本发明公开了一种基于类人概念学习的配电网早期故障检测方法。利用小波变换分解波形为近似部分和细节部分，其中近似部分称为大致形状基元，细节部分称为畸变基元；根据极值点将畸变基元拆分为谐波、脉冲以及其他畸变三个基元；提取基元的特征以及基元间的时间关系；根据基元的特征以及基元间的时间关系，构造波形的概率分布；根据不同种类波形的概率分布，得到波形的判断结果。本发明将电压、电流波形作为视觉概念的一种，被分解为大致形状和各种畸变，通过计算各个成分的概率分布，可以获得波形整体的概率分布，从而判断波形种类。该方法在需求数据量和准确性上大大优于传统检测。对配电网早期故障的检测处理具有重要意义。
1.一种基于类人概念学习的配电网早期故障检测方法，其特征在于，包括如下步骤：S1：利用小波变换分解波形为近似部分和细节部分，其中近似部分称为大致形状基元，细节部分称为畸变基元；
S2：根据极值点将畸变基元拆分为谐波、脉冲以及其他畸变三个基元；
S4：根据基元的特征以及基元间的时间关系，构造波形的概率分布，公式如下：2
式中， 为未知波形个例，ψw为已知波形种类，噪声服从正态分布SN～N(μ,σ)，基元数为κ，基元类型为z＝{zo,zh,zp,zother}，基元特征参数为p，基元间的时间关系为R；
根据配网异常事件中记录的三相电流，求和得到中性点电流，产生7个不同种类的波形(IA,IB,IC,IN,UA,UB,UC)，得到异常事件的在不同种类波形中的概率分布公式为：式中， 为未知事件个例，ψE为已知事件种类，波形w＝{IA,IB,IC,IN,UA,UB,UC}；
S5：根据不同种类波形的概率分布，得到波形的判断结果。
2.根据权利要求1所述的基于类人概念学习的配电网早期故障检测方法，其特征在于，所述S1中，小波变换函数选取为5层Meyer函数，大致形状取a5系数，畸变取原始波形与a5系数的差。
3.根据权利要求1所述的基于类人概念学习的配电网早期故障检测方法，其特征在于，所述S2中，对畸变进行分解，根据畸变曲线中的极值点将曲线拆分为多个分段，将每一分段与相邻分段进行组合，构成脉冲、谐波以及其他畸变三个基元。
4.根据权利要求3所述的基于类人概念学习的配电网早期故障检测方法，其特征在于，将每一分段与相邻分段进行组合的规则为：-如果相邻分段单调性相反，幅值与时间长度差异在0.8倍到1.2倍之内且存在三段以上，则构成谐波；
-如果相邻两段分段单调性相反，幅值超过阈值，时间长度小于阈值，则构成脉冲；
5.根据权利要求4所述的基于类人概念学习的配电网早期故障检测方法，其特征在于，幅值阈值设置为0.5倍基波幅值；时间长度阈值设置为0.25倍基波周波。
6.根据权利要求1所述的基于类人概念学习的配电网早期故障检测方法，其特征在于，所述S3中，基元的特征提取，包括如下提取原则：对于大致形状zo，提取每个周波的幅值Ao、时间长度To以及直流分量Aoft；对于谐波zh，提取幅值Ah、频率fh以及总时间长度th；对于脉冲zp，提取幅值Ap、脉宽tp；对于其他畸变zother，不提取特征。
7.根据权利要求1所述的基于类人概念学习的配电网早期故障检测方法，其特征在于，所述S3中，基元间的时间关系包括大致形状和畸变之间的时间关系以及畸变与畸变之间的时间关系；其中：所述大致形状与畸变之间的时间关系称为相对基波位置Po，相对基波位置Po描述畸变初始时刻在大致形状上的位置，这一位置采用相角表示；
-间隔时间tint，描述两个相邻畸变之间的时间间隔；
-单相基元对PPuni，描述同一相电压或电流波形中初始时刻相同或接近的两个畸变；
-三相基元对PPtri描述三相电压或电流波形中初始时刻相同或接近的三个畸变。
8.根据权利要求7所述的基于类人概念学习的配电网早期故障检测方法，其特征在于，所述大致形状和畸变之间的时间关系以及畸变与畸变之间的时间关系中，忽略与其他畸变相关的时间关系。
9.根据权利要求1所述的基于类人概念学习的配电网早期故障检测方法，其特征在于，所述S5中，根据异常事件在不同种类波形中的概率分布，判断异常事件的种类，即比较在不同种类波形中的大小，取最大值对应的波形种类，得到波形的判断结果。
基于类人概念学习的配电网早期故障检测方法
技术领域
