CN117972460A - 一种高压电流互感器运行故障判别方法 - Google Patents
一种高压电流互感器运行故障判别方法 Download PDFInfo
- Publication number
- CN117972460A CN117972460A CN202410362153.4A CN202410362153A CN117972460A CN 117972460 A CN117972460 A CN 117972460A CN 202410362153 A CN202410362153 A CN 202410362153A CN 117972460 A CN117972460 A CN 117972460A
- Authority
- CN
- China
- Prior art keywords
- fault
- current transformer
- residual
- matrix
- component
- 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
- 238000012850 discrimination method Methods 0.000 title description 2
- 238000000034 method Methods 0.000 claims abstract description 39
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000010219 correlation analysis Methods 0.000 claims abstract description 15
- 238000007621 cluster analysis Methods 0.000 claims abstract description 14
- 238000000354 decomposition reaction Methods 0.000 claims abstract description 12
- 238000013145 classification model Methods 0.000 claims abstract description 11
- 238000013528 artificial neural network Methods 0.000 claims abstract description 6
- 239000011159 matrix material Substances 0.000 claims description 84
- 230000004927 fusion Effects 0.000 claims description 13
- 238000012847 principal component analysis method Methods 0.000 claims description 9
- 238000000547 structure data Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 7
- 230000004913 activation Effects 0.000 claims description 6
- 238000005070 sampling Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 5
- 102100024210 CD166 antigen Human genes 0.000 claims description 4
- 101000980840 Homo sapiens CD166 antigen Proteins 0.000 claims description 4
- 230000009466 transformation Effects 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000003475 lamination Methods 0.000 claims description 3
- 238000003062 neural network model Methods 0.000 claims description 3
- 230000003595 spectral effect Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 claims 1
- 238000001514 detection method Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 abstract description 3
