CN110514954A - 一种基于pmu数据的电力线路故障诊断方法及系统 - Google Patents

Abstract

本发明涉及一种基于PMU数据对配电网线路进行故障选线的方法，通过结合总体平均经验模式分解方法进行高频能量计算，根据PMU数据的特点设计完整的数据提取使用流程和故障选线系统。包括本地子站以“子站‑主站”协同架构上传故障时的高频数据；根据高频数据计算所有馈线平均电流幅值差；根据PMU自带的故障录波器提供的故障录波数据做EEMD变换计算所有线路的高频暂态能量；计算所有线路的故障可信度；根据故障可信度确定最终的故障馈线。本发明实现配电网线路故障在线选线，具有自适应分解的优势，消除传统模态分解方法所带来的模态混叠效应，适用于所有故障类型地选线方法，选线结果更加精准，定量的故障可信度更加直观明了。

Description

一种基于PMU数据的电力线路故障诊断方法及系统

技术领域

本发明涉及一种基于PMU数据对配电网线路进行故障选线的方法，具体通过结合总体平均经验模式分解(Ensemble Empirical Mode Decomposition,EEMD)方法进行高频能量计算，并且本发明根据PMU数据的特点设计了完整的数据提取使用的流程和故障选线的系统。

背景技术

随着同步相量测量单元(Phasor Measurement Unit，PMU)在电力系统中的安装，其基于GPS的测量数据为电力系统的故障诊断、状态评估、潮流计算等应用提供了便利，但是由于传统的PMU体积大、价格昂贵的原因导致其无法在配电网中普及，近期国内外都在研制一种适用于配电网系统的价格便宜、体积小的微型同步相量测量单元(Micro PhasorMeasurement Unit，μPMU)，微型PMU未来将会在配电网上大面积应用。由于国内配电网接地方式为小电流接地方式，故障电流不明显，配电网故障选线一直是国内学者的研究热点，选线的方法根据数据提取分为稳态法和暂态法，其中暂态法需要应用频域分析的方法比如小波变换、经验模式分解法(Empirical Mode Decomposition,EMD)等，但是小波变换存在需要选取合适的小波的缺点，EMD分解虽然可以自适应分解，但是其存在模态混叠的问题。

发明内容

针对上述现有技术中存在的问题，本发明提供了一种基于PMU数据的电力线路故障诊断方法及系统,目的是为了克服

为实现上述发明目的，本发明解决其技术问题所采用的技术方案是：

一种基于PMU数据的电力线路故障诊断方法及系统，包括：

步骤1：本地子站以“子站-主站”协同架构上传故障时的高频数据；

步骤2：根据高频数据计算所有馈线平均电流幅值差；

步骤3：根据PMU自带的故障录波器提供的故障录波数据做EEMD变换计算所有线路的高频暂态能量；

步骤4：计算所有线路的故障可信度；

步骤5：根据故障可信度确定最终的故障馈线。

所述“子站-主站”协同架构包括：

第1：PMU子站本地高频采样获得高频的电压电流有效值、相角；

第2：基于本地存储的相角，计算瞬时频率f，瞬时频率f的计算如式(8)所示：

式中为相邻两个采样点的瞬时频率；t为高频采样间隔；

第3：每个波形周期取瞬时频率的最大值f_max，f_max以低频(50HZ)同电压电流相量一起上传至主站；

第4：主站检测f_max是否异常，异常判断设置为是否大于两倍的基频，即f_max是否大于100HZ；

第5：若第4步中检测到f_max出现异常，则将故障时刻前后5个波形周期的高频量测量上传至主站为后续的选线分析提供数据。

所述步骤1中上传故障时的高频数据是通过以下方式获取的：

(一)EEMD算法：

EEMD基于EMD算法的基础，在对信号进行EMD过程中加入高斯白噪声信号：

信号x(t)的EMD分解就是将其分解为一组IMF分量C_i和余项r_n之和，如式(1)所示：

EEMD算法是在对信号进行EMD分解之前，利用高斯白噪频率均匀特性及其在对随机干扰成分的平滑效应，对原始信号加入随机白噪声，然后对加噪后的信号进行迭代分析，最终迭代得到IMF分量；

