CN116559579A - 基于改进的VMD和Teager能量算子故障定位方法 - Google Patents
基于改进的VMD和Teager能量算子故障定位方法 Download PDFInfo
- Publication number
- CN116559579A CN116559579A CN202310402665.4A CN202310402665A CN116559579A CN 116559579 A CN116559579 A CN 116559579A CN 202310402665 A CN202310402665 A CN 202310402665A CN 116559579 A CN116559579 A CN 116559579A
- Authority
- CN
- China
- Prior art keywords
- vmd
- algorithm
- fault
- representing
- traveling wave
- 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
- 238000000034 method Methods 0.000 title claims abstract description 51
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 94
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 59
- 238000009826 distribution Methods 0.000 claims abstract description 34
- 238000004364 calculation method Methods 0.000 claims abstract description 32
- 238000001514 detection method Methods 0.000 claims abstract description 6
- 238000001228 spectrum Methods 0.000 claims description 23
- 238000004590 computer program Methods 0.000 claims description 18
- 238000003860 storage Methods 0.000 claims description 13
- 238000005457 optimization Methods 0.000 claims description 11
- 239000011159 matrix material Substances 0.000 claims description 10
- 241000287127 Passeridae Species 0.000 claims description 7
- 230000006978 adaptation Effects 0.000 claims description 6
- 230000035772 mutation Effects 0.000 claims description 6
- 238000012360 testing method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 102100029469 WD repeat and HMG-box DNA-binding protein 1 Human genes 0.000 claims description 3
- 101710097421 WD repeat and HMG-box DNA-binding protein 1 Proteins 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 230000004807 localization Effects 0.000 claims description 3
- 230000003044 adaptive effect Effects 0.000 claims description 2
- 230000000694 effects Effects 0.000 abstract description 6
- 230000006870 function Effects 0.000 description 25
- 238000010586 diagram Methods 0.000 description 8
- 238000012545 processing Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 238000006243 chemical reaction Methods 0.000 description 4
- 238000010845 search algorithm Methods 0.000 description 3
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 238000000489 vacuum metal deposition Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000002431 foraging effect Effects 0.000 description 1
- 230000006872 improvement 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
- 239000002245 particle Substances 0.000 description 1
- 230000008569 process Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
- G06F2218/04—Denoising
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
-
- 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
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Feedback Control In General (AREA)
Abstract
本发明属于配电网定位技术领域,尤其涉及一种基于改进的VMD和Teager能量算子故障定位方法,具体是基于改进的VMD和Teager能量算子的配网故障定位方法。包括步骤1.利用VMD算法对故障行波进行分解;步骤2.改进VMD算法,利用SSA算法对VMD的两个关键参数进行优化,以最小包络熵为适应度值;步骤3.基于改进VMD算法和Teager能量算子相结合进行故障定位。本发明在保证包含原始行波所有特征的同时消除噪声影响,增强波头位置识别精度,有效分解离散信号和非线性信号,避免噪声干扰,VMD分解效果最佳,计算量少,可实现在线检测,工作效率高,适用于高阻接地故障时行波波头特征不明显的特殊故障定位。
Description
技术领域
本发明属于配电网定位技术领域,尤其涉及一种基于改进的VMD和Teager能量算子故障定位方法,更具体的是一种基于改进的VMD和Teager能量算子的配网故障定位方法。
背景技术
配网线路是电力系统中发生故障最为频繁的部分,由于该部分直接面对广大的用电用户,一旦发生故障将会严重影响人民日常生产和生活。因此在故障发生时,能快速对故障点进行定位和维护,对于电力系统的稳定和社会的快速发展具有重要意义。
目前主要应用于配电网的定位方法为双端定位法,该方法主要根据故障发生的行波波头传输到两端的时间差和线路的长度对故障点进行定位,当线路发生高阻接地等特殊故障时,会导致行波的能量相对较小,使得波头的变化不是很明显难以准确标定波头位置,导致故障定位误差较大。
目前应用较为广泛的方法有小波变换法(awvelet transform,WT)和希尔伯特黄变换(Hilbert Huang transform,HHT)等方法检测行波波头,但这些方法对于微小变化的行波波头难以识别,面临定位误差大,定位结果不稳定等情况。小波变换算法的小波基函数和分解尺度对于该算法的变换效果有很大影响,导致该算法的适应性差,对于实际的工程应用价值较低。HHT变换主要先通过经验模态分解(empirical mode decomposition,EMD)将行波行波信号进行分解,再对分解得到的IMF1分量进行Hilbert变换,该方法可以有效分解离散信号和非平稳信号,且能够实现自适应分解,根据信号的特征自主决定分解的IMF分量的个数,但其中EMD分解会有模态混叠现象,导致定位波头的位置存在一定难度,同时Hilbert变换的计算量较大,不适合在线检测技术,无法快速对故障点进行定位计算。
VMD算法近年来被广泛应用于输电线路行波信号的分析,但是在配电网中很少应用,该算法具有较强的适应性和检测精度。但不能够自适应的决定模态分量的个数,需要在分解前设置合适的分解参数,该参数对于分解精度的影响较大,所以急需对该方法进行进一步的更新和改进。
综上,现有技术存在以下问题:
对行波信号进行经验模态分解时会产生模态混叠现象,导致波头难以确定影响故障定位的精度。
对传统HHT变换仅仅通过对IMF1分量进行Hilbert变换进行波头识别,该方法存在局限性,使得定位结果不可靠,且计算量大不能实现在线定位的问题。
对配网线路发生高阻接地等特殊情况时行波能量较小,导致行波波头特征不明显的问题。
因此,由于配电网结构复杂,线路类型繁多,导致故障行波形态不稳定,含有大量的噪声干扰,使得现有传统的定位方法难以准确定位波头位置。
发明内容
针对上述现有技术中存在的不足之处,本发明提供了一种基于改进的VMD和Teager能量算子的配网故障定位方法。其目的是为了实现能够自适应确定分解参数,从而更好地应用到实际工程中,准确定位波头位置的发明目的。
本发明为实现上述目的所采用的技术方案是:
基于改进的VMD和Teager能量算子的配网故障定位方法,包括以下步骤:
步骤1.利用VMD算法对故障行波进行分解;
步骤2.改进VMD算法,利用SSA算法对分解的参数进行优化;
步骤3.基于改进VMD算法和Teager能量算子相结合进行故障定位。
更进一步的,所述利用VMD算法对模态信号进行分解,包括以下步骤:
步骤(1)利用希尔伯特变换将各个模态信号进行分析,通过移频方式将各模态频谱移动到基带上:
上式中,δ(t)表示狄拉克函数;vk、wk表示分解后的第k个分量和该分量的中心频率;
步骤(2)利用梯度的平方范数估计带宽,建立约束方程;
上式中,λk表示梯度计算,*表示卷积计算,k表示第k个模态分量,Π是常数,t代表时间序列,e是常数符号,f(t)表示各模态分量之和,vk(t)表示各模态函数;
步骤(3)通过拉格朗日算子τ(t)和惩罚因子α约束计算结果,得到最优解,拉格朗日函数公式及其拓展计算为:
上式中,L表示约束函数,τ(t)表示惩罚因子;
步骤(4)不断更新各模态分量及其中心频率,直至得到函数的最佳解;
vk、wk和τ的更新公式如下:
上式中,y表示噪声容忍度,保证分解的保真度;vi(w)、f(w)、/>是vi(t)、f(t)、/>的傅里叶变换,n表示迭代次数,y表示噪声参数;
步骤(5)停止迭代条件构建,若满足约束条件,则停止迭代计算并输出当前模态分量;
上式中,表示计算模态分量的欧几里得系数的平方,ε表示设定的精度要求;
若ε>0,则停止迭代计算。
更进一步的,所述改进VMD算法,利用SSA算法对分解的模态信号进行优化,包括:
(1)在SSA算法中有发现者和跟随者两种类型角色,两种角色更新公式为:
上述二式中,inmax表示最大迭代数,AT表示A矩阵的转置矩阵,P表示种群数量,Q表示符合正态分布的数组,R2表示警戒值,N表示迭代次数,Xi,j表示第i个麻雀在第j维度的位置,L为结构是1×d一维向量,A矩阵中所有元素都为1的一维向量,L中元素为1和-1;
(2)增强算法的全局搜索能力,设置警戒者,数量占总数的10%-20%,其位置表示公式为:
上式中,fi表示实时的自适应度值,fw表示实时的最差自适应度值,fg表示实时的最优自适应度值;若fg=fi,则表明当前警戒者的位置为最佳,反之就不是最佳位置;Xbest表示全局最佳位置,表示迭代后的最佳位置,G和μ表示随机数,θ表示最小常数,/>表示迭代后的最差位置;
(3)增根据适应度函数来寻找最优解,在SSA寻优算法中将样本熵作为适应度函数,样本熵越小,计算序列中的频率分量越少,则该序列的噪声较小,降低分解时的模态混叠现象;利用样本熵作为SSA算法的适应度函数,利用SSA算法寻找适应度的最小值。
更进一步的,所述利用SSA算法改进VMD算法的步骤如下:
步骤(1)设置SSA算法的基本参数和种群的初始位置;
步骤(2)对信号进行VMD分解,通过样本熵作为全局搜索的适应度值;
步骤(3)根据适应度值来对个体的位置进行更新计算;
步骤(4)重复步骤(1)至(3),直至适应度值为最小,输出此时的最佳个体参数位置[K,α];
步骤(5)利用得到的最佳个体参数位置对信号进行VMD分解。
更进一步的,所述基于改进VMD算法和Teager能量算子相结合进行故障定位,包括以下步骤:
步骤(1)对采集到的故障行波x(t)进行VMD分解,利用SSA算法根据行波信号分解特征进行寻优计算,得到最佳的IMF分量个数;
步骤(2)通过相关系数法对分解得到的各最佳的IMF分量进行相关性计算,选取相关性最大分量;
步骤(3)利用Teager能量算子计算筛选后的IMF分量的能量谱,标定能量谱第一个突变位置为故障行波波头。
更进一步的,所述利用Teager能量算子计算筛选后的IMF分量的能量谱,标定能量谱第一个突变位置为故障行波波头,包括:
(1)根据行波波头时间差进行故障测距计算,公式如下:
上式中,Laf表示故障距离,v表示行波波速,ta和tb分别表示故障行波波头到达线路两端检测设备的时刻,S表示整个线路的长度,Laf和Lbf分别表示故障点距离A、B两端的距离;
(2)对真实故障行波进行迭代计算,得到VMD分解的最优参数;
设置SSA算法的种群数量和迭代次数,通过对真实故障行波的迭代计算和寻优计算,得到样本熵的最小值,即VMD分解的最优参数;
(3)对试验线路的电流行波信号进行分解;
采集试验线路的电流行波信号,利用改进的VMD算法对原始故障行波进行分解;
(4)利用Teager能量算子对原始电流行波的最佳的IMF分量个数分量计算瞬时能量谱,从而精准确定行波波头位置。
更进一步的,所述最佳的IMF分量个数包括:IMF1,IMF2,…,IMFn。
基于改进的VMD和Teager能量算子的配网故障定位装置,包括:
分解模块,用于利用VMD算法对模态信号进行分解;
优化模块,用于改进VMD算法,利用SSA算法对VMD的两个关键参数,即惩罚因子α和模态分解数K,进行优化,以最小包络熵为适应度值;
故障定位模块,用于基于改进VMD算法和Teager能量算子相结合进行故障定位。
一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现任一所述的基于改进的VMD和Teager能量算子的配网故障定位方法及装置的步骤。
一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现任一所述的基于改进的VMD和Teager能量算子的配网故障定位方法及装置的步骤。
本发明具有以下有益效果及优点:
本发明提出一种基于改进的VMD和Teager能量算子故障定位方法,是一种新的基于改进VMD算法和Teager能量算子的行波故障定位方法,可以适用于高阻接地故障时行波波头特征不明显的特殊故障定位。
本发明利用SSA算法对VMD分解参数进行优化将行波分解为一系列固有模态分量,再通过相关性来筛选与原始行波强相关的IMF分量,在保证包含原始行波所有特征的同时消除噪声的影响,可以增强波头位置识别精度。本发明对原始行波信号进行去噪处理,有效分解离散信号和非线性信号,避免噪声的干扰,同时利用SSA算法对VMD分解参数进行优化,使得VMD分解效果最佳。
本发明Teager能量算子计算强相关IMF分量的瞬时能量谱,能够对行波波头不明显的特征进行加强,凸显行波波头位置,避免其他噪声干扰,从而快速准确地确定波头位置。通过Teager能量算子计算分解后相关性最高的IMF分量瞬时能量谱图,使得行波波头变化特征更加明显,因此能够更精确的定位行波波头位置。另外,本发明计算量少,还能够实现在线检测。
本发明可以广泛的应用在配电网的定位领域,使配电网的定位更加精准,从而使得工作效率得到显著的提高。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明行波故时间差故障定位原理图;
图2是本发明SSA算法优化和迭代次数关系曲线图;
图3是本发明优化后VMD分解及各IMF的频谱图;
图4是本发明IMF1分量瞬时能量谱图。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图4描述本发明一些实施例的技术方案。
实施例1
本发明提供了一个实施例,是一种基于改进的VMD和Teager能量算子故障定位方法,更具体的是一种基于改进的VMD和Teager能量算子相结合的配网故障定位方法。本发明利用SSA算法对VMD算法分解参数进行优化,将行波分解为一系列固有模态分量,再通过相关性来筛选与原始行波强相关的IMF分量。包括以下步骤:
步骤1.利用VMD算法对故障行波信号进行分解。
VMD(Variational Mode Decomposition)即变分模态分解,VMD算法是通过非递归方式对信号进行分解,能够根据信号的特征自适应地选择最佳的本征模态函数IMF(intrinsic mode function,IMF),且利用镜像拓宽方式避免了经验模态分解EMD(empirical mode decomposition,EMD)中出现的端点效应。该算法适用于对非线性信号的处理,且分解得到的IMF分量都有各自中心频率,在一定情况下可消除模态混叠现象。具体的VMD算法分解步骤如下:
步骤(1)利用希尔伯特变换将各个模态信号进行分析,然后通过移频方式把各模态频谱移动到基带上:
上式中,δ(t)表示狄拉克函数;vk、wk表示分解后的第k个分量和该分量的中心频率,vk(t)表示各模态函数,e是常数符号。
步骤(2)利用梯度的平方范数估计带宽,建立约束方程。
