CN112101210A - 一种基于多源信息融合的低压配电网故障诊断方法 - Google Patents

一种基于多源信息融合的低压配电网故障诊断方法 Download PDF

Info

Publication number
CN112101210A
CN112101210A CN202010966294.9A CN202010966294A CN112101210A CN 112101210 A CN112101210 A CN 112101210A CN 202010966294 A CN202010966294 A CN 202010966294A CN 112101210 A CN112101210 A CN 112101210A
Authority
CN
China
Prior art keywords
fault
wavelet
distribution network
information fusion
voltage distribution
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
Application number
CN202010966294.9A
Other languages
English (en)
Inventor
冯义
徐长宝
徐宏伟
张腾飞
陈娜
晋斌
刘海姣
李鹏程
田昕泽
孟悦恒
王雷
戴雯菊
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202010966294.9A priority Critical patent/CN112101210A/zh
Publication of CN112101210A publication Critical patent/CN112101210A/zh
Pending legal-status Critical Current

Links

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
    • G06F2218/02—Preprocessing
    • G06F2218/04—Denoising
    • G06F2218/06—Denoising by applying a scale-space analysis, e.g. using wavelet analysis
    • 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
    • G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/3271—Testing of circuit interrupters, switches or circuit-breakers of high voltage or medium voltage devices
    • G01R31/3275—Fault detection or status indication
    • 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
    • G01R31/327—Testing of circuit interrupters, switches or circuit-breakers
    • G01R31/333—Testing of the switching capacity of high-voltage circuit-breakers ; Testing of breaking capacity or related variables, e.g. post arc current or transient recovery voltage
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
    • G06V10/00—Arrangements for image or video recognition or understanding
    • G06V10/40—Extraction of image or video features
    • G06V10/44—Local feature extraction by analysis of parts of the pattern, e.g. by detecting edges, contours, loops, corners, strokes or intersections; Connectivity analysis, e.g. of connected components
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/25—Fusion techniques
    • G06F18/257—Belief theory, e.g. Dempster-Shafer
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
    • G06F2218/12—Classification; Matching
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
    • Y04S10/52—Outage or fault management, e.g. fault detection or location

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Artificial Intelligence (AREA)
  • General Engineering & Computer Science (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Signal Processing (AREA)
  • Multimedia (AREA)
  • Mathematical Physics (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于多源信息融合的低压配电网故障诊断方法，包括，对采集到的低压配电网故障信息进行预处理，得到故障概率表征；利用故障概率表征、基于D‑S证据理论合成规则构建信息融合模型；结合快速密度峰值搜索算法快速选取初始聚类中心改进C‑均值算法；基于伽玛函数建立诊断决策模型，结合信息融合模型对元件进行初始分类，利用改进C‑均值算法修正初始分类，判定故障元件。本发明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，并且在改进的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。

