基于局部异常因子检测的有源配电网故障诊断方法及系统与流程

本发明属于配电网故障诊断领域，尤其涉及一种基于局部异常因子检测的有源配电网故障诊断方法及系统。

背景技术：

本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。

随着分布式电源在配电网络中的渗透率越来越高，配电网运行可靠性变得越来越重要。若有源配电网一旦发生故障而不能及时诊断出线路故障，不仅会影响居民正常生活，还可能导致整个系统失效、瘫痪及人员与生产的巨大损失。因此对有源配电网进行故障的准确诊断具有重要的实际意义。

现有故障诊断方法主要有基于不确定性知识的故障诊断方法、基于波形相似度的故障诊断及基于系统方向元件逻辑关系的故障诊断方法。这些方法都有其优缺点，其中不确定性知识的故障诊断方法可以实现信息缺失条件下的故障诊断，但不适用于大规模的有源配电网；基于波形相似度的故障诊断直接利用所提取信号的时间序列来度量波形相似性，但其原理有待进一步验证；基于系统方向元件逻辑关系的故障诊断方法将故障诊断问题转化为数学寻优、规划问题，但未充分利用故障信息。发明人发现，现有故障诊断方法在针对海量故障信息涌入时，存在收敛困难、计算量较大、没有计及分布式电源问题等，存在一定的局限性，不适用于适用于大规模的有源配电网，进而影响有源配电网故障诊断的准确性。

技术实现要素：

为了解决上述问题，本发明提供一种基于局部异常因子检测的有源配电网故障诊断方法及系统，其将多个不同故障类型的一维故障特征量列矩阵在空间上融合以及基于至少两个时间序列的多维故障特征量监测矩阵融合扩维，形成高维故障特征量监测矩阵，进而对高维故障特征量监测矩阵降维后计算局部异常因子数值大小，一方面较全面的保留了故障信息特征，另一方面实现了各个物理节点的各个电气参量的横向比对，提高了有源配电网故障诊断的准确性。

为了实现上述目的，本发明采用如下技术方案：

本发明的第一方面提供一种基于局部异常因子检测的有源配电网故障诊断方法。

一种基于局部异常因子检测的有源配电网故障诊断方法，包括：

实时获取有源配电网运行电气参数并进行预处理，得到基于时间序列的一维故障特征量列矩阵；其中，一维故障特征量列矩阵是单一故障特征量监测矩阵，以物理节点个数为行，一个工频采样时间内的采样点数为列；

将多个不同故障类型的一维故障特征量列矩阵在空间上融合，形成同一时间序列的多故障特征量监测矩阵，再基于至少两个不同时间序列的多维故障特征量监测矩阵进一步融合扩维，形成高维故障特征量监测矩阵；

对高维故障特征量监测矩阵进行降维处理，筛选降维后矩阵的两个特征根，并计算这两个特征根对应的正交化特征向量；

将两个正交化特征向量组成的列矩阵进行基于密度的局部异常因子检测，检测出异常物理节点，再根据配电网网络拓扑得到异常物理节点对应的故障区段，获得故障诊断结果。

本发明的第二方面提供一种基于局部异常因子检测的有源配电网故障诊断系统。

一种基于局部异常因子检测的有源配电网故障诊断系统，包括：

电气参数获取及预处理模块，其用于实时获取有源配电网运行电气参数并进行预处理，得到基于时间序列的一维故障特征量列矩阵；其中，一维故障特征量列矩阵是单一故障特征量监测矩阵，以物理节点个数为行，一个工频采样时间内的采样点数为列；

监测矩阵形成模块，其用于将多个不同故障类型的一维故障特征量列矩阵在空间上融合，形成同一时间序列的多故障特征量监测矩阵，再基于至少两个不同时间序列的多维故障特征量监测矩阵进一步融合扩维，形成高维故障特征量监测矩阵；

降维处理模块，其用于对高维故障特征量监测矩阵进行降维处理，筛选降维后矩阵的两个特征根，并计算这两个特征根对应的正交化特征向量；

故障诊断模块，其用于将两个正交化特征向量组成的列矩阵进行基于密度的局部异常因子检测，检测出异常物理节点，再根据配电网网络拓扑得到异常物理节点对应的故障区段，获得故障诊断结果。

本发明的第三方面提供一种计算机可读存储介质。

一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如上述所述的基于局部异常因子检测的有源配电网故障诊断方法中的步骤。

