基于排列熵算法的電力系統(tǒng)故障信號(hào)分析

李從善，劉天琪，李興源，曹喜民，劉利兵

?

基于排列熵算法的電力系統(tǒng)故障信號(hào)分析

李從善，劉天琪，李興源，曹喜民，劉利兵

(四川大學(xué)電氣信息學(xué)院 成都 610065)

電網(wǎng)故障的快速準(zhǔn)確診斷對(duì)加快事故處理和系統(tǒng)恢復(fù)進(jìn)程、保證電力系統(tǒng)的安全運(yùn)行具有至關(guān)重要的作用。分析了目前應(yīng)用于電力系統(tǒng)故障診斷的數(shù)據(jù)來(lái)源，提出采用廣域量測(cè)的電氣量信息進(jìn)行電力系統(tǒng)的快速診斷方法。首先將廣域量測(cè)系統(tǒng)采集的數(shù)據(jù)進(jìn)行小波變換，通過(guò)相關(guān)系數(shù)法濾噪處理，以此來(lái)重構(gòu)信號(hào)，采用排列熵算法對(duì)重構(gòu)的信號(hào)進(jìn)行排列熵分析。由于排列熵反映了一維時(shí)間序列的復(fù)雜度，對(duì)信號(hào)變化具有較高的敏感性，可以應(yīng)用于電力系統(tǒng)故障信號(hào)分析方面。相比傳統(tǒng)的小波分析方法，該方法不存在選取小波基問(wèn)題，且算法簡(jiǎn)單，編程易實(shí)現(xiàn)，能夠滿足在線故障診斷條件。通過(guò)對(duì)IEEE10機(jī)39節(jié)點(diǎn)標(biāo)準(zhǔn)測(cè)試系統(tǒng)的故障仿真分析，結(jié)果表明了該方法的有效性和實(shí)用性。

相關(guān)系數(shù); 故障診斷; 排列熵算法; 電力系統(tǒng); 小波變換

大規(guī)模電網(wǎng)互聯(lián)在提高系統(tǒng)運(yùn)行經(jīng)濟(jì)性的同時(shí)，也使得局部電網(wǎng)的故障對(duì)整個(gè)系統(tǒng)的影響范圍更廣。盡管現(xiàn)代電力系統(tǒng)采用了大量先進(jìn)的設(shè)備、保護(hù)和控制手段，但仍無(wú)法避免電網(wǎng)故障的發(fā)生[1]。故障快速準(zhǔn)確診斷是建設(shè)現(xiàn)代智能電網(wǎng)的必然要求，故障診斷歷來(lái)是專家和學(xué)者的研究熱點(diǎn)，并且已取得了一定的研究成果[2-17]。從已有的研究成果中可以看出，故障診斷主要涉及兩個(gè)方面的內(nèi)容：1) 故障診斷的信息來(lái)源；2) 故障診斷方法。目前應(yīng)用于故障診斷的信息來(lái)源主要有數(shù)據(jù)監(jiān)控及采集系統(tǒng)(SCADA)、繼電保護(hù)故障信息管理系統(tǒng)(RPMS)、廣域測(cè)量系統(tǒng)(WAMS)。已有的故障診斷方法主要有人工智能技術(shù)、解析模型方法以及信息融合技術(shù)3類方法，人工智能技術(shù)主要包括專家系統(tǒng)[2-3]、遺傳算法[4]、Petri網(wǎng)絡(luò)[5-6]、粗糙集理論[7-8]、貝葉斯網(wǎng)[9]、多Agent技術(shù)[10]、優(yōu)化技術(shù)[11]。文獻(xiàn)[12-15]通過(guò)建立故障解析模型并求解實(shí)現(xiàn)對(duì)故障的診斷。隨著信息理論的發(fā)展，研究者將信息融合技術(shù)引入到故障診斷中，文獻(xiàn)[16-17]提出了一種綜合SCADA開(kāi)關(guān)量、故障錄波器電氣量及WAMS系統(tǒng)電氣量的多源信息融合電網(wǎng)故障診斷方法。文獻(xiàn)[18]基于振動(dòng)信號(hào)對(duì)高壓斷路器機(jī)械故障診斷進(jìn)行了研究。

