文摘

针对及时传播的特点,快速更新,和大大小的微型智能电网"数据,基于微型智能电网"操作,生成的大量数据样本的故障诊断和分析方法提出了微型智能电网"系统支持大数据。源联合微型智能电网"使用小波变换提取特征向量,瑞利熵,和大数据技术,结合短路电流和电压。提取的特征数据集集群和分段实现深度数据挖掘。结合BP神经网络和大数据,微型智能电网"实现的故障诊断。仿真结果表明,基于大数据支持的BP神经网络算法可以准确地识别内部故障的类型和阶段微型智能电网",这是更适合提取信息的时序特征和时空相关性的数据实现大数据的预测和解决的核心问题在大数据的分析微型智能电网"错误,和准确性高达96.8%。

1。介绍

大数据是指无法捕获的数据集,管理和处理传统的软件工具在一段时间内。这是一个庞大而多样化的信息资产的增长率很高,需要一个新的处理模式,具有较强的决策能力,洞察力,和流程优化能力。“数量、种类价值、速度和准确性”是“5 v”大数据的特征。相关研究和调查指出,全球年度数据增长率基本上是甚至高于前一年的两倍。在接下来的10年,非结构化数据将占到90%,将不同的数据模式。它将成为不可能的分析基于以前的经验。因此,有必要研究相关的数据挖掘技术和了解和掌握基本的“5 v”大数据的特点,这是特别重要的基于大数据的数据分析。可以应用BP神经网络的预测模型,研究不同模型之间的关系。因此,大数据技术和BP神经网络的组合可以处理大而复杂的非线性结构问题从统计的角度来看,具有高稳定性和准确性。大数据故障分析是指通过实时收集大量的数据分析和挖掘的微型智能电网"故障信息掌握微型智能电网"操作特点,准确地预测微型智能电网"拓扑行为,提高服务和风险控制的能力。 The key to big data is to be able to quickly obtain useful information from a large amount of data or quickly realize big data assets. Therefore, the information processing of big data is often based on cloud computing. Cloud computing is the product of a new era. Taking cloud computing as the development strategy, big data is applied to cloud computing to obtain a series of data that can be used for fault analysis, so as to form a big data fault diagnosis model.

绿色和清洁能源的合理开发和利用已经成为一个重要话题,日益突出的能源危机,环境污染,和缓慢的复苏造成的大电网。微型智能电网"已广泛应用,因为它灵活的安装位置,更少的污染,和高能源效率。它的技术问题也引起了国内外研究人员的广泛关注。的一个重要研究领域是故障诊断技术,保证安全可靠操作。常见故障类型的微型智能电网"的内部线路单相接地短路,两相短路,三相短路等。传统的故障诊断方法不能直接应用于微型智能电网"和工作电流和电压之间的差异和双向功率流。这是一个紧急的问题寻找新的故障诊断和识别方法的微型智能电网"因为故障电压和电流的变化特征。

进行了大量的研究,在实践中应用的故障诊断技术的微型智能电网"。研究主要集中在以下两个方面:首先,进行故障诊断是根据断路器的变化,灵活的拓扑结构,保护元素,和其他设备状态的微型智能电网"。例如,电压和总线电流信号的低压断路器用于故障诊断。使用SOM神经网络和可替换主体系统,仿真结果表明,可以实现良好的诊断结果为一个错,但同期多个故障的情况需要进一步研究[1,2]。在[3),佩特里网使用线路故障保护信息建立了分析模型。相应的保护设置信息需要更新,而拓扑变化没有装修,可适应微型智能电网"拓扑结构的变化。然而,识别故障诊断的准确性会受到影响时,保护装置及断路器拒绝操作或误操作等因素。

