CN104463706A - 一种用于电网检测电压暂降事件原因的方法和系统 - Google Patents

Abstract

本发明提供一种用于电网检测电压暂降事件原因的方法，包括根据预设的分析参数提取历史数据并离散化处理；设置电压暂降的类别属性，并对历史数据进行分类形成样本集合；其中，类别属性包括电压暂降相别、幅度、持续时间、发生时间和传递特性；对样本集合进行Apriori计算，得到数值应大于预设的第一阈值的支持度值，并根据支持度值，进行Apriori计算，得到数值应大于预设的第二阈值的信任度值，形成电压暂降强关联规则知识库；通过ID3算法，得到决策树；根据决策树，确定电网当前电压暂降的原因。实施本发明，其避免对波形的依赖，基于历史数据的分析，通过多个特征值，挖掘历史电压暂降中的强关联规则，达到对未来电压暂降可能性的预测。

Description

一种用于电网检测电压暂降事件原因的方法和系统

技术领域

本发明涉及电力系统电能质量检测技术领域，尤其涉及一种用于电网检测电压暂降事件原因的方法和系统。

背景技术

随着科学技术及工业的发展，许多自动化程度很高的工业用户对电能质量的要求越来越高。在生产或信息技术企业中，由于大部分装置和基于单片机的数字控制器或电力电子器件对各种电磁干扰都非常敏感，因此电网非常轻微的扰动都会导致上述产品不能正常工作或某些功能下降，使得企业蒙受巨大的损失。

当前理想的电能信号拥有固定频率和幅值的三相正弦波形，然而在现实生活中，由于电路故障、线路和设备的不对称性、大型负载的启动等，使得电能信号产生偏离的现象统称为电能质量问题。电能质量问题包括电压暂降、电压暂升、电压波动及闪变、谐波等，其中，电压暂降和电压暂升，大约占电能质量事件的80%。国内外由于电能质量问题，特别是电压暂降问题，引起的经济损失和不良社会影响比比皆是，因此对电压暂降问题的研究和治理具有重要的意义。

在电能质量的研究中，最重要的就是电能质量事件的原因分析，如果能快速获知事件发生的原因，对于预防和故障切除都有重要的意义。传统技术中，对电能质量原因分析的研究主要基于实验和仿真，通过对模拟的简易系统施加一个故障，然后来观测其波形、幅值、持续时间等。如申请号为201310566333.6名称为一种电压暂降原因的识别方法的专利文献，首先通过数学变换提取电压暂降波形的特征值，然后按照不同原因对应的特征，采用数学分类方法对其进行分类。数学变换的方法主要包括傅里叶变换、S变换、小波变换、卡尔曼滤波、自适应滤波等方法。分类方法主要有模糊系统、神经网络、转嫁系统、支持向量机。

但是，基于实验和仿真的传统技术存在不足之处，其不足之处在于：一、电网远远比仿真系统复杂，简化的模型无法完全模拟真实系统，从而产生误差；二、电网中的电压暂降检测设备只能检测到电压暂降的暂降幅度和持续时间，无法记录超大数据量的波形，从而导致电能质量事件的原因分析出现偏差。                                                  

发明内容

本发明实施例所要解决的技术问题在于，提供一种用于电网检测电压暂降事件原因的方法和系统，其避免对波形的依赖，基于历史数据的分析，通过多个特征值，挖掘历史电压暂降中的强关联规则，达到对未来电压暂降可能性的预测。

为了解决上述技术问题，本发明实施例提供了一种用于电网检测电压暂降事件原因的方法，所述方法包括：

根据预设的分析参数提取历史数据，并将所述提取到的历史数据离散化处理；

设置电压暂降的类别属性，并根据所述设置的类别属性对所述离散化处理的历史数据进行分类，形成样本集合；其中，所述类别属性包括电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性；

对所述形成的样本集合进行Apriori计算，得到数值应大于预设的第一阈值的支持度值，并根据所述得到的支持度值，进行Apriori计算，得到数值应大于预设的第二阈值的信任度值，并形成相应的电压暂降强关联规则知识库；

