一种微电网故障诊断过程中的故障信号特征值提取方法技术领域
本发明属于微电网故障诊断领域，特别涉及一种微电网故障诊断过程中的故障信号特征
值提取方法。
背景技术
随着智能电网的迅速发展，分布式电源的大量不确定接入越来越多，各种多类型负载变
换和不同控制器等的出现，使微电网的故障信息变的越来越复杂，故障的准确诊断越来越困
难。特别是近些年来，这些问题变得更加突出，成为了一个非常有价值的研究热点。
微电网故障诊断过程主要可分为故障特征值的提取、故障的判定与定位。其中故障特征
值的提取是最为主要的，也是难度最高的部分，在国内外的相关故障方法研究中，一直是研
究的热点和难点。
现有很多故障信号特征值提取方法是基于理想的微电网故障信号进行的，然而获取理想
的微电网故障信号存在很多困难，比如：电网负载的种类和数量都在与日俱增，且变化较为
随机，而且由于实际微电网的各种需求存在很多控制器，其对故障信号也会产生许多影响，
因此不可能得到所要求的理想微电网故障信号。再其次，信号的采样准确度以及各种小干扰
都会影响故障信号的准确采集，因此现有的很多故障信号特征值提取方法实用化难度大。并
且现有的一些故障信号特征值提取方法仅提取单一的故障信号特征值，又由于小信号的干扰，
导致很难准确判别出故障，有时又会出现错误判断。
发明内容
针对现有技术存在的不足，本发明提供一种微电网故障诊断过程中的故障信号特征值提
取方法。
本发明的技术方案是这样的：
一种微电网故障诊断过程中的故障信号特征值提取方法，包括以下步骤：
步骤1：从采集的微电网电压或者电流信号中判断出故障信号；
针对每一个微电网电压或者电流信号周期的采样数据，计算出所述采样数据的最大值
Ximax和最小值Ximin；根据Ximax和Ximin判断所述采样数据是否对称，进而判断出该采样数据
所对应的微电网电压或者电流信号是否为故障信号，方法为：若Ximax＝-Ximin，则该采样数
据对称，表明该采样数据所对应的微电网电压或者电流信号为正常信号；若Ximax≠-Ximin，
则该采样数据不对称，表明该采样数据所对应的微电网电压或者电流信号为故障信号；
步骤2：采用极值对称化处理方法对步骤1得到的故障信号进行重构，使其对称；
针对每一个故障信号周期的采样数据：首先计算出最大绝对值，并将该最大绝对值对应
的故障信号元素记为；然后采用极值对称化处理方法对故障信号进行重构，方法为：
a)：假设每一个故障信号周期有N个点，该N个点分别对应的故障信号元素记为
将故障信号等分为两部分，分别为： X q = ( X 1 , X 2 , ... , X N 2 ) ]]>和
X h = ( X N 2 , X N 2 + 1 ... X N ) ; ]]>
b)：根据在故障信号中的位置，对故障信号进行重构，进而得到故障重构信号；
如果位于Xh中，利用故障信号重构公式Xq＝-Xh对故障信号进行重构，得到故障
重构信号X′i＝Xq+Xh；如果位于Xq中，则利用故障信号重构公式Xh＝-Xq对故障信号
进行重构，得到故障重构信号X′i＝Xq+Xh；
步骤3：对故障重构信号进行归一化处理；
X i n e w ′ = X i ′ - X m i n * X max * - X m i n * ( M a x - M i n ) X i m a x ≠ - X i m i n ]]>
其中X′inew为归一化处理后的故障重构信号；(Min,Max)为归一化幅值区间；
步骤4：采用如下公式，将归一化处理后的故障重构信号的幅值大小调整为原始故障信
号的幅值大小，获得归一化处理后的故障信号；
X i n e w = P i X i n e w ′ P i = X i - P X i ′ - P ]]>
其中，Pi为原始故障信号与归一化处理后的故障重构信号的幅值比例；P为幅值基准值；