其次,电压或电流的异常变化是用于诊断故障的微型智能电网"。微型智能电网"在不同控制方式下的瞬态恢复性能比较和分析通过研究当前振幅的变化和瞬态过电压持续时间发生短路故障时的微型智能电网" (4,5]。根据阻抗,阻抗角,对称分量法分析了电压和电流的微型智能电网"在错。然而,很难准确地提取故障分量时,系统不稳定,摆动,干扰,或连续的错。与此同时,其效果是缺乏实验验证只有理论和方法论的研究。

故障电压和电流信号被用来实现故障诊断和识别结合小波包神经网络,但断层阶段不能精确到线(6,7]。光存储的电压信号分析了微型智能电网"线实现光存储安全可靠运行的微型智能电网"基于遗传算法(8]。另一个故障检测方案基于深度的微型智能电网"提出了神经网络和小波变换(9]。作者在10)使用一种方法关注识别和评估断层线部分通过实现数据挖掘和小波包变换。目前,微型智能电网"数据的规模呈指数增加,和传统的数据处理方法不能处理大规模数据。同时,大数据的微型智能电网"系统贯穿所有节点的智能电网,它远远超出了传统的电力系统监控的范围。当前数据处理平台难以满足智能电网的要求电力系统数据的处理。特别是,很难实现实时数据,导致损失和电网的重复数据。在大数据时代,如何处理微型智能电网"数据分析和诊断电力设备的工作条件是智能微型电网发展的一项重要而紧迫的任务。为了解决问题的不完整的故障信息,单一的信息结构,和不完美的诊断结果在现有的微型智能电网"故障诊断方法,本文提取和建构的特点使用BP神经网络多源数据基于大数据技术,获得不同的数据之间的时空相关性特征,然后实现更好的故障预测和诊断。

本文的主要贡献如下:首先,现有的大多数研究文献是关于电压的振幅之间的关系,目前,和故障,但少了电压和电流的时频特征之间的关系,在故障时频特征的影响。事实上,断裂带上的电压和电流的时频特征将有更大的影响。其次,本文不仅分析了电压和电流之间的关系,还研究了监管作用的电压、电流、和故障。第三,本文结合BP神经网络和大数据预测数据的时空相关性,以实现故障诊断使用大数据分析。考虑到三相线电压和电流含有丰富的暂态突变信号时,内部的微型智能电网"失败,可有效反映故障特征,本文得到的高频和低频信号利用小波分析的细节,瑞利熵等理论方法提取的特征向量三相线路故障电压和电流从大量的微型智能电网"数据。基于故障信息,分析BP神经网络应用于故障诊断和识别。与历史数据作为训练样本,大数据支持的BP神经网络模型构造,实现故障的精确诊断类型和阶段。

本文的其余部分安排如下:部分2描述了故障特征;部分3给出了小波包分解和能量熵;部分4提供了BP神经网络故障诊断模型的建设;部分5描述了故障诊断算法和过程;部分6给出了仿真分析和实验验证;部分7总结了研究。

2。故障特征分析

2.1。微型智能电网"原型

一个微型智能电网"原型如图1。总线电压是220 V和连接到配电网络的PCC常见的连接点。DG1是光伏发电单元的容量60千伏安。DG2风力发电来源与20 kVA的能力。有三种输电线路的微型智能电网":WL1 1公里长8千瓦负荷;WL2 5公里,50千瓦负荷;和WL3 2公里长15千瓦负荷。故障电阻和接地电阻都设置为0.001Ω单相故障发生时,接地电阻时设置为10 mΩ当两相或三相短路发生。

三相输出电压和电流时对称的微型智能电网"正常运作。当前波形如图2。三相输出电流等于,相位差为120°。

2.2。故障分析

Matlab仿真平台是用于分析线电压和电流的变化在不同的故障类型和故障位置。摘要Matlab / Simulink 2018 b软件主要用于建模和仿真的过程。动态仿真模块主要负责整个系统的建设和离线仿真验证。与此同时,它可以结合StarSim Yuankuan边境和StarSim RCP软件;然后,硬件在环测试实现。进行仿真分析是在10%,50%,70%,和85%的微型智能电网"方面,分别在单相接地故障时,相间短路,两相接地故障,或三相短路故障发生。仿真时间设置为0.5秒,0.4年代的错误将被删除后,故障发生在0.1秒。当发生故障时,故障点的电压和电流图所示3。

图3显示电压在故障点短路后显著降低,故障电流的振幅增加,谐波和非周期分量的某些组件。很可能导致微型智能电网"不稳定和保护误动作甚至故障后删除。基于单一信号的故障诊断方法具有一定的局限性,因此有必要考虑电压和电流信号建立一个新的故障诊断特征向量。

故障数据信息在微型智能电网"操作包括稳态数据、参数数据、报警事件,等电路信息包括频率、电压、电流、谐波电压、谐波电流、电压不平衡,电流不平衡,闪烁,电路中功率和功率因数,电网杂波干扰、振动、温度、湿度、谐波干扰,异常事件,和其他指标。通过这些数据的分析和处理,准确提取故障特征可以实现故障识别和诊断。

3所示。小波包分解和能量熵

3.1。小波包分解

小波包选择最优的基础上分解原始信号在频域,提高了信号分析的能力,避免了固定时间频率的小波分解的缺陷,而准确地反映了信号的性质和特点。具有良好的适应性和优秀的信号时域和频域定位特征。

让是一个正交尺度函数和是一个小波函数;然后,双刻度函数方程如下: 在哪里比例系数和吗是小波系数。

定义一个基函数 和 ,双刻度方程则是概括如下: 在构造序列基函数的小波包吗 。

的参数j是规模指数,是地位指数,n是振荡次数;然后,

小波包重构算法如下:

以三层小波包分解为例,小波包分解和重构的过程如图4。节点(我,j)代表了jth节点层我(我= 0、1、2、3;j= 0,1,2,…,7),每个节点代表一个信号与某些特征。例如,节点(0,0)代表原始信号年代,节点(1,0)代表的低频系数的第一层小波包分解,和节点(1,1)代表第一层的高频系数。

原始信号之间的关系和其分解系数如下:

3.2。熵特征提取和多源联合特征向量构造

熵可以测量信息理论的不确定性程度的信息,如信息熵和相对熵(11,12]。香农熵提取的小波包分解和重构的高频和低频特征可以反映信号更加准确和具有较强的抗干扰性能(6]。频率分量的时间复杂度可以准确地表达信号的瞬态瑞利的奇异熵小波包,哪个更有利于故障的识别和诊断信号。

让随机信号 ;发生的概率是

然后,瑞利熵X是

的表达与小波包分解能量熵融合

向量T由每个频带的能量熵:

为了便于信号分析,这个向量T可以规范化,由当每个频带的能量熵相对较大。

熵特征提取后,电压和电流信号是由区间交叉融合的方法来形成一个新的源在故障诊断中故障特征向量。最后一个信号特征向量。

4所示。BP神经网络故障诊断模型的建设

1986年,BP神经网络提出了Rumelhart麦克勒兰德,已成为最流行的一种神经网络模型由于其强大的自学习功能和适应性。BP网络可以解决一些复杂系统的故障诊断问题并提供理论研究和技术实现方法更多的智能诊断方法。

大数据技术的支持下,BP神经网络的发展逐渐趋于成熟。分析和电网故障诊断时,它可以将继电保护信息转化为模型输入和微型智能电网"作为输出可能的错误。在此基础上,完成样品的选择集。然后,它清洁和部分样本,比较之间的差异的实际输出和期望输出,实现逐层调整重量和阈值,并停止重复次之后,和符合标准的区别。BP神经网络主要由一个输入层、隐藏层和输出层。一个典型的三层BP神经网络的拓扑结构如图5。

规定:J在输入层的节点数,节点编号是什么j,输入向量 , ,K是输出层的节点数,节点编号k, 是输出向量, ,l是隐层的节点数,节点编号是什么 , 代表之间的连接权重j神经元在输入层和隐层神经元,代表之间的连接权重ιth神经元隐层和k输出在输出层神经元,和输入的在隐层节点 。输出是 。激活函数 。然后,输入和输出的神经元表示为

鉴于N样品 (n= 1,2,…,N),预期的输出向量的输入向量是 。目标函数之间的平方和误差被定义为期望输出和实际输出反向传播。

的总误差样品被定义为

通过调整连接权重和阈值,总误差E最小化和体重变化以及误差函数的负梯度方向。 在哪里t迭代次数和吗步长。

5。故障诊断算法和流程

基于前两部分的算法,一种短路故障诊断的新方法提出了微型智能电网"。故障特征提取的小波包分解,计算能量熵。源联合特征向量是由电压和电流特征熵,作为BP网络的输入,实现故障诊断。首先,时频分析三相的电流和电压信号进行小波包分解。然后,香农熵能量作为信号的特征向量,计算和多源联合特征向量组成的交叉融合,作为BP神经网络的输入进行训练和学习。故障类型和阶段的微型智能电网"可以准确地识别和诊断。算法流程如图6。

500组线路故障样本数据是随机选择的。首先,小波包分解是用于分析信号频率,然后,香农能量熵是用来提取信号特征向量作为BP神经网络的输入信号。神经网络训练的样本大小和学习是80%。另一组数据用于验证10%,和10%的第三组数据用于测试。

使用BP神经网络算法模型、多层前馈网络训练误差反向传播算法的微型智能电网"故障输出数据,然后,通过大量样本的学习,投入产出模式故障存储的映射关系,从而实现故障信息的实时和在线地图,使输出数据样本的复杂非线性的关系变得明显。大大提高故障诊断的准确性,数据出错率降低。

6。仿真分析和实验验证

6.1。小波包分解的故障电流在微型智能电网"

根据实验分析和比较,2级小波包分解的频带分布太宽,分辨率很低,而那些的4层小波包分解和三层小波包分解是相同的,但是计算量显著增加。因此,本文选择三层小波包分解的信号。

为例,提取的步骤总会改变电流信号的小波包能量熵所示的总会改变单相接地短路电流线WL3远离微型智能电网"的一面。单相接地短路电流的波形图如图7。

比较数据7和5,可以发现,当系统短路,电流突然变化,瞬时故障信息。db6小波基选择进一步提取有效的故障信息。总会改变电流信号被三级小波多分辨率分解使用公式(2),它可以获得小波包分解和小波系数重构信号。当前的分解信号如图8。

从详细的图,可以看到第一个脉冲电流波是在800个采样点,第二个脉冲电流波收到3500个采样点。考虑到期间,它可以用作微型智能电网"的故障定位的基础。

短路电流和电压的小波包重构小波信号显示故障信号含有丰富的非平稳故障信号的组件,因此,小波包重构信号会立即有明显波动时的错,这可以作为重要的标准来判断故障发生在内部的微型智能电网"和计算小波能量熵值。的故障类型和故障阶段内部的微型智能电网"可以使用BP神经网络做好了充分准备。

6.2。源联合特征向量的提取和建设

8小波重构信号的能量熵总会短路电流计算使用夏侬熵公式(8),然后,一个特征向量E形成如下: 在哪里 是小波熵重建信号。因为小波包香农熵可以检测小异常变化的信号,信噪比低时,可以提取有效的弱信号和消除噪音很好。熵值越小,信号越有序,反之亦然。它几乎没有影响判断的准确性和计算量成倍增加的过程中,使用BP神经网络故障诊断和识别;同时,高频信号组件是超过一个数量级比低频信号分量小,所以 可以作为BP神经网络的输入。

