CN106855597B - 一种非侵入式电能质量干扰源在线自适应监测系统及方法 - Google Patents
一种非侵入式电能质量干扰源在线自适应监测系统及方法 Download PDFInfo
- Publication number
- CN106855597B CN106855597B CN201611238173.2A CN201611238173A CN106855597B CN 106855597 B CN106855597 B CN 106855597B CN 201611238173 A CN201611238173 A CN 201611238173A CN 106855597 B CN106855597 B CN 106855597B
- Authority
- CN
- China
- Prior art keywords
- power quality
- module
- characteristic
- quality interference
- interference
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Investigating Or Analyzing Materials By The Use Of Electric Means (AREA)
Abstract
本发明于电力负荷监测领域，尤其涉及一种非侵入式电能质量干扰源在线自适应监测系统及方法，利用人工智能领域的先进技术成果，基于模式识别技术思路，从数据挖掘的角度，提出了一种非侵入式电能质量干扰源在线自适应监测系统及方法，旨在解决电能质量干扰源的自动辨识的问题，本发明方法可以自动地监测系统存在的不同类型的电能质量干扰，并辨识电能质量干扰的发生源，即判断检测到的某种类型的电能质量干扰是由哪种或哪几种电气设备在何种工况下产生的。本发明的有益效果：能够切实提高电力系统电能质量管理水平，降低电能质量扰动对电力系统的影响，尤其在配电网级，提高用户用电满意度。
Description
技术领域
本发明涉及电力系统电能质量评估领域，具体涉及一种电能质量干扰源在线自适应监测系统与方法。
背景技术
在现代电力系统中，一方面，为提高电网运行性能，电力电子类设备已经应用得越来越广泛，另一方面，为满足现代经济社会发展的需要，系统中各种非线性、冲击性、波动性电气设备也在大量增加，例如分布式电源、电动汽车等，这使得电力系统面临着日益严重的电能质量污染，而且电能质量扰动也呈现出诸多新特性；此外，经济社会的数字化和信息化对电能质量也提出了更高的要求。
为此，需要切实提高电力系统电能质量管理水平，降低电能质量扰动对电力系统的影响，尤其在配电网级，提高用户用电满意度。电能质量干扰监测与分析是电能质量治理的基础和依据。截至目前，关于电力系统电能质量干扰的分析主要集中于电能质量干扰本身的检测与辨识，其中，所谓辨识，更多是指确定检测到的电能质量干扰属于电压暂升、暂降、闪变、谐波和暂态等类型。然而，很少有研究关注电能质量干扰源的辨识，即判断检测到的电能质量干扰是由哪种或哪几种电气设备，处在何种工况下产生的。
发明内容
考虑到现有技术存在的不足，为提高电力系统电能质量干扰监测与分析的智能化水平，本发明利用人工智能领域的先进技术成果，基于模式识别技术思路，从数据挖掘的角度，提出了一种非侵入式电能质量干扰源在线自适应监测系统及方法，旨在解决电能质量干扰源的辨识的问题，本发明方法可以自动地监测系统存在的不同类型的电能质量干扰，并辨识电能质量干扰的发生源，即判断检测到的某种类型的电能质量干扰是由哪种或哪几种电气设备在何种工况下产生的。
本发明采用的技术方案是：一种非侵入式电能质量干扰源在线自适应监测系统，其特征在于，
包括参数预设模块、电气信息采集与预处理模块、电能质量干扰事件检测模块、电能质量干扰事件检测结果判断模块、电能质量干扰特征提取模块、电能质量干扰事件辨识模块、电能质量干扰源辨识模块、电能质量干扰源类型辨识结果判断模块、电能质量干扰特征样本累积总数判断模块、未知电能质量干扰源类型的特征指纹生成模块、电能质量干扰特征样本删除模块、电能质量干扰特征数据库模块、数据信息存储模块；
所述参数预设模块，预设电力系统电能质量干扰特征数据库，初始化不同功能模块中需要预先设置的相关参数；
所述电气信息采集与预处理模块，用于根据系统设置，采集监测点处的电压和总电流信号，具体作用是采集安装点处的强电压、大电流模拟信号，并将其转换为弱电压和/或小电流模拟信号，而后将弱电压和/或小电流模拟信号数字化，并且对采集到的电压、电流信号进行降噪、相位校准、异常值修正和谐波分析等后续电能质量干扰检测与辨识所需的数据预处理；
所述电能质量干扰事件检测模块，用于根据采集到的电压、电流信号或谐波信息分析判断监测点处是否存在电能质量干扰；其中，通常是利用现有技术，根据所选电气特征数据的奇异性检测监测点所辖供配电范围内存在电能质量干扰事件。
所述电能质量干扰事件检测结果判断模块，用于根据电能质量干扰事件检测模块获得的检测结果，判断是否存在电能质量干扰事件；
所述电能质量干扰特征提取模块，用于在电能质量干扰事件检测的基础上，确定电能质量干扰事件的起点时刻和终点时刻，进而获取监测点处电能质量干扰监测所需的不同类型电气特征数据样本；
所述电能质量干扰事件辨识模块，用于依据所述电能质量干扰特征数据库模块提供的不同类型电能质量干扰的特征数据，利用模式识别领域内合适的分类技术，确定检测到的电能质量干扰的类型；
