CN114779016A - 一种基于改进dtw的重复性瞬时故障识别方法 - Google Patents

Abstract

本发明公开了一种基于改进DTW的重复性瞬时故障识别方法，通过改进DTW算法计算不同故障事件波形间的差异距离，并进行度量得到波形相似度，最终基于波形相似度进行重复性故障识别。本发明无需人工进行数据分析处理，可在早期检测到配电网的重复性瞬时故障，对于及时排除配电网安全隐患、预防非计划停电以及提升供电可靠性有重要意义。

Description

一种基于改进DTW的重复性瞬时故障识别方法

技术领域

本发明属于电网故障识别技术领域，具体涉及一种基于改进DTW的重复性瞬时故障识别方法的设计。

背景技术

在配电网各类故障中，瞬时性单相接地故障发生率最高，高达70％以上。研究表明，配电网故障在发展为永久性接地故障前，极有可能重复发生大量瞬时性故障。瞬时性故障一旦发展为永久性接地故障，将可能导致停电甚至诱发连锁性故障事件，如火灾以及人身触电伤亡，造成经济损失以及社会影响。因此在早期针对重复性瞬时故障的识别尤为重要。

目前，现有的配电网故障检测技术由于现场运维人员的故障分析、处理能力不足，导致重复性瞬时故障在早期难以被检测到，因此目前缺乏一套实时在线的重复性瞬时故障分析识别方法。

发明内容

本发明的目的是为了解决现有的配电网故障检测技术难以在早期检测到重复性瞬时故障的问题，提出了一种基于改进DTW的重复性瞬时故障识别方法。

本发明的技术方案为：一种基于改进DTW的重复性瞬时故障识别方法，包括以下步骤：

S1、获取故障事件f_i和f_j的零序电流采样信号，并采用滑动半波窗口计算零序电流的半波有效值，得到故障事件f_i和f_j的起止时刻。

S2、对故障事件f_i和f_j的零序电流采样信号进行小波变换，得到故障事件f_i和f_j的零序电流的暂态高频分量。

S3、分别对故障事件f_i和f_j的零序电流及其暂态高频分量进行归一化，得到归一化后故障事件f_i和f_j的零序电流及其暂态高频分量。

S4、采用改进DTW算法计算归一化后故障事件f_i和f_j的零序电流之间的差异距离D₁以及归一化后故障事件f_i和f_j的暂态高频分量之间的差异距离D₂。

S5、根据差异距离D₁和D₂计算得到故障事件f_i和f_j之间的波形相似度S_ij。

S6、根据波形相似度S_ij判断故障事件f_i和f_j是否为重复性瞬时故障。

进一步地，步骤S1中采用滑动半波窗口的RMS算法计算零序电流的半波有效值I_{0_rms}(k)：

其中i₀(n)表示故障零序电流，N_half表示采样数据半周波的采样点数，n表示采样数据第n个数据点，k表示故障检测计算的第k个有效值。

进一步地，步骤S2中选择小波变换的分解层数p的计算公式为：

p＝log₂(f_s/f₀)-1

其中f_s表示采样频率，f₀表示采样信号的基频。

进一步地，步骤S2中得到的暂态高频分量的频率范围为

进一步地，步骤S3中归一化的公式为：

其中x表示零序电流的时间序列或暂态高频分量的时间序列中的原数据点，max和min分别表示零序电流的时间序列或暂态高频分量的时间序列中的最大值和最小值，

表示原数据点x的归一化结果。

进一步地，步骤S4中差异距离D₁的计算公式为：

W_k＝1+w·f_m,n·c_k

D₁＝WD(m,n)

其中WD(i,j)表示归一化后故障事件f_i的零序电流时间序列中第i个数据点与归一化后故障事件f_j的零序电流时间序列中第j个数据点之间的DTW累积距离，m表示归一化后故障事件f_i的零序电流时间序列的数据长度，n表示归一化后故障事件f_j的零序电流时间序列的数据长度，D(i,j)表示归一化后故障事件f_i的零序电流时间序列中第i个数据点与归一化后故障事件f_j的零序电流时间序列中第j个数据点之间的欧式距离，W_k表示加权系数，w表示加权常数，f_m,n表示min(m,n)与max(m,n)的比值，c_k表示第k次路径重复使用点的次数。

进一步地，步骤S4中差异距离D₂的计算公式为：

W_l＝1+w·f_p,q·c_k

D₂＝WD(p,q)

