CN115219838A - 一种基于多源信息融合的配电网故障研判方法 - Google Patents

Abstract

本发明提供了一种基于多源信息融合的配电网故障研判方法，包括：步骤1，配电网故障区域划分：基于设备资产管理系统中配电网静态拓扑信息以及结合配电自动化信息进行故障区域划分；步骤2，配电网故障区域开关量信息研判：通过构建故障诊断模型，基于量子遗传算法进行参数寻优获得开关量信息的模糊故障度；步骤3，配电网故障区域电气量信息研判：基于希尔伯特‑黄变换(Hilbert‑Huang Transform,HHT)进行故障区域电流信息的特征提取，获得幅值畸变度与故障能量度；步骤4，配电网故障信息融合决策：基于谱聚类算法进行元件的模糊故障度、幅值畸变度、故障能量度综合分析，实现故障元件的研判。

Description

一种基于多源信息融合的配电网故障研判方法

技术领域

本发明涉及配电网故障诊断领域，具体涉及一种基于多源信息融合的配电网 故障研判方法。

背景技术

与当前电源建设、输变电建设相比，配电网的建设相对滞后，与我国当前的 大规模城市化发展对配网的高要求不相适应。配电系统作为电能生产、传输和使 用的重要环节，是联系实际用户需求侧与发、输电系统的关键纽带。因此，在配 电网发生故障后，进行快速、合理的定位从而有效指导检修工作是当前城市电网 安全持续发展的关键部分。

目前，电网故障诊断中故障元件信息判断的依据主要来源于电网基本拓扑信 息、保护动作信息等，该类判断方法大都是根据开关量的基本信息来进行故障元 件判断，而忽略了故障期间电气量信息对故障诊断的影响。由于继电保护系统存 在开关设备误动作的风险，仅仅采用开关信息量来判断故障信息具有一定的局限 性，会导致故障诊断结果的不精确性，甚至可能出现误判等情况。因此开展基于 多源数据的配电网故障研判方法研究，为提高配电网供电可靠性提供方法支撑， 具有非常重要的现实意义。要实现基于多源数据的配电网故障研判，需要解决以 下问题：1)如何基于多源信息提取出配电网不同故障信息特征；2)怎样将多源 故障研判信息进行融合，实现故障诊断的最终决策。

发明内容

为了弥补现有技术的缺乏，本发明提供了一种基于多源信息融合的配电网故 障研判方法。

所述方法包括：

步骤1配电网故障区域划分

当配电网发生故障时，搜索范围方面主要体现为相关的开关元件和保护装置 动作，通过调取设备资产管理系统中配电网静态拓扑信息进行故障前后对比以及 结合配电自动化系统开关信息可以得到故障区域。而故障区域由于受开关元件与 保护装置的隔离作用，属无源区域，故障元件也包含在此无源失电区域中，因此， 故障元件的定位与识别在范围上主要是针对该无源区域来进行。

步骤2配电网故障区域开关量信息研判

针对配电网开关量信息，采用基于优化技术的诊断模型创造性地将电网故障 诊断问题转换为求取极值的0-1整数规划问题,从而具有严密的数学基础,然后采 用量子遗传算法进行模型求最优解，有效地实现配电网故障诊断。

所述步骤2包含以下步骤，如下：

步骤21：基于元件动作的实际与期望值来构造故障诊断模型，具体模型为：

式中：r_k,m和r^* _k,m分别为某个设备主保护的实际状态和期望状态；r_k,s和r^* _k,s分别为某个设备近后备保护的实际状态和期望状态；r_k,l和r^* _k,l分别为某个设备 远后备保护的实际状态和期望状态；C_i和C_i ^*分别为断路器的实际状态和期望状 态。

步骤2.2：采用量子遗传算法对故障诊断模型求解，获得故障元件集；

步骤2.2.1：初始化故障区域元件种群Q(t₀),随机生成n个以量子比特为编码 的染色体；

步骤2.2.2：对初始化种群Q(t₀)中的每个个体进行一次解码测量，得到一组 对应的确定解

其中

为第t₀代种群中第j个解(第 j个元件的测量值)，表现形式为长度为m的二进制串，其中每一位为0或1，是 根据量子比特的概率(

或

)选择得到的。测量过程为， 随机产生一个[0,1]区间的数，若它大于概率幅的平方，则测量结果取值1，否则 为0。对确定解进行适应度评估，记录最优个体和对应的适应度；适应度函数采 用目标函数即：Θ(x)＝E(x)。

