CN111856209A - 一种输电线路故障分类方法及装置 - Google Patents
一种输电线路故障分类方法及装置 Download PDFInfo
- Publication number
- CN111856209A CN111856209A CN202010719017.8A CN202010719017A CN111856209A CN 111856209 A CN111856209 A CN 111856209A CN 202010719017 A CN202010719017 A CN 202010719017A CN 111856209 A CN111856209 A CN 111856209A
- Authority
- CN
- China
- Prior art keywords
- waveform
- fault
- waveform signal
- transmission line
- power transmission
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 146
- 238000000034 method Methods 0.000 title claims abstract description 66
- 239000013598 vector Substances 0.000 claims abstract description 56
- 238000012706 support-vector machine Methods 0.000 claims abstract description 50
- 238000013145 classification model Methods 0.000 claims abstract description 41
- 238000012545 processing Methods 0.000 claims abstract description 30
- 238000010606 normalization Methods 0.000 claims description 32
- 238000012549 training Methods 0.000 claims description 29
- 238000002790 cross-validation Methods 0.000 claims description 13
- 230000004069 differentiation Effects 0.000 claims description 8
- 230000008569 process Effects 0.000 claims description 7
- 238000012360 testing method Methods 0.000 claims description 5
- 238000012795 verification Methods 0.000 claims description 5
- 238000006073 displacement reaction Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims 1
- 230000006870 function Effects 0.000 description 39
- 238000010586 diagram Methods 0.000 description 6
- 238000004364 calculation method Methods 0.000 description 5
- 238000013527 convolutional neural network Methods 0.000 description 4
- 238000005070 sampling Methods 0.000 description 4
- 238000010187 selection method Methods 0.000 description 4
- 230000016507 interphase Effects 0.000 description 3
- 238000012417 linear regression Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 238000000513 principal component analysis Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 238000013507 mapping Methods 0.000 description 2
- 230000035772 mutation Effects 0.000 description 2
- 230000035945 sensitivity Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000003909 pattern recognition Methods 0.000 description 1
- 230000008707 rearrangement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000013589 supplement Substances 0.000 description 1
- 230000009466 transformation Effects 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
- G01R31/088—Aspects of digital computing
-
- 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
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
Abstract
本发明实施例公开了一种输电线路故障分类方法及装置,方法包括:获取输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号;计算故障波形信号和正常波形信号之间的波形异化系数;归一化处理波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量;通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得输电线路的故障类型。本发明实施例提供的技术方案提高了对输电线路的故障分类的效率,保证了故障分类的准确性和适用性,降低了成本,从而提高了供电系统的可靠性。
Description
技术领域
本发明实施例涉及输电线路故障分类的技术领域,尤其涉及一种输电线路故障分类方法及装置。
背景技术
随着现代社会与经济的不断发展,人们对电的依赖性越来越强,对电能质量和供电可靠性提出了越来越高的要求。如果系统发生大面积的停电,将对人类生活的各个方面造成无法估计的影响。其中输电线路是电力系统的重要组成部分,是电网建设的基础,发挥着从供电企业到用电客户的桥梁作用。由于输电线路覆盖面广,暴露在大气环境中,运行环境恶劣,据统计由输电线路故障造成的停电影响约占系统总故障的三分之二,可见输电线路故障问题依旧十分严重。输电线路故障会对电力系统造成相当大的冲击,目前仍存在偶尔发生故障分类错误的情况,一旦产生错误的故障分类结果,会引发继电保护装置误动作,易导致停电范围扩大,将严重影响系统的安全稳定运行。
专利CN201210054180.2提出了“一种基于电流突变量的故障选相方法”的解决方案,其基本思想是通过利用电流突变量构造故障相别选择系数,进而实现故障类型与故障相别选择的一种基于电流突变量的故障选相方法,利用在高压线路的保护装置处所测量的一相故障电流与其余两相故障电流差值之间的比例关系,构造故障相别选择系数,然后,通过分析该系数在各种故障情况下呈现的不同特征,实现电力系统故障选相。专利CN201810621653.X提出了“一种基于卷积神经网络的输电线路故障类型识别方法”的解决方案,其基本思想是通过将深度学习算法应用于输电线路的故障类型识别领域,利用卷积神经网络(Convolutional Neural Networks,CNN)进行故障类型识别无需人为提取故障特征,自动识别故障类型。专利CN201510238980.3提出了“一种基于模式识别的交流线路故障选相方法”的解决方案,其基本思想是通过为交流线路三个相分别配置选相元件,当线路发生故障时,分别获取线路全长内含有一相故障和不含该相故障下的量测端该相电流曲线簇;对其求取绝对值后选取时窗为1ms,映射到主成分分析(Principal componentsanalysis,PCA)空间;在PCA聚类空间,该相故障形成一个聚类中心,该相未故障形成一个聚类中心,且两者是以q1=5为界,即当q1≤5为该相未故障,当q1>5为该相故障。但是,第一种方法中,采用的电流突变量是故障发生时的一个重要区分特征,然而单纯采用电流突变量作为选择的依据,当故障发生在弱电电源侧,单相高阻接地等情况时,其灵敏度存在不足。第二种方法中,无需对波形特征进行提取,直接提取故障波形进行分析,但是该方法需要提取较长周期的波形数据才能保证故障分类的精度,耗时间长,不能满足实现快速的故障分类。第三种方法中,对A、B、C各相是否发生故障有良好的辨识度,但是其对于相间故障,三相故障的区分度不明显。该方法在使用时需使用采样频率为1MHz的设备,高采样率对设备提出了较高要求。现场使用的设备通常在10kHz以下,更换设备的费用过高,不利于推广使用。
发明内容
本发明实施例提供了一种输电线路故障分类方法及装置,以提高故障分类的效率,保证故障分类的准确性和适用性,降低成本。
第一方面,本发明实施例提供了一种输电线路故障分类方法,包括:
获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号;
计算所述故障波形信号和所述正常波形信号之间的波形异化系数;
归一化处理所述波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量;
通过预设的支持向量机分类模型对所述待分类输入特征向量进行处理以获得所述输电线路的故障类型。
可选的,所述故障波形信号和正常波形信号均包括输电线路上的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号;所述获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号包括:
获取输电线路上故障发生时刻后1/4周波的所述三相电流波形信号、所述三相电压波形信号、所述零序电流波形信号和所述零序电压波形信号;
获取输电线路上故障时刻的前一周波中相同极性的1/4周波的所述三相电流波形信号、所述三相电压波形信号、所述零序电流波形信号和所述零序电压波形信号。
可选的,所述计算所述故障波形信号和所述正常波形信号之间的波形异化系数基于以下确定:
A=(1-ρxy 2);其中A为波形异化系数,x(n)为故障发生时刻后1/4周波的故障信号的波形信号数据;y(n)是故障发生前一周期里与x(n)对应1/4周波正常信号的波形信号数据,ρxy为x(n)与y(n)的相关系数,N为在所述1/4周波里采集到的数据点个数。
可选的,所述归一化处理所述波形异化系数基于以下确定:
可选的,所述根据归一化处理后的波形异化系数构建成待分类输入特征向量基于以下确定:
其中,P为输入特征向量,为归一化后的A相电流波形异化系数,为归一化后的B相电流波形异化系数,为归一化后的C相电流波形异化系数,为归一化后的零序电流波形异化系数,为归一化后的A相电压波形异化系数,为归一化后的B相电压波形异化系数,为归一化后的C相电压波形异化系数,为归一化后的零序电压波形异化系数。
可选的,所述预设支持向量机分类模型基于以下确定:
获取输电线路的历史故障波形信号和前一周波中与所述历史故障波形信号同极性的历史正常波形信号;
计算所述历史故障波形信号和所述历史正常波形信号之间的历史波形异化系数;