以同样的方式,另两阶段电流和电压信号处理和16-dimensional小波能量熵。源的故障信息是由区间交叉融合的模式,形成故障诊断的特征向量。融合模式如图9。

一些源特性特征向量如表所示1。

与正常状态相比能量熵,结果如图10。

能量熵 时阶段无疑是增加的一个阶段显示接地故障但B和C阶段几乎保持不变;能量熵 两个阶段的A和B两相短路时显著增加或两相发生接地短路;能量熵 三个阶段都改善时,B和C三相短路发生。这可以用作依据故障类型和故障识别阶段判断微型智能电网"。

6.3。训练BP神经网络的结果

三相电流和电压特征值构成一个源故障特征向量作为BP神经网络的输入向量。微型智能电网"是故障信号的小波分解和重构,并输入神经元节点的数量设置为16。三个阶段的状态和中性线作为输出向量,所以神经网络的输出神经元节点的数量设置为4。1的输出值表明,相应的线是在接地故障或故障阶段,0表示,相应的线没有错。隐层神经元的数量会影响模型的训练结果。训练精度很差如果节点选择太少;培训时间和步长是相对较大的有太多的节点时,它很容易适应。这是通过实验验证,结合经验公式 ,本文选择10个隐层节点。BP网络停止模型训练和学习训练误差满足给定的需求。训练曲线如图11。

神经网络训练的拟合程度曲线如图12。通过观察、神经网络的拟合程度很高,训练和测试的拟合程度是超过0.9,拟合程度的验证也是0.88。因此,BP神经网络可以准确地诊断和识别故障。

6.4。硬件在环仿真测试

因为实际的微型智能电网"系统是建立在户外,在自然条件不好,系统结构复杂,包括大量的电力电子设备负载单元、电压水平高和危险的。然而,传统的电子实验室建设具有较高的建设成本和网站的需求。很难模拟和研究一些特殊的条件,如故障考虑安全性和设备维护。因此,硬件在回路仿真技术应用于实验环境是基于实验室的现有设备和条件。硬件在环仿真平台由硬件和StarSim PXI边境和StarSim RCP Yuankuan能源开发的软件实现微型智能电网"故障识别和诊断。循环中的硬件平台如图13系统框架如图14微型智能电网"界面如图15。

6.5。故障诊断和识别

微型智能电网"测试样本的多源特征向量带入训练BP神经网络诊断和识别故障类型和阶段。测试样本的实际输出信号与期望的输出信号。一些测试样品和他们的故障诊断结果如表所示2。

基于大数据分析的BP神经网络方法提取并提取故障的特征数据,并加强了异构数据的时空相关性实现故障类型和阶段的预测。同时,基于大数据的BP神经网络方法获得准确的数据信息通过构建许多无形的模型和执行大量数据分析和培训。从表可以看出2训练的BP神经网络模型可以准确、有效地识别故障类型和故障阶段和实际输出和期望输出值之间的误差满足故障诊断的要求。试验结果表明,两个样品有50个样本之间的故障诊断;准确率达到96%,满足智能故障诊断的微型智能电网"线的要求。

7所示。结论

针对实时传输的特点,快速更新,和大规模的故障信息数据的微型智能电网",一个微型智能电网"故障诊断和分析技术提出了支持大数据。这种技术结合瑞利熵、小波包分解方法和BP神经网络来提取故障特征向量的微型智能电网"。基于大数据的BP神经网络方法加强异构数据的时空相关性实现故障类型和阶段的预测。基于大数据的BP神经网络方法获得准确的结果通过构建许多无形的模型和大量数据训练。实验结果表明,基于大数据的故障诊断和分析技术支持提出了96%的精度,完全满足工程实际应用的需要。然而,由于复杂的拓扑结构和许多故障类型的微型智能电网",只有五个线路故障类型被认为是。因此,在下一步中,技术方法提出了需要被应用到其他故障诊断验证技术方法的普遍性。

数据可用性

本研究的数据集用于支持这些发现可以从相应的作者。

的利益冲突

作者宣称没有利益冲突。

确认

这部分工作是由浙江省访问学者计划:理论和实践中的事件驱动控制微型智能电网" (FX2021069)。