[发明专利]基于多特征分析的配电网工况智能识别方法

摘要

本发明公开一种基于多特征分析的配电网工况智能识别方法，通过配电网在线录波系统对配电网馈线的异常运行工况进行数据采集，应用多种特征提取方法，包括时域、频域及小波变换的信号特征提取方法，提取大量信号特征，如电流暂态稳态特征等；通过训练具有自适应学习特性的人工神经网络(ANN)模型来进行每一类异常工况识别，并建立形如决策树的分类识别流程，实现配电网的多工况有效识别。

主权项

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:/n1)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；/n2)采用多特征提取方法提取信号特征：/n2-1)提取时域特征/n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：/n周期最大值I_max：I_max,p(i)＝max(I_p,i(j))/n周期最小值I_min： I_min,p(i)＝min(I_p,i(j))/n周期均值I_mean：/n周期方差I_var：/n周期均方差I_rms： /n最大均方差I_mar：I_mar,p＝max(I_rms,p(i))/n最小均方差I_mir：I_mir,p＝min(I_rms,p(i))/n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))/n三相不平衡度IDUB：/n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；/n2-2)提取频域特征/n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：/n /n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；/n提取如下特征量：/n直流分量含量I_dp：/n /n二次谐波分量I_2x：/n /n二次谐波分量含量I_2xp：/n /n2-3)基于小波变换的特征提取方法分析暂态信号/n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；/n2-3-1)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：/n /n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/n /n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/n /n2-3-2)提取小波能量熵和小波奇异熵/n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；/n将小波的能量熵WEE定义如下式：/n /n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；/n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：/n /n3)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；/n4)多分类识别流程中的分类器采用三层ANN模型构建；/n5)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。/n