CN113466634A - 一种基于故障指示器的接地故障波形识别方法 - Google Patents
一种基于故障指示器的接地故障波形识别方法 Download PDFInfo
- Publication number
- CN113466634A CN113466634A CN202110963311.8A CN202110963311A CN113466634A CN 113466634 A CN113466634 A CN 113466634A CN 202110963311 A CN202110963311 A CN 202110963311A CN 113466634 A CN113466634 A CN 113466634A
- Authority
- CN
- China
- Prior art keywords
- zero
- fault
- waveform
- model
- fault indicator
- 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
- 238000000034 method Methods 0.000 title claims abstract description 25
- 238000012549 training Methods 0.000 claims abstract description 19
- 230000009467 reduction Effects 0.000 claims abstract description 15
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 10
- 238000010606 normalization Methods 0.000 claims abstract description 7
- 230000002194 synthesizing effect Effects 0.000 claims abstract description 4
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000012706 support-vector machine Methods 0.000 claims description 6
- 238000003066 decision tree Methods 0.000 claims description 4
- 238000005457 optimization Methods 0.000 claims description 4
- 238000001228 spectrum Methods 0.000 claims description 4
- 238000013528 artificial neural network Methods 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000004927 fusion Effects 0.000 abstract description 6
- 238000011156 evaluation Methods 0.000 abstract description 4
- 238000012545 processing Methods 0.000 abstract description 4
- 238000012216 screening Methods 0.000 abstract 1
- 238000004364 calculation method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000012795 verification 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
-
- 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)
- Locating Faults (AREA)
- Testing Of Short-Circuits, Discontinuities, Leakage, Or Incorrect Line Connections (AREA)
Abstract
本发明公开了一种基于故障指示器的接地故障波形识别方法，包括以下步骤：1)依据故障指示器数据合成零序电流、零序电压，并依据实际数据划定标签；2)提取零序电流、零序电压的时域特征、频域特征以及小波包分解节点能量特征；3)组合系数降维；4)降维筛选后的特征归一化处理；5)处理后的数据输入融合模型训练；6)交叉网格搜索对模型参数寻优，并最终固化最优参数；7)将训练好的模型上线用于单相接地故障波形识别。本发明依据一种组合系数对提取的多特征进行降维处理，特征评价全面，将降维后的特征序列作为融合模型的输入，最终实现单相接地故障波形的识别，相比现有方法具有更高的识别准确率。
Description
技术领域
本发明涉及中压配电网技术领域，尤其涉及一种基于故障指示器的接地故障波形识别方法。
背景技术
我国中压配电网多指3～60kV电压等级的电网，其在我国电力系统中占有及其重要的地位，配电网单相接地故障的有效识别与定位是多年来亟待解决的难题。实际应用场景中，配电网中的电压/电流信号复杂多变，包含雷击、零序电流异常、采样异常等多种异常波形，从众多复杂波形中有效地识别出单相接地故障波形对接地故障的成功定位具有非常重要的意义。现有多数方法存在着提取特征单一、特征降维方法单一、模型单一等不足，导致波形识别准确率相对较低。
发明内容
本发明从现有技术的不足及缺陷出发，提出一种基于故障指示器的接地故障波形识别方法，提取故障指示器采集并合成的零序电压与零序电流的多项时域特征、频域特征以及小波包分解节点能量特征，依据一种组合系数对上述特征进行降维处理，将降维后的特征序列作为融合模型的输入，最终实现单相接地故障波形的识别。
为了实现上述发明目的，本发明采取如下技术方案：
一种基于故障指示器的接地故障波形识别方法，包括以下步骤：
