基于小波变换的电缆故障预测定位系统数据融合.docx

基于小波变换的电缆故障预测定位系统数据融合汪梅(西安科技大学电气与控制工程学院陕西西安710054)摘要：提出一种基于小波变换的电缆故障预测定位复杂非线性系统数据融合方法给出样本的合理权值。首先剔除电缆故障实测数据中的疏失误差数据再用小波变换检测出有效实测数据的误差趋势度量有效实测数据的可信度根据可信度给出有效实测数据的权值。仿真结果表明：用小波变换融合数据所建系统的神经网络模型的输出预测的平均误差远远小于数据融合前所建模型预测的平均误差基于小波变换的数据融合方法确保了建模所用训练样本的可信度及其权值的合理性。关键词：电缆；故障定位；小波；神经网络；数据融合中图分类号：TM726文献标识码：A文章编号：1000-274X(2004)0081-07现代化社会使得人们的生活和生产对电能的依赖越来越强电缆线路事故对社会造成的影响越来越大电缆线路的故障严重地威胁和危害着人民生命财产的安全。保证电缆线路安全运行及时、准确地预测定位出故障点并迅速加以排除是电力工作者的奋斗目标。由于故障预测在提高电缆线路运行的安全性及减小损失方面具有显而易见的主动性因而实现电缆线路故障预测和定位并在准确预测和定位的基础上排除电缆线路的故障隐患具有现实意义。因此建立一套可靠的电缆线路故障预测定位系统及时发现故障隐患并准确定位出故障点是电缆线路安全运行中一个亟待解决的问题[1]。1系统的工作原理电缆故障预测定位系统属于多输入多输出的复杂非线性问题为实现电缆故障的预测定位及故障类型的模式识别等功能需要在大量实测数据的基础上建立具有非线性特性的神经网络系统模型并以此设计电缆故障预测定位及故障类型辨识系统。把电缆线路的实时监测数据加在系统的输入端根据模型的数据显示被检测电缆的状态是否正常一旦神经网络模型的输出表明电缆出现了故障则发出报警并显示出故障点位置及故障类型。根据有关部门统计短路或接地故障占全部电缆故障的90%以上[2]。正常情况下电缆三相之间的绝缘电阻及各相对地的绝缘电阻应为无穷大。一旦某一绝缘电阻值降低而小于某一定值如1000kΩ则属于电缆的短路或接地故障[3]。本文主要研究三相电缆短路或接地故障的预测定位系统中数据融合问题。系统中共用了5个传感器其中2个A/D转换器用于检测系统的平衡状态另3个A/D转换器用于检测系统的输入点的电位[4]。为简化数据处理故障距离样本数据已经进行了归一化处理。由于神经网络具有很强的模型辨识、自适应预报和故障诊断能力特别是在求解复杂非线性问题中具有不可比拟的优势[5]因此选用具有非线性特性的BP神经网络作为系统的模型。电缆故障系统的模型采用3层前向BP网络即输入层、隐含层和输出层。由于网络输入是5维向量故输入层取5个节点。隐含层取6个节点。输出层取1个节点表示电缆的故障点距电缆一端的距离。2剔除原始数据中的疏失误差数据为设计出电缆故障预测及定位系统实测出一批维数为6、长度为80的数据。其中：前5维是输入数据；最后1维是输出数据表示电缆的故障点距电缆一端的距离。首先分析实测数据中输出数据与其理想值之间的误差e80如图1所示。通过对原始信号e80的观察可以看出其中第1、11、12、13个数据的数值特别大很明显这几组原始数据的测量准确性很低属于疏失误差。造成这种疏失误差的原因是刚开始对实际电缆系统测量时操作者还没有经验或者系统接线不好。这些疏失误差的测量值显然与事实不符对测量结果是一种严重的歪曲应该加以剔除。剔除测量数据中明显的粗大误差之后原始信号e80还剩下76组数据e76。数据序号e80图1实测数据误差e80Fig.1Errore80ofmeasureddata数据序号Uc80图2实测数据Uc80Fig.2MeasureddataUc80再对实测数据中的输入数据进行分析。从原理上说5维输入数据中的第1维数据Uc应该是一个恒量。图2显示了80个Uc的实测数据Uc80图3显示了80个Uc的实测数据分布状态。通过统计计算可知Uc的均值Uc=4.996Uc的方差Uc80=4.9725e-006。Uc的标准误差。取置信限此时Uc的置信度。Uc的置信概率P=88.9%。经过这一步的数据预处理原始信号e80还剩下70组数据称之为有效实测数据e70如图4所示。检测值个数/个图3实测数据的分布Fig.3Distributionofmeasureddata数据序号e70图4实测数据误差e70Fig.4Errore70ofmeasureddata3基于小波变换的系统数据融合对预处理后的70组有效原始信号e70进行观察似乎这是一个无规律可循的随机序列了。为了进一步对这些原始数据进行分析引入小波变换及其多尺度分解[6