基于小波分析与支持向量机的线路故障判断方法
【技术领域】
[0001] 本发明属于电力系统线路故障判断技术领域，尤其涉及一种基于小波分析与支持 向量机的线路故障判断方法。
【背景技术】
[0002] 输电线路一方面跨越的空间距离大，一般为几十到几千千米，另一方面长期暴露 在环境条件恶劣的户外，无法进行有效的维护，与其他电气元件比较，输电线路所处的条件 决定了它是电力系统中最容易发生故障的一环。输电线路上，最常见同时也是最危险的故 障是相与相或相与地之间的非正常连接，即短路。这些故障在电力系统中分为单相接地短 路、两相相间短路、两相接地短路和三相接地短路。其中以单相接地短路最为常见，而三相 短路是比较少见的。短路发生时会产生很大的短路电流，同时使系统中电压大大降低。短 路点短路电流及短路电流的热效应和机械效应会直接损坏电气设备。电压下降影响用户的 正常工作，影响产品质量。短路更严重的后果，是因为电压下降可能导致电力系统发电厂之 间并列运行的稳定性遭受破坏，引起系统振荡，直至整个系统瓦解。因此输电线路的短路故 障诊断是电力系统故障诊断的一个重点。
[0003] 电力系统中发生故障时，伴随有高次谐波的产生，为避免这些谐波的不良影响，有 必要对其加以分析和抑制。小波分析将此类信号变换投影到不同的尺度上会明显地表现出 这些高频、奇异高次谐波信号的特性。特别是小波包具有将频率空间进一步细分的特性，将 很好地为抑制高次谐波提供可靠的依据。小波变换能够表征其他信号分析技术无法满足的 分析所需要的电力系统暂态信号方面的数据。通常情况下，暂态信号的小波变换用多分辨 率分解的快速算法来表达，利用正交小波基将信号分解成不同频率下的信号。它等于递归 滤波的高通和低通滤波器对信号进行分析。
[0004] 目前，采用小波变换来进行故障判断主要是将小波熵用于神经网络或模糊系统等 启发式算法中来识别故障。通过小波变换和小波时频参数生成小波熵特征向量，然后结合 神经网络来识别故障。这在做理论研究时可以得到很复杂的模型和很好的识别效果，故障 识别能力强。但对于现场实际，这种方法所设计的系统复杂，不能很好的适用实际应用，而 且不同的现场存在各种差异，该方法通用性较差。同时，识别故障需要的时间长，不利于电 力系统稳定且经济运行。
[0005] 虽然现如今一些新的启发式算法，如神经网络、贝叶斯网络、模糊集算法等在电力 系统故障判断方面的研究较多，但这些研究很多都处于理论研究阶段，实际应用局限性很 大。面对节点数量庞大，实际网络复杂的地区性输电网络，这些方法应用困难。
【发明内容】
[0006] 为了解决现有方法存在的上述问题，本发明提出了一种基于小波分析与支持向量 机的线路故障判断方法，包括：
[0007] 步骤1 :从输电线路录波系统的历史数据库中提取三相电流信号作为训练数据 集；
[0008] 步骤2 :采用小波分析计算三相电流对应的小波能量熵值；
[0009] 步骤3、通过判断输电线路故障后是否存在零序电流，将输电线路故障初步划分 为两类，若存在零序电流则为接地短路故障，若不存在零序电流则为相间短路故障；其中接 地短路故障包括单相接地短路和两相接地短路；相间短路故障包括两相相间短路和三相短 路；
[0010] 步骤4 :找出三相电流对应的小波能量熵值中的最大值maxl、中间值max2和最小 值min，引入三相电流小波能量熵比值&和R 2:
[0011]
[0012] 设定阈值alpha和beta，当R1 > alpha该故障属于单相接地短路故障；当 R1S alpha该故障属于两相接地短路故障；当R 2> beta该故障属于两相相间短路故障；当 R2S beta该故障属于三相短路故障；
[0013] 步骤5 :将三相电流对应的小波能量熵值作为训练样本输入支持向量分类机进行 训练，分别建立起对应三种单相接地短路故障的3个依次相连的二分类机、三种两相相间 短路故障的3个依次相连的二分类机和三种两相接地短路故障的3个依次相连的二分类 机；每个二分类机的决策函数通过计算最终输出分析结果来判断故障类型；
[0014] 步骤6、重复步骤1~5,通过训练数据集中的多组数据样本对阈值alpha和beta 以及支持向量分类机的参数进行训练和优化，对故障类型的判断结果与历史数据进行验 证，在满足预期误差率后，对所要判断的实际输电线路三相电流信号进行采集，并执行步骤 2~5来判断实际输电线路故障类型；若不满足预期误差率则重复执行步骤6。
[0015] 所述步骤2具体包括：
[0016] 给定一个离散信号x(k)时，在时刻k和尺度j快速转化，转换后得到高频分量 DJk)和低频分量Α,ΟΟ ;频带信息包含在信号分量DJk)和、〇〇中，通过以下方式获得重 建：
[0017]
[0018] 通过离散小波变换后原始信号序列X (k)表示为：
[0019]
[0020] 其中，匕是离散信号采样频率，m表示在某一时刻下对信号的分解尺度，J为正整 数；
[0021] Ejk是在时刻k和尺度j下小波能量谱，计算方法如下：
[0022] Ejk= |D J (k) I2 (3)
[0023] 采用在信息熵的基础上演化而来的小波能量熵计算方法，计算公式如下
[0024] 在j尺度上采样序列k = 1，2,…，N的信号能量总和Ej为：
[0025]
(4)
[0026] 为了和信息熵中的时间概率保持一致，假设Pa=EVE^ijZ~=1:, P]k表示k J 时刻j尺度下的小波能量在j尺度下所有时刻小波能量之和中所占的比例，定义相应的小
波能量
[0027] (5)
[0028] 最后，计算各相电流对应的小波能量熵值总和：
[0029]
[0030] 其中，Waj、Wbj、别表示三相电流由式（5)的计算得到的小波能量熵值，S a、Sb、 S。分别表示三相电流的小波能量熵总和；
[0031] 确定分解尺度后，根据式（5)计算各尺度上的小波能量熵，该定义反映某信号其 在频率空间的能量分布，根据能量的分布表征对应信号的特征信息，进而达到特征信息提 取的目的。
[0032] 本发明的有益效果在于：只要获得输电线路电流信号，就能判断相应输电线路是 否发生故障及故障类型，对现场调度人员在故障发生后快速、准确定位故障区域有很好的 辅助作用，有助于提高输电线路的安全性和稳定性。
【附图说明】
[0033] 图1为输电线路短路故障判断流程图。
[0034] 图2a~2c为短路故障支持向量机识别系统。
【具体实施方式】
[0035] 下面结合附图，对实施例作详细说明。
[0036] 为了验证前面提出的电力系统输电线路短路故障分类模型的有效性和参数设置 的合理性，采集某地区电力公司录波数据形成测试集进行验证。由于本发明中参数的设置 是根据专家经验来设置的，所以测试集在验证参数的同时还要根据故障分类的准确率对参 数进行修正，以获得更合理的参数。如图1所示，具体方法步骤包括：
[0037] 步骤1 :从录波系统的历史数据库中选取数据进行故障分类方法参数调整。每条 输电线路都会配备相应的故障录波器，通过传感器采集获得对应线路的录波信号，此处的 录波信号为离散的数据序列。一个录波文件会包含相应输电线路的多项数据，该文件存储 于系统录波数据库中，而该系统中包含大量的数据信息，因此要提取故障电流数据首先要 对录波数据进行解析。依据该数据系统技术说明书，解析录波数据只需分析C0MTRADE文件 即可。每个C0MTRADE记录中包含四个文件，分别是头标文件、配置文件、数据文件和信息文 件。配置文件包含着计算机程序为了正确解读数据（.DAT)文件而需要的信息，这些信息包 括采样率、通道数置、线路频率、通道信息等项。本发明的算法只用到录波电流，所以首先按 照既定的数据转换规则从上述录波文件中转换得到输电线路录波电流序列；然后生成电流 序列文本，此序列数据采集间隔为0. 3125ms，即每秒钟采集3200个等间隔的数据。在调整 参数时，需要选择合适时间段的数据作为训练数据集和测试数据集，本发明参数训练集及 测试集的数据包含35kv、IlOkv和220kv输电线路发生故障时的数据，训练样本的多样性保 证了参数设置的合理性，通过对某地区电网公司2011年1月至2012年10月发生过的输 电线路短路故障进行统计，选取其中的164组典型数据作为样本进行分类模型的训练及验 证。其中90组数据样本作为训练数据；74组样本作为测试数据，用来验证方法的有效性及 参数的准确性。
[0038] 步骤2 :数据预处理
[0039] 对于训练集中的录波电流数据进行数据预处理。
[0040] 步骤2. 1 :通过小波函数"db4"对故障电流信号进行5层小波分解，得到不同尺度 下的高频分量和低频分量。并求出各尺度下的低频系数a,和高频系数d
[0041] 步骤2. 2 :计算小波能量谱。尺度j时刻k的小波能量等于高频系数绝对值的平 方，即Ejk= ID j (k)|2。因而尺度j上的小波能谱为
[0042] 步骤2. 3 :计算小波能量熵。设Ejk为信号X (k)在j尺度k时刻下的小波能量。则
表示在j尺度上采样序列k= 1，2,…，N的信号能量总和。各分量能量E,的总和 即为信号总能量。为了和信息熵中的时间概率保持一致，假设Ph=E^E,，则Σρ.μ =1， J 这样便可以定义相应的小波能量熵
K
[0043] 步骤2. 4 :计算小波能量熵值总和。即其 J
J J 中，Waj、Wb j、Wq表示三相电流由步骤2. 3计算得到的小波能量熵值。
[0044] 步骤2. 5 :由以上四步即可得到各相电流对应的小波能量熵值。即Sa，Sb，S。。
[0045] 步骤3 :参数初始化
[0046] 本发明在故障分类线性模块中用到了两个参数alpha和beta，非线性分类模块中 涉及9个分类机的相关参数。根据对故障分类模型的预估和输电线路电流特性的理论分 析，上述线性分类模块参数初始化为：alpha = 5. 0和beta = 12. 0 ;非线性分类模块参数初 始化为支持向量机默认值。
[0047] 步骤4 :故障诊断流程
[0048] 通过对输电线路短路故障的暂态过程进行深入的研究分析发现，对单相短路故障 而言，以A相发生短路为例，A相故障后电流信号中的高频分量会大幅增加，利用小波分解 后其在时频域上分布的复杂程度大大增加，根据小波能量熵表征信号的特点可知这种情况 下计算得到的小波能量熵值S a相比非故障相对应的小波能量熵值S b、S。大得多；对两相相 间短路故障而言，以A、B相相间短路