CN113447759A - 一种多分类的rvm电网故障判别方法和系统 - Google Patents
一种多分类的rvm电网故障判别方法和系统 Download PDFInfo
- Publication number
- CN113447759A CN113447759A CN202110701743.1A CN202110701743A CN113447759A CN 113447759 A CN113447759 A CN 113447759A CN 202110701743 A CN202110701743 A CN 202110701743A CN 113447759 A CN113447759 A CN 113447759A
- Authority
- CN
- China
- Prior art keywords
- fault
- sample
- rvm
- classification
- power grid
- 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
- 238000012850 discrimination method Methods 0.000 title claims abstract description 10
- 230000001052 transient effect Effects 0.000 claims abstract description 59
- 238000012549 training Methods 0.000 claims abstract description 31
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 21
- 238000000034 method Methods 0.000 claims abstract description 21
- 230000009467 reduction Effects 0.000 claims abstract description 19
- 238000009826 distribution Methods 0.000 claims description 17
- 108010076504 Protein Sorting Signals Proteins 0.000 claims description 14
- 239000006185 dispersion Substances 0.000 claims description 12
- 238000012360 testing method Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 238000010219 correlation analysis Methods 0.000 claims description 4
- 230000000875 corresponding effect Effects 0.000 description 21
- 238000010586 diagram Methods 0.000 description 12
- 230000006870 function Effects 0.000 description 10
- 239000013598 vector Substances 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 238000005259 measurement Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012706 support-vector machine Methods 0.000 description 3
- 238000013528 artificial neural network Methods 0.000 description 2
- 230000006399 behavior Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 230000002596 correlated effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 230000000717 retained effect Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000005311 autocorrelation function Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000005314 correlation function Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000016507 interphase Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000003909 pattern recognition Methods 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
