CN111537830A - 一种基于云边架构和小波神经网络的配电网故障诊断方法 - Google Patents

Abstract

本发明公开了一种基于云边架构和小波神经网络的配电网故障诊断方法，包括以下步骤：1)根据故障指示器、D‑PMU和FTU等装置的信息，建立云边架构，整理量测数据，根据故障指示器在云端判断配电网是否发生故障；2)根据故障指示器、D‑PMU和FTU装置提供的实时量测数据，初步诊断故障发生的区域或区段；3)根据小波包神经网络在故障发生的初步诊断区域或区段对故障发生点进行精确定位；将故障后的实时量测数据进行频带分解，构造特征向量；4)将特征向量带入神经网络模型中进行误差训练，直至达到误差精度要求，输出故障诊断结果。本方法应用云边架构对配电网故障进行分层处理，充分应用了D‑PMU等量测信息，具有较高的诊断精度和较快的收敛速度。

Description

一种基于云边架构和小波神经网络的配电网故障诊断方法

技术领域

本发明涉及配电网故障诊断领域，尤其涉及一种基于云边架构和小波神经网络的配电网故障诊断方法。

背景技术

随着我国国民经济的快速发展，用户对于供电的可靠性要求越来越高，而配电网规模不断扩大，电网拓扑结构越来越复杂。配电网故障诊断是供电可靠性的重要手段之一，及时确定故障区段和位置，为故障隔离及恢复提供保障。电力物联网的建设，促进了“云管边端”架构的形成，以及诸多类型量测设备在配电网中的应用。如何充分利用电力物联网技术提升故障诊断的速度和精确度，进而增强电力服务水平，受到极大关注。

智能电网及物联技术的建设促进了配电网故障诊断技术的发展，主要表现在：(1)小型化、大量程、宽带宽、高精度、非直接接触式的传感器在配电系统中广泛应用，引入更多测量信息，改变配电网精确故障诊断量测配置不足的现状。高速采样与传输技术的发展，提升了故障诊断所需数据的质量。(2)配电网同步相量测量装置(Distribution PhasorMeasurement Unit，D-PMU)等量测设备在配电网中的推广应用，促进了数据同步能力的提升，对以利用行波时差信息为代表的故障精确定位具有重要意义。(3)多源数据融合、高级信号处理及智能算法的发展提升了故障诊断的精度。综合不同原理方法的结果，利用同构或异构数据融合技术实现故障诊断，能够真正做到“取长补短”。(4)智能云与边缘算法的应用能够将多种资源整合灵活使用，实现数据的双向传输，实现数据融合、故障诊断等诸多配电网应用。

配电网故障诊断可以分为故障区段诊断、故障类型判别和故障点精确定位，当前研究多基于暂态和稳态电气量信息相结合的故障诊断方法。如基于故障馈线线路序电流的故障诊断方法，该方法实时监测馈线线路的消弧线圈参数，通过比较故障发生前后零序电流以及电压的突变量，定位故障区段^[1]。或者基于馈线量测点暂态重心频率的故障诊断方法，该方法通过故障发生后各区段内的谐振频率不同的特点，将重心频率通过K-means聚类算法提取出来，同时与幅值特征相结合来定位故障区段^[2]。但上述方法容易受配电网结构的影响较大，同时在运行特征复杂的情况下也会导致故障诊断的精度下降；或者只利用了部分特征信息，容易受到故障点信号的影响，具有一定的局限性。

基于上述问题，充分考虑电力物联网对故障诊断技术的影响，将云边架构和小波神经网络应用于配电网的故障诊断以提高定位精度，同时解决在量测端量测精度不足和实时性较差的问题。

发明内容

本发明提供了一种基于云边架构和小波神经网络的配电网故障诊断方法，本发明以云边架构为基础，利用小波神经网络模型，对配电网故障发生后的量测数据实时采集，并进行小波包分解后带入神经网络进行误差训练，输出故障诊断结果，该方法应用云边架构对配电网故障进行分层处理，充分应用了D-PMU等量测信息，具有较高的诊断精度和较快的收敛速度，详见下文描述：

