CN114742295A - 一种基于小波变换技术的设备用电故障预测方法 - Google Patents

一种基于小波变换技术的设备用电故障预测方法 Download PDF

Info

Publication number
CN114742295A
CN114742295A CN202210373014.2A CN202210373014A CN114742295A CN 114742295 A CN114742295 A CN 114742295A CN 202210373014 A CN202210373014 A CN 202210373014A CN 114742295 A CN114742295 A CN 114742295A
Authority
CN
China
Prior art keywords
data
wavelet transform
wavelet
predicting
frequency
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
Application number
CN202210373014.2A
Other languages
English (en)
Inventor
谢晗宇
杨晓梅
杨惊宇
单宇辰
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Sichuan University
Original Assignee
Sichuan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Sichuan University filed Critical Sichuan University
Priority to CN202210373014.2A priority Critical patent/CN114742295A/zh
Publication of CN114742295A publication Critical patent/CN114742295A/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/243—Classification techniques relating to the number of classes
    • G06F18/24323—Tree-organised classifiers
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Landscapes

  • Engineering & Computer Science (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Health & Medical Sciences (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Evolutionary Biology (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • General Engineering & Computer Science (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Power Engineering (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于用电故障预测技术领域，公开了一种基于小波变换技术的设备用电故障预测方法，包括如下步骤：建立用户安全案例库，该所述建立用户安全案例库中包括高压用户和居民生活用电用户；对所述高压用电用户和所述居民生活用电用户中的应电设备进行搜集数据，得到数据集；对所述数据集进行特征数据采集，并对相关安全隐患事件进行编辑作为标签；通过小波变换技术进行提取所述标签的特征值，得到特征数据；采用随机森林对提取的所述特征数据进行分类，得到分类规则；将需要预测的数据按照所述分类规则进行分类，得到预测结果，可有效的对突变信号进行有效识别，进行故障诊断，故障分析,从而排除故障。

