一种配电网故障类型辨识方法技术

本发明专利技术公开了一种配电网故障类型辨识方法

【技术实现步骤摘要】
一种配电网故障类型辨识方法、装置、设备及介质


[0001]本专利技术属于配电网故障识别
，具体涉及一种配电网故障类型辨识方法
、
装置
、
设备及介质
。

技术介绍

[0002]配电网故障约占电力系统故障的
80
％，及时准确地辨识故障类型是制定故障检修策略，提升故障处置效率的前提
。
当前，配电网故障诊断往往聚焦于故障发生后的选线
、
定位以及测距，对故障类型辨识方法的研究较少
。
由于配电网故障形式多样，故障波形受故障位置
、
过渡电阻
、
故障初始角等因素影响，表现形式各异
。
相比于输电网，配电网的运行状态更加复杂，分支较多，故障特征也更为多变
。
此外，我国中低压配电网广泛采用小电流接地方式，发生故障时，尤其是单相接地故障时，故障特征微弱
。
上述原因均给配电网故障辨识带来了困难，亟需研究快速准确的配电网故障类型辨识方法
。
[0003]量测设备的不足和数据质量差导致配电网可用历史故障样本少
。
同时，在计及具体故障相的前提下，配电网故障包括
10
种
。
合理选择能显著体现各种故障类型差异的特征量是保证精准辨识配电网故障类型的前提
。
传统配电网故障类型辨识往往通过母线三相电压和电流的相角变化
、
幅值畸变程度或突变信息确定故障相，由此判断故障类型
。
然而配电网运行条件多变，极端场景下故障特征微弱，上述方法存在失效的风险
。
[0004]相较于配电网故障正常运行状态，配电网故障属于小样本事件，且故障样本不平衡，单相接地故障样本占比超过
70
％，三相短路故障样本低于5％
。
基于多层分类判据为代表的故障类型辨识方案不需要考虑样本数量多少的问题，但是多层分类判据往往需要人工选取门槛值
。
由于现场状况复杂
、
随机性强，故障受接地介质
、
中性点运行方式等影响，相同场景下的故障特征也可能有所差异，人工选取门槛值的分类方法在实际应用中可信度不高
。
以深度学习为代表的新一代人工智能法可以自适应地选择故障特征，但是需要大量故障样本数据支撑，小样本条件下其对配电网故障类型辨识准确率存疑
。
亟需建立适用于配电网故障小样本问题且无需人工设置分类判据的多分类模型
。

技术实现思路

[0005]本专利技术的目的在于提供一种配电网故障类型辨识方法
、
装置
、
设备及介质，建立有效区分各种故障类型的特征集，建立故障特征优选机制，建立适用于配电网故障小样本问题的多分类模型
。
从而降低传统配电网故障类型辨识方法在某些运行条件下的失效风险，和人工选取门槛值在实际应用中可信度不高的问题
。
[0006]为了实现上述目的，本专利技术采用如下技术方案：
[0007]本专利技术第一方面，提供了一种配电网故障类型辨识方法，包括如下步骤：
[0008]获取目标配电网故障后一周期的原始故障波形；
[0009]对原始故障波形进行改进自适应噪声完备集合经验模态分解，得到多个
IMF
分量；
[0010]对各
IMF
分量进行希尔伯特变换和带通滤波，构造得到能描述故障波形在时域和
频域上局部特征的时频矩阵；
[0011]将时频矩阵进行奇异值分解，基于奇异值分解结果计算故障特征，基于计算得到的故障特征生成故障特征集；
[0012]从故障特征集中选取使故障特征分类效果最大时对应的
k
维特征，作为最优特征；
[0013]确定最优特征的维数，使最优特征对应确定的维数时，进行故障分类测试得到的准确率高于门槛值；
[0014]获取预先构建的多分类支持向量机模型，将确定好维数的最优特征输入到多分类支持向量机模型中，多分类支持向量机模型输出故障类型
。
[0015]进一步的，对原始故障波形进行改进自适应噪声完备集合经验模态分解，得到多个
IMF
分量，包括：
[0016]向原始故障波形
x
中添加
I
组高斯白噪声，构造序列
x
(i)
(i
＝
1,2,
…
,I)
；
[0017]基于序列
x
(i)
(i
＝
1,2,
…
,I)
，利用局部均值分解计算第一组残差
r1，并计算第一个固有模态函数分量
IMF1；
[0018]估计第二个残差
r2，基于第一组残差
r1和第二个残差
r2计算第二个固有模态函数分量
IMF2；
[0019]以此类推，对
k
＝
3,4,
…
,N
，计算
IMF
k
。
[0020]进一步的，对各
IMF
分量进行希尔伯特变换和带通滤波，构造得到能描述故障波形在时域和频域上局部特征的时频矩阵，包括：
[0021]通过
Hilbert
谱分析得到各
IMF
分量中同频率点的瞬时值；提取各
IMF
分量在某一频带范围内的瞬时值，将瞬时值重构后得到原始故障波形在某一频带内的分量；基于重构后得到的原始故障波形在某一频带内的分量构建时频矩阵
。
[0022]进一步的，对各
IMF
分量依次进行
Hilbert
变换，得到各
IMF
分量瞬时频率和瞬时幅值；设置频带宽度以及频带数，在
Hilbert
谱图中，若
IMF
分量某采样点处的瞬时频率不在设定频带范围内，则将其瞬时幅值置零，并把
IMF
对应采样点处的值置零；对所有
IMF
分量进行频带分解和重构，获取原始故障波形在不同频带范围内的分量；基于分量构建时频矩阵
。
[0023]进一步的，故障特征包括奇异谱峭度
、
奇异谱熵
、
奇异谱均值以及奇异谱峰值因子
。
[0024]进一步的，从故障特征集中选取使故障特征分类效果最大时对应的
k
维特征，作为最优特征，包括：
[0025]从故障特征集中提取
k
维特征，共有种取法；对于任意一种取法，从故障特征集中取出
k
个奇异谱统计指标，得到
k
维特征子集，
k
维本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.
一种配电网故障类型辨识方法，其特征在于，包括如下步骤：获取目标配电网故障后一周期的原始故障波形；对原始故障波形进行改进自适应噪声完备集合经验模态分解，得到多个
IMF
分量；对各
IMF
分量进行希尔伯特变换和带通滤波，构造得到能描述故障波形在时域和频域上局部特征的时频矩阵；将时频矩阵进行奇异值分解，基于奇异值分解结果计算故障特征，基于计算得到的故障特征生成故障特征集；从故障特征集中选取使故障特征分类效果最大时对应的
k
维特征，作为最优特征；确定最优特征的维数，使最优特征对应确定的维数时，进行故障分类测试得到的准确率高于门槛值；获取预先构建的多分类支持向量机模型，将确定好维数的最优特征输入到多分类支持向量机模型中，多分类支持向量机模型输出故障类型
。2.
根据权利要求1所述的配电网故障类型辨识方法，其特征在于，对原始故障波形进行改进自适应噪声完备集合经验模态分解，得到多个
IMF
分量，包括：向原始故障波形
x
中添加
I
组高斯白噪声，构造序列
x
(i)
(i
＝
1,2,
…
,I)
；基于序列
x
(i)
(i
＝
1,2,
…
,I)
，利用局部均值分解计算第一组残差
r1，并计算第一个固有模态函数分量
IMF1；估计第二个残差
r2，基于第一组残差
r1和第二个残差
r2计算第二个固有模态函数分量
IMF2；以此类推，对
k
＝
3,4,
…
,N
，计算
IMF
k
。3.
根据权利要求1所述的配电网故障类型辨识方法，其特征在于，对各
IMF
分量进行希尔伯特变换和带通滤波，构造得到能描述故障波形在时域和频域上局部特征的时频矩阵，包括：通过
Hilbert
谱分析得到各
IMF
分量中同频率点的瞬时值；提取各
IMF
分量在某一频带范围内的瞬时值，将瞬时值重构后得到原始故障波形在某一频带内的分量；基于重构后得到的原始故障波形在某一频带内的分量构建时频矩阵
。4.
根据权利要求3所述的配电网故障类型辨识方法，其特征在于，对各
IMF
分量依次进行
Hilbert
变换，得到各
IMF
分量瞬时频率和瞬时幅值；设置频带宽度以及频带数，在
Hilbert
谱图...

【专利技术属性】
技术研发人员：薛贵挺，杨卫杰，石访，王晓彬，谢之光，袁少宁，徐鑫哲，杨泽青，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：