基于小波分析與支持向量機的線路故障判斷方法
【技術領域】
[0001] 本發明屬于電力系統線路故障判斷技術領域，尤其涉及一種基于小波分析與支持 向量機的線路故障判斷方法。
【背景技術】
[0002] 輸電線路一方面跨越的空間距離大，一般為幾十到幾千千米，另一方面長期暴露 在環境條件惡劣的戶外，無法進行有效的維護，與其他電氣元件比較，輸電線路所處的條件 決定了它是電力系統中最容易發生故障的一環。輸電線路上，最常見同時也是最危險的故 障是相與相或相與地之間的非正常連接，即短路。這些故障在電力系統中分為單相接地短 路、兩相相間短路、兩相接地短路和三相接地短路。其中以單相接地短路最為常見，而三相 短路是比較少見的。短路發生時會產生很大的短路電流，同時使系統中電壓大大降低。短 路點短路電流及短路電流的熱效應和機械效應會直接損壞電氣設備。電壓下降影響用戶的 正常工作，影響產品質量。短路更嚴重的后果，是因為電壓下降可能導致電力系統發電廠之 間并列運行的穩定性遭受破壞，引起系統振蕩，直至整個系統瓦解。因此輸電線路的短路故 障診斷是電力系統故障診斷的一個重點。
[0003] 電力系統中發生故障時，伴隨有高次諧波的產生，為避免這些諧波的不良影響，有 必要對其加以分析和抑制。小波分析將此類信號變換投影到不同的尺度上會明顯地表現出 這些高頻、奇異高次諧波信號的特性。特別是小波包具有將頻率空間進一步細分的特性，將 很好地為抑制高次諧波提供可靠的依據。小波變換能夠表征其他信號分析技術無法滿足的 分析所需要的電力系統暫態信號方面的數據。通常情況下，暫態信號的小波變換用多分辨 率分解的快速算法來表達，利用正交小波基將信號分解成不同頻率下的信號。它等于遞歸 濾波的高通和低通濾波器對信號進行分析。
[0004] 目前，采用小波變換來進行故障判斷主要是將小波熵用于神經網絡或模糊系統等 啟發式算法中來識別故障。通過小波變換和小波時頻參數生成小波熵特征向量，然后結合 神經網絡來識別故障。這在做理論研究時可以得到很復雜的模型和很好的識別效果，故障 識別能力強。但對于現場實際，這種方法所設計的系統復雜，不能很好的適用實際應用，而 且不同的現場存在各種差異，該方法通用性較差。同時，識別故障需要的時間長，不利于電 力系統穩定且經濟運行。
[0005] 雖然現如今一些新的啟發式算法，如神經網絡、貝葉斯網絡、模糊集算法等在電力 系統故障判斷方面的研究較多，但這些研究很多都處于理論研究階段，實際應用局限性很 大。面對節點數量龐大，實際網絡復雜的地區性輸電網絡，這些方法應用困難。

【發明內容】

[0006] 為了解決現有方法存在的上述問題，本發明提出了一種基于小波分析與支持向量 機的線路故障判斷方法，包括：
[0007] 步驟1 :從輸電線路錄波系統的歷史數據庫中提取三相電流信號作為訓練數據 集；
[0008] 步驟2 :采用小波分析計算三相電流對應的小波能量熵值；
[0009] 步驟3、通過判斷輸電線路故障后是否存在零序電流，將輸電線路故障初步劃分 為兩類，若存在零序電流則為接地短路故障，若不存在零序電流則為相間短路故障；其中接 地短路故障包括單相接地短路和兩相接地短路；相間短路故障包括兩相相間短路和三相短 路；
[0010] 步驟4 :找出三相電流對應的小波能量熵值中的最大值maxl、中間值max2和最小 值min，引入三相電流小波能量熵比值&和R 2:
[0011]
[0012] 設定閾值alpha和beta，當R1 > alpha該故障屬于單相接地短路故障；當 R1S alpha該故障屬于兩相接地短路故障；當R 2> beta該故障屬于兩相相間短路故障；當 R2S beta該故障屬于三相短路故障；
[0013] 步驟5 :將三相電流對應的小波能量熵值作為訓練樣本輸入支持向量分類機進行 訓練，分別建立起對應三種單相接地短路故障的3個依次相連的二分類機、三種兩相相間 短路故障的3個依次相連的二分類機和三種兩相接地短路故障的3個依次相連的二分類 機；每個二分類機的決策函數通過計算最終輸出分析結果來判斷故障類型；
[0014] 步驟6、重復步驟1~5,通過訓練數據集中的多組數據樣本對閾值alpha和beta 以及支持向量分類機的參數進行訓練和優化，對故障類型的判斷結果與歷史數據進行驗 證，在滿足預期誤差率后，對所要判斷的實際輸電線路三相電流信號進行采集，并執行步驟 2~5來判斷實際輸電線路故障類型；若不滿足預期誤差率則重復執行步驟6。
[0015] 所述步驟2具體包括：
[0016] 給定一個離散信號x(k)時，在時刻k和尺度j快速轉化，轉換后得到高頻分量 DJk)和低頻分量Α,ΟΟ ;頻帶信息包含在信號分量DJk)和、〇〇中，通過以下方式獲得重 建：
[0017]
[0018] 通過離散小波變換后原始信號序列X (k)表示為：
[0019]
[0020] 其中，匕是離散信號采樣頻率，m表示在某一時刻下對信號的分解尺度，J為正整 數；
[0021] Ejk是在時刻k和尺度j下小波能量譜，計算方法如下：
[0022] Ejk= |D J (k) I2 (3)
[0023] 采用在信息熵的基礎上演化而來的小波能量熵計算方法，計算公式如下
[0024] 在j尺度上采樣序列k = 1，2,…，N的信號能量總和Ej為：
[0025]
(4)
[0026] 為了和信息熵中的時間概率保持一致，假設Pa=EVE^ijZ~=1:, P]k表示k J 時刻j尺度下的小波能量在j尺度下所有時刻小波能量之和中所占的比例，定義相應的小
波能量
[0027] (5)
[0028] 最后，計算各相電流對應的小波能量熵值總和：
[0029]
[0030] 其中，Waj、Wbj、別表示三相電流由式（5)的計算得到的小波能量熵值，S a、Sb、 S。分別表示三相電流的小波能量熵總和；
[0031] 確定分解尺度后，根據式（5)計算各尺度上的小波能量熵，該定義反映某信號其 在頻率空間的能量分布，根據能量的分布表征對應信號的特征信息，進而達到特征信息提 取的目的。
[0032] 本發明的有益效果在于：只要獲得輸電線路電流信號，就能判斷相應輸電線路是 否發生故障及故障類型，對現場調度人員在故障發生后快速、準確定位故障區域有很好的 輔助作用，有助于提高輸電線路的安全性和穩定性。
【附圖說明】
[0033] 圖1為輸電線路短路故障判斷流程圖。
[0034] 圖2a~2c為短路故障支持向量機識別系統。
【具體實施方式】
[0035] 下面結合附圖，對實施例作詳細說明。
[0036] 為了驗證前面提出的電力系統輸電線路短路故障分類模型的有效性和參數設置 的合理性，采集某地區電力公司錄波數據形成測試集進行驗證。由于本發明中參數的設置 是根據專家經驗來設置的，所以測試集在驗證參數的同時還要根據故障分類的準確率對參 數進行修正，以獲得更合理的參數。如圖1所示，具體方法步驟包括：
[0037] 步驟1 :從錄波系統的歷史數據庫中選取數據進行故障分類方法參數調整。每條 輸電線路都會配備相應的故障錄波器，通過傳感器采集獲得對應線路的錄波信號，此處的 錄波信號為離散的數據序列。一個錄波文件會包含相應輸電線路的多項數據，該文件存儲 于系統錄波數據庫中，而該系統中包含大量的數據信息，因此要提取故障電流數據首先要 對錄波數據進行解析。依據該數據系統技術說明書，解析錄波數據只需分析C0MTRADE文件 即可。每個C0MTRADE記錄中包含四個文件，分別是頭標文件、配置文件、數據文件和信息文 件。配置文件包含著計算機程序為了正確解讀數據（.DAT)文件而需要的信息，這些信息包 括采樣率、通道數置、線路頻率、通道信息等項。本發明的算法只用到錄波電流，所以首先按 照既定的數據轉換規則從上述錄波文件中轉換得到輸電線路錄波電流序列；然后生成電流 序列文本，此序列數據采集間隔為0. 3125ms，即每秒鐘采集3200個等間隔的數據。在調整 參數時，需要選擇合適時間段的數據作為訓練數據集和測試數據集，本發明參數訓練集及 測試集的數據包含35kv、IlOkv和220kv輸電線路發生故障時的數據，訓練樣本的多樣性保 證了參數設置的合理性，通過對某地區電網公司2011年1月至2012年10月發生過的輸 電線路短路故障進行統計，選取其中的164組典型數據作為樣本進行分類模型的訓練及驗 證。其中90組數據樣本作為訓練數據；74組樣本作為測試數據，用來驗證方法的有效性及 參數的準確性。
[0038] 步驟2 :數據預處理
[0039] 對于訓練集中的錄波電流數據進行數據預處理。
[0040] 步驟2. 1 :通過小波函數"db4"對故障電流信號進行5層小波分解，得到不同尺度 下的高頻分量和低頻分量。并求出各尺度下的低頻系數a,和高頻系數d
[0041] 步驟2. 2 :計算小波能量譜。尺度j時刻k的小波能量等于高頻系數絕對值的平 方，即Ejk= ID j (k)|2。因而尺度j上的小波能譜為
[0042] 步驟2. 3 :計算小波能量熵。設Ejk為信號X (k)在j尺度k時刻下的小波能量。則
表示在j尺度上采樣序列k= 1，2,…，N的信號能量總和。各分量能量E,的總和 即為信號總能量。為了和信息熵中的時間概率保持一致，假設Ph=E^E,，則Σρ.μ =1， J 這樣便可以定義相應的小波能量熵
K
[0043] 步驟2. 4 :計算小波能量熵值總和。即其 J
J J 中，Waj、Wb j、Wq表示三相電流由步驟2. 3計算得到的小波能量熵值。
[0044] 步驟2. 5 :由以上四步即可得到各相電流對應的小波能量熵值。即Sa，Sb，S。。
[0045] 步驟3 :參數初始化
[0046] 本發明在故障分類線性模塊中用到了兩個參數alpha和beta，非線性分類模塊中 涉及9個分類機的相關參數。根據對故障分類模型的預估和輸電線路電流特性的理論分 析，上述線性分類模塊參數初始化為：alpha = 5. 0和beta = 12. 0 ;非線性分類模塊參數初 始化為支持向量機默認值。
[0047] 步驟4 :故障診斷流程
[0048] 通過對輸電線路短路故障的暫態過程進行深入的研究分析發現，對單相短路故障 而言，以A相發生短路為例，A相故障后電流信號中的高頻分量會大幅增加，利用小波分解 后其在時頻域上分布的復雜程度大大增加，根據小波能量熵表征信號的特點可知這種情況 下計算得到的小波能量熵值S a相比非故障相對應的小波能量熵值S b、S。大得多；對兩相相 間短路故障而言，以A、B相相間短路