CN111781467A - 一种基于多维全景数据的电网故障智能判别方法 - Google Patents

Abstract

本发明公开了一种基于多维全景数据的电网故障智能判别方法，它包括：获取故障时的电气量信息和开关量信息；对电网故障区域进行搜索，构成故障元件集；将电气量进行模态分解，并对故障元件集中的故障电流信号进行分析处理，获取对应的元件故障度，即定义的故障概率表征；对开关量进行处理分析，得到对应的到元件模糊故障度；对故障度进行多源信息的融合；运用改进的D‑S证据理论对故障特征度进行多源信息的融合；根据故障诊断决策方法进行故障诊断，获取故障元件；解决了电网故障诊断中忽略故障期间的电气信息量对故障诊断的影响；可能出现误判等技术问题。

Description

一种基于多维全景数据的电网故障智能判别方法

技术领域

本发明涉及电网中故障诊断领域，具体涉及到一种基于多维全景数据的电网故障智能判别方法。

背景技术

近年来，随着大规模新能源及直流输电的接入，电网的规模日益扩大且结构日趋复杂，再加上用户需要越来越高的电能质量，电网存在一定的故障风险。而当电网发生故障后，电网调度人员需要快速、准确的判断故障元件信息，因此研究电网的故障诊断对保证电网的持续安全稳定运行具有重大的意义。

目前，电网故障诊断中故障元件信息判断的依据主要来源于电网基本拓扑信息、保护动作信息等，该类判断方法大都是根据开关量的基本信息来进行故障元件判断。传统的方法主要有专家系统、神经网络优化算法、Petri网模型、贝叶斯方法以及解析模型等。然而上述方法的适用对象均是开关量，忽略了故障期间的电气信息量对故障诊断的影响。由于继电保护系统存在开关设备误动作的风险，仅仅采用开关信息量来判断故障信息具有一定的局限性，会导致故障诊断结果的不精确性，甚至可能出现误判等情况。

发明内容

本发明要解决的技术问题是：提供一种基于多维全景数据的电网故障智能判别方法电网故障诊断中忽略故障期间的电气信息量对故障诊断的影响；由于继电保护系统存在开关设备误动作的风险，仅仅采用开关信息量来判断故障信息具有一定的局限性，会导致故障诊断结果的不精确性，甚至可能出现误判等技术问题。

本发明的技术方案是：

一种基于多维全景数据的电网故障智能判别方法，它包括：

步骤1、获取故障时的电气量信息和开关量信息；

步骤2、对电网故障区域进行搜索，构成故障元件集；

步骤3、将电气量进行模态分解，并对故障元件集中的故障电流信号进行分析处理，获取对应的元件故障度，即定义的故障概率表征；

步骤4、对开关量进行处理分析，得到对应的到元件模糊故障度；

步骤5、对故障度进行多源信息的融合；运用改进的D-S证据理论对故障特征度进行多源信息的融合；

步骤6、根据故障诊断决策方法进行故障诊断，获取故障元件。

步骤1所述电气量信息为各种故障暂态信息，它包含了故障的特征信息；开关量为继电保护的动作信息。

步骤3所述元件故障度获取的过程为：

步骤3.1、运用FIMD将电气信息量进行模态分解；

步骤3.2、将FIMD分量进行Hilbert变换获得幅值畸变度和故障能量度作为电气量故障度；

步骤3.3、对电气量故障度进行归一化处理。

步骤4所述元件模糊故障度获取的过程为：

步骤4.1采用改进的层次化加权模糊Petri网对开关量进行处理分析，得到对应的元件模糊故障度；

步骤4.2、对元件模糊故障度进行归一化处理。

步骤6所述故障诊断过程为：

步骤6.1、对不同故障概率表征分别进行伽玛函数值的求解，分为故障和非故障两个类别；

步骤6.2、运用高斯混合模型的方法进行初始分类的修正，实现故障元件的判断。

步骤3.1所述运用FIMD将电气信息量进行模态分解的方法为：

1)、设输入原始信号为f(t)，采集该信号的极值点R(t)

R(t)，t₀≤t_j≤t_m-1 (1)

