大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)快速數(shù)據(jù)定位模型仿真

蔣曉科

（1.海南經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院工程技術(shù)學(xué)院，海南?？凇?71127；2.暨南大學(xué)信息科學(xué)技術(shù)學(xué)院，廣東廣州　510632）

大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)快速數(shù)據(jù)定位模型仿真

蔣曉科1，2

（1.海南經(jīng)貿(mào)職業(yè)技術(shù)學(xué)院工程技術(shù)學(xué)院，海南?？?71127；2.暨南大學(xué)信息科學(xué)技術(shù)學(xué)院，廣東廣州510632）

對(duì)大型電力網(wǎng)絡(luò)故障數(shù)據(jù)進(jìn)行快速定位，對(duì)提高電力網(wǎng)絡(luò)配電管理及故障診斷方面具有重要意義。傳統(tǒng)的定位算法，利用故障數(shù)據(jù)庫(kù)慢變包絡(luò)切片對(duì)定位信息進(jìn)行能量聚集，容易受到的電磁干擾，導(dǎo)致定位準(zhǔn)確度不好。提出一種基于時(shí)頻分析和滑動(dòng)時(shí)間窗口重排的大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的快速數(shù)據(jù)定位模型。構(gòu)建大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)模型，對(duì)故障數(shù)據(jù)信息進(jìn)行時(shí)頻特征提取，對(duì)提取的故障數(shù)據(jù)的時(shí)頻特征進(jìn)行滑動(dòng)時(shí)間窗口重排，實(shí)現(xiàn)數(shù)據(jù)的快速定位，通過特征提取和特征分類實(shí)現(xiàn)故障診斷。仿真結(jié)果表明，采用該模型進(jìn)行大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的故障數(shù)據(jù)定位，具有較好的抗干擾能力，實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的快速定位，進(jìn)而實(shí)現(xiàn)對(duì)電力網(wǎng)絡(luò)的故障檢測(cè)，檢測(cè)概率高于傳統(tǒng)算法。

電力網(wǎng)絡(luò)；故障數(shù)據(jù)庫(kù)；快速定位

保障電力網(wǎng)絡(luò)的無故障穩(wěn)定運(yùn)行是保障人們生產(chǎn)生活的根本。隨著網(wǎng)絡(luò)信息數(shù)據(jù)庫(kù)技術(shù)和云計(jì)算不斷普及應(yīng)用，大型電力網(wǎng)絡(luò)系統(tǒng)的數(shù)據(jù)管理和數(shù)據(jù)調(diào)度多采用數(shù)據(jù)庫(kù)管理方式，電力和電網(wǎng)信息的智能管理，大型電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)聚集和存儲(chǔ)大量的電網(wǎng)調(diào)度的用戶信息和電網(wǎng)自身參數(shù)信息，通過數(shù)據(jù)庫(kù)管理和調(diào)度方式進(jìn)行電網(wǎng)的配電和調(diào)度使用。常因?yàn)橥ㄐ艣_突和電網(wǎng)節(jié)點(diǎn)損耗產(chǎn)生故障數(shù)據(jù)，在電網(wǎng)配電和調(diào)度過程中，需要對(duì)大型電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中的故障數(shù)據(jù)進(jìn)行準(zhǔn)確快速地定位和挖掘，實(shí)現(xiàn)故障的及時(shí)排除和診斷?？梢?，進(jìn)行有效的故障數(shù)據(jù)快速定位是實(shí)現(xiàn)電力數(shù)據(jù)調(diào)度和故障診斷的關(guān)鍵。研究大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的快速數(shù)據(jù)定位模型和算法設(shè)計(jì)具有重要意義［1］。

