智能电网中故障信号特征的分离采集

王文，王永刚

（1.国网浙江省电力公司信息通信分公司工程中心，浙江杭州 310000；2.沈阳农业大学信息与电气工程学院，辽宁沈阳 110866）

智能电网中故障信号特征的分离采集

王文1，王永刚2

（1.国网浙江省电力公司信息通信分公司工程中心，浙江杭州 310000；2.沈阳农业大学信息与电气工程学院，辽宁沈阳 110866）

传统的智能电网中故障信号特征的分离采集方法鲁棒性和节能性较强，但忽视了对信号清晰度和方法峭度的优化。为了解决该种问题，提出基于支持向量机和滤波优化技术的智能电网中故障信号特征分离采集方法。通过建立智能电网设备模型，获取智能电网中的故障信号，并使用支持向量机将非线性故障信号简化成线性空间特征，得到故障分离结果。采用滤波优化技术抑制故障分离结果中的噪音，获取最终的故障信号特征采集结果。经实验分析可得，所提方法具有良好的信号清晰度和峭度，较好地诠释了设计初衷。

智能电网；故障信号；特征；分离；采集

智能电网中设备较多，每个设备本身即为一个繁杂的系统，其故障信号的特征也具有多发性、不确定性和联系性，只有经由信息化手段才能对智能电网中的故障信号特征进行准确分离和采集[1]。考虑到智能电网是以鲁棒性和节能性为基础构建出来的，其故障信号特征的分离采集方法也应严格遵守这两点要求[2]。

传统方法对智能电网中故障信号特征分离采集时，具有较强的鲁棒性和节能性较强，往往忽视了对故障信号清晰度或方法峭度的优化。如文献[3]提出的盲信号分离采集方法，是一种在智能电网中故障信号的传播途径上对故障信号特征分离的方法，该方法侧重于进行信号分离，峭度较好，但对采集过程的设计方法缺陷较为明显；文献[4]基于数据驱动提出一种峭度优化能力较强的智能电网中故障信号特征分离采集方法，这种方法的提出时间不长，仍处于研究阶段，各项性能却很高，但目前实现难度较大；文献[5]采用自适应算法构建了智能电网的虚拟反馈网络，再经由传感器对分离出的故障信号特征进行采集，其信号清晰度和方法峭度均较好，但整体性能不稳定；文献[6]提出一种基于概率密度函数模型的智能电网中故障信号特征分离采集方法，这种方法的分离性能较强，因此信号清晰度极好，但峭度不好。

为了解决上述问题，在维持方法鲁棒性和节能性的前提下，基于支持向量机和滤波优化技术提出一种智能电网中故障信号特征分离采集方法。经实验分析可得，所提方法的信号清晰度和峭度均较好。

1 智能电网中故障信号特征的分离

1.1 智能电网中设备模型的建立

在智能电网中，故障是指设备无法根据自身原有功能完成被分配到的规范任务[7]。对设备情况的监控、判别和推断都是排除智能电网故障的有效方法，但这些方法最根本的目标都是将故障信号特征分离开来进行采集和分析。因此，对智能电网中故障信号特征的分离工作是重中之重，这标志着智能电网中鲁棒性和节能性这2种基础性能是否能够被实现。

建立稳定、节能的智能电网设备模型是实现故障信号特征分离的基础，能够有效加强所提智能电网中故障信号特征分离采集方法的信号清晰度以及峭度，符号设计初衷。因此，所提方法给出了如图1所示的智能电网设备模型，模型中涵盖了智能电网设备的基础信息、特征参量、标准工作参数以及环境气象状况。

图1 智能电网设备模型Fig.1 Model of the smart grid equipment

基础信息是指智能电网设备的出厂信息，通常包括其自身的型号、制造日期、使用周期、内部结构图纸和技术规范等，是设备的专有属性；特征参量是指能够衡量设备运转情况的评估项目，其分为额定和实际两种类型，包括电流、电压、热能、机械能等；标准工作参数是指设备运转最为稳定情况下的特征参量，标准工作参数并不是额定不变的，工作温度和压强、使用周期和操作是否符合标准均会影响到其具体数值；环境气象状况是指智能电网设备所处的工作环境和外界气象，环境气象状况是影响设备使用年限和工作能力的重要因素。

通过将智能电网设备的实际运行情况与上述模型给出的信息进行对比，能够较为容易地获取到智能电网中的故障信号，因此本文使用支持向量机对故障信号特征进行分离。

1.2 基于支持向量机的信号特征分离方法

支持向量机于1995年首次被提出，是一种建设于统计学和构造危害极小化理论基础上的线性分离方法，可使用为数不多的模型参考数据对模型的深层信息进行推测，并借助核函数将非线性问题简化成线性空间特征。这种方法运算简单并且分离精度较高，被广泛应用于各科研领域[8]。

支持向量机的结构与神经网络结构较为接近，但运算量要远远低于神经网络。如图2所示，支持向量机输出的分离函数f（x）是由大量间接节点构成的线性集合，每个间接节点均有不唯一的故障信号输入量，这些故障信号输入量是一种不可控增援向量，并且每个间接节点的计算过程均互不干扰，能够有效维护智能电网的鲁棒性。

图2 支持向量机分离结构图Fig.2 Structure diagram of the support vector machine

现根据支持向量机分离结构图对图1中给出的智能电网故障信号进行特征分离。将待分离的智能电网故障信号引入到二维向量坐标系中，其横坐标集合用X表示，X={x1，x2，…，xn}，纵坐标集合用Y表示，Y={y1，y2，…，yn}，n是两集合元素在坐标系中的维度。如果待分离智能电网故障信号的特征数量有m个，则其特征集合可表示为

智能电网故障信号特征的分离问题并非是简单线性关系，因此，支持向量机需要借助核函数对非线性分离进行转化。核函数对n维坐标系中故障信号特征的线性空间转化，也就是将特征集合T转化成线性可分的过程，在该过程中，如果横坐标集合X实现了线性可分，那么纵坐标集合Y也能够立刻进行转化[9-11]。因此，将横坐标集合X定义为核函数，用θ表示松弛因子，D表示惩戒参数，θ≥0，D＞0，有

式中：ω为X与Y之间元素的角度变量。

在支持向量机中，分离函数f（x）的实质就是当故障信号特征集合中各元素归于0时的极端解，在此引入动力学方程参数λ对分离函数f（x）进行约束。将λ设为检验集合T元素是否归0的权值，有

通常，在智能电网的实际应用中不会仅用到一台支持向量机，如果使用k台支持向量机同时进行故障信号特征分离，则需要将其中一台设为主机，剩余的k-1台支持向量机可使用式（4）进行特征分离，再将分离结果汇总于主机中，此时主机中的分离结果可用式（5）表示：

式（5）能够获取到k个故障信号特征分离结果，最终的结果是其中的最大值。基于支持向量机的智能电网中故障信号特征分离方法具有运算速率快、输出结果鲁棒性强，并且峭度较好的优点。

2 智能电网中故障信号特征的采集

所提出的智能电网中故障信号特征分离采集方法，使用滤波优化技术采集故障信号特征分离结果。滤波优化技术由降解滤波和小波分解共同融合而成，降解滤波可在故障信号特征分离结果上进行大局化最优结果锁定，增强采集智能电网中故障信号特征采集结果的鲁棒性[12-14]。小波分解则能够对分离结果中的噪音加以抑制，使所提方法获取到更为优异的信号清晰度，如图3所示。

由图3可知，将智能电网中的故障信号特征分离结果输入并获取滤波因子s（k），有

式中：ymax为集合Y中的最大值。

用户自行设定一个适应度阈值S，高于该值的s（k）将直接被复制并进入小波分解，低于阈值S的s（k）将与历史运算结果或标准预设结果进行对比，赋予其最优的正交分解数值，再进行小波分解。

图3 滤波优化技术采集流程图Fig.3 Flow chart of the filtering optimization technique

在小波分解中，将s（k）分解成2个正交标尺向量aj，k和小波向量bj，k：

若式（7）满足式（8）的约束，便可以实现对滤波因子的优化，如式（8）所示。

使用式（9）对式（5）给出的智能电网中故障信号特征分离结果进行滤波优化后，便能够获取到最终的故障信号特征采集结果。

3 智能电网中故障信号特征分离采集方法的实现

传统的智能电网故障信号特征分离采集方法以客户端-服务器端为软件实现结构，无法赋予方法较好的信号清晰度和峭度。在科技高速发展的当今社会，智能电网需要一种更高层次的软件结构来支撑方法的高端性能。为此，本文以一种5层结构对所提方法进行实现，如图4所示。这种结构以J2EE为基础，将客户端与服务器端之间加入业务逻辑端、表现端和访问端，为用户提供更多功能，包括可视化和数据共享。整个结构较比传统的软件结构运行更加稳定，并且扩展性能更强，对用户隐私数据的存储功能更加完善。

图4 智能电网故障信号特征分离采集方法软件实现结构图Fig.4 Structure diagram of intelligence power grid fault signal feature separation and collection software realization

智能电网故障信号特征分离采集方法的软件实现结构是方法能够进行合理开发、完善后期功能的体现，需要被重点对待。图4给出的软件实现结构能够对所提方法的功能进行内部实现，开发者只需进行数据接口接线，无需过多了解软件细节便可进行开发，实现较为简单，并且功能性更强。

4 实验分析

本文实验模拟出一个60 Hz、带宽45%、幅值为2的高斯脉冲信号，将其作为智能电网中的待提取的故障信号特征，对本文所提方法的信号清晰度和峭度的好坏进行分析。实验还将文献[3]和文献[6]中的方法设置成对照组，以使实验结果更为直观，便于分析。

4.1 信号清晰度分析

实验给出的模拟信号波形如图5所示，经3种方法实施故障信号特征分离和采集后的信号波形用图6、图7描述。图6中的特征分离结果显示，本文方法和文献[3]中的方法信号波形与图5中的较为相似，可继续进行信号清晰度评估。而文献[6]中方法的衰减程度较大，证明其无法合理实现特征分离，信号清晰度对该方法的评估意义不大；图7中的特征采集结果显示，本文方法的信号波形最为清晰，证明其能够对特征分离结果中的噪音进行有效消除。以上结果说明，本文方法拥有极好的信号清晰度。

图5 模拟信号初始波形图Fig.5 Initial waveform of the analog signal

图6 分离信号波形图Fig.6 Separating signal waveform

图7 采集信号波形图Fig.7 Waveform of the signal acquisition

4.2 峭度分析

在智能电网故障信号特征的分离采集方法中，峭度是评价信号特征分布属性的汇总值，也是方法整体性能的体现。峭度好的方法也拥有较好的收敛性和降噪鲁棒性，并且具有一定的节能效果。3种方法在实验时间推进下的峭度（单位为1）对比曲线如图7所示。

由图8可知，本文方法的峭度由5开始上升，于14 min后稳定于11.8，优于比其它两种方法，可证明本文方法拥有良好的峭度，可对设计初衷进行有力的诠释。

图8 方法峭度对比曲线图Fig.8 Comparison of kurtosis curve method

5 结论

本文在维持方法鲁棒性和节能性的前提下，基于支持向量机和滤波优化技术提出一种智能电网中故障信号特征分离采集方法。支持向量机可使用为数不多的模型参考数据对模型的深层信息进行推测，并借助核函数将非线性问题简化成线性空间特征。滤波优化技术则由降解滤波和小波分解共同融合而成。二者共同实现了本文的设计初衷，经实验分析可得，所提方法具有良好的信号清晰度和峭度。

[1]朱佰泽，卜庆凯.语音信号特征提取算法研究[J].现代电子技术，2016，39（4）:9-11.ZHU Baize，BU Qingkai.Algorithm for feature extraction of speech signal[J].Modern Electronics Technique，2016，39（4）:9-11（in Chinese）.

[2]王建波，邵文权，张艳丽，等.电压差特征引起电压暂降的故障类型识别[J].西安工程大学学报，2015，29（5）:617-622.WANG Jianbo，SHAO Wenquan，ZHANG Yanli，et al.A fault type detection scheme for voltage sag based on differential-voltage[J].Journal of Xi’an Polytechnic University，2015，29（5）:617-622（in Chinese）.

[3]梁先芽，沙云东，张强，等.基于复杂传递路径的发动机主轴轴承故障信号提取技术[J].沈阳航空航天大学学报，2014，31（6）:24-30.LIANG Xianya，SHA Yundong，ZHANG Qiang，et al.Fault information extraction of engine main shaft bearings based on complex transmission path[J].Journal of Shenyang AerospaceaceUniversity，2014，31（6）:24-30（in Chinese）.

[4]苗锋，赵荣珍，刘宏.基于自适应粒子群优化的非线性转子故障特征提取[J].兰州理工大学学报，2014，40（6）:35-39.MIAO Feng，ZHAO Rongzhen，LIU Hong.Extraction of fault characteristics from nonlinear rotor based on adaptive particle swarm optimization[J].Journal of Lanzhou University of Technology，2014，40（6）:35-39（in Chinese）.

[5]王元生，任兴民，邓旺群，等.基于ITD和DSS的旋转机械信号识别研究[J].机械科学与技术，2015，34（6）: 863-866.WANG Yuansheng，REN Xingmin，DENG Wangqun，et al.An efficient identification method of rotating machinery fault signals based on ITD and DSS[J].Mechanical Science and Technology for Aerospace Engineering，2015，34（6）: 863-866（in Chinese）.

[6]肖婷婷，高福斌，田小建.脉搏信号相干检测方法的实验研究[J].现代电子技术，2015，38（16）:118-121.XIAO Tingting，GAO Fubin，TIAN Xiaojian.Experimental research on coherent detection method for pulse signal[J].Modern Electronics Technique，2015，38（16）:118-121（in Chinese）.

[7]孔佑炳，郭瑜，伍星.基于EEMD的混合陶瓷球轴承故障双冲击特征提取[J].振动与冲击，2016，35（1）:17-22.KONG Youbing，GUO Yu，WU Xing.Double-impulse feature extraction of faulty hybrid ceramic bah bearings based on EEMD[J].Journal of Vibration and Shock，2016，35（1）:17-22（in Chinese）.

[8]唐贵基，邓飞跃.基于改进谐波小波包分解的滚动轴承复合故障特征分离方法[J].仪器仪表学报，2015，36（1）:143-151.TANG Guiji，DENG Feiyue.Compound fault features separation method of rolling element bearing based on improved harmonic wavelet packet decomposition[J].Chinese Journal of Scientific Instrument，2015，36（1）: 143-151（in Chinese）.

[9]余先勇，李晓明.海量故障录波数据轻型传输机制研究[J].华东电力，2014，42（6）:1129-1133.YU Xianyong，LI Xiaoming.Lightweight transmission mechanism of massive fault recording data[J].East China Electric Power，2014，42（6）:1129-1133（in Chinese）.

[10]施微，黄磊，徐箭，等.基于有限同步量测数据的电力系统故障检测、辨识与定位[J].电网技术，2015，39（4）:1067-1074.SHI Wei，HUANG Lei，XU Jian，et al.Fault detection，identification and location based on measurement data from finite synchronized phasor measurement[J].Power System Technology，2015，39（4）:1067-1074（in Chinese）.

[11]朱城香，杨俊华，陈思哲，等.智能电网背景下基于人工智能理论的需求响应技术[J].陕西电力，2015，43（7）:63-69.ZHU Chengxiang，YANG Junhua，CHEN Sizhe，et al.Demand response technologies based on artificial intelligence theories in smart grid[J].Shaanxi Electric Power，2015，43（7）:63-69（in Chinese）.

[12]饶尧，邱泽晶，彭旭东，等.基于层次分析法的电网能效影响因子分析研究[J].节能技术，2014，32（1）:51-54.RAO Yao，QIU Zejing，PENG Xudong，et al.Analysis of grid energy efficiency factors based on analytic hierarchy process[J].Energy Conservation Technology，2014，32（1）: 51-54（in Chinese）.

[13]胡雯，孙云莲，王定美.基于运行状态评估的智能配电网自愈控制方案研究[J].陕西电力，2013，41（6）:35-38.HU Wen，SUN Yunlian，WANG Dingmei.Self-healing control in smart distribution grid based on operation state evaluation[J].Shaanxi Electric Power，2013，41（6）：35-38（in Chinese）.

[14]胡琥，李亚莉，田昕.嵌入式电力能耗检测系统的开发与调试[J].节能技术，2012，30（5）:422-423.HU Hu，LI Yali，TIAN Xin.Embedded power energysaving detection system development and debugging[J].Energy Conservation Technology，2012，30（5）:422-423（in Chinese）.

（编辑 徐花荣）

Separation and Acquisition of Fault Signal Characteristics in Smart Grid

WANG Wen1，WANG Yonggang2
（1.Engineering Center of Information and Communications Branch，State Grid Zhejiang Electric Power Company，Hangzhou 310000，Zhejiang，China；2.School of Information and Electronic Engineering，Shenyang Agricultural University，Shenyang 110866，Liaoning，China）

The traditional method for separation and acquisition of fault signal characteristics in the smart grid has strong robustness and good effect of energy-saving，but it ignores the optimization of the signal definition and method of kurtosis.To solve this problem，this paper proposes a new method based on support vector machine and filter optimization technique.To obtain the fault signal，a smart grid equipment model is established and the support vector machine is used to simplify the nonlinear fault signal into a linear space feature and get the result of fault separation.The filtering optimization technique is used to suppress the noise in the result of fault separation and obtain the final result of the fault signal feature acquisition.The experimental analysis suggests that the proposed method has good signal clarity and kurtosis，a better interpretation of the original design.

smart grid；fault signal；characteristic；separation；acquisition

2016-07-18。

王 文（1985—），男，本科，工程师，项目经理，主要从事信息化项目管理工作；

王永刚（1977—），男，博士，讲师，研究方向为电气工程。

浙江省科技厅2015年度科研项目（课题编号：15ZJSS1024）；国家自然科学基金（61673281）。

Project Supported by Scientific Research Program 2015 of the Science and Technology DepartmentofZhejiang Province（No.15ZJSS1024）；the National Natural Science Foundation of China（61673281）.

1674-3814（2016）11-0069-05

TP14

A