智能電網(wǎng)中故障信號特征的分離采集

王文，王永剛

（1.國網(wǎng)浙江省電力公司信息通信分公司工程中心，浙江杭州 310000；2.沈陽農(nóng)業(yè)大學信息與電氣工程學院，遼寧沈陽 110866）

智能電網(wǎng)中故障信號特征的分離采集

王文1，王永剛2

（1.國網(wǎng)浙江省電力公司信息通信分公司工程中心，浙江杭州 310000；2.沈陽農(nóng)業(yè)大學信息與電氣工程學院，遼寧沈陽 110866）

傳統(tǒng)的智能電網(wǎng)中故障信號特征的分離采集方法魯棒性和節(jié)能性較強，但忽視了對信號清晰度和方法峭度的優(yōu)化。為了解決該種問題，提出基于支持向量機和濾波優(yōu)化技術的智能電網(wǎng)中故障信號特征分離采集方法。通過建立智能電網(wǎng)設備模型，獲取智能電網(wǎng)中的故障信號，并使用支持向量機將非線性故障信號簡化成線性空間特征，得到故障分離結果。采用濾波優(yōu)化技術抑制故障分離結果中的噪音，獲取最終的故障信號特征采集結果。經(jīng)實驗分析可得，所提方法具有良好的信號清晰度和峭度，較好地詮釋了設計初衷。

智能電網(wǎng)；故障信號；特征；分離；采集

智能電網(wǎng)中設備較多，每個設備本身即為一個繁雜的系統(tǒng)，其故障信號的特征也具有多發(fā)性、不確定性和聯(lián)系性，只有經(jīng)由信息化手段才能對智能電網(wǎng)中的故障信號特征進行準確分離和采集[1]?？紤]到智能電網(wǎng)是以魯棒性和節(jié)能性為基礎構建出來的，其故障信號特征的分離采集方法也應嚴格遵守這兩點要求[2]。

傳統(tǒng)方法對智能電網(wǎng)中故障信號特征分離采集時，具有較強的魯棒性和節(jié)能性較強，往往忽視了對故障信號清晰度或方法峭度的優(yōu)化。如文獻[3]提出的盲信號分離采集方法，是一種在智能電網(wǎng)中故障信號的傳播途徑上對故障信號特征分離的方法，該方法側重于進行信號分離，峭度較好，但對采集過程的設計方法缺陷較為明顯；文獻[4]基于數(shù)據(jù)驅動提出一種峭度優(yōu)化能力較強的智能電網(wǎng)中故障信號特征分離采集方法，這種方法的提出時間不長，仍處于研究階段，各項性能卻很高，但目前實現(xiàn)難度較大；文獻[5]采用自適應算法構建了智能電網(wǎng)的虛擬反饋網(wǎng)絡，再經(jīng)由傳感器對分離出的故障信號特征進行采集，其信號清晰度和方法峭度均較好，但整體性能不穩(wěn)定；文獻[6]提出一種基于概率密度函數(shù)模型的智能電網(wǎng)中故障信號特征分離采集方法，這種方法的分離性能較強，因此信號清晰度極好，但峭度不好。

為了解決上述問題，在維持方法魯棒性和節(jié)能性的前提下，基于支持向量機和濾波優(yōu)化技術提出一種智能電網(wǎng)中故障信號特征分離采集方法。經(jīng)實驗分析可得，所提方法的信號清晰度和峭度均較好。

1 智能電網(wǎng)中故障信號特征的分離

1.1 智能電網(wǎng)中設備模型的建立

在智能電網(wǎng)中，故障是指設備無法根據(jù)自身原有功能完成被分配到的規(guī)范任務[7]。對設備情況的監(jiān)控、判別和推斷都是排除智能電網(wǎng)故障的有效方法，但這些方法最根本的目標都是將故障信號特征分離開來進行采集和分析。因此，對智能電網(wǎng)中故障信號特征的分離工作是重中之重，這標志著智能電網(wǎng)中魯棒性和節(jié)能性這2種基礎性能是否能夠被實現(xiàn)。

建立穩(wěn)定、節(jié)能的智能電網(wǎng)設備模型是實現(xiàn)故障信號特征分離的基礎，能夠有效加強所提智能電網(wǎng)中故障信號特征分離采集方法的信號清晰度以及峭度，符號設計初衷。因此，所提方法給出了如圖1所示的智能電網(wǎng)設備模型，模型中涵蓋了智能電網(wǎng)設備的基礎信息、特征參量、標準工作參數(shù)以及環(huán)境氣象狀況。