傳統(tǒng)方法中，對(duì)大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的快速數(shù)據(jù)定位設(shè)計(jì)，主要采用盲解卷積算法和負(fù)熵累積量特征提取算法等，而傳統(tǒng)的盲解卷積算法無法徹底消除挖掘信道對(duì)奇異特征具有卷積效應(yīng)，影響大型電力網(wǎng)絡(luò)故障特征挖掘精度。在盲高斯信息特征統(tǒng)計(jì)算法中，特征信息進(jìn)行代價(jià)函數(shù)的構(gòu)造，如負(fù)熵、累計(jì)量，由于梯度類優(yōu)化方法的局部收斂問題，如果算法初值選擇不合理，往往會(huì)影響數(shù)據(jù)庫(kù)層析集成算法的精度，不利于大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的調(diào)度和控制。文獻(xiàn)［2］提出的大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的數(shù)據(jù)定位模型采用的是粒子濾波算法，利用故障數(shù)據(jù)庫(kù)慢變包絡(luò)切片對(duì)定位信息進(jìn)行能量聚集，該定位方法受到的電磁干擾較大，定位準(zhǔn)確度不好。文獻(xiàn)［3］提出一種基于差分累積函數(shù)特征挖掘的大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)定位算法。將大數(shù)據(jù)環(huán)境下的大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)定位和診斷轉(zhuǎn)換到分?jǐn)?shù)階傅里葉域進(jìn)行聚焦，實(shí)現(xiàn)大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的故障特征提取。但是，該算法存在計(jì)算復(fù)雜度高，實(shí)現(xiàn)開銷較大等問題，實(shí)時(shí)性不好。提出一種基于時(shí)頻分析和滑動(dòng)時(shí)間窗口重排的大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的快速數(shù)據(jù)定位模型。構(gòu)建大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)模型，對(duì)故障數(shù)據(jù)信息進(jìn)行時(shí)頻特征提取，提取大型數(shù)據(jù)庫(kù)中的故障數(shù)據(jù)訓(xùn)練樣本，對(duì)提取的故障數(shù)據(jù)的時(shí)頻特征進(jìn)行滑動(dòng)時(shí)間窗口重排［4］，實(shí)現(xiàn)大型電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)故障數(shù)據(jù)高效檢測(cè)和定位。仿真實(shí)驗(yàn)驗(yàn)證了本文設(shè)計(jì)模型在實(shí)現(xiàn)電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)定位和故障診斷方面的優(yōu)越性能。

1　大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)模型及故障特征提取

1.1大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)模型

大型電力網(wǎng)絡(luò)故障特征信息通常表現(xiàn)為一組非平穩(wěn)寬帶信號(hào)，通過信號(hào)檢測(cè)方法實(shí)現(xiàn)大型電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)故障數(shù)據(jù)定位，在此，先構(gòu)建大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)模型。在故障數(shù)據(jù)流模型偶見中，采用分布式代碼執(zhí)行方式，將任務(wù)代碼分布到多個(gè)數(shù)據(jù)節(jié)點(diǎn)，實(shí)現(xiàn)分布式執(zhí)行，執(zhí)行完后，結(jié)果統(tǒng)一返回到客戶端，從而有效避免大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)中的緩存數(shù)據(jù)的移動(dòng)與傳輸［5-7］。采用單機(jī)或聯(lián)網(wǎng)計(jì)算機(jī)進(jìn)行大數(shù)據(jù)量訪問，實(shí)現(xiàn)對(duì)電網(wǎng)故障狀態(tài)的評(píng)估和預(yù)測(cè)。大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)采用I/O、USB和磁盤等設(shè)備均實(shí)現(xiàn)高效的讀寫訪問，由此構(gòu)建大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的訪問和管理模型，如圖1所示。

圖1　大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)管理模型Fig.1　Large power network fault database management model

由圖1可知，假設(shè)大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)數(shù)據(jù)集X=｛x1，x2，…，xn｝（n是大型電力網(wǎng)絡(luò)故障數(shù)據(jù)集X的數(shù)目；X中的聯(lián)合分布特征向量都是一個(gè)p維矢量，X含有c個(gè)故障類別，第i個(gè)故障類的聚類中心為vi=｛vi1，vi2，…，vip｝），若大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)非平穩(wěn)寬帶信號(hào)的時(shí)間采樣｛x（t1），…x（tn）｝的聯(lián)合分布函數(shù)與｛x（t1+τ），…x（tn+τ）｝的聯(lián)合分布函數(shù)具有自相關(guān)性，則樣本數(shù)據(jù)集故障特征采用的系統(tǒng)函數(shù)表示為：