其中WD(a,b)表示归一化后故障事件f_i的暂态高频分量时间序列中第a个数据点与归一化后故障事件f_j的暂态高频分量时间序列中第b个数据点之间的DTW累积距离，p表示归一化后故障事件f_i的暂态高频分量时间序列的数据长度，q表示归一化后故障事件f_j的暂态高频分量时间序列的数据长度，D(a,b)表示归一化后故障事件f_i的暂态高频分量时间序列中第a个数据点与归一化后故障事件f_j的暂态高频分量时间序列中第b个数据点之间的欧式距离，W_l表示加权系数，w表示加权常数，f_p,q表示min(p,q)与max(p,q)的比值，c_k表示第k次路径重复使用点的次数。

进一步地，步骤S5中波形相似度S_ij的计算公式为：

进一步地，步骤S6中波形相似度S_ij≥0.6时，判断故障事件f_i和f_j为重复性瞬时故障，否则判断故障事件f_i和f_j为非重复性瞬时故障。

本发明的有益效果是：

(1)本发明无需人工进行数据分析处理，可在早期检测到配电网的重复性瞬时故障，对于及时排除配电网安全隐患、预防非计划停电以及提升供电可靠性有重要意义。

(2)本发明根据故障零序电流及其暂态高频分量的时间序列直接计算波形相似度对重复性瞬时故障进行判断，无需提取波形各类特征量，计算方式简单快捷。

(3)本发明采用改进DTW算法计算不同故障事件波形间的差异距离，能够对不等长的故障采样信号进行辨识，同时有效避免了因DTW过度弯曲以及故障持续周波存在差异带来的误差。

附图说明

图1所示为本发明实施例提供的一种基于改进DTW的重复性瞬时故障识别方法流程图。

具体实施方式

现在将参考附图来详细描述本发明的示例性实施方式。应当理解，附图中示出和描述的实施方式仅仅是示例性的，意在阐释本发明的原理和精神，而并非限制本发明的范围。

本发明实施例提供了一种基于改进DTW的重复性瞬时故障识别方法，如图1所示，包括以下步骤S1～S6：

S1、获取故障事件f_i和f_j的零序电流采样信号，并采用滑动半波窗口计算零序电流的半波有效值，得到故障事件f_i和f_j的起止时刻。

本发明实施例中，采用滑动半波窗口的RMS算法计算零序电流的半波有效值I_{0_rms}(k)：

其中i₀(n)表示故障零序电流，N_half表示采样数据半周波的采样点数，n表示采样数据第n个数据点，k表示故障检测计算的第k个有效值。

S2、对故障事件f_i和f_j的零序电流采样信号进行小波变换，得到故障事件f_i和f_j的零序电流的暂态高频分量。

小波变换具有对时频域的双重能力和多分辨率(多尺度)分析的特点，而选取最优的小波基可提高算法整体精度。本发明实施例中选用Daubechies4小波，其对应的分解层数p的计算公式为：

p＝log₂(f_s/f₀)-1

其中f_s表示采样频率，f₀表示采样信号的基频，最终得到零序电流频率为

之间的暂态高频分量。

S3、分别对故障事件f_i和f_j的零序电流及其暂态高频分量进行归一化，得到归一化后故障事件f_i和f_j的零序电流及其暂态高频分量。

本发明实施例中，在进行DTW计算之前，需要对故障期间的零序电流及其暂态高频分量进行归一化，把故障波形数据映射到0～1范围之内进行处理，归一化的公式为：

其中x表示零序电流的时间序列或暂态高频分量的时间序列中的原数据点，max和min分别表示零序电流的时间序列或暂态高频分量的时间序列中的最大值和最小值，

表示原数据点x的归一化结果。

S4、采用改进DTW算法计算归一化后故障事件f_i和f_j的零序电流之间的差异距离D₁以及归一化后故障事件f_i和f_j的暂态高频分量之间的差异距离D₂。

动态时间弯曲(Dynamic Time Warping，DTW)是一种准确率高、鲁棒性强的时间序列相似性度量方法。传统欧氏距离“一对一”进行时间序列匹配，因此仅适用于相同长度时间序列的度量。而DTW算法通过动态弯曲时间序列对时间序列的数据点进行匹配，因此不仅可以对数据进行“一对一”匹配，还可以进行数据异步匹配，即对数据点进行“一对多”匹配，所以DTW算法不仅可以适用于相同长度的时间序列,同样适用于不等长的时间序列的计算。

