大型电力网络故障数据库快速数据定位模型仿真

蒋晓科

（1.海南经贸职业技术学院工程技术学院，海南海口　571127；2.暨南大学信息科学技术学院，广东广州　510632）

大型电力网络故障数据库快速数据定位模型仿真

蒋晓科1，2

（1.海南经贸职业技术学院工程技术学院，海南海口571127；2.暨南大学信息科学技术学院，广东广州510632）

对大型电力网络故障数据进行快速定位，对提高电力网络配电管理及故障诊断方面具有重要意义。传统的定位算法，利用故障数据库慢变包络切片对定位信息进行能量聚集，容易受到的电磁干扰，导致定位准确度不好。提出一种基于时频分析和滑动时间窗口重排的大型电力网络故障数据库的快速数据定位模型。构建大型电力网络故障数据库模型，对故障数据信息进行时频特征提取，对提取的故障数据的时频特征进行滑动时间窗口重排，实现数据的快速定位，通过特征提取和特征分类实现故障诊断。仿真结果表明，采用该模型进行大型电力网络故障数据库的故障数据定位，具有较好的抗干扰能力，实现对故障数据的快速定位，进而实现对电力网络的故障检测，检测概率高于传统算法。

电力网络；故障数据库；快速定位

保障电力网络的无故障稳定运行是保障人们生产生活的根本。随着网络信息数据库技术和云计算不断普及应用，大型电力网络系统的数据管理和数据调度多采用数据库管理方式，电力和电网信息的智能管理，大型电力网络数据库聚集和存储大量的电网调度的用户信息和电网自身参数信息，通过数据库管理和调度方式进行电网的配电和调度使用。常因为通信冲突和电网节点损耗产生故障数据，在电网配电和调度过程中，需要对大型电力网络数据库中的故障数据进行准确快速地定位和挖掘，实现故障的及时排除和诊断。可见，进行有效的故障数据快速定位是实现电力数据调度和故障诊断的关键。研究大型电力网络故障数据库的快速数据定位模型和算法设计具有重要意义［1］。

传统方法中，对大型电力网络故障数据库的快速数据定位设计，主要采用盲解卷积算法和负熵累积量特征提取算法等，而传统的盲解卷积算法无法彻底消除挖掘信道对奇异特征具有卷积效应，影响大型电力网络故障特征挖掘精度。在盲高斯信息特征统计算法中，特征信息进行代价函数的构造，如负熵、累计量，由于梯度类优化方法的局部收敛问题，如果算法初值选择不合理，往往会影响数据库层析集成算法的精度，不利于大型电力网络故障数据库的调度和控制。文献［2］提出的大型电力网络故障数据库的数据定位模型采用的是粒子滤波算法，利用故障数据库慢变包络切片对定位信息进行能量聚集，该定位方法受到的电磁干扰较大，定位准确度不好。文献［3］提出一种基于差分累积函数特征挖掘的大型电力网络故障数据库定位算法。将大数据环境下的大型电力网络故障数据库定位和诊断转换到分数阶傅里叶域进行聚焦，实现大型电力网络故障数据库的故障特征提取。但是，该算法存在计算复杂度高，实现开销较大等问题，实时性不好。提出一种基于时频分析和滑动时间窗口重排的大型电力网络故障数据库的快速数据定位模型。构建大型电力网络故障数据库模型，对故障数据信息进行时频特征提取，提取大型数据库中的故障数据训练样本，对提取的故障数据的时频特征进行滑动时间窗口重排［4］，实现大型电力网络数据库故障数据高效检测和定位。仿真实验验证了本文设计模型在实现电力网络故障数据库定位和故障诊断方面的优越性能。

1　大型电力网络故障数据库模型及故障特征提取

1.1大型电力网络故障数据库模型

大型电力网络故障特征信息通常表现为一组非平稳宽带信号，通过信号检测方法实现大型电力网络数据库故障数据定位，在此，先构建大型电力网络故障数据库模型。在故障数据流模型偶见中，采用分布式代码执行方式，将任务代码分布到多个数据节点，实现分布式执行，执行完后，结果统一返回到客户端，从而有效避免大型电力网络故障数据库中的缓存数据的移动与传输［5-7］。采用单机或联网计算机进行大数据量访问，实现对电网故障状态的评估和预测。大型电力网络故障数据库采用I/O、USB和磁盘等设备均实现高效的读写访问，由此构建大型电力网络故障数据库的访问和管理模型，如图1所示。

图1　大型电力网络故障数据库管理模型Fig.1　Large power network fault database management model

由图1可知，假设大型电力网络故障数据库数据集X=｛x1，x2，…，xn｝（n是大型电力网络故障数据集X的数目；X中的联合分布特征向量都是一个p维矢量，X含有c个故障类别，第i个故障类的聚类中心为vi=｛vi1，vi2，…，vip｝），若大型电力网络故障数据库非平稳宽带信号的时间采样｛x（t1），…x（tn）｝的联合分布函数与｛x（t1+τ），…x（tn+τ）｝的联合分布函数具有自相关性，则样本数据集故障特征采用的系统函数表示为：

采用混叠谱模糊度函数分析故障数据库的频谱特征，确定响应变量y的值与预报变量X=（x1，…xn，…，xn+m）值的函数关系，＜R1，+，×＞和＜R2，⊕，⊗＞是2个特征向量集合的闭环，由于大型电力网络故障数据库的故障特征联合概率分布函数映射f：R1|→R2，对于任意的mi∈R1均满足如下故障数据信息特征提取方程：

式中：x、y、z为电力网络故障数据库中的故障数据的初始频率均值；ψV为故障数据训练集；θ为变量Q的空间中的解向量；φ为大型电力网络故障数据库复信号z（t）的瞬时幅度；γ为大型电力网络数据库中的故障数据频域谐振幅度。

1.2故障数据信号模型及特征提取

大型电力网络故障检测诊断的第一步是信号的检测采集，设计电力网络故障数据的信号模型，对故障状态下的计算机数据集合进行融合分析，通过特征提取和特征分类实现故障诊断［8-9］。大型电力网络故障检测原理框图如图2所示。

图2　大型电力网络故障检测原理Fig.2　Principle of large power network fault detection

进行大型电力设备的故障数据库的快速数据定位，实现故障检测和诊断。令R为大型电力网络故障特征数据中包含有4元组（Ei，Ej，d，t）的信任关系，数据分类属性A=｛A1，A2，…，Am｝，大型电力网络故障特征数据集成的信息状态方程为：

计算大型电力网络故障数据库信号的时频特征，进行故障信号模型构建，得到故障特性信号模型为：

对电力网络故障特征数据进行序列采样和时间更新，得到大型电力网络故障数据库非平稳宽带信号z（t）的频谱，进一步采用时频分析进行瞬时频率的估计，对大型电力网络故障特征数据准确度概率函数密度表达式为：

大型电力网络故障是由n个样本组成的样本集，每个电气设备故障数据样本中有m个指标，则第j个样本的指标特征向量为xj=｛x1j，x2j，…，xmj｝T，故障数据的后验概率估计为p（x0），得到：

大型电力网络故障特征信息通常表现为一组非平稳宽带信号，为了实现对大型电力网络故障数据库的检测，采用时频分析方法进行故障特征提取，得到故障特征数据信息状态函数表示为：

式中：xi∈Rn，代表大型电力网络故障特征数据的状态矢量；ui∈Rm，实现了大型电力网络故障数据库的故障特征提取，为进行故障数据的快速定位提供数据基础。

马来西亚橡胶木已于2017年7月1日起全面禁止出口，这对缓解相关产业的原料短缺问题，尤其是对家具制造业有所帮助。到2020年马来西亚家具业对出口额实现120亿林吉特的目标也更充满了信心。

2　故障数据库的快速数据定位算法改进实现

在信号模型构建和特征提取的基础上，进行数据快速定位算法改进设计，传统的大型电力网络故障数据库定位模型采用粒子滤波算法，利用故障数据库慢变包络切片对定位信息进行能量聚集，该定位方法受到的电磁干扰较大，定位准确度不好。为了克服传统算法的弊端，提出一种基于时频分析和滑动时间窗口重排的大型电力网络故障数据库的快速数据定位模型。提取大型数据库中的故障数据训练样本，对提取的故障数据的时频特征进行滑动时间窗口重排，电力网络数据库故障数据的频域模型表达式为：

式中：a（t）为故障数据状态特征复信号z（t）的瞬时幅度。建立一个时间和空间复杂度分别为O（d）和O（N1/d）电力网络数据库分簇模型，进行数据快速定位，采用欧式距离表达故障数据2点之间的距离为：

式中：p（xi，yi），o（xj，yj）∈DS，采用θ1（k）为初始状态向量；θ1（k+1）为大型电力网络故障数据库非平稳宽带信号瞬时幅度。在色噪声背景中，采用双线性Hough变换得到大型电力网络故障数据库的时频分量特征为：

若大型电力网络故障数据库的干扰特征实部nr（k）和虚部ni（k）分别为独立的色噪声，对提取的故障数据的时频特征进行滑动时间窗口重排，对初始故障特征密度的局部异常点进行扫描并存储当前时间窗口内，在电力网络数据库中，数据包信息预测性能为｛λi：1≤i≤S｝，判别准则｛Rj：1≤j≤L｝，故障数据的密度先验信息滑动时间窗口重排运算规则计算如下：

由此可见，使用时频特征向量的最近邻匹配法可以找出故障特征潜在的匹配对，利用时间段U内测量得到的应哈希序列的分段为：

式中：V（a1，…，am）－1V（b1，…，bm）为电力网络故障数据的相似度矩阵。大型电力网络故障信号矢量s（t）=［s1（t），s2（t），…，sq（t）］T和噪声矢量n（t）是相互独立的，得到大型电力网络故障数据样本j与c个类别的差异的模糊特征衡度量，可表示为：

把大型电力网络故障信号分析推广到有干扰的环境中，对于时间序列｛x（t0+iΔt）｝，i=0，1，…，N－1，建立大型电力网络故障数据库的数据快速定位模型目标函数为：

通过对大型电力网络数据库的故障数据时频特征先验信息进行滑动时间窗口重排，以提高数据的快速定位能力。

3　仿真实验与结果分析

为了测试本文算法在实现大型电力网络故障数据库的数据快速定位和故障诊断中的性能，进行仿真实验。计算机仿真实验的硬件环境为：CPU为Intel Core i3-370；主频2.45 GHz；操作系统为Windows 7。算法设计与实现的开发环境为MATLAB 7。实验中选100个大型电力网络故障样本数据对其特征提取进行训练，样本每类数目为134，故障数据库的时频特征状态空间维数为10。根据特征数据采样结构构建大型电力网络故障数据库，故障数据的初始频率为1 Hz，截止频率为5 kHz。电网最大功率为10 000 kW，故障数据频谱时频特征载波间隔为0.321 5 MHz，电力网络故障数据库的数据通信OFDM的物理层参数可参考采用IEEE802.11a的标准，根据仿真实验环境设计和参数设计，进行故障数据特征提取和定位仿真。首先采集3类故障特征样本时间序列波形，进行信号模型构建，得到结果如图3所示。

对采样的3类电力网络故障数据库中的故障特征样本进行时频特征提取，提取大型数据库中的故障数据训练样本，对提取的故障数据的时频特征进行滑动时间窗口重排，实现故障数据的快速定位。采用本文算法和传统算法进行对比，得到故障数据的时频特征定位云图结果如图4所示。由图4可知，采用本文算法进行大型电力网络故障数据库的故障数据定位，具有较好的抗干扰能力，实现对故障数据的快速定位。

为了定量对比各种算法对大型电力网络故障数据库数据快速定位和故障检测能力，进行故障检测准确率性能比较，得到不同算法的检测结果如图5所示。

由图5可知，采用本文算法进行电力网络故障检测，随着信噪比的变化，检测概率快速发生变化，其检测概率为81.9%；采用WVD-Hough方法检测概率为57.7%；采用SPWVD-Hough算法的检测概率为40.4%。采用本文算法相比其余2种算法检测概率分别提高了24.2%，41.5%。因此，采用本文算法检测准确性更高。

图3　数据样本信号模型Fig.3　Data sample signal model

4　结语

对大型电力网络数据库中的故障数据进行准确快速的定位和挖掘，实现故障的及时排除和诊断。本文提出一种基于时频分析和滑动时间窗口重排的大型电力网络故障数据库的快速数据定位模型。构建大型电力网络故障数据库模型，对故障数据信息进行时频特征提取，对提取的故障数据的时频特征进行滑动时间窗口重排，实现大型电力网络数据库故障数据高效检测和定位。实验结果表明，采用本文算法具有较好的故障数据特征提取和定位性能，能有效实现对电力网络故障检测，准确度较高。

图4　电网数据库故障数据的时频特征定位云图Fig.4　Time and frequency characteristics of fault data of power network database

图5　故障检测性能对比Fig.5　Fault detection performance comparison

［1］孙刚，时伯年，赵宇明，等.基于MMC的柔性直流配电网故障定位及保护配置研究［J］.电力系统保护与控制，2015，43（22）：127-133.SUN Gang，SHI Bonian，ZHAO Yuming，et al.Research on the fault location method and protection configuration strategy of MMC based DC distribution grid［J］.Power System Protection and Control，2015，43（22）：127-133（in Chinese）.

［2］姜杰，郭威，黄文兴，等.基于故障数据的线路分布参数时域辨识方法［J］.电力系统保护与控制，2013，41（14）：7-12.JIANG Jie，GUO Wei，HUANG Wenxing，et al.Distributed parameter time domain identification method of transmission lines based on fault records［J］.Power System Protection and Control，2013，41（14）：7-12（in Chinese）.

［3］杨明玉，毛王清.基于遗传算法优化神经网络的直流输电线路故障测距算法［J］.华北电力大学学报，2015，42（1）：34-38.YANG Mingyu，MAO Wangqing.DC transmission fault location method based on genetic algorithm and neural network［J］.Journal of North China Electric Power University，2015，42（1）：34-38（in Chinese）.

［4］王秋平，陈志强，魏浩.基于数据挖掘的电站运行参数目标值优化［J］.电力科学与工程，2015，31（7）：19-24.WANG Qiuping，CHEN Zhiqiang，WEI Hao.The summary of optimal operation parameters in power station based on the data mining［J］.Electric Power Science and Engineering，2015，31（7）：19-24（in Chinese）.

［5］张学军，盛俊豪，高伟庆，等.基于正态分布的带串联间隙避雷器间隙距离的确定方法［J］.电磁避雷器，2015，138（3）：74-78.ZHANG Xuejun，SHENG Junhao，GAO Weiqing，et al.Determination method for gap distance of line surge arrester with series gap based on normal distribution［J］.Insulators and Surge Arresters，2015，138（3）：74-78（in Chinese）.

［6］赵峰，李硕.基于DGA和改进型灰关联度模型的牵引变压器故障诊断［J］.高压电器，2015，51（1）：41-45.ZHAO Feng，LI Shuo.Fault diagnosis for traction transformer based on DGA and improved grey correlation analysis model［J］.Pouwer Energy，2015，51（1）：41-45（in Chinese）.

［7］田洪迅，吴文福，马琳琦，等.缺失故障数据元件的可靠性评估方法研究［J］.电网与清洁能源，2015，31（1）：22-28.TIAN Hongxun，WU Wenfu，MA Linqi，et al.Study on reliability evaluation method for components with missing fault data［J］.Power System and Clean Energy，2015，31（1）：22-28（in Chinese）.

［8］陈亦平，赵曼勇，刘文涛，等.南方电网连锁故障风险分析及防御措施研究［J］.南方电网技术，2010，4（3）：8-11.CHEN Yiping，ZHAO Manyong，LIU Wentao，et al.The risks analysis and defensive measures re-search of cascading failures in China south-ern power grid［J］.Southern Power System Technology，2010，4（3）：8-11（in Chinese）.

［9］周鹏，黄涛，朱月凯.基于超声检测的并联电力电容器故障预警装置研究［J］.电力与能源，2015，36（4）：541-545.ZHOU Peng，HUANG Tao，ZHU Yuekai.Pesearch on shunt power capacitor farly warning device based on ultrasonic testing［J］.Power Energy，2015，36（4）：541-545（in Chinese）.

［10］魏旭，谢天喜，陶风波，等.±500 kV直流输电线路暂态故障监测装置的设计与应用［J］.江苏电机工程，2014，35（6）：23-25.WEI Xu，XIE Tianxi，TAO Fengbo，et al.+500 kV dc transmission lines for the design and application of the transient fault monitoring device［J］.Jiangsu Electrical Engineering，2014，35（6）：23-25（in Chinese）.

Rapid Data Positioning Model Simulation of Large Power Network Fault Database

JIANG Xiaoke1，2
（1.College of Engineering and Technology，Hainan College of Economics and Business，Haikou 571127，Hainan，China；2.College of Information Science and Technology，Jinan University，Guangzhou 510632，Guangdong，China）

Rapid positioning of fault data in the large power network is of great significance to improvement of the power distribution network management and fault diagnosis.The traditional location algorithm，using fault database slowly varying envelope slice to accumulate the energy for location information，is susceptible to electromagnetic interference，and often leads to poor positioning accuracy.This paper puts forward a rapid data positioning model based on time-frequency analysis and sliding time window rearrangement for the database of large power network faults.First，the database model for the large power network faults is built and then the time-frequency feature of fault data and information are extracted，the extracted time-frequency feature of the failure data undergoes the sliding time window rearrangement to realize the data rapid positioning，and the fault diagnosis is achieved by the feature extraction and feature classification.The simulation results show that this model has good anti-interference ability，can realize the rapid positioning of fault data，and then realize the fault detection of the power network，and its detection probability is higher than the traditional algorithm.

power network；the fault database；rapid positioning

1674-3814（2015）11-0101-06

TP391.9

A

2015-06-21。

蒋晓科（1984—），男，硕士，讲师，研究方向为软件开发和高职教育理论。

（编辑董小兵）

海南省高校自然科学研究项目（Hnjg2014-03）。

Hainan Provincial University Natural Science Research Project（H that several 2014-03）.