本發(fā)明涉及行波故障識別，尤其涉及一種基于辛幾何模態(tài)分解的配網(wǎng)行波故障識別方法。

背景技術(shù)：

1、人們對電力資源的需求不斷增長，用戶對電力品質(zhì)的要求也越來越高。然而配網(wǎng)線路復(fù)雜、設(shè)備老化等問題日趨嚴(yán)重，極易發(fā)生線路故障。為了能夠及時處理線路故障問題，保障配網(wǎng)高效、安全、平穩(wěn)運(yùn)行，亟需解決配網(wǎng)故障定位問題。

2、當(dāng)檢測到系統(tǒng)中的單相接地故障時，智能化落后的配電網(wǎng)依舊還是在通過逐條拉閘法確定故障線路后，委派相關(guān)的專業(yè)技術(shù)人員到現(xiàn)場沿故障線路巡察，故障查找長達(dá)數(shù)小時，不利于搶修和快速恢復(fù)供電，難以滿足電網(wǎng)自動化和智能化的要求。由此可見，對配電網(wǎng)故障精準(zhǔn)定位和絕緣隱患監(jiān)測方法的探索具有較高的研究價值和實用價值。

3、辛幾何模態(tài)分解(symplectic?geometry?mode?decomposition，sgmd)是一種以辛幾何為基礎(chǔ)，可以保護(hù)相空間幾何結(jié)構(gòu)的非平穩(wěn)、非線性信號的處理方法。然而，一方面?zhèn)鹘y(tǒng)的sgmd因為在迭代分解運(yùn)算時截止條件的不自適應(yīng)，導(dǎo)致sgmd不能直接分析不同類型和含量的信號，產(chǎn)生的sgc分量的數(shù)量也會隨著截止條件而需要人為設(shè)定周期相似度的閾值，存在很大的不確定性，數(shù)量較多時分量中會包含較多噪聲，數(shù)量較少時可能會失去原始信號中的關(guān)鍵信息；另一方面，傳統(tǒng)的sgmd作為一種類經(jīng)驗?zāi)B(tài)分解方法，也存在端點效應(yīng)和模態(tài)混疊等現(xiàn)象。因此，在分解過程中加入自適應(yīng)延拓端點以及計算皮爾遜相關(guān)系數(shù)重構(gòu)有效分量等過程是有必要的且能完美規(guī)避如上缺點。

4、傳統(tǒng)希爾伯特變換對沖擊信號有較強(qiáng)的提取能力，但容易受外界干擾且產(chǎn)生端點效應(yīng)，解調(diào)出負(fù)頻率。傳統(tǒng)teo可以較好克服希爾伯特的上述缺點被廣泛使用，但也有明顯缺點，即只能處理單一成分信號，如果混雜大量背景噪聲，它的應(yīng)用將受到很大限制。于是采用一種新的能量算子進(jìn)行信號突變點的檢測，即頻率加權(quán)能量算子(frequencyweighted?energy?operator，fweo)。

技術(shù)實現(xiàn)思路

1、發(fā)明目的：本發(fā)明提供一種基于辛幾何模態(tài)分解的配網(wǎng)行波故障識別方法，結(jié)合asgmd-fweo在自適應(yīng)擇優(yōu)、抗干擾抗噪等方面表現(xiàn)出其卓越性能。

2、技術(shù)方案：本發(fā)明所述的一種基于辛幾何模態(tài)分解的配網(wǎng)行波故障識別方法，包括如下步驟：

3、步驟1、對配網(wǎng)行波故障電流信號進(jìn)行采樣；

4、步驟2、對初始信號采用自適應(yīng)波形匹配端點延拓法進(jìn)行兩端對稱點延拓；

5、步驟3、利用辛幾何模態(tài)分解法分解配網(wǎng)行波初始信號；

6、步驟4、對步驟3得到的延拓分量通過計算構(gòu)造分量之間的皮爾遜相關(guān)系數(shù)確定有效分量，通過構(gòu)造皮爾遜相關(guān)系數(shù)矩陣，實現(xiàn)對有效分量中的相似初始分量進(jìn)行重構(gòu)，從而獲得最終的辛幾何分量；

7、步驟5、利用頻率加權(quán)能量算子對優(yōu)選的辛幾何分量進(jìn)行解調(diào)，得到其時間-能譜圖，最終識別故障。

8、進(jìn)一步地，步驟1中，選擇合適的采樣頻率fs，采集待診斷的原始行波故障電流信號，得到形如x＝x1，x2，…，xn的一維時間序列，其中n是信號的長度。

9、進(jìn)一步地，步驟2中，對初始信號采用自適應(yīng)波形匹配端點延拓法進(jìn)行兩端對稱點延拓具體包括如下步驟：

10、步驟21、設(shè)原始信號為x(t)，確定x(t)最左端的兩個相鄰極值點，設(shè)其分別為極大值點和極小值點，分別記為p0和p1，從起始點到p1的這段波形記為w0，設(shè)其長度為l；

11、步驟22、設(shè)emax為x(t)的極大值點集合，以emax-{p0}中的每一個極大值點pi作為參考點，計算該段相同長度的波形w0和wi的匹配度m(w0,wi,pi)；記m(w0,wi0,pi0)＝min{m(w0,wi,pi),i＝1,2,…}；

12、步驟23、若m(w0,wi0,pi0)＜α·l，其中α為一常數(shù)，則取wi0左側(cè)包含了一個極大值和極小值的子波，作為原始x(t)左端的延拓，否則直接取原始信號最左端的兩個相鄰極大值點的均值作為左端點的極大值，取信號最左端的兩個相鄰極小值點的均值作為左端點的極小值，延拓完畢。

13、進(jìn)一步地，步驟3中，利用辛幾何模態(tài)分解法分解配網(wǎng)行波初始電流信號具體包括如下步驟：

14、步驟31、基于takens嵌入定理，通過時序延遲拓?fù)涞刃Х椒▽＝x1，x2，…，xn的一維時間序列重建為包含多維信號的軌跡矩陣x：

15、

16、其中，d代表嵌入維度，τ取1，代表延遲時間，m＝n-(d-1)τ；

17、步驟32、根據(jù)步驟31得到的軌跡矩陣x構(gòu)造hamilton矩陣，其中協(xié)方差矩陣a＝xtx；

18、步驟33、構(gòu)造householder矩陣且h為正交辛矩陣；然后得到公

19、

20、步驟34、通過對角平均變換將xi轉(zhuǎn)換為長度為n的時間序列yi＝y(tǒng)1，y2，…yn(i＝1，2，…，d)，由此得到d個長度為n的時間序列，即d個初始分量，其和為一維時間序列x＝x1，x2，…，xn。

21、進(jìn)一步地，步驟34中，通過對角平均變換將xi轉(zhuǎn)換為長度為n的時間序列yi＝y(tǒng)1，y2，…yn(i＝1，2，…，d)具體為：

22、對于矩陣x中的元素xij(1≤i≤m，1≤j≤d)，令d*＝min(m，d)，m*＝max(m，d)，m＝n-(d-1)τ，然后通過如下公式對時間序列yi的元素yk(k＝1,2,…,n)進(jìn)行計算

23、其中，如果m＜d，則令xij*＝xij，否則令xij*＝xji。

24、進(jìn)一步地，步驟4中，對步驟3得到的延拓分量通過計算構(gòu)造分量之間的皮爾遜相關(guān)系數(shù)確定有效分量，通過構(gòu)造皮爾遜相關(guān)系數(shù)矩陣，實現(xiàn)對有效分量中的相似初始分量進(jìn)行重構(gòu)，從而獲得最終的辛幾何分量具體包括如下步驟：

25、步驟41、通過計算皮爾遜相關(guān)系數(shù)，區(qū)分有效分量和噪聲分量；

26、步驟42、通過構(gòu)造皮爾遜相關(guān)系數(shù)矩陣，對有效分量中的相似分量疊加重構(gòu)，從而獲得最終的辛幾何分量。

27、進(jìn)一步的，步驟41中，通過計算皮爾遜相關(guān)系數(shù)，區(qū)分有效分量和噪聲分量具體為：將前f(f＝1,2,...,d)項初始分量yi＝y(tǒng)1，y2，…yn(i＝1，2，…，d)相加得到d組構(gòu)造分量再依次計算相鄰兩個前f項分量和與nf的皮爾遜相關(guān)系數(shù)：當(dāng)皮爾遜系數(shù)增長至某個數(shù)值后基本保持不變，則認(rèn)為該數(shù)值對應(yīng)的首個k值為有效分量和噪聲分量的分界點，那么第k個初始分量之后的分量就是噪聲分量，應(yīng)該從d組初始分量中分離出去。

28、進(jìn)一步的，步驟42中，通過構(gòu)造皮爾遜相關(guān)系數(shù)矩陣，對有效分量中的相似分量疊加重構(gòu)，從而獲得最終的辛幾何分量具體為：將去除噪聲分量后剩下的k個有效分量，通過構(gòu)造皮爾遜相關(guān)系數(shù)矩陣對相似分量重構(gòu)，最終得到p個辛幾何分量。

29、進(jìn)一步地，步驟5中，利用頻率加權(quán)能量算子對優(yōu)選的辛幾何分量進(jìn)行解調(diào)，得到其時間-能譜圖，最終識別故障具體為：定義頻率加權(quán)能量算子：

30、e[x(t)]＝|x′(t)+jh[x′(t)]2＝x′2(t)+h[x′(t)]2，其中x(t)表示初始信號，h[·]表示希爾伯特變換。對于初始信號x(t)應(yīng)為一個諧波信號，其形式應(yīng)為x(t)＝acos(wt+φ)，則x′(t)＝-awsin(wt+φ)，h[x′(t)]＝awcos(wt+φ)，將其代入頻率加權(quán)能量算子中可得e[x(t)]＝a2w2，其離散形式為：

31、

32、處理故障分量后對得到的時間-能譜圖分析即可精準(zhǔn)識別故障。

33、有益效果：與現(xiàn)有技術(shù)相比，本發(fā)明具有如下顯著優(yōu)點：本發(fā)明采用自適應(yīng)波形匹配延拓法進(jìn)行兩端對稱點延拓，達(dá)到有效抑制傳統(tǒng)經(jīng)驗?zāi)B(tài)分解出現(xiàn)的端點效應(yīng)的效果；在sgmd算法的基礎(chǔ)上，在分量重組的環(huán)節(jié)中引入皮爾遜相關(guān)系數(shù)，可以實現(xiàn)辛幾何分量的自適應(yīng)重構(gòu)；另外，通過應(yīng)用頻率加權(quán)能量算子的能量峰值檢測算法，強(qiáng)化瞬態(tài)沖擊，對故障特征信號二次增強(qiáng)，精準(zhǔn)識別行波故障信號，且fweo能量譜中可以清晰地看到故障、頻率及其倍頻成分，幅值較大，而且不受干擾頻率和噪聲的影響，該算法結(jié)合asgmd-fweo在自適應(yīng)擇優(yōu)、抗干擾抗噪等方面表現(xiàn)出其卓越性能。