CN112731208B

CN112731208B - 一种低压线路故障与异常在线监测方法、设备及介质

Info

Publication number: CN112731208B
Application number: CN202011602433.6A
Authority: CN
Inventors: 谭维益; 孟庆辉
Original assignee: Hunan Cobit Electrical Technology Co ltd
Current assignee: Hunan Cobit Electrical Technology Co ltd
Priority date: 2020-12-29
Filing date: 2020-12-29
Publication date: 2022-05-24
Anticipated expiration: 2040-12-29
Also published as: CN112731208A

Abstract

本发明公开了一种低压线路故障与异常在线监测方法、设备及介质，方法为：首先，收集不同故障类型下低压线路首端的电压与电流历史数据并提取数据样本；从数据样本中提取特征向量构成特征样本集合；使用特征样本集合训练SVDD算法模型，并求解得到特征空间的超球体中心和半径；根据设定的双阈值将特征空间划分为三个不同区域依次代表线路的正常、老化和故障三种状态；最后以马氏距离计算待测样本数据到样本总体的空间距离作为判定条件来确定样本类型，从而实现线路的在线监测。本发明可以实现线路的在线监测。

Description

一种低压线路故障与异常在线监测方法、设备及介质

技术领域

本发明属于电力技术领域的低压线路故障监测技术领域，涉及三相交流线路的运行状态监测与评估，具体涉及一种低压线路故障与异常在线监测方法、设备及介质。

背景技术

在低压电力网络中，电缆线路通常处于隐蔽状态，对于日常的维护和管理上存在许多困难。线路的监测设备往往也只能反应永久性故障而制定维修计划，对于电缆因绝缘老化或外部环境恶化导致的线路异常状态却常常容易被监测设备忽视而埋下供电隐患，对用户的人身财产安全造成危害。

在实际的线路监测设备中，往往凭靠单一的电流变化或者温升曲线来粗略估计线路的整体运行状态，这类方法往往精确度低且不能反应出线路某处潜在的缺陷点，难以保证用户的用电可靠性。随着传感技术与信息技术的快速发展，多源信息的诊断技术越来越广泛的应用于电力系统故障诊断领域，而如何选择代表性的特征参数和识别分类算法则决定了整体方案的经济性和可行性。

发明内容

本发明提供一种低压线路故障与异常在线监测方法、设备及介质，针对线路首端的电流电压周波信号，提取信号所含有的多维特征信息，以马氏空间距离和支持向量数据描述算法判定线路状态，实现线路的在线监测。

为实现上述技术目的，本发明采用如下技术方案：

一种低压线路故障与异常在线监测方法，包括：

步骤1，获取线路首端在历史时间段内的电压与电流数据，等间隔提取预设时长窗口的三相电压周波信号和三相电流周波信号作为数据样本；其中，已知每个数据样本对应是否故障的类型；

步骤2，对数据样本进行时频分析，计算数据样本不同相数据信号之间的幅值差和相位差、数据样本各相数据信号的低次谐波含量比和峰谷差、以及数据样本与下一个数据样本之间各相数据信号的波形相关性，一起构成该数据样本的特征向量；

步骤3，使用所有数据样本的特征向量和对应的故障类型训练SVDD模型，计算SVDD模型特征空间内的超球体中心a和半径R；

步骤4，根据半径R设定双阈值半径R₁和R₂，且R₁＜R₂；

步骤5，获取线路首端在线监测的电压与电流数据，按步骤1中数据样本相同的提取方法，从在线监测的电压与电流数据中提取待测样本；

计算待测样本到超球体球心a的马氏距离r_i，将其与双阈值半径R₁和R₂进行比较：

(1)若超球体内外的特征空间分别对应故障区域和正常区域，则根据r_i≤R₁判断线路为故障状态，根据r_i≥R₂判断线路为正常状态，根据R₁＜r_i＜R₂判断线路为故障不确定状态；

(2)若超球体内外的特征空间分别对应正常区域和故障区域，则根据r_i≤R₁判断线路为正常状态，根据r_i≥R₂判断线路为故障状态，根据R₁＜r_i＜R₂判断线路为故障不确定状态。

进一步的，数据样本与下一个数据样本之间各相数据信号的波形相关性的计算公式为：

式中，ρ_I,p为相邻两个数据样本的p相电流波形相关性，x_I,p(i)∈X_I,p(n)，y_I,p(i)∈Y_I,p(n)，X_I,p(n)和Y_I,p(n)分别为相邻两个数据样本的p相电流离散信号,x_I,p(i)和y_I,p(i)分别为X_I,p(n)和Y_I,p(n)中的数据点，

和

分别为X_I,p(n)和Y_I,p(n)算术平均值；

ρ_U,p为相邻两个数据样本的p相电压波形相关性，x_U,p(i)∈X_U,p(n)，y_U,p(i)∈Y_U,p(n)，X_U,p(n)和Y_U,p(n)分别为相邻两个数据样本的p相电压离散信号，x_U,p(i)和y_U,p(i)分别为X_U,p(n)和Y_U,p(n)中的数据点，

