基于数据融合的变电站故障诊断方法技术

基于数据融合的变电站故障诊断方法，包括以下步骤：获取故障信号，包括电气设备振动信号、电气设备声波信号；通过HHT对电气设备故障信号进行分析，并提取故障的特征；构建基于RBF神经网络的动态网络结构在线训练算法；基于HHT与RBF神经网络的初步故障诊断；基于D

【技术实现步骤摘要】
基于数据融合的变电站故障诊断方法


[0001]本专利技术涉及变电站故障诊断
，具体涉及一种基于数据融合的变电站故障诊断方法。

技术介绍

[0002]随着我国电网负荷的持续增长、环境监管的愈加严格，以及跨区域电网规模的不断扩大、结构和运行的日益复杂，变电站中影响其稳定运行的各种不确定因素也有所增加，变电站故障引起大规模停电事故的风险亦有所升高。在这种情况下，在故障时快速准确的对其进行分析，以便及时消除故障的影响，保障变电站安全、稳定运行，也随之更加具有现实意义。
[0003]当电力系统中发生故障时，调度自动化系统会在较短时间内将大量的信息提供给运行人员，不仅给运行人员的分析带来不便，其中也包含了大量不必要上传的无用信息，这给故障的及时处理带来了严重的阻碍。另外，SCADA/EMS所能提供的信息有限，这些信息并不能完全满足运行人员对故障进行全面分析的需求。保护和开关的误动、拒动，以及因通信信道干扰所造成的信息缺失，也均会使基于单一信息源的故障分析的准确性受到严重影响。

技术实现思路

[0004]针对现有技术的不足，本专利技术提供一种基于数据融合的变电站故障诊断方法，该方法能够有效地精简用于故障分析的信息，并充分地利用故障录波等智能设备的信息，通过冗余、异构的多信息源数据融合，有效地减小因保护及开关的误动、拒动、以及因信道干扰造成的信息缺失等的影响。该方法有助于运行人员对故障的正确分析，进而保证及时对故障进行处理，从而保障变电站的安全、稳定运行。
[0005]本专利技术采取的技术方案为：
[0006]基于数据融合的变电站故障诊断方法，包括以下步骤：
[0007]步骤一：获取故障信号，包括电气设备振动信号、电气设备声波信号；
[0008]步骤二：通过HHT对电气设备故障信号进行分析，并提取故障的特征；
[0009]步骤三：构建基于RBF神经网络的动态网络结构在线训练算法；
[0010]步骤四：基于HHT与RBF神经网络，进行初步故障诊断；
[0011]步骤五：基于D
‑
S证据理论数据融合，得到故障诊断结果。
[0012]所述步骤二包括如下步骤：
[0013]步骤2.1、经验模态分解EMD：
[0014]以采集的振动信号为例，首先确定振动信号s(t)全部最大值点和最小值点，然后用三次样条差值拟合最大值点和最小值点，从而得到上下包络线的均值m1(t)，最后利用式(1)得到原始信号s(t)与包络线均值m1(t)之间的差值。
[0015]h1(t)＝s(t)
‑
m1(t)
ꢀꢀꢀ
(1)；
[0016]上述过程称为一次筛分，在正常的情况下h1(t)就是第一个IMF分量，可大多时候并不能满足，需要多次重复上述“筛分”的过程，直得h
1k
(t)符合IMF分量的要求。然后把h1(t)当作一个崭新的原始信号，不断重复上述过程k次，直至符合判据(2)。
[0017][0018]其中：SD表示的是两个连续处理结果之间的标准差，一般情况SD的值介于0.2—0.3时，能确保固有模态函数的线性和稳定性，t表示信号的时间跨度,h
1(k
‑
1)
(t)表示第k
‑
1次的固有模态函数，h
1k
(t)表示第k次的固有模态函数；
[0019]重复进行筛分k次得：
[0020]h
1k
(t)＝h
1(k
‑
1)
(t)
‑
m
1k
(t)
ꢀꢀꢀ
(3)；
[0021]h
1k
(t)表示第k次的固有模态函数，m
1k
(t)为h
1k
(t)的包络平均值。
[0022]记c1(t)＝h
1k
(t)，c1(t)即为通过分解得到的第一个固有模态函数IMF分量，c1(t)是信号中较高频率的部分，将其从原始振动信号s(t)中分离，如式(4)得到低频率的部分r1(t)。
[0023]r1(t)＝s(t)
‑
c1(t)
ꢀꢀꢀ
(4)；
[0024]将r1(t)作为原始振动信号，重复上述过程，得到第二个固有模态函数IMF分量c2(t)；
[0025]重复n次，得到n个IMF分量：
[0026][0027][0028]其中，r1(t)表示第一次分解得到的低频率部分，r2(t)表示上述第二次分解后得到的低频率部分，c2(t)表示第二个固有模态函数IMF分量；
[0029]r
n
(t)表示第n次分解得到的低频率部分,r
n
‑1(t)第n
‑
1次分解得到的低频率部分,c
n
(t)表示得到的第n个IMF分量；
[0030]上述分解的过程停止的条件：若r
n
(t)分解为一个单调函数则停止，由于单调函数不能再分解出固有模态函数。
[0031]由式(4)和式(5)可得：
[0032][0033]如式(6)，原振动信号s(t)被分解为n个IMF分量c
i
(t)和一个剩余分量r
n
(t)；c
i
(t)表示第i个固有模态函数IMF分量；
[0034]步骤2.2、Hilbert分析和Hilbert边际谱：
[0035]振动信号s(t)的Hilbert变换定义为
[0036][0037]式中：PV代表柯西主值，一般取1。
[0038]s(τ)表示时间常数τ的函数；
[0039]τ表示时间常数；
[0040]则s(t)的解析信号z(t)为：
[0041]z(t)＝s(t)+jy(t)＝a(t)e
jθ(t)
ꢀꢀꢀ
(8)；
[0042]j表示虚数单位，e
jθ(t)
表示欧拉公式的基本形式；
[0043]式中：为瞬时幅值，表示相位；
[0044]在此基础上定义瞬时频率：
[0045][0046]假如已经得到一个振动信号s(t)的固有模态函数，就能将每个固有模态函数进行希尔伯特变换，再根据公式(10)来计算瞬时频率；式(6)的每个IMF进行Hilbert变换可以得到
[0047][0048]上式中，Re表示的是实部，在计算过程中省去了r
n
(t)，由于其是一个单调函数或表示一个常量，在进行希尔伯特时频变换时一般情况下不涉及剩余分量，因为它代表了长期的趋势，是长周期的振荡，能量较大，所以我们更加关注的是高频低能量部分。
[0049]a
i
(t)表示瞬时幅值；θ(t)表示相位；ω
i
(t)表示瞬时频率；
[0050]将振幅显示在频率
...

【技术保护点】

【技术特征摘要】
1.基于数据融合的变电站故障诊断方法，其特征在于包括以下步骤：步骤一：获取故障信号，包括电气设备振动信号、电气设备声波信号；步骤二：通过HHT对电气设备故障信号进行分析，并提取故障的特征；步骤三：构建基于RBF神经网络的动态网络结构在线训练算法；步骤四：基于HHT与RBF神经网络，进行初步故障诊断；步骤五：基于D
‑
S证据理论数据融合，得到故障诊断结果。2.根据权利要求1所述基于数据融合的变电站故障诊断方法，其特征在于：所述步骤二包括如下步骤：步骤2.1、经验模态分解EMD：首先确定振动信号s(t)全部最大值点和最小值点，然后用三次样条差值拟合最大值点和最小值点，从而得到上下包络线的均值m1(t)，最后利用式(1)得到原始信号s(t)与包络线均值m1(t)之间的差值；h1(t)＝s(t)
‑
m1(t)
ꢀꢀꢀꢀ
(1)；然后把h1(t)当作一个崭新的原始信号，不断重复上述过程k次，直至符合判据(2)；其中：SD表示的是两个连续处理结果之间的标准差，t表示信号的时间跨度,h
1(k
‑
1)
(t)表示第k
‑
1次的固有模态函数，h
1k
(t)表示第k次的固有模态函数；重复进行筛分k次得：h
1k
(t)＝h
1(k
‑
1)
(t)
‑
m
1k
(t)
ꢀꢀꢀꢀ
(3)；h
1k
(t)表示第k次的固有模态函数，m
1k
(t)为h
1k
(t)的包络平均值；记c1(t)＝h
1k
(t)，c1(t)即为通过分解得到的第一个固有模态函数IMF分量，c1(t)是信号中较高频率的部分，将其从原始振动信号s(t)中分离，如式(4)得到低频率的部分r1(t)；r1(t)＝s(t)
‑
c1(t)
ꢀꢀꢀꢀ
(4)；将r1(t)作为原始振动信号，重复上述过程，得到第二个固有模态函数IMF分量c2(t)；重复n次，得到n个IMF分量：其中，r1(t)表示第一次分解得到的低频率部分，r2(t)表示上述第二次分解后得到的低频率部分，c2(t)表示第二个固有模态函数IMF分量；r
n
(t)表示第n次分解得到的低频率部分,r
n
‑1(t)第n
‑
1次分解得到的低频率部分,c
n
(t)表示得到的第n个IMF分量；上述分解的过程停止的条件：若r
n
(t)分解为一个单调函数则停止，由于单调函数不能再分解出固有模态函数；由式(4)和式(5)可得：
如式(6)，原振动信号s(t)被分解为n个IMF分量c
i
(t)和一个剩余分量r
n
(t)；c
i
(t)表示第i个固有模态函数IMF分量；步骤2.2、Hilbert分析和Hilbert边际谱：振动信号s(t)的Hilbert变换定义为式中：PV代表柯西主值；s(τ)表示时间常数τ的函数；τ表示时间常数；则s(t)的解析信号z(t)为：z(t)＝s(t)+jy(t)＝a(t)e
jθ(t)
ꢀꢀꢀꢀ
(8)；j表示虚数单位，e
jθ(t)
表示欧拉公式的基本形式；式中：为瞬时幅值，表示相位；在此基础上定义瞬时频率：若已经得到一个振动信号s(t)的固有模态函数，就能将每个固有模态函数进行希尔伯特变换，再根据公式(10)来计算瞬时频率；式(6)的每个IMF进行Hilbert变换得到上式中，Re表示的是实部；a
i
(t)表示瞬时幅值；θ(t)表示相位；ω
i
(t)表示瞬时频率；将振幅显示在频率
‑
时间平面上，则得到Hilbert谱H(ω,t)进一步能定义边际谱h(ω)：其中，T是振动信号的全部采样持续的时间，H(ω,t)是振动信号的希尔伯特时频谱；步骤2.3、提取特征变量：定义振动信号分解后各模态的平均能量为：其中，N表示每个模态函数的数据点数，为式(8)中瞬时幅值，E
i
表示各模态的平均能量；分解后每层的总平均能量为：则能量归一化处理后每层所占的能量比为：
由于HHT分解后的第一层、第二层和其余剩余各层的能量比之和能够较好地表征故障信息，所以选取这3个能量比作为特征变量，分别为m1、m2、m3，即作为步骤3中RBF神经网络的输入。3.根据权利要求1所述基于数据融合的变电站故障诊断方法，其特征在于：所述步骤三包括如下步骤：步骤3.1：分析RBF神经网络的变换关系：RBF神经网络是一种三层前馈网络，包括输入层、隐含层、输出层；设输入数据的维数是n，隐含层的单元数是P，输出量的维数是O，则神经网络的变换关系可以分解成两块；输入到隐含层的非线性变换：将高斯函数作为隐含层的径向基函数的表达式如式(16)所示，即第i个隐单元输出为：式中，M表示n维输入量，即M＝[m1,m2,
…
,m
n
]
T
；m1,m2,
…
,m
n
表示输入量中的元素；T
i
表示权值；σ
i
表示基函数单元的宽度，表示第i节点的中心向量；表示中心向量元素；||
·
||表示范数，P表示隐含层单元数；从隐含层到输出层的线性变换，第j个输出量：式中，表示式(16)第i个隐单元输出，ω
ij
表示第i个隐单元与第j个输出量之间的连接权，ω
j

【专利技术属性】
技术研发人员：熊威，王艳阳，刘庆国，龚康，李卫东，付萍，吴喜春，连升，陈泽华，高安亮，杨楠，
申请(专利权)人：国网湖北省电力有限公司宜昌供电公司，
类型：发明
国别省市：