电缆和光缆在同一地点同时出现故障时,考虑到现有检测方法都存在一定的测量误差,提出将传统故障点定位问题转化为故障概率分布。通过确定可能故障区间,并基于区间划分的方法计算测量值对各段区间的置信度,得到可能故障区间的故障置信度曲线,利用DS证据理论进行置信度的融合,融合后的置信度取得峰值处为最可能故障位置。
本发明DS证据理论融合方法可以在电缆和光缆在同一位置同时发生故障时,单独检测电缆或光缆不能准确判断故障位置的情况下,能够解决因为定位误差导致的电缆和光缆定位结果不一致,给检测人员带来的难以决策的问题,有效提高这种情况下OPLC故障定位的精度。并可以大大降低判断的不确定性。
附图说明
图1是为OPLC的典型结构;其中1是外护套,2是绝缘,3是铜导体,4是撕裂绳,5是包带,6是光单元;
图2为真实值ri概率密度分布;
图3为电缆初步测量值分布fd(x,y);
图4为光缆初步测量值分布fg(x,y);
图5为电缆测量误差分布wd(x,y);
图6为光缆测量误差分布wg(x,y);
图7为仿真一电缆定位真实值分布zd1(x,y);
图8为仿真一光缆定位真实值分布zg1(x,y);
图9为仿真二第一周期电缆定位真实值分布zd1(x,y);
图10为仿真二第一周期光缆定位真实值分布zg1(x,y);
图11为仿真二第二周期电缆定位真实值分布zd2(x,y);
图12为仿真二第二周期光缆定位真实值分布zg2(x,y);
图13为仿真结果统计图。
具体实施方式
本发明的步骤是:
步骤1:分别利用电缆和光缆进行故障定位,获取定位结果,判断定位结果差是否小于某一阈值d,如满足,则利用本方法提高定位精度。
步骤101:本步骤为一次性操作,不需每次定位前进行。取数根OPLC样品,分别在不同位置设置故障,使用同型号的OPLC检测装置,对OPLC中电缆与光缆分别进行检测,统计分析样本数据,得到各自的测量值概率密度分布。
步骤102:将所测得的数据减去已知故障位置,得到各自的测量误差分布
fd(x,y)=Zd+wd(x,y) (1)
wd(x,y)=fd(x,y)-Zd (2)
其中,fd(x,y)为电缆测量故障位置测量值分布,zd(x,y)为电缆测量故障位置真实值分布,wd(x,y)为电缆测量误差分布,Zd为电缆测量故障位置真实值;
fg(x,y)=Zg+wg(x,y) (3)
wg(x,y)=fg(x,y)-Zg (4)
其中,fg(x,y)为光缆测量故障位置测量值分布,zg(x,y)为光缆测量故障位置真实值分布,wg(x,y)为光缆测量误差分布,Zg为光缆测量故障位置真实值。
步骤2根据电缆和光缆的定位结果,以及统计分析获得的电缆和光缆的故障位置真实值分布,分别计算故障区间置信度。
事实上,故障处可能同时发生了电缆和光缆故障,也可能只单独发生了电缆故障或者光缆故障。电缆或光缆故障位于线路l内不同位置的概率是不同的,很难直接根据测量值的概率分布写出l内故障点的概率密度解析表达式,故提出一种基于区间划分的概率方法。
将电缆或光缆故障位于线路l内可能的故障区间划分为w个小段,以每个小段的中点xi(i=1,2,…,w)代表该小段;记Gi为测量值m对小段xi的置信度,即假设故障位于小段xi时,i点测量值yi等于真实值ri的概率,如式(5)所示:
Gi=P(ri=yi|xi) (5)。
真实值ri分布如图(2)所示,连续分布中任意一个离散点的概率都为0,因此单独计算P(ri=yi)是没有意义的。一个可行的方法是分别计算处ri落在m的某一邻域(B-,B+)中的概率Pm和ri落在yi等宽邻域中的概率Pyi,再以Pyi与Pm的比值作为xi的置信度。
图(2)中S1和S2阴影区域面积之比为xi的置信度。为简化计算,在取相同邻域的情况下,可用概率密度函数f(ri)在yi和m处取值的比值来近似计算:
各个小段之间相互独立,故各小段xi的置信度的意义是指,故障点位于l第i个小段xi内的条件概率。计算l内所有小段的置信度,置信度最高的小段即最可能的故障位置。
步骤201利用电缆检测与光缆检测测量OPLC故障位置,为别为Xd和Xg,叠加上误差分布,得到其各自的真实值分布zd(x,y)、zg(x,y)
zd(x,y)=Fd-wd(x,y) (7)
zg(x,y)=Fg-wg(x,y) (8)
其中,Fd为电缆测量故障位置测量值,Fg为光缆测量故障位置测量值。
步骤202对本次实际检测所得的电缆及光缆测量的真实值分布,根据两个分布波形的位置特点,每隔1m取一个区间,两组数据取相同区间,利用公式(6),按区间逐一求取置信度;取每个区间中点为该区间代号,xi(i=1,2,…,w)。
步骤3根据DS证据理论,进行置信度数据融合,得到故障位置区间。
