CN112098744B - 一种电压暂降源识别的方法 - Google Patents

Abstract

本发明公开了一种电压暂降源识别的方法，其中所述方法包括：获取原始电压暂降波形数据；对所述原始电压暂降波形数据进行处理，得到电压暂降波形数据队列；将所述电压暂降波形数据队列输入至神经网络模型进行判断，得到原始电压暂降波形数据的识别结果。在本发明实施中，可以快速准确地识别电压暂降源的具体故障类型，为制定电压暂降治理方案和电压暂降事件责任划分提供重要的依据。

Description

一种电压暂降源识别的方法

技术领域

本发明涉及电能质量分析方法的技术领域，尤其涉及一种电压暂降源识别的方法。

背景技术

随着自动化、智能化和数字化技术的快速发展，越来越多对电压暂降敏感的设备被应用于生产过程；电压暂降是电力系统正常运行不可避免的、且电压有效值降低到0.1至0.9p.u之间、持续时间为0.5周波至1min后恢复正常的电压暂态现象；若因电压暂降造成设备非正常运行，则有可能导致生产过程出现问题，从而给用户带来经济损失；因此，电压暂降问题得到了用户的热切关注；而电压暂降源的准确识别，可为制定电压暂降治理方案和电压暂降事件责任划分提供重要的依据。

引起电压暂降的主要原因分为三大类，分别为：电力系统短路故障、感应电机启动、变压器投运，其中，电力系统短路故障又根据实际情况分为四种，分别为单相接地短路故障、相间短路故障、两相接地短路故障以及三相接地短路故障，其中不同原因引起的电压暂降有不同的特征，在电压暂降幅值、持续时间、电压变化趋势、相位跳变以及三相暂降不平衡度等有着很大的差异；如何根据不同暂降原因引起的电压暂降特征的不同识别电压暂降产生原因，对于电压暂降的预防和治理措施的制定具有十分重要的意义，同时也是协调用户和电力企业之间纠纷的重要依据。

目前电压暂降源识别的方法包括特征提取和模式识别；其特征提取主要基于希尔伯特黄变换、小波变换、S变换和经验模态分解，但是，特征提取具有主观性或缺乏物理意义或特征间具有冗余性，从而影响识别效果；另外，小波变换存在基函数和分解层数难以确定的问题，而S变换的时间窗固定，都难以应用于工程；其模式识别主要基于相似度匹配、支持向量机、模糊综合评价的方法，以上模式识别方法虽然都一定程度上实现了电压暂降源的识别，但可能需要大量的样本进行训练，或者存在阈值确定困难、模型和计算过程复杂、参数设置困难，对电压暂降源识别的精度和效率有严重影响。

发明内容

本发明的目的在于克服现有技术的不足，本发明提供了一种电压暂降源识别的方法，可以快速准确地识别电压暂降源的具体故障类型。

为了解决上述技术问题，本发明实施例提供了一种电压暂降源识别的方法，所述方法包括：

获取原始电压暂降波形数据；

对所述原始电压暂降波形数据进行处理，得到电压暂降波形数据队列；

将所述电压暂降波形数据队列输入至神经网络模型进行判断，得到原始电压暂降波形数据的识别结果。

可选的，所述对所述原始电压暂降波形数据进行处理，得到电压暂降波形数据队列包括：

对所述原始电压暂降波形数据进行有效值处理，得到有效值处理后的电压暂降波形数据；

对所述有效值处理后的电压暂降波形数据进行归一化处理，得到归一化处理后的电压暂降波形数据；

对所述归一化处理后的电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的电压暂降波形数据；

将所述粗粒化处理后的电压暂降波形数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体得到电压暂降波形数据队列。

可选的，所述对所述原始电压暂降波形数据进行有效值处理，得到有效值处理后的电压暂降波形数据中，所述有效值处理的具体计算公式如下：

其中，x_rms-1(t)表示有效值处理后的电压暂降波形数据；N表示每周期的采样点数；t表示整数且t∈[1,l-N+1]；x(c)表示原始电压暂降波形数据；l表示原始数据样本的长度。

可选的，所述对所述有效值处理后的电压暂降波形数据进行归一化处理，得到归一化处理后的电压暂降波形数据中，所述归一化处理的具体计算公式如下：

其中，X_rms-2表示归一化处理之后的有效值序列；X_rms-1＝{x_rms-1(1),x_rms-1(2),…}表示归一化处理之前的有效值序列。

可选的，所述对所述归一化处理后的电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的电压暂降波形数据包括：

基于所述归一化处理后的电压暂降波形数据得到不同尺度的连续点；

通过计算得到所述不同尺度的连续点的平均值；

基于所述不同尺度的连续点的平均值得到粗粒化处理后的电压暂降波形数据；

基于所述粗粒化处理后的电压暂降波形数据得到不同分辨率的时间序列。

可选的，所述通过计算得到所述不同尺度的连续点的平均值中，具体计算公式如下：

其中，y^τ(θ)表示不同尺度的连续点的平均值；τ表示粗粒化的时间尺度；θ表示粗粒化后数据的样本点；x_rms-1(t)表示有效值处理后的电压暂降波形数据；N表示每周期的采样点数。

可选的，所述对所述训练样本构成电压暂降源总体得到电压暂降波形数据队列包括：对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体。

可选的，所述将所述电压暂降波形数据队列输入至神经网络模型进行判断，得到原始电压暂降波形数据的识别结果包括：

将所述电压暂降波形数据队列输入至神经网络模型，通过所述神经网络模型计算得到结果；

对所述结果进行判断，得到原始电压暂降波形数据的识别结果。

可选的，所述通过所述神经网络模型计算得到结果包括：基于所述将所述电压暂降波形数据队列通过计算得到电压暂降波形数据队列的协方差矩阵。

可选的，所述基于所述将所述电压暂降波形数据队列通过计算得到电压暂降波形数据队列的协方差矩阵中，具体计算公式如下：

Σ＝cov(G)＝E[(G-μ)(G-μ)^T]；

其中，Σ表示电压暂降波形数据队列的协方差矩阵；G表示电压暂降源总体，μ表示电压暂降源总体的均值向量。

在本发明实施中，通过将电压暂降波形数据队列输入至神经网络进行判断，可以快速准确地识别电压暂降源的具体故障类型，避免识别过程中特征提取困难；在识别过程只依赖于获取的原始电压暂降波形数据进行有效值处理、归一化处理、粗粒化处理，无需进行参数的设置和调整，数学原理简单、清晰，对噪声具有较好的鲁棒性，并能识别引起电压暂降的具体故障类型。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见的，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其它的附图。

图1是本发明实施例中的电压暂降源识别的方法的流程示意图；

图2是本发明实施例中的电压暂降源识别的装置的结构组成示意图。

具体实施方式

下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。

实施例一

请参阅图1，图1是本发明实施例中的电压暂降源识别的方法的流程示意图。

如图1所示，一种电压暂降源识别的方法，所述方法包括：

S11：获取原始电压暂降波形数据；

在本发明具体实施过程中，获取原始电压暂降波形数据包括：在敏感负荷的进线侧安装电压暂降分析仪，实时监测稳态电压波形；当发生电压暂降时，记录电压暂降发生前5个周波和电压暂降发生后10个周波；将电压暂降事件和录波波形数据上传到监控中心。

S12：对所述原始电压暂降波形数据进行处理，得到电压暂降波形数据队列；

在本发明具体实施过程中，所述对所述原始电压暂降波形数据进行处理，得到电压暂降波形数据队列包括：对所述原始电压暂降波形数据进行有效值处理，得到有效值处理后的电压暂降波形数据；对所述有效值处理后的电压暂降波形数据进行归一化处理，得到归一化处理后的电压暂降波形数据；对所述归一化处理后的电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的电压暂降波形数据；将所述粗粒化处理后的电压暂降波形数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体得到电压暂降波形数据队列。

具体的，所述对所述原始电压暂降波形数据进行有效值处理，得到有效值处理后的电压暂降波形数据中，所述有效值处理的具体计算公式如下：

其中，x_rms-1(t)表示有效值处理后的电压暂降波形数据；N表示每周期的采样点数；t表示整数且t∈[1,l-N+1]；x(c)表示原始电压暂降波形数据；l表示原始数据样本的长度。

具体的，所述对所述有效值处理后的电压暂降波形数据进行归一化处理，得到归一化处理后的电压暂降波形数据中，所述归一化处理的具体计算公式如下：

其中，X_rms-2表示归一化处理之后的有效值序列；X_rms-1＝{x_rms-1(1),x_rms-1(2),…}表示归一化处理之前的有效值序列。

在本发明具体实施过程中，所述对所述归一化处理后的电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的电压暂降波形数据包括：基于所述归一化处理后的电压暂降波形数据得到不同尺度的连续点；通过计算得到所述不同尺度的连续点的平均值；基于所述不同尺度的连续点的平均值得到粗粒化处理后的电压暂降波形数据；基于所述粗粒化处理后的电压暂降波形数据得到不同分辨率的时间序列。

具体的，所述通过计算得到所述不同尺度的连续点的平均值中，具体计算公式如下：

其中，y^τ(θ)表示不同尺度的连续点的平均值；τ表示粗粒化的时间尺度，即每次跳跃τ个数据求取平均值，在本发明实施中，τ取值为3；θ表示粗粒化后数据的样本点，其范围为[1，(l-N+1)/τ]；x_rms-1(t)表示有效值处理后的电压暂降波形数据；N表示每周期的采样点数。

在本发明具体实施过程中，将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，具体的，将所述粗粒化处理后的数据按7比3的比例进行划分，划分为训练样本和待判样本；所述对所述训练样本构成电压暂降源总体包括：对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体；具体的，所述对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体包括：对所述训练样本构成单相短路故障C1的电压暂降源总体，并利用G₁表示；对所述训练样本构成两相短路故障C2的电压暂降源总体，并利用G₂表示；对所述训练样本构成相间故障C3的电压暂降源总体，并利用G₃表示；对所述训练样本构成三相短路故障C4的电压暂降源总体，并利用G₄表示；对所述训练样本构成变压器激磁C5的电压暂降源总体，并利用G₅表示；对所述训练样本构成大型电机启动C6的电压暂降源总体，并利用G₆表示。

需要说明的是，将已知的某一类型的所有数据样本视为一个电压暂降源总体，即将单相短路故障的所有数据样本视为一个电压暂降源总体G₁、或将两相短路故障的所有数据样本视为一个电压暂降源总体G₂、或将相间故障的所有数据样本视为一个电压暂降源总体G₃、或将三相短路故障的所有数据样本视为一个电压暂降源总体G₄、或将变压器激磁的所有数据样本视为一个电压暂降源总体G₅、或将大型电机启动的所有数据样本视为一个电压暂降源总体G₆。

S13：将所述电压暂降波形数据队列输入至神经网络模型进行判断，得到原始电压暂降波形数据的识别结果。

在本发明具体实施过程中，所述将所述电压暂降波形数据队列输入至神经网络模型进行判断，得到原始电压暂降波形数据的识别结果包括：将所述电压暂降波形数据队列输入至神经网络模型，通过所述神经网络模型计算得到结果；对所述结果进行判断，得到原始电压暂降波形数据的识别结果。具体的，所述通过所述神经网络模型计算得到结果包括：基于所述将所述电压暂降波形数据队列通过计算得到电压暂降波形数据队列的协方差矩阵。

具体的，对各电压暂降源总体G_j进行协方差计算，若协方差Σ_j全相等(j＝1，2，…，6，对应6类总体)，则采用第一判别算法对待判样本X进行判别；若协方差不全相等，则采用第二判别算法对待判样本X进行判别。

其中，设总体G＝(X₁，X₂，…，X_m)^T为m元总体，令μ_i＝E(X_i)，i＝1，2，…，m，即μ_i为X_i的期望值；则总体G的均值向量μ＝(μ₁，μ₂，…，μ_m)^T，故可求得总体G的协方差矩阵，具体计算公式如下：

Σ＝cov(G)＝E[(G-μ)(G-μ)^T]；

其中，Σ表示电压暂降波形数据队列的协方差矩阵；G表示电压暂降源总体，μ表示电压暂降源总体的均值向量；E表示期望值。

具体的，各电压暂降源总体的均值向量μ_j和协方差矩阵Σ_j未知，故使用训练样本的估计量

和

替代(j＝1，2，…，6，对应6类总体)；

若取自总体G_j的n_j个训练样本为X₁(j)，X₂(j)，…，X_nj(j)(j＝1，2，…，6，对应6类总体)，则G_j的均值向量和协方差矩阵的估计量分别为

和

其计算公式分别为：

具体的，所述第一判别算法为：

当各总体协方差矩阵Σ_j相等时，即Σ₁＝Σ₂＝Σ₃＝Σ₄＝Σ₅＝Σ₆，则判别函数W_ij(X)可用待测样本X到总体G_i和总体G_j的马氏距离的平方差的0.5倍进行表示，(G_i，G_j∈{G₁，G₂，···，G₆}，j≠i)，即：

式中，X为待测样本，μ_i和μ_j分别为总体G_i和总体G_j的均值向量，d²(X，G_i)和d²(X，G_j)分别为X到总体G_i和总体G_j的马氏距离的平方值；其中，样本X与总体G的马氏距离的平方值计算公式为：

d²(X,G)＝(X-μ)^TΣ^-1(X-μ)；

其中，μ为总体G的均值向量；

此时，X到总体G_i的距离最小等价于对所有的j(j≠i)，满足W_ij(X)>0；

用混合样本方差S对Σ进行无偏估计，即：

其中，n＝n₁+n₂+…+n_j；k为总体数量，在本发明实施中，k等于6；

因此，可得到线性判别函数W_ij(X)的估计为：

式中，

和

分别为总体G_i和总体G_j的均值向量估计值；

综上，第一判别算法为：若对所有的j(j≠i)，W_ij(X)>0，则判别结果为X∈G_i。

具体的，所述第二判别算法为：

当各总体协方差矩阵Σ_j不全等时，待测样本X到各总体G_j(j＝1，2，…，6，对应6类总体)的马氏距离平方分别为：

式中，μ_j为总体G_j的均值向量，Σ_j为总体G_j的协方差矩阵；

在实际中，同样用训练样本对总体做估计，可得到二次判别函数d²(X,G_j)的估计值为：

式中，

为总体G_j的均值向量估计值，

为协方差估计值；

综上，第二判别算法为：若

则X的判别结果为X∈G_j。

在本发明实施中，通过将电压暂降波形数据队列输入至神经网络进行判断，可以快速准确地识别电压暂降源的具体故障类型，避免识别过程中特征提取困难；在识别过程只依赖于获取的原始电压暂降波形数据进行有效值处理、归一化处理、粗粒化处理，无需进行参数的设置和调整，数学原理简单、清晰，对噪声具有较好的鲁棒性，并能识别引起电压暂降的具体故障类型。

实施例二

请参阅图2，图2是本发明实施例中的电压暂降源识别的装置的结构组成示意图。

如图2所示，一种电压暂降源识别的装置，所述装置包括：

数据获取模块11：用于获取原始电压暂降波形数据；

数据处理模块12：用于对所述原始电压暂降波形数据进行处理，得到电压暂降波形数据队列；

结果识别模块13：用于将所述电压暂降波形数据队列输入至神经网络模型进行判断，得到原始电压暂降波形数据的识别结果。

具体地，本发明实施例的装置相关功能模块的工作原理可参见方法实施例一的相关描述，这里不再赘述。

在本发明实施中，通过将电压暂降波形数据队列输入至神经网络进行判断，可以快速准确地识别电压暂降源的具体故障类型，避免识别过程中特征提取困难；在识别过程只依赖于获取的原始电压暂降波形数据进行有效值处理、归一化处理、粗粒化处理，无需进行参数的设置和调整，数学原理简单、清晰，对噪声具有较好的鲁棒性，并能识别引起电压暂降的具体故障类型。

本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。

另外，以上对本发明实施例所提供的一种电压暂降源识别的方法进行了详细介绍，本文中应采用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (9)

1.一种电压暂降源识别的方法，其特征在于，所述方法包括：

获取原始电压暂降波形数据；

对所述原始电压暂降波形数据进行处理，得到电压暂降波形数据队列；

将所述电压暂降波形数据队列输入至神经网络模型进行判断，得到原始电压暂降波形数据的识别结果；

其中，所述对所述原始电压暂降波形数据进行处理，得到电压暂降波形数据队列包括：

对所述原始电压暂降波形数据进行有效值处理，得到有效值处理后的电压暂降波形数据；

对所述有效值处理后的电压暂降波形数据进行归一化处理，得到归一化处理后的电压暂降波形数据；

对所述归一化处理后的电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的电压暂降波形数据；

将所述粗粒化处理后的电压暂降波形数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体得到电压暂降波形数据队列。

2.根据权利要求1所述的电压暂降源识别的方法，其特征在于，所述对所述原始电压暂降波形数据进行有效值处理，得到有效值处理后的电压暂降波形数据中，所述有效值处理的具体计算公式如下：

其中，x_rms-1(t)表示有效值处理后的电压暂降波形数据；N表示每周期的采样点数；t表示整数且t∈[1,l-N+1]；x(c)表示原始电压暂降波形数据；l表示原始数据样本的长度。

3.根据权利要求1所述的电压暂降源识别的方法，其特征在于，所述对所述有效值处理后的电压暂降波形数据进行归一化处理，得到归一化处理后的电压暂降波形数据中，所述归一化处理的具体计算公式如下：

其中，X_rms-2表示归一化处理之后的有效值序列；X_rms-1＝{x_rms-1(1),x_rms-1(2),…}表示归一化处理之前的有效值序列。

4.根据权利要求1所述的电压暂降源识别的方法，其特征在于，所述对所述归一化处理后的电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的电压暂降波形数据包括：

基于所述归一化处理后的电压暂降波形数据得到不同尺度的连续点；

通过计算得到所述不同尺度的连续点的平均值；

基于所述不同尺度的连续点的平均值得到粗粒化处理后的电压暂降波形数据；

基于所述粗粒化处理后的电压暂降波形数据得到不同分辨率的时间序列。

5.根据权利要求4所述的电压暂降源识别的方法，其特征在于，所述通过计算得到所述不同尺度的连续点的平均值中，具体计算公式如下：

其中，y^τ(θ)表示不同尺度的连续点的平均值；τ表示粗粒化的时间尺度；θ表示粗粒化后数据的样本点；x_rms-1(t)表示有效值处理后的电压暂降波形数据；N表示每周期的采样点数。

6.根据权利要求1所述的电压暂降源识别的方法，其特征在于，所述对所述训练样本构成电压暂降源总体得到电压暂降波形数据队列包括：对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体。

7.根据权利要求1所述的电压暂降源识别的方法，其特征在于，所述将所述电压暂降波形数据队列输入至神经网络模型进行判断，得到原始电压暂降波形数据的识别结果包括：

将所述电压暂降波形数据队列输入至神经网络模型，通过所述神经网络模型计算得到结果；

对所述结果进行判断，得到原始电压暂降波形数据的识别结果。

8.根据权利要求7所述的电压暂降源识别的方法，其特征在于，所述通过所述神经网络模型计算得到结果包括：基于所述将所述电压暂降波形数据队列通过计算得到电压暂降波形数据队列的协方差矩阵。

9.根据权利要求8所述的电压暂降源识别的方法，其特征在于，所述基于所述将所述电压暂降波形数据队列通过计算得到电压暂降波形数据队列的协方差矩阵中，具体计算公式如下：

Σ＝cov(G)＝E[(G-μ)(G-μ)^T]；

其中，Σ表示电压暂降波形数据队列的协方差矩阵；G表示电压暂降源总体，μ表示电压暂降源总体的均值向量。

Images