EEMD算法的步骤如下：

①对EMD执行总次数M及加入白噪声的幅值系数k进行初始化，即k，m＝1；

②执行第m次EMD分解；

a)原始信号x(t)加入幅值系数为k的随机高斯白噪声n_m(t)，得到加噪后的待处理信号x_m(t),如式(2)；

x_m(t)＝x(t)+kn_m(t) (2)

b)对x_m(t)进行EMD分解，得到p个IMF分量C_j,m(j＝1,2,…,p)，C_j,m表示第m次试验分解得到的第j个IMF分量；

c)当m<M，m＝m+1，返回步骤②；

③对M次分解的每个IMF计算均值，如式(3)：

④输出作为EEMD分解得到的第j个IMF，j＝1,2,…,p；

(二)自适应选取IMF及能量计算：

对信号进行EEMD分解后得到若干个IMF分量，进一步选取最能反映故障暂态分量的IMF分量，对其做特征计算，基于谱峭度的快速谱峭度图谱算法用于实现总体经验模态分解后的最优IMF分量的选取；

峭度反映随机变量分布特性的数值统计量，是归一化4阶中心矩，对所有IMF分量求峭度，峭度最大的分量最贴近故障的暂态分量；然后对峭度最大的IMF分量进行计算能量，IMF能量E计算如式(4)：

其中A为IMF分量的幅值，t₁为采样开始时间，t₂为采样结时间，t为采样时间；

(三)平均电流幅值差；

定义平均电流幅值差，将其与暂态能量进行综合应用弥补后者只适用于不平衡故障的缺陷，实现所有故障的全面选线；平均电流幅值差DI定义如下：

ΔI_i＝I_fi-I_ssi,i＝A,B,C (5)

上两式中：I_fi为故障阶段三相电流幅值的最大值，I_ssi为故障前稳定阶段三相电流幅值的最大值；△I_A、△I_B、△I_C分别为A、B、C三相的故障发生前后的电流幅值差；

对配电网所有的线路求其DI，故障线路的DI明显大于非故障线路；

(四)高频量测数据获取：

由IEEE Std C37.118.1及C37.118.2对PMU装置测量和通信的标准可知，PMU装置的上传报告的频率为50HZ，而这种低频的信号无法得到足够的故障暂态特征，但是PMU子站的高频采样率可以达20kHZ以上并本地存储；另一方面，PMU自带故障录波器，其采样频率达到5kHZ以上，用于暂态特征提取。

所述步骤2中对所有馈线的零序电流做EEMD变化，并计算所有IMF分量的峭度，对峭度最大的IMF分量求其波形能量。

所述步骤2中计算平均电流幅值差的数据来自于故障录波器所记录的故障前后线路的三相电流，然后按公式(5)和(6)进行计算。

所述步骤4中计算的故障可信度中的数据来自于步骤2和3所得到的高频暂态能量和平均电流幅值差。

所述步骤4中的故障可信度是实现暂态能量法和平均电流幅值法的有效结合，最终给出一个用于判断故障线路的定量的结果，故障可信度G的计算如式(7)所示：

式中G_i为第i条线路的故障可信度；n为配电网中的总线路数；E为EEMD分解后得到的IMF分量的能量，其计算方法见式(4)；DI为线路的平均电流幅值差，其计算方法如式(5)和(6)。

所述步骤5根据步骤4中得到的所有线路的故障可信度，比较所有线路的故障可信度，故障可信度最大的即判定为故障线路。

所述步骤1具体包括配电网线路上安装的微型PMU装置本地高频采样电压电流相量，并计算故障特征量瞬时频率最大值实时低频上传至主站；所述步骤2具体包括判断故障特征量是否出现异常，若异常，则上传本地的高频电流数据为后续选线提供数据来源，同时提取微型PMU自带的故障录波器的数据；所述步骤3具体包括将故障录波器提供的零序电流数据进行EEMD分解，通过计算谱峭度选取高频暂态分量，并进一步计算各线路的高频暂态能量；所述步骤4具体包括将本地高频采样的三相电流数据计算各线路的平均电流幅值差；所述步骤5具体包括根据计算得到的各线路的高频暂态能量和平均电流幅值差计算各线路的故障可信度，比较故障可信度，故障可信度最高的线路即为故障线路。

