【技术实现步骤摘要】
基于数据融合的变电站故障诊断方法
[0001]本专利技术涉及变电站故障诊断
,具体涉及一种基于数据融合的变电站故障诊断方法。
技术介绍
[0002]随着我国电网负荷的持续增长、环境监管的愈加严格,以及跨区域电网规模的不断扩大、结构和运行的日益复杂,变电站中影响其稳定运行的各种不确定因素也有所增加,变电站故障引起大规模停电事故的风险亦有所升高。在这种情况下,在故障时快速准确的对其进行分析,以便及时消除故障的影响,保障变电站安全、稳定运行,也随之更加具有现实意义。
[0003]当电力系统中发生故障时,调度自动化系统会在较短时间内将大量的信息提供给运行人员,不仅给运行人员的分析带来不便,其中也包含了大量不必要上传的无用信息,这给故障的及时处理带来了严重的阻碍。另外,SCADA/EMS所能提供的信息有限,这些信息并不能完全满足运行人员对故障进行全面分析的需求。保护和开关的误动、拒动,以及因通信信道干扰所造成的信息缺失,也均会使基于单一信息源的故障分析的准确性受到严重影响。
技术实现思路
[0004]针对现有技术的不足,本专利技术提供一种基于数据融合的变电站故障诊断方法,该方法能够有效地精简用于故障分析的信息,并充分地利用故障录波等智能设备的信息,通过冗余、异构的多信息源数据融合,有效地减小因保护及开关的误动、拒动、以及因信道干扰造成的信息缺失等的影响。该方法有助于运行人员对故障的正确分析,进而保证及时对故障进行处理,从而保障变电站的安全、稳定运行。
[0005]本专利技术采取的技术方案为
【技术保护点】
【技术特征摘要】
1.基于数据融合的变电站故障诊断方法,其特征在于包括以下步骤:步骤一:获取故障信号,包括电气设备振动信号、电气设备声波信号;步骤二:通过HHT对电气设备故障信号进行分析,并提取故障的特征;步骤三:构建基于RBF神经网络的动态网络结构在线训练算法;步骤四:基于HHT与RBF神经网络,进行初步故障诊断;步骤五:基于D
‑
S证据理论数据融合,得到故障诊断结果。2.根据权利要求1所述基于数据融合的变电站故障诊断方法,其特征在于:所述步骤二包括如下步骤:步骤2.1、经验模态分解EMD:首先确定振动信号s(t)全部最大值点和最小值点,然后用三次样条差值拟合最大值点和最小值点,从而得到上下包络线的均值m1(t),最后利用式(1)得到原始信号s(t)与包络线均值m1(t)之间的差值;h1(t)=s(t)
‑
m1(t)
ꢀꢀꢀꢀ
(1);然后把h1(t)当作一个崭新的原始信号,不断重复上述过程k次,直至符合判据(2);其中:SD表示的是两个连续处理结果之间的标准差,t表示信号的时间跨度,h
1(k
‑
1)
(t)表示第k
‑
1次的固有模态函数,h
1k
(t)表示第k次的固有模态函数;重复进行筛分k次得:h
1k
(t)=h
1(k
‑
1)
(t)
‑
m
1k
(t)
ꢀꢀꢀꢀ
(3);h
1k
(t)表示第k次的固有模态函数,m
1k
(t)为h
1k
(t)的包络平均值;记c1(t)=h
1k
(t),c1(t)即为通过分解得到的第一个固有模态函数IMF分量,c1(t)是信号中较高频率的部分,将其从原始振动信号s(t)中分离,如式(4)得到低频率的部分r1(t);r1(t)=s(t)
‑
c1(t)
ꢀꢀꢀꢀ
(4);将r1(t)作为原始振动信号,重复上述过程,得到第二个固有模态函数IMF分量c2(t);重复n次,得到n个IMF分量:其中,r1(t)表示第一次分解得到的低频率部分,r2(t)表示上述第二次分解后得到的低频率部分,c2(t)表示第二个固有模态函数IMF分量;r
n
(t)表示第n次分解得到的低频率部分,r
n
‑1(t)第n
‑
1次分解得到的低频率部分,c
n
(t)表示得到的第n个IMF分量;上述分解的过程停止的条件:若r
n
(t)分解为一个单调函数则停止,由于单调函数不能再分解出固有模态函数;由式(4)和式(5)可得:
如式(6),原振动信号s(t)被分解为n个IMF分量c
i
(t)和一个剩余分量r
n
(t);c
i
(t)表示第i个固有模态函数IMF分量;步骤2.2、Hilbert分析和Hilbert边际谱:振动信号s(t)的Hilbert变换定义为式中:PV代表柯西主值;s(τ)表示时间常数τ的函数;τ表示时间常数;则s(t)的解析信号z(t)为:z(t)=s(t)+jy(t)=a(t)e
jθ(t)
ꢀꢀꢀꢀ
(8);j表示虚数单位,e
jθ(t)
表示欧拉公式的基本形式;式中:为瞬时幅值,表示相位;在此基础上定义瞬时频率:若已经得到一个振动信号s(t)的固有模态函数,就能将每个固有模态函数进行希尔伯特变换,再根据公式(10)来计算瞬时频率;式(6)的每个IMF进行Hilbert变换得到上式中,Re表示的是实部;a
i
(t)表示瞬时幅值;θ(t)表示相位;ω
i
(t)表示瞬时频率;将振幅显示在频率
‑
时间平面上,则得到Hilbert谱H(ω,t)进一步能定义边际谱h(ω):其中,T是振动信号的全部采样持续的时间,H(ω,t)是振动信号的希尔伯特时频谱;步骤2.3、提取特征变量:定义振动信号分解后各模态的平均能量为:其中,N表示每个模态函数的数据点数,为式(8)中瞬时幅值,E
i
表示各模态的平均能量;分解后每层的总平均能量为:则能量归一化处理后每层所占的能量比为:
由于HHT分解后的第一层、第二层和其余剩余各层的能量比之和能够较好地表征故障信息,所以选取这3个能量比作为特征变量,分别为m1、m2、m3,即作为步骤3中RBF神经网络的输入。3.根据权利要求1所述基于数据融合的变电站故障诊断方法,其特征在于:所述步骤三包括如下步骤:步骤3.1:分析RBF神经网络的变换关系:RBF神经网络是一种三层前馈网络,包括输入层、隐含层、输出层;设输入数据的维数是n,隐含层的单元数是P,输出量的维数是O,则神经网络的变换关系可以分解成两块;输入到隐含层的非线性变换:将高斯函数作为隐含层的径向基函数的表达式如式(16)所示,即第i个隐单元输出为:式中,M表示n维输入量,即M=[m1,m2,
…
,m
n
]
T
;m1,m2,
…
,m
n
表示输入量中的元素;T
i
表示权值;σ
i
表示基函数单元的宽度,表示第i节点的中心向量;表示中心向量元素;||
·
||表示范数,P表示隐含层单元数;从隐含层到输出层的线性变换,第j个输出量:式中,表示式(16)第i个隐单元输出,ω
ij
表示第i个隐单元与第j个输出量之间的连接权,ω
j
【专利技术属性】
技术研发人员:熊威,王艳阳,刘庆国,龚康,李卫东,付萍,吴喜春,连升,陈泽华,高安亮,杨楠,
申请(专利权)人:国网湖北省电力有限公司宜昌供电公司,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。