基于小波網絡的配電網空間數據庫故障診斷方法

田園，黃其兵

（1. 云南電網有限責任公司信息中心，昆明 650217；2. 云南電網有限責任公司，昆明 650011）

0 前言

隨著配電網中電源、負荷和儲能等數據的不斷增大，需要構建配電網空間數據庫，實現對電力網絡以及電力用戶的相關信息智能化管理，研究配電網空間數據庫的故障診斷模型，結合對配電網的電能質量分析，構建配電網的空間規劃設計模型，提高配電網的運行控制能力[1]。配電網的空間數據庫運行狀態直接影響了配電網的運行效率和輸配電質量，為了提高配電網的電能質量，需要進行配電網空間數據庫的規劃設計，采用智能故障分析和診斷技術，實現對配電網空間數據庫的故障智能診斷分析，結合對配電網的規劃設計、運行控制和拓撲結構，提高配電網空間數據庫的運行穩定性，相關的配電網空間數據庫故障智能診斷方法研究具有重要應用價值[2]。

對配電網空間數據庫的故障智能診斷是建立在對故障數據分類檢測和特征分析基礎上，提取配電網空間數據庫網絡故障數據的關聯特征量，采用抗干擾的濾波檢測方法，進行配電網空間數據庫的故障智能診斷識別[3-5]，采用機器學習、專家系統等方法，進行故障的智能化診斷，但傳統方法進行配電網空間數據庫故障診斷的模糊度較大，智能性不好[6]。針對上述問題，本文提出基于小波網絡的配電網空間數據庫故障診斷方法。構建配電網空間數據庫的分布模型，采用高維特征分解方法進行配電網空間數據庫的特征分解，結合小波網絡學習方法進行配電網空間數據庫故障狀態特征提取，根據故障特征的聚類性進行配電網絡空間數據庫的結構重組和故障特性辨識，結合模糊統計分析方法，實現對配電網空間數據庫的故障智能診斷。最后進行仿真實驗分析，展示了本文方法在提高配電網空間數據庫故障診斷能力方面的優越性能。

1 配電網空間數據庫及特征集構造

1.1 配電網空間數據庫構建

為了實現配電網空間數據庫故障診斷和數據分類，利用模糊粗糙集聚類方法構建配電網空間數據庫分布式檢測模型，結合對配電網空間數據庫的拓撲結構分析，進行空間數據庫建模，提取配電網空間數據庫的統計特征量，采用模糊關聯分析方法進行故障診斷模型設計，采用最近鄰點分布式檢測方法，進行配電網空間數據庫的優先分布式特征挖掘和數據聚類處理，結合分布式拓撲分析方法進行配電網空間數據庫故障檢測和大數據挖掘[7]，根據上述分析，構建配電網空間數據庫的拓撲結構模型如圖1 所示。

圖1 配電網空間數據庫結構模型

根據圖1 所示的拓撲結構模型，采用自適應的關聯規則調度方法進行配電網空間數據庫故障檢測和信息分類識別，提取配電網空間數據庫的關聯規則集，采用期望頻繁項（EFI）與概率頻繁項（PFI）融合分析方法[8]，得到配電網空間數據庫的模糊聚類函數為：

其中，xj(t)表示取配電網空間數據庫特征量化分布集D 中的模糊信息熵，描述了在第j 個配電網空間數據庫調度中心的樣本子集，lj(t)表示在取配電網空間數據庫的故障樣本在第t 代學習的樣本集，計算配電網空間數據庫故障數據在第j 個聚類中心的輸出標簽屬性。采用直流配電網的電壓暫降特征檢測方法分析配電網空間數據庫故障特征量，結合電網諧波、不平衡等因素進行數據分類，采用標量序列分析方法得到配電網空間數據庫的存儲樣本模型為：

其中，m，n 分別是配電網空間數據庫采樣節點和故障檢測點數，設D 為配電網空間數據庫的不確定信息分量，Ti為配電網空間數據庫的分類元素，對海量配電網空間數據庫樣本數據進行自適應分類，得到統計分布概率為pi，采用直流母線電壓檢測方法，配電電能質量分布為：

1.2 配電網空間數據庫的特征量化分解

在上述構建了配電網空間數據庫模型的基礎上，以少量的樣本類別數據為測試集，采用層次聚類方法對配電網空間數據庫故障樣本進行量化分解，根據配電網暫態不平衡和穩態不平衡性，構建兩極負荷均衡分配模型[10]，在模糊層次聚類中心中，配電網空間數據庫的數據碼元元素t的期望支持度esup(D)大于閾值θ，則稱配電網空間數據庫故障樣本為一個頻繁項，即，滿足約束條件的所有配電網空間數據庫故障數據的聚斂特征滿足：

在高維特征空間中，對配電網空間數據庫的直流數據進行自適應調制，若具體序列分級及相關故障類別元素t滿足諧波調度集，則配電網空間數據庫的頻繁項滿足：

其中，δ為電壓偏差與穩態電壓不平衡耦合特征系數，PW為直流電壓中的交流成分的峰峰值，minsup為超高次諧波，即元素t出現的最少次數，Ct(ω)表示以ω為統計特征量的中壓配電等級，在直流電壓諧波中進行樣本子集規劃，計算配電網空間數據庫故障元素t出現的次數。根據母線電壓中的交流分量的分布特征進行排序，采用小波網絡學習方法確定閾值δ，再隨機找到一個點，進行高壓直流輸電的故障數據庫分析，重復上述步驟，考慮到直流系統穩態運行能力，確定空間數據庫的故障樣本元素t在整個實例集中的統計特征量[11]，得到配電網空間數據庫故障特征聚簇中心點輸出為：

2 數據庫故障診斷優化

2.1 故障特征提取

在上述構建配電網空間數據庫的分布模型，采用高維特征分解方法進行配電網空間數據庫的特征量化分解的基礎上，進行數據庫故障診斷分析，本文提出基于小波網絡的配電網空間數據庫故障診斷方法。引入配電網空間數據庫故障發生概率和故障數據聚類頻次的概念[12]，用它來表示配電網空間數據樣本元素t在配電網空間數據庫故障樣本特征出現不同頻次的概率，記為supt(D)，則配電網空間數據庫故障檢測可以通過不同頻段的電能迭代方式進行特征分布式調度，得到故障檢測的統計特征量可以轉化為：

其中numt(D)為配電網空間數據庫故障大數據的類間聚類特征集，在元素t中，配電網空間數據庫故障樣本分布概念集的最大迭代次數可以通過supt(D)計算得到，結合小波網絡學習方法進行配電網空間數據庫故障狀態特征提取，采用分段檢驗方法[13]，得到故障特征提取的計算公式為：

其中，pi為第i個配電網空間數據庫故障樣本集出現在判決區域K 中的概率，pt i,j為前i個配電網空間數據庫故障大數據分類屬性元組的統計平均值。計算反映直流系統穩態運行的特征量，配電網空間數據庫故障檢測的模糊學習迭代式為：

其中：β表示直流配電網不同頻段的關聯特征量，直流輸電系統直流側諧波元素t在第i個元素上出現，即前i-1 個故障數據分類屬性滿足收斂條件，以少量的樣本類別數據為測試集，采用小波網絡學習方法，進行配電網空間數據庫的故障診斷分析[14]。

2.2 小波網絡學習及故障診斷輸出

分析直流配電網不同頻段的抽樣特征序列，提取配電網空間數據庫的關聯特征量，使用一個四元組結構來描述配電網空間數據庫故障大數據的小波多尺度分解的統計特征量，表示為：其中，Xij為配電網空間數據庫故障樣本數據在Tij時刻中出現的頻次，分析第j次諧波分量元素，用Pij表示為配電網空間數據庫的輸出樣本訓練集的最優概率，為系統穩定前提數據聚類中心擾動概率分布值，為當前窗口元素出現故障的配電網空間數據庫大數據頻繁項。采小波網絡學習算法，進行配電網空間數據庫的故障大數據檢測[15]，得到配電網空間數據庫故障診斷的學習迭代式為：

DPSWF 算法：

輸入：配電網空間數據庫故障樣本數據的不確定特征序列流DS，配電網空間數據庫故障樣本數據的關聯規則分布集minsup，模糊統計特征量δ，配電網空間數據庫故障大數據采樣的窗口長度W；

輸出：配電網空間數據庫故障診斷的頻繁項集合D。

1）初始化配電網空間數據庫的故障特征分類系數SWF=null，D=null，Pij=0，supki(ω)=0；

2）forXij，隨機找到直流電壓波動點，得到配電網空間數據庫故障數據的聚簇中心點；

3）按照網絡中各個節點電壓大小的分布情況得到故障交叉概率Pij；

4）if（當前窗口未滿），采用采用與電網工頻相對應的方式進行故障特征重組；

5）更新當前窗口所含配電網空間數據庫的樣本集，計算配網中微源功率變化，得到隨機概率分布值supki(ω)；

6）小波網絡學習方法進行配電網空間數據庫故障狀態特征提取，計算統計特征分布樣本集，結合電網工頻的統計特征分析方法，得到輸出的配電網空間數據樣本集為

7）ifQ≥δ

8）將電流諧波含量加入頻繁項集合D，進行樣本統計分析，得到配電網空間數據庫的故障檢測輸出結果；

9）else

10）進行樣本回歸分析，實現配電網的空間數據庫故障診斷，輸出診斷量化值SWF；

11）end

3 仿真實驗與結果分析

在進行配電網空間數據庫的故障診斷實驗中，設定故障樣本集的采樣序列數為2000，特征分布集為120，各次諧波疊加的統計特征分布集規模為300，配電網的輸出電壓偏差為20%，根據上述仿真參量設定，進行配電網空間數據庫故障診斷分析，得到配電網空間數據庫分布集如圖2 所示。

圖2 配電網空間數據庫分布集

以圖2 的故障分布集為測試對象，進行故障樣本分布式檢測，得到結果如圖3 所示。

圖3 故障樣本分布

分析圖3 得知，采用本文方法能有效實現對配電網空間數據庫的故障診斷，故障的分辨能力較好，提高了配電網空間數據庫的穩定性。

4 結束語

研究配電網空間數據庫的故障診斷模型，結合對配電網的電能質量分析，構建配電網的空間規劃設計模型，提高配電網的運行控制能力，本文提出基于小波網絡的配電網空間數據庫故障診斷方法。構建配電網空間數據庫的分布模型，采用直流配電網的電壓暫降特征檢測方法分析配電網空間數據庫故障特征量，結合電網諧波、不平衡等因素進行數據分類，采用標量序列分析方法得到配電網空間數據庫的存儲樣本模型，采用小波網絡分析方法進行故障檢測。研究得知，本文方法進行配電網空間數據庫故障診斷的準確性較好，分辨能力較強，具有很好的數據庫診斷分析能力。