归一化处理所述历史波形异化系数,并将归一化处理后的历史波形异化系数构建成训练输入特征向量;
构建基于核函数的支持向量机分类模型,并通过所述训练输入特征向量结合分层K折交叉验证法优化核函数参数以获得所述预设支持向量机分类模型。
可选的,所述支持向量机分类模型为软间隔支持向量机,其优化目标函数基于以下确定:
所述支持向量机分类模型的分类界面判别函数基于以下确定:
可选的,所述核函数为高斯核函数,所述高斯核函数基于以下确定:
可选的,所述采用分层K折交叉验证法优化核函数参数包括:
设定核函数参数取值范围;
将所述训练输入特征向量平均分成K组,每次预测将选择其中K-1组数据作为训练集,剩余1组作为测试集,通过交叉验证记录每次预测的准确度;
更替预测模型的训练集和验证集,重复K次,选取预测准确率最高的核函数值作为最佳参数。
第二方面,本发明实施例提供了一种输电线路故障分类装置,包括:
获取模块,用于获取输电线路的故障波形信号和上一周期中与所述故障波形信号同极性的正常波形信号;
计算模块,用于计算所述故障波形信号和所述正常波形信号之间的波形异化系数;
归一化处理模块,用于归一化处理所述波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量;
故障类型获得模块,用于通过预设的支持向量机分类模型对所述待分类输入特征向量进行处理以获得所述输电线路的故障类型。
本发明实施例提供了一种输电线路故障分类方法及装置,方法包括:获取输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号;计算故障波形信号和正常波形信号之间的波形异化系数;归一化处理波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量;通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得输电线路的故障类型。本发明实施例提供的技术方案采用输电线路上波形信号的波形异化系数结合支持向量机分类模型的方法,提高了对输电线路的故障分类的效率,保证了故障分类的准确性和适用性,降低了成本,从而提高了供电系统的可靠性。
附图说明
图1是本发明实施例一提供的一种输电线路故障分类方法的流程图;
图2是本发明实施例一提供的一种波形信号的示意图;
图3是本发明实施例二提供的一种输电线路故障分类方法的流程图;
图4是本发明实施例二提供的一种支持向量机的网络结构图;
图5是本发明实施例三提供的一种输电线路故障分类方法的流程图;
图6是本发明实施例四提供的一种输电线路故障分类装置的结构框图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
实施例一
本发明实施例提供了一种输电线路故障分类方法,图1是本发明实施例一提供的一种输电线路故障分类方法的流程图,参考图1,方法包括:
S110、获取输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号。
具体的,输电线路上的测量终端可以实时监测并记录输电线路运行状态中的工作参数。当输电线路故障发生后,通过输电线路上的测量终端可以提取到输电线路的运行故障数据,并通过输电线路上的测量终端也可以提取到输电线路故障发生前的运行正常数据。即故障波形信号为输电线路发生故障时采集到的输电线路的运行故障数据,正常波形信号为输电线路未发生故障时输电线路正常工作中的输电线路的运行正常数据。本发明实施例提供的输电线路故障分类方法需要通过输电线路上的测量终端获取输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号。示例性的,图2是本发明实施例一提供的一种波形信号的示意图,参考图2,波形信号可以为电流波形信号或电压波形信号等波形信号,其波形可以为正弦波形信号。x(n)为故障发生时刻t0后的故障波形信号;y(n)是故障发生前一周期里与x(n)具有相同极性的正常波形信号。
S120、计算故障波形信号和正常波形信号之间的波形异化系数。
具体的,当输电线路发现故障时,故障波形信号的波形会产生严重的畸变,而非故障波形信号即正常波形信号的波形产生的形变相对比较小,因此需要计算故障波形信号和正常波形信号之间的波形异化系数,通过波形异化系数来获得两组波形之间的异化程度,得到的波形异化系数可以作为判断故障类型的特征量。
S130、归一化处理波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量。
具体的,这步骤中需对波形异化系数进行归一化处理,归一化处理可以将将有量纲的表达式经过变换化为无量纲的表达式,成为标量。通过对波形异化系数的归一化处理,可以将波形异化系数线性缩放到区间[0,1]中。将归一化处理后的波形异化系数构建成待分类输入特征向量。归一化处理的具体作用是归纳统一样本的统计分布性。归一化处理有同一、统一和合一的意思。无论是为了建模还是为了计算,首先基本度量单位要同一。将故障波形信号和正常波形信号之间的波形异化系数进行归一化处理,从而使得待分类输入特征向量中的特征量实现归一化。从而可以避免波形异化系数中存在的奇异样本数据影响输电线路故障分类的准确性。并且归一化处理把数据映射到0~1范围之内处理,可以实现数据处理的简便性,实现便捷和快速的对输电线路的故障进行分类。
S140、通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得输电线路的故障类型。
具体的,支持向量机(Support Vector Machine,SVM)是建立在统计学习理论SLT(Statistic Learn Theory)的VC(Vapnik-Chervonenkis)维理论和结构风险最小原理的基础上,根据有限样本信息在模型的复杂性和学习能力之间寻求最佳折衷,以期获得最好的推广能力。其基本思想是通过一个非线性映射,将数据样本映射到高维特征空间,并在这个空间进行线性回归。其具体实现为采用支持向量机的回归模型,针对样本数据,寻找该系统数据输入与输出之间的依赖关系,使其尽可能准确地预测未知的输出。本发明实施例提供的预设的支持向量机分类模型,对待分类输入特征向量映射到高维特征空间,并在这个空间进行线性回归。针对待分类输入特征向量中的数据,寻找输入的待分类输入特征向量与输出结果之间的依赖关系,使其尽可能准确地预测未知的输出,以准确的对输电线路的故障类型进行分类。
针对现有技术中专利CN201210054180.2提出的“一种基于电流突变量的故障选相方法”的解决方案,单纯采用电流突变量作为选择的依据,当故障发生在弱电电源侧,单相高阻接地等情况时,其灵敏度存在不足。本发明实施例采用的输电线路上波形信号包括输电线路上的多种参数,例如包括三相电流和三相电压。并且是采用输电线路上一定时间的故障波形信号与正常波形信号之间的波形异化系数结合支持向量机分类模型的方法对输电线路故障进行分类,对故障发生在弱电电源侧以及强电电源侧均适用。针对现有技术中专利CN201810621653.X提出的“一种基于卷积神经网络的输电线路故障类型识别方法”的解决方案,需要提取较长周期的波形数据才能保证故障分类的精度,耗时间长。本发明实施例获取的输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号,即只需提取一周期中的部分故障波形信号对应的数据以及前一周波中与故障波形信号同极性的部分正常波形信号对应的数据,减少了对输电线路故障分类所需的时间。针对现有技术中专利CN201510238980.3提出的“一种基于模式识别的交流线路故障选相方法”的解决方案,需使用采样频率为1MHz的设备,现场使用的设备通常在10kHz以下,更换设备的费用过高,不利于推广使用。本发明实施例的技术方案采样频率在10kHz以下,避免了更换设备导致增加成本的问题。
本发明实施例提供的输电线路故障分类方法包括:获取输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号;计算故障波形信号和正常波形信号之间的波形异化系数;归一化处理波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量;通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得所述输电线路的故障类型。发明实施例提供的技术方案采用输电线路上波形信号的波形异化系数结合支持向量机分类模型的方法对输电线路故障进行分类。提高了对输电线路的故障分类的效率,保证了故障分类的准确性和适用性,降低了成本,从而提高了供电系统的可靠性。
实施例二
本发明实施例提供了一种输电线路故障分类方法,在上述实施例一的基础上,本发明实施例对输电线路故障分类方法进行了补充和细化。其中故障波形信号和正常波形信号均包括输电线路上的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号。则获取输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号包括:获取输电线路上故障发生时刻后1/4周波的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号;获取输电线路上故障时刻的前一周波中相同极性的1/4周波的三相电流波形信号、三相电压波形信号、零序电流波形信号和所述零序电压波形信号。
图3是本发明实施例二提供的一种输电线路故障分类方法的流程图,参考图3,方法包括:
S210、获取输电线路上故障发生时刻后1/4周波的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号。
具体的,当输电线路故障发生后,通过输电线路上的测量终端提取A、B、C三相的电流和A、B、C三相的电压,以及零序电流和零序电压,即总共有8路通道的波形信号。波形信号可以为正弦波形信号,提取的波形信号周期越长即可获得越多的故障数据。获取输电线路上故障发生时刻三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号的周期越长,可以提高输电线路故障分类的准确性,但是会增加耗时,降低输电线路故障分类的效率。反之,获取输电线路上故障发生时刻三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号的周期越短,可以减少耗时,提高输电线路故障分类的效率,但是会降低输电线路故障分类的准确性。参考图2,本发明实施例提供的技术方案提取输电线路上故障发生时刻后1/4周波的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号。在保证了输电线路故障分类的准确性的同时兼顾了输电线路故障分类的效率。示例性地,一个周波为20毫秒,则1/4周波为5毫秒。即本发明实施例只需采集5毫秒内的正常波形信号以及5毫秒内的故障波形信号即可实现对输电线路的故障类型进行判断。
S220、获取输电线路上故障时刻的前一周波中相同极性的1/4周波的三相电流波形信号、三相电压波形信号、零序电流波形信号和所述零序电压波形信号。
具体的,正常波形信号均包括输电线路上的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号。则获取输电线路上正常波形信号包括通过线路上的测量终端提取故障时刻前的A、B、C三相的电流和A、B、C三相的电压,以及零序电流和零序电压,即总共有8路通道的波形信号。并且为故障时刻的前一周波中相同极性的1/4周波的三相电流波形信号、三相电压波形信号、零序电流波形信号和所述零序电压波形信号,即为预故障数据相同数量的正常数据。
S230、计算故障波形信号和所述正常波形信号之间的波形异化系数。
可选的,计算故障波形信号和正常波形信号之间的波形异化系数基于以下确定:
A=(1-ρxy 2);其中A为波形异化系数,x(n)为故障发生时刻后1/4周波的故障信号的波形信号数据;y(n)是故障发生前一周期里与x(n)对应1/4周波正常信号的波形信号数据,ρxy为x(n)与y(n)的相关系数,N为在所述1/4周波里采集到的数据点个数。需要对输电线路上的测量终端提取的A、B、C三相的电流和A、B、C三相的电压以及零序电流和零序电压均计算出相应的波形异化系数。
