System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及配电网故障检测,尤其涉及一种基于特征融合的配电网故障检测方法及系统。
技术介绍
1、电网企业需要整合新一代人工智能技术来构建信息化、数字化、智能化的数字电网,故障检测作为数字电网中重要一环,引起越来越多人的关注。
2、近年来,许多国内外学者都展开了对电网故障检测的相关研究。有人提出使用短时傅里叶变换进行故障检测,通过分析固定长度时间窗内采集到的电流信号的各个频率分量,判断线路故障是否发生,但是对于非平稳信号,信号变化剧烈时,短时傅里叶变换和频率变化不能同时达到最优。另外还具有一种基于经验模态分解的电网配电线路检测和分类方法,但是需要很长的故障检测时间。因此,现有线路故障检测主要还是依靠人工干预的方式进行故障确认,这个过程需要耗费大量的人力物力,故障检测结果无法跟踪和追溯,整体效率较低,且无法进行故障预警或对故障处缺信息做进一步研究。随着人工智能技术的兴起,开始将人工智能技术应用于故障检测中,如使用基本的机器学习技术如svr来实现故障的自动检测。然而,这些简单的机器学习方法的预测准确度较低,数据维度高,花费时间长;于是又进行进一步改进,如提出通过多特征向量提取和自适应粒子群算法优化支持向量机回归,实验结果表明在一定程度上提高了故障检测的准确度。
3、如cn109406949a公开一种基于支持向量机的配电网早期故障检测方法及其装置。将小波分解和支持向量机的相关理论和方法引入到配电网早期故障检测中,并验证方法的合理性。小波分解可以检测出波形中的畸变,这些畸变与早期故障息息相关。通过提取出这些畸变的
4、因此,如何提出一种充分利用配电网线路的空间位置信息和时序特征,提高线路故障检测的精度是本领域亟待解决的问题。
技术实现思路
1、本专利技术提供了一种基于特征融合的配电网故障检测方法及系统。可以有效降低数据维度,减低人力损耗、充分提取时空特征并且能够高效发现线路故障。
2、第一方面,本专利技术提供一种基于特征融合的配电网故障检测方法,包括:
3、获取配电网中节点的连接数据,并采集配电网运行时节点的时序特征数据;
4、根据节点的连接数据构建邻接矩阵;
5、通过预先构建的故障检测模型对邻接矩阵和时序特征数据进行融合分析处理,得到配电网的故障结果。
6、进一步的,根据节点的连接数据构建邻接矩阵,包括:
7、获取配电网的所有节点,并对其进行标识;
8、根据配电网中节点的连接数据,得到所有节点之间的连接关系;
9、对所有节点之间的连接关系进行标准化处理;
10、根据标识结果和标准化处理结果生成邻接矩阵。
11、进一步的,预先构建故障检测模型,包括:
12、获取配电网中节点的历史连接数据和配电网运行时节点的历史时序特征数据;
13、根据节点的历史连接数据构建历史邻接矩阵;
14、对历史时序特征数据进行融合处理得到融合特征集;
15、对历史邻接矩阵和融合特征集进行聚合和特征提取,得到故障检测模型。
16、进一步的,对历史时序特征数据进行融合处理得到融合特征集,包括:
17、对历史时序特征数据进行缺失值拟合,得到历史时序特征数据集;
18、对历史时序特征数据集进行标准化处理,得到标准化数据,具体为:
19、
20、式中,a=1,2,…,n,n为历史时序特征数据集中历史时序特征数据的类型数,b=1,2,…,d,d为历史时序特征数据集中历史时序特征数据的维度数,zab为第a种类型第b个维度的历史时序特征数据,sab为标准化数据,
21、根据标准化数据计算相关系数矩阵,具体为:
22、
23、
24、式中,t为相关系数矩阵,k为历史时序特征数据维度的系数,ska为第k种第a维的标准化数据,为第a种历史时序特征数据的平均值,skb为第k种第b维的标准化数据,为第b种历史时序特征数据的平均值,
25、基于相关系数矩阵得到特征值集合和特征向量集合,具体为:
26、
27、式中,ud为相关系数矩阵的单位矩阵,δ为特征值集合,δd为第d个特征值,v为特征向量集合,vd为第d个特征向量;
28、根据特征值集合得到主成分的方差贡献率,根据方差贡献率确定特征向量集合中满足条件的特征向量;
29、根据满足条件的特征向量、标准化数据以及方差贡献率得到融合特征集。
30、进一步的,对历史时序特征数据进行缺失值拟合,得到历史时序特征数据集,包括:
31、获取实际的历史时序特征数据,并将实际的历史时序特征数据划分为训练集和测试集,根据训练集内实际的历史时序特征数据随时间变化的关系得到拟合曲线模型;
32、基于拟合曲线模型,给出与测试集中历史时序特征数据时间对应的预测值,根据预测值和测试集的历史时序特征数据得到不同时间的误差距离,对不同时间的误差距离进行计算平方和,得到拟合系数,计算拟合系数为最小值时拟合曲线模型的参数,得到最佳拟合曲线;
33、将缺失历史时序特征数据的时间输入最佳拟合曲线,得到预测的历史时序特征数据,将实际的历史时序特征数据和预测的历史时序特征数据进行集合得到历史时序特征数据集。
34、进一步的,根据特征值集合得到主成分的方差贡献率,具体为:
35、
36、式中,eb为第b个主成分的方差贡献率,δb为第b个特征值。
37、进一步的,根据方差贡献率确定特征向量集合中满足条件的特征向量,包括:
38、将特征值集合中的特征值按照从大到小的顺序进行排序,将主成分的方差贡献率按照特征值的顺序进行排序,按照顺序叠加主成分的方差贡献率,直至达到预定阈值,给出叠加的方差贡献率个数,具体为:
39、
40、式中,eb'为第b'个主成分的方差贡献率,为前m个主成分的方差贡献率的叠加结果,δb'为第b'个特征值,b'=1,2,…,m,m为累计方差贡献率在预定阈值以上时,方差贡献率最小个数,
41、根据叠加的方差贡献率个数按顺序选取对应数量的方差贡献率;
42、给出与选取的方差贡献率对应的特征值,并根据给出的特征值得到对应的特征向量。
43、进一步的,根据满足条件的特征向量、标准化数据以及方差贡献率得到融合特征集,包括:
44、根据满足条件的特征向量和标准化数据得到对应的主成分,具体为:
45、yb′=sab′vb′;
46、式中,a=1,2,...,n,b'=1,2,…,m,y1为第一主成分,yb'为第b'主成分,sab'为与满本文档来自技高网...
【技术保护点】
1.一种基于特征融合的配电网故障检测方法,其特征在于,包括:
2.根据权利要求1所述的配电网故障检测方法,其特征在于,根据节点的连接数据构建邻接矩阵,包括:
3.根据权利要求1所述的配电网故障检测方法,其特征在于,预先构建故障检测模型,包括:
4.根据权利要求3所述的配电网故障检测方法,其特征在于,对历史邻接矩阵和融合特征集进行聚合和特征提取,得到故障检测模型,包括:
5.根据权利要求4所述的配电网故障检测方法,其特征在于,基于时空特征数据得到故障检测模型,包括:
6.根据权利要求3所述的配电网故障检测方法,其特征在于,对历史时序特征数据进行融合处理得到融合特征集,包括:
7.根据权利要求6所述的配电网故障检测方法,其特征在于,对历史时序特征数据进行缺失值拟合,得到历史时序特征数据集,包括:
8.根据权利要求6或7所述的配电网故障检测方法,其特征在于,根据方差贡献率确定特征向量集合中满足条件的特征向量,包括:
9.根据权利要求8所述的配电网故障检测方法,其特征在于,根据满足条件的特征向
10.一种应用于如权利要求1-9任一所述配电网故障检测方法的配电网故障检测系统,其特征在于,包括:
...【技术特征摘要】
1.一种基于特征融合的配电网故障检测方法,其特征在于,包括:
2.根据权利要求1所述的配电网故障检测方法,其特征在于,根据节点的连接数据构建邻接矩阵,包括:
3.根据权利要求1所述的配电网故障检测方法,其特征在于,预先构建故障检测模型,包括:
4.根据权利要求3所述的配电网故障检测方法,其特征在于,对历史邻接矩阵和融合特征集进行聚合和特征提取,得到故障检测模型,包括:
5.根据权利要求4所述的配电网故障检测方法,其特征在于,基于时空特征数据得到故障检测模型,包括:
6.根据权利要求3所述的配电网故障检测方法,其特...
【专利技术属性】
技术研发人员:智明,荆江平,邹杰,张鹏,张维,陆志平,杨飞,崔志伟,夏磊,鞠玲,
申请(专利权)人:国网江苏省电力有限公司泰州供电分公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。