圖1 智能電網(wǎng)設備模型Fig.1 Model of the smart grid equipment

基礎信息是指智能電網(wǎng)設備的出廠信息，通常包括其自身的型號、制造日期、使用周期、內(nèi)部結構圖紙和技術規(guī)范等，是設備的專有屬性；特征參量是指能夠衡量設備運轉情況的評估項目，其分為額定和實際兩種類型，包括電流、電壓、熱能、機械能等；標準工作參數(shù)是指設備運轉最為穩(wěn)定情況下的特征參量，標準工作參數(shù)并不是額定不變的，工作溫度和壓強、使用周期和操作是否符合標準均會影響到其具體數(shù)值；環(huán)境氣象狀況是指智能電網(wǎng)設備所處的工作環(huán)境和外界氣象，環(huán)境氣象狀況是影響設備使用年限和工作能力的重要因素。

通過將智能電網(wǎng)設備的實際運行情況與上述模型給出的信息進行對比，能夠較為容易地獲取到智能電網(wǎng)中的故障信號，因此本文使用支持向量機對故障信號特征進行分離。

1.2 基于支持向量機的信號特征分離方法

支持向量機于1995年首次被提出，是一種建設于統(tǒng)計學和構造危害極小化理論基礎上的線性分離方法，可使用為數(shù)不多的模型參考數(shù)據(jù)對模型的深層信息進行推測，并借助核函數(shù)將非線性問題簡化成線性空間特征。這種方法運算簡單并且分離精度較高，被廣泛應用于各科研領域[8]。

支持向量機的結構與神經(jīng)網(wǎng)絡結構較為接近，但運算量要遠遠低于神經(jīng)網(wǎng)絡。如圖2所示，支持向量機輸出的分離函數(shù)f（x）是由大量間接節(jié)點構成的線性集合，每個間接節(jié)點均有不唯一的故障信號輸入量，這些故障信號輸入量是一種不可控增援向量，并且每個間接節(jié)點的計算過程均互不干擾，能夠有效維護智能電網(wǎng)的魯棒性。

圖2 支持向量機分離結構圖Fig.2 Structure diagram of the support vector machine

現(xiàn)根據(jù)支持向量機分離結構圖對圖1中給出的智能電網(wǎng)故障信號進行特征分離。將待分離的智能電網(wǎng)故障信號引入到二維向量坐標系中，其橫坐標集合用X表示，X={x1，x2，…，xn}，縱坐標集合用Y表示，Y={y1，y2，…，yn}，n是兩集合元素在坐標系中的維度。如果待分離智能電網(wǎng)故障信號的特征數(shù)量有m個，則其特征集合可表示為

智能電網(wǎng)故障信號特征的分離問題并非是簡單線性關系，因此，支持向量機需要借助核函數(shù)對非線性分離進行轉化。核函數(shù)對n維坐標系中故障信號特征的線性空間轉化，也就是將特征集合T轉化成線性可分的過程，在該過程中，如果橫坐標集合X實現(xiàn)了線性可分，那么縱坐標集合Y也能夠立刻進行轉化[9-11]。因此，將橫坐標集合X定義為核函數(shù)，用θ表示松弛因子，D表示懲戒參數(shù)，θ≥0，D＞0，有

式中：ω為X與Y之間元素的角度變量。

在支持向量機中，分離函數(shù)f（x）的實質(zhì)就是當故障信號特征集合中各元素歸于0時的極端解，在此引入動力學方程參數(shù)λ對分離函數(shù)f（x）進行約束。將λ設為檢驗集合T元素是否歸0的權值，有

通常，在智能電網(wǎng)的實際應用中不會僅用到一臺支持向量機，如果使用k臺支持向量機同時進行故障信號特征分離，則需要將其中一臺設為主機，剩余的k-1臺支持向量機可使用式（4）進行特征分離，再將分離結果匯總于主機中，此時主機中的分離結果可用式（5）表示：

式（5）能夠獲取到k個故障信號特征分離結果，最終的結果是其中的最大值?；谥С窒蛄繖C的智能電網(wǎng)中故障信號特征分離方法具有運算速率快、輸出結果魯棒性強，并且峭度較好的優(yōu)點。

