CN115792506A - 一种运用emd和lle的单相接地故障检测系统及方法 - Google Patents

一种运用emd和lle的单相接地故障检测系统及方法 Download PDF

Info

Publication number
CN115792506A
CN115792506A CN202310069961.7A CN202310069961A CN115792506A CN 115792506 A CN115792506 A CN 115792506A CN 202310069961 A CN202310069961 A CN 202310069961A CN 115792506 A CN115792506 A CN 115792506A
Authority
CN
China
Prior art keywords
data set
dimensional
sequence current
characteristic data
low
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.)
Granted
Application number
CN202310069961.7A
Other languages
English (en)
Other versions
CN115792506B (zh
Inventor
李冠华
陈浩然
李辉
韩洪刚
李斌
刘一涛
杜砚
李胜川
栗罡
刘志宇
宋云东
杨璐羽
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.)
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
Original Assignee
China Electric Power Research Institute Co Ltd CEPRI
Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd
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 China Electric Power Research Institute Co Ltd CEPRI, Electric Power Research Institute of State Grid Liaoning Electric Power Co Ltd filed Critical China Electric Power Research Institute Co Ltd CEPRI
Priority to CN202310069961.7A priority Critical patent/CN115792506B/zh
Publication of CN115792506A publication Critical patent/CN115792506A/zh
Application granted granted Critical
Publication of CN115792506B publication Critical patent/CN115792506B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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

  • Locating Faults (AREA)

Abstract

一种运用EMD和LLE的单相接地故障检测系统及方法，系统包括：零序电流互感器、滤波单元、特征提取单元和故障诊断单元；零序电流互感器设置在配电网络各条馈线处，用于采集配电网各条馈线零序电流；滤波单元用于基于经验模态分解构造低通滤波器，对由各条馈线零序电流构成的原始数据集实施滤波，获得低频特征数据集；特征提取单元用于在低频特征数据集的基础上，使用局部线性嵌入法实施特征提取，获得一维特征数据集；故障诊断单元用于计算一维特征数据集的方差系数，并以方差系数跃变状态作为判据，判断是否发生单相接地故障。本发明可以实现在兼顾稳定性的前提下进行灵敏识别，快速准确的判断系统是否发生永久性高阻接地故障。