步骤1：依据故障指示器采集到的三相电压和电流数据合成零序电压与零序电流，分别提取零序电压与零序电流的时域特征、频域特征及小波包分解节点能量特征；
步骤2：依据故障指示器采集的实际波形实地分析并划定标签类别；
步骤3：分别计算步骤1中提取的各个特征与标签类别的组合系数值，依据组合系数进行特征降维；
步骤4：将降维后的特征进行归一化处理，并将数据集划分为训练集和测试集；
步骤5：数据输入第一层基学习器进行训练得到初步训练结果；
步骤6：第一层基学习器得训练结果再输入到第二层元学习器做进一步的训练；
步骤7：模型关键参数寻优，找到模型最佳效能时的参数并固化到各学习器内；
步骤8：依据训练好的模型的输出实现对单相接地故障波形的有效识别。
进一步地，所述步骤1中提取的时域特征包括均值、最大值、最小值、上四分位数、下四分位数、标准差、峰峰值、偏度、峰度、均方根、绝对均值、变异系数、方根幅值、脉冲因子、峰值因子、间隙因子、波形因子、零序电压与零序电流的皮尔逊相关系数；
频域特征包括幅值谱均值、功率谱均值；
小波包分解层数为4，节点能量定义为节点系数的2范数。
进一步地，所述步骤2对故障指示器采集到数据波形拟定标签，单相接地故障波形标记为1，其它异常波形标记为0。
进一步地，所述步骤3中的组合系数定义为皮尔逊相关系数的绝对值与最大信息系数的加权组合。
进一步地，所述步骤4中的归一化方法指0-1标准化。
进一步地，所述步骤5中的第一层基学习器的算法有：梯度提升决策树、支持向量机、K-近邻；
进一步地，所述步骤6中的第二层元学习器的算法为：BP神经网络。
进一步地，所述步骤7中的模型参数寻优方法为交叉网格搜索。
进一步地，所述步骤8中依据训练好的模型的输出实现对单相接地故障波形的有效识别，单相接地故障波形模型输出为1，其它异常波形输出为0。
本发明的有益效果是：针对单相故障接地故障波形识别困难、多数方法提取特征单一、特征降维方法单一和单一模型效能有限等不足，提出了一种单相接地故障波形识别方法，该方法依据一种组合系数对提取的多特征进行降维处理，特征评价全面，将降维后的特征序列作为融合模型的输入，最终实现单相接地故障波形的识别，相比现有方法具有更高的识别准确率。
附图说明
图1为本发明的总体流程图。
图2为本发明实施例的模型对比结果图。
具体实施方式
为了使本发明的技术细节、优点和流程更加清晰，下面结合具体的实例详细阐述本发明的具体细节，应当说明的是，所阐述的具体实施例仅用以解释本发明的具体技术细节，并不能以此限定本发明的保护范围。
结合附图1，一种基于故障指示器的接地故障波形识别方法，包括以下步骤：
步骤1：依据故障指示器采集到的三相电压和电流数据合成零序电压与零序电流，分别提取零序电压与零序电流的时域特征、频域特征及小波包分解节点能量特征；相关特征具体的计算公式如下：
时域和频域特征：
小波包分解节点能量特征：
采用4层小波包分解对零序电压和零序电流进行处理，小波基函数选择“db3”，小波包节点能量特征E定义为其节点系数(细节系数，近似系数)的2范数，由此4层小波包分解便产生16个节点能量特征，E的计算公式如下：
步骤2：依据故障指示器采集的实际波形实地分析并划定标签类别；其中单相接地故障波形标记为1，其它异常波形标记为0。
步骤3：分别计算步骤1中提取的各个特征与标签类别的组合系数值，依据组合系数进行特征降维；其中皮尔逊相关系数可以很好地衡量线性关系，最大信息系数既可以衡量线性关系也可以衡量非线性关系，组合系数J定义如下：
①皮尔逊相关系数的绝对值：
②最大信息系数：
其中：
联合概率密度MI(X,Y)计算过程简述如下：定义一种网格划分G，其将随机变量X,Y沿坐标轴方向分别划分为a、b段,G则为二维空间上a*b的网格，计算不同的网格划分下的MI(X,Y)，取最大值作为G的互信息值。式中a、b即为将随机变量X、Y沿坐标轴方向分别划分的格子个数，B是根据经验设定的变量，本次MIC的计算中，B＝n0·6，log2min(a，b)的含义是将MIC进行归一化处理，将其值限定在[0,1]之间。考虑到单个评价指标的特征降维适用性有限，为了尽可能全面的衡量两随机变量序列的相关性特征，特采用皮尔逊相关系数和最大信息系数加权线性组合的方式，综合评价两随机变量序列的相关性。在权重的设置上本次验证更加关注非线性关系的衡量，取ω1＝0.3，ω2＝0.7，对某现场故障零序电流以及零序电压数据进行处理，截取J值前20个结果如表1所示。
表1特征评价结果
注：表1中I0,U0分别零序电流和零序电压。
步骤4：将降维后的特征用0-1标准化法进行归一化处理，并将数据集划分为训练集和测试集。
步骤5：数据输入第一层基学习器进行训练得到初步训练结果；第一层基学习器为K-近邻、支持向量机和梯度提升决策树。
步骤6：第一层基学习器得训练结果再输入到第二层元学习器做进一步的训练；第二层元学习器为BP神经网络。
步骤7：模型关键参数寻优，将步骤5中的各模型关键参数进行离散化处理，以模型输出最优为优化目标，采用交叉网格搜索法进行参数寻优，关键参数离散化见表2，寻优结果为当GBDT中CART树的数量为90、学习率v为1、SVM的惩罚因子C取值为50、核参数σ取值为1、KNN中k的取值为2时，融合模型的准确率为97.43％，达到满意效果，因此，取上述参数作为模型的最优参数。
表2待优化参数取值范围离散化
步骤8：结合模型输出结果与现场拓扑实现故障定位，定位判据为：故障范围内数据最多的分支的最末一个故障范围内节点下游为故障发生区段。
附图2所示为依据某现场数据的模型对比结果图。
从图中可以看出本发明提出的多模型融合识别模型(GSKB)的准确率高于梯度提升决策树(GBDT)、K-近邻(KNN)和支持向量机(SVM)。
上述实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可做出各种变换和变化以得到相对应的等同的技术方案，因此所有等同的技术方案均应归入本发明的专利保护范围。
Claims (9)
1.一种基于故障指示器的接地故障波形识别方法，其特征在于，包括以下步骤：
步骤1：依据故障指示器采集到的三相电压和电流数据合成零序电压与零序电流，分别提取零序电压与零序电流的时域特征、频域特征及小波包分解节点能量特征；
步骤2：依据故障指示器采集的实际波形实地分析并划定标签类别；