上式中,λk表示梯度计算,*表示卷积计算,k表示第k个模态分量,Π是常数,t代表时间序列,e是常数符号,f(t)表示各模态分量之和,vk(t)表示各模态函数。
步骤(3)通过拉格朗日算子τ(t)和惩罚因子α约束计算结果,使得最终结果为最优解,拉格朗日函数公式及其拓展计算为:
上式中,L表示约束函数,τ(t)表示惩罚因子。
步骤(4)通过不断更新各模态分量及其中心频率,直至得到函数的最佳解。vk、wk和τ的更新公式如下:
上式中,y表示噪声容忍度,保证分解的保真度;vi(w)、f(w)、/>是vi(t)、f(t)、/>的傅里叶变换,n表示迭代次数,y表示噪声参数。步骤(5)停止迭代条件构建,若满足约束条件,则停止迭代计算并输出当前模态分量。
上式中,表示计算模态分量的欧几里得系数的平方,ε表示设定的精度要求,
若ε>0,则停止迭代计算。
VMD算法的局限性在于不能够自动确定IMF个数,需要根据经验设置模态数k,若k设置的合适,可以得到较好的分解效果,有效区分信号中的各频率分量;反之不合适的k值会导致欠分解或过分解,造成信号特征的丢失或含有其它分量信号。所以合适模态数设置,对于VMD分解的效果至关重要,本发明通过麻雀算法对VMD算法进行改进,能够自适应地确定最优的分解个数k值。
步骤2.改进VMD算法,利用SSA算法对VMD的两个关键参数进行优化,以最小包络熵为适应度值。
SSA算法(Sparrow Search Algorithm),即为麻雀搜索算法,是一种新型的群智能优化算法,麻雀寻优算法在收敛速度和精度方面优于同类型的粒子群算法和引力搜索算法,本发明利用SSA算法对VMD算法分解参数进行优化,在SSA算法中有发现者和跟随者两种类型角色,基于雀群的觅食习惯和防卫方法,两种角色通过自身状态变化不断更新,更新公式为:
上述二式中,inmax表示最大迭代数,AT表示A矩阵的转置矩阵,P表示种群数量,Q表示符合正态分布的数组,R2表示警戒值,N表示迭代次数,Xi,j表示第i个麻雀在第j维度的位置,L为结构是1×d一维向量,A矩阵中所有元素都为1的一维向量,L中元素为1和-1。
Xworst表示历史最差位置,Xbest表示当前最佳位置,该两个数值是计算更新后的计算结果,P为种群数量。
为避免算法陷入局部最优,增强算法的全局搜索能力,需要设置警戒者,数量需占到总数的10%-20%,其位置表示公式为:
上式中,fi表示实时的自适应度值,fw表示实时的最差自适应度值,fg表示实时的最优自适应度值。若fg=fi,则表明当前警戒者的位置为最佳,反之就不是最佳位置;Xbest表示全局最佳位置,表示迭代后的最佳位置,G和μ表示随机数,θ表示最小常数,/>表示迭代后的最差位置。
根据适应度函数来寻找最优解,在SSA寻优算法中将样本熵作为适应度函数,样本熵越小,表明计算序列中的频率分量越少,则该序列的噪声较小,降低分解时的模态混叠现象。因此利用样本熵作为SSA算法的适应度函数,利用SSA算法寻找适应度的最小值。通过SSA算法改进VMD算法的步骤如下:
步骤(1)设置SSA算法的基本参数和种群的初始位置;
步骤(2)对信号进行VMD分解,通过样本熵作为全局搜索的适应度值;
步骤(3)根据适应度值来对个体的位置进行更新计算;
步骤(4)重复上述步骤(1)至(3),直到适应度值为最小,输出此时的最佳个体参数位置[K,α];
步骤(5)利用得到的最佳个体参数位置[K,α]对信号进行VMD分解。
步骤3.基于改进VMD算法和Teager能量算子相结合,进行故障定位,包括以下步骤:
步骤(1)对采集到的故障行波x(t)进行VMD分解,再利用SSA算法根据行波信号分解特征进行寻优计算,得到最佳的IMF分量个数IMF1,IMF2,…,IMFn;
步骤(2)通过相关系数法对分解得到的各最佳的IMF分量进行相关性计算,选取相关性最大分量IMFi;
步骤(3)利用Teager能量算子计算筛选后的IMF分量的能量谱,标定能量谱第一个突变位置为故障行波波头。
实施例2
本发明又提供了一个实施例,是一种改进的VMD和Teager能量算子的配网故障定位方法。如图1所示,图1为本发明基于行波进行故障定位的原理图。
如实施例1所述的基于改进VMD算法和Teager能量算子相结合的故障定位方法,其中,利用Teager能量算子计算筛选后的IMF分量的能量谱,标定能量谱第一个突变位置为故障行波波头,包括:
(1)根据行波波头时间差进行故障测距计算,公式如下:
上式中,Laf表示故障距离,v表示行波波速,ta和tb分别表示故障行波波头到达线路两端检测设备的时刻,S表示整个线路的长度,Laf和Lbf分别表示故障点距离A、B两端的距离。
(2)对真实故障行波进行迭代计算,得到VMD分解的最优参数;