Description

一种运用EMD和LLE的单相接地故障检测系统及方法
技术领域
本发明属于配电网继电保护技术领域，具体涉及一种运用经验模态分解和局部线性嵌入法的单相接地故障检测系统及方法。
背景技术
我国大多数配电网均采用中性点不直接接地系统（NUGS），即小接地电流系统，它包括中性点不接地系统（NUS），中性点经消弧线圈接地系统（NES，也称谐振接地系统），中性点经电阻接地系统（NRS）。小接地电流系统发生最多的是单相接地故障，所以如何快速准确地检测出故障线路一直是电力系统继电保护的重要研究内容。
现有技术中，中性点经消弧线圈接地的配网系统发生单相接地故障，故障电流较小，零序阻抗较大，难以利用过流保护手段进行识别，因此中性点经消弧线圈接地的配网系统通常配置选线装置进行故障馈线的识别。
现有技术文件1（CN107167692B）公开了一种消弧线圈接地系统故障选线装置和方法。以现有技术文件1为代表的选线装置的选线准确率有两个，装置的选线准确率以及真实选线准确率。随着基于暂态量以及行波等特征量的选线方法的提出，装置选线准确率已有明显提高。其不足之处在于，真实选线准确率仍然较低，一个最主要的原因在于系统发生永久性单相高阻接地故障时，选线装置难以正常启动。
现有技术文件2（CN109669103A）公开了一种真型配电网多态复杂故障模拟试验平台和试验方法。以现有技术2为代表的技术方案表明，配电网发生的单相接地故障具有多态复杂的特性，多态指故障类型有单相未断线接地故障，断线后电源侧接地故障和断线后负荷侧接地故障；复杂指的是接地点的介质形态，包括土壤、沙石、草地、水泥等均可能呈现高阻特征，且常伴随弧光现象。故障信号幅值低且可能存在电弧引起的非线性畸变，使得相关特征的波动性较大，阈值难以整定。降低动作阈值可提高故障检测灵敏性，但可能会发生故障误判，而提高动作阈值则会丧失可靠性。
现有技术中，选线装置的常用启动判据有2个，一个是零序电压超过相电压的15%，另一个是零序电流突变量大于1A，此判据为避免选线装置误启动而将阈值设置较高，而高阻接地故障的零序电压常集中于相电压4~6%附近，零序电流突变量也可能达不到启动阈值，因此本申请的申请人认识到，目前制约真实选线准确率进一步提升的重要原因在于难以实现在兼顾稳定性前提下的对永久性故障的灵敏识别，快速准确的判断系统是否发生永久性高阻接地故障是保护系统安全的亟待解决的技术问题。
发明内容
本发明的目的在于，提供一种运用EMD和LLE的单相接地故障检测系统及方法，利用经验模态分解对原始数据集进行滤波得到低频特征数据集；运用局部线性嵌入法对低频特征数据集进行特征提取得到一维特征数据集；对一维特征数据集以周期为单位求取方差系数，通过方差系数的跃变状态来判断是否发生接地故障；可以实现在兼顾稳定性的前提下进行灵敏识别，快速准确的判断系统是否发生永久性高阻接地故障。
本发明采用如下的技术方案。本发明的第一方面提供了一种运用EMD和LLE的单相接地故障检测系统，包括：零序电流互感器、滤波单元、特征提取单元和故障诊断单元，零序电流互感器设置在配电网络各条馈线处，用于采集配电网各条馈线零序电流；滤波单元用于基于经验模态分解构造低通滤波器，对由各条馈线零序电流构成的原始数据集实施滤波，获得低频特征数据集；特征提取单元用于在低频特征数据集的基础上，使用局部线性嵌入法实施特征提取，获得一维特征数据集；故障诊断单元用于计算一维特征数据集的方差系数，并以方差系数跃变状态作为判据，判断是否发生单相接地故障。
本发明的第二方面提供了一种使用所述的单相接地故障检测系统的单相接地故障检测方法，所述方法包括步骤：
步骤S1，通过零序电流互感器采集配电网各条馈线零序电流；
步骤S2，以步骤S1获得的各条馈线零序电流为原始数据集，基于经验模态分解构造低通滤波器，使用低通滤波器对原始数据集进行滤波处理，获得低频特征数据集；
步骤S3，以步骤S2获得的低频特征数据集，使用局部线性嵌入法实施特征提取，获得一维特征数据集；
步骤S4，以步骤S3获得的一维特征数据集，按照以周期为单位求取方差系数；
步骤S5，以步骤S4获得的方差系数的跃变状态作为判据，通过判断方差系数的跃变状态来判断是否发生接地故障。
优选地，步骤S2包括：
步骤S2-1，运用经验模态分解对零序电流进行分解得到多个频率不同的窄带分量
Figure SMS_1
；
步骤S2-2，对
Figure SMS_2
进行快速傅里叶变换求取特征频谱；
步骤S2-3，仅保留频率在设定范围之内的
Figure SMS_3
，作为低频窄带分量，低频窄带分量组合构成特征数据集。
优选地，步骤S2-1中，以如下公式表示经验模态分解对零序电流进行分解，
Figure SMS_4
式中：
Figure SMS_5
表示零序电流，
Figure SMS_6
表示时间；
Figure SMS_7
表示窄带分量的个数；
Figure SMS_8
为
Figure SMS_9
个窄带分量之和；
Figure SMS_10
为残余信号。
优选地，步骤S2-2中，以如下公式表示快速傅里叶变换求取特征频谱，
Figure SMS_11
式中：
Figure SMS_12
表示
Figure SMS_13
的快速傅里叶变换结果，
Figure SMS_14
表示采样点数，
Figure SMS_15
表示采样点序号；
Figure SMS_16
表示
Figure SMS_17
在采样点序号为
Figure SMS_18
处的采样值，
Figure SMS_19
表示自然常数，
Figure SMS_20
表示虚数单位。
优选地，步骤S3包括：
步骤S3-1，假设特征数据集
Figure SMS_21
有m个V维样本，计算每个样本的临近点，其中
Figure SMS_22
表示步骤2获得的低频窄带分量个数；
步骤S3-2，利用均方差构建特征数据集的损失函数，以如下公式表示：
Figure SMS_23
式中：
Figure SMS_24
表示损失函数，
Figure SMS_25
表示特征数据集中第
Figure SMS_26
个样本；
Figure SMS_27
表示样本i的k个临近点集合，
Figure SMS_28
为权重系数；
步骤S3-3，利用已知的高维的特征数据集求取各元素对应的权重系数
Figure SMS_29
；
步骤S3-4，假设V维样本集
Figure SMS_30
在一维对应投影为
Figure SMS_31
，则目标损失函数
Figure SMS_32
：
Figure SMS_33
步骤S3-5，利用与高维特征数据相同的权重系数
Figure SMS_34
求取对应的一维数据
Figure SMS_35
，引入约束条件计算得到一维特征数据集
Figure SMS_36
。
优选地，步骤S3-1中，计算样本的临近点采用K临近算法，K临近算法预先设定样本的临近点个数k，然后测定所有数据与样本的欧氏距离后并排序，筛选出其中距离样本距离最近的k个数据点作为与样本的临近点。
优选地，步骤S3-5中，引入约束条件：
Figure SMS_37
将目标损失函数矩阵化，改写为：
Figure SMS_38
其中，
Figure SMS_39
为迹函数；该目标损失函数的解即为一维特征数据集
Figure SMS_40
；
Figure SMS_41
表示利用与高维特征数据相同的权重系数
Figure SMS_42
求取对应的一维数据，
Figure SMS_43
为由
Figure SMS_44
构成的矩阵，
Figure SMS_45
，W表示权重系数构成的矩阵。
优选地，步骤S4中，对提取出的一维特征数据集以周期为单位求取方差系数，对特征数据集
Figure SMS_46
求每一周波的方差系数
Figure SMS_47
，以如下公式表示：
Figure SMS_48
式中：
Figure SMS_49
为单周波数据个数，
Figure SMS_50
为数据的平均值，
Figure SMS_51
为每一周波内特征数据集内第
Figure SMS_52
个数据。
优选地，步骤S5中，判断是否发生故障具体为：
若发生永久性故障，故障发生周期的方差系数
Figure SMS_53
会向上跃变，并在故障后保持相同的数量级；
若为瞬时性故障，方差系数
Figure SMS_54
向上跃变后会再向下跃变。
本发明的有益效果在于，与现有技术相比，本发明采用经验模态分解进行低通滤波，滤波效果显著，可以很好的去除噪声的影响。
本发明采用局部线性嵌入法进行特征提取，将高维特征转换为时域一维特征量，然后求取方差系数，通过方差系数的跃变判断是否发生故障，若发生永久性故障，故障发生周期的特征值
Figure SMS_55
会向上跃变，并在故障后保持特征值的数量级；若为瞬时性故障，特征值
Figure SMS_56
向上跃变后会再后面的几个周期内再向下跃变。
本发明可以实现在兼顾稳定性前提下的对永久性故障的灵敏识别，快速准确的判断系统是否发生永久性高阻接地故障。
附图说明
图1是本发明运用经验模态分解和局部线性嵌入法的单相接地故障检测方法流程图；
图2是局部线性嵌入法算法计算流程；