步骤5：初步提取故障信号特征值，包括：故障信号主要频段能量值、故障信号平均变
化速率、故障信号幅度平均值和故障信号均方根值；
步骤5-1：采用基于离散小波变换的多分辨率分析方法获取故障信号主要频段能量值；
1)采用基于离散小波变换的多分辨率分析方法对Xinew进行多层的分解，得到系数Aj、
Dj；其中j为层数；Aj为故障信号Xinew在第j层的近似部分的小波系数；Dj为故障信号Xinew
在第j层的细节部分的小波系数；
2)对每层系数Aj、Dj进行重构得到不同频段对应的信号，并对不同频段的重构信号计
算其能量值，并选取主要频段的能量值作为故障信号的一个特征值，即故障信号主要频段能
量值；
步骤5-2：获取故障信号平均变化速率；故障信号平均变化速率表示在一定周期内故障信
号变化的平均速度；故障信号平均变化速率|s′|av计算式为：
| s ′ | a v = 1 2 πf 0 1 N n Σ j = 1 N n | s ′ ( j ) | ]]>
式中，f0为故障信号的频率；|s′(j)|为故障信号变化速率的绝对值，Nn为故障信号的元
素个数；
步骤5-3：获取故障信号幅度平均值和故障信号均方根值；
故障信号幅度平均值sav表示这个周期信号的幅度大小，计算式为：
s a v = 1 N n Σ i = 1 N n s ( i ) ]]>
故障信号均方根值srms表示故障信号偏离其平均值的程度，计算式为：
s r m s = 1 N n Σ i = 1 N n s ( i ) 2 ]]>
式中，s(i)为故障信号幅值，Nn为故障信号的元素个数；
步骤6：对步骤5中初步提取的故障信号特征值进行优化处理，输出最终的故障信号特
征值至微电网故障判定过程；
步骤6-1：按顺序采集故障信号特征值，将特征值依次储存到特征值存储器；所述特征值
存储器的容量为Lw；
步骤6-2：设置跃变阈值Jm，判断特征值X(n)为正常状态还是跃变状态，方法为：根据
X(n)-X(n-1)与跃变阈值Jm的相对大小关系，判定第n个特征值的状态：若X(n)-X(n-1)小
于跃变阈值Jm，则该特征值为正常状态，执行步骤6-3；否则，该特征值为跃变状态Sta，清
空特征值存储器，并输出特征值X(n)至微电网故障判定过程；
步骤6-3：对该特征值直接进行左窗口平均值处理，计算出原始特征值X(n)的平均值
Xnew(n)即初步优化后的特征值，并将Xnew(n)储存到特征值平均值存储器中，特征值平均值
存储器的容量记为LT；
左窗口数据平均值处理公式为：
X n e w ( n ) = X ( n ) j w = 1 X ( n - 1 ) + X ( n ) 2 j w = 2 · · · · · · X ( n - L w + 1 ) + X ( n - L w + 2 ) + X ( n ) L w j w ≥ L w ]]>
其中Jwjw为特征值个数；
步骤6-4：对初步优化后的特征值Xnew(n)做进一步优化，输出最终的故障信号特征值至
微电网故障判定过程；
步骤6-4-1：寻找特征值的稳定状态值；方法为：对特征值平均值存储器中特征值平均值
按照从后到前的顺序依次相减，得到Ns个差值，即Xnew(n)-Xnew(n-1)，
Xnew(n-1)-Xnew(n-2)，…，Xnew(n-Ns+1)-Xnew(n-Ns)，若所有差值均小于稳定
阈值Sth，则将Xnew(n)记录为特征值的当前稳定状态值，若其又与所有已有的历史稳定状态
值Vst不同，则将当前稳定状态值Xnew(n)存储到稳定状态值存储器中；
步骤6-4-2：将特征值平均值存储器中的特征值平均值按照从后到前的顺序隔点依次减去
与其最接近的稳定状态值存储器中的稳定状态值，得到Nc个差值，即Xnew(n)-Vst(i)，
Xnew(n-2)-Vst(i),…,Xnew(n-2(Nc-1))-Vst(i)，若所有差值均小于阈值Sc，且这些差值逐渐
减小，那么认为此特征值Xnew(n)正在趋于某一稳定状态，则对初步优化后的特征值Xnew(n)
做进一步优化，输出最终的故障信号特征值至微电网故障判定过程；
对初步优化后的特征值Xnew(n)做进一步优化的计算公式为：
X'new(n)＝Xnew(n)+k(Sst(i)-Xnew(n))
式中，k为调整系数；Sst(i)为某一状态稳定值；
本发明的有益效果：本发明立足故障前后信号特征的变化，借助极值对称化处理，初步
判断故障信号和正常信号，抑制信号波动，保留故障信号特征，归一化处理故障信号，使待
处理的故障信号理想化，然后从多角度利用基于离散小波多分辨率分析等方法提取归一化后
故障信号的重要特征值，最后采用自适应特征值动态优化方法，以达到自动多层次的优化处
理微电网故障特征值的目的，为后续的微电网故障诊断提供稳定的故障特征值。
附图说明
图1为本发明一种实施方式基于VF控制的微电网结构图；
图2为本发明一种实施方式的微电网故障诊断过程中的故障信号特征值提取方法流程
图；
图3为本发明一种实施方式的微电网故障信号示意图；
图4为本发明一种实施方式的微电网故障重构信号示意图；
图5(a)为本发明一种实施方式基于离散小波变换的多分辨率分析方法对故障信号进行
11层分解的过程示意图；(b)为根据(a)分解的小波系数重构相应11个频段的故障信号示
意图；(c)为(b)中的11个频段的故障信号的能量成分图；
图6为本发明一种实施方式不同故障类型主要频段能量成分提取效果图；
图7为本发明一种实施方式自适应特征值动态优化过程示意图；
图8(a)为本发明一种实施方式S1发生断路故障时a相电压信号变化图；(b)为采用
本发明的微电网故障诊断过程中的故障信号特征值提取方法从(a)中提取出信号(包括故障
信号和正常信号)变化速率特征值并对该特征值进行自适应特征值动态优化的效果图；
图9为本发明一种实施方式利用本发明的微电网故障诊断过程中的故障信号特征值提取
方法提取出的特征值作为输入的人工神经网络结构示意图；
具体实施方式
下面结合附图对本发明的实施方式作进一步详细的说明。
微电网中的故障信号一般是随机性非平稳类别的，故障信号特征体现在其相对于正常信
号的突变信息中，信号的突变部分就成为了信号的重要瞬态特征值，是一个瞬时的改变量，
如果故障一时得不到改善，则这个故障瞬态特征值会出现连续的突变信息。突变信息的表示
可以通过信号的小波变换的奇异点在多尺度上的综合表现来描述。因此，研究故障信号的突
变信息可以通过分析信号小波变换的奇异性来获得，这也就成为了一个非常重要而有用的信
号处理手段。
在微电网故障诊断中，提取故障信号的突变奇异点就是掌握了故障的主要信息。另一方
面，如果提取的故障信号特征信息可以重构的话，则抽取的特征值又可以用于数据压缩。因
此，有在微电网的故障诊断中提取信号的突变信息，进行小波变换的奇异性分析是非常有意
义的。
本实施方式以图1所示的微电网逆变器开关故障为例详细说明本实施方式的微电网故障
诊断过程中的故障信号特征值提取方法。图1为基于VF控制的微电网结构示意图，包括等
效的分布式电源、电池储存设备、VF控制器、PWM驱动模块、逆变器，LC滤波器，传输
线，总线以及不同的负载。等效分布式电源是微电网中提供能源的，等效处理为直流电源；
VF控制器用于孤岛模式控制电压和频率。PWM驱动是用来驱动逆变器的。逆变器是将已获
得的直流转换为需要的三相交流电；传输线长短不一，大体可以等效为电阻和电感的串联；
总线为连接其它网络所用，本实施方式假设为孤岛模式，不考虑主网。另外不同的变化负载
连接在总线上。本实施方式将通过使用VF控制，在孤岛模式情况下故障信号的处理效果，
来说明本发明方法的适用性更强、更加贴近实际。