与现有的配电网故障选线技术相比，本发明的优点及有益效果是：

1.现有的配电网选线方法大多都是离线检测判断，而本发明结合微型PMU的在线检测的同步测量数据以及PMU自带的故障录波数据进行故障选线，可以实现配电网线路故障在线选线，为快速切除故障提供判断依据，对实现智能配电网的稳定性、安全性有着重大的意义。

2.配电网暂态选线方法存在各种缺陷，本发明使用总体平均模态分解法来提取零序电流信号的暂态高频分量，该方法具有自适应分解的优势，并且消除了传统模态分解方法所带来的模态混叠效应。

3.由于配电网线路故障大多数为单相接地故障，所以现有的故障选线方法都是针对单相接地故障，而这些方法并不能检测两相、三相故障，本文定义一种平均电流幅值差的方法，适用于所有故障类型地选线方法。

4.本发明选线方法将暂态能量法和平均电流幅值法两种方法结合，使用所有类型地故障，选线结果更加精准。

5.本发明定义一个故障可信度来定量的给出选线结果，故障可信度最高的即为故障线路，定量的故障可信度更加直观明了。

附图说明

为了便于本领域普通技术人员理解和实施本发明，下面结合附图及具体实施方式对本发明作进一步的详细描述，以下实施例用于说明本发明，但应当理解本发明的保护范围并不受具体实施方式的限制。

图1是“子站-主站”故障上传架构流程图

图2是总体平均模态分解法流程图

图3是暂态能量选线法的流程图

图4是两种方法的对比图

图5是本发明设计的选线方法整体流程图

具体实施方式

本发明是一种基于PMU数据的电力线路故障诊断方法及系统，包括：

步骤1：本地子站以“子站-主站”协同架构上传故障时的高频数据；

步骤2：根据高频数据计算所有馈线平均电流幅值差；

步骤3：根据PMU自带的故障录波器提供的故障录波数据做EEMD变换计算所有线路的高频暂态能量；

步骤4：计算所有线路的故障可信度；

步骤5：根据故障可信度确定最终的故障馈线。

所述步骤2中对所有馈线的零序电流做EEMD变化，并计算所有IMF分量的峭度，对峭度最大的IMF分量求其波形能量。

所述步骤2中计算平均电流幅值差的数据来自于故障录波器所记录的故障前后线路的三相电流，然后按公式(5)和(6)进行计算。

所述步骤4中计算的故障可信度中的数据来自于步骤2和3所得到的高频暂态能量和平均电流幅值差。

所述步骤5根据步骤4中得到的所有线路的故障可信度，比较所有线路的故障可信度，故障可信度最大的即判定为故障线路。

本发明对EMD分解进行改进，采用EEMD分解保留了EMD分解自适应分解的优势的同时消除了模态混叠的缺陷。另外，为避免单一选线方法带来的缺陷，本发明在采用高频暂态能量选线的同时，结合一种定义的平均电流幅值差的方法可以实现所有故障类型准确选线。受通信速度的限制，PMU子站的高频采样数据无法全部上传至主站，本发明设计了一种“子站-主站”协同结构，该结构只上传故障发生后高频电流相量，为本发明做故障诊断提供高频数据支撑。

(一)EEMD算法。

EEMD基于EMD算法的基础，在对信号进行EMD过程中加入高斯白噪声信号，由于高斯白噪声信号具有频率均匀分布的分解尺度；同时，对于信号中存在的脉冲等异常事件也可以有效地处理。基于EEMD具有以上两个特性，可以有效解决EMD算法产生的模态混叠的缺陷。

信号x(t)的EMD分解就是将其分解为一组IMF分量C_i和余项r_n之和，如式(1)所示。

EEMD算法的实质就是在对信号进行EMD分解之前，利用高斯白噪频率均匀特性及其在对随机干扰成分的平滑效应，对原始信号加入随机白噪声，然后对加噪后的信号进行迭代分析，最终迭代得到IMF分量。