步骤3：分别计算步骤1中提取的各个特征与标签类别的组合系数值，依据组合系数进行特征降维；
步骤4：将降维后的特征进行归一化处理，并将数据集划分为训练集和测试集；
步骤5：数据输入第一层基学习器进行训练得到初步训练结果；
步骤6：第一层基学习器得训练结果再输入到第二层元学习器做进一步的训练；
步骤7：模型关键参数寻优，找到模型最佳效能时的参数并固化到各学习器内；
步骤8：依据训练好的模型的输出实现对单相接地故障波形的有效识别。
2.根据权利要求1所述的一种基于故障指示器的接地故障波形识别方法，其特征在于，所述步骤1中提取的时域特征包括均值、最大值、最小值、上四分位数、下四分位数、标准差、峰峰值、偏度、峰度、均方根、绝对均值、变异系数、方根幅值、脉冲因子、峰值因子、间隙因子、波形因子、零序电压与零序电流的皮尔逊相关系数；
频域特征包括幅值谱均值、功率谱均值；
小波包分解层数为4，节点能量定义为节点系数的2范数。
3.根据权利要求1所述的一种基于故障指示器的接地故障波形识别方法，其特征在于，所述步骤2对故障指示器采集到数据波形拟定标签，单相接地故障波形标记为1，其它异常波形标记为0。
4.根据权利要求1所述的一种基于故障指示器的接地故障波形识别方法，其特征在于，所述步骤3中的组合系数定义为皮尔逊相关系数的绝对值与最大信息系数的加权组合。
5.根据权利要求1所述的一种基于故障指示器的接地故障波形识别方法，其特征在于，所述步骤4中的归一化方法指0-1标准化。
6.根据权利要求1所述的一种基于故障指示器的接地故障波形识别方法，其特征在于，所述步骤5中的第一层基学习器的算法有：梯度提升决策树、支持向量机、K-近邻。
7.根据权利要求1所述的一种基于故障指示器的接地故障波形识别方法，其特征在于，所述步骤6中的第二层元学习器的算法为：BP神经网络。
8.根据权利要求1所述的一种基于故障指示器的接地故障波形识别方法，其特征在于，所述步骤7中的模型参数寻优方法为交叉网格搜索。
9.根据权利要求1所述的一种基于故障指示器的接地故障波形识别方法，其特征在于，所述步骤8中依据训练好的模型的输出实现对单相接地故障波形的有效识别，单相接地故障波形模型输出为1，其它异常波形输出为0。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110963311.8A CN113466634B (zh) | 2021-08-20 | 2021-08-20 | 一种基于故障指示器的接地故障波形识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110963311.8A CN113466634B (zh) | 2021-08-20 | 2021-08-20 | 一种基于故障指示器的接地故障波形识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113466634A true CN113466634A (zh) | 2021-10-01 |
| CN113466634B CN113466634B (zh) | 2023-12-29 |
Family
ID=77866906
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110963311.8A Active CN113466634B (zh) | 2021-08-20 | 2021-08-20 | 一种基于故障指示器的接地故障波形识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113466634B (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114217164A (zh) * | 2021-11-19 | 2022-03-22 | 山东大学 | 一种基于放电波形智能识别的电缆故障测距方法及系统 |
| CN114325072A (zh) * | 2022-03-14 | 2022-04-12 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
| CN115589071A (zh) * | 2022-11-24 | 2023-01-10 | 青岛鼎信通讯股份有限公司 | 一种故障指示器及配电网线路故障判定方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103499354A (zh) * | 2013-09-24 | 2014-01-08 | 哈尔滨工程大学 | 一种基于内曼-皮尔逊准则的零速检测方法 |
| CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
| CN109063939A (zh) * | 2018-11-01 | 2018-12-21 | 华中科技大学 | 一种基于邻域门长短期记忆网络的风速预测方法及系统 |
| CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
| CN111652478A (zh) * | 2020-05-19 | 2020-09-11 | 三峡大学 | 基于伞式算法的电力系统电压稳定评估误分类约束方法 |
| CN112285489A (zh) * | 2020-10-26 | 2021-01-29 | 青岛鼎信通讯股份有限公司 | 一种基于特征融合和模型融合的故障指示器故障定位方法 |
| CN112817291A (zh) * | 2019-11-15 | 2021-05-18 | 中国科学院沈阳自动化研究所 | 基于混合特性评价和子空间分解的层次故障监测方法 |
-
2021
- 2021-08-20 CN CN202110963311.8A patent/CN113466634B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103499354A (zh) * | 2013-09-24 | 2014-01-08 | 哈尔滨工程大学 | 一种基于内曼-皮尔逊准则的零速检测方法 |