现有的DTW计算过程如下：给定两个时间序列P(p₁,p₂,...,p_m)和Q(q₁,q₂,...,q_n)，其中，m、n分别为序列P和Q的数据长度，通过欧氏距离计算两数据点(p_i,q_j)间的距离D(i,j)，即：

D(i,j)＝||p_i-q_j||₂

从(p₁,q₁)开始到(p_m,q_n)结束，以序列P和Q间的累积距离最小为目标，寻找一条最佳弯曲路径M(m₁,m₂,...,m_z)，路径M对应的累计距离即为两序列间的DTW差异距离。

尽管DWT算法在形态度量上具有欧式距离未有的优势，然而“一对多”的动态匹配模式，容易过度弯曲而导致度量准确性降低。因此，本发明实施例中提出加权系数对DWT算法进行改进，进而得到差异距离D₁的计算公式为：

W_k＝1+w·f_m,n·c_k

D₁＝WD(m,n)

其中WD(i,j)表示归一化后故障事件f_i的零序电流时间序列中第i个数据点与归一化后故障事件f_j的零序电流时间序列中第j个数据点之间的DTW累积距离，m表示归一化后故障事件f_i的零序电流时间序列的数据长度，n表示归一化后故障事件f_j的零序电流时间序列的数据长度，D(i,j)表示归一化后故障事件f_i的零序电流时间序列中第i个数据点与归一化后故障事件f_j的零序电流时间序列中第j个数据点之间的欧式距离，W_k表示加权系数，w表示加权常数，f_m,n表示min(m,n)与max(m,n)的比值，c_k表示第k次路径重复使用点的次数。

差异距离D₂的计算公式为：

W_l＝1+w·f_p,q·c_k

D₂＝WD(p,q)

其中WD(a,b)表示归一化后故障事件f_i的暂态高频分量时间序列中第a个数据点与归一化后故障事件f_j的暂态高频分量时间序列中第b个数据点之间的DTW累积距离，p表示归一化后故障事件f_i的暂态高频分量时间序列的数据长度，q表示归一化后故障事件f_j的暂态高频分量时间序列的数据长度，D(a,b)表示归一化后故障事件f_i的暂态高频分量时间序列中第a个数据点与归一化后故障事件f_j的暂态高频分量时间序列中第b个数据点之间的欧式距离，W_l表示加权系数，w表示加权常数，f_p,q表示min(p,q)与max(p,q)的比值，c_k表示第k次路径重复使用点的次数。

如果瞬时性故障持续时间存在差异，则其故障波形持续周波不同。尽管两故障事件之间存在极高的波形相似度，甚至故障波形几乎重合，但由于一瞬时性故障的持续时间比另一瞬时性故障多半个周波，于是对二者故障波形进行DTW运算时，将导致长度较短的故障其将结束点对应较长的故障后续一大段数据点，由此将导致度量出现错误。因此，本发明实施例中需要采用半波有效值触发检测将DTW的弯曲路径限制在故障持续周波较短的序列。

S5、根据差异距离D₁和D₂计算得到故障事件f_i和f_j之间的波形相似度S_ij：

S6、根据波形相似度S_ij判断故障事件f_i和f_j是否为重复性瞬时故障。

本发明实施例中，当波形相似度S_ij≥0.6时，判断故障事件f_i和f_j为重复性瞬时故障，否则判断故障事件f_i和f_j为非重复性瞬时故障。

本发明实施例中，由于D₁为零序电流完整波形之间的DTW距离，因此当D₁≤0.1时，则可直接认为两故障事件为重复性瞬时故障，即波形相似度S_ij＝1；而D₁和D₂数值均大于1时，则将故障事件f_i和f_j视为非重复性故障，其波形相似度S_ij＝0。其他情况下，D₁、D₂分别乘以0.7以及0.3的权重系数后，根据上式计算得到波形相似度S_ij，最终判断波形相似度S_ij是否大于或等于阈值0.6，完成重复性故障的识别。

本领域的普通技术人员将会意识到，这里所述的实施例是为了帮助读者理解本发明的原理，应被理解为本发明的保护范围并不局限于这样的特别陈述和实施例。本领域的普通技术人员可以根据本发明公开的这些技术启示做出各种不脱离本发明实质的其它各种具体变形和组合，这些变形和组合仍然在本发明的保护范围内。

Claims (9)

