基于S变换综合相对熵和连续隐马尔可夫模型的电网故障诊断方法

摘要

当今，电网的规模不断地扩大，电网之间跨区域互联越来越紧密。电网发生故障时，一旦处理不及时，可能会引起大面积停电。当电网发生故障时，大量的故障信息涌入调度中心，根据这些故障信息快速识别出故障线路、判断出输电线路的故障类型，是电网故障诊断方法的目标。故障诊断涉及两方面内容，识别故障线路；判断输电线路的故障类型，进行故障选相。已有的电网故障线路识别方法，大多利用开关量来诊断。电气量因信息量大、波形可靠，具有开关量无法比拟的优势。本文采用电气量作为故障信息源，进行故障线路的识别。采用 S 变换提取信号的故障特征量，连续隐马尔可夫模型进行故障选相，具有较好的理论意义。 本文研究了基于S 变换综合相对熵和k-means聚类算法的电网故障识别方法。根据故障录波数据，提取疑似故障线路和参考线路故障前后两个周波的特征电流数据。通过计算疑似故障线路和参考线路之间的S 变换幅值相对熵、S 变换能量相对熵，构造S变换综合相对熵。通过S变换综合相对熵来量化疑似故障线路和参考线路之间的差异。然后，用 k-means 聚类算法对疑似故障线路和参考线路之间的S 变换综合相对熵的数据进行聚类，结果分为 2 类，正常线路类和故障线路类。聚类完成后，聚类中心值大的一类中，S 变换综合相对熵值所对应的疑似故障线路即为为故障线路。并在PSCAD IEEE39 节点系统上进行了大量的仿真实验，实验结果表明本方法不受故障工况改变的影响，在较高的丢包率和有噪声的情况下，仍能正确地识别出故障线路。 本文研究了基于 S 变换和连续隐马尔可夫模型的输电线路故障选相方法。首先采用S变换提取输电线路的A、B、C三相电流以及零序电流的故障特征，然后根据提取的故障特征量对输电线路 10 种故障类型和正常状态分别训练一个连续隐马尔可夫模型。每一个连续隐马尔可夫模型通过改进的Baum 算法对模型的相关参数进行训练。训练完成后，使用Viterbi算法和前向-后向算法进行输电线路的故障选相。通过对不同故障工况的测试样本进行仿真实验。仿真结果表明本方法的故障选相正确率较高。即使在加入40dB信噪比噪声的情况下，本方法依然具有很高的故障选相正确率。

目录

第一个书签之前