Description

一种基于小波变换技术的设备用电故障预测方法
技术领域
本发明属于用电故障预测技术领域，具体涉及一种基于小波变换技术的设备用电故障预测方法。
背景技术
随着电力电子技术的飞速发展，电力电子装置的应用更加广泛，但是其故障问题也越来越突出。电力电子装置发生故障时必须迅速将主电路停电。装置故障发生严重的时候有可能造成灾难性的事故，而且会产生严重的社会影响。电力电子装置通常在工程系统中起着很大的作用，如果发生故障而不能及时得到诊断和恢复的话，将会导致停机而造成人员伤亡，带来巨大的经济损失。因此进行电力电子电路故障诊断理论和方法的研究，具有现实和经济意义。
目前，小波变换在故障诊断领域中的应用已经引起了广泛注意，许多学者已经致力于这方面的研究，并且已经产生了巨大的经济效益。断过程中，利用小波变换进行故障信号的故障时刻检测具有重要意义。小波变换用于电气设备故障诊断就是对电气设备各种电磁，机械等信号进行实时监测控制，判断其状态,以便在故障初期或故障时刻发出警报,并随时进行处理,排除故障。对信号进行特征提取,是故障诊断的关键。突变信号往往表明电气设备发生了某类故障，目前不能够对突变信号进行有效识别，进行故障诊断，故障分析,从而排除故障。
发明内容
本发明的目的在于提供一种基于小波变换技术的设备用电故障预测方法，以解决上述背景技术中提出的问题。
为实现上述目的，本发明采用了如下技术方案：
一种基于小波变换技术的设备用电故障预测方法，包括如下步骤：
建立用户安全案例库，该所述建立用户安全案例库中包括高压用户和居民生活用电用户；
对所述高压用电用户和所述居民生活用电用户中的应电设备进行搜集数据，得到数据集；
对所述数据集进行特征数据采集，并对相关安全隐患事件进行编辑作为标签；
通过小波变换技术进行提取所述标签的特征值，得到特征数据；
采用随机森林对提取的所述特征数据进行分类，得到分类规则；
将需要预测的数据按照所述分类规则进行分类，得到预测结果。
优选的，所述高压用电用户的搜集数据和标签为：P1、柜内环境温度，P2、柜内环境湿度，P3、母线与断路器连接处温度，P4、闪光信号，P5、电流，P6、电压，P7、功率因素，P8、电缆接头温度，P9、断路器触头温度，P10、分合闸线圈电流，P11、电机储能电流，P12、避雷针放电次数。
优选的，所述居民生活用电用户的搜集数据和标签为：F1、环境温度，F2、环境湿度，F3、电流，F4、电压，F5、有功功率，F6、功率因数，F7、电压谐波，F8、电流谐波，F9、电压波形失真度，F10、电流压波形失真度。
优选的，所述安全隐患事件的数据和标签为：L1、短路，L2、漏电，L3、过压，L4、设备老化。
优选的，在得到特征数据时，将搜集数据进行信号时频分析和处理，假设ψ(t)满足容许条件，如下式所示，则ψ(t)可称为一个母小波，Ψ(ω)为ψ(t)的傅里叶变换：
Figure BDA0003589304160000021
则对于一个连续信号g(t)，其对应的连续小波变换为：
Figure BDA0003589304160000031
式中，
Figure BDA0003589304160000032
是ψ(t)的复共轭函数；a代表与频率有关小波函数的尺度因子，b代表与时间有关位移因子；
在实际运用中，需要将连续小波离散化，假设
Figure BDA0003589304160000033
j,k∈Z，于是可以得到对应的离散小波变换为：
Figure BDA0003589304160000034
小波变换是在每次分解时不再进行向下采样，这样就可以使得变换后的高频细节系数和低频近似系数的长度与原始信号长度相等，保存了原始信号大部分有价值的信息。
优选的，小波变换的分解过程是采用不同尺度的正交小波基将信号分解到不同频段上，获得对应频段的高频细节系数和低频近似系数，其中高频细节系数可表示暂态现象，低频近似系数表示基频分量；
对于一个信号g(t)∈L2(R)，其对应的分解公式为：
Figure BDA0003589304160000035
Figure BDA0003589304160000036
Figure BDA0003589304160000037
式中，尺度函数φij(t)＝2-j/2φ(2-jt-i)；m＝1,L,M表示当前采样窗口的序号值，M为采样窗口的总采样点数；i表示小波函数的分解程度；j表示小波函数的离散程度；ci,j+1和di,j+1分别表示近似系数和细节系数；H(j)和G(j)分别代表第j层的低通滤波器和高通滤波器；
根据每一层的特征对其进行分类，若无相同特征，则进入下一层，最终完成对数据的特征进行提取。
优选的，所述随机森林中包括RF分类器，该RF分类器由多个DT模型构成。
优选的，在对特征数据进行分类时，包括如下步骤：
首先利用bootstrap重抽样方法随机从原始样本中抽取与原始样本容量相同的样本；
