一种基于多维全景数据的电网故障智能判别方法技术

本发明专利技术公开了一种基于多维全景数据的电网故障智能判别方法，它包括：获取故障时的电气量信息和开关量信息；对电网故障区域进行搜索，构成故障元件集；将电气量进行模态分解，并对故障元件集中的故障电流信号进行分析处理，获取对应的元件故障度，即定义的故障概率表征；对开关量进行处理分析，得到对应的到元件模糊故障度；对故障度进行多源信息的融合；运用改进的D‑S证据理论对故障特征度进行多源信息的融合；根据故障诊断决策方法进行故障诊断，获取故障元件；解决了电网故障诊断中忽略故障期间的电气信息量对故障诊断的影响；可能出现误判等技术问题。

【技术实现步骤摘要】
一种基于多维全景数据的电网故障智能判别方法
本专利技术涉及电网中故障诊断领域，具体涉及到一种基于多维全景数据的电网故障智能判别方法。
技术介绍
近年来，随着大规模新能源及直流输电的接入，电网的规模日益扩大且结构日趋复杂，再加上用户需要越来越高的电能质量，电网存在一定的故障风险。而当电网发生故障后，电网调度人员需要快速、准确的判断故障元件信息，因此研究电网的故障诊断对保证电网的持续安全稳定运行具有重大的意义。目前，电网故障诊断中故障元件信息判断的依据主要来源于电网基本拓扑信息、保护动作信息等，该类判断方法大都是根据开关量的基本信息来进行故障元件判断。传统的方法主要有专家系统、神经网络优化算法、Petri网模型、贝叶斯方法以及解析模型等。然而上述方法的适用对象均是开关量，忽略了故障期间的电气信息量对故障诊断的影响。由于继电保护系统存在开关设备误动作的风险，仅仅采用开关信息量来判断故障信息具有一定的局限性，会导致故障诊断结果的不精确性，甚至可能出现误判等情况。
技术实现思路
本专利技术要解决的技术问题是：提供一种基于多维全景数据的电网故障智能判别方法电网故障诊断中忽略故障期间的电气信息量对故障诊断的影响；由于继电保护系统存在开关设备误动作的风险，仅仅采用开关信息量来判断故障信息具有一定的局限性，会导致故障诊断结果的不精确性，甚至可能出现误判等技术问题。本专利技术的技术方案是：一种基于多维全景数据的电网故障智能判别方法，它包括：步骤1、获取故障时的电气量信息和开关量信息；<br>步骤2、对电网故障区域进行搜索，构成故障元件集；步骤3、将电气量进行模态分解，并对故障元件集中的故障电流信号进行分析处理，获取对应的元件故障度，即定义的故障概率表征；步骤4、对开关量进行处理分析，得到对应的到元件模糊故障度；步骤5、对故障度进行多源信息的融合；运用改进的D-S证据理论对故障特征度进行多源信息的融合；步骤6、根据故障诊断决策方法进行故障诊断，获取故障元件。步骤1所述电气量信息为各种故障暂态信息，它包含了故障的特征信息；开关量为继电保护的动作信息。步骤3所述元件故障度获取的过程为：步骤3.1、运用FIMD将电气信息量进行模态分解；步骤3.2、将FIMD分量进行Hilbert变换获得幅值畸变度和故障能量度作为电气量故障度；步骤3.3、对电气量故障度进行归一化处理。步骤4所述元件模糊故障度获取的过程为：步骤4.1采用改进的层次化加权模糊Petri网对开关量进行处理分析，得到对应的元件模糊故障度；步骤4.2、对元件模糊故障度进行归一化处理。步骤6所述故障诊断过程为：步骤6.1、对不同故障概率表征分别进行伽玛函数值的求解，分为故障和非故障两个类别；步骤6.2、运用高斯混合模型的方法进行初始分类的修正，实现故障元件的判断。