[0001] 本发明涉及配电网早期故障检测技术领域，具体是一种基于类人概念学习的配电网早期故障检测方法。
背景技术
[0002] 供电可靠性是配电网最重要的评价指标。由于配电网设备多，区域广，其运维工作主要集中在故障后的处理方面，例如故障定位、故障隔离、故障恢复。但是随着国家和售电市场对供电可靠性要求的提高，配网的故障处理工作不仅要关注故障后的供电恢复还需关注故障前的设备预警，将故障处理的工作方式由“事后抢修巡检”转变成“事前预警主动处理”，在永久性故障发生之前将之消灭，大幅降低因设备故障导致停电事故发生的概率。
[0003] 在设备故障之前，往往会出现一些异常的前兆性信号，这些信号被称为早期故障。早期故障检测作为电力状态检测的一种方式，为配网运维提供了新的思路，使得缺陷设备能够被提前更换，提高供电可靠性。同时降低运维工作量，节约了成本。
[0004] 早期故障往往表现为持续时间短、重复发生。这类自恢复性故障往往伴随电弧，对绝缘和导体造成损坏。进一步地，绝缘受损会带来更多的故障。所以往往这类故障会反复发生直到发展成永久性故障。引起早期故障的原因与设备种类有关。在电缆中，绝缘老化是早期故障的主要原因。在架空线中，各种非电力因素如刮风、动物触线、树枝触线等往往会引起早期故障。在其他电力设备中，绝缘缺陷和接触不良也会引起早期故障。
[0005] 早期故障检测主要分为模型驱动和数据驱动两种，模型驱动往往局限于单一模型，无法适应复杂的实际情况，因此往往采用数据驱动的方法。传统数据驱动方法需要大量的数据且往往只针对个别情景，因此需要改进。类人概念学习类比人类观察波形的过程对波形进行分解，根据分解的结果重构波形的生成过程，通过学习这一过程实现波形的识别。但是，如何将类人概念学习应用于配电网早期故障诊断中，还是本领域亟待解决的问题。
[0006] 目前没有发现同本发明类似技术的说明或报道，也尚未收集到国内外类似的资料。
发明内容
[0007] 针对现有技术中存在的上述不足，本发明的目的是，将类人概念学习的相关理论和方法引入到配电网早期故障诊断中，通过理论分析提出一种针对配电网早期故障检测的基于类人概念学习的配电网早期故障检测方法，并验证方法的合理性。类人概念学习模拟人类识别波形的过程，将波形分解为不同成分的叠加，通过学习成分及成分间的时间关系进行波形识别。本发明提出的基于类人概念学习的配电网早期故障检测方法，相较于传统算法具有可引入先验知识、所需样本少、准确率高等特点。
[0008] 本发明是通过以下技术方案实现的。
[0009] 一种基于类人概念学习的配电网早期故障检测方法，包括如下步骤：
[0010] S1：利用小波变换分解波形为近似部分和细节部分，其中近似部分称为大致形状基元，细节部分称为畸变基元；
[0011] S2：根据极值点将畸变基元拆分为谐波、脉冲以及其他畸变三个基元；
[0012] S3：提取基元的特征以及基元间的时间关系；
[0013] S4：根据基元的特征以及基元间的时间关系，构造波形的概率分布；
[0014] S5：根据不同种类波形的概率分布，得到波形的判断结果。
[0015] 优选地，所述S1中，小波变换函数选取为5层Meyer函数，大致形状取a5系数，畸变取原始波形与a5系数的差。
[0016] 优选地，所述S2中，对畸变进行分解，根据畸变曲线中的极值点将曲线拆分为多个分段，将每一分段与相邻分段进行组合，构成脉冲、谐波以及其他畸变三个基元。
[0017] 优选地，将每一分段与相邻分段进行组合的规则为：
[0018] -如果相邻分段单调性相反，幅值与时间长度差异在0.8倍到1.2倍之内且存在三段以上，则构成谐波；
[0019] -如果相邻两段分段单调性相反，幅值超过阈值，时间长度小于阈值，则构成脉冲；
[0020] -无法构成谐波和脉冲的分段则为其他畸变。
[0021] 优选地，幅值阈值设置为0.5倍基波幅值；时间长度阈值设置为0.25倍基波周波。
[0022] 优选地，所述S3中，基元的特征提取，包括如下提取原则：
[0023] 对于大致形状zo，提取每个周波的幅值Ao、时间长度To以及直流分量Aoft；对于谐波zh，提取幅值Ah、频率fh以及总时间长度th；对于脉冲zp，提取幅值Ap、脉宽tp；对于其他畸变zother，不提取特征。
[0024] 优选地，所述S3中，基元间的时间关系包括大致形状和畸变之间的时间关系以及畸变与畸变之间的时间关系；其中：
[0025] 所述大致形状与畸变之间的时间关系称为相对基波位置Po，相对基波位置Po描述畸变初始时刻在大致形状上的位置，这一位置采用相角表示；
[0026] 畸变与畸变之间的时间关系包括：
[0027] -间隔时间tint，描述两个相邻畸变之间的时间间隔；
[0028] -单相基元对PPuni，描述同一相电压或电流波形中初始时刻相同或接近的两个畸变；
[0029] -三相基元对PPtri描述三相电压或电流波形中初始时刻相同或接近的三个畸变。
[0030] 优选地，所述大致形状和畸变之间的时间关系以及畸变与畸变之间的时间关系中，忽略与其他畸变相关的时间关系。
[0031] 优选地，所述S4中，构造的波形概率分布公式为：
[0032]
[0033] 式中， 为未知波形个例，ψw为已知波形种类，噪声服从正态分布SN～N(μ,σ2)，基元数为κ，基元类型为z＝{zo,zh,zp,zother}，基元特征参数为p，基元间的时间关系为R；
[0034] 根据配网异常事件中记录的三相电流，求和得到中性点电流，产生7个不同种类的波形(IA,IB,IC,IN,UA,UB,UC)，得到异常事件的在不同种类波形中的概率分布公式为：
[0035]
[0036] 式中， 为未知事件个例，ψE为已知事件种类，波形w＝{IA,IB,IC,IN,UA,UB,UC}。
[0037] 优选地，所述S5中，根据异常事件在不同种类波形中的概率分布，判断异常事件的种类，即比较 在不同种类波形中的大小，取最大值对应的波形种类，得到波形的判断结果。
[0038] 与现有技术相比，本发明具有如下有益效果：
[0039] 本发明所提供的一种基于类人概念学习的配电网早期故障检测方法，将类人概念学习的相关理论和方法引入到配电网早期故障检测中，通过理论分析提出针对配电网早期故障的检测算法，并验证算法的合理性。电压、电流波形作为视觉概念的一种，被分解为大致形状和各种畸变，通过计算各个成分的概率分布，可以获得波形整体的概率分布，从而判断波形种类。本发明所提供的基于类人概念学习的配电网早期故障检测方法，在需求数据量和准确性上大大优于传统检测，对配电网早期故障的检测处理具有重要意义。
附图说明
[0040] 通过阅读参照以下附图对非限制性实施例所作的详细描述，本发明的其它特征、目的和优点将会变得更明显：
[0041] 图1为本发明一实施例所提供的波形分解示意图；
[0042] 图2为本发明一实施例所提供的畸变分解示意图；
[0043] 图3为本发明一实施例所提供的基元间的时间关系定义示意图；其中，(a)为大致形状与畸变之间的时间关系定义示意图；(b)为畸变与畸变之间的时间关系定义示意图；
[0044] 图4为本发明一实施例所提供的波形生成过程示意图；
[0045] 图5为本发明一实施例所提供的基于类人概念学习的配电网早期故障检测方法工作流程图。
具体实施方式
[0046] 下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。
[0047] 实施例
[0048] 如图5所示，本实施例提供了一种基于类人概念学习的配电网早期故障检测方法，包括如下步骤：
[0049] 步骤S1：利用小波变换分解波形为近似部分和细节部分，，其中，将近似部分和细节部分这两部分分别称为大致形状基元和畸变基元。
[0050] 步骤S2：根据极值点将畸变(细节部分)拆分为谐波、脉冲以及其他畸变三种基元。
[0051] 步骤S3：提取出基元的特征以及基元间的时间关系。
[0052] 步骤S4：根据基元的特征以及基元间的时间关系构造波形的概率分布。
[0053] 步骤S5：根据不同种类波形的概率分布得到波形的判断结果。
[0054] 下面结合附图，对本发明上述实施例的技术方案进一步详细描述。
[0055] 如图1所示，为对原始波形进行小波分解的波形分解示意图，小波函数选取为5层Meyer函数，大致形状取a5系数，畸变取原始波形与a5系数的差，得到图1所示分解结果。对于图1中的畸变(细节部分)继续进行分解，根据畸变曲线中的极值点将曲线拆分为小段，如图2所示的第一步，将每一段与周围小段进行组合，构成脉冲、谐波、其他畸变三种基元，如图2所示的第二步。组合规则如下：1)如果相邻小段单调性相反、幅值与时间长度差异较小、且存在三段以上，则构成谐波(如图2所示的1、2、3、4段组合)；2)如果相邻的两段单调性相反、幅值超过阈值(这里设置为0.5倍基波幅值)、时间长度小于阈值(这里设置为0.25倍基波周波)，则构成脉冲(如图2所示的5、6段组合)；3)无法构成谐波和脉冲的小段称为其他畸变(如图2所示的7、8段)。这里将大致形状、谐波、脉冲、其他畸变统称为基元。
[0056] 基元特征提取如下：对于大致形状zo，提取每个周波的幅值Ao、时间长度To以及直流分量Aoft；对于谐波zh，提取幅值Ah、频率fh、总时间长度th；对于脉冲zp，提取幅值Ap、脉宽tp；对于其他畸变zother，由于zother和早期故障关系不大，所以不提取其特征。基元间同样存在时间关系，基元可分为两种：大致形状和畸变(谐波、脉冲、其他畸变)，基元间的时间关系也可分为大致形状和畸变之间的时间关系以及畸变与畸变之间的时间关系。同样地，不讨论与zother相关的时间关系。大致形状与畸变基元之间的时间关系称为相对基波位置Po，Po描述的是畸变基元初始时刻在大致形状上的位置，这一位置用相角表示。畸变基元间的时间关系有以下几种：间隔时间tint，单相基元对PPuni和三相基元对PPtri。tint描述的是两个相邻畸变基元间的时间间隔。单相基元对PPuni描述的是同一相电压、电流波形中初始时刻相同/及其接近的两个畸变基元。三相基元对PPtri描述的是三相电压/电流波形中初始时刻相同/及其接近的三个畸变基元。PPuni和PPtri描述的是一种相关关系，这里用nuni,ntri分别表示两者的数量。以上时间关系的示意图如图3(a)和(b)所示。
[0057] 至此，一个波形被唯一的分解为以上基元的组合，并且基元特征、时间关系被用于描述这种组合。接下来，基于上述分解提出波形的一个生成过程，如图4所示。这一过程描述如下：首先在基元库中选定一些基元(基元种类为4，每种基元数量任意)，每个基元有各自的特征参数；将这些基元按先后顺序组合成波形，这些先后顺序构成了基元间的时间关系。以上属于种类层次。波形种类由故障原因、故障设备、故障部位决定。实际情况中，同种类波形受线路参数、网架结构、负荷情况、传感器参数、噪声等影响，会表现为不同的个例。表现在基元层面即为：基元的特征参数以及时间关系会发生一定的变化，同时会引入噪声。以上属于个例层次。
[0058] 根据以上生成过程，可以推导出波形的概率分布公式：
[0059]
[0060] 式中 为未知波形个例，ψw为已知波形种类，噪声服从正态分布SN～N(μ,σ2)，基元数为κ，基元类型为z＝{zo,zh,zp,zother}，基元特征参数为p，基元间时间关系为R。
[0061] 对于配网中的一起异常事件，往往记录有其对应的三相电压、三相电流，通过对三相电流求和可以得到中性点电流，这样就产生了7个不同种类的波形(IA,IB,IC,IN,UA,UB,UC)。因此一起异常事件在不同种类波形中的概率分布可写为：
[0062]
[0063] 式中， 为未知事件个例，ψE为已知事件种类，波形w＝{IA,IB,IC,IN,UA,UB,UC}。
[0064] 根据异常事件在不同种类波形中的概率分布可以判断出异常事件的种类，即比较在不同种类波形中的大小，取最大值对应的波形种类。
[0065] 取100个已知样本进行训练，事件种类分别为单相单周波早期故障、单相多周波早期故障、相间短路早期故障、暂态干扰以及永久性故障(分别标号为1,2,3,4,5)。用另外200个未知样本进行测试，实验结果如表1所示。可以看出本发明上述实施例所提供的基于类人概念学习的配电网早期故障检测方法，准确率极高，且所需数据量较少。
[0066] 表1
[0067]
[0068] 以上对本发明的具体实施例进行了描述。需要理解的是，本发明并不局限于上述特定实施方式，本领域技术人员可以在权利要求的范围内做出各种变形或修改，这并不影响本发明的实质内容。