Description

一种基于多源信息融合的低压配电网故障诊断方法
技术领域
本发明涉及配电网故障处理的技术领域，尤其涉及一种基于多源信息融合的低压配电网故障诊断方法。
背景技术
随着低压配电网结构的日趋复杂，数字式保护和故障录波器等智能电子装置在电网中的应用已越来越普遍，各种故障信息的获取也更加便捷。以往的电网故障诊断方法大多基于开关量信息，有专家系统、神经网络、优化算法、贝叶斯方法和Petri网等。目前，利用多源信息融合技术进行电网诊断的优势日益突出。
现有的故障诊断方法大多基于单一开关量信息进行电网故障诊断，由于保护和断路器存在误动、拒动以及因信道干扰发生信息丢失等诸多不确定性因素，单一基于开关量信息的故障诊断很难得到精确的诊断结果。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题，提出了本发明。
因此，本发明提供了一种基于多源信息融合的低压配电网故障诊断方法，能够解决信息融合时各证据体直接严重冲突、故障诊断不准确的问题。
为解决上述技术问题，本发明提供如下技术方案：包括，对采集到的低压配电网故障信息进行预处理，得到故障概率表征；利用所述故障概率表征、基于D-S证据理论合成规则构建信息融合模型；结合快速密度峰值搜索算法快速选取初始聚类中心改进C-均值算法；基于伽玛函数建立诊断决策模型，结合所述信息融合模型对元件进行初始分类，利用所述改进C-均值算法修正所述初始分类，判定故障元件。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：所述故障信息包括，开关量信息和电气量信息；所述故障概率表征包括，小波故障度、小波奇异度、小波能量度、模糊故障度。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：定义所述小波故障度(WFD)包括，发生故障时，第i＝(i＝1，...，n)个元件的故障信号为xi(n)，小波变换结果为Di1，Di2，...，Dil，其中l表示信号的采样点数，应用小波变换技术提取故障时刻，Di1，Di2，...，Dik为故障前信号对应的小波变换结果，Di(k+1)，Di(k+2)，...，Dil为故障后信号对应的小波变换结果，令
Figure BDA0002682433930000021
Figure BDA0002682433930000022
Figure BDA0002682433930000023
其中，Vi为信号在故障前后幅值的变化程度，xi即为故障后第i个元件的小波故障度。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：定义所述小波奇异度(WSD)包括，定义Λi＝diag(λ1，λ2，...，λt)为系统第i(i＝1，2，...，n)个元件的奇异值特征矩阵，令
Figure BDA0002682433930000024
Figure BDA0002682433930000025
其中，yi即为故障发生后第i个元件的小波奇异度。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：定义所述小波能量度(WED)包括，对故障信号进行小波变换，定义E1，E2，...，Em为信号在m个尺度上的小波能量分布，其中Ej＝∑k|Dj(k)|2(j＝1，...，mk＝1，...，l)。令：
Figure BDA0002682433930000026
Figure BDA0002682433930000027
其中，ei为小波能量度，用于表征信号能量的强弱程度。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：构建所述信息融合模型包括，修正原始证据体，将其归一化，得到各个所述证据体的相对可信度；对于一致性部分，利用普通证据合成规则进行融合；对于冲突部分，利用改进的证据组合规则将局部冲突在引起冲突的焦元之间分配；以所述小波故障度、所述小波奇异度、所述小波能量度和所述模糊故障度作为独立的证据体构建基本可信度分配函数，以作为所述信息融合模型的目标函数。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：还包括，
Figure BDA0002682433930000031
其中，F为低压配电网故障诊断的识别框架，且F包含n个元件，其中Fi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(Fi)为Fi的基本可信数，表征对第i个元件故障状态不确定性的度量，xij为第i个元件对应的第j类证据体的故障支持程度，xj为第j类证据体各元件的故障支持度之和，μj为第j类证据体的不确定度，取各小波故障表征和模糊故障度的不确定度分别为0.1和0.15，mj(Fi)即为第i个元件故障的第j类证据体对应的基本可信度。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：对所述C-均值算法的初始中心进行快速筛选，包括，确定初始聚类中与聚类边界最大距离，即截断距离dc；定义需要聚类的数据集
Figure BDA0002682433930000032
则局部密度ρi如下：
Figure BDA0002682433930000033
其中，IS＝{1，2，...，N}为相应指标集，dij＝dist(xi，xj)表示数据xi和xj之间的某种距离度量方式；若xi的距离小于ρi的数据点越多，则ρi的值越大；对
Figure BDA0002682433930000036
进行降序排列，选取前端的几个数据作为初始聚类中心。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：还包括，定义
Figure BDA0002682433930000034
为
Figure BDA0002682433930000035
的一个降序排列下标序，即满足ρq1≥ρq2≥…≥ρqN，则
Figure BDA0002682433930000041
γi＝ρiδi i∈IS
其中，γ为一种综合考虑两种聚类中心特征的值，值越大越有可能是聚类中心。
作为本发明所述的基于多源信息融合的低压配电网故障诊断方法的一种优选方案，其中：所述预处理包括，将所述故障信息转换为统一的量纲，即对各元件的所述故障概率表征，在将其转化为证据体。
本发明的有益效果：本发明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，通过模糊Petri网和小波分析对故障信息进行特征提取，得到相应的模糊故障度和小波故障表征(小波故障度、小波奇异度、小波能量度)，它们能够准确表征故障信号，并且在改进的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，采用改进的C均值算法进而得到更加精确的综合诊断结果。
附图说明
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：
图1为本发明第一个实施例所述的基于多源信息融合的低压配电网故障诊断方法的流程示意图；
图2为本发明第二个实施例所述的基于多源信息融合的低压配电网故障诊断方法的电网元件故障连接示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。
其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。
实施例1
目前，大部分低压电网故障诊断方法是利用保护动作、断路器跳间等开关量信息进行诊断，但开关量信息存在误动、拒动以及信息丢失等不确定因素，对故障诊断结果影响较大。
现有的智能算法针对故障信息存在的不准确与不完备做出了大量改进，虽然能在一定程度上改善这些不确定因素对诊断结果的影响，但诊断结果的准确度有待进一步提高，在现在大电网日趋复杂的环境下，绝大多数的智能算法对开关量进行诊断时，网络适应性较差，且模型结构复杂，故而急需一种能够有效解决开关量信息单数据源面临的信息不准确、信息不完备、信息融合时各证据体之间严重冲突的方法。
参照图1，为本发明的第一个实施例，提供了一种基于多源信息融合的低压配电网故障诊断方法，包括：
S1：对采集到的低压配电网故障信息进行预处理，得到故障概率表征。其中需要说明的是，预处理包括：
将故障信息转换为统一的量纲，即对各元件的故障概率表征；
在将其转化为证据体。
具体的，故障信息包括，开关量信息和电气量信息；
故障概率表征包括，小波故障度、小波奇异度、小波能量度、模糊故障度。
进一步的，定义小波故障度(WFD)包括：
当低压配电网发生故障时，故障线路故障前后电流幅值的变化程度要远大于非故障线路，因此定义小波故障度为对元件故障前后电气量的幅值变化程度进行量化后得到的元件故障表征，具体作如下定义：
发生故障时，第i＝(i＝1，...，n)个元件的故障信号为xi(n)，小波变换结果为Di1，Di2，...，Dil，其中l表示信号的采样点数，应用小波变换技术提取故障时刻，Di1，Di2，...，Dik为故障前信号对应的小波变换结果，Di(k+1)，Di(k+2)，...，Dil为故障后信号对应的小波变换结果，令
Figure BDA0002682433930000061
Figure BDA0002682433930000062
Figure BDA0002682433930000063
其中，Vi为信号在故障前后幅值的变化程度，xi即为故障后第i个元件的小波故障度；
定义小波奇异度(WSD)包括：
低压配电网发生故障时，仅依靠信号的时频直观分布不能够明确识别故障元件，且变换后的数据量很大，因此要通过奇异值分解理论对小波变换系数矩阵进行处理，本实施例做出以下定义：
定义Λi＝diag(λ1，λ2，...，λt)为系统第i(i＝1，2，...，n)个元件的奇异值特征矩阵，令
Figure BDA0002682433930000071
Figure BDA0002682433930000072
其中，yi即为故障发生后第i个元件的小波奇异度；
定义小波能量度(WED)包括：
