本發(fā)明涉及電力系統(tǒng)故障檢測，尤其涉及基于線電壓幅值變化量的油田井場配電網(wǎng)故障判斷方法。

背景技術(shù)：

1、在油田井場的配電網(wǎng)系統(tǒng)中，電力的穩(wěn)定供應(yīng)是保障井場正常運(yùn)作的關(guān)鍵因素。隨著油田開發(fā)的不斷深入，井場數(shù)量和規(guī)模的增加導(dǎo)致了配電網(wǎng)結(jié)構(gòu)的日益復(fù)雜化。這些井場通常分布在廣泛的地理區(qū)域內(nèi)，工作環(huán)境惡劣，配電網(wǎng)的電力負(fù)荷也因生產(chǎn)活動(dòng)的變化而頻繁波動(dòng)。在這種情況下，電力系統(tǒng)的故障檢測與定位面臨著巨大的挑戰(zhàn)。傳統(tǒng)的故障檢測方法多依賴于固定閾值或簡單的報(bào)警策略，難以應(yīng)對復(fù)雜環(huán)境和負(fù)荷波動(dòng)帶來的問題，這使得油田井場的配電網(wǎng)故障檢測靈敏度和準(zhǔn)確性嚴(yán)重不足。

2、現(xiàn)有的油田井場配電網(wǎng)故障檢測技術(shù)主要基于如下幾種方法：一是通過定時(shí)巡檢與人工監(jiān)控的方式，發(fā)現(xiàn)異常情況。這種方法依賴于操作人員的經(jīng)驗(yàn)，反應(yīng)速度較慢且準(zhǔn)確性難以保證，尤其是在井場分布廣泛、地理?xiàng)l件復(fù)雜的情況下，更是難以實(shí)現(xiàn)及時(shí)有效的故障排查。二是通過安裝斷路器和保護(hù)裝置實(shí)現(xiàn)過流、過壓等常見故障的自動(dòng)斷開和報(bào)警。這種方法盡管能夠應(yīng)對一些簡單的故障，但在面對因負(fù)荷波動(dòng)或環(huán)境變化引起的非典型故障時(shí)，往往難以做出準(zhǔn)確的判斷。此外，這類裝置通常只能在故障發(fā)生后進(jìn)行被動(dòng)響應(yīng)，缺乏故障的預(yù)判能力，無法提前進(jìn)行預(yù)防性維護(hù)。

3、為了提高故障檢測的自動(dòng)化水平，近年來一些研究引入了智能監(jiān)控系統(tǒng)和數(shù)據(jù)分析技術(shù)。例如，利用scada（數(shù)據(jù)采集與監(jiān)控系統(tǒng)）對井場的運(yùn)行狀態(tài)進(jìn)行實(shí)時(shí)監(jiān)控，并結(jié)合歷史數(shù)據(jù)進(jìn)行故障分析。然而，這些系統(tǒng)大多采用固定的閾值或簡單的統(tǒng)計(jì)模型來判斷故障，難以適應(yīng)油田井場中復(fù)雜的電力負(fù)荷特性。這種固定閾值方法容易在負(fù)荷波動(dòng)較大時(shí)產(chǎn)生誤判或漏判，無法有效應(yīng)對井場動(dòng)態(tài)環(huán)境下的電壓變化。此外，現(xiàn)有的故障定位方法通?；诤唵蔚碾娏?、電壓突變特征，難以在復(fù)雜拓?fù)浣Y(jié)構(gòu)的配電網(wǎng)中準(zhǔn)確定位故障點(diǎn)。

4、現(xiàn)有技術(shù)中，雖然也有采用信號(hào)處理技術(shù)和機(jī)器學(xué)習(xí)算法進(jìn)行故障檢測的嘗試，但這些方法通常存在以下幾個(gè)主要缺陷：首先，在噪聲環(huán)境下，現(xiàn)有的信號(hào)處理方法（如fft、低通濾波等）往往難以有效區(qū)分正常波動(dòng)與故障信號(hào)。其次，現(xiàn)有的機(jī)器學(xué)習(xí)算法大多基于靜態(tài)模型，缺乏對負(fù)荷變化和環(huán)境影響的自適應(yīng)調(diào)整能力，無法在實(shí)際工況中動(dòng)態(tài)優(yōu)化故障檢測閾值。此外，多節(jié)點(diǎn)數(shù)據(jù)的融合處理能力不足，無法充分利用來自多個(gè)傳感器的電壓數(shù)據(jù)進(jìn)行綜合分析，導(dǎo)致系統(tǒng)對全局故障狀態(tài)的認(rèn)知不夠準(zhǔn)確。