所述电能质量干扰源辨别模块，用于依据所述电力系统电能质量干扰特征数据库模块提供的不同类型电能质量干扰源的特征指纹数据，在电能质量干扰类型辨识的基础上，利用模式识别领域内合适的分类技术，进一步确定检测到的电能质量干扰与监测点所辖供配电范围内的某种或某几种有关电气设备所处的何种运行状态有关，即判断电能质量干扰源的类型；其中，电气设备运行状态包括其故障状态、以及非故障状态的不同运行状态。
所述电能质量干扰源类型辨识结果判断模块，用于根据所述电能质量干扰源辨别模块所得结果，判断电能质量干扰源的类型是否能够确定；
所述电能质量干扰特征样本累积总数判断模块，用于判断特征样本的累积总数是否已经达到预设值；
所述未知电能质量干扰源类型的特征指纹生成模块，用于根据电能质量干扰源类型监测与辨识结果，确定监测点所辖供配电范围内存在的未知电能质量干扰源类型，并获取其特征指纹参数样本，进一步地，所述的未知电能质量干扰源类型的特征指纹生成模块，根据系统所采用的电能质量干扰源辨识方法的需要，在分析计算的基础上，针对未知电能质量干扰源类型，自动将所需的特征指纹数据输出给电能质量干扰特征数据库模块，并由所述电能质量干扰特征数据库模块保存；
所述电能质量干扰特征样本删除模块，在所述未知电能质量干扰源类型的特征指纹生成模块已将新型电能质量干扰源的特征参数存储在电力系统电能质量干扰特征数据库中的基础上，在特征参数样本列表中，删除与新型电能质量干扰源对应的特征参数样本删除；
所述电能质量干扰特征数据库模块，用于存储和管理关于不同电能质量干扰类型和不同电能质量干扰源类型的特征指纹数据，所述电能质量干扰事件辨识模块和所述电能质量干扰源辨识模块可以从所述电力系统电能质量干扰特征数据库模块中读取所需电能质量干扰特征数据，同时，所述电能质量干扰特征数据库模块接收并存储未知电能质量干扰源类型的特征指纹生成模块提供的未知电能质量干扰源类型的特征指纹数据；
所述数据信息存储模块，根据需要，保存其他功能模块的信号分析与数据处理的结果，并为其他功能模块提供数据访问接口，具体地，所述电气信息采集与预处理模块、电能质量干扰事件检测模块、电能质量干扰特征提取模块、电能质量干扰辨识模块、电能质量干扰源辨识模块、未知电能质量干扰源类型的特征指纹生成模块的处理结果，及所述的对外交互功能模块的输入信息，可以存储在所述数据信息存储模块中，而且，所述电气信息采集与预处理模块、电能质量干扰事件检测模块、电能质量干扰特征提取模块、电能质量干扰辨识模块、电能质量干扰源辨识模块、未知电能质量干扰源类型的特征指纹生成模块，及所述的对外交互功能模块为实现定义功能，可以访问所述数据信息存储模块以从中获取所需数据；
系统还包括对外交互功能模块、数据信息存储模块和数据传输与信息通信模块；
所述对外交互功能模块，用于非侵入式电能质量干扰源在线自适应监测系统与外界进行必要的数据信息交互，包括但不限于监测与分析结果的展示与输出，调控命令的输入与输出；所述数据传输与信息通信模块，根据需要，用于系统中不同功能模块之间的数据与信息交互。
本发明还提供了一种非侵入式电能质量干扰源在线自适应监测方法，应用于前面所述的一种非侵入式电能质量干扰源在线自适应监测系统中，其特征在于具体包括以下步骤：
步骤201：预设电力系统电能质量干扰特征数据库，初始化不同功能模块中需要预先设置的相关参数；
步骤202：采集监测点处的电力系统电气信息，获取所需的电气特征数据；
步骤203：检测电能质量干扰事件，即监测点所辖供配电区域内是否存在电能质量干扰源；
步骤204：判断电能质量干扰事件是否存在，是则执行步骤205，否则执行步骤202；
步骤205：确定电能质量干扰事件的起止时刻，并提取电能质量干扰特征样本；
步骤206：根据电能质量干扰的电气特征，辨识电能质量干扰事件的类型；
步骤207：根据电能质量干扰类型辨识结果，进一步辨识该电能质量干扰源的类型；
步骤208：判断电能质量干扰源的类型是否能确定，是则执行步骤209，否则执行步骤210。
步骤209：确定并记录电能质量干扰源类型辨识结果，执行步骤202；
步骤210：在特征参数样本列表中，积累干扰源类型未知的电能质量干扰的电气特征数据样本；
步骤211：判断特征样本的累积总数是否达到预设值，是则执行步骤212；否则执行步骤202；
步骤212：确定不同新型电能质量干扰源的特征参数，并将结果存储在电力系统电能质量干扰特征数据库中，在特征参数样本列表中，将与新型电能质量干扰源对应的特征参数样本删除；而后，执行步骤202。
进一步，对于步骤201，预设电能质量干扰特征数据库，包括两个方面，一方面，在数据库中预存不同类型的电能质量干扰的特征数据，另一方面，可以根据需要或实际条件，在数据库中预存已知类型的电能质量干扰源的特征数据。
进一步，对于步骤202，所述电气特征是指能够描述或反映电力系统电能质量状态的特征。
进一步，对于步骤203，对于辨识不同类型的电能质量干扰事件，所需的有关电气特征不同。进一步，对于步骤205，利用现有技术，根据所选电气特征数据的奇异性检测监测点所辖供配电范围内存在电能质量干扰事件。
进一步，对于步骤206，根据不同类型电能质量干扰的特征，利用分类辨识技术，判断获取的电能质量干扰电气特征数据样本的所属电能质量干扰类别。
进一步，对于步骤207，根据产生同种类型的电能质量干扰的不同干扰源类型的电气特征的不同，利用分类辨识技术，判断获取的电能质量干扰电气特征数据样本的所属电能质量干扰源类型；根据判别结果，若电能质量干扰特征样本属于任意已知电能质量干扰源类型的可能性皆小于预设值ε，则无法确定该电气特征样本的类属，否则，将电能质量干扰特征样本的类属判定为归属可能性最大的电能质量干扰源类型；其中，ε∈(0,1)。
进一步，对于步骤211，关于特征参数样本列表中的特征样本累积总数的预设值n1，其取值一般不小于100。
进一步，对于步骤212，利用聚类分析技术，对已经积累的特征参数样本进行聚类分析，在聚类结果中，所有包含特征样本数量大于预设值n2的簇对应于一种新型电能质量干扰源，并且，簇中包含的所有特征样本皆与之对应的新型电能质量干扰源有关，以所得簇的聚类中心作为该新型电能质量干扰源的电气特征典型值，n2的取值一般不小于5；同时，根据需要，将新型电能质量干扰源的特征样本和电气特征典型值存储在电力系统电能质量干扰特征数据库中。
本发明具有的优点和有益效果是：
提出了一种非侵入式电能质量干扰源在线自适应监测系统，并提出了一种可以部署在该系统上的电能质量干扰源在线自适应监测方法，可以自动地发现监测点所辖供配电范围内存在的不同类型的电能质量干扰，并辨识电能质量干扰的发生源，即判断检测到的某种类型的电能质量干扰是由哪种或哪几种电气设备在何种工况下产生的，并自动发掘监测点所辖供配电范围内出现的新型电能质量干扰源，鉴于电能质量干扰监测是电能质量治理的根本依据，能够切实提高电力系统电能质量管理水平，降低电能质量扰动对电力系统的影响，尤其在配电网级，提高用户用电满意度。
附图说明
图1是本发明一种非侵入式电能质量干扰源在线自适应监测系统示意图；
图2是本发明一种非侵入式电能质量干扰源在线自适应监测方法流程图；
具体实施方式
下面结合附图对本发明的具体实施方式做出说明。
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、完整的描述，应当理解，优选的实施例仅是本发明的一部分实施例，而不是全部的实施例。基于所述的实施例，本领域的普通技术人员在没有做出创造性劳动的前提下，所获得的其他实施例，都属于本发明的保护范围。
如图1所示，本发明提供一种非侵入式电能质量干扰源在线自适应监测系统，包括参数预设模块、电气信息采集与预处理模块、电能质量干扰事件检测模块、电能质量干扰事件检测结果判断模块、电能质量干扰特征提取模块、电能质量干扰事件辨识模块、电能质量干扰源辨识模块、电能质量干扰源类型辨识结果判断模块、电能质量干扰特征样本累积总数判断模块、未知电能质量干扰源类型的特征指纹生成模块、电能质量干扰特征样本删除模块、电能质量干扰特征数据库模块、数据信息存储模块；
所述参数预设模块，预设电力系统电能质量干扰特征数据库，初始化不同功能模块中需要预先设置的相关参数；
所述电气信息采集与预处理模块，用于根据系统设置，采集监测点处的电压和总电流信号，具体作用是采集安装点处的强电压、大电流模拟信号，并将其转换为弱电压和/或小电流模拟信号，而后将弱电压和/或小电流模拟信号数字化；实施过程中，所述电压和电流信号的采集可以利用电压和电流互感器实现，为了方便，电流互感器可以采用“钳式”互感器；并且，对采集到的电压、电流信号进行降噪、相位校准、异常值修正和谐波分析等后续电能质量干扰检测与辨识所需的数据预处理；实施过程中，对于谐波畸变，可以采用傅里叶变换对电压、电流信号进行谐波分析。
所述电能质量干扰事件检测模块，用于根据采集到的电压、电流信号或谐波信息分析判断监测点处是否存在电能质量干扰；其中，通常是利用现有技术[张学新.变点检测问题最新进展综述[J].江汉大学学报(自然科学版)，2012，40(2):18-24.]，根据所选电气特征数据的奇异性检测监测点所辖供配电范围内存在电能质量干扰事件。
所述电能质量干扰事件检测结果判断模块，用于根据电能质量干扰事件检测模块获得的检测结果，判断是否存在电能质量干扰事件。
所述电能质量干扰特征提取模块，用于在电能质量干扰事件检测的基础上，确定电能质量干扰事件的起点时刻和终点时刻，进而获取监测点处电能质量干扰监测所需的不同类型电气特征数据样本；其中，对于不同类型的电能质量干扰事件，能够描述或反映电力系统电能质量状态的特征不同。
所述电能质量干扰事件辨识模块，用于依据所述电能质量干扰特征数据库模块提供的不同类型电能质量干扰的特征数据，利用模式识别领域内合适的分类技术，确定检测到的电能质量干扰的类型；所述分类技术可以是任意适合的现有技术，如决策树、支持向量机、人工神经网络等。实施时，所述电能质量干扰类型包括但不限于，频率偏差、电压偏差、电压波动与闪变、三相不平衡、暂时或瞬态过电压、波形畸变(谐波)、电压暂降、中断、暂升、及供电连续性。
所述电能质量干扰源辨别模块，用于依据所述电力系统电能质量干扰特征数据库模块提供的不同类型电能质量干扰源的特征指纹数据，在电能质量干扰类型辨识的基础上，利用模式识别领域内合适的分类技术，进一步确定检测到的电能质量干扰与监测点所辖供配电范围内的某种或某几种有关电气设备所处的何种运行状态有关，即判断电能质量干扰源的类型；其中，电气设备运行状态包括其故障状态、以及非故障状态的不同运行状态，例如泵的制热状态和制冷状态。其中，所述分类技术可以是任意适合的现有技术，如决策树、支持向量机、人工神经网络等。实施时，所述电能质量干扰源类型包括但不限于，光伏发电站、分布式光伏、电动汽车充电站、电动汽车充电桩、风力发电站、分布式风机、变频电气设备、集成电路类设备、电机类设备等。
表1给出的是不同类型电气设备产生的电流谐波畸变的数值范围。表中结果是利用大量实测数据计算而得，其中，每种电气设备都涉及了多种品牌，这里电流谐波畸变是利用1～20次谐波电流有效值计算得到的。基于此表，直接地，假设对于多次检测到的谐波畸变型电能质量干扰事件的电流谐波畸变值的平均值大于1.2，则可判断该电能质量干扰事件的干扰源为变频类电气设备，若该事件发生在普通居民区，则很有可能是由变频空调产生的；间接地，若检测到的电能质量干扰事件属于电压骤降，且多次发生类似情形的干扰事件的电流谐波畸变值均小于0.15，则可判断该电压骤降干扰可能是由配电辖区内的大功率电阻类设备产生的。
表1电流谐波畸变干扰源举例
所述电能质量干扰源类型辨识结果判断模块，用于根据所述电能质量干扰源辨别模块所得结果，判断电能质量干扰源的类型是否能够确定；
所述电能质量干扰特征样本累积总数判断模块，用于判断特征样本的累积总数是否已经达到预设值；
所述未知电能质量干扰源类型的特征指纹生成模块，用于根据电能质量干扰源类型监测与辨识结果，确定监测点所辖供配电范围内存在的未知电能质量干扰源类型，并获取其特征指纹参数样本，进一步地，所述的未知电能质量干扰源类型的特征指纹生成模块，根据系统所采用的电能质量干扰源辨识方法的需要，在分析计算的基础上，针对未知电能质量干扰源类型，自动将所需的特征指纹数据输出给电能质量干扰特征数据库模块，并由所述电能质量干扰特征数据库模块保存；
所述电能质量干扰特征样本删除模块，在所述未知电能质量干扰源类型的特征指纹生成模块已将新型电能质量干扰源的特征参数存储在电力系统电能质量干扰特征数据库中的基础上，在特征参数样本列表中，删除与新型电能质量干扰源对应的特征参数样本删除；
所述电能质量干扰特征数据库模块，用于存储和管理关于不同电能质量干扰类型和不同电能质量干扰源类型的特征指纹数据，所述电能质量干扰事件辨识模块和所述电能质量干扰源辨识模块可以从所述电力系统电能质量干扰特征数据库模块中读取所需电能质量干扰特征数据，同时，所述电能质量干扰特征数据库模块接收并存储未知电能质量干扰源类型的特征指纹生成模块提供的未知电能质量干扰源类型的特征指纹数据；
所述数据信息存储模块，根据需要，保存其他功能模块的信号分析与数据处理的结果，并为其他功能模块提供数据访问接口，具体地，所述电气信息采集与预处理模块、电气信息数据预处理模块、电能质量干扰事件检测模块、电能质量干扰特征提取模块、电能质量干扰辨识模块、电能质量干扰源辨识模块、未知电能质量干扰源类型的特征指纹生成模块的处理结果，及所述的对外交互功能模块的输入信息，可以存储在所述数据信息存储模块中，而且，所述电气信息采集与预处理模块、电能质量干扰事件检测模块、电能质量干扰特征提取模块、电能质量干扰辨识模块、电能质量干扰源辨识模块、未知电能质量干扰源类型的特征指纹生成模块，及所述的对外交互功能模块为实现定义功能，可以访问所述数据信息存储模块以从中获取所需数据；
系统还包括对外交互功能模块、数据信息存储模块和数据传输与信息通信模块；
所述对外交互功能模块，用于非侵入式电能质量干扰源在线自适应监测系统与外界进行必要的数据信息交互，包括但不限于监测与分析结果的展示与输出，调控命令的输入与输出；
所述数据传输与信息通信模块，根据需要，用于系统中不同功能模块之间的数据与信息交互。图中的“单向”或“双向”箭头代表数据传输与信息通信模块。
而且，所述的电能质量干扰源在线自动辨识系统可以根据监测范围的需要，对电力系统中各电压等级的输电、配电和变电节点进行监测。
本发明还提供了一种非侵入式电能质量干扰源在线自适应监测方法，应用于前面所述的一种非侵入式电能质量干扰源在线自适应监测系统中，具体包括以下步骤：
如图2所示，一种非侵入式电能质量干扰源在线自适应监测方法，应用于前面所述的一种非侵入式电能质量干扰源在线自适应监测系统中，其特征在于具体包括以下步骤：
步骤201：预设电力系统电能质量干扰特征数据库，初始化不同功能模块中需要预先设置的相关参数；
步骤202：采集监测点处的电力系统电气信息，获取所需的电气特征数据；
步骤203：检测电能质量干扰事件，即监测点所辖供配电区域内是否存在电能质量干扰源；
步骤204：判断电能质量干扰事件是否存在，是则执行步骤205，否则执行步骤202；
步骤205：确定电能质量干扰事件的起止时刻，并提取电能质量干扰特征样本；
步骤206：根据电能质量干扰的电气特征，辨识电能质量干扰事件的类型；
步骤207：根据电能质量干扰类型辨识结果，进一步辨识该电能质量干扰源的类型；
步骤208：判断电能质量干扰源的类型能否确定，是则执行步骤209，否则执行步骤210。
步骤209：确定并记录电能质量干扰源类型辨识结果，执行步骤202；
步骤210：在特征参数样本列表中，积累干扰源类型未知的电能质量干扰的电气特征数据样本；
步骤211：判断特征样本的累积总数是否达到预设值，是则执行步骤212；否则执行步骤202；
步骤212：确定不同新型电能质量干扰源的特征参数，并将结果存储在电力系统电能质量干扰特征数据库中，在特征参数样本列表中，将与新型电能质量干扰源对应的特征参数样本删除；而后，执行步骤202。
进一步，对于步骤201，预设电能质量干扰特征数据库，包括两个方面，一方面，在数据库中预存不同类型的电能质量干扰的特征数据，另一方面，可以根据需要或实际条件，在数据库中预存已知类型的电能质量干扰源的特征数据。
进一步，对于步骤202，所述电气特征是指能够描述或反映电力系统电能质量状态的特征。
进一步，对于步骤203，对于辨识不同类型的电能质量干扰事件，所需的有关电气特征不同。进一步，对于步骤205，利用现有技术，根据所选电气特征数据的奇异性检测监测点所辖供配电范围内存在电能质量干扰事件。
进一步，对于步骤206，根据不同类型电能质量干扰的特征，利用分类辨识技术，判断获取的电能质量干扰电气特征数据样本的所属电能质量干扰类别。
进一步，对于步骤207，根据产生同种类型的电能质量干扰的不同干扰源类型的电气特征的不同，利用分类辨识技术，判断获取的电能质量干扰电气特征数据样本的所属电能质量干扰源类型；根据判别结果，若电能质量干扰特征样本属于任意已知电能质量干扰源类型的可能性皆小于预设值ε，则无法确定该电气特征样本的类属，否则，将电能质量干扰特征样本的类属判定为归属可能性最大的电能质量干扰源类型；其中，ε∈(0,1)。
进一步，对于步骤211，关于特征参数样本列表中的特征样本累积总数的预设值n1，其取值一般不小于100。
进一步，对于步骤212，利用聚类分析技术，对已经积累的特征参数样本进行聚类分析，在聚类结果中，所有包含特征样本数量大于预设值n2的簇对应于一种新型电能质量干扰源，并且，簇中包含的所有特征样本皆与之对应的新型电能质量干扰源有关，以所得簇的聚类中心作为该新型电能质量干扰源的电气特征典型值，n2的取值一般不小于5；同时，根据需要，将新型电能质量干扰源的特征样本和电气特征典型值存储在电力系统电能质量干扰特征数据库中。实施时，对于聚类分析技术，本发明可以采用任意现有技术，例如，k-均值算法、k-中心值算法、DBSCAN算法及基于网格的聚类算法[Jiawei Han,MichelineKamber,Jian Pei.Data Mining:Concepts and Techniques[M].Elsevier,2011]等。
若检测到的多个谐波畸变类电能质量干扰事件的电流谐波畸变值无法依据表1中现有典型值来判断，则可对检测样本进行聚类分析，总结这种谐波畸变干扰源的谐波畸变典型数值，如下表。经分析，这类电能质量干扰源属于电机类设备，具体地是由配电辖区内洗衣店的洗衣机集中使用产生的。
表2谐波畸变干扰源的谐波畸变典型数值自动分析结果
| 电能质量干扰类型 | 电能质量干扰数据 |
| 电流谐波畸变 | 0.22～0.43 |
按照上述实施例，本发明可以自动地发现监测点所辖供配电范围内存在的不同类型的电能质量干扰，并辨识和定位电能质量干扰的发生源，即判断检测到的某种类型的电能质量干扰是由哪种或哪几种电气设备在何种工况下产生的，并自动发掘监测点所辖供配电范围内出现的新型电能质量干扰源，鉴于电能质量干扰监测是电能质量治理的根本依据，因此，本发明成果能够切实提高电力系统电能质量管理水平，降低电能质量扰动对电力系统的影响，尤其在配电网级，提高用户用电满意度。
以上所述仅为本发明的较佳实施例而已，并不用以限制本发明，凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等，均应包含在本发明的保护范围之内。
Claims (10)
1.一种非侵入式电能质量干扰源在线自适应监测系统，其特征在于，包括参数预设模块、电气信息采集与预处理模块、电能质量干扰事件检测模块、电能质量干扰事件检测结果判断模块、电能质量干扰特征提取模块、电能质量干扰事件辨识模块、电能质量干扰源辨识模块、电能质量干扰源类型辨识结果判断模块、电能质量干扰特征样本累积总数判断模块、未知电能质量干扰源类型的特征指纹生成模块、电能质量干扰特征样本删除模块、电能质量干扰特征数据库模块、数据信息存储模块；
所述参数预设模块，预设电力系统电能质量干扰特征数据库，初始化不同功能模块中需要预先设置的相关参数；
所述电气信息采集与预处理模块，用于根据系统设置，采集监测点处的电压和总电流信号，具体作用是采集安装点处的强电压、大电流模拟信号，并将其转换为弱电压和/或小电流模拟信号，而后将弱电压和/或小电流模拟信号数字化，并且对采集到的电压、电流信号进行降噪、相位校准、异常值修正和谐波分析后续电能质量干扰检测与辨识所需的数据预处理；
所述电能质量干扰事件检测模块，用于根据采集到的电压、电流信号或谐波信息分析判断监测点处是否存在电能质量干扰；
所述电能质量干扰事件检测结果判断模块，用于根据电能质量干扰事件检测模块获得的检测结果，判断是否存在电能质量干扰事件；
所述电能质量干扰特征提取模块，用于在电能质量干扰事件检测的基础上，确定电能质量干扰事件的起点时刻和终点时刻，进而获取监测点处电能质量干扰监测所需的不同类型电气特征数据样本；
所述电能质量干扰事件辨识模块，用于依据所述电能质量干扰特征数据库模块提供的不同类型电能质量干扰的特征数据，利用模式识别领域内合适的分类技术，确定检测到的电能质量干扰的类型；
所述电能质量干扰源辨别模块，用于依据所述电力系统电能质量干扰特征数据库模块提供的不同类型电能质量干扰源的特征指纹数据，在电能质量干扰类型辨识的基础上，利用模式识别领域内合适的分类技术，进一步确定检测到的电能质量干扰与监测点所辖供配电范围内的某种或某几种有关电气设备所处的何种运行状态有关，即判断电能质量干扰源的类型；其中，电气设备运行状态包括其故障状态、以及非故障状态的不同运行状态；
所述电能质量干扰源类型辨识结果判断模块，用于根据所述电能质量干扰源辨别模块所得结果，判断电能质量干扰源的类型是否能够确定；
所述电能质量干扰特征样本累积总数判断模块，用于判断特征样本的累积总数是否已经达到预设值；
所述未知电能质量干扰源类型的特征指纹生成模块，用于根据电能质量干扰源类型监测与辨识结果，确定监测点所辖供配电范围内存在的未知电能质量干扰源类型，并获取其特征指纹参数样本，进一步地，所述的未知电能质量干扰源类型的特征指纹生成模块，根据系统所采用的电能质量干扰源辨识方法的需要，在分析计算的基础上，针对未知电能质量干扰源类型，自动将所需的特征指纹数据输出给电能质量干扰特征数据库模块，并由所述电能质量干扰特征数据库模块保存；
所述电能质量干扰特征样本删除模块，在所述未知电能质量干扰源类型的特征指纹生成模块已将新型电能质量干扰源的特征参数存储在电力系统电能质量干扰特征数据库中的基础上，在特征参数样本列表中，删除与新型电能质量干扰源对应的特征参数样本；
所述电能质量干扰特征数据库模块，用于存储和管理关于不同电能质量干扰类型和不同电能质量干扰源类型的特征指纹数据，所述电能质量干扰事件辨识模块和所述电能质量干扰源辨识模块可以从所述电力系统电能质量干扰特征数据库模块中读取所需电能质量干扰特征数据，同时，所述电能质量干扰特征数据库模块接收并存储未知电能质量干扰源类型的特征指纹生成模块提供的未知电能质量干扰源类型的特征指纹数据；
系统还包括对外交互功能模块、数据信息存储模块和数据传输与信息通信模块；
所述数据信息存储模块，根据需要，保存其他功能模块的信号分析与数据处理的结果，并为其他功能模块提供数据访问接口，具体地，所述电气信息采集与预处理模块、电能质量干扰事件检测模块、电能质量干扰特征提取模块、电能质量干扰辨识模块、电能质量干扰源辨识模块、未知电能质量干扰源类型的特征指纹生成模块的处理结果，及所述的对外交互功能模块的输入信息，可以存储在所述数据信息存储模块中，而且，所述电气信息采集与预处理模块、电气信息数据预处理模块、电能质量干扰事件检测模块、电能质量干扰特征提取模块、电能质量干扰辨识模块、电能质量干扰源辨识模块、未知电能质量干扰源类型的特征指纹生成模块，及所述对外交互功能模块为实现定义功能，可以访问所述数据信息存储模块以从中获取所需数据；
所述对外交互功能模块，用于非侵入式电能质量干扰源在线自适应监测系统与外界进行数据信息交互，包括监测与分析结果的展示与输出，调控命令的输入与输出；
所述数据传输与信息通信模块，根据需要，用于系统中不同功能模块之间的数据与信息交互。
2.一种应用于如权利要求1所述的一种非侵入式电能质量干扰源在线自适应监测系统中的非侵入式电能质量干扰源在线自适应监测方法，其特征在于包括以下步骤：
步骤201：预设电力系统电能质量干扰特征数据库，初始化不同功能模块中需要预先设置的相关参数；
步骤202：采集监测点处的电力系统电气信息，获取所需的电气特征数据；并且对电气信息采集与预处理模块采集到的电压、电流信号进行降噪、相位校准、异常值修正和谐波分析后续电能质量干扰检测与辨识所需的数据预处理；
步骤203：检测电能质量干扰事件，即监测点所辖供配电区域内是否存在电能质量干扰源；
步骤204：判断电能质量干扰事件是否存在，是则执行步骤205，否则执行步骤202；
步骤205：确定电能质量干扰事件的起止时刻，并提取电能质量干扰特征样本；
步骤206：根据电能质量干扰的电气特征，辨识电能质量干扰事件的类型；
步骤207：根据电能质量干扰类型辨识结果，进一步辨识该电能质量干扰源的类型；
步骤208：判断电能质量干扰源的类型是否能确定，是则执行步骤209，否则执行步骤210；
步骤209：确定并记录电能质量干扰源类型辨识结果，执行步骤202；
步骤210：在特征参数样本列表中，积累干扰源类型未知的电能质量干扰的电气特征数据样本；
步骤211：判断特征样本的累积总数是否达到预设值，是则执行步骤212；否则执行步骤202；
步骤212：确定不同新型电能质量干扰源的特征参数，并将结果存储在电力系统电能质量干扰特征数据库中，在特征参数样本列表中，将与新型电能质量干扰源对应的特征参数样本删除；而后，执行步骤202。
3.根据权利要求2所述的一种非侵入式电能质量干扰源在线自适应监测方法，其特征在于，步骤201中的所述预设电能质量干扰特征数据库，包括两个方面，一方面，在数据库中预存不同类型的电能质量干扰的特征数据，另一方面，可以根据需要或实际条件，在数据库中预存已知类型的电能质量干扰源的特征数据。
4.根据权利要求2所述的一种非侵入式电能质量干扰源在线自适应监测方法，其特征在于，步骤202中的所述电气特征是指能够描述或反映电力系统电能质量状态的特征。
5.根据权利要求2所述的一种非侵入式电能质量干扰源在线自适应监测方法，其特征在于，步骤203中的电能质量干扰事件，对于辨识不同类型的电能质量干扰事件，所需的有关电气特征不同。
6.根据权利要求2所述的一种非侵入式电能质量干扰源在线自适应监测方法，其特征在于，对于步骤205中的提取电能质量干扰特征样本，具体是指利用现有技术，根据所选电气特征数据的奇异性检测监测点所辖供配电范围内存在电能质量干扰事件。
7.根据权利要求2所述的一种非侵入式电能质量干扰源在线自适应监测方法，其特征在于，步骤206具体是指根据不同类型电能质量干扰的特征，利用分类辨识技术，判断获取的电能质量干扰电气特征数据样本所属的电能质量干扰类别。
8.根据权利要求2所述的一种非侵入式电能质量干扰源在线自适应监测方法，其特征在于，步骤207是指根据产生同种类型的电能质量干扰的不同干扰源类型的电气特征的不同，利用分类辨识技术，判断获取的电能质量干扰电气特征数据样本所属的电能质量干扰源类型；进一步地，根据判别结果，若电能质量干扰特征样本属于任意已知电能质量干扰源类型的可能性皆小于预设值ε，则无法确定该电气特征样本的类属，否则，将电能质量干扰特征样本的类属判定为归属可能性最大的电能质量干扰源类型；其中，ε∈(0,1)。
9.根据权利要求2所述的一种非侵入式电能质量干扰源在线自适应监测方法，其特征在于，对于步骤211中的特征样本的累积总数达到预设值，指特征参数样本列表中的特征样本累积总数的预设值n1，其取值一般不小于100。
10.根据权利要求2所述的一种非侵入式电能质量干扰源在线自适应监测方法，其特征在于，步骤212中的确定不同新型电能质量干扰源的特征参数，并将结果存储在电力系统电能质量干扰特征数据库中，具体是指利用聚类分析技术，对已经积累的特征参数样本进行聚类分析，在聚类结果中，所有包含特征样本数量大于预设值n2的簇对应于一种新型电能质量干扰源，并且，簇中包含的所有特征样本皆与之对应的新型电能质量干扰源有关，以所得簇的聚类中心作为该新型电能质量干扰源的电气特征典型值，n2的取值一般不小于5；同时，根据需要，将新型电能质量干扰源的特征样本和电气特征典型值存储在电力系统电能质量干扰特征数据库中。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611238173.2A CN106855597B (zh) | 2016-12-28 | 2016-12-28 | 一种非侵入式电能质量干扰源在线自适应监测系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201611238173.2A CN106855597B (zh) | 2016-12-28 | 2016-12-28 | 一种非侵入式电能质量干扰源在线自适应监测系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106855597A CN106855597A (zh) | 2017-06-16 |
| CN106855597B true CN106855597B (zh) | 2019-03-29 |
Family
ID=59126526
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201611238173.2A Active CN106855597B (zh) | 2016-12-28 | 2016-12-28 | 一种非侵入式电能质量干扰源在线自适应监测系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106855597B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN107561354B (zh) * | 2017-08-17 | 2019-09-10 | 江苏智臻能源科技有限公司 | 基于功率持续时间特性的多电器非侵入辨识方法 |
| CN108053095B (zh) * | 2017-11-22 | 2024-03-19 | 全球能源互联网研究院有限公司 | 一种电能质量扰动事件特征提取方法及系统 |
| CN108399221B (zh) * | 2018-02-11 | 2021-07-30 | 山东建筑大学 | 基于大数据关联分析的室内电气设备分类识别方法与系统 |
| CN109697573A (zh) * | 2018-12-29 | 2019-04-30 | 广东电网有限责任公司 | 一种电能质量扰动特征展示方法、装置、设备及存储介质 |
| CN110348683A (zh) * | 2019-06-06 | 2019-10-18 | 全球能源互联网研究院有限公司 | 电能质量扰动事件主成因分析方法、装置设备及存储介质 |
| CN111562423B (zh) * | 2020-04-17 | 2022-08-05 | 北京市燃气集团有限责任公司 | 一种地铁杂散电流对埋地管线影响范围计算方法及装置 |
Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101267116A (zh) * | 2008-03-20 | 2008-09-17 | 浙江工业大学 | 一种配电网电能质量扰动源自动定位方法 |
| CN101738551A (zh) * | 2009-12-15 | 2010-06-16 | 西南交通大学 | 基于联网的暂态电能质量扰动智能分析方法 |
| CN102230951A (zh) * | 2011-03-28 | 2011-11-02 | 武汉大学 | 一种电力系统单一或多重电能扰动事件在线监测与识别方法 |
| CN103593461A (zh) * | 2013-11-25 | 2014-02-19 | 东南大学 | 一种基于典型预警事件波形库的扰动源识别方法 |
| CN104635114A (zh) * | 2015-03-04 | 2015-05-20 | 江苏省电力公司常州供电公司 | 一种电能质量扰动源定位系统及定位方法 |
| CN105445577A (zh) * | 2015-11-12 | 2016-03-30 | 国网智能电网研究院 | 一种电能质量干扰源工况辨识方法 |
-
2016
- 2016-12-28 CN CN201611238173.2A patent/CN106855597B/zh active Active
Patent Citations (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101267116A (zh) * | 2008-03-20 | 2008-09-17 | 浙江工业大学 | 一种配电网电能质量扰动源自动定位方法 |
| CN101738551A (zh) * | 2009-12-15 | 2010-06-16 | 西南交通大学 | 基于联网的暂态电能质量扰动智能分析方法 |
| CN102230951A (zh) * | 2011-03-28 | 2011-11-02 | 武汉大学 | 一种电力系统单一或多重电能扰动事件在线监测与识别方法 |
| CN103593461A (zh) * | 2013-11-25 | 2014-02-19 | 东南大学 | 一种基于典型预警事件波形库的扰动源识别方法 |
| CN104635114A (zh) * | 2015-03-04 | 2015-05-20 | 江苏省电力公司常州供电公司 | 一种电能质量扰动源定位系统及定位方法 |
| CN105445577A (zh) * | 2015-11-12 | 2016-03-30 | 国网智能电网研究院 | 一种电能质量干扰源工况辨识方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106855597A (zh) | 2017-06-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106855597B (zh) | 一种非侵入式电能质量干扰源在线自适应监测系统及方法 | |
| CN109387712A (zh) | 基于状态矩阵决策树的非侵入式负荷检测与分解方法 | |
| Zhang et al. | Time series anomaly detection for smart grids: A survey | |
| CN111027408A (zh) | 一种基于支持向量机和v-i曲线特征的负荷识别方法 | |
| CN110956220A (zh) | 一种非侵入式家用电器负荷识别方法 | |
| CN111766462B (zh) | 一种基于v-i轨迹的非侵入式负荷识别方法 | |
| Lee | Electric load information system based on non-intrusive power monitoring | |
| CN111160791A (zh) | 一种基于gbdt算法及因素融合的异常用户识别方法 | |
| CN111830347A (zh) | 一种基于事件的两阶段非侵入式负荷监测方法 | |
| CN111553444A (zh) | 一种基于非侵入负荷终端数据的负荷辨识方法 | |
| Ghosh et al. | Remote appliance load monitoring and identification in a modern residential system with smart meter data | |
| CN106802379A (zh) | 一种自适应阈值的负载开关检测和识别方法及系统 | |
| CN105974223B (zh) | 一种用于在线检测用电设备工作状态的方法及系统 | |
| CN115456034A (zh) | 一种电动自行车充电自动识别监测方法及系统 | |
| CN116796271A (zh) | 一种居民用能异常识别方法 | |
| CN108181533A (zh) | 一种非侵入式的电力负荷智能检测及分层分类方法 | |
| CN114839462A (zh) | 一种智能反窃电监察方法和系统 | |
| CN117932358A (zh) | 一种智能远程电场故障诊断方法及系统 | |
| Streubel et al. | Detection and monitoring of supraharmonic anomalies of an electric vehicle charging station | |
| CN115912359B (zh) | 基于大数据的数字化安全隐患识别排查治理方法 | |
| Zhang et al. | Theories, applications and trends of non-technical losses in power utilities using machine learning | |
| Liu et al. | Fault diagnosis of OLTC based on time-frequency image analysis of vibration signal | |
| CN114971002B (zh) | 一种基于计量终端负荷监测技术的异常电量预测方法 | |
| CN111060755A (zh) | 一种电磁干扰诊断方法和装置 | |
| CN114662576A (zh) | 基于有监督分类的非侵入式电瓶车充电检测方法及系统 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |