CN114217168A - 基于录波数据最优特征选取的输电线路故障高效诊断方法 - Google Patents

Abstract

本发明提出了基于录波数据最优特征选取的输电线路故障高效诊断方法，通过对录波数据故障特征进行挖掘和最优选取，在源端厂站侧根据数据的故障可信度直接过滤掉占比高达98％的海量干扰数据，减轻调度主站系统的运载负荷，提高其对2％故障数据的诊断能力，实现输电线路故障信息快速预警的目标。

Description

基于录波数据最优特征选取的输电线路故障高效诊断方法

技术领域

本发明涉及电力系统中录波信息处理领域，尤其涉及基于录波数据最优特征选取的输电线路故障高效诊断方法。

背景技术

继电保护系统是保证电力系统稳定运行的重要监测工具，录波器作为各变电站继电保护基础配套设备，其数量随着电网规模的持续扩张而急剧增加，海量录波数据的产生对调度主站系统的故障诊断分析和预警服务能力提出了严峻的挑战。传统方式是海量录波数据全部上送至调度主站系统，瞬间冲击主站系统的通信、存储和分析资源，不利于调度主站系统对电网故障高效诊断。主站系统对海量录波数据归集分析，存在的问题如下：

(1)主站系统运行负担重：故障发生时，多个录波装置监测点集中产生海量数据并同时上送，瞬间冲击主站通信、存储和计算资源，考验主站服务器的承载能力，主站资源被越来越多的扰动数据占据，其环境适应性和系统灵活性大幅降低；

(2)数据传输链路开销大：将录波器采集到的数据全部上传，在数据从变电站上送至主站的过程中，调度数据网需要承载海量数据传输任务，对通信链路的传输稳定性是一项考验，不排除链路拥堵、数据丢失、上传失败等问题的发生。

基于此，本发明提出一种基于录波数据最优特征选取的输电线路故障高效诊断方法，解决海量录波数据无差别上送造成的故障价值密度低、数据传输链路开销大和主站系统运行负担重的问题。

发明内容

有鉴于此，本发明提出了基于录波数据最优特征选取的输电线路故障高效诊断方法，解决海量录波数据无差别上送造成的故障价值密度低、数据传输链路开销大和主站系统运行负担重的问题。

本发明的技术方案是这样实现的：本发明提供了基于录波数据最优特征选取的输电线路故障高效诊断方法，包括以下步骤：

S1、基于mRMR算法和增量搜索算法选出最优故障特征集；

S2、遍历最优故障特征集中的录波数据并进行故障可信度计算，设定故障可信度阈值；

当计算的故障可信度大于或等于故障可信度阈值时，判定当前录波数据为故障数据，根据故障可信度的大小设置传输优先级；

反之，判定当前录波数据为扰动数据，所述扰动数据根据主站CPU负荷率或通信传输链路使用占比选择性地上送；

S3、主站基于历史故障样本建立故障样本库，基于故障相似度算法并行诊断故障类型。

在以上技术方案的基础上，优选的，S1具体包括以下步骤：

S101、利用mRMR算法和增量搜索算法选出候选特征集，加权系数α在[0,1]之间，以0.25步长依次增加，步长数i取值为[1,2,3,4,5]，对应权值α_i取值为[0,0.25,0.5,0.75,1]，采用mRMR分别得到与权值α_i对应的一组嵌套的候选特征集A(α_i)；

S102、使用SVM分类器以每次递增1个特征的方式计算候选特征集A(α_i)各特征子集

的分类正确率

其中j代表了特征量的个数，并记录最大分类正确率

及其对应的特征子集

在以上技术方案的基础上，优选的，S102中若有多个特征集

同时获得最大分类正确率，则以特征数量最少的特征集作为最优故障特征集。

在以上技术方案的基础上，优选的，S2中“遍历最优故障特征集中的录波数据并进行故障可信度计算，设定故障可信度阈值”具体为：

设最优故障特征集中第l个特征的权重因子为σ_l，可信度为μ_l，其中

n表示最优特征集中特征个数，求取第a条录波数据的故障可信度值为

设定故障可信度阈值C_set。

在以上技术方案的基础上，优选的，S2中“所述扰动数据根据主站CPU负荷率或通信传输链路使用占比选择性地上送”具体为：

当主站CPU负荷率超过25％或通信传输链路使用占比超过85％的情况时，所述扰动数据存储于本地管理机中不进行上送操作，当主站系统调用时，根据主站召唤需求进行数据选择性地上送；反之，按照故障可信度值C(a)值的大小进行有序传输。

在以上技术方案的基础上，优选的，S3中“基于故障相似度算法并行诊断故障类型”具体包括以下步骤：

S201、主站对故障数据各通道模拟量可视化展示；

S202、对展示的各通道模拟量波形中的离散信号点进行S变换，得出S变换后的时频矩阵；

S203、对时频矩阵的各频率下幅值向量进行细分，每个频率有N个采样点，将其等分成M个区间，按照时频段幅值算法求取时频矩阵中所有的时频小块，得到反映暂态信号的时频矩阵A；

S204、根据矩阵相似度算法计算时频矩阵A与故障样本库中时频矩阵的相似度，并设置相似度阈值；

当计算的相似度大于或等于相似度阈值时，根据对应关系匹配到故障样本库中的故障类型；反之，结合保护和重合闸动作情况，对故障数据进行判断，确认最终的故障线路分支信息。

在以上技术方案的基础上，优选的，S203中时频段幅值算法为：

其中，A_h,g表示第h个频率下第g个时段所对应的幅值。

在以上技术方案的基础上，优选的，S203中时频矩阵A为：

在以上技术方案的基础上，优选的，S204中矩阵相似度算法为：

其中，A₁和A₂表示两个故障暂态波形时频矩阵；ρ表示两个故障暂态波形时频矩阵A₁和A₂之间的相似度；〈A₁,A₂〉表示时频矩阵A₁和A₂的内积；||A₁||为时频矩阵A₁的范数；||A₂||为时频矩阵A₂的范数；γ为时频矩阵A₁和A₂之间的夹角。

本发明的基于录波数据最优特征选取的输电线路故障高效诊断方法相对于现有技术具有以下有益效果：

(1)通过对录波数据故障特征进行挖掘和最优选取，在源端厂站侧根据数据的故障可信度直接过滤掉占比高达98％的海量干扰数据，减轻调度主站系统的运载负荷，提高其对2％故障数据的诊断能力，实现输电线路故障信息快速预警的目标；

(2)在厂站侧利用变电站内的录波器后台管理机对接收到的站内录波数据进行故障特征分析，获取对录波数据高识别率的最优特征集，利用最优特征集计算各录波数据的故障可信度，根据故障可信度的大小作为优先级上送参考指标，进行高可信度的故障数据优先传输，从而提高故障数据的传输优先级，提高了单位时间内上送故障数据的价值密度。

(3)主站侧在高负荷情况下，设定接收录波数据传输机制，降低无效干扰数据对主站系统的影响，实现故障数据在主站侧的高效诊断；在主站资源空闲时段可接收其余数据，在主站侧综合诊断，从而减少故障漏判和误判等低概率事件的发生，从而提升主站系统故障诊断和预警服务的能力。

(4)调度主站数据并行诊断：主站根据数据可信度进行优先级排序，调动主站系统的通信、存储和计算资源，利用故障样本库和相似度分析进行故障类型匹配，将有限的主站资源充分利用在价值密度高的故障数据处理上，实现故障数据的并行处理，提高调度主站系统对故障数据的高效诊断和快速预警能力。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，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为本发明基于录波数据最优特征选取的输电线路故障高效诊断方法的原理图；

图2为本发明基于录波数据最优特征选取的输电线路故障高效诊断方法的流程图；

图3为带有短路故障特征信息的故障波形。

具体实施方式

下面将结合本发明实施方式，对本发明实施方式中的技术方案进行清楚、完整地描述，显然，所描述的实施方式仅仅是本发明一部分实施方式，而不是全部的实施方式。基于本发明中的实施方式，本领域普通技术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方式，都属于本发明保护的范围。

实施例1

如图1所示，当故障发生时，厂站侧的录波器产生海量录波数据，通过后台管理机传输至主站系统，由主站系统诊断故障。由于海量录波数据全部上送至调度主站系统，瞬间冲击主站系统的通信、存储和分析资源，不利于调度主站系统对电网故障高效诊断。因此，为了解决上述问题，如图2所示，本发明提供基于录波数据最优特征选取的输电线路故障高效诊断方法，主要包含海量录波数据优化传输和调度主站数据并行诊断2个部分，其中，海量录波数据优化传输主要包括以下步骤：

S1、基于mRMR算法和增量搜索算法选出最优故障特征集；

S2、遍历最优故障特征集中的录波数据并进行故障可信度计算，设定故障可信度阈值；

当计算的故障可信度大于或等于故障可信度阈值时，判定当前录波数据为故障数据，根据故障可信度的大小设置传输优先级；

反之，判定当前录波数据为扰动数据，所述扰动数据根据主站CPU负荷率或通信传输链路使用占比选择性地上送；

S3、主站基于历史故障样本建立故障样本库，基于故障相似度算法并行诊断故障类型。

本实施例通过故障特征识别和故障可信度计算，提取2％的故障数据，在主站资源负荷重情况下，过滤掉海量干扰数据，提升故障数据上送调度主站系统的优先级，提高厂站侧上送数据的价值密度；

在厂站侧利用变电站内的录波器后台管理机对接收到的站内录波数据进行故障特征分析，获取对录波数据高识别率的最优特征集，利用最优特征集计算各录波数据的故障可信度，根据故障可信度的大小作为优先级上送参考指标，进行高可信度的故障数据优先传输，从而提高故障数据的传输优先级，提高了单位时间内上送故障数据的价值密度。

实施例2

在实施例1的基础上，故障特征的选择是故障分析的第一步，最优故障特征集可以用最少的特征量最大化的表达录波数据的价值，对简化故障可信度计算至关重要。为了提高故障可信度的精度，本实施例提供基于传输机制设定的海量录波数据优化传输方法和主站数据并行诊断的具体步骤：

S1、基于mRMR算法和增量搜索算法选出最优故障特征集；具体实现步骤包括以下步骤：

S101、利用mRMR算法和增量搜索算法选出候选特征集，加权系数α在[0,1]之间，以0.25步长依次增加，步长数i取值为[1,2,3,4,5]，对应权值α_i取值为[0,0.25,0.5,0.75,1]，采用mRMR分别得到与权值α_i对应的一组嵌套的候选特征集A(α_i)；

S102、使用SVM分类器以每次递增1个特征的方式计算候选特征集A(α_i)各特征子集

的分类正确率

其中j代表了特征量的个数，并记录最大分类正确率

及其对应的特征子集

若有多个特征集

同时获得最大分类正确率，则以特征数量最少的特征集作为最优故障特征集。

需要注意的是：mRMR算法(Maximal Relevance and Minimal Redundancy,mRMR)表示最大相关最小冗余算法。

S2、遍历最优故障特征集中的录波数据并进行故障可信度计算，设定故障可信度阈值；

需要主要的是：故障可信度计算首先设最优故障特征集中第l个特征的权重因子为σ_l，可信度为μ_l，其中

n表示最优特征集中特征个数，求取第a条录波数据的故障可信度值为

设定故障可信度阈值C_set。

当计算的故障可信度大于或等于故障可信度阈值时，判定当前录波数据为故障数据，根据故障可信度的大小设置传输优先级；值越大上送优先级越高，反之亦然；

反之，判定当前录波数据为扰动数据，所述扰动数据根据主站CPU负荷率或通信传输链路使用占比选择性地上送；

需要注意的是：当主站CPU负荷率超过25％或通信传输链路使用占比超过85％的情况时，所述扰动数据存储于本地管理机中不进行上送操作，当主站系统调用时，根据主站召唤需求进行数据选择性地上送；反之，按照故障可信度值C(a)值的大小进行有序传输。

S3、主站基于历史故障样本建立故障样本库，基于故障相似度算法并行诊断故障类型。具体包括以下步骤：

S201、主站对故障数据各通道模拟量可视化展示；

S202、对展示的各通道模拟量波形中的离散信号点进行S变换，得出S变换后的时频矩阵；

S203、对时频矩阵的各频率下幅值向量进行细分，每个频率有N个采样点，将其等分成M个区间，按照时频段幅值算法求取时频矩阵中所有的时频小块，得到反映暂态信号的时频矩阵A；

需要注意的是：时频段幅值算法为：

其中，A_h,g表示第h个频率下第g个时段所对应的幅值。

时频矩阵A表示为：

S204、根据矩阵相似度算法计算时频矩阵A与故障样本库中时频矩阵的相似度，并设置相似度阈值；

当计算的相似度大于或等于相似度阈值时，根据对应关系匹配到故障样本库中的故障类型；反之，结合保护和重合闸动作情况，对故障数据进行判断，确认最终的故障线路分支信息。

需要注意的是：矩阵相似度算法为：

其中，A₁和A₂表示两个故障暂态波形时频矩阵；ρ表示两个故障暂态波形时频矩阵A₁和A₂之间的相似度；<A₁,A₂>表示时频矩阵A₁和A₂的内积；||A₁||为时频矩阵A₁的范数；||A₂||为时频矩阵A₂的范数；γ为时频矩阵A₁和A₂之间的夹角。

本实施例基于mRMR算法和增量搜索算法实现故障特征选择，获取对录波数据高识别率的最优特征集，利用最优特征集计算各录波数据的故障可信度，并提取2％的故障数据，在主站资源负荷重情况下，过滤掉海量干扰数据，提升故障数据上送调度主站系统的优先级，提高厂站侧上送数据的价值密度；

设定基于故障可信度指标的数据传输机制，在主站系统资源高负荷的情况下，可直接筛选掉98％的扰动数据，优先上送可信度高的故障录波数据，调度主站系统采集数据量缩减为原先的2％，改变了过往录波数据无差别上送主站系统的局面，减轻了数据链路传输开销大和主站运行负担重的问题，提高了上送主站系统的数据价值密度，实现了主站故障分析效率提升75％的目标；

根据故障可信度识别故障数据和扰动数据，针对故障数据基于故障可信度设置上次优先级，可提高厂站侧上送数据的价值密度；针对扰动数据基于主站CPU负荷率或通信传输链路使用占比选择性地上送，在主站系统资源空闲时段对扰动数据进行分析，从而避免故障误判和漏判问题的发生；

主站侧利用历史故障样本建立占比高达90％的常见短路故障样本库，对调度主站系统接收到的高价值密度的故障数据，利用可视化软件进行故障数据各通道模拟量的直观展示，对展示的数据进行突变量检测锁定故障区域进行价值挖掘，实现并行高效地相似度分析，从而判定故障类型；

主站侧在高负荷情况下，设定接收录波数据传输机制，降低无效干扰数据对主站系统的影响，实现故障数据在主站侧的高效诊断；在主站资源空闲时段可接收其余数据，在主站侧综合诊断，从而减少故障漏判和误判等低概率事件的发生，从而提升主站系统故障诊断和预警服务的能力。

实施例3

本实施例提供采用实施例2所述方法实现的具体应用实例。电网输电线路发生短路故障的概率高达90％以上。由于故障点被短接，故障线路电气量发生突变，即故障线路的电压降低且电流增加。保护装置监测到故障线路电气量变化，并判断属于自身保护范围内的线路故障，便向对应的断路器发出跳闸信号，断路器状态由原来的合位变为分位，将故障线路从电网中隔离出来，消除故障，短路故障特征反映在波形图上，如图3所示。

利用mRMR准则和增量搜索算法剔除后，从候选特征集中选出故障起始时刻、故障电流有效值、跳闸和重合闸时刻4个故障特征量作为最优特征集。在故障特征选择确定的基础上，对1230条录波数据故障可信度进行加权计算，根据过往故障数据可信度值的计算，设定C_set＝0.8，按照设定的录波数据传输机制，将具有故障特征的2％数据优先上送主站系统进行故障诊断，大幅度提高了传输数据的价值密度。

主站系统利用可视化软件对接收到的25条数据进行通道信息提取和展示，自动锁定具有明显突变信号的通道区域，对离散信号进行S变换，提取不同时频段采样点所对应的幅值，生成反应暂态信号的时频矩阵A。通过计算当前数据和样本库中故障分支的相似度ρ，主站并行匹配每条数据所对应的故障类型，将待诊断数据锁定的故障分支与样本进行相似度匹配计算，结果如表1所列。

