英语原文共 13 页，剩余内容已隐藏，支付完成后下载完整资料

---

一种基于模型的电能质量问题检测与评估方法

摘要：本文旨在提出一个即可以检测传感器数据流又可以实时脱机地划分电力情况、诊断电能质量问题的诊断系统。信号处理技术用于从监测数据中提取特征，服务于事件检测和分类。一个因果关系模型被用于追踪待测系统中特定设备的电能质量相关事件。这种方法已被应用于软件工具。应用这种工具从设备上得来的监测数据的结果验证了这个方法的有效性。

关键词：因果关系，离散小波变换，拉格朗日松弛算法，多故障诊断，电能质量，实时监测，可靠性，节能覆盖，短时距傅里叶变换，次梯度优化

1. 引言

很多行业和商业设备会被电能质量问题影响^[1][2]。特别地，要求高性能和精细加工系统的工业对电能质量问题特别敏感。由电力公司运行的被广泛使用的检测设备和程序提供了电力系统操作的新见解。及时准确的诊断将帮助维修人员有效地应对警报。诊断系统将确保电能质量，并通过减少诊断及修正的时间来减轻中断风险。此外，先进信号处理技术组合及对失效元件鉴别的实时监测进程的使用促进了基于环境的需求，减少了计划外的停机。

最关键的是，对于确保杜绝或减少安装时的电能质量问题严重程度的必要性，有如下几点：

1. 连续且广泛检测不同电力系统的质量；
2. 检测识别对电能质量的干扰，并将其分类；
3. 追踪造成已被识别问题的原因；
4. 自动或手动纠正可能的原因。

检测电力数据或其他量（比如温度、电磁辐射等），以及电力系统的状况，是发展解决电能质量问题对策的先决条件。智能数字电子电路监测仪已实现高精度地连续检测电压、电流、相角、不平衡相位、磁通量、温度等物理量。监测仪可以放置在电力系统各个位置，集成化检测可联网工作。通常情况下，这些系统的软件可以记录用户数据，预测需求，捕捉波形，分析谐波，发出事件警报。

电路监测仪收集大量数据，然而原始数据直接提供的电能质量信息太少。智能信号处理技术应用于从原始数据中提取有用的信息，一旦数据被提取出，电能质量问题就能被鉴别并准确分类（通过检测分类方法）。先进的信号处理技术在干扰检测中发挥着至关重要的作用，新的数学技术不断被应用于提高这些技术的正确率。为了分类，基于人工智能的技术被广泛运用，比如概率神经网络，基于知识的方法等等^[3]。

一旦检测到干扰和分类，需要确定这些问题的源头以对策电能质量恶化。设备故障，部件故障、引入或移除电力电子元件，及负载变动很可能是电能质量变化的主要原因。此外，原因还可能是上级部件或下级部件引起的。维护所需电能质量水平的过程中最具挑战性的问题是建设反向追踪系统，能够指出特定网络中的干扰原因^[4][5]。涉及概率的数学技术在这一方面工作得相当好。

关于信息分类、严重程度和问题源头鉴定的信息，一旦提取成功，就可应用至自动或手动决策系统中。这样的系统可作出解决电能质量问题的决策。如果问题源头在上级单位，显然提供电力的部门会解决这个问题。如果问题的源头在下级单位，操作者会采取替换或改变故障设备的运行模式、重新编程、设备维修等措施。

对于检测和维修，我们的目标是提供一个精确的实时监测和离线维护流程。干扰原因和可观察到的结果（警报、事件特性、特性）之间的因果关系可在关于电能质量检测的手册和推荐实践上查到^[4][5]。通过使用实时诊断算法，我们在不知道原因的情况下观察到结果。此外，我们将采用信号流程生成警报界面化。从波形上观测到的事件和特征数据从康涅狄格大学的设备获取。

本文结构如下：第二部分描述了总体架构、方法论证和诊断方案。第三部分侧重于应用于这项工作中的特定信号流程技术。第四部分简述底层算法诊断多个故障并提出几个测试用例, 并追溯到电能质量问题的原因。第五部分中我们得出结论并总结。

1. 检测及诊断模型的结构

A.系统结构

图一显示了实时监测及诊断系统的总体结构。流程中，传感器组检测到的电压电流波形经由信号分析工具处理，提取特征。根据分析提取的特征生成事件和警报。电能质量相关事件可划分为八个如引文^[4][5]所述的类别，分别是：瞬变、短期变化、长期变化、电压不平衡、波形失真、电压波动、电压频率变化等等。它们的典型光谱内容、持续时长、电压大小在文献^[6]中均有叙述。原始数据，例如电压和电流的有效值、功率因素、谐波，被送进信号分析器^[7]来鉴别事件。文献^[8]实现了这一信号分析器：

图1 电能质量问题的检测与诊断

1. 数据过滤模块：

滤波器被用于降噪、拓宽频率选择范围、限制通频带、消除或衰减，也会被用于分化和整合。

1. 光谱分析。以下这些光谱分析技术被用到：
2. 周期图的宏观特征分析；
3. 短时距傅里叶变换；
4. 主导频率分析；
5. 频率扫描分析；
6. 回归算法参数。
7. 经验统计法：
8. 平均值，方差，偏移，峰值；
9. 次序统计。
10. 非线性采样：

对数，多项式，软限制。

1. 二进制输出测试：
2. 阈值实验；
3. 累计总值的最快变化检测[21]
4. 小波变换[9]

基于因果关系模型的电力系统，事件被融合成一个诊断决策[13]。

B.因果关系

描述失败原因和观测到的事件之间的决定性关系的电力系统模型是我们基于该模型实时诊断推理的关键。图2演示了因果关系的局部示意图。各种干扰电力的原因被列出如下来说明这种关系是如何生成的。

图 2因果关系模型

表一

表二所示的依赖矩阵，被推导出所使用的因果关系如表一所示。这是一个由20组测试和49种干扰源组成的通用电能质量因果关系模型。干扰源与工业特殊设备之间的映射让我们可以将由设备造成的问题事件独立出来看。这个从属模型描述了测试的诊断功能。它有阶，m代表干扰源数目，n代表测试组数目，每一组测试，，对应矩阵的列：。此处，表示第次实验失败在引起失败的原因是干扰源的情况下，相反地，表示干扰源不是引起第次实验失败的原因。文献【14】【22】【23】中介绍过这种非二进制矩阵。

表二

表二中用数值指标来表示。原因和事件对应的指标分别在表三和表四中列出。

表三

表四

我们选作用于测试电能质量的地方是一座有许多机械工程实验室和有着超过130余件机械装备的大楼。这些设备中有大功率用电器和非线性电子元件，例如电焊工具、高精度车床等（部分在表格五中列出）。在这栋楼中检测到很多不同原因的电能质量问题，包括波形失真、电压瞬变。如上所述，电能质量相关问题和设备之间的映射关系允许我们在电能质量问题时单独分析设备原因。

我们使用的监控系统为我们提供了电压、电流实时数据及其历史数据，以及电压、电流波形。

1. 电能质量问题检测
2. 信号处理技术事件的检测

以下这些是常用于检测波形数据的信号处理技术。

平均周期图谱法：该技术用于提取多频和低频振荡下的原始波形，它也可以 应用于所有其他类型的振荡瞬态和瞬变。具体细节在文献^[9]中有说明。

光谱分析和快速傅里叶算法：这两种技术类似于平均周期图谱法，此外,他们也可以用于确定其他类型的波形失真，显示电压失衡和确定噪音的来源。

各类滤波器：滤波器被用于分离设射频噪声叠加在一个电压或电流周期信号里的分量。它们通常是监控设备产生的。因此，使用滤波器至关重要，可在一些情况下重建未被污的数据。

短距傅里叶变换（STFT）：STFT是一种便于在分段时间间隔里确定信号谐波含量的技术。它能高效地采集瞬变和衰减的时间，信号凹陷和膨胀及其类型，具体细节在文献^[9]中有说明。

离散小波变换（DWT）：平均周期图谱在低频瞬态检测中性能表现良好，然而对于是不是变化的高频率的检测和分析，平均周期图谱法和短距傅里叶变换都不适用。这种情况下，离散小波变换是最好的选择。其他问题中，比如多频和低频下的射频干扰与振荡同时出现，离散小波变换是最有用和最精确的分析技术。^[9][11]

以上这些技术在电力系统的任何问题中都适用，图3—9展示了我们观察和检测到的电压问题案例。

图三 低频振荡瞬态

图四 低频振荡瞬态的DWT图

图五 低频振荡瞬态的STFT图

图六（a）三相电压骤降（b）基本组成部分的三相电压暂降。

图7 从周期图检测凹口的FFT和PSD估计。

图八 STFT绘制的带有陷波的信号。

图九 DWT开槽图

B．振荡瞬变的检测

我们观察到的瞬变显示在左上图中图3，其振动分量和FFT显示为如上数字。离散小波变换分析图（图4）为我们提供了信号发生时间，持续时间，幅度和频率的谐波分量。从详细版本的离散小波分析的图中，显然大多数谐波分量在内480-1920 Hz频带，并且它们在一定间隔内衰减约8ms。因此，可以对瞬态进行分类。三相电压骤降如图（a）示，图（b）基本组成部分的三相电压暂降。作为低频振荡瞬态。细节的规范系数被发现是每种类型的电源质量扰动唯一的特征。

STFT图使我们能够确定的频率含量在不同时间间隔的不稳定信号。图5中，我们已经示出了观察到的低频使用窗口的长度为16，32，64和128点。 瞬态是可观测的从地块; 使用更窄的窗口为我们提供了更多准确的时间信息（例如，开始时间，结束时间，上升时间，下降时间和持续时间），但精度相关频率受损。

C．检测下沉

图6（a）表示三相电压暂降的波形。 STFT提取所有三相图6（b）的基本特征并提供基本组件相对于时间演变的电压信号。

D．多频检测

在图7中，示出了切口效应。 检测如下进行刻槽：我们获得原始波的形式（无干扰的波形），然后从原始波形中减去观察波形获得凹口； 最后，通过比较凹口的振幅到预定阈值，确定是否存在刻痕。我们还可以获得关于缺口持续时间的信息。 STFT分析图（图8）给出功率谱密度的测量基本分量和陷波分量。

在图9中示出了信号的分析。频率、持续时间和位置（时间）在信号也可以从第一和第二电平确定详细的DWT分析系数。

使用一个足够小的窗口大量每个周期的样本（至少64个样本/周期）的信号可以准确地确定凹口的位置。

1. 诊断的原因

A．决策融合算法的诊断

该软件实现了基于模型的推理方法，其中关于故障源原因的信息和测试在有向图模型中捕获。 这些模型使参与者能够进行解析以下问题：给定一个测试，哪些组件可以导致它失败；或者，如果我们想检查故障的健康源，这些测试可以观察它。本文的目的是测试工程系统中的每个组件的好坏，已知。 最初，我们假设所有组件的状态是未知的。 通过的测试覆盖的组件归为为好组件。 失败测试覆盖的组件，包括那些已知的良好组分被视为怀疑组件。坏组件来自这些基于模型的推理引擎。解决最优多故障的计算复杂性隔离问题是超指数的，也就是说，它更多比单故障隔离问题困难，是NP硬度^[18]。 基于拉格朗日松弛梯度优化，我们提出一个启发式算法^[19][20]，找到多个故障的最可能的候选故障集诊断问题。计算上更便宜的启发式算法，也已应用于该问题使实时多故障诊断变得可行系统具有多达10000个组件。

B．类别制定和解决方案

电力系统的有向图模型描述如下：

• 潜在故障源（干扰源）的集合，

；

• 可用的二进制测试集（或事件，警报），

；

• 与故障源相关联的先验概率，

；

• 依赖矩阵；
• 干扰原因和设施中的设备之间的映射；

由于映射是一种记账功能，关键问题是找到最可能的候选故障集这与应用的独立结果一致测试。 这可以用公式表示。

其中和分别表示通过的测试和失败测试的集合。

为了简单起见，使用贝叶斯定理，我们定义了大小s的指示符向量x，其中如果失败源 ，则，否则。

由于数据依赖项是一个常数，我们可以等价最大化问题：

评估和依赖于系统的信息。

对于具有可靠测试的系统，如果一些测试已经结束，我们可以推断出这些测试覆盖的所有故障源都是已知好的组件。此外，我们可以生成列表的每个测试的候选失败组件，称为F列表我们只保留失败的组件的列表测试并排除通过的测试覆盖的组件。因此，多故障诊断问题的严重程度显著降低。

对于每个失败的测试，最优解至少包含一个组件满足。因此，必须有至少一个故障源，其考虑测试的故障。假设从F列表中创建矩阵A的每一行代表被覆盖的故障源的列表失败的测试（称为候选故障）。 已知良好的

剩余内容已隐藏，支付完成后下载完整资料

---

资料编号：[141091]，资料为PDF文档或Word文档，PDF文档可免费转换为Word