- 238000005259 measurement Methods 0.000 description 4
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 230000001360 synchronised effect Effects 0.000 description 1
Landscapes
- Protection Of Transformers (AREA)
Abstract
本发明涉及一种高压电流互感器运行故障判别方法,包括以下步骤:采集若干测量点全部电流互感器的故障类型和二次电流数据;对二次电流数据进行分解,得到第一残差量;根据二次电流数据计算得到第二残差量;对第一残差量和第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的故障分量;对故障分量进行拼接,并模型提取特征,得到各故障类型对应的特征;通过二次电流数据A和各故障类型对应的特征得到故障电流互感器的特征向量;通过图卷积神经网络构建电流互感器故障分类模型;通过电流互感器故障分类模型对待评估互感器进行故障判断。该发明通过电流互感器的二次电流数据进行故障判别,避免停机检测,降低了监测成本。
Description
技术领域
本发明涉及一种高压电流互感器运行故障判别方法,属于电力设备监测技术领域。
背景技术
电流互感器作为一次系统的测量元件,其稳定可靠运行是继电保护、测控、电能计量的重要保证。电流互感器运行过程中,受站内高温、低温、振动、电磁干扰及自身老化等因素影响,测量结果会发生偏移,性能会发生劣化甚至导致运行事故。
针对互感器等变电站测量设备的误差评估和检测,目前所采用的方法是标准设备比对校准的方法。因为标准设备对运行环境要求较高,与标准设备比对校准的方法需要定期在变电站停电条件下进行开展,因而无法及时检测出互感器状态,对电流互感器的误差、故障检测存在滞后性。
发明内容
为了克服上述问题,本发明提供一种高压电流互感器运行故障判别方法,该方法通过电流互感器的二次电流数据进行故障判别,可以实时在线检测电流互感器状态,提高了电流互感器检测的时效性,避免停机检测,降低了监测成本。
本发明的技术方案如下:
第一方面
一种高压电流互感器运行故障判别方法,包括以下步骤:
采集若干测量点全部电流互感器的故障类型和二次电流数据;
通过主成分分析法对所述二次电流数据进行分解,得到第一残差量;
根据所述二次电流数据计算得到第二残差量;
对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量;
对所述第一故障分量和所述第二故障分量进行拼接,并通过CNN-LSTM模型提取特征,得到各故障类型对应的特征;
通过所述二次电流数据A和各故障类型对应的特征得到电流互感器的特征向量;
通过图卷积神经网络构建电流互感器故障分类模型;
通过所述电流互感器故障分类模型对待评估互感器进行故障判断。
进一步的,采集若干测量点全部电流互感器的故障类型和二次电流数据具体为:
S1、获取测量点上所有电流互感器的状态类型;
S2、采集同一时刻该测量点上所有电流互感器的二次电流数据;
S3、重复步骤S2N次。
进一步的,通过主成分分析法对所述二次电流数据进行分解,得到第一残差量,第一残差量为:
;
其中,为第o台电流互感器第N次采样时的二次电流数据。
进一步的,根据所述二次电流数据计算得到第二残差量,包括:
获取第o台电流互感器的第二残差量:
;
其中,为第o台电流互感器第n次采样时的二次电流数据,/>为同测量点其余电流互感器的二次电流数据均值,计算如下:
;
其中,TB为同测量点电流互感器数量,为同测量点其余电流互感器中第i个电流互感器的二次电流数据。
进一步的,对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量,包括:
对所述第一残差量和所述第二残差量分别进行MEMD分解:
;
;
其中,、/>分别为所述第一残量、所述第二残差量分解得到的第l个第一残差分量和第二残差分量,/>、/>分别为所述第一残差量、所述第二残差量分解的剩余残量,L为残差分量的数量;
将所述电流互感器的二次电流数据与所述第一残差分量、所述第二残差分量进行相关性分析,得到相关性指标:
;
其中,为对第o台电流互感器的二次电流数据与第l个残差分量进行相关性分析,第l个残差分量/>;
根据所述相关性指标构建特征向量:
;
通过聚类分析,得到所述第一残差分量与各故障类型相关的残差分量,并拼接,得到所述第一残差量与各类故障相关的第一故障分量:
;
其中,为拼接操作,/>为与该故障类型相关的第l个第一残差分量,m为与该故障类型相关的第一残差分量数量;
