基于波形子序列分割-聚类的配电网弧光接地辨识方法

1.本发明属于配电自动化技术领域，尤其涉及一种基于波形子序列分割-聚类的配电网弧光接地辨识方法。


背景技术：

2.据调查，80％以上的停电损失是由配电网故障引起的，因此配电网的故障诊断一直是供电单位的研究对象。其中弧光接地故障不易发现且危害巨大，产生机理复杂，是接地故障中难以检测的一类。近年来，随着我国智能电网建设的发展，配电网故障数据的故障特征提取和故障辨识是近年来研究者们关注的两大关键问题。
3.现有的配电网弧光接地辩识方法存在以下技术缺陷：1)未考虑发展性故障的数据分割，用整体数据分析对故障特征会产生混肴，造成特征提取不准确，辨识准确率降低；2)主要采用零序电压波形进行特征分析，从而辨识故障，但部分故障类型特征相似，单一波形特征判断容易造成误判。


技术实现要素：

4.本发明提供一种基于波形子序列分割-聚类的配电网弧光接地辨识方法，用于解决上述提及的技术问题。
5.本发明提供一种基于波形子序列分割-聚类的配电网弧光接地辨识方法，包括：获取原始零序电压波形数据，选取长度为w的零序电压序列并计算其标准差，记为标准差序列并选取长度为u的标准差序列并计算其短时期记忆指标，记为短时期记忆指标序列h＝[h0，h1，...]；比较所述短时期记忆指标序列中各个短时期记忆指标与故障指标阈值δ的大小，并从所述短时期记忆指标序列中第一个大于故障指标阈值δ的故障时刻起，选取所述短时期记忆指标序列中长度为l的一段子序列存为临时指标序列(hg，h
g+l
)；判断所述短时期记忆指标序列的补充指标序列 (h
g+l
，h
g+2l-1
)中是否存在至少一个数据点的故障指标值|h
t
|大于故障指标阈值δ，及某一故障数据点的故障指标值与另一故障数据点的故障指标值的差值|h
t-h
t-1
|是否大于类别阈值差λ，其中，所述补充指标序列 (h
g+l
，h
g+2l-1
)的长度等于l；若补充指标序列(h
g+l
，h
g+2l-1
)中存在至少一个数据点的故障指标值|h
t
|大于故障指标阈值δ，且某一故障数据点的故障指标值与另一故障数据点的故障指标值的差值|h
t-h
t-1
|大于类别阈值差λ，则将所述补充指标序列(h
g+l
，h
g+2l-1
)内某一故障数据点之前的所有数据点与所述临时指标序列进行合并，得到最终故障指标序列，并将所述补充指标序列(h
g+l
，h
g+2l-1
)内某一故障数据点之后的一个数据点作为另一个临时指标序列的起点；将分割完成后的最终故障指标序列对应到零序电压序列中，得到故障波形子序列，其中，最终故障指标序列(sp，ep)的起点sp和终点ep与零序电压序列对应关系为其中start和end分别表示零序电压中故障波形子序列的起点和终
点；联合三相电压波形和零序电压波形对所述故障波形子序列的时频特征进行提取，并对提取后的所述时频特征进行特征降维处理，得到故障波形子序列的故障目标特征；基于预设的故障辩识模型对所述故障目标特征进行分析，得到与所述故障目标特征对应的故障波形子序列的故障类型。
[0006]
在本发明的一些实施方式中，在判断所述短时期记忆指标序列的补充指标序列(h
g+l
，h
g+2l-1
)中是否存在至少一个数据点的故障值|h
t
|大于故障指标阈值δ，及某一故障数据点的故障值与另一故障数据点的故障值的差值|h
t-h
i-1
|是否大于类别阈值差λ之后，所述方法还包括：若补充指标序列(h
g+l
，h
g+2l-1
)中存在至少一个数据点的指标值|h
t
|大于故障指标阈值δ，且任意一故障数据点的指标值与其他故障数据点的指标值的差值|h
t-h
t-1
| 不大于类别阈值差λ，则将所述补充指标序列(h
g+l
，h
g+2l-1
)内某一故障数据点之前的所有数据点与所述临时指标序列进行合并，得到最终故障指标序列，并将所述补充指标序列(h
g+l
，h
g+2l-1
)内某一故障数据点之后的一个数据点作为另一个临时指标序列的起点。
[0007]
在本发明的一些实施方式中，在判断所述短时期记忆指标序列的补充指标序列(h
g+l
，h
g+2l-1
)中是否存在至少一个数据点的故障值|h
t
|大于故障指标阈值δ，及某一故障数据点的故障值与另一故障数据点的故障值的差值|h
t-h
t-1
|是否大于类别阈值差λ之后，所述方法还包括：若所述补充指标序列(h
g+l
，h
g+2l-1
)中不存在至少一个数据点的故障值|g
t
|大于故障指标阈值δ，则直接将所述临时指标序列定义为最终故障指标序列。
[0008]
在本发明的一些实施方式中，其中，根据改进lstm算法计算所述故障指标值|h
t
|，其计算过程具体为：对输入的时间序列进行标准差处理得到标准差序列其中，计算标准差的表达式为：式中，zi和分别为第i个原始零序电压信号和连续选取的n个原始零序电压信号的均值；进行短时期记忆指标计算时，设当前时刻的输入为则当前输入的响应输出为短时期记忆h
t
，其中，x
t
取值长度为u，，计算短时期记忆h
t
的表达式为：式中，f
t
、i
t
分别为遗忘门的状态结果、输入门的状态结果，σ为激活函数，wf为连接权重，x
t
为当前时刻的零序电压信号的均值序列输入，h
t-1
为t-1时刻的短时记忆输出，tanh为激活函数，h
t
为t时刻的短时记忆输出，bf为偏置相，wc为输入状态权值，bc为偏置项，为相同形状向量对应元素相乘，为t时刻输入的单元状态。
[0009]
在本发明的一些实施方式中，所述对提取后的所述时频特征进行特征降维处理，包括：基于主成分分析法对提取后的所述时频特征进行特征降维处理，具体为：输入m条n维数据，将特征值按列组成n行m列矩阵其中，为第n个故障的m个特征向量；将矩阵φ的每一行进行零均值化，即减去这一行的均值；计算协方差矩阵 e，其中，
协方差矩阵e的表达式为：式中，为特征向量和特征向量的协方差，为特征向量和特征向量的协方差；计算协方差矩阵e的特征值、特征向量，并将特征值从大到小排序，选择其中最大的n个特征值对应的特征向量作为行向量，组成特征向量矩阵p；将特征向量矩阵p转换到n个特征向量构建的新空间中，即q＝p*φ，其中，q为降维后的特征向量矩阵。
[0010]
在本发明的一些实施方式中，其中，构建预设的故障辩识模型的过程包括：确定k的值，k的含义为聚合的类的个数；随机地选择k个初始的聚类中心，从转换后的数据集q中随机选择k个质心向量 {μ1，μ2，...，μk}，质心向量的坐标选取公式为：式中，μ
[kx]
、μ
[ky]
、μ
[kz]
分别为k个质心的x坐标、y坐标、z坐标，mmu、mmv、mmw分别为x坐标中最小的值、y坐标中最小的值、z坐标中最小的值，rangeu、rangev、 rangew分别为x坐标最大值与最小值之差、y坐标最大值与最小值之差、z坐标最大值与最小值之差，rad()为(0，1)之间的随机数；分配样本点，更新簇中心，并计算样本q
ξ
(ξ＝1，2，...m)与各个质心向量的距离其中，q
ξ
为第ξ个样本；假设将簇划分为 (θ1，θ2
，
...θk)，则将q
ξ
记入距离最小的类别θk中，此时重新计算并更新质心μk，表达式为：式中，θk为聚类后的第k类数据，len(θk)为θk中的样本个数；重复分配样本点和更新簇中心的步骤，直到所有样本点分配完毕，所有样本点的归属类别没有发生变化或者迭代次数达到规定的最大值时，停止聚类。
[0011]
本技术的基于波形子序列分割-聚类的配电网弧光接地辨识方法，具体以下有益效果：
[0012]
1、采用改进lstm算法准确对在同一录波数据中不同类型故障数据的进行分割，减少了不同类型故障数据对波形特征值产生的影响；
[0013]
2、建立了联合三相电压和零序电压波形的时序特征提取的故障辨识模型，通过实验数据分析，得出了弧光接地故障与其他故障的边界条件，有效改善传统基于电流分析特征提取不足的问题。
附图说明
[0014]
为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
[0015]
图1为本发明一实施例提供的一种基于波形子序列分割-聚类的配电网弧光接地辨识方法的流程图；
[0016]
图2为本发明一实施例提供的一具体实施例的改进后lstm单元的细节图；
[0017]
图3为本发明一实施例提供的一具体实施例的波形子序列分割示意图；
[0018]
图4为本发明一实施例提供的一具体实施例的弧光接地安全边界示意图；
[0019]
图5为本发明一实施例提供的一具体实施例的四种类型样本数据与安全边界相对位置示意图。
具体实施方式
[0020]
为使本发明实施例的目的、技术方案和优点更加清楚，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一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
[0021]
请参阅图1，其示出了本技术的一种基于波形子序列分割-聚类的配电网弧光接地辨识方法的流程图。
[0022]
如图1所示，基于波形子序列分割-聚类的配电网弧光接地辨识方法具体包括以下步骤：
[0023]
步骤s101，获取原始零序电压波形数据，选取长度为w的零序电压序列并计算其标准差，记为标准差序列并选取长度为u的标准差序列并计算其短时期记忆指标，记为短时期记忆指标序列 h＝[h0，h1，...]
[0024]
步骤s102，比较所述短时期记忆指标序列中各个短时期记忆指标与故障指标阈值δ的大小，并从所述短时期记忆指标序列中第一个大于故障指标阈值δ的故障时刻起，选取所述短时期记忆指标序列中长度为l的一段子序列存为临时指标序列(hg，h
g+l
)。
[0025]
步骤s103，判断所述短时期记忆指标序列的补充指标序列 (h
g+l
，h
g+2l-1
)中是否存在至少一个数据点的故障指标值|h
t
|大于故障指标阈值δ，及某一故障数据点的故障指标值与另一故障数据点的故障指标值的差值|h
i-h
t-1
|是否大于类别阈值差λ，其中，所述补充指标序列 (h
g+l
，h
g+2l-1
)的长度等于l。
[0026]
在本实施例中，由于接地故障存在发展性，即有可能从一类故障演变至另一类故障，如图2所示，如果直接采取录波器的故障段数据分析，可能导致故障特征解析被混淆。于是采用基于改进lstm的波形子序列分割算法对各个故障进行分割。首先，由于接地故障数据具有强周期性，长期影响较小，于是混合了长时期记忆ci和短时期记忆h
t
，仅使用h
t
来表示。其次，对于传统lstm(long short-term memory，长短期记忆网络)算法，改进后的lstm结构中，不需要分开保存遗忘和记住的信息，只需采用一个结构即可，在遗忘门的输出信号上，用1减去该数值作为记忆门的状态选择，表示只更新需要被遗忘的那些信息的状态。降低了传统lstm模型的复杂度。
[0027]
如图3所示，对输入的时间序列进行标准差处理：滑动
步长为sa，zi和分别为第i个原始零序电压信号和连续选取的n个原始零序电压信号的均值。进行短时期记忆指标计算时，设当前时刻的输入为滑动步长为sb，xi取值长度为u。则当前输入的响应输出为短时期记忆hi。其中门控单元的遗忘门、输入门计算公式如下：
[0028]ft
＝σ(wf·
[h
t-1，
x
t
]+bf)，
[0029]it
＝1-f
t
，
[0030]
式中，f
t
、i
t
分别为遗忘门的状态结果、输入门的状态结果，σ为激活函数，wf为连接权重，bf为偏置相，为相同形状向量对应元素相乘，x
t
为，h
t-1
为。
[0031]
在改进的lstm结构中，输入门决定x
t
对h
t
的影响程度，输出门和单元状态共同决定单位输出值，计算公式如下：
[0032][0033][0034]
式中，bc为偏置项，wc为输入状态权值为t时刻输入的单元状态。
[0035]
给定故障指标阈值δ和类别阈值差λ，如果|h
t
|＞δ，则认为该段发生了故障。如果|h
t-h
t-1
|＞λ，则认为发生了不同类型的故障。
[0036]
步骤s104，若补充指标序列(h
g+l
，h
g+2l-1
)中存在至少一个数据点的故障指标值|h
t
|大于故障指标阈值δ，且某一故障数据点的故障指标值与另一故障数据点的故障指标值的差值|h
t-h
t-1
|大于类别阈值差λ，则将所述补充指标序列(h
g+l
，h
g+2l-1
)内某一故障数据点之前的所有数据点与所述临时指标序列进行合并，得到最终故障指标序列，并将所述补充指标序列 (h
g+l
，h
g+2l-1
)内某一故障数据点之后的一个数据点作为另一个临时指标序列的起点。
[0037]
在本实施例中，参阅图3，步骤(1)、从故障开始时刻起，选取长度为l的一段序列暂存为临时指标序列(hg，h
g+l
)。
[0038]
步骤(2)、如果补充指标序列(h
g+l
，h
g+2l-1
)内有故障数据，且故障类型与临时指标序列内的故障类型相同，即|h
t-h
t-1
|≤λ，则将补充指标序列内最后一个故障点(θ+b+1)之前的所有数据点与临时指标序列进行合并，并替换临时指标序列；如果补充序列内有故障数据，但故障类型与临时指标序列内的故障类型不同，即|h
t-h
t-1
|＞λ，则以该不同点之前的所有数据点与临时指标序列进行合并，并替换临时指标序列；如果补充序列内没有故障点，则将临时指标序列分割为最终故障指标序列并标号。
[0039]
步骤(3)、重复步骤(2)，直到所有波形子序列分割完毕。
[0040]
在一个应用场景中，对于不同的实验样本，将本方法与现有的方法如小波变换、模态分解等方法对故障的检测及分割准确率进行对比，如表1所示。表中本方法对故障的检测准确率达到100％，变分模态分解无法对铁磁谐振故障进行检测，而小波变换对于一般接地故障也无法准确检测。并且小波变换在进行序列分割时，无法对弧光接地故障的重点进行准确检测，从而采用下一个弧光接地故障的开始作为上一个故障的终点，导致一般接地故障被分割为弧光接地故障。
[0041]
表1不同方法的故障分割准确率对比
[0042][0043]
步骤s 105，将分割完成后的最终故障指标序列对应到零序电压序列中，得到故障波形子序列，其中，最终故障指标序列(sp，ep)的起点sp和终点ep与零序电压序列对应关系为其中start和end 分别表示零序电压中故障波形子序列的起点和终点。
[0044]
步骤s106，联合三相电压波形和零序电压波形对所述故障波形子序列的时频特征进行提取，并对提取后的所述时频特征进行特征降维处理，得到故障波形子序列的故障目标特征。
[0045]
在本实施例中，将分割后的故障波形子序列进行时频域的特征值提取，主要包括时域中的均值、方差、峰-峰值和峭度。均值表现出数据的平均水平，方差度量了数据的离散程度，峰-峰值表现出一个周期内信号最高值和最低值之间差的值，峭度系数反映了振动信号分布特性，峭度系数计算时采用四次方，能够减小噪声影响并提高信噪比。频域中的及次谐波含量、重心频率、频率标准差、均方根频率。谐波含量是从交流量中减去基波分量后得到的量，电网中主要是50hz的电压，在某些情况下会出现更高的频率的信号，当谐波信号的频率是基波信号频率的奇数倍时则称该谐波为奇次谐波。重心频率能够描述信号在频谱中分量较大的信号成分的频率，反映信号功率谱的情况。频率标准差描述功率谱能量分布的分散程度。均方根频率为均方频率的算术平方根，可以看做惯性半径。
[0046]
如表2所示，表中为部分故障波形子序列时、频域特征参量。若仅依赖零序电压进行辨识，则峰-峰值指标、三次谐波含量无法将铁磁谐振故障与弧光接地故障进行区分，均方根频率指标无法将弧光接地故障与正常情况进行区分。五次、七次谐波含量指标无法将三种故障进行区分。若仅依赖三相电压进行辨识，则方差指标无法对铁磁谐振和正常情况进行区分，重心频率指标无法对弧光接地故障和铁磁谐振故障进行区分，均值指标则无法对三种故障进行辨识。于是采用联合零序电压和三相电压对故障进行辨识，如方差、峰-峰值等指标则能够将几类故障进行区分。
[0047]
表2部分故障波形子序列时域、频域特征参量
[0048][0049]
进一步地，主成分分析法运用线性代数知识进行数据降维，将多个变量转换为少数几个不相关的综合变量来比较全面地反映整个数据集。综合变量称为主成分，各主成分之间彼此不相关，即所代表的信息不重叠。主成分分析法的步骤如下：
[0050]
输入m条n维数据，将特征值按列组成n行m列矩阵其中，为第n个故障的m个特征向量；
[0051]
将矩阵φ的每一行进行零均值化，即减去这一行的均值；
[0052]
计算协方差矩阵e，其中，协方差矩阵e的表达式为：
[0053][0054]
式中，为特征向量和特征向量的协方差，为特征向量和特征向量的协方差；
[0055]
计算协方差矩阵e的特征值、特征向量，并将特征值从大到小排序，选择其中最大的n个特征值对应的特征向量作为行向量，组成特征向量矩阵p：
[0056]
将特征向量矩阵p转换到n个特征向量构建的新空间中，即 q＝p*φ，其中，q为降维后的特征向量矩阵。
[0057]
需要说明的是，表3为各主成分因子荷载系数表，表中指标为标准化后的方差、峭度、峰-峰值、均值、重心频率、频率标准差、均方根频率、三次谐波、五次谐波、七次谐波。由表可知，主成分1与方差正相关相关程度大；主成分2与均方根频率有较大负相关，与频率标准差、重心频率有较大正相关；主成分3与重心频率有较大的负相关，与频率标准差有较大的正相关。
[0058]
表3因子荷载系数表
[0059][0060]
步骤s107，基于预设的故障辩识模型对所述故障目标特征进行分析，得到与所述故障目标特征对应的故障波形子序列的故障类型。
[0061]
在本实施例中，构建预设的故障辩识模型的过程包括：
[0062]
确定k的值，k的含义为聚合的类的个数。
[0063]
随机地选择k个初始的聚类中心，从转换后的数据集q中随机选择k 个质心向量{μ1，μ2，...，μk}，质心向量的坐标选取公式为：
[0064][0065]
式中，μ
[kx]
、μ
[ky]
、μ
[kz]
分别为k个质心的x坐标值、y坐标值、z 坐标值，mmu、mmv、mmw分别为x坐标中最小的值、y坐标中最小的值、z坐标中最小的值，rangeu、rangev、rangew分别为x坐标最大值与最小值之差、y坐标最大值与最小值之差、z坐标最大值与最小值之差，rand()为(0，1)之间的随机数；
[0066]
分配样本点，更新簇中心，并计算样本q
ξ
(ξ＝1，2，...m)与各个质心向量的距离其中，q
ξ
为第ξ个样本；
[0067]
假设将簇划分为(θ1，θ2，...θk)，则将q
ξ
记入距离最小的类别θk中，此时重新计算并更新质心μk，表达式为：
[0068][0069]
式中，θk为聚类后的第k类数据，len(θk)为θk中的样本个数；
[0070]
重复分配样本点和更新簇中心的步骤，直到所有样本点分配完毕，所有样本点的归属类别没有发生变化或者迭代次数达到规定的最大值时，停止聚类。
[0071]
进一步地，训练样本进行训练后，每个样本到各个聚类中心的距离如表4所示，计算训练数据与各个聚类中心的距离，并将数据划分到距离最近的类，最后一列为故障类型判别。第1类为弧光接地故障，第2类为铁磁谐振故障，第3类为正常情况。
[0072]
表4训练样本与聚类中心距离表
[0073][0074]
需要说明的是，若故障数据落在安全边界以内，则能够将该故障数据进行准确故障类别辨识。弧光接地故障安全边界的中心为经过聚类后归属为弧光接地故障类型数据的聚类中心，安全边界的赤道半径和极半径如下式所示：
[0075][0076]
式中，ga为赤道半径，gb和gc均为极半径，max(p/q/r)分别为聚类后的弧光接地故障类型数据沿着坐标轴x/y/z方向的最大值，min(p/q/r)分别为聚类后的弧光接地故障类型数据沿着坐标轴x/y/z方向的最小值；
[0077]
对安全边界的赤道半径和极半径极进行计算。经计算，安全边界的赤道半径分别为：111.0和119.5，极半径为29.7。图4中球形区域为弧光接地故障的安全边界，样本点为经过聚类后归属为弧光接地故障的数据。由图中可以看出，弧光接地故障数据绝大多数落在安全边界内，即安全边界能够比较准确地对弧光接地故障与其他故障进行区分。
[0078]
对于弧光高阻接地故障，采用本文所提出的方法对故障波形子序列进行分割、特征提取、降维后得到如表5所示的四种类型样本降维后主成分分量，其中高阻接地样本和低阻接地样本均在安全边界内，而正常情况样本与铁磁谐振故障样本均在安全边界外。结合图5可知，本文所提出的方法对弧光高阻接地故障也能进行准确辨识。
[0079]
表5四种类型样本降维后主成分分量
[0080][0081]
不同方法对弧光接地故障进行辨识的辨识准确率如表6所示。表中所列举的几种算法的辨识准确率均大于90％。本弧光接地故障辨识算法的辨识准确率达97.12％，辨识准确率比分别比滑动窗口-卷积神经网络 (wt-cnn)、变分模态分解-支持向量机(vmd-svm)提升3.31％和 2.38％。
[0082]
表6不同算法模型的辨识性能
[0083][0084]
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。