图3是试验网架结构；
图4是66kV系统强噪声树阻弧光接地故障零序电流；
图5是零序电流的经验模态分解及频谱分析；
图6是基于经验模态分解经验模态分解的滤波效果对比图；
图7是基于局部线性嵌入法的特征提取效果图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
本发明的实施例1提供了一种运用经验模态分解和局部线性嵌入法的单相接地故障检测系统，包括：零序电流互感器、滤波单元、特征提取单元和故障诊断单元。
在优选但非限制性的实施方式中，零序电流互感器设置在配电网络各条馈线处，用于采集配电网各条馈线零序电流；滤波单元用于基于EMD（Empirical modedecomposition，经验模态分解）构造低通滤波器，对由各条馈线零序电流构成的原始数据集实施滤波，获得低频特征数据集；特征提取单元用于在低频特征数据集的基础上，使用LLE（Locally Linear Embedding，局部线性嵌入法）实施特征提取，获得一维特征数据集；故障诊断单元用于计算一维特征数据集的方差系数，并以方差系数跃变状态作为判据，判断是否发生单相接地故障。
如图1所示，本发明的实施例2提供了一种使用如实施例1所述的单相接地故障检测系统的单相接地故障检测方法，所述方法包括步骤：
步骤S1，通过零序电流互感器采集配电网各条馈线零序电流。
步骤S2，以步骤S1获得的各条馈线零序电流为原始数据集，使用低通滤波器对原始数据集进行滤波处理，获得低频特征数据集；其中基于经验模态分解构造低通滤波器。
在优选但非限制性的实施方式中，运用经验模态分解的低通滤波是指，以各条馈线零序电流为原始数据集，利用经验模态分解法经验模态分解具备的频率自适应能力，构建低通滤波器对数据集进行滤波得到主频率在200Hz以下的特征数据集。
值得注意的是，经验模态分解将一个频率不规则的信号转化为多个近似频率的信号叠加的形式，发明人发现其适用于处理高阻接地故障产生的非平稳及非线性零序电流数据，其具备分解频率的自适应性。更具体地，由于高阻接地故障电流较小，很容易受到噪声的影响，噪声的主要来源有2个，其一是系统背景噪声，多以白噪声为主；其二来自零序电流互感器的测量噪声，电流低于零序电流互感器的最小精工电流时，测量到的电流会叠加测量误差。因传统的低通滤波器难以设置合理的截止频率，滤波效果较差，本发明采用经验模态分解构建低通滤波器进行原始数据的去噪工作。
在优选但非限制性的实施方式中，步骤S2具体包括：
步骤S2-1，运用经验模态分解对零序电流进行分解得到多个频率不同的窄带分量
Figure SMS_57
；具体地：
经验模态分解分解结果为几个频率不同的窄带分量IMF，可表示为如式（1）的几个IMF和一个残余信号。
Figure SMS_58
(1)
其中，
Figure SMS_59
表示零序电流，
Figure SMS_60
表示时间；
Figure SMS_61
表示窄带分量的个数；
Figure SMS_62
为
Figure SMS_63
个窄带分量IMF之和；
Figure SMS_64
为残余信号。
经验模态分解算法是一种可逆分解，即可以通过
Figure SMS_65
的重新组合还原原始信号，其中，
Figure SMS_66
分别对应从高频到低频的分解信号。
步骤S2-2，对
Figure SMS_67
进行快速傅里叶变换求取特征频谱；具体地：
利用式（2）所示快速傅里叶变换对
Figure SMS_68
求取特征频谱，
Figure SMS_69
(2)
Figure SMS_70
表示
Figure SMS_71
的快速傅里叶变换结果，
Figure SMS_72
表示采样点数，
Figure SMS_73
表示采样点序号；
Figure SMS_74
表示
Figure SMS_75
在采样点序号为
Figure SMS_76
处的采样值，
Figure SMS_77
表示自然常数，
Figure SMS_78
表示虚数单位
步骤S2-3，仅保留频率在设定范围之内的
Figure SMS_79
，作为低频窄带分量，低频窄带分量组合构成特征数据集。具体地，仅保留主频谱在200Hz之内的
Figure SMS_80
，通过对特定低频IMF分量的组合，实现低通滤波效果。
步骤S3，以步骤S2获得的低频特征数据集，使用局部线性嵌入法实施特征提取，获得一维特征数据集。
在优选但非限制性的实施方式中，为提取出零序电流中包含的弧光接地故障特征，采用LLE（Locally Linear Embedding，局部线性嵌入法），局部线性嵌入法的目的是突出被观测特征的高维数据集X的低维映射集Y，局部线性嵌入法的计算流程如图2所示
