本发明公开一种电网故障诊断方法，属于电网故障诊断的技术领域。由保护和断路器信息得到停电区域，取其中的线路作为疑似故障线路，构造它们的综合电流，作为样本序列；利用DTW算法，求取各疑似故障线路的样本序列与停电区域外参考线路的参考序列之间的DTW距离，构造为横向差异度；同时，利用DTW算法，求取各疑似故障线路故障前后的样本序列之间的DTW距离，构造为纵向差异度。将N条疑似故障线路的横纵差异度形成2×N的差异度矩阵，利用人工鱼群聚类算法对该矩阵进行聚类，分成故障类和正常类，把聚类中心值较大的一类诊断为故障类，将故障类中线路判断为故障线路。本发明能够准确诊断故障线路，不受故障位置、过渡电阻、故障类型等影响，性能良好。
步骤一、根据电网区域网络拓扑结构，分别收集该区域各断路器动作信息，获取电网的停电区域，将停电区域中各线路作为疑似故障线路，并从停电区域外选择一条参考线路；
步骤二、针对疑似故障线路j，获得其故障时刻前三个周波的综合电流样本序列Xjb和故障时刻后三个周波的综合电流样本序列Xja，采用动态时间归整算法DTW，求出序列Xjb与Xja之间的DTW距离，将该距离构造为该线路的纵向差异度dzj；
步骤三、针对疑似故障线路j，利用DTW算法，求出该线路的样本序列Xj与参考线路的参考序列X0之间的DTW距离，将该距离构造为该线路的横向差异度dhj；
步骤四、按照步骤二、步骤三，分别求出停电区域内N条疑似故障线路的横向差异度、纵向差异度，组成一个2×N维的差异度矩阵；针对该矩阵，采用人工鱼群聚类算法进行优化求解和聚类，把各疑似故障线路聚类为两大类，即故障类和正常类，而每一类的聚类中心均为两行1列的向量，将聚类中心数值大的一类判断为故障类，另一类为正常类，将故障类中线路判断为故障线路。
2.根据权利要求1所述的一种电网故障诊断方法，其特征在于，在获取电网的停电区域后，收集电网停电区域中各疑似故障线路和停电区域外一条参考线路的三相电流采样值，构造各条线路的综合电流序列：将输电线路母线一端设为发送端，用S标注，另一端是线路接收端，用R标注，iS表示从线路的发送端流向线路的电流，iR表示从线路的接收端流向线路的电流，iaS、ibS、icS为线路发送端的三相电流的瞬时值，电流正方向规定为从母线发送端指向线路接收端：构造A相电流的差动电流为：
构造其它两相的差动电流为ib、ic，定义该线路的综合电流为：
选取疑似故障线路j的故障时刻前后各三个周波的综合电流作为样本序列Xj，将参考线路的“虚拟故障时刻”前后各三个周波的综合电流作为参考序列X0。
3.根据权利要求2所述的一种电网故障诊断方法，其特征在于，步骤二所述的针对第j条疑似故障线路，采用传统的电流突变量检测方法得到电网发生故障时刻tl，通过录波数据分别得到该疑似故障线路j故障时刻前和故障时刻后各三个周波的电流数据；通过所述的线路综合电流序列构造方法，构造出该线路故障时刻前的综合电流序列xj(k1)，其中，k1＝tl-3T,…,tl-T是故障前各时刻，T表示一个周波的时间，构造出该线路故障时刻后的综合电流序列xj(k2)，其中，k2＝tl,…,tl+3T是故障后各时刻；然后针对疑似故障线路j，利用DTW算法，求出故障时刻后综合电流序列xj(k2)与故障时刻前综合电流序列xj(k1)之间的最小路径值，即纵向DTW距离γzj，将该纵向DTW距离γzj构造为第j条线路的纵向差异度dzj。
4.根据权利要求2所述的一种电网故障诊断方法，其特征在于，从停电区域外选择一条参考线路，利用上述步骤构造出参考线路的综合电流样本序列X0，针对停电区域中第j条疑似故障线路，构造出该线路的综合电流样本序列Xj；然后利用DTW算法，求解出该线路的序列Xj与参考线路的序列X0之间的最小路径值，构造为横向DTW距离γhj，将该横向DTW距离构造为第j条疑似故障线路的横向差异度dhj。