对故障信号进行小波变换，定义E1，E2，...，Em为信号在m个尺度上的小波能量分布，其中Ej＝∑k|Dj(k)|2(j＝1，...，mk＝1，...，l)。令：
Figure BDA0002682433930000073
Figure BDA0002682433930000074
其中，ei为小波能量度，用于表征信号能量的强弱程度。
定义模糊故障度(FFD)包括：
采用改进模糊Petri网的方法将取值为布尔量的开关量信息量化为数值量，得到元件的故障概率表征Pi(i＝1，...，n)；
通过
Figure BDA0002682433930000075
进行处理，zi即为故障发生后第i个元件的模糊故障度(FFD)。
S2：利用故障概率表征、基于D-S证据理论合成规则构建信息融合模型。本步骤需要说明的是，
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)，若存在n条证据体，则第i条证据体的绝对可信度为Ri(i＝1，2，...，n)，将其归一化，得到各证据体的相对可信度，如下：
Figure BDA0002682433930000076
对于一致性部分，利用普通证据合成规则进行融合，对于冲突部分，采用改进的证据组合规则，将局部冲突在引起冲突的焦元之间分配，则改进的证据组合规则为
Figure BDA0002682433930000081
定义F为低压配电网故障诊断的识别框架，且F包含n个元件，其中Fi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(Fi)为Fi的基本可信数，表征对第i个元件故障状态不确定性的度量；
以小波故障度、小波奇异度、小波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，用x表示；
由于存在不确定性因素，则需要为每条证据加入一个不确定度，这将导致它们不满足
Figure BDA0002682433930000082
因此不能作为基本的可信度分配，需对这些数据需作进一步处理；
定义故障识别框架包含q条证据，识别框架中待识别元件的个数为n，如下：
Figure BDA0002682433930000083
其中，xij为第i个元件对应的第j类证据体的故障支持程度，xj为第j类证据体各元件的故障支持度之和，μj为第j类证据体的不确定度，本实施例取各小波故障表征和模糊故障度的不确定度分别为0.1和0.15，mj(Fi)即为第i个元件故障的第j类证据体对应的基本可信度。
S3：结合快速密度峰值搜索算法快速选取初始聚类中心改进C-均值算法。其中还需要说明的是，对C-均值算法的初始中心进行快速筛选，包括：
确定初始聚类中与聚类边界最大距离，即截断距离dc；
定义需要聚类的数据集
Figure BDA0002682433930000084
则局部密度ρi如下：
Figure BDA0002682433930000085
其中，IS＝{1，2，...，N}为相应指标集，dij＝dist(xi，xj)表示数据xi和xj之间的某种距离度量方式；
若xi的距离小于ρi的数据点越多，则ρi的值越大；
对
Figure BDA0002682433930000091
进行降序排列，选取前端的几个数据作为初始聚类中心。
进一步的，还包括：
定义
Figure BDA0002682433930000092
为
Figure BDA0002682433930000093
的一个降序排列下标序，即满足ρq1≥ρq2≥…≥ρqN，则
Figure BDA0002682433930000094
γi＝ρiδi i∈IS
其中，γ为一种综合考虑两种聚类中心特征的值，值越大越有可能是聚类中心。
S4：基于伽玛函数建立诊断决策模型，结合信息融合模型对元件进行初始分类，利用改进C-均值算法修正初始分类，判定故障元件。本步骤还需要说明的是：
(1)定义n个元件的故障概率表征分别为m(F1)，m(F2)，...，m(Fn)，确定故障诊断模型的截断距离dc，并计算各故障概率表征样本间的距离dij(i＜j)共有
Figure BDA0002682433930000095
个，即
dij＝||m(Fi)-m(Fj)||
(2)计算各故障概率表征样本点的局部密度形成序列
Figure BDA0002682433930000096
由此生成其降序排列下标序
Figure BDA0002682433930000097
(3)计算各故障概率表征样本点到任何比其密度大的点的距离的最小值，形成序列
Figure BDA0002682433930000098
(4)计算各故障概率表征样本点的γi，并对γi进行降序排列，取
Figure BDA0002682433930000099
前两点作为故障概率表征样本点的故障与非故障类聚类中心，其中聚类中心较大的为故障聚类中心，较小的为非故障聚类中心；
由此计算各个故障概率表征样本点与故障、非故障聚类中心的距离，并将各个样本点划分到距离更近的分类中，形成各元件的故障诊断初始分类；
(5)对故障元件集中各元件的初始聚类(Γ1，Γ2)，分别计算两聚类中样本均值作为新的聚类中心，最后计算两聚类的误差平方和，如下：
