技术领域
[0001] 本
申请涉及电
力故障检测领域，尤其涉及一种输电线路故障行波的检测方法。
背景技术
[0002] 目前，随着输电线路
电压等级的提高和输电距离的增加，尤其是超、特高压输电线路的快速发展，对
电网保护技术和故障测距技术提出新的挑战。行
波数据蕴含着丰富的信息，若能有效挖掘行波数据的特征，必能提升行波测距的精确性、故障类型判别和故障性质辨识能力，为后续的行波数据在故障测距及主站建设等方面的研究工作奠定
基础。
[0003] 为了检测输电线路的行波，输电线路安装大量的行波测量装置，用来获取故障时刻信息。现有的行波测量装置采用突变量启动方式，为保证对输电线路微弱故障的监测，行波测量装置通常设有较低的行波触发
阈值。但是，行波测量装置记录大量的干扰行波，致使干扰行波与故障行波比例严重失衡，增加数据辨识与筛选的工作量。
发明内容
[0004] 本申请提供了一种输电线路故障行波的检测方法，以解决行波测量装置记录大量的干扰行波，致使干扰行波与故障行波比例失衡，增加数据辨识与筛选的工作量的问题。
[0005] 本申请提供了一种输电线路故障行波的检测方法包括：
[0006] 获取多个行波数据；
[0007] 利用经验模态分解
算法对每个行波数据进行分解，得到每个行波数据的特征量；
[0008] 对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类。
[0009] 进一步，所述利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量，包括：
[0010] 利用经验模态分解算法对每个行波数据分解，得到每个行波数据的M层IMF分量；
[0011] 根据所述M层IMF分量，选取满足预设条件的n层IMF分量；所述n为不大于M的正整数；
[0012] 根据所述n层IMF分量，得到每个行波数据的特征量。
[0013] 进一步，所述利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的M层IMF分量，包括：
[0014] 获取每个行波数据的极大值点和极小值点，得到极大值点序列和极小值点序列；
[0015] 利用三次样条函数法分别对极大值点序列和极小值点序列进行插值，得到上、下包络线；
[0016] 根据上、下包络线，计算得到平均包络线m(t)；
[0017] 按照下式计算，得到所述行波数据与所述平均包括线的差值，
[0018] h(t)＝y(t)－m(t)，
[0019] 其中，y(t)表示行波数据，m(t)表示平均包络线；
[0020] 如果所述差值h(t)不满足固有模态函数的条件，则将h(t)作为新的行波数据，重复获取每个行波数据的极大值点和极小值点的步骤；
[0021] 如果所述差值h(t)满足固有模态函数的条件，则将所述差值h(t)确定为所述行波数据的IMF分量；
[0022] 将所述IMF分量从对应的行波数据分离，得到行波数据残余项；
[0023] 如果所述行波数据残余项能继续分解，则将所述行波数据残余项作为新的行波数据，重复获取每个行波数据的极大值点和极小值点的步骤；
[0024] 如果所述行波数据残余项不能继续分解，则得到每个行波数据的M层分量。
[0025] 进一步，所述根据所述M层IMF分量，选取满足预设条件的n层IMF分量，包括，[0026] 根据所述M层IMF分量，得到每层IMF分量的谱峭度；
[0027] 根据每层IMF的谱峭度，选取谱峭度大于预设值的n层IMF分量。
[0028] 进一步，所述根据所述n层IMF分量，得到每个行波数据的特征量，包括，[0029] 根据所述n层IMF分量，按照下列公式计算，得到所述n层IMF分量对应的行波数据的
能量熵。
[0030] 将所述能量熵确定为对应行波数据的特征量。
[0031] 由以上技术方案可知，本申请提供了一种输电线路故障行波的检测方法，利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量；对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类，本申请能准确识别行波数据的类型，对干扰行波和故障行波分类准确，降低工作人员筛选的工作量，提高工作效率。
附图说明
[0032] 为了更清楚地说明本申请的技术方案，下面将对
实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。
[0033] 图1为本申请提供的一种输电线路故障行波的检测方法的
流程图。
具体实施方式
[0034] 参见图1，本申请提供了一种输电线路故障行波的检测方法包括：
[0035] 步骤11：获取多个行波数据。
[0036] 行波数据是行波测量装置记录的数据，行波数据包括干扰行波和故障行波。干扰行波是造成行波测量装置误启动后，行波测量装置记录的
波形。故障行波是由于输电线路故障而引起行波测量装置启动后，行波测量装置记录的波形。
[0037] 步骤12：利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量。
[0038] 经验模态分解算法(Empirical Mode Decomposition，简称EMD)，该算法是依据自身的时间尺度特征进行
信号分解，无需预先设定任何基函数，能使复杂信号分解为有限本证模函数(Intrinsic Mode Function，简称IMF)，能分解出来的个IMF分量包含了原信号的不同时间尺度的局域特征信号。经验摩天分解算法能使非平稳数据进行平稳话处理，由于基函数是由数据本身分解得到，并且分解是基于信号序列时间尺度的局部特征，与短时傅里叶变换、小波分解等方法相比更具有自适应性。
[0039] 步骤13：对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类。
[0040] 由以上技术方案可知，本申请提供了一种输电线路故障行波的检测方法，利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量；对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类，本申请能准确识别行波数据的类型，对干扰行波和故障行波分类准确，降低工作人员筛选的工作量，提高工作效率。
[0041] 本申请提供另一实施例，一种输电线路故障行波的检测方法包括：
[0042] 步骤21：获取多个行波数据。
[0043] 步骤22：获取每个行波数据的极大值点和极小值点，得到极大值点序列和极小值点序列。
[0044] 步骤23：利用三次样条函数法分别对极大值点序列和极小值点序列进行插值，得到上、下包络线。
[0045] 步骤24：根据上、下包络线，计算得到平均包络线m(t)；
[0046] 步骤25：按照下式计算，得到所述行波数据与所述平均包括线的差值，[0047] h(t)＝y(t)－m(t)，
[0048] 其中，y(t)表示行波数据，m(t)表示平均包络线。
[0049] 步骤26：如果所述差值h(t)不满足固有模态函数的条件，则将h(t)作为新的行波数据，执行步骤21；如果所述差值h(t)满足固有模态函数的条件，则执行步骤27。
[0050] 步骤27：将所述差值h(t)确定为所述行波数据的IMF分量；将所述IMF分量从对应的行波数据分离，得到行波数据残余项。
[0051] 步骤28：如果所述行波数据残余项能继续分解，则将所述行波数据残余项作为新的行波数据，执行步骤21；如果所述行波数据残余项不能继续分解，则得到每个行波数据的M层IMF分量。
[0052] 步骤29：根据每层IMF的谱峭度，选取谱峭度大于预设值的n层IMF分量。
[0053] 可选地，按照以下公式，计算每个行波数据的每层IMF的谱峭度，[0054]
[0055] 其中，D表示每层IMF的谱峭度，ξ(·)表示期望，μ和σ表示原行波信号x的各层IMF分量的均值和标准方差。
[0056] 可选的，本申请取谱峭度从大到小排序后，谱峭度较大的排序位于前四的IMF分量。同时通过谱峭度选取IMF分量起到
降维的作用。
[0057] 步骤30：根据所述n层IMF分量，按照下列公式计算，得到所述n层IMF分量对应的行波数据的能量熵。
[0058]
[0059] 其中，WEEj表示第j个行波数据的能量熵，Ejk表示第j个行波数据的第k层IMF分量能量值，k为不大于n的正整数；Ej表示第j个行波数据的总能量。
[0060] 步骤31：将所述能量熵确定为对应行波数据的特征量。
[0061] 步骤32：设置高斯混合聚类类别为2，在多个行波数据中任意
抽取2个行波数据，计算参数初始值开始
迭代；
[0062] 步骤33：按照下式，依据当前模型参数，计算行波数据的IMF分量对该行波数据的响应度，
[0063]
[0064] 其中，p(·)表示概率分布函数，xj表示第j个行波数据的能量熵，θk表示第j个行波数据的第k层IMF分量的协方差矩阵，αk表示第j个行波数据的第k层IMF分量的权重。
[0065] 步骤34：根据下面的公式，计算新的一轮迭代的模型参数，
[0066]
[0067] 其中，μk表示第第j个行波数据的第k层IMF分量的均值，∑k2表示j个行波数据的第k层IMF分量的方差，αk表示第j个行波数据的第k层IMF分量的权重，N为行波数据的总数。
[0068] 步骤35：如果聚类簇中心小于或等于预设值，则得到聚类结果，以对干扰行波或故障行波分类，如果聚类簇中心大于预设值，则将得到的均值、权重、方差迭代至步骤33。
[0069] 由以上技术方案可知，本申请提供了一种输电线路故障行波的检测方法，利用经验模态分解算法对每个行波数据进行分解，得到每个行波数据的特征量；对所有行波数据的特征量进行高斯混合聚类，得到聚类结果，以对行波数据中的干扰行波和故障行波进行分类，本申请能准确识别行波数据的类型，对干扰行波和故障行波分类准确，降低工作人员筛选的工作量，提高工作效率。
