一种基于信息聚合构架的行波故障和干扰录波数据辨识方法
【专利摘要】本发明涉及一种基于信息聚合构架的行波故障和干扰录波数据辨识方法，属于电力系统继电保护技术领域。首先，采用小波能量熵、均值和方差三个测度刻画行波测距装置获取到的行波录波数据，形成的特征矩阵；其次，采用主成分分析将特征矩阵进行降维处理；最后，采用马氏距离的方法构建判据，当行波录波数据距总体分布中心的距离dMq≥dM,set时，则判断为行波故障录波数据；反之，当行波录波数据距总体分布中心的距离dMq<dM,set时，则判断为行波干扰录波数据。大量实测数据分析表明，该方法可靠有效。
【专利说明】
一种基于信息聚合构架的行波故障和干扰录波数据辨识方法
技术领域
[0001] 本发明涉及一种基于信息聚合构架的行波故障和干扰录波数据辨识方法，属于电 力系统继电保护技术领域。
【背景技术】
[0002] 在输电线中信息化的逐步推进，输电线路中安装了大量的测量装置，实时记录电 网中发生的事件，这些测量装置产生的记录，蕴含着丰富的信息，如能加以充分利用，必能 提升运行人员对电网行为的理解能力。目前大多数录波装置的目的都是为了事后分析故障 原因，分析手段一般也是以手动为主，缺乏在线、大规模、自动分析的手段。大多录波装置启 动录波的条件往往是单一指标的超限，而且为了能够在分析事故原因时提供充分证据，越 限门槛值一般都是设定的比较低，针对电流行波测距装置而言，普遍使用突变量启动方式 为了保证对微弱故障有较高的灵敏度，启动门槛值往往设置得比较低，其值大概只为线路 经互感器二次侧电流的。因此，所造成的后果是，大量的干扰导致装置频繁的启动，记录了 大量的杂波，只记录了个别重要的故障录波，致使干扰录波与故障录波比例严重失衡，故障 录波的运用也是在必要分析时才发挥作用。针对行波录波数据而言，由于常年累积下来了 大量的不同故障类型的行波录波数据文件，除了用于历史备案占据了大量的硬盘空间，没 有形成对行波录波数据特征有效的提取，缺乏对不同故障类型录波特征规律的描述。
[0003] 目前从大量的行波录波数据中选取行波故障录波数据时，需要对照保护跳闸的信 息来实现，人工工作量大并且复杂。如果能够把行波录波数据进行有效地进行分析、加工和 提炼以获取所需的有用知识，并发挥作用，那么将大大提高工作效率。因此，若能够先把行 波干扰数据和故障录波辨识开来就显得尤为重要。当行波干扰和故障录波数据区别开后， 利用辨识开来的数据可以进行故障类型判别、故障选相、故障性质辨识等行波自动分析功 能的实用化实施提供保障，为后续工作的实现提供基础。
【发明内容】
[0004] 本发明要解决的技术问题是提供一种基于信息聚合构架的故障和干扰行波录波 数据辨识方法，用以解决上述问题。
[0005] 本发明的技术方案是:一种基于信息聚合构架的行波故障和干扰录波数据辨识方 法，首先，采用小波能量熵、均值和方差三个测度刻画行波测距装置获取到的行波录波数 据，形成的特征矩阵;其次，采用主成分分析将特征矩阵进行降维处理;最后，采用马氏距离 的方法构建判据，当行波录波数据距总体分布中心的距离d Mq多dM,set时，则判断为行波故障 录波数据;反之，当行波录波数据距总体分布中心的距离dMq〈dM, set时，则判断为行波干扰录 波数据。
[0006] 具体步骤为：
[0007] 第一步、计算行波录波数据的小波能量熵：
[0008] 利用小波变换对行波录波数据进行m层分解;其中，1~m为高频小波系数D，m+1为 低频小波系数A;
[0009] 首先，计算尺度j下k时刻的能量Ejks:
[0010] Ejk= I |Dj(k) I |2 j = l,2,---m (la)
[0011] Ejk= | | Aj(k) | |2 j=m+l (lb)
[0012]在式（1)中，Dj(k)为尺度j下k时刻的高频小波系数，、(k)为尺度j下k时刻低频小 波系数，11 · 112为对信号求取绝对值后再求平方；
[0013]其次，计算每一层的信号总能量&为：
[0015]
为对信号k = l，2,......η求和，η信号小波系数的长度；
[0016]再次，根据能量分布计算得到小波能量熵WEE为：
[0018] 第二步、计算行波录波数据的小波能量均值和方差：
[0019] 根据式(4)、（5)计算每层的小波能量均值和能量方差为：
[0022]式中，length(j)表示第j层小波系数的长度；
[0023] 第三步、降维处理：
[0024]根据步骤一和步骤二，得到表征行波录波的3(m+l)XN特征矩阵，采用主成分分析 进行降维处理，得到5 X N特征矩阵S，其中，N为行波录波数据的长度；
[0025]第四步、采用马氏距离构建识别判据：
[0026]首先，利用第三步中得到的降维后的特征矩阵计算行波录波数据总体样本分布中 心μ=[μι，μ2,......μ5]，且μL 为：
[0028]式(6)中，S(i，q)表示特征矩阵S的第i行q列数据；
[0029]其次，计算样本数据与分布中心的马氏距离dMq:
[0031 ]其中，Σ为总体样本协方差矩阵，T为装置运算，-1为求逆运算；
[0032]识别判据为：
[0033]若dMq^dM,set时，则判断为故障行波录波数据；
[0034]反之，当行波录波数据距总体分布中心的距离dMq〈dM, set时，则判断为行波干扰录 波数据。
[0035]本发明的有益效果是：
[0036] (1)本发明采用行波录波数据距总体样本分布中心的马氏距离来构建判据，其考 虑了总体样本的均值和协方差综合考虑总体样本的分布情况，在大量样本的数据辨识中更 具优势。
[0037] (2)本发明中利用小波能量熵、均值和方差三个测度下的信息融合对故障和干扰 录波数据进行了分析，即考虑了数据的复杂程度和变化程度，又考虑了数据的总体分布情 况。
【附图说明】
[0038] 图1是本发明实施例1中主成分个数确定图；
[0039] 图2是本发明实施例1中计算得到的马氏距离直线图；
[0040] 图3是本发明实施例1中计算得到的马氏距离频率直方图。
【具体实施方式】
[0041] 下面结合附图和【具体实施方式】，对本发明作进一步说明。
[0042] -种基于信息聚合构架的行波故障和干扰录波数据辨识方法，首先，采用小波能 量熵、均值和方差三个测度刻画行波测距装置获取到的行波录波数据，形成的特征矩阵;其 次，采用主成分分析将特征矩阵进行降维处理;最后，采用马氏距离的方法构建判据，当行 波录波数据距总体分布中心的距离d Mq多dM, set时，则判断为行波故障录波数据;反之，当行 波录波数据距总体分布中心的距离dMq〈dM, set时，则判断为行波干扰录波数据。
[0043] 具体步骤为：
[0044] 第一步、计算行波录波数据的小波能量熵：
[0045] 利用小波变换对行波录波数据进行m层分解;其中，1~m为高频小波系数D，m+1为 低频小波系数A;
[0046] 首先，计算尺度j下k时刻的能量EjkS:
[0047] Ejk= I |Dj(k) I |2 j = l,2,---m (la)
[0048] Ejk= I I Aj(k) I 12 j=m+l (lb)
[0049] 在式（1)中，D」(k)为尺度j下k时刻的高频小波系数，、(k)为尺度j下k时刻低频小 波系数，11 · 112为对信号求取绝对值后再求平方；
[0050] 其次，计算每一层的信号总能量&为：
[0052]
为对信号k = 1，2，......η求和，η信号小波系数的长度；
[0053]再次，根据能量分布计算得到小波能量熵WEE为：
[0055] 第二步、计算行波录波数据的小波能量均值和方差：
[0056] 根据式(4)、（5)计算每层的小波能量均值和能量方差为：
[0059]式中，length(j)表示第j层小波系数的长度；
[0060] 第三步、降维处理：
[0061]根据步骤一和步骤二，得到表征行波录波的3(m+l)XN特征矩阵，采用主成分分析 进行降维处理，得到5 X N特征矩阵S，其中，N为行波录波数据的长度；
[0062]第四步、采用马氏距离构建识别判据：
[0063]首先，利用第三步中得到的降维后的特征矩阵计算行波录波数据总体样本分布中 心μ=[μι，μ2,......μ5]，且μL 为：
[0065]式(6)中，S(i，q)表示特征矩阵S的第i行q列数据；
[0066]其次，计算样本数据与分布中心的马氏距离dMq:
[0068] 其中，Σ为总体样本协方差矩阵，T为装置运算，-1为求逆运算；
[0069] 识别判据为：
[0070]若dMq^dM, set时，则判断为故障行波录波数据；
[0071]反之，当行波录波数据距总体分布中心的距离dMq〈dM, set时，则判断为行波干扰录 波数据。
[0072] 实施例1:
[0073]输入经过数据预处理的313条行波干扰录波数据和71条行波故障录波数据，样本 数据为384X16120矩阵。
[0074] 根据步骤一，采用db4离散小波变换完成小波的分解。其中，选取离散小波分解的 层数m为7层，得到了小波分解系数分别为D 1，D2，D3，D4，D5，D 6，D7，A1。根据式⑴~⑶计算行 波录波数据各个尺度下的小波能量熵
[0075] 根据步骤二、采用式(4)~(5)各尺度下的小波能量均值和方差，得到
[0076] 24X384的特征矩阵。
[0077]根据步骤三、采用主成分分析方法降维，提取得到前5个主成分，其贡献率为 83.28 %如图1和表1所示。经过主成分分析处理后，形成特征5 X 384矩阵。
[0078]选取行波故障和干扰录波数据辨识的距离阈值dM,set = 2。若样本行波录波数据与 总体分布中心距离dMq多2，则判断为行波故障录波数据;反之，若样本行波录波数据与总体 分布中心距离d Mq〈2，则判断为行波干扰录波数据。分析结果如表2所示，行波故障故干扰录 波数据辨识的正确率为92.97 %。
[0080]表1:前5个主成分的累计贡献率
[0082]表2:马氏距离计算结果分析
[0083]以上结合附图对本发明的【具体实施方式】作了详细说明，但是本发明并不限于上述 实施方式，在本领域普通技术人员所具备的知识范围内，还可以在不脱离本发明宗旨的前 提下作出各种变化。
【主权项】
1. 一种基于信息聚合构架的行波故障和干扰录波数据辨识方法，其特征在于:首先，采 用小波能量赌、均值和方差Ξ个测度刻画行波测距装置获取到的行波录波数据，形成的特 征矩阵;其次，采用主成分分析将特征矩阵进行降维处理;最后，采用马氏距离的方法构建 判据，当行波录波数据距总体分布中屯、的距离dMq^dM,set时，则判断为行波故障录波数据； 反之，当行波录波数据距总体分布中屯、的距离dMq<dM,set时，则判断为行波干扰录波数据。2. 根据权利要求1所述的基于信息聚合构架的行波故障和干扰录波数据辨识方法，其 特征在于具体步骤为： 第一步、计算行波录波数据的小波能量赌： 利用小波变换对行波录波数据进行m层分解;其中，1~m为高频小波系数D，m+1为低频 小波系数A; 首先，计算尺度j下k时刻的能量Ea为： Ejk= ||化化）I |2 j = l,2,…m (la) Ejk= ||Aj(；k)||2 j=m+l (化） 在式（1)中，D^k)为尺度j下k时刻的高频小波系数，A^k)为尺度j下k时刻低频小波系 数，I I · II2为对信号求取绝对值后再求平方； 其次，计算每一层的信号总能量&为：(2) 在式(2)中％对信号k= 1，2，……η求和，η信号小波系数的长度； 再次，根据能量分布计算得到小波能量赌1邸为：(3) 第二步、计算行波录波数据的小波能量均值和方差： 根据式(4)、巧)计算每层的小波能量均值和能量方差为：式中，length(j)表示第j层小波系数的长度； 第Ξ步、降维处理： 根据步骤一和步骤二，得到表征行波录波的3(m+l)XN特征矩阵，采用主成分分析进行 降维处理，得到5 X卿寺征矩阵S，其中，N为行波录波数据的长度； 第四步、采用马氏距离构建识别判据： 首先，利用第Ξ步中得到的降维后的特征矩阵计算行波录波数据总体样本分布中屯、μ =山1，化，......Ji日]，且化为：(6) 式(6)中，S(i，q)表示特征矩阵S的第i行q列数据； 其次，计算样本数据与分布中屯、的马氏距离dMq:m 其中，Σ为总体样本协方差矩阵，Τ为装置运算，-1为求逆运算； 识别判据为： 若dMq^dM, set时，则判断为故障行波录波数据； 反之，当行波录波数据距总体分布中屯、的距离dMq<dM,set时，则判断为行波干扰录波数 据。
【文档编号】G06K9/00GK106096494SQ201610324092
【公开日】2016年11月9日
【申请日】2016年5月17日
【发明人】束洪春, 田鑫萃, 吕蕾
【申请人】昆明理工大学