式中，t₀、t_j、t_m-1分别表示不同极值点的采样时刻；

2)、利用线性转换方法对极值点进行转换并生成对用的残余量r(t)

式中t_j+1是j+1个极值点处所对应的采样时间；

3)、将原始信号减去残余量即求得原始信号固有的模态函数，对该过程不断进行迭代，当残余量的极值点少于3个时停止分解计算将原始输入信号分解为多个唯一的固有模态分量以及一个残余分量。

所述电气量故障度的获取方法包括：

幅值畸变度的获取：

对故障线路电流的前5阶FIMD分量进行Hilbert变换；假设根据瞬时幅值定义得到线路i的第j个FIMD分量在k时刻的瞬时幅值为a_ij(k)，求得第i条线路第j个FIMD分量在故障发生前后电流瞬时幅值的有效值幅值分别如下所示：

式中，A_ij1和A_ij2分别表示第i条线路第j个FIMD分量故障前和故障后一个周波内的瞬时幅值有效值；N是故障发生后一个周波截止时刻对应的采样的点数，l是故障时刻所对应的采样点数；

则进一步可求得故障线路电流信号的畸变度为：

为统一量纲，式(4)可归一化为：

式中，L表示线路总支数；采用式(5)计算得到归一化后幅值畸变程度矩阵M＝[m₁m₂ … m_L]，将其定义为HHT幅值畸变度；

故障能量度的获取：

根据故障电流信号的能量谱H(ω，t)，求得对应的边际谱为：

进一步求得Hilbert变换的边际能量谱为：

则第i条线路在故障时的电流故障能量度值可表示为：

式中，f_s表示的信号采样频率。

所述元件模糊故障度的计算方法为：

利用改进的层次化加权模糊Petri网实现开关量到元件模糊故障度的转化，即通过改进的层次化加权模糊Petri网将线路开关量转化成对应的数值量，得到线路元件的故障概率分别记为p₁，p₂，…，p_n，由于各元件故障概率之和不完全等于1，难以满足证据理论的融合规则；为此采用归一化方法对故障概率进行处理，如下所示：

处理后的故障概率矩阵G＝{g₁，g₂，…，g_n}即表示为元件模糊故障度。

步骤5所述运用改进的D-S证据理论对故障特征度进行多源信息的融合的方法包括：

(2)改进D-S证据理论：在证据冲突情况下，D-S证据理论合成结果与实际情况不相符合，要对进行改进；改进方法为：

修正原始证据体，证据体的可信度表示该证据体的可靠程度；存在n条证据体，第i条证据体的绝对可信度R_i(i＝1，2，…，n)，进行归一化可得到各证据体的相对可信度为：

修改冲突部分的证据组合规则，将局部冲突在引起冲突的焦元之间分配，改进规则为：

式中m(A)称为A的基本可信数，f(A)为各局部冲突中分配给A的部分，m₁,m₂,…是识别框架U上的基本概率，是不同的概率分配函数，A,B,C…是识别框架U中的基本元素。

(2)多源信息融合

以故障元件集、幅值畸变度、故障能量度和模糊故障度作为独立的证据体构造基本可信度分配函数，表示对元件故障的支持程度；

设F为电网故障诊断的识别框架，且F包含n个元件，其中F_i表示第i个元件的故障状态，则m为故障识别框架F上的基本可信度分配，m(F_i)称为F_i的基本可信数；m(F_i)表征对第i个元件故障状态不确定性的度量。

所述对不同故障概率表征分别进行伽玛函数值的求解，分为故障和非故障两个类别；运用高斯混合模型的方法进行初始分类的修正，实现故障元件的判断的具体方法包括：

(1)假定n个不同元件所对应的不同故障概率表征表示为m(F₁)，m(F₂)，…m(F_n)将该类元件一共分为2种，所采用的伽玛函数为

对不同故障概率表征分别进行伽玛函数值的求解，如果满足以下条件：

则划分为故障元件的候选类Γ₁；剩下的则划分为非故障元件候选类Γ₂，ε根据实际情况选择合适的值，取12；

(2)假设故障候选类中所有元件的数量为N1，相应的伽玛函数值定义为E₁，E₂，…，E_N1将伽玛函数值的最小值定义为绝对故障元件，即此元件一定会发生故障；

(3)计算2个组件的高斯混合模型，如下所示：

式中N(m(F)|μ_k，∑_k)为高斯概率密度函数，ω_k、μ_k、∑_k分别为混合模型中的第k个组件的权重、均值、协方差矩阵；

运用期望最大化算法EM来估计高斯混合模型GMM参数，在初始参数下计算每个数据点由各组件生成的概率，然后不断更新模型参数，以使GMM的最大似然函数取得极值，公式如下：

