基于小波变换的电缆故障预测定位系统数据融合.doc

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(200)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 2 剔除原始数据中的疏失误差数据 图1 实测数据误差e80 Fig. 1 Error e80 of measured data 图2 实测数据Uc80 Fig.2 Measured data Uc80 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=4.996，Uc的方差Uc80 = 4.972 5e-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。 图3 实测数据的分布 Fig.3 Distribution of measured data 图4 实测数据误差e70 Fig.4 Error e70 of measured data 3 基于小波变换的系统数据融合 作位移后，再在不同尺度a下与待分析的信号作内积 (1) 式中：e70为被变换信号；星号“*”表示基本小波的共轭复数；表示位移参数；a表示尺度参数。 小波变换具有多尺度的特点，可以由粗到细地逐步观察数据。对于大多数信号来说，低频部分往往是最重要的，往往给出了信号的特征，而高频部分则与噪声及扰动联系在一起。将信号的高频部分去掉，信号的基本特征仍然可以保留。原始信号通过离散小波变换后，被分解为近似与细节两部分。近似主要是系统大的、低频成分，而细节则往往是信号的局部、高频成分。经过对信号的多尺度分解，就可以得到小波分解树，如图5所示, 图中S表示被变换信号，CA表示各尺度下的近似部分的系数，CD表示各尺度下的细节部分的系数。经过小波变换，可以检测出许多其他方法忽略的信号特性，例如信号的发展趋势、信号的高阶不连续点，自相似特性。 用db5小波对预处理后的70组原始信号e70分解到第6层。随着分解层次从 1到6的加深，e70的发展趋势从a1到a6变化着，且越来越清晰，如图6所示。 从图6可以看出，分解到第6层时，e70发展趋势就已经清晰地显示出来，实测数据中输出数据与其理想值之间的误差e70随着测量次数的增加而单调减小。至此，就实现了用小波变换识别出原始信号误差的发展趋势的目的。 图6 用小波变换实现对有效实测信号e70发展趋势的检测 Fig.6 Detection of development trend of signal e70 by using wavelet transform 提取小波分解中能清晰显示有效实测数据e70发展趋势的近似部分系数a序列{a}，对其进行归一化处理，得序列{a}。根据序列{a}，构造序列{b}, 使得bi=1-ai 。取序列{b}为有效实测数据的可信度序列，并作为有效实测数据的权值。 另外，为简化有效实测数据的权值的选取过程，根据有效原始信号误差的发展趋势可知，实测数据的可信度随着测量次数的增加而增加。故有效实测数据的权值可以按照线性递增的简单方式选取。最简单的方法，取前20个有效实测数据的权值为0，后50个有