CN112731064A - 一种特高压换流站中故障波形的自动识别方法 - Google Patents
一种特高压换流站中故障波形的自动识别方法 Download PDFInfo
- Publication number
- CN112731064A CN112731064A CN202011598835.3A CN202011598835A CN112731064A CN 112731064 A CN112731064 A CN 112731064A CN 202011598835 A CN202011598835 A CN 202011598835A CN 112731064 A CN112731064 A CN 112731064A
- Authority
- CN
- China
- Prior art keywords
- fault
- event
- waveform
- waveform data
- data
- 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.)
- Granted
Links
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
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种特高压换流站中故障波形的自动识别方法,主要包括:1.有效数据分类,2.切换事件分类,3.故障分类,4.电能质量分类。本发明采用离故障更近的线路装置来收集故障波形,使得收集的数据更加精确,且不需要大的数据集并采用简单的算法即可实现对特高压换流站故障事件的自动分类,提高分类的准确性和效率。
Description
技术领域
本发明属于特高压换流站故障领域,具体的说是一种特高压换流站中故障波形的自动识别方法。
背景技术
随着中国电网建设的飞速发展,特高压换流站故障的性质、定位及诊断分析对电力系统的安全、可靠、经济运行具有重要意义。采用“智能”重合闸装置是电网技术的一个重要进步,该装置通过监测三相电压和电流中每相的原始电压和电流波形来提供配电自动化,以便保护线路人员和设备,隔离故障,消除意外跳闸以及清除临时故障。位于田纳西州查塔努加当地的电力公司的电力委员会在其整个配电网中部署了1200个线路装置,其中大约350个处于“正常开放”状态。在操作过程中,平均每个月记录700个特殊的故障,然而,由于连接的线路装置可能会报告同样的扰动,实际报告的扰动数量会高得多。特高压换流站目前使用“手工”技术进行电气扰动分析,但是这种技术仅能分析记录扰动总数的2%。在六个月的时间里,收集到的故障数据大约有25,000份,这使得使用“手工”方法筛选和分析所有收集到的数据的时间和成本过高。
现有技术的工作主要集中于对特高压换流站中特定故障类型的分析和分类,其中大部分集中在电能质量上。对电能质量扰动的分析和分类主要包括:电压骤降和骤升、谐波、瞬间中断、闪烁、缺口、尖峰或瞬变。还有些工作集中于对故障或者与变压器相关的故障工件的识别。
1.目前大多数特高压换流站故障分析技术都使用了模拟波形数据,使用实验室生成的波形或者仿真波形的大数据集进行开发/训练,并使用真实或实验室生成的波形集来验证其方法。但是,即使在使用真实波形数据的情况下,数据也是由位于特高压换流站内的继电器或传感器收集的,位于特高压换流站的记录装置与故障事件本身之间存在累积阻抗,这会消除故障的许多波形特征。
2.多数技术需要使用大数据集、复杂的波形变换或计算复杂的分类算法。尽管现有的特高压换流站的数据库很大,但某些事件类型却很少发生,不是每种电干扰事件类型都有大的数据集。
发明内容
本发明是为了解决上述现有技术存在的不足之处,提出一种特高压换流站中故障波形的自动识别方法,以期采用离故障更近的线路装置来收集故障波形,使得收集的数据更加精确,且不需要大的数据集并采用简单的算法即可实现对故障事件的自动分类,提高分类的准确性和效率。
本发明为达到上述发明目的,采用如下技术方案:
本发明一种特高压换流站中故障波形的自动识别方法的特点是按如下步骤进行:
步骤一:从数据库中获取一个故障事件所对应瞬态数据交换文件,并计算瞬态数据交换文件中任意第k个波形数据的均方根包络xr(k),当均方根包络xr(k)中所包含的样本数量达到所设定的阈值时,表示所述故障事件为有效数据并记录;
步骤三:利用式(1)得到第k个波形数据的一阶差分t(k):
式(2)中,y(k-1)表示第k-1个波形数据的二进制波形函数,Δh表示第k个波形数据和第k-1个波形数据之间的增量;
步骤四:根据所述一阶差分t(k)确定故障事件的状态变化:
如果t(k)为+1,则表示故障事件的状态变化为从“打开”变为“关闭”;如果t(k)为-1,则表示故障事件的状态变化为从“关闭”变为“打开”;
根据所检测出受影响波形的电流与电压与故障事件的状态变化来确定切换事件类型:
当状态变化为从“打开”变为“关闭”时,判断:
若受影响波形的电流以及部分电压下降,则表示切换事件为断电;
若受影响波形的电流上升,电压不变,则表示切换事件为常开;
若受影响波形的电流电压均上升;则表示切换事件为源损失;
当状态变化为从“关闭”变为“打开”时判断:
若受影响波形的电流以及部分电压上升,则表示切换事件为通电;