设置SSA算法的种群数量为20,迭代次数为25,通过对真实故障行波的迭代计算,寻优计算如图2所示,图2是本发明SSA算法优化和迭代次数关系曲线图。由图2可发现种群在第6代时得到了样本熵的最小值,可知此时K=6为VMD分解的最优参数。
(3)对试验线路的电流行波信号进行分解。
采集试验线路的电流行波信号,再利用改进的VMD算法对原始故障行波进行分解,得到如图3所示,图3是本发明优化后VMD分解及各IMF的频谱图。
(4)利用Teager能量算子对该原始电流行波的最佳的IMF分量个数IMF1分量计算瞬时能量谱。
由图3可知,最佳的IMF分量个数IMF1分量与原始波形相似度最高,所以利用Teager能量算子对该原始电流行波的最佳IMF1分量计算瞬时能量谱,如图4所示,图4是本发明MF1分量瞬时能量谱图,基于改进的VMD结合Teager能量算子可以使得波头位置更加明显,从而能够更准确地确定行波波头位置。
实施例3
本发明又提供了一个实施例,是一种改进的VMD和Teager能量算子的配网故障定位装置,包括:
分解模块,用于利用VMD算法对模态信号进行分解;
优化模块,用于改进VMD算法,利用SSA算法对VMD的两个关键参数(惩罚因子α和模态分解数K)进行优化,以最小包络熵为适应度值;
故障定位模块,用于基于改进VMD算法和Teager能量算子相结合进行故障定位。
实施例4
基于同一发明构思,本发明实施例还提供了一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序。所述处理器执行所述计算机程序时实现实施例1或2所述的任意一种改进的VMD和Teager能量算子的配网故障定位方法的步骤。
实施例5
基于同一发明构思,本发明实施例还提供了一种计算机存储介质,所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现实施例1或2所述的任意一种改进的VMD和Teager能量算子的配网故障定位方法的步骤。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.基于改进的VMD和Teager能量算子的配网故障定位方法,其特征是:包括以下步骤:
步骤1.利用VMD算法对故障行波进行分解;
步骤2.改进VMD算法,利用SSA算法对分解的参数进行优化;
步骤3.基于改进VMD算法和Teager能量算子相结合进行故障定位。
2.根据权利要求1所述的基于改进的VMD和Teager能量算子的配网故障定位方法,其特征是:所述利用VMD算法对模态信号进行分解,包括以下步骤:
步骤(1)利用希尔伯特变换将各个模态信号进行分析,通过移频方式将各模态频谱移动到基带上:
上式中,δ(t)表示狄拉克函数;vk、wk表示分解后的第k个分量和该分量的中心频率;
步骤(2)利用梯度的平方范数估计带宽,建立约束方程;
上式中,λk表示梯度计算,*表示卷积计算,k表示第k个模态分量,Π是常数,t代表时间序列,e是常数符号,f(t)表示各模态分量之和,vk(t)表示各模态函数;
步骤(3)通过拉格朗日算子τ(t)和惩罚因子α约束计算结果,得到最优解,拉格朗日函数公式及其拓展计算为:
上式中,L表示约束函数,τ(t)表示惩罚因子;
步骤(4)不断更新各模态分量及其中心频率,直至得到函数的最佳解;
vk、wk和τ的更新公式如下:
上式中,y表示噪声容忍度,保证分解的保真度;vi(w)、f(w)、/>是/>vi(t)、f(t)、/>的傅里叶变换,n表示迭代次数,y表示噪声参数;
步骤(5)停止迭代条件构建,若满足约束条件,则停止迭代计算并输出当前模态分量;
上式中,表示计算模态分量的欧几里得系数的平方,ε表示设定的精度要求;
若ε>0,则停止迭代计算。
3.根据权利要求1所述的基于改进的VMD和Teager能量算子的配网故障定位方法,其特征是:所述改进VMD算法,利用SSA算法对分解的模态信号进行优化,包括:
(1)在SSA算法中有发现者和跟随者两种类型角色,两种角色更新公式为:
上述二式中,inmax表示最大迭代数,AT表示A矩阵的转置矩阵,P表示种群数量,Q表示符合正态分布的数组,R2表示警戒值,N表示迭代次数,Xi,j表示第i个麻雀在第j维度的位置,L为结构是1×d一维向量,A矩阵中所有元素都为1的一维向量,L中元素为1和-1;
(2)增强算法的全局搜索能力,设置警戒者,数量占总数的10%-20%,其位置表示公式为:
上式中,fi表示实时的自适应度值,fw表示实时的最差自适应度值,fg表示实时的最优自适应度值;若fg=fi,则表明当前警戒者的位置为最佳,反之就不是最佳位置;Xbest表示全局最佳位置,表示迭代后的最佳位置,G和μ表示随机数,θ表示最小常数,/>表示迭代后的最差位置;
(3)增根据适应度函数来寻找最优解,在SSA寻优算法中将样本熵作为适应度函数,样本熵越小,计算序列中的频率分量越少,则该序列的噪声较小,降低分解时的模态混叠现象;利用样本熵作为SSA算法的适应度函数,利用SSA算法寻找适应度的最小值。
4.根据权利要求3所述的基于改进的VMD和Teager能量算子的配网故障定位方法,其特征是:所述利用SSA算法改进VMD算法的步骤如下:
步骤(1)设置SSA算法的基本参数和种群的初始位置;
步骤(2)对信号进行VMD分解,通过样本熵作为全局搜索的适应度值;
步骤(3)根据适应度值来对个体的位置进行更新计算;
步骤(4)重复步骤(1)至(3),直至适应度值为最小,输出此时的最佳个体参数位置[K,α];
步骤(5)利用得到的最佳个体参数位置对信号进行VMD分解。
5.根据权利要求1所述的基于改进的VMD和Teager能量算子的配网故障定位方法,其特征是:所述基于改进VMD算法和Teager能量算子相结合进行故障定位,包括以下步骤:
步骤(1)对采集到的故障行波x(t)进行VMD分解,利用SSA算法根据行波信号分解特征进行寻优计算,得到最佳的IMF分量个数;
步骤(2)通过相关系数法对分解得到的各最佳的IMF分量进行相关性计算,选取相关性最大分量;
步骤(3)利用Teager能量算子计算筛选后的IMF分量的能量谱,标定能量谱第一个突变位置为故障行波波头。
6.根据权利要求5所述的基于改进的VMD和Teager能量算子的配网故障定位方法,其特征是:所述利用Teager能量算子计算筛选后的IMF分量的能量谱,标定能量谱第一个突变位置为故障行波波头,包括:
(1)根据行波波头时间差进行故障测距计算,公式如下:
上式中,Laf表示故障距离,v表示行波波速,ta和tb分别表示故障行波波头到达线路两端检测设备的时刻,S表示整个线路的长度,Laf和Lbf分别表示故障点距离A、B两端的距离;
(2)对真实故障行波进行迭代计算,得到VMD分解的最优参数;
设置SSA算法的种群数量和迭代次数,通过对真实故障行波的迭代计算和寻优计算,得到样本熵的最小值,即VMD分解的最优参数;
(3)对试验线路的电流行波信号进行分解;
采集试验线路的电流行波信号,利用改进的VMD算法对原始故障行波进行分解;
(4)利用Teager能量算子对原始电流行波的最佳的IMF分量个数分量计算瞬时能量谱,从而精准确定行波波头位置。
7.根据权利要求5所述的基于改进的VMD和Teager能量算子的配网故障定位方法,其特征是:所述最佳的IMF分量个数包括:IMF1,IMF2,…,IMFn。
8.基于改进的VMD和Teager能量算子的配网故障定位装置,其特征是:包括:
分解模块,用于利用VMD算法对模态信号进行分解;
优化模块,用于改进VMD算法,利用SSA算法对VMD的两个关键参数,即惩罚因子α和模态分解数K,进行优化,以最小包络熵为适应度值;
故障定位模块,用于基于改进VMD算法和Teager能量算子相结合进行故障定位。
9.一种计算机设备,包括存储介质、处理器及存储在存储介质上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1-8中任一权利要求所述的基于改进的VMD和Teager能量算子的配网故障定位方法及装置的步骤。
10.一种计算机存储介质,其特征是:所述计算机存储介质上存有计算机程序,所述计算机程序被处理器执行时实现权利要求1-8中任一权利要求所述的基于改进的VMD和Teager能量算子的配网故障定位方法及装置的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402665.4A CN116559579A (zh) | 2023-04-14 | 2023-04-14 | 基于改进的VMD和Teager能量算子故障定位方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310402665.4A CN116559579A (zh) | 2023-04-14 | 2023-04-14 | 基于改进的VMD和Teager能量算子故障定位方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116559579A true CN116559579A (zh) | 2023-08-08 |
Family
ID=87492395
