一种基于智能融合断路器的故障预警与精确定位方法技术

本发明专利技术公开了一种基于智能融合断路器的故障预警与精确定位方法，属于电路故障检测技术领域，包括数据采集单元获取不同线路放电状态下的响应数据，基于响应数据得到不同放电状态下的行波特征值的平均值和标准方差；基于获取的行波特征值的平均值和标准方差，并根据放电程度模糊集确定不同放电状态的正态隶属度函数；根据不同的放电状态和绝缘损坏累积概念，构建放电状态相似矩阵；基于不同放电状态的正态隶属度函数得到计算取值模糊子集A

【技术实现步骤摘要】
一种基于智能融合断路器的故障预警与精确定位方法


[0001]本专利技术涉及电路故障检测
，具体涉及一种基于智能融合断路器的故障预警与精确定位方法。

技术介绍

[0002]随着现代工业的发展，电网建设也逐渐向着智能化发展，绿色、高效、可持续发展是电力建设的焦点，人们对用电的可靠性和电力质量的要求渐渐增高，以智能馈线终端、分布式数据传输和控制技术为主要依靠的智能电网可以提高电力系统的安全性、可靠性和电力质量。
[0003]配电网作为电力系统的末端，直接与用户接触，其电力质量和可靠性对人们的生活影响较大。由于配电网的建设通常滞后与地区和输电网的建设，导致配电网的管理和电力质量难以提高。根据统计发现，电力系统中的故障事件大概80％都处于配网系统，且大量的电力损耗也发生在配网。当前配网自动化程度远不如输电系统，同时林区和农村配电网区域广泛，故障时容易发生山火等问题，导致配网的自动化水平急需提高，来保证配网供电的质量、安全性和可靠性。
[0004]目前随着大量的自动化终端设备、数据传输设备和通信装置等在配电网的应用，能够实时地获取线路的运行信息，从而为各种故障定位新方法提供了信息基础。近年来大量的研究人员提出了许多的故障定位方案，主要定位原理分为4种：阻抗法、行波法、S信号注入法和广域通信法。阻抗法利用故障时刻的电压和电流计算线路的阻抗来分析故障距离，由于线路阻抗容易被过渡电阻和线路支路影响，导致该方法测距精度较低。S信号注入法通过故障时向线路首端注入特征信号，根据特征信号的传播路径来确定故障位置，由于注入的特性信号易受分布式电容和过渡电阻的影响，且部分特征信号如直流信号和脉冲信号对电力设备有一定的影响，所以该方法定位结果不可靠。广域通信法主要利用设置在线路上的测量设备上传的数据来定位故障区段，但是该方法对设备的采样率和通信要求较高，需要一定数量的测量设备才能够有足够的精度，且对于高阻接地故障不够灵敏。

技术实现思路

[0005]为此，本专利技术提供一种基于智能融合断路器的故障预警与精确定位方法，以解决现有技术中由于传统的在线监测方式难以应用而导致的故障搜寻困难，故障消除难度大的问题。
[0006]为了实现上述目的，本专利技术提供如下技术方案：
[0007]一种基于智能融合断路器的故障预警与精确定位方法，包括以下步骤：
[0008]S1：数据采集单元获取不同线路放电状态下的响应数据，基于所述响应数据得到不同放电状态下的行波特征值的平均值和标准方差；
[0009]S2：基于获取的所述行波特征值的平均值和标准方差，并根据放电程度模糊集确定不同放电状态的正态隶属度函数；
[0010]S3：根据不同的放电状态和绝缘损坏累积概念，构建放电状态相似矩阵；
[0011]S4：基于不同放电状态的所述正态隶属度函数得到计算取值模糊子集A
’
，基于所述放电状态相似矩阵的上三角元素得到经验取值模糊子集A；
[0012]S5：基于当前放电状态，根据贴近度公式得到的所述经验取值模糊子集A和所述计算取值模糊子集A
’
的贴近度，得到贴近度最近的预测放电状态，并结合断路器进行故障预警。
[0013]进一步地，所述放电程度模糊集为：
[0014][0015]其中，λ为不同放电状态的特征值，u
H
(λ)为正常状态下的正态隶属度函数，λ
H
为正常状态下的行波特征值的平均值，σ
H
为正常状态下的行波特征值的标准方差；u
L
(λ)为轻微放电状态下的正态隶属度函数，λ
L
为轻微放电状态下的行波特征值的平均值，σ
L
为轻微放电状态下的行波特征值的标准方差；u
M
(λ)为中度放电状态下的正态隶属度函数，λ
M
为中度放电状态下的行波特征值的平均值，σ
M
为中度放电状态下的行波特征值的标准方差；u
S
(λ)为严重放电状态下的正态隶属度函数，λ
S
为严重放电状态下的行波特征值的平均值，σ
S
为严重放电状态下的行波特征值的标准方差。
[0016]进一步地，所述放电状态相似矩阵为：
[0017][0018]其中，矩阵中的各元素SM
xy
表示任意两个放电程度模糊集x与y的重叠度，其取值范围为区间[0，1]。
[0019]进一步地，所述经验取值模糊子集A为：
[0020][0021]其中，SM
xy
表示任意两个不相同的放电程度模糊集x与y的重叠度，其取值范围为区间[0，1]，τ
i
为不相同的放电程度模糊集x与y重叠的第i个元素，i取值范围为大于等于1小
于等于6的整数。
[0022]进一步地，所述计算取值模糊子集A
’
为：
[0023][0024]其中，u
i
为第i个重叠的不相同的放电程度模糊集x与y的正态隶属度函数的比值，其取值范围为区间[0，1]，τ
i
为不相同的放电程度模糊集x与y重叠的第i个元素，i取值范围为大于等于1小于等于6的整数。
[0025]进一步地，所述贴近度公式为：
[0026]max D＝1
‑
d(A，A
′
)；
[0027]其中，A
’
为计算取值模糊子集，A为经验取值模糊子集，d(A，A
′
)为A
’
与A之间的距离。
[0028]进一步地，所述任意两个放电程度模糊集x与y的重叠度的计算公式为：
[0029][0030]其中，x，y表示两个模糊子集，x
·
y和分别表示两个模糊子集的外积和内积。
[0031]进一步地，还包括以下步骤：
[0032]步骤S6：发生故障时刻瞬间，利用小波分析不同频率下的幅值与时间对应关系，确定故障时刻点；
[0033]步骤S7：通过互相关值的最大值将故障点两侧的行波波头进行对齐，求得时间差，基于行波双端故障测距和时间差，精确定位故障点的位置。
[0034]进一步地，所述步骤S6中小波分析，具体包括：
[0035]S601：将小波从小尺度拉伸到大尺度，然后把不同尺度的小波依次从0位移到信号的完整长度，并不断积分，完成小波变换；
[0036]S602：基于小波变换，对原始信号进行三层离散小波分解，利用第三层离散小波分解的细节系数即可求得故障时刻点。
[0037]进一步地，所述步骤S7中通过互相关值的最大值将故障点两侧的行波波头进行对齐，求得时间差，具体包括：
[0038]S701：对两个行波x1和x2进行卷积计算，具体为将其中一个信号反转，然后再平移，求出两者之间的重合部分；
[0039]S702：根据相关性最大值所在的索引t
21
，利用本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于智能融合断路器的故障预警与精确定位方法，其特征在于，包括以下步骤：S1：数据采集单元获取不同线路放电状态下的响应数据，基于所述响应数据得到不同放电状态下的行波特征值的平均值和标准方差；S2：基于获取的所述行波特征值的平均值和标准方差，并根据放电程度模糊集确定不同放电状态的正态隶属度函数；S3：根据不同的放电状态和绝缘损坏累积概念，构建放电状态相似矩阵；S4：基于不同放电状态的所述正态隶属度函数得到计算取值模糊子集A
’
，基于所述放电状态相似矩阵的上三角元素得到经验取值模糊子集A；S5：基于当前放电状态，根据贴近度公式得到的所述经验取值模糊子集A和所述计算取值模糊子集A
’
的贴近度，得到贴近度最近的预测放电状态，并结合断路器进行故障预警。2.如权利要求1所述的基于智能融合断路器的故障预警与精确定位方法，其特征在于，所述放电程度模糊集为：其中，λ为不同放电状态的特征值，u
H
(λ)为正常状态下的正态隶属度函数，λ
H
为正常状态下的行波特征值的平均值，σ
H
为正常状态下的行波特征值的标准方差；u
L
(λ)为轻微放电状态下的正态隶属度函数，λ
L
为轻微放电状态下的行波特征值的平均值，σ
L
为轻微放电状态下的行波特征值的标准方差；u
M
(λ)为中度放电状态下的正态隶属度函数，λ
M
为中度放电状态下的行波特征值的平均值，σ
M
为中度放电状态下的行波特征值的标准方差；u
S
(λ)为严重放电状态下的正态隶属度函数，λ
S
为严重放电状态下的行波特征值的平均值，σ
S
为严重放电状态下的行波特征值的标准方差。3.如权利要求1所述的基于智能融合断路器的故障预警与精确定位方法，其特征在于，所述放电状态相似矩阵为：其中，矩阵中的各元素SM
xy
表示任意两个放电程度模糊集x与y的重叠度，其取值范围为区间[0，1]。
4.如权利要求3所述的基于智能融合断路器的故障预警与精确定位方法，其特征在于，所述经验取值模糊子集A为：其中，SM
xy
表示任意两个不相同的放电程度模糊集x与y的重叠度，其取值范围为区间[0，1]，τ
i
为不相同的放电程度模糊集x与y重叠的第i个...

【专利技术属性】
技术研发人员：陈积来，陈杰策，陈黄胜，王俪儒，陈海燕，
申请(专利权)人：东禾电气有限公司，
类型：发明
国别省市：