和

分别为X_U,p(n)和Y_U,p(n)算术平均值。

进一步的，数据样本各相数据信号的低次谐波含量比的计算公式为：

式中，HRI_p,j表示p相线路j次电流谐波的含有率，I_p,j表示p相线路的j次谐波电流均方根值，I_p,1表示p相线路的基波电流均方根值；A,B,C分别为三相交流线路的每相；其中，p相线路的j次谐波电流和基波电流，是通过对数据样本中p相线路的电流周期信号进行S变换后提取得到；

HRU_p,j表示p相线路j次电压谐波的含有率，U_p,j表示p相线路的j次谐波电压均方根值，U_p,1表示p相线路的基波电压均方根值；其中，p相线路的j次谐波电压和基波电压，是通过对数据样本中p相线路的电压周期信号进行S变换后提取得到。

进一步的，数据样本各相数据信号的峰谷差的计算公式为：

I_峰谷,p＝I_p(n)_max-I_p(n)_min (4)

U_峰谷,p＝U_p(n)_max-U_p(n)_min (5)

式中，I_峰谷,p为数据样本中p相线路的电流峰谷值，I_p(n)_max、I_p(n)_min分别为数据样本中p相线路的电流最大值和最小值，U_峰谷,p为数据样本中p相线路的电流峰谷值，U_p(n)_max、U_p(n)_min分别为数据样本中p相线路的电压最大值和最小值。

进一步的，数据样本不同相数据信号之间的幅值差包括：每两相之间的电压幅值差U_A-B、U_B-C、U_C-A，和每两相之间的电流幅值差I_A-B、I_B-C、I_C-A；

数据样本不同相数据信号之间的相位差包括：每两相之间的电压相位差

和每两相之间的电流相位差

A,B,C分别为三相交流线路的每相。

进一步的，0.85R＜R₁＜R,R＜R₂＜1.2R。

进一步的，每两个数据样本之间相距10秒。

进一步的，每个数据样本的预设时长为100毫秒。

一种设备，包括存储器、处理器以及存储在所述存储器中并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述计算机程序时实现上述任一技术方案所述的方法。

一种计算机可读存储介质，所述计算机可读存储介质存储有计算机程序，所述计算机程序被处理器执行时实现上述任一技术方案所述的方法。

有益效果

本发明相对于现有技术的有益效果为：

本发明全方位构建具有多样性的特征向量对低压三相输电线路进行故障检测，提高线路监测的准确性；同时通过设置双阈值将状态临界处设置为线路故障不确定状态，以待进一步状态确认，降低线路状态判断的错误率。另外，针对传统的SVDD算法对样本类型的识别过程中，只以单个样本到球心a的欧式距离作为依据来判定样本类型是否已知，容易忽略超球体内部由已知类型样本间差异造成的影响，如果存在某几种已知故障或异常类型的数据样本类之间差异明显，各样本类中心间距较大或某几类样本在特征空间分布分散、跨度偏广，这将使得超球体中心a失去实用价值从而造成错误的识别和分类。针对上述问题对识别精度的影响，马氏距离考虑了样本总体的分散性，采取协方差矩阵把“距离”标准化后变成无量纲参量，能够考虑到各种特性之间的联系，更适用于电力线路的异常与故障在线监测领域。

附图说明

图1是本发明实施例所述特征向量的构成图；

图2是本发明实施例对特征空间进行双阈值划分的示意图。

具体实施方式

下面对本发明的实施例作详细说明，本实施例以本发明的技术方案为依据开展，给出了详细的实施方式和具体的操作过程，对本发明的技术方案作进一步解释说明。

本实施例提供一种低压线路故障与异常在线监测方法，包括以下步骤：

步骤1，获取线路首端在历史时间段内的电压与电流数据，等间隔提取预设时长窗口的三相电压周波信号和三相电流周波信号作为数据样本，将第n个数据样本表示为X(n)＝{x(1),x(2),x(3),...,x(N)}，x(i)为数据样本X(n)中的第i个数据点；其中，已知每个数据样本对应是否故障的类型；本实施例中等间隔取值为：每两个数据样本之间相距10秒，每个数据样本的预设时长为100毫秒。

步骤2，对步骤1采集的数据样本进行时频分析，计算数据样本不同相数据信号之间的幅值差和相位差、数据样本各相数据信号的低次谐波含量比和峰谷差、以及数据样本与下一个数据样本之间各相数据信号的波形相关性，一起构成该数据样本的特征向量，如图1所示；