| CN104050242A (zh) * | 2014-05-27 | 2014-09-17 | 哈尔滨理工大学 | 基于最大信息系数的特征选择、分类方法及其装置 |
| CN109117864A (zh) * | 2018-07-13 | 2019-01-01 | 华南理工大学 | 基于异构特征融合的冠心病风险预测方法、模型及系统 |
| CN109063939A (zh) * | 2018-11-01 | 2018-12-21 | 华中科技大学 | 一种基于邻域门长短期记忆网络的风速预测方法及系统 |
| CN112817291A (zh) * | 2019-11-15 | 2021-05-18 | 中国科学院沈阳自动化研究所 | 基于混合特性评价和子空间分解的层次故障监测方法 |
| CN111652478A (zh) * | 2020-05-19 | 2020-09-11 | 三峡大学 | 基于伞式算法的电力系统电压稳定评估误分类约束方法 |
| CN112285489A (zh) * | 2020-10-26 | 2021-01-29 | 青岛鼎信通讯股份有限公司 | 一种基于特征融合和模型融合的故障指示器故障定位方法 |
Cited By (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114217164A (zh) * | 2021-11-19 | 2022-03-22 | 山东大学 | 一种基于放电波形智能识别的电缆故障测距方法及系统 |
| CN114325072A (zh) * | 2022-03-14 | 2022-04-12 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
| CN114325072B (zh) * | 2022-03-14 | 2022-06-21 | 南昌航空大学 | 基于格拉姆角场编码的铁磁谐振过电压识别方法及装置 |
| CN115589071A (zh) * | 2022-11-24 | 2023-01-10 | 青岛鼎信通讯股份有限公司 | 一种故障指示器及配电网线路故障判定方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113466634B (zh) | 2023-12-29 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113466634B (zh) | 一种基于故障指示器的接地故障波形识别方法 | |
| Zhang et al. | Intelligent acoustic-based fault diagnosis of roller bearings using a deep graph convolutional network | |
| CN109142851B (zh) | 一种新型的配电网内部过电压识别方法 | |
| CN110108992B (zh) | 基于改进随机森林算法的电缆局放故障识别方法、系统 | |
| CN112285489B (zh) | 一种基于特征融合和模型融合的故障指示器故障定位方法 | |
| CN111723684B (zh) | 一种海上风电场内部暂态过电压类型的识别方法 | |
| Koley et al. | Wavelet-aided SVM tool for impulse fault identification in transformers | |
| CN110543921A (zh) | 一种基于波形学习的电缆早期故障识别方法 | |
| CN112327104A (zh) | 一种含分布式电源配电网的故障检测与定位方法 | |
| CN112098889A (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 | |
| Paul et al. | Knowledge-based fault diagnosis for a distribution system with high pv penetration | |
| CN116243115A (zh) | 基于时序拓扑数据分析的高压电缆模式识别方法及装置 | |
| CN115079052A (zh) | 一种变压器故障诊断方法和系统 | |
| CN114252739A (zh) | 配电网单相接地故障判别方法、系统、设备和存储介质 | |
| CN113627294A (zh) | 一种基于深度学习的变电站异常智能识别方法及系统 | |
| CN111695543B (zh) | 一种基于行波时频特性的输电线路隐患放电类型辨识方法 | |
| CN111898446A (zh) | 基于多算法归一化分析的单相接地故障研判方法 | |
| CN114755529A (zh) | 一种基于深度学习的多特征融合单相接地故障类型辨识方法 | |
| Tang et al. | Classification for transient overvoltages in offshore wind farms based on sparse decomposition | |
| CN116125199A (zh) | 一种低压配电网线路故障预警方法及系统 | |
| CN114186590A (zh) | 一种基于小波和深度学习的配电网单相接地故障识别方法 | |
| CN114252725A (zh) | 基于HHT和ResNet18的单相接地故障类型综合辨识方法 | |
| CN115308538A (zh) | 基于yolov5的配电网故障定位方法、系统、终端及存储介质 | |
| CN105548740B (zh) | 雷击故障侵入波与接地故障侵入波的辨识方法与系统 | |
| CN110245617B (zh) | 基于暂态录波波形的人工智能分析方法 |
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 |