Figure BDA0002682433930000101
Figure BDA0002682433930000102
其中，Je度量了用聚类均值作为聚类中心的总误差平方和，Je达到极小值时分类结果为误差平方和准则下的最优解；
(6)从Γi中选择样本m(Fj)；
(7)若Ni＝1，则转至步骤5；
(8)计算：
Figure BDA0002682433930000103
(9)若满足Ek≤Ei，则把m(Fi)从Γi移到Γk中去，重新计算mi和mk的值，并修改Je；
(11)若连续N次样本点移动后，总误差平方和不改变，则停止计算输出分类结果，否则转到步骤6；
(12)从故障分类中提取故障元件得到诊断结果。
优选的，本实施例还需要说明的是，低压配电网中现有基于保护和断路器动作信息的诊断方法，由于开关量信息中存在的拒动、误动以及及信息丢失等不确定性因素影响了诊断结果的准确性，导致产生误判、漏判或无法判断等情况，诊断结果不精确；而本发明提出的低压配电网故障诊断模型，通过模糊Petri网和小波分析提取故障特征，同时对传统额D-S证据理论进行改进，解决了融合过程中证据体严重冲突的问题，并依据各元件故障概率表征与两聚类中心的距离进行初始聚类划分，最后采用改进的C均值算法能够不断调整聚类中心的能力，对初始聚类划分不断调整直到聚类稳定得到最终诊断的决策结果。
实施例2
参照图2，为本发明的第二个实施例，该实施例不同于第一个实施例的是，提供了一种基于多源信息融合的低压配电网故障诊断方法的验证，包括：
参照图2，故障发生时，故障录波器可得到元件各相电流的波形，为简化信息融合模型，本实施例对元件的各相电流分别求取小波故障表征，选取最大值作为元件的小波故障表征，并选取我国南方电网某处的故障案例，简化后进行诊断。
故障发生在线路L1上，误动、拒动和人为失误(保护接线错误等)等原因造成事故扩大，事故最终造成6条线路跳闸，事故的大致过程如下：
(1)L1遭受雷击，A、C相两线接地短路，L1线路B5侧零序I段、高频距离保护动作，CB1跳闸；
(2)L1线路B1侧保护未动，CB2未跳，造成L2线路B8侧零序IV段保护动作，跳开CB7；
(3)L6、L7线路保护未动，造成1～4号变压器的低压侧过流保护动作，1～4号变压器220kV侧断路器跳闸；
(4)L8线路保护未动，造成L11线路B14侧保护动作，跳开CB24，L12线路B14侧保护动作，跳开CB17和CB18；
(5)L4线路两侧零序IV段保护误动，跳开CB3和CB4，L5线路B11侧高频保护误动，跳开CB16。
优选的是，本实施例选用dB4小波分析故障信号，求取电网每条线路的小波故障度、小波奇异度小波能量度和模糊故障度，形成证据体，基于改进D-S证据理论进行信息融合，根据改进的C均值算法进行诊断，结果如下表所示：
表1：诊断结果数据表。
Figure BDA0002682433930000111
Figure BDA0002682433930000121
其中μ为不确定度，m为信息融合结果，C1、C2分别为聚类稳定后各元件与聚类中心的误差。
根据诊断决策模型可知，事故发生过程中有12个断路器动作，6条线路跳闸，其中CB3、CB4、CB16误动；由于断路器误动、拒动等原因，根据开关量进行故障诊断得出线路L1、L4、L12均有可能是故障元件；由改进的C均值算法计算可得聚类C1中心值为0.9180聚类C2中心值为0.0186，因此C1为故障类，参照表1，得到元件L1与C1的中心误差平方距离相较于C2要小很多，故元件L1属于聚类C1，诊断为故障元件，与正确结论一致，提高了诊断的精确度。
应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于多源信息融合的低压配电网故障诊断方法，其特征在于：包括，
对采集到的低压配电网故障信息进行预处理，得到故障概率表征；
利用所述故障概率表征、基于D-S证据理论合成规则构建信息融合模型；
结合快速密度峰值搜索算法快速选取初始聚类中心改进C-均值算法；
基于伽玛函数建立诊断决策模型，结合所述信息融合模型对元件进行初始分类，利用所述改进C-均值算法修正所述初始分类，判定故障元件。
2.根据权利要求1所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：所述故障信息包括，开关量信息和电气量信息；
所述故障概率表征包括，小波故障度、小波奇异度、小波能量度、模糊故障度。
3.根据权利要求2所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：定义所述小波故障度(WFD)包括，
发生故障时，第i＝(i＝1，...，n)个元件的故障信号为xi(n)，小波变换结果为Di1，Di2，...，Dil，其中l表示信号的采样点数，应用小波变换技术提取故障时刻，Di1，Di2，...，Dik为故障前信号对应的小波变换结果，Di(k+1)，Di(k+2)，...，Dil为故障后信号对应的小波变换结果，令
Figure FDA0002682433920000011
