[发明专利]基于多特征分析的配电网工况智能识别方法

权利要求书

1.一种基于多特征分析的配电网工况智能识别方法，其特征在于，包括以下步骤:

1)通过配电网的在线录波系统，当线路发生故障时触发三相同步录波，获得A、B、C三相电流录波信号和零序电流信号；

2)采用多特征提取方法提取信号特征：

2-1)提取时域特征

在时域范围内，对于由在线录波系统采集到的电流信号提取如下：

周期最大值I_max：I_max,p(i)＝max(I_p,i(j))

周期最小值I_min： I_min,p(i)＝min(I_p,i(j))

周期均值I_mean：

周期方差I_var：

周期均方差I_rms：

最大均方差I_mar：I_mar,p＝max(I_rms,p(i))

最小均方差I_mir：I_mir,p＝min(I_rms,p(i))

均方根之差最大值I_mard：I_mard,p＝max(I_rms,p(2)-I_rms,p(1),...,I_rms,p(i+1)-I_rms,p(i))

三相不平衡度IDUB：

其中，I_p,i是检测器采集到的电流信号，表示A、B、C三相，p代表A、B、C、Z四相，i代表录波信号的周期序列，j代表每个周期中的采样点序号，N为采样点个数；

2-2)提取频域特征

在频域范围，针对故障发生后稳态信号的直流和二次谐波分量，采用的是录波信号的i～(i+m)个周期数据进行离散傅里叶变换分析；以一个周期电流信号为例，使用傅里叶级数展开，得到二次谐波的频域变换结果：

式中I_p,i是检测器采集到的电流信号，p代表A、B、C、Z四相，i为电流信号的周期序列，N为采样点个数，n为第n个采样点，j为虚部表示符；

提取如下特征量：

直流分量含量I_dp：

二次谐波分量I_2x：

二次谐波分量含量I_2xp：

2-3)基于小波变换的特征提取方法分析暂态信号

运用小波变换提取配电网馈线异常运行发生时刻的暂态信号；将原始暂态信号分解到J个不同尺度上进行分析，提取出多个频段的低频和高频分量；

2-3-1)将采集到的异常信号进行分解，提取异常工况信号的高频分量特征：

其中A_J(k)为k时刻信号经J阶小波分解重构得到的低频分量系数，D_i(k)为第i阶高频分量系数；为统一表达式，用D_J+1(k)代替A_J(k)，将表达式转换为

异常工况信号的高频分量特征为Df_p(i)，统计对象为异常信号出现前后半个周期的高频分量系数绝对值之和，表示为

2-3-2)提取小波能量熵和小波奇异熵

小波能量熵和小波奇异熵用来表示在异常工况发生的时段内，信号能量在不同频段分布的混乱程度；

将小波的能量熵WEE定义如下式：

其中p_i＝E_i/E定义在不同尺度i时间k上的信号能谱，E_i(k)＝|D_i(k)|²,为尺度i上所有时刻的能量和，近似为信号的总能量；

将小波变换重构后的系数D_i(k)构成一个(J+1)×M的矩阵D_(J+1)×M，将矩阵进行奇异值分解，能够得到J+1个非负的奇异值σ_i，则小波奇异熵WAE定义如下：

3)将按照步骤2)提取的特征数据集合进行树型聚类，采用决策树的形式建立多分类识别流程；

4)多分类识别流程中的分类器采用三层ANN模型构建；

5)多分类识别模型经过训练与测试后，误差控制在许可阈值范围内，即可提供给在线录波系统进行配电网的多工况识别。