專利名稱：一種多數(shù)據(jù)源信息融合的電網(wǎng)故障診斷方法
技術領域：
本發(fā)明涉及電網(wǎng)調(diào)度與故障分析領域，尤其涉及一種電網(wǎng)故障診斷方法。

背景技術：
隨著計算機和通信技術的不斷發(fā)展，數(shù)字式保護和故障錄波器等智能電子裝置在電網(wǎng)中的應用已經(jīng)越來越普遍。電網(wǎng)發(fā)生故障時，各種故障信息的獲取也更加便捷。以往的電網(wǎng)故障診斷方法大多基于開關量信息，有專家系統(tǒng)、神經(jīng)網(wǎng)絡、優(yōu)化算法、貝葉斯方法和Petri網(wǎng)等，這些方法僅利用了開關量信息而未充分利用電氣量信息，而電氣量信息在準確性、完備性和容錯性等方面有開關量信息無法比擬的優(yōu)勢。
當電力系統(tǒng)發(fā)生故障時，首先是故障元件的電流和電壓等電氣量發(fā)生變化，然后引起保護動作，最后由保護跳開相應的開關。但是由于保護、開關在某些情況下存在誤動、拒動以及因信道干擾發(fā)生信息丟失等諸多不確定性因素，而這種情況下上述的故障診斷方法很難得到正確的診斷結果。所以在電力系統(tǒng)發(fā)生故障時利用故障錄波電氣量進行診斷就顯得尤為必要。利用故障錄波電氣量進行故障診斷能避免繼電保護過程中的干擾，能直接利用故障信息來分析故障。


發(fā)明內(nèi)容
針對現(xiàn)有技術的不足之處，本發(fā)明提供了一種電網(wǎng)的故障診斷方法， 本發(fā)明所采用的技術方案是一種電網(wǎng)的故障診斷方法，包括以下步驟 1、獲取故障信息(電氣量信息、開關量信息)； 2、故障信息預處理基于小波分析技術和模糊Petri網(wǎng)技術對故障信息進行分析，提取故障特征，形成小波奇異度、小波故障度、小波能量度和模糊故障度等故障表征； 小波奇異度故障發(fā)生后，故障信號經(jīng)過小波變換后得到小波變換系數(shù)矩陣，根據(jù)奇異值分解理論計算得到小波系數(shù)矩陣的奇異值特征矩陣，它可以表示小波變換系數(shù)矩陣的基本模態(tài)特征。設Λi＝diag(λ1，λ2，……λl)為系統(tǒng)第i(i＝1，2……n)個元件的奇異值特征矩陣，令利用式對Si(i＝1……n)做如下處理則mi稱為故障發(fā)生后第i個元件的小波奇異度(WSD，Wavelet Singularity Degree)。
小波故障度設系統(tǒng)發(fā)生故障時，第i(i＝1……n)個元件獲得的故障信號為xi(n)，得到多分辨分析的小波變換結果Di1，Di2……Dil，其中l(wèi)表示信號的采樣點數(shù)。Di1，Di2……Dik為故障前信號對應的小波變換結果，Di(k+1)，Di(k+2)……Dil為故障后信號對應的小波變換結果。令其中Vi表示信號在故障前后的幅值的變化程度，但是它僅僅表示元件故障前后信號的幅值變化，不能全面充分的表征元件的故障支持程度，同時不能作為證據(jù)理論融合的證據(jù)體?，F(xiàn)對Vi(i＝1……n)進行如下處理其中xi稱為故障發(fā)生后第i個元件的小波故障度(WFD，Wavelet Fault Degree)。
小波能量度故障信號xi(n)進行多分辨分析的小波變換，設E1，E2，……，Em為信號在m個尺度上的小波能量分布。其中令得到信號的小波能量度(WED，Wavelet EnergyDegree)ei來表征信號能量的強弱程度。
模糊故障度根據(jù)電網(wǎng)故障后的開關量信息(保護、斷路器)，利用模糊Petri網(wǎng)技術對電網(wǎng)進行診斷，得到各元件的故障表征Pi(i＝1……n)，令其中yi稱為故障發(fā)生后第i個元件的模糊故障度(FFD，F(xiàn)uzzyFault Degree)。
3、為各故障表征添加不確定度，形成證據(jù)體； 設F為電網(wǎng)故障診斷的識別框架，且F包含n個元件，其中Fi表示第i個元件的故障狀態(tài)，則m為故障識別框架F上的基本可信度分配，m(Fi)稱為Fi的基本可信數(shù)。m(Fi)表征對第i個元件故障狀態(tài)不確定性的度量。
在發(fā)明中，以小波故障度、小波奇異度、小波能量度和模糊故障度作為獨立的證據(jù)體構造基本可信度分配函數(shù)，它們表示對元件故障的支持程度，用x表示。
設故障識別框架包含q條證據(jù)，識別框架中待識別元件的個數(shù)為n，則其中，i＝1……n；j＝1……q；xij為第i個元件對應的第j類證據(jù)體的故障支持程度。xj為第j類證據(jù)體各元件的故障支持度之和，uj為第j類證據(jù)體的不確定度，其中小波奇異度、小波故障度和小波能量度的不確定度為0.1，模糊故障度的不確定度為0.15。mj(Fi)即為第i個元件故障的第j類證據(jù)體對應的基本可信度。
4、基于D-S證據(jù)理論對各證據(jù)體進行信息融合，得到融合結果即各元件的故障概率表征； 5、基于C-均值法對融合結果進行診斷決策，得到最終的診斷結果。
1)n個元件的故障概率表征分別為m(F1)，m(F2)……m(Fn)。將所有元件初始分為兩類，取Gamma函數(shù)對各元件故障概率表征求取Gamma函數(shù)值，若滿足條件歸為故障元件候選類Γ1；剩余元件歸為非故障元件候選類Γ2，其中ε＝12； 2)故障候選類中有N1個元件，其對應的Gamma函數(shù)值分別為

取所對應的元件為絕對故障元件(一定發(fā)生故障)； 3)對所有元件的初始分類(Γ1、Γ2)，計算其均值，最后計算誤差平方和分類準則；Je度量了用分類均值代表其分類集時所產(chǎn)生的總的誤差平方，使Je極小的分類是誤差平方和準則下最優(yōu)的分類結果。
4)從Γi中選擇樣本m(Fj)； 5)若Ni＝1，則轉步驟4)，否則繼續(xù)； 6)計算 7)若滿足ρk≤ρi，則把m(Fj)從Γi移到Γk中去；重新計算mi和mk的值，并修改Je； 8)若連續(xù)迭代N次Je不改變，則停止，否則轉到步驟4.故障候選類中的元件即為故障元件。
本發(fā)明提出了多數(shù)據(jù)源信息融合的電網(wǎng)故障診斷系統(tǒng)，分析電氣量、開關量等多種故障信息，基于D-S證據(jù)理論進行信息融合，采用C-均值算法進行診斷決策，最終得到故障診斷結果。
本發(fā)明的有益效果是本發(fā)明將現(xiàn)有的數(shù)據(jù)采集設備、成熟的技術與前沿的理論知識相結合，提出了多數(shù)據(jù)源信息融合的電網(wǎng)故障診斷系統(tǒng)，分析電氣量、開關量等多種故障信息，基于D-S證據(jù)理論進行信息融合，采用C-均值算法進行診斷決策，最終得到故障診斷結果。該方法基于對開關量和電氣量雙數(shù)據(jù)源的分析，有效解決了開關量信息單數(shù)據(jù)源面臨的信息不準確、信息不完備等缺陷，通過模糊Petri網(wǎng)和小波分析對故障信息進行特征提取，得到相應的模糊故障度和小波故障表征(小波奇異度、小波故障度、小波能量度)。它們能夠準確表征故障信號，并且在D-S證據(jù)理論基礎上進行信息融合，采用C-均值算法進行診斷決策，進而得到更加精確的綜合診斷結果。

具體實施例方式 現(xiàn)對本發(fā)明做進一步描述，本發(fā)明的目的和效果將變得更加明顯 本發(fā)明的電網(wǎng)的故障診斷方法，包括以下步驟 1、獲取故障信息(電氣量信息、開關量信息)； 2、故障信息預處理基于小波分析技術和模糊Petri網(wǎng)技術對故障信息進行分析，提取故障特征，形成小波奇異度、小波故障度、小波能量度和模糊故障度等故障表征； 小波奇異度故障發(fā)生后，故障信號經(jīng)過小波變換后得到小波變換系數(shù)矩陣，根據(jù)奇異值分解理論計算得到小波系數(shù)矩陣的奇異值特征矩陣，它可以表示小波變換系數(shù)矩陣的基本模態(tài)特征。設Λi＝diag(λ1，λ2，……λn)為系統(tǒng)第i(i＝1，2……n)個元件的奇異值特征矩陣，令利用式對Si(i＝1……n)做如下處理則mi稱為故障發(fā)生后第i個元件的小波奇異度(WSD，Wavelet Singularity Degree)。
小波故障度設系統(tǒng)發(fā)生故障時，第i(i＝1……n)個元件獲得的故障信號為xi(n)，得到多分辨分析的小波變換結果Di1，Di2……Dil，其中l(wèi)表示信號的采樣點數(shù)。Di1，Di2……Dik為故障前信號對應的小波變換結果，Di(k+1)，Di(k+2)……Dil為故障后信號對應的小波變換結果。令其中Vi表示信號在故障前后的幅值的變化程度，但是它僅僅表示元件故障前后信號的幅值變化，不能全面充分的表征元件的故障支持程度，同時不能作為證據(jù)理論融合的證據(jù)體。現(xiàn)對Vi(i＝1……n)進行如下處理其中xi稱為故障發(fā)生后第i個元件的小波故障度(WFD，Wavelet Fault Degree)。
小波能量度故障信號xi(n)進行多分辨分析的小波變換，設E1，E2，……，Em為信號在m個尺度上的小波能量分布。其中令得到信號的小波能量度(WED，Wavelet EnergyDegree)ei來表征信號能量的強弱程度。
模糊故障度根據(jù)電網(wǎng)故障后的開關量信息(保護、斷路器)，利用模糊Petri網(wǎng)技術對電網(wǎng)進行診斷，得到各元件的故障表征Pi(i＝1……n)，令其中yi稱為故障發(fā)生后第i個元件的模糊故障度(FFD，F(xiàn)uzzyFault Degree)。
3、為各故障表征添加不確定度，形成證據(jù)體； 設F為電網(wǎng)故障診斷的識別框架，且F包含n個元件，其中Fi表示第i個元件的故障狀態(tài)，則m為故障識別框架F上的基本可信度分配，m(Fi)稱為Fi的基本可信數(shù)。m(Fi)表征對第i個元件故障狀態(tài)不確定性的度量。
在發(fā)明中，以小波故障度、小波奇異度、小波能量度和模糊故障度作為獨立的證據(jù)體構造基本可信度分配函數(shù)，它們表示對元件故障的支持程度，用x表示。
設故障識別框架包含q條證據(jù)，識別框架中待識別元件的個數(shù)為n，則其中，i＝1……n；j＝1……q；xij為第i個元件對應的第j類證據(jù)體的故障支持程度。xj為第j類證據(jù)體各元件的故障支持度之和，uj為第j類證據(jù)體的不確定度，其中小波奇異度、小波故障度和小波能量度的不確定度為0.1，模糊故障度的不確定度為0.15。mj(Fi)即為第i個元件故障的第j類證據(jù)體對應的基本可信度。
4、基于D-S證據(jù)理論對各證據(jù)體進行信息融合，得到融合結果即各元件的故障概率表征； 5、基于C-均值法對融合結果進行診斷決策，得到最終的診斷結果。
1)n個元件的故障概率表征分別為m(F1)，m(F2)……m(Fn)。將所有元件初始分為兩類，取Gamma函數(shù)對各元件故障概率表征求取Gamma函數(shù)值，若滿足條件歸為故障元件候選類Γ1；剩余元件歸為非故障元件候選類Γ2，其中ε＝12； 2)故障候選類中有N1個元件，其對應的Gamma函數(shù)值分別為

取所對應的元件為絕對故障元件(一定發(fā)生故障)； 3)對所有元件的初始分類(Γ1、Γ2)，計算其均值，最后計算誤差平方和分類準則；Je度量了用分類均值代表其分類集時所產(chǎn)生的總的誤差平方，使Je極小的分類是誤差平方和準則下最優(yōu)的分類結果。
4)從Γi中選擇樣本m(Fj)； 5)若Ni＝1，則轉步驟4)，否則繼續(xù)； 6)計算 7)若滿足ρk≤ρi，則把m(Fj)從Γi移到Γk中去；重新計算mi和mk的值，并修改Je； 8)若連續(xù)迭代N次Je不改變，則停止，否則轉到步驟4.故障候選類中的元件即為故障元件。
本發(fā)明提出了多數(shù)據(jù)源信息融合的電網(wǎng)故障診斷系統(tǒng)，分析電氣量、開關量等多種故障信息，基于D-S證據(jù)理論進行信息融合，采用C-均值算法進行診斷決策，最終得到故障診斷結果。診斷系統(tǒng)框架如

圖1所示。
本發(fā)明提供了一種電網(wǎng)的故障診斷方法，將現(xiàn)有的數(shù)據(jù)采集設備、成熟的技術與前沿的理論知識相結合，提出了多數(shù)據(jù)源信息融合的電網(wǎng)故障診斷系統(tǒng)，分析電氣量、開關量等多種故障信息，基于D-S證據(jù)理論進行信息融合，采用C-均值算法進行診斷決策，最終得到故障診斷結果。該方法基于對開關量和電氣量雙數(shù)據(jù)源的分析，有效解決了開關量信息單數(shù)據(jù)源面臨的信息不準確、信息不完備等缺陷，通過模糊Petri網(wǎng)和小波分析對故障信息進行特征提取，得到相應的模糊故障度和小波故障表征(小波奇異度、小波故障度、小波能量度)。它們能夠準確表征故障信號，并且在D-S證據(jù)理論基礎上進行信息融合，采用C-均值算法進行診斷決策，進而得到更加精確的綜合診斷結果。
權利要求
1.一種電網(wǎng)的故障診斷方法，其特征在于，包括以下步驟
(1)獲取故障信息。
(2)故障信息預處理基于小波分析技術和模糊Petri網(wǎng)技術對故障信息進行分析，提取故障特征，形成小波奇異度、小波故障度、小波能量度和模糊故障度等故障表征。
(3)為各故障表征添加不確定度，形成證據(jù)體。
(4)基于D-S證據(jù)理論對各證據(jù)體進行信息融合，得到融合結果即各元件的故障概率表征。
(5)基于C-均值法對融合結果進行診斷決策，得到最終的診斷結果。
2.根據(jù)權利要求1所述電網(wǎng)的故障診斷方法，其特征在于，所述步驟(5)具體為
(A)n個元件的故障概率表征分別為m(F1)，m(F2)......m(Fn)；將所有元件初始分為兩類，取Gamma函數(shù)對各元件故障概率表征求取Gamma函數(shù)值，若滿足條件歸為故障元件候選類Γ1；剩余元件歸為非故障元件候選類Γ2，其中ε＝12。
(B)故障候選類中有N1個元件，其對應的Gamma函數(shù)值分別為
取所對應的元件為絕對故障元件。
(C)對所有元件的初始分類(Γ1、Γ2)，計算其均值，最后計算誤差平方和分類準則；Je度量了用分類均值代表其分類集時所產(chǎn)生的總的誤差平方，使Je極小的分類是誤差平方和準則下最優(yōu)的分類結果。
(D)從Γi中選擇樣本m(Fj)。
(E)若Ni＝1，則轉步驟4)，否則繼續(xù)。
(F)計算
(G)若滿足ρk≤ρi，則把m(Fj)從Γi移到Γk中去；重新計算mi和mk的值，并修改Je。
(H)若連續(xù)迭代N次Je不改變，則停止，否則轉到步驟4.故障候選類中的元件即為故障元件。
全文摘要
本發(fā)明公開了一種電網(wǎng)故障診斷方法，該方法分析電氣量、開關量等多種故障信息，基于D-S證據(jù)理論進行信息融合，采用C-均值算法進行診斷決策，最終得到故障診斷結果。包括以下步驟獲取故障信息(電氣量信息、開關量信息)；對故障進行預處理，利用小波分析技術和模糊Petri網(wǎng)技術對電氣量信息和開關量信息進行量化，提取故障特征；為各類故障表征加入不確定度，形成D-S證據(jù)理論的證據(jù)體；基于D-S證據(jù)理論進行信息融合；采用C-均值算法進行診斷決策，得到更加精確的綜合診斷結果。
文檔編號G06N7/00GK101726688SQ200910152528
公開日2010年6月9日 申請日期2009年9月17日 優(yōu)先權日2009年9月17日
發(fā)明者郭創(chuàng)新, 彭明偉, 劉毅, 趙偉 申請人:浙江大學