根据所述形成的电压暂降强关联规则知识库及设置的类别属性，通过ID3算法，得到每一类别属性对应的信息熵最小的决策树；

根据所述得到的每一类别属性对应的信息熵最小的决策树，确定电网当前电压暂降的原因。

其中，所述根据所述形成的电压暂降强关联规则知识库及设置的类别属性，通过ID3算法，得到每一类别属性对应的信息熵最小的决策树的具体步骤包括：

a、将所述形成的电压暂降强关联规则知识库内的数据作为训练数据；

b、根据所述设置的类别属性计算所述训练数据中包含的每一属性的信息增益，选出信息增益最大值作为根节点的分裂属性，并计算决策规则以及传给第一层的前缀信息；

c、判断是否产生了新的决策规则；如果是，则执行下一步骤d；如果否，则，跳转到步骤e；

d、将所述产生的新的决策规则保存到规则集中，同时删除所述训练数据中包含所述产生的新的决策规则的样本，产生新的数据集，并将所述产生的新的数据集作为所述训练数据后，返回步骤b；

e、继续判断是否产生新的前缀信息；如果是，则执行下一步骤f；如果否，则，跳转到步骤i；

f、决策树层数加一；

g、判断所述决策树的层数是否小于所述训练数据中包含的所有属性的总数；如果是，则执行下一步骤h；如果否，则，跳转到步骤i；

h、计算在所述新的前缀信息下，所述训练数据中包含的每一属性的信息增益，选出信息增益最大值作为所述当前决策树的层数对应节点的分裂属性，并计算决策规则以及传给下一层的前缀信息，返回步骤c；

i、训练结束，根据所述计算得到的决策规则构建决策树。

其中，所述根据所述得到的每一类别属性对应的信息熵最小的决策树，确定电网当前电压暂降的原因的具体步骤包括：

对所述每一类别属性均进行离散化处理；

利用CBR推理方法将所述每一类别属性与所述得到的每一类别属性对应的信息熵最小的决策树进行匹配；

当存在匹配条件时，检测所述存在的匹配条件是否为唯一规则；

当检测到所述存在的匹配条件为唯一规则时，则确定所述唯一规则为所述电网当前电压暂降的原因；

当检测到所述存在的匹配条件对应多条规则时，将所述得到的支持度值与置信度值进行排序，确定支持度值与置信度值的最大值所对应的规则为所述电网当前电压暂降的原因。

其中，所述预设的分析参数包括电压暂降的三相暂降幅度、电压暂降的三相持续时间和电压暂降发生的时间。

其中，所述电压暂降相别包括一相暂降两相暂升、两相暂降一相暂升、三相暂降以及两相暂降一相不变。

其中，所述电压暂降幅度为电压暂降的当前电压值与标准电压值之间的比值。

其中，所述电压暂降发生时间包括预设的大型负载的工作时间范围和雷雨导致电路故障的运行时间范围；其中，所述大型负载的工作时间范围与所述雷雨导致电路故障的运行时间范围之和为一天。

其中，所述传递特性包括取值为0的主动事件和取值为1的被动事件。

本发明实施例还提供了一种用于电网检测电压暂降事件原因的系统，所述系统包括：

数据预处理单元，用于根据预设的分析参数提取历史数据，并将所述提取到的历史数据离散化处理；

提取特征单元，用于设置电压暂降的类别属性，并根据所述设置的类别属性对所述离散化处理的历史数据进行分类，形成样本集合；其中，所述类别属性包括电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性；

电压暂降关联规则单元，用于对所述形成的样本集合进行Apriori计算，得到数值应大于预设的第一阈值的支持度值，并根据所述得到的支持度值，进行Apriori计算，得到数值应大于预设的第二阈值的信任度值，形成相应的电压暂降强关联规则知识库；

构建决策树单元，用于根据所述形成的电压暂降强关联规则知识库及设置的类别属性，通过ID3算法，得到每一类别属性对应的信息熵最小的决策树；

确定暂降原因单元，用于根据所述得到的每一类别属性对应的信息熵最小的决策树，确定电网当前电压暂降的原因。

实施本发明实施例，具有如下有益效果：

在本发明实施例中，由于通过机器学习法对电压暂降事件进行原因分类，其避免对波形的依赖，基于历史数据的分析，利用电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性五个特征，通过Apriori计算及挖掘历史电压暂降中的强关联规则，形成电压暂降强关联规则知识库，再将电压暂降强关联规则知识库作为训练集合，通过ID3算法构建决策树，利用CBR（Case Base Reasoning，案件基本推理）推理方法将每一特征与构建的其对应信息熵最小的决策树进行匹配，从而达到对未来电压暂降可能性的预测的目的。

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，显而易见地，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性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。

图1为本发明实施例提供的用于电网检测电压暂降事件原因的方法的流程图；

图2为本发明实施例提供的用于电网检测电压暂降事件原因的方法中步骤S104的流程图；

图3为本发明实施例提供的用于电网检测电压暂降事件原因的方法中步骤S105的流程图；

图4为本发明实施例提供的用于电网检测电压暂降事件原因的方法应用场景的示意图；

图5为本发明实施例提供的用于电网检测电压暂降事件原因的系统的结构示意图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图对本发明作进一步地详细描述。

如图1所示，为本发明实施例提供的一种用于电网检测电压暂降事件原因的方法，所述方法包括：

步骤S101、根据预设的分析参数提取历史数据，并将所述提取到的历史数据离散化处理；

步骤S102、设置电压暂降的类别属性，并根据所述设置的类别属性对所述离散化处理的历史数据进行分类，形成样本集合；其中，所述类别属性包括电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性；

步骤S103、对所述形成的样本集合进行Apriori计算，得到数值应大于预设的第一阈值的支持度值，并根据所述得到的支持度值，进行Apriori计算，得到数值应大于预设的第二阈值的信任度值，并形成相应的电压暂降强关联规则知识库；

步骤S104、根据所述形成的电压暂降强关联规则知识库及设置的类别属性，通过ID3算法，得到每一类别属性对应的信息熵最小的决策树；

步骤S105、根据所述得到的每一类别属性对应的信息熵最小的决策树，确定电网当前电压暂降的原因。

具体过程为，在步骤101中，主要对历史数据进行预处理，去除冗余和损坏的数据，从而降低数据的复杂度和处理容量，然后根据预设的分析参数把需要的一些属性单独抽取出来，并且将历史数据进行离散化处理，成为便于分析和计算的多个数据块；其中，分析参数包括电压暂降的三相暂降幅度、电压暂降的三相持续时间和电压暂降发生的时间。

在步骤102中，提取五个特征，设置为对应的类别属性，并根据类别属性对离散化处理的历史数据进行分类，形成样本集合M；其中，五个特征分别为电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性。

由于电压为三相，因此电压暂降相别包括一相暂降两相暂升、两相暂降一相暂升、三相暂降以及两相暂降一相不变等。电压暂降幅度为电压暂降的当前电压值与标准电压值之间的比值；作为一个例子，暂降电压的当前电压值为198V，标准电压为220V，计算出的暂降幅度为0.9。电压暂降持续时间为电压暂降结束的时间减去其开始的时间。由于导致电压暂降的最重要的两个因素为大型负载启动和雷雨引发的电路故障，因此电压暂降发生时间也作为一个重要特征，而负载只在工作时间运转，雷雨可能在全天都有分布，故电压暂降发生时间可设为一天24小时，在一天内根据需要划分出大型负载的工作时间范围和雷雨导致电路故障的运行时间范围；作为一个例子，将AM8:00至PM5:00预设为大型负载的工作时间范围，剩余时间（当天PM5:00后至第二天AM8:00前）预设为雷雨导致电路故障的运行时间范围，因此在AM8:00至PM5:00出现电压暂降的原因可预测为大型负载启动造成的，而在AM8:00至PM5:00之外时间段出现电压暂降的原因可预测为雷雨故障。传递特性包括取值为0的主动事件（源事件）和取值为1的被动事件。主动事件（源事件）都是有外界因素引起的，而被动事件是由已有的电压暂降事件在电网中传播造成的。