采用混疊譜模糊度函數(shù)分析故障數(shù)據(jù)庫(kù)的頻譜特征，確定響應(yīng)變量y的值與預(yù)報(bào)變量X=（x1，…xn，…，xn+m）值的函數(shù)關(guān)系，＜R1，+，×＞和＜R2，⊕，?＞是2個(gè)特征向量集合的閉環(huán)，由于大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的故障特征聯(lián)合概率分布函數(shù)映射f：R1|→R2，對(duì)于任意的mi∈R1均滿足如下故障數(shù)據(jù)信息特征提取方程：

式中：x、y、z為電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)中的故障數(shù)據(jù)的初始頻率均值；ψV為故障數(shù)據(jù)訓(xùn)練集；θ為變量Q的空間中的解向量；φ為大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)復(fù)信號(hào)z（t）的瞬時(shí)幅度；γ為大型電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中的故障數(shù)據(jù)頻域諧振幅度。

1.2故障數(shù)據(jù)信號(hào)模型及特征提取

大型電力網(wǎng)絡(luò)故障檢測(cè)診斷的第一步是信號(hào)的檢測(cè)采集，設(shè)計(jì)電力網(wǎng)絡(luò)故障數(shù)據(jù)的信號(hào)模型，對(duì)故障狀態(tài)下的計(jì)算機(jī)數(shù)據(jù)集合進(jìn)行融合分析，通過特征提取和特征分類實(shí)現(xiàn)故障診斷［8-9］。大型電力網(wǎng)絡(luò)故障檢測(cè)原理框圖如圖2所示。

圖2　大型電力網(wǎng)絡(luò)故障檢測(cè)原理Fig.2　Principle of large power network fault detection

進(jìn)行大型電力設(shè)備的故障數(shù)據(jù)庫(kù)的快速數(shù)據(jù)定位，實(shí)現(xiàn)故障檢測(cè)和診斷。令R為大型電力網(wǎng)絡(luò)故障特征數(shù)據(jù)中包含有4元組（Ei，Ej，d，t）的信任關(guān)系，數(shù)據(jù)分類屬性A=｛A1，A2，…，Am｝，大型電力網(wǎng)絡(luò)故障特征數(shù)據(jù)集成的信息狀態(tài)方程為：

計(jì)算大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)信號(hào)的時(shí)頻特征，進(jìn)行故障信號(hào)模型構(gòu)建，得到故障特性信號(hào)模型為：

對(duì)電力網(wǎng)絡(luò)故障特征數(shù)據(jù)進(jìn)行序列采樣和時(shí)間更新，得到大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)非平穩(wěn)寬帶信號(hào)z（t）的頻譜，進(jìn)一步采用時(shí)頻分析進(jìn)行瞬時(shí)頻率的估計(jì)，對(duì)大型電力網(wǎng)絡(luò)故障特征數(shù)據(jù)準(zhǔn)確度概率函數(shù)密度表達(dá)式為：

大型電力網(wǎng)絡(luò)故障是由n個(gè)樣本組成的樣本集，每個(gè)電氣設(shè)備故障數(shù)據(jù)樣本中有m個(gè)指標(biāo)，則第j個(gè)樣本的指標(biāo)特征向量為xj=｛x1j，x2j，…，xmj｝T，故障數(shù)據(jù)的后驗(yàn)概率估計(jì)為p（x0），得到：

大型電力網(wǎng)絡(luò)故障特征信息通常表現(xiàn)為一組非平穩(wěn)寬帶信號(hào)，為了實(shí)現(xiàn)對(duì)大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的檢測(cè)，采用時(shí)頻分析方法進(jìn)行故障特征提取，得到故障特征數(shù)據(jù)信息狀態(tài)函數(shù)表示為：

式中：xi∈Rn，代表大型電力網(wǎng)絡(luò)故障特征數(shù)據(jù)的狀態(tài)矢量；ui∈Rm，實(shí)現(xiàn)了大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的故障特征提取，為進(jìn)行故障數(shù)據(jù)的快速定位提供數(shù)據(jù)基礎(chǔ)。

馬來西亞橡膠木已于2017年7月1日起全面禁止出口，這對(duì)緩解相關(guān)產(chǎn)業(yè)的原料短缺問題，尤其是對(duì)家具制造業(yè)有所幫助。到2020年馬來西亞家具業(yè)對(duì)出口額實(shí)現(xiàn)120億林吉特的目標(biāo)也更充滿了信心。

2　故障數(shù)據(jù)庫(kù)的快速數(shù)據(jù)定位算法改進(jìn)實(shí)現(xiàn)

在信號(hào)模型構(gòu)建和特征提取的基礎(chǔ)上，進(jìn)行數(shù)據(jù)快速定位算法改進(jìn)設(shè)計(jì)，傳統(tǒng)的大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)定位模型采用粒子濾波算法，利用故障數(shù)據(jù)庫(kù)慢變包絡(luò)切片對(duì)定位信息進(jìn)行能量聚集，該定位方法受到的電磁干擾較大，定位準(zhǔn)確度不好。為了克服傳統(tǒng)算法的弊端，提出一種基于時(shí)頻分析和滑動(dòng)時(shí)間窗口重排的大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的快速數(shù)據(jù)定位模型。提取大型數(shù)據(jù)庫(kù)中的故障數(shù)據(jù)訓(xùn)練樣本，對(duì)提取的故障數(shù)據(jù)的時(shí)頻特征進(jìn)行滑動(dòng)時(shí)間窗口重排，電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)故障數(shù)據(jù)的頻域模型表達(dá)式為：

式中：a（t）為故障數(shù)據(jù)狀態(tài)特征復(fù)信號(hào)z（t）的瞬時(shí)幅度。建立一個(gè)時(shí)間和空間復(fù)雜度分別為O（d）和O（N1/d）電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)分簇模型，進(jìn)行數(shù)據(jù)快速定位，采用歐式距離表達(dá)故障數(shù)據(jù)2點(diǎn)之間的距離為：

式中：p（xi，yi），o（xj，yj）∈DS，采用θ1（k）為初始狀態(tài)向量；θ1（k+1）為大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)非平穩(wěn)寬帶信號(hào)瞬時(shí)幅度。在色噪聲背景中，采用雙線性Hough變換得到大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的時(shí)頻分量特征為：

若大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的干擾特征實(shí)部nr（k）和虛部ni（k）分別為獨(dú)立的色噪聲，對(duì)提取的故障數(shù)據(jù)的時(shí)頻特征進(jìn)行滑動(dòng)時(shí)間窗口重排，對(duì)初始故障特征密度的局部異常點(diǎn)進(jìn)行掃描并存儲(chǔ)當(dāng)前時(shí)間窗口內(nèi)，在電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中，數(shù)據(jù)包信息預(yù)測(cè)性能為｛λi：1≤i≤S｝，判別準(zhǔn)則｛Rj：1≤j≤L｝，故障數(shù)據(jù)的密度先驗(yàn)信息滑動(dòng)時(shí)間窗口重排運(yùn)算規(guī)則計(jì)算如下：

由此可見，使用時(shí)頻特征向量的最近鄰匹配法可以找出故障特征潛在的匹配對(duì)，利用時(shí)間段U內(nèi)測(cè)量得到的應(yīng)哈希序列的分段為：

式中：V（a1，…，am）－1V（b1，…，bm）為電力網(wǎng)絡(luò)故障數(shù)據(jù)的相似度矩陣。大型電力網(wǎng)絡(luò)故障信號(hào)矢量s（t）=［s1（t），s2（t），…，sq（t）］T和噪聲矢量n（t）是相互獨(dú)立的，得到大型電力網(wǎng)絡(luò)故障數(shù)據(jù)樣本j與c個(gè)類別的差異的模糊特征衡度量，可表示為：