- G01R31/081—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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明提供了一种多分类的RVM电网故障判别方法和系统，包括：利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量及其对应的节点；建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练；采集所述最优特征量对应的电网节点上的暂态波形信号进行傅里叶分解，并将傅里叶分解后的基波和谐波输入到训练完成的多分类的RVM故障判别模型中进行电网故障判别，得到电网故障类型；本发明能够筛选出更具代表性的特征因子来描述电网故障特征，全面描述故障行为多样性，直接实现故障类别分类，本发明提供的电网故障判别方法所需相关向量少、训练及测试时间短、计算复杂度低且识别率高。
Description
技术领域
本发明属于配电网运行分析技术领域，具体涉及一种多分类的RVM电网故障判别方法和系统。
背景技术
在配电网故障判别过程中，故障特征的选择至关重要，直接影响识别结果。目前在模式识别领域，神经网络以其固有的模式分类能力得到了广泛的应用，但存在训练样本需求量大、训练周期长及易陷入局部最小等缺点。支持向量机(SVM)在经验风险最小化的基础上采用结构风险最小化准则，很好的解决了神经网络的样本需求量大且易局部极小的问题。
但是SVM依然存在着不足之处。解的稀疏性有限，支持向量的个数随训练样本的大小线性增加；缺乏必要的概率信息；核函数必须满足Mercer条件；另外，需要计算规则化系数，增加了运算量。因此，一种所需相关向量少、训练及测试时间短、计算复杂度低且识别率高的故障类别分类人工智能方法亟待研究。
发明内容
为克服上述现有技术的不足，本发明提出一种多分类的RVM电网故障判别方法，包括：
利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量及其对应的节点；
建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练；
采集所述最优特征量对应的电网节点上的暂态波形信号进行傅里叶分解，并将傅里叶分解后的基波和谐波输入到训练完成的多分类的RVM故障判别模型中进行电网故障判别，得到电网故障类型；
其中，所述故障样本库中包括配电网各节点不同运行状态下的暂态波形信号；所述运行状态包括：正常运行状态和不同类型的故障状态。
优选的，所述建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练，包括：
利用多个RVM分类器对故障类型进行一对一分类，建立多分类的RVM故障判别模型；
将各故障样本的最优特征量分为训练样本和测试样本，并将各故障样本对应的故障类型作为模型的输出信息；
以RBF作为RVM分类器的核函数，利用所述训练样本和测试样本以及对应的输出信息对多分类的RVM故障判别模型进行训练直到训练完成。
优选的，所述利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量，包括：
对故障样本库中各故障样本进行傅里叶分解，得到各节点对应的各故障样本的预设次的基波和谐波分量，并将所述各节点对应的各故障样本的预设次的基波和谐波分量作为原始特征空间中的各特征量；
利用基于距离的可分性判据对所述原始特征空间中的各特征量进行降维，得到各故障样本的最优特征量及其对应的节点。
优选的，所述基于距离的可分性判据，按下式计算：
式中，J1为基于距离的可分性判据，Sw为故障类别类内离散度，Sb为故障类别类间离散度，tr()表示求矩阵的迹；
其中，故障类别类内离散度Sw，按下式计算：
式中，T为样本库中的样本总数，k为样本类别数，Tj为第j类样本中样本的总数，Yi j表示第j类样本中的第i个样本，μj为第j类样本的平均值，μ为所有样本的平均值；
故障类别类间离散度Sb，按下式计算：
优选的，所述暂态波形信号包括：三相电流信号、零序电流信号、三相电压信号和零序电压信号。
优选的，所述典型故障样本库的建立，包括：
采集电网各节点在不同运行状态下的暂态波形信号；
对采集的各暂态波形信号进行一对一的相关性分析，得到各暂态波形信号相对于其他任一暂态波形信号的相关系数；
依据预设的相关系数的范围，对暂态波形信号进行约减；
根据约减后的暂态波形信号建立典型故障样本库。
优选的，所述暂态波形信号的相关系数，按下式计算：
式中，ρxy为暂态波形信号x(t)和y(t)离散化后形成的相关系数，x(n)为暂态波形信号x(t)离散化后形成的信号序列，y(n)暂态波形信号y(t)离散化后形成的信号序列，n为信号序列中的次序，N为采样时间窗内的暂态波形信号数量。
基于同一发明构思，本发明还提供了一种多分类的RVM电网故障判别系统，包括：降维模块、建模模块和判别模块；
所述降维模块，用于利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量及其对应的节点；
