本发明属于电力系统及其自动化领域,具体涉及一种基于rulsif变点探测技术的电力系统故障定位分析方法。
背景技术:
数据挖掘是知识发现的过程,它可以从海量数据中挖掘出潜在的、有意义的信息。实际应用领域中经常包含一些与数据集的一般行为或者一般模型不相一致的数据对象,即突变点或偏差。现国内外变点探测的研究通常被认为是聚类算法的衍生,变点是嵌入类中的背景噪声。随着数据挖掘技术的发展,变点孤立程度概念的提出,变点或偏差的集合不再仅仅是数据集合中的噪声,而是作为被赋予权值的模糊集合成为特殊研究对象。
经典的故障诊断方法主要采用系统开关状态量作为故障分析的主要信息,而包含大量暂态过程信息的电气量却少有涉及。引入故障录波等信息的电网故障分析方法,虽然信息较丰富,但是分析过程较长,不能满足在线快速定位的需求。
技术实现要素:
为了弥补上述不足,提出一种基于rulsif变点探测技术的电力系统故障定位分析方法;将数据挖掘中突变点探测技术引入电力系统的故障分析中,建立相关无约束最小二乘重要性拟合估计(rulsif)变点探测模型,基于该方法分析电力系统故障发生后电气量的变化,锁定故障点区域,并结合电网运行数据综合分析系统故障影响范围,具有较强的时效性。
本发明是采用下述技术方案实现的:
一种基于rulsif变点探测技术的电力系统故障定位分析方法,所述方法包括下述步骤:
1)根据电网运行数据,定义目标数据集;
2)基于rulsif算法,获取相异偏差向量函数和皮尔森偏差最大值;
3)绘制变点探测拟合曲线,判断故障区域;
4)结合系统拓扑结构,确定故障位置及其影响范围。
优选的,所述步骤1)中获取电网运行数据,包括:实时监测电网运行数据,包括系统物理模型、拓扑连接关系、设备参数、遥信信息和遥测信息;
建立由电网运行数据构成的时间序列数据集,其表达式为:
at=[a(t),a(t+1),...,a(t+n)]
式中,at表示系统采集的电气量,包括电压v、电流i、有功功率p和无功功率q;t为采样时间,t+n为基准时间段,a为数据断面。
进一步地,述步骤1)定义目标数据集包括:
设t=t0时刻系统发生故障,则选取自故障时刻t0起的n个数据断面,定义目标数据集:
a=[a(t0),a(t0+1),...,a(t0+n)];
其中,a为系统故障时刻的电气量,t0+n为基准时间段。
优选的,述步骤2)基于rulsif算法,获取相异偏差向量函数具体包括:
2-1根据目标数据集密度比估计值,计算目标数据的密度比估计值函数;
2-2完成相异偏差向量函数的获取。
进一步地,述步骤2-1中,目标数据集密度比估计值的获取过程包括:
定义目标数据集a在故障时刻t=t0+i的故障概率分布为p,以其对应的同分布样本集a’的故障概率分布p′,其中i∈[1,n];则,
目标数据集密度比估计值如下式所示:
式(1)中,pa和p'a分别为p和p’的密度函数,且pa≥0,p'a>0。
进一步地,述步骤2-1中,通过所述式(1)计算目标数据集密度比估计值函数:
式(2)中,
式(3)和式(4)中,
进一步地,所述步骤2-2中,相异偏差向量函数通过下式计算:
优选的,述步骤2)中,皮尔森偏差最大值max(xα),即目标数据集各目标探测位置的相异偏差向量函数的最大值,其对应变点即为输入目标数据集的突变点。
优选的,述步骤3)判断故障区域包括:结合相异偏差向量函数和皮尔森偏差最大值绘制电气量变点曲线,通过比较同一系统中目标探测位置的电气量变点探测曲线,获取其中峰值起伏明显的位置,并拟定该位置所处区域为故障区域。
优选的,所述步骤4)具体包括:将变点探测拟合曲线与系统拓扑关系相结合,确定故障具体位置及其影响范围,包括故障位置、受影响区域以及与故障位置无电气连接关系的区域。
与现有技术相比,本发明的有益效果为:
本发明涉及一种基于rulsif(relativeunconstrainedleast-squaresimportancefitting)变点检测的电网故障定位分析方法,引入数据挖掘技术,提出应用相关无约束最小二乘重要性拟合估计方案,并实现电力系统在线故障快速定位,有效避免了电力系统传统故障分析汇集多源数据(如开关遥信变位与故障录波等)的低时效性问题。为在线快速分析电力系统故障,电力系统维护和故障报修提供了精确且有效的评价依据,进而保证电力系统的稳定运行。
同时,该方法不仅考虑系统遥信量(状态量)信息,还将遥测信息(电气量)的变化过程作为判别系统故障重要参考,根据故障发生后电气量数据集的突变点拟合曲线,划定故障发生范围,提升了分析结果的全面性,具很强灵活性与实用性。
附图说明
图1为基于rulsif变点检测的电网故障定位分析方法流程图。
具体实施方式:
以下结合附图和实施例,对本发明进行进一步详细说明。
传统的故障诊断方法采用系统开关状态量作为故障分析的主要信息,反应故障变化过程的电气量信息涉及较少,由此引入故障录波等信息的电网故障分析方法,虽然信息较丰富,但是分析过程较长,不能满足在线快速定位的实时性需求。而本发明提出一种基于rulsif变点探测技术的电力系统故障定位分析方法,依据数据挖掘变点探测rulsif算法,立足于系统实测可采的电气量或遥测数据,并有效结合系统开关量或遥信信息综合分析和判定系统故障发生位置与影响范围,以满足电网在线分析快速、精确与全面的需求。具体实施步骤如图1所示:
1)根据电网运行数据,定义目标数据集;
步骤1)中获取电网运行数据,包括:实时监测电网运行数据,包括系统物理模型、拓扑连接关系、设备参数、遥信信息和遥测信息;
建立由电网运行数据构成的时间序列数据集,其表达式为:
at=[a(t),a(t+1),...,a(t+n)]
式中,at表示系统采集的电气量,包括电压v、电流i、有功功率p和无功功率q;t为采样时间,t+n为基准时间段,a为数据断面。
定义目标数据集包括:
设t=t0时刻系统发生故障,则选取自故障时刻t0起的n个数据断面,定义目标数据集:
a=[a(t0),a(t0+1),...,a(t0+n)];
其中,a为系统故障时刻的电气量,t0+n为基准时间段。
2)基于rulsif算法,获取相异偏差向量函数和皮尔森偏差最大值;
2-1根据目标数据集密度比估计值,计算目标数据的密度比估计值函数;
步骤2-1中,目标数据集密度比值的获取过程包括:定义目标数据集a在故障时刻t=t0+i的故障概率分布为p,以其对应的同分布样本集a’的故障概率分布p′,其中i∈[1,n];则,
目标数据集密度比估计值如下式所示:
式(1)中,pa和p'a分别为p和p’的密度函数,且pa≥0,p'a>0。
通过所述式(1)计算目标数据集密度比估计值函数:
式(2)中,
式(3)和式(4)中,
2-2完成相异偏差向量函数的获取:
步骤2-2中,所述相异偏差向量函数通过下式计算:
步骤2)中,皮尔森偏差最大值max(xα),即目标数据集各目标探测位置的相异偏差向量函数的最大值,其对应变点即为输入目标数据集的突变点。
3)绘制变点探测拟合曲线,判断故障区域。该变点拟合曲线用于分析电网故障变化过程;便于技术人员通过曲线图形更直观地获取故障变化特点。该步骤即对故障区域初步判断并锁定,具体包括:结合相异偏差向量函数和皮尔森偏差最大值绘制电气量变点曲线,通过电气量变化的突变点拟合曲线分析电网故障变化过程;比较同一系统中各个目标探测位置(包括节点、支路等)的电气量变点探测曲线,找出其中峰值起伏明显的位置,并拟定该位置所处区域为故障区域。
4)结合系统拓扑结构,确定故障线路位置及其影响范围。所述步骤4)中,将变点探测拟合曲线系统拓扑关系或系统网架结构等相结合,确定故障具体位置及其影响范围;以此增强了电力系统在线快速故障分析的精确性和可靠性。分析出故障位置、受影响区域以及与故障位置无电气连接关系的区域。
最后应当说明的是:以上实施例仅用以说明本发明的技术策略而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。