一种基于压缩感知的输电线路故障定位方法技术

本发明专利技术公开了一种基于压缩感知的输电线路故障定位方法，其特点是，针对现有输电线路故障信号处理方法存在精确度低等问题，将压缩感知(Compressed Sensing，CS)应用于故障定位中。主要包括构建过完备字典；提取故障信号数据，利用小波模极大值方法并结合FIR滤波进行预处理；提出Fast‑DOMP算法对故障行波的频域信号进行分析；基于上述信息，利用压缩感知估计行波的多次自然频率值，提出一种输电线路故障定位方法，对输电线路不同的故障情况进行分析。该方法科学合理，具有定位精度高，推广应用价值高，效果佳等优点。

【技术实现步骤摘要】
一种基于压缩感知的输电线路故障定位方法
本专利技术涉及输电
，是一种基于压缩感知的输电线路故障定位方法。
技术介绍
电力行业是国民经济发展的基本动力，可靠的电力供应也将是现今社会稳定发展的前提保证。输电线路故障是电力系统中发生故障最多的环节。在线路故障后，如果能及时、准确、可靠地找出故障点的位置，对整个国家经济运行及整个电力系统安全稳定都起着非常大的作用。所以，输电线故障定位的研究一直是电力行业的热点，特别是快速准确的故障定位方法的研究更是具有重大的意义。为此，学者们提出了众多故障定位方法，其中按照计算故障距离的原理不同，可分为阻抗法、故障分析法、时域行波法和自然频率成分法。阻抗法和故障分析法的定位精度受过渡电阻和系统参数等因素影响大，而目前得到广泛研究的时域行波法受上述因素影响较小。但该方法难以准确识别波头，且行波波速在有损输电线路传播中会受频率的影响，很难准确计算对应的行波速度，影响故障定位精度，而自然频率成分法基本不受上述问题的干扰。目前的自然频率值提取大多数选择的是傅里叶变换(FourierTransform，简称FT)、小波变换(WaveletTransform，简称WT)和匹配追踪(MatchingPursuit，简称MP)等方法。傅里叶变换在处理主自然频率值低和小波变换在处理主自然频率值高的情况下提取自然频率值存在的误差较大。MP算法使用内积来体现原子与待处理信号的相似度，但该方法在原子间相关性较高的字典中，不能有效的区分两个原子，影响最优匹配原子的选择。而且上述方法在确定自然频率值时仅仅依靠提取单一的主自然频率值，但该值受噪声、线路不连续、谐波干扰等因素影响大，从而影响定位效果。专利申请号为201310616675.4的专利技术专利是通过Gabor字典和MP算法结合完成故障的定位，其字典和重构算法都没有针对行波故障信号的特征进行优化设计。而为了能更好的提高对信号的分析辨识能力，字典必须是高度冗余的，使得分解结果达到较高的稀疏性。
技术实现思路
本专利技术的目的是克服现有技术的不足，提供一种科学合理，适用性强，效果佳的基于压缩感知的输电线路故障定位方法。该方法根据实际数据分析处理，构建完成过完备字典，并提出Fast-DOMP算法对故障行波的频域信号进行分析；在此基础上，利用压缩感知估计行波的多次自然频率值，从而提出基于压缩感知的输电线路故障定位方法，对输电线路不同故障情况进行普适性分析，提高故障定位精确度。实现本专利技术目的采用的技术方案是：一种基于压缩感知的输电线路故障定位方法，其特征是，它包括下述步骤：1)根据实际数据分析处理，构建完成过完备字典：①选取不同故障类型以及不同故障距离对行波的频域信号进行分析；②对行波的频域信号进行分段处理，首先提取前6个波峰进行分析，然后通过高斯函数对每一段波峰拟合，得到用于构建字典的原子窗函数为：其中γ是gγ的索引，a1,b1,c1,La3,b3,c3是其中的参数，由于b、c参数变化波动很小，其参数值将通过多组数据分析后取加权平均值；③分析原子窗函数的参数，最后通过尺度、平移调制构建过完备字典：D＝{D1,D2,K,Dm}(2)其中D的维数为N×Na，D1和Dm的值为：式中D1是针对于第1组参数γ1(a1,a2,a3)的每一列原子的集合，Dm是针对于第m组参数γm(a1,a2,a3)的每一列原子的集合，而其中L和L的值为：2)提取故障信号数据，利用小波模极大值结合FIR滤波进行预处理：①提取故障数据，通过相模变换成行波信号，利用Clarke变换得到相应的模分量，其中Clarke变换矩阵为：②采用小波模极大值的方法，检测突变点，能有效地分析突变信号，然后结合FIR高通滤波器滤除低频干扰成分完成预处理，减小低频干扰成分对辨识自然频率值的影响；3)提出Fast-DOMP算法对故障行波的频域信号进行分析：①在正交匹配追踪的基础上，通过引入Dice系数原子匹配准则在字典中找到最优原子，能有效的区分两个相似原子，其中Dice系数为：②利用快速傅里叶变换预处理得到信号索引γ{a1,a2,a3}的先验信息，以约束过完备字典中m组参数的搜索范围；③按照索引γ从字典中选出与残差信号最匹配的原子，添加到支撑集Ω当中：④利用支撑集Ω中现有的原子逼近原信号：⑤更新残差信号：其中k＝k+1，重复前两步，直到满足停止迭代条件；⑥由y＝ΦDu，解出稀疏系数u的逼近值反映行波信号的主自然频率信息；4)压缩感知估计行波的多次自然频率值，进行精确故障定位：①在压缩感知理论的基础上，利用新的字典和算法估计行波的多次自然频率值；②利用故障行波的多次自然频率值结合下式定位故障位置：其中L为故障距离，θm.k为母线Em端的行波反射角，vm.1为相应频率下的行波模波速，fk为m端行波k次主自然频率值，σ为剩余量；③针对输电线路的不同故障情况进行普适性分析。本专利技术提出的一种基于压缩感知的输电线路故障定位方法，是从过完备字典的优化设计和重构算法的改进出发，利用行波故障信号的频域信号特征构建过完备字典，并通过改进的Fast-DOMP算法辨识行波自然频率值；最后结合多次自然频率的故障定位算法实现精确的故障定位，通过仿真结果证明了本专利技术提出方法的有效性，而且分辨率较高，稳定性好，能更好的满足电力系统对故障定位的要求。本专利技术与现有技术相比的进一步效果体现在：1)通过设计新的过完备字典，使其稀疏度更高且针对性更强，并提出Fast-DOMP算法处理故障频域信号，有效提高了算法的准确度和速度；2)对输电线路不同的故障情况进行分析，并将压缩感知应用于故障定位中，结合多次行波自然频率的方式，有效地避免了现有输电线路故障信号处理方法存在精确度低等问题，能满足电力系统对同故障定位的精确度和稳定性的需求；3)其方法科学合理，适用性强，推广应用价值高，效果佳。附图说明图1是专利技术一种基于压缩感知的输电线路故障定位方法流程示意图；图2是100Km行波频域信号分析示意图；图3是50Km行波频域信号分析示意图；图4是原子参数变化分析示意图；图5是原子平移示意图；图6是输电线路仿真模型示意图；图7是三相电压波形示意图；图8是三相电流波形示意图；图9是行波信号示意图；图10是残余信号波形示意图；图11是行波频域信号重构波形示意图。具体实施方式下面结合附图和实施例对本专利技术的具体实施方式作进一步的详细说明。以下描述和附图充分地示出本专利技术的具体实施方式，以使本领域的技术人员能够实现。其他实施方案可以包括结构的、逻辑的、电气的、过程的以及其他的改变。实施例仅代表可能的变化。除非明确要求，否则单独的组件和功能是可选的，并且操作的顺序可以变化。一些实施方案的部分和特征可以被包括在或替换其他实施方案的部分和特征。本专利技术的具体实施方式的范围包括权利要求书的整个范围，以及权利要求书的所有可获得的等同物。在本专利技术中，这些实施方式可以被单独地或总地用术语“专利技术”来表示，这仅仅是为了方便，并且如果事实上公开了超过一个的专利技术，不是要自动地限制该应用的范围为任何单个专利技术或专利技术构思。如图1所示，本专利技术提供一种基于压缩感知的输电线路故障定位方法，该方法在压缩感知理论的基础上结合了多次自然频率值故障定位原理，故障定位流程有效的提高了输电线路故障定位的精确性和稳定性，包括下本文档来自技高网...

【技术保护点】
一种基于压缩感知的输电线路故障定位方法，其特征是，它包括下述步骤：1)根据实际数据分析处理，构建完成过完备字典：①选取不同故障类型以及不同故障距离对行波的频域信号进行分析；②对行波的频域信号进行分段处理，首先提取前6个波峰进行分析，然后通过高斯函数对每一段波峰拟合，得到用于构建字典的原子窗函数为：

【技术特征摘要】
1.一种基于压缩感知的输电线路故障定位方法，其特征是，它包括下述步骤：1)根据实际数据分析处理，构建完成过完备字典：①选取不同故障类型以及不同故障距离对行波的频域信号进行分析；②对行波的频域信号进行分段处理，首先提取前6个波峰进行分析，然后通过高斯函数对每一段波峰拟合，得到用于构建字典的原子窗函数为：其中γ是gγ的索引，a1,b1,c1,La3,b3,c3是其中的参数，由于b、c参数变化波动很小，其参数值将通过多组数据分析后取加权平均值；③分析原子窗函数的参数，最后通过尺度、平移调制构建过完备字典：D＝{D1,D2,K,Dm}(2)其中D的维数为N×Na，D1和Dm的值为：式中D1是针对于第1组参数γ1(a1,a2,a3)的每一列原子的集合，Dm是针对于第m组参数γm(a1,a2,a3)的每一列原子的集合，而其中和的值为：2)提取故障信号数据，利用小波模极大值结合FIR滤波进行预处理：①提取故障数据，通过相模变换成行波信号，利用Clarke变换得到相应的模分量，其中Clarke变换矩阵为：②采用小波模极大值的方法，检测突变点，能有效地分析突变信号，然后结合FIR高通滤波器滤除低频干扰成分完成预处理，减小低频干扰成分对辨识自然频率值的影响...

【专利技术属性】
技术研发人员：于华楠，马聪聪，王鹤，
申请(专利权)人：东北电力大学，
类型：发明
国别省市：吉林,22