步骤2.2.3；利用量子旋转门U(t)对个体实施调整，得到新的种群Q(t)；该调 整策略是将个体

当前的测量值的适应度Θ(x)与该种群当前最优个体的适应 度值Θ(best_i)进行比较，如果Θ(x)＞Θ(best_i)，则调整

中相应量子比特，使得 几率幅对(a_i,β_i)向着有利于x_i出现的方向演化，反之，调整

中相应量子比 特，使得几率幅对(a_i,β_i)向着有利于best_i出现的方向演化。

步骤2.2.4：将迭代次数t加1,直到设定的迭代次数。得到最优解，从而确定 故障元件集。

步骤3配电网故障区域电气量信息研判

由于配电网发生故障时，系统内元件的电气量会存在暂态分量。因此通过对 步骤1获得的故障可疑元件集合进行电气量分析，得到元件的电气量故障度。

所述步骤3包含以下步骤，如下：

步骤3.1：对通过元件的电流信息进行快速本征模态分解

步骤3.1.1：设输入电流信号为f(t),计算该信号的极值点R(t):

R(t),t₀≤t_j≤t_m-1 (2)

式中，t₀、t_i和t_m-1分别表示不同极值点的采样时刻。

步骤3.1.2:利用线性转换方法对极值点进行转换并成对用的残余量r(t)：

式中，t_j+1是j+1个极值点处所对应的采样时间。

步骤3.1.3:将原始信号减去残余量，即可求得原始信号固有的模态函数IMF。 因此原始输入信号能够分解为多个唯一的固有模态分量以及一个残余分量。

步骤3.2:对模态函数IMF进行希尔伯特变换(Hilbert)

设某一模态函数IMF实信号为u(t)，其对应的Hilbert变换为：

其对应的反变换为：

将u(t)和v(t)进行组合，能够得到如下的复信号：

x(t)＝u(t)+jv(t)＝a(t)e^jθt (6)

根据式子(6)可得：

那么其瞬时频率可以定义为：

因此，原始信号u(t)的瞬时频率即是其所对应复信号x(t)的相位导数。

步骤3.3：计算元件电流信息幅值畸变度

通过式(7)可以获得某一模态函数进行Hilbert变换后求得第i条线路在故 障发生前后电流有效值幅值的第j个FIMD分量分别如下所示：

式中，N是采样的点数，l是故障时刻所对应的采样点数。

则进一步可求得故障线路电流信号的畸变度为：

步骤3.4：计算元件电流信息故障能量度；

根据式(8)能够求得故障电流信号的能量谱H(ω,t)，进而求得对应的边际 谱为：

进一步求得Hilbert变换的边际能量谱为：

则第i条线路在故障时的电流故障能量度值可表示为：

式中，f_s表示的信号采样频率。

步骤4.配电网故障信息融合决策

通过步骤2与步骤3获得元件模糊故障度、电流信息幅值畸变度、电流信息 故障能量度三种信息，作为故障区域各元件的故障特征，利用谱聚类进行故障信 息融合，实现故障诊断的最终决策。具体步骤如下：

步骤4.1：输入样本集V＝(x₁,x₂,x₃…,x_n),构建度矩阵D_n×n与邻接矩阵W。

w_ij为点x_i和点x_j之间的权重。由于是无向图，所以w_ij＝w_ji。d_i为x_i相连的所 有边的权重之和。矩阵D为对角矩阵，只有主对角线有值，对应第i行的第i个 点的度数d_i。W为n×n的矩阵，第i行的第j个值对应权重w_ij。