在进一步优选但非限制性的实施方式中，步骤S3具体包括：
步骤S3-1，假设特征数据集
Figure SMS_81
有m个V维样本，计算每个样本的临近点。具体地，虽然故障零序电流波形在整个周期内是呈现非线性的，但是其在局部可近似认为是线性的。局部线性嵌入法寻找出“询问点”的局部线性区域，即每个样本在空间中的临近点。
在进一步优选但非限制性的实施方式中，采用K临近算法（k-nearest neighbor，K-NN）。K-NN法预先设定样本“询问点”的临近点个数k，然后测定所有数据与样本“询问点”的欧氏距离后并排序，筛选出其中距离样本“询问点”距离最近的k个数据点作为与样本“询问点”关系最密切的临近点。
对所有数据分别进行“临近点”查询运算后，可挖掘出所有数据点的高维拓扑关系。但是此方法规定的临近点个数k，影响着局部线性嵌入法算法的局部与全局属性，临近点个数k过大会将不在同一流形上的样本作为临近点的概率增加，导致局部信息丢失。而设置过小的临近点个数，会使得挖掘出的各局部结构间无任何关联，而无法保持原始整体数据集的空间信息。
步骤S3-2，利用均方差构建特征数据集的损失函数，实施原始数据空间局部结构挖掘。具体地，假设高维数据集
Figure SMS_82
有m个V维样本，利用均方差构建损失函数，以如下公式表示：
Figure SMS_83
(3)
式中：
Figure SMS_84
表示损失函数，
Figure SMS_85
表示特征数据集中第
Figure SMS_86
个样本；
Figure SMS_87
表示样本i的k个临近点集合，
Figure SMS_88
为权重系数。
步骤S3-3，利用已知的高维的特征数据集求取各元素对应的权重系数
Figure SMS_89
对权重系数
Figure SMS_90
做归一化处理，即权重系数满足式（4）限制条件。
Figure SMS_91
(4)
对于不在样本
Figure SMS_92
的邻域内的样本
Figure SMS_93
，另对应的权重系数
Figure SMS_94
，创建扩展到整个数据集维度的稀疏矩阵
Figure SMS_95
。
对式（3）进行矩阵化处理：
Figure SMS_96
(5)
其中，
Figure SMS_97
，令矩阵
Figure SMS_98
，则式（5）可进一步化简为式（6）：
Figure SMS_99
(6)
同时对式（4）矩阵化：
Figure SMS_100
(7)
其中，
Figure SMS_101
为k维全1相量。
将式（6）和（7）利用拉格朗日乘法合并为一个优化目标：
Figure SMS_102
(8)
对
Figure SMS_103
求导并另其值为0，可以得到：
Figure SMS_104
(9)
即：
Figure SMS_105
(10)
其中，
Figure SMS_106
为一个常数。利用
Figure SMS_107
对
Figure SMS_108
进行归一化，得到权重系数
Figure SMS_109
为：
Figure SMS_110
(11)。
步骤S3-4，假设V维样本集
Figure SMS_111
在一维对应投影为
Figure SMS_112
，为保持权重系数
Figure SMS_113
在高维空间与降维后的低维空间中线性关系一致，即希望对应的均方差损失函数最小，则目标损失函数
Figure SMS_114
：
Figure SMS_115
(12)
值得注意的是，式（12）与式（3）函数结构基本一致，在式（3）中利用已知的高维数据求取各元素对应的权重系数
Figure SMS_116
，而在式（12）中，利用与高维数据相同的权重系数
Figure SMS_117
求取对应的低维数据
Figure SMS_118
，从而实现数据的降维操作，低维数据还原出高维数据集X的基本特征，实现原始数据空间局部结构挖掘。
步骤S3-5，利用与高维特征数据相同的权重系数
Figure SMS_119
求取对应的一维数据
Figure SMS_120
，引入约束条件计算得到一维特征数据集
Figure SMS_121
。具体地，为得到标准化低维数据，引入约束条件如式（13）所示：
Figure SMS_122
(13)
将目标损失函数矩阵化：
Figure SMS_123
(14)
另
Figure SMS_124
，则式（14）可写为：
Figure SMS_125
(15)
其中，
Figure SMS_126
为迹函数。约束函数矩阵化为：
Figure SMS_127
。
式（15）的解即为矩阵
Figure SMS_128
最小的几个特征值所对应的特征向量，即期望得到的故障数据时域特征。
步骤S4，以步骤S3获得的一维特征数据集，按照以周期为单位求取方差系数。
在优选但非限制性的实施方式中，对提取出的一维特征量以周期为单位求取方差系数，故障前后的方差系数会发生跃变，通过判断方差系数的跃变状态来判断是否发生故障。
在求得特征数据集
Figure SMS_129
的基础上，对特征数据集
Figure SMS_130
求每一周波的方差系数
Figure SMS_131
：
Figure SMS_132
(16)
其中，
Figure SMS_133
为单周波数据个数，
Figure SMS_134
为数据的平均值。
步骤S5，以步骤S4获得的方差系数的跃变状态作为判据，通过判断方差系数的跃变状态来判断是否发生接地故障。
具体地，通过判断
Figure SMS_135
的突变状态以判断是否发生故障，若发生永久性故障，故障发生周期的特征值
Figure SMS_136
会向上跃变，并在故障后保持特征值的数量级；若为瞬时性故障，特征值
Figure SMS_137
向上跃变后会再后面的几个周期内再向下跃变。
为了更加清楚地介绍本发明的技术方案以及能够取得的有益技术效果，下面结合具体故障识别说明本发明的具体实施方式。
本发明所述的基于经验模态分解和局部线性嵌入的接地故障识别方法，包括步骤：
对各条馈线的零序电流
Figure SMS_138
进行持续采样，以每10个周期（0.2s）的数据组成一个数据集
Figure SMS_139
，其中，
Figure SMS_140
表征具体馈线，对所有
Figure SMS_141
进行经验模态分解低通滤波，得到频谱集中于200Hz之内的数据集，将所有馈线的滤波后数据组成高维数据集
Figure SMS_142
；
利用局部线性嵌入法算法对高维数据集
Figure SMS_143
进行降维处理，得到一维特征数据集
Figure SMS_144
；
对特征数据集
Figure SMS_145
求每一周波的方差系数
Figure SMS_146
。
Figure SMS_147
其中，r为单周波数据个数，
Figure SMS_148
为数据的平均值，
Figure SMS_149
为每一周波内特征数据集内第
Figure SMS_150
个数据。
通过判断
Figure SMS_151
的突变状态以判断是否发生故障，若发生永久性故障，故障发生周期的特征值
Figure SMS_152
会向上跃变，并在故障后保持特征值的数量级；若为瞬时性故障，特征值
Figure SMS_153
向上跃变后会再后面的几个周期内再向下跃变。
为验证本发明提出检测方法的可靠性，在如图3所示真型配网系统上模拟66kV系统发生单相接地故障，系统设置3条馈线，中性点接地方式为谐振接地。在其中一条馈线上模拟单相接地故障。以0.2s为一个完整样本周期，实验的数据采样频率
Figure SMS_154
，系统有3条馈线，各条馈线的零序电流如图4所示。选择样本数据为
Figure SMS_155
的
Figure SMS_156
维的数据集。
对原始数据利用经验模态分解算法进行分解，并对分解出的各IMF进行频谱分析，以I30为例，其经验模态分解分解结果及对应频谱如图5所示。对原始信号共分解为10个IMF分量以及一个残余分量。仅保留主频谱在200Hz之内的IMF及残余分量
Figure SMS_157
，即：
Figure SMS_158
(17)
如图6，对比了原始信号及滤波后的信号，该方法滤波效果显著。利用本发明提出的基于局部线性嵌入法的特征提取算法对滤波后的数据集
Figure SMS_159
降维成一维特征数据
Figure SMS_160
，设置邻近样本个数
Figure SMS_161
，试验统计结果显示，设置
Figure SMS_162
可兼顾局部线性及全局结构属性。
对降维数据每一周期提取方差系数特征，如图7所示，可以清楚观察到，在0.06~0.08s周期内发生单相接地故障。故障前一周期方差系数
Figure SMS_163
，故障发生周期方差系数
Figure SMS_164
，特征在故障前后发生明显的跃变。
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