通过聚类分析,得到所述第二残差分量与各故障类型相关的残差分量,并拼接,得到所述第二残差量与各类故障相关的第二故障分量。
进一步的,对所述第一故障分量和所述第二故障分量进行拼接,并通过CNN-LSTM模型提取特征,得到各故障类型对应的特征,具体为:
对所述第一故障分量和所述第二故障分量进行拼接,得到融合分量FT:
;
通过CNN-LSTM对所述融合分量FT进行特征提取,得到各故障类型的特征,/>分别为第o个电流互感器的固定偏差故障特征、变比偏差故障特征、完全失效故障特征、漂移偏差故障特征、精度失真故障特征。
进一步的,通过所述二次电流数据A和各故障类型对应的特征得到电流互感器的特征向量,具体为:
通过所述二次电流数据A得到所述电流互感器的零序不平衡度和负序不平衡度:
;
其中,运算子,运算子/>,/>,/>,/>为三相电流,/>、/>、/>为对应的a相零序分量;
计算得到零序不平衡度m 1:
;
计算得到负序不平衡度m 2:
;
对所述零序不平衡度进行方差、均值、波形因子和排列熵的计算,得到零序不平衡特征:
方差:
;
其中,为所述电流互感器第n次采集的二次电流数据计算得到的零序不平衡度;
均值:
;
波形因子:
;
排列熵:
;
其中,,/>为嵌入维度,/>为排列方式数量,/>为第θ种排列出现的概率;
对所述负序不平衡度按照上述方法进行方差、均值、波形因子和排列熵的计算,得到负序不平衡特征,包括方差、均值/>、波形因子/>、排列熵/>;
根据各故障类型对应的特征、零序不平衡特征和负序不平衡特征构建第o个电流互感器的特征向量:
;
其中,分别为第o个电流互感器的零序不平衡特征和负序不平衡特征;
通过主成分分析法对电流互感器的特征向量进行降维处理,得到降维后的特征向量:
,其中,p为降维后的特征数量,/>为第o个电流互感器第p个降维后的特征向量。
进一步的,通过图卷积神经网络构建电流互感器故障分类模型,包括:
根据所述特征向量构建图结构数据;
根据所述图结构数据构建邻接矩阵和相关矩阵;
对所述邻接矩阵和所述相关矩阵进行融合,得到融合后的特征矩阵;
对融合后的特征矩阵进行图卷积分类,得到训练好的神经网络模型。
进一步的,根据特征向量构建图结构数据G=(V,E),其中,V为节点集合,;为相邻节点相连的边集合;
令节点v o的特征为,即令/>;
根据节点集合构建邻接矩阵:
;
;
其中,,O为电流互感器台数,/>为样本/>之间的权值,/>分别为第γ个和第λ个节点,/>为节点/>特征之间的欧氏距离,/>为所述欧氏距离的标准差,η为常数项,/>为用于确保特征矩阵稀疏性的阈值;
计算相关矩阵:
;
;
其中,,/>,p为节点的特征数量,x γpi和x λpi分别为节点/>的第pi个特征;
对所述邻接矩阵和所述相关矩阵分别进行谱聚类得到聚类结果Q J、Q M;
根据聚类结果设置所述邻接矩阵和所述相关矩阵的融合权重,包括:
计算A J分类正确的占比:
;
计算A M分类正确的占比:
;
计算A J分类距离占比:
;
计算A M分类距离占比:
;
计算所述邻接矩阵和所述相关矩阵的融合权重和/>;
;
;
其中,为预设权重,且/>,/>为第β类故障的真实数量,S(Q Jβ)为所述邻接矩阵聚类后第β类故障分类正确的数量,G(Q Mβ)为所述相关矩阵聚类后第β类故障分类正确的数量,B为所述邻接矩阵的聚类数量,C为所述相关矩阵的聚类数量,/>和/>分别为所述邻接矩阵聚类后第b个聚类簇中同类样本的距离均值和不同类样本的距离均值;/>和/>分别为所述相关阵聚类后第c个聚类簇中同类样本的距离均值和不同类样本的距离均值;
对所述邻接矩阵和所述相关矩阵进行融合:
;
得到融合后的特征矩阵:
;
当时,/>,当/>时,/>,其中θ为阈值;
对所述特征矩阵进行特征提取,具体为:
;
;
;
其中,为第R层图卷积层提取的特征信息矩阵,I N为单位矩阵,/>为特征矩阵中加入1个自循环连接,度矩阵D表示图结构的边属性,当R=0时,初始化/>,/>是第R层图卷积层的参数矩阵的转置,f()为激活函数,LA为拉普拉斯矩阵;
将所述特征信息矩阵输入softmax激活函数,得到各节点的故障概率,完成模型训练。
第二方面
一种存储介质,其中存储的计算机程序在被运行时,实现如第一方面所述的高压电流互感器运行故障判别方法,对输入的数据源进行处理,实现对电流互感器故障类型的判断。
本发明具有如下有益效果:
该方法将同测量点所有电流互感器的二次电流数据作为模型训练的数据,对各故障类型分别进行相关性分析,从而得到与各故障类型相关的故障分量,并对故障分量进行拼接、特征提取等操作,从而得到各样本的特征向量,再通过特征向量进行模型训练。由于针对不同的故障类型,使用了不同的故障分量,因此故障分量更能表现该鼓掌的特点,提高了模型判断的精度。
该方法对第一残差量和第二残差量进行了故障分量的提取、融合,分类后同类、异类样本距离对邻接矩阵、相关矩阵进行了权重赋值,实现矩阵融合,提升了模型分类精度基于分类情况。
附图说明
图1为本发明方法的流程图。
具体实施方式
下面结合附图和具体实施例来对本发明进行详细的说明。
第一方面
参考图1,一种高压电流互感器运行故障判别方法,包括以下步骤:
采集若干测量点全部电流互感器的故障类型和二次电流数据;所述故障类型即电流互感器的故障类型,包括正常(无故障)、固定偏差故障、变比偏差故障、完全失效故障、漂移偏差故障和精度失真故障;在高压输配电线路中,为保障测控及保护设备的可靠性,每个测量点都会配置多台互为冗余的电流互感器。利用同测量点其余电流互感器的二次电流数据,生成第二残差量,可以精准反应电流互感器的状态;所述二次电流数据即各相电流的幅值;
通过主成分分析法对所述二次电流数据进行分解,得到第一残差量;
根据所述二次电流数据计算得到第二残差量;
对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量;
对所述第一故障分量和所述第二故障分量进行拼接,并通过CNN-LSTM模型提取特征,得到各故障类型对应的特征;
通过所述二次电流数据A和各故障类型对应的特征得到电流互感器的特征向量;
通过图卷积神经网络构建电流互感器故障分类模型;
通过所述电流互感器故障分类模型对待评估互感器进行故障判断。
在本发明的一种实施方式中,采集若干测量点全部电流互感器的故障类型和二次电流数据具体为:
S1、获取测量点上所有电流互感器的状态类型;
S2、采集同一时刻该测量点上所有电流互感器的二次电流数据;
S3、重复步骤S2N次。即,采集N组电流互感器的二次电流数据。而电流互感器的N个二次电流数据,作为一个样本进行使用。
在本发明的一种实施方式中,通过主成分分析法对所述二次电流数据进行分解,得到第一残差量,第一残差量为:
;
其中,为第o台电流互感器第N次采样时的二次电流数据。
在本发明的一种实施方式中,根据所述二次电流数据计算得到第二残差量,包括:
获取第o台电流互感器的第二残差量:
;
其中,为第o台电流互感器第n次采样时的二次电流数据,/>为同测量点其余电流互感器的二次电流数据均值,计算如下:
;
其中,TB为同测量点电流互感器数量,为同测量点其余电流互感器中第i个电流互感器的二次电流数据。
在本发明的一种实施方式中,对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量,包括:
对所述第一残差量和所述第二残差量分别进行MEMD分解:
;
;
其中,、/>分别为所述第一残量、所述第二残差量分解得到的第l个第一残差分量和第二残差分量,/>、/>分别为所述第一残差量、所述第二残差量分解的剩余残量,L为残差分量的数量;MEMD分解能够实现多元序列在不同时间尺度下的同步分解。
将所述电流互感器的二次电流数据与所述第一残差分量、所述第二残差分量进行相关性分析,得到相关性指标:
;
其中,为对第o台电流互感器的二次电流数据与第l个残差分量进行相关性分析,第l个残差分量/>;相关性分析可以采用皮尔森相关性和斯皮尔曼相关性。
根据所述相关性指标构建特征向量:
;
通过聚类分析,得到所述第一残差分量与各故障类型相关的残差分量,并拼接,得到所述第一残差量与各类故障相关的第一故障分量:
;
其中,为拼接操作,/>为与该故障类型相关的第l个第一残差分量,m为与该故障类型相关的第一残差分量数量;
通过聚类分析,得到所述第二残差分量与各故障类型相关的残差分量,并拼接,得到所述第二残差量与各类故障相关的第二故障分量。
此处介绍的计算方法是用于计算第一残差分量、第二残差分量与各故障类型相关的残差分量。如令故障类型为固定偏差时,可以求得一个第一故障分量和第二故障分量。因此还需要通过该方法求取其余四种故障类型的第一故障分量和第二故障分量。共可得到五组第一故障分量和第二故障分量。
同时,通过这五组第一故障分量和第二故障分量,可以得到后文所述的5中故障类型对应的特征。
此处的通过聚类分析,得到各故障类型相关的残差分量,具体为通过计算各聚类点的均值及设定的阈值来选取相关性较高的残差分量。
在本发明的一种实施方式中,对所述第一故障分量和所述第二故障分量进行拼接,并通过CNN-LSTM模型提取特征,得到各故障类型对应的特征,具体为:
对所述第一故障分量和所述第二故障分量进行拼接,得到融合分量FT:
;
通过CNN-LSTM对所述融合分量FT进行特征提取,得到各故障类型的特征,/>分别为第o个电流互感器的固定偏差故障特征、变比偏差故障特征、完全失效故障特征、漂移偏差故障特征、精度失真故障特征。
在本发明的一种实施方式中,通过所述二次电流数据A和各故障类型对应的特征得到电流互感器的特征向量,具体为:
通过所述二次电流数据A得到所述电流互感器的零序不平衡度和负序不平衡度:
;
其中,运算子,运算子/>,/>,/>,/>为三相电流,/>、/>、/>为对应的a相零序分量;
计算得到零序不平衡度m 1:
;
计算得到负序不平衡度m 2:
;
对所述零序不平衡度进行方差、均值、波形因子和排列熵的计算,得到零序不平衡特征:
方差:
;
其中,为所述电流互感器第n次采集的二次电流数据计算得到的零序不平衡度;
均值:
;
波形因子:
;
排列熵:
;
其中,,/>为嵌入维度,/>为排列方式数量,/>为第θ种排列出现的概率;
对所述负序不平衡度按照上述方法进行方差、均值、波形因子和排列熵的计算,得到负序不平衡特征,包括方差、均值/>、波形因子/>、排列熵/>;
根据各故障类型对应的特征、零序不平衡特征和负序不平衡特征构建第o个电流互感器的特征向量:
;
其中,分别为第o个电流互感器的零序不平衡特征和负序不平衡特征;
通过主成分分析法对电流互感器的特征向量进行降维处理,得到降维后的特征向量:
,其中,p为降维后的特征数量,/>为第o个电流互感器第p个降维后的特征向量。
在本发明的一种实施方式中,通过图卷积神经网络构建电流互感器故障分类模型,包括:
根据所述特征向量构建图结构数据;
根据所述图结构数据构建邻接矩阵和相关矩阵;
对所述邻接矩阵和所述相关矩阵进行融合,得到融合后的特征矩阵;
对融合后的特征矩阵进行图卷积分类,得到训练好的神经网络模型。
在本发明的一种实施方式中,根据特征向量构建图结构数据G=(V,E),其中,V为节点集合,/>;为相邻节点相连的边集合;
令节点v o的特征为,即令/>;
根据节点集合构建邻接矩阵:
;
;
其中,,O为电流互感器台数,/>为样本/>之间的权值,分别为第γ个和第λ个节点,/>为节点/>特征之间的欧氏距离,/>为所述欧氏距离的标准差,η为常数项,/>为用于确保特征矩阵稀疏性的阈值;
计算相关矩阵:
;/>
;
其中,,/>,p为节点的特征数量,x γpi和x λpi分别为节点/>的第pi个特征;
对所述邻接矩阵和所述相关矩阵分别进行谱聚类得到聚类结果Q J、Q M;
根据聚类结果设置所述邻接矩阵和所述相关矩阵的融合权重,包括:
计算A J分类正确的占比:
;
计算A M分类正确的占比:
;
计算A J分类距离占比:
;
计算A M分类距离占比:
;
计算所述邻接矩阵和所述相关矩阵的融合权重和/>;
;
;
其中,为预设权重,且/>,/>为第β类故障的真实数量,S(Q Jβ)为所述邻接矩阵聚类后第β类故障分类正确的数量,G(Q Mβ)为所述相关矩阵聚类后第β类故障分类正确的数量,B为所述邻接矩阵的聚类数量,C为所述相关矩阵的聚类数量,/>和/>分别为所述邻接矩阵聚类后第b个聚类簇中同类样本的距离均值和不同类样本的距离均值;/>和/>分别为所述相关阵聚类后第c个聚类簇中同类样本的距离均值和不同类样本的距离均值;
对所述邻接矩阵和所述相关矩阵进行融合:
;
得到融合后的特征矩阵:/>
;
当时,/>,当/>时,/>,其中θ为阈值;
对所述特征矩阵进行特征提取,具体为:
;
;
;
其中,为第R层图卷积层提取的特征信息矩阵,I N为单位矩阵,/>为特征矩阵中加入1个自循环连接,度矩阵D表示图结构的边属性,当R=0时,初始化/>,/>是第R层图卷积层的参数矩阵的转置,f()为激活函数,LA为拉普拉斯矩阵;
将所述特征信息矩阵输入softmax激活函数,得到各节点的故障概率,完成模型训练。
第二方面
一种存储介质,其中存储的计算机程序在被运行时,实现如第一方面所述的高压电流互感器运行故障判别方法,对输入的数据源进行处理,实现对电流互感器故障类型的判断。
以上所述仅为本发明的实施例,并非因此限制本发明的专利范围,凡是利用本发明说明书及附图内容所作的等效结构,或直接或间接运用在其他相关的技术领域,均同理包括在本发明的专利保护范围内。
Claims (10)
1.一种高压电流互感器运行故障判别方法,其特征在于,包括以下步骤:
采集若干测量点全部电流互感器的故障类型和二次电流数据;
通过主成分分析法对所述二次电流数据进行分解,得到第一残差量;
根据所述二次电流数据计算得到第二残差量;
对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量;
对所述第一故障分量和所述第二故障分量进行拼接,并通过CNN-LSTM模型提取特征,得到各故障类型对应的特征;
通过所述二次电流数据A和各故障类型对应的特征得到电流互感器的特征向量;
通过图卷积神经网络构建电流互感器故障分类模型;
通过所述电流互感器故障分类模型对待评估互感器进行故障判断。
2.根据权利要求1所述高压电流互感器运行故障判别方法,其特征在于,采集若干测量点全部电流互感器的故障类型和二次电流数据具体为:
S1、获取测量点上所有电流互感器的状态类型;
S2、采集同一时刻该测量点上所有电流互感器的二次电流数据;
S3、重复步骤S2 N次。
3.根据权利要求2所述高压电流互感器运行故障判别方法,其特征在于,通过主成分分析法对所述二次电流数据进行分解,得到第一残差量,第一残差量为:
;
其中,为第o台电流互感器第N次采样时的二次电流数据。
4.根据权利要求3所述高压电流互感器运行故障判别方法,其特征在于,根据所述二次电流数据计算得到第二残差量,包括:
获取第o台电流互感器的第二残差量:
;
其中,为第o台电流互感器第n次采样时的二次电流数据,/>为同测量点其余电流互感器的二次电流数据均值,计算如下:
;
其中,TB为同测量点电流互感器数量,为同测量点其余电流互感器中第i个电流互感器的二次电流数据。
5.根据权利要求4所述高压电流互感器运行故障判别方法,其特征在于,对所述第一残差量和所述第二残差量均进行残差分解、相关性分析和聚类分析,得到各故障类型对应的第一故障分量和第二故障分量,包括:
对所述第一残差量和所述第二残差量分别进行MEMD分解:
;
;
其中,、/>分别为所述第一残量、所述第二残差量分解得到的第l个第一残差分量和第二残差分量,/>、/>分别为所述第一残差量、所述第二残差量分解的剩余残量,L为残差分量的数量;
将所述电流互感器的二次电流数据与所述第一残差分量、所述第二残差分量进行相关性分析,得到相关性指标:
;
其中,为对第o台电流互感器的二次电流数据与第l个残差分量进行相关性分析,第l个残差分量/>;
根据所述相关性指标构建特征向量:
;
通过聚类分析,得到所述第一残差分量与各故障类型相关的残差分量,并拼接,得到所述第一残差量与各类故障相关的第一故障分量:
;
其中,为拼接操作,/>为与该故障类型相关的第l个第一残差分量,m为与该故障类型相关的第一残差分量数量;
通过聚类分析,得到所述第二残差分量与各故障类型相关的残差分量,并拼接,得到所述第二残差量与各类故障相关的第二故障分量。
6.根据权利要求5所述高压电流互感器运行故障判别方法,其特征在于,对所述第一故障分量和所述第二故障分量进行拼接,并通过CNN-LSTM模型提取特征,得到各故障类型对应的特征,具体为:
对所述第一故障分量和所述第二故障分量进行拼接,得到融合分量FT:
;
通过CNN-LSTM对所述融合分量FT进行特征提取,得到各故障类型的特征,/>分别为第o个电流互感器的固定偏差故障特征、变比偏差故障特征、完全失效故障特征、漂移偏差故障特征、精度失真故障特征。
7.根据权利要求6所述高压电流互感器运行故障判别方法,其特征在于,通过所述二次电流数据A和各故障类型对应的特征得到电流互感器的特征向量,具体为:
通过所述二次电流数据A得到所述电流互感器的零序不平衡度和负序不平衡度:
;
其中,运算子,运算子/>,/>,/>,/>为三相电流,/>、/>、/>为对应的a相零序分量;
计算得到零序不平衡度m 1:
;
计算得到负序不平衡度m 2:
;
对所述零序不平衡度进行方差、均值、波形因子和排列熵的计算,得到零序不平衡特征:
方差:
;
其中,为所述电流互感器第n次采集的二次电流数据计算得到的零序不平衡度;
均值:
;
波形因子:
;
排列熵:
;
其中,,/>为嵌入维度,/>为排列方式数量,/>为第θ种排列出现的概率;
对所述负序不平衡度按照上述方法进行方差、均值、波形因子和排列熵的计算,得到负序不平衡特征,包括方差、均值/>、波形因子/>、排列熵/>;
根据各故障类型对应的特征、零序不平衡特征和负序不平衡特征构建第o个电流互感器的特征向量:
;
其中,分别为第o个电流互感器的零序不平衡特征和负序不平衡特征;
通过主成分分析法对电流互感器的特征向量进行降维处理,得到降维后的特征向量:
,其中,p为降维后的特征数量,/>为第o个电流互感器第p个降维后的特征向量。
8.根据权利要求7所述高压电流互感器运行故障判别方法,其特征在于,通过图卷积神经网络构建电流互感器故障分类模型,包括:
根据所述特征向量构建图结构数据;
根据所述图结构数据构建邻接矩阵和相关矩阵;
对所述邻接矩阵和所述相关矩阵进行融合,得到融合后的特征矩阵;
对融合后的特征矩阵进行图卷积分类,得到训练好的神经网络模型。
9.根据权利要求8所述高压电流互感器运行故障判别方法,其特征在于,根据特征向量构建图结构数据G=(V,E),其中,V为节点集合,/>;为相邻节点相连的边集合;
令节点v o的特征为,即令/>;
根据节点集合构建邻接矩阵:
;
;
其中,,O为电流互感器台数,/>为样本/>之间的权值,/>分别为第γ个和第λ个节点,/>为节点/>特征之间的欧氏距离,/>为所述欧氏距离的标准差,η为常数项,/>为用于确保特征矩阵稀疏性的阈值;
计算相关矩阵:
;
;
其中,,/>,p为节点的特征数量,x γpi和x λpi分别为节点的第pi个特征;
对所述邻接矩阵和所述相关矩阵分别进行谱聚类得到聚类结果Q J、Q M;
根据聚类结果设置所述邻接矩阵和所述相关矩阵的融合权重,包括:
计算A J分类正确的占比:
;
计算A M分类正确的占比:
;
计算A J分类距离占比:
;
计算A M分类距离占比:
;
计算所述邻接矩阵和所述相关矩阵的融合权重和/>;
;
;
其中,为预设权重,且/>,/>为第β类故障的真实数量,S(Q Jβ)为所述邻接矩阵聚类后第β类故障分类正确的数量,G(Q Mβ)为所述相关矩阵聚类后第β类故障分类正确的数量,B为所述邻接矩阵的聚类数量,C为所述相关矩阵的聚类数量,/>和/>分别为所述邻接矩阵聚类后第b个聚类簇中同类样本的距离均值和不同类样本的距离均值;/>和分别为所述相关阵聚类后第c个聚类簇中同类样本的距离均值和不同类样本的距离均值;
对所述邻接矩阵和所述相关矩阵进行融合:
;
得到融合后的特征矩阵:
;
当时,/>,当/>时,/>,其中θ为阈值;
对所述特征矩阵进行特征提取,具体为:
;
;
;
其中,为第R层图卷积层提取的特征信息矩阵,I N为单位矩阵,/>为特征矩阵/>中加入1个自循环连接,度矩阵D表示图结构的边属性,当R=0时,初始化/>,/>是第R层图卷积层的参数矩阵的转置,f()为激活函数,LA为拉普拉斯矩阵;
将所述特征信息矩阵输入softmax激活函数,得到各节点的故障概率,完成模型训练。
10.一种存储介质,其特征在于,其中存储的计算机程序在被运行时,实现如权利要求1-9任一所述的高压电流互感器运行故障判别方法,对输入的数据源进行处理,实现对电流互感器故障类型的判断。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362153.4A CN117972460A (zh) | 2024-03-28 | 2024-03-28 | 一种高压电流互感器运行故障判别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410362153.4A CN117972460A (zh) | 2024-03-28 | 2024-03-28 | 一种高压电流互感器运行故障判别方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117972460A true CN117972460A (zh) | 2024-05-03 |
Family
ID=90849887
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410362153.4A Pending CN117972460A (zh) | 2024-03-28 | 2024-03-28 | 一种高压电流互感器运行故障判别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117972460A (zh) |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150268290A1 (en) * | 2012-10-24 | 2015-09-24 | State Grid Corporation Of China (Sgcc) | Method for On-Line Diagnosing Gradually-Changing Fault of Electronic Current Transformers |
CN115469260A (zh) * | 2022-09-29 | 2022-12-13 | 武汉格蓝若智能技术有限公司 | 一种基于Hausdorff的电流互感器异常识别方法、系统 |
CN116702612A (zh) * | 2023-06-08 | 2023-09-05 | 国网北京市电力公司 | 一种多维指标融合的cvt健康状态预测方法及系统 |
CN117349722A (zh) * | 2023-09-15 | 2024-01-05 | 国网重庆市电力公司营销服务中心 | 一种互感器故障分类方法、装置、存储介质及计算机设备 |
CN117491935A (zh) * | 2023-10-30 | 2024-02-02 | 国网河南省电力公司营销服务中心 | 基于多源数据的电压互感器运行状态评估方法 |
CN117708494A (zh) * | 2023-11-30 | 2024-03-15 | 国网重庆市电力公司超高压分公司 | 互感器精度误差自适应动态补偿剩余电流的方法 |
-
2024
- 2024-03-28 CN CN202410362153.4A patent/CN117972460A/zh active Pending
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20150268290A1 (en) * | 2012-10-24 | 2015-09-24 | State Grid Corporation Of China (Sgcc) | Method for On-Line Diagnosing Gradually-Changing Fault of Electronic Current Transformers |
CN115469260A (zh) * | 2022-09-29 | 2022-12-13 | 武汉格蓝若智能技术有限公司 | 一种基于Hausdorff的电流互感器异常识别方法、系统 |
CN116702612A (zh) * | 2023-06-08 | 2023-09-05 | 国网北京市电力公司 | 一种多维指标融合的cvt健康状态预测方法及系统 |
CN117349722A (zh) * | 2023-09-15 | 2024-01-05 | 国网重庆市电力公司营销服务中心 | 一种互感器故障分类方法、装置、存储介质及计算机设备 |
CN117491935A (zh) * | 2023-10-30 | 2024-02-02 | 国网河南省电力公司营销服务中心 | 基于多源数据的电压互感器运行状态评估方法 |
CN117708494A (zh) * | 2023-11-30 | 2024-03-15 | 国网重庆市电力公司超高压分公司 | 互感器精度误差自适应动态补偿剩余电流的方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110082640B (zh) | 一种基于长短时记忆网络的配网单相接地故障辨识方法 | |
CN109829497B (zh) | 一种基于监督学习的台区用户识别及判别方法 | |
CN112699913A (zh) | 一种台区户变关系异常诊断方法及装置 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
CN110376522B (zh) | 一种数据融合的深度学习网络的电机故障诊断方法 | |
CN109818349B (zh) | 一种基于多维状态矩阵滑动匹配的电网鲁棒状态预测方法 | |
CN111900731B (zh) | 一种基于pmu的电力系统状态估计性能评价方法 | |
CN113702895B (zh) | 一种电压互感器误差状态在线定量评估方法 | |
CN103745119A (zh) | 一种基于故障概率模型的油浸式变压器故障诊断方法 | |
Asada et al. | Identifying multiple interacting bad data in power system state estimation | |
CN113904786A (zh) | 一种基于线路拓扑分析和潮流特性的虚假数据注入攻击辨识方法 | |
CN116842459B (zh) | 一种基于小样本学习的电能计量故障诊断方法及诊断终端 | |
CN114167180B (zh) | 一种基于图注意力神经网络的充油电气设备故障诊断方法 | |
CN111856209A (zh) | 一种输电线路故障分类方法及装置 | |
CN105911407A (zh) | 基于物元增广可拓关联的变压器状态模糊集对评估方法 | |
CN113850320A (zh) | 基于改进支持向量机回归算法的变压器故障检测方法 | |
CN113674106A (zh) | 一种中低压配电网接地故障组合定位方法 | |
CN109901064B (zh) | 基于ica-lvq的高压断路器故障诊断方法 | |
CN114048819A (zh) | 基于注意力机制和卷积神经网络的配电网拓扑辨识方法 | |
CN116520068B (zh) | 一种电力数据的诊断方法、装置、设备及存储介质 | |
CN117745096A (zh) | 一种控制网布测方案评价方法及系统 | |
CN105488270A (zh) | 一种变压器结构性故障诊断多属性综合方法 | |
CN117972460A (zh) | 一种高压电流互感器运行故障判别方法 | |
US20220278527A1 (en) | Determination of phase connections in a power grid | |
CN115456013A (zh) | 基于运行数据的风电机组变流器功率模块故障诊断方法 |
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 |