所述建模模块，用于建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练；
所述判别模块，用于采集所述最优特征量对应的电网节点上的暂态波形信号进行傅里叶分解，并将傅里叶分解后的基波和谐波输入到训练完成的多分类的RVM故障判别模型中进行电网故障判别，得到电网故障类型；
其中，所述故障样本库中包括配电网各节点不同运行状态下的暂态波形信号；所述运行状态包括：正常运行状态和不同类型的故障状态。
与最接近的现有技术相比，本发明具有的有益效果如下：
本发明提供了一种多分类的RVM电网故障判别方法和系统，包括：利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量及其对应的节点；建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练；采集所述最优特征量对应的电网节点上的暂态波形信号进行傅里叶分解，并将傅里叶分解后的基波和谐波输入到训练完成的多分类的RVM故障判别模型中进行电网故障判别，得到电网故障类型；本发明能够有效筛选出更具代表性的特征因子来描述电网故障特征，全面描述故障行为多样性，直接实现故障类别分类，本发明提供的电网故障判别方法所需相关向量少、训练及测试时间短且计算复杂度低。
本发明提供的电网故障判别方法对故障类别具有较高的识别率。
附图说明
图1为本发明提供的一种多分类的RVM电网故障判别方法流程示意图；
图2为本发明提供的一个多分类RVM故障判别方法的实施例流程图；
图3为本发明提供的RVM1的故障分类效果图；
图4为本发明提供的一种多分类的RVM电网故障判别系统基本结构示意图。
具体实施方式
下面结合附图对本发明的具体实施方式做进一步的详细说明。
实施例1：
本发明提供的一种多分类的RVM电网故障判别方法流程示意图如图1所示，包括：
步骤1：利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量及其对应的节点；
步骤2：建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练；
步骤3：采集所述最优特征量对应的电网节点上的暂态波形信号进行傅里叶分解，并将傅里叶分解后的基波和谐波输入到训练完成的多分类的RVM故障判别模型中进行电网故障判别，得到电网故障类型；
其中，所述故障样本库中包括配电网各节点不同运行状态下的暂态波形信号；所述运行状态包括：正常运行状态和不同类型的故障状态。
为了实现上述发明目的，本发明采取如下技术方案：
其中，步骤1中典型故障样本库的建立过程，包括：
利用电流采集模块和电压采集模块采集配电网各节点不同运行状态下的三相电流信号、零序电流信号、三相电压信号和零序电压信号等暂态波形信号，将采集到的暂态波形信号依次进行相关性分析，计算波形相关系数，依据相关系数大小对采集样本进行约减，建立配电网典型运行状态样本库。
具体包括以下步骤：
设x(t)和y(t)是两个能量有限的暂态波形信号，为研究两信号之间的差别，衡量其在不同时刻的相似程度δ，引入关系：
δ＝x(t)-αy(t+τ) (1)
式中，α为常数；τ为2个暂态波形信号的时差。根据均方误差最小准则，对δ2取时间平均值W来衡量信号间的相似性，可表示为：
式中，T为信号周期。对W求导，令dW/dα＝0得到最优值αopt使得两信号波形相似度最高，代入式(2)，得到W的最小值为：
式中，Rxy为暂态波形信号x(t)和y(t)的互相关函数；Rxx、Ryy分别为暂态波形信号x(t)和y(t)的自相关函数；ρxy为相关系数，可衡量暂态波形信号x(t)和y(t)的相似程度。对于暂态波形信号x(t)和y(t)，Rxx和Ryy为常数，达到归一化的作用。由此可见，ρxy越大，W越小，2个暂态波形信号越相似。
将暂态波形信号x(t)和y(t)离散化，形成信号序列x(n)和y(n)，在不考虑信号序列时差的情况下，即τ＝0时，根据式(4)可得离散化相关系数为：
式中，ρxy为离散化形成下的相关系数，可衡量信号x(n)和y(n)波形在同一采样数据窗N内的相似程度，其取值区间为[-1，1]，ρxy值越大，表示两个信号波形越相似，x(n)为暂态波形信号x(t)离散化后形成的信号序列，y(n)暂态波形信号y(t)离散化后形成的信号序列，n为信号序列中的次序，N为采样时间窗内的暂态波形信号数量。
当ρxy＝1时，表示两个信号波形完全正相关；当ρxy＝-1时，表示两个信号完全负相关；当ρxy＝0时，表示两个信号完全不相关，相互独立。因此，当ρxy∈[-1,-0.5]∪[0.5,1]时，保留两个信号样本中的任意一个信号样本；当ρxy∈(-0.5,0.5)时，保留两个信号样本。对采集样本进行约减，建立典型故障样本库。
针对建立的典型故障样本库，通过傅里叶分解得到各故障样本的1-7次相电压基波和谐波分量作为原始特征空间中的特征量，利用基于距离的可分性判据对特征进行降维，选取前两个特征量作为最优特征量构成新特征空间。
步骤1具体包括：
对故障样本库中各故障样本进行傅里叶分解，得到各节点对应的各故障样本的预设次的基波和谐波分量，并将所述各节点对应的各故障样本的预设次的基波和谐波分量作为原始特征空间中的各特征量。