S240、归一化处理波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量。
可选的,归一化处理波形异化系数基于以下确定:
其中:A是归一化前的波形异化系数,Anorm是归一化后的波形异化系数,Amax是归一化前波形异化系数中的最大值,Amin是归一化前波形异化系数中的最小值。需要对输电线路上A、B、C三相的电流和A、B、C三相的电压以及零序电流和零序电压的波形异化系数均进行归一化处理。其中,归一化前波形异化系数中的最大值Amax,以及归一化前波形异化系数中的最小值Amin根据多组历史样本中的故障波形信号和正常波形信号计算获得。每一个历史样本中包括故障波形信号和正常波形信号对应的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号。历史样本用于训练预设的支持向量机分类模型。根据归一化处理后的波形异化系数构建成待分类输入特征向量基于以下确定:
其中,P为输入特征向量,为归一化后的A相电流波形异化系数,为归一化后的B相电流波形异化系数,为归一化后的C相电流波形异化系数,为归一化后的零序电流波形异化系数,为归一化后的A相电压波形异化系数,为归一化后的B相电压波形异化系数,为归一化后的C相电压波形异化系数,为归一化后的零序电压波形异化系数。
S250、通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得输电线路的故障类型。
示例性地,图4是本发明实施例二提供的一种支持向量机的网络结构图;参考图4,经过将待分类特征向量输入到已经过训练的预设的支持向量机分类模型中,即待分类特征向量包括8个特征量,n的值等于8。根据核函数K(xi,x)结合位移项b可以输出故障分类的结果标记为0~9。其中,标记0代表的故障类型为A相接地故障;标记1代表的故障类型为B相接地故障;标记2代表的故障类型为C相接地故障;标记3代表的故障类型为AB相接地短路;标记4代表的故障类型为AC相接地短路;标记5代表的故障类型为BC相接地短路;标记6代表的故障类型为AB相间短路;标记7代表的故障类型为AC相间短路;标记8代表的故障类型为BC相间短路;标记9代表的故障类型为ABC三相短路。采用输电线路上波形信号的波形异化系数结合支持向量机分类模型的方法对输电线路故障进行分类。提高了对输电线路的故障分类的效率,保证了故障分类的准确性和适用性,降低了成本,从而提高了供电系统的可靠性。通过输出的标记即可获得输电线路的故障类型,便于工作人员快速的获知输电线路故障的原因,为工作人员对输电线路的抢修减少了时间。
实施例三
本发明实施例提供了一种输电线路故障分类方法,在上述实施例的基础上,本发明实施例对输电线路故障分类方法中的预设支持向量机分类模型的获得进行了补充。
可选的,图5是本发明实施例三提供的一种输电线路故障分类方法的流程图,参考图5,预设支持向量机分类模型基于以下确定:
S310、获取输电线路的历史故障波形信号和前一周波中与历史故障波形信号同极性的历史正常波形信号。
具体的,历史故障波形信号和历史正常波形信号同样均包括输电线路上的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号。则获取输电线路的历史故障波形信号和前一周波中与故障波形信号同极性的历史正常波形信号包括:获取输电线路上历史故障发生时刻后1/4周波的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号;获取输电线路上历史故障时刻的前一周波中相同极性的1/4周波的三相电流波形信号、三相电压波形信号、零序电流波形信号和所述零序电压波形信号。
S320、计算历史故障波形信号和历史正常波形信号之间的历史波形异化系数。
具体的,与步骤S230中的波形异化系数计算公式一致,这里不再赘述。
S330、归一化处理历史波形异化系数,并将归一化处理后的历史波形异化系数构建成训练输入特征向量。
具体的,与步骤S240中的波形异化系数归一化处理的计算公式一致,这里不再赘述。
S340、构建基于核函数的支持向量机分类模型,并通过训练输入特征向量结合分层K折交叉验证法优化核函数参数以获得预设支持向量机分类模型。
具体的,SVM是应用广泛的机器学习方法,其非线性映射能力能将低维空间的非线性问题映射到高维空间,增强识别对象的可分性。网格搜索法是一种通过遍历给定的参数组合来优化模型表现的方法,分层K折交叉验证的目的是为了让模型评估更加准确可信。采用网格搜索法并结合分层K折交叉验证法寻找最优核函数参数以获得预设支持向量机分类模型,即完成通过训练输入特征向量对预设支持向量机分类模型的训练。
可选的,支持向量机分类模型为软间隔支持向量机,其优化目标函数基于以下确定:
支持向量机分类模型的分类界面判别函数基于以下确定:
可选的,核函数为高斯核函数,所述高斯核函数基于以下确定:
其中σ为高斯核的带宽。常用的核函数有很多,如线性核函数,多项式核函数,高斯核函数,拉普拉斯核函数和Sigmoid核函数等。本发明将采用高斯核函数。与其他核函数相比,它的优点是:数将样本投射到一个无限维的空间;决策边界更为多样;参数少,便于调参。高斯核函数还可以表达为κ(xi,xj)=exp(-g||xi-xj||2),其中参数g为伽玛函数。在选用高斯核函数后,SVM分类模型需要优化的参数有惩罚系数C和伽玛函数g。
可选的,采用分层K折交叉验证法优化核函数参数包括:
设定核函数参数取值范围;将训练输入特征向量平均分成K组,每次预测将选择其中K-1组数据作为训练集,剩余1组作为测试集,通过交叉验证记录每次预测的准确度;更替预测模型的训练集和验证集,重复K次,选取预测准确率最高的数值作为最佳参数。