DS证据理论是1967年由Dempster提出的,他首先提出了上、下界概率的定义,后由Shafer于1976年加以推广和发展,故人们也把证据理论称为DS理论。证据理论可处理由不知道所引起的不确定性。对一个判决问题,设所能认识到的可能结果用集合U表示,U称为识别框架。如果有一批针对该框架的证据,那么依据证据理论,可以在框架U上产生一个信度函数。信度函数是该批证据作用的结果。它反映了根据该批证据对框架U可识别的各个命题所赋予的真值。如果有多批证据同时作用于框架U,可以用Dempster合成法则合成依据每批证据所得到的信度函数,该信度函数可以表示以上各批证据的联合作用。
则称m为识别框架U上的基本可信度分配(Basic Probability Assignment),m(A)称为A的基本可信数,反映了证据对A本身的信度大小。式(8)反映了对于空集(空命题)不产生任何信度;式(10)反映了虽然可以给一个命题赋任意大小的信度值,但要求给所有命题赋的信度值的和等于1,即总信度为1。
DS证据理论的合成法则是反映证据联合作用的一个法则。其对多个证据源进行融合的公式为:
当来自不同传感器的不同周期的测量数据送入信息融合中心的时候,可进行普通的时域融合或空域融合,也可以进时-空域信息融合。
本发明多传感器单测量周期的空域信息融合:
如果不考虑每个传感器在不同时刻所测得的数据,即传感器的时域信息,则可以在多个传感器间进行数据的融合(即空域信息的融合)。
假设识别框架U下,ms(Ai)表示第s个传感器提供的对目标Ai的可信度分配,s=1,2,...,N;则也可以利用式(11),推导出N个传感器所获得的累积信息,MLN表示N个传感器融合后对命题A的累积的概率分配,
本发明单传感器多测量周期的时域信息融合:
假设识别框架为U,mj(Ai)表示传感器在第j个测量周期所获得的对目标Ai的可信度分配,这里j=1,2,...,N,则可以利用式(11),对传感器进行时域的信息融合,MN表示传感器在N个测量周期的融合后对命题A的累积的概率分配,
将以上两种方法进行结合,引入多个传感器多个测量周期的信息融合方法,先在时域进行融合,再在空域进行融合,即时域-空域信息融合。这种方法更能减少系统的不确定性,提供更可靠的融合结果。
本发明基于区间融合结果差的决策方法:
则A1即为最终决策结果,其中ε1,ε2为预先设定的门限。
步骤301采用空域信息融合方法,利用公式(12)将两种传感器的基本概率赋值融合,使用基于基本概率赋值的决策方法,利用公式(14)得到最终故障区间Xc。
步骤302将Xc与单独使用电缆检测与光缆检测定位所得的故障区间Xl进行比较,若Xc=1m,且|Xc—Xl|>=2m,则定位结束;若不满足要求,则增加一个周期,进行时域-空域信息融合。
步骤303再分别利用电缆检测与光缆检测定位一次,其中利用电缆检测测得故障位置为Xd2,利用光缆检测测得故障位置为Xg2,叠加上各自的误差分布,得到其各自的真实值分布zd2(x,y)、zg2(x,y)。
步骤304对第二周期测得的电缆及光缆测量的真实值分布,根据两个波形的位置特点,每隔1m取一个区间,所取区间应包含第一周期的所有区间,取每个区间中点为该区间代号,xi(i=1,2,…,w)。
步骤305分别将两个周期的电缆与光缆定位所确定的基本概率赋值,利用公式(13)在时域上进行信息融合,得到电缆与光缆定位的累积基本概率赋值。
步骤306将电缆与光缆定位2个测量周期后的累积基本概率赋值,利用公式(12)在空域进行融合,得出最终的故障区间Xp。
步骤307将Xp与最初单独使用电缆检测与光缆检测定位所得的故障区间Xl进行比较,若符合要求,则定位结束;若仍不满足要求,则再增加一个周期,继续使用时域-空域信息融合方法定位。
仿真一:
步骤101:取数根OPLC样品,在相同距离处(515.8m)人为设置故障,使用同样的电缆检测装置与光缆检测装置分别进行大量定位,分别得到电缆与光缆初步的测量值分布fd(x,y)与fg(x,y)。
步骤102:将所测得的数据减去已知故障位置,得到各自的测量误差分布wd(x,y)、wg(x,y)。
步骤201利用电缆检测与光缆检测测得OPLC故障位置分别为214.7m与218.4m,叠加上误差分布,得到其各自的真实值分布zd1(x,y)、zg1(x,y)。
步骤202对步骤201所得的两个真实值分布进行区间划分,从211m到222m处,每隔1m取一个区间,求取置信度。取每个区间中点为该区间代号,依次为x211、x212、…、x222。
步骤301分别给出利用电缆检测定位及光缆检测定位的基本概率赋值,取识别框架为Θ={A1,A2},A1表示有故障,A2表示无故障。利用公式(11),对两种传感器的累积概率赋值融合在空域进行融合。
