一种输电线路故障分类方法及装置制造方法及图纸

本发明专利技术实施例公开了一种输电线路故障分类方法及装置，方法包括：获取输电线路的故障波形信号和前一周波中与故障波形信号同极性的正常波形信号；计算故障波形信号和正常波形信号之间的波形异化系数；归一化处理波形异化系数，并将归一化处理后的波形异化系数构建成待分类输入特征向量；通过预设的支持向量机分类模型对待分类输入特征向量进行处理以获得输电线路的故障类型。本发明专利技术实施例提供的技术方案提高了对输电线路的故障分类的效率，保证了故障分类的准确性和适用性，降低了成本，从而提高了供电系统的可靠性。

【技术实现步骤摘要】
一种输电线路故障分类方法及装置
本专利技术实施例涉及输电线路故障分类的
，尤其涉及一种输电线路故障分类方法及装置。
技术介绍
随着现代社会与经济的不断发展，人们对电的依赖性越来越强，对电能质量和供电可靠性提出了越来越高的要求。如果系统发生大面积的停电，将对人类生活的各个方面造成无法估计的影响。其中输电线路是电力系统的重要组成部分，是电网建设的基础，发挥着从供电企业到用电客户的桥梁作用。由于输电线路覆盖面广，暴露在大气环境中，运行环境恶劣，据统计由输电线路故障造成的停电影响约占系统总故障的三分之二，可见输电线路故障问题依旧十分严重。输电线路故障会对电力系统造成相当大的冲击，目前仍存在偶尔发生故障分类错误的情况，一旦产生错误的故障分类结果，会引发继电保护装置误动作，易导致停电范围扩大，将严重影响系统的安全稳定运行。专利CN201210054180.2提出了“一种基于电流突变量的故障选相方法”的解决方案，其基本思想是通过利用电流突变量构造故障相别选择系数，进而实现故障类型与故障相别选择的一种基于电流突变量的故障选相方法，利用在高压线路的保护装置处所测量的一相故障电流与其余两相故障电流差值之间的比例关系，构造故障相别选择系数，然后，通过分析该系数在各种故障情况下呈现的不同特征，实现电力系统故障选相。专利CN201810621653.X提出了“一种基于卷积神经网络的输电线路故障类型识别方法”的解决方案，其基本思想是通过将深度学习算法应用于输电线路的故障类型识别领域，利用卷积神经网络(ConvolutionalNeuralNetworks，CNN)进行故障类型识别无需人为提取故障特征，自动识别故障类型。专利CN201510238980.3提出了“一种基于模式识别的交流线路故障选相方法”的解决方案，其基本思想是通过为交流线路三个相分别配置选相元件，当线路发生故障时，分别获取线路全长内含有一相故障和不含该相故障下的量测端该相电流曲线簇；对其求取绝对值后选取时窗为1ms，映射到主成分分析(Principalcomponentsanalysis，PCA)空间；在PCA聚类空间，该相故障形成一个聚类中心，该相未故障形成一个聚类中心，且两者是以q1＝5为界，即当q1≤5为该相未故障，当q1>5为该相故障。但是，第一种方法中，采用的电流突变量是故障发生时的一个重要区分特征，然而单纯采用电流突变量作为选择的依据，当故障发生在弱电电源侧，单相高阻接地等情况时，其灵敏度存在不足。第二种方法中，无需对波形特征进行提取，直接提取故障波形进行分析，但是该方法需要提取较长周期的波形数据才能保证故障分类的精度，耗时间长，不能满足实现快速的故障分类。第三种方法中，对A、B、C各相是否发生故障有良好的辨识度，但是其对于相间故障，三相故障的区分度不明显。该方法在使用时需使用采样频率为1MHz的设备，高采样率对设备提出了较高要求。现场使用的设备通常在10kHz以下，更换设备的费用过高，不利于推广使用。
技术实现思路
本专利技术实施例提供了一种输电线路故障分类方法及装置，以提高故障分类的效率，保证故障分类的准确性和适用性，降低成本。第一方面，本专利技术实施例提供了一种输电线路故障分类方法，包括：获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号；计算所述故障波形信号和所述正常波形信号之间的波形异化系数；归一化处理所述波形异化系数，并将归一化处理后的波形异化系数构建成待分类输入特征向量；通过预设的支持向量机分类模型对所述待分类输入特征向量进行处理以获得所述输电线路的故障类型。可选的，所述故障波形信号和正常波形信号均包括输电线路上的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号；所述获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号包括：获取输电线路上故障发生时刻后1/4周波的所述三相电流波形信号、所述三相电压波形信号、所述零序电流波形信号和所述零序电压波形信号；获取输电线路上故障时刻的前一周波中相同极性的1/4周波的所述三相电流波形信号、所述三相电压波形信号、所述零序电流波形信号和所述零序电压波形信号。可选的，所述计算所述故障波形信号和所述正常波形信号之间的波形异化系数基于以下确定：A＝(1-ρxy2)；其中A为波形异化系数，x(n)为故障发生时刻后1/4周波的故障信号的波形信号数据；y(n)是故障发生前一周期里与x(n)对应1/4周波正常信号的波形信号数据，ρxy为x(n)与y(n)的相关系数，N为在所述1/4周波里采集到的数据点个数。可选的，所述归一化处理所述波形异化系数基于以下确定：其中：A是归一化前的波形异化系数，Anorm是归一化后的波形异化系数，Amax是归一化前所述波形异化系数中的最大值，Amin是归一化前所述波形异化系数中的最小值。可选的，所述根据归一化处理后的波形异化系数构建成待分类输入特征向量基于以下确定：其中，P为输入特征向量，为归一化后的A相电流波形异化系数，为归一化后的B相电流波形异化系数，为归一化后的C相电流波形异化系数，为归一化后的零序电流波形异化系数，为归一化后的A相电压波形异化系数，为归一化后的B相电压波形异化系数，为归一化后的C相电压波形异化系数，为归一化后的零序电压波形异化系数。可选的，所述预设支持向量机分类模型基于以下确定：获取输电线路的历史故障波形信号和前一周波中与所述历史故障波形信号同极性的历史正常波形信号；计算所述历史故障波形信号和所述历史正常波形信号之间的历史波形异化系数；归一化处理所述历史波形异化系数，并将归一化处理后的历史波形异化系数构建成训练输入特征向量；构建基于核函数的支持向量机分类模型，并通过所述训练输入特征向量结合分层K折交叉验证法优化核函数参数以获得所述预设支持向量机分类模型。可选的，所述支持向量机分类模型为软间隔支持向量机，其优化目标函数基于以下确定：其中C＞0，为惩罚系数，γ0/1为“0/1损失函数”，ω＝(ω1；ω2；ω3...；ωd)为法向量，b为位移项；xi表示训练数据的输入，yi表示对应的输出，m为训练数据个数。所述支持向量机分类模型的分类界面判别函数基于以下确定：其中κ(xi,x)为所述核函数；为拉格朗日乘子的最优解；b*为b的最优解。可选的，所述核函数为高斯核函数，所述高斯核函数基于以下确定：其中σ为高斯核的带宽。可选的，所述采用分层K折交叉验证法优化核函数参数包括：设定核函数参数取值范围；将所述训练输入特征向量平均分成K组，每次预测将选择其中K-1组数据作为训练集，剩余1组作为测试集，通过交叉验证记录每次预测的准确度；更替预测模型的训练集和验证集，重复K次，选取预测准确率最高的核函数值作为最佳参数。第二方面，本专利技术实施例提供了一种输电线路故障分类装置，包括：获取模块，用于获取输本文档来自技高网...

