一种故障指示器滤波方法与流程

1.本发明涉及配电网自动化技术领域，尤其涉及一种故障指示器滤波方法。


背景技术：

2.电网系统容易受雨天电场变化、临近干扰等因素的影响，导致目前常见的基于电场变化量判据的故障指示器启动方法误启动录波现象频出，这种情况下往往有故障结论的录波数据在总录波数据中所占比重较少，这样占据了大量数据传输及处理资源。
3.参考现场实际的录波数据很容易看出，很多数据(例如雨天抖动数据)仅仅是满足了启动判据就被录波，但是根据录波波形图像特征很容易得出此时不应启动录波的结论，所以需要一种能对录波数据进行过滤，从而获得与实际故障情况相符的数据的方法，而目前业内尚未发现行之有效的相关滤波方法。现有的滤波算法包括触发源过滤和时间过滤两种，无论是从电场变化还是触发事件来看，雨天抖动数据的数据特征都不满足滤波条件，类似雨天抖动这类数据都会被按照录波数据保留，导致目前误启动录波情况严重，占据大量数据传输及处理资源，因此需要对目前录波算法进行优化，过滤掉无需启动的数据。


技术实现要素：

4.本发明针对上述问题，克服现有技术的不足，提出一种故障指示器滤波方法，该方法易于实现，通过格拉米角场方法将不同通道的录波数据转化为二维图像，然后将多张二维图片合成为一个张量，将之输入到卷积神经网络中进行判别，达到滤波的效果。
5.为了实现上述发明目的，本发明采取如下技术方案：
6.一种故障指示器滤波方法，包括以下步骤：
7.步骤1：对故障指示器采集到的录波数据进行处理：通过格拉米角场法将每一个采样通道的电流时间序列数据与电场时间序列数据转化为一张二维图片；
8.步骤2：依次将每条录波数据中各采样通道对应的的二维图像合成为一个张量，即每条录波数据对应一个由8个采样通道的二维图像合成的张量；
9.步骤3：将张量逐个输入到卷积神经网络中，让卷积神经网络逐个判断张量对应的录波数据是否应该被过滤；
10.步骤4：如果神经网络判断某录波数据应该被过滤，则故障指示器根据判断结果过滤此录波数据。
11.优选地，所述步骤3中的卷积神经网络为vggnet16。
12.本发明的有益效果是：根据录波数据的波形特征对故障指示器录到的波形进行过滤，从视觉上看很容易看出雨天抖动等波形与故障数据的区别，但却很难用判据来判断筛除此类数据，而且由于其波形抖动，很容易满足启动录波的判据，所以很容易被误录波，将其从录波数据中过滤掉可以减少后续工作量，本发明根据录波数据的波形特征对所录波形进行过滤，同时考虑到用二维图片进行计算会给现有汇集单元的算力带来较大压力，本发明使用格拉米角场法对电场、电流数据进行处理，计算量小，易于实现，具有较强的工程实
用性。
附图说明
13.图1为本发明的总体流程图。
14.图2为本发明实施例中由采样通道1的电场时间序列数据转化而来的二维图像(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
15.图3为本发明实施例中由采样通道2的电场时间序列数据转化而来的二维图像(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
16.图4为本发明实施例中由采样通道3的电场时间序列数据转化而来的二维图像(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
17.图5为本发明实施例中由采样通道4的电场时间序列数据转化而来的二维图像(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
18.图6为本发明实施例中由采样通道5的电流时间序列数据转化而来的二维图像(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
19.图7为本发明实施例中由采样通道6的电流时间序列数据转化而来的二维图像(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
20.图8为本发明实施例中由采样通道7的电流时间序列数据转化而来的二维图像(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
21.图9为本发明实施例中由采样通道8的电流时间序列数据转化而来的二维图像(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
22.图10为本发明实施例中应该启动录波的故障数据(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
23.图11为本发明实施例中不应启动录波的雨天抖动数据(为了能区分出不同采样通道的图像，申请人认为有必要使用彩图)。
具体实施方式
24.下面结合附图和实施例对本发明作进一步的说明，以具体阐述本发明的技术方案。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。
25.实施例：
26.如图1所示，一种故障指示器滤波方法，包括以下步骤：
27.s1：对故障指示器采集到的录波数据进行处理，将短时间序列信号转换为gaf(gramian angular field，格拉米角场)图像。具体做法是将每一个通道的电流和电场数据(故指录波数据共8条通道)通过格拉米角场法转化为二维图像：
28.s11，将时间序列数据归一化到[-1,1]范围，得到一个归一化后的矩阵；
[0029]
s12，将归一化后的时间序列数据转换到极坐标系，公式为：
[0030]
φi＝arccosθxi[0031]
[0032]
其中，ti代表了点xi的时间戳，n是时序数据中所包含的所有时间点的个数。
[0033]
s13，gaf图像中的每个像素是不同时间间隔之间的三角和(即方向的叠加)，利用和角关系，得到对应的二维图像(像素尺寸：128*128)。将重新缩放的时间序列转换成极坐标系统后，我们可以通过考虑每个点之间的三角和来识别不同时间间隔内的时间相关性，从而轻松利用角度视角。gaf的内积公式为：
[0034]
《x1,x2》＝cos(φ1+φ2)
[0035]
其中，x1和x2是指两个时序点，也就是说两个时序点之间的内积是这两个时序点的极坐标转化后的极角之和的余弦，gaf的矩阵如下公式：
[0036][0037]
s2：将电流和电场生成的二维图像合成为一个张量。合成的方式为使用opencv读取图片的矩阵格式，然后对图片进行融合。具体地，融合的方式为对图片通道的融合而不是对图片进行叠加，例如，图2～图9是8张1通道的图片，进行通道合成后变为1张8通道的图片，与原始的录波数据形式较为相似，有利于保留通道之间的特征信息。
[0038]
s3：将张量输入到vggnet16卷积神经网络中，让神经网络判断此录波数据是否应该过滤。
[0039]
s4：如果神经网络判断某录波数据应该被过滤，则故障指示器根据判断结果过滤此录波数据。
[0040]
如图2～图9所示，每一通道的时间序列数据使用格拉米角场法转化为对应的二维图片，将电流和电场数据按每个通道转换为格拉米角场图像后，这样能够将电流和电场实时信号转换为保持时间序列特征的图像数据。本发明实施例所用数据的电流和电场有8个通道，从图2中可以看出每个通道的波形进行格拉米角场转换后可以肉眼看出各通道电流和电场信号格拉米角场图像的差异性和共性。
[0041]
如图10和图11所示，观察应该启动的故障内数据和不应启动的雨天抖动数据，可以看出虽然雨天抖动数据因满足启动录波判据中电场的变化判据而启动，但是如果肉眼观察很容易将雨天抖动从录到的数据中过滤出来，所以根据二维图像来进行故障指示器误启动录波数据过滤是有效的。
[0042]
综上所述，本发明提出一种故障指示器滤波方法，首先对故障指示器采集到的录波数据进行处理，将每一个通道的电流和电场数据通过格拉米角场法转化为二维图像，然后将电流和电场生成的二维图像合成为一个张量，最后将张量输入到卷积神经网络中，让神经网络判断此录波数据是否应该过滤，通过对电流电场数据进行图像转换来进行过滤，可以提高启动录波数据有效性。与传统基于判据的检测方法相比，本发明通过图像来过滤雨天抖动数据更加准确。
[0043]
以上实施例是对本发明的具体实施方式的说明，而非对本发明的限制，有关技术领域的技术人员在不脱离本发明的精神和范围的情况下，还可以做出各种变换和变化以得到相对应的等同的技术方案，因此所有等同的技术方案均应该归入本发明的专利保护范围。