步骤4.2：采用Ncut理论进行切图聚类，识别故障元件。

步骤4.2.1：构建切图聚类目标E：

其中

为A_i的补集，|A_i|为子图中的样本点个数，A_i为每个子图点的集合。

步骤4.2.2：进行目标函数E转化求解：

步骤4.2.3：构建标准化后的拉普拉斯矩阵D^-1/2LD^-1/2。

步骤4.2.4：计算D^-1/2LD^-1/2最小的k₁(k₁<<n)个特征值所各自对应的特征 向量f。

步骤4.2.5：将各自对应的特征向量f组成的矩阵按行标准化，最终组成n× k₁维的特征矩阵F。

步骤4.2.6：对F中的每一行作为一个k₁维的样本，共n个样本，用传统的 k-means聚类方法进行聚类，聚类维数为k₂，得到簇划分C(c₁,c₂,...c_k2)，异常点即 为故障元件。

与最接近的现有技术相比，本发明的优异效果是：

1、本发明通过对故障诊断建立数学模型，采用量子遗传算法进行模型求解， 获得故障元件集的模糊故障度，实现对可疑故障元件的量化，同时在实际应用中 具有一定的适用性。

2、本发明通过采用HHT算法进行故障元件电气量信息分析，弥补了仅从开 关元件角度进行故障诊断的局限性，同时利用谱聚类算法融合多源信息进行故障 研判决策，提高了决策的客观性与准确性。

附图说明

图1为本发明的流程图。

图2是本发明实施案例中采用的配电网拓扑图。

图3为本发明实施案例中的量子遗传算法寻优图。

图4为本发明实施案例中的多源数据融合决策聚类图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实 施案例对本发明进行深入地详细说明。应当理解，此处所描述的具体实施案例 仅仅用以解释本发明，并不用于限定发明。

如图1所示，一种基于多源信息融合的配电网故障研判方法，流程如图1 所示，具体包括以下步骤：

步骤1配电网故障区域划分

当配电网发生故障时，搜索范围方面主要体现为相关的开关元件和保护装置 动作，通过调取设备资产管理系统中配电网静态拓扑信息进行故障前后对比以及 结合配电自动化系统开关信息可以得到故障区域。而故障区域由于受开关元件与 保护装置的隔离作用，属无源区域，故障元件也包含在此无源失电区域中，因此， 故障元件的定位与识别在范围上主要是针对该无源区域来进行。

步骤2配电网故障区域开关量信息研判

针对配电网开关量信息，采用基于优化技术的诊断模型创造性地将电网故障 诊断问题转换为求取极值的0-1整数规划问题,从而具有严密的数学基础,然后采 用量子遗传算法进行模型求最优解，有效地实现配电网故障诊断。

所述步骤2包含以下步骤，如下：

步骤21：基于元件动作的实际与期望值来构造故障诊断模型，具体模型为：

式中：r_k,m和r^* _k,m分别为某个设备主保护的实际状态和期望状态；r_k,s和r^* _k,s分别为某个设备近后备保护的实际状态和期望状态；r_k,l和r^* _k,l分别为某个设备 远后备保护的实际状态和期望状态；C_i和C_i ^*分别为断路器的实际状态和期望状 态。

步骤2.2：采用量子遗传算法对故障诊断模型求解，获得故障元件集；

步骤2.2.1：初始化故障区域元件种群Q(t₀),随机生成n个以量子比特为编码 的染色体；

步骤2.2.2：对初始化种群Q(t₀)中的每个个体进行一次解码测量，得到一组 对应的确定解

其中

为第t₀代种群中第j个解(第 j个元件的测量值)，表现形式为长度为m的二进制串，其中每一位为0或1，是 根据量子比特的概率(

或

)选择得到的。测量过程为， 随机产生一个[0,1]区间的数，若它大于概率幅的平方，则测量结果取值1，否则 为0。对确定解进行适应度评估，记录最优个体和对应的适应度；适应度函数采 用目标函数即：Θ(x)＝E(x)。