5.根据权利要求1所述的一种电网故障诊断方法，其特征在于，所述停电区域内N条线路的纵向差异度和横向差异度组成2×N差异度矩阵d＝[x1,x2,...,xN；y1,y2,...,yN]，其中，第一行为各线路的横向差异度，第二行为各线路的纵向差异度；此矩阵是待分类的原始样本集合，作为人工鱼群聚类算法的输入量：首先，初始化算法的参数，每条人工鱼包含分类结果和它们对应的聚类中心，同时，将矩阵d中各元素与聚类中心之间的距离和的倒数作为评价每条人工鱼优劣的适应度值，即每条人工鱼的聚类中心值；
其次，对若干条人工鱼执行三种行为，首先执行聚群行为，即将当前视野内所有人工鱼的聚类中心的平均数值作为鱼群中心位置的聚类中心，将矩阵d依照该聚类中心分成两类，具体执行时将每个元素分到聚类中心与该元素距离最近的一类；分类结束后得到鱼群中心的适应度值，如果该适应度值满足：fitc＞fitm&&fitc/nf＞δfitm，其中fitm为第m条人工鱼的适应度值，fitc为鱼群中心位置的适应度值，nf为视野内鱼的条数，δ为拥挤度因子；则鱼朝该位置移动一步，并依照新的聚类中心进行分类；
然后，执行追尾行为，找到当前视野内具有最大适应度值的人工鱼，若该位置的适应度值满足fitx＞fitm&&fitx/nf＞δfitm，其中fitx为具有最大适应度值的鱼的适应度值；朝该位置移动一步，并依照新的聚类中心进行分类；
对比追尾行为和聚群行为适应度值的大小，将其中适应度值大的行为保留，并将更新后的人工鱼赋给公告板，作为本次行为选择的结果，如果没有执行上述两种行为，则执行觅食行为；
觅食行为是找到视野范围内比自身适应度值大的人工鱼，朝其所在方向移动一步，如果没有拥有较大适应度值的人工鱼，则随机移动一步，并将更新后的人工鱼赋给公告板；至此第m条人工鱼的更新结束；
所有人工鱼均照此更新一次之后，更新每条人工鱼的聚类中心，完成一次迭代；
获得公告板中记录的最优人工鱼的分类结果及聚类中心，分类结果包含故障类和正常类两类；由该分类结果得到每条线路属于哪一类；选取聚类中心数值大的那一类作为故障类，然后将故障类包含的线路诊断为故障线路。
一种电网故障诊断方法
技术领域
[0001] 本发明属于电网故障诊断的技术领域。
背景技术
[0002] 电网故障诊断的相关研究经过近几十年的不断发展，国内外的专家学者提出了许多新理论，如神经网络、专家系统、Petri网、粗糙集等，这些方法大都依赖于保护、断路器的正确动作或收到完备的告警信息。当系统发生较为复杂的故障或者相关告警信息上传中出现丢失，就可能影响诊断结果的准确性。
[0003] 但随着新技术在电网中的应用，电气量的采集越来越方便，利用电气量中包含的丰富信息进行故障诊断，成为电网故障诊断研究的热点。同时电气量信息相较于开关量信息具有准确性高、抗干扰性强等特点，也使得利用电气量信息进行诊断故障线路成为一个重要的故障诊断方向。
[0004] 因此，本方法针对电气模拟量信息，利用线路的电流信息，采用动态时间规整DTW(Dynamic Time Warping)算法与人工鱼群聚类算法相结合来诊断故障线路。
发明内容
[0005] 本发明的目的是提供一种电网故障诊断方法，它能有效地解决现有电网故障诊断方法多依赖于开关量信息，较少使用电气量信息的问题。
[0006] 本发明的目的是通过以下技术方案来实现：
[0007] 1.一种电网故障诊断方法，其步骤包括：
[0008] 步骤一、根据电网区域网络拓扑结构，分别收集该区域各断路器动作信息，获取电网的停电区域，将停电区域中各线路作为疑似故障线路，并从停电区域外选择一条参考线路；
