[發明專利]一種基于分類模型的電網故障分類方法

在審

• 申請號: 202010099638.0
• 申請日: 2020-02-18
• 公開（公告）號: CN111339872A
• 公開（公告）日: 2020-06-26
• 發明（設計）人: 黃文思;陸鑫;王遠征;郭雷;谷峪;施煒煒;林曉康;傅光輝;劉強
• 申請（專利權）人: 國網信通億力科技有限責任公司;國網信息通信產業集團有限公司;國網江蘇省電力有限公司;國家電網有限公司
• 主分類號: G06K9/00
• 分類號: G06K9/00;G06Q50/06;G06N3/04
• 代理公司: 溫州聯贏知識產權代理事務所(普通合伙) 33361
• 代理人: 慈程麟

1.一種基于分類模型的電網故障分類方法，其特征在于，包括：

S1：利用原子分解法，提取和描述暫態信號固有特征，基于信號本身構建一個完備冗余的時頻原子庫代替基函數集合為原子庫，利用故障暫態信號，選用原子庫的一組參數化的衰減正弦原子，建立原子庫模型；

S2：提取故障暫態的三相電流數值，基于原子庫模型，從原子庫中尋找對應最優匹配原子，求取原子能量熵，分別為主導成分量度和補充故障特征信息量度，構造原子能量熵的故障特征集，利用正常工況以及各種故障狀況下的歷史數據，基于編碼和字符串匹配結果建立故障編碼庫，對故障進行分類診斷；

S3：特征提取模塊，基于時域及時頻域提取不同的故障電流特征作為故障分類的特征量，并采用db4小波變換進行多層小波分解，綜合上述的時域及時頻域特征量，得出電路故障分類的電流特征向量，并將其作為故障分類模塊的輸入；

S4：故障分類模塊，采用多個粗神經網絡和一個決策神經元組成；每個粗神經網絡分別用于分類識別一個確定的故障類型；決策神經元用于選擇具有最大輸出值的粗神經網絡所分類識別的故障類型，并將其作為最終的分類結果，以之建立基于粗神經網絡的故障分類模型；

S5：對各種程度輕微故障進行仿真提取差動電流和故障電壓，求取等效瞬時勵磁電感；利用最大重疊離散小波變換分析，將MODWT應用于原始數據來獲得基于尺度的能量分解，選取db4小波函數實現對電力網絡中瞬變的精確檢測，提取有效特征參數；

S6：基于S2-S4的目標數據建立分類模型，利用等效瞬時勵磁電感和加入基于db4小波函數的MODWT實現的精準特征參數提取故障特征向量，以之作為決策樹的訓練和測試值，對所述故障分類模型進行多輪訓練；

S7：故障發生后的1-5ms時間內，提取實時故障電流變化特征，基于故障分類模型匹配及選取與所述實時故障電流特征相符合的故障電流特征信號波形，根據故障電流特征信號波形與故障分類模型的對應關系，快速精準的確定所述故障電流特征的故障類型。

2.根據權利要求1所述的一種基于分類模型的電網故障分類方法，其特征在于：所述S2原子分解法求取原子能量熵步驟為：

1)提取故障暫態的三相電流I_a，I_b，I_c，在原子庫中尋找滿足的原子：

I_m0,g_r0≥maxI_m,g_r,m＝a,b,c

2)提取最優原子后得到殘余信號：

I_m1＝I_m0-g_r0＜I_m0,g_r0＞

3)在殘余信號中繼續尋找最優原子，經n次迭代后在原子庫中找到N個最佳匹配原子g_rn

4)求取原子能量熵，分別為主導成分量度和補充故障特征信息量度：

E_1m＝max|＜I_m,g_ri＞

E_2m＝sec|＜I_m,g_ri＞

5)構造一個故障特征向量：

C＝[E_1a,E_1b,E_1c,E_2a,E_2b,E_2c] 。

3.根據權利要求1所述的一種基于分類模型的電網故障分類方法，其特征在于：所述S4故障分類模塊，為了實現輸電線路的10種故障類型的分類識別，使故障分類模塊具有10個單獨的粗神經網絡，10個粗神經網絡并行工作，且具有相同的輸入，即故障特征向量T；基于輸入特征向量T包含13個特征量，采用具有13個輸入層神經元的RMNN；同時隱含層為13個模糊神經元；每個粗神經網絡的輸出為輸入特征量T屬于該RMNN所分類識別的故障類型的程度。