再对抽取的样本建立DT模型，通过DT的训练算法进行训练，最后组合多个DT的预测结果，通过决策树的投票机制，利用每个DT分类结果得票数量多的得出最终的结果。
优选的，最终的结果，即：
Figure BDA0003589304160000041
式中，n表示总的DT个数；hi(X)代表第i个DT模型；Z表示RF的分类目标；I表示示性函数，指事件发生与否与0,1两值函数的对应关系；
RF满足一定的收敛特性，它反映了输入数据X对应的正确分类结果Z超过其他错误分类结果的程度，余量函数的值越大，分类性能越好；
Figure BDA0003589304160000042
定义RF的泛化误差及其收敛表达式分别为：
PE*＝PX,Z(mr(X,Z)＜0)；
Figure BDA0003589304160000043
因此，RF不会随着DT数量的增加而产生过拟合问题，提高了分类结果的正确率。
优选的，预测结果时，在matlab上设计界面，然后将matlab GUI程序转换为exe独立运行，使得输入想要预测的设备侧环境就能预测设备是否会出现故障。
本发明的技术效果和优点：本发明提出的一种基于小波变换技术的设备用电故障预测方法，与现有技术相比，具有以下优点：
本发明通过建立用户安全案例库，高压用电用户和所述居民生活用电用户中的应电设备进行搜集数据，并对相关安全隐患事件进行编辑作为标签；通过小波变换技术进行提取所述标签的特征值，采用随机森林对提取的所述特征数据进行分类，得到分类规则，得到预测结果，可有效的对突变信号进行有效识别，进行故障诊断，故障分析,从而排除故障。
附图说明
图1为本发明一种基于小波变换技术的设备用电故障预测方法的流程图；
图2为本发明的平稳小波变换分解图；
图3为本发明的随机森林示意图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。基于本发明中的实施例，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例，都属于本发明保护的范围。
本发明提供了如图1所示的一种基于小波变换技术的设备用电故障预测方法，包括如下步骤：
S1、建立用户安全案例库，该所述建立用户安全案例库中包括高压用户和居民生活用电用户；
S2、对所述高压用电用户和所述居民生活用电用户中的应电设备进行搜集数据，得到数据集；
S3、对所述数据集进行特征数据采集，并对相关安全隐患事件进行编辑作为标签；
S4、通过小波变换技术进行提取所述标签的特征值，得到特征数据；
S5、采用随机森林对提取的所述特征数据进行分类，得到分类规则；
S6、将需要预测的数据按照所述分类规则进行分类，得到预测结果。
具体的，首先在高压用户和居民生活用电两个应用场景下，对高压开关柜、微波炉、电阻炉和电暖器等电力设备进行特征数据采集，并对相关安全隐患事件进行编辑作为标签。拟采用的特征数据集及标签如表1，表2，表3所示。
表1需采集的高压开关柜特征量
Figure BDA0003589304160000061
Figure BDA0003589304160000071
表2居民生活用电设备需采集的特征量
特征编号 特征信号
F1 环境温度
F2 环境湿度
F3 电流
F4 电压
F5 有功功率
F6 功率因数
F7 电压谐波
F8 电流谐波
F9 电压波形失真度
F10 电流压波形失真度
…… ……
表3安全事件标签
标签编号 事件类型
L1 短路
L2 漏电
L3 过压
L4 设备老化
…… ……
关于小波变换，小波变换作为信号处理的一种手段，逐渐被越来越多领域的理论工作者和工程技术人员所重视和应用，并在许多应用中取得了显著的效果。同传统的处理方法相比，小波变换取得了质的飞跃，在信号处理方面具有更大的优势。比如小波变换可以用于电力负载信号的分析与处理，用于语音信号的分析、变换和综合，还可以检测噪声中的未知瞬态信号。因为本项目特征数据虽然类比和取样点但来源相同，所以为了对齐更细微的进行分类，从其本质上进行分，所以本项目采取小波变换对特征数据进行分析。
小波指的是一种能量在时域非常集中的波，它的能量有限，都集中在某一点附近，而且积分的值为零，这说明它与傅里叶波一样是正交波。图像的傅里叶变换是将图像信号分解为各种不同频率的正弦波。同样，小波变换是将图像信号分解为由原始小波位移和缩放之后的一组小波。小波在图像处理里被称为图像显微镜，原因在于它的多分辨率分解能力可以将图片信息一层一层分解剥离开来。剥离的手段就是通过低通和高通滤波器小波变换使用一系列的不同尺度的小波去分解原函数，变换后得到的是原函数在不同尺度小波下的系数。不同的小波通过平移与尺度变换分解，平移是为了得到原函数的时间特性，尺度变换是为了得到原函数的频率特性。
小波变换(wavelet transform，WT)是一种新的变换分析方法，它继承和发展了短时傅里叶变换局部化的思想，同时又克服了窗口大小不随频率变化等缺点，能够提供一个随频率改变的“时间-频率”窗口，是进行信号时频分析和处理的理想工具。假设ψ(t)满足容许条件，如下式所示，则ψ(t)可称为一个母小波。Ψ(ω)为ψ(t)的傅里叶变换。
Figure BDA0003589304160000081
则对于一个连续信号g(t)，其对应的连续小波变换(Continue WaveletTransform，CWT)为：
Figure BDA0003589304160000082
式中，
Figure BDA0003589304160000091
是ψ(t)的复共轭函数；a代表与频率有关小波函数的尺度因子，b代表与时间有关位移因子。
在实际运用中，需要将连续小波离散化。假设
Figure BDA0003589304160000092
于是可以得到对应的离散小波变换(Discrete Wavelet Transform，DWT)为：
Figure BDA0003589304160000093
小波变换是在每次分解时不再进行向下采样，这样就可以使得变换后的高频细节系数和低频近似系数的长度与原始信号长度相等，保存了原始信号大部分有价值的信息。
小波变换的分解过程是采用不同尺度的正交小波基将信号分解到不同频段上，获得对应频段的高频细节系数和低频近似系数，其中高频细节系数可表示暂态现象，低频近似系数表示基频分量。
对于一个信号g(t)∈L2(R)，其对应的分解公式为：
Figure BDA0003589304160000094
Figure BDA0003589304160000095
Figure BDA0003589304160000096
式中，尺度函数φij(t)＝2-j/2φ(2-jt-i)；m＝1,L,M表示当前采样窗口的序号值，M为采样窗口的总采样点数；i表示小波函数的分解程度；j表示小波函数的离散程度；ci,j+1和di,j+1分别表示近似系数和细节系数；H(j)和G(j)分别代表第j层的低通滤波器和高通滤波器。对应的小波分解过程如图2所示。
通过以上步骤，根据每一层的特征对其进行分类，若无相同特征，则进入下一层。最终完成对数据的特征进行提取。
从小波变换对项目特征数据的提取，可以看出，小波变换对数据的特征提取非常有用，所以还可以推广到各类安全隐患事故的分析。如互联网安全等。用时只需将特征数据换成相应的数据即可。
关于随机森林，其是Leo Breiman提出的一种分类器组合算法，集成多个DT模型来提高预测精度，利用多个DT模型的决策结果，通过投票机制得出了最后的识别结果。客户侧用电数据中存在一定的隐藏信息，通过传统信号特征提取方法只能提取浅层特征。RF具有强大数据的训练和学习能力，可以准确发现数据中隐藏的信息，有利于从事故类型的判别。
RF的结构如图3所示，假设有n个DT组成的一个RF分类器，每个DT都是一个分类模型。RF的具体过程为：首先利用bootstrap重抽样方法随机从原始样本中抽取与原始样本容量相同的样本，再对抽取的样本建立DT模型，通过DT的训练算法进行训练，最后组合多个DT的预测结果，通过决策树的投票机制，利用每个DT分类结果得票数量多的得出最终的结果，即：
Figure BDA0003589304160000101
式中，n表示总的DT个数；hi(X)代表第i个DT模型；Z表示RF的分类目标；I表示示性函数，指事件发生与否与0,1两值函数的对应关系。
RF满足一定的收敛特性，它反映了输入数据X对应的正确分类结果Z超过其他错误分类结果的程度。余量函数的值越大，分类性能越好。
mr(X,Z)＝αvn I(hn(X)＝Z)-mk≠aZxαvn I(hn(X)＝k)
定义RF的泛化误差及其收敛表达式分别为：
PE*＝PX,Z(mr(X,Z)＜0)
Figure BDA0003589304160000102
因此，RF不会随着DT数量的增加而产生过拟合问题，提高了分类结果的正确率。
为了提高算法的分析效率和识别准确率，对不同类型的数据进行小波变换，将经过小波变换提取的初始特征量作为RF模型的输入数据，通过RF对输入数据的学习，得出分类规则。
预测结果：在matlab上设计界面，然后将matlab GUI程序转换为exe独立运行，使得输入想要预测的设备侧环境就能预测设备是否会出现故障。
另外，该程序还可进一步优化，设计接口，记录实时数据，再通过一个预测算法根据变化趋势预测出下一个时间周期的环境参数，然后通过程序预测设备出故障的风险并采取措施。
最后应说明的是：以上所述仅为本发明的优选实施例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换，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 (10)