1.一种基于改进DTW的重复性瞬时故障识别方法，其特征在于，包括以下步骤：

S1、获取故障事件f_i和f_j的零序电流采样信号，并采用滑动半波窗口计算零序电流的半波有效值，得到故障事件f_i和f_j的起止时刻；

S2、对故障事件f_i和f_j的零序电流采样信号进行小波变换，得到故障事件f_i和f_j的零序电流的暂态高频分量；

S3、分别对故障事件f_i和f_j的零序电流及其暂态高频分量进行归一化，得到归一化后故障事件f_i和f_j的零序电流及其暂态高频分量；

S4、采用改进DTW算法计算归一化后故障事件f_i和f_j的零序电流之间的差异距离D₁以及归一化后故障事件f_i和f_j的暂态高频分量之间的差异距离D₂；

S5、根据差异距离D₁和D₂计算得到故障事件f_i和f_j之间的波形相似度S_ij；

S6、根据波形相似度S_ij判断故障事件f_i和f_j是否为重复性瞬时故障。

2.根据权利要求1所述的重复性瞬时故障识别方法，其特征在于，所述步骤S1中采用滑动半波窗口的RMS算法计算零序电流的半波有效值I_{0_rms}(k)：

其中i₀(n)表示故障零序电流，N_half表示采样数据半周波的采样点数，n表示采样数据第n个数据点，k表示故障检测计算的第k个有效值。

3.根据权利要求1所述的重复性瞬时故障识别方法，其特征在于，所述步骤S2中选择小波变换的分解层数p的计算公式为：

p＝log₂(f_s/f₀)-1

其中f_s表示采样频率，f₀表示采样信号的基频。

4.根据权利要求3所述的重复性瞬时故障识别方法，其特征在于，所述步骤S2中得到的暂态高频分量的频率范围为

5.根据权利要求1所述的重复性瞬时故障识别方法，其特征在于，所述步骤S3中归一化的公式为：

其中x表示零序电流的时间序列或暂态高频分量的时间序列中的原数据点，max和min分别表示零序电流的时间序列或暂态高频分量的时间序列中的最大值和最小值，x表示原数据点x的归一化结果。

6.根据权利要求1所述的重复性瞬时故障识别方法，其特征在于，所述步骤S4中差异距离D₁的计算公式为：

W_k＝1+w·f_m,n·c_k

D₁＝WD(m,n)

其中WD(i,j)表示归一化后故障事件f_i的零序电流时间序列中第i个数据点与归一化后故障事件f_j的零序电流时间序列中第j个数据点之间的DTW累积距离，m表示归一化后故障事件f_i的零序电流时间序列的数据长度，n表示归一化后故障事件f_j的零序电流时间序列的数据长度，D(i,j)表示归一化后故障事件f_i的零序电流时间序列中第i个数据点与归一化后故障事件f_j的零序电流时间序列中第j个数据点之间的欧式距离，W_k表示加权系数，w表示加权常数，f_m,n表示min(m,n)与max(m,n)的比值，c_k表示第k次路径重复使用点的次数。

7.根据权利要求1所述的重复性瞬时故障识别方法，其特征在于，所述步骤S4中差异距离D₂的计算公式为：

W_l＝1+w·f_p,q·c_k

D₂＝WD(p,q)

其中WD(a,b)表示归一化后故障事件f_i的暂态高频分量时间序列中第a个数据点与归一化后故障事件f_j的暂态高频分量时间序列中第b个数据点之间的DTW累积距离，p表示归一化后故障事件f_i的暂态高频分量时间序列的数据长度，q表示归一化后故障事件f_j的暂态高频分量时间序列的数据长度，D(a,b)表示归一化后故障事件f_i的暂态高频分量时间序列中第a个数据点与归一化后故障事件f_j的暂态高频分量时间序列中第b个数据点之间的欧式距离，W_l表示加权系数，w表示加权常数，f_p,q表示min(p,q)与max(p,q)的比值，c_k表示第k次路径重复使用点的次数。

8.根据权利要求1所述的重复性瞬时故障识别方法，其特征在于，所述步骤S5中波形相似度S_ij的计算公式为：

9.根据权利要求1所述的重复性瞬时故障识别方法，其特征在于，所述步骤S6中波形相似度S_ij≥0.6时，判断故障事件f_i和f_j为重复性瞬时故障，否则判断故障事件f_i和f_j为非重复性瞬时故障。

Images