一种配网故障选线大数据降维方法和装置制造方法及图纸

本发明专利技术公开了一种配网故障选线大数据降维方法和装置，先获取配网故障选线大数据，提取故障特征变量；然后分析所提取的故障特征变量与线路故障结果之间的关联程度，计算各故障特征变量与线路故障结果之间的MIC值；比较各故障特征变量与线路故障结果之间的MIC值与设定的MIC阈值的大小，筛选故障特征变量。本发明专利技术降低了使用大数据方法进行配网故障选线时的大数据维度，大大减小了大数据处理难度。

A large data dimensionality reduction method and device for distribution network fault line selection

The invention discloses a large data reduction method and device for distribution network fault line selection. First, the large data of the fault line selection of the distribution network is obtained and the fault feature variables are extracted. Then the correlation between the fault feature variables and the line fault results is analyzed, and the MIC value between the fault feature variables and the line fault results is calculated. The fault feature variables are screened out comparing the MIC values between the fault feature variables and the line fault results and the set MIC threshold. The invention reduces the big data dimension when using the big data method to conduct the fault line selection in the distribution network, and greatly reduces the difficulty of processing large data.

【技术实现步骤摘要】
一种配网故障选线大数据降维方法和装置
本专利技术涉及电网故障选线
，具体涉及一种基于故障特征提取和最大信息系数理论的配网故障选线大数据降维方法和装置。
技术介绍
电网是国民经济的支柱，经济的发展离不开电网的发展，一旦发生大面积停电事故将产生不可估量的损失。配电网是直接为用户输送电能的网络，配电网的正常运行对社会发展有着重大意义，配网接地故障选线一直是个难题。当前，国内外中压配电网中性点广泛采用小电流接地方式，以避免发生单相接地故障时跳闸造成供电中断。对于小电流接地故障，由于故障电流微弱、电弧不稳定和随机因素影响等原因，接地故障选线比较困难。传统的各种选线方法只考虑一种或几种故障特征变量，得到的选线结果准确度较低，不能满足配电网故障选线的要求。随着智能电网的发展，大量智能监测装置被应用于配电网方方面面，由此产生了大量的不同类型的数据。其中包括配电网内部实时监测装置产生的各种电气量数据，也包括配电网外部的各种数据如天气、交通和地理信息等非电气量数据。为了利用多种数据全面分析故障线路，提高小电流接地系统故障选线准确率，需要运用大数据技术对以上大量的数据来进行分析处理。现采用大数据故障选线方法，需要建立神经网络模型，将大量数据作为输入，故障线路作为输出，进行数据挖掘，模型训练。由于利用了多种故障特征信息，此方法可以有效地提高小电流接地系统故障选线准确率，对提高配网自动化水平有重要意义。综上所述，现有技术中由于数据维度太高，而且往往存在着噪声，进行数据挖掘时会造成结果精度不够、数据挖掘时间过长的问题，尚缺乏有效的解决方案。
技术实现思路
为了克服上述现有技术的不足，本专利技术提供了一种配网故障选线大数据降维方法和装置，降低了使用大数据方法进行配网故障选线时的大数据维度，大大减小了大数据处理难度。本专利技术所采用的技术方案是：一种配网故障选线大数据降维方法，包括以下步骤：步骤一：获取配网故障选线大数据，提取故障特征变量；步骤二：分析步骤一中所提取的故障特征变量与线路故障结果之间的关联程度，计算各故障特征变量与线路故障结果之间的MIC值；步骤三：比较各故障特征变量与线路故障结果之间的MIC值与设定的MIC阈值的大小，筛选故障特征变量。进一步的，所述配网故障选线大数据包括电流及电压数据、零序电压及电流数据、稳态电气数据、暂态电气数据、远端遥测数据以及故障录波数据。进一步的，所述步骤一中，获取配网故障选线大数据的具体方法为：搭建仿真模型，模拟不同线路、不同位置、不同类型故障，产生多组故障录波数据；通过故障录波器记录各条线路的故障录波数据；获取各条线路的故障录波数据作为配网故障选线大数据。进一步的，所述故障特征变量包括故障类型、故障后各相电压降落值、故障后零序电流幅值与相角、各出线零序电流的小波包能量、零序电流五次谐波幅值与方向、故障后首半波幅值与极性、故障后能量函数、暂态零模特征电流幅值与极性和FTU安装处零序电流幅值与相角。进一步的，所述步骤一中，提取故障特征变量的具体方法为：选择一条故障线路，用不同数字代表不同类型故障结果；利用配网故障选线大数据中故障前后电压有效值计算故障前后各相电压降落值；从配网故障选线大数据中提取故障后零序电流幅值与相角、暂态零模特征电流幅值与极性以及FTU装设处的零序电流幅值与相角；根据配网故障选线大数据，利用dB15基函数、三层分解和第四尺度能量函数计算各出线零序电流的小波包能量；根据配网故障选线大数据，计算故障后能量函数，提取零序电流五次谐波分量和故障后首半波的幅值与极性。进一步的，所述步骤二中，分析步骤一中所提取的故障特征变量与线路故障结果之间的关联程度，计算各故障特征变量与线路故障结果之间的MIC值的具体方法为：基于各个故障特征变量和线路故障结果构建二维数据集；根据最大信息系数MIC计算公式，分别计算所有二维数据集的MIC值，即所有故障特征变量与线路故障结果之间的MIC值。进一步的，最大信息系数MIC计算公式为：MIC(D)＝maxxy＜B(n)M(D)xy＝maxxy＜B(n)I(D,x,y)·log-1(min(x,y))其中，D为二维数据集，I(D,x,y)＝max(I(D│G))，G代表二维数据集D的一种划分，D│G代表二维数据集D在网格G中的分布，I(D,x,y)表示基于二维数据集D的互信息；B(n)取数据总量的0.6或者0.55次方，是个经验值；x为故障特征变量；y为线路故障结果。进一步的，所述步骤三中，比较各故障特征变量与线路故障结果之间的MIC值与设定的MIC阈值的大小，筛选故障特征变量的具体方法为：比较各故障特征变量与线路故障结果之间的MIC值与设定的MIC阈值的大小；若故障特征变量和线路故障结果之间的MIC值大于或等于设定的MIC阈值，则表明故障特征变量和线路故障结果之间关联程度大，保留该故障特征变量；若故障特征变量和线路故障结果之间的MIC值小于设定的MIC阈值，则表明故障特征变量和线路故障结果之间关联程度小，剔除该故障特征变量。一种实现上述的配网故障选线大数据降维方法的装置，包括：故障录波数据模拟模块，用于模拟产生各条线路的故障录波数据；配网故障选线大数据获取模块，用于从故障录波数据模拟模块获取各条线路的故障录波数据，将各条线路的故障录波数据即作为配网故障选线电气量大数据；故障特征变量提取模块，用于对配网故障选线大数据进行故障特征变量提取；最大信息系数分析模块，用于分析所提取的故障特征变量与线路故障结果之间关联程度，计算故障特征变量与线路故障结果之间的MIC值；故障特征变量筛选模块，用于根据故障特征变量与线路故障结果之间的MIC值，保留关联程度大的故障特征变量，剔除关联程度小的故障特征变量。进一步的，所述故障录波数据模拟模块包括具有多条出线的小电流接地系统，所述小电流接地系统的每个出线处装设有馈线终端设备，通过馈线终端设备设置参数；所述小电流接地系统的每条出线上设置有多个故障位置，故障位置上安装有故障录波器，通过故障录波器记录各条线路故障时的故障录波数据。与现有技术相比，本专利技术的有益效果是：(1)本专利技术从配网故障选线大数据提取出对故障选线有重要意义的故障特征数据，进行初步的配网故障选线大数据降维，对故障特征变量和线路是否故障之间的关联程度进行最大信息系数算法分析，得出各种故障特征变量和线路是否故障之间的MIC值，保留关联程度较大的故障特征，剔除关联程度较小的故障特征，进行进一步大数据降维，有效地降低了使用大数据方法进行配网故障选线时的大数据维度，大大减小了大数据处理难度；(2)本专利技术基于故障选线饭方法，提取有用的故障特征变量，有效的进行了配网故障选线大数据初步降维；(3)本专利技术采用先进的关联性最大信息系数分析算法，准确全面的研究了各种故障特征变量与线路故障的关联程度，以此为依据进行有效的大数据进一步降维；(4)本专利技术对配网故障选线原始大数据进行筛选处理，保留有用数据，剔除无关数据，从而提高了大数据故障选线精度和运算速度。附图说明构成本申请的一部分的说明书附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。图1是本专利技术实施例公开的配网故障选线大数据降维方法流程图；图2是本专利技术实施例公开的仿真模型简化图；图本文档来自技高网...

【技术保护点】
1.一种配网故障选线大数据降维方法，其特征是，包括以下步骤：步骤一：获取配网故障选线大数据，提取故障特征变量；步骤二：分析步骤一中所提取的故障特征变量与线路故障结果之间的关联程度，计算各故障特征变量与线路故障结果之间的MIC值；步骤三：比较各故障特征变量与线路故障结果之间的MIC值与设定的MIC阈值的大小，筛选故障特征变量。

【技术特征摘要】
1.一种配网故障选线大数据降维方法，其特征是，包括以下步骤：步骤一：获取配网故障选线大数据，提取故障特征变量；步骤二：分析步骤一中所提取的故障特征变量与线路故障结果之间的关联程度，计算各故障特征变量与线路故障结果之间的MIC值；步骤三：比较各故障特征变量与线路故障结果之间的MIC值与设定的MIC阈值的大小，筛选故障特征变量。2.根据权利要求1所述的配网故障选线大数据降维方法，其特征是，所述配网故障选线大数据包括电流及电压数据、零序电压及电流数据、稳态电气数据、暂态电气数据、远端遥测数据以及故障录波数据。3.根据权利要求1所述的配网故障选线大数据降维方法，其特征是，所述步骤一中，获取配网故障选线大数据的具体方法为：搭建仿真模型，模拟不同线路、不同位置、不同类型故障，产生多组故障录波数据；通过故障录波器记录各条线路的故障录波数据；获取各条线路的故障录波数据作为配网故障选线大数据。4.根据权利要求1所述的配网故障选线大数据降维方法，其特征是，所述故障特征变量包括故障类型、故障后各相电压降落值、故障后零序电流幅值与相角、各出线零序电流的小波包能量、零序电流五次谐波幅值与方向、故障后首半波幅值与极性、故障后能量函数、暂态零模特征电流幅值与极性和FTU安装处零序电流幅值与相角。5.根据权利要求1所述的配网故障选线大数据降维方法，其特征是，所述步骤一中，提取故障特征变量的具体方法为：选择一条故障线路，用不同数字代表不同类型故障结果；利用配网故障选线大数据中故障前后电压有效值计算故障前后各相电压降落值；从配网故障选线大数据中提取故障后零序电流幅值与相角、暂态零模特征电流幅值与极性以及FTU装设处的零序电流幅值与相角；根据配网故障选线大数据，利用dB15基函数、三层分解和第四尺度能量函数计算各出线零序电流的小波包能量；根据配网故障选线大数据，计算故障后能量函数，提取零序电流五次谐波分量和故障后首半波的幅值与极性。6.根据权利要求1所述的配网故障选线大数据降维方法，其特征是，所述步骤二中，对分析步骤一所提取的故障特征变量与线路故障结果之间的关联程度，计算各故障特征变量与线路故障结果之间的MIC值的具体方法为：基于各个故障特征变量和线路故障结果构建二维数据集；根据最大信息系数MIC计算公式，分别计算所有二维数据集的MIC值，即所有故障特征变量与线路故障结...

【专利技术属性】
技术研发人员：赵金勇，臧海洋，魏燕飞，袁桂华，代桃桃，荆盼盼，于月平，李振凯，张瑞芳，
申请(专利权)人：国网山东省电力公司德州供电公司，
类型：发明
国别省市：山东,37