CN105976266A - 基于典型电压暂降波形匹配的电压暂降原因识别方法 - Google Patents

Abstract

本发明公开了一种基于典型电压暂降波形匹配的电压暂降原因识别方法，包括以下步骤，步骤（A），采集典型电压暂降历史事件的历史监测波形；步骤（B），建立形成典型电压暂降事件波形库；步骤（C），提取待识别的电压暂降波形；步骤（D），对提取待识别的电压暂降波形的波段与典型电压暂降波形库进行波形匹配分析；步骤（E），识别当前电压暂降事件波形产生的原因。本发明在波形的层面上对电压暂降进行匹配分析，更为基础也更为准确，能够快速准确的识别电压暂降产生的原因，对于电压暂降的预防和治理具有十分重要的参考价值，具有良好的应用前景。

Description

基于典型电压暂降波形匹配的电压暂降原因识别方法

技术领域

本发明涉及一种基于典型电压暂降波形匹配的电压暂降原因识别方法，属于电能质量分析技术领域。

背景技术

电压暂降，又称为电压骤降、电压凹陷或电压跌落，电压暂降是供电电压方均根值在短时间内突然下降后又迅速恢复到正常状态的事件，一般典型时间为0.5～30个周波的时间。

随着经济的快速发展，敏感电力电子设备在工业中的广泛应用，电压暂降造成的损失也显著增多。根据国外某电力公司的调查，关于电压暂降的投诉占电能质量投诉的80％，电压暂降已经成为最重要的电能质量问题。

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，对电压暂降原因的识别已经有了一定的研究，常见的电压暂降原因识别方法主要有以下两步：首先提取电压暂降的主要特征量如电压暂降幅值、持续时间、相位跳变、三相不平衡度、下降斜率以及上升斜率等，然后通过将这些主要特征量与典型常见类型的电压暂降特征量进行相似度的分析来进行电压暂降原因的识别。目前，各个方法的区别主要存在于电压暂降特征量的提取以及与典型事件波形的相似度分析上，其中，电压暂降特征量的提取方法主要有傅立叶变换、S变换、小波变换等方法，匹配识别的方法主要包括神经网络、模糊推理、支持向量机、ID3算法等。然而，上述方法中，对于电压暂降特征量的提取，一般提取的特征量不超过10个，并且一些在实际情况中较为重要的特征量不能被很好的发掘出来，从而影响识别结果的准确性；而采用模糊推理等方法需要设定一定的阈值，在实际情况中，电力系统的短路容量、变压器的接线方式以及负荷类型等都会在一定程度上影响电压暂降的特征，因此，很难确定固定的阈值使得识别结果十分准确；而且，神经网络需要大量的训练样本，而在实际中实测数据不够丰富，从而影响神经网络方法的应用。

发明内容

本发明的目的是为了克服现有技术中对电压暂降原因识别方法的不足。本发明提供的基于典型电压暂降波形匹配的电压暂降原因识别方法，建立典型电压暂降事件波形库，在波形的层面上对电压暂降进行匹配分析，更为基础也更为准确，能够快速准确的识别电压暂降产生的原因，对于电压暂降的预防和治理具有十分重要的参考价值，具有良好的应用前景。

为了达到上述目的，本发明所采用的技术方案是：

基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：包括以下步骤，

步骤(A)，采集典型电压暂降历史事件的历史监测波形

通过暂降录波仪采集典型电压暂降历史事件的历史监测波形，并提取历史监测波形所对应的电压暂降产生原因；

步骤(B)，建立形成典型电压暂降事件波形库

将步骤(A)中采集到的历史监测波形和对应的电压暂降产生原因，保存到典型电压暂降事件波形库中，建立电压暂降波形特征量和产生原因的对应关系表，形成典型电压暂降事件波形库；

步骤(C)，提取待识别的电压暂降波形

将采集检测到的当前电压暂降事件波形作为测试波形；

步骤(D)，对提取待识别的电压暂降波形的波段与典型电压暂降波形库进行波形匹配分析

基于动态弯曲距离相似度算法，对步骤(C)中提取待识别的电压暂降波形与典型电压暂降波形库中的典型电压暂降事件波形进行逐一匹配分析，得到一组匹配度系数；

步骤(E)，识别当前电压暂降事件波形产生的原因

对步骤(D)中得到的匹配度系数按大小进行排序，选取匹配度最大的典型电压暂降事件波形作为最佳的匹配波形，提取典型电压暂降事件波形对应的电压暂降所产生的原因，为当前电压暂降事件波形产生原因的识别结果。

