CN115656720A - 基于谱残差和随机矩阵理论的配网故障诊断方法及设备 - Google Patents
基于谱残差和随机矩阵理论的配网故障诊断方法及设备 Download PDFInfo
- Publication number
- CN115656720A CN115656720A CN202211321447.XA CN202211321447A CN115656720A CN 115656720 A CN115656720 A CN 115656720A CN 202211321447 A CN202211321447 A CN 202211321447A CN 115656720 A CN115656720 A CN 115656720A
- Authority
- CN
- China
- Prior art keywords
- matrix
- distribution network
- fault diagnosis
- network fault
- residual error
- 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
Links
- 239000011159 matrix material Substances 0.000 title claims abstract description 93
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000003745 diagnosis Methods 0.000 title claims abstract description 34
- 238000001228 spectrum Methods 0.000 title claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 14
- 230000003595 spectral effect Effects 0.000 claims description 17
- 238000004458 analytical method Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 6
- 238000004364 calculation method Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 5
- 238000001914 filtration Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 2
- 238000012544 monitoring process Methods 0.000 description 7
- 238000012360 testing method Methods 0.000 description 6
- 238000001514 detection method Methods 0.000 description 5
- 230000000007 visual effect Effects 0.000 description 5
- 238000013499 data model Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 3
- 238000012935 Averaging Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 238000005065 mining Methods 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000006399 behavior Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000019771 cognition Effects 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000018109 developmental process Effects 0.000 description 1
- 238000007599 discharging Methods 0.000 description 1
- 238000013525 hypothesis research Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000009440 infrastructure construction Methods 0.000 description 1
- 230000001788 irregular Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000000737 periodic effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000007670 refining Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000000717 retained effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000011218 segmentation Effects 0.000 description 1
- 230000035945 sensitivity Effects 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 1
Images
Classifications
-
- 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
- Y04S10/52—Outage or fault management, e.g. fault detection or location
Landscapes