设共有T个样本，其中故障类有T1个样本，非故障类有T2个样本，则T＝T1+T2。设有源配电网共有z个测量点，测量点的1-7次谐波电压均以A相电压为例。故障类样本集用Ω1表示，非故障类样本集用Ω2表示，则：
式中，
表示第j类样本集中的第i个样本，j＝1表示故障类，j＝2表示非故障类。
式中，
表示第s个测量点的A相第r次谐波电压幅值，s＝1,2,...,z；r＝1,2,...,7。
从样本集Ω1和Ω2的每一个样本
矩阵中取出同一个位置的元素
组成样本子集ω1和ω2。
式中，Yi j表示第j类样本子集中的第i个样本。且
利用基于距离的可分性判据对所述原始特征空间中的各特征量进行降维，得到各故障样本的最优特征量及其对应的节点。
各类样本子集之间的平均距离为：
式中，Tj为第j类样本中样本的总数，μj为第j类样本子集的平均值，μ为所有样本集的平均值，
k为类别数，此处取为2。
令：
Sw为类内离散度，Sb为类间离散度，类内离散度越小，类间离散度越大，则该特征空间分类效果越好。令：
则J1为基于距离的可分性判据，对由原始特征空间中的每一个特征量
形成的样本子集分别计算J1的大小，选取使得J1最大的前两个
作为用于判别是否发生故障时使用的最优特征量，对典型故障样本特征降到指定维数。
步骤2具体包括：
利用多个RVM分类器对故障类型进行一对一分类，建立多分类的RVM故障判别模型；
由于RVM是针对二分类问题的分类器，不能直接用于多分类。因此，需要对多种故障类型通过一对一法相应构造RVM多分类器。构造出的多分类如表1所示。表中RVM1用来识别A-G单相接地故障和B-G单相接地故障，输出结果大于或等于0.5判定为A-G单相接地故障，否则为B-G单相接地故障。RVM2用来识别A-G单相接地故障和C-G单相接地故障，输出结果大于或等于0.5判定为A-G单相接地故障，否则为C-G单相接地故障。RVM2用来识别A-G单相接地故障和AB-G两相接地故障，输出结果大于或等于0.5判定为A-G单相接地故障，否则为AB-G两相接地故障。以此类推。
表1基于RVM的故障分类模型
将各故障样本的最优特征量分为训练样本和测试样本，并将各故障样本对应的故障类型作为模型的输出信息；
以RBF作为RVM分类器的核函数，利用所述训练样本和测试样本以及对应的输出信息对多分类的RVM故障判别模型进行训练直到训练完成。
选择RBF作为RVM分类器的核函数，对每一个二分类RVM进行训练。
给定训练数据集
ei为输入向量，fi为输出向量。RVM模型输出可表示为：
式中，w为权值向量，w＝w1,w2...wM，φi(xi)为非线性基函数，M为训练数据集数量。
对于二分类问题，需要将线性组合f(ei)映射到(0，1)区间进行类别判定。整个样本集的似然函数可以表示为：
为了提高模型的泛化能力，RVM定义了高斯先验概率分布，如式(16)，以实现光滑模型。
式中，α＝(α0,α1,…,αN)T是权值w先验分布的超参数。对于新的输入向量enew，目标值tnew的概率预测表示为：
p(tnew|t)＝∫p(tnew|w,α)p(w|t,α)p(α|t)dwdα (17)
对于固定的α值，首先给定后验分布模式，获得“最可能”权值wMP，然后根据p(w|t,α)＝p(t|w)p(w|α)/p(t|α)将关于w的最大后验概率估计等价为寻找式(18)的最大值。
式中，A＝diag(α0,α1,...,αM)，fi＝σ{f(ei,w)}。
将式(18)两次微分后得到：
式中B＝diag(β1,β2,...βi...,βM)，βi＝{f(ei)}[1-σ{f(ei)}]，对式(19)右边取负号并求逆，得到权值后验概率在wMP时高斯逼近的协方差矩阵，即：
∑＝(φTBφ+A)-1 (20)由式(19)和
可有
wMP＝∑φTBt (21)
对超参数α更新，即
式中，γi为参数，μi为第i个后验概率权值的均值，∑i,i为权值协方差的第i个对角元素。
反复计算式(22)同时更新式(20)和(21)，直到满足合适的收敛条件，分类器训练完成。最后，将测试样本送入训练完成的分类器进行识别，即可得到测试结果。
图2为一个多分类RVM故障判别方法的实施例流程图。
为验证上述方法的效果，采集17条线路84组单相接地、两相相间短路、两相接地短路和三相短路的故障数据，通过MATLAB编写的基于距离可分性判据进行特征提取，选择2维决策边界最能反映故障特征的高频信息。再将提取的最优特征数据输入RVM分类器进行判别，并输入对应的数据，图3为分类器RVM1的故障分类效果。
针对配电网多类型故障的高维统计特征，本发明提出一种多分类RVM故障判别方法。首先，利用电流采集模块和电压采集模块采集配电网各节点不同运行状态下的三相电流信号、零序电流信号、三相电压信号和零序电压信号等暂态波形信号，将采集到的暂态波形信号依次进行相关性分析，计算波形相关系数，依据相关系数大小对采集样本进行约减，建立配电网典型运行状态样本库；其次，针对建立的典型故障样本库，通过傅里叶分解得到各故障样本的1-7次相电压基波和谐波分量作为原始特征空间中的特征量，利用基于距离的可分性判据对特征进行降维，选取前两个特征量作为最优特征量构成新特征空间；最后，将降维后的特征量作为输入向量，并将输入数据以1：1的比例分开，分别作为训练样本和测试样本，利用相关向量机(RVM)分类器，建立故障判别分类模型。本发明能够有效筛选出更具代表性的特征因子来描述故障特征，优化分类器结构，全面描述故障行为多样性，直接实现故障类别分类，具有所需相关向量少、训练及测试时间短、计算复杂度低且识别率高等优点。