把大型電力網(wǎng)絡(luò)故障信號(hào)分析推廣到有干擾的環(huán)境中，對(duì)于時(shí)間序列｛x（t0+iΔt）｝，i=0，1，…，N－1，建立大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的數(shù)據(jù)快速定位模型目標(biāo)函數(shù)為：

通過對(duì)大型電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)的故障數(shù)據(jù)時(shí)頻特征先驗(yàn)信息進(jìn)行滑動(dòng)時(shí)間窗口重排，以提高數(shù)據(jù)的快速定位能力。

3　仿真實(shí)驗(yàn)與結(jié)果分析

為了測(cè)試本文算法在實(shí)現(xiàn)大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的數(shù)據(jù)快速定位和故障診斷中的性能，進(jìn)行仿真實(shí)驗(yàn)。計(jì)算機(jī)仿真實(shí)驗(yàn)的硬件環(huán)境為：CPU為Intel Core i3-370；主頻2.45 GHz；操作系統(tǒng)為Windows 7。算法設(shè)計(jì)與實(shí)現(xiàn)的開發(fā)環(huán)境為MATLAB 7。實(shí)驗(yàn)中選100個(gè)大型電力網(wǎng)絡(luò)故障樣本數(shù)據(jù)對(duì)其特征提取進(jìn)行訓(xùn)練，樣本每類數(shù)目為134，故障數(shù)據(jù)庫(kù)的時(shí)頻特征狀態(tài)空間維數(shù)為10。根據(jù)特征數(shù)據(jù)采樣結(jié)構(gòu)構(gòu)建大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)，故障數(shù)據(jù)的初始頻率為1 Hz，截止頻率為5 kHz。電網(wǎng)最大功率為10 000 kW，故障數(shù)據(jù)頻譜時(shí)頻特征載波間隔為0.321 5 MHz，電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的數(shù)據(jù)通信OFDM的物理層參數(shù)可參考采用IEEE802.11a的標(biāo)準(zhǔn)，根據(jù)仿真實(shí)驗(yàn)環(huán)境設(shè)計(jì)和參數(shù)設(shè)計(jì)，進(jìn)行故障數(shù)據(jù)特征提取和定位仿真。首先采集3類故障特征樣本時(shí)間序列波形，進(jìn)行信號(hào)模型構(gòu)建，得到結(jié)果如圖3所示。

對(duì)采樣的3類電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)中的故障特征樣本進(jìn)行時(shí)頻特征提取，提取大型數(shù)據(jù)庫(kù)中的故障數(shù)據(jù)訓(xùn)練樣本，對(duì)提取的故障數(shù)據(jù)的時(shí)頻特征進(jìn)行滑動(dòng)時(shí)間窗口重排，實(shí)現(xiàn)故障數(shù)據(jù)的快速定位。采用本文算法和傳統(tǒng)算法進(jìn)行對(duì)比，得到故障數(shù)據(jù)的時(shí)頻特征定位云圖結(jié)果如圖4所示。由圖4可知，采用本文算法進(jìn)行大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的故障數(shù)據(jù)定位，具有較好的抗干擾能力，實(shí)現(xiàn)對(duì)故障數(shù)據(jù)的快速定位。

為了定量對(duì)比各種算法對(duì)大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)數(shù)據(jù)快速定位和故障檢測(cè)能力，進(jìn)行故障檢測(cè)準(zhǔn)確率性能比較，得到不同算法的檢測(cè)結(jié)果如圖5所示。

由圖5可知，采用本文算法進(jìn)行電力網(wǎng)絡(luò)故障檢測(cè)，隨著信噪比的變化，檢測(cè)概率快速發(fā)生變化，其檢測(cè)概率為81.9%；采用WVD-Hough方法檢測(cè)概率為57.7%；采用SPWVD-Hough算法的檢測(cè)概率為40.4%。采用本文算法相比其余2種算法檢測(cè)概率分別提高了24.2%，41.5%。因此，采用本文算法檢測(cè)準(zhǔn)確性更高。