[0009] 步骤二、针对疑似故障线路j，获得其故障时刻前三个周波的综合电流样本序列Xjb和故障时刻后三个周波的综合电流样本序列Xja，采用动态时间归整算法DTW，求出序列Xjb与Xja之间的DTW距离，将该距离构造为该线路的纵向差异度dzj；
[0010] 步骤三、针对疑似故障线路j，利用DTW算法，求出该线路的样本序列Xj与参考线路的参考序列X0之间的DTW距离，将该距离构造为该线路的横向差异度dhj；
[0011] 步骤四、按照步骤二、步骤三，分别求出停电区域内N条疑似故障线路的横向差异度、纵向差异度，组成一个2×N维的差异度矩阵；针对该矩阵，采用人工鱼群聚类算法进行优化求解和聚类，把各疑似故障线路聚类为两大类，即故障类和正常类，而每一类的聚类中心均为两行1列的向量，将聚类中心数值大的一类判断为故障类，另一类为正常类，将故障类中线路判断为故障线路。
[0012] 在获取电网的停电区域后，收集电网停电区域中各条疑似故障线路和停电区域外一条参考线路的三相电流采样值，构造各条线路的综合电流序列：
[0013] 图2中f1，f2分别表示两个故障点位置，将输电线路母线一端设为发送端，用S标注，另一端是线路接收端，用R标注，iS表示从线路的发送端流向线路的电流，iR表示从线路的接收端流向线路的电流，iaS、ibS、icS为线路发送端的三相电流的瞬时值，电流正方向规定为从母线发送端指向线路接收端；
[0014] 得到A相电流的差动电流为：
[0015] ia＝iaS+iaR (1)
[0016] 再得到另外两相的差动电流为ib、ic，定义该线路的综合电流为：
[0017] iz＝ia+2ib-3ic (2)
[0018] 选取疑似故障线路的故障时刻前后各三个周波的综合电流作为样本序列Xj，将参考线路的“虚拟故障时刻”前后各三个周波的综合电流作为参考序列X0。
[0019] 步骤二所述的针对第j条疑似故障线路，采用传统的电流突变量检测方法得到电网发生故障时刻tl，通过录波数据分别得到该线路故障时刻前和故障时刻后各三个周波的电流数据；通过线路综合电流序列构造方法，构造出该线路故障时刻前的综合电流序列xj(k1)，其中，k1＝tl-3T,…,tl-T是故障前各时刻，T表示一个周波的时间，构造出该线路故障时刻后的综合电流序列xj(k2)，其中，k2＝tl,…,tl+3T是故障后各时刻；然后针对该线路，利用DTW算法，求出故障时刻后综合电流序列xj(k2)与故障时刻前综合电流序列xj(k1)之间的最小路径值，即纵向DTW距离γzj，将该纵向DTW距离γzj构造为第j条线路的纵向差异度dzj。
[0020] 从停电区域外选择一条参考线路，利用上述步骤构造出参考线路的综合电流样本序列X0，针对停电区域中第j条疑似故障线路，构造出该线路的综合电流样本序列Xj；然后利用DTW算法，求解出该线路的序列Xj与参考线路的序列X0之间的最小路径值，构造为横向DTW距离γhj，将该横向DTW距离构造为第j条线路的横向差异度dhj。
[0021] 所述停电区域内N条疑似故障线路的纵向差异度dzj和横向差异度dhj组成2×N差异度矩阵d＝[x1,x2,...,xN；y1,y2,...,yN]，其中，第一行为各线路的横向差异度，第二行为各线路的纵向差异度；此矩阵是待分类的原始样本集合，作为人工鱼群聚类算法的输入量：
[0022] 首先，初始化算法的参数，每条人工鱼包含分类结果和它们对应的聚类中心，同时，将矩阵d中各元素与的聚类中心之间的距离和的倒数作为评价每条人工鱼优劣的适应度值，即每条人工鱼的聚类中心值；
[0023] 其次，对若干条人工鱼执行三种行为，首先执行聚群行为，即将当前视野内所有人工鱼的聚类中心的平均数值作为鱼群中心位置的聚类中心，将矩阵d依照该聚类中心分成两类，具体执行时将每个元素分到聚类中心与该元素距离最近的一类；分类结束后得到鱼群中心的适应度值，如果该适应度值满足：fitc＞fitm&&fitc/nf＞δfitm，其中fitm为第m条人工鱼的适应度值，fitc为鱼群中心位置的适应度值，nf为视野内鱼的条数，δ为拥挤度因子；则鱼朝该位置移动一步，并依照新的聚类中心进行分类；
[0024] 然后，执行追尾行为，找到当前视野内具有最大适应度值的人工鱼，若该位置的适应度值满足fitx＞fitm&&fitx/nf＞δfitm，其中fitx为具有最大适应度值的鱼的适应度值；朝该位置移动一步，并依照新的聚类中心进行分类；
[0025] 对比追尾行为和聚群行为适应度值的大小，将其中适应度值大的行为保留，并将更新后的人工鱼赋给公告板，作为本次行为选择的结果，如果没有执行上述两种行为，则执行觅食行为；
[0026] 觅食行为是找到视野范围内比自身适应度值大的人工鱼，朝其所在方向移动一步，如果没有拥有较大适应度值的人工鱼，则随机移动一步，并将更新后的人工鱼赋给公告板；至此第m条人工鱼的更新结束；
[0027] 所有人工鱼均照此更新一次之后，更新每条人工鱼的聚类中心，完成一次迭代；
[0028] 按照上述步骤反复迭代，达到迭代次数结束；
[0029] 获得公告板中记录的最优人工鱼的分类结果及聚类中心，分类结果包含故障类和正常类两类；由该分类结果得到每条线路属于哪一类；选取聚类中心数值大的那一类作为故障类，然后将故障类包含的线路诊断为故障线路。
[0030] 本发明与现有技术相比有益的效果：
[0031] 1)本发明利用DTW与人工鱼群聚类方法进行电网故障诊断，只利用相关线路的电流数据，获取数据的难度较低；
[0032] 2)本发明人工鱼群聚类方法，把各线路聚类为故障类和正常类，进而来诊断出故障线路，这样不需要设置故障阈值，避免了因故障阈值设置不当可能带来的诊断错误；
[0033] 3)本方法能够准确地诊断故障，不受故障位置、过渡电阻、故障类型等影响，性能良好。
附图说明
[0034] 图1为本发明流程图
[0035] 图2为本发明简单线路示意图
具体实施方式
[0036] 下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明：
[0037] 一种电网故障诊断方法，其步骤包括：
[0038] 步骤一、根据电网区域网络拓扑结构，分别收集该区域各断路器动作信息，获取电网的停电区域，将停电区域中各线路作为疑似故障线路，并从停电区域外选择一条参考线路；
[0039] 步骤二、针对疑似故障线路j，获得其故障时刻前三个周波的综合电流样本序列Xjb和故障时刻后三个周波的综合电流样本序列Xja，采用DTW算法，求出Xjb与Xja之间的DTW距离，将该距离构造为该线路的纵向差异度dzj；
[0040] 步骤三、针对疑似故障线路j，利用DTW算法，求出该线路的样本序列Xj与参考线路的参考序列X0之间的DTW距离，将该距离构造为该线路的横向差异度dhj；
[0041] 步骤四、按照步骤二、步骤三，分别求出停电区域内N条疑似故障线路的横向差异度、纵向差异度，组成一个2×N维的差异度矩阵；针对该矩阵，采用人工鱼群聚类算法进行优化求解和聚类，把各疑似故障线路聚类为两大类，即故障类和正常类，而每一类的聚类中心均为两行1列的向量，将聚类中心的数值大的一类判断为故障类，另一类为正常类，将故障类中线路判断为故障线路。
[0042] 在获取电网的停电区域后，收集电网停电区域中各条疑似故障线路和停电区域外一条参考线路的三相电流采样值，构造各条线路的综合电流序列：
[0043] 将输电线路母线一端设为发送端，用S标注，另一端是线路接收端，用R标注，iS表示从线路的送端流向线路的电流，iR表示从线路的受端流向线路的电流，iaS、ibS、icS为线路发送端的三相电流的瞬时值，电流正方向规定为从母线发送端指向线路接收端：
[0044] 得到A相电流的差动电流为：
[0045] ia＝iaS+iaR (1)
[0046] 再得到另外两相的差动电流为ib、ic，定义该线路的综合电流为：
[0047] iz＝ia+2ib-3ic (2)
[0048] 选取疑似故障线路j的故障前后各三个周波的综合电流作为样本序列Xj，将参考线路的“虚拟故障时刻”前后各三个周波的综合电流作为参考序列X0。
[0049] 步骤二所述的针对第i条疑似故障线路，采用传统的电流突变量检测方法得到电网发生故障时刻tl，通过录波数据分别得到该线路故障时刻前和故障时刻后各三个周波的电流数据；通过所述的线路综合电流序列构造方法，构造出该线路故障时刻前的综合电流序列xj(k1)，其中，k1＝tl-3T,…,tl-T是故障前各时刻，T表示一个周波的时间，构造出该线路故障时刻后的综合电流序列xj(k2)，其中，k2＝tl,…,tl+3T是故障后各时刻；然后针对疑似故障线路j，利用DTW算法，求出故障时刻后综合电流序列xj(k2)与故障时刻前综合电流序列xj(k1)之间的最小路径值，即纵向DTW距离γzj，将该纵向DTW距离γzj构造为该线路的纵向差异度dzj。
[0050] 从停电区域外选择一条参考线路，利用上述步骤构造出参考线路的综合电流样本序列X0，针对停电区域中第j条疑似故障线路，构造出疑似故障线路的综合电流样本序列Xj；然后利用DTW算法，求解出该线路的序列Xj与参考线路的序列X0之间的最小路径值，构造为横向DTW距离γhj，将该横向DTW距离构造为该线路的横向差异度dhj。
[0051] 所述停电区域内N条线路的纵向差异度dzj和横向差异度dhj组成2×N差异度矩阵d＝[x1,x2,…,xN；y1,y2,...,yN]，其中，第一行为各线路的横向差异度，第二行为各线路的纵向差异度；此矩阵是待分类的原始样本集合，作为人工鱼群聚类算法的输入量：
[0052] 首先，初始化算法的参数，每条人工鱼包含分类结果和它们对应的聚类中心，同时，将矩阵d中各元素与的聚类中心之间的距离和的倒数作为评价每条人工鱼优劣的适应度值，即每条人工鱼的聚类中心；
[0053] 其次，对若干条人工鱼执行三种行为，首先执行聚群行为，即将当前视野所有人工鱼的聚类中心的平均数值作为鱼群中心位置的聚类中心，将矩阵d依照该聚类中心分成两类，具体执行时将每个元素分到聚类中心与该元素距离最近的一类；分类结束后得到鱼群中心的适应度值，如果该适应度值满足：fitc＞fitm&&fitc/nf＞δfitm，其中fiti为第m条人工鱼的适应度值，fitc为鱼群中心位置的适应度值，nf为视野内鱼的条数，δ为拥挤度因子；则鱼朝该位置移动一步，并依照新的聚类中心进行分类；
[0054] 然后，执行追尾行为，找到当前视野内具有最大适应度值的人工鱼，若该位置的适应度值满足fitx＞fitm&&fitx/nf＞δfitm，其中fitx为具有最大适应度值的鱼的适应度值；朝该位置移动一步，并依照新的聚类中心进行分类；
[0055] 对比追尾行为和聚群行为适应度值的大小，将其中适应度值大的行为保留，并将更新后的人工鱼赋给公告板，作为本次行为选择的结果，如果没有执行上述两种行为，则执行觅食行为；
[0056] 觅食行为即找到视野范围内比自身适应度值大的人工鱼，朝其所在方向移动一步，如果没有拥有较大适应度值的人工鱼，则随机移动一步，并将更新后的人工鱼赋给公告板；至此第m条人工鱼的更新结束；
[0057] 所有人工鱼均照此更新一次之后，更新每条人工鱼的聚类中心，完成一次迭代；
[0058] 按照上述步骤反复迭代，达到迭代次数结束；
[0059] 获得公告板中记录的最优人工鱼的分类结果及聚类中心，分类结果包含故障类和正常类两类；由该分类结果得到每条线路属于哪一类；选取聚类中心的数值大的那一类作为故障类，然后将故障类包含的线路诊断为故障线路。
[0060] 实施例
[0061] 根据本申请的实施例，利用PSCAD搭建标准IEEE39节点电力系统仿真测试系统进行仿真实验。
[0062] 为了检验本发明的有效性，考虑故障发生的不同位置、过渡电阻的大小、不同故障类型对故障诊断产生不同的影响，线路16-17发生各种故障情况时的各线路的横纵差异度如表1所示。
[0063] 表1线路16-17发生各种类型故障时各线路的横纵差异度
[0064]
[0065]
[0066] 注：加下划线的数据表示正常线路中较大的异常度。
[0067] 表1中，编号16-17的线路为故障线路，编号15-16、16-19、16-24、17-18、17-27、3-18等线路均为随机选择的正常线路(下同)。从表1可看出，当线路16-17在不同位置发生故障时，不论发生何种故障，故障线路的横向差异度都要大于各正常线路的横向差异度，值得注意的是，当发生AB高阻接地时，故障线路与正常线路之间的差异并不如其它故障类型那么明显，其差异度量值较为接近，如果单纯设定阈值的话，难以设定一个恰当的数值，比如发生AB两相高阻接地时，故障线路16-17的差异度为69.2267，而正常线路中包含6.0769这种较大的数据，增加了设定阈值的难度。
[0068] 表2线路16-17发生故障时各线路的聚类与诊断结果
[0069]
[0070]
[0071] 表2为线路16-17在不同位置发生各种故障类型时的聚类与诊断结果表，由表2看出，由该分类结果得到类1的聚类中心值较大，选取类1作为故障类，故障类包含的线路16-17诊断为故障线路。诊断结果正确。
[0072] 无论电力系统发生的故障是何种类型，无论过渡电阻的大小是多少，本发明均能识别出故障线路16-17。从表2看出，本发明采用的方法不受故障类型、故障位置、过渡电阻大小的影响，均能正确识别出故障线路。
[0073] 线路16-17与3-18发生双重故障下的各线路的横向差异度如表3所示。
[0074] 表3线路16-17与3-18发生双重故障时各线路的横向差异度
[0075]
[0076] 表3为线路16-17、线路3-18在不同位置、不同过渡电阻下发生各种类型故障下各线路横纵向差异度，从表3可看出，发生故障的两条线路16-17、3-18的差异度明显较各正常线路要大，尤其是两相短路、三相短路状况下，差异非常明显，即便在高阻状态下数值略小，但依然足以区分出故障线路与正常线路。
[0077] 正常线路的纵向差异度相较于横向差异度要小，这与单重故障状态下是一致的，这表明所提算法无论遇到何种状况，均能得到一个稳定输出，虽然从数值上可区分出那些是故障的线路，但是这并不利于操作人员高效的处理工作，同时与单重故障时遇到的问题类似，故障阈值设置为多少合适，并不容易确定，所以采取同样的方法，将横纵两种差异度作为2×7维矩阵送入人工鱼群聚类算法中进行下一步的聚类处理。
[0078] 表4线路16-17与3-18发生故障时各线路的聚类与诊断结果
[0079]
[0080]
[0081] 表4为线路16-17与3-18在不同位置发生双重故障发生时的聚类结果表，由表4看出，由该分类结果得到类1的聚类中心值较大，选取类1作为故障类，将故障类包含的线路16-17、3-18诊断为故障线路。
[0082] 诊断结果正确。且结果简单明了，能够准确诊断出不同位置、不同过渡电阻状况下发生不同类型故障的故障线路。
[0083] 以上单重实验和双重实验均说明本发明的方法识别效率高，给出的结果简洁明了。但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。