5、因此，如何提供基于線電壓幅值變化量的油田井場配電網(wǎng)故障判斷方法是本領(lǐng)域技術(shù)人員亟需解決的問題。

技術(shù)實(shí)現(xiàn)思路

1、本發(fā)明的一個(gè)目的在于提出基于線電壓幅值變化量的油田井場配電網(wǎng)故障判斷方法，本發(fā)明綜合運(yùn)用了自適應(yīng)濾波、小波變換、多尺度分析以及機(jī)器學(xué)習(xí)算法，對油田井場配電網(wǎng)的電壓信號(hào)進(jìn)行精確的實(shí)時(shí)處理和故障判斷。通過動(dòng)態(tài)調(diào)整故障判斷閾值，結(jié)合多節(jié)點(diǎn)數(shù)據(jù)融合與拓?fù)浣Y(jié)構(gòu)分析，系統(tǒng)不僅有效提高了故障檢測的靈敏度和準(zhǔn)確性，還顯著增強(qiáng)了故障定位的速度和準(zhǔn)確度。相比傳統(tǒng)方法，本發(fā)明在應(yīng)對復(fù)雜工況和多變負(fù)荷時(shí)表現(xiàn)出色，確保了油田井場配電網(wǎng)的穩(wěn)定運(yùn)行和及時(shí)維護(hù)。

2、根據(jù)本發(fā)明實(shí)施例的基于線電壓幅值變化量的油田井場配電網(wǎng)故障判斷方法，包括如下步驟：

3、s1、在油田井場配電網(wǎng)的各節(jié)點(diǎn)布置電壓傳感器，實(shí)時(shí)采集每個(gè)節(jié)點(diǎn)的線電壓幅值數(shù)據(jù)；

4、s2、將采集到的線電壓幅值數(shù)據(jù)傳輸至中央處理系統(tǒng)，并應(yīng)用自適應(yīng)濾波算法對接收到的線電壓幅值數(shù)據(jù)進(jìn)行濾波處理；

5、s3、對濾波后的線電壓幅值數(shù)據(jù)進(jìn)行小波變換，通過多尺度分析方法對電壓信號(hào)進(jìn)行分解，提取不同時(shí)間尺度上的故障特征信號(hào)；

6、s4、利用結(jié)合k-means聚類和隨機(jī)森林分類的機(jī)器學(xué)習(xí)算法對提取的故障特征信號(hào)進(jìn)行分析，分類負(fù)荷模式，并根據(jù)分類結(jié)果動(dòng)態(tài)調(diào)整故障判斷閾值；

7、s5、將多個(gè)節(jié)點(diǎn)的線電壓幅值數(shù)據(jù)通過卡爾曼濾波數(shù)據(jù)融合技術(shù)進(jìn)行綜合處理，形成對整個(gè)配電網(wǎng)電壓狀態(tài)的綜合認(rèn)知；

8、s6、基于動(dòng)態(tài)調(diào)整后的故障判斷閾值，對綜合處理后的線電壓幅值數(shù)據(jù)進(jìn)行實(shí)時(shí)故障判斷，并結(jié)合油田井場配電網(wǎng)的拓?fù)浣Y(jié)構(gòu)確定故障位置；

9、s7、當(dāng)線電壓幅值變化超出故障判斷閾值時(shí)，觸發(fā)故障預(yù)警機(jī)制，生成故障報(bào)告和報(bào)警信號(hào)。

10、可選的，所述s2具體包括：

11、s21、將油田井場各節(jié)點(diǎn)采集到的線電壓幅值數(shù)據(jù)v\left ( {t} \right )=\left [ {{v}_{1}\left ( {t} \right ),{v}_{2}\left ( {t} \right ),...,{v}_{n}\left ( {t} \right )} \right ]^{t}，通過無線或有線網(wǎng)絡(luò)實(shí)時(shí)傳輸至中央處理系統(tǒng)，其中為第個(gè)傳感器在時(shí)刻的電壓值；

