一种输电线路在线监测设备故障诊断方法技术

本发明专利技术公开了一种输电线路在线监测设备故障诊断方法，包括有以下步骤：(1)获取在线监测设备上传的故障代码；(2)采用3δ准则对获取的故障代码进行数据处理，保留属于随机误差的故障代码，剔除包含有粗大误差的故障代码;(3)采用V系统上一步获取的故障代码进行编码，以得到关于该组故障代码的特征值，并根据提取出的特征值建立故障信息数据库;(4)对上一步获取的故障信息进行神经网络的自学习训练，预测走向；(5)对比预测数据的V系统特征值，给出诊断结果;本发明专利技术实现了对在线监测设备上传的故障数据进行多重数据处理和精确诊断，在控制上灵活多变，便于监测人员及时发现故障点并进行维护，提高了运维工作的效率。

【技术实现步骤摘要】
一种输电线路在线监测设备故障诊断方法
本专利技术涉及大数据处理
，尤其是一种输电线路在线监测设备故障诊断方法。
技术介绍
近年来，随着电网信息化技术的发展，在电网运维工作中出现了输电线路在线监测系统，该系统主要用途是通过安装在输电线路上的监测设备对输电线路的运行工况进行远程监控维护，大大降低输电线路运维工作的难度及工作量，并提高运维工作的效率。然而，在实际使用过程中，现有的在线监测系统存在着监测设备故障时有发生、故障原因无法诊断、对监测设备的运维工作量大等一些问题，这也严重影响了在线监测系统对输电线路的远程监控，并影响到运维工作的效率。在对监测设备进行故障诊断时，往往涉及到对故障数据（代码）的处理。在实际工程运用中，故障信息的检测与诊断往往能够帮助我们规避未知的风险、提高设备的运行质量。尤其在大数据时代，由于设备采集的数据信息量庞大、内容冗杂，往往无法得到及时的分析处理，因而我们急需一种切实可行的故障信息诊断方法。当前，国内外在对数据分析一块，常见的方法主要分为三大类：(1)基于傅里叶变换的数据分析法；(2)基于小波变换的数据分析法；(3)基于分形的数据分析法。基于傅里叶变换的数据分析法最为经典，应用也最广泛，但缺点是缺乏空间局部性，只能对故障数据的奇异性进行整体性分析，却不能对单个故障数据点进行准确的定位检测。基于小波变换的数据分析法具有空间局部性，能够聚焦信号的细节信息，但是小波基函数的选择是一大难题。基于分形的数据分析法依靠分形维数反映信号的复杂性，能够有效地检测到信号的动态变化，但相关研究工作尚处于起步阶段。国内外在对故障数据诊断一块，常见的诊断方法有：Nair检验法、Grubbs检验法、Dixon检验法、样本分位数法、均值比检验法、逐步迭代扩展检验法、G型统计量法、极值分布场合异常数据检验法、双参数对数正态分布场合异常数据检验法等等。这些方法有些只能检验含有异常小或异常大数据的情况，因而容易受屏蔽效应和吞噬效应的影响。由此可见，当前在现有的
并没有找到一种有效的对故障数据进行分析处理的方法，并将该方法用于诊断输电线路在线监测设备故障。
技术实现思路
本专利技术的目的就是要解决现有技术所存在的不足之处，为此提供一种输电线路在线监测设备故障诊断方法，以解决现有的在线监测系统存在着监测设备故障时有发生、故障原因无法诊断、对监测设备的运维工作量大的问题。本专利技术的具体方案是：一种输电线路在线监测设备故障诊断方法，包括有以下步骤：(1)获取在线监测设备上传的故障代码；(2)采用3δ准则对获取的故障代码进行数据处理，保留属于随机误差的故障代码，剔除包含有粗大误差的故障代码；(3)采用V系统上一步获取的故障代码进行编码，以得到关于该组故障代码的特征值，并根据提取出的特征值建立故障信息数据库；V系统是一种基于改良Haar小波函数的特征值描述方法，它的本质是一类分段线性完备正交函数系，它的基函数是通过复制和平移0阶Haar函数而获得的，其中一个n阶的V系统的表达式为：i=1,2,…,k+1，k=0,1,2,3…；j=1,2,…,2n-2,n=3,4,5,…；其中i为矩阵行向量，j为矩阵列向量，k是阶数，n是次数;(4)对上一步获取的故障信息进行神经网络的自学习训练，根据神经网络给出的预测期望结果而得到故障数据的走向曲线图；(5)对比预测数据的V系统特征值，从而找出偏离故障数据的走向曲线图的故障点；另外，当前数据与历史数据的V系统特征值，也能进行分析比对，并给出诊断结果。本专利技术中所述3δ准则在对一组故障代码进行数据处理时，先假设一组检测数据只含有随机误差，对其进行计算处理得到标准偏差，按一定概率确定一个数值分布区间（μ-kδ,μ+kδ）,其中δ代表标准偏差，μ代表均值，k代表大于0的自然数。认为凡超过这个数值分布区间的误差就不属于随机误差而是粗大误差，将含有该粗大误差的数据予以剔除。当k=1时，数值分布在（μ-σ,μ+σ)中的概率为0.6827；当k=2时，数值分布在（μ-2σ,μ+2σ)中的概率为0.9545；当k=3时，数值分布在（μ-3σ,μ+3σ)中的概率为0.9973。可以认为，Y的取值几乎全部集中在（μ-3σ,μ+3σ)区间内，超出这个范围的可能性仅占不到0.3%。本专利技术中对V系统的推论过程如下：令t∈[0,1],并且假设使[0,1]变成2n的部分,那么近似的函数变换如下:并且把给定的曲线表达式改成参数形式：并且有，到目前为止,对于一个给定的Ff(t),可以使用P(t)去做有限精度表示,又称作P(t)是Ff(t)的正交表达,{aj|j＝1,2,3…}是Ff(t)的V频谱.因为P(t)能够精确表示Ff(t),那么特征值就定义成：使b(j)是jth次标准化表达；标准V描述子b(j)具有平移、缩放和旋转不变性。下面给出证明：假设有一个描述物体P(t)和它的V描述子aj,如果平移量是z0,缩放程度是β,旋转角度是θ,通过这些变换物体变成了βeiθ(P(t)+z0),并且它的描述子变成：在这里使用当j≠0,a′j＝βeiθaj,因此b′(j)＝b(j)。本专利技术中所述神经网络由一个输入层、三个隐藏层和一个输出层组成其中，输入层接受外部世界的信号与数据，输出层实现系统处理结果的输出，隐藏层是处在输入层和输出层之间。神经元间的连接权值反映了单元间的连接强度，信息的表示和处理体现在网络处理单元的连接关系中。在实际应用中，我们将一组故障数据信息（即一个数组）作为输入层，通过神经网络的自学习训练，得到一个输出结果，这个输出就是针对该数组的预测，即这组故障信息的变化趋势。而实际的故障信息不可能只有一组，那么每一组故障信息都进行神经网络的自学习训练，都给出一个预测的期望结果。由于神经网络模拟的是人脑神经元网络，相当于计算机在不断的自学习训练中产生了“经验”，一方面它的下一次预测会越来越准确；另一方面在经过大量训练之后，不同故障数据之间会产生联系，而计算机会深入挖掘出这种肉眼不可见的联系，即智能化。另外，在本专利技术中神经网络的训练算法采用levenbergmarpuardt算法，误差指标为MSE；若经过连续六次训练，神经网络的输出误差不降反升，则强行结束训练。与现有技术相比，本专利技术的有益效果如下：(1)本专利技术软件算法结构复杂，使用多重处理，对于在线监测设备上传的故障数据实现了精确的分析处理；在对输电线路的运行工况进行远程监控的同时，实现了对监测设备运行状况的实时监测，并进行远程故障诊断，分析故障原因，从而便于监测人员发现监测设备的故障点，以便及时进行维护；(2)本专利技术实现了对监测设备出现的故障进行智能化地诊断分析，不需要人为干预，并且在进行故障分析时，可根据需要实时修改故障检测程序中的判断标准和相应的故障代码，控制灵活多变；(3)本专利技术中通过在线监测设备上传的故障代码，为监测设备的维护提供了参考，提高了监测数据的可信度，也对远端各个传感器型号的选择提供了参考；(4)本专利技术大大降低了输电线路运维工作的难度及工作量，并提高了运维工作的效率；(5)本专利技术对故障数据的处理获取多种处理结构，可以分析出以下几种情况：装置内部部位彻底损坏（故障代码数值异常大或异常小），出现短路或断路；装置内部部位出现异常（故障代码数值出现较大偏差本文档来自技高网...

【技术保护点】
1.一种输电线路在线监测设备故障诊断方法，其特征是：包括以下步骤：(1)获取在线监测设备上传的故障代码；(2)采用3δ准则对获取的故障代码进行数据处理，保留属于随机误差的故障代码，剔除包含有粗大误差的故障代码；(3)采用V系统上一步获取的故障代码进行编码，以得到关于该组故障代码的特征值，并根据提取出的特征值建立故障信息数据库，其中一个n阶的V系统的表达式为：

【技术特征摘要】
1.一种输电线路在线监测设备故障诊断方法，其特征是：包括以下步骤：(1)获取在线监测设备上传的故障代码；(2)采用3δ准则对获取的故障代码进行数据处理，保留属于随机误差的故障代码，剔除包含有粗大误差的故障代码；(3)采用V系统上一步获取的故障代码进行编码，以得到关于该组故障代码的特征值，并根据提取出的特征值建立故障信息数据库，其中一个n阶的V系统的表达式为：i=1,2,…,k+1，k=0,1,2,3…；j=1,2,…,2n-2,n=3,4,5,…；其中i为矩阵行向量，j为矩阵列向量，k是阶数，n是次数;(4)对上一步获取的故障信息进行神经网络的自学习训练，根据神经网络给出的预测期望结果而得到故障数据的走向曲线图;(5)对比预测数...

【专利技术属性】
技术研发人员：吴风亮，严锐，贺思阳，张帆，周文胜，张鑫，刘前进，
申请(专利权)人：国网湖北省电力有限公司黄石供电公司，无锡市格力普科技有限公司，
类型：发明
国别省市：湖北,42