步骤302根据电缆检测与光缆检测定位结果,原定位故障区间为215.5m—219.5m。预先设定门限为ε1=ε2=0.08,决策结果为217.5—218.5为故障区间,经比较,符合定位要求。排查后发现故障位置位于距测量始端218.3m处,测量精度得到提高。
仿真二:
步骤一同上。
步骤201利用电缆检测与光缆检测测得OPLC故障位置分别为216.3m与218.1m,叠加上误差分布,得到其各自的真实值分布zd1(x,y)、zg1(x,y)。
步骤202对本次定位所得到的电缆及光缆真实值分布,根据两个分布的波形特点,从211m—222m处,每隔1m取一个区间,求取置信度。取每个区间中点为该区间代号,依次为x211、x212、…、x222。
步骤301采用空域信息融合,利用公式(11)将两种传感器的累积概率赋值融合。步骤302根据电缆检测与光缆检测定位结果,原定位故障区间为215.5m—218.5m。预先设定门限为ε1=ε2=0.08,决策结果为215.5m——219.5m为故障区间,经比较,不符合定位要求。故再增加一个测量周期,采用时域-空域融合方法进行定位。
步骤303再分别利用电缆检测与光缆检测定位一次,其中利用电缆检测测得故障位置为210.6m,利用光缆检测测得故障位置为213.4m,叠加上各自的误差分布,得到其各自的真实值分布zd2(x,y)、zg2(x,y)。
步骤304对本次第二周期定位所得到的电缆及光缆真实值分布,根据第一周期的区间划分,从211m—222m处,每隔1m取一个区间,求取置信度。取每个区间中点为该区间代号,依次为x211、x212、…、x222。
步骤305分别将电缆与光缆的两个测量周期值融合,得到累积基本概率赋值,利用公式(12)对累积基本概率赋值在时域进行融合。
步骤306再采用空域信息融合,利用公式(11),将步骤305所得两种传感器的累积概率赋值融合。
步骤307预先设定门限为ε1=ε2=0.08,决策结果为215.5——216.5为故障区间,符合定位要求,经比较,符合定位要求。排查后发现故障位置位于距测量始端215.8m处,测量精度得到提高。
实验结果表明,如图13所示,多数情况下,基于单测量周期的多传感器空域信息融合方法就能满足定位要求,少数情况不能满足要求的,通过增加一个测量周期,使用时域-空域信息融合方法就能达到定位要求。与传统的单独进行电缆和光缆故障定位相比,本方法具有更高的准确度与可信度。
图1中电单元:OPLC中电单元包括导体和绝缘。
光单元:OPLC中光纤芯数为2~144芯,可根据光单元传输性能要求以及OPLC缆芯的特殊性,以及客户的需求进行设计。
外护套:一般OPLC外护套材料有聚氯乙烯、聚乙烯或无卤材料,可根据不同的使用环境进行选择。
包带、撕裂绳:起到保护光单元和保证电缆圆整度的作用。
连续分布中任意一个离散点的概率都为0,因此单独计算P(ri=yi)是没有意义的。一个可行的方法是分别计算处ri落在m的某一邻域(B-,B+)中的概率Pm和ri落在yi等宽邻域中的概率Pyi,再以Pyi与Pm的比值作为xi的置信度。
图2中S1和S2阴影区域面积之比为xi的置信度。为简化计算,在取相同邻域的情况下,可用概率密度函数f(ri)在yi和m处取值的比值来近似计算:
各个小段之间相互独立,故各小段xi的置信度的意义是指,故障点位于l第i个小段xi内的条件概率。
为了分析某检测仪器对OPLC故障定位的误差情况,取数根OPLC样品,在相同距离处(515.8m)人为设置故障,使用同样的电缆检测装置与光缆检测装置分别进行大量定位(100次以上),由于误差的存在,很多次测量都会得到不同的定位结果,统计各个结果(距离)出现的概率,分别得到电缆与光缆初步的测量值分布fd(x,y)与fg(x,y),如图3、图4所示,图中横坐标为定位结果,即测量故障点离首端的距离,纵坐标为概率,即在大量定位测量中,某结果出现的概率。
由于测量结果是包含误差的,对于同一台仪器而言,在大量的测量统计中,误差分布具有一定的分布规律,根据预先人为设置的故障位置,以及大量的定位数据,可以得出该测量装置的误差分布。由:
测量值分布=真实故障位置+测量误差分布
测量误差分布=测量值分布-真实故障位置
可得:
fd(x,y)=Zd+wd(x,y)
wd(x,y)=fd(x,y)-Zd
其中,fd(x,y)为电缆测量故障位置测量值分布,zd(x,y)为电缆测量故障位置真实值分布,wd(x,y)为电缆测量误差分布,Zd为电缆测量故障位置真实值。
由图3中的测量值分布减去515.8m(真实故障位置)即可得到该测量装置利用电缆故障定位的测量误差分布,如图5所示,图中横坐标为误差,纵坐标为概率。
fg(x,y)=Zg+wg(x,y)
wg(x,y)=fg(x,y)-Zg
其中,fg(x,y)为光缆测量故障位置测量值分布,zg(x,y)为光缆测量故障位置真实值分布,wg(x,y)为光缆测量误差分布,Zg为光缆测量故障位置真实值。
由图4中的测量值分布减去515.8m(真实故障位置)即可得到该测量装置利用光缆故障定位的测量误差分布,如图6所示,图中横坐标为误差,纵坐标为概率。
本发明中将实际应用中的不同情况分为两个仿真,其中仿真一为:在实际故障定位时,分别利用电缆和光缆定位仅需定位一次就能得出准确位置。
故障真实位置是未知的,已知测量值,以及测量误差分布。由:真实值分布=测量值+测量误差分布,可得故障真实位置分布,即真实值分布。实际利用电缆检测与光缆检测测得OPLC故障位置分别为214.7m与218.4m,分别叠加上之前步骤所得各自的误差分布,得到电缆定位真实值分布zd1(x,y)如图7所示、光缆定为真实值分布zg1(x,y)如图8所示。图中横坐标为预计的故障真实位置,对应纵坐标为故障位于此处的概率。
表1为仿真一空域融合结果
A<sub>1</sub> | A<sub>2</sub> | |
X<sub>212</sub> | 0.394 | 0.606 |
X<sub>213</sub> | 0.5241 | 0.4759 |
X<sub>214</sub> | 0.8159 | 0.1841 |
X<sub>215</sub> | 0.8443 | 0.1557 |
X<sub>216</sub> | 0.8472 | 0.1528 |
X<sub>217</sub> | 0.8449 | 0.1551 |
X<sub>218</sub> | 0.9453 | 0.0547 |
X<sub>219</sub> | 0.8262 | 0.1738 |
X<sub>220</sub> | 0.7895 | 0.2105 |
X<sub>221</sub> | 0.6306 | 0.3694 |
X<sub>222</sub> | 0.5895 | 0.4105 |
根据仿真一的真实值分布图,进行区间划分,从211m到222m处,每隔1m取一个区间,求取置信度。取每个区间中点为该区间代号,依次为x211、x212、…、x222。分别给出利用电缆检测定位及光缆检测定位的基本概率赋值,取识别框架为Θ={A1,A2},A1表示有故障,A2表示无故障。
利用空域融合公式(11),对两种传感器的基本概率赋值融合在空域进行融合,计算得到结果如表1所示。
仿真二为实际测量中,一次定位结果不理想,第二次定位后,结合第一次定位结果,最终得到正确故障位置的情况。
实际利用电缆检测与光缆检测测得OPLC故障位置分别为216.3m与218.1m,分别叠加上之前步骤所得各自的误差分布,得到电缆定位真实值分布zd1(x,y)如图9所示、光缆定为真实值分布zg1(x,y)如图10所示。图中横坐标为预计的故障真实位置,对应纵坐标为故障位于此处的概率。
表2仿真二空域融合结果
A<sub>1</sub> | A<sub>2</sub> | |
X<sub>211</sub> | 0.0349 | 0.9651 |
X<sub>212</sub> | 0.0986 | 0.9014 |
X<sub>213</sub> | 0.2266 | 0.7734 |
X<sub>214</sub> | 0.4045 | 0.5955 |
X<sub>215</sub> | 0.8054 | 0.1946 |
X<sub>216</sub> | 0.9149 | 0.0851 |
X<sub>217</sub> | 0.9275 | 0.0724 |
X<sub>218</sub> | 0.9304 | 0.0695 |
X<sub>219</sub> | 0.9310 | 0.0688 |
X<sub>220</sub> | 0.8662 | 0.1337 |
X<sub>221</sub> | 0.6066 | 0.3934 |
X<sub>222</sub> | 0.3129 | 0.6871 |
从211m到222m处,每隔1m取一个区间,求取置信度。取每个区间中点为该区间代号,依次为x211、x212、…、x222。分别给出利用电缆检测定位及光缆检测定位的基本概率赋值,取识别框架为Θ={A1,A2},A1表示有故障,A2表示无故障。
利用空域融合公式(11),对两种传感器的基本概率赋值融合在空域进行融合,计算得到结果如表2所示。
根据基于区间融合结果差的决策方法,得出此结果不满足定位要求,故再分别利用电缆与光缆定位一次,即第二测量周期。
第二周期实际利用电缆检测与光缆检测测得OPLC故障位置分别为210.6m与213.4m,分别叠加上之前步骤所得各自的误差分布,得到电缆定位真实值分布zd1(x,y)如图11所示、光缆定为真实值分布zg1(x,y)如图12所示。图中横坐标为预计的故障真实位置,对应纵坐标为故障位于此处的概率。
对第二周期定位所得到的电缆及光缆真实值分布,根据第一周期的区间划分,从211m—222m处,每隔1m取一个区间,求取置信度。取每个区间中点为该区间代号,依次为x211、x212、…、x222。分别给出利用电缆检测定位及光缆检测定位的基本概率赋值,取识别框架为Θ={A1,A2},A1表示有故障,A2表示无故障。
利用时域融合公式(12),对两种传感器的基本概率赋值融合在时域进行融合,得到累积基本概率赋值后,再利用空域融合公式(11),对两种传感器的累积基本概率赋值融合在空域进行融合,计算得到结果如表3所示。
表3仿真二时域-空域融合结果
针对提出的理论,做了大量的实际故障定位,有时候只需测量一次就能得到准确的定位结果,有时候则需定位两次,还有极少数时候需要三个周期的定位甚至四个周期,将这些结果统计成柱状图如图13所示,能有更直观的发现。多数情况下,基于单测量周期的多传感器空域信息融合方法就能满足定位要求,少数情况不能满足要求的,通过增加一个测量周期,使用时域-空域信息融合方法就能达到定位要求。
Claims (4)
1.一种基于DS证据理论的OPLC故障定位方法,其特征在于:
步骤1:分别利用电缆和光缆进行故障定位,获取定位结果,判断定位结果差是否小于某一阈值d,如满足,则利用本方法提高定位精度;
步骤101:取数根OPLC样品,分别在不同位置设置故障,使用同型号的OPLC检测装置,对OPLC中电缆与光缆分别进行检测,统计分析样本数据,得到各自的测量值概率密度分布;
步骤102:将所测得的数据减去已知故障位置,得到各自的测量误差分布
fd(x,y)=Zd+wd(x,y) (1)
wd(x,y)=fd(x,y)-Zd (2)
其中,fd(x,y)为电缆测量故障位置测量值分布,wd(x,y)为电缆测量误差分布,Zd为电缆测量故障位置真实值;
fg(x,y)=Zg+wg(x,y) (3)
wg(x,y)=fg(x,y)-Zg (4)
其中,fg(x,y)为光缆测量故障位置测量值分布,wg(x,y)为光缆测量误差分布,Zg为光缆测量故障位置真实值;
步骤2根据电缆和光缆的定位结果,以及统计分析获得的电缆和光缆的故障位置真实值分布,分别计算故障区间置信度;
将电缆或光缆故障位于线路l内可能的故障区间划分为w个小段,以每个小段的中点xi代表该小段,其中i=1,2,…,w;记Gi为测量值mi对小段xi的置信度,即假设故障位于小段xi时,i点测量值yi等于真实值ri的概率,如式(5)所示:
Gi=P(ri=yi|xi) (5)
分别计算出ri落在m的某一邻域(B-,B+)中的概率Pm和ri落在yi等宽邻域中的概率Pyi,再以Pyi与Pm的比值作为xi的置信度;
在取相同邻域的情况下,可用概率密度函数f(ri)在yi和mi处取值的比值来近似计算:
步骤201利用电缆检测与光缆检测测量OPLC故障位置,分别为Xd和Xg,叠加上误差分布,得到其各自的真实值分布zd(x,y)、zg(x,y)
zd(x,y)=Fd-wd(x,y) (7)
zg(x,y)=Fg-wg(x,y) (8)
其中,Fd为电缆测量故障位置测量值,Fg为光缆测量故障位置测量值;
根据两个分布波形的位置特点,每隔1m取一个区间,两组数据取相同区间,利用公式(6),按区间逐一求取置信度;取每个区间中点xi为该区间代号,其中i=1,2,…,w;
步骤3根据DS证据理论,进行置信度数据融合,得到故障位置区间
对多个证据源进行融合的公式为:
当来自不同传感器的不同周期的测量数据送入信息融合中心的时候,可进行普通的时域融合或空域融合,也可以进时-空域信息融合。
4.根据权利要求1所述的基于DS证据理论的OPLC故障定位方法,其特征在于:基于区间融合结果差的决策方法:
则A1即为最终决策结果,其中ε1,ε2为预先设定的门限;
步骤301采用空域信息融合方法,利用公式(12)将两种传感器的基本概率赋值融合,使用基于基本概率赋值的决策方法,利用公式(14)得到最终故障区间Xc;
步骤302将Xc与单独使用电缆检测与光缆检测定位所得的故障区间Xl进行比较,若Xc=1m,且|Xc—Xl|>=2m,则定位结束;若不满足要求,则增加一个周期,进行时域-空域信息融合;
步骤303再分别利用电缆检测与光缆检测定位一次,其中利用电缆检测测得故障位置为Xd2,利用光缆检测测得故障位置为Xg2,叠加上各自的误差分布,得到其各自的真实值分布zd2(x,y)、zg2(x,y);
步骤304对第二周期测得的电缆及光缆测量的真实值分布,根据两个波形的位置特点,每隔1m取一个区间,所取区间应包含第一周期的所有区间,取每个区间中点xi为该区间代号,其中i=1,2,…,w;
步骤305分别将两个周期的电缆与光缆定位所确定的基本概率赋值,利用公式(13)在时域上进行信息融合,得到电缆与光缆定位的累积基本概率赋值;
步骤306将电缆与光缆定位2个测量周期后的累积基本概率赋值,利用公式(12)在空域进行融合,得出最终的故障区间Xp;
步骤307将Xp与最初单独使用电缆检测与光缆检测定位所得的故障区间Xl进行比较,若符合要求,则定位结束;若仍不满足要求,则再增加一个周期,继续使用时域-空域信息融合方法定位。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711187374.9A CN107908598B (zh) | 2017-11-24 | 2017-11-24 | 基于ds证据理论的oplc故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711187374.9A CN107908598B (zh) | 2017-11-24 | 2017-11-24 | 基于ds证据理论的oplc故障定位方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107908598A CN107908598A (zh) | 2018-04-13 |
CN107908598B true CN107908598B (zh) | 2021-04-30 |
Family
ID=61847460
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711187374.9A Expired - Fee Related CN107908598B (zh) | 2017-11-24 | 2017-11-24 | 基于ds证据理论的oplc故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107908598B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112232421B (zh) * | 2020-10-19 | 2022-10-04 | 中国科学技术大学 | 一种基于多维融合技术的道路场景目标检测方法及系统 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103557883A (zh) * | 2013-09-09 | 2014-02-05 | 华北电力大学(保定) | 一种海底光电复合缆全方位监测及故障点准确定位方法 |
CN106788696A (zh) * | 2017-01-20 | 2017-05-31 | 山西恒海创盈科技有限公司 | 基于gis平台的光缆在线智能监测及故障定位系统 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN107271867A (zh) * | 2017-06-27 | 2017-10-20 | 国网河南省电力公司检修公司 | 基于d‑s证据理论的gis局部放电故障类型识别方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
FR2963437B1 (fr) * | 2010-07-29 | 2012-08-31 | Sagem Defense Securite | Procede de detection et d'exclusion de multi-pannes satellites |
-
2017
- 2017-11-24 CN CN201711187374.9A patent/CN107908598B/zh not_active Expired - Fee Related
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103557883A (zh) * | 2013-09-09 | 2014-02-05 | 华北电力大学(保定) | 一种海底光电复合缆全方位监测及故障点准确定位方法 |
CN106788696A (zh) * | 2017-01-20 | 2017-05-31 | 山西恒海创盈科技有限公司 | 基于gis平台的光缆在线智能监测及故障定位系统 |
CN107016404A (zh) * | 2017-02-24 | 2017-08-04 | 沈阳工业大学 | 基于d‑s证据融合的风力发电机组故障预测方法 |
CN107271867A (zh) * | 2017-06-27 | 2017-10-20 | 国网河南省电力公司检修公司 | 基于d‑s证据理论的gis局部放电故障类型识别方法 |
Also Published As
Publication number | Publication date |
---|---|
CN107908598A (zh) | 2018-04-13 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108593260B (zh) | 光缆线路故障定位和检测方法及终端设备 | |
CN106291115A (zh) | 长距离电力电缆绝缘阻抗在线监测方法 | |
KR101738076B1 (ko) | 부분방전 진단의 신뢰도를 표시하는 부분방전 원격진단시스템 | |
CN106126875B (zh) | 一种基于态势感知理论的变压器状态评估方法 | |
JPH0829480A (ja) | 送電線故障区間及び故障様相の評定方法 | |
CN107908598B (zh) | 基于ds证据理论的oplc故障定位方法 | |
CN104573361B (zh) | 一种gis设备评估的方法和装置 | |
KR102112153B1 (ko) | 차량용 전선의 통신 성능 예측 장치 및 방법 | |
CN108153627B (zh) | 一种机载1394b总线信号传输完整性测试与评估方法 | |
CN112436866B (zh) | 基于电力载波辐射信号强度分布特征计算线路拓扑的方法 | |
CN111695501B (zh) | 一种基于操作系统内核调用数据的设备软故障检测方法 | |
US20220147888A1 (en) | Device for extracting facility needing lightning countermeasures, method for extracting factility needing lightning countermeasures, and program for extracting facility needing lightning countermeasures | |
Yu et al. | Knowledge reasoning of transmission line component detection using CRITIC and TOPSIS approaches | |
CN109974873B (zh) | 一种移动平均的温度监测方法 | |
Beetner et al. | Validation of worst-case and statistical models for an automotive EMC expert system | |
EP4105809A1 (en) | Aircraft wire routing to account for electromagnetic disturbances | |
Ensina et al. | Fault location in transmission lines based on lstm model | |
Beiza et al. | Multiphase transmission line modeling for voltage sag estimation | |
CN113740663B (zh) | 一种基于阻抗特征的飞机装机电缆故障定位方法 | |
CN113189422B (zh) | 一种基于用电曲线dtw的同址拆分建户识别方法 | |
CN112834877B (zh) | 一种变压器局部放电电气定位方法及设备 | |
CN113361607B (zh) | 一种中压配网线路问题分析方法及装置 | |
CN115078920B (zh) | 多信息融合的有源配电网单相接地故障选线方法与系统 | |
CN116068336A (zh) | 基于参数改进的多元变分模态分解算法和峭度的电缆故障定位方法 | |
Zhang et al. | Research on Fault Diagnosis of Launch Vehicle’s Power Transformation and Transmission System Based on Big Data |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant | ||
CF01 | Termination of patent right due to non-payment of annual fee | ||
CF01 | Termination of patent right due to non-payment of annual fee |
Granted publication date: 20210430 |