若受影响波形的电流上升,电压不变,则表示切换事件为常闭;
若受影响波形的电流值低于传感器下限值,则表示切换事件为源回路;
若受影响波形的电压电流均下降,则表示切换事件为源值返回;
若不符合任何切换事件的情况,则确定故障事件为非切换事件并记录;
步骤五:将所述瞬态数据交换文件中超过电流阈值的均方根包络设置为“1”,未超过电流阈值的均方根包络设置为“0”,从而得到所有波形数据的二进制矢量;
对第k个波形数据的均方根包络在三个相位上所对应的二进制矢量进行求和,得到第k个波形数据的故障向量If(k);
若所有波形数据的故障向量中的最大值等于“1”,则表示故障事件为单相接地故障;
若所有波形数据的故障向量中的最大值等于“2”,则表示故障事件为双相接地故障;
若所有波形数据的故障向量中的最大值等于“3”,则表示故障事件为三相接地故障,否则表示故障事件为非故障波形,并记录;
步骤六:检测电能质量:
根据第k个波形数据的均方根包络,判断第k个波形数据的幅值,当第k个波形数据的幅值下降到0.1p.u.到0.9p.u.之间时,则表示故障事件为电压骤降;当第k个波形数据的均方根包络中超过半个周期的幅值大于1.1p.u,则表示故障事件为电压骤升,否则表示故障事件为电压正常,并记录。
与现有技术相比,本发明的有益效果在于:
本发明提出的分层过程是生成了一个全面的电干扰分析方法,能够识别瞬态数据交换文件记录的电干扰类型,包括:有效数据,切换事件,故障和电能质量;整个过程均使用在运行着的特高压换流站中收集的数据进行验证,这与之前使用模拟数据并专注于单个故障的工作不同;本发明所提出的方法不需要使用复杂的算法或大量的计算,可以在运行标准MATLAB许可证的台式计算机上实现,不需要像其它基于机器学习的方法一样为每种故障类型提供大量的训练数据集和复杂的波形变换,因此该过程提供了一个通用的,简单的分层识别框架,可以方便地进行后续分析,并且极大地提高了工作效率,节约了成本。
附图说明
图1为本发明一种特高压换流站中故障波形的自动识别方法的流程图。
具体实施方式
本实施例中,如图1所示,一种特高压换流站中故障波形的自动识别方法是按如下步骤进行:
步骤一:从数据库中获取一个故障事件所对应瞬态数据交换文件,并计算瞬态数据交换文件中任意第k个波形数据的均方根包络xr(k),当均方根包络xr(k)中所包含的样本数量达到所设定的阈值时,表示故障事件为有效数据并记录;在具体实施过程中,使用Powershell从数据库中获取瞬态数据交换文件,并启动MATLAB对文件进行检测。第k次均方根包络的值xr(k)由公式计算得出,其中,x(n)表示第n个样本的离散时间波形函数,Nr表示移动窗口的长度。
步骤三:利用式(1)得到第k个波形数据的一阶差分t(k):
式(2)中,y(k-1)表示第k-1个波形数据的二进制波形函数,Δh表示第k个波形数据和第k-1个波形数据之间的增量;
步骤四:根据一阶差分t(k)确定故障事件的状态变化;再检测出受影响波形的电流与电压,由受影响的波形和事件的状态变化来确定切换事件类型。判断一个瞬态数据交换文件不符合任何切换事件的定义,则确定它为非切换事件,否则确定它为切换事件,并记录结果;具体的说:
如果t(k)为+1,则事件的状态变化为从“打开”变为“关闭”;如果t(k)为-1,则事件的状态变化为从“关闭”变为“打开”。
当状态变化为从“打开”变为“关闭”时:
若电流以及部分电压下降,则切换事件为断电;
若电流上升,电压不变,则切换事件为常开;
若电流电压均上升;则切换事件为源损失;
当状态变化为从“关闭”变为“打开”时:
若电流以及部分电压上升,则切换事件为通电;
若电流上升,电压不变,则切换事件为常闭;
若电流值低于传感器下限值,则切换事件为源回路;
若电压电流均下降,则切换事件为源值返回;
否则表示故障事件为非切换事件,并记录;
步骤五:将瞬态数据交换文件中超过电流阈值的均方根包络设置为“1”,未超过电流阈值的均方根包络设置为“0”,从而得到所有波形数据的二进制矢量;
对第k个波形数据的均方根包络在三个相位上所对应的二进制矢量进行求和,得到第k个波形数据的故障向量If(k);
若所有波形数据的故障向量中的最大值等于“1”,则表示故障事件为单相接地故障;
若所有波形数据的故障向量中的最大值等于“2”,则表示故障事件为双相接地故障;
若所有波形数据的故障向量中的最大值等于“3”,则表示故障事件为三相接地故障,否则表示故障事件为非故障波形,并记录;
步骤六:检测电能质量:
根据第k个波形数据的均方根包络,判断第k个波形数据的幅值,当第k个波形数据的幅值下降到0.1p.u.到0.9p.u.之间时,则表示故障事件为电压骤降;当第k个波形数据的均方根包络中超过半个周期的幅值大于1.1p.u,则表示故障事件为电压骤升,否则表示故障事件为电压正常,并记录;在具体操作过程中,当一个瞬态数据交换文件未被分配到以上任一类别时,该文件会被赋予一个特殊的标识符,之后会进行手工分析。
Claims (1)
1.一种特高压换流站中故障波形的自动识别方法,其特征是按如下步骤进行:
步骤一:从数据库中获取一个故障事件所对应瞬态数据交换文件,并计算瞬态数据交换文件中任意第k个波形数据的均方根包络xr(k),当均方根包络xr(k)中所包含的样本数量达到所设定的阈值时,表示所述故障事件为有效数据并记录;