Claims (10)

1.一种运用EMD和LLE的单相接地故障检测系统，包括：零序电流互感器、滤波单元、特征提取单元和故障诊断单元，其特征在于：
零序电流互感器设置在配电网络各条馈线处，用于采集配电网各条馈线零序电流；
滤波单元用于基于经验模态分解构造低通滤波器，对由各条馈线零序电流构成的原始数据集实施滤波，获得低频特征数据集；
特征提取单元用于在低频特征数据集的基础上，使用局部线性嵌入法实施特征提取，获得一维特征数据集；
故障诊断单元用于计算一维特征数据集的方差系数，并以方差系数跃变状态作为判据，判断是否发生单相接地故障。
2.一种使用如权利要求1所述的单相接地故障检测系统的单相接地故障检测方法，其特征在于，所述方法包括步骤：
步骤S1，通过零序电流互感器采集配电网各条馈线零序电流；
步骤S2，以步骤S1获得的各条馈线零序电流为原始数据集，基于经验模态分解构造低通滤波器，使用低通滤波器对原始数据集进行滤波处理，获得低频特征数据集；
步骤S3，以步骤S2获得的低频特征数据集，使用局部线性嵌入法实施特征提取，获得一维特征数据集；
步骤S4，以步骤S3获得的一维特征数据集，按照以周期为单位求取方差系数；
步骤S5，以步骤S4获得的方差系数的跃变状态作为判据，通过判断方差系数的跃变状态来判断是否发生接地故障。
3.如权利要求2所述的单相接地故障检测方法，其特征在于：
步骤S2包括：
步骤S2-1，运用经验模态分解对零序电流进行分解得到多个频率不同的窄带分量
Figure QLYQS_1
；
步骤S2-2，对
Figure QLYQS_2
进行快速傅里叶变换求取特征频谱；
步骤S2-3，仅保留频率在设定范围之内的
Figure QLYQS_3
，作为低频窄带分量，低频窄带分量组合构成特征数据集。
4.如权利要求3所述的单相接地故障检测方法，其特征在于：
步骤S2-1中，以如下公式表示经验模态分解对零序电流进行分解，
Figure QLYQS_4
式中：
Figure QLYQS_5
表示零序电流，
Figure QLYQS_6
表示时间；
Figure QLYQS_7
表示窄带分量的个数；
Figure QLYQS_8
为
Figure QLYQS_9
个窄带分量之和；
Figure QLYQS_10
为残余信号。
5.如权利要求4所述的单相接地故障检测方法，其特征在于：
步骤S2-2中，以如下公式表示快速傅里叶变换求取特征频谱，
Figure QLYQS_11
式中：
Figure QLYQS_12
表示
Figure QLYQS_13
的快速傅里叶变换结果，
Figure QLYQS_14
表示采样点数，
Figure QLYQS_15
表示采样点序号；
Figure QLYQS_16
表示
Figure QLYQS_17
在采样点序号为
Figure QLYQS_18
处的采样值，
Figure QLYQS_19
表示自然常数，
Figure QLYQS_20
表示虚数单位。
6.如权利要求5所述的单相接地故障检测方法，其特征在于：
步骤S3包括：
步骤S3-1，假设特征数据集
Figure QLYQS_21
有m个V维样本，计算每个样本的临近点，其中
Figure QLYQS_22
表示步骤2获得的低频窄带分量个数；
步骤S3-2，利用均方差构建特征数据集的损失函数，以如下公式表示：
Figure QLYQS_23
式中：
Figure QLYQS_24
表示损失函数，
Figure QLYQS_25
表示特征数据集中第
Figure QLYQS_26
个样本；
Figure QLYQS_27
表示样本i的
Figure QLYQS_28
个临近点集合，
Figure QLYQS_29
为权重系数；
步骤S3-3，利用已知的高维的特征数据集求取各元素对应的权重系数
Figure QLYQS_30
；
步骤S3-4，假设
Figure QLYQS_31
维样本集
Figure QLYQS_32
在一维对应投影为
Figure QLYQS_33
，则目标损失函数
Figure QLYQS_34
：
Figure QLYQS_35
步骤S3-5，利用与高维特征数据相同的权重系数
Figure QLYQS_36
求取对应的一维数据
Figure QLYQS_37
，引入约束条件计算得到一维特征数据集
Figure QLYQS_38
。
7.如权利要求6所述的单相接地故障检测方法，其特征在于：
步骤S3-1中，计算样本的临近点采用K临近算法，K临近算法预先设定样本的临近点个数k，然后测定所有数据与样本的欧氏距离后并排序，筛选出其中距离样本距离最近的k个数据点作为与样本的临近点。
8.如权利要求6所述的单相接地故障检测方法，其特征在于：
步骤S3-5中，引入约束条件：
Figure QLYQS_39
将目标损失函数矩阵化，改写为：
Figure QLYQS_41
其中，
Figure QLYQS_43
为迹函数；该目标损失函数的解即为一维特征数据集
Figure QLYQS_46
；
Figure QLYQS_42
表示利用与高维特征数据相同的权重系数
Figure QLYQS_44
求取对应的一维数据，
Figure QLYQS_45
为由
Figure QLYQS_47
构成的矩阵，
Figure QLYQS_40
，W表示权重系数构成的矩阵。
9.如权利要求2所述的单相接地故障检测方法，其特征在于：
步骤S4中，对提取出的一维特征数据集以周期为单位求取方差系数，对特征数据集
Figure QLYQS_48
求每一周波的方差系数
Figure QLYQS_49
，以如下公式表示：
Figure QLYQS_50
式中：
Figure QLYQS_51
为单周波数据个数，
Figure QLYQS_52
为数据的平均值，
Figure QLYQS_53
为每一周波内特征数据集内第
Figure QLYQS_54
个数据。
10.如权利要求9所述的单相接地故障检测方法，其特征在于：
步骤S5中，判断是否发生故障具体为：
若发生永久性故障，故障发生周期的方差系数
Figure QLYQS_55
会向上跃变，并在故障后保持相同的数量级；
若为瞬时性故障，方差系数
Figure QLYQS_56
向上跃变后会再向下跃变。
CN202310069961.7A 2023-02-07 2023-02-07 一种运用emd和lle的单相接地故障检测系统及方法 Active CN115792506B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310069961.7A CN115792506B (zh) 2023-02-07 2023-02-07 一种运用emd和lle的单相接地故障检测系统及方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310069961.7A CN115792506B (zh) 2023-02-07 2023-02-07 一种运用emd和lle的单相接地故障检测系统及方法