前述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：步骤(A)提取历史监测波形所对应的电压暂降产生原因，包括以下6种原因：三相短路故障、单相接地故障、两相接地故障、相间短路故障、感应电机启动、变压器投运。

前述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：步骤(A)为保证所采集到的典型电压暂降历史事件的历史监测波形具有典型性，每种典型电压暂降历史事件至少采集10个波形，并选取其中最为典型的波形作为历史监测波形，选取过程，包括以下步骤，

(A1)计算某一电压暂降产生的原因所有电压暂降波形典型特征量X＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇}，其中，x₁～x₇为列向量，每个列向量表示电压暂降产生的原因中所有电压暂降波形7个典型特征量之一，包括电压暂降平均幅值、最小幅值、持续时间、电压下降斜率、电压恢复斜率、电压相角跳变、三相幅值不平衡度，每个向量的维数表示该产生原因对应的电压暂降中所采集到的波形个数；

(A2)求取所有波形的每个特征值平均值得到向量

(A3)逐一计算所有波形的典型特征量向量与平均值向量的欧氏距离；

(A4)取所有波形中的欧氏距离最小值，并提取欧氏距离最小值对应的波形为最为典型的波形。

前述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：步骤(C)，提取待识别的电压暂降波形，包括以下步骤，

(C1)在检测到原因未明的当前电压暂降事件并且计划对该电压暂降进行电压暂降原因识别时，记录该电压暂降事件发生时的三相波形；

(C2)提取三相波形其中发生电压暂降的部分波段，作为待识别的电压暂降波形。

前述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：步骤(D)，基于动态弯曲距离相似度算法，对步骤(C)中提取待识别的电压暂降波形与典型电压暂降波形库中的典型电压暂降事件波形进行逐一匹配分析，得到一组匹配度系数，包括以下步骤，

(D1)设置典型电压暂降事件波形的时间窗长度为D_i1个周波，提取各典型电压暂降事件波形每个时间窗的特征量，形成每个典型电压暂降事件波形的时间序列形特征量集合称为样本波形时间序列特征量集合，其中，i＝1,2,…,6，表示典型电压暂降事件波形库中共有6种典型波形，m_i为第i种典型电压暂降事件波形总的时间窗个数，r_ik为第i个典型电压暂降事件波形第k个时间窗的特征量，k＝1,2,…,m_i，特征量r_ik为以下6个量：最大值、最小值、平均值、方差、峰度和偏度；

(D2)设置待识别的电压暂降波形的时间窗口长度为D₂个周波，提取待识别的电压暂降波形的每个时间窗的特征量，形成每个测试电压暂降波形时间序列特征量集合T＝{t₁,t₂,…,t_n}，称为测试波形时间序列特征量集合，其中，n为总的时间窗个数，t_n为测试电压暂降波形第N个时间窗的特征量，N＝1,2,…,n，特征量t_n为以下6个量：最大值、最小值、平均值、方差、峰度和偏度；

(D3)基于动态弯曲距离相似度算法，分别计算每个典型电压暂降事件的样本波形时间序列特征量集合R_i与测试波形时间序列特征量集合T的相似度，得到一组匹配度系数。

前述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：(D3)基于动态弯曲距离相似度算法，分别计算每个典型电压暂降事件的样本波形时间序列特征量集合R_i与测试波形时间序列特征量集合T的相似度，得到一组匹配度系数，包括以下步骤，

(1)取两数据维数分别为n和m_i的时间序列T’和R_i’，即T’＝(t₁，t₂，…，t_n)^T，R_i’＝(r₁，r₂，…，r_mi)^T，其中T’定义为测试时间序列，R_i’定义为样本时间序列；

(2)将时间序列T’和R_i’按照相应的时间序列的位置排序，构造时间序列距离矩阵A_n×mi，如公式(12)所示，

其中，A_n×mi中元素表示时间序列点t_p和r_q之间的欧氏距离；

(3)对于时间序列距离矩阵A_n×mi，将每一组相邻元素组成的集合成为弯曲路径W＝(w₁，w₂，…，w_S)，弯曲路径W中的第s’个元素w_s’＝(a_pq)_s’，且此路径满足如下条件，a)有界性：max{mi,n}≤S≤mi+n-1；b)临界条件：w₁＝a₁₁，w_S＝a_nmi；c)连续性与单调性：对于w_s’＝(a_pq)_s’，其邻接元素w_s’-1＝(a_p’q’)_s’‐1下标满足0≤p‐p′≤1，0≤q‐q′≤1；p、q分别为弯曲路径W的w_s’在距离矩阵A_n×mi中对应元素的行下标和列下标；p’、q’分别为弯曲路径W的w_s’‐1在距离矩阵A_n×mi中对应元素的行下标和列下标；

(4)计算时间序列T’和R_i’的最小弯曲路径θ_DTW，如公式(13)所示，

$\begin{array}{c}{\mathrm{\&theta;}}_{DTW}\left(T^{\&prime;},R^{\&prime;}\right)=\min \left(\frac{1}{S}\sqrt{\underset{s^{\&prime;}=1}{\overset{S}{\&Sigma;}}{w}_{s^{\&prime;}}}\right)\\ =\left\{\begin{array}{c}D\left(0,0\right)=0,\\ D\left(0,<>\right)=D\left(<>,0\right)=\mathrm{\&infin;},\\ D\left(1,1\right)=a_{11},\\ D\left(p,q\right)=a_{pq}+\min \left\{D\left(p-1,q-1\right),D\left(p,q-1\right),D\left(p-1,q\right)\right\}\end{array}\right.\end{array}---\left(13\right)$

其中，p＝1，2，3，…，n；q＝1，2，3，…，mi；A中弯曲路径最小累加值为D(n,mi)；D(p,q)表示距离矩阵元素a_pq与其前段的弯曲路径部分长度最小累计值之和；＜＞表示该位置的p或q为取范围内的任意值；

(5)根据(1)-(4)分别计算每个典型电压暂降事件的样本波形时间序列特征量集合R_i与测试波形时间序列特征量集合的最小弯曲距离D_i(n,m_i)；

(6)将最小弯曲距离D_i(n,m_i)根据公式(14)进行变换，s(T，R_i)表示时间序列T’和R_i’之间的变换相似度，取值范围为[0，100％]，其取值越大说明最小弯曲距离D_i(n,m_i)越小，时间序列T’和R_i’之间的相似度越大，即s(T，R_i)为得到的一组匹配度系数；

$s(T,R_i)=\frac{10}{10+D(n,m_i)}\&times;100\%---\left(14\right).$

本发明的有益效果是：本发明的基于典型电压暂降波形匹配的电压暂降原因识别方法，建立典型电压暂降事件波形库，在波形的层面上对电压暂降进行匹配分析，更为基础也更为准确，能够快速准确的识别电压暂降产生的原因，对于电压暂降的预防和治理具有十分重要的参考价值，并具有以下特点，

(1)有利于提高电压暂降产生原因识别的准确性，从波形层面上对电压暂降进行匹配分析，避免了电压暂降典型特征量提取遗漏等问题；

(2)简化匹配分析的不确定程度，相比于其它人工智能算法，本方法无需使用大量的样本，无需为各个特征量进行阈值的选取等，降低了人为因素造成的判断失误；

(3)有利于提高电压暂降产生原因的识别速度，本方法中的计算主要产生在波形时间窗特征量以及动态弯曲距离的计算过程中，相比于人工智能算法，大大提升了计算速度，有利于电压暂降产生原因识别速度的提高。

附图说明

图1是本发明的基于典型电压暂降波形匹配的电压暂降原因识别方法的流程图。

图2为本发明进行动态弯曲距离计算的路径示意图。

具体实施方式

下面将结合说明书附图，对本发明做进一步说明。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，本发明的基于典型电压暂降波形匹配的电压暂降原因识别方法，包括以下步骤，

步骤(A)，采集典型电压暂降历史事件的历史监测波形

通过暂降录波仪采集典型电压暂降历史事件的历史监测波形，并提取历史监测波形所对应的电压暂降产生原因，电压暂降产生原因，包括以下6种原因：三相短路故障、单相接地故障、两相接地故障、相间短路故障、感应电机启动、变压器投运。为保证所采集到的典型电压暂降历史事件的历史监测波形具有典型性，每种典型电压暂降历史事件至少采集10个波形，，选取过程，包括以下步骤，

(A1)计算某一电压暂降产生的原因所有电压暂降波形典型特征量X＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇}，其中，x₁～x₇为列向量，每个列向量表示电压暂降产生的原因中所有电压暂降波形7个典型特征量之一，包括电压暂降平均幅值、最小幅值、持续时间、电压下降斜率、电压恢复斜率、电压相角跳变、三相幅值不平衡度，每个向量的维数表示该产生原因对应的电压暂降中所采集到的波形个数；

(A2)求取所有波形的每个特征值平均值得到向量

(A3)逐一计算所有波形的典型特征量向量与平均值向量的欧氏距离；

(A4)取所有波形中的欧氏距离最小值，并提取欧氏距离最小值对应的波形为最为典型的波形；

详细的具体过程为，

(1)以第P个波形为例，各个特征量的计算方法分别为，

电压暂降平均幅值：设电压暂降从发生到结束共有M个周波，U_PQ表示第P个暂降波形中的第Q个周波幅值，在电压暂降发生时刻Q＝1，在电压暂降结束时刻Q＝M，电压暂降平均幅值U_Pave表示为：

$U_{Pave}=\frac{\underset{Q=1}{\overset{M}{\&Sigma;}}{U}_{PQ}}{M}---\left(1\right)$

电压暂降最小幅值：电压暂降M个周波中，最小的周波幅值U_Pmin表示为：

U_Pmin＝min(U_PQ) (2)

其中，Q＝1,2,…,M；

电压暂降持续时间：设电压暂降开始时间为t_Ps，暂降结束时间为t_Pe，电压暂降持续时间t_Pdur可表示为：

t_Pdur＝t_Pe-t_Ps (3)

电压下降斜率：电压从开始出现下降到电压降到最低值的平均斜率k_Pdown可以表示为：

k_Pdown＝(1-U_Pmin)/|t_Pmin-t_Ps| (4)

其中，t_Pmin表示电压暂降幅值达到最小的时间；

电压上升斜率：电压从电压达到最小值恢复到正常电压水平的的平均斜率k_Pup可以表示为：

k_Pup＝(1-U_Pmin)/|t_Pmin-t_Pe| (5)

电压相角跳变：电压暂降前电压过零点相位角为电压暂降过程中电压过零点相位角为则电压相角跳变为：

三相幅值不平衡度：系统发生电压暂降之后，三相电压暂降情况在很大一部分情况下不尽相同，三相幅值不平衡度U_Pε可以表示为：

$U_{P\mathrm{\&epsiv;}}=\frac{max(U_{PA},U_{PB},U_{PC})-min(U_{PA},U_{PB},U_{PC})}{U_{PN}}---\left(7\right)$

其中，U_PA、U_PB、U_PC分别为t_min时刻A、B、C三相基波电压幅值，max(U_PA、U_PB、U_PC)为U_PA、U_PB、U_PC中的最大值，min(U_PA、U_PB、U_PC)为U_PA、U_PB、U_PC中的最小值，U_PN为电压标称值；

(2)求取所有波形某个特征值的平均值可以表示为：

$\stackrel{\&OverBar;}{x_j}=\frac{\underset{J=1}{\overset{Q}{\&Sigma;}}{x}_{Jj}}{Q}---\left(8\right)$

其中，j＝1,2,…,7，表示电压暂降波形的7个典型特征量，Q表示该类电压暂降共采集到Q个电压波形，J＝1,2,…,Q；

分别计算每个特征量的平均值，得到向量

(3)逐一计算Q个波形的典型特征量向量x_J＝(x_J1,x_J2,x_J3,x_J4,x_J5,x_J6,x_J7)与平均值向量的欧氏距离，

$d(x_J,\stackrel{\&OverBar;}{x})=\sqrt{\underset{j=1}{\overset{7}{\&Sigma;}}{(x_{Jj}-\stackrel{\&OverBar;}{x_j})}^2}---\left(9\right)$

其中，J＝1,2,…,Q，表示该类电压暂降共采集到Q个电压波形；

(4)取Q个波形中的欧氏距离最小值，并提取相应的波形作为最为典型的电压暂降事件波形；

步骤(B)，建立形成典型电压暂降事件波形库

将步骤(A)中采集到的历史监测波形和对应的电压暂降产生原因，保存到典型电压暂降事件波形库中，建立电压暂降波形特征量和产生原因的对应关系表，形成典型电压暂降事件波形库；

步骤(C)，提取待识别的电压暂降波形

将采集检测到的当前电压暂降事件波形作为测试波形，包括以下步骤，

(C1)在检测到原因未明的当前电压暂降事件并且计划对该电压暂降进行电压暂降原因识别时，记录该电压暂降事件发生时的三相波形；

(C2)提取三相波形其中发生电压暂降的部分波段，作为待识别的电压暂降波形；

步骤(D)，对提取待识别的电压暂降波形的波段与典型电压暂降波形库进行波形匹配分析

基于动态弯曲距离相似度算法，对步骤(C)中提取待识别的电压暂降波形与典型电压暂降波形库中的典型电压暂降事件波形进行逐一匹配分析，得到一组匹配度系数，包括以下步骤，

(D1)设置典型电压暂降事件波形的时间窗长度为D_i1个周波，提取各典型电压暂降事件波形每个时间窗的特征量，形成每个典型电压暂降事件波形的时间序列形特征量集合，称为样本波形时间序列特征量集合，其中，i＝1,2,…,6，表示典型电压暂降事件波形库中共有6种典型波形，m_i为第i种典型电压暂降事件波形总的时间窗个数，r_ik为第i个典型电压暂降事件波形第k个时间窗的特征量，k＝1,2,…,m_i，特征量r_ik为以下6个量：最大值、最小值、平均值、方差、峰度和偏度；

(D2)设置待识别的电压暂降波形的时间窗口长度为D₂个周波，提取待识别的电压暂降波形的每个时间窗的特征量，形成每个测试电压暂降波形时间序列特征量集合T＝{t₁,t₂,…,t_n}，称为测试波形时间序列特征量集合，其中，n为总的时间窗个数，t_n为测试电压暂降波形第N个时间窗的特征量，N＝1,2,…,n，特征量t_n为以下6个量：最大值、最小值、平均值、方差、峰度和偏度，

(D1)和(D2)中时间序列特征量集合的具体计算方法如下：

(1)确定滑动窗口的长度L；

(2)滑动窗口从该天第一个周波开始，每滑动一次，窗口就向后移动一个周波，例如对于第v个窗口w^v＝{x(k):k＝v-L+1,v-L+2,...,v}，分别计算该窗口的最大值、最小值、平均值、方差、偏度和峰度。其中偏度和峰度的具体计算方法如下：

偏度有多种定义，正态分布以及所有对称分布的偏度都为0，并且广泛采用的计算公式为：

${\mathrm{\&gamma;}}_1=\frac{{\mathrm{\&mu;}}_3}{{\mathrm{\&mu;}}_2^{3/2}}=\frac{E{(X-\mathrm{\&mu;})}^3}{{\&lsqb;E{(X-\mathrm{\&mu;})}^2\&rsqb;}^{3/2}}---\left(10\right)$

其中μ为变量X的平均值，μ_i为第i阶中心矩，E(·)为期望。

峰度是描述所有取值分布形态陡缓程度的统计量，正态分布的峰值为3，如果某分布比正态分布更为陡峭，则峰值大于3，峰度的计算公式为：

${\mathrm{\&gamma;}}_2=\frac{{\mathrm{\&mu;}}_4}{{\mathrm{\&mu;}}_2^2}=\frac{E{(X-\mathrm{\&mu;})}^4}{{\&lsqb;E{(X-\mathrm{\&mu;})}^2\&rsqb;}^2}---\left(11\right)$

(3)重复(2)步，滑动到下一个窗口，计算该窗口的特征量集合，这样就得到所有窗口的特征量集合；

(D3)基于动态弯曲距离相似度算法，分别计算每个典型电压暂降事件的样本波形时间序列特征量集合R_i与测试波形时间序列特征量集合T的相似度，如图2所示，得到一组匹配度系数，包括以下步骤，

(1)取两数据维数分别为n和m_i的时间序列T’和R_i’，即T’＝(t₁，t₂，…，t_n)^T，R_i’＝(r₁，r₂，…，r_mi)^T，其中T’定义为测试时间序列，R_i’定义为样本时间序列；

(2)将时间序列T’和R_i’按照相应的时间序列的位置排序，构造时间序列距离矩阵A_n×mi，如公式(12)所示，

其中，A_n×mi中元素表示时间序列点t_p和r_q之间的欧氏距离；

(3)对于时间序列距离矩阵A_n×mi，将每一组相邻元素组成的集合成为弯曲路径W＝(w₁，w₂，…，w_S)，弯曲路径W中的第s’个元素w_s’＝(a_pq)_s’，且此路径满足如下条件，a)有界性：max{mi,n}≤S≤mi+n-1；b)临界条件：w₁＝a₁₁，w_S＝a_nmi；c)连续性与单调性：对于w_s’＝(a_pq)_s’，其邻接元素w_s’-1＝(a_p’q’)_s’‐1下标满足0≤p‐p′≤1，0≤q‐q′≤1，p、q分别为弯曲路径W的w_s’在距离矩阵A_n×mi中对应元素的行下标和列下标；p’、q’分别为弯曲路径W的w_s’‐1在距离矩阵A_n×mi中对应元素的行下标和列下标。

(4)计算时间序列T’和R_i’的最小弯曲路径θ_DTW，如公式(13)所示，

$\begin{array}{c}{\mathrm{\&theta;}}_{DTW}\left(T^{\&prime;},R^{\&prime;}\right)=\min \left(\frac{1}{S}\sqrt{\underset{s^{\&prime;}=1}{\overset{S}{\&Sigma;}}{w}_{s^{\&prime;}}}\right)\\ =\left\{\begin{array}{c}D\left(0,0\right)=0,\\ D\left(0,<>\right)=D\left(<>,0\right)=\mathrm{\&infin;},\\ D\left(1,1\right)=a_{11},\\ D\left(p,q\right)=a_{pq}+\min \left\{D\left(p-1,q-1\right),D\left(p,q-1\right),D\left(p-1,q\right)\right\}\end{array}\right.\end{array}---\left(13\right)$

其中，p＝1，2，3，…，n；q＝1，2，3，…，mi；A中弯曲路径最小累加值为D(n,mi)；D(p,q)表示距离矩阵元素a_pq与其前段的弯曲路径部分长度最小累计值之和；＜＞表示该位置的p或q为取范围内的任意值；

(5)根据(1)-(4)分别计算每个典型电压暂降事件的样本波形时间序列特征量集合R_i与测试波形时间序列特征量集合的最小弯曲距离D_i(n,m_i)；

(6)将最小弯曲距离D_i(n,m_i)根据公式(14)进行变换，s(T，R_i)表示时间序列T’和R_i’之间的变换相似度，取值范围为[0，100％]，其取值越大说明最小弯曲距离D_i(n,m_i)越小，时间序列T’和R_i’之间的相似度越大，即s(T，R_i)为得到的一组匹配度系数；

$s(T,R_i)=\frac{10}{10+D(n,m_i)}\&times;100\%---\left(14\right);$

步骤(E)，识别当前电压暂降事件波形产生的原因

对步骤(D)中得到的匹配度系数按大小进行排序，选取匹配度最大的典型电压暂降事件波形作为最佳的匹配波形，提取典型电压暂降事件波形对应的电压暂降所产生的原因，为当前电压暂降事件波形产生原因的识别结果。

综上所述，本发明的基于典型电压暂降波形匹配的电压暂降原因识别方法，建立典型电压暂降事件波形库，在波形的层面上对电压暂降进行匹配分析，更为基础也更为准确，能够快速准确的识别电压暂降产生的原因，对于电压暂降的预防和治理具有十分重要的参考价值，并具有以下特点，

(1)有利于提高电压暂降产生原因识别的准确性，从波形层面上对电压暂降进行匹配分析，避免了电压暂降典型特征量提取遗漏等问题；

(2)简化匹配分析的不确定程度，相比于其它人工智能算法，本方法无需使用大量的样本，无需为各个特征量进行阈值的选取等，降低了人为因素造成的判断失误；

(3)有利于提高电压暂降产生原因的识别速度，本方法中的计算主要产生在波形时间窗特征量以及动态弯曲距离的计算过程中，相比于人工智能算法，大大提升了计算速度，有利于电压暂降产生原因识别速度的提高。

以上显示和描述了本发明的基本原理、主要特征及优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。

Claims (6)

1.基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：包括以下步骤，

步骤(A)，采集典型电压暂降历史事件的历史监测波形

通过暂降录波仪采集典型电压暂降历史事件的历史监测波形，并提取历史监测波形所对应的电压暂降产生原因；

步骤(B)，建立形成典型电压暂降事件波形库

将步骤(A)中采集到的历史监测波形和对应的电压暂降产生原因，保存到典型电压暂降事件波形库中，建立电压暂降波形特征量和产生原因的对应关系表，形成典型电压暂降事件波形库；

步骤(C)，提取待识别的电压暂降波形

将采集检测到的当前电压暂降事件波形作为测试波形；

步骤(D)，对提取待识别的电压暂降波形的波段与典型电压暂降波形库进行波形匹配分析

基于动态弯曲距离相似度算法，对步骤(C)中提取待识别的电压暂降波形与典型电压暂降波形库中的典型电压暂降事件波形进行逐一匹配分析，得到一组匹配度系数；

步骤(E)，识别当前电压暂降事件波形产生的原因

对步骤(D)中得到的匹配度系数按大小进行排序，选取匹配度最大的典型电压暂降事件波形作为最佳的匹配波形，提取典型电压暂降事件波形对应的电压暂降所产生的原因，为当前电压暂降事件波形产生原因的识别结果。

2.根据权利要求1所述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：步骤(A)提取历史监测波形所对应的电压暂降产生原因，包括以下6种原因：三相短路故障、单相接地故障、两相接地故障、相间短路故障、感应电机启动、变压器投运。

3.根据权利要求1所述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：步骤(A)为保证所采集到的典型电压暂降历史事件的历史监测波形具有典型性，每种典型电压暂降历史事件至少采集10个波形，并选取其中最为典型的波形作为历史监测波形，选取过程，包括以下步骤，

(A1)计算某一电压暂降产生的原因所有电压暂降波形典型特征量X＝{x₁,x₂,x₃,x₄,x₅,x₆,x₇}，其中，x₁～x₇为列向量，每个列向量表示电压暂降产生的原因中所有电压暂降波形7个典型特征量之一，包括电压暂降平均幅值、最小幅值、持续时间、电压下降斜率、电压恢复斜率、电压相角跳变、三相幅值不平衡度，每个向量的维数表示该产生原因对应的电压暂降中所采集到的波形个数；

(A2)求取所有波形的每个特征值平均值得到向量

(A3)逐一计算所有波形的典型特征量向量与平均值向量的欧氏距离；

(A4)取所有波形中的欧氏距离最小值，并提取欧氏距离最小值对应的波形为最为典型的波形。

4.根据权利要求1所述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：步骤(C)，提取待识别的电压暂降波形，包括以下步骤，

(C1)在检测到原因未明的当前电压暂降事件并且计划对该电压暂降进行电压暂降原因识别时，记录该电压暂降事件发生时的三相波形；

(C2)提取三相波形其中发生电压暂降的部分波段，作为待识别的电压暂降波形。

5.根据权利要求1所述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：步骤(D)，基于动态弯曲距离相似度算法，对步骤(C)中提取待识别的电压暂降波形与典型电压暂降波形库中的典型电压暂降事件波形进行逐一匹配分析，得到一组匹配度系数，包括以下步骤，

(D1)设置典型电压暂降事件波形的时间窗长度为D_i1个周波，提取各典型电压暂降事件波形每个时间窗的特征量，形成每个典型电压暂降事件波形的时间序列形特征量集合称为样本波形时间序列特征量集合，其中，i＝1,2,…,6，表示典型电压暂降事件波形库中共有6种典型波形，m_i为第i种典型电压暂降事件波形总的时间窗个数，r_ik为第i个典型电压暂降事件波形第k个时间窗的特征量，k＝1,2,…,m_i，特征量r_ik为以下6个量：最大值、最小值、平均值、方差、峰度和偏度；

(D2)设置待识别的电压暂降波形的时间窗口长度为D₂个周波，提取待识别的电压暂降波形的每个时间窗的特征量，形成每个测试电压暂降波形时间序列特征量集合T＝{t₁,t₂,…,t_n}，称为测试波形时间序列特征量集合，其中，n为总的时间窗个数，t_n为测试电压暂降波形第N个时间窗的特征量，N＝1,2,…,n，特征量t_n为以下6个量：最大值、最小值、平均值、方差、峰度和偏度；

(D3)基于动态弯曲距离相似度算法，分别计算每个典型电压暂降事件的样本波形时间序列特征量集合R_i与测试波形时间序列特征量集合T的相似度，得到一组匹配度系数。

6.根据权利要求5所述的基于典型电压暂降波形匹配的电压暂降原因识别方法，其特征在于：(D3)基于动态弯曲距离相似度算法，分别计算每个典型电压暂降事件的样本波形时间序列特征量集合R_i与测试波形时间序列特征量集合T的相似度，得到一组匹配度系数，包括以下步骤，

(1)取两数据维数分别为n和m_i的时间序列T’和R’_i，即T’＝(t₁，t₂，…，t_n)^T，R’_i＝(r₁，r₂，…，r_mi)^T，其中T’定义为测试时间序列，R’_i定义为样本时间序列；

(2)将时间序列T’和R’_i按照相应的时间序列的位置排序，构造时间序列距离矩阵A_n×mi，如公式(12)所示，

其中，A_n×mi中元素表示时间序列点t_p和r_q之间的欧氏距离；

(3)对于时间序列距离矩阵A_n×mi，将每一组相邻元素组成的集合成为弯曲路径W＝(w₁，w₂，…，w_S)，弯曲路径W中的第s’个元素w_s’＝(a_pq)_s’，且此路径满足如下条件，a)有界性：max{mi,n}≤S≤mi+n-1；b)临界条件：w₁＝a₁₁，w_S＝a_nmi；c)连续性与单调性：对于w_s’＝(a_pq)_s’，其邻接元素w_s’-1＝(a_p’q’)_s’‐1下标满足0≤p‐p′≤1，0≤q‐q′≤1；p、q分别为弯曲路径W的w_s’在距离矩阵A_n×mi中对应元素的行下标和列下标；p’、q’分别为弯曲路径W的w_s’‐1在距离矩阵A_n×mi中对应元素的行下标和列下标；

(4)计算时间序列T’和R’_i的最小弯曲路径θ_DTW，如公式(13)所示，

$\begin{array}{c}{\mathrm{\&theta;}}_{DTW}\left(T^{\&prime;},R^{\&prime;}\right)=\min \left(\frac{1}{S}\sqrt{\underset{s^{\&prime;}=1}{\overset{S}{\mathrm{\&Sigma;}}}{w}_{s^{\&prime;}}}\right)\\ =\left\{\begin{array}{c}D\left(0,0\right)=0,\\ D\left(0,<>\right)=D\left(<>,0\right)=\mathrm{\&infin;},\\ D\left(1,1\right)=a_{11},\\ D\left(p,q\right)=a_{pq}+\min \left\{D\left(p-1,q-1\right),D\left(p,q-1\right),D\left(p-1,q\right)\right\}\end{array}\right.\end{array}---\left(13\right)$

其中，p＝1，2，3，…，n；q＝1，2，3，…，mi；A中弯曲路径最小累加值为D(n,mi)；D(p,q)表示距离矩阵元素a_pq与其前段的弯曲路径部分长度最小累计值之和；＜＞表示该位置的p或q为取范围内的任意值；

(5)根据(1)-(4)分别计算每个典型电压暂降事件的样本波形时间序列特征量集合R_i与测试波形时间序列特征量集合的最小弯曲距离D_i(n,m_i)；

(6)将最小弯曲距离D_i(n,m_i)根据公式(14)进行变换，s(T，R_i)表示时间序列T’和R_i’之间的变换相似度，取值范围为[0，100％]，其取值越大说明最小弯曲距离D_i(n,m_i)越小，时间序列T’和R_i’之间的相似度越大，即s(T，R_i)为得到的一组匹配度系数；

$s(T,R_i)=\frac{10}{10+D(n,m_i)}\&times;100\%---\left(14\right).$