12、s22、對接收到的數(shù)據(jù)進(jìn)行預(yù)處理，形成輸入信號(hào)張量：

13、；

14、其中，為的矩陣，表示當(dāng)前時(shí)刻及前個(gè)時(shí)刻的電壓數(shù)據(jù)；

15、s23、定義濾波器的自適應(yīng)權(quán)重張量和多尺度輸入信號(hào)張量，濾波器的輸出信號(hào)向量通過多尺度卷積操作和環(huán)境自適應(yīng)激活函數(shù)計(jì)算得到：

16、；

17、其中，表示第個(gè)尺度的權(quán)重張量，表示第個(gè)時(shí)間尺度上的輸入信號(hào)張量，表示偏置向量，表示自適應(yīng)激活函數(shù)，表示環(huán)境權(quán)重矩陣，表示環(huán)境因素向量，表示處理環(huán)境影響的非線性函數(shù)，表示環(huán)境適應(yīng)性調(diào)整因子；

18、s24、計(jì)算濾波器的輸出信號(hào)向量與期望信號(hào)之間的誤差得到；

19、s25、基于最小均方誤差準(zhǔn)則，更新濾波器的權(quán)重張量和偏置向量：

20、；

21、；

22、其中，表示學(xué)習(xí)率，表示正則化參數(shù)，表示更新前的權(quán)重張量，表示更新后的權(quán)重張量，表示更新前的偏置向量，表示更新后的偏置向量，表示權(quán)重張量的frobenius范數(shù)；

23、s26、輸出濾波后的輸出信號(hào)向量，同時(shí)實(shí)時(shí)監(jiān)控的變化。

24、可選的，所述s3具體包括：

25、s31、對步驟s26濾波后的輸出信號(hào)向量進(jìn)行離散小波變換處理，設(shè)定小波基函數(shù)和尺度參數(shù)以及平移參數(shù)，對信號(hào)進(jìn)行分解，得到多尺度分量：

26、；

27、其中，表示濾波后的信號(hào)序列，表示小波函數(shù)，表示時(shí)間索引，表示在小波變換和信號(hào)分析中考慮的時(shí)間窗口的長度；

28、s32、對于每一尺度上的信號(hào)，計(jì)算詳細(xì)系數(shù)和近似系數(shù)，詳細(xì)系數(shù)表示在尺度和平移下的詳細(xì)系數(shù)，近似系數(shù)表示在尺度和平移下的近似系數(shù)：

29、；

30、；

31、其中，表示與高頻成分相關(guān)的濾波器系數(shù)，表示與低頻成分相關(guān)的濾波器系數(shù)，表示信號(hào)序列中的總采樣點(diǎn)數(shù)；

32、s33、對各尺度的詳細(xì)系數(shù)和近似系數(shù)進(jìn)行能力分析，計(jì)算每個(gè)尺度下信號(hào)的能力分布：

33、；

34、其中，表示調(diào)整因子，用于在能量計(jì)算時(shí)平衡詳細(xì)系數(shù)和近似系數(shù)之間的貢獻(xiàn)，表示在尺度和平移下的信號(hào)能量；

35、s34、根據(jù)能量分布，定義多尺度能量占比，用于量化信號(hào)在不同尺度和位置上的顯著性：

36、；

37、其中，表示所有尺度和位置上的總能量，表示平滑因子；

38、s35、基于各尺度和位置下的多尺度能量占比，并結(jié)合詳細(xì)系數(shù)和近似系數(shù)進(jìn)行綜合特征提取，得到不同時(shí)間尺度上的故障特征信號(hào)。

39、可選的，所述s4具體包括：

40、s41、對從小波變換提取的故障特征信號(hào)進(jìn)行初步聚類分析，使用k-means聚類算法對負(fù)荷模式進(jìn)行分類，設(shè)定聚類數(shù)目為，將每個(gè)特征信號(hào)表示為向量，通過最小化特征信號(hào)向量與所屬聚類中心之間的帶權(quán)歐式距離實(shí)現(xiàn)負(fù)荷模式的分類，距離度量公式為：