當(dāng)電力系統(tǒng)發(fā)生故障時(shí)，首先是故障元件的電氣量信息發(fā)生變化，其次是保護(hù)動(dòng)作，最后才是相應(yīng)的開(kāi)關(guān)[19]。采用電氣量信息可以最快實(shí)現(xiàn)系統(tǒng)故障診斷。隨著近年來(lái)WAMS量測(cè)系統(tǒng)在電力系統(tǒng)中的應(yīng)用，以相量測(cè)量單元(PMU)為基礎(chǔ)的WAMS量測(cè)數(shù)據(jù)具有高精度、延時(shí)小、更新周期短等優(yōu)點(diǎn)，這為電力系統(tǒng)故障在線診斷提供了數(shù)據(jù)平臺(tái)。本文在此數(shù)據(jù)平臺(tái)基礎(chǔ)上，提出采用排列熵理論實(shí)現(xiàn)電力系統(tǒng)故障診斷。首先將WAMS數(shù)據(jù)進(jìn)行小波變換，通過(guò)相關(guān)系數(shù)濾噪處理，以此來(lái)重構(gòu)信號(hào)，采用排列熵算法對(duì)重構(gòu)的信號(hào)進(jìn)行排列熵分析。與傳統(tǒng)的小波分析方法對(duì)比，該方法具有算法簡(jiǎn)單，編程易實(shí)現(xiàn)，不存在小波基選取困難問(wèn)題，能夠滿足在線故障診斷的要求，這為電力系統(tǒng)故障信號(hào)分析提供了新的思路。通過(guò)對(duì)IEEE10機(jī)39節(jié)點(diǎn)標(biāo)準(zhǔn)測(cè)試系統(tǒng)的故障仿真分析，結(jié)果表明了該方法的有效性和實(shí)用性。

1 信號(hào)降噪處理

1.1 小波包分析

小波分析優(yōu)于傅里葉變換，它在時(shí)域和頻域同時(shí)具有良好的局部化性質(zhì)，但每次只對(duì)信號(hào)的低頻部分進(jìn)行分解，保留高頻部分。小波包分析對(duì)此進(jìn)行了改進(jìn)，可同時(shí)在低頻和高頻部分進(jìn)行分解，自適應(yīng)地確定信號(hào)在不同頻段的分辨率，使之與信號(hào)頻譜相匹配，從而提高時(shí)頻分辨率[20]。以5層小波分解為例，兩者分解結(jié)構(gòu)如圖1所示。

由圖1可以看出，小波包分析是對(duì)小波分析的擴(kuò)張，具有多維多分辨率分析的特點(diǎn)，能為信號(hào)提供一種更加精細(xì)的分析方法，它將頻帶進(jìn)行多層次劃分，對(duì)多分辨率分析沒(méi)有細(xì)分的高頻部分進(jìn)一步分解，提高了時(shí)頻分辨率。

a. 小波分析

b. 小波包分析

圖1 5層分解結(jié)構(gòu)圖

1.2 小波包分解與重構(gòu)算法

1.3 相關(guān)系數(shù)法濾波

一般情況下，包含噪聲的信號(hào)經(jīng)小波分解后，高頻分量即為噪聲。以往基于小波變換閾值降噪法的理論依據(jù)是[20]，含噪聲的信號(hào)經(jīng)小波分解后有用信號(hào)的小波變換系數(shù)大于噪聲的小波變換系數(shù)。對(duì)分解得到的小波系數(shù)設(shè)定一個(gè)閾值，小波系數(shù)低于該閾值置為0，高于該閾值的小波系數(shù)完整保留或做相應(yīng)的“收縮”處理。最后將處理后獲得的小波系數(shù)利用逆小波變換進(jìn)行重構(gòu)，得出有效信號(hào)，實(shí)現(xiàn)降噪的目的。由于電網(wǎng)發(fā)生故障時(shí)，電氣量信號(hào)包含了大量的暫態(tài)高頻分量，若按照上述閾值降噪法，可能會(huì)將有用的故障特征成分一并剔除。

基于上述原因，本文提出相關(guān)系數(shù)法實(shí)現(xiàn)噪聲分量的篩選，其基本思想是噪聲信號(hào)與原信號(hào)的相關(guān)性很小，因此可以通過(guò)相關(guān)系數(shù)來(lái)辨別噪聲信號(hào)分量，相關(guān)系數(shù)定義為：