则数据m(F_i)由初始分类(Γ₁，Γ₂)第p个组件生成的概率为：

由EM估计得到的GMM参数：

(4)如果式Γ₁(m(F_i))≤Γ₂(m(F_i))成立，则将Γ₁中的m(F_i)移至Γ₂；

(5)故障候选类中的所有元件即是存在故障的元件。

本发明有益效果是：

本发明分别通过改进的层次化加权模糊Petri网和Hilbert变换来提取对应的故障特征，得到电气量故障度(幅值畸变度、故障能量度)和模糊故障度；同时采用改进的D-S证据理论对开关信号和电气信号进行有效融合，并采用基于高斯混合模型的故障诊断决策模型进行电网故障诊断。

本发明优点：

1、采用多源信息融合有效解决了实际中信息不准确、不完备的情况：将电气信息量引入故障诊断中，并基于开关量和电气量双数据源的分析，有效解决了开关量信息单数据源面临的信息不准确、信息不完备等缺陷。

2、极大提高识别电网中的故障类型的准确率：在改进的D-S证据理论基础上进行信息融合，解决了各证据体之间存在严重相互冲突导致融合结果不准确的问题，进而得到更加精确的综合诊断结果，较准确的识别电网中的故障类型，增强了电力系统安全运行的稳定性和可靠性。

3、本发明可以快速准确的对电网故障进行判断，对支持调度提高了工作效率，快速处理故障问题具有重要意义。

解决了电网故障诊断中忽略故障期间的电气信息量对故障诊断的影响；由于继电保护系统存在开关设备误动作的风险，仅仅采用开关信息量来判断故障信息具有一定的局限性，会导致故障诊断结果的不精确性，甚至可能出现误判等技术问题。

附图说明

图1为多源信息融合电网故障诊断框架示意图。

具体实施方式

一种基于多维全景数据的电网故障智能判别方法，针对上述传统电网故障诊断方法的不足，提供一种在开关量信息中引入电气信息量，分别通过改进的层次化加权模糊Petri网和Hilbert变换来提取对应的故障特征，得到电气量故障度(幅值畸变度、故障能量度)和模糊故障度；同时采用改进的D-S证据理论对开关信号和电气信号进行有效融合，并采用基于高斯混合模型的故障诊断决策模型进行电网故障诊断。

1、电气量的FIMD模态分解

输电线路在发生故障时，其采集的电气量是非平稳的信息，因此，需要对原始非平稳信号进行自适应分解，消除模态混叠现象，生成一个固有的模态分量。该方法运行效率高且收敛性能好，具体实现步骤如下：

1)设输入原始信号为f(t)，计算该信号的极值点R(t)：

R(t)，t₀≤t_j≤t_m-1 (1)

式中，t₀、t_j和t_m-1分别表示不同极值点的采样时刻。

2)利用线性转换方法对极值点进行转换并生成对用的残余量r(t)：

式中，t_j+1是j+1个极值点处所对应的采样时间。

3)将原始信号减去残余量，即可求得原始信号固有的模态函数，对该过程不断进行迭代，当残余量的极值点少于3个时停止分解计算。故可将原始输入信号能够分解为多个唯一的固有模态分量以及一个残余分量。

2、故障特征度

(1)电气量故障度

当电网发生故障时，故障发生前后的线路电流发生较大的变化。因此，定义电气量电流信号的Hilbert变换幅值畸变度和故障能量度。

1)幅值畸变度

对故障线路电流的前5阶FIMD分量进行Hilbert变换。假设根据瞬时幅值定义得到线路i的第j个FIMD分量在k时刻的瞬时幅值为a_ij(k)，可以求得第i条线路第j个FIMD分量在故障发生前后电流瞬时幅值的有效值幅值分别如下所示：

