霍洪双，潘伟鹏，姜雪菲
（潍坊工程职业学院，山东 潍坊 262500）
近年来，许多国内外学者提出了多种用于高压输电线路故障诊断的智能方法。但是大部分的研究集中在对特征提取算法和智能分类算法进行多种组合来实现故障的定位与分类[1-2]。智能诊断方法一般包括信号提取、信号处理和故障识别与定位三部分，但相对而言，信号提取过程对故障诊断的速度与精度产生影响较大。现有文献中常用到的特征提取算法有S变换[3-4]、经验模态分解[5]和小波变换[6-7]等。S变换为一种时频分析法，它的优点是频率分辨率高，有良好的特征表现，但计算过于复杂，耗时较长。经验模态分解则具有较好的自适应性，常用于对高采样率的故障暂态信号分析，但计算过程中会产生虚假模态及模态混叠现象，对故障诊断效果产生不良影响。而小波变换作为一种提取信号暂态特征的有力工具，也被广泛用于故障诊断中，但其变换后得到的系数矩阵，数据量较大，如果直接用来作为故障特征，不利于线路故障的识别与定位。可以看出，上述特征提取算法都要经过数学上复杂的变换与计算，这将在故障诊断过程中耗费较长时间，进而造成故障分类与定位的速度过慢，同时，故障诊断所使用的特征是经过特征提取算法进行转化后的特征，因而也会降低故障分类与定位的精度，因此，在提高输电线故障诊断的速度与精度方面，受到了越来越多学者的关注[8-9]。
本系统设计的优点为：当高压输电线路发生故障时，不再需要任何特征提取算法对故障信息进行特征提取，而是通过采集到的三相电压或电流故障信号振幅，经过简单滤波及截取来作为故障特征信息，然后再结合智能分类算法对故障进行分类与定位，这有助于故障的快速排除，节省恢复供电时间，对电网安全稳定运行具有重要意义。
以电压等级为220 kV，故障初始角为0°，过渡电阻为10 Ω时的三相故障电压和电流信号为例进行分析。根据建立的故障数据库，通过Matlab仿真得到10种短路故障所对应的故障电压和电流波形如图1所示。
图1 10种短路故障的波形图
由图1的故障波形图可以看出，在故障发生前后，对于三相电压信号和电流信号，它们的振幅都发生了显著的变化，尤其是三相电流信号。故障发生时，故障相的电流振幅突然变大，远远超出故障发生之前的正常值，而故障相的电压振幅却突然减小，比如，BG故障时，B相电流振幅突然变大，B相电压振幅却有所减小，而对于A、C两相信号几乎没有变化，其他故障同理。因此，可以将系统故障发生前后三相信号振幅的显著变化作为10种短路故障的特征信息，用以故障的定位与分类识别。
根据故障信号分析，提出本文故障诊断系统。该系统由信号采集模块、信号处理模块、故障分类模块、故障信号提取模块、故障信号处理模块和故障定位模块组成，如图2所示。其中，信号采集模块为信号采集传感器，采用普通信号采集器或高速信号采集器；
信号处理模块为信号整形处理，包括滤波模块和截取模块；
故障分类模块为智能故障分类器，采用可数据分类的通用计算机、DSP数据处理系统、嵌入式数字处理系统或基于FPGA的专用数据处理系统的硬件平台；
故障相信号提取模块为信号采集传感器，采用普通信号采集器或高速信号采集器；
故障相信号处理模块为信号整形处理，主要为滤波模块，所采用的滤波装置为低通滤波器或带通滤波器；
故障定位模块为故障定位运算器，采用通用计算机、DSP数据处理系统、嵌入式数字处理系统或基于FPGA的专用数据处理系统为硬件平台。各模块之间通过无干扰线相连接，进行数据通信。
图2 故障诊断系统
该故障诊断系统根据信号采集的种类不同，分为电压模式和电流模式两种诊断模式。这两种诊断模式单独工作，对系统的训练必须进行诊断模式设定后方可进行。
3.1 电压模式
当高压输电线路发生故障时，电压采集模块迅速采集三相故障信息，然后将故障信息传给滤波模块，滤除噪声信号，得到有效故障电压振幅。滤波模块再将有效故障电压振幅传给故障截取模块，进行半周波的截取，并将截取的半周波故障信号输入到故障分类模块，应用人工神经网络、决策树、遗传算法、朴素贝叶斯、Logistic回归和支持向量机等智能分类器[10]对故障振幅进行训练。训练结束后，故障分类模块可根据故障振幅快速准确地识别出故障类型。故障分类模块将得到的故障类型传到故障相电压提取模块，根据故障类型，迅速提取相应故障相电压振幅数据，然后将提取的故障相电压振幅数据传到故障相电压处理模块，进行整形滤波，滤除噪声信号得到有效故障相电压振幅数据。故障相电压处理模块再将有效故障电压振幅数据传给故障定位模块，应用人工神经网络、决策树、遗传算法、朴素贝叶斯、Logistic回归和支持向量机等智能分类器[11]对故障相电压振幅进行训练。训练结束后，故障定位模块便可根据故障相电压振幅数据快速准确地识别出故障位置。电压模式故障诊断过程，如图3所示。
图3 电压模式故障诊断
3.2 电流模式
电流模式故障诊断与电压模式方法类似，只不过在电流模式诊断中，采集的信号为电流振幅。电流模式故障诊断过程，如图4所示。
图4 电流模式故障诊断
本文设计系统在故障诊断过程中，不再采用任何特征提取算法对故障信息进行故障特征的提取，而是直接使用故障信号振幅作为故障信号特征，由于省去了这一过程，因此故障诊断速度会有较大提升。同时，因为故障信息特征更为直接，故障诊断的精度也会进一步提高。另外，在截取模块对故障信号的截取长度也影响着故障诊断的速度与精度，力求在故障诊断精度满足实际要求的前提下，截取更短故障信号，这样故障特征数据更少，诊断速度会更快。
猜你喜欢振幅特征提取故障诊断基于包络解调原理的低转速滚动轴承故障诊断一重技术(2021年5期)2022-01-18基于Gazebo仿真环境的ORB特征提取与比对的研究电子制作(2019年15期)2019-08-27基于Daubechies(dbN)的飞行器音频特征提取电子制作(2018年19期)2018-11-14数控机床电气系统的故障诊断与维修电子制作(2018年10期)2018-08-04Bagging RCSP脑电特征提取算法自动化学报(2017年11期)2017-04-04十大涨跌幅、换手、振幅、资金流向股市动态分析(2016年24期)2017-01-07十大涨跌幅、换手、振幅、资金流向股市动态分析(2016年23期)2016-12-27十大涨跌幅、换手、振幅、资金流向股市动态分析(2016年4期)2016-09-29沪市十大振幅股市动态分析(2016年25期)2016-07-23因果图定性分析法及其在故障诊断中的应用重庆工商大学学报（自然科学版）(2015年10期)2015-12-28