电网故障的确定方法及其装置制造方法及图纸

本发明专利技术公开了一种电网故障的确定方法及其装置

【技术实现步骤摘要】
电网故障的确定方法及其装置、计算机可读存储介质


[0001]本专利技术涉及数据处理领域，具体而言，涉及一种电网故障的确定方法及其装置、计算机可读存储介质。

技术介绍

[0002]配电网设备体量大、涉及面积广、运行环境复杂，据统计，我国用户停电大部分由配电网引起。因此，如何降低设备故障率、减少事故性停电、提高配电网供电可靠性是目前亟需解决的问题。
[0003]研究表明，电力设备从“健康状态”到“发生永久性故障”之间存在一个“亚健康状态”。处于“亚健康状态”的电力设备可能会产生一系列作为永久性故障先兆的瞬时性接地现象，即早期故障。早期故障的识别则是实现对早期故障扰动与其他系统扰动波形(如励磁涌流、电容器投切、永久性短路故障等)的准确区分。对于早期故障识别方法的研究主要分为基于波形特征、基于故障模型及基于机器学习三大类型，图1是根据现有技术的现有早期故障识别方法的示意图，如图1所示，基于波形特征的方法主要借助早期故障持续时间、故障初相角等特征；基于故障模型的方法主要利用了早期故障的电弧特性；基于机器学习的方法则是基于大量扰动数据的特征构建早期故障识别模型。
[0004]其中，基于波形特征和基于故障模型的方法均为知识驱动，在识别判据中选用的特征量具有较为明确的物理意义，但由于电弧特征受故障位置、电弧参数等随机不确定因素影响，其识别算法的可靠性和适应性将会受到影响；而基于机器学习的方法则是数据驱动，通过从大量特征中构建适用于识别的扰动特征集，实现对故障的识别，方法鲁棒性强，但对于数据样本依赖性大。因此，如何解决基于知识驱动方法适应性不足，以及基于数据驱动样本依赖大的问题，成为实际应用过程中制约早期故障识别可靠性的重要问题。
[0005]另外，当前的早期故障相关研究通常是在中性点直接接地系统的背景下开展，而我国中压配电系统则以小电流接地方式为主，上述方法均忽视了该类系统中早期故障表现形式及波形特征与前者的差异性，无法准确全面地识别出小电流接地系统中不同类型的早期故障扰动事件。
[0006]借助站端录波设备采集的扰动波形数据对早期故障进行准确辨识，为后续针对设备故障严重程度评估工作提供数据基础，有望实现对设备运行状态的实时感知并及时排除设备潜在隐患，减少永久性故障发生，进一步降低配电网的故障停电率，提高电力系统的供电可靠性。
[0007]针对上述的问题，目前尚未提出有效的解决方案。

技术实现思路

[0008]本专利技术实施例提供了一种电网故障的确定方法及其装置、计算机可读存储介质，以至少解决针对相关技术中对于电网故障率的判定缺乏预知性的技术问题。
[0009]根据本专利技术实施例的一个方面，提供了一种电网故障的确定方法，包括：获取电网
的特征信息集，其中，所述特征信息集至少包括：电压扰动波形样本以及电流扰动波形样本；基于所述特征信息集获取最优特征集，其中，所述最优特征集为通过对所述电压扰动波形样本以及所述电流扰动波形样本进行变换、提取后的特征集；通过交叉验证法对所述最优特征集进行处理，获取目标模型,其中，所述目标模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每一组训练数据均包括：所述最优特征集；基于所述特征信息集利用所述目标模型，获取故障辨识结果。
[0010]可选地，基于所述特征信息集获取所述最优特征集，包括：基于所述特征信息集获取特征变化量和熵值，其中，所述特征变化量至少包括：故障初相角、波形形状因数以及负荷电流变化量，所述熵值至少包括：能量熵以及奇异熵；基于所述特征变化量获取所述第一特征集；基于所述熵值获取第二特征集；利用预定算法对所述第一特征集和所述第二特征集进行处理，获取所述最优特征集，其中，所述预定算法至少包括：最大相关最小冗余算法。
[0011]可选地，基于所述熵值获取第二特征集，包括：对所述能量熵和奇异熵进行波形统计特征分析以及特征优化处理，获取处理结果；基于所述处理结果构建所述第二特征集。
[0012]可选地，基于所述特征信息集获取熵值，包括：获取所述特征信息集中的扰动信号；对所述扰动信号进行S变换以及取模处理，获取所述熵值，其中，所述熵值为所述扰动信号所得模时频矩阵的多个频段的奇异熵和能量熵，多个频段为高频段、中频段以及低频段。
[0013]可选地，利用预定算法对所述第一特征集和所述第二特征集进行处理，获取所述最优特征集，包括：对所述第二特征集进行最大相关最小冗余算法处理，获取处理后的第二特征集；对处理后的第二特征集和所述第一特征集进行最大相关最小冗余算法处理，获取所述最优特征集。
[0014]可选地，通过交叉验证法对所述最优特征集进行处理，获取目标模型，包括：对所述最优特征集进行分割，获取第一特征集和第二特征集，其中，分割的方法至少包括：对所述最优特征集中的每一类扰动波形样本均匀随机分成多组子集并进行编号，依次选择一组子集作为所述第一特征集，剩余的子集作作为所述第二特征集；将所述第二特征集输入最小二乘法支持向量机的分类器，并利用粒子群优化算法调节所述支持向量机的核函数宽度和惩罚系数，获取调节结果；基于所述调节结果，获取所述目标模型。
[0015]可选地，基于所述特征信息集利用所述目标模型，获取故障辨识结果，包括：将所述特征信息输入所述目标模型中，获取输入结果；基于所述输入结果，获取所述故障辨识结果。
[0016]根据本专利技术实施例的另外一个方面，还提供了一种电网故障的确定装置，包括：第一获取模块，用于获取电网的特征信息集，其中，所述特征信息集至少包括：电压扰动波形样本以及电流扰动波形样本；第二获取模块，用于基于所述特征信息集获取最优特征集，其中，所述最优特征集为通过对所述电压扰动波形样本以及所述电流扰动波形样本进行变换、提取后的特征集；第三获取模块，用于通过交叉验证法对所述最优特征集进行处理，获取目标模型,其中，所述目标模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每一组训练数据均包括：所述最优特征集；第四获取模块，用于基于所述特征信息集利用所述目标模型，获取故障辨识结果。
[0017]可选地，所述第二获取模块，包括：第一获取单元，用于基于所述特征信息集获取特征变化量和熵值，其中，所述特征变化量至少包括：故障初相角、波形形状因数以及负荷
电流变化量，所述熵值至少包括：能量熵以及奇异熵；第二获取单元，用于基于所述特征变化量获取所述第一特征集；第三获取单元，用于基于所述熵值获取第二特征集；第四获取单元，用于利用预定算法对所述第一特征集和所述第二特征集进行处理，获取所述最优特征集，其中，所述预定算法至少包括：最大相关最小冗余算法。
[0018]可选地，所述第三获取单元，包括：第一获取子单元，用于对所述能量熵和奇异熵进行波形统计特征分析以及特征优化处理，获取处理结果；构建子单元，用于基于所述处理结果构建所述第二特征集。
[0019]可选地，所述第一获取单元，包括：第二获取子单元，用于获取所述特征信息集中的扰动信号；第三获取子单元，用于对所述扰动信号进行S变换以及取模本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网故障的确定方法，其特征在于，包括：获取电网的特征信息集，其中，所述特征信息集至少包括：电压扰动波形样本以及电流扰动波形样本；基于所述特征信息集获取最优特征集，其中，所述最优特征集为通过对所述电压扰动波形样本以及所述电流扰动波形样本进行变换、提取后的特征集；通过交叉验证法对所述最优特征集进行处理，获取目标模型,其中，所述目标模型为使用多组训练数据通过机器学习训练得到的，所述多组训练数据中的每一组训练数据均包括：训练集，所述训练集为从所述最优特征集中分割出的用于训练所述目标模型的训练数据集；基于测试集利用所述目标模型，获取故障辨识结果，其中，所述测试集为从所述最优特征集中分割出的用于获取所述故障辨识结果的测试数据集。2.根据权利要求1所述的方法，其特征在于，基于所述特征信息集获取所述最优特征集，包括：基于所述特征信息集获取特征变化量和熵值，其中，所述特征变化量至少包括：故障初相角、波形形状因数以及负荷电流变化量，所述熵值至少包括：能量熵以及奇异熵；基于所述特征变化量获取所述第一特征集；基于所述熵值获取第二特征集；利用预定算法对所述第一特征集和所述第二特征集进行处理，获取所述最优特征集，其中，所述预定算法至少包括：最大相关最小冗余算法。3.根据权利要求2所述的方法，其特征在于，基于所述熵值获取第二特征集，包括：对所述能量熵和奇异熵进行波形统计特征分析以及特征优化处理，获取处理结果；基于所述处理结果构建所述第二特征集。4.根据权利要求2所述的方法，其特征在于，基于所述特征信息集获取熵值，包括：获取所述特征信息集中的扰动信号；对所述扰动信号进行S变换以及取模处理，获取所述熵值，其中，所述熵值为所述扰动信号所得模时频矩阵的多个频段的奇异熵和能量熵，多个频段为高频段、中频段以及低频段。5.根据权利要求2至4中任一项所述的方法，其特征在于，利用预定算法对所述第一特征集和所述第二特征集进行处理，获取所述最优特征集，包括：对所述第二特征集进行最大相关最小冗余算法处理，获取处理后的第二特征集；对处理后的第二特征集和所述第一特征集进行最大相关最小冗余算法处理，...

【专利技术属性】
技术研发人员：李华，张文海，朱一民，楚恬歆，乃国星，郭中山，杨军，于广吉，马海军，丁继波，高德文，王建华，马元林，虎耀森，
申请(专利权)人：国家能源集团宁夏煤业有限责任公司，
类型：发明
国别省市：