技术特征：
1.一种故障指示器滤波方法，其特征在于，包括以下步骤：步骤1：对故障指示器采集到的录波数据进行处理：通过格拉米角场法将每一个采样通道的电流时间序列数据与电场时间序列数据转化为一张二维图片；步骤2：依次将每条录波数据中各采样通道对应的的二维图像合成为一个张量，即每条录波数据对应一个由8个采样通道的二维图像合成的张量；步骤3：将张量逐个输入到卷积神经网络中，让卷积神经网络逐个判断张量对应的录波数据是否应该被过滤；步骤4：如果神经网络判断某录波数据应该被过滤，则故障指示器根据判断结果过滤此录波数据。2.根据权利要求1所述的一种故障指示器滤波方法，其特征在于，所述步骤3中的卷积神经网络为vggnet16。

技术总结
本发明涉及配电网自动化技术领域，公开了一种故障指示器滤波方法，步骤如下：通过格拉米角场法将每个采样通道的电流、电场时间序列数据转化为二维图片；依次将各采样通道对应的二维图像合成为张量；卷积神经网络逐个判断张量对应的数据是否该被过滤；判断该被过滤则故障指示器进行过滤。雨天抖动等波形很难用判据来判断筛除，且很容易被误录波，从录波数据中过滤掉雨天抖动数据可以减少后续工作量，本发明根据录波数据的波形特征对所录波形进行过滤，同时，考虑用二维图片进行计算给现有汇集单元的算力的压力较大，本发明使用格拉米角场法处理电场电流数据，计算量小，易于实现，工程实用性强。实用性强。实用性强。


技术研发人员：曹乾磊 张文艳 狄克松 李建赛 孙鹏祥 张永全 杜保鲁 罗超 张威龙
受保护的技术使用者：青岛鼎信通讯科技有限公司 青岛鼎信通讯电力工程有限公司
技术研发日：2023.05.18
技术公布日：2023/8/13