一种智慧电网电能质量在线故障诊断方法技术

本发明专利技术公开了一种智慧电网电能质量在线故障诊断方法，包括：实时采集待检测电能质量监测点的电压信号；采用极值点包络的动态测试法获取电压信号的n个电压极值点，以及采用离散小波变换方法获取电压信号的小波能熵有效值、小波能熵均值、小波能熵方差、相角偏移、扰动持续时间、小波能量，组成电压信号的特征向量；然后采用压缩感知原理进行数据的压缩、传输与解压缩；再而在云端服务器对重构的特征向量进行特征值选择，构成预处理特征向量；最后基于ELM神经网络训练得到的电能质量扰动分类器根据预处理特征向量输出扰动类型。本发明专利技术能够大大提升电能数据的传输效率，对信号采集器与中继节点的硬件性能要求低，且最终的分类诊断效率高。

【技术实现步骤摘要】
一种智慧电网电能质量在线故障诊断方法
本专利技术属于人工智能领域，特别涉及一种智慧电网环境下的电能质量在线故障诊断与预警方法。
技术介绍
随着电力电子设备的普及应用，电能质量问题日趋于严重。电能质量是对电力系统中电能的质量的描述，用来衡量电能品质好坏。一般而言，电能的时序波形应该是幅值稳定，频率一致的稳定正弦波，但由于各类一次设备和二次设备对电力系统的影响，造成系统不对称性和非线性，以及各种自然或非自然因素导致的附加干扰及各类故障等原因，电能波形很难保持理想状态。所以电能质量的监测对于电力系统的稳定运行及故障预警有着极为重要的作用。实现电能质量监测分析的前提就在于对电能质量暂态扰动信号进行分类，现有的研究中，主要采取的是使用各类信号处理和数学分析的方法从电能信号中提取各种特征来实现暂态扰动信号的识别和分类。虽然能够较为有效的实现识别分类的过程，但一方面，提取的特征较少时分类精度不够，另一方面，提取的特征过多时识别模型的复杂度过高，分类器的效率低下。同时，现有研究难以实现电能质量的实时在线测量，以及分类器根据目标环境的不同做出相应调整。
技术实现思路
为了弥补现有研究对于电能质量暂态扰动的本文档来自技高网...

【技术保护点】
1.一种智慧电网电能质量在线故障诊断方法，其特征在于，包括以下步骤：步骤1，采用极值点包络的动态测试法，从电能质量监测点的电压信号获取n个电压极值点，分别记为u(1),u(2),u(3),…,u(n)；步骤2，采用离散小波变换方法对电压信号进行处理，提取小波能熵有效值λ、小波能熵均值μ、小波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ；步骤3，将得到的n个电压极值u(1),u(2),u(3),…,u(n)与小波能熵有效值λ、波能熵均值μ、波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ，分别标记为特征值f1,f2,f3,…,fn+6，全部特征值f1,f2,f3,…,fn+6组成电压信...

【技术特征摘要】
1.一种智慧电网电能质量在线故障诊断方法，其特征在于，包括以下步骤：步骤1，采用极值点包络的动态测试法，从电能质量监测点的电压信号获取n个电压极值点，分别记为u(1),u(2),u(3),…,u(n)；步骤2，采用离散小波变换方法对电压信号进行处理，提取小波能熵有效值λ、小波能熵均值μ、小波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ；步骤3，将得到的n个电压极值u(1),u(2),u(3),…,u(n)与小波能熵有效值λ、波能熵均值μ、波能熵方差σ、相角偏移α、扰动持续时间τ、小波能量κ，分别标记为特征值f1,f2,f3,…,fn+6，全部特征值f1,f2,f3,…,fn+6组成电压信号的特征向量g＝[f1,f2,f3,…,fn+6]；步骤4，采用压缩感知技术，对电压信号的特征向量g依次进行封装、压缩、中继节点传输、云端服务器解压缩处理，云端服务器得到重构特征向量步骤5，从重构特征向量中选择d个特征值g1,g2,…,gd，组成新的特征向量g'＝[g1,g2,…,gd]；根据新的特征向量g'构建预处理特征向量p＝[1,g1,g2,…,gd]＝[1,p(1),p(2),…,p(d)]；步骤6，将电压信号的预处理特征向量p和扰动类型，作为电能质量监测点的训练样本；以电能质量监测点的训练样本为输入、扰动类型为输出，训练极限向量机，得到电能质量扰动分类器；步骤7，实时采集待检测电能质量监测点的电压信号；对待检测电能质量监测点的电压信号，按步骤1-5进行处理，得到待检测电能质量监测点的电压信号的预处理特征向量p，并输入到步骤6得到的电能质量扰动分类器中，电能质量扰动分类器输出待检测电能质量监测点的扰动类型。2.根据权利要求1所述的方法，其特征在于，所述步骤4的具体过程为：步骤4.1，封装；采集电能质量监测点的N个电压信号，对每个电压信号均提取特征向量g，组成N维初始传输矩阵P，每个电压信号的特征向量g构成初始传输矩阵P的其中一列，步骤4.2，压缩和传输；将初始传输矩阵P中的每一行表示为数据向量f，电能数据传输中继节点根据公式y＝Φf将初始传输矩阵P中的数据向量f由N维压缩至M维，并发送给云端服务器；其中，M＜N，且观测矩阵Φ∈RM×N，采用高斯矩阵构建，矩阵元素满足独立同分布，方差为1/M；步骤4.3，解压缩；云端服务器获取压缩数据并根据公式x0＝Ψ-1Φ-1y计算初始重构数据x0，并设定迭代收敛阈值δ＝0.5；其中，Φ-1表示观测矩阵Φ的逆矩阵，Ψ-1表示正交变换矩阵Ψ的逆矩阵；采用IST算法根据t时刻的重构数据xt计算t+1时刻的重构数据xt，并计算目标值f(xt)，其中：xt+1＝(1-ω)xt+ωΓ(xt+ΦT(y-Φxt),θ)，其中ω、θ分别是调整因子和正则化参数，Γ(·)采用软阈值函数；步骤4.4，重构数据矩阵；根据终止条件f(xt)-f(xt-1)＜δ判断迭代是否结束，若结束，则根据t时刻的重构数据xt计算与原始的数据向量f对应的重构数据向量按行排列所有重构数据向量得到重构数据矩阵重构数据矩阵中包括N个重构特征向量3.根据权利要求1所述的方法，其特征在于，步骤5采用二进制遗传算法作为特征选择算法，从重构特征向量中选择d个特征值，具体过程为：步骤5.1，设置二进制遗传算法的参数值：种群规模为30，迭代代数为50，交叉概率为0.7，变异概率为0.05；步骤5.2，采用0/1编码方法对重构特征向量中的全部特征值进行编码，并随机初始化整个种群，种群中的个体被随机初始化为包括重构特征向量中的若干个特征值的特征子集Xi；步骤5.3，计算每个特征子集Xi的适应度函数值，其中适应度函数为：其中，α和β分别表示电能质量扰动分类器的分类准确率MAPE和选择的特征值数量比例对适应度函数值的权重，d表示特征子集Xi的特征值的数量；n+6表示重构特征向量中的特征值的数量；步骤5.4，利用适应度函数对初始种群进行选择、交叉和变异得...

【专利技术属性】
技术研发人员：刘辉，刘泽宇，李燕飞，于程名，
申请(专利权)人：中南大学，
类型：发明
国别省市：湖南,43