1.一种基于小波变换技术的设备用电故障预测方法，其特征在于，包括如下步骤：
建立用户安全案例库，该所述建立用户安全案例库中包括高压用户和居民生活用电用户；
对所述高压用电用户和所述居民生活用电用户中的应电设备进行搜集数据，得到数据集；
对所述数据集进行特征数据采集，并对相关安全隐患事件进行编辑作为标签；
通过小波变换技术进行提取所述标签的特征值，得到特征数据；
采用随机森林对提取的所述特征数据进行分类，得到分类规则；
将需要预测的数据按照所述分类规则进行分类，得到预测结果。
2.根据权利要求1所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：所述高压用电用户的搜集数据和标签为：P1、柜内环境温度，P2、柜内环境湿度，P3、母线与断路器连接处温度，P4、闪光信号，P5、电流，P6、电压，P7、功率因素，P8、电缆接头温度，P9、断路器触头温度，P10、分合闸线圈电流，P11、电机储能电流，P12、避雷针放电次数。
3.根据权利要求2所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：所述居民生活用电用户的搜集数据和标签为：F1、环境温度，F2、环境湿度，F3、电流，F4、电压，F5、有功功率，F6、功率因数，F7、电压谐波，F8、电流谐波，F9、电压波形失真度，F10、电流压波形失真度。
4.根据权利要求3所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：所述安全隐患事件的数据和标签为：L1、短路，L2、漏电，L3、过压，L4、设备老化。
5.根据权利要求4所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：在得到特征数据时，将搜集数据进行信号时频分析和处理，假设ψ(t)满足容许条件，如下式所示，则ψ(t)可称为一个母小波，Ψ(ω)为ψ(t)的傅里叶变换：
Figure FDA0003589304150000021
则对于一个连续信号g(t)，其对应的连续小波变换为：
Figure FDA0003589304150000022
式中，
Figure FDA0003589304150000023
是ψ(t)的复共轭函数；a代表与频率有关小波函数的尺度因子，b代表与时间有关位移因子；
在实际运用中，需要将连续小波离散化，假设
Figure FDA0003589304150000024
于是可以得到对应的离散小波变换为：
Figure FDA0003589304150000025
小波变换是在每次分解时不再进行向下采样，这样就可以使得变换后的高频细节系数和低频近似系数的长度与原始信号长度相等，保存了原始信号大部分有价值的信息。
6.根据权利要求5所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：小波变换的分解过程是采用不同尺度的正交小波基将信号分解到不同频段上，获得对应频段的高频细节系数和低频近似系数，其中高频细节系数可表示暂态现象，低频近似系数表示基频分量；
对于一个信号g(t)∈L2(R)，其对应的分解公式为：
Figure FDA0003589304150000026
Figure FDA0003589304150000031
Figure FDA0003589304150000032
式中，尺度函数φij(t)＝2-j/2φ(2-jt-i)；m＝1,L,M表示当前采样窗口的序号值，M为采样窗口的总采样点数；i表示小波函数的分解程度；j表示小波函数的离散程度；ci,j+1和di,j+1分别表示近似系数和细节系数；H(j)和G(j)分别代表第j层的低通滤波器和高通滤波器；
根据每一层的特征对其进行分类，若无相同特征，则进入下一层，最终完成对数据的特征进行提取。
7.根据权利要求6所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：所述随机森林中包括RF分类器，该RF分类器由多个DT模型构成。
8.根据权利要求7所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：在对特征数据进行分类时，包括如下步骤：
首先利用bootstrap重抽样方法随机从原始样本中抽取与原始样本容量相同的样本；
再对抽取的样本建立DT模型，通过DT的训练算法进行训练，最后组合多个DT的预测结果，通过决策树的投票机制，利用每个DT分类结果得票数量多的得出最终的结果。
9.根据权利要求8所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：最终的结果，即：
Figure FDA0003589304150000033
式中，n表示总的DT个数；hi(X)代表第i个DT模型；Z表示RF的分类目标；I表示示性函数，指事件发生与否与0,1两值函数的对应关系；
RF满足一定的收敛特性，它反映了输入数据X对应的正确分类结果Z超过其他错误分类结果的程度，余量函数的值越大，分类性能越好；
Figure FDA0003589304150000041
定义RF的泛化误差及其收敛表达式分别为：
PE*＝PX,Z(mr(X,Z)＜0)；
Figure FDA0003589304150000042
因此，RF不会随着DT数量的增加而产生过拟合问题，提高了分类结果的正确率。
10.根据权利要求9所述的一种基于小波变换技术的设备用电故障预测方法，其特征在于：预测结果时，在matlab上设计界面，然后将matlab GUI程序转换为exe独立运行，使得输入想要预测的设备侧环境就能预测设备是否会出现故障。
CN202210373014.2A 2022-04-11 2022-04-11 一种基于小波变换技术的设备用电故障预测方法 Pending CN114742295A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210373014.2A CN114742295A (zh) 2022-04-11 2022-04-11 一种基于小波变换技术的设备用电故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210373014.2A CN114742295A (zh) 2022-04-11 2022-04-11 一种基于小波变换技术的设备用电故障预测方法