一种基于云边架构和小波神经网络的配电网故障诊断方法，所述方法包括以下步骤：

1)根据故障指示器、D-PMU和FTU等装置的信息，建立云边架构，整理量测数据，根据故障指示器在云端判断配电网是否发生故障；

2)根据故障指示器、D-PMU和FTU装置提供的实时量测数据，初步诊断故障发生的区域或区段；

3)根据小波包神经网络在故障发生的初步诊断区域或区段对故障发生点进行精确定位；将故障后的实时量测数据进行频带分解，构造特征向量；

4)将特征向量带入神经网络模型中进行误差训练，直至达到误差精度要求，输出故障诊断结果。

在步骤1)之前，所述方法还包括：

根据配电网的故障指示器和D-PMU对配电网的运行状态进行实时监测并采集运行数据。

所述将故障后的实时量测数据进行频带分解，构造特征向量具体为：根据正交分解法对量测数据进行多层频带分解；根据分解后的频带信号构造特征向量。

其中，所述根据正交分解法对量测数据进行多层频带分解；根据分解后的频带信号构造特征向量具体为：

1)将量测数据采用正交分解法进行多层频带分解为数据信号；

2)根据分解后的信号构造特征向量，计算各子频带内重构信号的能量，根据各频带的能量构造特征向量；

3)若能量值较大时，需对特征向量进行归一化处理采用能量比作为特征量；

4)当配电网存在扰动时，采集的电流信号为短时非正常信号，配电网故障状态下为长时非正常信号，根据此特点判断配电网是否为故障状态。

其中，所述步骤4)具体为：

确定小波神经网络模型的各层层数和各层之间的权值；将特征向量带入小波神经网络模型中，输出隐含层输出值；

根据隐含层输出值，输出输出层的输出值，构造误差函数，满足误差要求后输出故障诊断结果。

本发明提供的技术方案的有益效果是：

(1)本方法应用云边架构对配电网故障进行分层处理，云端实现配电网的多源数据融合及故障是否发生、故障区段的判断分析；边缘端对配电网的故障电流信号进行小波变换和小波包频带分解，同时将特征向量带入小波神经网络进行故障诊断和故障点定位，具有较高的诊断精度；

(2)本方法充分应用了D-PMU等量测信息，将经过小波变换的故障信号进行小波包变换分解得到故障特征向量，带入神经网络进行训练，输出诊断结果，将小波变换、频带分解和神经网络相结合，实现快速收敛并减少了故障时间。

附图说明

图1为基于云边架构和小波神经网络的配电网故障诊断方法的流程图；

图2为配电网故障诊断信息及云端架构的示意图；

图3为信号的小波包频带分解过程的示意图；

图4为故障特征向量提取过程的示意图；

图5为小波神经网络模型的示意图；

图6为小波神经网络的故障诊断流程图；

图7为配电网的系统简化图；

图8为电流线模值分量的示意图；

图9为传统神经网络算法的收敛结果的示意图；

图10为小波神经网络算法的收敛结果的示意图。

表1为配电网故障诊断获得的原始决策表；

表2为故障样本集输出量；

表3为不同网络模型预测结果表。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面对本发明实施方式作进一步地详细描述。

实施例1

为了解决配电网故障精确定位问题，本发明实施例提供了一种基于云边架构和小波神经网络的配电网故障诊断方法，参见图1至图10、以及表1至表3，详见下文描述：

101：根据配电网的故障指示器和D-PMU对配电网的运行状态进行实时监测并采集运行数据；

其中，该步骤具体包括：

1)根据故障指示器对配电网进行实时的运行监测；

2)根据D-PMU对配电网的电压和电流等运行参数和数据进行实时采集。

具体实现时，配电网中已经安装了大量的智能量测装置，如故障指示器、D-PMU和馈线终端装置(Feeder Terminal Unit，FTU)等，能够对配电网的运行状态进行实时监测，并采集运行数据，通过通信技术实时上传量测数据至电力系统主站中。

其中，故障指示器包括配电网短路及接地故障指示器，用来检测短路及接地故障的设备。

基于同步量测技术的D-PMU是PMU在配电网中的应用，在配电网正常或异常状态下实现同步测量线路的电压、电流信号，通过对采集到的配电网D-PMU数据进行预处理并构建大数据矩阵，快速检测配电网异常源并确定异常源位置，为配电网故障分析诊断方案的提出提供方向上的指导和数据支持。

FTU具有遥控、遥测、遥信，故障检测功能，并与配电自动化主站通信，提供配电系统运行情况和各种参数即监测控制所需信息，并执行配电主站下发的命令，对配电设备进行调节和控制，实现故障定位、故障隔离和非故障区域快速恢复供电等功能。

102：根据故障指示器、D-PMU和FTU等装置的信息，建立云边架构，如图2所示；

其中，云边架构主要包括云端和边端。云端主要分为判断配电网是否发生故障和判断故障发生的区域或故障区段。故障指示器内能够产生电压或电流报警信号，能够对配电网是否发生故障进行实时监测；故障指示器、D-PMU和FTU装置的应用，提供了配电系统运行情况和各种参数即监测控制所需信息，能够实现故障区段隔离，判断发生故障的区域。边端主要实现故障发生点的精确定位，在小波包神经网络的边缘计算下，能够实现对故障发生点的定位。

103：整理量测数据，根据故障指示器在云端判断配电网是否发生故障；

其中，配电网故障主要分为短路故障和接地故障。故障指示器内产生的报警信号能够实时的监测配电网的运行情况。

其中，该步骤具体包括：

1)根据建立的云边架构，通过故障指示器的短路报警指示判断配电网是否发生短路故障如果是，则进行故障区域或区段的判断，即执行步骤104，否则，继续进行监测。

2)根据建立的云边架构，通过故障指示器的接地报警指示判断配电网是否发生接地故障，如果是，则进行故障区域或区段的判断，即执行步骤104，否则，继续进行监测。

短路报警指示具体为：短路传感器时刻检测供电线路中的电流，当电流值达到或超过短路电流报警预设值时，短路传感器发出报警信号主机通过光纤接收到此信号后，产生报警指示信号。

接地报警指示具体为：当接地传感器检测到接地线路中的电流达到或超过接地电流报警预设值时，接地传感器发出报警信号主机通过电缆或光纤接收到此信号后，产生相应的报警指示信号。

其中，上述短路电流报警预设值、接地电流报警预设值可以通过实际应用中的需要进行设定，本发明实施例对此不做限制。

104：根据故障指示器、D-PMU和FTU装置提供的实时量测数据，初步诊断故障发生的区域或区段；

其中，该步骤具体包括：

1)对D-PMU采集到的配电网量测数据进行预处理并用矩阵形式表示，快速检测配网故障并确定故障区域；

具体实现时，可以采用D-PMU装置自带的构建大数据矩阵的内部功能进行矩阵表示，本发明实施例对此不做赘述。

2)FTU具有故障检测功能，提供配电系统运行情况和各种参数即监测控制所需信息，对配电设备进行调节和控制，实现故障定位、故障隔离和非故障区域快速恢复供电等功能。

105：根据小波包神经网络在故障发生的初步诊断区域或区段对故障发生点进行精确定位；将故障后的实时量测数据进行频带分解，构造特征向量；

其中，该步骤具体包括：根据正交分解法对量测数据进行多层频带分解；根据分解后的频带信号构造特征向量。

其中，该步骤具体如图4所示，包括：

1)将量测数据进行多层频带分解为数据信号；

其中，小波包分解采用正交分解法，如图3所示。在小波变换中，原始信号f(t)在平方可积空间上的二范数为：

设经过小波包分解出的第k层第j带的重构信号S_j，k相对应的能量为E_j，k。

式中：N是样本长度；k是分解层次；|x_j，m|是S_j，k离散点的幅值，R为实数集。

2)根据分解后的信号构造特征向量，计算各子频带内重构信号的能量，根据各频带的能量构造特征向量；

结合三层小波包分解信息，计算各子频带内重构信号的能量E_j，3，则有：

式中：x_j，m(m＝1，2，…，N)是离散点S_j,3的幅值。

根据各频带的能量构造特征向量。

E＝[E_1，3,E_2，3,…,E_8，3] (4)

3)若能量值较大时，需对特征向量进行归一化处理；

当能量值过大时，通常会影响小波神经网络权值的取值，故采用能量比作为特征量，能量比为某一频带的能量值占总能量值的比例。

式中：

4)配电网的非正常工作状态分为两种：扰动和故障。当配电网存在扰动时，采集的电流信号为短时非正常信号，配电网故障状态下为长时非正常信号，可根据此特点判断配电网是否为故障状态，具体的特征向量提取流程如图4所示。

106：将特征向量带入神经网络模型中进行误差训练，直至达到误差精度要求，输出故障诊断结果。

即首先分别确定神经网络输入层、隐含层和输出层的层数，再确定各层之间的权值，并构造误差函数。将构造的特征向量带入神经网络中进行误差训练，通过输入层信号和权值确定隐含层的输出值，再根据隐含层信号和权值确定输出层的输出值，最后输出故障诊断结果，确定故障发生点的精确位置。

其中，该步骤具体包括：

1)确定小波神经网络模型的各层层数和各层之间的权值；

2)将特征向量带入小波神经网络模型中，输出隐含层输出值；

当从D-PMU量测到的信息序列为x_i(i＝1,2,…,m)，小波神经网络模型如图5所示，隐含层的输出值为：

式中：小波函数中隐含层第j个神经元的伸缩因子为a_j；位移因子为b_j；隐含层节点数为l；ω_ij为输入层和输出层的连接权值；h_j为模型中传递函数的小波函数，这里采用具有较高分辨率的经过余弦调制的高斯Morlet小波。

3)根据隐含层输出值，输出输出层的输出值。

其中，根据各层之间的权值，网络模型的输出层为：

式中：n为输出层的节点数，ω_jk为隐含层和输出层的连接权值。

4)构造误差函数，满足误差要求后输出故障诊断结果。

其中，取误差函数为：

式中：数据样本个数为P；输出层第k个节点的期望输出为

网络的实际输出为

样本误差为C_p。

综上所述，本发明实施例充分应用了D-PMU等量测信息，对配电网故障进行分层处理，具体流程如图6所示。该方法具有较高的诊断精度和较快的收敛速度，有助于电力系统的故障计算和运行决策。

实施例2

下面结合图7-图10对实施例1中的方案进行可行性验证，详见下文描述：

算例样本数据来源于某实际配电网，如图7所示。该简单电网包含5条线路L1到L5，分别带有过流保护CO1～CO5。另外，L1和L3所带的距离保护RR1和RR3分别是线路L2～L5和L4～L5的后备保护。CB1～CB5是各线路上的断路器。为了简化，只考虑距离I段和距离II段。L1与L2(L3)线路连接点，以及L2与L4(L5)线路连接点处分别装置D-PMU设备，用于提供故障电流波头信息。L1～L5线路分别配置故障指示器(FI)对故障的有无和故障区域进行识别、判断。

针对本方法所研究的故障诊断定位的实际应用问题设定三层的网络结构，隐含层的具体数值l将采用公式来确定：

式中：l为隐含层的节点数；m表示输入层的节点数；n为输出层的节点数；a∈[1，10]且为整数。

设定小波神经网络的输入层m和输出层n均为8，根据经验公式集中训练确定a＝3，即隐含层节点数为7。图8为故障信号经过小波变换后的电流线模值分量。

根据电网断路器及继电保护动作原理并考虑各种故障情况，形成故障诊断原始决策表，如表1所示。

所给条件属性共10个，其中4个过流保护(CO1、CO2、CO3、CO4)，4个断路器(CB1、CB2、CB3、CB4)，2个距离保护(RR1、RR3)；各保护和各断路器存在“0”或“1”两种取值，其中“0”表示未动作或闭合状态；“1”表示动作或断路器断开。决策属性表示所在的故障线路。对表1中的决策属性与神经网络训练的结果进行比较，得到故障初步诊断结果。

将故障初步诊断结果输入神经网络，同时选择两组故障样本集合作为测试样本，代入建立好的模型，得到传统神经网络与优化后的BP神经网络的故障定位结果如表2所示。

根据选用的测试样本，分别采用传统的神经网络算法和本方法对样本进行学习训练，得到两种算法的神经网络误差曲线分别为图9和图10所示。

将两种神经网络模型的参数进行统一设置，分别代入样本数据进行预测，预测的结果如表3所示。

表1

表2

表3

本方法对配电网的故障诊断提出了一种简单行之有效的定位方法，在保证故障定位精度的前提下，利用小波神经网络对故障进行定位分析，提高了定位精度。该方法采用D-PMU量测避免了量测数据不足或数据采样精度不高的缺点，同时考虑了神经网络收敛速度较慢的影响，实现快速收敛并减少了故障时间。利用此方法对配电网进行故障诊断，能够取得比较理想的结果。

参考文献：

[1]WANG Q J,JIN T,MOHAMED M A.An innovative minimum hitting setalgorithm for model-based fault diagnosis in power distribution network[J].IEEE Access,2019(7):30683-30692.

[2]张姝,杨健维,何正友,等.基于线路暂态重心频率的配电网故障区段定位[J].中国电机工程学报,2015,35(10):2463-2470.

[3]郭兰中,彭刘阳,窦岩,等.基于小波包-AR谱和GA-BP网络的轴承故障诊断研究[J].工业仪表与自动化装置,2019(3):3-7,12.

[4]王嵘冰,徐红艳,李波,等.BP神经网络隐含层节点数确定方法研究[J].计算机技术与发展,2018,28(4):31-35.

本发明实施例对各器件的型号除做特殊说明的以外，其他器件的型号不做限制，只要能完成上述功能的器件均可。

本领域技术人员可以理解附图只是一个优选实施例的示意图，上述本发明实施例序号仅仅为了描述，不代表实施例的优劣。

以上所述仅为本发明的较佳实施例，并不用以限制本发明，凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种基于云边架构和小波神经网络的配电网故障诊断方法，其特征在于，所述方法包括以下步骤：

1)根据故障指示器、D-PMU和FTU等装置的信息，建立云边架构，整理量测数据，根据故障指示器在云端判断配电网是否发生故障；

2)根据故障指示器、D-PMU和FTU装置提供的实时量测数据，初步诊断故障发生的区域或区段；

3)根据小波包神经网络在故障发生的初步诊断区域或区段对故障发生点进行精确定位；将故障后的实时量测数据进行频带分解，构造特征向量；

4)将特征向量带入神经网络模型中进行误差训练，直至达到误差精度要求，输出故障诊断结果。

2.根据权利要求1所述的一种基于云边架构和小波神经网络的配电网故障诊断方法，其特征在于，在步骤1)之前，所述方法还包括：

根据配电网的故障指示器和D-PMU对配电网的运行状态进行实时监测并采集运行数据。

3.根据权利要求1所述的一种基于云边架构和小波神经网络的配电网故障诊断方法，其特征在于，所述将故障后的实时量测数据进行频带分解，构造特征向量具体为：

根据正交分解法对量测数据进行多层频带分解；根据分解后的频带信号构造特征向量。

4.根据权利要求3所述的一种基于云边架构和小波神经网络的配电网故障诊断方法，其特征在于，所述根据正交分解法对量测数据进行多层频带分解；根据分解后的频带信号构造特征向量具体为：

1)将量测数据采用正交分解法进行多层频带分解为数据信号；

2)根据分解后的信号构造特征向量，计算各子频带内重构信号的能量，根据各频带的能量构造特征向量；

3)若能量值较大时，需对特征向量进行归一化处理采用能量比作为特征量；

4)当配电网存在扰动时，采集的电流信号为短时非正常信号，配电网故障状态下为长时非正常信号，根据此特点判断配电网是否为故障状态。

5.根据权利要求1所述的一种基于云边架构和小波神经网络的配电网故障诊断方法，其特征在于，所述步骤4)具体为：

确定小波神经网络模型的各层层数和各层之间的权值；将特征向量带入小波神经网络模型中，输出隐含层输出值；

根据隐含层输出值，输出输出层的输出值，构造误差函数，满足误差要求后输出故障诊断结果。

Images