CN113985733B - 一种基于自适应概率学习的配电网故障辨识方法 - Google Patents

Abstract

本申请公开了一种基于自适应概率学习的配电网故障辨识方法，包括，通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取；利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差；利用重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数；将线性映射的最佳参数投影到特征空间，并在特征空间进行聚类，完成仿真波形类型辨识。本申请通过波形分解和最大化特征相似性找到最佳线性映射，将仿真数据和真实数据映射至同一特征空间，且在此空间中两者分布差异最小，之后即可使用仿真数据训练模型并对真实数据进行分类，从而解决配电网故障辨识中样本量不足的问题。

Description

一种基于自适应概率学习的配电网故障辨识方法

技术领域

本申请涉及配电网故障辨识的技术领域，尤其涉及一种基于自适应概率学习的配电网故障辨识方法。

背景技术

随着电网的发展和用户对于供电可靠性要求的提高，电网公司越来越多地关注配电网设备故障预测和诊断，除突发性事件，配网中设备故障往往存在发展的阶段，即设备的绝缘状态从良好到恶劣。配电网中最常见的接地故障，虽然可以通过继保装置动作切断线路，并在排除故障后继续运行，但线路和设备因为电弧造成的绝缘损失不可逆。以上过程重复多次则会造成绝缘恶化，在正常工作电压下击穿。

对于上述故障发展过程，用早期故障代指初级阶段，即故障仍可自恢复，这在小电流接地系统中极其常见。之所以关注这类自恢复故障，是因为电网公司往往忽略这种事件，将其视作暂态扰动。但事实上，上述类型的故障波形蕴含了设备和线路的绝缘信息，如果能有效利用，可以很好地对配电网故障进行预警，从而大幅提高供电可靠性。

由于配电网网架结构复杂，基于机理的波形分析方法往往效率不高，且随着大量传感器的安装，配电网故障数据被逐步收集，数据驱动模型越来越多地被应用于这一领域。但相比于普通场景，配电网故障辨识具有以下难点：(1)接地故障往往涉及电弧，具有很强的随机性和不确定性；(2)自恢复性故障往往较少，难以收集足够的数据训练模型。

因此，目前很多配电网故障辨识算法建立在仿真数据或实验数据之上，即利用仿真数据或实验数据训练和测试模型。很少有算法使用现场真实数据测试模型。相比于仿真数据或实验数据，现场真实数据往往场景更加复杂，且夹杂很多干扰因素，因此有必要研究真实数据下的模型性能。除此之外，目前流行的人工智能方法如各种卷积神经网络往往不具备可解释性，模型提取的特征人类无法理解，也因此无法判断特征好坏和引入先验知识。

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，本发明提供了一种基于自适应概率学习的配电网故障辨识方法，以解决配电网故障辨识中样本量不足、故障诊断准确率低的问题，同时克服了仿真数据和真实数据的分布差异问题。

为解决上述技术问题，本发明提供如下技术方案：包括，通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取；利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差；利用所述重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数；将所述线性映射的最佳参数投影到特征空间，并在所述特征空间进行聚类，完成仿真波形类型辨识。

作为本发明所述的基于自适应概率学习的配电网故障辨识方法的一种优选方案，其中：所述近似部分和细节部分包括，所述近似部分反映了仿真波形的大致形状，所述细节部分反映了仿真波形的畸变情况；通过小波变换对所述近似部分和细节部分进一步分解，在近似部分中分解出基波z_o和偏置z_off，在细节部分中分解出脉冲z_p、谐波z_h和畸变z_d。

作为本发明所述的基于自适应概率学习的配电网故障辨识方法的一种优选方案，其中：所述特征提取包括，通过小波分解策略对近似部分和细节部分的分解结果进行特征提取，并对所有特征进行归一化处理，获得特征向量φ(w)：

φ(w)＝[A_o,f_o,A_off,A_p,t_p,A_h,f_h,w_d,t(z_i,z_i+1)]

其中，基波z_o对应特征为幅值A_o和频率f_o；偏置z_off对应特征为幅值A_off；脉冲z_p对应特征为峰值A_p和脉宽t_p；谐波z_h对应特征为幅值A_h和频率f_h；畸变z_d对应特征为畸变量w_d；t(z_i,z_i+1)为分量之间的时间间隔，z_i表示第i个分量。

