一种配电网馈线故障类型识别方法及装置制造方法及图纸

本发明专利技术提供一种配电网馈线故障类型识别方法，包括获取波形采样数据、对波形采样数据依次进行希尔伯特‑黄变换及带通滤波，并根据带通滤波数据重构时频矩阵、求解时频矩阵的奇异值并构成特征向量矩阵、对所有特征向量矩阵进行归一化处理并将归一化后的特征向量矩阵作为多级支持向量机的输入样本来识别配电网馈线故障类型。本发明专利技术还提供一种配电网馈线故障类型识别装置。本发明专利技术的多级向量机分类性能良好，逻辑清晰，简单明了，能够较准确地识别单相接地、两相接地、两相短路、三相短路等四类配电网故障类型，本发明专利技术的配电网故障类型识别方法具有较强的适应能力，在噪声干扰等因素的影响下，仍具有良好的故障类型识别正确率。

Distribution network feeder fault type identification method and device

The present invention provides a feeder fault type identification method, including obtaining waveform sampling data, waveform sampling data in order Hilbert Huang transform and bandpass filtering, band-pass filtering and data reconstruction time-frequency matrix, solving time-frequency matrix singular value and the eigenvector matrix for all feature vector matrix the feature vectors are normalized and the normalized matrix as input samples of multistage support vector machine to identify the type of fault according to the distribution network. The invention also provides a distribution network feeder fault type identification device. Multistage vector machine of the invention has good classification performance, logic clear, simple and clear, can accurately identify the single phase grounding, two phase grounding, two phase short circuit and three-phase short circuit of four kinds of distribution network fault types, distribution network fault type identification method of the invention has strong adaptability, the influence of noise and other factors next, still has good accuracy of fault type recognition.

【技术实现步骤摘要】

本专利技术涉及一种配电网馈线故障类型识别方法及装置。
技术介绍
电力系统中，随着配电自动化系统的建设，配电网的运行范围在逐渐扩大，而有研究表明，电力系统中95％以上的故障发生在配电网，配电网的故障将直接导致用电用户受到严重的影响。目前，只能依靠用户报修的被动方式获取故障类型等信息，维修人员再根据这些信息启动故障处理流程解决处理，存在故障维修效率低甚至降低配电网供电可靠性，因此如何在配电网发生故障后及时准确地识别出故障类型，提高故障处理效率的问题亟需解决。
技术实现思路
本专利技术的目的是针对现有技术的不足，提出一种能够及时准确识别故障类型的配电网馈线故障识别方法及装置。本专利技术通过以下技术方案实现：一种配电网馈线故障类型识别方法，包括如下步骤：A、配电网发生故障后，获取母线三相电压、零序电压、故障馈线的三相电流和零序电流在故障前后一段时间的波形采样数据；B、分别对步骤A获取的各组波形采样数据依次进行希尔伯特-黄变换及带通滤波，并根据带通滤波数据重构时频矩阵；C、分别对每个时频矩阵进行奇异值分解得到一组奇异值，根据奇异值的累积贡献率选取每组奇异值中的前s个奇异值作为主奇异值，各个时频矩阵对应的主奇异值组成特征向量矩阵X；D、对特征向量矩阵X进行归一化处理得到元素值在[0,1]的特征向量矩阵X′，特征向量矩阵X′作为多级支持向量机的训练样本和测试样本；E、多级支持向量机根据训练样本进行训练后，再根据测试样本识别配电网馈线故障类型。进一步的，步骤B包括如下步骤：B1、分别将各组波形采样数据进行经验模态分解，每组波形采样数据均得到多个IMF分量；B2、对各个IMF分量做希尔伯特变换，得到希尔伯特能量谱图；B3、根据希尔伯特能量谱图进行带通滤波，将每个IMF分量分解到等间隔的频带上，并将每个频带内的所有IMF分解分量叠加，得到各组波形采样数据在各个频带内的分量数据；B4、将每组波形采样数据在各个频带内的分量数据作为时频矩阵的行来重构时频矩阵，每组波形采样数据对应一个重构时频矩阵。进一步的，所述步骤C中的累积贡献率根据公式计算，其中，λ为某组奇异值中的元素，n为该组奇异值的总个数。进一步的，所述步骤D中对特征向量矩阵X进行归一化处理得到特征向量矩阵X′的具体过程为：D1、将每个特征向量矩阵X拆分为4个分块矩阵Xg(g＝1,2,3,4)，分别对应三相电压、三相电流、零序电流和零序电压的奇异值部分，对Xg采用利用如下公式进行归一化：其中，xi'为分块矩阵Xg的归一化矩阵Xg'中的元素，xi为分块矩阵Xg中的元素，为分块矩阵Xg中值最小的元素，为分块矩阵Xg中值最大的元素，m为分块矩阵Xg中元素的个数；D2、将4个归一化后的分块矩阵Xg'合并即可得到特征向量矩阵X′。进一步的，所述步骤E包括以下步骤：E1、将部分特征向量矩阵X′作为训练样本输入多级支持向量机，多级向量机根据这些训练样本进行训练；E2、将另一部分特征向量矩阵X′作为测试样本输入多级支持向量机，多级向量机根据这些测试样本对配电网故障类型进行识别。进一步的，所述多级支持向量机包括第一至第三支持向量机，第一支持向量机根据所述测试样本进行故障类型识别，第二支持向量机根据第一支持向量机的输出结果及所述测试样本进行故障类型识别，第三支持向量机根据第二支持向量机的输出结果及所述测试样本进行故障类型识别。本专利技术还通过以下技术方案实现：一种配电网馈线故障类型识别装置，包括：数据获取模块：用于在配电网发生故障后，获取母线三相电压、零序电压、故障馈线的三相电流和零序电流在故障前一个周期和故障后两个周期的波形采样数据；时频矩阵重构模块：用于分别对步骤A获取的各组波形采样数据进行希尔伯特-黄变换及带通滤波后重构时频矩阵，每组波形采样数据可重构一个时频矩阵的模块；特征向量矩阵构建模块：用于分别对每个时频矩阵进行奇异值分解得到一组奇异值，根据奇异值的累积贡献率选取每组奇异值中的前s个奇异值作为主奇异值，各个时频矩阵对应的主奇异值组成特征向量矩阵X；特征向量矩阵归一化处理模块：用于对特征向量矩阵X进行归一化处理得到元素值在[0,1]的特征向量矩阵X′，特征向量矩阵X′作为多级支持向量机的训练样本和测试样本；故障类型识别模块：用于多级支持向量机根据训练样本进行训练后，再根据测试样本识别配电网馈线故障类型。进一步的，所述时频矩阵重构模块包括：分别将各组波形采样数据进行经验模态分解，每组波形采样数据均得到多个IMF分量的模块；对各个IMF分量做希尔伯特变换，得到希尔伯特能量谱图的模块；根据希尔伯特能量谱图进行带通滤波，将每个IMF分量分解到等间隔的频带上，并将每个频带内的所有IMF分解分量叠加，得到各组波形采样数据在各个频带内的分量数据的模块；将每组波形采样数据在各个频带内的分量数据作为时频矩阵的行来重构时频矩阵，每组波形采样数据对应一个重构时频矩阵的模块。本专利技术具有如下有益效果：1、本专利技术结合HHT带通滤波和奇异值分解的方法，可以有效提取出体现故障信号时频变化特征的主要特征量，其可以表征故障信号的固有模式占比，并且对于不同故障类型呈现出较大差异性。2、本专利技术的多级向量机分类性能良好，逻辑清晰，简单明了，能够较准确地识别单相接地、两相接地、两相短路、三相短路等四类配电网故障类型。3、本专利技术的配电网故障类型识别方法具有较强的适应能力，在噪声干扰等因素的影响下，仍具有良好的故障类型识别正确率。附图说明下面结合附图对本专利技术做进一步详细说明。图1为本专利技术的流程图。图2为本专利技术实施例中所应用的10kV配电网模型。具体实施方式如图1所示，本专利技术的配电网馈线故障类型识别方法，包括如下步骤：A、配电网发生故障后，获取母线三相电压、零序电压、故障馈线的三相电流和零序电流在故障前一个周期和故障后两个周期的波形采样数据，共八组波形采样数据；B、分别对步骤A获取的各组波形采样数据依次进行希尔伯特-黄变换及带通滤波处理，并根据带通滤波后的数据重构时频矩阵，每组波形采样数据可重构一个时频矩阵，本步骤具体包括如下步骤：B1、分别将各组波形采样数据进行经验模态分解，每组波形采样数据均得到多个IMF分量，具体为：(1)设第j组波形采样数据序列为X(t)，找出X(t)的所有极大值和极小值后，将这些极大值和极小值利用三次样条函数分别拟合为X(t)的上、下包络线，并以上、下包络线的均值为平均包络线m10(t)，根据公式h10(t)＝X(t)-m10(t)得到X(t)去掉低频成分的新序列h10(t)，对获得的新序列重复上述获得去掉低频的新序列的过程，当第a次重复获得的新序列h1a(t)的平均包络线m1a(t)趋近于零时，h1a(t)即为X(t)的第一个IMF分量c1(t)；(2)根据公式r1(t)＝X(t)-c1(t)得到X(t)去掉高频成分的新序列r1(t)，对r1(t)重复(1)中获得新序列的过程，得到X(t)的第二个IMF分量c2(t)；(3)重复(2)的过程，可得到X(t)的第b个IMF分量cb(t)，直到序列rd(t)的平均包络线趋近于零，此时X(t)与各个IMF分量的关系为： X ( t ) = Σ b 本文档来自技高网...

【技术保护点】
一种配电网馈线故障类型识别方法，其特征在于：包括如下步骤：A、配电网发生故障后，获取母线三相电压、零序电压、故障馈线的三相电流和零序电流在故障前后一段时间的波形采样数据；B、分别对步骤A获取的各组波形采样数据依次进行希尔伯特‑黄变换及带通滤波，并根据带通滤波数据重构时频矩阵；C、分别对每个时频矩阵进行奇异值分解得到一组奇异值，根据奇异值的累积贡献率选取每组奇异值中的前s个奇异值作为主奇异值，各个时频矩阵对应的主奇异值组成特征向量矩阵X；D、对特征向量矩阵X进行归一化处理得到元素值在[0,1]的特征向量矩阵X′，特征向量矩阵X′作为多级支持向量机的训练样本和测试样本；E、多级支持向量机根据训练样本进行训练后，再根据测试样本识别配电网馈线故障类型。

【技术特征摘要】
1.一种配电网馈线故障类型识别方法，其特征在于：包括如下步骤：A、配电网发生故障后，获取母线三相电压、零序电压、故障馈线的三相电流和零序电流在故障前后一段时间的波形采样数据；B、分别对步骤A获取的各组波形采样数据依次进行希尔伯特-黄变换及带通滤波，并根据带通滤波数据重构时频矩阵；C、分别对每个时频矩阵进行奇异值分解得到一组奇异值，根据奇异值的累积贡献率选取每组奇异值中的前s个奇异值作为主奇异值，各个时频矩阵对应的主奇异值组成特征向量矩阵X；D、对特征向量矩阵X进行归一化处理得到元素值在[0,1]的特征向量矩阵X′，特征向量矩阵X′作为多级支持向量机的训练样本和测试样本；E、多级支持向量机根据训练样本进行训练后，再根据测试样本识别配电网馈线故障类型。2.根据权利要求1所述的一种配电网馈线故障类型识别方法，其特征在于：步骤B包括如下步骤：B1、分别将各组波形采样数据进行经验模态分解，每组波形采样数据均得到多个IMF分量；B2、对各个IMF分量做希尔伯特变换，得到希尔伯特能量谱图；B3、根据希尔伯特能量谱图进行带通滤波，将每个IMF分量分解到等间隔的频带上，并将每个频带内的所有IMF分解分量叠加，得到各组波形采样数据在各个频带内的分量数据；B4、将每组波形采样数据在各个频带内的分量数据作为时频矩阵的行来重构时频矩阵，每组波形采样数据对应一个重构时频矩阵。3.根据权利要求1所述的一种配电网馈线故障类型识别方法，其特征在于：所述步骤C中的累积贡献率根据公式计算，其中，λ为某组奇异值中的元素，n为该组奇异值的总个数。4.根据权利要求1所述的一种配电网馈线故障类型识别方法，其特征在于：所述步骤D中对特征向量矩阵X进行归一化处理得到特征向量矩阵X′的具体过程为：D1、将每个特征向量矩阵X拆分为4个分块矩阵Xg(g＝1,2,3,4)，分别对应三相电压、三相电流、零序电流和零序电压的奇异值部分，对Xg采用利用如下公式进行归一化：其中，xi'为分块矩阵Xg的归一化矩阵Xg'中的元素，xi为分块矩阵Xg中的元素，为分块矩阵Xg中值最小的元素，为分块矩阵Xg中值最大的元素，m为分块矩阵Xg中元素的个数；D2、将4个归一化后的分块矩阵Xg'合并即可得到特征向量矩阵X′。5.根据权利...

【专利技术属性】
技术研发人员：郭谋发，陈立纯，陈永往，陈伟凡，傅春红，许小冬，林友松，
申请(专利权)人：国网福建晋江市供电有限公司，福州大学，
类型：发明
国别省市：福建;35