Publications (1)

Publication Number Publication Date
CN114742295A true CN114742295A (zh) 2022-07-12

Family

ID=82282123

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210373014.2A Pending CN114742295A (zh) 2022-04-11 2022-04-11 一种基于小波变换技术的设备用电故障预测方法

Country Status (1)

Country Link
CN (1) CN114742295A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370877A (zh) * 2023-12-06 2024-01-09 长春理工大学 一种基于多元传感器与ipso-gpr的农机故障预测方法
CN117833176A (zh) * 2024-01-05 2024-04-05 华北电力大学（保定） 一种有源配电网自适应重合闸方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597401A (zh) * 2018-12-06 2019-04-09 华中科技大学 一种基于数据驱动的设备故障诊断方法
CN112462193A (zh) * 2020-11-05 2021-03-09 重庆邮电大学 一种基于实时故障滤波数据的配电网自动重合闸判断方法
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN109597401A (zh) * 2018-12-06 2019-04-09 华中科技大学 一种基于数据驱动的设备故障诊断方法
CN112462193A (zh) * 2020-11-05 2021-03-09 重庆邮电大学 一种基于实时故障滤波数据的配电网自动重合闸判断方法
CN114089218A (zh) * 2021-10-19 2022-02-25 广东电网有限责任公司东莞供电局 一种配电网高阻接地故障识别方法、装置、终端及介质

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李旭明等: "基于随机森林模型的输电线路故障检测系统研究", 《计算技术与自动化》 *
李胜辉等: "基于平稳小波变换与随机森林的电缆早期故障识别方法", 《电工电能新技术》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117370877A (zh) * 2023-12-06 2024-01-09 长春理工大学 一种基于多元传感器与ipso-gpr的农机故障预测方法
CN117370877B (zh) * 2023-12-06 2024-04-26 长春理工大学 一种基于多元传感器与ipso-gpr的农机故障预测方法
CN117833176A (zh) * 2024-01-05 2024-04-05 华北电力大学（保定） 一种有源配电网自适应重合闸方法
CN117833176B (zh) * 2024-01-05 2024-07-12 华北电力大学（保定） 一种有源配电网自适应重合闸方法

Similar Documents

Publication Publication Date Title
Wang et al. ArcNet: Series AC arc fault detection based on raw current and convolutional neural network
Xiong et al. Incipient fault identification in power distribution systems via human-level concept learning
Rathore et al. Wavelet‐alienation based transmission line protection scheme
El Safty et al. Applying wavelet entropy principle in fault classification
CN114742295A (zh) 一种基于小波变换技术的设备用电故障预测方法
CN103076547B (zh) 基于支持向量机的gis局部放电故障类型模式识别方法
CN109633368A (zh) 基于vmd和dfa的含分布式电源配电网电能质量扰动检测方法
Xiao et al. Maximal overlap discrete wavelet transform and deep learning for robust denoising and detection of power quality disturbance
Ribeiro et al. Detection of disturbances in voltage signals for power quality analysis using HOS
Singh et al. Robust detection of real-time power quality disturbances under noisy condition using FTDD features
Ray et al. Detection of faults in a power system using wavelet transform and independent component analysis
CN110441654A (zh) 基于改进ewt和cmpe的配电网电能质量扰动检测方法
Kou et al. Fault diagnosis for power electronics converters based on deep feedforward network and wavelet compression
CN112462193B (zh) 一种基于实时故障滤波数据的配电网自动重合闸判断方法
Pinto et al. Compression method of power quality disturbances based on independent component analysis and fast fourier transform
Panigrahi et al. A power quality detection and classification algorithm based on FDST and hyper-parameter tuned light-GBM using memetic firefly algorithm
Zhang et al. Incipient fault identification of distribution networks based on feature matching of power disturbance data
Sima et al. Diagnosis of small-sample measured electromagnetic transients in power system using DRN-LSTM and data augmentation
Hong et al. Locating High‐Impedance Fault Section in Electric Power Systems Using Wavelet Transform, k‐Means, Genetic Algorithms, and Support Vector Machine
Ankar et al. A novel approach to estimate fault location in current source converter–based HVDC transmission line by Gaussian process regression
Kankale et al. Classification of Power Quality Disturbances in Emerging Power System Using Discrete Wavelet Transform and K-Nearest Neighbor
Liu et al. Identification and location of voltage sag sources based on multi-label random forest
You et al. Fault diagnosis of electric city bus high-voltage load system based on multi-domain sparse representation
Sima et al. A framework for automatically cleansing overvoltage data measured from transmission and distribution systems
Andami et al. Voltage notch detection using fuzzy expert system

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
RJ01 Rejection of invention patent application after publication
RJ01 Rejection of invention patent application after publication

Application publication date: 20220712