41、；

42、其中，表示特征向量的維數(shù)，表示第維特征的權(quán)重，表示第個(gè)樣本在第維度的值，表示第個(gè)聚類中心在第維度的值；

43、s42、聚類完成后，定義負(fù)荷模式的動(dòng)態(tài)特征向量，并基于馬氏距離的度量方法計(jì)算當(dāng)前負(fù)荷模式與歷史負(fù)荷模式的相似度：

44、；

45、其中，表示歷史負(fù)荷模式特征向量，表示協(xié)方差矩陣；

46、s43、基于聚類分析和相似度計(jì)算結(jié)果，構(gòu)建隨機(jī)森林分類器模型，設(shè)定隨機(jī)森林包含的決策樹數(shù)量為，定義每棵樹的分類決策函數(shù)，通過集成多棵樹的輸出結(jié)果，得到最終分類結(jié)果：

47、；

48、其中，表示指示函數(shù)，當(dāng)分類結(jié)果為時(shí)取1，否則為0；

49、s44、根據(jù)分類結(jié)果和負(fù)荷模式的變化率，動(dòng)態(tài)調(diào)整故障判斷閾值:

50、；

51、其中，表示基礎(chǔ)閾值，表示負(fù)荷變化率，表示變化率調(diào)整系數(shù)，表示當(dāng)前負(fù)荷模式的變化率，表示當(dāng)前負(fù)荷模式與歷史負(fù)荷模式的相似度，表示特征向量自適應(yīng)調(diào)整系數(shù)，表示特征向量的范數(shù)，表示自適應(yīng)權(quán)重矩陣，用于根據(jù)負(fù)荷模式特征進(jìn)行額外的調(diào)整。

52、可選的，所述s5具體包括：

53、s51、將來自多個(gè)節(jié)點(diǎn)的線電壓幅值數(shù)據(jù)通過時(shí)間同步處理和空間配準(zhǔn)，形成一個(gè)多節(jié)點(diǎn)電壓數(shù)據(jù)矩陣，其中的元素表示在時(shí)刻來自第個(gè)節(jié)點(diǎn)的數(shù)據(jù)：

54、；

55、其中，為一個(gè)的矩陣，表示時(shí)間窗口的長度，表示時(shí)間步長，表示節(jié)點(diǎn)數(shù)量；

56、s52、基于卡爾曼濾波技術(shù)對電壓數(shù)據(jù)矩陣進(jìn)行融合，設(shè)定狀態(tài)向量為當(dāng)前時(shí)刻的系統(tǒng)狀態(tài)，觀測向量為電壓數(shù)據(jù)；

57、s53、卡爾曼濾波的預(yù)測和更新公式為：

58、；

59、；

60、；

61、；

62、；

63、其中，表示時(shí)刻的預(yù)測狀態(tài)，表示狀態(tài)轉(zhuǎn)移矩陣，表示控制輸入矩陣，表示控制向量，表示預(yù)測狀態(tài)的協(xié)方差矩陣，表示過程噪聲協(xié)方差，表示卡爾曼增益，表示觀測矩陣，表示觀測噪聲協(xié)方差；

64、s54、將經(jīng)過卡爾曼濾波融合處理后的狀態(tài)向量用于構(gòu)建系統(tǒng)的整體電壓狀態(tài)模型。

65、可選的，所述s6具體包括：

66、s61、基于動(dòng)態(tài)調(diào)整后的故障判斷閾值，對綜合處理后的線電壓幅值數(shù)據(jù)進(jìn)行實(shí)時(shí)故障判斷，將每個(gè)節(jié)點(diǎn)的電壓數(shù)據(jù)表示為，其中表示節(jié)點(diǎn)編號(hào)，表示時(shí)間，根據(jù)每個(gè)節(jié)點(diǎn)的歷史電壓數(shù)據(jù)和當(dāng)前環(huán)境條件，動(dòng)態(tài)計(jì)算節(jié)點(diǎn)的參考電壓：

67、；

68、其中，表示節(jié)點(diǎn)的歷史平均電壓值，表示與節(jié)點(diǎn)的環(huán)境影響因素，和表示權(quán)重系數(shù)；

69、s62、計(jì)算每個(gè)節(jié)點(diǎn)的電壓偏差：

70、；

71、s63、基于電壓偏差，判斷節(jié)點(diǎn)是否存在異常，計(jì)算每個(gè)節(jié)點(diǎn)的故障指示量：

72、；

73、其中，表示與偏差大小相關(guān)的權(quán)重系數(shù)，表示與電壓變化速率相關(guān)的權(quán)重系數(shù)，表示電壓偏差的變化率；