实施例2：
基于同一发明构思，本发明还提供了一种多分类的RVM电网故障判别系统，该系统的基本结构示意图如图4所示。
该系统包括：降维模块、建模模块和判别模块；
所述降维模块，用于利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量及其对应的节点；
所述建模模块，用于建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练；
所述判别模块，用于采集所述最优特征量对应的电网节点上的暂态波形信号进行傅里叶分解，并将傅里叶分解后的基波和谐波输入到训练完成的多分类的RVM故障判别模型中进行电网故障判别，得到电网故障类型；
其中，所述故障样本库中包括配电网各节点不同运行状态下的暂态波形信号；所述运行状态包括：正常运行状态和不同类型的故障状态。
暂态波形信号包括：三相电流信号、零序电流信号、三相电压信号和零序电压信号。
所述基于距离的可分性判据，按下式计算：
式中，J1为基于距离的可分性判据，Sw为故障类别类内离散度，Sb为故障类别类间离散度，tr()表示求矩阵的迹；
其中，故障类别类内离散度Sw，按下式计算：
式中，T为样本库中的样本总数，k为样本类别数，Tj为第j类样本中样本的总数，Yi j表示第j类样本中的第i个样本，μj为第j类样本的平均值，μ为所有样本的平均值；
故障类别类间离散度Sb，按下式计算：
暂态波形信号的相关系数，按下式计算：
式中，ρxy为暂态波形信号x(t)和y(t)离散化后形成的相关系数，x(n)为暂态波形信号x(t)离散化后形成的信号序列，y(n)暂态波形信号y(t)离散化后形成的信号序列，n为信号序列中的次序，N为采样时间窗内的暂态波形信号数量。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制，尽管参照上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：本领域技术人员阅读本发明后依然可对发明的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在发明待批的权利要求保护范围之内。
Claims (8)
1.一种多分类的RVM电网故障判别方法，其特征在于，包括：
利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量及其对应的节点；
建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练；
采集所述最优特征量对应的电网节点上的暂态波形信号进行傅里叶分解，并将傅里叶分解后的基波和谐波输入到训练完成的多分类的RVM故障判别模型中进行电网故障判别，得到电网故障类型；
其中，所述故障样本库中包括配电网各节点不同运行状态下的暂态波形信号；所述运行状态包括：正常运行状态和不同类型的故障状态。
2.如权利要求1所述的方法，其特征在于，所述建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练，包括：
利用多个RVM分类器对故障类型进行一对一分类，建立多分类的RVM故障判别模型；
将各故障样本的最优特征量分为训练样本和测试样本，并将各故障样本对应的故障类型作为模型的输出信息；
以RBF作为RVM分类器的核函数，利用所述训练样本和测试样本以及对应的输出信息对多分类的RVM故障判别模型进行训练直到训练完成。
3.如权利要求1所述的方法，其特征在于，所述利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量，包括：
对故障样本库中各故障样本进行傅里叶分解，得到各节点对应的各故障样本的预设次的基波和谐波分量，并将所述各节点对应的各故障样本的预设次的基波和谐波分量作为原始特征空间中的各特征量；
利用基于距离的可分性判据对所述原始特征空间中的各特征量进行降维，得到各故障样本的最优特征量及其对应的节点。
4.如权利要求1或3所述的方法，其特征在于，所述基于距离的可分性判据，按下式计算：
式中，J1为基于距离的可分性判据，Sw为故障类别类内离散度，Sb为故障类别类间离散度，tr()表示求矩阵的迹；
其中，故障类别类内离散度Sw，按下式计算：
式中，T为样本库中的样本总数，k为样本类别数，Tj为第j类样本中样本的总数，Yi j表示第j类样本中的第i个样本，μj为第j类样本的平均值，μ为所有样本的平均值；
故障类别类间离散度Sb，按下式计算：
5.如权利要求1所述的方法，其特征在于，所述暂态波形信号包括：三相电流信号、零序电流信号、三相电压信号和零序电压信号。
6.如权利要求1所述的方法，其特征在于，所述典型故障样本库的建立，包括：
采集电网各节点在不同运行状态下的暂态波形信号；
对采集的各暂态波形信号进行一对一的相关性分析，得到各暂态波形信号相对于其他任一暂态波形信号的相关系数；