圖3　數(shù)據(jù)樣本信號(hào)模型Fig.3　Data sample signal model

4　結(jié)語(yǔ)

對(duì)大型電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)中的故障數(shù)據(jù)進(jìn)行準(zhǔn)確快速的定位和挖掘，實(shí)現(xiàn)故障的及時(shí)排除和診斷。本文提出一種基于時(shí)頻分析和滑動(dòng)時(shí)間窗口重排的大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)的快速數(shù)據(jù)定位模型。構(gòu)建大型電力網(wǎng)絡(luò)故障數(shù)據(jù)庫(kù)模型，對(duì)故障數(shù)據(jù)信息進(jìn)行時(shí)頻特征提取，對(duì)提取的故障數(shù)據(jù)的時(shí)頻特征進(jìn)行滑動(dòng)時(shí)間窗口重排，實(shí)現(xiàn)大型電力網(wǎng)絡(luò)數(shù)據(jù)庫(kù)故障數(shù)據(jù)高效檢測(cè)和定位。實(shí)驗(yàn)結(jié)果表明，采用本文算法具有較好的故障數(shù)據(jù)特征提取和定位性能，能有效實(shí)現(xiàn)對(duì)電力網(wǎng)絡(luò)故障檢測(cè)，準(zhǔn)確度較高。

圖4　電網(wǎng)數(shù)據(jù)庫(kù)故障數(shù)據(jù)的時(shí)頻特征定位云圖Fig.4　Time and frequency characteristics of fault data of power network database

圖5　故障檢測(cè)性能對(duì)比Fig.5　Fault detection performance comparison

［1］孫剛，時(shí)伯年，趙宇明，等.基于MMC的柔性直流配電網(wǎng)故障定位及保護(hù)配置研究［J］.電力系統(tǒng)保護(hù)與控制，2015，43（22）：127-133.SUN Gang，SHI Bonian，ZHAO Yuming，et al.Research on the fault location method and protection configuration strategy of MMC based DC distribution grid［J］.Power System Protection and Control，2015，43（22）：127-133（in Chinese）.

［2］姜杰，郭威，黃文興，等.基于故障數(shù)據(jù)的線路分布參數(shù)時(shí)域辨識(shí)方法［J］.電力系統(tǒng)保護(hù)與控制，2013，41（14）：7-12.JIANG Jie，GUO Wei，HUANG Wenxing，et al.Distributed parameter time domain identification method of transmission lines based on fault records［J］.Power System Protection and Control，2013，41（14）：7-12（in Chinese）.

［3］楊明玉，毛王清.基于遺傳算法優(yōu)化神經(jīng)網(wǎng)絡(luò)的直流輸電線路故障測(cè)距算法［J］.華北電力大學(xué)學(xué)報(bào)，2015，42（1）：34-38.YANG Mingyu，MAO Wangqing.DC transmission fault location method based on genetic algorithm and neural network［J］.Journal of North China Electric Power University，2015，42（1）：34-38（in Chinese）.

［4］王秋平，陳志強(qiáng)，魏浩.基于數(shù)據(jù)挖掘的電站運(yùn)行參數(shù)目標(biāo)值優(yōu)化［J］.電力科學(xué)與工程，2015，31（7）：19-24.WANG Qiuping，CHEN Zhiqiang，WEI Hao.The summary of optimal operation parameters in power station based on the data mining［J］.Electric Power Science and Engineering，2015，31（7）：19-24（in Chinese）.

［5］張學(xué)軍，盛俊豪，高偉慶，等.基于正態(tài)分布的帶串聯(lián)間隙避雷器間隙距離的確定方法［J］.電磁避雷器，2015，138（3）：74-78.ZHANG Xuejun，SHENG Junhao，GAO Weiqing，et al.Determination method for gap distance of line surge arrester with series gap based on normal distribution［J］.Insulators and Surge Arresters，2015，138（3）：74-78（in Chinese）.

