一种基于自适应概率学习的配电网故障辨识方法技术

本申请公开了一种基于自适应概率学习的配电网故障辨识方法，包括，通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取；利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差；利用重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数；将线性映射的最佳参数投影到特征空间，并在特征空间进行聚类，完成仿真波形类型辨识。本申请通过波形分解和最大化特征相似性找到最佳线性映射，将仿真数据和真实数据映射至同一特征空间，且在此空间中两者分布差异最小，之后即可使用仿真数据训练模型并对真实数据进行分类，从而解决配电网故障辨识中样本量不足的问题。不足的问题。不足的问题。

【技术实现步骤摘要】
一种基于自适应概率学习的配电网故障辨识方法


[0001]本申请涉及配电网故障辨识的
，尤其涉及一种基于自适应概率学习的配电网故障辨识方法。

技术介绍

[0002]随着电网的发展和用户对于供电可靠性要求的提高，电网公司越来越多地关注配电网设备故障预测和诊断，除突发性事件，配网中设备故障往往存在发展的阶段，即设备的绝缘状态从良好到恶劣。配电网中最常见的接地故障，虽然可以通过继保装置动作切断线路，并在排除故障后继续运行，但线路和设备因为电弧造成的绝缘损失不可逆。以上过程重复多次则会造成绝缘恶化，在正常工作电压下击穿。
[0003]对于上述故障发展过程，用早期故障代指初级阶段，即故障仍可自恢复，这在小电流接地系统中极其常见。之所以关注这类自恢复故障，是因为电网公司往往忽略这种事件，将其视作暂态扰动。但事实上，上述类型的故障波形蕴含了设备和线路的绝缘信息，如果能有效利用，可以很好地对配电网故障进行预警，从而大幅提高供电可靠性。
[0004]由于配电网网架结构复杂，基于机理的波形分析方法往往效率不高，且随着大量传感器的安装，配电网故障本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于自适应概率学习的配电网故障辨识方法，其特征在于：包括，通过小波变换将仿真波形数据分解为近似部分和细节部分，并进行特征提取；利用线性变换策略对提取的特征向量进行降维，并计算降维后的特征向量两两之间的重构误差；利用重构误差和仿真波形数据分类误差训练自适应概念学习模型，获得线性映射的最佳参数；将所述线性映射的最佳参数投影到特征空间，并在所述特征空间进行聚类，完成仿真波形类型辨识。2.根据权利要求1所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述近似部分和细节部分包括，所述近似部分反映了仿真波形的大致形状，所述细节部分反映了仿真波形的畸变情况；通过小波变换对所述近似部分和细节部分进一步分解，在近似部分中分解出基波z
o
和偏置z
off
，在细节部分中分解出脉冲z
p
、谐波z
h
和畸变z
d
。3.根据权利要求2所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述特征提取包括，通过小波分解策略对近似部分和细节部分的分解结果进行特征提取，并对所有特征进行归一化处理，获得特征向量φ(w)：φ(w)＝[A
o
,f
o
,A
off
,A
p
,t
p
,A
h
,f
h
,w
d
,t(z
i
,z
i+1
)]其中，基波z
o
对应特征为幅值A
o
和频率f
o
；偏置z
off
对应特征为幅值A
off
；脉冲z
p
对应特征为峰值A
p
和脉宽t
p
；谐波z
h
对应特征为幅值A
h
和频率f
h
；畸变z
d
对应特征为畸变量w
d
；t(z
i
,z
i+1
)为分量之间的时间间隔，z
i
表示第i个分量。4.根据权利要求2或3所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述降维包括，假设获得特征向量和通过线性映射对两者进行降维，降维后的特征向量分别为：特征向量分别为：其中，A
′
i
、B
′
j
分别为特征向量A
i
、B
j
降维后的特征向量。5.根据权利要求4所述的基于自适应概率学习的配电网故障辨识方法，其特征在于：所述...

【专利技术属性】
技术研发人员：李维，聂鼎，王科，项恩新，王洪林，毕云川，宋忧乐，范黎涛，
申请(专利权)人：云南电网有限责任公司电力科学研究院，
类型：发明
国别省市：