專利名稱：一種多數據源信息融合的電網故障診斷方法
技術領域：
本發明涉及電網調度與故障分析領域，尤其涉及一種電網故障診斷方法。
背景技術：
隨著計算機和通信技術的不斷發展，數字式保護和故障錄波器等智能電子裝置在電網中的應用已經越來越普遍。電網發生故障時，各種故障信息的獲取也更加便捷。以往的電網故障診斷方法大多基于開關量信息，有專家系統、神經網絡、優化算法、貝葉斯方法和Petri網等，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勢。
當電力系統發生故障時，首先是故障元件的電流和電壓等電氣量發生變化，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。所以在電力系統發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。
發明內容
針對現有技術的不足之處，本發明提供了一種電網的故障診斷方法， 本發明所采用的技術方案是一種電網的故障診斷方法，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； 小波奇異度故障發生后，故障信號經過小波變換后得到小波變換系數矩陣，根據奇異值分解理論計算得到小波系數矩陣的奇異值特征矩陣，它可以表示小波變換系數矩陣的基本模態特征。設Λi＝diag(λ1，λ2，……λl)為系統第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)。
小波故障度設系統發生故障時，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表示信號的采樣點數。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，同時不能作為證據理論融合的證據體。現對Vi(i＝1……n)進行如下處理其中xi稱為故障發生后第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。
模糊故障度根據電網故障后的開關量信息(保護、斷路器)，利用模糊Petri網技術對電網進行診斷，得到各元件的故障表征Pi(i＝1……n)，令其中yi稱為故障發生后第i個元件的模糊故障度(FFD，FuzzyFault Degree)。
3、為各故障表征添加不確定度，形成證據體； 設F為電網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，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。m(Fi)表征對第i個元件故障狀態不確定性的度量。
在發明中，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體構造基本可信度分配函數，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，識別框架中待識別元件的個數為n，則其中，i＝1……n；j＝1……q；xij為第i個元件對應的第j類證據體的故障支持程度。xj為第j類證據體各元件的故障支持度之和，uj為第j類證據體的不確定度，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類證據體對應的基本可信度。
4、基于D-S證據理論對各證據體進行信息融合，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函數對各元件故障概率表征求取Gamma函數值，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函數值分別為
取所對應的元件為絕對故障元件(一定發生故障)； 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； 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。
本發明提出了多數據源信息融合的電網故障診斷系統，分析電氣量、開關量等多種故障信息，基于D-S證據理論進行信息融合，采用C-均值算法進行診斷決策，最終得到故障診斷結果。
本發明的有益效果是本發明將現有的數據采集設備、成熟的技術與前沿的理論知識相結合，提出了多數據源信息融合的電網故障診斷系統，分析電氣量、開關量等多種故障信息，基于D-S證據理論進行信息融合，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據源的分析，有效解決了開關量信息單數據源面臨的信息不準確、信息不完備等缺陷，通過模糊Petri網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 現對本發明做進一步描述，本發明的目的和效果將變得更加明顯 本發明的電網的故障診斷方法，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； 小波奇異度故障發生后，故障信號經過小波變換后得到小波變換系數矩陣，根據奇異值分解理論計算得到小波系數矩陣的奇異值特征矩陣，它可以表示小波變換系數矩陣的基本模態特征。設Λi＝diag(λ1，λ2，……λn)為系統第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)。
小波故障度設系統發生故障時，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表示信號的采樣點數。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，同時不能作為證據理論融合的證據體。現對Vi(i＝1……n)進行如下處理其中xi稱為故障發生后第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。
模糊故障度根據電網故障后的開關量信息(保護、斷路器)，利用模糊Petri網技術對電網進行診斷，得到各元件的故障表征Pi(i＝1……n)，令其中yi稱為故障發生后第i個元件的模糊故障度(FFD，FuzzyFault Degree)。
3、為各故障表征添加不確定度，形成證據體； 設F為電網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，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。m(Fi)表征對第i個元件故障狀態不確定性的度量。
在發明中，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體構造基本可信度分配函數，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，識別框架中待識別元件的個數為n，則其中，i＝1……n；j＝1……q；xij為第i個元件對應的第j類證據體的故障支持程度。xj為第j類證據體各元件的故障支持度之和，uj為第j類證據體的不確定度，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類證據體對應的基本可信度。
4、基于D-S證據理論對各證據體進行信息融合，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函數對各元件故障概率表征求取Gamma函數值，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函數值分別為
取所對應的元件為絕對故障元件(一定發生故障)； 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； 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。
本發明提出了多數據源信息融合的電網故障診斷系統，分析電氣量、開關量等多種故障信息，基于D-S證據理論進行信息融合，采用C-均值算法進行診斷決策，最終得到故障診斷結果。診斷系統框架如
圖1所示。
本發明提供了一種電網的故障診斷方法，將現有的數據采集設備、成熟的技術與前沿的理論知識相結合，提出了多數據源信息融合的電網故障診斷系統，分析電氣量、開關量等多種故障信息，基于D-S證據理論進行信息融合，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據源的分析，有效解決了開關量信息單數據源面臨的信息不準確、信息不完備等缺陷，通過模糊Petri網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，形成證據體。
(4)基于D-S證據理論對各證據體進行信息融合，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.根據權利要求1所述電網的故障診斷方法，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函數對各元件故障概率表征求取Gamma函數值，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。
(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
本發明公開了一種電網故障診斷方法，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證據理論的證據體；基于D-S證據理論進行信息融合；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 優先權日2009年9月17日
發明者郭創新, 彭明偉, 劉毅, 趙偉 申請人:浙江大學