［6］趙峰，李碩.基于DGA和改進(jìn)型灰關(guān)聯(lián)度模型的牽引變壓器故障診斷［J］.高壓電器，2015，51（1）：41-45.ZHAO Feng，LI Shuo.Fault diagnosis for traction transformer based on DGA and improved grey correlation analysis model［J］.Pouwer Energy，2015，51（1）：41-45（in Chinese）.

［7］田洪迅，吳文福，馬琳琦，等.缺失故障數(shù)據(jù)元件的可靠性評(píng)估方法研究［J］.電網(wǎng)與清潔能源，2015，31（1）：22-28.TIAN Hongxun，WU Wenfu，MA Linqi，et al.Study on reliability evaluation method for components with missing fault data［J］.Power System and Clean Energy，2015，31（1）：22-28（in Chinese）.

［8］陳亦平，趙曼勇，劉文濤，等.南方電網(wǎng)連鎖故障風(fēng)險(xiǎn)分析及防御措施研究［J］.南方電網(wǎng)技術(shù)，2010，4（3）：8-11.CHEN Yiping，ZHAO Manyong，LIU Wentao，et al.The risks analysis and defensive measures re-search of cascading failures in China south-ern power grid［J］.Southern Power System Technology，2010，4（3）：8-11（in Chinese）.

［9］周鵬，黃濤，朱月凱.基于超聲檢測(cè)的并聯(lián)電力電容器故障預(yù)警裝置研究［J］.電力與能源，2015，36（4）：541-545.ZHOU Peng，HUANG Tao，ZHU Yuekai.Pesearch on shunt power capacitor farly warning device based on ultrasonic testing［J］.Power Energy，2015，36（4）：541-545（in Chinese）.

［10］魏旭，謝天喜，陶風(fēng)波，等.±500 kV直流輸電線路暫態(tài)故障監(jiān)測(cè)裝置的設(shè)計(jì)與應(yīng)用［J］.江蘇電機(jī)工程，2014，35（6）：23-25.WEI Xu，XIE Tianxi，TAO Fengbo，et al.+500 kV dc transmission lines for the design and application of the transient fault monitoring device［J］.Jiangsu Electrical Engineering，2014，35（6）：23-25（in Chinese）.

Rapid Data Positioning Model Simulation of Large Power Network Fault Database

JIANG Xiaoke1，2
（1.College of Engineering and Technology，Hainan College of Economics and Business，Haikou 571127，Hainan，China；2.College of Information Science and Technology，Jinan University，Guangzhou 510632，Guangdong，China）

Rapid positioning of fault data in the large power network is of great significance to improvement of the power distribution network management and fault diagnosis.The traditional location algorithm，using fault database slowly varying envelope slice to accumulate the energy for location information，is susceptible to electromagnetic interference，and often leads to poor positioning accuracy.This paper puts forward a rapid data positioning model based on time-frequency analysis and sliding time window rearrangement for the database of large power network faults.First，the database model for the large power network faults is built and then the time-frequency feature of fault data and information are extracted，the extracted time-frequency feature of the failure data undergoes the sliding time window rearrangement to realize the data rapid positioning，and the fault diagnosis is achieved by the feature extraction and feature classification.The simulation results show that this model has good anti-interference ability，can realize the rapid positioning of fault data，and then realize the fault detection of the power network，and its detection probability is higher than the traditional algorithm.

power network；the fault database；rapid positioning

1674-3814（2015）11-0101-06

TP391.9

A

2015-06-21。

蔣曉科（1984—），男，碩士，講師，研究方向?yàn)檐浖_發(fā)和高職教育理論。

（編輯董小兵）

海南省高校自然科學(xué)研究項(xiàng)目（Hnjg2014-03）。

Hainan Provincial University Natural Science Research Project（H that several 2014-03）.