2 智能電網(wǎng)中故障信號特征的采集

所提出的智能電網(wǎng)中故障信號特征分離采集方法，使用濾波優(yōu)化技術采集故障信號特征分離結果。濾波優(yōu)化技術由降解濾波和小波分解共同融合而成，降解濾波可在故障信號特征分離結果上進行大局化最優(yōu)結果鎖定，增強采集智能電網(wǎng)中故障信號特征采集結果的魯棒性[12-14]。小波分解則能夠對分離結果中的噪音加以抑制，使所提方法獲取到更為優(yōu)異的信號清晰度，如圖3所示。

由圖3可知，將智能電網(wǎng)中的故障信號特征分離結果輸入并獲取濾波因子s（k），有

式中：ymax為集合Y中的最大值。

用戶自行設定一個適應度閾值S，高于該值的s（k）將直接被復制并進入小波分解，低于閾值S的s（k）將與歷史運算結果或標準預設結果進行對比，賦予其最優(yōu)的正交分解數(shù)值，再進行小波分解。

圖3 濾波優(yōu)化技術采集流程圖Fig.3 Flow chart of the filtering optimization technique

在小波分解中，將s（k）分解成2個正交標尺向量aj，k和小波向量bj，k：

若式（7）滿足式（8）的約束，便可以實現(xiàn)對濾波因子的優(yōu)化，如式（8）所示。

使用式（9）對式（5）給出的智能電網(wǎng)中故障信號特征分離結果進行濾波優(yōu)化后，便能夠獲取到最終的故障信號特征采集結果。

3 智能電網(wǎng)中故障信號特征分離采集方法的實現(xiàn)

傳統(tǒng)的智能電網(wǎng)故障信號特征分離采集方法以客戶端-服務器端為軟件實現(xiàn)結構，無法賦予方法較好的信號清晰度和峭度。在科技高速發(fā)展的當今社會，智能電網(wǎng)需要一種更高層次的軟件結構來支撐方法的高端性能。為此，本文以一種5層結構對所提方法進行實現(xiàn)，如圖4所示。這種結構以J2EE為基礎，將客戶端與服務器端之間加入業(yè)務邏輯端、表現(xiàn)端和訪問端，為用戶提供更多功能，包括可視化和數(shù)據(jù)共享。整個結構較比傳統(tǒng)的軟件結構運行更加穩(wěn)定，并且擴展性能更強，對用戶隱私數(shù)據(jù)的存儲功能更加完善。

圖4 智能電網(wǎng)故障信號特征分離采集方法軟件實現(xiàn)結構圖Fig.4 Structure diagram of intelligence power grid fault signal feature separation and collection software realization

智能電網(wǎng)故障信號特征分離采集方法的軟件實現(xiàn)結構是方法能夠進行合理開發(fā)、完善后期功能的體現(xiàn)，需要被重點對待。圖4給出的軟件實現(xiàn)結構能夠對所提方法的功能進行內(nèi)部實現(xiàn)，開發(fā)者只需進行數(shù)據(jù)接口接線，無需過多了解軟件細節(jié)便可進行開發(fā)，實現(xiàn)較為簡單，并且功能性更強。

4 實驗分析

本文實驗模擬出一個60 Hz、帶寬45%、幅值為2的高斯脈沖信號，將其作為智能電網(wǎng)中的待提取的故障信號特征，對本文所提方法的信號清晰度和峭度的好壞進行分析。實驗還將文獻[3]和文獻[6]中的方法設置成對照組，以使實驗結果更為直觀，便于分析。

4.1 信號清晰度分析

實驗給出的模擬信號波形如圖5所示，經(jīng)3種方法實施故障信號特征分離和采集后的信號波形用圖6、圖7描述。圖6中的特征分離結果顯示，本文方法和文獻[3]中的方法信號波形與圖5中的較為相似，可繼續(xù)進行信號清晰度評估。而文獻[6]中方法的衰減程度較大，證明其無法合理實現(xiàn)特征分離，信號清晰度對該方法的評估意義不大；圖7中的特征采集結果顯示，本文方法的信號波形最為清晰，證明其能夠對特征分離結果中的噪音進行有效消除。以上結果說明，本文方法擁有極好的信號清晰度。

圖5 模擬信號初始波形圖Fig.5 Initial waveform of the analog signal

圖6 分離信號波形圖Fig.6 Separating signal waveform

圖7 采集信號波形圖Fig.7 Waveform of the signal acquisition

4.2 峭度分析

在智能電網(wǎng)故障信號特征的分離采集方法中，峭度是評價信號特征分布屬性的匯總值，也是方法整體性能的體現(xiàn)。峭度好的方法也擁有較好的收斂性和降噪魯棒性，并且具有一定的節(jié)能效果。3種方法在實驗時間推進下的峭度（單位為1）對比曲線如圖7所示。

由圖8可知，本文方法的峭度由5開始上升，于14 min后穩(wěn)定于11.8，優(yōu)于比其它兩種方法，可證明本文方法擁有良好的峭度，可對設計初衷進行有力的詮釋。

圖8 方法峭度對比曲線圖Fig.8 Comparison of kurtosis curve method

5 結論

本文在維持方法魯棒性和節(jié)能性的前提下，基于支持向量機和濾波優(yōu)化技術提出一種智能電網(wǎng)中故障信號特征分離采集方法。支持向量機可使用為數(shù)不多的模型參考數(shù)據(jù)對模型的深層信息進行推測，并借助核函數(shù)將非線性問題簡化成線性空間特征。濾波優(yōu)化技術則由降解濾波和小波分解共同融合而成。二者共同實現(xiàn)了本文的設計初衷，經(jīng)實驗分析可得，所提方法具有良好的信號清晰度和峭度。

[1]朱佰澤，卜慶凱.語音信號特征提取算法研究[J].現(xiàn)代電子技術，2016，39（4）:9-11.ZHU Baize，BU Qingkai.Algorithm for feature extraction of speech signal[J].Modern Electronics Technique，2016，39（4）:9-11（in Chinese）.

[2]王建波，邵文權，張艷麗，等.電壓差特征引起電壓暫降的故障類型識別[J].西安工程大學學報，2015，29（5）:617-622.WANG Jianbo，SHAO Wenquan，ZHANG Yanli，et al.A fault type detection scheme for voltage sag based on differential-voltage[J].Journal of Xi’an Polytechnic University，2015，29（5）:617-622（in Chinese）.

[3]梁先芽，沙云東，張強，等.基于復雜傳遞路徑的發(fā)動機主軸軸承故障信號提取技術[J].沈陽航空航天大學學報，2014，31（6）:24-30.LIANG Xianya，SHA Yundong，ZHANG Qiang，et al.Fault information extraction of engine main shaft bearings based on complex transmission path[J].Journal of Shenyang AerospaceaceUniversity，2014，31（6）:24-30（in Chinese）.

[4]苗鋒，趙榮珍，劉宏.基于自適應粒子群優(yōu)化的非線性轉子故障特征提取[J].蘭州理工大學學報，2014，40（6）:35-39.MIAO Feng，ZHAO Rongzhen，LIU Hong.Extraction of fault characteristics from nonlinear rotor based on adaptive particle swarm optimization[J].Journal of Lanzhou University of Technology，2014，40（6）:35-39（in Chinese）.

[5]王元生，任興民，鄧旺群，等.基于ITD和DSS的旋轉機械信號識別研究[J].機械科學與技術，2015，34（6）: 863-866.WANG Yuansheng，REN Xingmin，DENG Wangqun，et al.An efficient identification method of rotating machinery fault signals based on ITD and DSS[J].Mechanical Science and Technology for Aerospace Engineering，2015，34（6）: 863-866（in Chinese）.

[6]肖婷婷，高福斌，田小建.脈搏信號相干檢測方法的實驗研究[J].現(xiàn)代電子技術，2015，38（16）:118-121.XIAO Tingting，GAO Fubin，TIAN Xiaojian.Experimental research on coherent detection method for pulse signal[J].Modern Electronics Technique，2015，38（16）:118-121（in Chinese）.

[7]孔佑炳，郭瑜，伍星.基于EEMD的混合陶瓷球軸承故障雙沖擊特征提取[J].振動與沖擊，2016，35（1）:17-22.KONG Youbing，GUO Yu，WU Xing.Double-impulse feature extraction of faulty hybrid ceramic bah bearings based on EEMD[J].Journal of Vibration and Shock，2016，35（1）:17-22（in Chinese）.

[8]唐貴基，鄧飛躍.基于改進諧波小波包分解的滾動軸承復合故障特征分離方法[J].儀器儀表學報，2015，36（1）:143-151.TANG Guiji，DENG Feiyue.Compound fault features separation method of rolling element bearing based on improved harmonic wavelet packet decomposition[J].Chinese Journal of Scientific Instrument，2015，36（1）: 143-151（in Chinese）.

[9]余先勇，李曉明.海量故障錄波數(shù)據(jù)輕型傳輸機制研究[J].華東電力，2014，42（6）:1129-1133.YU Xianyong，LI Xiaoming.Lightweight transmission mechanism of massive fault recording data[J].East China Electric Power，2014，42（6）:1129-1133（in Chinese）.

[10]施微，黃磊，徐箭，等.基于有限同步量測數(shù)據(jù)的電力系統(tǒng)故障檢測、辨識與定位[J].電網(wǎng)技術，2015，39（4）:1067-1074.SHI Wei，HUANG Lei，XU Jian，et al.Fault detection，identification and location based on measurement data from finite synchronized phasor measurement[J].Power System Technology，2015，39（4）:1067-1074（in Chinese）.

[11]朱城香，楊俊華，陳思哲，等.智能電網(wǎng)背景下基于人工智能理論的需求響應技術[J].陜西電力，2015，43（7）:63-69.ZHU Chengxiang，YANG Junhua，CHEN Sizhe，et al.Demand response technologies based on artificial intelligence theories in smart grid[J].Shaanxi Electric Power，2015，43（7）:63-69（in Chinese）.

[12]饒堯，邱澤晶，彭旭東，等.基于層次分析法的電網(wǎng)能效影響因子分析研究[J].節(jié)能技術，2014，32（1）:51-54.RAO Yao，QIU Zejing，PENG Xudong，et al.Analysis of grid energy efficiency factors based on analytic hierarchy process[J].Energy Conservation Technology，2014，32（1）: 51-54（in Chinese）.

[13]胡雯，孫云蓮，王定美.基于運行狀態(tài)評估的智能配電網(wǎng)自愈控制方案研究[J].陜西電力，2013，41（6）:35-38.HU Wen，SUN Yunlian，WANG Dingmei.Self-healing control in smart distribution grid based on operation state evaluation[J].Shaanxi Electric Power，2013，41（6）：35-38（in Chinese）.

[14]胡琥，李亞莉，田昕.嵌入式電力能耗檢測系統(tǒng)的開發(fā)與調(diào)試[J].節(jié)能技術，2012，30（5）:422-423.HU Hu，LI Yali，TIAN Xin.Embedded power energysaving detection system development and debugging[J].Energy Conservation Technology，2012，30（5）:422-423（in Chinese）.

（編輯 徐花榮）

Separation and Acquisition of Fault Signal Characteristics in Smart Grid

WANG Wen1，WANG Yonggang2
（1.Engineering Center of Information and Communications Branch，State Grid Zhejiang Electric Power Company，Hangzhou 310000，Zhejiang，China；2.School of Information and Electronic Engineering，Shenyang Agricultural University，Shenyang 110866，Liaoning，China）

The traditional method for separation and acquisition of fault signal characteristics in the smart grid has strong robustness and good effect of energy-saving，but it ignores the optimization of the signal definition and method of kurtosis.To solve this problem，this paper proposes a new method based on support vector machine and filter optimization technique.To obtain the fault signal，a smart grid equipment model is established and the support vector machine is used to simplify the nonlinear fault signal into a linear space feature and get the result of fault separation.The filtering optimization technique is used to suppress the noise in the result of fault separation and obtain the final result of the fault signal feature acquisition.The experimental analysis suggests that the proposed method has good signal clarity and kurtosis，a better interpretation of the original design.

smart grid；fault signal；characteristic；separation；acquisition

2016-07-18。

王 文（1985—），男，本科，工程師，項目經(jīng)理，主要從事信息化項目管理工作；

王永剛（1977—），男，博士，講師，研究方向為電氣工程。

浙江省科技廳2015年度科研項目（課題編號：15ZJSS1024）；國家自然科學基金（61673281）。

Project Supported by Scientific Research Program 2015 of the Science and Technology DepartmentofZhejiang Province（No.15ZJSS1024）；the National Natural Science Foundation of China（61673281）.

1674-3814（2016）11-0069-05

TP14

A