本申请涉及电力故障检测领域，尤其涉及一种输电线路故障行波的检测方法。
背景技术：
目前，随着输电线路电压等级的提高和输电距离的增加，尤其是超、特高压输电线路的快速发展，对电网保护技术和故障测距技术提出新的挑战。行波数据蕴含着丰富的信息，若能有效挖掘行波数据的特征，必能提升行波测距的精确性、故障类型判别和故障性质辨识能力，为后续的行波数据在故障测距及主站建设等方面的研究工作奠定基础。
为了检测输电线路的行波，输电线路安装大量的行波测量装置，用来获取故障时刻信息。现有的行波测量装置采用突变量启动方式，为保证对输电线路微弱故障的监测，行波测量装置通常设有较低的行波触发阈值。但是，行波测量装置记录大量的干扰行波，致使干扰行波与故障行波比例严重失衡，增加数据辨识与筛选的工作量。
技术实现要素：
本申请提供了一种输电线路故障行波的检测方法，以解决行波测量装置记录大量的干扰行波，致使干扰行波与故障行波比例失衡，增加数据辨识与筛选的工作量的问题。
本申请提供了一种输电线路故障行波的检测方法包括：
获取多个行波数据；
利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量；
对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类。
进一步，所述利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量，包括：
利用经验模态分解算法对每个行波数据分解，得到每个行波数据的M层IMF分量；
根据所述M层IMF分量，选取满足预设条件的n层IMF分量；所述n为不大于M的正整数；
根据所述n层IMF分量，得到每个行波数据的特征量。
进一步，所述利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的M层IMF分量，包括：
获取每个行波数据的极大值点和极小值点，得到极大值点序列和极小值点序列；
利用三次样条函数法分别对极大值点序列和极小值点序列进行插值，得到上、下包络线；
根据上、下包络线，计算得到平均包络线m(t)；
按照下式计算，得到所述行波数据与所述平均包括线的差值，
h(t)＝y(t)－m(t)，
其中，y(t)表示行波数据，m(t)表示平均包络线；
如果所述差值h(t)不满足固有模态函数的条件，则将h(t)作为新的行波数据，重复获取每个行波数据的极大值点和极小值点的步骤；
如果所述差值h(t)满足固有模态函数的条件，则将所述差值h(t)确定为所述行波数据的IMF分量；
将所述IMF分量从对应的行波数据分离，得到行波数据残余项；
如果所述行波数据残余项能继续分解，则将所述行波数据残余项作为新的行波数据，重复获取每个行波数据的极大值点和极小值点的步骤；
如果所述行波数据残余项不能继续分解，则得到每个行波数据的M层分量。
进一步，所述根据所述M层IMF分量，选取满足预设条件的n层IMF分量，包括，
根据所述M层IMF分量，得到每层IMF分量的谱峭度；
根据每层IMF的谱峭度，选取谱峭度大于预设值的n层IMF分量。
进一步，所述根据所述n层IMF分量，得到每个行波数据的特征量，包括，
根据所述n层IMF分量，按照下列公式计算，得到所述n层IMF分量对应的行波数据的能量熵。
将所述能量熵确定为对应行波数据的特征量。
由以上技术方案可知，本申请提供了一种输电线路故障行波的检测方法，利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量；对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类，本申请能准确识别行波数据的类型，对干扰行波和故障行波分类准确，降低工作人员筛选的工作量，提高工作效率。
附图说明
为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
图1为本申请提供的一种输电线路故障行波的检测方法的流程图。
具体实施方式
参见图1，本申请提供了一种输电线路故障行波的检测方法包括：
步骤11：获取多个行波数据。
行波数据是行波测量装置记录的数据，行波数据包括干扰行波和故障行波。干扰行波是造成行波测量装置误启动后，行波测量装置记录的波形。故障行波是由于输电线路故障而引起行波测量装置启动后，行波测量装置记录的波形。
步骤12：利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量。
经验模态分解算法(Empirical Mode Decomposition，简称EMD)，该算法是依据自身的时间尺度特征进行信号分解，无需预先设定任何基函数，能使复杂信号分解为有限本证模函数(Intrinsic Mode Function，简称IMF)，能分解出来的个IMF分量包含了原信号的不同时间尺度的局域特征信号。经验摩天分解算法能使非平稳数据进行平稳话处理，由于基函数是由数据本身分解得到，并且分解是基于信号序列时间尺度的局部特征，与短时傅里叶变换、小波分解等方法相比更具有自适应性。
步骤13：对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类。
由以上技术方案可知，本申请提供了一种输电线路故障行波的检测方法，利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量；对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类，本申请能准确识别行波数据的类型，对干扰行波和故障行波分类准确，降低工作人员筛选的工作量，提高工作效率。
本申请提供另一实施例，一种输电线路故障行波的检测方法包括：
步骤21：获取多个行波数据。
步骤22：获取每个行波数据的极大值点和极小值点，得到极大值点序列和极小值点序列。
步骤23：利用三次样条函数法分别对极大值点序列和极小值点序列进行插值，得到上、下包络线。
步骤24：根据上、下包络线，计算得到平均包络线m(t)；
步骤25：按照下式计算，得到所述行波数据与所述平均包括线的差值，
h(t)＝y(t)－m(t)，
其中，y(t)表示行波数据，m(t)表示平均包络线。
步骤26：如果所述差值h(t)不满足固有模态函数的条件，则将h(t)作为新的行波数据，执行步骤21；如果所述差值h(t)满足固有模态函数的条件，则执行步骤27。
步骤27：将所述差值h(t)确定为所述行波数据的IMF分量；将所述IMF分量从对应的行波数据分离，得到行波数据残余项。
步骤28：如果所述行波数据残余项能继续分解，则将所述行波数据残余项作为新的行波数据，执行步骤21；如果所述行波数据残余项不能继续分解，则得到每个行波数据的M层IMF分量。
步骤29：根据每层IMF的谱峭度，选取谱峭度大于预设值的n层IMF分量。
可选地，按照以下公式，计算每个行波数据的每层IMF的谱峭度，
其中，D表示每层IMF的谱峭度，ξ(·)表示期望，μ和σ表示原行波信号x的各层IMF分量的均值和标准方差。
可选的，本申请取谱峭度从大到小排序后，谱峭度较大的排序位于前四的IMF分量。同时通过谱峭度选取IMF分量起到降维的作用。
步骤30：根据所述n层IMF分量，按照下列公式计算，得到所述n层IMF分量对应的行波数据的能量熵。
其中，WEEj表示第j个行波数据的能量熵，Ejk表示第j个行波数据的第k层IMF分量能量值，k为不大于n的正整数；Ej表示第j个行波数据的总能量。
步骤31：将所述能量熵确定为对应行波数据的特征量。
步骤32：设置高斯混合聚类类别为2，在多个行波数据中任意抽取2个行波数据，计算参数初始值开始迭代；
步骤33：按照下式，依据当前模型参数，计算行波数据的IMF分量对该行波数据的响应度，
其中，p(·)表示概率分布函数，xj表示第j个行波数据的能量熵，θk表示第j个行波数据的第k层IMF分量的协方差矩阵，αk表示第j个行波数据的第k层IMF分量的权重。
步骤34：根据下面的公式，计算新的一轮迭代的模型参数，
其中，μk表示第第j个行波数据的第k层IMF分量的均值，∑k2表示j个行波数据的第k层IMF分量的方差，αk表示第j个行波数据的第k层IMF分量的权重，N为行波数据的总数。
步骤35：如果聚类簇中心小于或等于预设值，则得到聚类结果，以对干扰行波或故障行波分类，如果聚类簇中心大于预设值，则将得到的均值、权重、方差迭代至步骤33。
由以上技术方案可知，本申请提供了一种输电线路故障行波的检测方法，利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量；对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类，本申请能准确识别行波数据的类型，对干扰行波和故障行波分类准确，降低工作人员筛选的工作量，提高工作效率。