步骤三:利用式(1)得到第k个波形数据的一阶差分t(k):
式(2)中,y(k-1)表示第k-1个波形数据的二进制波形函数,Δh表示第k个波形数据和第k-1个波形数据之间的增量;
步骤四:根据所述一阶差分t(k)确定故障事件的状态变化:
如果t(k)为+1,则表示故障事件的状态变化为从“打开”变为“关闭”;如果t(k)为-1,则表示故障事件的状态变化为从“关闭”变为“打开”;
根据所检测出受影响波形的电流与电压与故障事件的状态变化来确定切换事件类型:
当状态变化为从“打开”变为“关闭”时,判断:
若受影响波形的电流以及部分电压下降,则表示切换事件为断电;
若受影响波形的电流上升,电压不变,则表示切换事件为常开;
若受影响波形的电流电压均上升;则表示切换事件为源损失;
当状态变化为从“关闭”变为“打开”时判断:
若受影响波形的电流以及部分电压上升,则表示切换事件为通电;
若受影响波形的电流上升,电压不变,则表示切换事件为常闭;
若受影响波形的电流值低于传感器下限值,则表示切换事件为源回路;
若受影响波形的电压电流均下降,则表示切换事件为源值返回;
若不符合任何切换事件的情况,则确定故障事件为非切换事件并记录;
步骤五:将所述瞬态数据交换文件中超过电流阈值的均方根包络设置为“1”,未超过电流阈值的均方根包络设置为“0”,从而得到所有波形数据的二进制矢量;
对第k个波形数据的均方根包络在三个相位上所对应的二进制矢量进行求和,得到第k个波形数据的故障向量If(k);
若所有波形数据的故障向量中的最大值等于“1”,则表示故障事件为单相接地故障;
若所有波形数据的故障向量中的最大值等于“2”,则表示故障事件为双相接地故障;
若所有波形数据的故障向量中的最大值等于“3”,则表示故障事件为三相接地故障,
否则表示故障事件为非故障波形,并记录;
步骤六:检测电能质量:
根据第k个波形数据的均方根包络,判断第k个波形数据的幅值,当第k个波形数据的幅值下降到0.1p.u.到0.9p.u.之间时,则表示故障事件为电压骤降;当第k个波形数据的均方根包络中超过半个周期的幅值大于1.1p.u,则表示故障事件为电压骤升,否则表示故障事件为电压正常,并记录。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011598835.3A CN112731064B (zh) | 2020-12-30 | 2020-12-30 | 一种特高压换流站中故障波形的自动识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011598835.3A CN112731064B (zh) | 2020-12-30 | 2020-12-30 | 一种特高压换流站中故障波形的自动识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112731064A true CN112731064A (zh) | 2021-04-30 |
CN112731064B CN112731064B (zh) | 2021-12-28 |
Family
ID=75611497
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011598835.3A Active CN112731064B (zh) | 2020-12-30 | 2020-12-30 | 一种特高压换流站中故障波形的自动识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112731064B (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06289086A (ja) * | 1993-03-30 | 1994-10-18 | Chubu Electric Power Co Inc | 故障様相判別方法 |
CN101598760A (zh) * | 2009-07-01 | 2009-12-09 | 华北电力大学(保定) | 一种闪变源定向的分形分析方法 |
CN106226635A (zh) * | 2016-07-14 | 2016-12-14 | 国网福建晋江市供电有限公司 | 一种配电网馈线故障类型识别方法及装置 |
CN107179758A (zh) * | 2017-05-22 | 2017-09-19 | 中国电力科学研究院 | 一种动态信号参数辨识方法及系统 |
CN107561435A (zh) * | 2017-08-31 | 2018-01-09 | 中国南方电网有限责任公司 | 一种基于伏安特性的断路器燃弧时刻判别方法及系统 |
CN111257698A (zh) * | 2020-03-24 | 2020-06-09 | 上海君世电气科技有限公司 | 一种基于阻抗变化检测的小电流接地电网连续选线系统 |
-
2020
- 2020-12-30 CN CN202011598835.3A patent/CN112731064B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JPH06289086A (ja) * | 1993-03-30 | 1994-10-18 | Chubu Electric Power Co Inc | 故障様相判別方法 |