本实施方式的微电网故障诊断过程中的故障信号特征值提取方法，如图2所示，具体包
括如下步骤：
步骤1：从图1中采集的微电网电压信号，并从中判断出故障信号；
针对每一个微电网电压周期的采样数据，计算出所述采样数据的最大值Ximax和最小值
Ximin；根据Ximax和Ximin判断所述采样数据是否对称，进而判断出该采样数据所对应的微电
网电压是否为故障信号，方法为：若Ximax＝-Ximin，则该采样数据对称，表明该采样数据所
对应的微电网电压为正常信号；若Ximax≠-Ximin，则该采样数据不对称，表明该采样数据所
对应的微电网电压为故障信号，如图3所示；
步骤2：采用极值对称化处理方法对步骤1得到的故障信号进行重构，使其对称；
针对每一个故障信号周期的采样数据：首先计算出最大绝对值，并将该最大绝对值对应
的故障信号元素记为；然后采用极值对称化处理方法对故障信号进行重构，如图4所示，
方法为：
a)：假设每一个故障信号周期有N个点，该N个点分别对应的故障信号元素记为
将故障信号等分为两部分，分别为： X q = ( X 1 , X 2 , ... , X N 2 ) ]]>和
X h = ( X N 2 , X N 2 + 1 ... X N ) ; ]]>
b)：根据在故障信号中的位置，对故障信号进行重构，进而得到故障重构信号；
如果位于Xh中，利用故障信号重构公式Xq＝-Xh对故障信号进行重构，得到故障
重构信号X′i＝Xq+Xh；如果位于Xq中，则利用故障信号重构公式Xh＝-Xq对故障信号
进行重构，得到故障重构信号X′i＝Xq+Xh；
步骤3：对故障重构信号进行归一化处理；
X i n e w ′ = X i ′ - X m i n * X max * - X m i n * ( M a x - M i n ) X i m a x ≠ - X i m i n ]]>
其中X′inew为归一化处理后的故障重构信号；(Min,Max)为归一化幅值区间；
步骤4：采用如下公式，将归一化处理后的故障重构信号的幅值大小调整为原始故障信
号的幅值大小，获得归一化处理后的故障信号；
X i n e w = P i X i n e w ′ P i = X i - P X i ′ - P ]]>
其中，Pi为原始故障信号与归一化处理后的故障重构信号的幅值比例；P为幅值基准值；
将图3与图5进行对比可知，信号经极值对称化处理后，主要的故障信号特征被保留，
由负载变化和系统自适应调整的波动信号被抑制。且经过处理后，故障信号更加理想，更有
利于提取特征值。
步骤5：初步提取故障信号特征值，包括：故障信号主要频段能量值、故障信号平均变
化速率、故障信号幅度平均值和故障信号均方根值；
步骤5-1：采用基于离散小波变换的多分辨率分析方法获取故障信号主要频段能量值，具
体过程如图5(a)，5(b)和5(c)所示；
1)采用基于离散小波变换的多分辨率分析方法对Xinew进行11层的分解，如图5(a)所
示，得到系数Aj、Dj；其中j为层数；Aj为故障信号Xinew在第j层的近似部分的小波系数；
Dj为故障信号Xinew在第j层的细节部分的小波系数；
X i n e w ( t ) = Σ k = 0 2 N - j - 1 A j , k 2 - j 2 φ ( 2 - j t - k ) + Σ j = 1 J Σ k = 0 2 N - j - 1 D j , k 2 - j 2 ψ ( 2 - j t - k ) ]]>
其中：
φ j , k ( t ) = 2 - j 2 φ ( 2 - j t - k ) ]]>
ψ j , k ( t ) = 2 - j 2 ψ ( 2 - j t - k ) ]]>
A j , k = Σ n h ( n - 2 k ) A j - 1 , n ]]>