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310402665.4A Pending CN116559579A (zh) | 2023-04-14 | 2023-04-14 | 基于改进的VMD和Teager能量算子故障定位方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116559579A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572157A (zh) * | 2024-01-15 | 2024-02-20 | 湖南湘能智能电器股份有限公司 | 一种配网线路异常行波定位方法及系统 |
-
2023
- 2023-04-14 CN CN202310402665.4A patent/CN116559579A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117572157A (zh) * | 2024-01-15 | 2024-02-20 | 湖南湘能智能电器股份有限公司 | 一种配网线路异常行波定位方法及系统 |
CN117572157B (zh) * | 2024-01-15 | 2024-04-12 | 湖南湘能智能电器股份有限公司 | 一种配网线路异常行波定位方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
GB2547816B (en) | Actually-measured marine environment data assimilation method based on sequence recursive filtering three-dimensional variation | |
CN104331635B (zh) | 电力光纤通信光功率预测的方法 | |
CN108845306A (zh) | 基于变分模态分解的激光雷达回波信号去噪方法 | |
CN109886464B (zh) | 基于优化奇异值分解生成特征集的低信息损失短期风速预测方法 | |
CN108647807B (zh) | 河流流量的预测方法 | |
Yin | Quantized identification with dependent noise and Fisher information ratio of communication channels | |
CN110297218B (zh) | 基于生成对抗网络的雷达信号未知调制方式检测方法 | |
CN116559579A (zh) | 基于改进的VMD和Teager能量算子故障定位方法 | |
CN115659284B (zh) | 一种大数据融合平台 | |
CN111967183A (zh) | 一种配电网台区线损的计算方法和系统 | |
CN111125885A (zh) | 一种基于改进克里金插值算法的asf修正表构建方法 | |
CN108181617B (zh) | 一种基于张量积模型变换的非线性调频系统的滤波方法 | |
CN110879927B (zh) | 一种用于海目标检测的海杂波幅度统计分布现场建模方法 | |
CN110909303B (zh) | 一种自适应时空异质性反距离插值方法 | |
Lank | Theoretical aspects of importance sampling applied to false alarms | |
CN109618288B (zh) | 基于深度卷积神经网络的无线传感网距离测量系统及方法 | |
CN111598313A (zh) | 一种风功率预测方法 | |
CN114236480A (zh) | 一种机载平台传感器系统误差配准算法 | |
CN108566256B (zh) | 一种频谱地图的构建方法 | |
CN111756353B (zh) | 一种基于非线性融合滤波的液位仪噪声优化方法 | |
CN114584230B (zh) | 一种基于对抗网络与长短期记忆网络的预测信道建模方法 | |
CN114441111B (zh) | 一种管道泄漏次声波信号分析方法及系统 | |
CN110991660A (zh) | 基于蝗虫优化的lssvm-arima模型的态势分析方法、系统和存储介质 | |
CN113642029B (zh) | 一种度量数据样本与模型决策边界相关性的方法及系统 | |
CN112231987B (zh) | 一种基于VMD与Elman神经网络的电离层预报方法 |
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 |