具体的,设定参数取值范围,其中C∈[2-10,210],g∈[2-10,210]。采用网格搜索法,使参数C和g在一定范围内划分网格,并取定一组C和g的参数组合;对取定的C和g参数值利用分层K折交叉验证方法,将训练输入特征向量均分成K组,每次预测将选择其中K-1组数据作为训练集,剩余1组作为测试集,通过交叉验证记录每次预测的准确度;更替预测模型的训练集和验证集,重复K次,选取预测准确率最高的核函数值作为最佳参数。示例性地,取K的值为5,即多组训练输入特征向量按一定规律平均分成5组,每次预测将选择其中4组数据作为训练集,剩余1组作为测试集,通过交叉验证记录每次预测的准确度。历遍所有的C和g的参数组合,选取预测准确率最高的一组C和g值作为最佳参数,根据最优的参数完成对输电线路预设支持向量机分类模型的构建。
实施例四
本发明实施例提供了一种输电线路故障分类装置,图6是本发明实施例四提供的一种输电线路故障分类装置的结构框图,参考图6,装置包括:
获取模块10,用于获取输电线路的故障波形信号和上一周期中与所述故障波形信号同极性的正常波形信号;
计算模块20,用于计算故障波形信号和所述正常波形信号之间的波形异化系数;
归一化处理模块30,用于归一化处理所述波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量;
故障类型获得模块40,用于通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得输电线路的故障类型。
具体的,输电线路故障分类装置包括获取模块10、计算模块20、归一化处理模块30和故障类型获得模块40。获取模块10用于获取输电线路的故障波形信号和上一周期中与所述故障波形信号同极性的正常波形信号。输电线路上的测量终端可以实时监测并记录输电线路运行状态中的工作参数。当输电线路故障发生后,通过输电线路上的测量终端可以提取到输电线路的运行故障数据,并通过输电线路上的测量终端也可以提取到输电线路故障发生前的运行正常数据。即故障波形信号为输电线路发生故障时采集到的输电线路数据,正常波形信号为输电线路未发生故障时输电线路正常工作中的输电线路数据。
计算模块20用于计算故障波形信号和所述正常波形信号之间的波形异化系数。当输电线路发现故障时,故障波形信号的波形会产生严重的畸变,而非故障波形信号即正常波形信号的波形产生的形变相对比较小,因此需要计算故障波形信号和正常波形信号之间的波形异化系数,通过波形异化系数来获得两组波形之间的异化程度,得到的波形异化系数可以作为判断故障类型的特征量。
归一化处理模块30用于归一化处理波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量。对波形异化系数进行归一化处理,归一化处理可以将将有量纲的表达式经过变换化为无量纲的表达式,成为标量。通过对波形异化系数的归一化处理,可以将波形异化系数线性缩放到区间[0,1]中。将归一化处理后的波形异化系数构建成待分类输入特征向量。将故障波形信号和正常波形信号之间的波形异化系数进行归一化处理,从而使得待分类输入特征向量中的特征量实现归一化。从而可以避免波形异化系数中存在的奇异样本数据影响输电线路故障分类的准确性。并且归一化处理把数据映射到0~1范围之内处理,可以实现数据处理的简便性,实现便捷和快速的对输电线路的故障进行分类。
故障类型获得模块40用于通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得输电线路的故障类型。预设的支持向量机分类模型对待分类输入特征向量映射到高维特征空间,并在这个空间进行线性回归。针对待分类输入特征向量中的数据,寻找输入的待分类输入特征向量与输出结果之间的依赖关系,使其尽可能准确地预测未知的输出,以准确的对输电线路的故障类型进行分类。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里所述的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (10)
1.一种输电线路故障分类方法,其特征在于,包括:
获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号;
计算所述故障波形信号和所述正常波形信号之间的波形异化系数;
归一化处理所述波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量;
通过预设的支持向量机分类模型对所述待分类输入特征向量进行处理以获得所述输电线路的故障类型。
2.根据权利要求1所述的输电线路故障分类方法,其特征在于,所述故障波形信号和所述正常波形信号均包括输电线路上的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号;所述获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号包括:
获取输电线路上故障发生时刻后1/4周波的所述三相电流波形信号、所述三相电压波形信号、所述零序电流波形信号和所述零序电压波形信号;
获取输电线路上故障时刻的前一周波中相同极性的1/4周波的所述三相电流波形信号、所述三相电压波形信号、所述零序电流波形信号和所述零序电压波形信号。
6.根据权利要求1所述的输电线路故障分类方法,其特征在于,所述预设支持向量机分类模型基于以下确定:
获取输电线路的历史故障波形信号和前一周波中与所述历史故障波形信号同极性的历史正常波形信号;
计算所述历史故障波形信号和所述历史正常波形信号之间的历史波形异化系数;
归一化处理所述历史波形异化系数,并将归一化处理后的历史波形异化系数构建成训练输入特征向量;
构建基于核函数的支持向量机分类模型,并通过所述训练输入特征向量结合分层K折交叉验证法优化核函数参数以获得所述预设支持向量机分类模型。
9.根据权利要求6所述的输电线路故障分类方法,其特征在于,所述采用分层K折交叉验证法优化核函数参数包括:
设定核函数参数取值范围;
将所述训练输入特征向量平均分成K组,每次预测将选择其中K-1组数据作为训练集,剩余1组作为测试集,通过交叉验证记录每次预测的准确度;
更替预测模型的训练集和验证集,重复K次,选取预测准确率最高的核函数值作为最佳参数。
10.一种输电线路故障分类装置,其特征在于,包括:
获取模块,用于获取输电线路的故障波形信号和上一周期中与所述故障波形信号同极性的正常波形信号;