依据预设的相关系数的范围，对暂态波形信号进行约减；
根据约减后的暂态波形信号建立典型故障样本库。
7.如权利要求6所述的方法，其特征在于，所述暂态波形信号的相关系数，按下式计算：
式中，ρxy为暂态波形信号x(t)和y(t)离散化后形成的相关系数，x(n)为暂态波形信号x(t)离散化后形成的信号序列，y(n)暂态波形信号y(t)离散化后形成的信号序列，n为信号序列中的次序，N为采样时间窗内的暂态波形信号数量。
8.一种多分类的RVM电网故障判别系统，其特征在于，包括：降维模块、建模模块和判别模块；
所述降维模块，用于利用基于距离的可分性判据，对典型故障样本库中各故障样本进行降维，得到各故障样本的最优特征量及其对应的节点；
所述建模模块，用于建立多分类的RVM故障判别模型，并利用所述各故障样本的最优特征量对所述模型进行训练；
所述判别模块，用于采集所述最优特征量对应的电网节点上的暂态波形信号进行傅里叶分解，并将傅里叶分解后的基波和谐波输入到训练完成的多分类的RVM故障判别模型中进行电网故障判别，得到电网故障类型；
其中，所述故障样本库中包括配电网各节点不同运行状态下的暂态波形信号；所述运行状态包括：正常运行状态和不同类型的故障状态。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110701743.1A CN113447759A (zh) | 2021-06-24 | 2021-06-24 | 一种多分类的rvm电网故障判别方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110701743.1A CN113447759A (zh) | 2021-06-24 | 2021-06-24 | 一种多分类的rvm电网故障判别方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN113447759A true CN113447759A (zh) | 2021-09-28 |
Family
ID=77812395
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110701743.1A Pending CN113447759A (zh) | 2021-06-24 | 2021-06-24 | 一种多分类的rvm电网故障判别方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113447759A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113985173A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工业大学 | 基于统计特征典型相关分析的pfc故障检测方法 |
| CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和系统 |
| CN114089121A (zh) * | 2021-11-30 | 2022-02-25 | 华北电力大学（保定） | 一种针对不对称接地短路的风电场集电线故障测距方法 |
-
2021
- 2021-06-24 CN CN202110701743.1A patent/CN113447759A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113985173A (zh) * | 2021-10-27 | 2022-01-28 | 哈尔滨工业大学 | 基于统计特征典型相关分析的pfc故障检测方法 |
| CN113985173B (zh) * | 2021-10-27 | 2024-03-15 | 哈尔滨工业大学 | 基于统计特征典型相关分析的pfc故障检测方法 |
| CN114089121A (zh) * | 2021-11-30 | 2022-02-25 | 华北电力大学（保定） | 一种针对不对称接地短路的风电场集电线故障测距方法 |
| CN114089121B (zh) * | 2021-11-30 | 2023-07-07 | 华北电力大学（保定） | 一种针对不对称接地短路的风电场集电线故障测距方法 |
| CN114021671A (zh) * | 2022-01-05 | 2022-02-08 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和系统 |
| CN114021671B (zh) * | 2022-01-05 | 2022-04-05 | 中国电力科学研究院有限公司 | 一种有源配电网在线故障处理方法和系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Roffo et al. | Infinite latent feature selection: A probabilistic latent graph-based ranking approach | |
