• 专利附录
  • 专利说明
  • 权利要求
  • 类似技术
  • 同族专利
  • 引用文献
  • 法律状态
  • 优先权
    • 专利摘要:
    本發明實施例提供一種高壓輸配電網路之故障偵測、辨識與定位之方法，此方法包括以下步驟。首先，將故障之一個週期內的電壓信號與電流信號進行多階層小波轉換，並據此產生複數個高頻信號。然後，對複數個高頻信號進行主成分分析，並據此產生至少一個信號特徵值。接著，使用支援向量機分類信號特徵值，以得到故障類型。再來，使用對應故障類型之可適性結構類神經網路偵測故障位置。據此，所述方法可完成故障偵測、分類與定位，且所述方法所花費的時間遠短於臨界故障清除時間。
    公开号:TW201303319A
    申请号:TW100123915
    申请日:2011-07-06
    公开日:2013-01-16
    发明作者:Joe-Air Jiang；Cheng-Long Chuang；Jiing-Yi Wang；Chih-Hung Hung
    申请人:Univ Nat Taiwan；
    IPC主号:Y04S10-00
    专利说明:
    高壓輸配電網路之故障偵測、辨識與定位之方法及系統
    本發明有關於高壓輸配電網路，特別是有關於高壓輸配電網路之故障偵測、辨識與定位之方法及系統。
    傳輸線的電力品質在現今是被視為使發電廠能夠達到持續供電給終端使用者的主要因素。由於故障防護系統能避免經濟損失，故對於高壓輸配電網路而言，故障防護系統是基本且重要的。故障防護系統會處理電壓或電流信號，並據此判斷是否有故障產生。若有故障的發生，則故障防護系統會判斷故障種類與故障位置，並決定所需採取之行動，以據此移除輸電線系統中的故障。用於繼電器的傳統傳輸線系統保護方法是在時域與頻域監視電壓和電流信號的失真(distortion)。
    防護系統所採用的趨近方式通常可以分為三個類型，其分別為基於量化模式法(quantitative model-based approaches)、基於品質模式法(qualitative model-based approaches)與資料為中心之方法(data-driven approaches)。基於量化模式法與基於品質模式法在模擬研究時具有較好的效果。然而，在故障之電壓與電流信號有雜訊的情況下，上述這兩個方法的效果比較不佳。因此，量測雜訊和系統雜訊是這兩個方法表現好壞的關鍵因素。
    在實際的應用上，資料為中心之方法在實施上較具彈性，且可針對不同系統，進行故障偵測與故障分類，因此資料為中心之方法可以使故障防護系統更具能抵抗雜訊之強健性。資料為中心之方法可以例如採用人工智慧技術，因此資料為中心之方法適用於具有未知程度之量測雜訊與系統雜訊的不同系統。
    在電力傳輸線上所產生的故障可能導致電力供應的中斷，而造成電力連續服務的兩個主要指數(index)的惡化。此兩個主要指數是系統平均中斷頻率指數與系統平均中斷時間指數。為了降低這兩個主要指數，多種方法已經被提出用來偵測故障、分類故障或定位故障位置。當故障發生時，故障防護系統須分類故障類型與辨識問題相位。
    故障類型的特徵可以透過轉換器或濾波器的處理而被得知，濾波器或轉換器例如為傅立業(Fourier)轉換器、卡爾曼濾器(Kalman filter)、碎形(fractal)轉換器或小波(wavelet)轉換器等。然而，故障種類的數量眾多，故傳統故障防護系統可能無法同時保護各種故障類型。簡單地說，傳統故障防護系統在故障發生後的短時間內，可能無法完成故障事件的偵測、故障種類的判定與故障位置的定位。
    本發明實施例提供一種高壓輸配電網路之故障偵測、辨識與定位之方法，此方法包括以下步驟。首先，將故障之一個週期內的電壓信號與電流信號進行多階層小波轉換(multi-level wavelet transform)，並據此產生複數個高頻信號。然後，對複數個高頻信號進行主成分分析(Principle Component Analysis，PCA)，並據此產生至少一個信號特徵值(signal characteristic value)接著，使用支援向量機(Support Vector Machine，SVM)分類信號特徵值，以得到故障類型。再來，使用對應故障類型之可適性結構類神經網路(Adaptive Structure Neural Networks，ASNN)偵測故障位置。
    本發明實施例還提供一種高壓輸配電網路之故障偵測、辨識與定位之系統，此高壓輸配電網路之故障偵測、辨識與定位之系統包括至少一個量測單元、故障診斷裝置與波形記錄器。量測單元透過匯流排連接電性連接高壓輸配電網路，用以獲得三個相位的電壓與電流信號。故障診斷裝置接收量測單元所獲得的三個相位的電壓與電流信號，且故障診斷裝置進行故障偵測、分類與定位。波形記錄器用以記錄故障發生時的三個相位的電壓與電流信號。
    綜上所述，本發明實施例所提供的高壓輸配電網路之故障偵測、辨識與定位之方法及其系統可偵測故障、判定故障類別與估計故障位置。另外，所述高壓輸配電網路之故障偵測、辨識與定位之方法及其系統自故障發生後，其完成故障偵測、分類與定位的時間遠短於臨界故障清除時間(critical fault clearing time)。
    為使能更進一步瞭解本發明之特徵及技術內容，請參閱以下有關本發明之詳細說明與附圖，但是此等說明與所附圖式僅係用來說明本發明，而非對本發明的權利範圍作任何的限制。 [高壓輸配電網路之故障偵測、辨識與定位之方法的實施例]
    請參照圖1，圖1為本發明實施例之高壓輸配電網路之故障偵測、辨識與定位之方法的流程圖。高壓輸配電網路之故障偵測、辨識與定位之方法可以使用硬體電路來實現，或者使用計算機裝置配合軟體的方式來實現。
    首先，在步驟S1中，使用負序轉換(Negative Sequence Component，NSC)偵測高壓輸配電網路是否有故障。若無故障發生，則重複進行步驟S1。若有故障發生，則進行步驟S2。然後，在步驟S2中，將故障之一個週期內的電壓信號與電流信號進行多階層小波轉換，並據此產生複數個高頻信號。
    接著，在步驟S3中，對高頻信號進行主成分分析，並據此產生至少一個信號特徵值。再來，在步驟S4中，使用支援向量機分類信號特徵值，以得到故障類型。然後，在步驟S5中，使用可適性結構類神經網路偵測故障位置。
    在高壓輸配電網路中，電壓與電流信號的失真(distortion)主要是歸咎於故障。故障可能產生暫態的現象，且會造成電壓信號與電流信號之三相不平衡。無論在平衡或非平衡的三相系統，負序(negative sequence)電壓信號與負序電流信號是敏感於故障與誤接所產生的信號。
    若三相電壓與三相電流表示成V abc 與I abc ，其中V abc =(V a ,V b ,V c )且I abc =(I a ,I b ,I c )，且a～c分別代表不同相位。三個對稱的電壓與電流信號的分量可以整理為V 012=(V 0,V 1,V 2)與I 012=(I 0,I 1,I 2)，其中0、1與2分別代表零、正與負序分量。電壓信號的負序分量(V 2, a ,V 2, b ,V 2, c )與電流信號的負序分量(I 2 , a ,I 2. b ,I 2, c )被用來作為故障指標。
    然而，在非平衡的三相輸配電系統中，因為不同的系統阻抗與相異的負載分佈使得負序電壓與負序電流可能會具有相當大的值。為了辨識非零的電壓負序分量V 2與電流負序分量I 2，將電壓負序分量V 2 與電流負序分量I 2對時間t做偏微分，如下面的方程式，
    接著，為了降低錯誤警報的機率，將偏微分的電壓負序分量 V 2/ t與電流負序分量 I 2/ t作迴旋積分，以獲得綜合故障指示(joint fault indicator)。綜合故障指示對於故障事件的偵測較為可靠，且綜合故障指示可以如式(1)表示，
    ，其中D(t)為在時間t量測的接點故障指示，R(τ)可以為三角面積函數R(t)=(1-100t)‧(H(t)-H(t-0.01))，其中H(t)為階梯函數。
    請參照圖2，圖2為本發明實施例之接點故障指示之參數R(t)的波形圖。R(t)用以作為綜合故障指示D(t)作迴旋積分的函數。例如，可以定義當綜合故障指示D(t)大於門限值(例如為1)時，則代表偵測到故障發生。在本實施例中，以圖2所示的R(t)的條件下，若在0.01秒的連續時間內，偏微分的電壓負序分量 V 2/ t與電流負序分量 I 2/ t的迴旋積分之和大於1，則可以視為偵測到故障發生。
    另外，綜合故障指示D(t)的參數R(t)可以被設計來調整偵測故障的敏感度。值得一提的是，此實施例的高壓輸配電網路之故障偵測、辨識與定位之方法使用綜合故障指示D(t)來判斷故障發生，故能避免故障之電壓或電流信號的頻率偏差與振幅變化所產生之誤判，其中頻率偏差與振幅變化導因於高壓輸配電網路中之操作參數的變化。
    請參照圖3A至圖3E，圖3A與圖3B分別為本發明實施例之電壓信號與電壓負序分量的波形圖。圖3C與圖3D分別為本發明實施例之電流信號與電流負序分量的波形圖。圖3E為本發明實施例之接點故障指示的波形圖。於此實施例中，故障為在時間t約為1秒時發生，且其為在距離安裝同步相量量測裝置(phasor measurement unit，PMU)的匯流排0.95p.u.(per unit)的位置所觸發三相接地的故障。
    在圖3A與圖3C中，相位a的電壓與電流信號以虛線表示，相位b的電壓與電流信號以實線表示，相位c的電壓與電流信號以點線表示。由圖3A與圖3C可知，故障約在時間t為1.00034秒時被成功偵測，電壓負序分量 V 2/ t與電流負序分量 I 2/ t也同時增加(請對應參照圖3B與圖3D)。由圖3B與圖3D可知，電壓負序分量 V 2/ t與電流負序分量 I 2/ t在故障發生時並不穩定，使得電壓負序分量 V 2/ t與電流負序分量 I 2/ t無法直接作為故障的指示。綜合故障指示D(t)則可作為故障分類與故障位置估計的有效的觸發。
    於步驟S2中所產生的高頻信號包括第一階與第二階小波細節信號，且甚至可以包括更高階的小波細節信號。小波轉換適用於非穩態與非週期信號在時域與頻域的分析，並據此汲取信號特徵。
    在本實施例中，所述小波轉換可以是多階層連續小波轉換(multi-level continuous wavelet transform，ML-CWT)，且多階層連續小波轉換的轉換公式可以表示為式(2)，
    其中表示經過多階層連續小波轉換所獲得之小波係數，Ψ(‧)為母小波，a與b分別是代表比例化與轉換參數的實數。比例化參數a可用以判斷震盪頻率與小波的長度，而轉換參數b則用以控制平移的位置。小波係數提供了對應於電壓信號V a (t)在比例化與平移小波間的量測相似度。
    須要注意的是，多階層連續小波轉換僅是實現小波轉換的其中一個實施例，然而，本發明並不因此限定。實際應用時，多階層連續小波轉換可以改用多階層離散小波轉換(Multi-level DWT，ML-DWT)來實施。據此，式(2)的多階層連續小波轉換可以離散化為式(3)，
    多階層離小波轉換用以遞迴地分解三相電壓信號V abc 與三相電流信號I abc ，以獲得對應的小波近似係數與小波詳細係數，此過程又可稱為多重解析小波分析(multi-resolution analysis，MRA)。小波近似係數與小波詳細係數分別代表三相電壓信號V abc 與三相電流信號I abc 的低頻信號與高頻信號。
    請參照圖4，圖4為本發明實施例之多重解析小波分析的馬雷(Mallat)式離散小波分解過程的示意圖。式(3)的多階層離散小波轉換可以用馬雷演算法分解。在本實施例中，第一階與第二階小波詳細係數可以表示為()，且在步驟S3中，第一階與第二階小波細節信號會被拿來進行主成分分析。
    母小波Ψ(．)的選擇與故障分類的準確性有關，在本實施例中，多貝西(Daubechies)小波的Db4小波是被選為多階層離散小波轉換(ML-DWT)的母小波。多貝西(Daubechies)小波的Db4小波已被證實是用於輸配電系統的故障分析的最有效的母小波，如參考文獻，「A.H. Osman and O.P. Malik,“Protection of parallel transmission lines using wavelet transform,”IEEE Trans. Power Deliv.,Vol. 19,no. 1,pp. 49-55,2004.」。舉例來說，若以取樣頻率3840Hz(電力系統的頻率為60Hz，每週期取樣64次)來量測電壓與電流，第一階小波詳細係數的與第二階小波詳細係數的頻率分別為960-1920Hz與480-960Hz。除此之外，透過上述兩個在高頻帶的第一階與第二階小波係數，將可以取得故障之暫態現象的資訊。
    由於從實際高壓輸配電網路所量測到的信號充滿多餘的資訊，且這些多餘的資訊也存在於轉換後的小波係數中。在本實施例中，高頻信號的主成分為第一階小波細節信號與第二階小波細節信號。在故障的電壓和電流信號經過多階層離散小波轉換(ML-DWT)後，電壓和電流信號的第一階小波細節信號與第二階小波細節信號可以表示成下述的向量，

    其中C a 、C b 與C c 分別代表傳輸線的相位a～c的高頻特徵。在本實施例中，每個週期的取樣次數為64次，所以C a 、C b 與C c 分別包含64個向量(k=1～64)。C a 、C b 與C c 的平均為式(7)與式(8)，

    ，其中x {a,b,c}，y {d1,d2}。
    接著，將C a 、C b 與C c 做置中平減(mean-centered)得到式(9)，
    其中x {a,b,c}，代表傳輸線的相位x的電壓與電流信號之置中平減的小波詳細係數。為了找到在的每一個欄(column)最大的可能投影向量e，得找到一組正交向量e x (k)使得下式的值為最大，
    而且正規化(orthonormality)限制是(l)e x (k)=δ x (l,k)，其中x {a,b,c}，δ x (l,k)是大小為l×k的單位矩陣。向量e x (k)與純量λ x (k)是共變異數(covariance) Cov x =的特徵向量與特徵值。
    為了獲得向量e x (k)與純量λ x (k)，假設d(k)與μ(k)是共變異數的特徵向量與特徵值，亦即 d(k)=μ k d k 。將 d(k)=μ k d k 兩邊乘上而成為，因此共變異數Cov x 的首M-1個特徵向量e x (k)與特徵值λ x (k)可以由 d(k)與μ k 得到，其中x {a,b,c}。
    需要注意的是，為了讓 d(k)與e x (k)相同， d(k)得被歸一化。對應於共異變數Cov x 的非零特徵值的特徵向量產生正規化基底，此基底形成的子空間使得大多數的傳輸線的電壓與電流的小波細節信號僅具有少量誤差。特徵向量e x (k)可以依據特徵向量的特徵值λ x (k)以遞減的方式排列。具有最大特徵值的特徵向量可用以反應小波細節信號中的最大的變化量，因為經過排列後的特徵值是以指數的方式遞減，使得大約百分之九十的變化量是在前面百分之五到百分之十的維度內。
    透過計算Ωx=[υ x . 1,υ x . 2,...,υ x . M ']，其中υ x.k '=(k')(k')，k'=1,2,...,M'，小波細節信號可以被投影在M'(<<64)維度的向量空間中。υ x.k '是在新的向量空間的小波細節信號的第k'個座標，且υ x.k '也是傳輸線在相位x(x {a,b,c})的電壓和電流信號的主要成分。簡言之，在步驟S3中，依據傳輸線的相位a、b、c的高頻特徵C a 、C b 與C c ，而得到信號特徵值υ x.k '，其中x {a,b,c}。
    信號特徵值υ x.k '的首兩個維度使電壓與電流信號在傳輸線的每個相位的小波細節信號(=[υ a ,1,υ a ,2]、=[υ b . 1,υ b . 2]與=[υ c .1,υc .2])投影在一個特徵平面。在本實施例中，步驟S4所述的支援向量機用以分類此特徵空間的首兩個維度的主成分值，並據此分類出不同類型的故障。然而需要說明的是，本發明並不因此限定，支援向量機也可以分類此特徵空間的首兩個以上的維度的主成分值，並據此分類出不同類型的故障。支援向量機是一種通用學習演算法，具有單輸出且可以藉由統計理論的理論結果處理線性與非線性分離模型。因此，支援向量機(SVM)可以依據分類訓練樣本而得到的不同類型的故障，從而用以分類新產生的故障。
    請參照圖5，圖5為本發明實施例之故障類型的示意圖。在圖5中，電阻R f 代表故障電阻，電阻R g 代表接地電阻，電阻HIF代表高阻抗故障電阻。在本實施例中的故障類型可以分為以下六類：(a)單相接地的故障，“相位a接地”、“相位b接地”與“相位c接地”；(b)雙相位接地的故障，“相位及b接地”、“相位b及c接地”與“相位a及c接地”；(c)三相接地的故障，“相位a、b、c接地”；(d)雙相位間的故障，“相位a及相位b”、“相位b及相位c”與“相位a及相位c”；(e)三相故障，“相位a、b、c間的故障”；以及(f)高阻抗故障(high-impedance fault，HIF)。
    為了正確的分類以上故障類型，一組六個支援向量機(SVM#1～SVM#6)以及六個支援向量機(SVM#1～SVM#6)所對應的六個可適性結構類神經網路(Adaptive Structure Neural Networks，ASNN)被整合用來分類故障與定位。六個支援向量機(SVM#1～SVM#6)分別對應於前述的六個故障類型(a)～(f)。支援向量機依據訓練樣本產生特徵空間與決定邊界，且依據故障所對應的信號特徵值在特徵空間中的位置，配合決定邊界，以分類信號特徵值。藉此，可以使用支援向量機對故障進行分類。另外，支援向量機依據訓練樣本而產生特徵空間與決定邊界的方式如下述。
    給與一組已知知識庫(prior knowledge vector)=[υ x ,y x ]，其中x {a,b,c}，且y x 是關聯於υ x 的標籤(label)，也就是已知故障類別。支援向量機(SVM)的分辨函數可表示成，其中i=1,2,...,N，N表示超平面(hyperplane)的數目，是權重向量，b i 是偏移項。每個超平面將特徵空間分成兩個部份，而回歸函數f i ()所具有的正負符號用以表示特徵點是在超平面的其中一側。
    非線性的分類機(classifier)可以用於分類故障信號的非線性的暫態現象，但同時得使用非線性的轉移函數φ以從輸入空間至特徵空間來繪製特徵點。分辨函數可以是，其中。在此情況下，分類機的決定邊界可以寫成。這個轉換給決定邊界增加了彈性，使得非線性決定邊界可以被達成。
    再者，假設權重向量可以用訓練樣本()的線性組合來表示成。然後，決定邊界可以表示成。在特徵空間(在本實施例中，特徵空間為特徵平面)中，決定邊界可以寫成。以變數α x 為項的表示法是被稱為決定邊界的雙表徵(dual representation)。
    與b i 的值可被用來求解懲罰風險函數(regularized risk function)(式(10))，
    其中懲罰風險函數被限制於“與ξ x 0”的條件中。ξ x 代表惰變數(slack variable)，惰變數允許特徵點在超平面的界限(0ξ x 1，已知為界限誤差)，或者特徵點被誤分類(ξ x 1)，而C為懲罰參數。
    藉由拉格朗日乘數(Lagrange multipliers)的方法可以從式(10)得到以變數α x 為項的表示法的式(11)，
    其中式(11)被限制於“”的條件下。
    請參照圖6A與圖6B，圖6A與圖6B分別為本發明實施例之相位接地故障與高阻抗故障的特徵平面圖。圖6A與6B中的虛線是分別對應於相位a、b、c的決定邊界。依據訓練樣本的信號特徵值，每一個訓練樣本在圖6A與圖6B上產生一個點。每個點旁邊所標示的位置是透過可適性類神經網路所估計的傳輸線上的故障位置。0 p.u.與1 p.u.代表從匯流排至故障發生處的距離。例如，0 p.u.為0公里，1 p.u.為1000公里。
    請參照圖7，圖7為本發明實施例使用可適性結構類神經網路偵測故障事件的位置的子步驟的流程圖。圖1中的步驟S5更可以包括下述的子步驟。首先，在子步驟S51中，進行可適性結構類神經網路神經元權重的建構演算法，以獲得可適性結構類神經網路。然後，在子步驟S52中，輸入故障之電壓與電流信號的主成分至可適性結構類神經網路。接著，在子步驟S53中，使用可適性結構類神經網路對故障之電壓與電流信號的主成分進行分析，以獲得故障位置。
    請同時參照圖與圖7與圖8，圖8為本發明實施例之可適性結構類神經網路的架構圖。於步驟S51中所獲得之可適性結構類神經網路(ASNN)如圖8所示，此可適性結構類神經網路包括輸入層、隱藏層與輸出層。
    輸入層之資料輸入節點X 1、X 2…X p 會在故障發生時，輸入小波轉換後的主成分。在本實施例中，主成分為第一階小波細節信號與第二階小波細節信號。隱藏層中的神經元節點N 1、N 2…N p 用以連結資料輸入節點或自身外之神經元節點N 1、N 2…N n ，以依照輸入節點-神經元節點權重W X (1、2… p ),(1、2… n )、神經元節點-神經元節點權重W (1、2… n ).(1、2… n )與神經元節點-輸出節點權重W Y (1、2… n ),(1、2… q )估測故障位置。上述的輸入節點-神經元節點權重W X (1、2… p ),(1、2… n )與神經元節點-輸出節點權重W Y (1、2… n ),(1、2… q )是經由可適性結構類神經網路神經元權重建構演算法所求得，利用此演算法可以使可適性結構類神經網路之架構能符合環境需求。
    請參照圖9，圖9為本發明實施例之可適性結構類神經網路神經元權重的建構演算法的流程圖。獲得可適性結構類神經網路的步驟(步驟S51)包括以下子步驟。首先，在步驟S511中，隨機產生隱藏層之神經元個數、權重以及複數個神經元連線。然後，在步驟S512中，計算輸出之誤差率。再來，在步驟S513中，判斷輸出之誤差率是否可被接受。若輸出之誤差率可以被接收，則完成可適性結構類神經網路神經元權重的建構，並進行後續的步驟S52。若輸出之誤差率不可以被接受，則進行步驟S514。
    在步驟S514中，調整複數個神經元節點-輸出節點權重。然後，在步驟S515中，調整複數個輸入節點-神經元節點權重。然後，在步驟S516中，調整複數個神經元節點-神經元節點權重。接著，在步驟S517中，建立至少一個新神經元或刪除至少一個神經元。再來，在步驟S518中，刪除複數個神經元間之連線中的至少一個或建立至少一個神經元連線。然後，重新進行步驟S512，即計算輸出之誤差率。如此重複步驟S512～S518，直至在步驟S513中判斷輸出之誤差率可以被接受，則完成可適性結構類神經網路神經元權重的建構，並進行後續的步驟S52。
    須要注意的是，可適性結構類神經網路神經元權重的建構即是對可適性結構類神經網路的訓練，而不需要重新設定可適性結構類神經網路。因為電力公司可能無法負擔關閉電力網格的偵測系統太久的風險及成本，故此種採用可適性結構類神經網路來偵測故障位置的方式更可以滿足目前電力公司的需求。
    復參照圖1，透過上述的步驟S11～S15，故障類型與故障位置可以被獲得，藉此可以進行防護決策。防護決策可以包括採取行動將故障排除，以減低故障所造成的損害。防護決策也可以包括記錄分析結果以作進一步的分析。總而言之，電力公司可以自訂對應各故障類型的防護決策。 [高壓輸配電網路之故障偵測、辨識與定位之系統的實施例]
    請參照圖10，圖10是本發明實施例之高壓輸配電網路之故障偵測、辨識與定位之系統的架構圖。高壓輸配電網路具有三個相位的輸配線與用以電性連接負載的匯流排。為了方便說明，本實施例之高壓輸配電網路包括三個相位(S a 、S b 、S c )的輸配線與匯流排Bus#1～5，且每個匯流排可以電性連接至負載。如圖10所示，匯流排Bus#1～4分別電性連接至負載。
    高壓輸配電網路之故障偵測、辨識與定位之系統10包括量測單元1a、1c、1e、故障診斷裝置10與波形記錄器11。量測單元1a、1c、1e分別電性連接至匯流排Bus#1、Bus#3、Bus#5。故障診斷裝置10透過廣域網路(Wide Area Network，WAN)接收量測單元1a、1c、1e所量測到的電壓與電流信號。波形記錄器11透過廣域網路(WAN)連接至故障診斷裝置10。
    量測單元1a、1c、1e用以獲得三個相位(S a 、S b 、S c )的電壓與電流信號。故障診斷裝置10接收量測單元1a、1c、1e所獲得的三個相位的電壓與電流信號，且故障診斷裝置10偵測、分類與定位故障。波形記錄器11用以記錄故障發生時的三個相位的電壓與電流信號。
    請參照圖11，圖11是本發明實施例之故障診斷裝置的方塊圖。故障診斷裝置10包括信號量測模組12、故障診斷模組13與圖像顯示模組14。信號量測模組12包括類比/數位轉換器(AD converter)15～17。故障診斷模組13包括故障偵測模組(未繪示)、故障分類模組(未繪示)與故障定位模組(未繪示)。在本實施例中，故障診斷模組13由可程式化邏輯閘陣列(Field-Programmable Gate Array，FPGA)實施，使得故障偵測模組、故障分類模組與故障定位模組的功能整合於可程式化邏輯閘陣列(FPGA)，但本發明並不因此限定。故障偵測、故障分類與故障定位的功能也可以用其他硬體電路或者軟體程式來實施。
    信號量測模組12的輸入端接收高壓輸配電網的三個相位的電壓與電流信號。信號量測模組12的輸出端電性連接故障診斷模組13的輸入端。故障診斷模組13的輸出端電性連接至圖像顯示模組14。
    信號量測模組12之類比/數位轉換器(AD converter)15～17用以對電壓與電流信號進行類比/數位轉換。在本實施例中類比/數位轉換器(AD converter)15～17為14位元的類比/數位轉換器，但本發明並不因此限定。另外，為了使類比/數位轉換器(AD converter)15～17所輸出的14位元的數位信號(電壓信號或電流信號)便於處理，此14位元的數位信號可以轉換成浮點數位信號。所以信號量測模組12更可包括另一數位信號轉換器，用以將數位信號轉換成浮點數位信號。例如：將此14位元的數位信號轉換為16位元的半精度格式。
    故障診斷模組13接收數位化的電壓信號與電流信號，以進行負序轉換以判斷故障是否發生，接著進行多階層小波轉換、主成分分析與使用支援向量機對故障進行分類，最後再使用可適性結構類神經網路對故障進行定位。
    負序轉換可以透過加法器與乘法器的組合以計算出如前一實施例的電壓負序分量 V 2/ t與電流負序分量 I 2/ t，進而產生綜合故障指示D(t)。當接點故障指示D(t)大於門限值時，則代表故障被偵測到，藉此故障診斷模組13進行後續的小波轉換。有關於綜合故障指示D(t)的敘述可以參照前一實施例的說明。
    故障診斷模組13利用多階層離散小波轉換(ML-DWT)進行小波轉換。多階層離散小波轉換(ML-DWT)可以用馬雷(Mallat)演算法計算。基於馬雷(Mallat)演算法第j階層的小波係數可以用(j-1)階層的小波係數表示，如下列方程式：

    其中H(z)與G(z)為小波低通濾波係數與小波高通濾波係數，為電壓在j階層的小波近似信號與小波細節信號。為電流在j階層的小波近似信號與小波細節信號。為了提高運算的速度，可以使用串列輸入並列輸出(serial-in parallel-out，SIPO)的架構實施上述的運算。
    完成多階層小波分析後，故障診斷模組13進行主成分分析，用以減少多階層離散小波轉換(ML-DWT)所產生的小波係數的維度。主成分分析的方法可以是前一實施例所敘述的方法。主成分分析的計算最密集的部份是計算特徵值與排序。
    以故障診斷模組13由可程式化邏輯閘陣列(FPGA)實施為例，實施主成分分析可以使用多階段的管線架構，而且使用大量數目的多階段的管線可以減少計算的等待時間。例如，使用具有48982個邏輯元件的Stratix-III FPGA，其中Stratix-III FPGA之最大的運算時脈可以是76MHz，且此運算時脈受益於大量的管線化電路設計(pipe stage)。
    再來，故障診斷模組13處理支援向量機。支援向量機包括兩個階段，學習階段與故障分類階段。在學習階段，如同前一實施例所提及的，在特徵空間中，決定邊界可以寫成。變數α x 與b i 的值可以事先計算獲得，且儲存於故障診斷模組12的儲存單元。在故障分類階段，代表主成分值的首兩個座標的小波細節信號()描述故障信號的特徵，藉此故障可依據決定邊界而被分類。
    然後，故障診斷模組13處理可適性結構類神經網路。可適性結構類神經網路的處理步驟可以參照前一實施例的說明，在此不再贅述。須要注意的是，在實施時由於硬體資源的限制，神經元的數目與每一個神經元的參數(包括權重、神經元連線數等)也是有限的。神經元個數、權重以及複數個神經元連線可以儲存於可程式化邏輯閘陣列(FPGA)的查找表(lookup table)。在計算過程中所產生的新的神經元個數、權重以及複數個神經元連線可以儲存於可程式化邏輯閘陣列(FPGA)的暫存器。
    圖像顯示模組14用以顯示故障偵測、辨識與定位的結果。圖像顯示模組14也可以顯示故障的波形。圖像顯示模組14可以是顯示器，例如是液晶螢幕。另外，圖像顯示模組14也可以是觸控螢幕，使得處理故障事件的操作員或工程師可以透過觸控的方式點選所要觀看的故障資訊。 [實施例的可能功效]
    根據本發明實施例，上述的高壓輸配電網路之故障偵測、辨識與定位之方法及其系統可偵測故障、判定故障類別與估計故障位置。另外，所述高壓輸配電網路之故障偵測、辨識與定位之方法及其系統自故障發生後，其完成故障偵測、辨識與定位的時間遠短於臨界故障清除時間。
    以上所述僅為本發明之實施例，其並非用以侷限本發明之專利範圍。
    S1～S5、S51～S53、S511～S518．．．步驟流程
    1．．．高壓輸配電網路之故障偵測、辨識與定位之系統
    10．．．故障診斷裝置
    11．．．波形記錄器
    1a、1c、1e．．．量測單元
    12．．．信號量測模組
    13．．．故障診斷模組
    14．．．圖像顯示模組
    15～17．．．類比/數位轉換器
    圖1為本發明實施例之高壓輸配電網路之故障偵測、辨識與定位之方法的流程圖。
    圖2為本發明實施例之接點故障指示之參數R(t)的波形圖。
    圖3A與圖3B分別為本發明實施例之電壓信號與電壓負序分量的波形圖。
    圖3C與圖3D分別為本發明實施例之電流信號與電流負序分量的波形圖。
    圖3E為本發明實施例之接點故障指示的波形圖。
    圖4為本發明實施例之多重解析小波分析的馬雷(Mallat)式離散小波分解過程的示意圖。
    圖5為本發明實施例之故障類型的示意圖。
    圖6A與圖6B分別為本發明實施例之相位接地故障與高阻抗故障的特徵平面圖。
    圖7為本發明實施例使用可適性結構類神經網路偵測故障事件的位置的示意圖。
    圖8為本發明實施例之可適結構性類神經網路的架構圖。
    圖9為本發明實施例之可適性結構類神經網路神經元權重的建構演算法的流程圖。
    圖10為本發明實施例之高壓輸配電網路之故障偵測、辨識與定位之系統的架構圖。
    圖11為本發明實施例之故障診斷模組的方塊圖。
    S1～S5．．．步驟流程
    权利要求:
    Claims (13)
    [1] 一種高壓輸配電網路之故障偵測、辨識與定位之方法，包括：將一故障之一週期內的一電壓信號與一電流信號進行一多階層小波轉換，並據此產生複數個高頻信號；對該些高頻信號進行主成分分析，並據此產生至少一信號特徵值；使用一支援向量機分類該信號特徵值，以得到一故障類型；以及使用對應該故障類型之一可適性結構類神經網路偵測一故障位置。
    [2] 如申請專利範圍第1項所述之高壓輸配電網路之故障偵測、辨識與定位之方法，其中該故障包括單相接地、雙相位接地、三相接地、雙相位間的故障、三相故障以及高阻抗故障(high-impedance fault，HIF)。
    [3] 如申請專利範圍第1項所述之高壓輸配電網路之故障偵測、辨識與定位之方法更包括：使用負序轉換偵測是否有該故障發生。
    [4] 如申請專利範圍第1項所述之高壓輸配電網路之故障偵測、辨識與定位之方法，其中該些高頻信號包括複數個第一階小波細節信號與複數個第二階小波細節信號。
    [5] 如申請專利範圍第1項所述之高壓輸配電網路之故障偵測、辨識與定位之方法，其中使用支援向量機分類該信號特徵值的步驟包括：依據訓練樣本產生一特徵空間與至少一決定邊界；依據該故障所對應的信號特徵值在該特徵空間中的位置，配合該決定邊界，以分類該信號特徵值，從而獲得該故障類型。
    [6] 如申請專利範圍第1項所述之高壓輸配電網路之故障偵測、辨識與定位之方法，其中使用對應該故障類型之該可適性結構類神經網路偵測該故障位置的步驟包括：進行可適性結構類神經網路神經元權重的建構演算法，以獲得一可適性結構類神經網路；輸入該故障之電壓與電流信號的主成分至該可適性結構類神經網路；使用該可適性結構類神經網路對該故障之電壓與電流信號的主成分進行分析，以獲得該故障位置。
    [7] 如申請專利範圍第1項所述之高壓輸配電網路之故障偵測、辨識與定位之方法，其中進行可適性結構類神經網路神經元權重的建構演算法，以獲得該可適性結構類神經網路的步驟包括：隨機產生一隱藏層之神經元個數、權重以及複數個神經元連線；計算一輸出之誤差率；判斷該輸出之誤差率是否可被接受；調整複數個神經元節點-輸出節點權重；調整複數個輸入節點-神經元節點權重；調整複數個神經元節點-神經元節點權重；建立至少一個新神經元或刪除至少一個神經元；以及刪除該些神經元間之連線中的至少一個或建立至少一個神經元連線。
    [8] 一種高壓輸配電網路之故障偵測、辨識與定位之系統，其包括：至少一個量測單元，電性連接高壓輸配電網路之一匯流排，用以獲得三個相位的電壓與電流信號；一故障診斷裝置，接收該量測單元所獲得的三個相位的電壓與電流信號，該故障診斷裝置偵測、分類與定位一故障；以及一波形記錄器，用以記錄該故障發生時的三個相位的電壓與電流信號。
    [9] 如申請專利範圍第8項所述之高壓輸配電網路之故障偵測、辨識與定位之系統，其中該故障包括單相接地、雙相位接地、三相接地、雙相位間的故障、三相故障以及高阻抗故障(high-impedance fault，HIF)。
    [10] 如申請專利範圍第8項所述之高壓輸配電網路之故障偵測、辨識與定位之系統，其中該故障診斷裝置包括：一信號量測模組，接收來自於該量測單元的三個相位的電壓與電流信號；一故障診斷模組，其包括一故障偵測模組，用以偵測該故障；一故障分類模組，將該故障發生時的三個相位的電壓與電流信號進行多階層小波轉換、主成分分析與使用支援向量機，藉此將該故障分類；以及一故障定位模組，用以透過對應該故障類型之一可適性結構類神經網路估計該故障的位置；以及一圖像顯示模組，用以顯示該故障的種類以及所估計的故障位置。
    [11] 如申請專利範圍第9項所述之高壓輸配電網路之故障偵測、辨識與定位之系統，其中該信號量測模組包括分別對應於高壓輸配電網路之三個相位的三個類比/數位轉換器。
    [12] 如申請專利範圍第9項所述之高壓輸配電網路之故障偵測、辨識與定位之系統，其中該故障分類模組將三個相位的電壓與電流信號進行多階層小波轉換，並據此產生複數個高頻信號，該故障分類模組對該些高頻信號進行主成分分析，並據此產生至少一信號特徵值，該故障分類模組使用支援向量機分類該信號特徵值，藉此將該故障分類。
    [13] 如申請專利範圍第9項所述之高壓輸配電網路之故障偵測、辨識與定位之系統，其中該故障定位模組進行可適性結構類神經網路神經元權重的建構演算法，以獲得一可適性結構類神經網路，該故障定位模組使用該可適性結構類神經網路對該故障之電壓與電流信號的主成分進行分析，以獲得該故障位置。
    类似技术:
    公开号 | 公开日 | 专利标题
    TWI425226B|2014-02-01|高壓輸配電網路之故障偵測、辨識與定位之方法及系統
    Long et al.2014|Improved diagnostics for the incipient faults in analog circuits using LSSVM based on PSO algorithm with Mahalanobis distance
    Wu et al.2009|An automotive generator fault diagnosis system using discrete wavelet transform and artificial neural network
    Moravej et al.2009|Detection and classification of power quality disturbances using wavelet transform and support vector machines
    Long et al.2013|Diagnostics of analog circuits based on LS-SVM using time-domain features
    CN102016607B|2014-03-26|用于分析电力系统的波形信号的方法和装置
    Kashyap et al.2003|Classification of power system faults using wavelet transforms and probabilistic neural networks
    Upendar et al.2008|Discrete wavelet transform and probabilistic neural network based algorithm for classification of fault on transmission systems
    Jiang et al.2011|Literature review of power disaggregation
    Sahani et al.2020|A real-time power quality events recognition using variational mode decomposition and online-sequential extreme learning machine
    CN108535572A|2018-09-14|基于基波零序特征的计量系统二次回路监测方法及装置
    Huang et al.2018|SVM-based PQ disturbance recognition system
    Ramakrishna et al.2021|Grid-graph signal processing |: A graph signal processing framework for the power grid
    Feng et al.2020|Data mining for abnormal power consumption pattern detection based on local matrix reconstruction
    Zhao et al.2020|An improved complex ICA based method for wind farm harmonic emission levels evaluation
    Kesici et al.2019|Wide area measurement based online monitoring and event detection using convolutional neural networks
    Aydin et al.2018|A new fault diagnosis approach for induction motor using negative selection algorithm and its real-time implementation on FPGA
    Sing et al.2015|Local outlier factor based data mining model for three phase transmission lines faults identification
    Wu et al.2014|Ambiguity group based location recognition for multiple power line outages in smart grids
    Wang et al.2016|Robust compressive features based power quality events classification with Analog–Digital Mixing Network |
    Jandan et al.2019|Recognition and classification of power quality disturbances by DWT-MRA and SVM classifier
    Faisal et al.2009|Support vector regression based S-transform for prediction of single and multiple power quality disturbances
    Siu et al.2004|Automatic power quality recognition system using wavelet analysis
    Upendar et al.2008|ANN based power system fault classification
    Ghazali et al.2019|Extraction and selection of statistical harmonics features for electrical appliances identification using k-NN classifier combined with voting rules method
    同族专利:
    公开号 | 公开日
    TWI425226B|2014-02-01|
    引用文献:
    公开号 | 申请日 | 公开日 | 申请人 | 专利标题
    CN103454549A|2013-09-18|2013-12-18|福州大学|一种环网配电系统短路故障早期检测、辨识及定线方法|
    CN103852692A|2014-03-12|2014-06-11|昆明理工大学|一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法|
    CN104655980A|2014-11-05|2015-05-27|云南电网公司楚雄供电局|一种基于db4小波分解的非本侧电压等级邻近线路短路故障快速识别方法|
    CN105021925A|2015-07-15|2015-11-04|深圳市双合电气股份有限公司|基于水泥行业的电力监管系统及方法|
    CN105137354A|2015-08-27|2015-12-09|江苏科技大学|一种基于神经网络电机故障检测方法|
    CN105425150A|2015-11-09|2016-03-23|江苏科技大学|一种基于rbf和pca-svdd的电机故障诊断方法|
    CN105974265A|2016-04-29|2016-09-28|北京四方继保自动化股份有限公司|一种基于svm分类技术的电网故障原因诊断方法|
    CN103852692B|2014-03-12|2016-11-30|昆明理工大学|一种基于高频量衰减特性的特高压直流输电线路神经网络双端故障测距方法|
    CN106950446A|2017-03-22|2017-07-14|国网上海市电力公司|基于主成分分析法的电网异常快速检测与定位方法|
    CN109613402A|2019-02-14|2019-04-12|福州大学|基于小波变换和神经网络的配电网高阻接地故障检测方法|
    CN110988590A|2019-11-25|2020-04-10|云南电网有限责任公司临沧供电局|一种基于pca-svm模型的配网选线方法及系统|
    CN111458602A|2020-05-27|2020-07-28|南京信息工程大学|基于共生多元泛函计算的单相接地故障检测方法|
    CN111537830A|2020-03-26|2020-08-14|南方电网科学研究院有限责任公司|一种基于云边架构和小波神经网络的配电网故障诊断方法|
    CN111650472A|2020-06-05|2020-09-11|众诚开源电气科技有限公司|一种电压暂降源定位的方法|
    CN112763853A|2020-12-29|2021-05-07|福州大学|一种并网模式下交流微电网短路故障的检测与定位系统及其工作方法|US5839093A|1996-12-31|1998-11-17|Abb Transmit Oy|System for locating faults and estimating fault resistance in distribution networks with tapped loads|
    TWI341923B|2007-09-20|2011-05-11|Univ Far East||
    US8547105B2|2009-09-30|2013-10-01|Korea Electric Power Corporation|System and method for detecting a location of fault in a cable|TWI554765B|2014-03-19|2016-10-21|國立高雄師範大學|電力線中斷辨識方法|
    CN104699073B|2015-02-05|2017-06-20|哈尔滨工程大学|基于小波分形的自主式水下机器人故障辨识方法|
    法律状态:
    优先权:
    申请号 | 申请日 | 专利标题
    TW100123915A|TWI425226B|2011-07-06|2011-07-06|高壓輸配電網路之故障偵測、辨識與定位之方法及系統|TW100123915A| TWI425226B|2011-07-06|2011-07-06|高壓輸配電網路之故障偵測、辨識與定位之方法及系統|
    [返回顶部]