System and method for monitoring safe operation state of power distribution substation

具体实施方式

为使本申请实施例的目的、技术方案和优点更加清楚，下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本申请保护的范围。

在本发明的具体实施例附图中，为了更好、更清楚的描述系统中的各元件的工作原理，表现所述装置中各部分的连接关系，只是明显区分了各元件之间的相对位置关系，并不能构成对元件或结构内的信号传输方向、连接顺序及各部分结构大小、尺寸、形状的限定。

如图1所示，为本发明的配电变电站安全运行状态监测方法的流程示意图，包括如下步骤：

S1、通过智能传感器层对2n个采样点的配电变电站故障前期的状态数据进行采集，计算目标n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)归一化值。

将2n个采样点下具有不同单位的状态数据进行归一化和标准化处理，将目标n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)分别求取有效值为：

；

；

其中，定义n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)关联函数如下：

；

其中，j为两个采样点之间的间隔数，j=1，2，…，n-1。

对关联函数的每组信号进行归一化运算，得到归一化值：

。

S2、以距离每个采样点的状态数据x(n)的1至M个间隔数的状态数据y(n+1)至y(n+M)为一组，得到一组归一化值，多组归一化值构成阵列，计算阵列中数据之间的距离，来表征数据异常程度，将距离大于阈值的状态数据y(n+1)至y(n+M)中的状态数据去除。

设有n个阵列元素，其中任意2个阵列元素记为，计算阵列元素间的距离和相似度，其表达式分别为：

；

；

式中表示阵列元素的向量内积，阵列元素间的距离反映它们之间的支持程度，距离越小，表示阵列元素间的支持程度越大。阵列元素间的相似度是根据阵列元素间的距离计算的，相似度越大，表示阵列元素间的距离越小，支持程度越大。

S3、根据去除异常的状态数据后剩余的正常状态数据，预测正常状态数据对应的配电变电站的剩余寿命和故障概率。

剩余寿命的预测表达式为：

；

其中，表示在从到t时刻配电变压站发生故障的条件概率密度。

利用可靠率函数对配电变压站剩余寿命进行拟合，则拟合后的配电变压站剩余寿命的表达式为：

；

其中，为拟合参数，m为尺度参数。

由上式可得配电变压站在健康状态下的开始时刻T，则故障概率函数为：

。

S4、提取故障时刻配电变压站的电流波形，构造特征量序列Z。

设x为采集终端采集到的配电变压站的波形信号，将故障时刻的电流波形提取出来，为了将故障时刻的电流波形能量完整保留，使用正交分解法，波形信号x的频率函数f(x)为：

；

其中，n为分解的层数，为分解的波形信号，频率函数f(x)对应的能量E为：

；

式中：N为分解总层数。

各能量的分向量为：

；

以能量比作为特征量序列Z，即：

。

S5、将特征量序列作为输入数据，利用小波神经网络函数进行状态数据分析，将运行状态归类。

小波神经网络是基于小波分析理论构造的一种神经元网络，它由输入层、隐含层和输出层组成。神经元网络的诊断策略是通过不断改变小波基的形状和尺度来调整网络的权值和阈值，进而使得误差平方和最小。

小波神经网络既有小波变换良好的局部化优势，也具有神经网络自学习能力，具有更强的逼近能力和模式识别能力，因此本发明把小波神经网络引入到配电变电站的状态监测系统中。

小波神经网络函数的计算公式如下：

。

采用小波神经网络进行状态数据分析，将运行状态归类。

在优选实施例中，根据配电变压站状态数据和输入的类型标签，计算小波神经网络能够训练的最大网络层数，使用得到的小波神经网络对未含有类型标签的配电变压站状态数据进行故障预测。

如图2所示，为本发明的配电变电站安全运行状态监测系统结构示意图，包括：智能传感器层、数据处理单元、异常数据判断单元和运行状态归类单元。

通过智能传感器层对2n个采样点的配电变电站故障前期的状态数据进行采集；

数据处理单元，计算目标n个采样点的状态数据x(n)与其余的n个采样点的状态数据y(n)归一化值；

异常数据判断单元，将多组归一化值构成阵列，计算阵列中数据之间的距离，来表征数据异常程度，将距离大于阈值的状态数据y(n+1)至y(n+M)中的状态数据去除。

运行状态归类单元，根据去除异常的状态数据后剩余的正常状态数据，预测正常状态数据对应的配电变电站的剩余寿命和故障概率，提取故障时刻配电变压站的电流波形，构造特征量序列，利用小波神经网络函数进行状态数据分析，将运行状态归类。

运行状态归类单元包括：剩余寿命计算模块、特征量序列构造模块和小波神经网络分析模块。

剩余寿命计算模块，根据去除异常的状态数据后剩余的正常状态数据，预测正常状态数据对应的配电变电站的剩余寿命和故障概率。

特征量序列构造模块，提取故障时刻配电变压站的电流波形，构造特征量序列。

小波神经网络分析模块，将特征量序列作为输入数据，利用小波神经网络函数进行状态数据分析，将运行状态归类。

在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请实施例所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者通过所述计算机可读存储介质进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如，固态硬盘(solid state disk，SSD))等。

以上所述，仅为本申请的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到各种等效的修改或替换，这些修改或替换都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应以权利要求的保护范围为准。