基于模糊c均值聚类算法的故障区段定位方法及装置制造方法及图纸

本发明专利技术公开了一种基于模糊c均值聚类算法的故障区段定位方法及装置，其中方法包括：获取分布于全网的n个节点的故障特征向量，构建待测样本集；将待测样本集中每个待测样本进行标准化预处理；基于模糊c均值聚类算法将n个预处理后的待测样本划分为故障类和非故障类，并计算得到故障类和非故障类的聚类中心；计算预处理后的每个待测样本与故障类和非故障类的聚类中心之间的距离，根据两者的大小关系将每个待测样本对应的节点划分到故障类或非故障类；搜索故障特征信息传播途径，确定故障信息源位置，实现故障区段定位。采用多源故障特征量进行综合分析的思路，提升了数据方面的可信度。

【技术实现步骤摘要】
基于模糊c均值聚类算法的故障区段定位方法及装置
本专利技术涉及配电网
，尤其涉及一种基于模糊c均值聚类算法的故障区段定位方法及装置。
技术介绍
传统保护方法的核心思想是将从测量点实时信息中提取的故障特征量与预设的保护整定值或整定曲线进行比较，一旦测量特征量的大小超出整定值所限定的范围，则判定故障发生，保护装置动作。然而，这些基于保护整定值的方法在实际应用中所取得的效果并不十分理想。主要受到以下几个方面的制约：小电流接地故障时，系统阻抗大，因此发生单相接地故障时，故障电流小，作为保护判据的特征量微弱，检测存在很大难度；配电网运行方式复杂多变，对于不同运行工况，预设的保护整定值难以自适应性调整；不同故障条件下表现出来的故障特性各不相同，故障特征量的变化范围大，难以准确检测；在现场环境中，故障信号还存在受电磁干扰，系统不平衡电流影响，负荷电流淹没等问题，信噪比不高；分布式电源DG(Distributedgeneration)在配电网中的渗透率逐步提高的大背景下，传统单向潮流的被动配电网正逐步演变为具有双向潮流的主动配电网，故障特征量的变化范围进一步增大。随着配电网故障区段定位研究的发展，基于智能算法的故障区段定位方法成为了新的研究热点。对于具有自学能力的智能算法，可以在不预知研究对象的数学模型的情况下，通过在线训练大量故障样本，实现对馈线运行状态的描述与判断，并提高故障区段定位精度。人工神经网络算法的优点在于数据训练过程便于操作，适用范围广，已有许多学者在这方面开展研究。相关文献提出借助人工神经网络模型实现故障定位的方案，首先采用小波包对提取的暂态过程信号进行处理，然后利用人工神经网络对故障信息进行离线训练，从而得到故障定位结果。相关文献对BP神经网络的结构进行特殊化处理，在原有网络结构的基础上有机融入小波变换层与模糊处理层结构，提升了故障识别准确性。相关文献深入分析非故障相的暂态电流，提出了一种单相接地故障定位新方法，该方法基于故障线路的非故障相电流暂态量来实现故障定位，首先利用小波变换处理暂态故障信息，然后配合人工神经网络进行分析，可以有效降低系统运行方式发生改变及故障条件变化等因素对故障定位造成的影响。根据上述分析可以看出，基于这些新的数学方法，国内外广大专家和学者对小电流接地系统故障区段定位进行了深入研究，并不断有突破性的新思路引入小电流接地系统故障区段定位领域，如把小波分析、Prony、遗传算法、专家系统、人工神经网络、模糊理论等引入到小电流系统故障区段定位领域中。智能算法的引入，虽然在一定程度上提升了故障区段定位的准确性和可靠性，但迄今为止，小电流接地系统的故障区段定位难题并没有得到妥善解决。专利技术人发现，对于具体的工程实践问题，即使有先进的智能数学方法作为支撑，我们也不应忽视对配电网接地故障机理及原理的研究，而如何能够从接地故障自身的故障特征出发，研究适应于不同运行方式下各种故障条件的故障区段定位新方法显得尤为重要。
技术实现思路
本专利技术提供了一种基于模糊c均值聚类算法的故障区段定位方法、装置，以解决现有技术中没有深度发掘配电网接地故障特性导致准确性、可靠性低的问题。第一方面，提供了一种基于模糊c均值聚类算法的故障区段定位方法，包括：获取分布于全网的n个节点的多个故障特征量，每个节点的多个故障特征量构成一个故障特征向量，将故障特征向量作为待测样本构建待测样本集；将待测样本集中每个待测样本进行标准化预处理；构建高维故障特征空间，基于预处理后的每个待测样本的多个故障特征量将n个待测样本投射至该高维故障特征空间中，基于模糊c均值聚类算法将n个预处理后的待测样本划分为故障类和非故障类，并计算得到故障类和非故障类的聚类中心；分别计算预处理后的每个待测样本与故障类和非故障类的聚类中心之间的距离dk1和dk2，根据dk1和dk2的大小关系将预处理后的每个待测样本对应的节点划分到故障类或非故障类；基于每个节点所属的故障类别搜索故障特征信息传播途径，确定故障信息源位置，实现故障区段定位。进一步地，所述将待测样本集中每个待测样本进行标准化预处理包括：将待测样本按如下公式进行标准化预处理：其中，xk′j为第k个待测样本的第j个故障特征量值，为第j个故障特征量的均值，S(xj′)为第j个故障特征量的标准差，xkj为标准化预处理后第k个待测样本的第j个故障特征量值，s为每个节点获取的故障特征量总个数。进一步地，所述基于模糊c均值聚类算法将n个预处理后的待测样本划分为故障类和非故障类，并计算得到故障类和非故障类的聚类中心，包括：通过以下优化目标函数(4)，借由平衡迭代方程(5)和(6)对所有预处理后的待测样本进行动态聚类，并得到故障类和非故障类的聚类中心：其中，c为聚类类别数量，取c＝2；μik∈[0,1]表示预处理后的第k个待测样本xk从属于第i种聚类类型的隶属度，满足pi为聚类中心，i取1或2，p1为故障类中心，p2为非故障类中心；||·||为表征预处理后的待测样本与聚类中心之间空间距离的矩阵范数；m为加权指数，取m＝2；U为所有预处理后的待测样本隶属度所构成的隶属矩阵，P为所有聚类中心pi构成的聚类中心矩阵，Jm(U，P)为聚类损失函数，Mfc为预处理后的待测样本的模糊c划分空间，Rs为迭代过程中产生的所有隶属矩阵；优化目标函数(4)的迭代过程终止条件为：w为当前迭代次数，ε为预先设定的迭代停止阈值，ε取1.0e-6。进一步地，所述分别计算预处理后的每个待测样本与故障类和非故障类的聚类中心之间的距离dk1和dk2，根据dk1和dk2的大小关系将预处理后的每个待测样本对应的节点划分到故障类或非故障类，包括：通过公式(7)来计算每个预处理后的待测样本与故障类和非故障类的聚类中心之间的欧式距离：其中，dk1表示预处理后的待测样本与故障类中心的距离，dk2表示预处理后的待测样本与非故障类中心的距离，xkj为标准化预处理后第k个待测样本的第j个故障特征量值，pij表示故障类或非故障类的第j个故障特征量的聚类中心，s为每个节点获取的故障特征量总个数；如果dk1>dk2，则该预处理后的待测样本对应的节点属于非故障类；如果dk1<dk2，则该预处理后的待测样本对应的节点属于故障类。进一步地，所述多个故障特征量包括若干稳态特征量和若干暂态特征量；所述若干稳态特征量至少包括零序导纳角xk1、负序电流xk2、零序电流xk3、各相电压幅值变化量以及各相电压相角变化量中的两种；所述若干暂态特征量至少包括db3小波变换后零序电流模极大值xk4、故障起始后半个工频周波内的零序能量函数值xk5、故障后一个工频周期的零序有功值xk6的两种。进一步地，所述多个故障特征量包括三种稳态特征量及两种暂态特征量；三种稳态特征量包括零序导纳角xk1、负序电流xk2、以及零序电流xk3；两种暂态特征量包括db3小波变换后零序电流模极大值xk4本文档来自技高网...

【技术保护点】
1.一种基于模糊c均值聚类算法的故障区段定位方法，其特征在于，包括：/n获取分布于全网的n个节点的多个故障特征量，每个节点的多个故障特征量构成一个故障特征向量，将故障特征向量作为待测样本构建待测样本集；/n将待测样本集中每个待测样本进行标准化预处理；/n构建高维故障特征空间，基于预处理后的每个待测样本的多个故障特征量将n个待测样本投射至该高维故障特征空间中，基于模糊c均值聚类算法将n个预处理后的待测样本划分为故障类和非故障类，并计算得到故障类和非故障类的聚类中心；/n分别计算预处理后的每个待测样本与故障类和非故障类的聚类中心之间的距离d

【技术特征摘要】
1.一种基于模糊c均值聚类算法的故障区段定位方法，其特征在于，包括：
获取分布于全网的n个节点的多个故障特征量，每个节点的多个故障特征量构成一个故障特征向量，将故障特征向量作为待测样本构建待测样本集；
将待测样本集中每个待测样本进行标准化预处理；
构建高维故障特征空间，基于预处理后的每个待测样本的多个故障特征量将n个待测样本投射至该高维故障特征空间中，基于模糊c均值聚类算法将n个预处理后的待测样本划分为故障类和非故障类，并计算得到故障类和非故障类的聚类中心；
分别计算预处理后的每个待测样本与故障类和非故障类的聚类中心之间的距离dk1和dk2，根据dk1和dk2的大小关系将预处理后的每个待测样本对应的节点划分到故障类或非故障类；
基于每个节点所属的故障类别搜索故障特征信息传播途径，确定故障信息源位置，实现故障区段定位。


2.根据权利要求1所述的基于模糊c均值聚类算法的故障区段定位方法，其特征在于，所述将待测样本集中每个待测样本进行标准化预处理包括：
将待测样本按如下公式进行标准化预处理：









其中，x′kj为第k个待测样本的第j个故障特征量值，为第j个故障特征量的均值，S(x′j)为第j个故障特征量的标准差，xkj为标准化预处理后第k个待测样本的第j个故障特征量值，s为每个节点获取的故障特征量总个数。


3.根据权利要求1所述的基于模糊c均值聚类算法的故障区段定位方法，其特征在于，所述基于模糊c均值聚类算法将n个预处理后的待测样本划分为故障类和非故障类，并计算得到故障类和非故障类的聚类中心，包括：
通过以下优化目标函数(4)，借由平衡迭代方程(5)和(6)对所有预处理后的待测样本进行动态聚类，并得到故障类和非故障类的聚类中心：









其中，c为聚类类别数量，取c＝2；μik∈[0,1]表示预处理后的第k个待测样本xk从属于第i种聚类类型的隶属度，满足pi为聚类中心，i取1或2，p1为故障类中心，p2为非故障类中心；||·||为表征预处理后的待测样本与聚类中心之间空间距离的矩阵范数；m为加权指数，取m＝2；U为所有预处理后的待测样本隶属度所构成的隶属矩阵，P为所有聚类中心pi构成的聚类中心矩阵，Jm(U,P)为聚类损失函数，Mfc为预处理后的待测样本的模糊c划分空间；优化目标函数(4)的迭代过程终止条件为：w为当前迭代次数，ε为预先设定的迭代停止阈值。


4.根据权利要求3所述的基于模糊c均值聚类算法的故障区段定位方法，其特征在于，所述分别计算预处理后的每个待测样本与故障类和非故障类的聚类中心之间的距离dk1和dk2，根据dk1和dk2的大小关系将预处理后的每个待测样本对应的节点划分到故障类或非故障类，包括：
通过公式(7)来计算每个预处理后的待测样本与故障类和非故障类的聚...

【专利技术属性】
技术研发人员：陈宏山，丁晓兵，喻锟，史泽兵，邹豪，余江，李捷，郑茂然，李正红，高宏慧，陈朝晖，李理，刘思琪，曾祥君，吴江雄，孙铁鹏，
申请(专利权)人：中国南方电网有限责任公司，长沙理工大学，
类型：发明
国别省市：广东;44