2 應(yīng)用于電力系統(tǒng)故障信號(hào)分析的排列熵算法

文獻(xiàn)[21-24]提出了一種衡量一維時(shí)間序列復(fù)雜度的平均熵參數(shù)——排列熵，它具有較高的魯棒性，能夠較好地反映時(shí)間序列數(shù)據(jù)的微小變化，目前主要應(yīng)用于氣象、醫(yī)學(xué)方面以及機(jī)械故障預(yù)測(cè)領(lǐng)域，在電力系統(tǒng)方面還未得到應(yīng)用。該方法與Kolmogorow熵和Lyapuunov指數(shù)相比具有概念簡(jiǎn)單、計(jì)算簡(jiǎn)單的優(yōu)點(diǎn)，可以更好地檢測(cè)出復(fù)雜系統(tǒng)的動(dòng)力學(xué)突變，下面介紹其基本原理。

(6)

(8)

基于信號(hào)降噪與排列熵分析的電力系統(tǒng)故障診斷步驟為：

1) 首先將含噪信號(hào)經(jīng)小波分解，得到各層小波系數(shù)；2) 設(shè)定一個(gè)閾值，根據(jù)式(1)計(jì)算各分量與原信號(hào)的相關(guān)性，若相關(guān)系數(shù)小于，則直接將其剔除；3) 將經(jīng)過(guò)篩選后的小波分量重構(gòu)得到濾波后的信號(hào)；4) 計(jì)算濾波后信號(hào)的排列熵，通過(guò)熵值診斷系統(tǒng)故障。

總體流程如圖2所示。

圖2 排列熵分析故障診斷流程

3 仿真分析

為驗(yàn)證本文方法的有效性，以圖3所示的10機(jī)39節(jié)點(diǎn)標(biāo)準(zhǔn)測(cè)試系統(tǒng)為例，在電力系統(tǒng)仿真軟件PSCAD中，對(duì)系統(tǒng)發(fā)生概率最大的單相故障進(jìn)行了仿真分析，并測(cè)得了系統(tǒng)故障后、、三相電流信號(hào)，將其做為診斷信號(hào)。

圖3 10機(jī)39節(jié)點(diǎn)系統(tǒng)

3.1 提取故障信號(hào)

通過(guò)在PSCAD里搭建10機(jī)39節(jié)點(diǎn)系統(tǒng)，模擬單相瞬時(shí)性故障。不失一般性，本文選擇了節(jié)點(diǎn)3和節(jié)點(diǎn)18之間的線路發(fā)生相短路故障，故障發(fā)生在100 ms，持續(xù)50 ms消失。通過(guò)在真實(shí)信號(hào)(不含噪聲的信號(hào))基礎(chǔ)上疊加信噪比為5的隨機(jī)噪聲，形成含量測(cè)噪聲的電氣量信號(hào)，如圖4a所示。

3.2 相關(guān)系數(shù)法去噪

采用小波變換對(duì)含噪聲的、、相電流信號(hào)進(jìn)行5層小波分解，共得到32個(gè)小波分量，并用式(3)計(jì)算其相關(guān)系數(shù)，以表示各個(gè)小波分量的相關(guān)系數(shù)，以相電流為例，計(jì)算結(jié)果如表1所示。

表1 A相電流各分量相關(guān)系數(shù)

剔除小波相關(guān)系數(shù)小于0.09的小波分量，采用剩余的小波分量重構(gòu)信號(hào)，如圖4b所示。對(duì)比可知，經(jīng)過(guò)相關(guān)系數(shù)濾波去噪后能夠大致看出信號(hào)的變化，但不夠明顯。

3.3 排列熵分析

對(duì)采集的整個(gè)時(shí)間序列數(shù)據(jù)，分別計(jì)算濾波后信號(hào)的、、三相的排列熵。計(jì)算結(jié)果如表2所示。