D j , k = Σ n g ( n - 2 k ) A j - 1 , n ]]>
式中，j，k和n是整数，j为小波分解层数，Aj,k为小波分解近似系数，Dj,k为小波分解
细节系数，φj,k(t)为伸缩函数，ψj,k(t)为小波函数。本实施方式中小波分解的母函数选取‘db3’。
2)对每层系数Aj、Dj进行重构得到图5(b)所示的11个频段分别对应的信号，并对
不同频段的重构信号计算其能量值，计算公式为：
ED j = 1 N j - 1 Σ i = 1 N j [ D y ( i ) - μ j ] 2 ]]>
其中号EDj表示第j层能量值，Dj表示第j层重构信号，Nj表示第j层重构信号的元素
个数，μj表示第j层信号的均值。
选取主要频段的能量值作为故障信号的一个特征值，即故障信号主要频段能量值；通过
对重构信号的能量值计算，获得故障信号Xinew的11个频率段能量值，如图5(c)所示的能
量成分图，通过分析可知故障信号Xinew中80％-90％的能量集中于某几个频率段，为了减少特
征个数又能抓住主要的能量变化情况，选取主要频段的能量值作为信号的特征值。在微电网
逆变器故障中最常见的故障为开路故障、短路故障。根据逆变器拓扑结构的对称性可知，研
究其开关故障只需研究一对即可，为了节省篇幅，以S1和S2故障为说明对象。依据不同频
段能量成分图，如图6，经分析对比可知，无论信号是正常，还是开关短路或短路故障，其
信号中80％-90％的能量总是集中于第9层和第10层。将第9层和第10层的能量值分别定义
为ED9和ED10。因此，将ED9、ED10作为信号的特征值提取出来，是合理准确的。因此将
ED9、ED10的特征值作为本实施方式中微电网逆变器故障诊断故障信号主要频段能量值的特
征值，它不光提高故障诊断的准确性，抓住了最主要的成分，而且降低故障诊断的特征值的
输入量，减少了计算量。
步骤5-2：获取故障信号平均变化速率；信号平均变化速率表示在一定周期内故障信号变
化的平均速度；故障信号平均变化速率|s′|av计算式为：
| s ′ | a v = 1 2 πf 0 1 N n Σ j = 1 N n | s ′ ( j ) | ]]>
式中，f0为故障信号的频率；|s′(j)|为故障信号变化速率的绝对值，Nn为故障信号的元
素个数；
步骤5-3：获取故障信号幅度平均值和故障信号均方根值；
故障信号幅度平均值sav表示这个周期信号的幅度大小，计算式为：
s a v = 1 N n Σ i = 1 N n s ( i ) ]]>
故障信号均方根值srms表示故障信号偏离其平均值的程度，计算式为：
s r m s = 1 N n Σ i = 1 N n s ( i ) 2 ]]>
式中，s(i)为故障信号幅值，Nn为故障信号的元素个数；
步骤6：对步骤5中初步提取的故障信号特征值进行自适应特征值动态优化，如图7示，
输出最终的故障信号特征值至微电网故障判定过程；
步骤6-1：按顺序采集数据特征值，将特征值依次储存到特征值存储器；所述特征值存储
器的容量为Lw；
步骤6-2：设置跃变阈值Jm，判断特征值X(n)为正常状态还是跃变状态，方法为：根据
X(n)-X(n-1)与跃变阈值Jm的相对大小关系，判定第n个特征值的状态：若X(n)-X(n-1)小
于跃变阈值Jm，则该特征值为正常状态，执行步骤6-3；否则，该特征值为跃变状态Sta，清
空特征值存储器，并输出特征值X(n)至微电网故障判定过程；
步骤6-3：对该特征值直接进行左窗口平均值处理，计算出原始特征值X(n)的平均值
Xnew(n)即初步优化后的特征值，并将Xnew(n)储存到特征值平均值存储器中，特征值平均值
存储器的容量记为LT；
左窗口数据平均值处理公式为：
X n e w ( n ) = X ( n ) j w = 1 X ( n - 1 ) + X ( n ) 2 j w = 2 · · · · · · X ( n - L w + 1 ) + X ( n - L w + 2 ) + X ( n ) L w j w ≥ L w ]]>
其中Jwjw为特征值个数；
步骤6-4：对初步优化后的特征值Xnew(n)做进一步优化，输出最终的故障信号特征值至
微电网故障判定过程；
步骤6-4-1：寻找特征值的稳定状态值；方法为：对特征值平均值存储器中特征值平均值
按照从后到前的顺序依次相减，得到Ns个差值，即Xnew(n)-Xnew(n-1)，
Xnew(n-1)-Xnew(n-2)，…，Xnew(n-Ns+1)-Xnew(n-Ns)，若所有差值均小于稳定
阈值Sth，则将Xnew(n)记录为特征值的当前稳定状态值，若其又与所有已有的历史稳定状态
值Vst不同，则将当前稳定状态值Xnew(n)存储到稳定状态值存储器中；
步骤6-4-2：将特征值平均值存储器中的特征值平均值按照从后到前的顺序隔点依次减去
与其最接近的稳定状态值存储器中的稳定状态值，得到Nc个差值，即Xnew(n)-Vst(i)，
Xnew(n-2)-Vst(i),…,Xnew(n-2(Nc-1))-Vst(i)，若所有差值均小于阈值Sc，且这些差值逐渐
减小，那么认为此特征值Xnew(n)正在趋于某一稳定状态，则对初步优化后的特征值Xnew(n)
做进一步优化，输出最终的故障信号特征值至微电网故障判定过程；
对初步优化后的特征值Xnew(n)做进一步优化的计算公式为：
X'new(n)＝Xnew(n)+k(Sst(i)-Xnew(n))
式中，k为调整系数；Sst(i)为某一状态稳定值；
为了说明效果，以Va电压变化速率特征值的优化前后效果进行对比说明，如图8所示。
图8(a)为S1断路故障发生时，Va电压信号的变化。图8(b)为对应的Va电压信号变化速率
特征值优化前后的效果对比图。明显可以看到，当负载变化时会对特征值产生较大波动，通
过实时的在线优化处理，系统可以自动识别同一状态特征值，并根据情况做出不同方案的处
理，实现特征值在同一状态下的稳定。当系统跳变时，如图后半部分，跳变回正常状态，因
为系统存在自调节，正常情况下会出现一定时间段的波动，然后趋于某个值，并在一定范围
波动，但是通过本优化方法，特征值快速准确的被识别，并加快了趋势变化，实现了较好的
修正优化效果。实现了特征值在不同状态下的稳定存在，减少了负载变化和系统小扰动带来
的特征值干扰问题。并且此模块具有在线学习能力，在输入一定的特征值时，开始了自动学
习，提高自身的辨别能力。
本实施方式中采用人工神经网络进行微电网的故障识别，利用本实施方式的微电网故障
诊断过程中的故障信号特征值提取方法提取的故障信号特征值，作为人工神经网络的输入，
该人工神经网络包含15个输入，12个输出。其中，15个人工神经网络的输入包括：包括ED9、
ED10，|s′|av，sav，srms，微电网三相电压的相位；12个输出表示微电网逆变器开关故障的
13种故障类型，如图9所示。通过极值对称处理、特征值提取及优化，人工神经网络的输入
数量大大减小，从而降低了故障诊断的困难，并提高了人工神经网络的应用范围。
本实施系统的采样频率为50KHZ，随机选取13种故障类型中的390组数据作为实验样
本。其中，260组实验样本为人工神经网络的训练样本，剩余的130组实验样本为人工神经
网络的测试样本。测试结果如表1所示。从表1中可以看出，故障识别的准确度达到100％。
表1
综上所述，本实施方式的微电网故障诊断过程中的故障信号特征值提取方法，对微电网
的故障识别有广泛的实际意义，特别是对人工神经网络用于微电网故障识别，有很大的提升。
大大减少了人工神经网络的输入数量，从而大大降低了人工神经网络的计算量，并使人工神
经网络识别微电网故障的准确度和快速性大大提高。