本發(fā)明涉及一種低壓互感器故障診斷方法及系統(tǒng)，屬于互感器故障診斷。

背景技術(shù)：

1、低壓電流互感器是電網(wǎng)中的關(guān)鍵設(shè)備，能夠?qū)⒏邏夯虻蛪合到y(tǒng)的大電流變換為低壓系統(tǒng)的小電流，以供檢測(cè)儀表、自動(dòng)控制和繼電保護(hù)等使用。低壓電流互感器不僅能夠大幅降低電力系統(tǒng)成本，而且能夠有效保證電力從業(yè)人員的安全，在實(shí)際中得到廣泛應(yīng)用。近年來(lái)，隨著我國(guó)特高壓輸電技術(shù)的快速發(fā)展，對(duì)電壓等級(jí)的要求也越來(lái)越高，低壓電流互感器的工作環(huán)境也愈加惡劣，如何實(shí)時(shí)、準(zhǔn)確的實(shí)現(xiàn)低壓電流互感器的故障診斷具有重要的現(xiàn)實(shí)意義。

2、現(xiàn)有技術(shù)如公開(kāi)號(hào)為“cn112596016a”的中國(guó)專(zhuān)利申請(qǐng)公開(kāi)了一種基于多個(gè)一維卷積神經(jīng)網(wǎng)絡(luò)集成的互感器故障診斷方法，包括以下步驟：s1、獲取互感器原始故障信號(hào)，生成故障數(shù)據(jù)集，并對(duì)故障數(shù)據(jù)集進(jìn)行合理切分，生成訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集；s2、對(duì)訓(xùn)練數(shù)據(jù)集和測(cè)試數(shù)據(jù)集中的每個(gè)故障樣本進(jìn)行歸一化處理；s3、構(gòu)建三個(gè)具有不同激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型，并對(duì)具有不同激活函數(shù)的卷積神經(jīng)網(wǎng)絡(luò)模型分別進(jìn)行訓(xùn)練；s4、將訓(xùn)練好的相應(yīng)卷積神經(jīng)網(wǎng)絡(luò)模型對(duì)測(cè)試數(shù)據(jù)集進(jìn)行故障分類(lèi)的測(cè)試，得到每個(gè)樣本的分類(lèi)精度預(yù)測(cè)結(jié)果，然后通過(guò)多數(shù)投票的集成策略獲得最終的輸出結(jié)果。但上述專(zhuān)利高度依賴(lài)于大量的訓(xùn)練數(shù)據(jù)，尤其是故障狀態(tài)數(shù)據(jù)，以訓(xùn)練多個(gè)cnn模型。在實(shí)際應(yīng)用中，獲取足夠多且質(zhì)量高的故障狀態(tài)數(shù)據(jù)可能是一個(gè)挑戰(zhàn)。雖然cnn模型在故障識(shí)別上表現(xiàn)出色，但多個(gè)cnn模型的訓(xùn)練和推理過(guò)程計(jì)算復(fù)雜度較高，可能影響實(shí)時(shí)性。特別是在資源受限的環(huán)境下，如嵌入式系統(tǒng)，可能難以部署。

技術(shù)實(shí)現(xiàn)思路

1、為了解決上述現(xiàn)有技術(shù)中存在的問(wèn)題，本發(fā)明提出了一種低壓互感器故障診斷方法及系統(tǒng)。

2、本發(fā)明的技術(shù)方案如下：

3、一方面，本發(fā)明提供了一種低壓互感器故障診斷方法，包括以下步驟：

4、確定低壓互感器的運(yùn)行狀態(tài)，獲取低壓互感器的運(yùn)行數(shù)據(jù)，根據(jù)所述運(yùn)行狀態(tài)將低壓互感器的運(yùn)行數(shù)據(jù)轉(zhuǎn)換為低壓互感器定量描述的運(yùn)行數(shù)據(jù)；

5、基于低壓互感器定量描述的運(yùn)行數(shù)據(jù)構(gòu)建觀測(cè)矩陣，使用主分量分析算法pca對(duì)所述觀測(cè)矩陣進(jìn)行特征提取，得到特征值和特征向量；

6、計(jì)算特征值的貢獻(xiàn)率，基于所述貢獻(xiàn)率和特征向量對(duì)觀測(cè)矩陣進(jìn)行降維處理，得到降維后的觀測(cè)矩陣；

7、將降維后的觀測(cè)矩陣作為支持向量數(shù)據(jù)描述模型svdd的輸入，輸出故障類(lèi)樣本；

8、基于聚類(lèi)分析算法對(duì)故障類(lèi)樣本進(jìn)行分析，得到低壓互感器故障診斷結(jié)果。

9、作為優(yōu)選實(shí)施方式，低壓互感器的運(yùn)行狀態(tài)包括正常運(yùn)行狀態(tài)、固定偏差狀態(tài)、漂移偏差狀態(tài)、變比偏差狀態(tài)以及精度失真狀態(tài)，根據(jù)所述運(yùn)行狀態(tài)將低壓互感器的運(yùn)行數(shù)據(jù)轉(zhuǎn)換為低壓互感器定量描述的運(yùn)行數(shù)據(jù)，具體為：

10、所述正常運(yùn)行狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

11、；

12、所述固定偏差狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

13、；

14、所述漂移偏差狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

15、；

16、所述變比偏差狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

17、；

18、所述精度失真狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

19、；

20、式中，表示低壓互感器定量描述的運(yùn)行數(shù)據(jù)，表示互感器變比，表示正弦函數(shù)，、表示零均值，、表示方差為、的高斯白噪聲，表示低壓互感器的運(yùn)行數(shù)據(jù)，表示角頻率，表示初相，表示正態(tài)分布，表示時(shí)間，表示固定偏差，表示常數(shù)，表示故障比例。

21、作為優(yōu)選實(shí)施方式，基于低壓互感器定量描述的運(yùn)行數(shù)據(jù)構(gòu)建觀測(cè)矩陣，使用主分量分析算法pca對(duì)所述觀測(cè)矩陣進(jìn)行特征提取，得到特征值和特征向量，具體步驟為：

22、通過(guò)對(duì)低壓互感器定量描述的運(yùn)行數(shù)據(jù)設(shè)置采樣點(diǎn)進(jìn)行采樣得到測(cè)量數(shù)據(jù)，以公式表示為：

23、；

24、；

25、式中，表示對(duì)低壓互感器定量描述的運(yùn)行數(shù)據(jù)的第次觀測(cè)獲得的測(cè)量數(shù)據(jù)，表示矩陣的轉(zhuǎn)置，表示第個(gè)采樣點(diǎn)對(duì)低壓互感器定量描述的運(yùn)行數(shù)據(jù)的第次觀測(cè)獲得的測(cè)量數(shù)據(jù)，表示采樣點(diǎn)數(shù)量；

26、基于測(cè)量數(shù)據(jù)構(gòu)建觀測(cè)矩陣，以公式表示為：

27、；

28、；

29、式中，表示觀測(cè)矩陣，表示觀測(cè)總次數(shù)，表示觀測(cè)矩陣的維度；

30、計(jì)算觀測(cè)矩陣的協(xié)方差矩陣，以公式表示為：

31、；

32、式中，表示協(xié)方差矩陣，表示觀測(cè)矩陣的均值；

33、對(duì)協(xié)方差矩陣進(jìn)行特征分解，得到特征值和特征向量，以公式表示為：

34、；

35、；

36、式中，表示協(xié)方差矩陣的第個(gè)特征值，表示協(xié)方差矩陣的第個(gè)特征向量。

37、作為優(yōu)選實(shí)施方式，所述計(jì)算特征值的貢獻(xiàn)率，基于所述貢獻(xiàn)率和特征向量對(duì)觀測(cè)矩陣進(jìn)行降維處理，得到降維后的觀測(cè)矩陣，具體步驟為：

38、將特征值按照取值從大到小進(jìn)行排布得到特征值譜，以公式表示為：

39、；

40、；

41、式中，表示特征值譜，表示特征值數(shù)量；

42、計(jì)算特征值的貢獻(xiàn)率，將貢獻(xiàn)率大于或等于90%的特征值記為大特征值，并統(tǒng)計(jì)大特征值的個(gè)數(shù)，以公式表示為：

43、；

44、式中，表示統(tǒng)計(jì)大特征值的個(gè)數(shù)；

45、將觀測(cè)矩陣投影至個(gè)大特征值對(duì)應(yīng)的特征向量構(gòu)成的子空間，得到降維后的觀測(cè)矩陣，以公式表示為：

46、；

47、；

48、；

49、；

50、式中，表示第個(gè)大特征值對(duì)應(yīng)的特征向量，表示降維后的觀測(cè)矩陣的第1個(gè)元素，表示降維后的觀測(cè)矩陣的元素?cái)?shù)量，表示降維后的觀測(cè)矩陣的維度。

51、作為優(yōu)選實(shí)施方式，所述將降維后的觀測(cè)矩陣作為支持向量數(shù)據(jù)描述模型svdd的輸入，輸出故障類(lèi)樣本，具體步驟為：

52、支持向量數(shù)據(jù)描述模型svdd以公式表示為：

53、；

54、式中，表示最小值函數(shù)，表示最優(yōu)超球體，表示球心，表示半徑，表示松弛因子，表示正則化參數(shù)，表示約束條件，表示降維后的觀測(cè)矩陣的第個(gè)元素，表示向量的范數(shù)；

55、基于拉格朗日對(duì)偶理論將支持向量數(shù)據(jù)描述模型svdd以對(duì)偶形式表示：

56、；

57、式中，表示最大值函數(shù)，表示目標(biāo)函數(shù)，、表示拉格朗日系數(shù)，表示降維后的觀測(cè)矩陣的第個(gè)元素，表示降維后的觀測(cè)矩陣的第個(gè)元素；

58、將滿足約束條件的拉格朗日系數(shù)對(duì)應(yīng)的降維后的觀測(cè)矩陣的元素記為支撐向量，基于支撐向量得到支持向量數(shù)據(jù)描述模型svdd的最優(yōu)超球體，以公式表示為：

59、；

60、式中，表示第個(gè)支撐向量；

61、基于所述最優(yōu)超球體得到支持向量數(shù)據(jù)描述模型svdd的判決函數(shù)，以公式表示為：

62、；

63、；

64、式中，表示降維后的觀測(cè)矩陣的任意元素，表示第個(gè)支撐向量；

65、若，則判決為目標(biāo)類(lèi)樣本，否則判決為故障類(lèi)樣本并輸出。

66、作為優(yōu)選實(shí)施方式，所述基于聚類(lèi)分析算法對(duì)故障類(lèi)樣本進(jìn)行分析，得到低壓互感器故障診斷結(jié)果，具體步驟為：

67、基于故障類(lèi)樣本構(gòu)建故障樣本集合，以公式表示為：

68、；

69、式中，表示故障樣本集合，表示故障類(lèi)樣本數(shù)量，表示第個(gè)故障類(lèi)樣本；

70、聚類(lèi)分析算法的分析步驟具體為：

71、s1、確定最優(yōu)聚類(lèi)個(gè)數(shù)：

72、s101、將聚類(lèi)個(gè)數(shù)的初始值設(shè)置為1；

73、s102、根據(jù)故障樣本集合的空間信息熵的計(jì)算方法和故障樣本集合聚類(lèi)后的第個(gè)子類(lèi)的信息熵的計(jì)算方法計(jì)算當(dāng)前子類(lèi)的信息熵；所述子類(lèi)通過(guò)設(shè)置空間信息熵閾值進(jìn)行劃分；

74、其中，故障樣本集合的空間信息熵的計(jì)算方法，以公式表示為：

75、；

76、；

77、式中，表示復(fù)雜度函數(shù)，表示對(duì)數(shù)函數(shù)，表示概率函數(shù)；

78、故障樣本集合聚類(lèi)后的第個(gè)子類(lèi)的信息熵的計(jì)算方法，以公式表示為：

79、；

80、式中，表示故障樣本集合聚類(lèi)后的第個(gè)子類(lèi)，表示故障樣本集合第個(gè)子類(lèi)中故障類(lèi)樣本的特征值；

81、s103、根據(jù)故障樣本集合的第個(gè)子類(lèi)的信息增益的計(jì)算方法計(jì)算當(dāng)前子類(lèi)的信息增益并記錄；

82、其中，故障樣本集合的第個(gè)子類(lèi)的信息增益的計(jì)算方法，以公式表示為：

83、；

84、；

85、式中，表示故障樣本集合的信息熵，表示觀測(cè)矩陣取值為對(duì)測(cè)量數(shù)據(jù)的概率，表示以2為底的對(duì)數(shù)運(yùn)算；

86、s104、對(duì)聚類(lèi)個(gè)數(shù)執(zhí)行+1操作，執(zhí)行步驟s102，直到聚類(lèi)個(gè)數(shù)達(dá)到預(yù)設(shè)的聚類(lèi)閾值，執(zhí)行步驟s105；

87、s105、在記錄的信息增益中，選擇最小信息增益對(duì)應(yīng)的聚類(lèi)個(gè)數(shù)作為最優(yōu)聚類(lèi)個(gè)數(shù)；

88、s2、選取初始聚類(lèi)中心：

89、s201、根據(jù)故障樣本集合中第個(gè)故障類(lèi)樣本的空間密度的計(jì)算方法計(jì)算每個(gè)故障類(lèi)樣本的空間密度；

90、其中，故障樣本集合中第個(gè)故障類(lèi)樣本的空間密度的計(jì)算方法，以公式表示為：

91、；

92、式中，表示第個(gè)故障類(lèi)樣本，表示第個(gè)故障類(lèi)樣本；

93、s202、根據(jù)故障樣本集合中第個(gè)故障類(lèi)樣本的領(lǐng)域半徑的計(jì)算方法計(jì)算每個(gè)樣本的鄰域半徑；

94、其中，故障樣本集合中第個(gè)故障類(lèi)樣本的領(lǐng)域半徑的計(jì)算方法，以公式表示為：

95、；

96、式中，表示指數(shù)函數(shù)；

97、s203、根據(jù)故障樣本集合中第個(gè)故障類(lèi)樣本的局部密度的計(jì)算方法計(jì)算每個(gè)樣本的局部密度；

98、其中，故障樣本集合中第個(gè)故障類(lèi)樣本的局部密度的計(jì)算方法，以公式表示為：

99、；

100、s204、選擇局部密度最大的故障類(lèi)樣本作為初始聚類(lèi)中心；

101、s3、計(jì)算故障樣本集合中非初始聚類(lèi)中心的故障類(lèi)樣本與各聚類(lèi)的歐式距離，并將其劃分至歐式距離最近的聚類(lèi)中；

102、s4、計(jì)算每個(gè)子類(lèi)的新聚類(lèi)中心，以公式表示為：

103、；

104、式中，表示第個(gè)子類(lèi)的新聚類(lèi)中心，表示第個(gè)子類(lèi)中故障類(lèi)樣本的數(shù)量，表示第個(gè)子類(lèi)中的第個(gè)故障類(lèi)樣本；

105、s5、根據(jù)新的聚類(lèi)中心對(duì)所有故障類(lèi)樣本進(jìn)行重新聚類(lèi)，若相鄰兩次聚類(lèi)結(jié)果一致，則聚類(lèi)分析算法步驟結(jié)束，輸出聚類(lèi)結(jié)果作為低壓互感器故障診斷結(jié)果；否則執(zhí)行步驟s3；

106、所述低壓互感器故障診斷結(jié)果包括固定偏差、漂移偏差、變比偏差以及精度失真。

107、再一方面，本發(fā)明還提供了一種低壓互感器故障診斷系統(tǒng)，包括：

108、數(shù)據(jù)采集與預(yù)處理模塊：確定低壓互感器的運(yùn)行狀態(tài)，獲取低壓互感器的運(yùn)行數(shù)據(jù)，根據(jù)所述運(yùn)行狀態(tài)將低壓互感器的運(yùn)行數(shù)據(jù)轉(zhuǎn)換為低壓互感器定量描述的運(yùn)行數(shù)據(jù)；

109、特征提取模塊：基于低壓互感器定量描述的運(yùn)行數(shù)據(jù)構(gòu)建觀測(cè)矩陣，使用主分量分析算法pca對(duì)所述觀測(cè)矩陣進(jìn)行特征提取，得到特征值和特征向量；

110、數(shù)據(jù)建模模塊：計(jì)算特征值的貢獻(xiàn)率，基于所述貢獻(xiàn)率和特征向量對(duì)觀測(cè)矩陣進(jìn)行降維處理，得到降維后的觀測(cè)矩陣；

111、故障類(lèi)樣本識(shí)別模塊：將降維后的觀測(cè)矩陣作為支持向量數(shù)據(jù)描述模型svdd的輸入，輸出故障類(lèi)樣本；

112、故障診斷模塊：基于聚類(lèi)分析算法對(duì)故障類(lèi)樣本進(jìn)行分析，得到低壓互感器故障診斷結(jié)果。

113、作為優(yōu)選實(shí)施方式，低壓互感器的運(yùn)行狀態(tài)包括正常運(yùn)行狀態(tài)、固定偏差狀態(tài)、漂移偏差狀態(tài)、變比偏差狀態(tài)以及精度失真狀態(tài)，根據(jù)所述運(yùn)行狀態(tài)將低壓互感器的運(yùn)行數(shù)據(jù)轉(zhuǎn)換為低壓互感器定量描述的運(yùn)行數(shù)據(jù)，具體為：

114、所述正常運(yùn)行狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

115、；

116、所述固定偏差狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

117、；

118、所述漂移偏差狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

119、；

120、所述變比偏差狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

121、；

122、所述精度失真狀態(tài)下低壓互感器定量描述的運(yùn)行數(shù)據(jù)以公式表示為：

123、；

124、式中，表示低壓互感器定量描述的運(yùn)行數(shù)據(jù)，表示互感器變比，表示正弦函數(shù)，、表示零均值，、表示方差為、的高斯白噪聲，表示低壓互感器的運(yùn)行數(shù)據(jù)，表示角頻率，表示初相，表示正態(tài)分布，表示時(shí)間，表示固定偏差，表示常數(shù)，表示故障比例。

125、作為優(yōu)選實(shí)施方式，基于低壓互感器定量描述的運(yùn)行數(shù)據(jù)構(gòu)建觀測(cè)矩陣，使用主分量分析算法pca對(duì)所述觀測(cè)矩陣進(jìn)行特征提取，得到特征值和特征向量，具體步驟為：

126、通過(guò)對(duì)低壓互感器定量描述的運(yùn)行數(shù)據(jù)設(shè)置采樣點(diǎn)進(jìn)行采樣得到測(cè)量數(shù)據(jù)，以公式表示為：

127、；

128、；

129、式中，表示對(duì)低壓互感器定量描述的運(yùn)行數(shù)據(jù)的第次觀測(cè)獲得的測(cè)量數(shù)據(jù)，表示矩陣的轉(zhuǎn)置，表示第個(gè)采樣點(diǎn)對(duì)低壓互感器定量描述的運(yùn)行數(shù)據(jù)的第次觀測(cè)獲得的測(cè)量數(shù)據(jù)，表示采樣點(diǎn)數(shù)量；

130、基于測(cè)量數(shù)據(jù)構(gòu)建觀測(cè)矩陣，以公式表示為：

131、；

132、；

133、式中，表示觀測(cè)矩陣，表示觀測(cè)總次數(shù)，表示觀測(cè)矩陣的維度；

134、計(jì)算觀測(cè)矩陣的協(xié)方差矩陣，以公式表示為：

135、；

136、式中，表示協(xié)方差矩陣，表示觀測(cè)矩陣的均值；

137、對(duì)協(xié)方差矩陣進(jìn)行特征分解，得到特征值和特征向量，以公式表示為：

138、；

139、；

140、式中，表示協(xié)方差矩陣的第個(gè)特征值，表示協(xié)方差矩陣的第個(gè)特征向量。

141、作為優(yōu)選實(shí)施方式，所述計(jì)算特征值的貢獻(xiàn)率，基于所述貢獻(xiàn)率和特征向量對(duì)觀測(cè)矩陣進(jìn)行降維處理，得到降維后的觀測(cè)矩陣，具體步驟為：

142、將特征值按照取值從大到小進(jìn)行排布得到特征值譜，以公式表示為：

143、；

144、；

145、式中，表示特征值譜，表示特征值數(shù)量；

146、計(jì)算特征值的貢獻(xiàn)率，將貢獻(xiàn)率大于或等于90%的特征值記為大特征值，并統(tǒng)計(jì)大特征值的個(gè)數(shù)，以公式表示為：

147、；

148、式中，表示統(tǒng)計(jì)大特征值的個(gè)數(shù)；

149、將觀測(cè)矩陣投影至個(gè)大特征值對(duì)應(yīng)的特征向量構(gòu)成的子空間，得到降維后的觀測(cè)矩陣，以公式表示為：

150、；

151、；

152、；

153、；

154、式中，表示第個(gè)大特征值對(duì)應(yīng)的特征向量，表示降維后的觀測(cè)矩陣的第1個(gè)元素，表示降維后的觀測(cè)矩陣的元素?cái)?shù)量，表示降維后的觀測(cè)矩陣的維度。

155、本發(fā)明具有如下有益效果：

156、1、本發(fā)明通過(guò)主分量分析算法（pca）對(duì)低壓互感器的運(yùn)行數(shù)據(jù)進(jìn)行特征提取，有效提取了數(shù)據(jù)中的主要特征，降低了噪聲和冗余信息對(duì)故障診斷的干擾，從而提高了故障診斷的準(zhǔn)確性。

157、2、本發(fā)明能夠快速處理低壓互感器的運(yùn)行數(shù)據(jù)，并實(shí)時(shí)輸出故障診斷結(jié)果，有助于及時(shí)發(fā)現(xiàn)并處理互感器故障，避免故障擴(kuò)大化，保障電力系統(tǒng)的穩(wěn)定運(yùn)行。

158、3、本發(fā)明引入了支持向量數(shù)據(jù)描述模型（svdd）的應(yīng)用，使得本發(fā)明對(duì)互感器運(yùn)行數(shù)據(jù)的微小變化具有較強(qiáng)的識(shí)別能力，能夠在不同工況下準(zhǔn)確判斷互感器的運(yùn)行狀態(tài)，增強(qiáng)了系統(tǒng)的魯棒性。

159、4、本發(fā)明通過(guò)計(jì)算特征值的貢獻(xiàn)率，并對(duì)觀測(cè)矩陣進(jìn)行降維處理，減少了后續(xù)計(jì)算的數(shù)據(jù)量，降低了計(jì)算復(fù)雜度，提高了故障診斷的效率。