本發(fā)明涉及輸電線路故障診斷技術(shù)領(lǐng)域，具體涉及基于高低頻小波特征關(guān)聯(lián)的輸電線路故障原因辨識方法。

背景技術(shù)：

高壓輸電線路是輸電網(wǎng)中發(fā)生故障最多的地方，其故障對電力系統(tǒng)的穩(wěn)定運行、國民經(jīng)濟建設(shè)及人民日常生活產(chǎn)生非常嚴重的危害與影響。在故障后快速、準確的故障原因分析對于工作人員的勘察檢修及快速恢復電網(wǎng)供電有重要的作用。引起輸電線路故障的原因主要有雷擊、污閃、鳥閃、山火、異物短路、外力觸碰等。

在對上述各種故障機理的分析基礎(chǔ)上進行相應特征提取，可實現(xiàn)故障原因的辨識。高頻行波信號中包含了大量的頻域和時域信息，對故障原因的分析可提供足夠的數(shù)據(jù)支持，故障特征較為明顯，容易實現(xiàn)故障原因的辨識。但實際現(xiàn)場錄波數(shù)據(jù)中大多是采樣頻率小于10K的錄波數(shù)據(jù)，包含的頻率和時域信息相對較少，給故障原因的辨識帶來很大困難。

技術(shù)實現(xiàn)要素：

為解決現(xiàn)有技術(shù)存在的不足，本發(fā)明公開了基于高低頻小波特征關(guān)聯(lián)的輸電線路故障原因辨識方法，本發(fā)明的目的是通過建立高頻行波數(shù)據(jù)的小波特征與低頻錄波數(shù)據(jù)的小波特征的關(guān)聯(lián)模型，采用低頻錄波數(shù)據(jù)實現(xiàn)故障原因的辨識。

為實現(xiàn)上述目的，本發(fā)明的具體方案如下：

基于高低頻小波特征關(guān)聯(lián)的輸電線路故障原因辨識方法，包括以下步驟：

步驟一：提取N種故障類型故障相電流樣本，建立樣本數(shù)據(jù)庫，N為故障類型種類數(shù)；

步驟二：從樣本數(shù)據(jù)庫中對故障類型T進行高頻及低頻數(shù)據(jù)采樣，并分別進行小波變換，得到小波系數(shù)，T代表故障類型；

步驟三：對高頻及低頻數(shù)據(jù)小波系數(shù)進行特征提取，提取低頻特征向量及高頻特征向量；

步驟四：利用BP神經(jīng)網(wǎng)絡(luò)讀取步驟三中得到的低頻特征向量及高頻特征向量，建立故障T關(guān)聯(lián)關(guān)系模型，對參數(shù)進行保存，確立T模型的關(guān)聯(lián)關(guān)系；

步驟五：重復步驟二至四，直至所有故障類型均處理完畢，確立N種故障類型的關(guān)聯(lián)關(guān)系模型；

步驟六：將待測故障原因的樣本數(shù)據(jù)進行小波變換并提取特征量；

步驟七：將待測故障原因的樣本的特征量依次帶入N種故障類型的關(guān)聯(lián)關(guān)系模型，選取擬合度最大且大于設(shè)定值的輸出結(jié)果，判斷該待測故障原因的樣本數(shù)據(jù)為該輸出結(jié)果對應的模型中的故障類型。

進一步的，所述小波變換中，本發(fā)明應用的是小波的多分辨率分析，如下：

在滿足采樣定理的情況下，信號x(k)經(jīng)多分辨率分解運算，即利用一對鏡像濾波器{h_n}，{g_n}對采樣信號不斷進行二進頻帶劃分，可得到第j分解尺度下k時刻的高頻分量系數(shù)為d_j(k)，低頻分量系數(shù)為a_j(k)，進行單支重構(gòu)后得到的信號分量D_j(k)、A_j(k)所包含的信息頻帶范圍為：

D_j(k)：

A_j(k)：

j＝1,2,…,J

式中：f_s為信號采樣頻率；J表示最大分解尺度。

此時，原始信號序列x(k)可以表示為各分量的和，即

為統(tǒng)一，用D_j+1(k)代替A_J(k),則有

D_j(k)表征了信號x(k)在不同尺度下的分量，故也稱為信號的多尺度表示。

進一步的，基于小波多分辨率分析的小波變換具體步驟包括：

選取小波基函數(shù)t表示小波基函數(shù)是時間t的函數(shù)，Daubechies系列小波正交性、緊支性較好，對不規(guī)則信號較為敏感，選用DB4小波對故障暫態(tài)信號進行小波分解；

對被分析信號進行小波分解：依次利用小波基函數(shù)對故障類型T情況下故障相電流數(shù)據(jù)樣本i^T(t)進行J層小波分解，得J+1個輸出頻帶的小波系數(shù)k＝1,2,…,K；

其中，J表示分解層數(shù)；j表示第j個頻帶，k表示第k個系數(shù)，K表示相對應于每個輸出頻帶上小波系數(shù)的總數(shù)，T代表故障類型，代表對故障類型T情況下故障相電流數(shù)據(jù)樣本i^T(t)利用小波基函數(shù)進行J層小波分解后的第j個頻帶的第k個系數(shù)，代表系數(shù)進行單支重構(gòu)后的信號。

進一步的，對高頻及低頻數(shù)據(jù)小波系數(shù)進行特征提取，所提取的三種特征量分別是：小波能量矩、小波能譜熵及小波奇異熵。

進一步的，小波能量矩提取過程為：

各頻帶內(nèi)信號的能量矩

式中Δt指采樣時間間隔；

將能量矩進行處理，形成特征向量

進一步的，小波能譜熵提取過程為：

為尺度j時刻k的小波能譜，為尺度j上的小波能譜；

由正交小波變換的特性可知，小波變換后的能量與原始信號能量之間存在等價關(guān)系，在某一時間窗內(nèi)(窗寬ω∈N)信號總能量E等于各分量能量之和；

則則相應的小波能譜熵則

進一步的，小波奇異熵提取過程為：

定義相對奇異值為：

結(jié)合小波變換奇異值分解和信息熵各自的特點，定義的小波奇異熵如下：

其中，采樣信號經(jīng)小波變換后得到系數(shù)矩陣A_J×K，其中K為采樣點數(shù)，J表示小波分解層數(shù)，對矩陣A_J×K進行奇異值分解，必然存在一個J×R維的矩陣U，一個R×K的矩陣V和一個R階的對角陣W，使得A_J×K＝U_J×RW_R×RV_R×K，其中對角矩陣W的主對角非零元素λ_i(i＝1,2,…,R)是系數(shù)矩陣A_J×K的奇異值。

進一步的，在確立N種故障類型的關(guān)聯(lián)關(guān)系模型時，所使用的關(guān)聯(lián)分析模型為神經(jīng)網(wǎng)絡(luò)模型，使用基于誤差反向傳播算法的多層前向網(wǎng)絡(luò)的BP神經(jīng)網(wǎng)絡(luò)，在樣本訓練過程中，通過不斷調(diào)整各層神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)輸出結(jié)果逐漸接近給定的目標值，BP網(wǎng)絡(luò)由輸入層、一個或多個隱含層、輸出層組成，各層神經(jīng)元之間的聯(lián)系用權(quán)值表示，同一層神經(jīng)元之間無連接。

本發(fā)明的有益效果：

(1)本發(fā)明提出一種基于高低頻小波特征關(guān)聯(lián)的輸電線路故障原因辨識方法，該方法針對目前電力系統(tǒng)的采樣設(shè)備的采樣頻率低而無法捕捉到細致的故障信息進行故障原因的辨識的問題提出了新的解決方法；

(2)本發(fā)明通過小波變換理論和信息熵結(jié)合對故障相電流進行分析及處理，充分發(fā)揮兩者的優(yōu)點，既能有效的分析突變信號，又能達到信息融合的目的，從而提取到更為細致的故障信息，提高辨識準確度。

附圖說明

圖1為輸電線路故障原因辨識的流程圖；

圖2為某次實際雷擊故障低頻錄波信號進行小波的多分辨率分析結(jié)果；

圖3為某次實際雷擊故障行波錄波信號進行小波的多分辨率分析結(jié)果。

具體實施方式：

下面結(jié)合附圖對本發(fā)明進行詳細說明：

輸電線路故障原因的辨識需要借助錄波數(shù)據(jù)中頻域和時域特征，由于現(xiàn)場的錄波數(shù)據(jù)采樣頻率較低，難以提供豐富的時頻域特征作為故障原因判斷的依據(jù)，為了解決這個問題，實現(xiàn)采用低頻錄波數(shù)據(jù)辨識輸電線路故障原因的目的，本發(fā)明提出了建立高頻行波信號小波特征與低頻錄波數(shù)據(jù)的小波特征的關(guān)聯(lián)模型，然后采用低頻錄波數(shù)據(jù)實現(xiàn)故障原因辨識的方法。故障行波信號由綜合測距裝置中行波監(jiān)測裝置獲得，經(jīng)過大量歷史故障樣本數(shù)據(jù)的訓練和學習，形成辨識模型，用于對各種故障原因的辨識。

本發(fā)明提出了一種基于高低頻小波特征關(guān)聯(lián)的輸電線路故障原因辨識方法，該方法在對各種常見故障的故障原因特征分析的基礎(chǔ)上，采用了小波理論對故障信號進行分析處理，建立了故障信號的行波特征以及低頻特征之間的關(guān)聯(lián)關(guān)系。因此，通過在實際故障現(xiàn)場所測得的低頻采樣的數(shù)據(jù)可以相應關(guān)聯(lián)出發(fā)生此種故障時的行波的相關(guān)特征，從而實現(xiàn)故障原因的辨識。

基于香農(nóng)(Shannon)信息熵概念的譜熵是信號復雜度的一種分析指標，利用小波變換所得的各層小波重構(gòu)系數(shù)為基礎(chǔ)定義的各種熵值，統(tǒng)稱為小波熵。小波變換具有時頻域分析非平穩(wěn)時變信號的能力，基于小波變換得到的系數(shù)矩陣反映了信號在各個時頻段的特征，由此計算得到的熵值能反映信號概率分布的有序程度。應用信息熵提取暫態(tài)信號特征，當信號發(fā)生擾動時，測試信號的幅值和頻率會發(fā)生較大的變化，其熵值也會發(fā)生相應的變化。小波變換具有多分辨分析的特點，對于非線性時變信號有其獨特的分析能力，是一種時頻分析方法，而信息熵對信號的擾動具有很強的辨識能力，因此，將小波變換和信息熵兩者結(jié)合，充分結(jié)合二者的優(yōu)點，既能有效地分析突變信號，又能達到信息融合的目的。

如圖1所示，整體上，基于高低頻小波特征關(guān)聯(lián)的輸電線路故障原因辨識方法，包括以下步驟：

(1)提取N種故障類型故障時的故障相電流的原始的低頻和高頻的采樣數(shù)據(jù)，建立樣本數(shù)據(jù)庫；

對N種故障原因類型的故障樣本分別提取高頻行波數(shù)據(jù)及工頻數(shù)據(jù)。如雷擊的低頻樣本數(shù)據(jù)集高頻樣本數(shù)據(jù)集n代表第n個波形樣本，N為所分析故障原因種類數(shù)，T代表故障類型)。

(2)低頻及高頻行波數(shù)據(jù)信息進行小波變換；

將數(shù)據(jù)集分別導入matlab，進行小波分解與單支重構(gòu)，得到小波系數(shù)。

(3)對低頻及高頻行波數(shù)據(jù)小波系數(shù)進行特征提?。?/p>

分別對低頻數(shù)據(jù)及高頻數(shù)據(jù)的小波系數(shù)進一步計算分析，提取出故障信息(高頻小波能量矩、高頻小波能譜熵，高頻小波奇異熵以及低頻小波能量矩、低頻小波能譜熵，低頻小波奇異熵)，構(gòu)成低頻特征向量高頻特征向量

(4)建立低頻及高頻特征量之間的關(guān)聯(lián)關(guān)系；

依次將低頻特征向量作為輸入?yún)⒘?，高頻特征向量作為輸出參量，建立神經(jīng)網(wǎng)絡(luò)關(guān)聯(lián)關(guān)系模型進行訓練，得到低頻特征向量和高頻特征向量的對應關(guān)系，在樣本訓練過程中根據(jù)測試效果不斷調(diào)整各層神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)輸出結(jié)果逐漸接近給定的目標值。

(5)重復(2)至(4)，直至所有故障類型均處理完畢，確立N種故障類型的關(guān)聯(lián)關(guān)系模型；

(6)對待分析低頻故障樣本的故障相電流數(shù)據(jù)進行小波小波變換并分析處理，提取特征量Q_x；

(7)對待分析故障樣本故障類型進行識別；

將待分析故障樣本的特征量作為輸入?yún)⒘縌_x分別導入N種故障高低頻關(guān)聯(lián)關(guān)系模型中，得到相對應各輸出參量即為待測樣本根據(jù)各模型所關(guān)聯(lián)的對應于各個故障類型的高頻特征，計算各輸出參量和各高頻樣本的擬合程度W₁,W₂,…,W_N，取擬合程度最大W_Z并且擬合程度大于閾值(0.8)，則說明該故障與此種故障類型的故障特征最為相似，且相似度滿足要求，因此判定為是故障Z；否則，故障分析不正確。

步驟(2)及(6)中，所述小波變換所用的中小波的多分辨率分析理解如下：

在滿足采樣定理的情況下，信號x(k)經(jīng)多分辨率分解運算，即利用一對鏡像濾波器{h_n}，{g_n}對采樣信號不斷進行二進頻帶劃分，可得到第j分解尺度下k時刻的高頻分量系數(shù)為d_j(k)，低頻分量系數(shù)為a_j(k)，進行單支重構(gòu)后得到的信號分量D_j(k)、A_j(k)所包含的信息頻帶范圍為：

D_j(k)：

A_j(k)：

j＝1,2,…,J

式中：f_s為信號采樣頻率；J表示最大分解尺度。

則原始信號序列x(k)可以表示為各分量的和，即

為統(tǒng)一，用D_j+1(k)代替A_J(k),則有

D_j(k)表征了信號x(k)在不同尺度下的分量，故也稱為信號的多尺度表示。

具體方法包括：

選取小波基函數(shù)t表示小波基函數(shù)是時間t的函數(shù)，Daubechies系列小波正交性、緊支性較好，對不規(guī)則信號較為敏感，選用DB4小波對故障暫態(tài)信號進行小波分解；

對被分析信號進行小波分解及單支重構(gòu)：依次利用小波基函數(shù)對故障類型T情況下故障相電流數(shù)據(jù)樣本i^T(t)進行J層小波分解，得J+1個輸出頻帶的小波系數(shù)j＝1,2,…,J+1，k＝1,2,…,K,其中，J表示分解層數(shù)；j表示第j個頻帶，k表示第k個系數(shù)，K表示相對應于每個輸出頻帶上小波系數(shù)的總數(shù)，T代表故障類型代表對故障類型T情況下故障相電流數(shù)據(jù)樣本i^T(t)利用小波基函數(shù)進行J層小波分解后的第j個頻帶的第k個系數(shù)，代表系數(shù)進行單支重構(gòu)后的信號；

下面是本發(fā)明中所提取的三種特征量：小波能量矩、小波能譜熵及小波奇異熵。

1)小波能量矩

各頻帶內(nèi)信號的能量矩

式中Δt指采樣時間間隔；

將能量矩進行處理，形成特征向量

2)小波能譜熵

為尺度j時刻k的小波能譜，為尺度j上的小波能譜。

由正交小波變換的特性可知，小波變換后的能量與原始信號能量之間存在等價關(guān)系，在某一時間窗內(nèi)(窗寬ω∈N)信號總能量E等于各分量能量之和。

則則相應的小波能譜熵則

3)小波奇異熵

采樣信號經(jīng)小波變換后得到系數(shù)矩陣A_J×K，其中K為采樣點數(shù)，J表示小波分解層數(shù)。對矩陣A_J×K進行奇異值分解，必然存在一個J×R維的矩陣U，一個R×K的矩陣V和一個R階的對角陣W，使得A_J×K＝U_J×RW_R×RV_R×K，其中對角矩陣W的主對角非零元素λ_i(i＝1,2,…,R)是系數(shù)矩陣A_J×K的奇異值。根據(jù)信號奇異值分解理論，信號小波變換矩陣的奇異值能反映信號的特征。對小波變換矩陣進行奇異值分解相當于將小波空間映射到線性無關(guān)的特征空間，奇異值反映了信號時頻空間中特征模式能量分布的確定性。

定義相對奇異值為：

結(jié)合小波變換奇異值分解和信息熵各自的特點，定義的小波奇異熵如下：

變化結(jié)果矩陣進行奇異值分解相當于將彼此存在關(guān)聯(lián)的小波空間映射到線性無關(guān)的特征空間。在綜合冗余信息的基礎(chǔ)上，小波空間的奇異熵直接反映了被分析信號時頻空間中特征模式能量的分布不確定性。被分析信號越簡單，能量越集中于少數(shù)幾個模式，小波奇異熵越小，相反信號越復雜，能量就越分散，小波奇異熵越大。

故，

綜上，特征向量為

步驟(4)中，所使用的關(guān)聯(lián)分析方法為神經(jīng)網(wǎng)絡(luò)模型。在其中使用基于誤差反向傳播算法的多層前向網(wǎng)絡(luò)的BP神經(jīng)網(wǎng)絡(luò)，在樣本訓練過程中，通過不斷調(diào)整各層神經(jīng)元之間的連接權(quán)值，使網(wǎng)絡(luò)輸出結(jié)果逐漸接近給定的目標值，具有很好的函數(shù)逼近能力。BP網(wǎng)絡(luò)由輸入層、一個或多個隱含層、輸出層組成，各層神經(jīng)元之間的聯(lián)系用權(quán)值表示，同一層神經(jīng)元之間無連接。

更為詳細的實施例子：

(1)提取故障樣本故障相電流的低頻及行波采樣數(shù)據(jù)

本實施例中故障種類為雷擊故障。對錄波數(shù)據(jù)進行分析，知檢測裝置的工頻錄波裝置的采樣頻率為5kHz，高頻行波數(shù)據(jù)的采樣頻率為2MHz，分別提取出樣本中的故障發(fā)生時刻后一周期的故障相電流(B相電流)數(shù)據(jù)

(2)小波變換提取特征量

對于5kHz的采樣頻率所得到的故障信號所包含的應為2.5kHz以內(nèi)的頻率成分，對其進行5層小波分解，得到頻段分別為cA5：0～78Hz，cD5：78～156Hz，cD4：156～312Hz，cD3：312～625Hz，cD2：625～1250Hz以及cD1：1250～2500Hz的頻率成分的信號。

對于2MHz的采樣頻率所得到的故障信號所包含的應為1MHz以內(nèi)的頻率成分，對其進行5層小波分解，得到頻段分別為cA5：0～31.25kHz，cD5：31.25～62.5kHz，cD4：62.5～125kHz，cD3：125～250kHz，cD2：250～500kHz以及cD1：500～1000kHz的信號。

附圖2為所用故障樣本的低頻錄波信號(取故障后一周期的數(shù)據(jù))采用DB4小波基進行小波分解的結(jié)果，附圖3是所用故障樣本采集的行波信號(取故障前25μs開始至故障后175μs的數(shù)據(jù))采用DB4小波基進行小波分解的結(jié)果。

(3)求小波能量矩、小波能譜熵及小波奇異熵

通過步驟中所描述的方法，將實施例故障的低頻信號特征向量Q_a、行波信號特征向量Q_b(取故障后行波信號明顯的50μs的數(shù)據(jù)進行分析求解)分別為：

Q_a＝[Q_a1,Q_a2,Q_a3]＝[M_a,W_EEa,W_CSa]

＝[4.109e-05 2.748e-04 3.400e-04 0.001 0.042 0.999 0.209 0.833]

Q_b＝[Q_b1,Q_b2,Q_b3]＝[M_b,W_EEb,W_CSb]

＝[0.491 0.740 0.407 0.051 0.120 0.171 1.361 1.679]

(4)建立低頻特征Q_a和高頻特征Q_b之間的關(guān)聯(lián)關(guān)系

將小波分解的特征量輸入神經(jīng)網(wǎng)絡(luò)進行學習，建立模型。

(5)故障原因識別

將(4)中建立的模型應用于實際故障的識別，可通過帶入待分析故障計算與高頻信號特征分量的擬合程度分辨出是否為同種故障即雷擊故障。

上述雖然結(jié)合附圖對本發(fā)明的具體實施方式進行了描述，但并非對本發(fā)明保護范圍的限制，所屬領(lǐng)域技術(shù)人員應該明白，在本發(fā)明的技術(shù)方案的基礎(chǔ)上，本領(lǐng)域技術(shù)人員不需要付出創(chuàng)造性勞動即可做出的各種修改或變形仍在本發(fā)明的保護范圍以內(nèi)。