计算模块,用于计算所述故障波形信号和所述正常波形信号之间的波形异化系数;
归一化处理模块,用于归一化处理所述波形异化系数,并将归一化处理后的波形异化系数构建成待分类输入特征向量;
故障类型获得模块,用于通过预设的支持向量机分类模型对所述待分类输入特征向量进行处理以获得所述输电线路的故障类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010719017.8A CN111856209A (zh) | 2020-07-23 | 2020-07-23 | 一种输电线路故障分类方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010719017.8A CN111856209A (zh) | 2020-07-23 | 2020-07-23 | 一种输电线路故障分类方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111856209A true CN111856209A (zh) | 2020-10-30 |
Family
ID=72949948
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010719017.8A Pending CN111856209A (zh) | 2020-07-23 | 2020-07-23 | 一种输电线路故障分类方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111856209A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991297A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、系统、电子设备和存储介质 |
CN114062833A (zh) * | 2021-09-17 | 2022-02-18 | 国网山东省电力公司德州供电公司 | 基于模糊推理系统的单相接地故障绝缘劣化识别方法 |
CN116500379A (zh) * | 2023-05-15 | 2023-07-28 | 珠海中瑞电力科技有限公司 | 一种sts装置电压跌落精准定位方法 |
CN116540028A (zh) * | 2023-06-09 | 2023-08-04 | 广州友智电气技术有限公司 | 电缆故障的智能定位方法及系统 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221363A (zh) * | 2011-04-12 | 2011-10-19 | 东南大学 | 一种水下潜器用捷联惯性组合导航系统容错组合方法 |
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
CN105974265A (zh) * | 2016-04-29 | 2016-09-28 | 北京四方继保自动化股份有限公司 | 一种基于svm分类技术的电网故障原因诊断方法 |
CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
CN106976468A (zh) * | 2017-03-09 | 2017-07-25 | 南京理工大学 | 一种基于dwt和c‑svm的道岔故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN111083632A (zh) * | 2019-12-10 | 2020-04-28 | 桂林电子科技大学 | 一种基于支持向量机的超宽带室内定位方法 |
CN111177389A (zh) * | 2019-12-30 | 2020-05-19 | 佰聆数据股份有限公司 | 基于nlp技术的电费通知与催收客户诉求的分类方法、系统及存储介质 |
-
2020
- 2020-07-23 CN CN202010719017.8A patent/CN111856209A/zh active Pending
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102221363A (zh) * | 2011-04-12 | 2011-10-19 | 东南大学 | 一种水下潜器用捷联惯性组合导航系统容错组合方法 |
CN102682601A (zh) * | 2012-05-04 | 2012-09-19 | 南京大学 | 基于优化svm的高速公路交通事件检测方法 |
CN105974265A (zh) * | 2016-04-29 | 2016-09-28 | 北京四方继保自动化股份有限公司 | 一种基于svm分类技术的电网故障原因诊断方法 |
CN106777606A (zh) * | 2016-12-02 | 2017-05-31 | 上海电机学院 | 一种风电机组齿轮箱故障预测诊断算法 |
CN106976468A (zh) * | 2017-03-09 | 2017-07-25 | 南京理工大学 | 一种基于dwt和c‑svm的道岔故障诊断方法 |
CN108181107A (zh) * | 2018-01-12 | 2018-06-19 | 东北电力大学 | 计及多分类目标的风电机组轴承机械故障诊断方法 |
CN110503004A (zh) * | 2019-07-29 | 2019-11-26 | 七彩安科智慧科技有限公司 | 一种开关电源运行状态的在线判别方法 |
CN111083632A (zh) * | 2019-12-10 | 2020-04-28 | 桂林电子科技大学 | 一种基于支持向量机的超宽带室内定位方法 |
CN111177389A (zh) * | 2019-12-30 | 2020-05-19 | 佰聆数据股份有限公司 | 基于nlp技术的电费通知与催收客户诉求的分类方法、系统及存储介质 |
