本發明屬于輸電線路周工的故障檢測領域，更具體地，涉及一種基于多時間尺度變換的早期故障電壓電流識別方法及系統。

背景技術：

1、

2、針對電纜-架空線混合多分支線路，線路存在的過電壓來源于多個方面，包括電纜系統早期故障、電纜系統永久故障、架空線雷電過電壓、負荷波動、斷路器操作帶來的操作過電壓等。其中，電纜系統的早期故障是電纜永久性故障的重要前兆。電纜系統的早期故障指電纜或附件發生單次擊穿至系統繼電保護動作前的多次重復性放電故障，在早期故障期間其放電通道可能會發生局部放電乃至間歇性的電弧放電現象，該過程存在放電熄滅或放電持續時間較長的情況。由于其放電時間通常從幾分之一周期到四個周期不等，繼電保護設備尚不能做出相應動作，現有監測方法常出現難以捕獲信號或將早期故障誤判為其他暫態現象的問題。

3、對于早期故障預警方法，目前雖已有采用卷積神經網絡、基于注意力機制的混合神經網絡以及基于周期時間序列的早期故障預測方法來識別線路中的早期故障，但基于卷積神經網絡的方法進行早期故障細節捕捉，需要大量樣本數據集和訓練集，對于早期故障的典型特性缺少初步識別方法，通過多頭注意力機制對混合神經網絡的輸出特征進行融合分類，對于早期故障的不同時間尺度缺少分離方法，搭建基于周期時間序列的配電網早期故障預測網絡模型，嚴重依賴數據集的準確性和樣本的豐富性。

技術實現思路

1、為解決現有技術中存在的不足，本發明提供一種早期故障電壓電流識別方法，該方法可以基于多尺度變換研究早期故障的發展過程識別。

2、本發明采用如下的技術方案。本發明第一方面提供一種基于多時間尺度變換的早期故障電壓電流識別方法，所述方法包括以下步驟：

3、步驟1：根據線路拓撲信息，采集線路的供電電壓波形和電流波形；

4、步驟2：基于步驟1采集到的供電電壓波形，對供電電壓波形進行濾波以計算多個參數，根據多個參數，判斷供電電壓波形是否滿足早期故障條件；

5、步驟3：判斷供電電壓波形滿足早期故障條件后，對電流波形進行多尺度小波變換，以提取電流的高頻信息和低頻信息特征；

6、步驟4：將步驟3得到的電流的高頻信息、電流的低頻信息和含有早期故障嚴重程度的電流采樣樣本輸入神經網絡模型訓練，得到訓練后的神經網絡模型；

7、步驟5：基于步驟4得到的訓練后的神經網絡模型對實時采樣目標線路的電流波形的能量分布特征高頻細節系數以及低頻近似系數進行識別，確定目標線路的早期故障嚴重程度，得到早期故障的識別結果。

8、優選地，多個參數包括時間窗口的瞬時電壓能量值，計算時間窗口的瞬時電壓能量值，包括：采用帶通濾波器對供電電壓波形進行濾波，并對濾波后的供電電壓波形劃分為左時間窗口和右時間窗口，計算左時間窗口和右時間窗口的瞬時電壓能量值，瞬時能量值的計算公式如下：

9、

10、式中，

11、el(k)為第k個時間周期中左時間窗的瞬時電壓能量值，

12、er(k)為第k個時間周期中右時間窗的瞬時電壓能量值，

13、ul，k(j)為第k個時間周期中左時間窗中第j次電壓的采樣值，

14、ur，k(j)為第k個時間周期中右時間窗中第j次電壓的采樣值，

15、n1表示采樣數。

16、優選地，多個參數還包括相鄰時間周期的左右側時間窗口的能量差值，計算相鄰時間周期的左右側時間窗口的能量差值，包括：

17、采用如下公式計算相鄰時間周期的左側時間窗口和右側時間窗口的能量差值：

18、

19、式中，

20、δel(k)為相鄰時間周期的左側時間窗口的能量差值，

21、δer(k)為相鄰時間周期的右側時間窗口的能量差值。

22、優選地，多個參數還包括同一時間周期的左側時間窗口與右側時間窗口之間的能量差值，計算同一時間周期的左側時間窗口與右側時間窗口之間的能量差值，包括：

23、采用如下公式計算同一時間周期的左側時間窗口與右側時間窗口之間的能量差值：

24、δelr(k)＝|el(k)-er(k)|???(3)

25、式中，

26、δelr(k)為同一時間周期的左側時間窗口與右側時間窗口之間的能量差值。

27、優選地，根據多個參數，判斷供電電壓波形是否滿足早期故障條件，包括：當時間窗口的瞬時電壓能量值大于設定閾值、相鄰時間周期的左側時間窗口和右側時間窗口的能量差值大于設定閾值、同一時間周期的左側時間窗口與右側時間窗口之間的能量差值大于設定閾值時，表征供電電壓波形對早期故障條件同時滿足，且將早期故障計數器計次加1，持續采集供電電壓波形，并重復判斷供電電壓波形對早期故障條件是否同時滿足，當計數器達到n次時，進行下一步。

28、優選地，時間窗口的瞬時電壓能量值大于設定閾值包括左時間窗的瞬時能量值瞬時電壓能量值el(k)大于設定閾值ε1和右時間窗的瞬時能量值瞬時電壓能量值er(k)大于設定閾值ε2，以如下公式表示：

29、

30、式中，

31、ε1為所有采樣序列的平均左側時間窗口能量，

32、ε2為所有采樣序列的平均右側時間窗口能量，以如下公式表示：

33、

34、式中，

35、n表示采樣序列的數量，

36、eli表示第i個采樣序列的左側時間窗口信號能量，

37、eri表示第i個采樣序列的右側時間窗口信號能量，

38、η1、η2為裕度系數。

39、優選地，相鄰時間周期的左側時間窗口和右側時間窗口的能量差值于設定閾值，包括相鄰時間周期的左側時間窗口的能量差值大于設定閾值ε3和相鄰時間周期的右側時間窗口的能量差值大于設定閾值ε4，以如下公式表示：

40、

41、式中，

42、ε3為相鄰采樣序列的左側時間窗口能量平均差值，

43、ε4為相鄰采樣序列的右側時間窗口能量平均差值，以如下公式表示：

44、

45、式中，

46、n為采樣序列的數量，

47、eli為第i個采樣序列的左側時間窗口信號能量，

48、el(i-1)為第i-1個采樣序列的左側時間窗口信號能量，

49、eri為第i個采樣序列的右側時間窗口信號能量，

50、er(i-1)為第i-1個采樣序列的右側時間窗口信號能量，

51、113、114為裕度系數。

52、優選地，采用同一時間周期的左側時間窗口和右側時間窗口之間的能量差值大于設定閾值ε5，以如下公式表示：

53、δelr(k)＞ε5???(8)

54、式中，

55、ε5為同一采樣序列的左側時間窗口能量和右側時間窗口能量的平均差值，以如下公式表示：

56、

57、式中，

58、n表示采樣序列的數量，

59、eli表示第i個采樣序列的左側時間窗口信號能量，

60、eri表示第i個采樣序列的右側時間窗口信號能量，

61、η5為裕度系數。

62、優選地，對電流波形進行多尺度小波變換，包括：

63、利用離散小波變換將電流波形不斷分解，得到k層小波變換，第i層小波變換的低頻分量cai的第m個的低頻近似系數ai[m]和第i層小波變換的高頻分量cdi的第m個高頻細節系數di[m]，以如下公式表示：

64、

65、其中，

66、k表示小波變換的層數，

67、h1[k0]表示濾波器長度為k0時的低通濾波系數，

68、h0[k0]表示濾波器長度為k0時的高通濾波系數。

69、優選地，將電流的高頻信息和低頻信息劃分測試集和數據集，給出含有早期故障嚴重程度的電流采樣樣本，在bp神經網絡中進行自適應學習，設定訓練結束的條件為訓練集的最大誤差小于0.05，訓練結束后得到用于判斷早期故障嚴重程度的神經網絡模型。

70、本發明第二方面提供了一種基于多尺度變換的早期故障的電壓電流識別系統，用于運行第一方面所述的一種基于多尺度變換的早期故障的電壓電流識別方法，包括，

71、采集模塊：用于根據線路拓撲信息，采集線路的供電電壓波形和電流波形；

72、判斷模塊：用于對供電電壓波形進行濾波以計算多個參數，判斷供電電壓波形是否滿足早期故障條件；

73、提取模塊：用于判斷供電電壓波形滿足早期故障條件后，對電流波形進行多尺度小波變換，以提取電流的高頻信息和低頻信息特征；

74、訓練模塊：用于將電流的高頻信息、電流的低頻信息和含有早期故障嚴重程度的電流采樣樣本輸入神經網絡模型訓練，得到訓練后的神經網絡模型；

75、識別模塊：用于根據訓練后的神經網絡模型對實時采樣目標線路的電流波形的能量分布特征高頻細節系數以及低頻近似系數進行識別，確定目標線路的早期故障嚴重程度，得到早期故障的識別結果。

76、一種計算機設備，包括：一個或多個處理器；

77、所述處理器，用于存儲一個或多個程序；

78、當所述一個或多個程序被所述一個或多個處理器執行時，實現所述的一種基于多尺度變換的早期故障的電壓電流識別方法。

79、一種計算機可讀存儲介質，其特征在于，其上存有計算機程序，所述計算機程序被執行時，實現所述的一種基于多尺度變換的早期故障的電壓電流識別方法。本發明的有益效果在于，與現有技術相比，該方法對于電纜的電壓電流波形序列數據進行綜合分析后，可以基于相鄰電壓周期的左側和右側時間窗的瞬時能量差值和同一電壓周期的左右側時間窗口能量差值，作為早期電弧故障的初步判斷依據進行早期故障的初步判斷，利用瞬時電壓能量值特征和多尺度變換分離早期故障發生后的低頻信息特征和高頻信息特征，在樣本數據集豐富性欠缺時，仍可以依據早期故障波形的典型特征進行分類識別，便于后續依據不同頻帶的典型特征進行分類識別；在較大干擾程度以及小樣本的情況下，仍可以較高準確率實現早期故障的初步判斷。針對早期電弧故障在不同發展階段具有的不同時間尺度特征，本發明基于電弧發展機理提取電弧的多種時間尺度特征，增加了早期電弧故障信號的檢測依據，降低了受到干擾造成的誤報的可能性，可以實現對復雜環境的含有多種干擾因素的早期故障進行相關參數的監測，幫助系統運營人員更全面地了解電纜的運行質量狀況，并及時采取相應的措施進行優化。