作为本发明所述的基于自适应概率学习的配电网故障辨识方法的一种优选方案，其中：所述降维包括，假设获得特征向量和/>通过线性映射/>对两者进行降维，降维后的特征向量分别为：

其中，A′_i、B′_j分别为特征向量A_i、B_j降维后的特征向量。

作为本发明所述的基于自适应概率学习的配电网故障辨识方法的一种优选方案，其中：所述重构误差包括，根据下式计算重构误差L_sim：

L_sim＝β₁L_w+β₂L_v

L_v:＝H(P^visit,V)

其中，β₁、β₂为误差系数，L_w为循环概率和/>的期望分布T之间的差异，H为熵，L_v为遍历误差，P^visit为参与重构过程的概率，V为P^visit的期望分布。

作为本发明所述的基于自适应概率学习的配电网故障辨识方法的一种优选方案，其中：还包括，假设降维后的特征向量A′_i、B′_k两者的向量内积为M_ik＝<A′_i,B′_k>，B′_k转化为A′_i的概率如下式：

B′_k转化为A′_i的概率为：

从A′_i转化为B′_k再转化为A′_i的循环概率为：

的期望分布T为：

其中，M_ik′为降维后的特征向量A′_i、B′_k′两者的向量内积，B′_k′为特征向量B′_k经过降维后的特征向量；i、j分别为某一仿真波形数据和某一仿真波形数据的类别，k、k′为某一仿真波形数据；P^ab为A_i转换为B_i概率，P^ba为B_j转换为A_i概率；表示仿真波形数据D_s中仿真波形数据的类别/>所在类别的样本数。

作为本发明所述的基于自适应概率学习的配电网故障辨识方法的一种优选方案，其中：训练所述自适应概念学习模型包括，将重构误差和仿真数据分类误差之和作为实际数据D_t误差估计训练所述自适应概念学习模型，以获得线性映射的最佳参数。

作为本发明所述的基于自适应概率学习的配电网故障辨识方法的一种优选方案，其中：所述聚类包括，利用K-means聚类算法对所述线性映射的最佳参数进行聚类。

本发明的有益效果：本发明通过波形分解和最大化特征相似性找到最佳线性映射，将仿真数据和真实数据映射至同一特征空间，且在此空间中两者分布差异最小，之后即可使用仿真数据训练模型并对真实数据进行分类，从而解决配电网故障辨识中样本量不足这一重要问题；基于系统仿真数据和现场实际数据的实验表明，本发明对于自适应学习条件下早期故障诊断的可靠性和准确率远优于同等条件下的卷积神经网络、支持向量机、K邻近算法等常用分类模型，为自适应学习条件下的配电网故障辨识技术提供了一种新的思路。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例所述的基于自适应概率学习的配电网故障辨识方法的的流程图；

图2为本申请实施例所述的基于自适应概率学习的配电网故障辨识方法的仿真系统配置示意图；

图3为本申请实施例所述的基于自适应概率学习的配电网故障辨识方法的单周波早期故障示意图；

图4为本申请实施例所述的基于自适应概率学习的配电网故障辨识方法的多周波早期故障示意图；

图5为本申请实施例所述的基于自适应概率学习的配电网故障辨识方法的永久性故障示意图；

图6为本申请实施例所述的基于自适应概率学习的配电网故障辨识方法的暂态干扰示意图。

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。

如图1所示，本实施例提供了一种基于自适应概率学习的配电网故障辨识方法，包括：

S100：通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取。

近似部分反映了仿真波形的大致形状，细节部分反映了仿真波形的畸变情况；通过小波变换对近似部分和细节部分进一步分解，在近似部分中分解出基波z_o和偏置z_off，在细节部分中分解出脉冲z_p、谐波z_h和畸变z_d。

进一步的，通过小波分解策略对近似部分和细节部分的分解结果进行特征提取，并对所有特征进行归一化处理(以消除尺度变化的影响)，获得特征向量φ(w)：

φ(w)＝[A_o,f_o,A_off,A_p,t_p,A_h,f_h,w_d,t(z_i,z_i+1)]