Non-Patent Citations (3)
Title |
---|
SHAOCHUAN HUANG ET AL.: "Transmission Line Faults Classification Based on Alienation Coefficients of Current and Voltage Waveform and SVM", 《2020 5TH ASIA CONFERENCE ON POWER AND ELECTRICAL ENGINEERING(ACPEE)》 * |
夏文静等: "八种最小二乘SVM型学习算法的优势比较", 《聊城大学学报(自然科学版)》 * |
张策: "基于0-1损失的支持向量机分类器", 《中国优秀博硕士学位论文全文数据库(硕士)信息科技辑》 * |
Cited By (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112991297A (zh) * | 2021-03-15 | 2021-06-18 | 广东电网有限责任公司清远供电局 | 一种输电线路故障诊断方法、系统、电子设备和存储介质 |
CN114062833A (zh) * | 2021-09-17 | 2022-02-18 | 国网山东省电力公司德州供电公司 | 基于模糊推理系统的单相接地故障绝缘劣化识别方法 |
CN114062833B (zh) * | 2021-09-17 | 2024-02-27 | 国网山东省电力公司德州供电公司 | 基于模糊推理系统的单相接地故障绝缘劣化识别方法 |
CN116500379A (zh) * | 2023-05-15 | 2023-07-28 | 珠海中瑞电力科技有限公司 | 一种sts装置电压跌落精准定位方法 |
CN116500379B (zh) * | 2023-05-15 | 2024-03-08 | 珠海中瑞电力科技有限公司 | 一种sts装置电压跌落精准定位方法 |
CN116540028A (zh) * | 2023-06-09 | 2023-08-04 | 广州友智电气技术有限公司 | 电缆故障的智能定位方法及系统 |
CN116540028B (zh) * | 2023-06-09 | 2023-11-14 | 广州友智电气技术有限公司 | 电缆故障的智能定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
Moradzadeh et al. | Hybrid CNN-LSTM approaches for identification of type and locations of transmission line faults | |
CN111768082A (zh) | 一种基于大数据分析的电力设备状态评估方法 | |
CN109816031B (zh) | 一种基于数据不均衡度量的变压器状态评估聚类分析方法 | |
CN110609200B (zh) | 一种基于模糊度量融合判据的配电网接地故障保护方法 | |
CN105932774A (zh) | 基于ica算法的智能变电站设备状态预警方法 | |
CN112098889B (zh) | 一种基于神经网络和特征矩阵的单相接地故障定位方法 | |
CN113358993A (zh) | 一种多电平变换器igbt的在线故障诊断方法及系统 | |
CN111091223B (zh) | 一种基于物联网智能感知技术的配变短期负荷预测方法 | |
CN112801135B (zh) | 一种基于特征量相关性的发电厂厂用电系统故障选线方法及设备 | |
CN114116832A (zh) | 一种基于数据驱动的配电网异常识别方法 | |
MansourLakouraj et al. | Event classification in active distribution grids using physics-informed graph neural network and PMU measurements | |
CN113554229A (zh) | 三相电压不平衡异常检测方法及装置 | |
CN114838923B (zh) | 有载分接开关的故障诊断模型建立方法及故障诊断方法 | |
CN109684749B (zh) | 一种考虑运行特性的光伏电站等值建模方法 | |
CN116845971A (zh) | 一种光伏并网低压台区拓扑结构自动识别方法 | |
CN115184728A (zh) | 一种交直流混合配电网的故障识别方法 | |
CN115308644A (zh) | 基于电流偏移比差分析的变压器绕组故障检测方法及系统 | |
Li et al. | Artificial intelligence for real-time topology identification in power distribution systems | |
Zhao et al. | Research on Transformer Oil Multi-frequency Ultrasonic Monitoring Technology Based on Convolutional Neural Network | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
CN117371623B (zh) | 一种电能表运行状态预警方法及系统 | |
CN114528721B (zh) | 一种电缆中间接头绝缘状态评估方法及系统 | |
CN117150244B (zh) | 基于电参数分析的智能配电柜状态监测方法及系统 | |
CN115343579B (zh) | 一种电网故障分析方法、装置及电子设备 |
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: 20201030 |
|
RJ01 | Rejection of invention patent application after publication |