一种基于复合统计量的配电网短路故障诊断方法技术

本发明专利技术提供一种基于复合统计量的配电网短路故障诊断方法，首先获取正常历史数据作为训练矩阵，已计算得到在正常工作情况下配电网的平均CRS统计量控制限，之后，获取待检测的数据作为检测矩阵，通过主元分析计算得到检测矩阵中每一样本的复合型CRS统计量，随后，将每一样本的复合型CRS统计量与平均CRS统计量控制限进行比较大小，若前者大于后者则该样本出现故障，最后计算故障样本中每一变量的贡献值，贡献值大的变量就是该样本的故障源。本方法充分考虑了电网出现故障时Q统计量和T2统计量的影响，能够快速确认出故障类型和故障源，提高诊断效率。诊断效率。诊断效率。

【技术实现步骤摘要】
一种基于复合统计量的配电网短路故障诊断方法


[0001]本专利技术涉及电网故障检测
，尤其涉及一种基于复合统计量的配电网短路故障诊断方法。

技术介绍

[0002]电力是国家经济稳定增长、产业快速发展的基本命脉，而配电网系统又是电力系统中直接反映用户用电质量和用电安全的重要环节，因此配电网系统和人民生活息息相关。稳定可靠的供电网是国民一切经济活动正常进行的重要保障。但是，配电网具有复杂的拓扑结构和多样的负荷，更易于受外界环境变化和人为因素的影响而发生故障，对社会秩序和国民经济均造成了重大恶劣影响。因此，在保障配电网安全运行、降低人为故障的同时，更需要在故障发生后高效地诊断故障原因、确定故障类型，对加快故障排除及供电恢复，防止电网灾变和减少国民经济损失具有重要意义。目前在故障诊断领域应用比较成熟的技术有基于人工神经网络的方法和基于Petri网的方法等。基于人工神经网络的诊断方法具有响应速度快、容错性高的优点，但是，人工神经网络无法适应电网拓扑结构的变化，可移植性差。利用Petri网进行故障诊断的优势在于能将离散事件图形化，对保护动作进行模拟，有助于研究人员了解和分析故障过程，但是其缺陷在于模型对保护和断路器之间的依赖性强，致使容错性差。
[0003]针对上述两种典型诊断方法存在的问题，基于主元分析法(PCA)的故障诊断方法是一种利用数据驱动的故障诊断方法，既能避免建立复杂的解析模型，又具有很好的可移植性。此种方法虽然避免了上述两种典型方法存在的难点。但是，传统一般统计量的PCA故障诊断方法其大都只考虑一种统计量即平均预测误差统计量(Q统计量)或Hotelling's T2统计量(T2统计量)，在诊断故障时存在诊断结果不明确的缺陷，从而导致故障检测精度不高。

技术实现思路

[0004]有鉴于此，本专利技术的实施例提供了一种基于复合统计量的配电网短路故障诊断方法。
[0005]本专利技术的实施例提供的一种基于复合统计量的配电网短路故障诊断方法，包括以下步骤：
[0006]S1、获取配电网正常运行下三相电流电压的历史数据，以构成训练数据矩阵，并对所述训练数据矩阵进行预处理以形成标准化训练数据矩阵；
[0007]S2、对所述标准化训练数据矩阵进行主元分析以获取对应的协方差矩阵和主元数，进而计算所述训练数据矩阵的平均Q统计量控制限和平均T2统计量控制限，并通过加权得到平均CRS统计量控制限；
[0008]S3、获取待检测的三相电流电压的数据，以构成检测数据矩阵，并根据步骤S1中同种预处理方式得到标准化检测数据矩阵；
[0009]S4、对所述标准化检测数据矩阵进行主元分析以获取对应的协方差矩阵和主元数，进而计算所述检测数据矩阵中每一样本的Q统计量值和T2统计量值，并通过加权得到所述检测数据矩阵中每一样本的CRS统计量值；
[0010]S5、逐次判断所述标准化检测数据矩阵中每一样本的CRS统计量值是否不大于所述平均CRS统计量控制限，若是，则该样本未出现故障，若否，则该样本出现故障，并执行步骤S6；
[0011]S6、获取出现故障的样本，计算故障样本中每一变量的CRS统计量贡献值，判断各所述贡献值的大小，最大的所述贡献值对应变量即为故障变量。
[0012]进一步地，步骤S1具体包括以下步骤：
[0013]S11、获取所述历史数据，以构成训练数据矩阵X＝(x
ij
)
n
×
m
，式中n为训练样本个数，m为变量个数，x
ij
表示所述训练数据矩阵的元素，i∈(1,n)，j∈(1,m)；
[0014]S12、预处理以形成所述标准化训练数据矩阵Y＝(y
ij
)
n
×
m
，其中预处理表达式为：
[0015][0016]式中，表示所述训练数据矩阵的第j个变量对应的样本均值，b
j
表示所述训练数据矩阵的第j个变量对应的样本方差值，y
ij
表示所述标准化训练数据矩阵的元素。
[0017]进一步地，步骤S2具体包括以下步骤：
[0018]S21、对所述标准化训练数据矩阵Y进行主元分析，以得到所述标准化训练数据矩阵的协方差矩阵R，以及确定所述标准化训练数据矩阵的主元数z，z＜m；
[0019]S22、计算获取所述协方差矩阵R的前z个特征值以及对应的特征向量，以构成训练主元特征值矩阵Λ
z
和训练主元特征向量矩阵P
z
；
[0020]S23、计算所述训练数据矩阵对应的平均Q统计量控制限和平均T2统计量控制限，其中，所述平均Q统计量控制限的计算公式为：
[0021][0022]式中，v0、θ1和θ2均为常数，α表示置信水平，取值0.95，q
α
表示正态分布函数在置信水平为α处的临界值；
[0023]所述平均T2统计量控制限的计算公式为：
[0024][0025]式中，F
z,n
‑
z,α
表示F分布函数在自由度为z、置信水平为α、n
‑
z条件下临界值；
[0026]S23、根据所述平均Q统计量控制限和所述平均T2统计量控制限，计算所述平均CRS统计量控制限，其中所述平均CRS统计量控制限的计算公式为：
[0027]CRS
控制限
＝gχ2(h)
[0028]式中，g为系数，且g＝tr(Rε)2/tr(Rε)，
χ2(h)为卡方分布函数，e为权重系数。
[0029]进一步地，步骤S3具体包括以下步骤：
[0030]S31、获取所述待检测数据，以构成检测数据矩阵W＝(w
ab
)
s
×
m
，式中s为检测样本个数，w
ab
表示所述检测数据矩阵的元素，a∈(1,s)，b∈(1,m)；
[0031]S32、根据步骤S1中同种预处理方式得到标准化检测数据矩阵U＝(u
ab
)
s
×
m
；
[0032]进一步地，步骤S4具体包括以下步骤：
[0033]S41、对所述标准化检测数据矩阵U进行主元分析，计算得到所述标准化检测数据矩阵的协方差矩阵R
′
，以及确定所述标准化检测数据矩阵的主元数z
′
，z
′
＜m；
[0034]S42、计算获取所述协方差矩阵R
′
的前z
′
个特征值以及对应的特征向量，以构成检测主元特征值矩阵Λ
z
′
′
和检测主元特征向量矩阵P
z
′
′
；
[0035]S43、计算所述检测数据矩阵中每一样本的Q统计量值和T2统计量值，其中，每一样本的Q统计量值的计算公式为：
[0036]Q...

【技术保护点】

【技术特征摘要】
1.一种基于复合统计量的配电网短路故障诊断方法，其特征在于，包括以下步骤：S1、获取配电网正常运行下三相电流电压的历史数据，以构成训练数据矩阵，并对所述训练数据矩阵进行预处理以形成标准化训练数据矩阵；S2、对所述标准化训练数据矩阵进行主元分析以获取对应的协方差矩阵和主元数，进而计算所述训练数据矩阵的平均Q统计量控制限和平均T2统计量控制限，并通过加权得到平均CRS统计量控制限；S3、获取待检测的三相电流电压的数据，以构成检测数据矩阵，并根据步骤S1中同种预处理方式得到标准化检测数据矩阵；S4、对所述标准化检测数据矩阵进行主元分析以获取对应的协方差矩阵和主元数，进而计算所述检测数据矩阵中每一样本的Q统计量值和T2统计量值，并通过加权得到所述检测数据矩阵中每一样本的CRS统计量值；S5、逐次判断所述标准化检测数据矩阵中每一样本的CRS统计量值是否不大于所述平均CRS统计量控制限，若是，则该样本未出现故障，若否，则该样本出现故障，并执行步骤S6；S6、获取出现故障的样本，计算故障样本中每一变量的CRS统计量贡献值，判断各所述贡献值的大小，最大的所述贡献值对应变量即为故障变量。2.如权利要求1所述的一种基于复合统计量的配电网短路故障诊断方法，其特征在于，步骤S1具体包括以下步骤：S11、获取所述历史数据，以构成训练数据矩阵X＝(x
ij
)
n
×
m
，式中n为训练样本个数，m为变量个数，x
ij
表示所述训练数据矩阵的元素，i∈(1,n)，j∈(1,m)；S12、预处理以形成所述标准化训练数据矩阵Y＝(y
ij
)
n
×
m
，其中预处理表达式为：式中，表示所述训练数据矩阵的第j个变量对应的样本均值，b
j
表示所述训练数据矩阵的第j个变量对应的样本方差值，y
ij
表示所述标准化训练数据矩阵的元素。3.如权利要求2所述的一种基于复合统计量的配电网短路故障诊断方法，其特征在于，步骤S2具体包括以下步骤：S21、对所述标准化训练数据矩阵Y进行主元分析，以得到所述标准化训练数据矩阵的协方差矩阵R，以及确定所述标准化训练数据矩阵的主元数z，z＜m；S22、计算获取所述协方差矩阵R的前z个特征值以及对应的特征向量，以构成训练主元特征值矩阵Λ
z
和训练主元特征向量矩阵P
z
；S23、计算所述训练数据矩阵对应的平均Q统计量控制限和平均T2统计量控制限，其中，所述平均Q统计量控制限的计算公式为：式中，v0、θ1和θ2均为常数，α表示置信水平，取值0.95，q
α
表示正态分布函数在置信水平为α处的临界值；
所述平均T2统计量控制限的计算公式为：式中，F
z,n<...

【专利技术属性】
技术研发人员：贺俊文，方支剑，蔡杰，董翰林，张子涵，彭文河，
申请(专利权)人：中国地质大学武汉，
类型：发明
国别省市：