基于小波网络的配电网空间数据库故障诊断方法

田园，黄其兵

（1. 云南电网有限责任公司信息中心，昆明 650217；2. 云南电网有限责任公司，昆明 650011）

0 前言

随着配电网中电源、负荷和储能等数据的不断增大，需要构建配电网空间数据库，实现对电力网络以及电力用户的相关信息智能化管理，研究配电网空间数据库的故障诊断模型，结合对配电网的电能质量分析，构建配电网的空间规划设计模型，提高配电网的运行控制能力[1]。配电网的空间数据库运行状态直接影响了配电网的运行效率和输配电质量，为了提高配电网的电能质量，需要进行配电网空间数据库的规划设计，采用智能故障分析和诊断技术，实现对配电网空间数据库的故障智能诊断分析，结合对配电网的规划设计、运行控制和拓扑结构，提高配电网空间数据库的运行稳定性，相关的配电网空间数据库故障智能诊断方法研究具有重要应用价值[2]。

对配电网空间数据库的故障智能诊断是建立在对故障数据分类检测和特征分析基础上，提取配电网空间数据库网络故障数据的关联特征量，采用抗干扰的滤波检测方法，进行配电网空间数据库的故障智能诊断识别[3-5]，采用机器学习、专家系统等方法，进行故障的智能化诊断，但传统方法进行配电网空间数据库故障诊断的模糊度较大，智能性不好[6]。针对上述问题，本文提出基于小波网络的配电网空间数据库故障诊断方法。构建配电网空间数据库的分布模型，采用高维特征分解方法进行配电网空间数据库的特征分解，结合小波网络学习方法进行配电网空间数据库故障状态特征提取，根据故障特征的聚类性进行配电网络空间数据库的结构重组和故障特性辨识，结合模糊统计分析方法，实现对配电网空间数据库的故障智能诊断。最后进行仿真实验分析，展示了本文方法在提高配电网空间数据库故障诊断能力方面的优越性能。

1 配电网空间数据库及特征集构造

1.1 配电网空间数据库构建

为了实现配电网空间数据库故障诊断和数据分类，利用模糊粗糙集聚类方法构建配电网空间数据库分布式检测模型，结合对配电网空间数据库的拓扑结构分析，进行空间数据库建模，提取配电网空间数据库的统计特征量，采用模糊关联分析方法进行故障诊断模型设计，采用最近邻点分布式检测方法，进行配电网空间数据库的优先分布式特征挖掘和数据聚类处理，结合分布式拓扑分析方法进行配电网空间数据库故障检测和大数据挖掘[7]，根据上述分析，构建配电网空间数据库的拓扑结构模型如图1 所示。

图1 配电网空间数据库结构模型

根据图1 所示的拓扑结构模型，采用自适应的关联规则调度方法进行配电网空间数据库故障检测和信息分类识别，提取配电网空间数据库的关联规则集，采用期望频繁项（EFI）与概率频繁项（PFI）融合分析方法[8]，得到配电网空间数据库的模糊聚类函数为：

其中，xj(t)表示取配电网空间数据库特征量化分布集D 中的模糊信息熵，描述了在第j 个配电网空间数据库调度中心的样本子集，lj(t)表示在取配电网空间数据库的故障样本在第t 代学习的样本集，计算配电网空间数据库故障数据在第j 个聚类中心的输出标签属性。采用直流配电网的电压暂降特征检测方法分析配电网空间数据库故障特征量，结合电网谐波、不平衡等因素进行数据分类，采用标量序列分析方法得到配电网空间数据库的存储样本模型为：

其中，m，n 分别是配电网空间数据库采样节点和故障检测点数，设D 为配电网空间数据库的不确定信息分量，Ti为配电网空间数据库的分类元素，对海量配电网空间数据库样本数据进行自适应分类，得到统计分布概率为pi，采用直流母线电压检测方法，配电电能质量分布为：

1.2 配电网空间数据库的特征量化分解

在上述构建了配电网空间数据库模型的基础上，以少量的样本类别数据为测试集，采用层次聚类方法对配电网空间数据库故障样本进行量化分解，根据配电网暂态不平衡和稳态不平衡性，构建两极负荷均衡分配模型[10]，在模糊层次聚类中心中，配电网空间数据库的数据码元元素t的期望支持度esup(D)大于阈值θ，则称配电网空间数据库故障样本为一个频繁项，即，满足约束条件的所有配电网空间数据库故障数据的聚敛特征满足：

在高维特征空间中，对配电网空间数据库的直流数据进行自适应调制，若具体序列分级及相关故障类别元素t满足谐波调度集，则配电网空间数据库的频繁项满足：

其中，δ为电压偏差与稳态电压不平衡耦合特征系数，PW为直流电压中的交流成分的峰峰值，minsup为超高次谐波，即元素t出现的最少次数，Ct(ω)表示以ω为统计特征量的中压配电等级，在直流电压谐波中进行样本子集规划，计算配电网空间数据库故障元素t出现的次数。根据母线电压中的交流分量的分布特征进行排序，采用小波网络学习方法确定阈值δ，再随机找到一个点，进行高压直流输电的故障数据库分析，重复上述步骤，考虑到直流系统稳态运行能力，确定空间数据库的故障样本元素t在整个实例集中的统计特征量[11]，得到配电网空间数据库故障特征聚簇中心点输出为：

2 数据库故障诊断优化

2.1 故障特征提取

在上述构建配电网空间数据库的分布模型，采用高维特征分解方法进行配电网空间数据库的特征量化分解的基础上，进行数据库故障诊断分析，本文提出基于小波网络的配电网空间数据库故障诊断方法。引入配电网空间数据库故障发生概率和故障数据聚类频次的概念[12]，用它来表示配电网空间数据样本元素t在配电网空间数据库故障样本特征出现不同频次的概率，记为supt(D)，则配电网空间数据库故障检测可以通过不同频段的电能迭代方式进行特征分布式调度，得到故障检测的统计特征量可以转化为：

其中numt(D)为配电网空间数据库故障大数据的类间聚类特征集，在元素t中，配电网空间数据库故障样本分布概念集的最大迭代次数可以通过supt(D)计算得到，结合小波网络学习方法进行配电网空间数据库故障状态特征提取，采用分段检验方法[13]，得到故障特征提取的计算公式为：

其中，pi为第i个配电网空间数据库故障样本集出现在判决区域K 中的概率，pt i,j为前i个配电网空间数据库故障大数据分类属性元组的统计平均值。计算反映直流系统稳态运行的特征量，配电网空间数据库故障检测的模糊学习迭代式为：

其中：β表示直流配电网不同频段的关联特征量，直流输电系统直流侧谐波元素t在第i个元素上出现，即前i-1 个故障数据分类属性满足收敛条件，以少量的样本类别数据为测试集，采用小波网络学习方法，进行配电网空间数据库的故障诊断分析[14]。

2.2 小波网络学习及故障诊断输出

分析直流配电网不同频段的抽样特征序列，提取配电网空间数据库的关联特征量，使用一个四元组结构来描述配电网空间数据库故障大数据的小波多尺度分解的统计特征量，表示为：其中，Xij为配电网空间数据库故障样本数据在Tij时刻中出现的频次，分析第j次谐波分量元素，用Pij表示为配电网空间数据库的输出样本训练集的最优概率，为系统稳定前提数据聚类中心扰动概率分布值，为当前窗口元素出现故障的配电网空间数据库大数据频繁项。采小波网络学习算法，进行配电网空间数据库的故障大数据检测[15]，得到配电网空间数据库故障诊断的学习迭代式为：

DPSWF 算法：

输入：配电网空间数据库故障样本数据的不确定特征序列流DS，配电网空间数据库故障样本数据的关联规则分布集minsup，模糊统计特征量δ，配电网空间数据库故障大数据采样的窗口长度W；

输出：配电网空间数据库故障诊断的频繁项集合D。

1）初始化配电网空间数据库的故障特征分类系数SWF=null，D=null，Pij=0，supki(ω)=0；

2）forXij，随机找到直流电压波动点，得到配电网空间数据库故障数据的聚簇中心点；

3）按照网络中各个节点电压大小的分布情况得到故障交叉概率Pij；

4）if（当前窗口未满），采用采用与电网工频相对应的方式进行故障特征重组；

5）更新当前窗口所含配电网空间数据库的样本集，计算配网中微源功率变化，得到随机概率分布值supki(ω)；

6）小波网络学习方法进行配电网空间数据库故障状态特征提取，计算统计特征分布样本集，结合电网工频的统计特征分析方法，得到输出的配电网空间数据样本集为

7）ifQ≥δ

8）将电流谐波含量加入频繁项集合D，进行样本统计分析，得到配电网空间数据库的故障检测输出结果；

9）else

10）进行样本回归分析，实现配电网的空间数据库故障诊断，输出诊断量化值SWF；

11）end

3 仿真实验与结果分析

在进行配电网空间数据库的故障诊断实验中，设定故障样本集的采样序列数为2000，特征分布集为120，各次谐波叠加的统计特征分布集规模为300，配电网的输出电压偏差为20%，根据上述仿真参量设定，进行配电网空间数据库故障诊断分析，得到配电网空间数据库分布集如图2 所示。

图2 配电网空间数据库分布集

以图2 的故障分布集为测试对象，进行故障样本分布式检测，得到结果如图3 所示。

图3 故障样本分布

分析图3 得知，采用本文方法能有效实现对配电网空间数据库的故障诊断，故障的分辨能力较好，提高了配电网空间数据库的稳定性。

4 结束语

研究配电网空间数据库的故障诊断模型，结合对配电网的电能质量分析，构建配电网的空间规划设计模型，提高配电网的运行控制能力，本文提出基于小波网络的配电网空间数据库故障诊断方法。构建配电网空间数据库的分布模型，采用直流配电网的电压暂降特征检测方法分析配电网空间数据库故障特征量，结合电网谐波、不平衡等因素进行数据分类，采用标量序列分析方法得到配电网空间数据库的存储样本模型，采用小波网络分析方法进行故障检测。研究得知，本文方法进行配电网空间数据库故障诊断的准确性较好，分辨能力较强，具有很好的数据库诊断分析能力。