表1故障相似度分析

从表1可以看出，同分支的故障暂态波形随着时间窗和采样率的增加，故障波形具有极高的相似性，对于相似度ρ超过0.95的分支基本可以准确判定故障类型。采用故障相似度分析的方式，可准确反映上送主站系统的录波数据的短路故障类型，故障诊断准确率超过95％，从故障电气信号所固有的形态出发，不受开关状态参数定义缺失等问题的影响。通过样本库不断更新迭代，基本实现故障诊断时长从原来的20min以上缩短至5min以内，大幅提升了故障诊断效率。

以上所述仅为本发明的较佳实施方式而已，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (9)

1.基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：包括以下步骤：

S1、基于mRMR算法和增量搜索算法选出最优故障特征集；

S2、遍历最优故障特征集中的录波数据并进行故障可信度计算，设定故障可信度阈值；

当计算的故障可信度大于或等于故障可信度阈值时，判定当前录波数据为故障数据，根据故障可信度的大小设置传输优先级；

反之，判定当前录波数据为扰动数据，所述扰动数据根据主站CPU负荷率或通信传输链路使用占比选择性地上送；

S3、主站基于历史故障样本建立故障样本库，基于故障相似度算法并行诊断故障类型。

2.如权利要求1所述的基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：所述S1具体包括以下步骤：

S101、利用mRMR算法和增量搜索算法选出候选特征集，加权系数α在[0,1]之间，以0.25步长依次增加，步长数i取值为[1,2,3,4,5]，对应权值α_i取值为[0,0.25,0.5,0.75,1]，采用mRMR分别得到与权值α_i对应的一组嵌套的候选特征集A(α_i)；

S102、使用SVM分类器以每次递增1个特征的方式计算候选特征集A(α_i)各特征子集

的分类正确率

其中j代表了特征量的个数，并记录最大分类正确率

及其对应的特征子集

3.如权利要求2所述的基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：所述S102中若有多个特征集

同时获得最大分类正确率，则以特征数量最少的特征集作为最优故障特征集。

4.如权利要求1所述的基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：所述S2中“遍历最优故障特征集中的录波数据并进行故障可信度计算，设定故障可信度阈值”具体为：

设最优故障特征集中第l个特征的权重因子为σ_l，可信度为μ_l，其中

_n表示最优特征集中特征个数，求取第a条录波数据的故障可信度值为

设定故障可信度阈值C_set。

5.如权利要求1所述的基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：所述S2中“所述扰动数据根据主站CPU负荷率或通信传输链路使用占比选择性地上送”具体为：

当主站CPU负荷率超过25％或通信传输链路使用占比超过85％的情况时，所述扰动数据存储于本地管理机中不进行上送操作，当主站系统调用时，根据主站召唤需求进行数据选择性地上送；反之，按照故障可信度值C(a)值的大小进行有序传输。

6.如权利要求1所述的基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：所述S3中“基于故障相似度算法并行诊断故障类型”具体包括以下步骤：

S201、主站对故障数据各通道模拟量可视化展示；

S202、对展示的各通道模拟量波形中的离散信号点进行S变换，得出S变换后的时频矩阵；

S203、对时频矩阵的各频率下幅值向量进行细分，每个频率有_N个采样点，将其等分成_M个区间，按照时频段幅值算法求取时频矩阵中所有的时频小块，得到反映暂态信号的时频矩阵A；

S204、根据矩阵相似度算法计算时频矩阵A与故障样本库中时频矩阵的相似度，并设置相似度阈值；

当计算的相似度大于或等于相似度阈值时，根据对应关系匹配到故障样本库中的故障类型；反之，结合保护和重合闸动作情况，对故障数据进行判断，确认最终的故障线路分支信息。

7.如权利要求6所述的基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：所述S203中时频段幅值算法为：

其中，A_h,g表示第_h个频率下第_g个时段所对应的幅值。

8.如权利要求6所述的基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：所述S203中时频矩阵A为：

9.如权利要求6所述的基于录波数据最优特征选取的输电线路故障高效诊断方法，其特征在于：所述S204中矩阵相似度算法为：

其中，A₁和A₂表示两个故障暂态波形时频矩阵；ρ表示两个故障暂态波形时频矩阵A₁和A₂之间的相似度；<A₁,A₂>表示时频矩阵A₁和A₂的内积；||A₁||为时频矩阵A₁的范数；||A₂||为时频矩阵A₂的范数；γ为时频矩阵A₁和A₂之间的夹角。

Images