式中，A_ij1和A_ij2分别表示第i条线路第j个FIMD分量故障前和故障后一个周波内的瞬时幅值有效值；N是故障发生后一个周波截止时刻对应的采样的点数，l是故障时刻所对应的采样点数。

则进一步可求得故障线路电流信号的畸变度c_i为：

为统一量纲，式(4)可归一化为：

式中，L表示线路总支数。采用式(5)计算得到归一化后幅值畸变程度矩阵M＝[m₁m₂ … m_L]，将其定义为HHT幅值畸变度。

2)故障能量度

故障电流信号的能量谱H(ω，t)求得对应的边际谱h(ω)为：

进一步求得Hilbert变换的边际能量谱S(ω)为：

则第i条线路在故障时的电流故障能量度值e_i可表示为：

式中，f_s表示的信号采样频率。

(2)模糊故障度

利用改进的层次化加权模糊Petri网实现开关量到元件模糊故障度的转化，即通过改进的层次化加权模糊Petri网将线路开关量转化成对应的数值量，得到线路元件的故障概率分别记为p₁，p₂，…，p_n，由于各元件故障概率之和不完全等于1，难以满足证据理论的融合规则。为此采用归一化方法对故障概率进行处理，如下所示：

因此，处理后的故障概率矩阵G＝{g₁，g₂，…，g_n}即可表示为模糊故障度。3、基于改进的D-S证据理论进行多源信息融合

D-S证据理论的实质是将同一辨识框架下将多个具体证据组合成一个抽象证据的过程，该抽象证据能够综合多个具体证据的信息，从而得到更加全面且合理的结论。

(1)改进D-S证据理论

在证据冲突较为严重的情况下，D-S证据理论合成结往往与实际情况不相符合，本发明对其进行改进。

1)修正原始证据体，证据体的可信度表示该证据体的可靠程度。存在n条证据体，第i条证据体的绝对可信度为R_i(i＝1，2，…，n)将其归一化，可得到各证据体的相对可信度为：

2)修改冲突部分的证据组合规则,具体改进规则如式11所示，将局部冲突在引起冲突的焦元之间分配。

式中m(A)称为A的基本可信数，f(A)为各局部冲突中分配给A的部分，m₁,m₂,…是识别框架U上的基本概率，是不同的概率分配函数，A,B,C…是识别框架U中的基本元素。

(2)多源信息融合

以故障元件集、电气量故障度(幅值畸变度、故障能量度)和模糊故障度作为独立的证据体构造基本可信度分配函数，它们表示对元件故障的支持程度。

设F为电网故障诊断的识别框架，且F包含n个元件，F_i表示第i个元件的故障状态，则m为故障识别框架F上的基本可信度分配，m(F_i)称为F_i的基本可信数。m(F_i)表征对第i个元件故障状态不确定性的度量。

4、基于高斯混合模型的方法进行多源信息融合的故障诊断

采用基于高斯混合模型的方法进行多源信息融合的故障诊断。具体实现步骤如下：

(1)假定n个不同元件所对应的不同故障概率表征表示为m(F₁)，m(F₂)，…m(F_n)，将该类元件一共分为2种，所采用的伽玛函数为

对不同故障概率表征分别进行伽玛函数值的求解。如果满足以下条件：

则划分为故障元件的候选类Γ₁；剩下的则划分为非故障元件候选类Γ₂，ε根据实际情况选择合适的值，一般取12。

(2)假设故障候选类中所有元件的数量为N1，相应的伽玛函数值定义为E₁，E₂，…，E_N1将伽玛函数值的最小值定义为绝对故障元件，即此元件一定会发生故障。

(3)计算2个组件的高斯混合模型，如下所示：

式中，N(m(F)|μ_k，∑_k)为高斯概率密度函数，ω_k、μ_k、∑_k分别为混合模型中的第k个组件的权重、均值、协方差矩阵；

运用期望最大化算法(EM法)来估计高斯混合模型(GMM)参数，在初始参数下计算每个数据点由各组件生成的概率，然后不断更新模型参数，以使GMM的最大似然函数取得极值，公式如下：

则数据m(F_i)由初始分类(Γ₁，Γ₂)第p个组件生成的概率为：

由EM估计得到的GMM参数：

(4)如果式Γ₁(m(_Fi))≤Γ₂(m(F_i))成立，则将Γ₁中的m(F_i)移至Γ₂；

(5)故障候选类中的所有元件即是存在故障的元件。

因此，采用伽玛函数初始的对元件进行分类，并采用高斯混合模型方法进行初始分类的修正，实现故障元件的判断。

综合上述分析，电网故障诊断的基本架构如图1所示。具体的步骤如下：

(1)故障诊断信息获取：主要包括故障时的电气量信息和开关量信息的获取；

(2)故障元件集：对电网故障区域进行搜索，构成故障元件集；

(3)电气量信息处理：运用FIMD将电气量进行模态分解，并采用改进的Hilbert变换对故障元件集中的故障电流信号进行分析处理，以获取对应的电气量故障度，即定义的故障概率表征；

(4)开关量信息处理：采用改进的层次化加权模糊Petri网对开关量进行处理分析，得到对应的元件模糊故障度；

(5)多源信息融合：根据改进的D-S证据理论对故障特征度进行多源信息的融合；

(6)故障诊断决策方法：根据高斯混合模型的故障诊断决策方法进行故障诊断，获取故障元件。

Claims (10)

1.一种基于多维全景数据的电网故障智能判别方法，它包括：

步骤1、获取故障时的电气量信息和开关量信息；

步骤2、对电网故障区域进行搜索，构成故障元件集；

步骤3、将电气量进行模态分解，并对故障元件集中的故障电流信号进行分析处理，获取对应的元件故障度，即定义的故障概率表征；

步骤4、对开关量进行处理分析，得到对应的到元件模糊故障度；

步骤5、对故障度进行多源信息的融合；运用改进的D-S证据理论对故障特征度进行多源信息的融合；

步骤6、根据故障诊断决策方法进行故障诊断，获取故障元件。

2.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤1所述电气量信息为各种故障暂态信息，它包含了故障的特征信息；开关量为继电保护的动作信息。

3.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤3所述元件故障度获取的过程为：

步骤3.1、运用FIMD将电气信息量进行模态分解；

步骤3.2、将FIMD分量进行Hilbert变换获得幅值畸变度和故障能量度作为电气量故障度；

步骤3.3、对电气量故障度进行归一化处理。

4.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：

步骤4所述元件模糊故障度获取的过程为：

步骤4.1采用改进的层次化加权模糊Petri网对开关量进行处理分析，得到对应的元件模糊故障度；

步骤4.2、对元件模糊故障度进行归一化处理。

5.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤6所述故障诊断过程为：

步骤6.1、对不同故障概率表征分别进行伽玛函数值的求解，分为故障和非故障两个类别；

步骤6.2、运用高斯混合模型的方法进行初始分类的修正，实现故障元件的判断。

6.根据权利要求3所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤3.1所述运用FIMD将电气信息量进行模态分解的方法为：

1)、设输入原始信号为f(t)，采集该信号的极值点R(t)

R(t)，t₀≤t_j≤t_m-1 (1)

式中，t₀、t_j、t_m-1分别表示不同极值点的采样时刻；

2)、利用线性转换方法对极值点进行转换并生成对用的残余量r(t)

式中t_j+1是j+1个极值点处所对应的采样时间；

3)、将原始信号减去残余量即求得原始信号固有的模态函数，对该过程不断进行迭代，当残余量的极值点少于3个时停止分解计算将原始输入信号分解为多个唯一的固有模态分量以及一个残余分量。

7.根据权利要求3所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：所述电气量故障度的获取方法包括：

幅值畸变度的获取：

对故障线路电流的前5阶FIMD分量进行Hilbert变换；假设根据瞬时幅值定义得到线路i的第j个FIMD分量在k时刻的瞬时幅值为a_ij(k)，求得第i条线路第j个FIMD分量在故障发生前后电流瞬时幅值的有效值幅值分别如下所示：

式中，A_ij1和A_ij2分别表示第i条线路第j个FIMD分量故障前和故障后一个周波内的瞬时幅值有效值；N是故障发生后一个周波截止时刻对应的采样的点数，l是故障时刻所对应的采样点数；

则进一步可求得故障线路电流信号的畸变度为：

为统一量纲，式(4)可归一化为：

式中，L表示线路总支数；采用式(5)计算得到归一化后幅值畸变程度矩阵M＝[m₁ m₂ …m_L]，将其定义为HHT幅值畸变度；

故障能量度的获取：

根据故障电流信号的能量谱H(ω，t)，求得对应的边际谱为：

进一步求得Hilbert变换的边际能量谱为：

则第i条线路在故障时的电流故障能量度值可表示为：

式中，f_s表示的信号采样频率。

8.根据权利要求4所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：所述元件模糊故障度的计算方法为：

利用改进的层次化加权模糊Petri网实现开关量到元件模糊故障度的转化，即通过改进的层次化加权模糊Petri网将线路开关量转化成对应的数值量，得到线路元件的故障概率分别记为p₁，p₂，…，p_n，由于各元件故障概率之和不完全等于1，难以满足证据理论的融合规则；为此采用归一化方法对故障概率进行处理，如下所示：

处理后的故障概率矩阵G＝{g₁，g₂，…，g_n}即表示为元件模糊故障度。

9.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤5所述运用改进的D-S证据理论对故障特征度进行多源信息的融合的方法包括：

(1)改进D-S证据理论：在证据冲突情况下，D-S证据理论合成结果与实际情况不相符合，要对进行改进；改进方法为：

修正原始证据体，证据体的可信度表示该证据体的可靠程度；存在n条证据体，第i条证据体的绝对可信度R_i(i＝1，2，…，n)，进行归一化可得到各证据体的相对可信度为：

修改冲突部分的证据组合规则，将局部冲突在引起冲突的焦元之间分配，改进规则为：

式中m(A)称为A的基本可信数，f(A)为各局部冲突中分配给A的部分，m₁,m₂,…是识别框架U上的基本概率，是不同的概率分配函数，A,B,C…是识别框架U中的基本元素。

(2)多源信息融合

以故障元件集、幅值畸变度、故障能量度和模糊故障度作为独立的证据体构造基本可信度分配函数，表示对元件故障的支持程度；

设F为电网故障诊断的识别框架，且F包含n个元件，其中F_i表示第i个元件的故障状态，则m为故障识别框架F上的基本可信度分配，m(F_i)称为F_i的基本可信数；m(F_i)表征对第i个元件故障状态不确定性的度量。

10.根据权利要求5所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：所述对不同故障概率表征分别进行伽玛函数值的求解，分为故障和非故障两个类别；运用高斯混合模型的方法进行初始分类的修正，实现故障元件的判断的具体方法包括：

(1)假定n个不同元件所对应的不同故障概率表征表示为m(F₁)，m(F₂)，…m(F_n)将该类元件一共分为2种，所采用的伽玛函数为

对不同故障概率表征分别进行伽玛函数值的求解，如果满足以下条件：

则划分为故障元件的候选类Γ₁；剩下的则划分为非故障元件候选类Γ₂，ε根据实际情况选择合适的值，取12；

(2)假设故障候选类中所有元件的数量为N1，相应的伽玛函数值定义为E₁，E₂，…，E_N1将伽玛函数值的最小值定义为绝对故障元件，即此元件一定会发生故障；

(3)计算2个组件的高斯混合模型，如下所示：

式中N(m(F)|μ_k，∑_k)为高斯概率密度函数，ω_k、μ_k、∑_k分别为混合模型中的第k个组件的权重、均值、协方差矩阵；

运用期望最大化算法EM来估计高斯混合模型GMM参数，在初始参数下计算每个数据点由各组件生成的概率，然后不断更新模型参数，以使GMM的最大似然函数取得极值，公式如下：

则数据m(F_i)由初始分类(Γ₁，Γ₂)第p个组件生成的概率为：

由EM估计得到的GMM参数：

(4)如果式Γ₁(m(F_i))≤Γ₂(m(F_i))成立，则将Γ₁中的m(F_i)移至Γ₂；

(5)故障候选类中的所有元件即是存在故障的元件。

Images