在步骤S103中，对形成的样本集合M进行Apriori计算，并根据预设的第一阈值的定义，如果支持度小于该预设的第一阈值，则需重新根据Apriori进行计算，因此在对形成的样本集合M进行Apriori计算后，最终得到的支持度值应大于预设的第一阈值，并根据得到的支持度值，进行Apriori计算，同理，根据预设的第二阈值的定义，如果信任度值小于该预设的第二阈值，则需重新在支持度值应大于预设的第一阈值基础上根据Apriori进行计算，最终得到的信任度值应大于该预设的第二阈值。由于支持度值大于第一阈值且信任度值大于第二阈值，则表明样本集合M具有关联性，满足预定的关联强度，从而形成相应的电压暂降强关联规则知识库，以便于将该知识库作为训练集合来构建决策树。

在步骤104中，采用ID3算法来构建决策树。每次选择的分支属性都使信息熵最大降低。如果一个样本集中所有样本属于同一个类，此时信息熵最小；如果都属于不同的类，此时信息熵最大。

设                                               是个数据样本的集合，将样本集划分为个不同的类，每个类含有的样本数目为，则划分为个类的信息熵为

    其中为中样本属于第类的概率，即

    假设属性的所有不同值的集合为，是中属性的值为的样本子集，即。在选择属性后的每一个分支节点上，对该节点的样本集分类的熵为。选择导致的期望熵定义为每个子集的熵的加权和，权值为属于的样本占原始样本的比例，即期望熵为

其中，是将中的样本划分到个类的信息熵。属性相对样本集合的信息增益定义为

每次选择使得信息增益最大的属性，此时，信息熵降低最多。

因此，如图2所示，步骤S104的具体步骤包括：

步骤S210、将电压暂降强关联规则知识库内的数据作为训练数据；

步骤S220、根据类别属性计算训练数据中包含的每一属性的信息增益，选出信息增益最大值作为根节点的分裂属性，并计算决策规则以及传给第一层的前缀信息；

步骤S230、判断是否产生了新的决策规则；如果是，则执行下一步骤S240；如果否，则跳转步骤S250、

步骤S240、将产生的新的决策规则保存到规则集中，同时删除训练数据中包含产生的新的决策规则的样本，产生新的数据集，将该新的数据集作为训练数据后，返回步骤S220；

步骤S250、继续判断是否产生新的前缀信息；如果是，则执行下一步骤S260；如果否，则跳转到步骤S290；

步骤S260、决策树层数加一；

步骤S270、判断该决策树的层数是否小于训练数据中包含的所有属性的总数；如果是，则执行下一步骤S280；如果否，则跳转到步骤S290；

步骤S280、计算在新的前缀信息下，训练数据中包含的每一属性的信息增益，选出信息增益最大值作为当前决策树的层数对应节点的分裂属性，并计算决策规则以及传给下一层的前缀信息，返回步骤S230；

步骤S290、训练结束，根据计算得到的决策规则构建决策树。

如图3所示，步骤105的具体步骤包括：

步骤S310、对每一类别属性均进行离散化处理；

步骤S320、利用CBR推理方法将每一类别属性与得到的每一类别属性对应的信息熵最小的决策树进行匹配；

步骤S330、当存在匹配条件时，检测存在的匹配条件是否为唯一规则；

步骤S340、当检测到存在的匹配条件为唯一规则时，则确定唯一规则为电网当前电压暂降的原因；

步骤S350、当检测到存在的匹配条件对应多条规则时，将得到的支持度值与置信度值进行排序，确定支持度值与置信度值的最大值所对应的规则为电网当前电压暂降的原因。其中，支持度值与置信度值从高到低进行排序。

作为一个例子，如图4所示，对步骤S104中得到的决策树在步骤S105中确定电网当前电压暂降原因的应用场景进一步说明：

将电压暂降相别作为参考属性，设置为根节点，设置的匹配条件对应有多条规则，包括电压暂降相别为三相暂降、电压暂降幅度>40%以及电压暂降发生时间为AM8：00至PM5：00的三条规则，因此当发现有一个暂降幅度为50%，发生在AM9：00的三相暂降时，可以初步判断是大型负载启动导致的。

如图5所示，本发明实施例还提供了一种用于电网检测电压暂降事件原因的系统，所述系统包括：

数据预处理单元510，用于根据预设的分析参数提取历史数据，并将所述提取到的历史数据离散化处理；

提取特征单元520，用于设置电压暂降的类别属性，并根据所述设置的类别属性对所述离散化处理的历史数据进行分类，形成样本集合；其中，所述类别属性包括电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性；

电压暂降关联规则单元530，用于对所述形成的样本集合进行Apriori计算，得到数值应大于预设的第一阈值的支持度值，并根据所述得到的支持度值，进行Apriori计算，得到数值应大于预设的第二阈值的信任度值，形成相应的电压暂降强关联规则知识库；

构建决策树单元540，用于根据所述形成的电压暂降强关联规则知识库及设置的类别属性，通过ID3算法，得到每一类别属性对应的信息熵最小的决策树；

确定暂降原因单元550，用于根据所述得到的每一类别属性对应的信息熵最小的决策树，确定电网当前电压暂降的原因。

其中，所述预设的分析参数包括电压暂降的三相暂降幅度、电压暂降的三相持续时间和电压暂降发生的时间。

其中，所述电压暂降相别包括一相暂降两相暂升、两相暂降一相暂升、三相暂降以及两相暂降一相不变。

其中，所述电压暂降幅度为电压暂降的当前电压值与标准电压值之间的比值。

其中，所述电压暂降发生时间包括预设的大型负载的工作时间范围和雷雨导致电路故障的运行时间范围；其中，所述大型负载的工作时间范围与所述雷雨导致电路故障的运行时间范围之和为一天。

其中，所述传递特性包括取值为0的主动事件和取值为1的被动事件。

实施本发明实施例，具有如下有益效果：

在本发明实施例中，由于通过机器学习法对电压暂降事件进行原因分类，其避免对波形的依赖，基于历史数据的分析，利用电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性五个特征，通过Apriori计算及挖掘历史电压暂降中的强关联规则，形成电压暂降强关联规则知识库，再将电压暂降强关联规则知识库作为训练集合，通过ID3算法构建决策树，利用CBR推理方法将每一特征与构建的其对应信息熵最小的决策树进行匹配，从而达到对未来电压暂降可能性的预测的目的。

值得注意的是，上述系统实施例中，所包括的各个系统单元只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能单元的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

本领域普通技术人员可以理解实现上述实施例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，所述的程序可以存储于一计算机可读取存储介质中，所述的存储介质，如ROM/RAM、磁盘、光盘等。

以上所揭露的仅为本发明较佳实施例而已，当然不能以此来限定本发明之权利范围，因此依本发明权利要求所作的等同变化，仍属本发明所涵盖的范围。

Claims (9)

1.一种用于电网检测电压暂降事件原因的方法，其特征在于，所述方法包括：

根据预设的分析参数提取历史数据，并将所述提取到的历史数据离散化处理；

设置电压暂降的类别属性，并根据所述设置的类别属性对所述离散化处理的历史数据进行分类，形成样本集合；其中，所述类别属性包括电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性；

对所述形成的样本集合进行Apriori计算，得到数值应大于预设的第一阈值的支持度值，并根据所述得到的支持度值，进行Apriori计算，得到数值应大于预设的第二阈值的信任度值，并形成相应的电压暂降强关联规则知识库；

根据所述形成的电压暂降强关联规则知识库及设置的类别属性，通过ID3算法，得到每一类别属性对应的信息熵最小的决策树；

根据所述得到的每一类别属性对应的信息熵最小的决策树，确定电网当前电压暂降的原因。

2.如权利要求1所述的方法，其特征在于，所述根据所述形成的电压暂降强关联规则知识库及设置的类别属性，通过ID3算法，得到每一类别属性对应的信息熵最小的决策树的具体步骤包括：

a、将所述形成的电压暂降强关联规则知识库内的数据作为训练数据；

b、根据所述设置的类别属性计算所述训练数据中包含的每一属性的信息增益，选出信息增益最大值作为根节点的分裂属性，并计算决策规则以及传给第一层的前缀信息；

c、判断是否产生了新的决策规则；如果是，则执行下一步骤d；如果否，则，跳转到步骤e；

d、将所述产生的新的决策规则保存到规则集中，同时删除所述训练数据中包含所述产生的新的决策规则的样本，产生新的数据集，并将所述产生的新的数据集作为所述训练数据后，返回步骤b；

e、继续判断是否产生新的前缀信息；如果是，则执行下一步骤f；如果否，则，跳转到步骤i；

f、决策树层数加一；

g、判断所述决策树的层数是否小于所述训练数据中包含的所有属性的总数；如果是，则执行下一步骤h；如果否，则，跳转到步骤i；

h、计算在所述新的前缀信息下，所述训练数据中包含的每一属性的信息增益，选出信息增益最大值作为所述当前决策树的层数对应节点的分裂属性，并计算决策规则以及传给下一层的前缀信息，返回步骤c；

i、训练结束，根据所述计算得到的决策规则构建决策树。

3.如权利要求1所述的方法，其特征在于，所述根据所述得到的每一类别属性对应的信息熵最小的决策树，确定电网当前电压暂降的原因的具体步骤包括：

对所述每一类别属性均进行离散化处理；

利用CBR推理方法将所述每一类别属性与所述得到的每一类别属性对应的信息熵最小的决策树进行匹配；

当存在匹配条件时，检测所述存在的匹配条件是否为唯一规则；

当检测到所述存在的匹配条件为唯一规则时，则确定所述唯一规则为所述电网当前电压暂降的原因；

当检测到所述存在的匹配条件对应多条规则时，将所述得到的支持度值与置信度值进行排序，确定支持度值与置信度值的最大值所对应的规则为所述电网当前电压暂降的原因。

4.如权利要求1所述的方法，其特征在于，所述预设的分析参数包括电压暂降的三相暂降幅度、电压暂降的三相持续时间和电压暂降发生的时间。

5.如权利要求1所述的方法，其特征在于，所述电压暂降相别包括一相暂降两相暂升、两相暂降一相暂升、三相暂降以及两相暂降一相不变。

6.如权利要求1或4所述的方法，其特征在于，所述电压暂降幅度为电压暂降的当前电压值与标准电压值之间的比值。

7.如权利要求1或4所述的方法，其特征在于，所述电压暂降发生时间包括预设的大型负载的工作时间范围和雷雨导致电路故障的运行时间范围；其中，所述大型负载的工作时间范围与所述雷雨导致电路故障的运行时间范围之和为一天。

8.如权利要求1所述的方法，其特征在于，所述传递特性包括取值为0的主动事件和取值为1的被动事件。

9.一种用于电网检测电压暂降事件原因的系统，其特征在于，所述系统包括：

数据预处理单元，用于根据预设的分析参数提取历史数据，并将所述提取到的历史数据离散化处理；

提取特征单元，用于设置电压暂降的类别属性，并根据所述设置的类别属性对所述离散化处理的历史数据进行分类，形成样本集合；其中，所述类别属性包括电压暂降相别、电压暂降幅度、电压暂降持续时间、电压暂降发生时间和传递特性；

电压暂降关联规则单元，用于对所述形成的样本集合进行Apriori计算，得到数值应大于预设的第一阈值的支持度值，并根据所述得到的支持度值，进行Apriori计算，得到数值应大于预设的第二阈值的信任度值，形成相应的电压暂降强关联规则知识库；

构建决策树单元，用于根据所述形成的电压暂降强关联规则知识库及设置的类别属性，通过ID3算法，得到每一类别属性对应的信息熵最小的决策树；

确定暂降原因单元，用于根据所述得到的每一类别属性对应的信息熵最小的决策树，确定电网当前电压暂降的原因。