【技术保护点】
1.一种输电线路故障分类方法，其特征在于，包括：/n获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号；/n计算所述故障波形信号和所述正常波形信号之间的波形异化系数；/n归一化处理所述波形异化系数，并将归一化处理后的波形异化系数构建成待分类输入特征向量；/n通过预设的支持向量机分类模型对所述待分类输入特征向量进行处理以获得所述输电线路的故障类型。/n

【技术特征摘要】
1.一种输电线路故障分类方法，其特征在于，包括：
获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号；
计算所述故障波形信号和所述正常波形信号之间的波形异化系数；
归一化处理所述波形异化系数，并将归一化处理后的波形异化系数构建成待分类输入特征向量；
通过预设的支持向量机分类模型对所述待分类输入特征向量进行处理以获得所述输电线路的故障类型。


2.根据权利要求1所述的输电线路故障分类方法，其特征在于，所述故障波形信号和所述正常波形信号均包括输电线路上的三相电流波形信号、三相电压波形信号、零序电流波形信号和零序电压波形信号；所述获取输电线路的故障波形信号和前一周波中与所述故障波形信号同极性的正常波形信号包括：
获取输电线路上故障发生时刻后1/4周波的所述三相电流波形信号、所述三相电压波形信号、所述零序电流波形信号和所述零序电压波形信号；
获取输电线路上故障时刻的前一周波中相同极性的1/4周波的所述三相电流波形信号、所述三相电压波形信号、所述零序电流波形信号和所述零序电压波形信号。


3.根据权利要求2所述的输电线路故障分类方法，其特征在于，所述计算所述故障波形信号和所述正常波形信号之间的波形异化系数基于以下确定：
A＝(1-ρxy2)；其中A为波形异化系数，x(n)为故障发生时刻后1/4周波的故障信号的波形信号数据；y(n)是故障发生前一周期里与x(n)对应1/4周波正常信号的波形信号数据，ρxy为x(n)与y(n)的相关系数，N为在所述1/4周波里采集到的数据点个数。


4.根据权利要求3所述的输电线路故障分类方法，其特征在于，所述归一化处理所述波形异化系数基于以下确定：

其中：A是归一化前的波形异化系数，Anorm是归一化后的波形异化系数，Amax是归一化前所述波形异化系数中的最大值，Amin是归一化前所述波形异化系数中的最小值。


5.根据权利要求4所述的输电线路故障分类方法，其特征在于，所述根据归一化处理后的波形异化系数构建成待分类输入特征向量基于以下确定：

其中，P为输入特征向量，为归一化后的A相电流波形异化系数，为归一化后的B相电流波形异化系数，为归一化后的C相电流波形异化系数，为归一化后的零序电流波形异化系数，为归一化后的A相电压波形异化系数，为归一化后的B相电压波形异化系数，为归一化后的C相电压波形异...

【专利技术属性】
技术研发人员：陈松波，黄绍川，阮伟聪，叶志健，叶万余，胡金磊，龚翔，黄景林，彭显刚，
申请(专利权)人：广东电网有限责任公司清远供电局，
类型：发明
国别省市：广东;44