EEMD算法的具体步骤如下：

(1)对EMD执行总次数M及加入白噪声的幅值系数k进行初始化，即k，m＝1；

(2)执行第m次EMD分解；

a)原始信号x(t)加入幅值系数为k的随机高斯白噪声n_m(t)，得到加噪后的待处理信号x_m(t),如式(2)。

x_m(t)＝x(t)+kn_m(t) (2)

b)对x_m(t)进行EMD分解，得到p个IMF分量C_j,m(j＝1,2,…,p)，C_j,m表示第m次试验分解得到的第j个IMF分量；

c)当m<M，m＝m+1，返回步骤(2)；

(3)对M次分解的每个IMF计算均值，如式(3)。

(4)输出作为EEMD分解得到的第j个IMF，j＝1,2,…,p。

(二)自适应选取IMF及能量计算。

对信号进行EEMD分解后得到若干个IMF分量，需要进一步选取最能反映故障暂态分量的IMF分量，然后对其做特征计算，通常IMF分量的选取依赖于使用者的经验进行选取，本发明基于谱峭度的快速谱峭度图谱算法用于实现总体经验模态分解后的最优IMF分量的选取。

峭度是反映随机变量分布特性的数值统计量，是归一化4阶中心矩，对所有IMF分量求峭度，峭度最大的分量最贴近故障的暂态分量。然后对峭度最大的IMF分量进行计算能量，IMF能量E计算如式(4)。

其中A为IMF分量的幅值，t₁为采样开始时间，t₂为采样结束时间，t为采样时间。

(三)平均电流幅值差。

基于故障前后三相电流会有变化，且故障线路的变化比非故障线路明显，本发明利用此故障特征定义了第二个特征量，即平均电流幅值差，将其与暂态能量进行综合应用可以弥补后者只适用于不平衡故障的缺陷，实现所有故障的全面选线。

平均电流幅值差DI定义如下：

ΔI_i＝I_fi-I_ssi,i＝A,B,C (5)

上两式中：I_fi为故障阶段三相电流幅值的最大值，I_ssi为故障前稳定阶段三相电流幅值的最大值，△I_A、△I_B、△I_C分别为A、B、C三相的故障发生前后的电流幅值差。

对配电网所有的线路求其DI，故障线路的DI明显大于非故障线路。

(四)高频量测数据获取。

由IEEE Std C37.118.1及C37.118.2对PMU装置测量和通信的标准可知，国内PMU装置的上传报告的频率为50HZ，而这种低频的信号无法得到足够的故障暂态特征，但是PMU子站的高频采样率可以达20kHZ以上并可以本地存储，另一方面，PMU自带故障录波器，其采样频率可达到5kHZ以上，可以用于暂态特征提取。

本发明中用于特征提取的PMU数据来源于PMU子站的高频采样和PMU自带的故障录波器，其中为克服信号高频传输的限制，后续发明内容中介绍了一种“子站-主站”协同架构用于上传故障前后子站的短时高频采样数据。

我国配电网普遍采用小电流接地方式，虽然发生故障时故障电流很小，配电网还能在故障情况下运行很长一段时间，但是如果长期的故障运行会对电力变压器乃至整个配电网络造成损害，为了实现配电网运行的安全性、稳定性，需要及其对故障进行清除，所以长期以来配电网故障选线一直是故障诊断的难点和重点。首先，本发明着眼于未来同步相量测量单元会在配电网上大面积安装，不仅结合了PMU的数据特点，同时对传统的故障选线暂态方法进行改善，本发明采用的总体经验模态分解法可以消除经验模态分解所带来的模态混叠现象。其次，本发明并不只采用暂态能量一种选线方法，而是结合本发明所定义的一种平均电流幅值差进行综合的选线判断，较全面准确地进行选线判断，并给出定量的结果。最后，本发明从实际出发，根据PMU数据量测的特点和选线方法所需数据的要求，明确给出了数据的来源以及设计了一种“子站-主站”协同上报的流程实现数据的获取。本发明内容具有很高的工程应用价值，能够普遍应用于装有微型PMU的配电网中，实现故障的准确选线。

本发明中还定义了一个故障可信度G，其定义的目的是实现本发明中提出的暂态能量法和平均电流幅值法的有效结合，最终给出一个用于判断故障线路的定量的结果，故障可信度G的计算如式(7)所示。

式中G_i为第i条线路的故障可信度；n为配电网中的总线路数；E为EEMD分解后得到的IMF分量的能量，其计算方法见式(4)；DI为线路的平均电流幅值差，其计算方法见式(5)和(6)。

本发明中所需的高频数据来自源于PMU自带的故障录波数据和PMU子站上传的高频采样数据，故障录波数据可以实时上传，而本地高频采样数据由于受限于信号传输速率无法实时上传，基于PMU子站具有计算能力和数据存储能力，本发明设计了一种合理的提取本地高频采样数据的“子站-主站”协同架构，其具体操作流程如下：

(1)PMU子站本地高频采样获得高频的电压电流有效值、相角。

(2)基于本地存储的相角，计算瞬时频率f，瞬时频率f的计算如式(8)所示。

式中为相邻两个采样点的瞬时频率；t为高频采样间隔。

(3)每个波形周期取瞬时频率的最大值f_max，f_max以低频(50HZ)同电压电流相量一起上传至主站。

(4)主站检测f_max是否异常，异常判断设置为是否大于两倍的基频，即f_max是否大于100HZ。

(5)若步骤(4)中检测到f_max出现异常，则将故障时刻前后5个波形周期的高频量测量上传至主站为后续的选线分析提供数据。

实施例1：

本发明是一种基于PMU数据的电力线路故障诊断方法及系统，基于应用于配电网线路的微型同步相量测量装置，微型PMU装置基于GPS系统可以实现配电网线路的电压、电流相量的同步测量，并将所有子站的数据传输到主站，本发明对故障选线方法需要的高频数据来自于微型PMU的本地高频采样数据以及微型PMU自带的故障录波器。

受通信速度的限制，微型PMU本地的高频采样并不能实时上传，所以本发明为解决此问题，设计了一种“子站-主站”协同架构，如图1所示，基于微型PMU本地计算储存能力，将用于识别是否故障发生的故障特征量瞬时频率在本地进行高频计算，然后取一个波形周期的最大瞬时频率以50HZ的低频频率与电压电流相量一同上传至主站用于判断是否出现故障，若发生故障，则将本地存储的故障前后短时的高频数据打包上传至主站用于选线分析，本发明设计的这种架构较好的解决了高频数据问题，结合了实际PMU的数据采样和通信特点，具有实用性。

本发明的暂态能量法中采用总体平均模态分解法来提取暂态高频分量，该方法的计算流程图如图2所示，本发明计算所有EEMD分解后的IMF分量的峭度，实现IMF分量的自适应选取，然后计算选取的IMF分量的能量为高频暂态能量，具体流程见图3。

本发明另定义一个平均电流幅值差，将其与暂态能量法结合，两种方法的各自特点如图4所示，本发明定义了一个故障可信度，通过计算故障可信度，可以实现两种方法的结合，同时也能定量的比较选线结果，故障选线的整体流程具体如图5所示。

具体包括以下步骤：

本发明基于电力系统中布置的PMU装置，PMU装置基于GPS系统实现同步电气数据的采集，将节点上的测量得到的电压相量、电流相量、功率等数据传输到局域网，再经过光纤通道传递到系统的数据采集中心，对数据进行处理后，提取出电气参数，并根据电气参数的组合计算能够反映变压器运行状态的各个指标，对得到的指标值进行模糊综合评判，得到变压器的运行状态结果。

本发明中为了能够通过电气量来间接反映变压器的运行状态，结合变压器的等效电路与变压器的物理性能，定义了四个性能指标分别为绕组电阻指标、绕组漏抗指标、导纳模指标、效率指标，绕组电阻指标反映绕组的热效应，绕组漏抗指标反映绕组的形状结构以及漏磁效应，导纳模指标反映铁芯磁化和绝缘劣化情况，而效率指标能总体反映变压器的性能，状态指标与变压器的物理性能变化关系如图1所示。

本发明为了结合四个指标来综合反映变压器的状态，结合了模糊综合评判的算法来给出评估结果，模糊综合评判的原理如图2所示。

本发明所提出的基于PMU测量数据的变压器运行状态综合方法流程图如图3所示，再结合PMU测量数据的基础中，建立了由定义的四个变压器指标组成的较完备的变压器状态评价体系，本发明将模糊综合评判引入到变压器状态评估中，考虑不同指标对整体状态的影响程度设计各个指标对应的权重，结合变压器指标数据的特点选择隶属函数模型，这样既能同时考虑各个指标的影响，又能考虑各个指标对整体的影响程度。并且针对变压器自身的特点，给出了状态评估的分级策略，以及对其对应的检修策略。

具体包括以下步骤：

(1)配电网线路上安装的微型PMU装置本地高频采样电压电流相量，并计算故障特征量瞬时频率最大值实时低频上传至主站。

(2)判断故障特征量是否出现异常，若异常，则上传本地的高频电流数据为后续选线提供数据来源，同时提取微型PMU自带的故障录波器的数据。

(3)将故障录波器提供的零序电流数据进行EEMD分解，通过计算谱峭度选取高频暂态分量，并进一步计算各线路的高频暂态能量。

(4)将本地高频采样的三相电流数据计算各线路的平均电流幅值差。

(5)根据计算得到的各线路的高频暂态能量和平均电流幅值差计算各线路的故障可信度，比较故障可信度，故障可信度最高的线路即为故障线路。

目前公开发表的文献中，尚未见到通过微型同步相量测量装置得到的数据来实现配电网线路的故障选线，也未见涉及这方面的研究，本发明为基于微型PMU的配电网线路故障选线提供了具体的方法以及整个系统的具体实现流程。较传统的配电网故障诊断措施，本发明的数据来自于微型PMU的同步测量数据可以实现在线故障选线，快速地为故障切除提供准确判断。较传统的配电网暂态选线方法，本发明采用的总体平均模态分解法消除了传统分解法存在的缺陷，方法准确可靠。

本发明充分考虑到实际应用性，在充分考虑微型PMU的测量标准和通信标准，以及配电网故障选线方法所需数据的特点，设计的“子站-主站”结构实现高频数据的故障上传与微型PMU自带的故障录波一同为故障选线提供高频数据。

本发明并不是只考虑最常见的单相接地故障，计算定义的故障可信度，实现将来自于故障录波的零序电流暂态高频能量与来自于本地高频采样的平均电流幅值差相结合，实现所有故障类型的准确选线。

本发明已经详细给出了本发明的实现步骤，本发明提供的方法不受配电网线路接地方式以及过渡电阻的影响，能够全面考虑线路的所有故障类型，从而得到的选线结果准确性高。最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求范围当中。

Claims (9)

1.一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：包括：

步骤1：本地子站以“子站-主站”协同架构上传故障时的高频数据；

步骤2：根据高频数据计算所有馈线平均电流幅值差；

步骤3：根据PMU自带的故障录波器提供的故障录波数据做EEMD变换计算所有线路的高频暂态能量；

步骤4：计算所有线路的故障可信度；

步骤5：根据故障可信度确定最终的故障馈线。

2.根据权利要求1所述的一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：所述“子站-主站”协同架构包括：

第1：PMU子站本地高频采样获得高频的电压电流有效值、相角；

第2：基于本地存储的相角，计算瞬时频率f，瞬时频率f的计算如式(8)所示：

式中为相邻两个采样点的瞬时频率；t为高频采样间隔；

第3：每个波形周期取瞬时频率的最大值f_max，f_max以低频(50HZ)同电压电流相量一起上传至主站；

第4：主站检测f_max是否异常，异常判断设置为是否大于两倍的基频，即f_max是否大于100HZ；

第5：若第4步中检测到f_max出现异常，则将故障时刻前后5个波形周期的高频量测量上传至主站为后续的选线分析提供数据。

3.根据权利要求2所述的一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：所述步骤1中上传故障时的高频数据是通过以下方式获取的：

(一)EEMD算法：

EEMD基于EMD算法的基础，在对信号进行EMD过程中加入高斯白噪声信号：

信号x(t)的EMD分解就是将其分解为一组IMF分量C_i和余项r_n之和，如式(1)所示：

EEMD算法是在对信号进行EMD分解之前，利用高斯白噪频率均匀特性及其在对随机干扰成分的平滑效应，对原始信号加入随机白噪声，然后对加噪后的信号进行迭代分析，最终迭代得到IMF分量；

