一种UPFC故障诊断方法与流程

本发明涉及upfc在线监测与故障诊断技术领域，特别是涉及一种upfc故障诊断方法。

背景技术：

随着我国社会经济的发展，负荷中心渐渐远离能源中心，远距离、大容量输电成为电网发展的必然，传统的电力系统运行调节手段，对电力系统的灵活、有效和及时控制作用有限，而且目前我国现代电力系统面临负荷增长过快、输电走廊匮乏、电能分布不均和潮流控制困难的形势，亟需有利于推动发展环境友好型经济、适应我国现状、经济高效的柔性交流输电技术(facts)。其中upfc作为迄今为止通用性最好、功能最为全面的第三代facts装置能同时实现并联补偿、串联补偿、移相和端电压调节等多种基本功能可对交流输电系统进行实时控制和动态补偿。因此，作为高效智能电网的重要组成部分，upfc及对upfc进行故障诊断、精确定位和故障自愈等的研究是保证电网稳定运行、减小电能损耗、优化能源调配的前提条件和重要保证。

统一潮流控制器(unifiedpowerflowcontroller，upfc)是一种能够独立、快速、精确、连续控制系统电压和潮流的第3代装置facts装置，它能控制线路电流，最大化电网传输能力；阻尼系统振荡，提高电力系统稳定性；提供紧急功率支援，避免大规模切负荷；优化潮流，减少环流，降低网络损耗；提供无功电压支撑，助力现代大电网互联等。但当upfc发生短路故障时，由于upfc装置容量的限制掣肘了其限流能力，开关单元根本无法承受高电压和短路电流的冲击，此时upfc的控保系统动作，切除故障区域以遏制过大的故障电流，保护upfc整体损失降到最小，但并不能及时、迅速的定位故障、识别故障与预测故障，不仅增加了电网运维的经济成本，而且检修流程繁琐、抢修效率较低、系统恢复时间长，同时运维人员的安全也无法得到完备的保障。因此，upfc故障诊断技术与upfc控保系统构成互补关系，缺一不可。

目前，针对upfc故障诊断技术的研究几乎是空白，其难点在于：1、upfc发生故障时，发生变化的变量极多，难以确定最直接反应的故障类型特征量；2、由于外部噪声干扰故障特征量中的奇异点分析难度增大，对故障结果难以准确判断，易导致早期预警算法的误动，同时影响故障区域定位的准确性。因此，如何发明一种具有高精度、诊断效率高和可靠性强的upfc故障诊断方法成为亟需解决的问题。

技术实现要素：

为了解决上述存在的问题，本发明提供一种考虑upfc控制模式的潮流计算方，本故障诊断方法故障分类精确度高，一定程度上提高了电网智能化运维水平，延长了设备使用年限，减少了upfc运维成本，弥补了以往upfc故障诊断在故障早期预警中的不足及保护系统缺少的故障定位等功能，可满足upfc故障诊断各方面的要求，应用价值和前景巨大，为达此目的，本发明提供一种upfc故障诊断方法，包括如下步骤，其特征在于：

步骤一，建立upfc模型，模拟4种故障，并采集upfc直流侧正极电压和直流电流在4种故障状态和正常状态下的数据，利用边界提取法分别简化以上数据，并对数据进行二次采样，构成有效数据仓库；

步骤二，基于去冗后的数据采用小波变换，将数据经消噪和重构处理，识别出数据中的故障点，提取到统一数量级的故障特征数据集；

步骤三，基于统一数量级的故障数据集，提取直流侧正极电压和直流电流的特征值数据，包括4个直流侧正极电压上边界电压特征值，分别为上边界电压最大值uupb_max，上边界电压最小值uupb_min，上边界电压有效值uupb_rms和上边界电压标准差uupb_std，4个直流侧正极电压下边界电压特征值，分别为下边界电压最大值ulob_max，下边界电压最小值ulob_min，下边界电压有效值ulob_rms和下边界电压标准差ulob_std，和4个直流电流特征值，分别为直流电流最大值i_max，直流电流最小值i_min，直流电流有效值i_rms，直流电流标准差i_std。将所有采集到的5个状态的故障数据均提取12个特征值，构造特征样本空间；

步骤四，将特征样本空间建立支持向量机故障预测模型进行故障诊断。

作为本发明进一步，所述步骤1中，边界提取法的提取过程为：首先根据多次实验确定upfc直流侧正极电压和直流电流的二次采样频率，并分别进行二次采样，构成电压上边界数据集、电压下边界数据集和电流数据集，汇总构成数据仓库中的有效矩阵d。

作为本发明进一步，所述步骤2中，采用小波变换提取特征信息包括如下步骤：

(21)采集经二次采样，对数据仓库中的数据进行二次采样时采用的公式为：采用后的upfc直流侧正极电压和直流电流的边界在故障状态下的数据xs，其中，xsij表示二次采样数据矩阵中第i行j列个元素，dij表示数据仓库中有效数据矩阵d中第i行j列个元素，ff表示原采样频率，fn表示二次采样频率；

(22)利用mallat变换公式(ff/2n+1,ff/2n)计算出小波变换每层细节系数对应的频段，其中n表示故障点频率的第n层，计算结果包括故障点频率的第n层小波系数重构的细节系数dn的相关信息；

(23)采用小波阈值去噪法，将xs通过选定的层数为n的小波对信号进行小波分解，分解后选取合适的阀值t，用阀值函数对各层系数进行量化，处理后的系数重构得到重构信号xn；

(24)计算xn的突变坐标(α,β)，其中α为发生故障的时间点，以α为中心提取故障数据集。

作为本发明进一步，所述步骤二中，采用小波阈值去噪法，将xs按列通过选定的层数为n的小波对信号进行小波分解，分解后选取合适的阀值t时采用的方法为：

1)把信号xs中的每个元素按列，将每个元素依次取绝对值再由小到大排序，然后将各个元素取平方得到新的信号序列，以第一列为例：

f(m)＝(sort(|xsi1|))²,(m＝0,1,...,n-1)；

2)取阈值为f(m)的第m个元素的平方根：

3)则该阈值产生的风险为：

4)根据所得到的风险曲线rish(m)，则最小风险点所对应的值为mmin，则阈值t可确定为：

5)用阀值函数对各层系数进行量化，处理后的系数重构得到重构信号xn；计算xn的突变坐标(α,β)，其中α为发生故障的时间点，以α为中心提取故障数据集。

作为本发明进一步，所述的步骤4中，支持向量机故障预测模型的建立过程为：根据步骤3中提取到的12个特征值构成的特征样本空间s＝{uupb_max，ulob_max，i_max，uupb_min，ulob_min，i_min，uupb_rms，ulob_rms，i_rms，uupb_std，ulob_std，i_std}，并为5种数据的样本空间分别打上不同的标签，引入拉格朗日乘子求出最优分类函数为：为使分类间隔2/||w||最小，则引入松弛变量ξi得到||w||的最小值为：为提高分类准确度与分类准确性能，引入核函数k(xi,yj)，将低维输入空间中的数据通过非线性函数映射到高维空间，优化后的分类函数为

本发明公开了一种upfc故障诊断方法，具有如下有益效果：

1、从upfc直流侧提取正极电压和电流作为特征量，数据样本包含故障信息全面；2、采用边界提取法对含有重要故障信息的特征量上下边界进行提取，完整保留包含故障特点的故障数据；3、采用小波变换定位故障信息，确定故障类型，弥补upfc控保系统在早期预警的空白；4、利用支持向量机对样本数据进行分类，准确度高、分类效率快，诊断效果优秀。

附图说明

图1为本发明系统流程图；

图2a-2e为本发明5种状态下直流侧正极电压上边界、下边界和电流以及第6层小波细节信号d6波形。

具体实施方式

下面结合附图与具体实施方式对本发明作进一步详细描述：

本发明提供一种考虑upfc控制模式的潮流计算方，本故障诊断方法故障分类精确度高，一定程度上提高了电网智能化运维水平，延长了设备使用年限，减少了upfc运维成本，弥补了以往upfc故障诊断在故障早期预警中的不足及保护系统缺少的故障定位等功能，可满足upfc故障诊断各方面的要求，应用价值和前景巨大。

如图1所示，本发明一种upfc故障诊断方法，包括以下步骤：

步骤一，建立upfc模型，模拟4种故障，并采集upfc直流侧正极电压和直流电流在4种故障状态和正常状态下的数据，利用边界提取法分别简化以上数据，并对数据进行二次采样，构成有效数据仓库；

步骤二，基于去冗后的数据采用小波变换，将数据经消噪和重构处理，识别出数据中的故障点，提取到统一数量级的故障特征数据集；

步骤三，基于统一数量级的故障数据集，提取直流侧正极电压和直流电流的特征值数据，包括4个直流侧正极电压上边界电压特征值，分别为上边界电压最大值uupb_max，上边界电压最小值uupb_min，上边界电压有效值uupb_rms和上边界电压标准差uupb_std，4个直流侧正极电压下边界电压特征值，分别为下边界电压最大值ulob_max，下边界电压最小值ulob_min，下边界电压有效值ulob_rms和下边界电压标准差ulob_std，和4个直流电流特征值，分别为直流电流最大值i_max，直流电流最小值i_min，直流电流有效值i_rms，直流电流标准差i_std。将所有采集到的5个状态的故障数据均提取12个特征值，构造特征样本空间；

步骤四，将特征样本空间建立支持向量机故障预测模型进行故障诊断。

上述步骤1中，首先在建立的upfc模型中，模拟4种不同的故障，分别为：并联变压器阀侧相间短路故障、并联变压器阀侧单相接地短路故障、直流侧两极短路故障和直流侧正极断路故障。根据多次实验，在众多变量中确定upfc直流侧正极电压的上、下边界和直流电流作为特征值原始数据，同时选择合适的二次采样频率分别对所述特征原始数据进行二次采样，构成电压上边界数据集、电压下边界数据集和电流数据集。其中，对数据仓库中的特征值原始数据进行二次采样时采用的公式为：

xsij表示二次采样数据矩阵中第i行j列个元素，dij表示数据仓库中有效数据矩阵d中第i行j列个元素，ff表示原采样频率，fn表示二次采样频率。

进一步的，本发明中步骤2利用mallat变换公式(ff/2n+1,ff/2n)计算出小波变换每层细节系数对应的频段，其中n表示故障点频率的第n层，计算结果包括故障点频率的第n层小波系数重构的细节系数dn的相关信息。

更进一步的，采用小波阈值去噪法，将xs按列通过选定的层数为n的小波对信号进行小波分解，分解后选取合适的阀值t时采用的方法为：

1、把信号xs中的每个元素按列，将每个元素依次取绝对值再由小到大排序，然后将各个元素取平方得到新的信号序列，以第一列为例：

f(m)＝(sort(|xsi1|))²,(m＝0,1,...,n-1)；

2、取阈值为f(m)的第m个元素的平方根：

3、则该阈值产生的风险为：

4、根据所得到的风险曲线rish(m)，则最小风险点所对应的值为mmin，则阈值t可确定为：

5、用阀值函数对各层系数进行量化，处理后的系数重构得到重构信号xn；计算xn的突变坐标(α,β)，其中α为发生故障的时间点，以α为中心提取故障数据集。5种状态下直流侧正极电压上边界、下边界和电流以及第6层小波细节信号d6波形如图2a-2e所示。

上述步骤4中，支持向量机故障预测模型的建立过程为：根据步骤3中提取到的12个特征值构成的特征样本空间s＝{uupb_max，ulob_max，i_max，uupb_min，ulob_min，i_min，uupb_rms，ulob_rms，i_rms，uupb_std，ulob_std，i_std}，并为5种数据的样本空间分别打上不同的标签，引入拉格朗日乘子求出最优分类函数为：为使分类间隔2/||w||最小，则引入松弛变量ξi得到||w||的最小值为：为提高分类准确度与分类准确性能，引入核函数k(xi,yj)，将低维输入空间中的数据通过非线性函数映射到高维空间，优化后的分类函数为

以上所述，仅是本发明的较佳实施例而已，并非是对本发明作任何其他形式的限制，而依据本发明的技术实质所作的任何修改或等同变化，仍属于本发明所要求保护的范围。