CN111339872A - 一种基于分类模型的电网故障分类方法 - Google Patents
一种基于分类模型的电网故障分类方法 Download PDFInfo
- Publication number
- CN111339872A CN111339872A CN202010099638.0A CN202010099638A CN111339872A CN 111339872 A CN111339872 A CN 111339872A CN 202010099638 A CN202010099638 A CN 202010099638A CN 111339872 A CN111339872 A CN 111339872A
- Authority
- CN
- China
- Prior art keywords
- fault
- classification
- characteristic
- current
- classification model
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 45
- 238000013145 classification model Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 31
- 238000003066 decision tree Methods 0.000 claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 23
- 239000013598 vector Substances 0.000 claims abstract description 23
- 230000001052 transient effect Effects 0.000 claims abstract description 16
- 230000005284 excitation Effects 0.000 claims abstract description 15
- 230000005540 biological transmission Effects 0.000 claims abstract description 11
- 238000004458 analytical method Methods 0.000 claims abstract description 10
- 230000007547 defect Effects 0.000 claims abstract description 6
- 238000012360 testing method Methods 0.000 claims abstract description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 27
- 238000013138 pruning Methods 0.000 claims description 15
- 238000000354 decomposition reaction Methods 0.000 claims description 13
- 210000002569 neuron Anatomy 0.000 claims description 13
- 230000006870 function Effects 0.000 claims description 11
- 238000005259 measurement Methods 0.000 claims description 10
- 239000000284 extract Substances 0.000 claims description 7
- 230000008859 change Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 5
- 238000003745 diagnosis Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 230000002238 attenuated effect Effects 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 claims description 3
- 230000007257 malfunction Effects 0.000 claims description 2
- 230000009466 transformation Effects 0.000 abstract description 3
- 238000011160 research Methods 0.000 description 5
- 238000005070 sampling Methods 0.000 description 3
