论文研究-基于网络模型的输电线路缓变故障诊断方法.pdf

所需积分/C币:13 2019-09-07 10:33:57 646KB .PDF
21
收藏 收藏
举报

针对输电线路缓变故障的故障机理不明确,全系统的故障及时诊断和仿真困难等问题,提出了基于网络模型的缓变故障诊断方法。引入复杂网络集群划分中的模块性概念,解决了状态划分过程中的数据间相似度测度和划分测度问题。利用网络结构反映故障状态和特征,建立故障诊断网络模型,把输电线路故障诊断转化为子网络探测问题。通过多传感技术针对同一故障的多种故障表征,多层次多领域采集不同的特征量,选择故障反映灵敏度高的状态信息量,从而较好分析诊断故障。通过实验仿真对比,证明了基于网络模型的故障诊断方法对输电线路缓变故障诊断具有较高的正确率和容错性。
葛文杰,侯鑫,华尔天,等:基于网络模型的输电线路缓变故障诊断方法 2012,48(35)215 是经典集合论的一种推疒。在经典的集合论中,所en=0。 谓的二分条件规定每个元素只能属于或不属于某个 网络模型建立后,缓变故障诊断的过程就是将加 集合(因此模糊集不是集合);可以说,每个元素对每权无向网络G(X,E)的节点集合x,通过算法运算 个集合的归属性 membership)都只能是0或1。而每g(x)划分为m个互不重叠的子网络,即:g(X)={x 模糊集则拥有一个归属凼数( membership function), 其值允许取闭区间0,1中的任何实数,用来表示元X2,…,mX=xxX=②,xK,K≠②,1≠j, 素对该集的归属程度。 j∈(1,m)。每个子集X对应了类系统状态,因此 缓变故障诊断的过程可以转化为探测“类内相似度 3基于网络模型的缓变故障诊断 大,类间相似度小”子网络的问题。根据需求设计的 3.1缓变故障信号特征量的选取 目标函数,把子网络探测问题转化为优化问题,即 缓变故障特征量的选取及提取是故障诊断中难 max O(g(n) (3) 点问题之一,一种故障常由若十故障特征量反映,m式中标函数Q为准则函数。 个故障特征量又可能源于多种故障状态。特征量 定义聚类得到的m个集合中的两个子集Xn与 选取不当,会出现误诊或漏诊,误判的主要原囚是正 常状态和故障状态的特征参量存在交叠区域,所以 X之间的相似度w为: 需要选取有代表性、有效的故障特征量。 针对缓变故障特征量的模糊性,本文参考文献 [12]根据综合模糊隶属度作为有效选取故障特征量 的判断依据,模糊度计算公式为: 当P=q时,vm是x内各个样本对象之间的相 u(x D(u)=1∑S (1)似度;当P≠q时,wm是子集X和子集x之间对象 中ax)为任一状态参量对状态模糊集的隶属度。分别计的相似度。根据目标mx∑m)和mim(∑),定 算特征量的故障模糊隶属度D(ω)和正常模糊隶属度义故障诊断子网络探测的准则函数为: D、a),其综合模糊隶属度D(u) D(u+D( (5) D3()越小表明所选特征量区分故障状态和正常状 态的作用越强。 式中,∑"m是类内相似度,∑wm)是类之间的 3.2缓变故障诊断的网络模型 相似度,Q和类内相似度正相关而和类间相似度成 由于缓变故障诊断的本质是对反映故障的特征反相关,符合故障诊断聚类目标。 量进行划分聚类,为了能够有效地对缓变故障进行诊33方法描述 断,引入网络概念,将缓变故障诊断转化为子网络探 设m个数据X={x1,x2…,xn},未被划分出去的 测问题。设状态样本有p个特征量,组成了样本集合 点集X,划分出去的点集X2,分类数为i。 X={x1,x2,…,x,x={xmx2,…,x型},1=1,2,…,n, 步骤1令X1=X,X2=,i=0。 n为样本数。样本x和x之间的联系用相似度e表 步骤2i=i+1,令X中离坐标原点o最近的 示,各个样本之间的组成相似度集合E。样本之间个点为种子点s。 的相似度越高,e越大;样本之间的相似度低,则e 步骤3把X相似度大于圆值λ的点添加到X, 的值越小将X作为刚络的节点,E作为加权边,形并从x中删除这些点。添加x到x2。 成加权无向网络G(X,E)。因为是一个无向网络,两 步骤4如果x=∞,结束,否则,返回步骤2。 个节点之间的相似度相等,所以E是一个对称矩 阵。相似度矩阵E的设计原则是类内相似度尽可能 从而形成集合Y={X1,X2,…,X}。对所有集合 大,类间相似度尽可能小,本文采用函数: 进行基于白底向上的合并原则,按照层次聚类的方 en=1(1+dn)i≠j (2)法合并子集,可以表示为:“子集合并更大的子 式中d采用欧式距离。可以看出dn越大,e;越小, 集合并,…,合并最终聚类结果 表示样本x和x1之间的相似度越小,当ij时,定义 模块合并的过程是对聚类准则函数优化的过程, 选择使聚类准则函数值增加最大的两个子集作为待合 2162012,48(35) Computer Engineering and Applications计算机工程与应用 对象。设φ(X)={X1,x2,…,Xn},q(X)表示对X进行4实例分析 第0次合并。当经过k次合并后φˆ(X)={Xx3……x},4.1缓变故障特征量选取 样本已经被划分为m个子集,此时,再次将子集x 本文以绝缘故障为诊断对象,通过资料查阅和 和x进行合并操作+(X),∫,g=1,2,…,m,Q专家知识,选取12个特征量作为缓变故障诊断的检 的值将变为g′,由式(4)、(5)得: 测对象,包括温度(C)、湿度(H)、风速(V)、风向(D)、 覆冰厚度(T)、盐密度(P)、倾斜度(L)、加速度(Ax、 Q=2pm∑∑Wn)+g+g Ay、Az)、导线张力(F)和导线弧垂(S)。通过多功 p=l q 能传感器在不同时间段、不同天气环境下采集样本 2∑∑w=9+2w-2∑w∑w(6)数据100组,每组包含60个数据。为了减少误诊的 记 概率,根据3.1节的模糊隶属度计算公式,分别计算 各个特征量的综合模糊隶属度D3(a),从中进行筛 A=2 g (7) 选。其中,特征量盐密度、导线张力和导线弧垂对故 式中,w=,是子集x和X之间的相似度,v和障状态的区分度较弱。因此选取其他9个特征量进 分别是子集X和X与子集X之间的相似度 行故障诊断x={C,H,V,D,T,L,Ax,A4y,Az} 随机抽取样本数据的一半作为训练数据,另一半作 通过比较发现,合并子集X和X使准则函数 为测试数据。 的值Q发生Δ的变化。根据合并子集的选择标准, 表1状态参数及传感器名称 只要△。>0,就能保证这次合并是有效的,进一步 传感器名称 传感器的功能 地,选择max(A/>0),就能保证这次合并是最优且 温度传感器(C)测量环境温度、导线温度 有效的。对于任意的两个模块都可以计算出相应的 湿度传感器(H 测量环境湿度、导线湿度 Δ。,构造矩阵 风速传感器() 测量环境风速 风向传感器(D) 测量环境风向 覆冰传感器(T)测量绝缘子、导线的覆冰厚度 1<m (8) 盐密度传感器(P) 测量绝缘」的污秽分布 位移传感器(L) 测量杆塔的倾斜程度 合并max(△>0)的子集X和X。 加速度传感器(A) 测量导线舞动趋势 张力传感器(F) 测量导线的张力情况 因此,基于网络模型的缓变故障诊断算法的算 弧垂传感器(S) 测量导线的最大弧垂 法流程如下: (1)构建加权无向网络G(X,E),设计合理的相 通过特征量筛选后的一组样本数据如表2所示。 4,2数据预处理 似度函数。 由于数据在传输过程中存在噪音、失真等十扰, (2)计算矩阵△"。 因此需要对状态数据进行预处理,消除干扰,提高诊 (3)扌阵Δ中的最大值Δ,如果max(A>0), 断的正确性。因此,在使用前需要删除明显错误的 转下一步,否则转到(6)。 样本数据。此外各状态变量在量纲和数值区间上存 (4)合并子集x和X2 在差别,因此需要归一化处理采集的样本数据。状 (5)计算新网络对应的矩阵Am-1,返回(3)。 态参数中,风向(D)为定性属性,其余状态参数为定 (6)得到最终聚类结果,实现故障状态分类。 量属性。采用分段线性化方法对状态参数进行模糊 表2某组样本数据参数值 参数集 序列号 C(℃)H(%)(m·s-1) D T/mm L/(%) A x/(ms-2) A /(ms"2)A 19.96 4.15 东 0.21 0.1875 0.10940 1.2656 东 000.00 0.L 2031 0.09375 1.2500 3 20.00 39.5 3.26 东南 0.16 0.1875 0.12500 0.5000 16.09 36.5 1.56 东南 0.2656 0.42190 0.4844 360 15.92 36.5 2.25 东南 0.06 0.7188 095310 0.9687 葛文杰,侯鑫,华尔天,等:基于网络模型的输电线路缓变故障诊断方法 2012,48(35)217 处理,并映射到区间[0,1 从实验结果分析可得,本文算法的各项指标都 分段线性函数形式如公式(9),其屮,a,b,c,d,e优于其他两种算法。正确率相比神经网络有略微提 根据运行规程和设备的实际运行数据,对数据的分高,算法稳定性强,并且运行时间较短。分析其中的 布进行分段取值。 原因,神经网络算法初始的分类较多,通过网络的学 ,x>a 习,使得算法具有较高的分类正确率和稳定性,但该 0.75+0.25x-b b<xsa 算法的运行时间较长;动态聚类算法的初始分类较 b 少,因此正确率偏低,运行时间较短。本文算法在神 0.5+0.25xC,c<x≤b f(x) (9)经网络的基础卜加以改进,略微提高了正确率,算法 0.25+0.25x-d<x≤c 稳定性有较大的增强,同时优化缩短了算法运行吋间。 d 为了分析阈值λ对正确率的影响,对数据进行 0.25 X-e ,e≤x≤d 100次独立实验,阈值从001到1以步长0.01变化 0,x<e 统计结果如图3所示。 43数据聚类分析 1.00 以一组数据样本为例,按照阈值λ从大到小进行 0.95 聚类,得到聚类图(图2)。 0.80 一本文算法 0.75 ←一神经网络算法 一动态聚类算法 0.70 十 00.I0.20.30.40.50.60.70.80.91.0 阈值 图3阈值对正确率的影响 从实验结果分析得出,总体上随着阈值增大,正 确率提高。其中,当阈值较小时,初始划分得到的分 类集少,从而运行时间短,但是正确率相对较低;而当 阈值较大时,初始划分得到的分类集较多,能够获得 较高的正确率,但是同时增加了运行时问。当阈值在 图2聚类图 0~0.1区间时,由于分类数目较少,正确率波动较大; 根据聚类情况,使用F统计量方法计算得到λ当阙值取值较大时(0.8~1),对于本文算法影响不大。 的变化率。从中选取λ的最仹值,确定最佳分类。最 佳λ=0.8972,最佳分类数为4 结束语 44实验结果 输电线路缓变故障诊淅本质上是解决模式聚类 为了验证算法的稳定性和有效性,将本文算法问题,其中数据间相似度测度和划分测度是状态划 与神经网终算法和动态聚类算法进行比较,同时使分过程中的关键问题,本文提出基于网络模型的高 用3种方法对样本数据进行诊断处理。实验结果如压输电线路缓变故障诊断方法,利用网络结构反映 表3所示,其中正确率计算公式为:r=m,式中m 故障状态和特征,建立故障诊断的网络模型,把输电 线路故障诊断转化为子网络探测问题。本文的贡献 为正确分类的数据数目,n为总的测试数据数目。 有以下两点:(1)引入网络模型这种有效的数据描述 表3算法比较实验结果 形式,解决输电线路缓变故障诊断问题,同时扩展了 统计量本文算法神经网络算法动态聚类算法 模型的应用领域;(2)提岀一种新的聚类方法解决模 均值 0.96 0.93 0.84 式聚类问题,并通过实验仿真对比,证明了该方法的 下确率 方差(×103)567 749 8.71 r/(%) 有效性和可行性。 运行时间ts1.3076 1.5624 1.3225 (下转248页)

...展开详情
试读 5P 论文研究-基于网络模型的输电线路缓变故障诊断方法.pdf
立即下载 低至0.43元/次 身份认证VIP会员低至7折
一个资源只可评论一次,评论内容不能少于5个字
您会向同学/朋友/同事推荐我们的CSDN下载吗?
谢谢参与!您的真实评价是我们改进的动力~
关注 私信
上传资源赚钱or赚积分
最新推荐
论文研究-基于网络模型的输电线路缓变故障诊断方法.pdf 13积分/C币 立即下载
1/5
论文研究-基于网络模型的输电线路缓变故障诊断方法.pdf第1页

试读结束, 可继续读1页

13积分/C币 立即下载