Publications (2)

Publication Number Publication Date
CN115792506A true CN115792506A (zh) 2023-03-14
CN115792506B CN115792506B (zh) 2023-04-28

Family

ID=85430108

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310069961.7A Active CN115792506B (zh) 2023-02-07 2023-02-07 一种运用emd和lle的单相接地故障检测系统及方法

Country Status (1)

Country Link
CN (1) CN115792506B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720109A (zh) * 2023-08-09 2023-09-08 傲拓科技股份有限公司 基于fpga的改进局部线性嵌入风机轴承故障诊断方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102494899A (zh) * 2011-11-25 2012-06-13 华南理工大学 柴油机复合故障诊断方法及诊断系统
CN106597223A (zh) * 2016-12-19 2017-04-26 山东科技大学 一种基于改进hht的单相接地故障选线方法
CN109884464A (zh) * 2019-03-01 2019-06-14 西安理工大学 小电流单相接地故障选线方法
CN111413641A (zh) * 2020-04-03 2020-07-14 合肥凯高电气设备有限公司 一种利用hht暂态特征量检测的微机继电保护方法
CN111652479A (zh) * 2020-05-19 2020-09-11 三峡大学 一种针对电力系统动态安全评估的数据驱动方法
CN114152441A (zh) * 2021-12-13 2022-03-08 山东大学 基于移位窗口变换器网络的滚动轴承故障诊断方法及系统
CN115144703A (zh) * 2022-08-31 2022-10-04 南京邮电大学 基于零序差分电流和能量矩指标的高阻接地故障识别方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102494899A (zh) * 2011-11-25 2012-06-13 华南理工大学 柴油机复合故障诊断方法及诊断系统
CN106597223A (zh) * 2016-12-19 2017-04-26 山东科技大学 一种基于改进hht的单相接地故障选线方法
CN109884464A (zh) * 2019-03-01 2019-06-14 西安理工大学 小电流单相接地故障选线方法
CN111413641A (zh) * 2020-04-03 2020-07-14 合肥凯高电气设备有限公司 一种利用hht暂态特征量检测的微机继电保护方法
CN111652479A (zh) * 2020-05-19 2020-09-11 三峡大学 一种针对电力系统动态安全评估的数据驱动方法
CN114152441A (zh) * 2021-12-13 2022-03-08 山东大学 基于移位窗口变换器网络的滚动轴承故障诊断方法及系统
CN115144703A (zh) * 2022-08-31 2022-10-04 南京邮电大学 基于零序差分电流和能量矩指标的高阻接地故障识别方法

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN116720109A (zh) * 2023-08-09 2023-09-08 傲拓科技股份有限公司 基于fpga的改进局部线性嵌入风机轴承故障诊断方法
CN116720109B (zh) * 2023-08-09 2023-10-20 傲拓科技股份有限公司 基于fpga的改进局部线性嵌入风机轴承故障诊断方法

Also Published As

Publication number Publication date
CN115792506B (zh) 2023-04-28

Similar Documents

Publication Publication Date Title
CN106990324B (zh) 一种配电网接地故障检测定位方法
CN113219300B (zh) 一种基于相电流暂态稳态的配电网单相接地故障感知方法
Gu et al. High impedance fault detection in overhead distribution feeders using a DSP-based feeder terminal unit
CN110320434B (zh) 基于零序电流波形区间斜率曲线的高阻故障辨识方法及系统
KR101317561B1 (ko) 웨이브릿 변환을 이용한 배전 선로의 사고 검출 방법
CN113762412B (zh) 一种配电网单相接地故障识别方法、系统、终端及介质
CN115792506B (zh) 一种运用emd和lle的单相接地故障检测系统及方法
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
Wei et al. Fault detection based on the generalized S-transform with a variable factor for resonant grounding distribution networks
CN105510760A (zh) 一种基于小波分析的短路故障数据检测方法
CN110579684A (zh) 一种基于融合算法的小电流接地系统选线方法
CN105785236A (zh) 一种gis局放检测外部干扰信号排除方法
Yong et al. High impedance fault identification method of the distribution network based on discrete wavelet transformation
Narasimhulu et al. LWT based ANN with ant lion optimizer for detection and classification of high impedance faults in distribution system
Nath et al. Detection of power quality disturbances using wavelet transform
CN112748362B (zh) 基于vmd和灰色关联度相结合的小电流接地故障检测方法
CN106980051B (zh) 一种间歇性串联型故障电弧识别方法
JP2021512377A (ja) 配電網の早期故障の検出方法
García et al. Detection of high impedance faults in overhead multi grounded networks
CN109375041B (zh) 小电流接地系统单相接地故障判断方法
CN109324268B (zh) 基于贝叶斯推理的配电网早期故障检测方法及装置
CN115343579B (zh) 一种电网故障分析方法、装置及电子设备
CN106646106A (zh) 基于变点探测技术的电网故障检测方法
CN113109663A (zh) 一种配电网故障检测定位方法
CN115061005A (zh) 一种输电线铁磁谐振与弧光高阻接地故障辨别方法及系统

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
GR01 Patent grant
GR01 Patent grant