一种可排除潜在故障的电力系统二次检测方法与流程

1.本发明属于电力系统故障检测技术领域，涉及电力系统故障检测方法，尤其是一种可排除潜在故障的电力系统二次检测方法。


背景技术：

2.目前，电力系统中存在着大量的潜在故障，难以对其进行有效检测，而电力二次设备能够实时检测系统状态并提供保护。现阶段国外发达国家意识到电力的供给以及电网管理紧迫性并开始改造计划，同时国内也在对电力系统进行实时的监控与管理。
3.现有技术中，文献[1]给出一种基于d
‑
pmu的电网故障检测方法，文献[2]结合高频测试信号注入对配电网故障节点进行了识别，上述两种方法均不能有效的考虑二次设备数据间的复杂关联，导致较多潜在故障难以及时发现。因此，本发明提供了可排除潜在故障的电力系统二次检测方法，以解决上述背景技术中提出的技术问题。
[0004]
本发明背景技术中所引用的参考文献目录如下：
[0005]
文献[1]张黎元,黄潇潇,张杰,等.基于d
‑
pmu量测信息的有源配电网故障诊断方法[j].电力系统及其自动化学报,2019,31(10):145
‑
150；
[0006]
文献[2]戚振彪,凌松,刘文烨,等.基于高频测试信号注入的配电网故障节点在线识别方法[j].电力系统保护与控制,2020,48(04):110
‑
117。


技术实现要素：

[0007]
本发明的目的在于克服现有技术的不足，提供一种可排除潜在故障的电力系统二次检测方法，能够有效地检测出二次设备的存在异常状态。
[0008]
本发明解决其现实问题是采取以下技术方案实现的：
[0009]
一种可排除潜在故障的电力系统二次检测方法，包括如下步骤：
[0010]
步骤1、对电力信号进行分解和重构；
[0011]
步骤2、检测步骤1的分解和重构后的电力信号数据流中的故障数据，完成系统故障检测。
[0012]
而且，所述步骤1的具体步骤包括：
[0013]
(1)采用小波变换对电力信号的瞬态成分进行探测；
[0014]
(2)将探测到的电力信号中的各频率成分进行分解和重构。
[0015]
而且，所述步骤1第(2)步的具体步骤包括：
[0016]
①
若函数ψ(x)表示基本小波，则其满足：
[0017]
∫
r
ψ(d)dx＝0
ꢀꢀ
(1)
[0018]
设ψ
s
(x)表示以尺度因子s对ψ(x)的伸缩，则：
[0019][0020]
此时，wf(s,x)即表示信号f的小波变换，有：
[0021]
wf(s,x)＝f*ψ
s
(x)
ꢀꢀ
(3)
[0022]
令s＝2
j
，则为二进小波，那么二进小波变换可以表示为：
[0023][0024]
②
若ψ是基础小波，设ψ以及其fourier变换均为窗函数，其时窗宽度和频窗宽度均为δψ，则时间频率在平面上形成的矩形面积可以表示为δψδψ；
[0025]
设ψ1为通过式(2)定义的函数，由于因此ψ1＝sδψ，窗口面积为δψ
s
δψ1＝δψδψ，随后采用mallat方法进行小波分解将不同频率的电力信号展开；
[0026]
在mallat论中，小波函数ψ(x)为正交互补空间的生成元，其尺度方程可以表示为：
[0027][0028][0029]
上式中，分别表示ψ、的fourier变换，g(ω)＝f[g(n)]，h(ω)＝f[h(n)]；在处理信号过程中，g(n)和h(n)为一对正交滤波器；
[0030]
③
设表示f在v
j
中的投影，表示f在w
j
上的投影，由于则可以由来表示。
[0031]
而且，所述步骤2的具体步骤包括：
[0032]
(1)首先将小波展开后的电力信号多源数据划分为间集，快速的检测出数据流中的故障数据；
[0033]
(2)采用聚类方法对多源故障数据进行处理，进而在线检测出多源故障数据序列内异常度，完成系统故障检测。
[0034]
而且，所述步骤2第(1)步的具体步骤包括：
[0035]
①
设小波处理后的数据是一维数据x(n)＝{x1,x2,
…
,x
n
}，x
k
∈r；使x(n)的区间a＝[a,b]满足以下关系：
[0036]
v(a)＝g1(num{x
k
∈x(n)a≤x
k
≤e(x(n))})
×
g2(a)
[0037]
v(b)＝g1(num{x
k
∈x(n)|e(x(n))＜x
k
≤b})
×
g2(b)
ꢀꢀ
(6)
[0038]
上式中，num(x(n))表示x(n)在区间a中元素数量，e(x(n))表示x(n)的数学期望；v(a)、v(b)分别表示区间的界线值，v(a)、v(b)值最大时，即可获得最优边界a
best
、b
best
；
[0039]
此时g1、g2可以分别表示为：
[0040]
g1(u)＝u2+u+c
ꢀꢀ
(7)
[0041][0042]
上式中，c为常数，一般其取值为0.5，也可根据实际要求制定，u表示因数，σ2表示x
(n)的方差；聚类分析主要是基于相似度进行分类的，因此，采用马氏距离计算两个子序列的相似度；
[0043]
将上述两个样本分别用x，y代替，则两样本间的马氏距离计算函数可以表示为：
[0044][0045]
式(9)中，c
‑1表示[x,y]协方差矩阵逆矩阵，c可以通过下式进行计算：
[0046][0047]
②
设样本集x中共包含n个样本，各样本中有m个变量，且包含n个样本的样本集x为n
×
m矩阵；则目标样本与样本集间的关系可以表示为：
[0048][0049]
式(11)中，为x协方差矩阵的逆矩阵，为x的平均值，可通过式(12)求得：
[0050][0051]
协方差矩阵c
x
的计算方法为：
[0052][0053]
已知两个子序列间相似度，计算多个子序列相似度；将包含连续的s(s＜＜n)个子序列区间集a
k
,a
k+1
,
…
,a
k+s
‑1视为一个整体，将其与另一个有s个子序列的区间集记作第i和j个序列，则其相似度可以表示为：
[0054][0055]
计算出第i个序列和其余序列的公共元素间的最大相似度，将计算结果记作第i个序列相似度的评分：
[0056]
d
i
＝max s
ij
(|i
‑
j|＞s)
ꢀꢀ
(15)
[0057]
随后根据相似度获得数据集间异常度，记第i个序列的异常检测评分如下：
[0058][0059]
计算出异常度后，如果所得结果大于0.5，则该多源数据序列即为电力设备某参量中出现了异常数据。
[0060]
而且，所述步骤2第(2)步的具体步骤包括：
[0061]
①
在多源数据中任意选择一个对象点x
i
；
[0062]
②
以核心对象点x
i
为初始位置进行拓展，搜索每一个与该点密度相连的数据点{p1,p2,
…
p
m
}，直到再无符合标准的点时停止搜索；
[0063]
③
将对象点x
i
与搜索获得的数据集{p1,p2,
…
p
m
}定义成新聚类形成的簇c
i
；
[0064]
④
去除上一步骤中所有c
i
的数据点，再次寻找一个没有被聚类的对象点x
j
，重复操
作直至没有符合要求的对象点停止循环；
[0065]
⑤
完成所有簇均聚类后对多源数据进行聚类处理获得p个簇，数据集中不属于任何簇的数据点，将其认定为系统发生故障的数据，进而在线检测出多源故障数据序列内异常度，完成系统故障检测。
[0066]
本发明的优点和有益效果：
[0067]
本发明提供一种可排除潜在故障的电力系统二次检测方法，首先对电力信号进行分解和重构，接着将小波展开后的电力信号多源数据划分为间集，快速的检测出数据流中的故障数据，并采用聚类对多源数据进行处理；本发明采用小波变换探测电力信号的瞬态成分，展开信号中各频率成分以大数据技术计算获得数据信息的变化规律和内在联系，采用聚类方法简化多源数据间联系，实现在线检测出多源数据序列内异常度，完成系统故障检测全过程。实验条件下，以准确率和召回率作为衡量指标验证方法的有效性，结果表明所提方法能够有效地检测出二次设备的存在异常状态，可以为故障维修提供决策依据。
附图说明
[0068]
图1为本发明的快速的检测出数据流中的故障数据的检测方法示意图；
[0069]
图2为本发明与不同方法准确度对比图；
[0070]
图3为本发明与不同方法召回率对比图。
具体实施方式
[0071]
以下结合附图对本发明实施例作进一步详述：
[0072]
一种可排除潜在故障的电力系统二次检测方法，包括如下步骤：
[0073]
步骤1、对电力信号进行分解和重构；
[0074]
所述步骤1的具体步骤包括：
[0075]
(1)采用小波变换对电力信号的瞬态成分进行探测；
[0076]
由于小波具有较高的时域和频域信号表征能力，本发明采用小波变换对电力信号的瞬态成分进行探测，并将信号中的各频率成分展开以便于下一步进行故障检测。
[0077]
(2)将探测到的电力信号中的各频率成分进行分解和重构；
[0078]
所述步骤1第(2)步的具体步骤包括：
[0079]
①
若函数ψ(x)表示基本小波，则其满足：
[0080]
∫
r
ψ(d)dx＝0
ꢀꢀ
(1)
[0081]
设ψ
s
(x)表示以尺度因子s对ψ(x)的伸缩，则：
[0082][0083]
此时，wf(s,x)即表示信号f的小波变换，有：
[0084]
wf(s,x)＝f*ψ
s
(x)
ꢀꢀ
(3)
[0085]
令s＝2
j
，则为二进小波，那么二进小波变换可以表示为：
[0086][0087]
②
若ψ是基础小波，设ψ以及其fourier变换均为窗函数，其时窗宽度和频窗宽度均
为δψ，则时间频率在平面上形成的矩形面积可以表示为δψδψ；
[0088]
设ψ1为通过式(2)定义的函数，由于因此ψ1＝sδψ，窗口面积为δψ
s
δψ1＝δψδψ，随后采用mallat方法进行小波分解将不同频率的电力信号展开；
[0089]
在mallat论中，小波函数ψ(x)为正交互补空间的生成元，其尺度方程可以表示为：
[0090][0091][0092]
上式中，分别表示ψ、的fourier变换，g(ω)＝f[g(n)]，h(ω)＝f[h(n)]。在处理信号过程中，g(n)和h(n)为一对正交滤波器；
[0093]
③
设表示f在v
j
中的投影，表示f在w
j
上的投影，由于则可以由来表示，因此即可以通过以上原理完成电力信号的分解和重构。
[0094]
步骤2、检测步骤1的分解和重构后的电力信号数据流中的故障数据，完成系统故障检测。
[0095]
所述步骤2的具体步骤包括：
[0096]
(1)首先将小波展开后的电力信号多源数据划分为间集，快速的检测出数据流中的故障数据；检测方法如图1所示。
[0097]
所述步骤2第(1)步的具体步骤包括：
[0098]
①
设小波处理后的数据是一维数据x(n)＝{x1,x2,
…
,x
n
}，x
k
∈r；使x(n)的区间a＝[a,b]满足以下关系：
[0099]
v(a)＝g1(num{x
k
∈x(n)|a≤x
k
≤e(x(n))})
×
g2(a)
[0100]
v(b)＝g1(num{x
k
∈x(n)|e(x(n))＜x
k
≤b})
×
g2(b)
ꢀꢀ
(6)
[0101]
上式中，num(x(n))表示x(n)在区间a中元素数量，e(x(n))表示x(n)的数学期望；v(a)、v(b)分别表示区间的界线值，v(a)、v(b)值最大时，即可获得最优边界a
best
、b
best
；
[0102]
此时g1、g2可以分别表示为：
[0103]
g1(u)＝u2+u+c
ꢀꢀ
(7)
[0104][0105]
上式中，c为常数，一般其取值为0.5，也可根据实际要求制定，u表示因数，σ2表示x(n)的方差。聚类分析主要是基于相似度进行分类的，因此，采用马氏距离计算两个子序列的相似度；
[0106]
将上述两个样本分别用x，y代替，则两样本间的马氏距离计算函数可以表示为：
[0107]
[0108]
式(9)中，c
‑1表示[x,y]协方差矩阵逆矩阵，c可以通过下式进行计算：
[0109][0110]
②
设样本集x中共包含n个样本，各样本中有m个变量，且包含n个样本的样本集x为n
×
m矩阵。则目标样本与样本集间的关系可以表示为：
[0111][0112]
式(11)中，为x协方差矩阵的逆矩阵，为x的平均值，可通过式(12)求得：
[0113][0114]
协方差矩阵c
x
的计算方法为：
[0115][0116]
已知两个子序列间相似度，计算多个子序列相似度。将包含连续的s(s＜＜n)个子序列区间集a
k
,a
k+1
,
…
,a
k+s
‑1视为一个整体，将其与另一个有s个子序列的区间集记作第i和j个序列，则其相似度可以表示为：
[0117][0118]
计算出第i个序列和其余序列的公共元素间的最大相似度，将计算结果记作第i个序列相似度的评分：
[0119]
d
i
＝maxs
ij
(|i
‑
j|＞s)
ꢀꢀ
(15)
[0120]
随后根据相似度获得数据集间异常度，记第i个序列的异常检测评分如下：
[0121][0122]
计算出异常度后，如果所得结果大于0.5，则该多源数据序列即为电力设备某参量中出现了异常数据。
[0123]
(2)采用聚类方法对多源故障数据进行处理，进而在线检测出多源故障数据序列内异常度，完成系统故障检测；
[0124]
所述步骤2第(2)步的具体步骤包括：
[0125]
①
在多源数据中任意选择一个对象点x
i
；
[0126]
②
以核心对象点x
i
为初始位置进行拓展，搜索每一个与该点密度相连的数据点{p1,p2,
…
p
m
}，直到再无符合标准的点时停止搜索；
[0127]
③
将对象点x
i
与搜索获得的数据集{p1,p2,
…
p
m
}定义成新聚类形成的簇c
i
；
[0128]
④
去除上一步骤中所有c
i
的数据点，再次寻找一个没有被聚类的对象点x
j
，重复操作直至没有符合要求的对象点停止循环；
[0129]
⑤
完成所有簇均聚类后对多源数据进行聚类处理获得p个簇，数据集中不属于任何簇的数据点，将其认定为系统发生故障的数据，进而在线检测出多源故障数据序列内异
常度，完成系统故障检测。
[0130]
在本实施例中，为验证本发明方法进行如下仿真实验：
[0131]
实验样本为2019
‑
2020年某电力系统5个设备数据共185传感节点获得的数据，采集频率为3min采集一次，记录出现故障的总次数，数据信息如表1所示：
[0132]
(表1)：
[0133][0134]
以准确率和召回率为衡量指标，将本发明方法的整体性能和背景技术中文献[1]、文献[2]方法进行对比，准确率、召回率可通过以下公式计算：
[0135]
准确率＝|真实异常∩检测到异常|/|检测异常|
[0136]
召回率＝|真实异常∩检测到异常|/|真实异常|
[0137]
本发明通过对聚类分析并对相关传感节点分组研究，采集分析数据间相关度和异常相关度。聚类的结果如表2所示，聚类分组后数据间存在异常度节点结果集如表3所示，能够看出，通过聚类分组后，计算彼此相关性强传感节点的关联度，能够有效得出最精准的故障预警结果。
[0138]
(表2)：
[0139][0140]
(表3)：
[0141][0142][0143]
计算本发明方法与文献[1]、[2]方法的准确率、召回率，两个指标的对比图分别如图2、图3所示，对于二次系统中的各设备，本发明方法的检测准确率高于其他两种方法，本
发明将多源数据聚类信号状态评估相结合，提出了多源数据聚类下电力二次系统故障检测方法。通过小波变换对信号进行分解，随后结合大数据聚类方法计算出各信号之间的相关性，最后实验表明所提方法的整体性能要优于传统方法，能够有效的检测出大部分二次设备故障。
[0144]
需要强调的是，本发明所述实施例是说明性的，而不是限定性的，因此本发明包括并不限于具体实施方式中所述实施例，凡是由本领域技术人员根据本发明的技术方案得出的其他实施方式，同样属于本发明保护的范围。