基于IEWT和IMDMF的直流配电系统故障检测方法

基于iewt和imdmf的直流配电系统故障检测方法
技术领域
1.本发明涉及配电系统故障检测领域，具体涉及一种基于iewt和imdmf的直流配电系统故障检测方法。


背景技术：

2.随着新能源与电力电子技术的快速发展，分布式电源并网需求增大，直流负荷比重不断增加。传统交流配电网需通过电力电子换流装置实现分布式电源的消纳以及直流负荷的供电，采用直流配电网，不但可向各类直流负荷直接供电，省去分布式电源和储能装置并网时的电力电子转换装置，并且具有传输效率高、电能质量好、供电可靠性高等优势。然而，保护技术的不成熟一定程度上限制了直流配电网的大范围应用。与交流配电网相比，直流配电网的系统阻抗低，故障电流上升速度快且幅值高，将对换流站中的二极管带来冲击，进而可能危害直流配电设备。为保护直流配电网中的电力电子器件，需尽快实现故障隔离。快速可靠的故障检测将为保护动作奠定良好基础，是直流配电网保护方案不可或缺的关键环节。
3.根据获取检测判据方式，直流配电网的故障检测方法大致可以分为基于单端量的故障检测和基于双端量通信的故障检测二类。基于双端量通信的故障检测需在线路两端安装通信设备，存在通信同步性的问题。而基于单端量的故障检测可直接以电气量的幅值作为故障检测判据，例如典型的“握手法”及其改进方式、电流的全相关性检测等，这些方案实施起来较为容易，但在负荷投切、功率反转的情况下容易出现误检、漏检，难以满足可靠性要求。而更常见的是通过信号处理算法、机器学习算法等方式提取信号的故障特征，再将其作为故障检测的判据。信号处理算法有短时傅里叶变换、离散傅里叶变换、小波变换、改进互补集合经验模态分解算法等，这些算法能够较好地提取故障特征，捕捉信号的奇异点，可靠性相比于直接采用电气量检测高，但各个信号处理算法在直流配电系统故障检测领域的应用中或多多少存在一些缺陷。机器学习算法如深层神经网络、k
‑
means算法、卷积神经网络等，在近几年越来越受欢迎，基于大量数据来进行预测或者得出建议的机器学习无疑是非常强大的，若运用在故障检测的领域中可自动挖掘故障的潜在特征实现故障检测及分类，减少人为因素对特征提取的影响。


技术实现要素：

4.有鉴于此，本发明的目的在于提供一种基于改进经验小波变换(improved empirical wavelet transform，iewt)和改进多视角深度矩阵分解(improved multi
‑
view deep matrix factorization，imdmf)的直流配电系统故障检测方法，能够有效缩短故障分类的时间，提高了分类模型运行的效率。
5.为实现上述目的，本发明采用如下技术方案：
6.一种基于iewt和imdmf的直流配电系统故障检测方法，包括以下步骤:
7.获取直流配电线路故障、交流系统故障的数据，并构建改进多视角深度矩阵分解
和软分配层相结合的故障分类模型；
8.直流配电系统的线路两端安装保护装置，实时监测采集直流线路的电流电压波形，并获得极间电压u
dc
；
9.采用改进经验小波变换自适应分解电流波形，得到电流分量c
1～3
；
10.计算细节系数的最大值a
max
，并设定阈值a
th
，当满足a
max
>a
th
时，判定发生故障；
11.将获得的电流分量c
1～3
、极间电压u
dc
输入故障分类模型中，实现直流配电系统故障类型的划分。
12.进一步的，所述构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型，具体如下：
13.获取包含直流配电线路故障、交流系统故障的数据，构建训练集数据库；
14.利用训练集训练改进多视角深度矩阵分解模型的参数，获得多视角数据共有的表示矩阵xu；
15.利用获得的表示矩阵xu训练软分配层参数，获得各个类别的得分值g；
16.将各个类别得分g映射至0～1，获得各个类别的概率值p
m
，从中取最大概率值p
max
及其对应的类别；
17.设置阈值p
th
，当满足p
th
>p
max
时，输出p
max
对应的类别，否则输出“未知类型”。
18.保存改进多视角深度矩阵分解模型及软分配层参数，构建直流配电系统故障分类模型。
19.进一步的，所述获取多视角数据共有的表示矩阵xu，具体如下：
20.根据公式(1)对多视角输入信号进行权重学习，获得融合数据x；
21.x≈w{x1,x2,
…
,x
v
}
ꢀꢀꢀꢀꢀꢀꢀꢀ
(1)其中，w为权重自学习网络中的权重矩阵，{x1,x2,
…
,x
v
}表示将数据矩阵横向进行拼接，x1,x2,
…
,x
v
对应c
1～3
、u
dc
四个视角的输入数据；
22.将获得的融合数据x输入深度矩阵分解模型；
[0023][0024]
其中，xu为多视角数据共有的表示矩阵，其实际意义为各个数据点在底层的真实表征，为第1个视角的基矩阵，s深度分解的层数为四，v视角个数为四。
[0025]
进一步的，所述得分值g，具体为：
[0026]
g≈xuw
c
ꢀꢀꢀꢀꢀ
(3)
[0027]
其中w
c
为类别分配权重矩阵，g为类别得分矩阵。
[0028]
进一步的，所述最大概率值p
max
，具体为：
[0029][0030]
其中，q类别总数为四，分别为直流线路正极接地故障、负极接地故障、极间短路故
障、交流侧故障。
[0031]
进一步的，所述改进经验小波变换，具体为：对原经验小波变换中的经验小波函数添加相位特性
[0032]
利用式(5)对故障电流信号进行离散傅里叶变换；
[0033][0034]
其中，n为采样点数，x(n)为电流信号，x(k)为变换后的复数序列；
[0035]
利用式(6)对s21获得的复数序列x(k)进行计算，得到相频值pha；
[0036]
pha＝arctan(im(x(k))/re(x(k)))
ꢀꢀꢀꢀꢀ
(6)
[0037]
其中，im(x(k))为复数序列的虚部，re(x(k))为复数序列的实部。
[0038]
利用最小二乘法拟合故障频带的相频值pha，获得相位函数表达式(7)；
[0039]
θ(ω)＝
‑
0.1198sin(900ω)
ꢀꢀꢀꢀꢀꢀ
(7)
[0040]
将式(7)添加至原经验小波变换中的经验小波函数，获得新的经验小波函数为式(8)，尺度函数保持不变为式(9)；
[0041][0042][0043]
其中，β(x)＝x4(35
‑
84x+70x2‑
20x3)，
[0044]
进一步的，所述采用改进经验小波变换自适应分解电流波形，得到电流分量c
1～3
，具体为：
[0045]
利用公式(5)对s3采集到的电流波形进行离散傅里叶变换；
[0046]
利用公式(10)计算电流信号的幅频谱；
[0047][0048]
寻找频率范围内amp的局部极大值，两个极大值的中点设置为边界ω
n
，其中0，π是
固定边界点，共划分出3个区域；
[0049]
根据公式(11)和公式(12)计算经验小波近似系数c1，经验小波细节系数c
n
，其中n为2～3；
[0050][0051][0052]
其中，f
‑1表示逆傅里叶变换，为电流信号f(τ)的傅里叶变换。
[0053]
本发明与现有技术相比具有以下有益效果：
[0054]
1、本发明对多视角深度矩阵分解进行了改进，在其前端设计了权重自学习网络，通过权重学习使得对分类任务具有较大作用的数据在多视角深度矩阵分解模型中占有较大的权重，最终获得多视角共有的特征表示矩阵xu；改进后的多视角深度矩阵分解模型简化了结构，有利于缩短故障分类的时间；
[0055]
2、本发明对经验小波变换进行了改进，修改了经验小波函数的相频特性，使之与故障信号的相频特性相吻合，从而获得能量更集中的分解系数，更多地捕获故障信号的能量；
[0056]
3、本发明改进多视角深度矩阵分解与软分配层相结合的故障分类模型，改进多视角深度矩阵分解能够自动提取特征，而分类仅用一层软分配层映射完成，提高了分类模型运行的效率。
附图说明
[0057]
图1是本发明一实施例中直流配电系统故障检测分类方案流程图；
[0058]
图2是本发明一实施例中检测分类；
[0059]
图3是本发明一实施例中改进多视角深度矩阵分解模型。
具体实施方式
[0060]
下面结合附图及实施例对本发明做进一步说明。
[0061]
请参照图1，本发明提供一种基于iewt和imdmf的直流配电系统故障检测方法，包括以下步骤:
[0062]
s1:获取直流配电线路故障、交流系统故障的数据，并构建改进多视角深度矩阵分解和软分配层相结合的故障分类模型；
[0063]
s2：对原经验小波变换中的经验小波函数添加相位特性；
[0064]
s3:直流配电系统的线路两端安装保护装置，实时监测采集直流线路的电流电压波形，并获得极间电压u
dc
；
[0065]
s4:采用改进经验小波变换自适应分解电流波形，得到电流分量c
1～3
；
[0066]
s5:计算细节系数的最大值a
max
，并设定阈值a
th
，当满足a
max
>a
th
时，判定发生故障；
[0067]
s6:将获得的电流分量c
1～3
、极间电压u
dc
输入故障分类模型中，实现直流配电系统故障类型的划分。
[0068]
在本实施例中，构建改进多视角深度矩阵分解和软分配层相结合的故障分类模
型，具体如下：
[0069]
获取包含直流配电线路故障、交流系统故障的数据，构建训练集数据库；
[0070]
利用训练集训练改进多视角深度矩阵分解模型的参数，获得多视角数据共有的表示矩阵xu；
[0071]
根据公式(1)对多视角输入信号进行权重学习，获得融合数据x；
[0072]
x≈w{x1,x2,
…
,x
v
}
ꢀꢀꢀꢀꢀ
(1)
[0073]
其中，w为权重自学习网络中的权重矩阵，{x1,x2,
…
,x
v
}表示将数据矩阵横向进行拼接，x1,x2,
…
,x
v
对应c
1～3
、u
dc
四个视角的输入数据；
[0074]
将获得的融合数据x输入深度矩阵分解模型；
[0075][0076]
其中，xu为多视角数据共有的表示矩阵，其实际意义为各个数据点在底层的真实表征，为第1个视角的基矩阵，s深度分解的层数为四，v视角个数为四。
[0077]
利用获得的表示矩阵xu训练软分配层参数，获得各个类别的得分值g；
[0078]
得分值g，具体为：
[0079]
g≈xuw
c
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(3)
[0080]
其中w
c
为类别分配权重矩阵，g为类别得分矩阵；
[0081]
将各个类别得分g映射至0～1，获得各个类别的概率值p
m
，从中取最大概率值p
max
及其对应的类别；
[0082]
设置阈值p
th
，当满足p
th
>p
max
时，输出p
max
对应的类别，否则输出“未知类型”；
[0083]
最大概率值p
max
，具体为：
[0084][0085]
其中，q类别总数为四，分别为直流线路正极接地故障、负极接地故障、极间短路故障、交流侧故障；
[0086]
保存改进多视角深度矩阵分解模型及软分配层参数，构建直流配电系统故障分类模型。
[0087]
在本实施例中，改进经验小波变换，具体为：对原经验小波变换中的经验小波函数添加相位特性
[0088]
利用式(5)对故障电流信号进行离散傅里叶变换；
[0089][0090]
其中，n为采样点数，x(n)为电流信号，x(k)为变换后的复数序列；
[0091]
利用式(6)对s21获得的复数序列x(k)进行计算，得到相频值pha；
[0092]
pha＝arctan(im(x(k))/re(x(k)))
ꢀꢀꢀꢀꢀ
(6)
[0093]
其中，im(x(k))为复数序列的虚部，re(x(k))为复数序列的实部。
[0094]
利用最小二乘法拟合故障频带的相频值pha，获得相位函数表达式(7)；
[0095]
θ(ω)＝
‑
0.1198sin(900ω)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(7)
[0096]
将式(7)添加至原经验小波变换中的经验小波函数，获得新的经验小波函数为式(8)，尺度函数保持不变为式(9)；
[0097][0098][0099]
其中，β(x)＝x4(35
‑
84x+70x2‑
20x3)，
[0100]
在本实施例中，采用改进经验小波变换自适应分解电流波形，得到电流分量c
1～3
，具体为：
[0101]
利用公式(5)对s3采集到的电流波形进行离散傅里叶变换；
[0102]
利用公式(10)计算电流信号的幅频谱；
[0103][0104]
寻找频率范围内amp的局部极大值，两个极大值的中点设置为边界ω
n
，其中0，π是固定边界点，共划分出3个区域；
[0105]
根据公式(11)和公式(12)计算经验小波近似系数c1，经验小波细节系数c
n
，其中n为2～3；
[0106][0107][0108]
其中，f
‑1表示逆傅里叶变换，为电流信号f(τ)的傅里叶变换。
[0109]
以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。