本发明的第四方面提供一种计算机设备。

一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述所述的基于局部异常因子检测的有源配电网故障诊断方法中的步骤。

本发明的有益效果是：

本发明将多个不同故障类型的一维故障特征量列矩阵在空间上融合以及基于至少两个不同时间序列的多维故障特征量监测矩阵进一步融合扩维，形成高维故障特征量监测矩阵，这样能够更多地提取故障特征量，为有源配电网故障诊断提供了更加全面的数据基础；

本发明对高维故障特征量监测矩阵降维后计算局部异常因子数值大小，通过对故障信息特征的重要性经降维后筛选，降低了故障诊断的计算量，同时还实现了各个物理节点的各个电气参量的横向比对，提高了有源配电网故障诊断的准确性。

附图说明

构成本发明的一部分的说明书附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。

图1为本发明实施例的故障诊断过程图；

图2为本发明实施例的局部异常因子检测原理图；

图3为本发明实施例所建有源辐射状配电网模型示意图；

图4(a)为图3配电网模型中母线区段1发生单相接地故障的仿真结果；

图4(b)为图3配电网模型中母线区段4发生单相接地故障的仿真结果；

图4(c)为图3配电网模型中母线区段14发生单相接地故障的仿真结果。

具体实施方式

下面结合附图与实施例对本发明作进一步说明。

应该指出，以下详细说明都是例示性的，旨在对本发明提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。

需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本发明的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。

在本发明中，术语如“上”、“下”、“左”、“右”、“前”、“后”、“竖直”、“水平”、“侧”、“底”等指示的方位或位置关系为基于附图所示的方位或位置关系，只是为了便于叙述本发明各部件或元件结构关系而确定的关系词，并非特指本发明中任一部件或元件，不能理解为对本发明的限制。

本发明中，术语如“固接”、“相连”、“连接”等应做广义理解，表示可以是固定连接，也可以是一体地连接或可拆卸连接；可以是直接相连，也可以通过中间媒介间接相连。对于本领域的相关科研或技术人员，可以根据具体情况确定上述术语在本发明中的具体含义，不能理解为对本发明的限制。

实施例一

如图1所示，本实施例的一种基于局部异常因子检测的有源配电网故障诊断方法，包括：

步骤1：实时获取有源配电网运行电气参数并进行预处理，得到基于时间序列的一维故障特征量列矩阵。其中，在本实施例中，有源配电网运行电气参数包括三相电流、零序电流、负序电流和零序有功和无功功率。

在本实施例中，基于时间序列的一维故障特征量列矩阵是基于单一特征量在一个工频采样时间内的单一故障特征量监测矩阵，其格式为以物理节点个数为行，以一个工频采样时间内的采样点数为列，以便各个物理节点在同一时间序列下进行离群点检测。

具体地，对实时获取有源配电网运行电气参数的预处理操作包括故障特征量的选择、网络关联矩阵的构建及区域差分化处理。

在具体实施中，可采用测控一体化终端对有源配电网运行电气参数进行采集。另外，测控一体化终端还能够对跳闸隔离命令进行传输，其中，跳闸隔离命令由数据处理中心下发，经测控一体化终端传输控制物理节点开关跳闸。数据处理中心根据故障诊断结果向故障物理节点发送跳闸命令隔离故障区段，完成故障诊断全流程。

在本实施例中，测控一体化终端包括配电终端单元dtu、馈线终端单元ftu、远程终端单元rtu与配电综合监控单元pdk等，各个单元安装于不同环境下的物理节点，通过有线、无线传输将节点电气参数上传至数据处理中心。本实施例只需终端将线路电气参数实时上传至数据处理中心即可启动故障诊断判据，极大地缩短了人工巡检和维修时间。

步骤2：将多个不同故障类型的一维故障特征量列矩阵在空间上融合，形成同一时间序列的多故障特征量监测矩阵，然后基于至少两个不同的时间序列的多维故障特征量监测矩阵进一步融合扩维，形成高维故障特征量监测矩阵。

步骤3：对高维故障特征量监测矩阵进行降维处理，筛选降维后矩阵的两个特征根，并计算这两个特征根对应的正交化特征向量。

在具体实施中，对数据融合形成的高维故障特征量监测矩阵进行数据分析，进行多维尺度降维，剔除高维矩阵中的无用数据与低贡献数据，保留高价值数据，形成低维故障特征量矩阵，计算其特征根及其对应的特征向量。在选择特征根的过程中，例如：可将矩阵求解后的特征根从左到右排列，选择靠左的前两个特征根。需要说明的是，选择特征根也可随机挑选。

步骤4：将两个正交化特征向量组成的列矩阵进行基于密度的局部异常因子检测，检测出异常物理节点，再根据配电网网络拓扑得到异常物理节点对应的故障区段，获得故障诊断结果。

如图2所示，将两个正交化特征向量组成的列矩阵进行基于密度的局部异常因子检测的过程为：计算两个正交化特征向量组成的列矩阵中各元素的k距离，即以当前元素为原点，计算除原点外距离原点最近的第k个元素的距离，然后根据k距离计算各元素的k距离邻域，进而确定各元素的局部可达距离与局部可达密度，最终计算各物理节点对应元素的局部异常因子。具体过程为：

步骤1)：输入二维故障特征量监测矩阵，规模为n×2，记为g：

g＝[g1g2](1)

其中，n代表节点元素数量。

步骤2)：计算各个节点元素间的k距离与两两节点元素间的欧几里得距离dist(p)。其中，节点元素间的k距离记为kdist(p)，表示以某个节点元素为圆心p，p的k距离定义为p与除p以外的距离其最近的第k个元素的距离。

步骤3)：计算k距离邻域nk(p)，表示p的第k距离以内及包含第k距离上的所有点：

nk(p)＝{q∈g/{p}|dist(p,q)≤kdist(p)}(2)

步骤4)：根据kdist(q)与dist(p,q)确定局部可达距离kreach(p,q)：

kreach(p,q)＝max{kdist(q),dist(p,q)}(3)

步骤5)：计算各元素的局部可达密度irdk(p)：

步骤6)：最后求解各元素的局部异常因子lofk(p)：

例如：故障诊断是基于比较在相同运行状态下的配电网中各个物理节点的电气参数信息，例如某区段发生单相接地故障时配电网络各节点上传的零序电流、负序电流信息；利用节点信息与故障特征量信息构建故障特征量监测矩阵，并进行多维尺度缩放降维；求降维后矩阵的前两个特征值及其对应的前两个特征向量；将两个特征向量组合得到二维矩阵，输入到基于密度的局部异常因子检测算法中，即可得到二维平面下各节点元素的lof值(局部异常因子值)，也就是离群程度，根据离群程度分理处离群节点，获得故障诊断结果。

正常运行状态下，配电网各个物理节点所计算出的lof值近似等于1，而当配电网发生区段故障时，变电站出口母线节点处与故障区段上游的相邻节点lof值均远大于1。为保证可靠性，设定lof阈值为各个节点lof值的平均值。根据节点lof值完成故障区段诊断。

如图3所示的本实施例所建模型为包含四条馈线的辐射状有源配电网，其中，分布式电源接入馈线l1，其余馈线无分布式电源接入。

仿真结果如图4(a)-图4(c)所示，其中横轴代表节点编号，纵轴代表lof值。图4(a)所示，在母线区段1发生单相接地故障，变电站出口母线节点的lof值为350.38，大于各个节点lof值的平均值18.75；图4(b)所示，在区段4发生单相接地故障，变电站出口母线节点与节点4的lof值分别为6.25、4.25，大于各个节点lof值的平均值1.31，判定区段4发生单相接地故障；图4(c)所示，在区段14发生单相接地故障，变电站出口母线节点的lof值为312.40，节点14的lof值为936.05，其余各节点lof值均小于7。

实施例二

本实施例提供了一种基于局部异常因子检测的有源配电网故障诊断系统，其包括：

(1)电气参数获取及预处理模块，其用于实时获取有源配电网运行电气参数并进行预处理，得到基于时间序列的一维故障特征量列矩阵；其中，一维故障特征量列矩阵是基于单一特征量在一个工频采样时间内的单一故障特征量监测矩阵，以物理节点个数为行，一个工频采样时间内的采样点数为列。

具体地，对实时获取有源配电网运行电气参数的预处理操作包括故障特征量的选择、网络关联矩阵的构建及区域差分化处理。

在具体实施中，所述有源配电网运行电气参数包括三相电流、零序电流、负序电流和零序有功和无功功率。具体地，可采用测控一体化终端对有源配电网运行电气参数进行采集。另外，测控一体化终端还能够对跳闸隔离命令进行传输，其中，跳闸隔离命令由数据处理中心下发，经测控一体化终端传输控制物理节点开关跳闸。数据处理中心根据故障诊断结果向故障物理节点发送跳闸命令隔离故障区段，完成故障诊断全流程。