- 238000013473 artificial intelligence Methods 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000007635 classification algorithm Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 210000004556 brain Anatomy 0.000 description 1
- 239000003795 chemical substances by application Substances 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000006698 induction Effects 0.000 description 1
- 230000010365 information processing Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 238000004886 process control Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 230000007704 transition Effects 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Software Systems (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Signal Processing (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提出了一种基于分类模型的电网故障分类方法,基于原子能量熵的字符串匹配故障辨识,通过分析特征量暂态特征信息特征,选用原子能量熵作为故障特征量可以弥补小波分析中基函数对信号特征自适应差的缺点,同时能够较完备地描述故障特征,基于粗神经网络来建立配电网输电线路故障分类模型,实现高压输电线路10种故障类型的分类识别,基于等效瞬时励磁电感在各种运行工况下的差别,加入最大重叠离散小波变换分析提取故障特征向量,作为决策树的训练和测试值,能有效的实现故障快速识别分类。
Description
技术领域
本发明属于电力行业领域,具体涉及一种基于分类模型的电网故障分类方法。
背景技术
电网规模的日益扩大、输电容量及电压等级的不断提高带来了巨大的经济与社会效益,但与此同时,电网的故障也会对社会经济和人民生活造成较为严重的危害。快速、准确的电网故障分类是快速恢复电网供电的前提,也是故障分析的一个重要部分,随着智能电网建设的不断推进,智能配电网的建设越来越得到电力公司的重视,这表现为配电网信息化、自动化的不断推进,另外现代电力用户对电力的可靠连续供应提出了更高的要求。配电网的故障分类为操作员提供故障类型信息。而且作为故障选线、定位等故障诊断的基础,准确的故障分类是分析故障、提供供电可靠性的有力手段。故障分类需要能准确、快速地判断出发生故障的类别(AG、BG、CG、ABG、ACG、BCG、ABC/ABCG、AB、AC和BC)。然而配电网具有电压等级多,网络结构复杂,设备类型多样,作业点多面广,易受外界环境影响而发生各种故障,且故障原因往往是隐性的,短时间难以查找。在实际运行中,复杂的故障工况以及存在的噪声,给准确的故障分类造成困难,尤其是过渡电阻较大时,要准确的判断出故障类型更为困难。因此配电网设备故障分类模型的研究成为配网智能化发展和故障出力的基础研究内容。
目前,传统的配电网故障分类方法主要有系统建模法、信号处理法和人工智能法当前配电线路研究主要是偏重于永久性故障,对于高祖故障和瞬时故障的研究较少,该部分重点分析配电线路的高阻故障特征和间歇性特征。为了应对配电网中故障分析方法中小波和神经网络易导致局部最优,但具有泛化能力差和传统支持向量机在分类特征量多时,故障识别速度慢等问题。因此,一种具有快速识别分类故障的配电网故障分类方法的提出,为操作员提供故障类型信息,作为故障选线、定位等故障诊断的基础,准确的故障分类是分析故障、提供供电可靠性的有力手段,具有一定的现实意义。
发明内容
鉴于目前存在的需求,本发明提供一种基于分类模型的电网故障分类方法,其技术方案,包括:
S1:利用原子分解法,提取和描述暂态信号固有特征,基于信号本身构建一个完备冗余的时频原子库代替基函数集合为原子库,利用故障暂态信号,选用原子库的一组参数化的衰减正弦原子,建立原子库模型;
S2:提取故障暂态的三相电流数值,基于原子库模型,从原子库中寻找对应最优匹配原子,求取原子能量熵,分别为主导成分量度和补充故障特征信息量度,构造原子能量熵的故障特征集,利用正常工况以及各种故障状况下的历史数据,基于编码和字符串匹配结果建立故障编码库,对故障进行分类诊断;
S3:特征提取模块,基于时域及时频域提取不同的故障电流特征作为故障分类的特征量,并采用db4小波变换进行多层小波分解,综合上述的时域及时频域特征量,得出电路故障分类的电流特征向量,并将其作为故障分类模块的输入;
S4:故障分类模块,采用多个粗神经网络和一个决策神经元组成;每个粗神经网络分别用于分类识别一个确定的故障类型;决策神经元用于选择具有最大输出值的粗神经网络所分类识别的故障类型,并将其作为最终的分类结果,以之建立基于粗神经网络的故障分类模型;