步骤3.1所述运用FIMD将电气信息量进行模态分解的方法为：1)、设输入原始信号为f(t)，采集该信号的极值点R(t)R(t)，t0≤tj≤tm-1(1)式中，t0、tj、tm-1分别表示不同极值点的采样时刻；2)、利用线性转换方法对极值点进行转换并生成对用的残余量r(t)式中tj+1是j+1个极值点处所对应的采样时间；3)、将原始信号减去残余量即求得原始信号固有的模态函数，对该过程不断进行迭代，当残余量的极值点少于3个时停止分解计算将原始输入信号分解为多个唯一的固有模态分量以及一个残余分量。所述电气量故障度的获取方法包括：幅值畸变度的获取：对故障线路电流的前5阶FIMD分量进行Hilbert变换；假设根据瞬时幅值定义得到线路i的第j个FIMD分量在k时刻的瞬时幅值为aij(k)，求得第i条线路第j个FIMD分量在故障发生前后电流瞬时幅值的有效值幅值分别如下所示：式中，Aij1和Aij2分别表示第i条线路第j个FIMD分量故障前和故障后一个周波内的瞬时幅值有效值；N是故障发生后一个周波截止时刻对应的采样的点数，l是故障时刻所对应的采样点数；则进一步可求得故障线路电流信号的畸变度为：为统一量纲，式(4)可归一化为：式中，L表示线路总支数；采用式(5)计算得到归一化后幅值畸变程度矩阵M＝[m1m2…mL]，将其定义为HHT幅值畸变度；故障能量度的获取：根据故障电流信号的能量谱H(ω，t)，求得对应的边际谱为：进一步求得Hilbert变换的边际能量谱为：则第i条线路在故障时的电流故障能量度值可表示为：式中，fs表示的信号采样频率。所述元件模糊故障度的计算方法为：利用改进的层次化加权模糊Petri网实现开关量到元件模糊故障度的转化，即通过改进的层次化加权模糊Petri网将线路开关量转化成对应的数值量，得到线路元件的故障概率分别记为p1，p2，…，pn，由于各元件故障概率之和不完全等于1，难以满足证据理论的融合规则；为此采用归一化方法对故障概率进行处理，如下所示：处理后的故障概率矩阵G＝{g1，g2，…，gn}即表示为元件模糊故障度。步骤5所述运用改进的D-S证据理论对故障特征度进行多源信息的融合的方法包括：(2)改进D-S证据理论：在证据冲突情况下，D-S证据理论合成结果与实际情况不相符合，要对进行改进；改进方法为：修正原始证据体，证据体的可信度表示该证据体的可靠程度；存在n条证据体，第i条证据体的绝对可信度Ri(i＝1，2，…，n)，进行归一化可得到各证据体的相对可信度为：修改冲突部分的证据组合规则，将局部冲突在引起冲突的焦元之间分配，改进规则为：式中m(A)称为A的基本可信数，f(A)为各局部冲突中分配给A的部分，m1,m2,…是识别框架U上的基本概率，是不同的概率分配函数，A,B,C…是识别框架U中的基本元素。(2)多源信息融合以故障元件集、幅值畸变度、故障能量度和模糊故障度作为独立的证据体构造基本可信度分配函数，表示对元件故障的支持程度；设F为电网故障诊断的识别框架，且F包含n个元件，其中Fi表示第i个元件的故障状态，则m为故障识别框架F上的基本可信度分配，m(Fi)称为Fi的基本可信数；m(Fi)表征对第i个元件故障状态不确定性的度量。所述对不同故障概率表征分别进行伽玛函数值的求解，分为故障和非故障两个类别；运用高斯混合模型的方法进行初始分类的修正，实现故障元件的判断的具体方法包括：(1)假定n个不同元件所对应的不同故障概率表征表示为m(F1)，m(F2)，…m(Fn)将该类元件一共分为2种，所采用的伽玛函数为对不同故障概率表征分别进行伽玛函数值的求解，如果满足以下条件：则划分为故障元件的候选类Γ1；剩下的则划分为非故障元件候选类Γ2，ε根据本文档来自技高网...

【技术保护点】
1.一种基于多维全景数据的电网故障智能判别方法，它包括：/n步骤1、获取故障时的电气量信息和开关量信息；/n步骤2、对电网故障区域进行搜索，构成故障元件集；/n步骤3、将电气量进行模态分解，并对故障元件集中的故障电流信号进行分析处理，获取对应的元件故障度，即定义的故障概率表征；/n步骤4、对开关量进行处理分析，得到对应的到元件模糊故障度；/n步骤5、对故障度进行多源信息的融合；运用改进的D-S证据理论对故障特征度进行多源信息的融合；/n步骤6、根据故障诊断决策方法进行故障诊断，获取故障元件。/n

【技术特征摘要】
1.一种基于多维全景数据的电网故障智能判别方法，它包括：
步骤1、获取故障时的电气量信息和开关量信息；
步骤2、对电网故障区域进行搜索，构成故障元件集；
步骤3、将电气量进行模态分解，并对故障元件集中的故障电流信号进行分析处理，获取对应的元件故障度，即定义的故障概率表征；
步骤4、对开关量进行处理分析，得到对应的到元件模糊故障度；
步骤5、对故障度进行多源信息的融合；运用改进的D-S证据理论对故障特征度进行多源信息的融合；
步骤6、根据故障诊断决策方法进行故障诊断，获取故障元件。


2.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤1所述电气量信息为各种故障暂态信息，它包含了故障的特征信息；开关量为继电保护的动作信息。


3.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤3所述元件故障度获取的过程为：
步骤3.1、运用FIMD将电气信息量进行模态分解；
步骤3.2、将FIMD分量进行Hilbert变换获得幅值畸变度和故障能量度作为电气量故障度；
步骤3.3、对电气量故障度进行归一化处理。


4.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：
步骤4所述元件模糊故障度获取的过程为：
步骤4.1采用改进的层次化加权模糊Petri网对开关量进行处理分析，得到对应的元件模糊故障度；
步骤4.2、对元件模糊故障度进行归一化处理。


5.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤6所述故障诊断过程为：
步骤6.1、对不同故障概率表征分别进行伽玛函数值的求解，分为故障和非故障两个类别；
步骤6.2、运用高斯混合模型的方法进行初始分类的修正，实现故障元件的判断。


6.根据权利要求3所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤3.1所述运用FIMD将电气信息量进行模态分解的方法为：
1)、设输入原始信号为f(t)，采集该信号的极值点R(t)
R(t)，t0≤tj≤tm-1(1)
式中，t0、tj、tm-1分别表示不同极值点的采样时刻；
2)、利用线性转换方法对极值点进行转换并生成对用的残余量r(t)



式中tj+1是j+1个极值点处所对应的采样时间；
3)、将原始信号减去残余量即求得原始信号固有的模态函数，对该过程不断进行迭代，当残余量的极值点少于3个时停止分解计算将原始输入信号分解为多个唯一的固有模态分量以及一个残余分量。


7.根据权利要求3所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：所述电气量故障度的获取方法包括：
幅值畸变度的获取：
对故障线路电流的前5阶FIMD分量进行Hilbert变换；假设根据瞬时幅值定义得到线路i的第j个FIMD分量在k时刻的瞬时幅值为aij(k)，求得第i条线路第j个FIMD分量在故障发生前后电流瞬时幅值的有效值幅值分别如下所示：






式中，Aij1和Aij2分别表示第i条线路第j个FIMD分量故障前和故障后一个周波内的瞬时幅值有效值；N是故障发生后一个周波截止时刻对应的采样的点数，l是故障时刻所对应的采样点数；
则进一步可求得故障线路电流信号的畸变度为：



为统一量纲，式(4)可归一化为：



式中，L表示线路总支数；采用式(5)计算得到归一化后幅值畸变程度矩阵M＝[m1m2…mL]，将其定义为HHT幅值畸变度；
故障能量度的获取：
根据故障电流信号的能量谱H(ω，t)，求得对应的边际谱为：

<...

【专利技术属性】
技术研发人员：王宇，徐长宝，高吉普，林呈辉，王冕，祝健杨，辛明勇，张历，林先堪，郭明宇，孟令雯，黄杨，徐宗瑾，
申请(专利权)人：贵州电网有限责任公司，
类型：发明
国别省市：贵州;52