一種基于分布式設備DTW法的故障分類系統及其方法，包括知識樣本模塊、數據準備模塊及故障分類模塊。知識樣本模塊與故障分類模塊互連，兩者互連可實現知識樣本模塊根據故障分類模塊所提供的故障進行更新，從而自動提升其智能化程度，數據準備模塊與故障分類模塊連接。知識樣本模塊用于初始化知識樣本庫，動態更新知識樣本庫的數據。數據準備模塊用于信號采集、故障檢測與定位。故障分類模塊用于加權系數計算、樣本相似度計算、類別相似度計算，確定分類結果。本方法提出用故障數據與系統樣本庫中的行波電流數據做DTW方法相似度計算，并運用不同位置的分布式傳感器數據結果選出每個故障類別的相似度，最后選擇結果相似度最高的類別判定為故障類型。
【技術實現步驟摘要】
本專利技術涉及電力系統故障分析，尤其涉及一種基于分布式設備dtw法的故障分類系統及其方法。
技術介紹
1、隨著經濟的發展，電力安全需求逐漸增大。電力系統運行中輸電線路是重要的組成部分，而輸電線路的分布范圍也越來越廣。由于輸電線路覆蓋面廣、距離長，且經過各種復雜地形和環境，其運行中容易受到多種不可控因素的影響，從而導致故障發生。一旦出現輸電線路故障，導致電力系統不能正常運行，甚至導致大面積停電等，影響生活生產以及造成較大的損失。因此，如何快速準確的分辨出故障類型尤為重要，電力有關部門可依據故障類型，科學合理地制定出解決方案，保障用電的需求。
2、現有對輸電線路故障原因分類方法大多為與神經網絡相關的深度學習類方法，例如有基于cnn和svm深度學習算法建立分類模型，也有用改進殘差網絡的電網故障分類模型，以及運用lstm對時序數據訓練模型，此類方法無需關心如何尋找特征，就可以訓練出故障分類模型。也有運用波形特征、時頻譜分析、小波變換分析、氣象多源數據等提取特征類的方法，通過波峰幅值、波上升沿下降沿特征、時頻圖面積比值、能譜相似度、模極大值、db3小波進行7尺度分解高低頻比值、溫濕度環境條件等方法，運用故障的固有特征作為分類判據進行分類，該類方法物理意義明確。
3、對于深度學習類方法，需要大量的訓練數據對模型進行訓練，而實際中故障類型數據較少，且深度學習提取的特征無可解釋性，其代表的物理含義不明確。對于波形時頻等分析類特征提取方法，此類方法受到復雜的故障條件和系統參數的影響，且多源數據需要對硬件有要求。
r/>技術實現思路
1、本專利技術提供了一種基于分布式設備dtw法的故障分類系統及其方法，以解決上述現有技術的不足，本方法提出用故障數據與系統樣本庫中的行波電流數據做dtw方法相似度計算，并運用不同位置的分布式傳感器數據結果選出每個故障類別的相似度，最后選擇結果相似度最高的類別判定為故障類型。
2、為了實現本專利技術的目的，擬采用以下技術：
3、一方面提出了一種基于分布式設備dtw法的故障分類系統，包括知識樣本模塊、數據準備模塊及故障分類模塊，知識樣本模塊與故障分類模塊互連，數據準備模塊與故障分類模塊連接。知識樣本模塊用于初始化知識樣本庫，動態更新知識樣本庫的數據；數據準備模塊用于信號采集、故障檢測與定位；故障分類模塊用于加權系數計算、樣本相似度計算、類別相似度計算，確定分類結果。
4、另一方面一種基于分布式設備dtw法的故障分類方法，利用基于分布式設備dtw法的故障分類系統，以對故障分類，包括步驟：
5、步驟01，初始化樣本庫；
6、步驟02，信號采集；
7、步驟03，故障檢測與定位；
8、步驟04，加權系數計算；
9、步驟05，樣本相似度計算；
10、步驟06，類別相似度計算；
11、步驟07，確定分類結果；
12、步驟08，更新樣本庫數據。
13、進一步地，步驟01中執行初始化樣本庫時，新增故障類別，并添加故障行波電流數據。
14、進一步地，步驟02中執行信號采集時，通過不同位置處的分布傳感器采集故障行波電流數據。
15、進一步地，步驟03中故障檢測與定位時：
16、運用閾值判斷故障是否發生；
17、運用故障行波極性判別法確定故障所在區間；
18、再利用單端或雙端測距法確定故障位置。
19、進一步地，步驟04中加權系數計算時，利用故障距離傳感器的位置，以及不同線纜材質的參數計算每個接收數據y＝{yj}的加權系數經驗值a；
20、
21、其中，yj為該傳感器接收數據序列的第j個元素值，a為加權系數經驗值，為經過加權后的數據序列的第j個元素值。
22、進一步地，步驟05中樣本相似度計算時，針對每個傳感器接收到的故障數據，運用樣本庫中的數據進行dtw方法計算與每個樣本的相似度。
23、其中，dtw(dynamic?time?warping，動態時間規整)算法，是運用動態規劃來尋找兩個序列間的累積距離最小的路徑。通過構建一個累積距離矩陣，矩陣的行和列分別對應兩個序列的元素。矩陣中的每個元素表示到目前為止，從第一個序列的起始點到第二個序列的當前點的最小累積距離。累積距離矩陣中的每個元素d[i][j]可以通過以下公式更新：
24、
25、式中，xi是序列數據x的第i個元素，是加權后的序列數據的第j個元素，是元素xi與之間的距離，距離通常采用歐氏距離度量，歐式距離計算公式為：距離越小則相似度越高，min()為取最小值的函數,d[m][n]為累積距離矩陣中第m行第n列的元素值。
26、進一步地，步驟06中類別相似度計算時，選取距離故障點較近的幾個傳感器的數據計算結果，選擇相似度距離最小的結果作為該故障數據對于該樣本的距離相似度；
27、若一個故障類中有多個樣本數據，則選擇距離相似度最高的樣本相似度結果作為該類的相似度結果。
28、進一步地，步驟07中確定分類結果時，根據步驟06所得的計算結果中類別相似度最高的類別作為該故障的類別。
29、進一步地，步驟08中更新樣本庫數據時，根據專家判斷典型的故障數據，并添加至故障類別樣本庫，如此迭代更新，使得分類結果準確率提高。
30、上述技術方案的優點在于：
31、該方法在少量樣本數據下也可做出判斷，且運用了dtw方法能夠準確匹配行波電流時間序列中的變形、平移和拉伸等變化的情形，適用于實際應用場景。又由于故障的高頻分量和低頻分量在相同的傳輸距離上損耗不同，且故障發生點距離傳感器位置是隨機的，導致相同的故障發生但不同位置傳感器接收到的信號會有差異。本方法運用分布式傳感器采集數據應對不同位置數據變化的影響，更具有魯棒性。
本文檔來自技高網...
【技術保護點】
1.一種基于分布式設備DTW法的故障分類系統，其特征在于，包括知識樣本模塊、數據準備模塊及故障分類模塊；
2.一種基于分布式設備DTW法的故障分類方法，其特征在于，利用如權利要求1中所述的基于分布式設備DTW法的故障分類系統，以對故障分類，包括步驟：
3.根據權利要求2所述的基于分布式設備DTW法的故障分類方法，其特征在于，步驟01中執行初始化樣本庫時，新增故障類別，并添加故障行波電流數據。
4.根據權利要求2所述的基于分布式設備DTW法的故障分類方法，其特征在于，步驟02中執行信號采集時，通過不同位置處的分布傳感器采集故障行波電流數據。
5.根據權利要求2所述的基于分布式設備DTW法的故障分類方法，其特征在于，步驟03中故障檢測與定位時：
6.根據權利要求2所述的基于分布式設備DTW法的故障分類方法，其特征在于，步驟04中加權系數計算時，利用故障距離傳感器的位置，以及不同線纜材質的參數計算每個接收數據y＝{yj}的加權系數經驗值a；
7.根據權利要求2所述的基于分布式設備DTW法的故障分類方法，其特征在于，步驟05中樣本相似度計算時，針對每個傳感器接收到的故障數據，運用樣本庫中的數據進行DTW方法計算與每個樣本的相似度。
8.根據權利要求2所述的基于分布式設備DTW法的故障分類方法，其特征在于，步驟06中類別相似度計算時，選取距離故障點較近的幾個傳感器的數據計算結果，選擇相似度距離最小的結果作為該故障數據對于該樣本的距離相似度；
9.根據權利要求2所述的基于分布式設備DTW法的故障分類方法，其特征在于，步驟07中確定分類結果時，根據步驟06所得的計算結果中類別相似度最高的類別作為該故障的類別。
10.根據權利要求2所述的基于分布式設備DTW法的故障分類方法，其特征在于，步驟08中更新樣本庫數據時，根據典型的故障數據，并添加至故障類別樣本庫。
...
【技術特征摘要】
1.一種基于分布式設備dtw法的故障分類系統，其特征在于，包括知識樣本模塊、數據準備模塊及故障分類模塊；
2.一種基于分布式設備dtw法的故障分類方法，其特征在于，利用如權利要求1中所述的基于分布式設備dtw法的故障分類系統，以對故障分類，包括步驟：
3.根據權利要求2所述的基于分布式設備dtw法的故障分類方法，其特征在于，步驟01中執行初始化樣本庫時，新增故障類別，并添加故障行波電流數據。
4.根據權利要求2所述的基于分布式設備dtw法的故障分類方法，其特征在于，步驟02中執行信號采集時，通過不同位置處的分布傳感器采集故障行波電流數據。
5.根據權利要求2所述的基于分布式設備dtw法的故障分類方法，其特征在于，步驟03中故障檢測與定位時：
6.根據權利要求2所述的基于分布式設備dtw法的故障分類方法，其特征在于，步驟04中加權系數計算時，利用故障距離傳感器的位置，以...
【專利技術屬性】
技術研發人員：張雪，杜紅林，王超，陳偉，
申請(專利權)人：成都傅立葉電子科技有限公司，
類型：發明
國別省市：
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。