CN101598760A (zh) * | 2009-07-01 | 2009-12-09 | 华北电力大学(保定) | 一种闪变源定向的分形分析方法 |
CN106226635A (zh) * | 2016-07-14 | 2016-12-14 | 国网福建晋江市供电有限公司 | 一种配电网馈线故障类型识别方法及装置 |
CN107179758A (zh) * | 2017-05-22 | 2017-09-19 | 中国电力科学研究院 | 一种动态信号参数辨识方法及系统 |
CN107561435A (zh) * | 2017-08-31 | 2018-01-09 | 中国南方电网有限责任公司 | 一种基于伏安特性的断路器燃弧时刻判别方法及系统 |
CN111257698A (zh) * | 2020-03-24 | 2020-06-09 | 上海君世电气科技有限公司 | 一种基于阻抗变化检测的小电流接地电网连续选线系统 |
Non-Patent Citations (1)
Title |
---|
高阳 等: "《SSVD与ELM故障诊断模型在换流器》", 《陕西理工大学学报》 * |
Also Published As
Publication number | Publication date |
---|---|
CN112731064B (zh) | 2021-12-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bíscaro et al. | Integrated fault location and power-quality analysis in electric power distribution systems | |
CN109444667B (zh) | 基于卷积神经网络的配电网早期故障分类方法及装置 | |
Wilson et al. | Automated identification of electrical disturbance waveforms within an operational smart power grid | |
CN107329040A (zh) | 一种基于暂态录波数据的配电自动化主站系统单相接地故障定位方法 | |
CN109406949B (zh) | 基于支持向量机的配电网早期故障检测方法及装置 | |
CN109541344B (zh) | 基于svm的模块化多电平直流输电系统故障识别方法 | |
CN109599874B (zh) | 基于电压暂降事件关联分析的治理设备选择方法 | |
CN115018139A (zh) | 基于相间特征的电流互感器误差状态在线辨识方法及系统 | |
CN108562821A (zh) | 一种基于Softmax确定配电网单相接地故障选线的方法及系统 | |
CN111562465B (zh) | 一种基于故障录波的高压配网混合线路故障测距方法 | |
CN107765065B (zh) | 一种基于基波衰减因子的配电网励磁涌流识别方法 | |
CN116559595A (zh) | 一种基于数据采集装置的接地故障判断方法 | |
CN109270383B (zh) | 一种非侵入式充电桩自动检测方法 | |
Aboshady et al. | Fault detection and classification scheme for PV system using array power and cross-strings differential currents | |
CN111999695B (zh) | 一种变电站计量装置状态评估与异常诊断方法 | |
CN112731064B (zh) | 一种特高压换流站中故障波形的自动识别方法 | |
CN113837895A (zh) | 基于电力扰动数据的配电网异常事件识别方法及系统 | |
CN108493909A (zh) | 基于电压跌落的配网故障的检测方法 | |
CN115808600B (zh) | 基于数学形态学和模式识别的直流电弧检测方法 | |
CN104931848B (zh) | 一种基于广域测量信息的电力系统线路故障判别方法 | |
CN114280370B (zh) | 一种用于新型光伏逆变器涉网运行性能的工程测试系统 | |
CN116208091A (zh) | 一种分布式光伏电站设备故障诊断及预警方法 | |
CN115549040A (zh) | 一种柔性直流换流站故障自动诊断方法和系统 | |
CN113392589B (zh) | 基于卷积神经网络的高压直流换流站故障分析方法及系统 | |
Núñez et al. | Feature characterization of power quality events according to their underlying causes |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |