一种基于故障信息编码和融合方法的电网故障诊断方法与流程

本发明涉及电网故障智能诊断领域，尤其是涉及一种基于故障信息编码和融合方法的电网故障诊断方法。

背景技术：

随着电网规模的日益扩大，智能化、自动化设备的大量应用，人们对电网的安全可靠运行提出了更高要求。当系统中出现突发性故障时，保护装置迅速动作，监控设备收到大量的告警信号，但是保护的误动、拒动以及信号的误报、缺失都会对故障的诊断产生干扰，导致诊断出错，延长故障恢复时间，甚至导致连锁故障大停电。所以研究快速可靠的故障诊断方法对故障元件的识别、故障后系统迅速恢复以及连锁故障的预防都有着重要的意义。

传统的故障诊断主要是利用故障发生后，scada系统提供的断路器与保护的动作情况来进行判断，主要方法有专家系统、神经网络、粗糙集、petri网等。随着监控数据的不断增多，在电网的拓扑结构和运行方式改变时，传统的诊断方法适应能力差；在面对复杂故障、不准确不完备信息时其出现容错性低的问题，因此有必要研究一种适应性强、容错性高并且快速可靠的故障诊断新方法。

技术实现要素：

本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于故障信息编码和融合方法的电网故障诊断方法。

本发明的目的可以通过以下技术方案来实现：

一种基于故障信息编码和融合方法的电网故障诊断方法，包括以下步骤：

步骤1：根据电网故障时线路的电气信号和开关量信息建立幅值近似度指标、能量近似度指标和故障编码相似度指标；

步骤2：将幅值近似度指标、能量近似度指标和故障编码相似度指标进行数据融合，形成融合故障度指标；

步骤3：利用改进的聚类方法和融合故障度指标确定出元件最终故障诊断结果。

进一步地，所述步骤1中的幅值近似度指标，其计算公式为：

式中，ik为线路信号在故障前后电流的幅值变化程度值，fkf,fkb分别为线路信号故障前后的幅值，xk为线路的幅值近似度指标，i1,i2...in分别为n个线路各自自身故障前后电流的幅值变化程度值，n为自然数。

进一步地，所述步骤1中的能量近似度指标，其计算公式为：

式中，wkh为线路信号的高频能量表征，wkl为线路信号的低频能量表征，t为分解尺度，dkj为线路信号在第j∈(1,2...t)个分解尺度下的细节系数，akt为线路信号在第t个分解尺度下的相似系数，wk为线路信号能量高低频变化程度值，wk为线路的能量近似度指标，w1,w2...wn为n个线路各自自身的信号能量高低频变化程度值，t为自然数。

进一步地，所述步骤1中的故障编码相似度指标，其计算公式为：

bi＝an2ⁿ+an-12^n-1+...+a02⁰

qn＝w1b1+w2b2+w3b3

sn＝qnr/qn

式中，bi为字段编码，an,an-1...a0为n个线路各自对应的遥信位值，qn为预想线路编码值，qnr为实际线路编码值，sn为线路的故障编码相似度指标，w1,b1；w2b2；w3,b3分别对应为故障过程权重及相应字段编码、保护动作权重及相应字段编码和故障类型权重及相应字段编码，i取1，2，3。

进一步地，所述步骤2中的融合故障度指标，其计算公式为：

式中，ifd为融合故障度指标，asd为幅值近似度证据体，esd为能量近似度证据体，nsd为故障编码相似度证据体。

进一步地，所述步骤3中的改进的聚类方法，包括以下步骤：

步骤01：建立k-means聚类目标函数模型；

步骤02：建立用于判断簇心是否需要更新的适应度函数模型；

步骤03：建立更新簇心对应函数模型。

进一步地，所述k-means聚类目标函数模型，其具体公式为：

式中，jm为k-means聚类目标函数，c,k为自然数，||xj-vc||为改进的流形距离，ωl,ωbnr分别为第c类的下近似集合的权重和边界集合的权重，vc,c-cl,ccbnr,xj分别为第c类的簇心、下近似集合、边界集合和类簇数据对象。

进一步地，所述适应度函数模型，其具体公式为：

fit＝1/jm

式中，fit为适应度函数模型。

进一步地，所述更新簇心对应函数模型，其具体公式为：

式中，vb为更新簇心对应函数模型。

与现有技术相比，本发明具有以下优点：

(1)诊断精确度高，适应性强，本发明通过根据电网故障时线路的电气信号和开关量信息建立幅值近似度指标、能量近似度指标和故障编码相似度指标，具有很强的针对电网故障的特性，并且还利用了k-means聚类方法类，根据遥信信息接收的开关量信号，利用故障编码理论计算编码相似度；最后，利用改进的证据理论合成融合故障度，通过改进的k-means聚类方法决策出最终故障线路，因此诊断精确度高，利用小波变换提取故障电气特征信息以及利用故障编码获取故障开关量信息，通过对两种不同源故障信息的融合，可大大改善单一数据源下不确定故障信息的诊断精度，k-means算法随机选择初始簇心，易造成结果局部收敛，导致聚类结果出错，改进的k-means算法采用不同簇心适应度的方法来实现对簇心的优选，构建簇心适应度函数以实现对簇心的更新，改进的k-means聚类方法解决了解的不均匀问题，在故障诊断中，有利于准确决策融合故障度下的故障元件与非故障元件。

(2)针对性强，本发明考虑故障诊断过程中故障特征的差异性，提出基于融合故障度的电网故障诊断方法。该方法首先利用小波变换对电气量信息中的幅值特征和能量特征进行分析，提取关键指标，与电网具有极高的匹配度，并且故障开关量的编码考虑到了多种类型并设计了不同编码字段，因此针对性强。

附图说明

图1为本发明实施例提供的故障过程字段图；

图2为本发明实施例提供的断路器变位字段图；

图3为本发明实施例提供的故障过程编码曲线图；

图4为本发明实施例提供的保护动作编码曲线图；

图5为本发明实施例提供的故障类型编码曲线图；

图6为本发明提供的故障诊断总流程图；

图7为本发明实施例提供的实施例三机九节点接线图；

图8为本发明实施例提供的故障线路l4重构后的高频能量表征图；

图9为本发明实施例提供的故障线路l4重构后的低频能量表征图；

图10为本发明实施例提供的ieee39节点系统图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都应属于本发明保护的范围。

实施例

一.故障电气量

幅值近似度为故障前后电流幅值的变化情况，故障线路的电流幅值变化程度要远大于非故障线路，电网出现故障时利用小波变换提取故障时刻，计算故障发生前后一个周期中所有线路电流的幅值，并且对其进行归一化处理，以上过程对应计算式如下：

式中，ik为线路信号在故障前后电流的幅值变化程度值，fkf,fkb分别为线路信号故障前后的幅值，xk为线路的幅值近似度指标，i1,i2...in分别为n个线路各自自身故障前后电流的幅值变化程度值，n为自然数。

幅值近似度能有效的表征故障线路，但是有些非故障线路在故障发生后其电流的幅值近似度会很大，不利于故障诊断，所以还需引入用于表征电流能量强弱程度的能量近似度，其包括高频能量特征和低频能量特征，针对高低频能量特征，求得能量变化程度值，并进行归一化处理，以上过程对应计算式如下：

式中，wkh为线路信号的高频能量表征，wkl为线路信号的低频能量表征，t为分解尺度，dkj为线路信号在第j∈(1,2...t)个分解尺度下的细节系数，akt为线路信号在第t个分解尺度下的相似系数，wk为线路信号能量高低频变化程度值，wk为线路的能量近似度指标，w1,w2...wn为n个线路各自自身的信号能量高低频变化程度值，t为自然数。

二.故障开关量

把二进制遥信数据按照遥信间隔中的装置进行归类，形成与一次设备相关的、用于一次设备故障诊断的遥信数据，如对于输电线路的故障诊断需要把与输电线路相关的线路保护遥信、重合闸遥信、断路器位置遥信组合到一起，形成输电线路故障诊断的数据。在这些数据中，根据不同遥信量对应的不同诊断功能，可分成多个字段，各个字段可以分别诊断出不同的内容，将各条线路的字段进行合成并分析，即可找到故障线路，本实施例共形成故障过程、保护动作和故障类型三种字段，其中故障过程和故障类型字段如图1和图2所示。

具体过程描述如下：

将各个字段形成对应字段编码，进行预想事故分析，得到编码结果如图3、4、5所示，并且最终将三种字段编码加权组合，当系统发生故障，每条线路均有对应的故障编码。为了确定故障线路，可比对每条线路的编码与预想编码，进而得出故障编码相似度指标，以上过程对应计算式如下：

bi＝an2ⁿ+an-12^n-1+...+a02⁰

qn＝w1b1+w2b2+w3b3

sn＝qnr/qn

式中，bi为字段编码，an,an-1...a0为n个线路各自对应的遥信位值，qn为预想线路编码值，qnr为实际线路编码值，sn为线路的故障编码相似度指标，w1,b1；w2b2；w3,b3分别对应为故障过程权重及相应字段编码、保护动作权重及相应字段编码和故障类型权重及相应字段编码，i取1，2，3。

三.改进的数据融合方法与融合故障度指标

假设θ为含有n个不同命题的完备辨识框架，m1与m2为证据体，则两个分配函数的距离d(m1,m2)为：

式中，d为一个2ⁿ×2ⁿ的证据矩阵。

证据体内的证据ma与证据mb的冲突系数为：

式中，kab为两个证据的冲突系数，反映了证据体间的冲突强弱。

改进的证据理论计算方法为：首先利用公式(1)计算证据距离，利用公式(2)获取证据体内所有证据的新的冲突系数k^d，确定信任系数α＝1-k^d，利用证据理论对证据体m1和m2进行合成，得到合成结果最后利用信任系数修正合成结果：

m′12(x)＝αm12(x)

m′12(θ)＝1-∑m12(x)

将与其他的证据循环合成，得到最终的合成结果。

本实施例将三个正具体(幅值近似度、能量近似度和故障编码相似度)进行证据融合，得出融合故障度指标：

式中，ifd为融合故障度指标，asd为幅值近似度证据体，esd为能量近似度证据体，nsd为故障编码相似度证据体。

四.改进的数据决策方法

k-means算法随机选择初始簇心，易造成结果局部收敛，导致聚类结果出错，本实施例采用不同簇心适应度的方法来实现对簇心的优选，按照数据每个属性的区别情况建立矩阵网络，同一网络中的对象具有相似性，建立相似对象，根据相似对象间的距离选取最合适的聚类中心，其描述函数模型计算公式如下：

式中，jm为k-means聚类目标函数，c,k为自然数，||xj-vc||为改进的流形距离，ωl,ωbnr分别为第c类的下近似集合的权重和边界集合的权重，vc,c-cl,ccbnr,xj分别为第c类的簇心、下近似集合、边界集合和类簇数据对象。

构建是适应度函数，作用是判断簇心是否需要更新：

适应度函数模型，其具体公式为：

fit＝1/jm

式中，fit为适应度函数模型。

若适应度函数不满足要求，则需更新簇心，更新簇心对应函数模型，其具体公式为：

式中，vb为更新簇心对应函数模型。

以上所述均可归纳为如图6所示的流程图，整体概括步骤如下：

步骤1：根据电网故障时线路的电气信号和开关量信息建立幅值近似度指标、能量近似度指标和故障编码相似度指标；

步骤2：将幅值近似度指标、能量近似度指标和故障编码相似度指标进行数据融合，形成融合故障度指标；

步骤3：利用改进的聚类方法和融合故障度指标确定出元件最终故障诊断结果。

其中，步骤3中的改进的聚类方法，包括以下步骤：

步骤01：建立k-means聚类目标函数模型；

步骤02：建立用于判断簇心是否需要更新的适应度函数模型；

步骤03：建立更新簇心对应函数模型。

五.仿真分析

利用psacd/emtdc与matlab混合编程进行仿真，在仿真系统中搭建两个案例进行分析。

案例一：选ieee9节点系统为例，如图7所示，故障设置为发生在线路l4上的c相短路接地故障，设置故障发生时间为5秒时，并经0.2秒后故障切除，调度系统遥信信息描述如表1所示。

由表1，根据故障编码理论，即可得到l4线路故障编码为200，其余线路除l3外均为0，l3故障编码为50，

故障编码相似度指标计算结果为：

sn(l4)＝1

sn(l3)＝0.4

故障录波采集6条线路上电流数据，从5s开始，每隔0.04s依次记录l3和l4电流幅值，如表2所示。结果可见l4即故障线路电流强度远高于非故障线路l3。

选用db40小波对故障信号进行分析，图8为故障线路l4重构后的高频能量表征，图9为故障线路l4重构后的低频能量表征，根据小波变换结果，计算电网每条线路的幅值近似度和能量近似度，将其与故障编码相似度结合，共同形成证据体，基于改进的证据理论进行信息合成，融合故障度，融合故障度的最终决策为1代表非故障元件，2代表故障元件，最终结果如表3所示。

根据表3中结果可知故障诊断结果为线路l4，与初始结论一致。

案例二：以ieee39节点系统为例，如图10所示。调度系统经过筛选得到的警报信息如表4所示。

故障为发生在线路l39-9的单相接地故障，保护l39-9m动作，断路器cb39-9、cb39-1变位。得出每条线路的故障编码，并取故障诊断框架为θ＝{l39-1,l39-9,l8-9}，如图10所示，故障诊断结果如表5所示。根据诊断模型的分析结果，确定故障元件为线路l39-9，与正确结论一致。

表1警报信息

表2线路故障电流(幅值)

表3故障诊断结果

表4警报信息

表5故障诊断结果

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应以权利要求的保护范围为准。