一种智慧电网电能质量在线故障诊断方法
技术领域
本发明属于人工智能领域,特别涉及一种智慧电网环境下的电能质量在线故障诊断与预警方法。
背景技术
随着电力电子设备的普及应用,电能质量问题日趋于严重。电能质量是对电力系统中电能的质量的描述,用来衡量电能品质好坏。一般而言,电能的时序波形应该是幅值稳定,频率一致的稳定正弦波,但由于各类一次设备和二次设备对电力系统的影响,造成系统不对称性和非线性,以及各种自然或非自然因素导致的附加干扰及各类故障等原因,电能波形很难保持理想状态。所以电能质量的监测对于电力系统的稳定运行及故障预警有着极为重要的作用。
实现电能质量监测分析的前提就在于对电能质量暂态扰动信号进行分类,现有的研究中,主要采取的是使用各类信号处理和数学分析的方法从电能信号中提取各种特征来实现暂态扰动信号的识别和分类。虽然能够较为有效的实现识别分类的过程,但一方面,提取的特征较少时分类精度不够,另一方面,提取的特征过多时识别模型的复杂度过高,分类器的效率低下。同时,现有研究难以实现电能质量的实时在线测量,以及分类器根据目标环境的不同做出相应调整。
发明内容
为了弥补现有研究对于电能质量暂态扰动的缺陷,本发明提供一种智慧电网电能质量在线故障诊断方法,电能数据的传输效率高、对传输的硬件性能要求低、且最终的分类诊断效率大大提升。
为实现上述技术目的,本发明采用如下技术方案:
一种智慧电网电能质量在线故障诊断方法,包括以下步骤:
步骤1,采用极值点包络的动态测试法,从电能质量监测点的电压信号获取n个电压极值点,分别记为u(1),u(2),u(3),…,u(n);
步骤2,采用离散小波变换方法对电压信号进行处理,提取小波能熵有效值λ、小波能熵均值μ、小波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ;
步骤3,将得到的n个电压极值u(1),u(2),u(3),…,u(n)与小波能熵有效值λ、波能熵均值μ、波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ,分别标记为特征值f1,f2,f3,…,fn+6,全部特征值f1,f2,f3,…,fn+6组成电压信号的特征向量g=[f1,f2,f3,…,fn+6];
步骤4,采用压缩感知技术,对电压信号的特征向量g依次进行封装、压缩、中继节点传输、云端服务器解压缩处理,云端服务器得到重构特征向量
步骤5,从重构特征向量中选择d个特征值g1,g2,…,gd,组成新的特征向量g'=[g1,g2,…,gd];根据新的特征向量g'构建预处理特征向量p=[1,g1,g2,…,gd]=[1,p(1),p(2),…,p(d)];
步骤6,将电压信号的预处理特征向量p和扰动类型,作为电能质量监测点的训练样本;
以电能质量监测点的训练样本为输入、扰动类型为输出,训练极限向量机,得到电能质量扰动分类器;
步骤7,实时采集待检测电能质量监测点的电压信号;
对待检测电能质量监测点的电压信号,按步骤1-5进行处理,得到待检测电能质量监测点的电压信号的预处理特征向量p,并输入到步骤6得到的电能质量扰动分类器中,电能质量扰动分类器输出待检测电能质量监测点的扰动类型。
本方案在通过在高采样频率的前提下提取电压时序信息的时域及频域相关信息,建立电能质量扰动实时分类检测模型,实现对电能质量的在线故障诊断与预警。由于采用了压缩感知原理进行采集数据的压缩、传输与解压缩,所以能够大大提升电能数据在中继节点与云端服务器之间的传输效率,从而可以将大部分的诊断任务交于云端服务器进行,对于信号采集器及中继节点的硬件性能要求降低,且最终的分类诊断效率大大提升。同时,该方案采用了极值点包络的动态测度法及离散小波变换提取不同种类的特征,增加了特征维度,提取到了更多的有效信息,提升了分类器分类的准确性。
进一步地,所述步骤4的具体过程为:
步骤4.1,封装;
采集电能质量监测点的N个电压信号,对每个电压信号均提取特征向量g,组成N维初始传输矩阵P,每个电压信号的特征向量g构成初始传输矩阵P的其中一列,
步骤4.2,压缩和传输;
将初始传输矩阵P中的每一行表示为数据向量f,电能数据传输中继节点根据公式y=Φf将初始传输矩阵P中的数据向量f由N维压缩至M维,并发送给云端服务器;其中,M<N,且观测矩阵Φ∈RM×N,采用高斯矩阵构建,矩阵元素满足独立同分布,方差为1/M;
步骤4.3,解压缩;
云端服务器获取压缩数据并根据公式x0=Ψ-1Φ-1y计算初始重构数据x0,并设定迭代收敛阈值δ=0.5;其中,Φ-1表示观测矩阵Φ的逆矩阵,Ψ-1表示正交变换矩阵Ψ的逆矩阵;
正交变换矩阵Ψ∈RN×N乘以原始矩阵可以实现对原始矩阵的正交变化,消除原始矩阵中的相关性。
采用IST算法根据t时刻的重构数据xt计算t+1时刻的重构数据xt,并计算目标值f(xt),其中:
xt+1=(1-ω)xt+ωΓ(xt+ΦT(y-Φxt),θ),
其中ω、θ分别是调整因子和正则化参数,Γ(·)采用软阈值函数;其中软阈值函数为:soft(ut,θ)=sign(ut)max{|ut|-θ,0}。
IST算法每次迭代使用了前一次数据的估计值对下一次的数据进行估计。
步骤4.4,重构数据矩阵;
根据终止条件f(xt)-f(xt-1)<δ判断迭代是否结束,若结束,则根据t时刻的重构数据xt计算与原始的数据向量f对应的重构数据向量按行排列所有重构数据向量得到重构数据矩阵重构数据矩阵中包括N个重构特征向量
进一步地,步骤5采用二进制遗传算法作为特征选择算法,从重构特征向量中选择d个特征值,具体过程为:
步骤5.1,设置二进制遗传算法的参数值:种群规模为30,迭代代数为50,交叉概率为0.7,变异概率为0.05;
步骤5.2,采用0/1编码方法对重构特征向量中的全部特征值进行编码,并随机初始化整个种群,种群中的个体被随机初始化为包括重构特征向量中的若干个特征值的特征子集Xi;
步骤5.3,计算每个特征子集Xi的适应度函数值,其中适应度函数为:
其中,α和β分别表示电能质量扰动分类器的分类准确率MAPE和选择的特征值数量比例对适应度函数值的权重,d表示特征子集Xi的特征值的数量;n+6表示重构特征向量中的特征值的数量;
步骤5.4,利用适应度函数对初始种群进行选择、交叉和变异得到下一代种群,不断重复这一过程直到达到预设迭代次数,并遴选出末代种群中适应度函数值最低的特征子集作为特征选择的结果,将该特征子集中的特征值组成新的特征向量g'。
通过采用二进制遗传算法排除重构特征向量中比较无用的特征值,提升后续电能质量扰动分类器的分类效率。通过选用电能质量扰动分类器的分类准确率MAPE作为二进制遗传算法的适应度评价指标,相当于以电能质量扰动分类器的分类准确率为优化目标,来选择合适的特征值,从而可进一步提高电能质量扰动分类器的分类准确率。
进一步地,ELM神经网络模型的输入层的神经元数量为d,隐含层的神经元数量为20,输出层的神经元数量为6;对ELM神经网络模型的训练采用BP算法,最大迭代次数设置为1000,训练学习率为0.1;采用粒子群优化算法对ELM神经网络模型的连接权值和阈值进行优化。
将粒子群优化算法引入ELM神经网络中优化权值与阈值,构成PSO-ELM神经网络分类模型,加快了传统ELM神经网络算法的收敛速度。
进一步地,所述采用粒子群优化算法对ELM神经网络的连接权值和阈值进行优化的具体过程为:
步骤6.1,对输入的预处理特征向量训练样本进行归一化处理,将若干个归一化后的预处理特征向量组成训练矩阵,初始化ELM神经网络的连接权值和阈值;
步骤6.2,将ELM神经网络各层的连接权值和阈值作为粒子进行编码,将粒子的位置向量表示为编码后的连接权值和阈值;
初始化粒子群的初始位置和速度,对粒子群优化算法的参数进行设置:
粒子数为30,粒子长度为连接权值与阈值的总数M,粒子最大速度vmax=0.5,最小误差为0.001,惯性权重的范围为(0.2,0.9),迭代次数为200;
步骤6.3,选取ELM神经网络的输出误差作为粒子群优化算法的适应度函数,公式如下:
其中,S表示训练样本数量,Tk表示ELM神经网络对第k个训练样本的期望输出,Yk表示ELM神经网络对输入的第k个训练样本所实际输出的扰动类型;
步骤6.4,按照给定的速度更新公式进行迭代,其中速度更新公式为:
Vij(t+1)=Vij(t)+c1r1(pBestij-Xij(t))+c2r2(gBestj-Xij(t)),
Xij(t+1)=Xij(t)+Vij(t+1),
其中,c1、c2为加速系数,i=1,2…30,j=1,2…M,t为当前迭代代数,r1、r2为(0,1)内平均分布的随机数,Vij和Xij分别表示第i个粒子中的第j维的飞行速度和位置,pBesti=(pBesti1,pBesti2…pBestij…pBestiM)和gBest=(gBest1,gBest2…gBestj…gBestM)分别是第i个粒子在飞行过程中的粒子历史最优解及整个种群在搜索过程中的种群历史最优解;
迭代过程中评估各粒子的适应度值,更新各粒子的粒子历史最优解pBesti及种群历史最优解gBest值,并更新粒子的速度与位置;
步骤6.5,判断迭代结果是否满足终止条件,不满足则设t=t+1,返回步骤6.4,得到最终的种群历史最优解,输出最优连接权重和阈值,得到电能质量扰动分类器。
进一步地,所述步骤1中获取电压极值点的个数n=20。
进一步地,电能质量扰动类型包括电压骤升、电压骤降、电压中断、电压振荡、电压缺口、谐波。
进一步地,步骤2的具体过程为:
将采集到的电压信号Ut表示为电压时域信号f(t),使用离散小波变换对电压时域信号的伸缩因子a和平移因子b进行离散化处理,得到j尺度下的小波系数为:
其中,a0 j和kb0表示对伸缩因子a和平移因子b离散化处理,离散化处理后得到大于零的常数a0和b0;j,k分别表示分解尺度和时间节点,ψ()表示小波母函数;
经离散小波变换后,电压信号Ut分解为若干个子频信号,并将每个子频信号按1:1分配得到各个子频信号的高频带和低频带;
选择每个子频信号的高频带,分别计算各个子频信号高频带的相对小波能量和整个高频带在时间窗Cn内的小波能熵
其中,表示电压信号在j尺度下对应时间窗Cn内采样点的信号能量;Dj(k)表示电压信号在j尺度下k时刻的单支重构一维小波变换结果;表示信号在时间窗Cn内的信号总能量,J为信号总分解与重构层数;
然后根据小波能熵计算电压信号的小波能熵有效值λ、小波能熵均值μ、波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ。
有益效果
本方案在通过在高采样频率的前提下提取电压时序信息的时域及频域相关信息,建立电能质量扰动实时分类检测模型,实现对电能质量的在线故障诊断与预警。由于采用了压缩感知原理进行采集数据的压缩、传输与解压缩,所以能够大大提升电能数据在中继节点与云端服务器之间的传输效率,从而可以将大部分的诊断任务交于云端服务器进行,对于信号采集器及中继节点的硬件性能要求降低,且最终的分类诊断效率大大提升。同时,该方案采用了极值点包络的动态测度法及离散小波变换提取不同种类的特征,增加了特征维度,提取到了更多的有效信息,提升了分类器分类的准确性。
附图说明
图1为本发明所述方法的流程示意图。
具体实施方式
电能质量的暂态扰动主要包括电压骤升(swell),电压骤降(sag),电压中断(interruption),电压振荡(oscillatory transients),电压缺口(notch),谐波(harmonic)等,本发明提供的智慧电网电能质量在线故障诊断方法,对电网电能质量的评估主要集中于该六种暂态扰动类型,以下结合如图1所示的流程图对本发明作进一步解释说明。
本发明的智慧电网电能质量在线故障诊断方法,在对待检测电能质量监测点进行故障诊断之前,需先训练得到电能质量扰动分类器故障,包括以下步骤:
步骤1,采用电压互感器采集电网中电能质量监测点的电压信号Ut,作为电能质量在线故障诊断系统的输入。本发明所采用的原始电能质量数据为采样频率10kHz,基频信号频率设50Hz的电压时序数据,训练样本按照每10个周期的时长进行截取,获得原始的电压信号训练数据Ut。
采用极值点包络的动态测试法,从电能质量监测点的电压信号获取20个电压极值点,分别记为u(1),u(2),u(3),…,u(20)。
步骤2,采用离散小波变换(DWT)方法对电压信号进行处理,提取小波能熵有效值λ、小波能熵均值μ、小波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ,具体过程为:
将采集到的电压信号Ut表示为电压时域信号f(t),使用离散小波变换对电压时域信号f(t)的伸缩因子a和平移因子b进行离散化处理,得到j尺度下的小波系数为:
其中,a0 j和kb0表示对伸缩因子a和平移因子b离散化处理,离散化处理后得到大于零的常数a0和b0;j,k分别表示分解尺度和时间节点,ψ()表示小波母函数;本发明将应用多尺度一维离散小波变换的结果对信号进行分析,选用db4小波对上述电压信号Ut进行多尺度一维离散小波5层分解,将信号分解到6个子频带上,按1:1比例分别得到高频带和低频带。
选择每个子频信号的高频带,分别计算各个子频信号高频带的相对小波能量和相应的小波能熵
其中,表示电压信号在j尺度下对应时间窗Cn内采样点的信号能量;Dj(k)表示电压信号在j尺度下k时刻的单支重构一维小波变换结果;表示信号在时间窗Cn内的信号总能量,J为信号总分解与重构层数;
然后根据小波能熵计算电压信号的小波能熵有效值λ、小波能熵均值μ、波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ。
步骤3,将得到的n个电压极值u(1),u(2),u(3),…,u(n)与小波能熵有效值λ、小波能熵均值μ、小波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ,分别标记为特征值f1,f2,f3,…,fn+6,全部特征值f1,f2,f3,…,fn+6组成电压信号的特征向量g=[f1,f2,f3,…,fn+6]。在实施例中,电压极值的数量n取20。
步骤4,由于电压信号工频较高,所以要实现电能质量的在线实时监测与故障分析,就需要将采集到的特征数据,即电压信号的特征向量g打包后进行远距离传输,传输至云端共享服务器进行后续分析。本发明根据压缩感知理论实现电能特征数据的封装-压缩-传输-解压缩过程,即采用压缩感知技术,对电压信号的特征向量g依次进行封装、压缩、中继节点传输、云端服务器解压缩处理,云端服务器得到重构特征向量具体过程为:
步骤4.1,封装;
采集电能质量监测点的N个电压信号,对每个电压信号均提取特征向量g,组成N维初始传输矩阵P,每个电压信号的特征向量g构成初始传输矩阵P的其中一列,
步骤4.2,压缩和传输;
将初始传输矩阵P中的每一行表示为数据向量f,电能数据传输中继节点根据公式y=Φf将初始传输矩阵P中的数据向量f由N维压缩至M维,并发送给云端服务器;其中,M<N,且观测矩阵Φ∈RM×N,采用高斯矩阵构建,矩阵元素满足独立同分布,方差为1/M;
步骤4.3,解压缩;
云端服务器获取压缩数据并根据公式x0=Ψ-1Φ-1y计算初始重构数据x0,并设定迭代收敛阈值δ=0.5;其中,Φ-1表示观测矩阵Φ的逆矩阵,Ψ-1表示正交变换矩阵Ψ的逆矩阵;
正交变换矩阵Ψ∈RN×N乘以原始矩阵可以实现对原始矩阵的正交变化,消除原始矩阵中的相关性。
采用IST算法根据t时刻的重构数据xt计算t+1时刻的重构数据xt,并计算目标值f(xt),其中:
xt+1=(1-ω)xt+ωΓ(xt+ΦT(y-Φxt),θ),
其中ω、θ分别是调整因子和正则化参数,Γ(·)采用软阈值函数:
soft(ut,θ)=sign(ut)max{|ut|-θ,0}。
本方案IST算法每次迭代使用了前一次数据的估计值对下一次的数据进行估计。
步骤4.4,重构数据矩阵;
根据终止条件f(xt)-f(xt-1)<δ判断迭代是否结束,若结束,则根据t时刻的重构数据xt计算与原始的数据向量f对应的重构数据向量按行排列所有重构数据向量得到重构数据矩阵重构数据矩阵中包括N个重构特征向量
步骤5,采用二进制遗传算法作为特征选择算法,从重构特征向量中选择d个特征值g1,g2,…,gd,组成新的特征向量g'=[g1,g2,…,gd];根据新的特征向量g'构建预处理特征向量p=[1,g1,g2,…,gd]=[1,p(1),p(2),…,p(d)],具体过程为:
步骤5.1,设置二进制遗传算法的参数值:种群规模为30,迭代代数为50,交叉概率为0.7,变异概率为0.05;
步骤5.2,采用0/1编码方法对重构特征向量中的全部特征值进行编码,并随机初始化整个种群,种群中的个体被随机初始化为包括重构特征向量中的若干个特征值的特征子集Xi;
步骤5.3,计算每个特征子集Xi的适应度函数值,其中适应度函数为:
其中,α和β分别表示电能质量扰动分类器的分类准确率MAPE和选择的特征值数量比例对适应度函数值的权重,d表示特征子集Xi的特征值的数量;n+6表示重构特征向量中的特征值的数量;在本实施例中取α=0.4,β=0.6。
步骤5.4,利用适应度函数对初始种群进行选择、交叉和变异得到下一代种群,不断重复这一过程直到达到预设迭代次数,并遴选出末代种群中适应度函数值最低的特征子集作为特征选择的结果,将该特征子集中的特征值组成新的特征向量g'。
步骤5.5,并根据新的特征向量g'构建预处理特征向量p=[1,g1,g2,…,gd]=[1,p(1),p(2),…,p(d)]。
步骤6,将电压信号的预处理特征向量p和扰动类型,作为电能质量监测点的训练样本;以电能质量监测点的训练样本为输入、扰动类型为输出,训练极限向量机,得到电能质量扰动分类器。
ELM神经网络模型的输入层的神经元数量d,根据步骤5选择所得的特征值的数量d而得到,具体根据不同的场景而有所变动,输入向量Pi为:Pi=p=[1,p(1),p(2),…,p(d)]。隐含层的神经元数量为20,隐含层输出的向量Ph为:Ph=[1,ph(1),ph(2),ph(3)...ph(20)]。输出层的神经元数量,根据扰动类型的数量而设为6,输出向量Po为:Po=[po(1),po(2),po(3)...po(20)],分别对应电压骤升(swell),电压骤降(sag),电压中断(interruption),电压振荡(oscillatory transients),电压缺口(notch),谐波(harmonic)六种事件。
其中,定义输入层与隐含层之间的权值矩阵A如下:
定义隐藏层与输出层之间的权值矩阵B如下:
权值矩阵A和B中的第一列分别代表着输入层和隐含层的阈值,将其与权值相融合有助于后续计算机运算。选用Sigmoid函数作为各神经元的激活函数,所以隐含层的输出向量Ph表示为:
其中A(i)表示权值矩阵A的第i行。同理,最终输出层的输出矩阵可以表示为:
B(i)表示权值矩阵B的第i行。
对ELM神经网络模型的训练采用BP算法,最大迭代次数设置为1000,训练学习率为0.1。同时为了提升训练过程的训练效率,本发明将粒子群优化算法(Particle SwarmOptimization algorithm,PSO)引入ELM神经网络中,以加快传统ELM神经网络算法的收敛速度,从而构成基于粒子群算法的ELM神经网络模型(PSO-based ELM neural network,PSO-ELM)。PSO-ELM具体训练流程,即采用粒子群优化算法对ELM神经网络模型的连接权值和阈值进行优化的具体过程为:
步骤6.1,对输入的预处理特征向量训练样本进行归一化处理,将若干个归一化后的预处理特征向量组成训练矩阵,初始化ELM神经网络的连接权值和阈值。
步骤6.2,将ELM神经网络各层的连接权值和阈值作为粒子进行编码,用粒子群位置向量表示。粒子群优化算法的提出来源于模拟鸟群捕食现象,通过适应度值、速度和位置三个指标描述粒子运动状态从而搜寻全局最优解。因此需要初始化粒子群的初始位置和速度,对粒子群优化算法的参数进行设置:粒子数为30,粒子长度为连接权值与阈值的总数N,粒子最大速度vmax=0.5,最小误差为0.001,惯性权重的范围为(0.2,0.9),迭代次数为200。
步骤6.3,选取ELM神经网络的输出误差作为粒子群优化算法的适应度函数,公式如下:
其中,S表示训练样本数量,Tk表示ELM神经网络对第k个训练样本的期望输出,Yk表示ELM神经网络对输入的第k个训练样本所实际输出的扰动类型。
步骤6.4,按照给定的速度更新公式进行迭代,其中速度更新公式为:
Vij(t+1)=Vij(t)+c1r1(pBestij-Xij(t))+c2r2(gBestj-Xij(t)),
Xij(t+1)=Xij(t)+Vij(t+1),
其中,c1、c2为加速系数,可根据具体使用环境做出相应调整,在实施例中取c1=c2=2;i=1,2…N,j=1,2…M,t为当前迭代代数,r1、r2为(0,1)内平均分布的随机数,也就是说r1和r2在最开始随机取值时采用(0,1)间随机分布的分布方式取值得到,Vij(t)和Xij(t)分别表示在第t次迭代过程中第i个粒子第j维的飞行速度和位置,pBesti=(pBesti1,pBesti2…pBestij…pBestiM)和gBest=(gBest1,gBest2…gBestj…gBestM)分别是第i个粒子在飞行过程中最好位置及整个种群在搜索过程中的最好位置;
迭代过程中评估各粒子的适应度值,从而更新各粒子的pBesti及种群的gBest值,并更新粒子的速度与位置;
步骤6.5,判断迭代结果是否满足终止条件,不满足则设t=t+1,返回步骤6.4,最终得到粒子种群最优解,输出最优连接权重和阈值,得到电能质量扰动分类器。
输入电压信号训练数据到ELM神经网络,通过粒子群优化算法实现ELM神经网络的连接权值和阈值优化后得到最优连接权值和阈值,从而完成ELM神经网络的训练过程,得到最终分类器模型。在将得到的分类器模型作为电能质量扰动分类器之前,还可通过向分类器模型中输入电压信号测试数据来计算分类器模型的误差,评估分类器模型的精确性和鲁棒性。综合以上过程便得到了最终的电能质量在线故障诊断模型,便可用来执行步骤7对待检测电能质量监测点进行在线故障诊断,即判断具体的暂态扰动的类型。
步骤7,实时采集待检测电能质量监测点的电压信号;
对待检测电能质量监测点的电压信号,按步骤1-5进行处理,得到待检测电能质量监测点的电压信号的预处理特征向量p,并输入到步骤6得到的电能质量扰动分类器中,电能质量扰动分类器输出待检测电能质量监测点的扰动类型。