步骤2.2.3；利用量子旋转门U(t)对个体实施调整，得到新的种群Q(t)；该调 整策略是将个体

当前的测量值的适应度Θ(x)与该种群当前最优个体的适应 度值Θ(best_i)进行比较，如果Θ(x)＞Θ(best_i)，则调整

中相应量子比特，使得 几率幅对(a_i,β_i)向着有利于x_i出现的方向演化，反之，调整

中相应量子比 特，使得几率幅对(a_i,β_i)向着有利于best_i出现的方向演化。

步骤2.2.4：将迭代次数t加1,直到设定的迭代次数。得到最优解，从而确定 故障元件集。

步骤3配电网故障区域电气量信息研判

由于配电网发生故障时，系统内元件的电气量会存在暂态分量。因此通过对 步骤1获得的故障可疑元件集合进行电气量分析，得到元件的电气量故障度。

所述步骤3包含以下步骤，如下：

步骤3.1：对通过元件的电流信息进行快速本征模态分解

步骤3.1.1：设输入电流信号为f(t),计算该信号的极值点R(t):

R(t),t₀≤t_j≤t_m-1 (2)

式中，t₀、t_i和t_m-1分别表示不同极值点的采样时刻。

步骤3.1.2:利用线性转换方法对极值点进行转换并成对用的残余量r(t)：

式中，t_j+1是j+1个极值点处所对应的采样时间。

步骤3.1.3:将原始信号减去残余量，即可求得原始信号固有的模态函数IMF。 因此原始输入信号能够分解为多个唯一的固有模态分量以及一个残余分量。

步骤3.2:对模态函数IMF进行希尔伯特变换(Hilbert)

设某一模态函数IMF实信号为u(t)，其对应的Hilbert变换为：

其对应的反变换为：

将u(t)和v(t)进行组合，能够得到如下的复信号：

x(t)＝u(t)+jv(t)＝a(t)e^jθt (6)

根据式子(6)可得：

那么其瞬时频率可以定义为：

因此，原始信号u(t)的瞬时频率即是其所对应复信号x(t)的相位导数。

步骤3.3：计算元件电流信息幅值畸变度

通过式(7)可以获得某一模态函数进行Hilbert变换后求得第i条线路在故 障发生前后电流有效值幅值的第j个FIMD分量分别如下所示：

式中，N是采样的点数，l是故障时刻所对应的采样点数。

则进一步可求得故障线路电流信号的畸变度为：

步骤3.4：计算元件电流信息故障能量度；

根据式(8)能够求得故障电流信号的能量谱H(ω,t)，进而求得对应的边际 谱为：

进一步求得Hilbert变换的边际能量谱为：

则第i条线路在故障时的电流故障能量度值可表示为：

式中，f_s表示的信号采样频率。

步骤4.配电网故障信息融合决策

通过步骤2与步骤3获得元件模糊故障度、电流信息幅值畸变度、电流信息 故障能量度三种信息，作为故障区域各元件的故障特征，利用谱聚类进行故障信 息融合，实现故障诊断的最终决策。具体步骤如下：

步骤4.1：输入样本集V＝(x₁,x₂,x₃…,x_n),构建度矩阵D_n×n与邻接矩阵W。

w_ij为点x_i和点x_j之间的权重。由于是无向图，所以w_ij＝w_ji。d_i为x_i相连的所 有边的权重之和。矩阵D为对角矩阵，只有主对角线有值，对应第i行的第i个 点的度数d_i。W为n×n的矩阵，第i行的第j个值对应权重w_ij。

步骤4.2：采用Ncut理论进行切图聚类，识别故障元件。

步骤4.2.1：构建切图聚类目标E：

其中

为A_i的补集，|A_i|为子图中的样本点个数，A_i为每个子图点的集合。

步骤4.2.2：进行目标函数E转化求解：

步骤4.2.3：构建标准化后的拉普拉斯矩阵D^-1/2LD^-1/2。

步骤4.2.4：计算D^-1/2LD^-1/2最小的k₁(k₁<<n)个特征值所各自对应的特征 向量f。

步骤4.2.5：将各自对应的特征向量f组成的矩阵按行标准化，最终组成n× k₁维的特征矩阵F。

步骤4.2.6：对F中的每一行作为一个k₁维的样本，共n个样本，用传统的 k-means聚类方法进行聚类，聚类维数为k₂，得到簇划分C(c₁,c₂,...c_k2)，异常点即 为故障元件。

实施案例

1)配电网故障区域划分

当配电网发生故障时，搜索范围方面主要体现为相关的开关元件和保护装置 动作，通过调取设备资产管理系统中配电网静态拓扑信息进行故障前后对比，以 及结合配电自动化信息可以得到故障区域。