| Aydadenta et al. | A clustering approach for feature selection in microarray data classification using random forest | |
| CN113447759A (zh) | 一种多分类的rvm电网故障判别方法和系统 | |
| Abdoos et al. | Combined VMD-SVM based feature selection method for classification of power quality events | |
| Oboh et al. | Unsupervised learning of finite mixtures using scaled dirichlet distribution and its application to software modules categorization | |
| Liu et al. | High-precision identification of power quality disturbances under strong noise environment based on FastICA and random forest | |
| Motlagh et al. | Power quality disturbances recognition using adaptive chirp mode pursuit and grasshopper optimized support vector machines | |
| Guo et al. | Vehicle verification using Gabor filter magnitude with gamma distribution modeling | |
| CN115563610B (zh) | 入侵检测模型的训练方法、识别方法和装置 | |
| CN103942749A (zh) | 一种基于修正聚类假设和半监督极速学习机的高光谱地物分类方法 | |
| Nugraha et al. | Particle Swarm Optimization–Support Vector Machine (PSO-SVM) Algorithm for Journal Rank Classification | |
| Du et al. | Convolutional neural network-based data anomaly detection considering class imbalance with limited data | |
| CN111461923A (zh) | 一种基于深度卷积神经网络的窃电监测系统和方法 | |
| Tadayon et al. | A clustering approach to time series forecasting using neural networks: A comparative study on distance-based vs. feature-based clustering methods | |
| Bodda et al. | Comparative Analysis of Deep Learning and Machine Learning Techniques for Power System Fault type Classification and Location Prediction | |
| CN117669656A (zh) | 基于TCN-Semi PN的直流微电网稳定性实时监测方法及装置 | |
| Liu et al. | A weight-incorporated similarity-based clustering ensemble method | |
| Jere et al. | Principal component properties of adversarial samples | |
| Rincón et al. | Wavelet-RKHS-based functional statistical classification | |
| Kadavankandy et al. | Asymptotic gaussian fluctuations of spectral clustering eigenvectors | |
| CN113298138B (zh) | 一种雷达辐射源个体识别方法及系统 | |
| Poulos et al. | Automatic stationary detection of time series using auto-correlation coefficients and LVQ—Neural network | |
| CN112285541B (zh) | 一种电流频率转换电路的故障诊断方法 | |
| CN114462447A (zh) | 电压暂降的识别方法、装置、计算机设备、存储介质 | |
| CN114462581A (zh) | 网络结构搜索方法和装置 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |