CN109324268B - 基于贝叶斯推理的配电网早期故障检测方法及装置 - Google Patents
基于贝叶斯推理的配电网早期故障检测方法及装置 Download PDFInfo
- Publication number
- CN109324268B CN109324268B CN201811536079.4A CN201811536079A CN109324268B CN 109324268 B CN109324268 B CN 109324268B CN 201811536079 A CN201811536079 A CN 201811536079A CN 109324268 B CN109324268 B CN 109324268B
- Authority
- CN
- China
- Prior art keywords
- probability
- chain
- feature
- waveform
- time
- 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.)
- Active
Links
- 238000001514 detection method Methods 0.000 title claims abstract description 19
- 238000000034 method Methods 0.000 claims abstract description 24
- 238000000605 extraction Methods 0.000 claims abstract description 16
- 238000000354 decomposition reaction Methods 0.000 claims description 22
- 230000001052 transient effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 7
- 239000000203 mixture Substances 0.000 claims 1
- 238000003745 diagnosis Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 230000002159 abnormal effect Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000009413 insulation Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 239000004020 conductor Substances 0.000 description 1
- 238000011109 contamination Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000002427 irreversible effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000007935 neutral effect Effects 0.000 description 1
- 230000003252 repetitive effect Effects 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
Images
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Abstract
本发明公开了一种基于时域特征提取和贝叶斯推理的配电网早期故障检测方法及其装置。将贝叶斯推理的相关理论和方法引入到配电网早期故障检测中,并验证方法的合理性。时域特征提取可以提取出脉冲和谐波变化,这些特征与早期故障息息相关。早期故障中这些特征参数的组合和非早期故障中的明显不同。贝叶斯推理通过计算特征参数组合的概率,检测出早期故障。该方法在需求数据量和准确性上大大优于传统检测。对配电网早期故障的检测及处理具有重要意义。
Description
技术领域
本发明涉及配电网架空线路电弧接地等早期故障检测技术领域,更具体地,涉及一种基于贝叶斯推理的配电网早期故障检测方法及装置。
背景技术
配电网位于电力系统的末端,直接与用户相连,整个电力系统对用户的供电能力和供电质量都由其来实现和保障。因此,配电网既是整个电力系统的发展基础,又是其最终归宿,是实现智能电网的重要环节。同时,随着城市规模的逐步扩大,配电网的负荷密度不断增大,对其供电可靠性和供电质量等指标的要求越来越高。但目前配电网大负荷期间的互供能力不足,极有可能发生大面积的停电事故,其供电可靠性和抵御自然灾害的能量亟待提高。
配电网设备在发生永久性故障之前往往会产生一些异常信号,这些异常信号被称为早期故障。以地下电缆为例,早期故障往往是由老化逐渐导致的,绝缘内部存在局部恶化;机械缺陷加上供电压力,在恶劣的环境和化学污染条件下,往往会导致不可逆的绝缘破坏,即永久性故障。
早期故障往往表现为幅值小、持续时间短、重复发生,且往往伴随电弧,对绝缘和导体造成损坏。早期故障检测作为电力设备状态检测的一种方案,为配网运维提供了新的思路,使得缺陷设备能够被提前更换,提高供电可靠性。同时降低运维工作量,节约了成本。
传统早期故障检测方法往往根据特定场景提出一些判据,这并不适用于复杂多变的实际情况。且传统方法所需样本多,判断准确率差。
贝叶斯推理是一种统计学方法,用来估计统计量的某种性质。贝叶斯推理作为贝叶斯定理的应用,需要借助全概率公式。如果事件组B1,B2,...满足
1.B1,B2....两两互斥,即Bi∩Bj=φ,i≠j,i,j=1,2,...,且P(Bi)>0,i=1,2,...;
2.B1∪B2∪....=Ω,则称事件组B1,B2,...是样本空间Ω的一个划分。
设B1,B2,...是样本空间Ω的一个划分,A为任一事件,则:
称为全概率公式。
贝叶斯定理实质上就是计算条件概率,事件A发生的情况下,事件Bi发生的概率,可写作:
式中,Bj(j=1,2,…,n)为样本空间的一个划分。
对条件概率公式进行变形,可得到如下形式:
式中,P(A)称为先验概率,P(A|B)称为后验概率,P(B|A)/P(B)称为似然,这是一个调整因子,使得预估概率更接近真实概率。
目前贝叶斯推理用于早期故障检测主要是统计故障前后概率分布情况,利用贝叶斯变点分析进行判定。但这种方法需要故障前后的大量数据,且抗干扰能力较差。
发明内容
为了克服现有技术中存在的缺陷,本发明提出一种基于贝叶斯推理的配电网早期故障检测方法,首先进行时域特征提取,将时域特征构成的特征链拆分为多个参数组合,计算参数组合在背景样本下的概率分布,获得整个特征链的概率分布,通过比较早期故障和非早期故障下的概率大小,从而判断波形种类。该方法具有需求数据少、抗干扰能力强的优点。
具体地,该方法包括以下步骤:
步骤S1:对配电网中的三相电压、电流信号进行采集,对于采集到的时域波形提取出一系列波形特征,包括脉冲幅值、脉冲宽度、谐波幅值变化、谐波时长变化;
步骤S2:将上述波形特征视为特征链,将这一特征链中拆分为不同参数组合,通过贝叶斯推理计算出不同参数组合在早期故障波形以及暂态干扰波形中出现的概率;
步骤S3:通过比较上述概率,判断波形种类。
进一步地,步骤S1中,
小波基函数选取为5层Meyer函数,对上述电流信号波形进行分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数;分解结果中的d1系数用于捕捉时域脉冲;随机设定一个阈值,将d1系数大于该阈值的点作为可能的脉冲,通过判断可能的脉冲的幅值和时间长度确认其是否为脉冲;接着降低阈值,重复上述步骤,直到确认的脉冲数量不再增加;记下该时刻作为脉冲发生时刻tp,记录此时的脉冲幅值Ap和脉冲宽度dp。
进一步地,步骤S1中,
小波基函数选取为5层Meyer函数,对上述电压信号波形进行分解,分解结果为s'=a'5+d'1+d'2+d'3+d'4+d'5,其中s'为原始信号,a'5为近似系数,d'1-d'5为细节系数;分解结果中的a'5系数用于捕捉时域谐波变化;通过a'5系数的过零点将波形分为多个半周波,计算每个半周波的时间长度和幅值;时间长度或幅值发生较大变化,则记下该时刻作为谐波变化时刻thc,记录此时的幅值变化Ahc和时长变化Thc。
所述时间长度或幅值发生较大变化,具体是指,
Tn/Tn-1>1.2或者Tn/Tn-1<0.8;An/An-1>1.2或者An/An-1<0.8,这里Tn表示第n个周波的时长,An表示第n个周波的幅值。
进一步地,步骤S2中,
将步骤S1中提取的波形特征形成特征链,对于这一特征链中的不同参数组合,形成特征对为pxx,设特征链为L,则根据贝叶斯推理,长度为n的特征链L的概率表示为:
式中,第一个特征z1={p,hc},其中p表示脉冲,hc表示谐波;
通过对时域特征p,hc的参数Ap,dp,Ahc,Thc进行离散化,统计特征对中参数组合的概率分布P(Ap,dp|Ap,dp),P(Ap,dp|Ahc,Thc),P(Ahc,Thc|Ap,dp),P(Ahc,Thc|Ahc,Thc),根据上式计算特征链中参数组合的概率。
进一步地,步骤S3中,将上述特征链中参数组合的概率相乘作为整个特征链的联合概率,对于同一特征链,其出现在早期故障样本中的概率与其出现在非早期故障样本中的概率不同,通过比较这一联合概率的大小,来判断该特征链属于哪类样本。
本发明还提出一种基于贝叶斯推理的配电网早期故障检测装置,其特征在于,首先进行时域特征提取,将时域特征构成的特征链拆分为多个参数组合,计算参数组合在背景样本下的概率分布,获得整个特征链的概率分布,通过比较早期故障和非早期故障下的概率大小,从而判断波形种类;包括:
信号采集模块:对配电网中的三相电压、电流信号进行采集;
特征提取模块:与信号采集模块相连,对于采集到的时域波形提取出一系列波形特征,包括脉冲幅值、脉冲宽度、谐波幅值变化、谐波时长变化;
概率计算模块:与特征提取模块相连,将上述波形特征视为特征链,对于这一特征链中的不同参数组合,其在早期故障波形以及暂态干扰波形中的分布明显不同,通过贝叶斯推理计算出不同参数组合在早期故障波形以及暂态干扰波形中出现的概率;
故障识别模块,与概率计算模块相连,通过比较上述概率,判断波形种类。
进一步地,特征提取模块中,小波基函数选取为5层Meyer函数,对上述电流信号波形进行分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数;分解结果中的d1系数用于捕捉时域脉冲;随机设定一个阈值,将d1系数大于该阈值的点作为可能的脉冲,通过判断可能的脉冲的幅值和时间长度确认其是否为脉冲;接着降低阈值,重复上述步骤,直到确认的脉冲数量不再增加;记下该时刻作为脉冲发生时刻tp,记录此时的脉冲高度Ap和脉冲宽度dp。
进一步地,特征提取模块中,小波基函数选取为5层Meyer函数,对上述电压信号波形进行分解,分解结果为s'=a'5+d'1+d'2+d'3+d'4+d'5,其中s'为原始信号,a'5为近似系数,d'1-d'5为细节系数;分解结果中的a'5系数用于捕捉时域谐波变化;通过a'5系数的过零点将波形分为多个半周波,计算每个半周波的时间长度和幅值;时间长度或幅值发生较大变化,则记下该时刻作为谐波变化时刻thc,记录此时的幅值变化Ahc和时长变化Thc。
所述时间长度或幅值发生较大变化,具体是指,Tn/Tn-1>1.2或者Tn/Tn-1<0.8;An/An-1>1.2或者An/An-1<0.8,这里Tn表示第n个周波的时长,An表示第n个周波的幅值。
进一步地,概率计算模块中,将特征提取模块中提取的波形特征形成特征链,对于这一特征链中的不同参数组合,形成特征对为pxx,设特征链为L,则根据贝叶斯推理,长度为n的特征链L的概率可表示为:
式中,第一个特征z1={p,hc},其中p表示脉冲,hc表示谐波;
通过对时域特征p,hc的参数Ap,dp,Ahc,Thc进行离散化,统计特征对中参数组合的概率分布P(Ap,dp|Ap,dp),P(Ap,dp|Ahc,Thc),P(Ahc,Thc|Ap,dp),P(Ahc,Thc|Ahc,Thc),根据上式计算特征链中参数组合的概率。
进一步地,故障识别模块中,将上述特征链中参数组合的概率相乘作为整个特征链的联合概率,对于同一特征链,其出现在早期故障样本中的概率与其出现在非早期故障样本中的概率不同,通过比较这一联合概率的大小,来判断该特征链属于哪类样本。
本发明将时域特征提取及贝叶斯推理的相关理论和方法引入到配电网早期故障检测中,通过理论分析提出针对配电网早期故障的检测方法以及实现该方法的检测装置,并验证方法的合理性。时域特征提取关注与早期故障相关的特征,贝叶斯推理能获得这些特征在不同种类事件中的概率分布,从而判断波形种类。该方法相较于传统算法具有所需样本少、准确率高等特点。
附图说明
图1为本发明所述早期故障诊断方法的流程图。
图2为本发明所述早期故障诊断装置的结构图。
图3示出了对配电网原始电流波形进行时域特征提取的示意图。
图4是对图3中提取的时域特征形成特征链及特征对的示意图。
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的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
图1示出了本发明的基于贝叶斯推理的配电网早期故障诊断方法的流程图,其具体步骤包括:
步骤S1:对配电网中的三相电压、电流信号进行采集,对于采集到的时域波形提取出一系列波形特征,包括脉冲幅值、脉冲宽度、谐波幅值变化、谐波时长变化。
小波基函数选取为5层Meyer函数,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数;分解结果中的d1系数用于捕捉时域脉冲;随机设定一个阈值,将d1系数大于该阈值的点作为可能的脉冲,通过判断可能的脉冲的幅值和时间长度确认其是否为脉冲;接着降低阈值,重复上述步骤,直到确认的脉冲数量不再增加;记下该时刻作为脉冲发生时刻tp,记录此时的脉冲幅值Ap和脉冲宽度dp。分解结果中的a5系数用于捕捉时域谐波变化;通过a5系数的过零点将波形分为多个半周波,计算每个半周波的时间长度和幅值;时间长度或幅值发生较大变化(Tn/Tn-1>1.2或者Tn/Tn-1<0.8;An/An-1>1.2或者An/An-1<0.8,这里Tn表示第n个周波的时长,An表示第n个周波的幅值),则记下该时刻作为谐波变化时刻thc,记录此时的幅值变化Ahc和时长变化Thc。
步骤S2:将上述波形特征视为特征链,对于这一特征链中的不同参数组合,其在早期故障波形以及暂态干扰波形中的分布明显不同,通过贝叶斯推理可以计算出不同参数组合在早期故障波形以及暂态干扰波形中出现的概率。
对于这一特征链中的不同参数组合,形成特征对为pxx,设特征链为L,则根据贝叶斯推理,长度为n的特征链L的概率表示为:
式中,第一个特征z1={p,hc},其中p表示脉冲,hc表示谐波;
通过对时域特征p,hc的参数Ap,dp,Ahc,Thc进行离散化,统计特征对中参数组合的概率分布P(Ap,dp|Ap,dp),P(Ap,dp|Ahc,Thc),P(Ahc,Thc|Ap,dp),P(Ahc,Thc|Ahc,Thc),根据上式计算特征链中参数组合的概率。
步骤S3:通过比较上述概率,判断波形种类。
整个特征链的联合概率等于该特征链中参数组合的概率乘积。由于在早期故障样本和非早期故障样本中,同一参数组合出现的概率不同,即对于同一特征链,其出现在早期故障样本中的概率与其出现在非早期故障样本中的概率不同,通过比较这一联合概率的大小,即可判断该特征链属于哪类样本。
图2示出了本发明的基于贝叶斯推理的配电网早期故障诊断装置的结构图,具体包括:
信号采集模块:对配电网中的三相电压、电流信号进行采集;
特征提取模块:与信号采集模块相连,对于采集到的时域波形提取出一系列波形特征,包括脉冲幅值、脉冲宽度、谐波幅值变化、谐波时长变化;
概率计算模块:与特征提取模块相连,将上述波形特征视为特征链,对于这一特征链中的不同参数组合,其在早期故障波形以及暂态干扰波形中的分布明显不同,通过贝叶斯推理计算出不同参数组合在早期故障波形以及暂态干扰波形中出现的概率;
故障识别模块,与概率计算模块相连,通过比较上述概率,判断波形种类。
为验证本发明的有效性,进行以下仿真实验。
依照发明的早期故障诊断方法,对于如图3(a)所示的配电网单相原始电流波形进行小波分解,其中配电网电压等级为10kv,频率为50Hz,接地方式为中性点小电流接地。小波基函数选取为5层Meyer函数,分解结果中的d1系数用于捕捉时域脉冲。随机设定一个阈值,将d1系数大于该阈值的点作为可能的脉冲,通过判断可能的脉冲的幅值和时间长度确认其是否为脉冲。接着降低阈值,重复上述步骤,直到确认的脉冲数量不再增加。记下该时刻作为脉冲发生时刻tp,记录此时的脉冲高度Ap和脉冲宽度dp。
对于如图3(b)所示的配电网单相原始电压波形进行小波分解,小波基函数选取为5层Meyer函数,分解结果中的a5系数用于捕捉时域谐波变化。a5系数为波形的近似,这里将其视为整体谐波。通过a5系数的过零点将波形分为多个半周波,计算每个半周波的时间长度和幅值。时间长度或幅值发生较大变化(Tn/Tn-1>1.2或者Tn/Tn-1<0.8;An/An-1>1.2或者An/An-1<0.8,这里Tn表示第n个周波的时长,An表示第n个周波的幅值),则记下该时刻作为谐波变化时刻thc,记录此时的幅值变化Ahc和时长变化Thc。
将脉冲p和谐波变化hc这两种特征按照发生时刻的先后顺序进行排列,形成图4(a)所示的特征链。假设特征链中的特征只和前一个特征有关,相邻两个特征构成一个特征对,则有且仅有图4(b)所示的四种特征对。设特征链为L,四种特征对分别为Ppp,Pph,Php,Phh,则根据贝叶斯推理,长度为n的特征链L的概率可表示为:
式中,第一个特征z1={p,hc},特征对Pxx={Ppp,Pph,Php,Phh}。
实际上,特征链中的参数组合,例如(Ap,dp),(Ahc,Thc),…,(Ahc,Thc),其概率分布在早期故障和非早期故障中明显不同。通过对时域特征p,hc的参数Ap,dp,Ahc,Thc进行离散化,统计特征对中参数组合的概率分布P(Ap,dp|Ap,dp),P(Ap,dp|Ahc,Thc),P(Ahc,Thc|Ap,dp),P(Ahc,Thc|Ahc,Thc),根据上式即可计算特征链中参数组合的概率。
对于一个未知样本,以同样的方式提取出其波形时域特征,将这些特征中的参数组合拆分开,分别以早期故障样本和非早期故障样本为背景,计算这些参数组合的概率。将这些概率相乘即得整个特征链的联合概率,比较两种背景下该联合概率的大小,若早期故障样本下未知样本中特征链的出现概率更大,则判断该未知样本为早期故障;反之,若非早期故障样本下特征链出现概率更大,则判断该未知样本为非早期故障。
取50个已知种类的现场实际采集波形样本进行训练,用另外200个已知种类的现场实际采集波形样本进行测试,实验结果如表1所示。可以看出该方法准确率高,且所需数据量较少。
表1实验结果
以上实验证明,本发明方法能够准确、有效地检测出配网早期故障。
申请人结合说明书附图对本发明的实施例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (4)
1.一种基于贝叶斯推理的配电网早期故障检测方法,其特征在于,首先进行时域特征提取,将时域特征构成的特征链拆分为多个参数组合,计算参数组合在背景样本下的概率分布,获得整个特征链的概率分布,通过比较早期故障和非早期故障下的概率大小,从而判断波形种类,该方法包括以下步骤:
步骤S1:对配电网中的三相电压、电流信号进行采集,
小波基函数选取为5层Meyer函数,对上述电流信号波形进行分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数;分解结果中的d1系数用于捕捉时域脉冲;随机设定一个阈值,将d1系数大于该阈值的点作为可能的脉冲,通过判断可能的脉冲的幅值和时间长度确认其是否为脉冲;接着降低阈值,重复上述步骤,直到确认的脉冲数量不再增加;记下该时刻作为脉冲发生时刻tp,记录此时的脉冲幅值Ap和脉冲宽度dp;
小波基函数选取为5层Meyer函数,对上述电压信号波形进行分解,分解结果为s'=a'5+d′1+d'2+d′3+d'4+d′5,其中s'为原始信号,a'5为近似系数,d′1-d'5为细节系数;分解结果中的a'5系数用于捕捉时域谐波变化;通过a'5系数的过零点将波形分为多个半周波,计算每个半周波的时间长度和幅值;时间长度或幅值发生较大变化,则记下该时刻作为谐波变化时刻thc,记录此时的幅值变化Ahc和时长变化Thc;
步骤S2:将步骤S1中提取的波形特征形成特征链,对于这一特征链中的不同参数组合,形成特征对为pxx,设特征链为L,则根据贝叶斯推理,长度为n的特征链L的概率表示为:
式中,第一个特征z1={p,hc},其中p表示脉冲,hc表示谐波;
通过对时域特征p,hc的参数Ap,dp,Ahc,Thc进行离散化,统计特征对中参数组合的概率分布P(Ap,dp|Ap,dp),P(Ap,dp|Ahc,Thc),P(Ahc,Thc|Ap,dp),P(Ahc,Thc|Ahc,Thc),根据上式计算特征链中参数组合的概率;
由此通过贝叶斯推理计算出不同参数组合在早期故障波形以及暂态干扰波形中出现的概率;
步骤S3:将上述特征链中参数组合的概率相乘作为整个特征链的联合概率,对于同一特征链,其出现在早期故障样本中的概率与其出现在非早期故障样本中的概率不同,通过比较这一联合概率的大小,来判断该特征链属于哪类样本。
2.根据权利要求1所述的配电网早期故障检测方法,其特征在于,
所述时间长度或幅值发生较大变化,具体是指,
Tn/Tn-1>1.2或者Tn/Tn-1<0.8;An/An-1>1.2或者An/An-1<0.8,这里Tn表示第n个周波的时长,An表示第n个周波的幅值。
3.一种基于贝叶斯推理的配电网早期故障检测装置,其特征在于,首先进行时域特征提取,将时域特征构成的特征链拆分为多个参数组合,计算参数组合在背景样本下的概率分布,获得整个特征链的概率分布,通过比较早期故障和非早期故障下的概率大小,从而判断波形种类;包括:
信号采集模块:对配电网中的三相电压、电流信号进行采集;
特征提取模块:与信号采集模块相连,对于采集到的时域波形提取出一系列波形特征,包括脉冲幅值、脉冲宽度、谐波幅值变化、谐波时长变化;包括:
小波基函数选取为5层Meyer函数,对上述电流信号波形进行分解,分解结果为s=a5+d1+d2+d3+d4+d5,其中s为原始信号,a5为近似系数,d1-d5为细节系数;分解结果中的d1系数用于捕捉时域脉冲;随机设定一个阈值,将d1系数大于该阈值的点作为可能的脉冲,通过判断可能的脉冲的幅值和时间长度确认其是否为脉冲;接着降低阈值,重复上述步骤,直到确认的脉冲数量不再增加;记下该时刻作为脉冲发生时刻tp,记录此时的脉冲幅值Ap和脉冲宽度dp;
小波基函数选取为5层Meyer函数,对上述电压信号波形进行分解,分解结果为s'=a'5+d′1+d'2+d′3+d'4+d′5,其中s'为原始信号,a'5为近似系数,d′1-d'5为细节系数;分解结果中的a'5系数用于捕捉时域谐波变化;通过a'5系数的过零点将波形分为多个半周波,计算每个半周波的时间长度和幅值;时间长度或幅值发生较大变化,则记下该时刻作为谐波变化时刻thc,记录此时的幅值变化Ahc和时长变化Thc;
概率计算模块:与特征提取模块相连,将特征提取模块中提取的波形特征形成特征链,对于这一特征链中的不同参数组合,形成特征对为pxx,设特征链为L,则根据贝叶斯推理,长度为n的特征链L的概率可表示为:
式中,第一个特征z1={p,hc},其中p表示脉冲,hc表示谐波;通过对时域特征p,hc的参数Ap,dp,Ahc,Thc进行离散化,统计特征对中参数组合的概率分布P(Ap,dp|Ap,dp),P(Ap,dp|Ahc,Thc),P(Ahc,Thc|Ap,dp),P(Ahc,Thc|Ahc,Thc),根据上式计算特征链中参数组合的概率;
由此通过贝叶斯推理计算出不同参数组合在早期故障波形以及暂态干扰波形中出现的概率;
故障识别模块:与概率计算模块相连,将上述特征链中参数组合的概率相乘作为整个特征链的联合概率,对于同一特征链,其出现在早期故障样本中的概率与其出现在非早期故障样本中的概率不同,通过比较这一联合概率的大小,来判断该特征链属于哪类样本。
4.根据权利要求3所述的配电网早期故障检测装置,其特征在于,
所述时间长度或幅值发生较大变化,具体是指,
Tn/Tn-1>1.2或者Tn/Tn-1<0.8;An/An-1>1.2或者An/An-1<0.8,这里Tn表示第n个周波的时长,An表示第n个周波的幅值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536079.4A CN109324268B (zh) | 2018-12-14 | 2018-12-14 | 基于贝叶斯推理的配电网早期故障检测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811536079.4A CN109324268B (zh) | 2018-12-14 | 2018-12-14 | 基于贝叶斯推理的配电网早期故障检测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109324268A CN109324268A (zh) | 2019-02-12 |
CN109324268B true CN109324268B (zh) | 2021-02-12 |
Family
ID=65257439
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811536079.4A Active CN109324268B (zh) | 2018-12-14 | 2018-12-14 | 基于贝叶斯推理的配电网早期故障检测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109324268B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111579936B (zh) * | 2020-06-30 | 2021-12-03 | 上海交通大学 | 一种适用于弧光接地故障的定位方法及系统 |
CN111722060B (zh) * | 2020-06-30 | 2021-01-26 | 四川大学 | 一种基于波形特征的配电线路早期故障严重程度评价方法 |
Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6076083A (en) * | 1995-08-20 | 2000-06-13 | Baker; Michelle | Diagnostic system utilizing a Bayesian network model having link weights updated experimentally |
JP2000356696A (ja) * | 1999-05-14 | 2000-12-26 | Siemens Corporate Res Inc | 複雑系で診断を行う方法、複雑系でのエラー状態を診断する際に支援するための装置、及び、複雑系でのエラー状態を診断するシステム |
JP2008256981A (ja) * | 2007-04-05 | 2008-10-23 | Fuji Xerox Co Ltd | 故障診断システム |
CN103245861A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的变压器故障诊断方法 |
CN103293421A (zh) * | 2013-06-07 | 2013-09-11 | 云南电力调度控制中心 | 一种电网故障诊断模型及其诊断方法 |
CN104166880A (zh) * | 2013-05-31 | 2014-11-26 | 贵州电网公司电力调度控制中心 | 电力系统连锁故障模式预测方法 |
CN104316844A (zh) * | 2014-11-14 | 2015-01-28 | 广东电网有限责任公司佛山供电局 | 配电网故障类型识别方法及装置 |
CN104363106A (zh) * | 2014-10-09 | 2015-02-18 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于大数据技术的电力信息通信故障预警分析方法 |
CN104504525A (zh) * | 2014-12-26 | 2015-04-08 | 国家电网公司 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
CN107656176A (zh) * | 2017-11-09 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 |
CN108983040A (zh) * | 2018-05-30 | 2018-12-11 | 广东电网有限责任公司 | 一种基于贝叶斯分析的配电网故障定位方法 |
-
2018
- 2018-12-14 CN CN201811536079.4A patent/CN109324268B/zh active Active
Patent Citations (11)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US6076083A (en) * | 1995-08-20 | 2000-06-13 | Baker; Michelle | Diagnostic system utilizing a Bayesian network model having link weights updated experimentally |
JP2000356696A (ja) * | 1999-05-14 | 2000-12-26 | Siemens Corporate Res Inc | 複雑系で診断を行う方法、複雑系でのエラー状態を診断する際に支援するための装置、及び、複雑系でのエラー状態を診断するシステム |
JP2008256981A (ja) * | 2007-04-05 | 2008-10-23 | Fuji Xerox Co Ltd | 故障診断システム |
CN103245861A (zh) * | 2013-05-03 | 2013-08-14 | 云南电力试验研究院(集团)有限公司电力研究院 | 一种基于贝叶斯网络的变压器故障诊断方法 |
CN104166880A (zh) * | 2013-05-31 | 2014-11-26 | 贵州电网公司电力调度控制中心 | 电力系统连锁故障模式预测方法 |
CN103293421A (zh) * | 2013-06-07 | 2013-09-11 | 云南电力调度控制中心 | 一种电网故障诊断模型及其诊断方法 |
CN104363106A (zh) * | 2014-10-09 | 2015-02-18 | 国网辽宁省电力有限公司信息通信分公司 | 一种基于大数据技术的电力信息通信故障预警分析方法 |
CN104316844A (zh) * | 2014-11-14 | 2015-01-28 | 广东电网有限责任公司佛山供电局 | 配电网故障类型识别方法及装置 |
CN104504525A (zh) * | 2014-12-26 | 2015-04-08 | 国家电网公司 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
CN107656176A (zh) * | 2017-11-09 | 2018-02-02 | 华北电力大学(保定) | 一种基于改进贝叶斯Petri网的电网故障诊断方法 |
CN108983040A (zh) * | 2018-05-30 | 2018-12-11 | 广东电网有限责任公司 | 一种基于贝叶斯分析的配电网故障定位方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109324268A (zh) | 2019-02-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gargoom et al. | Automatic classification and characterization of power quality events | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
CN109406949B (zh) | 基于支持向量机的配电网早期故障检测方法及装置 | |
CN103018629A (zh) | 一种基于马拉算法的电力系统故障录波数据分析方法 | |
CN104280644B (zh) | 一种直流输电工程典型暂态故障识别方法 | |
WO2016065959A1 (zh) | 中性点不接地的10kV系统中铁磁谐振的诊断方法 | |
US11143686B2 (en) | Method for detecting power distribution network early failure | |
CN110007198B (zh) | 一种单相接地故障启动方法 | |
CN109324268B (zh) | 基于贝叶斯推理的配电网早期故障检测方法及装置 | |
CN106324406A (zh) | 一种变压器直流偏磁故障诊断方法及装置 | |
CN105785236A (zh) | 一种gis局放检测外部干扰信号排除方法 | |
CN106771798A (zh) | 一种基于小波系数均差值的故障电弧检测方法 | |
CN109782126B (zh) | 基于类人概念学习的配电网早期故障检测方法 | |
CN110673000B (zh) | 一种油浸式电流互感器局部放电在线监测方法及装置 | |
Santos et al. | High impedance fault detection and location based on electromagnetic transient analysis | |
CN108089100A (zh) | 小电流接地系统弧光电阻接地故障的检测方法 | |
Lopes et al. | A transient based approach to diagnose high impedance faults on smart distribution networks | |
Gafoor et al. | Transmission line protection scheme using wavelet based alienation coefficients | |
CN112557950B (zh) | 基于矩阵相似性的配电网谐振接地系统故障选线方法 | |
CN112748362B (zh) | 基于vmd和灰色关联度相结合的小电流接地故障检测方法 | |
CN107632237A (zh) | 一种基于故障后小波特征量相关性的单相接地故障选线方法 | |
Duan et al. | An arc fault diagnostic method for low voltage lines using the difference of wavelet coefficients | |
CN112649694B (zh) | 一种小电流接地系统单相接地故障的判定方法 | |
Asman et al. | Fault signature analysis for medium voltage overhead line based on new characteristic indices | |
Babu et al. | Use of wavelet and neural network (BPFN) for transformer fault diagnosis |
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 |