- Testing Electric Properties And Detecting Electric Faults (AREA)
Abstract
本发明涉及一种基于谱残差和随机矩阵理论的配网故障诊断方法及设备,所述方法包括以下步骤:采集不同维度的低压配网电压电流录波数据;分维度对所采集的低压配网电压电流录波数据计算谱残差,并获得显著性图谱;按配网拓扑信息对显著性图谱进行空间组合,构建时空数据集矩阵;基于随机矩阵理论,采用移动滑窗法在所述时空数据集矩阵上依次选取矩阵,判断是否存在异常值,实现配网故障诊断和定位。与现有技术相比,本发明具有准确性高、效率高等优点。
Description
技术领域
本发明涉及配电网故障诊断技术领域,尤其是涉及一种基于谱残差和随机矩阵理论的配网故障诊断方法及设备。
背景技术
伴随着电网技术的不断提高,各类电网基础设施建设给电网带来了数据驱动的态势感知能力,这为评估配电网运行状态,并运用这些状态开展有关科学研究提供了条件。配电网故障的诊断是配电网运行的重要工作,但是故障原因、故障现象、故障过程错综复杂,这都是配电网故障诊断分析的难点。
传统配网状态分析通常采用基于机理模型的方法,但是每次分析数据前需要确定全部参数模型,故信息获取难度大,计算量大,且难以处理瑕疵数据的影响。此外,随着大规模分布式电源(distributed generation,DG)并网发电大大增加了配网潮流的不确定性和拓扑信息获取难度;大规模电动汽车(electric vehicle,EV)充放电又增加了负荷侧随机性,海量不确定因素及其耦合效应使得配电网行为更为复杂,传统研究假设条件可能会不成立。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种准确性高、效率高的基于谱残差和随机矩阵理论的配网故障诊断方法及设备。
本发明的目的可以通过以下技术方案来实现:
一种基于谱残差和随机矩阵理论的配网故障诊断方法,包括以下步骤:
采集不同维度的低压配网电压电流录波数据;
分维度对所采集的低压配网电压电流录波数据计算谱残差,并获得显著性图谱;
按配网拓扑信息对显著性图谱进行空间组合,构建时空数据集矩阵;
基于随机矩阵理论,采用移动滑窗法在所述时空数据集矩阵上依次选取矩阵,判断是否存在异常值,实现配网故障诊断和定位。
进一步地,所述维度包括三相电压电流和中性点电流。
进一步地,所述显著性图谱的获得过程具体为:
利用二维离散傅里叶变换对所述显著性图谱进行变换处理,滤除正常信息,获得显著性图谱。
进一步地,所述构建时空数据集矩阵具体为:
基于各设备的不同维度的显著性图谱,建立单个设备的多维时间数据集矩阵;
依据配网拓扑信息,将多个设备的所述多维时间数据集矩阵堆砌形成时空数据集矩阵。
进一步地,所述判断是否存在异常值具体为:
设置移动滑窗,基于所述移动滑窗在时空数据集矩阵框选出滑窗矩阵;
对所述滑窗矩阵进行标准化处理,生成标准化矩阵;
求取所述标准化矩阵的奇异值等价矩阵,并进行单位化处理获得单位化矩阵;
通过圆环律对所述单位化矩阵进行经验谱分布分析,判断是否出现异常值。
进一步地,所述标准化矩阵为均值为0,方差为1的矩阵。
进一步地,该方法还包括:
计算移动滑窗法所选取的矩阵的线性特征值统计量,评估配网故障状态。
进一步地,基于计算的所述线性特征值统计量构建配网的线性特征值指标体系,将该线性特征值指标体系与预设指标体系进行比对,评估配网故障状态。
进一步地,所述线性特征值统计量基于平均谱半径计算获得。
本发明还提供一种电子设备,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如上所述基于谱残差和随机矩阵理论的配网故障诊断方法的指令。
与现有技术相比,本发明基于高维统计特性分析及评估技术在时空数据集上开展特征监测、分析和故障诊断,通过对配网录波信息的深层挖掘,能够为配网运行状态提供有效的监控和评估手段,具有以下有益效果:
1)依据有效编码思想,计算得到配网录波数据的频谱残差后,基于二维离散傅里叶反变换就可以得到时间域中与之对应的显著性图谱,其中只包含了故障特征,正常周期波则被有效地滤除,从而达到故障分割的目的,提高了后续故障判断的灵敏度。
2)通过将多设备时间数据集依据拓扑信息构成时空数据集矩阵,高效利用了配网拓扑先验信息。该方法在提高故障诊断定位能力的同时,减少了诊断结果受外界环境和采样设备本身状态的影响,提高了诊断方法的鲁棒性。
3)提取显著性图谱特征,构造时空数据集,采用随机矩阵理论的圆环律和线性特征统计值,充分利用了配网运行的数据流信息,基于数据驱动方式实现对配网状态的高效准确监测。
4)本发明有利于提升配网故障监测的效率和准确性,及时、准确识别配网运行状态变化情况,对低压配网巡检维护等工作的开展有重要意义。
附图说明
图1为本发明的流程示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施,给出了详细的实施方式和具体的操作过程,但本发明的保护范围不限于下述的实施例。
本发明提供一种基于谱残差和随机矩阵理论的配网故障诊断方法,基于高维统计特性分析及评估技术在时空数据集上开展特征监测、分析和故障诊断,通过对配网录波信息的深层挖掘,故障诊断和定位准确性高。
首先对本发明所涉及的理论基础、数据模型和算法进行介绍。
1、谱残差算法
谱残差模型是频域分析中一种有效的视觉显著性检测模型。依据有效编码思想,视觉系统的一个基本准则是抑制反复出现的均匀纹理特征,同时保持偏离准则的不规则特征信息。由此可将图像信息H分解成两部分:
H=H1+H2
式中,H1表示需要保留的特有信息,H2表示背景,是多余的信息。给定一幅图像I(x),首先计算图像的二维离散傅里叶变换,将其从空间域转换到频域,对幅值取对数后得到log谱L(f):
A(f)=|F[I(x)]|
L(f)=log(A(f))
其中,F表示二维离散傅里叶变换,|·|表示其幅值,f表示相位,P(f)表示图像的相位谱。由于log曲线满足局部线性条件,所以用局部平均滤波器hn(f)对其进行平滑,获得log谱,其可表示为:
V(f)=L(f)×hn(f)
其中,符号“*”表示卷积,hn(f)是一个n×n的均值滤波模板。若n取值太小,显著性不明显,导致带钢缺陷的漏检率增大;若n取值较大,又会引入过多噪声,提高误检率。通过多次实验得知,n取10时检测效果较好。hn(f)定义为:
因此,谱残差视觉注意模型表示为:
R(f)=L(f)-V(f)
上述模型由log谱和对其进行均值滤波后的值的差分得到。
为了重构显著图,将谱残差视觉注意模型R(f)和相位谱P(f)进行二维离散傅里叶反变换:
S(x)=|F-1[exp{R(f)+iP(f)}]|2
式中S(x)表示通过谱残差视觉注意模型获取的显著性图。
2、随机矩阵理论模型
利用随机矩阵模型分析数据中固有的不确定性、周期性,提炼相关的指标以供后续信号检测、相关性分析等。
对于工程大数据,其空间维度N和时间维度T往往并不相同,研究符合此类特性的威沙特(Wishart)矩阵及其线性特征值统计量(Linear Eigenvalue Statistics,LES)的大数定律、中心极限定理等。基于上述研究,先验地得到LES的极限值并评估数据矩阵的经验谱密度收敛速度。它们可作为实验数据的对比参考和分析依据,为实现数据驱动的对象认知的切入点。
利用圆环律对采集的时空数据进行分析,监测异常状态的出现,并引入线性特征值评估体系对异常状态进行评估。
开发数据模型的分析算法,提取数据模型的统计量并计算其理论极限,进而结合假设检验等手段萃取数据中所蕴含的统计信息。
3、线性特征值统计量LES
给出线性特征值统计量LES的定义及研究其统计特性一LES的大数定律和中心极限定理。
基于上述理论基础,本发明提供的基于谱残差和随机矩阵理论的配网故障诊断方法的具体描述如下。如图1所示,该方法包括以下步骤:
S1、采集不同维度的低压配网电压电流录波数据。
优选地,为了提升故障诊断性能,本发明中录波数据考虑的维度包括三相电压电流和中性点电流。
S2、对所获取的配网电压电流录波数据分维度计算谱残差,利用二维离散傅里叶变换,滤除正常信息,获得显著性图谱。
S3、按拓扑信息对显著性图谱数据进行空间组合,构建时空数据集矩阵,具体地:对于单个设备,基于录波维度构建多维时间数据集矩阵;对于多个设备时间数据集,依据拓扑信息构成时空数据集矩阵。
S4、基于随机矩阵理论,采用移动滑窗法在时空数据集矩阵上依次选取矩阵,判断是否有异常值出现,确定异常值出现位置,以平均谱半径构建线性特征值统计量,计算滑窗所框出的矩阵的统计量,评估配网运行状态。具体的,通过随机矩阵模型分析所述显著性图谱时空矩阵的经验谱分布,并通过圆环律判断是否有异常值出现,从预先构建的线性特征值指标体系中选取一配网运行状态指标,判断异常状态发生时该指标是否超过阈值。
上述方法通过引入谱残差算法、随机矩阵模型、特征值(谱)分析等工具深度挖掘所述时空数据集的统计信息,进而将其与配网故障状态关联起来,设计相应的指标体系以辅助功能设计。
上述方法如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
实施例1
本实施例提供一种基于谱残差和随机矩阵理论的配网故障诊断方法,包括以下步骤:
步骤1:采集配网在T个时刻的运行录波数据,选取录波维度包括三相电压电流和中性点电流;
步骤2:基于谱残差算法计算每个录波维度的显著性图谱,对于每个设备构建多维时间数据矩阵An×T,其中n=7。
步骤3:将步骤2中所计算出的多维时间数据矩阵依据配网拓扑堆砌形成时空数据集矩阵XN×T,其中N=n×设备数量;
步骤4:采用宽度为t的移动滑窗,在步骤2的时空数据集矩阵XN×T上框选出XN×t,并确定移动窗口走势;
实施例2
本实施例提供一种电子设备,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如实施例1所述基于谱残差和随机矩阵理论的配网故障诊断方法的指令。
以上详细描述了本发明的较佳具体实施例。应当理解,本领域的普通技术人员无需创造性劳动就可以根据本发明的构思作出诸多修改和变化。因此,凡本技术领域中技术人员依本发明的构思在现有技术的基础上通过逻辑分析、推理或者有限的实验可以得到的技术方案,皆应在由权利要求书所确定的保护范围内。
Claims (10)
1.一种基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,包括以下步骤:
采集不同维度的低压配网电压电流录波数据;
分维度对所采集的低压配网电压电流录波数据计算谱残差,并获得显著性图谱;
按配网拓扑信息对显著性图谱进行空间组合,构建时空数据集矩阵;
基于随机矩阵理论,采用移动滑窗法在所述时空数据集矩阵上依次选取矩阵,判断是否存在异常值,实现配网故障诊断和定位。
2.根据权利要求1所述的基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,所述维度包括三相电压电流和中性点电流。
3.根据权利要求1所述的基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,所述显著性图谱的获得过程具体为:
利用二维离散傅里叶变换对所述显著性图谱进行变换处理,滤除正常信息,获得显著性图谱。
4.根据权利要求1所述的基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,所述构建时空数据集矩阵具体为:
基于各设备的不同维度的显著性图谱,建立单个设备的多维时间数据集矩阵;
依据配网拓扑信息,将多个设备的所述多维时间数据集矩阵堆砌形成时空数据集矩阵。
5.根据权利要求1所述的基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,所述判断是否存在异常值具体为:
设置移动滑窗,基于所述移动滑窗在时空数据集矩阵框选出滑窗矩阵;
对所述滑窗矩阵进行标准化处理,生成标准化矩阵;
求取所述标准化矩阵的奇异值等价矩阵,并进行单位化处理获得单位化矩阵;
通过圆环律对所述单位化矩阵进行经验谱分布分析,判断是否出现异常值。
6.根据权利要求5所述的基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,所述标准化矩阵为均值为0,方差为1的矩阵。
7.根据权利要求1所述的基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,该方法还包括:
计算移动滑窗法所选取的矩阵的线性特征值统计量,评估配网故障状态。
8.根据权利要求7所述的基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,基于计算的所述线性特征值统计量构建配网的线性特征值指标体系,将该线性特征值指标体系与预设指标体系进行比对,评估配网故障状态。
9.根据权利要求7所述的基于谱残差和随机矩阵理论的配网故障诊断方法,其特征在于,所述线性特征值统计量基于平均谱半径计算获得。
10.一种电子设备,其特征在于,包括一个或多个处理器、存储器和被存储在存储器中的一个或多个程序,所述一个或多个程序包括用于执行如权利要求1-9任一所述基于谱残差和随机矩阵理论的配网故障诊断方法的指令。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321447.XA CN115656720A (zh) | 2022-10-26 | 2022-10-26 | 基于谱残差和随机矩阵理论的配网故障诊断方法及设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211321447.XA CN115656720A (zh) | 2022-10-26 | 2022-10-26 | 基于谱残差和随机矩阵理论的配网故障诊断方法及设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115656720A true CN115656720A (zh) | 2023-01-31 |
Family
ID=84990709
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211321447.XA Pending CN115656720A (zh) | 2022-10-26 | 2022-10-26 | 基于谱残差和随机矩阵理论的配网故障诊断方法及设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115656720A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117928626A (zh) * | 2024-03-21 | 2024-04-26 | 山东宜人物联网有限公司 | 一种基于电数据分析的传感器故障诊断方法 |
-
2022
- 2022-10-26 CN CN202211321447.XA patent/CN115656720A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117928626A (zh) * | 2024-03-21 | 2024-04-26 | 山东宜人物联网有限公司 | 一种基于电数据分析的传感器故障诊断方法 |
CN117928626B (zh) * | 2024-03-21 | 2024-05-31 | 山东宜人物联网有限公司 | 一种基于电数据分析的传感器故障诊断方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
AU2020101900A4 (en) | A method, device and equipment for detecting abnormal electric meter | |
CN111371188A (zh) | 一种用电异常数据实时预警系统 | |
CN112213640B (zh) | 一种电机故障诊断方法及其相关设备 | |
CN116933044A (zh) | 一种供电数据智能处理方法及系统 | |
CN115656720A (zh) | 基于谱残差和随机矩阵理论的配网故障诊断方法及设备 | |
CN115081795A (zh) | 多维场景下企业能耗异常成因分析方法及系统 | |
CN103729444A (zh) | 一种基于设备监测数据间潜在关系的异常数据检测方法 | |
CN109613324A (zh) | 一种谐波放大的检测方法及装置 | |
CN112417371A (zh) | 配网台区智能电能表运行状态监测方法 | |
CN113128567A (zh) | 一种基于用电量数据的异常用电行为识别方法 | |
CN116108371A (zh) | 基于级联异常生成网络的云服务异常诊断方法与系统 | |
CN113866614A (zh) | 一种多场景用户侧低压直流开关电弧故障诊断方法及装置 | |
CN115564075B (zh) | 一种城市电网主配一体故障协同诊断方法、系统 | |
CN111506636A (zh) | 一种基于自回归和近邻算法的居民用电行为分析的系统及方法 | |
CN116776181A (zh) | 基于改进模糊聚类的终端侧负荷辨识方法、介质及系统 | |
CN116629448A (zh) | 基于经验模态分解和神经网络相结合的光伏功率预测方法 | |
CN115409367A (zh) | 基于物联网的智能电网健康状态评估方法及系统 | |
CN113705920B (zh) | 火电厂用水数据样本集的生成方法和终端设备 | |
Wang et al. | A novel industrial process fault monitoring method based on kernel robust non-negative matrix factorization | |
CN117590152B (zh) | 一种微电网并入电网中的电网孤岛数字化检测装置 | |
CN113835029B (zh) | 电机故障诊断评定标准构建方法、系统及计算机存储介质 | |
CN117388637B (zh) | 基于ai的换流站直流系统异常信号辨识与辅助决策方法 | |
CN118094115A (zh) | 基于末屏电压的换流变阀侧套管壳体状态巡检方法及系统 | |
CN117407824B (zh) | 一种电力时间同步装置的健康检测方法、设备和介质 | |
CN118244057B (zh) | 电力系统故障检测方法、装置、设备以及存储介质 |
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 |