本案例采用的配电网拓扑如图2所示。拓扑图中T₁～T₆为主变，B₁～B₆为10KV 母线，L₁～L₂₁为馈线，CB₁～CB₄₀为断路器。拓扑图馈线连接方式为“手拉手”， 每一条线路都包含远后备保护，因此拓扑图总共包括99条保护。包括主保护 T_1m～T_6m，B_1m～B_6m,L_1m～L_21m，近后备保护与远后备保护同理，采用s与l表示。 配电网发生故障时，配电自动化信息采集到的保护动作信息T_1m,T_3s,B_3l,L_9s动作, 断路器CB₁,CB₁₁,CB₁₂,CB₁₇,CB₂₀,CB₂₁,CB₃₄断开。结合拓扑信息以及开关信息， 确定的故障诊断元件为T₁，T₃，B₁，B₃，L₁～L₄，L₉，L₁₀，L₁₂，L₁₃,上述元件对 应的状态向量为E＝[e₁,e₂,e₃,···,e₁₂]。需要进行的故障诊断的断路器为：CB₁,CB₄～CB₇,CB₁₆～CB₂₁。上述断路器的实际状态向量为 C＝[c₁,c₂,c₃,···c₁₂]＝[1,0,0,0,0,0,1,0,0,1,1]。需要进行故障诊断的保护为，T_1m,T_1s,T_1l, T_3m,T_3s,T_3l,B_1m,B_1s,B_1l,B_3m,B_3s,B_3l,L_1m～L_4m,L_1s～L_4s,L_1l～L_4l,L_9m，L_9s，L_9l，L_10m， L_10s，L_10l，L_12m，L_12l，L_12s，L_13m,L_13s,L_13l,对应的保护实际状态向量 R＝[r₁,r₂,r₃···r₃₆]＝[1,0,0,0,1,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0,0,0,0,0,1,0,0,0,0,0,0,0,0,0, 0]。

步骤2配电网故障区域开关量信息研判

步骤21：基于元件动作的实际与期望值来构造故障诊断模型，具体模型为：

式中：r_k,m和r^* _k,m分别为某个设备主保护的实际状态和期望状态；r_k,s和r^* _k,s分别为某个设备近后备保护的实际状态和期望状态；r_k,l和r^* _k,l分别为某个设备 远后备保护的实际状态和期望状态；C_i和C_i ^*分别为断路器的实际状态和期望状 态。

主保护r^* _k,m＝受保护元件的状态，近后备保护r^* _k,s＝元件状态×(1-保护状态)，远后备保护r^* _k,l＝1-[1-关联元件i的状态×(1-关联路径上断路器j的状态)]；断路器 C_i ^*＝max{断路器相关保护的动作期望×该保护的实际状态值}。

基于上述状态期望值的计算公式，得到案例中需要诊断的保护的期望值如下表所示：

步骤2.2：采用量子遗传算法对故障诊断模型求解，获得故障元件集；

步骤2.2.1：初始化故障区域元件种群Q(t₀),随机生成n个以量子比特为编码 的染色体；

步骤2.2.2：对初始化种群Q(t₀)中的每个个体进行一次解码测量，得到一组 对应的确定解

其中

为第t₀代种群中第j个解(第 j个元件的测量值)，表现形式为长度为m的二进制串，其中每一位为0或1，是 根据量子比特的概率(

或

)选择得到的。测量过程为， 随机产生一个[0,1]区间的数，若它大于概率幅的平方，则测量结果取值1，否则 为0。对确定解进行适应度评估，记录最优个体和对应的适应度；适应度函数采 用目标函数即：Θ(x)＝E(x)。