数据样本与下一个数据样本之间各相数据信号的波形相关性的计算公式为：

和

分别为X_I,p(n)和Y_I,p(n)算术平均值；

和

分别为X_U,p(n)和Y_U,p(n)算术平均值。

当X_I,p(n)与Y_I,p(n)完全相关时，ρ_I,p＝1；当X_I,p(n)与Y_I,p(n)完全不相关时，ρ_I,p＝0；X_I,p(n)与Y_I,p(n)完全负相关时，ρ_I,p＝-1；同理，当X_U,p(n)与Y_U,p(n)完全相关时，ρ_U,p＝1；当X_U,p(n)与Y_U,p(n)完全不相关时，ρ_U,p＝0；当X_U,p(n)与Y_U,p(n)完全负相关时，ρ_U,p＝-1。因此，可以依据波形相关性的绝对值来反应前后采集的两个离散数据样本的关联程度。

数据样本各相数据信号的低次谐波含量比的计算公式为：

式中，HRI_p,j表示p相线路j次电流谐波的含有率，I_p,j表示p相线路的j次谐波电流均方根值，I_p,1表示p相线路的基波电流均方根值；其中，p相线路的j次谐波电流和基波电流，是通过对数据样本中p相线路的电流周期信号进行S变换后提取得到；

数据样本各相数据信号的峰谷差的计算公式为：

I_峰谷,p＝I_p(n)_max-I_p(n)_min (4)

U_峰谷,p＝U_p(n)_max-U_p(n)_min (5)

式中，I_峰谷,p为数据样本中p相线路的电流峰谷值，I_p(n)_max、I_p(n)_min分别为第n个数据样本中p相线路的电流最大值和最小值，U_峰谷,p为数据样本中p相线路的电流峰谷值，U_p(n)_max、U_p(n)_min分别为第n个数据样本中p相线路的电压最大值和最小值；

数据样本不同相数据信号之间的幅值差包括：每两相之间的电压幅值差U_A-B、U_B-C、U_C-A，和每两相之间的电流幅值差I_A-B、I_B-C、I_C-A；

和每两相之间的电流相位差

A,B,C分别为三相交流线路的每相，

表示相位。

将以上计算得到的所有电流特征构建得到数据样本的电流信号特征向量X_I，所有电压特征构建得到数据样本的电压信号特征向量X_U，分别表示为：

步骤3，使用所有数据样本的特征向量(包括电流特征向量X_I和电压特征向量X_U)和对应的故障类型训练SVDD模型，计算SVDD模型特征空间内的超球体中心a和半径R；

支持向量数据描述(Support Vector Data Description,SVDD)是一种单分类算法，将步骤2得到的所有数据样本的特征向量及对应的故障类型为整体，在高维特征空间中构造一个能够尽可能多的囊括所有被描述对象的超球体，超球体内的点被认为属于目标类，而超球体外的点被认为不属于目标类。设X_{特征向量集}＝{x_k|k＝1,2,...,K}为R^d空间中的一个样本集，其中K表示数据样本的数目。特征向量集X_{特征向量集}中的所有样本经由非线性映射

被映射到核特征空间F中，Ω＝(a,R)为核特征空间F中的某一超球体，其中a表示球心，R表示半径。Ω体积最小且能够使得核样本集

中所有样本尽可能多的被包容。定义超球体满足：

式中，ξ_k代表松弛因子，C为对于偏离超球体数据对象的惩罚参数。引入拉格朗日乘子α、γ求取ξ_k、R、a最优解，构造拉格朗日函数：

以上各式中的α最优值可通过优化算法寻优求解获得，随之即可求解得超球体中心a。利用核函数K()来替代求解过程中的内积运算

则超球体半径R及特征空间任一样本z到超球体中心a的距离r可表示为：

式中，核函数K()常选择为高斯核函数，当满足r²≤R²时，判定样本z属于目标样本，否则判定其为非目标样本。

步骤4，根据半径R设定双阈值半径R₁和R₂，且R₁＜R₂，将特征空间划分为Ω_正常，Ω_异常，Ω_故障三个区域，如图2所示；

本发明为避免在超球体边界分布的样本容易造成“误报”、“漏报”问题，利用经典的双阈值分割算法将SVDD的超球体空间以不同的半径值R₁和R₂划分为三个特征空间范围来表示线路的正常、异常(即不确定运行状态为正常或故障)、故障三种运行状态。针对R₁和R₂的计算方法，一般地，设置R₁上限为SVDD算法求解得到的超球体半径R，下限低于R的10％～15％左右；R₂下限设置为R，上限设置不宜过大，高于R的10％～20％较为适宜，因此本实施例中设R₁和R₂的取值范围为：0.85R＜R₁＜R,R＜R₂＜1.2R。

作为判定待测样本类型归属的依据，马氏距离采取协方差矩阵把“距离”标准化后变成无量纲参量，其定义为样本空间中某点到样本总体的距离。因此待测样本至样本总体G的超球体中心a的马氏距离为：

式中，z为待测样本，μ、∑、S、K分别为总体G的期望、协方差、标准差和样本数。

以上实施例为本申请的优选实施例，本领域的普通技术人员还可以在此基础上进行各种变换或改进，在不脱离本申请总的构思的前提下，这些变换或改进都应当属于本申请要求保护的范围之内。