EEMD算法的步骤如下：

①对EMD执行总次数M及加入白噪声的幅值系数k进行初始化，即k，m＝1；

②执行第m次EMD分解；

a)原始信号x(t)加入幅值系数为k的随机高斯白噪声n_m(t)，得到加噪后的待处理信号x_m(t),如式(2)；

x_m(t)＝x(t)+kn_m(t) (2)

b)对x_m(t)进行EMD分解，得到p个IMF分量C_j,m(j＝1,2,…,p)，C_j,m表示第m次试验分解得到的第j个IMF分量；

c)当m<M，m＝m+1，返回步骤②；

③对M次分解的每个IMF计算均值，如式(3)：

④输出作为EEMD分解得到的第j个IMF，j＝1,2,…,p；

(二)自适应选取IMF及能量计算：

对信号进行EEMD分解后得到若干个IMF分量，进一步选取最能反映故障暂态分量的IMF分量，对其做特征计算，基于谱峭度的快速谱峭度图谱算法用于实现总体经验模态分解后的最优IMF分量的选取；

峭度反映随机变量分布特性的数值统计量，是归一化4阶中心矩，对所有IMF分量求峭度，峭度最大的分量最贴近故障的暂态分量；然后对峭度最大的IMF分量进行计算能量，IMF能量E计算如式(4)：

其中A为IMF分量的幅值，t₁为采样开始时间，t₂为采样结时间，t为采样时间；

(三)平均电流幅值差；

定义平均电流幅值差，将其与暂态能量进行综合应用弥补后者只适用于不平衡故障的缺陷，实现所有故障的全面选线；平均电流幅值差DI定义如下：

ΔI_i＝I_fi-I_ssi,i＝A,B,C (5)

上两式中：I_fi为故障阶段三相电流幅值的最大值，I_ssi为故障前稳定阶段三相电流幅值的最大值；△I_A、△I_B、△I_C分别为A、B、C三相的故障发生前后的电流幅值差；

对配电网所有的线路求其DI，故障线路的DI明显大于非故障线路；

(四)高频量测数据获取：

由IEEE Std C37.118.1及C37.118.2对PMU装置测量和通信的标准可知，PMU装置的上传报告的频率为50HZ，而这种低频的信号无法得到足够的故障暂态特征，但是PMU子站的高频采样率可以达20kHZ以上并本地存储；另一方面，PMU自带故障录波器，其采样频率达到5kHZ以上，用于暂态特征提取。

4.根据权利要求1所述的一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：所述步骤2中对所有馈线的零序电流做EEMD变化，并计算所有IMF分量的峭度，对峭度最大的IMF分量求其波形能量。

5.根据权利要求1或3所述的一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：所述步骤2中计算平均电流幅值差的数据来自于故障录波器所记录的故障前后线路的三相电流，然后按公式(5)和(6)进行计算。

6.根据权利要求1所述的一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：所述步骤4中计算的故障可信度中的数据来自于步骤2和3所得到的高频暂态能量和平均电流幅值差。

7.根据权利要求1或3所述的一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：所述步骤4中的故障可信度是实现暂态能量法和平均电流幅值法的有效结合，最终给出一个用于判断故障线路的定量的结果，故障可信度G的计算如式(7)所示：

式中G_i为第i条线路的故障可信度；n为配电网中的总线路数；E为EEMD分解后得到的IMF分量的能量，其计算方法见式(4)；DI为线路的平均电流幅值差，其计算方法如式(5)和(6)。

8.根据权利要求1所述的一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：所述步骤5根据步骤4中得到的所有线路的故障可信度，比较所有线路的故障可信度，故障可信度最大的即判定为故障线路。

9.根据权利要求1所述的一种基于PMU数据的电力线路故障诊断方法及系统，其特征是：所述步骤1具体包括配电网线路上安装的微型PMU装置本地高频采样电压电流相量，并计算故障特征量瞬时频率最大值实时低频上传至主站；所述步骤2具体包括判断故障特征量是否出现异常，若异常，则上传本地的高频电流数据为后续选线提供数据来源，同时提取微型PMU自带的故障录波器的数据；所述步骤3具体包括将故障录波器提供的零序电流数据进行EEMD分解，通过计算谱峭度选取高频暂态分量，并进一步计算各线路的高频暂态能量；所述步骤4具体包括将本地高频采样的三相电流数据计算各线路的平均电流幅值差；所述步骤5具体包括根据计算得到的各线路的高频暂态能量和平均电流幅值差计算各线路的故障可信度，比较故障可信度，故障可信度最高的线路即为故障线路。