[发明专利]一种基于多维全景数据的电网故障智能判别方法

权利要求书

1.一种基于多维全景数据的电网故障智能判别方法，它包括：

步骤1、获取故障时的电气量信息和开关量信息；

步骤2、对电网故障区域进行搜索，构成故障元件集；

步骤3、将电气量进行模态分解，并对故障元件集中的故障电流信号进行分析处理，获取对应的元件故障度，即定义的故障概率表征；

步骤3所述元件故障度获取的过程为：

步骤3.1、运用FIMD将电气信息量进行模态分解；

步骤3.1所述运用FIMD将电气信息量进行模态分解的方法为：

1)、设输入原始信号为f(t)，采集该信号的极值点R(t)

R(t)，t₀≤t_j≤t_m-1 (1)

式中，t₀、t_j、t_m-1分别表示不同极值点的采样时刻；

2)、利用线性转换方法对极值点进行转换并生成对用的残余量r(t)

式中t_j+1是j+1个极值点处所对应的采样时间；

3)、将原始信号减去残余量即求得原始信号固有的模态函数，对该过程不断进行迭代，当残余量的极值点少于3个时停止分解计算将原始输入信号分解为多个唯一的固有模态分量以及一个残余分量；

步骤3.2、将FIMD分量进行Hilbert变换获得幅值畸变度和故障能量度作为电气量故障度；

所述电气量故障度的获取方法包括：

幅值畸变度的获取：

对故障线路电流的前5阶FIMD分量进行Hilbert变换；假设根据瞬时幅值定义得到线路i的第j个FIMD分量在k时刻的瞬时幅值为a_ij(k)，求得第i条线路第j个FIMD分量在故障发生前后电流瞬时幅值的有效值幅值分别如下所示：

式中，A_ij1和A_ij2分别表示第i条线路第j个FIMD分量故障前和故障后一个周波内的瞬时幅值有效值；N是故障发生后一个周波截止时刻对应的采样的点数，l是故障时刻所对应的采样点数；

则进一步可求得故障线路电流信号的畸变度为：

为统一量纲，式(4)可归一化为：

式中，L表示线路总支数；采用式(5)计算得到归一化后幅值畸变程度矩阵M＝[m₁ m₂…m_L]，将其定义为HHT幅值畸变度；

故障能量度的获取：

根据故障电流信号的能量谱H(ω，t)，求得对应的边际谱为：

进一步求得Hilbert变换的边际能量谱为：

则第i条线路在故障时的电流故障能量度值可表示为：

式中，f_s表示的信号采样频率；

步骤3.3、对电气量故障度进行归一化处理；

步骤4、对开关量进行处理分析，得到对应的到元件模糊故障度；

步骤5、对故障度进行多源信息的融合；运用改进的D-S证据理论对故障特征度进行多源信息的融合；

步骤6、根据故障诊断决策方法进行故障诊断，获取故障元件。

2.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：步骤1所述电气量信息为各种故障暂态信息，它包含了故障的特征信息；开关量为继电保护的动作信息。

3.根据权利要求1所述的一种基于多维全景数据的电网故障智能判别方法，其特征在于：

步骤4所述元件模糊故障度获取的过程为：

步骤4.1采用改进的层次化加权模糊Petri网对开关量进行处理分析，得到对应的元件模糊故障度；

步骤4.2、对元件模糊故障度进行归一化处理。