74、s64、對每個(gè)節(jié)點(diǎn)的故障指示量進(jìn)行閾值分析，確定節(jié)點(diǎn)是否發(fā)生故障，設(shè)定故障判斷閾值，若超過閾值，則判定該節(jié)點(diǎn)發(fā)生故障：

75、；

76、s65、將每個(gè)節(jié)點(diǎn)的故障判定結(jié)果進(jìn)行綜合分析，判斷整體配電網(wǎng)是否存在全局性故障，若多個(gè)節(jié)點(diǎn)的故障判定結(jié)果為1，且分布具有集中性，則判定為配電網(wǎng)全局故障：

77、；

78、其中，表示節(jié)點(diǎn)的權(quán)重系數(shù)，表示全局故障判斷的閾值；

79、s66、在判定為全局性故障時(shí)，結(jié)合配電網(wǎng)的拓?fù)浣Y(jié)構(gòu)確定故障位置，利用每個(gè)節(jié)點(diǎn)的位置和故障狀態(tài)，計(jì)算可能的故障區(qū)域：

80、；

81、其中，表示拓?fù)浣Y(jié)構(gòu)矩陣，表示所有節(jié)點(diǎn)的故障狀態(tài)向量。

82、本發(fā)明的有益效果是：

83、首先，本發(fā)明通過在配電網(wǎng)的各節(jié)點(diǎn)布置高精度電壓傳感器，并結(jié)合自適應(yīng)濾波算法對采集到的電壓數(shù)據(jù)進(jìn)行實(shí)時(shí)處理，有效濾除了環(huán)境噪聲和隨機(jī)干擾，確保了信號(hào)的純凈度，從而顯著提高了故障檢測的可靠性。與傳統(tǒng)的固定濾波器不同，自適應(yīng)濾波器能夠根據(jù)井場實(shí)際工況動(dòng)態(tài)調(diào)整濾波參數(shù)，使系統(tǒng)能夠在復(fù)雜多變的環(huán)境下穩(wěn)定工作，避免了噪聲干擾對故障檢測結(jié)果的影響。

84、其次，本發(fā)明通過小波變換對濾波后的電壓信號(hào)進(jìn)行多尺度分析，能夠在不同時(shí)間尺度上提取與故障相關(guān)的特征信號(hào)。此舉不僅提高了對各種故障類型的識(shí)別能力，尤其是對緩慢變化的電壓趨勢的捕捉，更是顯著增強(qiáng)了系統(tǒng)的檢測靈敏度。同時(shí)，結(jié)合k-means聚類和隨機(jī)森林分類算法，對負(fù)荷模式進(jìn)行了精細(xì)的分類，并根據(jù)實(shí)時(shí)工況動(dòng)態(tài)調(diào)整故障判斷閾值，從而有效避免了因負(fù)荷波動(dòng)引起的誤判或漏判問題。這一技術(shù)的應(yīng)用，使得系統(tǒng)能夠適應(yīng)油田井場中負(fù)荷變化劇烈的工作環(huán)境，確保了故障判斷的準(zhǔn)確性。

85、進(jìn)一步，本發(fā)明利用卡爾曼濾波技術(shù)，對來自多個(gè)節(jié)點(diǎn)的電壓數(shù)據(jù)進(jìn)行融合處理，形成對整個(gè)配電網(wǎng)電壓狀態(tài)的綜合認(rèn)知。這種多節(jié)點(diǎn)數(shù)據(jù)融合方法，克服了傳統(tǒng)單點(diǎn)監(jiān)測的局限性，使得系統(tǒng)能夠更準(zhǔn)確地識(shí)別和定位故障點(diǎn)，特別是在配電網(wǎng)拓?fù)浣Y(jié)構(gòu)復(fù)雜的情況下，表現(xiàn)出卓越的故障定位能力。此外，結(jié)合配電網(wǎng)的拓?fù)浣Y(jié)構(gòu)，本發(fā)明能夠快速定位故障區(qū)域并觸發(fā)預(yù)警機(jī)制，大大縮短了故障處理時(shí)間，減少了因故障引發(fā)的生產(chǎn)中斷和經(jīng)濟(jì)損失。