步骤2.2.3；利用量子旋转门U(t)对个体实施调整，得到新的种群Q(t)；该调 整策略是将个体

当前的测量值的适应度Θ(x)与该种群当前最优个体的适应 度值Θ(best_i)进行比较，如果Θ(x)＞Θ(best_i)，则调整

中相应量子比特，使得 几率幅对(a_i,β_i)向着有利于x_i出现的方向演化，反之，调整

中相应量子比 特，使得几率幅对(a_i,β_i)向着有利于best_i出现的方向演化。

步骤2.2.4：将迭代次数t加1,直到设定的迭代次数。得到最优解，从而确定 故障元件集。

如图3所示展示量子寻优过程中最优适应度、平均适应度、中位数适应度在 迭代过程中的变化情况。采用量子遗传算法进行求解最终经过250次迭代后，依 据最优适应度函数判定，E(x)最小值为8。同时通过迭代过程较优解有8组。根 据较优解中各元件出现的频次进行正则化，可以得到可疑元件T₁，T₃，B₁，B₃， L₁～L₄，L₉，L₁₀，L₁₂，L₁₃的故障度为[1,0.8,0.2,0,0,0,0.4,0,0.8,0,0,0]。

步骤3配电网故障区域电气量信息研判

由于配电网发生故障时，系统内元件的电气量会存在暂态分量。因此通过对 步骤1获得的故障可疑元件集合进行电气量分析，得到元件的电气量故障度。

所述步骤3包含以下步骤，如下：

步骤3.1：对通过元件的电流信息进行快速本征模态分解

步骤3.1.1：设输入电流信号为f(t),计算该信号的极值点R(t):

R(t),t₀≤t_j≤t_m-1 (2)

式中，t₀、t_i和t_m-1分别表示不同极值点的采样时刻。

步骤3.1.2:利用线性转换方法对极值点进行转换并成对用的残余量r(t)：

式中，t_j+1是j+1个极值点处所对应的采样时间。

步骤3.1.3:将原始信号减去残余量，即可求得原始信号固有的模态函数IMF。 因此原始输入信号能够分解为多个唯一的固有模态分量以及一个残余分量。

步骤3.2:对模态函数IMF进行希尔伯特变换(Hilbert)

设某一模态函数IMF实信号为u(t)，其对应的Hilbert变换为：

其对应的反变换为：

将u(t)和v(t)进行组合，能够得到如下的复信号：

x(t)＝u(t)+jv(t)＝a(t)e^jθt (6)

根据式子(6)可得：

那么其瞬时频率可以定义为：

因此，原始信号u(t)的瞬时频率即是其所对应复信号x(t)的相位导数。

步骤3.3：计算元件电流信息幅值畸变度

通过式(7)可以获得某一模态函数进行Hilbert变换后求得第i条线路在故 障发生前后电流有效值幅值的第j个FIMD分量分别如下所示：

式中，N是采样的点数，l是故障时刻所对应的采样点数。

则进一步可求得故障线路电流信号的畸变度为：

步骤3.4：计算元件电流信息故障能量度；

根据式(8)能够求得故障电流信号的能量谱H(ω,t)，进而求得对应的边际 谱为：

进一步求得Hilbert变换的边际能量谱为：

则第i条线路在故障时的电流故障能量度值可表示为：

式中，f_s表示的信号采样频率。

通过对经过故障元件T₁，T₃，B₁，B₃，L₁～L₄，L₉，L₁₀，L₁₂，L₁₃的电流信息 进行HHT变换后，可以得到各元件的幅值畸变度以及故障能量度。通过归一化 处理后得到的结果如下表所示：

故障可疑元件	T<sub>1</sub>	T<sub>3</sub>	B<sub>1</sub>	B<sub>3</sub>	L<sub>1</sub>	L<sub>2</sub>	L<sub>3</sub>	L<sub>4</sub>	L<sub>9</sub>	L<sub>10</sub>	L<sub>12</sub>	L<sub>13</sub>
													幅值畸变度	0.856	0.798	0.263	0.162	0.013	0.032	0.062	0.103	0.861	0.023	0.121	0.034
故障能量度	0.726	0.869	0.164	0.127	0.049	0.036	0.012	0.121	0.914	0.101	0.034	0.026

步骤4.配电网故障信息融合决策

通过步骤2与步骤3获得元件模糊故障度、电流信息幅值畸变度、电流信息 故障能量度三种信息，作为故障区域各元件的故障特征，利用谱聚类进行故障信 息融合，实现故障诊断的最终决策。具体步骤如下：

步骤4.1：输入样本集V＝(x₁,x₂,x₃…,x_n),构建度矩阵D_n×n与邻接矩阵W。

w_ij为点x_i和点x_j之间的权重。由于是无向图，所以w_ij＝w_ji。d_i为x_i相连的所 有边的权重之和。矩阵D为对角矩阵，只有主对角线有值，对应第i行的第i个 点的度数d_i。W为n×n的矩阵，第i行的第j个值对应权重w_ij。

步骤4.2：采用Ncut理论进行切图聚类，识别故障元件。

步骤4.2.1：构建切图聚类目标E：

其中

为A_i的补集，|A_i|为子图中的样本点个数，A_i为每个子图点的集合。

步骤4.2.2：进行目标函数E转化求解：

步骤4.2.3：构建标准化后的拉普拉斯矩阵D^-1/2LD^-1/2。

步骤4.2.4：计算D^-1/2LD^-1/2最小的k₁(k₁<<n)个特征值所各自对应的特征 向量f。

步骤4.2.5：将各自对应的特征向量f组成的矩阵按行标准化，最终组成n× k₁维的特征矩阵F。

步骤4.2.6：对F中的每一行作为一个k₁维的样本，共n个样本，用传统的 k-means聚类方法进行聚类，聚类维数为k₂，得到簇划分C(c₁,c₂,...c_k2)，异常点即 为故障元件。聚类结果如图4所示，最终故障诊断结果故障元件为T₁,T₃,L₉。

以上实施方案仅为本发明技术思路，不能以此限定本发明的保护范围，凡是 按照本发明提出的技术思路，在技术方案基础上所做的任何改动，均落入本发明 保护范围之内。以上实施方案仅为本发明技术思路，不能以此限定本发明的保护 范围，凡是按照本发明提出的技术思路，在技术方案基础上所做的任何改动，均 落入本发明保护范围之内。

Claims (1)

1.一种基于多源信息融合的配电网故障研判方法，所述方法包括：

步骤1配电网故障区域划分：

当配电网发生故障时，搜索范围方面主要体现为相关的开关元件和保护装置动作，通过调取设备资产管理系统中配电网静态拓扑信息进行故障前后对比以及结合配电自动化系统开关信息可以得到故障区域；而故障区域由于受开关元件与保护装置的隔离作用，属无源区域，故障元件也包含在此无源失电区域中，因此，故障元件的定位与识别在范围上主要是针对该无源区域来进行；

步骤2配电网故障区域开关量信息研判：

针对配电网开关量信息，采用基于优化技术的诊断模型创造性地将电网故障诊断问题转换为求取极值的0-1整数规划问题,从而具有严密的数学基础,然后采用量子遗传算法进行模型求最优解，有效地实现配电网故障诊断；

所述步骤2包含以下步骤，如下：

步骤2.1：基于元件动作的实际与期望值来构造故障诊断模型，具体模型为：

式中：r_k,m和r^* _k,m分别为某个设备主保护的实际状态和期望状态；r_k,s和r^* _k,s分别为某个设备近后备保护的实际状态和期望状态；r_k,l和r^* _k,l分别为某个设备远后备保护的实际状态和期望状态；C_i和C_i ^*分别为断路器的实际状态和期望状态；

步骤2.2：采用量子遗传算法对故障诊断模型求解，获得故障元件集；

所述步骤2.2包含如下步骤：

步骤2.2.1：初始化故障区域元件种群Q(t₀),随机生成n个以量子比特为编码的染色体；

步骤2.2.2：对初始化种群Q(t₀)中的每个个体进行一次解码测量，得到一组对应的确定解

其中

为第t₀代种群中第j个解(第j个元件的测量值)，表现形式为长度为m的二进制串，其中每一位为0或1，是根据量子比特的概率

选择得到的；测量过程为，随机产生一个[0,1]区间的数，若它大于概率幅的平方，则测量结果取值1，否则为0；对确定解进行适应度评估，记录最优个体和对应的适应度；适应度函数采用目标函数即：Θ(x)＝E(x)；

步骤2.2.3；利用量子旋转门U(t)对个体实施调整，得到新的种群Q(t)；该调整策略是将个体

当前的测量值的适应度Θ(x)与该种群当前最优个体的适应度值Θ(best_i)进行比较，如果Θ(x)＞Θ(best_i)，则调整

中相应量子比特，使得几率幅对(a_i,β_i)向着有利于x_i出现的方向演化，反之，调整

中相应量子比特，使得几率幅对(a_i,β_i)向着有利于best_i出现的方向演化；

步骤2.2.4：将迭代次数t加1,直到设定的迭代次数；得到最优解，从而确定故障元件集；

步骤3配电网故障区域电气量信息研判：

由于配电网发生故障时，系统内元件的电气量会存在暂态分量；因此通过对步骤1获得的故障可疑元件集合进行电气量分析，得到元件的电气量故障度；

所述步骤3包含以下步骤，如下：

步骤3.1：对通过元件的电流信息进行快速本征模态分解

所述步骤3.1包含以下步骤：

步骤3.1.1：设输入电流信号为f(t),计算该信号的极值点R(t):

R(t),t₀≤t_j≤t_m-1 (2)

式中，t₀、t_i和t_m-1分别表示不同极值点的采样时刻；

步骤3.1.2:利用线性转换方法对极值点进行转换并成对用的残余量r(t)：

式中，t_j+1是j+1个极值点处所对应的采样时间；

步骤3.1.3:将原始信号减去残余量，即可求得原始信号固有的模态函数IMF；因此原始输入信号能够分解为多个唯一的固有模态分量以及一个残余分量；

步骤3.2:对模态函数IMF进行希尔伯特变换(Hilbert)

设某一模态函数IMF实信号为u(t)，其对应的Hilbert变换为：

其对应的反变换为：

将u(t)和v(t)进行组合，能够得到如下的复信号：

根据式子(6)可得：

那么其瞬时频率可以定义为：

因此，原始信号u(t)的瞬时频率即是其所对应复信号x(t)的相位导数；

步骤3.3：计算元件电流信息幅值畸变度

通过式(7)可以获得某一模态函数进行Hilbert变换后求得第i条线路在故障发生前后电流有效值幅值的第j个FIMD分量分别如下所示：

式中，N是采样的点数，l是故障时刻所对应的采样点数；

则进一步可求得故障线路电流信号的畸变度为：

步骤3.4：计算元件电流信息故障能量度；

根据式(8)能够求得故障电流信号的能量谱H(ω,t)，进而求得对应的边际谱为：

进一步求得Hilbert变换的边际能量谱为：

则第i条线路在故障时的电流故障能量度值可表示为：

式中，f_s表示的信号采样频率；

步骤4.配电网故障信息融合决策：

通过步骤2与步骤3获得元件模糊故障度、电流信息幅值畸变度、电流信息故障能量度三种信息，作为故障区域各元件的故障特征，利用谱聚类进行故障信息融合，实现故障诊断的最终决策；

所述步骤4包含以下具体步骤：

步骤4.1：输入样本集V＝(x₁,x₂,x₃…,x_n),构建度矩阵D_n×n与邻接矩阵W；

w_ij为点x_i和点x_j之间的权重；由于是无向图，所以w_ij＝w_ji；d_i为x_i相连的所有边的权重之和；矩阵D为对角矩阵，只有主对角线有值，对应第i行的第i个点的度数d_i；W为n×n的矩阵，第i行的第j个值对应权重w_ij；

步骤4.2：采用Ncut理论进行切图聚类，识别故障元件；

所述步骤4.2包含以下具体步骤：

步骤4.2.1：构建切图聚类目标E：

其中

为A_i的补集，|A_i|为子图中的样本点个数，A_i为每个子图点的集合；

步骤4.2.2：进行目标函数E转化求解：

步骤4.2.3：构建标准化后的拉普拉斯矩阵D^-1/2LD^-1/2；

步骤4.2.4：计算D^-1/2LD^-1/2最小的k₁(k₁<<n)个特征值所各自对应的特征向量f；

步骤4.2.5：将各自对应的特征向量f组成的矩阵按行标准化，最终组成n×k₁维的特征矩阵F；

步骤4.2.6：对F中的每一行作为一个k₁维的样本，共n个样本，用传统的k-means聚类方法进行聚类，聚类维数为k₂，得到簇划分C(c₁,c₂,...c_k2)，异常点即为故障元件。

Images