S5:对各种程度轻微故障进行仿真提取差动电流和故障电压,求取等效瞬时励磁电感;利用最大重叠离散小波变换分析,将MODWT应用于原始数据来获得基于尺度的能量分解,选取db4小波函数实现对电力网络中瞬变的精确检测,提取有效特征参数;
S6:基于S2-S4的目标数据建立分类模型,利用等效瞬时励磁电感和加入基于db4小波函数的MODWT实现的精准特征参数提取故障特征向量,以之作为决策树的训练和测试值,对所述故障分类模型进行多轮训练;
S7:故障发生后的1-5ms时间内,提取实时故障电流变化特征,基于故障分类模型匹配及选取与所述实时故障电流特征相符合的故障电流特征信号波形,根据故障电流特征信号波形与故障分类模型的对应关系,快速精准的确定所述故障电流特征的故障类型。
作为上述方案的进一步设置,所述S1原子分解法求取原子能量熵步骤为:
1)提取故障暂态的三相电流Ia,Ib,Ic,在原子库中寻找满足的原子:
<Im0,gr0>≥max<Im,gr>,m=a,b,c
2)提取最优原子后得到残余信号:
Im1=Im0-gr0<Im0,gr0>
3)在残余信号中继续寻找最优原子,经n次迭代后在原子库中找到N个最佳匹配原子grn
4)求取原子能量熵,分别为主导成分量度和补充故障特征信息量度:
E1m=max|<Im,gri>|
E2m=sec|<Im,gri>|
5)构造一个故障特征向量:
C=[E1a,E1b,E1c,E2a,E2b,E2c]
作为上述方案的进一步设置,所述S2故障分类模块,为了实现输电线路的10种故障类型的分类识别,使故障分类模块具有10个单独的粗神经网络,10个粗神经网络并行工作,且具有相同的输入,即故障特征向量T;基于输入特征向量T包含13个特征量,采用具有13个输入层神经元的RMNN;同时隐含层为13个模糊神经元;每个粗神经网络的输出为输入特征量T属于该RMNN所分类识别的故障类型的程度。
作为上述方案的进一步设置,所述S5还包括有变压器故障检测算法,通过MODWT提取特征值,用于对变压器轻微故障的检测以及分类,为了防止变压器差动保护误动作,引入了制动电流:
式中,kres为制动系数,其取值通常为0.1-0.4,iCT1和iCT2分别为电流互感器一次端和二次端的瞬时电流。
作为上述方案的进一步设置,所述S6的决策树为C4.5决策树算法分类:分类的目的是从一些描述性特征中识别属于对象的类,决策树是用于分类和回归的非参数监督学习方法,利用ID3算法通过信息增益率选择分裂属性,信息增益为变化前后熵的差值,而熵为信息的期望值,克服了用信息增益选择属性时偏向选择取值多的属性的不足;
设一个样本S和概率分布P=(p1,p2,...,pn),即此分布携带的信息称为熵,其定义:
通过分裂后样本集的熵为:
式中,m为子样本集数量,|Sj|表示第j个子样本集中样本数量,|S|表示分裂之前数据集中样本总数量;
此时样本集的信息增益为:
InfoGain(S,A)=Entropie(s)-EntropieA(s)
C4.5决策树算法使用方法如下:
选择:用于划分训练数据(用于分类训练数据);
终止条件:决定何时停止划分(决定分割的结束条件);
剪枝算法:该算法试图防止过度拟合;
通过分裂后样本集的信息增益率定义如下:
作为上述方案的进一步设置,所述C4.5决策树算法采用的剪枝算法中后剪枝算法中的悲观剪枝法,根据剪枝前后的错误率来判定是否进行子树的修剪,再利用训练集生成决策树通过训练集进行剪枝。
本发明提出了一种基于分类模型的电网故障分类方法,基于原子能量熵的字符串匹配故障辨识,通过分析特征量暂态特征信息特征,选用原子能量熵作为故障特征量弥补小波分析中基函数对信号特征自适应差的缺点,同时能够较完备地描述故障特征,基于粗神经网络来建立配电网输电线路故障分类模型,实现高压输电线路10种故障类型的分类识别,基于等效瞬时励磁电感在各种运行工况下的差别,利用最大重叠离散小波变换分析提取故障特征向量,作为决策树的训练和测试值,能有效的实现故障快速识别分类。
附图说明
图1是本方案S2的编码故障库建立示意图;
图2是本方案S3和S4的基于粗神经网络的故障分类模型图。
具体实施方式
为了使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解,下面将结合附图进一步阐述本发明。
粗神经网络(Rough Membership Neural Network,即RMNN)即基于粗糙集(RoughSets,即RS)结合人工神经网络(Artificial Neural Network,即ANN):
粗糙集(Rough Sets,即RS),是1982年由波兰华沙理工大学教授Z.Pawlak首先提出,它是一个分析数据的数学理论,研究不完整数据、不精确知识的表达、学习、归纳等方法。粗糙集理论是一种新的处理模糊和不确定性知识的数学工具,其主要思想就是在保持分类能力不变的前提下,通过知识约简,导出问题的决策或分类规则。目前,粗糙集理论已被成功应用于机器学习、决策分析、过程控制、模式识别与数据挖掘等领域。
人工神经网络(Artificial Neural Network,即ANN),是20世纪80年代以来人工智能领域兴起的研究热点。它从信息处理角度对人脑神经元网络进行抽象,建立某种简单模型,按不同的连接方式组成不同的网络。
如图1-2所示,一种基于分类模型的电网故障分类方法,其特征在于,包括:
S1:利用原子分解法,针对暂态信号,提取和描述信号固有特征,基于信号本身构建一个完备冗余的时频原子库代替基函数集合为原子库,利用故障暂态信号,选用原子库的一组参数化的衰减正弦原子,建立原子库模型;其公式为:
S2:提取故障暂态的三相电流数值,基于原子库模型,从原子库中寻找对应最优匹配原子,求取原子能量熵,分别为主导成分量度和补充故障特征信息量度,构造原子能量熵的故障特征集,利用正常工况以及各种故障状况下的历史数据,基于编码和字符串匹配结果建立故障编码库,对故障进行分类诊断;结合图1其匹配程序的流程如下:
步骤1设故障类型i=1,字符串C与k个子字符串按位进行匹配,令i=i+1逐个求取匹配度Q。
步骤2判断匹配度Q值,Q=6说明故障字符串与字符串完全匹配,记录下字符串位置;Q≠6,令i=i+1,继续判断匹配度Q值的大小,直至遍历整个故障库。
步骤3若在i+x类中也搜索到Q=6的字符串,出现一个故障字符串对应两类故障的情况,则需要利用下一时刻的采样数据,重复步骤1和步骤2的遍历搜索判断。
步骤4直至故障字符串在故障库中进行搜索后,有唯一匹配度Q=6的子字符串与其匹配,记录它在故障库中的位置,即可确定故障类型。匹配程序结束,返回的i值即为第i类故障。
S3:特征提取模块,基于时域及时频域提取不同的故障电流特征作为故障分类的特征量,提取故障发生后1-5ms的三相电流,且采用db4小波变换进行多层小波分解,得到高频细节信号系数及低频近似信号系数,综合上述的时域及时频域特征量,得出输电线路故障分类的特征向量,并将其作为故障分类模块的输入;
分别提取故障发生后5ms,即250个数据点(采样频率为50kHz)的A,B,C三相电流iA,iB,iC,并计算零序电流分量I0:
i0=(iA+iB+iC)/3
故障特征量T1为三相电流相关系数。根据如下公式,分别计算出配电网线路A,B,C三相电流的相关系数ρAB,ρBC,ρCA,若其值大于ε0,则将其量化为2,若小于ε1,则将其量化为0,否则将其量化为1,组成故障特征量T1=[ρAB,ρBC,ρCA]。
式中:abs(·)表示·的绝对值;E(Δ)表示Δ的数学期望值;σ(iδ)为σ相电流的标准差,δ代表A,B,C三相。
故障特征量T2为零序电流数学期望。计算零序电流i0的数学期望E(i0),若其绝对值的大于ε2,则将其量化为1,否则将其量化为0,作为故障特征量,即T2=[E(i0)]。
故障特征量T3为零序电流标准差。计算零序电流i0的标准差σ(i0),并根据阈值ε3将其量化为1或0,作为故障特征量,即T3=[σ(i0)]。
故障特征量T4为三相电流小波能量。根据如下公式,分别求取iA,iB,iC的高频能量EA,EB,EC及其归一化值eA,eB,eC,若eδ大于ε4,则将其量化为1否则将其量化为0,组成故障特征量T4=[eA,eB,eC]。
eδ=Eδ/max(EA,EB,EC)
式中:δ表示A、B、C三相。
故障特征量T5为零序电流小波能量。将零序电流i0的低频能量E0按阈值ε5量化为1或0,并将其作为故障特征量T5=[E0]。
式中:d09(k)为零序电流进行小波分解后的低频近似信号系数。
故障特征量T6—T13为三相电流小波系数标准差。分别求取三相电流iA,iB,iC的各高频段小波系数的标准差σ(dAj),σ(dBj)和σ(dCj),其中,dAj,dBj,dCj分别表示A、B、C三相电流的第j层小波变换系数(j=1,2,…,8)。根据如下公式,对其进行归一化,若σδ大于ε6,则将其量化为2,若σδ小于ε7,则将其量化为1,否则将其量化为0,并组成故障特征量[σA(j),σB(j),σC(j)]。
式中:δ表示A、B、C三相;j为小波分解层数;max(σ(dj))和min(σ(dj))分别为σ(dAj)、σ(dBj)和σ(dCj)中的最大值和最小值。
S4:故障分类模块,采用多个粗神经网络和一个决策神经元组成;每个粗神经网络分别用于分类识别一个确定的故障类型;实现输电线路的10种故障类型的分类识别,使故障分类模块具有10个单独的粗神经网络,10个粗神经网络并行工作,且具有相同的输入,即故障特征向量T。由于输入特征向量T包含13个特征量,因此,各RMNN具有13个输入层神经元;同时,隐含层为13个模糊神经元。每个粗神经网络的输出为输入特征量T属于该RMNN所分类识别的故障类型的程度,例如,RMNN1用于分类识别Ag故障,则RMNN1的输出即为输入特征量T属于Ag故障的程度;决策神经元用于选择具有最大输出值的粗神经网络所分类识别的故障类型,并将其作为最终的分类结果,以之建立基于粗神经网络的故障分类模型故障分类模块。
S5:对各种程度轻微故障进行仿真提取差动电流和故障电压,求取等效瞬时励磁电感,同时采用梯形法,针对等效电阻的影响,提高等效瞬时励磁电感计算的准确度;利用最大重叠离散小波变换分析,将通过伸缩公式获取的MODWT应用于原始数据来获得基于尺度的能量分解,选取db4小波函数实现对电力网络中瞬变的精确检测,实现特征参数提取,提取有效特征用于后续的学习分类,同时也降低数据的维度。
上述方案求取等效瞬时励磁电感的变压器T型等效电路回路方程为:
式中,μp、ip、Lp、Rp分别为原边绕组端电压、电流、漏感和电阻;Rm、im分别为励磁电阻与励磁电流。
变压器运行于各种工况下(正常运行、故障状态、空载以及负载运行)时,基于等效瞬时励磁电感的变压器方程如下所示:
式中,μp为变压器一次侧端口电压;r为等效电阻;L为等效瞬时励磁电感;△i=ip+is为变压器一次侧与二次侧的差动电流。
按照梯形法将连续的微分方程化为离散的微分方程,此时考虑等效电阻的影响,提高了等效瞬时励磁电感计算的准确度,则kT和(k+1)T时刻基于上述方程表述的统一方程具有如下形式:
式中,T为采样周期。
消去上述式中的等效电阻,得到kT时刻等效瞬时电感:
S6:基于S2-S4的数据建立分类模型,利用等效瞬时励磁电感和加入基于db4小波函数的MODWT实现的精准特征参数提取故障特征向量,作为决策树的训练和测试值,对所述分类模型进行多轮训练。
S7:故障发生后的1-5ms时间内,提取实时故障电流变化特征,基于故障分类模型匹配及选取与所述实时故障电流特征相符合的故障电流特征信号波形,根据故障电流特征信号波形与故障分类模型的对应关系,快速精准的确定所述故障电流特征的故障类型。
上述S6的决策树本实施例中为C4.5决策树分类算法;
C4.5决策树分类算法:从一些描述性特征中识别属于对象的类。基于不同算法的决策树分类其根本区别在于分裂属性选择的评判标准。
ID3算法通过信息增益选择分裂属性,信息增益为变化前后熵的差值,而熵为信息的期望值。如果给定一个样本S和概率分布P=(p1,p2,...,pn),即此分布携带的信息称为熵。其定义式:
通过属性A分裂后样本集的熵为:
式中,m为子样本集数量,|Sj|表示第j个子样本集中样本数量,|S|表示分裂之前数据集中样本总数量。
此时样本集的信息增益为:
InfoGain(S,A)=Entropie(s)-EntropieA(s)
C4.5算法是通过信息增益率选择分裂属性,克服了用信息增益选择属性时偏向选择取值多的属性的不足。C4.5算法使用以下方法:
选择:用于划分训练数据(用于分类训练数据);
终止条件:决定何时停止划分(决定分割的结束条件);
剪枝算法:该算法试图防止过度拟合。
通过属性A分裂后样本集的信息增益率定义如下:
C4.5算法采用后剪枝方法中的悲观剪枝法,这种方法是根据剪枝前后的错误率来判定是否进行子树的修剪。它是利用训练集生成决策树再利用训练集进行剪枝。
在本方案中,基于C4.5算法的决策树分类器用于说明假设。如果问题包含N个特征,则决策树的最大高度为N。C4.5算法的一个优点是将训练树转换为一系列if-then规则。此外,该方法不需要特征提取技术。且其能够处理离散型和连续型的属性类型,能够处理具有缺失属性值的训练数据。
本发明提出了基于原子能量熵的字符串匹配故障辨识新方法,通过分析特征量暂态特征信息特征,选用原子能量熵作为故障特征量可以弥补小波分析中基函数对信号特征自适应差的缺点,同时能够较完备地描述故障特征。基于粗神经网络来建立配电网输电线路故障分类模型,实现高压输电线路10种故障类型的分类识别。基于等效瞬时励磁电感在各种运行工况下的差别,利用最大重叠离散小波变换分析提取故障特征向量,作为决策树的训练和测试值,有效的实现故障快速识别精准分类。
以上所述仅为本发明的一种实施例,本技术领域中的普通技术人员应当认识到,此实施例并不用于限制本发明,凡在本发明的方法构思、实质精神之内,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 (6)
1.一种基于分类模型的电网故障分类方法,其特征在于,包括:
S1:利用原子分解法,提取和描述暂态信号固有特征,基于信号本身构建一个完备冗余的时频原子库代替基函数集合为原子库,利用故障暂态信号,选用原子库的一组参数化的衰减正弦原子,建立原子库模型;
S2:提取故障暂态的三相电流数值,基于原子库模型,从原子库中寻找对应最优匹配原子,求取原子能量熵,分别为主导成分量度和补充故障特征信息量度,构造原子能量熵的故障特征集,利用正常工况以及各种故障状况下的历史数据,基于编码和字符串匹配结果建立故障编码库,对故障进行分类诊断;
S3:特征提取模块,基于时域及时频域提取不同的故障电流特征作为故障分类的特征量,并采用db4小波变换进行多层小波分解,综合上述的时域及时频域特征量,得出电路故障分类的电流特征向量,并将其作为故障分类模块的输入;
S4:故障分类模块,采用多个粗神经网络和一个决策神经元组成;每个粗神经网络分别用于分类识别一个确定的故障类型;决策神经元用于选择具有最大输出值的粗神经网络所分类识别的故障类型,并将其作为最终的分类结果,以之建立基于粗神经网络的故障分类模型;
S5:对各种程度轻微故障进行仿真提取差动电流和故障电压,求取等效瞬时励磁电感;利用最大重叠离散小波变换分析,将MODWT应用于原始数据来获得基于尺度的能量分解,选取db4小波函数实现对电力网络中瞬变的精确检测,提取有效特征参数;
S6:基于S2-S4的目标数据建立分类模型,利用等效瞬时励磁电感和加入基于db4小波函数的MODWT实现的精准特征参数提取故障特征向量,以之作为决策树的训练和测试值,对所述故障分类模型进行多轮训练;
S7:故障发生后的1-5ms时间内,提取实时故障电流变化特征,基于故障分类模型匹配及选取与所述实时故障电流特征相符合的故障电流特征信号波形,根据故障电流特征信号波形与故障分类模型的对应关系,快速精准的确定所述故障电流特征的故障类型。
2.根据权利要求1所述的一种基于分类模型的电网故障分类方法,其特征在于:所述S2原子分解法求取原子能量熵步骤为:
1)提取故障暂态的三相电流Ia,Ib,Ic,在原子库中寻找满足的原子:
<Im0,gr0>≥max<Im,gr>,m=a,b,c
2)提取最优原子后得到残余信号:
Im1=Im0-gr0<Im0,gr0>
3)在残余信号中继续寻找最优原子,经n次迭代后在原子库中找到N个最佳匹配原子grn
4)求取原子能量熵,分别为主导成分量度和补充故障特征信息量度:
E1m=max|<Im,gri>
E2m=sec|<Im,gri>
5)构造一个故障特征向量:
C=[E1a,E1b,E1c,E2a,E2b,E2c] 。
3.根据权利要求1所述的一种基于分类模型的电网故障分类方法,其特征在于:所述S4故障分类模块,为了实现输电线路的10种故障类型的分类识别,使故障分类模块具有10个单独的粗神经网络,10个粗神经网络并行工作,且具有相同的输入,即故障特征向量T;基于输入特征向量T包含13个特征量,采用具有13个输入层神经元的RMNN;同时隐含层为13个模糊神经元;每个粗神经网络的输出为输入特征量T属于该RMNN所分类识别的故障类型的程度。
5.根据权利要求4所述的一种基于分类模型的电网故障分类方法,其特征在于,所述S6的决策树为C4.5决策树算法分类:分类的目的是从一些描述性特征中识别属于对象的类,决策树是用于分类和回归的非参数监督学习方法,利用ID3算法通过信息增益率选择分裂属性,信息增益为变化前后熵的差值,而熵为信息的期望值,克服了用信息增益选择属性时偏向选择取值多的属性的不足;
设一个样本S和概率分布P=(p1,p2,...,pn),即此分布携带的信息称为熵,其定义:
通过分裂后样本集的熵为:
式中,m为子样本集数量,|Sj|表示第j个子样本集中样本数量,|S|表示分裂之前数据集中样本总数量;
此时样本集的信息增益为:
InfoGain(S,A)=Entropie(s)-EntropieA(s)
C4.5决策树算法使用方法如下:
选择:用于划分训练数据(用于分类训练数据);
终止条件:决定何时停止划分(决定分割的结束条件);
剪枝算法:该算法试图防止过度拟合;
通过分裂后样本集的信息增益率定义如下:
6.根据权利要求5所述的一种基于分类模型的电网故障分类方法,其特征在于,所述C4.5决策树算法采用的剪枝算法中后剪枝算法中的悲观剪枝法,根据剪枝前后的错误率来判定是否进行子树的修剪,再利用训练集生成决策树通过训练集进行剪枝。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099638.0A CN111339872A (zh) | 2020-02-18 | 2020-02-18 | 一种基于分类模型的电网故障分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010099638.0A CN111339872A (zh) | 2020-02-18 | 2020-02-18 | 一种基于分类模型的电网故障分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111339872A true CN111339872A (zh) | 2020-06-26 |
Family
ID=71185399
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010099638.0A Pending CN111339872A (zh) | 2020-02-18 | 2020-02-18 | 一种基于分类模型的电网故障分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111339872A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132221A (zh) * | 2020-09-25 | 2020-12-25 | 海南电网有限责任公司 | 一种基于规则学习的电网事故智能识别的方法 |
CN112308436A (zh) * | 2020-11-04 | 2021-02-02 | 国网江苏省电力有限公司扬州市江都区供电分公司 | 一种配电网评估诊断分析方法、装置、设备及存储介质 |
CN112462193A (zh) * | 2020-11-05 | 2021-03-09 | 重庆邮电大学 | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 |
CN113033837A (zh) * | 2021-03-05 | 2021-06-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
CN113189448A (zh) * | 2021-04-29 | 2021-07-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障类型的检测方法及装置 |
CN113311219A (zh) * | 2021-03-11 | 2021-08-27 | 国网福建省电力有限公司 | 一种配电网暂时过电压识别方法 |
CN113435469A (zh) * | 2021-04-29 | 2021-09-24 | 青岛大学附属医院 | 一种基于深度学习的肾肿瘤增强ct图像自动识别系统及其训练方法 |
CN114091549A (zh) * | 2021-09-28 | 2022-02-25 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于深度残差网络的设备故障诊断方法 |
CN114704438A (zh) * | 2022-06-02 | 2022-07-05 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
CN114781471A (zh) * | 2021-06-02 | 2022-07-22 | 清华大学 | 一种实体记录匹配方法及系统 |
CN115639327A (zh) * | 2022-12-21 | 2023-01-24 | 南方电网数字电网研究院有限公司 | 基于油浸式套管气体检测的套管故障检测方法和装置 |
WO2023216553A1 (zh) * | 2022-05-11 | 2023-11-16 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法及系统 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019090879A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
CN109828181A (zh) * | 2019-01-09 | 2019-05-31 | 上海电力学院 | 一种基于modwt的变压器绕组轻微故障检测方法 |
-
2020
- 2020-02-18 CN CN202010099638.0A patent/CN111339872A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2019090879A1 (zh) * | 2017-11-09 | 2019-05-16 | 合肥工业大学 | 一种基于交叉小波特征的模拟电路故障诊断方法 |
CN109828181A (zh) * | 2019-01-09 | 2019-05-31 | 上海电力学院 | 一种基于modwt的变压器绕组轻微故障检测方法 |
Non-Patent Citations (3)
Title |
---|
宁一等: "基于原子能量熵和CSM的配电线路故障分类方法", 《东北大学学报(自然科学版)》 * |
尹璇,邓祥力等: ""基于 MODWT 的变压器绕组轻微故障检测及分类研究"", 《电测与仪表》 * |
林圣等: "基于粗神经网络的输电线路故障分类方法", 《中国电机工程学报》 * |
Cited By (16)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112132221A (zh) * | 2020-09-25 | 2020-12-25 | 海南电网有限责任公司 | 一种基于规则学习的电网事故智能识别的方法 |
CN112308436A (zh) * | 2020-11-04 | 2021-02-02 | 国网江苏省电力有限公司扬州市江都区供电分公司 | 一种配电网评估诊断分析方法、装置、设备及存储介质 |
CN112462193A (zh) * | 2020-11-05 | 2021-03-09 | 重庆邮电大学 | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 |
CN112462193B (zh) * | 2020-11-05 | 2023-10-24 | 重庆邮电大学 | 一种基于实时故障滤波数据的配电网自动重合闸判断方法 |
CN113033837A (zh) * | 2021-03-05 | 2021-06-25 | 国网电力科学研究院武汉南瑞有限责任公司 | 基于输电线路暂态波形的人工智能故障辨识系统及方法 |
CN113311219B (zh) * | 2021-03-11 | 2022-11-08 | 国网福建省电力有限公司 | 一种配电网暂时过电压识别方法 |
CN113311219A (zh) * | 2021-03-11 | 2021-08-27 | 国网福建省电力有限公司 | 一种配电网暂时过电压识别方法 |
CN113189448A (zh) * | 2021-04-29 | 2021-07-30 | 广东电网有限责任公司清远供电局 | 一种输电线路故障类型的检测方法及装置 |
CN113435469A (zh) * | 2021-04-29 | 2021-09-24 | 青岛大学附属医院 | 一种基于深度学习的肾肿瘤增强ct图像自动识别系统及其训练方法 |
CN114781471B (zh) * | 2021-06-02 | 2022-12-27 | 清华大学 | 一种实体记录匹配方法及系统 |
CN114781471A (zh) * | 2021-06-02 | 2022-07-22 | 清华大学 | 一种实体记录匹配方法及系统 |
CN114091549A (zh) * | 2021-09-28 | 2022-02-25 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于深度残差网络的设备故障诊断方法 |
WO2023216553A1 (zh) * | 2022-05-11 | 2023-11-16 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法及系统 |
CN114704438B (zh) * | 2022-06-02 | 2022-09-20 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
CN114704438A (zh) * | 2022-06-02 | 2022-07-05 | 深圳众城卓越科技有限公司 | 风电机组故障监控方法及装置 |
CN115639327A (zh) * | 2022-12-21 | 2023-01-24 | 南方电网数字电网研究院有限公司 | 基于油浸式套管气体检测的套管故障检测方法和装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111339872A (zh) | 一种基于分类模型的电网故障分类方法 | |
Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
CN109829497B (zh) | 一种基于监督学习的台区用户识别及判别方法 | |
CN113011481A (zh) | 一种基于决策树算法的电能表功能异常评估方法及系统 | |
CN113723844B (zh) | 一种基于集成学习的低压台区理论线损计算方法 | |
CN111860624A (zh) | 一种基于决策树的电网故障信息分类方法 | |
CN112684295A (zh) | 一种基于相似离度的高渗透率下配电网故障选线方法及系统 | |
CN115600088A (zh) | 一种基于振动信号的配电变压器故障诊断方法 | |
Liao et al. | Recognition of partial discharge patterns | |
CN113742396B (zh) | 一种对象学习行为模式的挖掘方法及装置 | |
CN117131022B (zh) | 一种电力信息系统的异构数据迁移方法 | |
CN113722494A (zh) | 一种基于自然语言理解的设备故障定位方法 | |
CN117454269A (zh) | 一种电力系统暂态信号识别方法 | |
CN115659833A (zh) | 基于bp神经网络的电力网络节点脆弱性评估方法 | |
Wilson et al. | Uncertainty Quantification of Capacitor Switching Transient Location Using Machine Learning | |
CN115130550A (zh) | 一种基于梯度提升决策树的配电变压器故障识别方法 | |
Huang et al. | Fault classification model of distribution network based on rough neural network and decision tree | |
Wang et al. | Research on line loss prediction model based on clustering and multi prediction model fusion | |
CN116702629B (zh) | 一种具备可迁移能力的电力系统暂态稳定评估方法 | |
Liu et al. | Research on Automatic Configuration Technology of Secondary Equipment Configuration Test in Intelligent Substation | |
CN113743801B (zh) | 一种电力变压器状态评估方法 | |
CN114764423B (zh) | 一种测井智能解释系统 | |
Xu et al. | Research on Fault Diagnosis Method of Wind Turbine Based on Kernel Fuzzy Clustering Algorithm | |
Lan et al. | Typical Equipment Classification based on Optimized C4. 5 Algorithm | |
CN111814395A (zh) | 一种基于主成分分析与置信检测的静态电压稳定评估方法 |
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: 20200626 |
|
RJ01 | Rejection of invention patent application after publication |