Figure FDA0002682433920000012
Figure FDA0002682433920000013
其中，Vi为信号在故障前后幅值的变化程度，xi即为故障后第i个元件的小波故障度。
4.根据权利要求3所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：定义所述小波奇异度(WSD)包括，
定义Λi＝diag(λ1，λ2，...，λt)为系统第i(i＝1，2，...，n)个元件的奇异值特征矩阵，令
Figure FDA0002682433920000014
Figure FDA0002682433920000021
其中，yi即为故障发生后第i个元件的小波奇异度。
5.根据权利要求4所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：定义所述小波能量度(WED)包括，
对故障信号进行小波变换，定义E1，E2，...，Em为信号在m个尺度上的小波能量分布，其中Ej＝∑k|Dj(k)|2(j＝1，...，mk＝1，...，l)。令：
Figure FDA0002682433920000022
Figure FDA0002682433920000023
其中，ei为小波能量度，用于表征信号能量的强弱程度。
6.根据权利要求1～5任一所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：构建所述信息融合模型包括，
修正原始证据体，将其归一化，得到各个所述证据体的相对可信度；
对于一致性部分，利用普通证据合成规则进行融合；
对于冲突部分，利用改进的证据组合规则将局部冲突在引起冲突的焦元之间分配；
以所述小波故障度、所述小波奇异度、所述小波能量度和所述模糊故障度作为独立的证据体构建基本可信度分配函数，以作为所述信息融合模型的目标函数。
7.根据权利要求6所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：还包括，
Figure FDA0002682433920000024
其中，F为低压配电网故障诊断的识别框架，且F包含n个元件，其中Fi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(Fi)为Fi的基本可信数，表征对第i个元件故障状态不确定性的度量，xij为第i个元件对应的第j类证据体的故障支持程度，xj为第j类证据体各元件的故障支持度之和，μj为第j类证据体的不确定度，取各小波故障表征和模糊故障度的不确定度分别为0.1和0.15，mj(Fi)即为第i个元件故障的第j类证据体对应的基本可信度。
8.根据权利要求7所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：对所述C-均值算法的初始中心进行快速筛选，包括，
确定初始聚类中与聚类边界最大距离，即截断距离dc；
定义需要聚类的数据集
Figure FDA0002682433920000031
则局部密度ρi如下：
Figure FDA0002682433920000032
其中，IS＝{1，2，...，N}为相应指标集，dij＝dist(xi，xj)表示数据xi和xj之间的某种距离度量方式；
若xi的距离小于ρi的数据点越多，则ρi的值越大；
对
Figure FDA0002682433920000033
进行降序排列，选取前端的几个数据作为初始聚类中心。
9.根据权利要求8所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：还包括，
定义
Figure FDA0002682433920000034
为
Figure FDA0002682433920000035
的一个降序排列下标序，即满足ρq1≥ρq2≥…≥ρqN，则
Figure FDA0002682433920000036
γi＝ρiδi i∈IS
其中，γ为一种综合考虑两种聚类中心特征的值，值越大越有可能是聚类中心。
10.根据权利要求9所述的基于多源信息融合的低压配电网故障诊断方法，其特征在于：所述预处理包括，将所述故障信息转换为统一的量纲，即对各元件的所述故障概率表征，在将其转化为证据体。
CN202010966294.9A 2020-09-15 2020-09-15 一种基于多源信息融合的低压配电网故障诊断方法 Pending CN112101210A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010966294.9A CN112101210A (zh) 2020-09-15 2020-09-15 一种基于多源信息融合的低压配电网故障诊断方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010966294.9A CN112101210A (zh) 2020-09-15 2020-09-15 一种基于多源信息融合的低压配电网故障诊断方法

