一种基于连续隐马尔可夫模型的输电线路故障选相方法技术

本发明专利技术公开了一种基于连续隐马尔可夫模型的输电线路故障选相方法，包括以下步骤：S1、分别提取输电线路的各故障类型和正常状态的故障特征量，对其训练得到相应的连续隐马尔可夫模型，建立故障模型库；S2、对一条待选相的输电线路，提取其故障特征量；S3、将提取的故障特征量与故障模型库中各连续隐马尔可夫模型逐个进行匹配，得到对数似然概率；S4、确定其中最大的对数似然概率；S5、将最大的对数似然概率对应的模型所在故障类型判定为输电线路的故障类型。本发明专利技术提供的输电线路故障选相方法不依赖于电力系统输电线路的参数模型，有很好的实用性，且不受故障位置、过渡电阻、故障初始角、噪声的影响，具有较高的可靠性。

【技术实现步骤摘要】
一种基于连续隐马尔可夫模型的输电线路故障选相方法
本专利技术属于输电线路故障选相
，具体涉及一种基于连续隐马尔可夫模型的输电线路故障选相方法。
技术介绍
当输电线路发生故障时，为了维持电网安全、稳定地运行，快速准确地判断出故障类型具有重大的意义。当电网发生故障时，要求调度监控人员能够根据调度中心采集到的故障信息，快速准确地判断出故障线路的故障类型。现有输电线路的故障选相方法一般都采用暂态量进行输电线路故障选相，需要对暂态量进行特征提取，因为原始暂态信号中可能含有噪声。采用何种方法对暂态量进行特征提取是需要考虑的一个问题；其次，如何设计分类机制对输电线路进行故障选相是需要考虑的另一个问题，不同的分类机制的分类效果是不一样的，在现有技术中，一种分类机制中采用希尔伯特黄变换提取A相、B相、C相电流和零序电流的特征特征函数值，并用主成分分析法进行降维，采用3维数据对模糊支持向量机进行训练，并用支持向量回归机进行测试样本的故障隶属度的优化；另一种分类机制中用小波变换和奇异值分类分解提取输电线路的故障特征，然后输入到模糊推理脉冲神经膜系统来进行故障类别的判断；还有一种分类机制是采用深度学习模型-卷积神经网络进行输电线路的故障分类。作为小波变换和短时傅里叶变换的继承和发展，S变换克服了小波断货和短时傅里叶的缺陷，具备良好的时频分辨能力，能够提取不同频率信号在时域上的幅值和相角的变换，提取的特征量对噪声不敏感，在特征提取领域中得到了广泛的应用，故障选相分类机制的优劣与输电线路故障选相结果的准确性息息相关。而目前还没有将S变换和连续隐马尔可夫模型应用于输电线路故障选相方法。
技术实现思路
针对现有技术中的上述不足，本专利技术提供的基于连续隐马尔可夫模型的输电线路故障选相方法解决了现有的输电线路故障选相中受故障位置、过渡电阻、故障初始角影响的问题。为了达到上述专利技术目的，本专利技术采用的技术方案为：一种基于连续隐马尔可夫模型的输电线路故障选相方法，包括以下步骤：S1、分别提取输电线路的各故障类型和正常状态的故障特征量，对其训练得到相应的连续隐马尔可夫模型，建立故障模型库；S2、对一条待选相的输电线路，提取其故障特征量；S3、将提取的故障特征量与故障模型库中各连续隐马尔可夫模型逐个进行匹配，得到各模型下的对数似然概率；S4、确定各模型下的对数似然概率中最大的对数似然概率；S5、将最大的对数似然概率对应的连续隐马尔可夫模型所在故障类型判定为该输电线路的故障类型。进一步地，所述步骤S1中提取故障特征量的方法具体为：A1、分别采集输电线路的各种故障类型下在故障时刻后三个周波单端的A相、B相、C相电流和零序电流；A2、采集输电线路正常状态下三个周波的A相、B相、C相电流和零序电流；A3、对输电线路的各种故障类型和正常状态下的A相、B相、C相电流和零序电流，采用S变换，分别得到各种故障类型和正常状态下输电线路的A相、B相、C相电流和零序电流的S变换能量值；A4、将各种故障类型和正常状态下输电线路的A相、B相、C相电流和零序电流的S变换能量值作为故障特征量。进一步地，所述步骤S1中训练一种故障类型或正常状态对应的连续隐马尔可夫模型的方法具体为：B1、将输电线路提取的故障特征量作为训练数据依次输入一种连续隐马尔可夫模型；其中，提取的故障特征量对应有K条观测序列；B2、设置连续隐马尔可夫模型的参数，对其进行参数初始化；B3、通过Viterbi算法依次计算K条观测序列对应的最佳状态序列；B4、根据最佳状态序列，通过k-means聚类算法对K条观测序列中的训练数据进行处理，并更新连续隐马尔可夫模型参数的初始值；B5、判断更新后连续隐马尔可夫模型的参数是否收敛，是，则进入步骤B6；否则返回步骤B3；B6、设置初始迭代次数i＝1，迭代误差为e，且最大迭代次数为L；B7、采用Baum-Welch算法对模型的参数进行重估，得到连续隐马尔可夫模型的重估模型；B8、采用前向-后向算法，计算参数重估后的连续隐马尔可夫模型的对数似然概率，并计算对数似然概率的增长误差；B9、判断似然概率的增长误差是否满足迭代误差e；若是，进入步骤B91；若否，则判断迭代次数小于L是否成立；若是，则i＝i+1，并返回步骤B7，否则进入步骤B92；B91、将参数重估后的连续隐马尔可夫模型作为故障模型库中的相应模型；B92、将第i次迭代时的K条观测序列在状态Sj下的连续隐马尔可夫模型的重估模型作为故障模型库中的相应模型。进一步地，所述步骤B2中连续隐马尔可夫模型λ为：λ＝(N,M,π,A,B)其中，N为连续隐马尔可夫模型中的状态数；设有N个状态为：S1,S2,...SN，设t时刻模型处于状态qt，则qt∈{S1,S2,...SN}；M为每个状态对应的观测值的数目；设有M个观测值为：v1,v2,...vM，设t时刻的观测值为O(t)，则O(t)∈{v1,v2,...vM}；π为连续隐马尔可夫模型中状态初始概率向量；且π＝{πi}，πi＝P(qt＝i),1≤i≤N，A为连续隐马尔可夫模型中的状态转移概率矩阵；且A＝{aij}，aij＝P(qt+1＝j|qt＝i),1≤i≤N,1≤j≤N，B为连续隐马尔可夫模型高斯密度函数的集合；且B＝{bj(O)}，其中，在所述连续隐马尔可夫模型高斯密度函数的集合中：O为观测向量，且D×T，D为维数，T为观测序列长度；Mj为每个状态包含的高斯混合成份的个数；wj,m为第j个状态中第m个混合高斯元的权值；θ为正态高斯概率密度函数；μj,m为第j个状态第m个混合高斯元的均值矢量；∑j,m为第j个状态第m个混合高斯元的协方差矩阵；对所述参数初始化时，设置连续隐马尔可夫模型的状态数N和每个状态对应的观测值的数目M，随机地初始化设置初始状态概率向量π和状态转移概率矩阵A；对所述高斯密度函数初始化的方法具体为：C1、通过k-means算法对训练数据进行处理；C2、根据处理后的观测训练数据分别对状态Sj状态下的wj,m、μj,m、∑j,m进行初始化；所述C1具体为：从训练数据中确定N个相互距离最大的观测向量作为N个状态的中心，然后将各观测向量分配到距离最近的状态中心；对每一个状态下的观测向量选择M个相互距离最大的观测向量作为M个高斯分量的中心，然后将该状态下的各观测向量分配到距离最近的高斯分量中心，得到N×M个簇；所述步骤C2中wj,m、μj,m、∑j,m的初始化值分别为：为分量Xj,m中观测向量数目与状态Sj的观测向量数目的比值；为分量Xj,m中观测向量的均值向量；为分量Xj,m的观测向量的协方差矩阵；其中，Xj,m为状态Sj下的第m个高斯分量；进一步地，所述步骤B4具体为：根据最佳状态序列，将各个观测向量重新分配到各个状态中，然后将每个状态下的观测向量根据k-means算法为M类，并对初始化值进行更新。进一步地，所述步骤B7中，模型参数的重估公式为：式中，为输入K条观测序列下，t时刻模型处于状态Si并且在t+1时刻处于状态Sj的联合概率；为输入K条观测序列下，t时刻模型处于状态Sj的概率；为输入K条观测序列下，t时刻模型处于状态Sj时第m个高斯分布的概率；输入K条观测序列下，t时刻模型处于状态Sj时第m个高斯分布的概率。进一步地，所述步骤B8中的似然概率为：式本文档来自技高网...

【技术保护点】
1.一种基于连续隐马尔可夫模型的输电线路故障选相方法，其特征在于，包括以下步骤：S1、分别提取输电线路的各故障类型和正常状态的故障特征量，对其训练得到相应的连续隐马尔可夫模型，建立故障模型库；S2、对一条待选相的输电线路，提取其故障特征量；S3、将提取的故障特征量与故障模型库中各连续隐马尔可夫模型逐个进行匹配，得到各模型下的对数似然概率；S4、确定各模型下的对数似然概率中最大的对数似然概率；S5、将最大的对数似然概率对应的连续隐马尔可夫模型所在故障类型，判定为该输电线路的故障类型。

【技术特征摘要】
1.一种基于连续隐马尔可夫模型的输电线路故障选相方法，其特征在于，包括以下步骤：S1、分别提取输电线路的各故障类型和正常状态的故障特征量，对其训练得到相应的连续隐马尔可夫模型，建立故障模型库；S2、对一条待选相的输电线路，提取其故障特征量；S3、将提取的故障特征量与故障模型库中各连续隐马尔可夫模型逐个进行匹配，得到各模型下的对数似然概率；S4、确定各模型下的对数似然概率中最大的对数似然概率；S5、将最大的对数似然概率对应的连续隐马尔可夫模型所在故障类型，判定为该输电线路的故障类型。2.根据权利要求1所述的基于连续隐马尔可夫模型的输电线路故障选相方法，其特征在于，所述步骤S1中提取故障特征量的方法具体为：A1、分别采集输电线路的各种故障类型下在故障时刻后三个周波单端的A相、B相、C相电流和零序电流；A2、采集输电线路正常状态下三个周波的A相、B相、C相电流和零序电流；A3、对输电线路的各种故障类型和正常状态下的A相、B相、C相电流和零序电流，采用S变换，分别得到各种故障类型和正常状态下输电线路的A相、B相、C相电流和零序电流的S变换能量值；A4、将各种故障类型和正常状态下输电线路的A相、B相、C相电流和零序电流的S变换能量值作为故障特征量。3.根据权利要求2所述的基于连续隐马尔可夫模型的输电线路故障选相方法，其特征在于，所述步骤S1中训练一种故障类型或正常状态对应的连续隐马尔可夫模型的方法具体为：B1、将输电线路提取的故障特征量作为训练数据依次输入一种连续隐马尔可夫模型；其中，提取的故障特征量对应有K条观测序列；B2、设置连续隐马尔可夫模型的参数，对其进行参数初始化；B3、通过Viterbi算法依次计算K条观测序列对应的最佳状态序列；B4、根据最佳状态序列，通过k-means聚类算法对K条观测序列中的训练数据进行处理，并更新连续隐马尔可夫模型参数的初始值；B5、判断更新后连续隐马尔可夫模型的参数是否收敛，是，则进入步骤B6；否则返回步骤B3；B6、设置初始迭代次数i＝1，迭代误差为e，且最大迭代次数为L；B7、采用Baum-Welch算法对模型的参数进行重估，得到连续隐马尔可夫模型的重估模型；B8、采用前向-后向算法，计算参数重估后的连续隐马尔可夫模型的对数似然概率，并计算对数似然概率的增长误差；B9、判断对数似然概率的增长误差是否满足迭代误差e；若是，进入步骤B91；若否，则判断迭代次数小于L是否成立；若是，则i＝i+1，并返回步骤B7，否则进入步骤B92；B91、将参数重估后的连续隐马尔可夫模型作为故障模型库中的相应模型；B92、将第i次迭代时的K条观测序列训练的连续隐马尔可夫模型的重估模型作为故障模型库中的相应模型。4.根据权利要求3所述的基于连续隐马尔可夫模型的输电线路故障选相模型，其特征在于，所述步骤B2中连续隐马尔可夫模型λ为：λ＝(N,M,π,A,B)其中，N为连续隐马尔可夫模型中的状态数；设有N个状态为：S1,S2,...SN，设t时刻模型处于状态qt，则qt∈{S1,S2,...SN}；M为每个状态对应的观测值的数目；设有M个观测值为：v1,v2,...vM，设t时刻的观测值为O(t)，则O(t)∈{v1,v2,...vM}；π为连续隐马尔可夫模型中状态初始概率向量；且π...

【专利技术属性】
技术研发人员：童晓阳，周郑，
申请(专利权)人：西南交通大学，
类型：发明
国别省市：四川,51