一种电力系统动态过程预测的非平稳故障诊断方法及系统

本发明涉及直流电力系统故障检测与诊断，具体为一种电力系统动态过程预测的非平稳故障诊断方法及系统。

背景技术：

1、随着光伏发电、储能系统、电动汽车充电设施以及多设备直流用电场景的不断发展，直流电力系统的应用范围越来越广。直流系统在运行过程中通常会受到负载投切、开关动作、逆变器调节、电力电子变换器运行、电磁干扰以及环境扰动等因素影响，使系统电流、电压信号呈现出明显的动态变化特征。当电弧故障发生于上述系统动态过程之中时，故障电弧信号会与负载扰动、开关暂态、逆变器噪声等暂态信号发生耦合，形成包含正常动态过程特征与电弧故障特征的混合非平稳信号。

2、在相对稳定负载或单一故障工况下，现有电弧故障诊断方法已经形成了较为完整的技术路线，主要包括时域特征分析、频域特征分析、时频域特征分析以及机器学习分类方法。然而，平稳或近似平稳工况下建立的诊断模型难以完全适应真实直流系统中的非平稳电弧故障诊断。当电弧故障耦合于暂态干扰或系统动态过程中时，故障特征并不是简单叠加在原始信号上，而是会与系统动态过程特征在时域、频域和时频域上发生交叠、掩蔽、变形和漂移，此时非平稳电弧故障检测的关键在于识别暂态干扰过程中耦合发生电弧故障后形成的混合信号特征，并判断该混合信号是否满足完整的故障演化模式。

3、现有非平稳电弧故障检测技术仍存在明显不足：部分方法主要面向单一电弧故障或特定实验平台建立检测模型，对多设备组合、负载频繁变化以及未知运行工况的适应能力不足；传统时频分析方法依赖小波基、分解尺度、频带选择和特征阈值等人工参数设置，不同系统、不同负载和不同采样条件下往往需要重新调整参数；深度学习方法虽然能够提升识别精度，但通常需要大量高质量标注样本，而真实电弧故障具有突发性、低概率性和高风险性，尤其是系统动态过程耦合电弧故障样本更难大规模采集。此外，现有研究大多关注电弧故障本身的特征提取和分类识别，对系统动态过程与电弧故障之间的耦合关系考虑不足，若缺少对系统动态过程的预测和约束，仅依靠固定阈值或普通分类模型进行判断，容易将正常动态过程误判为故障，也可能将动态过程中的耦合电弧故障漏判为普通扰动。

4、因此，针对直流系统非平稳电弧故障检测问题，亟需一种能够结合系统动态过程预测、非平稳特征自适应提取和故障特征约束判断的诊断方法。

技术实现思路

1、针对现有技术中存在的问题，本发明提供一种电力系统动态过程预测的非平稳故障诊断方法，通过建立系统动态过程数据库进行设备类型辨识和动态过程匹配，结合变分模态分解提取受动态过程约束的多维故障特征，并利用仿非平稳故障样本生成与神经网络增强训练，实现直流系统非平稳电弧故障的精准诊断，解决了非平稳故障样本稀缺、动态过程耦合故障难以识别以及模型泛化能力不足的问题。

2、本发明是通过以下技术方案来实现：

3、第一方面，本技术提供了一种电力系统动态过程预测的非平稳故障诊断方法，其特征在于，包括：

4、步骤1、建立系统动态过程数据库，将接入设备类型、设备运行状态与动态过程特征范围、故障判断约束条件一一对应存储；

5、步骤2、采集待测直流系统运行信号，根据所述系统动态过程数据库进行动态过程模式匹配，确定当前接入设备类型以及动态过程范围；

6、步骤3、以所述动态过程范围为约束，对待测运行信号进行变分模态分解，提取各模态分量的时域特征、频域特征和时频域特征，构建非平稳故障特征向量，并进行初步判别得到平稳故障信号；

7、步骤4、对所述平稳故障信号进行变分模态分解和多维特征提取，构建平稳故障多维特征集；

8、步骤5、基于所述平稳故障多维特征集的特征分布进行概率抽样和特征偏移，结合所述系统动态过程数据库中的动态过程约束条件，生成仿非平稳故障样本；

9、步骤6、将平稳故障多维特征集与仿非平稳故障样本集共同输入神经网络进行增强训练，得到非平稳故障诊断模型，以所述非平稳故障诊断模型执行直流系统非平稳电弧故障的诊断。

10、优选的，步骤1中所述系统动态过程数据库涵盖的接入设备类型包括光伏组件、储能单元、逆变器、直流负载、电动汽车充电设备及电力电子变换装置；

11、所述动态过程特征范围包括幅值变化特征、频带能量特征、持续时间特征、模态变化特征和波形演化特征；

12、所述设备运行状态包括正常运行、启动、停机、负载投切、最大功率点跟踪调节、逆变器暂态调节以及开关动作过程中的一种或多种。

13、优选的，步骤2中所述动态过程模式匹配包括：

14、基于原型匹配机制计算当前运行信号与系统动态过程数据库中各类别原型的相似度，确定当前接入设备类型；根据设备类型从系统动态过程数据库中调取对应的动态过程范围。

15、优选的，所述基于原型匹配机制计算相似度的过程为：

16、以系统动态过程数据库中的样本为支持集构建各类别的特征嵌入原型，将待测运行信号经滑动窗口分段得到的窗口级特征向量映射至同一嵌入空间，计算窗口级特征向量与各类别原型的欧氏距离，转换得到各窗口对应不同类别的匹配概率；

17、所述通过多窗口统计量加权融合的过程为：

18、统计各类别成为窗口级第一匹配类型的第一占比和成为窗口级前两名匹配类型的第二占比，将工况级平均匹配概率、第一占比和第二占比进行加权融合，得到工况级联合评分，选取联合评分最高的类别作为最终匹配的设备类型。

19、优选的，步骤3中，先对待测运行信号执行滑动窗口分段与预处理，再进行变分模态分解；

20、所述时域特征包括能量值、均值、方差、峰值、峭度、裕度因子和波形因子中的一种或多种；

21、所述频域特征包括中心频率、频带能量、主频幅值、频谱熵和高频能量占比中的一种或多种；

22、所述时频域特征包括模态能量演化特征、瞬时频率变化特征、最大李亚普洛夫指数、样本熵以及动态时间规整相似度特征中的一种或多种。

23、优选的，步骤3中所述初步判别包括：

24、将所述非平稳故障特征向量输入已训练完成的神经网络模型，当输出的故障置信度超过预设阈值时，判定为平稳故障信号；当未超过预设阈值时，判定为正常运行状态。

25、优选的，步骤5中生成仿非平稳故障样本，包括：

26、统计平稳故障多维特征集的特征分布参数，采用有放回重复抽样生成初始抽样样本；

27、以真实样本的特征统计中心为基准对抽样样本进行中心化校准；

28、结合动态过程约束条件筛选出符合物理演化规则的有效因子概率样本；

29、在动态过程对应的特征合理区间内对有效样本执行可控特征偏移，生成仿非平稳故障样本。

30、优选的，所述在动态过程对应的特征合理区间内对有效样本执行可控特征偏移，具体包括：

31、预先基于实测耦合故障数据计算各动态过程对应的暂态干扰影响指标，所述暂态干扰影响指标为动态过程耦合故障的能量特征与单一平稳故障的能量特征的比值，用于表征动态过程扰动对故障能量特征的拮抗衰减程度；

32、根据当前动态过程对应的暂态干扰影响指标取值，限定仿非平稳故障样本中能量类特征的偏移幅度，使生成样本的能量特征衰减程度与真实耦合场景的演化规律一致。

33、优选的，步骤6中所述神经网络为前馈神经网络，包含多层全连接隐藏层，每层隐藏层后连接relu激活函数和dropout层，输出层采用softmax激活函数输出正常状态、平稳故障状态和非平稳故障状态的概率分布。

34、第二方面，本技术提供了一种电力系统动态过程预测的非平稳故障诊断系统，包括：

35、动态过程数据库构建模块，用于建立系统动态过程数据库，将接入设备类型、设备运行状态与动态过程特征范围、故障判断约束条件一一对应存储；

36、动态过程匹配模块，用于采集待测直流系统运行信号，根据所述系统动态过程数据库进行动态过程模式匹配，确定当前接入设备类型以及动态过程范围；

37、故障初步判别模块，用于以所述动态过程范围为约束，对待测运行信号进行变分模态分解，提取各模态分量的时域特征、频域特征和时频域特征，构建非平稳故障特征向量，并进行初步判别得到平稳故障信号；

38、平稳故障特征提取模块，用于对所述平稳故障信号进行变分模态分解和多维特征提取，构建平稳故障多维特征集；

39、仿非平稳样本生成模块，用于基于所述平稳故障多维特征集的特征分布进行概率抽样和特征偏移，结合所述系统动态过程数据库中的动态过程约束条件，生成仿非平稳故障样本；

40、模型训练与诊断模块，用于将平稳故障多维特征集与仿非平稳故障样本集共同输入神经网络进行增强训练，得到非平稳故障诊断模型，以所述非平稳故障诊断模型执行直流系统非平稳电弧故障的诊断。

41、与现有技术相比，本发明具有以下有益的技术效果：

42、本技术提供的电力系统非平稳故障诊断方案，以系统动态过程数据库为前置锚定基准，先通过模式匹配锁定当前接入设备对应的动态过程范围，再将该范围作为约束条件引入变分模态分解与特征向量构建环节，将传统的绝对特征判别转换为相对动态基准下的偏离判别，从根源上消解了动态过程暂态扰动对故障特征的掩蔽与干扰；同时以易获取的平稳故障多维特征集为生成基底，结合动态过程物理约束完成概率抽样与可控特征偏移，生成符合真实耦合机理的仿非平稳故障样本，以此补充训练样本实现神经网络增强训练。相较于常规诊断方案，该方法既解决了变工况下固定阈值误判率高的痛点，又避免了无约束数据增强样本脱离物理实际的缺陷，可在非平稳故障样本稀缺的工程场景下有效提升诊断模型的泛化能力与识别准确率，适配多设备组合的复杂直流系统运行场景。

43、本技术还提出了一种电力系统动态过程预测的非平稳故障诊断系统、一种电子设备和一种计算机存储介质，具备上述电力系统动态过程预测的非平稳故障诊断方法的全部优势。