表2 排列熵值

從表2可以看出，相電流的排列熵明顯大于相和相。而、兩相電流的排列熵幾乎相等。從而由熵值可以判斷出相發(fā)生了故障。為了詳細(xì)分析整個(gè)時(shí)間序列排列熵的變化，采用文獻(xiàn)[24]的方法。將經(jīng)過(guò)濾噪后的整個(gè)時(shí)間序列數(shù)據(jù)分為若干個(gè)長(zhǎng)度為的子序列，這些子序列相互之間使用最大重疊情形，即將每個(gè)子序列向后移動(dòng)一個(gè)數(shù)據(jù)點(diǎn)得到下一個(gè)子序列。然后分別對(duì)、、三相電流信號(hào)計(jì)算其排列熵，仿真參數(shù)，，。計(jì)算結(jié)果如圖5所示。

由圖5a可以明顯看出，相的排列熵在100 ms和150 ms發(fā)生了明顯突變，從而證明在這兩個(gè)時(shí)刻，電流發(fā)生了突變。而相和相排列熵值很平穩(wěn)沒(méi)有較大變化。因此從排列熵值的變化不僅可以判斷出系統(tǒng)故障，并且可以明顯看出故障發(fā)生的時(shí)刻。從而證明了該方法的有效性。

圖5 排列熵值變化

圖6 d1變化圖

為了做對(duì)比，本文又采用小波分析方法對(duì)信號(hào)做了仿真分析。采用db5小波，對(duì)信號(hào)進(jìn)行6層分解，提取重構(gòu)信號(hào)的高頻部分1如圖6所示。通過(guò)對(duì)比，可得該方法與小波分析具有相同的結(jié)果。

4 結(jié) 論

本文提出將排列熵理論應(yīng)用于電力系統(tǒng)故障診斷中。通過(guò)小波包分解與相關(guān)系數(shù)法去噪后能夠較好地提取出故障的有用信息，并通過(guò)排列熵分析，不僅能夠診斷出系統(tǒng)故障，通過(guò)熵值的變化還可以得出故障發(fā)生的時(shí)刻，仿真結(jié)果驗(yàn)證了該方法的有效性。本文是對(duì)排列熵在電力系統(tǒng)故障診斷中的有益嘗試，并取得了滿意的效果，其算法的簡(jiǎn)單性和有效性可以滿足電力系統(tǒng)在線故障診斷的要求，為電力系統(tǒng)故障信號(hào)分析提供了新的思路，這對(duì)其在電力系統(tǒng)實(shí)際故障診斷中具有一定的參考意義。

[1] 劉道兵. 電網(wǎng)故障診斷的解析化建模與求解[D]. 北京: 華北電力大學(xué), 2012.

LIU Dao-bing. Analytical modeling and solving of power grid fault diagnosis[D]. Beijing: North China Electric Power University, 2012.

[2] 趙偉, 白曉民, 丁劍, 等. 基于協(xié)同式專家系統(tǒng)及多智能體技術(shù)的電網(wǎng)故障診斷方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2006 26(20): 1-8.

ZHAO Wei, BAI Xiao-min, DING Jian, et al. A new fault diagnosis approach of power grid based on cooperative expert system and multi-agent technology[J]. Proceedings of the CSEE, 2006, 26(20): 1-8.

[3] LEE H J, AHN B S, PARK Y M. A fault diagnosis expert system for distribution substations[J]. IEEE Transactions on Power Delivery, 2000, 15(1): 92-97.

[4] LIU Yi, LI Ying, CAO Yi-jia, et al. Forward and backward models for fault diagnosis based on parallel genetic algorithms[J]. Journal of Zhejiang University Science A, 2008, 9(10): 1420-1425.

[5] 楊健維, 何正友, 臧天磊. 基于方向性加權(quán)模糊Petri網(wǎng)的電網(wǎng)故障診斷方法[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2010, 30(34): 42-49.

YANG Jian-wei, HE Zheng-you, ZANG Tian-lei. Power system fault-diagnosis method based on directional weighted Fuzzy Petri nets[J]. Proceedings of the CSEE, 2010, 30(34): 42-49.

[6] SUN Jing, QIN Shi-yin, SONG Yong-hua. Fault diagnosis of electric power systems based on fuzzy Petri nets[J]. IEEE Transactions on Power Systems, 2004, 19(4): 2053-2059.

[7] 王英英, 羅毅, 涂光瑜. 基于粗糙集與決策樹(shù)的配電網(wǎng)故障診斷方法[J]. 高電壓技術(shù), 2008, 34(4): 794-798.

WANG Ying-ying, LUO Yi, TU Guang yu. Fault diagnosis method for distribution networks based on the rough sets and decision tree theory[J]. HighVoltage Engineering, 2008, 34(4): 794-798.

[8] 張耀天, 何正友, 趙靜, 等. 基于粗糙集理論和樸素貝葉斯網(wǎng)絡(luò)的電網(wǎng)故障診斷方法[J]. 電網(wǎng)技術(shù), 2007, 31(1): 37-43.

ZHANG Yao-tian, HE Zheng-you, ZHAO Jing, et al. A power network fault diagnosis method based on rough set theory and naive Bayesian networks[J]. Power System Technology, 2007, 31(1): 37-43.

[9] 周曙. 基于貝葉斯網(wǎng)的電力系統(tǒng)故障診斷方法研究[D]. 成都: 西南交通大學(xué), 2010.

ZHOU Shu. Power system fault diagnosis method based on Bayesian network research[D]. Chengdu: Southwest Jiaotong University, 2010.

[10] LEKKAS G P, AVOURIS N M, PAPAKONSTANTINOU G K. Development of distributed problem solving system for dynamic environments[J]. IEEE Transactions on System, Man and Cybemetics, 1995, 25(3): 400-414.

[11] 張曉玲, 陳先祿. 優(yōu)化技術(shù)在發(fā), 變電所接地網(wǎng)故障診斷中的應(yīng)用[J]. 高電壓技術(shù), 2000, 26(4): 64-66.

ZHANG Xiao-ling, CHEN Xian-lu.The technique of optimization applied in the grounding grid’s failure diagnosis of the power plant and substation[J]. High Voltage Engineering, 2000, 26(4): 64-66.

[12] 高湛軍, 陳青, 程婷婷, 等. 應(yīng)用于電網(wǎng)故障診斷的統(tǒng)一信息模型[J]. 電力系統(tǒng)自動(dòng)化, 2010, 34(9):49-52.

GAO Zhan-jun, CHEN Qing, CHENG Ting-ting, et al. A Uniform information model for power grid fault diagnosis[J]. Auto matio n of Elect ric Power Systems, 2010, 34(9): 49-52.

[13] 翁漢琍, 毛鵬, 林湘寧. 一種改進(jìn)的電網(wǎng)故障診斷優(yōu)化模型[J]. 電力系統(tǒng)自動(dòng)化, 2007, 31(7): 66-70.

WENG Han-li, MAO Peng, LIN Xiang-ning. An improved model for optimizing power system fault diagnosis[J]. Auto matio n of Elect ric Power Systems, 2007, 31(7): 66-70.

[14] 郭文鑫, 廖志偉, 文福拴, 等. 計(jì)及警報(bào)信息時(shí)序特性的電網(wǎng)故障診斷解析模型[J].電力系統(tǒng)自動(dòng)化, 2008, 32(22): 26-31.

GUO Wen-xin, LIAO Zhi-wei, WEN Fu-shuan, et al. An analytic model for power network fault diagnosis with the temporal informationof alarm messages taken in to account[J]. Auto Mation of Elect ric Power Systems, 2008, 32(22): 26-31.

[15] GUO Wen-xin, WEN Fu-shuan, LEDWICH G, et al. An analytic model for fault diagnosis in power systems considering malfunctions of protective relays and circuit breakers[J]. IEEE Transactions on Power Delivery, 2010, 25(3): 1393-1401.

[16] 劉毅, 高振興, 郭創(chuàng)新, 等. 一種考慮多層信息融合的電網(wǎng)故障診斷輔助決策方法[J]. 電力系統(tǒng)保護(hù)與控制, 2010, 38(24): 14-18.

LIU Yi, GAO Zhen-xing, GUO Chuan-xin, et al. An assistant decision-making for fault diagnosis based on multilayer information fusion[J]. Power System Protection and Control, 2010, 38(24): 14-18.

[17] 高振興, 郭創(chuàng)新, 俞斌, 等. 基于多源信息融合的電網(wǎng)故障診斷方法研究[J]. 電力系統(tǒng)保護(hù)與控制, 2011, 39(6): 17-23.

GAO Zhen-xing, GUO Chuan-xin, YU Bin, et al. Study of a fault diagnosis approach for powergrid with information fusion based on multi-data resources[J]. Power System Protection and Control, 2011, 39(6): 17-23.

[18] 關(guān)永剛, 黃瑜瓏. 基于振動(dòng)信號(hào)的高壓斷路器機(jī)械故障診斷[J]. 高電壓技術(shù), 2000, 26(3): 66-68.

GUAN Yong-gang, HUANG Yu-long, QIAN Jia-li. An overview on mechanical failure diagnosis technique for high voltage circuit breaker based on vibration signal[J]. High Voltage Engineering, 2000, 26(3): 66-68.

[20] 符玲, 何正友, 麥瑞坤, 等. 小波熵證據(jù)的信息融合在電力系統(tǒng)故障診斷中的應(yīng)用[J]. 中國(guó)電機(jī)工程學(xué)報(bào), 2008, 28(13): 64-69.

FU Ling, HE Zheng-you, MAI Rui-kun, et al. Information fusion method of entropy evidences and its application to fault diagnosis in power system[J]. Proceedings of the CSEE, 2008, 28(13): 64-69.

[21] 張翠芳. 基于小波變換的信號(hào)降噪技術(shù)的研究[D]. 南京: 南京郵電大學(xué), 2007.

ZHANG Cui-fang. Based on wavelet transform signal noise reduction technology research[D]. Nanjing: Nanjing University of Posts and Telecommunications, 2007.

[22] 侯威, 封國(guó)林, 董文杰, 等. 利用排列熵檢測(cè)近40年華北地區(qū)氣溫突變的研究[J]. 物理學(xué)報(bào), 2006, 55(5): 2663- 2668.

HOU Wei, FENG Guo-lin, DONG Wen-jie, et al. A technique for distinguishing dynamical species in the temperature time series of north China[J]. Acta Phys Sin, 2006, 55(5): 2663-2668.

[23] 姚文坡, 劉鐵兵, 戴加飛, 等. 腦電信號(hào)的多尺度排列熵分析[J]. 物理學(xué)報(bào), 2014, 63(7): 1-7.

YAO Wen-po, LIU Tie-bing, DAI Jia-fei, et al. Multiscale permutation entropy analysis of electroencephalogram[J]. Acta Phys Sin, 2014, 63(7): 1-7.

[24] 馮輔周, 饒國(guó)強(qiáng), 司愛(ài)威. 排列熵算法研究及其在振動(dòng)信號(hào)突變檢測(cè)中的應(yīng)用[J]. 振動(dòng)工程學(xué)報(bào), 2012, 25(2): 221-224.

FENG Fu-zhou, RAO Guo-qiang, SI Ai-wei, et al. Researchand application of the arithmetic of PE in testing the sudden change of vibration signal[J]. Journal of Vibration Engineering, 2012, 25(2): 221-224.

編 輯 漆 蓉

Power System Fault Signal Analysis Based on Permutation Entropy Algorithm

LI Cong-shan, LIU Tian-qi, LI Xing-yuan, CAO Xi-min, and LIU Li-bing

(School of Electrical Engineering and Information, Sichuan University Chengdu 610065)

Rapid and accurate diagnosis of fault has a crucial role for speeding up the recovery process and ensuring the safe operation of the power system. This paper analyzes the data sources currently used in power system fault diagnosis, proposes the use of wide-area information for rapid diagnosis of power systems. First, wavelet transform is used to process the wide area measurement data, through correlation coefficient method to eliminate the noise and reconstruct the signal, then permutation entropy calculation use the of the reconstructed signal. Since the complexity of the arrangement of entropy reflects a one-dimensional time series, the signal changes with high sensitivity, therefore, it can be applied to power system fault diagnosis. Compared with the traditional wavelet analysis method, this method avoids the problem of selecting wavelet base and meets the conditions for online fault diagnosis. In addition, it is simple and easy to program. The approach is applied in IEEE10 machine 39-bus system fault diagnosis. The diagnostic results show the applicability and effectiveness of the method.

correlation coefficient; fault diagnosis; permutation entropy (PE) algorithm; power system; wavelet transform

TM711

A

10.3969/j.issn.1001-0548.2015.02.013

2014-07-01；

2014-10-15

國(guó)家973項(xiàng)目(2013CB228204)

李從善(1985-)，男，博士生，主要從事電力系統(tǒng)穩(wěn)定與控制方面的研究.