其中，基波z_o对应特征为幅值A_o和频率f_o；偏置z_off对应特征为幅值A_off；脉冲z_p对应特征为峰值A_p和脉宽t_p；谐波z_h对应特征为幅值A_h和频率f_h；畸变z_d对应特征为畸变量w_d；t(z_i,z_i+1)为分量之间的时间间隔，z_i表示第i个分量。

较佳的是，本实施例基于小波分解进行特征提取，相比于深层神经网络，其具有以下优点：(1)对数据需求量不高，适合配电网故障诊断这种小样本问题；(2)提取出的特征具有很强的可解释性，便于引入先验知识进一步提高准确率。

S200：利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差。

对于仿真数据和实际数据/>仿真数据的类别/>已知，实际数据的类别/>未知；假设获得特征向量/>和/>通过线性映射/>对两者进行降维，降维后的特征向量分别为：

其中，A′_i、B′_j分别为特征向量A_i、B_j降维后的特征向量。

根据下式计算重构误差L_sim：

L_sim＝β₁L_w+β₂L_v

L_v:＝H(P^visit,V)

其中，β₁、β₂为误差系数，L_w为循环概率和/>的期望分布T之间的差异，H为熵，L_v为遍历误差，P^visit为参与重构过程的概率，V为P^visit的期望分布。

假设降维后的特征向量A′_i、B′_k两者的向量内积为M_ik＝<A′_i,B′_k>，B′_k转化为A′_i的概率如下式：

B′_k转化为A′_i的概率为：

从A′_i转化为B′_k再转化为A′_i的循环概率为：

因为和/>必须一致，因此/>的期望分布T为：

其中，M_ik′为降维后的特征向量A′_i、B′_k′两者的向量内积，B′_k′为特征向量B′_k经过降维后的特征向量；i、j分别为某一仿真波形数据和某一仿真波形数据的类别，k、k′为某一仿真波形数据；P^ab为A_i转换为B_i概率，P^ba为B_j转换为A_i概率；表示仿真波形数据D_s中仿真波形数据的类别/>所在类别的样本数。

S300：利用重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数。

自适应概念学习模型训练过程如下：将重构误差和仿真数据分类误差之和作为实际数据D_t误差估计训练自适应概念学习模型，以获得线性映射的最佳参数。

S400：将线性映射的最佳参数投影到特征空间，并在特征空间进行聚类，完成仿真波形类型辨识。

利用K-means聚类算法对线性映射的最佳参数进行聚类。

为验证本方法的准确性和可行性，本实施例设计了以下实验；实验中使用了仿真数据和现场采集的实际数据，自适应学习的目的是利用仿真数据训练模型，然后让模型自适应地去判别实际数据类型。

仿真系统的配置图如图2所示，该系统基于IEEE 13节点模型，电压等级为10kV，频率为50Hz，采样频率为4k，故障位置、负载情况如图2所示，L1、L2、L3、L4为电阻，C1、C2、C3、C4为电容，f1、f2、f3、f4为故障位置；仿真系统搭建使用PSCAD软件，其中故障采用电弧模拟，电弧模型采用Kizilcay电弧模型，该模型从控制论的角度描述了电弧动态特性，即弧柱内部能量平衡，可用以下数学模型表示：

其中，g(t)为电弧电导，i_f(t)为电弧电流，u_f(t)为电弧电压，τ为电弧时间常数，r_o为电弧特征电阻，u_o为电弧特征电压，上述参数取值范围如下：τ＝0.2～0.4ms，u_o＝300～4000V，r_o＝0.01～0.015Ω。

为了模拟各种情形下的配网故障数据，在仿真中分别改变了故障阻值、故障起始角、故障距离、线路参数、负载参数、噪音水平等变量，获得了各种条件下的仿真数据；仿真中一共模拟了四种事件类型：单周波早期故障、多周波早期故障、永久性故障和暂态干扰，其中早期故障和永久性故障可能的位置如图2所示，暂态干扰包括电容器投切和负载变化，电容器和负载可能的位置如图2所示；表1给出了各种条件下仿真数据的数量。

表1：各种条件下的仿真事件数量

本实施例采用广东某地2021年2月到5月配电网10kV架空线路上的故障检测装置采集的数据，该系统采用小电流接地方式；故障检测装置采样频率为4096Hz，触发原理为电压或电流信号超过阈值时，录波装置启动，装置会记录故障前后的三相电压和电流波形，每条记录长度为十六个周波。

通过对波形的分析和现场确认故障原因，这里定义了三种事件类型，分别为早期故障、永久性故障和暂态干扰，其中早期故障为可恢复的瞬时故障，按故障持续时间可进一步划分为单周波早期故障和多周波早期故障，其背后反映了不同的故障严重程度；与之对应的则是永久性故障，即故障无法自恢复，只能等待继保装置动作；此外，由于操作和雷击产生的过电压也会触发故障检测装置，但上述过电压并非故障导致，因此算作暂态干扰；图3～图6给出了上述几种事件类型对应的典型波形；此外，表2统计了各种事件类型对应的数量。

表2：事件类型分布

数据类型	单周波早期故障	多周波早期故障	永久性故障	暂态干扰
					仿真数据	80	80	80	80
实际数据	71	64	93	88
					合计	151	144	173	168

为了验证本方法的自适应能力，本实施例设计了两个实验：(1)将全部仿真数据作为训练集，随机抽取一部分实际数据作为验证集，剩余实际数据作为测试集，此时验证集数据标签已知。

(2)将全部仿真数据作为训练集，随机抽取一部分实际数据作为验证集，剩余实际数据作为测试集，此时验证集数据标签未知；这里首先说明三种集合的定义，训练集用于训练模型，验证集在开发阶段用于验证模型的好坏，一般用于确定模型结构中的超参数，测试集则是在最终阶段用于测试模型；不难看出，实验2中模型训练的难度高于实验1，因为实验1中还可以使用验证集中的标签调整模型超参数，实验2中无法使用验证集标签，只能利用特征相似度判断训练模型的好坏。

实验中数据分配情况如下：训练集大小为320，验证集大小为160，测试集大小为156；为了保证事件类型分布不会影响实验结果，每个实验均进行10次，每次随机抽取数据构成三个集合，实验结果取10次平均值；为了评价本方法的性能，这里引入F₁分数作为评价指标；F₁分数是分类问题中最常用的指标，它综合考虑了准确率p和召回率r；其定义如下：

其中，t_p表示分类正确的正样本，f_p表示分类错误的负样本，f_n表示分类错误的正样本；对于多分类问题，平均F₁分数为各类别F₁分数的平均数。

本实施例将本方法于三种常用的分类器：卷积神经网络、支持向量机、K邻近算法进行比较，以体现本方法的优越性；相比于一般分类器，本方法考虑了仿真数据和实际数据的分布差异，并提出特征相似度这一度量解决上述问题，因此性能远优于上述三种模型。

对于实验1，由于验证集即部分实际数据标签已知，对于通过上述方式训练好的模型，可直接用于预测验证集，然后将预测结果和真实标签比较，确定最佳模型；再将最佳模型用于测试集获得最终测试结果；对于实验2，验证集标签未知，因此直接用于测试集获得最终测试结果即可。

表3给出了本方法与不同分类器的分类性能，可以看到本方法对于各种故障类型均表现良好；这是因为本方法充分考虑了仿真数据和实际数据的分布差异，利用特征相似度这一度量将模型在仿真数据上的误差和在实际数据上的误差联系起来；其核心思想是找到一组合理的映射，该映射将原始波形映射到特征向量空间，使得在该空间中仿真数据和实际数据能很好地分类，即同类别仿真数据和实际数据聚在一起，不同类别仿真数据和实际数据充分散开。

表3：不同模型的F1分数

由表3可见，本方法的分类准确率远高于其余三种模型，这是因为本方法充分考虑了训练集和测试集的数据差异，提取出的特征在训练数据和测试数据中具有很高的相似性，即模型提取出的是通用特征，而另外三种模型在训练集上表现良好，但由于测试集上数据的分布差异，它们在测试集上表现不佳。

其次，对于这四种方法，实验1的准确率均明显高于实验2，这是因为实验1中部分实际数据标签已知，这在一定程度上可以帮助模型克服分布差异，获得更好的分类准确率；这里将实验1和实验2之间的准确率误差视为模型的自适应学习能力，可以看出，本方法的这一能力明显优于其余三种模型，即该方法对实际数据的标签依赖性不强；这对于配网故障辨识这一场景意义重大，因为在实际应用中，往往难以确定实际数据标签，利用模型先做初步判断，再有针对性地核实模型预测结果可以极大程度上减轻运维人员的工作量，提高运维质量和效率。

实验表明本方法明显优于其余三种常用的分类器，为配网故障辨识问题提供了一种全新的思路；且相比于其他方法，本方法具有以下优点：(1)本方法提取出的特征具有很强的可解释性，便于先验知识的引入；(2)本方法能很好地利用仿真数据进行训练，克服了配网故障辨识中样本量不足这一问题；(3)现场实际数据能进一步提升模型性能，便于运维人员从零开始搭建样本库，即初始阶段利用仿真数据初步判断现场波形，之后人工核实波形并现场确认，将确认后的实际波形数据加入样本库，再利用实际数据进一步提升模型分类准确性。

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 (2)

1.一种基于自适应概率学习的配电网故障辨识方法，其特征在于：包括，

通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取，其中，所述近似部分和细节部分包括，所述近似部分反映了仿真波形的大致形状，所述细节部分反映了仿真波形的畸变情况；通过小波变换对所述近似部分和细节部分进一步分解，在近似部分中分解出基波z_o和偏置z_off，在细节部分中分解出脉冲z_p、谐波z_h和畸变；

所述特征提取包括，通过小波分解策略对近似部分和细节部分的分解结果进行特征提取，并对所有特征进行归一化处理，获得特征向量φ(w)：

φ(w)＝[A_o,f_o,A_off,A_p,t_p,A_h,f_h,w_d,t(z_i,z_i+1)]，

其中，基波z_o对应特征为幅值A_o和频率f_o；偏置z_off对应特征为幅值A_off；脉冲z_p对应特征为峰值A_p和脉宽t_p；谐波z_h对应特征为幅值A_h和频率f_h；畸变z_d对应特征为畸变量w_d；t(z_i,z_i+1)为分量之间的时间间隔，z_i表示第i个分量；

利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差，其中，所述降维包括，假设获得特征向量和/>通过线性映射/>对两者进行降维，降维后的特征向量分别为：

其中，A_i′、B_j′分别为特征向量A_i、B_j降维后的特征向量；

所述重构误差包括，根据下式计算重构误差L_sim：

L_sim＝β₁L_w+β₂L_v，

L_v:＝H(P^visit,V)，

其中，β₁、β₂为误差系数，L_w为循环概率和/>的期望分布T之间的差异，H为熵，L_v为遍历误差，P^visit为参与重构过程的概率，V为P^visit的期望分布；

假设降维后的特征向量A′_i、B′_k两者的向量内积为M_ik＝<A′_i,B′_k>，B′_k转化为A′_i的概率根据下式：

B′_k转化为A′_i的概率为：

从A′_i转化为B′_k再转化为A′_i的循环概率为：

的期望分布T为：

其中，M_ik′为降维后的特征向量A_i′、B_k″两者的向量内积，B_k″为特征向量B_k′经过降维后的特征向量；i、j分别为某一仿真波形数据和某一仿真波形数据的类别，k、k′为某一仿真波形数据；P^ab为A_i转换为B_i概率，P^ba为B_j转换为A_i概率；表示仿真波形数据D_s中仿真波形数据的类别/>所在类别的样本数；

利用重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数，其中，训练所述自适应概念学习模型包括，将重构误差和仿真数据分类误差之和作为实际数据D_t误差估计训练所述自适应概念学习模型，以获得线性映射的最佳参数；

将所述线性映射的最佳参数投影到特征空间，并在所述特征空间进行聚类，完成仿真波形类型辨识。

2.根据权利要求1所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述聚类包括，

利用K-means聚类算法对所述所述线性映射的最佳参数进行聚类。