【技术实现步骤摘要】
本专利技术涉及故障监测，尤其涉及一种基于行波特征的输电线缆故障监测方法及系统。
技术介绍
1、在输电线缆故障监测领域，传统的方法主要依赖于基于电流、电压的时域和频域分析技术。这些方法包括但不限于傅里叶变换、小波变换以及各种滤波算法，通过分析电流和电压信号的波形变化来检测和定位故障。尽管这些方法在一定程度上可以实现故障检测和定位，但存在精度有限、抗干扰能力差和实时性不足的问题。
2、然而，传统方法在面对复杂的电力系统环境时，其效果明显受到限制。具体表现为：对于噪声干扰较大的环境，传统方法容易出现误判和漏判现象，难以准确识别故障特征。在处理非线性、非平稳信号时，传统方法的精度和稳定性难以满足实际需求，导致故障定位的准确度不高。由于这些方法对实时处理能力要求较高，传统方法在快速故障检测和定位方面存在显著不足，难以适应现代电力系统对实时监测的需求。
技术实现思路
1、有鉴于此，本专利技术实施例提供了一种基于行波特征的输电线缆故障监测方法及系统，用于提高基于行波特征的输电线缆故障监测的效率及准确率。
2、本专利技术提供了一种基于行波特征的输电线缆故障监测方法，包括：对预设目标区域的输电线缆上的行波信号进行数据采集，得到初始行波数据；
3、将所述初始行波数据输入自组织映射算法进行数据映射处理，得到低维行波数据；
4、对所述低维行波数据进行稀疏编码处理，得到去噪行波数据；
5、将所述去噪行波数据输入自回归移动平均模型进行行波特征提取，得
6、将所述行波特征数据输入支持向量机进行故障特征匹配，得到故障特征匹配数据；
7、将所述行波特征数据输入扩展卡尔曼滤波算法进行故障定位，得到故障定位数据，并根据所述故障特征匹配数据以及所述故障定位数据生成故障监测报告。
8、在本专利技术中，所述将所述初始行波数据输入自组织映射算法进行数据映射处理，得到低维行波数据步骤，包括：
9、将所述初始行波数据数据输入自组织映射算法进行映射网格参数匹配，并根据所述映射网格参数构件映射二维网格，其中，所述映射二维网格中每个网格点用于表示自组织映射算法中对应的神经元；
10、设置所述自组织映射算法的学习率以及邻域宽度，将所述初始行波数据输入设置参数后的自组织映射算法进行节点竞争，得到目标节点；
11、对所述目标节点进行邻域节点匹配，得到邻域节点集；
12、对所述邻域节点集进行邻域函数值计算，得到邻域函数值，并根据所述邻域函数值对所述目标节点以及所述邻域节点集进行权重更新，得到所述目标节点对应的目标权重值；
13、基于所述目标权重值对所述初始行波数据进行低维数据映射，得到所述低维行波数据。
14、在本专利技术中，所述对所述低维行波数据进行稀疏编码处理，得到去噪行波数据步骤，包括：
15、通过预置的目标函数对所述低维行波数据进行稀疏向量匹配，得到稀疏系数向量集；
16、其中，所述目标函数为，其中，x为低维行波数据，d为字典矩阵，为稀疏系数向量，为重构误差的平方和，为稀疏正则化项，为正则化参数；
17、根据所述稀疏系数向量集计算得到稀疏系数集，并根据所述稀疏系数集以及字典矩阵对所述低维行波数据进行数据重构，得到所述去噪行波数据。
18、在本专利技术中，所述自回归移动平均模型包括：自回归层以及移动平均层，所述将所述去噪行波数据输入自回归移动平均模型进行行波特征提取，得到行波特征数据步骤，包括：
19、对所述去噪行波数据进行时序矩阵转换，得到时序行波数据；
20、匹配所述自回归层的系数，得到第一系数，并匹配所述移动平均层的系数，得到第二系数；
21、基于所述第一系数以及所述第二系数构建特征提取函数，其中，所述特征提取函数的表达式如下所示：
22、；
23、其中，为t时刻的行波特征，为第一索引变量，为第一系数，为第二索引变量，为第二系数，为自回归层的阶数，为移动平均层的阶数，为时刻的观测值，为时刻的随机误差项；
24、基于所述特征提取函数，将所述时序行波数据输入所述自回归移动平均模型进行行波特征提取，得到所述行波特征数据，其中，所述行波特征数据包括每个时间点的行波特征。
25、在本专利技术中，所述将所述行波特征数据输入支持向量机进行故障特征匹配，得到故障特征匹配数据步骤，包括：
26、对所述行波特征数据进行数据标准化处理，得到标准化特征数据；
27、将所述标准化特征数据输入所述支持向量机进行超平面构建，得到目标超平面，其中，所述目标超平面用于表示不同类数据之间的间隔；
28、通过所述目标超平面对所述标准化特征数据进行故障特征分类，得到多个故障特征类型；
29、通过所述多个故障特征类型对所述标准化特征数据进行特征匹配，得到所述故障特征匹配数据。
30、在本专利技术中，所述将所述行波特征数据输入扩展卡尔曼滤波算法进行故障定位，得到故障定位数据，并根据所述故障特征匹配数据以及所述故障定位数据生成故障监测报告步骤，包括：
31、获取所述扩展卡尔曼滤波算法的状态向量以及状态协方差矩阵；
32、基于所述状态向量，将所述行波特征数据输入所述扩展卡尔曼滤波算法进行行波状态预测，得到预测行波状态数据；
33、通过所述状态协方差矩阵对所述预测行波状态数据进行故障定位，得到初始定位数据；
34、对所述初始定位数据进行数据修正，得到所述故障定位数据，并根据所述故障特征匹配数据以及所述故障定位数据生成故障监测报告。
35、在本专利技术中，所述对所述初始定位数据进行数据修正，得到所述故障定位数据步骤，包括：
36、对所述行波特征数据进行行波传播速度匹配，得到行波传播速度；
37、对所述初始定位数据进行故障点坐标分析，得到故障点坐标集；
38、根据所述故障点坐标集以及所述行波传播速度进行传感监测距离分析，得到传感监测距离数据；
39、通过所述传感监测距离数据对所述初始定位数据进行数据修正，得到所述故障定位数据。
40、本专利技术还提供了一种基于行波特征的输电线缆故障监测系统，包括：
41、采集模块，用于对预设目标区域的输电线缆上的行波信号进行数据采集，得到初始行波数据；
42、处理模块，用于将所述初始行波数据输入自组织映射算法进行数据映射处理，得到低维行波数据；
43、编码模块，用于对所述低维行波数据进行稀疏编码处理，得到去噪行波数据；
44、提取模块，用于将所述去噪行波数据输入自回归移动平均模型进行行波特征提取，得到行波特征数据；
45、匹配模块，用于将所述行波特征数据输入支持向量机进行故障特征匹配，得到故障特征匹配数据；
46、定位模块，用于将所述行波特征数据输入扩展卡尔曼滤本文档来自技高网...
【技术保护点】
1.一种基于行波特征的输电线缆故障监测方法，其特征在于，包括：
2.根据权利要求1所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述将所述初始行波数据输入自组织映射算法进行数据映射处理，得到低维行波数据步骤，包括：
3.根据权利要求1所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述对所述低维行波数据进行稀疏编码处理，得到去噪行波数据步骤，包括：
4.根据权利要求1所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述自回归移动平均模型包括：自回归层以及移动平均层，所述将所述去噪行波数据输入自回归移动平均模型进行行波特征提取，得到行波特征数据步骤，包括：
5.根据权利要求1所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述将所述行波特征数据输入支持向量机进行故障特征匹配，得到故障特征匹配数据步骤，包括：
6.根据权利要求1所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述将所述行波特征数据输入扩展卡尔曼滤波算法进行故障定位，得到故障定位数据，并根据所述故障特征匹配数据以及所述故障定位数
7.根据权利要求6所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述对所述初始定位数据进行数据修正，得到所述故障定位数据步骤，包括：
8.一种基于行波特征的输电线缆故障监测系统，用以执行如权利要求1至7任一项所述的基于行波特征的输电线缆故障监测方法，其特征在于，包括：
...【技术特征摘要】
1.一种基于行波特征的输电线缆故障监测方法，其特征在于，包括：
2.根据权利要求1所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述将所述初始行波数据输入自组织映射算法进行数据映射处理，得到低维行波数据步骤，包括：
3.根据权利要求1所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述对所述低维行波数据进行稀疏编码处理，得到去噪行波数据步骤，包括：
4.根据权利要求1所述的基于行波特征的输电线缆故障监测方法，其特征在于，所述自回归移动平均模型包括：自回归层以及移动平均层，所述将所述去噪行波数据输入自回归移动平均模型进行行波特征提取，得到行波特征数据步骤，包括：
5.根据权利要求1所述的基于行波特...
【专利技术属性】
技术研发人员：徐研，何泽斌，张珏，慕容啓华，彭红刚，黄宇平，许海明，曾杰中，梁孟孟，刘飞，贺伟，余思聪，
申请(专利权)人：广东电网有限责任公司广州供电局，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。