Publications (1)

Publication Number Publication Date
CN112101210A true CN112101210A (zh) 2020-12-18

Family

ID=73758642

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010966294.9A Pending CN112101210A (zh) 2020-09-15 2020-09-15 一种基于多源信息融合的低压配电网故障诊断方法

Country Status (1)

Country Link
CN (1) CN112101210A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112904194A (zh) * 2021-02-24 2021-06-04 江西昌柘伟业航空装备技术有限公司 一种飞机继电器地面测试方法
CN113159138A (zh) * 2021-04-01 2021-07-23 北京市燃气集团有限责任公司 一种基于数据融合的燃气锅炉故障诊断方法及装置
CN113657022A (zh) * 2021-07-15 2021-11-16 华为技术有限公司 一种芯片故障识别方法及相关设备
CN117076869A (zh) * 2023-10-16 2023-11-17 广东石油化工学院 旋转机械时频域融合故障诊断方法及系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726688A (zh) * 2009-09-17 2010-06-09 浙江大学 一种多数据源信息融合的电网故障诊断方法
CN108985318A (zh) * 2018-05-28 2018-12-11 中国地质大学（武汉） 一种基于样本密度的全局优化k均值聚类方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101726688A (zh) * 2009-09-17 2010-06-09 浙江大学 一种多数据源信息融合的电网故障诊断方法
CN108985318A (zh) * 2018-05-28 2018-12-11 中国地质大学（武汉） 一种基于样本密度的全局优化k均值聚类方法及系统

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
彭明伟: "多数据源信息融合的电网故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》 *
彭明伟: "多数据源信息融合的电网故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士) 工程科技Ⅱ辑》, no. 02, 15 February 2011 (2011-02-15), pages 30 - 45 *
赵斌炎: "基于多信息融合的电网故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 *
赵斌炎: "基于多信息融合的电网故障诊断方法研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》, no. 07, 15 July 2017 (2017-07-15), pages 63 - 66 *

Cited By (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112904194A (zh) * 2021-02-24 2021-06-04 江西昌柘伟业航空装备技术有限公司 一种飞机继电器地面测试方法
CN113159138A (zh) * 2021-04-01 2021-07-23 北京市燃气集团有限责任公司 一种基于数据融合的燃气锅炉故障诊断方法及装置
CN113657022A (zh) * 2021-07-15 2021-11-16 华为技术有限公司 一种芯片故障识别方法及相关设备
CN113657022B (zh) * 2021-07-15 2024-05-14 华为技术有限公司 一种芯片故障识别方法及相关设备
CN117076869A (zh) * 2023-10-16 2023-11-17 广东石油化工学院 旋转机械时频域融合故障诊断方法及系统
CN117076869B (zh) * 2023-10-16 2024-01-26 广东石油化工学院 旋转机械时频域融合故障诊断方法及系统

Similar Documents

Publication Publication Date Title
CN112101210A (zh) 一种基于多源信息融合的低压配电网故障诊断方法
CN112699913A (zh) 一种台区户变关系异常诊断方法及装置
CN110208643A (zh) 一种基于pmu数据和故障录波数据的电网故障诊断方法
CN109818349B (zh) 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法
CN105932774A (zh) 基于ica算法的智能变电站设备状态预警方法
CN105866725A (zh) 一种基于聚类分析和云模型的智能电表故障分类方法
CN109389325B (zh) 基于小波神经网络的变电站电子式互感器状态评估方法
CN112485747A (zh) 一种电容式电压互感器误差状态评估方法
CN111598166B (zh) 基于主分量分析和Softmax函数的单相接地故障分类方法和系统
CN110348114B (zh) 一种电网完备性状态信息重构的非精确故障识别方法
CN112180204A (zh) 一种基于电气量信息的电网线路故障诊断方法
CN113239132B (zh) 一种电压互感器的超差在线辨识方法
CN111783696A (zh) 一种基于pv关系的低压分支拓扑实时分析的边缘计算方法
Zhu et al. Faulty line identification method based on bayesian optimization for distribution network
CN112415330A (zh) 一种基于广域信息的电网故障智能辨识方法及系统
CN109828168A (zh) 基于核密度估计的变换器故障诊断方法
CN111429043A (zh) 基于场景构建的电压暂降特征量随机评估方法
CN116520068B (zh) 一种电力数据的诊断方法、装置、设备及存储介质
CN111521905A (zh) 一种基于多维数据故障度智能融合的电网故障诊断方法
CN105823964B (zh) 面向智能变电站的输电线路综合故障定位方法
CN109784777B (zh) 基于时序信息片段云相似度度量的电网设备状态评估方法
CN116184115A (zh) 基于多元信息融合的直流配电网故障定位方法
CN115880472A (zh) 一种电力红外图像数据智能诊断分析系统
CN111781467B (zh) 一种基于多维全景数据的电网故障智能判别方法
Dehghani et al. Distribution feeder classification based on self organized maps (case study: Lorestan province, Iran)

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