在本实施例中，测控一体化终端包括配电终端单元dtu、馈线终端单元ftu、远程终端单元rtu与配电综合监控单元pdk等，各个单元安装于不同环境下的物理节点，通过有线、无线传输将节点电气参数上传至数据处理中心。本实施例只需终端将线路电气参数实时上传至数据处理中心即可启动故障诊断判据，极大地缩短了人工巡检和维修时间。

(2)监测矩阵形成模块，其用于将多个不同故障类型的一维故障特征量列矩阵在空间上融合，形成同一时间序列的多故障特征量监测矩阵，再基于至少两个不同时间序列的多维故障特征量监测矩阵进一步融合扩维，形成高维故障特征量监测矩阵。

(3)降维处理模块，其用于对高维故障特征量监测矩阵进行降维处理，筛选降维后矩阵的两个特征根，并计算这两个特征根对应的正交化特征向量。

在具体实施中，对数据融合形成的高维故障特征量监测矩阵进行数据分析，进行多维尺度降维，剔除高维矩阵中的无用数据与低贡献数据，保留高价值数据，形成低维故障特征量矩阵，计算其特征根及其对应的特征向量。在选择特征根的过程中，例如：可将矩阵求解后的特征根从左到右排列，选择靠左的前两个特征根。需要说明的是，选择特征根也可随机挑选。

(4)故障诊断模块，其用于将两个正交化特征向量组成的列矩阵进行基于密度的局部异常因子检测，检测出异常物理节点，再根据配电网网络拓扑得到异常物理节点对应的故障区段，获得故障诊断结果。

如图2所示，将两个正交化特征向量组成的列矩阵进行基于密度的局部异常因子检测的过程为：计算两个正交化特征向量组成的列矩阵中各元素的k距离，即以当前元素为原点，计算除原点外距离原点最近的第k个元素的距离，然后根据k距离计算各元素的k距离邻域，进而确定各元素的局部可达距离与局部可达密度，最终计算各物理节点对应元素的局部异常因子。具体过程为：

步骤1)：输入二维故障特征量监测矩阵，规模为n×2，记为g：

g＝[g1g2](1)

其中，n代表节点元素数量。

步骤2)：计算各个节点元素间的k距离与两两节点元素间的欧几里得距离dist(p)。其中，节点元素间的k距离记为kdist(p)，表示以某个节点元素为圆心p，p的k距离定义为p与除p以外的距离其最近的第k个元素的距离。

步骤3)：计算k距离邻域nk(p)，表示p的第k距离以内及包含第k距离上的所有点：

nk(p)＝{q∈g/{p}|dist(p,q)≤kdist(p)}(2)

步骤4)：根据kdist(q)与dist(p,q)确定局部可达距离kreach(p,q)：

kreach(p,q)＝max{kdist(q),dist(p,q)}(3)

步骤5)：计算各元素的局部可达密度irdk(p)：

步骤6)：最后求解各元素的局部异常因子lofk(p)：

例如：故障诊断是基于比较在相同运行状态下的配电网中各个物理节点的电气参数信息，例如某区段发生单相接地故障时配电网络各节点上传的零序电流、负序电流信息；利用节点信息与故障特征量信息构建故障特征量监测矩阵，并进行多维尺度缩放降维；求降维后矩阵的前两个特征值及其对应的前两个特征向量；将两个特征向量组合得到二维矩阵，输入到基于密度的局部异常因子检测算法中，即可得到二维平面下各节点元素的lof值(局部异常因子值)，也就是离群程度，根据离群程度分理处离群节点，获得故障诊断结果。

正常运行状态下，配电网各个物理节点所计算出的lof值近似等于1，而当配电网发生区段故障时，变电站出口母线节点处与故障区段上游的相邻节点lof值均远大于1。为保证可靠性，设定lof阈值为各个节点lof值的平均值。根据节点lof值完成故障区段诊断。

实施例三

本实施例提供了一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现如实施例一所述的基于局部异常因子检测的有源配电网故障诊断方法中的步骤。

实施例四

本实施例提供了一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如实施例一所述的基于局部异常因子检测的有源配电网故障诊断方法中的步骤。

本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。

本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read-onlymemory，rom)或随机存储记忆体(randomaccessmemory，ram)等。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。