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：

1、低壓電流互感器是電網中的關鍵設備，能夠將高壓或低壓系統(tǒng)的大電流變換為低壓系統(tǒng)的小電流，以供檢測儀表、自動控制和繼電保護等使用。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，在實際中得到廣泛應用。近年來，隨著我國特高壓輸電技術的快速發(fā)展，對電壓等級的要求也越來越高，低壓電流互感器的工作環(huán)境也愈加惡劣，如何實時、準確的實現(xiàn)低壓電流互感器的故障診斷具有重要的現(xiàn)實意義。

2、現(xiàn)有技術如公開號為“cn112596016a”的中國專利申請公開了一種基于多個一維卷積神經網絡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，生成故障數(shù)據集，并對故障數(shù)據集進行合理切分，生成訓練數(shù)據集和測試數(shù)據集；s2、對訓練數(shù)據集和測試數(shù)據集中的每個故障樣本進行歸一化處理；s3、構建三個具有不同激活函數(shù)的卷積神經網絡模型，并對具有不同激活函數(shù)的卷積神經網絡模型分別進行訓練；s4、將訓練好的相應卷積神經網絡模型對測試數(shù)據集進行故障分類的測試，得到每個樣本的分類精度預測結果，然后通過多數(shù)投票的集成策略獲得最終的輸出結果。但上述專利高度依賴于大量的訓練數(shù)據，尤其是故障狀態(tài)數(shù)據，以訓練多個cnn模型。在實際應用中，獲取足夠多且質量高的故障狀態(tài)數(shù)據可能是一個挑戰(zhàn)。雖然cnn模型在故障識別上表現(xiàn)出色，但多個cnn模型的訓練和推理過程計算復雜度較高，可能影響實時性。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。

技術實現(xiàn)思路

1、為了解決上述現(xiàn)有技術中存在的問題，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行狀態(tài)，獲取低壓互感器的運行數(shù)據，根據所述運行狀態(tài)將低壓互感器的運行數(shù)據轉換為低壓互感器定量描述的運行數(shù)據；

5、基于低壓互感器定量描述的運行數(shù)據構建觀測矩陣，使用主分量分析算法pca對所述觀測矩陣進行特征提取，得到特征值和特征向量；

6、計算特征值的貢獻率，基于所述貢獻率和特征向量對觀測矩陣進行降維處理，得到降維后的觀測矩陣；

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

8、基于聚類分析算法對故障類樣本進行分析，得到低壓互感器故障診斷結果。

9、作為優(yōu)選實施方式，低壓互感器的運行狀態(tài)包括正常運行狀態(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)，根據所述運行狀態(tài)將低壓互感器的運行數(shù)據轉換為低壓互感器定量描述的運行數(shù)據，具體為：

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

11、；

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

13、；

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

15、；

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

17、；

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

19、；

20、式中，表示低壓互感器定量描述的運行數(shù)據，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行數(shù)據，表示角頻率，表示初相，表示正態(tài)分布，表示時間，表示固定偏差，表示常數(shù)，表示故障比例。

21、作為優(yōu)選實施方式，基于低壓互感器定量描述的運行數(shù)據構建觀測矩陣，使用主分量分析算法pca對所述觀測矩陣進行特征提取，得到特征值和特征向量，具體步驟為：

22、通過對低壓互感器定量描述的運行數(shù)據設置采樣點進行采樣得到測量數(shù)據，以公式表示為：

23、；

24、；

25、式中，表示對低壓互感器定量描述的運行數(shù)據的第次觀測獲得的測量數(shù)據，表示矩陣的轉置，表示第個采樣點對低壓互感器定量描述的運行數(shù)據的第次觀測獲得的測量數(shù)據，表示采樣點數(shù)量；

26、基于測量數(shù)據構建觀測矩陣，以公式表示為：

27、；

28、；

29、式中，表示觀測矩陣，表示觀測總次數(shù)，表示觀測矩陣的維度；

30、計算觀測矩陣的協(xié)方差矩陣，以公式表示為：

31、；

32、式中，表示協(xié)方差矩陣，表示觀測矩陣的均值；

33、對協(xié)方差矩陣進行特征分解，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)方差矩陣的第個特征值，表示協(xié)方差矩陣的第個特征向量。

37、作為優(yōu)選實施方式，所述計算特征值的貢獻率，基于所述貢獻率和特征向量對觀測矩陣進行降維處理，得到降維后的觀測矩陣，具體步驟為：

38、將特征值按照取值從大到小進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、計算特征值的貢獻率，將貢獻率大于或等于90%的特征值記為大特征值，并統(tǒng)計大特征值的個數(shù)，以公式表示為：

43、；

44、式中，表示統(tǒng)計大特征值的個數(shù)；

45、將觀測矩陣投影至個大特征值對應的特征向量構成的子空間，得到降維后的觀測矩陣，以公式表示為：

46、；

47、；

48、；

49、；

50、式中，表示第個大特征值對應的特征向量，表示降維后的觀測矩陣的第1個元素，表示降維后的觀測矩陣的元素數(shù)量，表示降維后的觀測矩陣的維度。

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

52、支持向量數(shù)據描述模型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，表示降維后的觀測矩陣的第個元素，表示向量的范數(shù)；

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

56、；

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

58、將滿足約束條件的拉格朗日系數(shù)對應的降維后的觀測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，表示第個支撐向量；

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

62、；

63、；

64、式中，表示降維后的觀測矩陣的任意元素，表示第個支撐向量；

65、若，則判決為目標類樣本，否則判決為故障類樣本并輸出。

66、作為優(yōu)選實施方式，所述基于聚類分析算法對故障類樣本進行分析，得到低壓互感器故障診斷結果，具體步驟為：

67、基于故障類樣本構建故障樣本集合，以公式表示為：

68、；

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

70、聚類分析算法的分析步驟具體為：

71、s1、確定最優(yōu)聚類個數(shù)：

72、s101、將聚類個數(shù)的初始值設置為1；

73、s102、根據故障樣本集合的空間信息熵的計算方法和故障樣本集合聚類后的第個子類的信息熵的計算方法計算當前子類的信息熵；所述子類通過設置空間信息熵閾值進行劃分；

74、其中，故障樣本集合的空間信息熵的計算方法，以公式表示為：

75、；

76、；

77、式中，表示復雜度函數(shù)，表示對數(shù)函數(shù)，表示概率函數(shù)；

78、故障樣本集合聚類后的第個子類的信息熵的計算方法，以公式表示為：

79、；

80、式中，表示故障樣本集合聚類后的第個子類，表示故障樣本集合第個子類中故障類樣本的特征值；

81、s103、根據故障樣本集合的第個子類的信息增益的計算方法計算當前子類的信息增益并記錄；

82、其中，故障樣本集合的第個子類的信息增益的計算方法，以公式表示為：

83、；

84、；

85、式中，表示故障樣本集合的信息熵，表示觀測矩陣取值為對測量數(shù)據的概率，表示以2為底的對數(shù)運算；

86、s104、對聚類個數(shù)執(zhí)行+1操作，執(zhí)行步驟s102，直到聚類個數(shù)達到預設的聚類閾值，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應的聚類個數(shù)作為最優(yōu)聚類個數(shù)；

88、s2、選取初始聚類中心：

89、s201、根據故障樣本集合中第個故障類樣本的空間密度的計算方法計算每個故障類樣本的空間密度；

90、其中，故障樣本集合中第個故障類樣本的空間密度的計算方法，以公式表示為：

91、；

92、式中，表示第個故障類樣本，表示第個故障類樣本；

93、s202、根據故障樣本集合中第個故障類樣本的領域半徑的計算方法計算每個樣本的鄰域半徑；

94、其中，故障樣本集合中第個故障類樣本的領域半徑的計算方法，以公式表示為：

95、；

96、式中，表示指數(shù)函數(shù)；

97、s203、根據故障樣本集合中第個故障類樣本的局部密度的計算方法計算每個樣本的局部密度；

98、其中，故障樣本集合中第個故障類樣本的局部密度的計算方法，以公式表示為：

99、；

100、s204、選擇局部密度最大的故障類樣本作為初始聚類中心；

101、s3、計算故障樣本集合中非初始聚類中心的故障類樣本與各聚類的歐式距離，并將其劃分至歐式距離最近的聚類中；

102、s4、計算每個子類的新聚類中心，以公式表示為：

103、；

104、式中，表示第個子類的新聚類中心，表示第個子類中故障類樣本的數(shù)量，表示第個子類中的第個故障類樣本；

105、s5、根據新的聚類中心對所有故障類樣本進行重新聚類，若相鄰兩次聚類結果一致，則聚類分析算法步驟結束，輸出聚類結果作為低壓互感器故障診斷結果；否則執(zhí)行步驟s3；

106、所述低壓互感器故障診斷結果包括固定偏差、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)據采集與預處理模塊：確定低壓互感器的運行狀態(tài)，獲取低壓互感器的運行數(shù)據，根據所述運行狀態(tài)將低壓互感器的運行數(shù)據轉換為低壓互感器定量描述的運行數(shù)據；

109、特征提取模塊：基于低壓互感器定量描述的運行數(shù)據構建觀測矩陣，使用主分量分析算法pca對所述觀測矩陣進行特征提取，得到特征值和特征向量；

110、數(shù)據建模模塊：計算特征值的貢獻率，基于所述貢獻率和特征向量對觀測矩陣進行降維處理，得到降維后的觀測矩陣；

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

112、故障診斷模塊：基于聚類分析算法對故障類樣本進行分析，得到低壓互感器故障診斷結果。

113、作為優(yōu)選實施方式，低壓互感器的運行狀態(tài)包括正常運行狀態(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)，根據所述運行狀態(tài)將低壓互感器的運行數(shù)據轉換為低壓互感器定量描述的運行數(shù)據，具體為：

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

115、；

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

117、；

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

119、；

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

121、；

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

123、；

124、式中，表示低壓互感器定量描述的運行數(shù)據，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行數(shù)據，表示角頻率，表示初相，表示正態(tài)分布，表示時間，表示固定偏差，表示常數(shù)，表示故障比例。

125、作為優(yōu)選實施方式，基于低壓互感器定量描述的運行數(shù)據構建觀測矩陣，使用主分量分析算法pca對所述觀測矩陣進行特征提取，得到特征值和特征向量，具體步驟為：

126、通過對低壓互感器定量描述的運行數(shù)據設置采樣點進行采樣得到測量數(shù)據，以公式表示為：

127、；

128、；

129、式中，表示對低壓互感器定量描述的運行數(shù)據的第次觀測獲得的測量數(shù)據，表示矩陣的轉置，表示第個采樣點對低壓互感器定量描述的運行數(shù)據的第次觀測獲得的測量數(shù)據，表示采樣點數(shù)量；

130、基于測量數(shù)據構建觀測矩陣，以公式表示為：

131、；

132、；

133、式中，表示觀測矩陣，表示觀測總次數(shù)，表示觀測矩陣的維度；

134、計算觀測矩陣的協(xié)方差矩陣，以公式表示為：

135、；

136、式中，表示協(xié)方差矩陣，表示觀測矩陣的均值；

137、對協(xié)方差矩陣進行特征分解，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)方差矩陣的第個特征值，表示協(xié)方差矩陣的第個特征向量。

141、作為優(yōu)選實施方式，所述計算特征值的貢獻率，基于所述貢獻率和特征向量對觀測矩陣進行降維處理，得到降維后的觀測矩陣，具體步驟為：

142、將特征值按照取值從大到小進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、計算特征值的貢獻率，將貢獻率大于或等于90%的特征值記為大特征值，并統(tǒng)計大特征值的個數(shù)，以公式表示為：

147、；

148、式中，表示統(tǒng)計大特征值的個數(shù)；

149、將觀測矩陣投影至個大特征值對應的特征向量構成的子空間，得到降維后的觀測矩陣，以公式表示為：

150、；

151、；

152、；

153、；

154、式中，表示第個大特征值對應的特征向量，表示降維后的觀測矩陣的第1個元素，表示降維后的觀測矩陣的元素數(shù)量，表示降維后的觀測矩陣的維度。

155、本發(fā)明具有如下有益效果：

156、1、本發(fā)明通過主分量分析算法（pca）對低壓互感器的運行數(shù)據進行特征提取，有效提取了數(shù)據中的主要特征，降低了噪聲和冗余信息對故障診斷的干擾，從而提高了故障診斷的準確性。

157、2、本發(fā)明能夠快速處理低壓互感器的運行數(shù)據，并實時輸出故障診斷結果，有助于及時發(fā)現(xiàn)并處理互感器故障，避免故障擴大化，保障電力系統(tǒng)的穩(wěn)定運行。

158、3、本發(fā)明引入了支持向量數(shù)據描述模型（svdd）的應用，使得本發(fā)明對互感器運行數(shù)據的微小變化具有較強的識別能力，能夠在不同工況下準確判斷互感器的運行狀態(tài)，增強了系統(tǒng)的魯棒性。

159、4、本發(fā)明通過計算特征值的貢獻率，并對觀測矩陣進行降維處理，減少了后續(xù)計算的數(shù)據量，降低了計算復雜度，提高了故障診斷的效率。