CN107255772A - 一种半监督电压暂降事故源识别方法 - Google Patents
一种半监督电压暂降事故源识别方法 Download PDFInfo
- Publication number
- CN107255772A CN107255772A CN201710427828.9A CN201710427828A CN107255772A CN 107255772 A CN107255772 A CN 107255772A CN 201710427828 A CN201710427828 A CN 201710427828A CN 107255772 A CN107255772 A CN 107255772A
- Authority
- CN
- China
- Prior art keywords
- mrow
- voltage dip
- msub
- source
- accident
- 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.)
- Granted
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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
Abstract
本发明实施例公开了一种半监督电压暂降事故源识别方法，涉及电力工程技术领域，包括：建立含分布式电源的电力系统仿真模型；采集和提取所述电力系统仿真模型中电压暂降信号数据；应用短时傅里叶变换对所述电压暂降信号数据进行时频分析，提取暂降特性参数；基于所述暂降特性参数构建5％的有事故源标签电压暂降数据训练样本集和95％的无事故源标签电压暂降数据测试样本集；采用安全半监督支持向量机对所述有事故源标签电压暂降数据训练样本集进行机器学习与训练，构建初始分类器；采用所述初始分类器对无事故源标签电压暂降数据测试样本集进行事故源识别。本发明实施例能够提高电压暂降事故识别精度，实现低历史数据下的电压暂降事故源可靠识别。
Description
技术领域
本发明涉及电力工程技术领域，尤其涉及一种半监督电压暂降事故源识别方法。
背景技术
电能质量(Power Quality)是21世纪现代电网的关键特征之一。电压暂降(Voltage Sag)是目前电力系统中最重要的电能质量问题之一，电压暂降是指电网在系统频率时电压有效值(RMS)瞬时减小到额定值的10％～90％范围内,其持续时间一般为半个工频周期到数秒钟。据统计，约80％的电能质量问题是由电压暂降引起的，它会导致逻辑控制器误动、调速装置失灵、不可预计的欠电压跳闸及计算机重要数据丢失等。并且最近十几年来，电压暂降造成了巨大的经济损失，资料表明，美国每年因电压暂降事故造成经济损失达200多亿美元，欧美发达国家一次电压暂降事故造成经济损失都在百万美元以上，而电压暂降给单个电力用户造成给损失也十分巨大，上海华虹NEC一次电压低于87％持续0.12s的电压暂降造成直接损失就超100万美元。电压暂降已成为目前国内外电工领域迫切需要解决的重要课题。
发明内容
为解决现有技术中的不足，本发明实施例提供一种基于半监督电压暂降事故源识别方法，解决现有技术中配电网电压暂降源识别方法中未考虑配电网分布式电源影响及已有暂降监测数据中大量无暂降源标签数据的资源浪费问题。
为达到上述目的，本发明的实施例采用如下技术方案：
第一方面，本发明的实施例提供一种半监督电压暂降事故源识别方法，包括：
S01，建立含分布式电源的电力系统仿真模型；
S02，采集和提取所述电力系统仿真模型中电压暂降信号数据，所述电压暂降数据是由不同电压暂降事故源引起的公共连接点电压暂降波形；
S03，应用短时傅里叶变换对所述电压暂降信号数据进行时频分析，提取暂降特性参数；
S04，基于所述暂降特性参数构建5％的有事故源标签电压暂降数据训练样本集和95％的无事故源标签电压暂降数据测试样本集；
S05，采用安全半监督支持向量机对所述有事故源标签电压暂降数据训练样本集进行机器学习与训练，构建初始分类器；
S06，采用所述初始分类器对无事故源标签电压暂降数据测试样本集进行事故源识别。
作为一个优选实施例，还包括：步骤S07，将已识别出无事故源标签标签电压暂降测试样本集数据加入先前的有事故源标签电压暂降训练样本集，优化并改进所述初始分类器，再对剩余的未识别的无事故源标签电压暂降数据测试样本集进行事故源识别。
作为一个优选实施例，步骤S02中所述不同电压暂降事故源，包括：
单相接地故障导致的电压暂降；两相接地故障导致的电压暂降；三相接地故障导致的电压暂降；大容量电动机启动导致的电压暂降；变压器投运导致的电压暂降；光伏短时退出导致的电压暂降。
作为一个优选实施例，步骤S02中所述采集和提取所述电力系统仿真模型中电压暂降信号数据，包括：
采集各电压暂降事故源导致的公共连接点电压暂降波形，进行滤波和自动截取，提取各电压暂降事故源对应的电压暂降信号数据。
作为一个优选实施例，步骤S03还包括：
采用短时傅里叶变换对所述电压暂降信号数据进行时频分析，得到所述电压暂降信号的二维时频矩阵；
根据所述二维矩阵提取暂降特性参数；
所述暂降特性参数包括：三相不平衡度、幅度突变、谐波增量和恢复斜率。
作为一个优选实施例，所述短时傅里叶变换包括：
短时傅里叶变换，
其中，u(τ-t)为窗函数，τ为控制窗函数在时间，t为轴位置的参数；
通过短时傅里叶变换与傅里叶之间的关系推出短时傅里叶变换变换的离散形式，
其中：Δt为采样时间间隔，N为采样点数，k,m,n＝0,1,…,N-1。
作为一个优选实施例，步骤S04包括：
随机改变负荷大小、线路阻抗、变压器容量或DG容量参数值，在不同参数值下，重复步骤S02和步骤S03，将暂降特性参数构建5％的有事故源标签的电压暂降数据训练样本集和95％的无事故源标签的电压暂降测试数据样本集。
作为一个优选实施例，所述步骤S5包括：
有事故源标签的电压暂降数据训练样本集为G＝{(x1,y1),…,(xl,yl)}；l为电压暂降事故源类别已知样本总数，xi为各电压暂降类型的暂降特性，yi为各电压暂降事故源的对应类别；无事故源标签的电压暂降数据测试样本集为
安全半监督支持向量机电压暂降事故源识别数学表达为：
yi(wt'Φ(xi)+bt)≥1-ξiξi≥0
其中，f(x)＝w'φ(x)+b是低密度分界线，是低密度分界线相对应的类别划分，T是分界线数量，Ω是一个对分界线差异化进行度量的惩罚函数，M是保证差异性的一个大常数；C1为参数有标签样本集上的惩罚因子，C2为无标签样本在训练过程中的影响因子；ζi为有标签样本xi对应的松弛变量，而ζj为无标签样本xj对应的松弛变量。
本发明通过对含DG电力系统中各暂降事故源导致的公共连接点(PCC)的电压暂降波形数据进行采集与截取，得到相应的电压暂降信号数据；再运用短时傅里叶变换对电压暂降信号数据进行时频分析，提取相应的暂降特性参数；最后用安全半监督支持向量机(S4VM)对暂降事故源进行训练与识别，并在多个可能的低密度分界线后优化求解出最优分类线，提高识别精度，实现低历史数据下的电压暂降事故源可靠识别。本发明考虑了不同暂降事故源的固有区别，从三相不平衡度，幅值突变次数，谐波增量和恢复斜率角度出发，从而避免考虑某些不确定的特性对不同暂降事故源分析准确性的影响。
附图说明
为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其它的附图。
图1为本发明实施例提供的流程示意图。
具体实施方式
为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
电压暂降源识别近年来受到了电气领域的较多关注。目前国内外不少研究人员在这方面作了较多有益的探索，但由于产生电压暂降的原因不同，主要为短路故障、变压器投入、大容量电机启动，所以引起的电压暂降现象也不同。如何有效地区分电压暂降源对电压暂降的预防和治理十分重要,同时也为解决用户和系统之间的纠纷提供了依据。现有的暂降源识别方法有空间矢量分析、特征幅值分析、相移与神经网络结合、小波变换结合神经网络、S变换与专家系统结合、卡尔曼滤波方法等。刘奇等利用改进高斯窗函数的广义S变换对暂态扰动进行有效的定位和识别。贾勇等利用小波熵特征进行电压暂降源识别,与其他方法相比同样识别效果良好。目前，吕干云等在S变换提取各类暂降特征基础上，用多分类器支持向量机实现了较多监测数据下的电压暂降源识别。李国栋等运用Mamdani型模糊推理方法，通过对推理系统输入和输出的模糊化和解模糊运算实现暂降源的可靠识别。Emmanouil提出基于卡尔曼滤波的暂降源分类方法，充分的考虑发各个事件引起的暂降，效果较好，但实时性差。
随着能源危机及环境问题的日益加剧，近年来分布式发电技术得到了快速发展，配电系统中分布式电源(DG)的渗透率水平不断提高，使得配电系统的分析、控制和管理将变得更加复杂。虽然DG的接入能够在一定程度上改善电网电能质量，但同时也可能引起新的谐波和电压暂降问题，而且由于DG固有的不确定性，导致暂降源可靠识别变得更加困难，特别是风电、太阳能等DG的出力随自然条件变化随机波动较大,给暂降源识别带来很多新实际问题。
另外，已有的大多数方法都基于类别已知的电压暂降监测数据，而现实大量的电压暂降监测数据是事故源类别未知，类别已知的历史监测数据非常有限且不易得取。如果只利用少量的类别已知数据进行训练识别，不仅造成所形成的源识别系统泛化能力弱，且对大量类别未知的已有监测数据是极大的资源浪费。由于上述两种因素在已有方法中都均未考虑，因此电压暂降事故源高精度识别，特别是含DG复杂配电网的电压暂降事故源识别需要研究新的方法。本发明针对以上问题提出解决措施，为配电网电压暂降事故源识别问题带来新的方法，将大大拓其在电能质量监测与诊断、继电保护等领域的应用。
为解决现有技术中的不足，本发明实施例提供一种基于半监督电压暂降事故源识别方法，解决现有技术中配电网电压暂降源识别方法中未考虑配电网分布式电源影响及已有事故源标签电压暂降数据中大量无事故源标签电压暂降数据的资源浪费问题。
为达到上述目的，本发明的实施例采用如下技术方案，如图1所示：
第一方面，本发明的实施例提供一种半监督电压暂降事故源识别方法，包括：
S01，建立含分布式电源的电力系统仿真模型；
S02，采集和提取所述电力系统仿真模型中电压暂降信号数据，所述电压暂降数据是由不同电压暂降事故源引起的公共连接点电压暂降波形；
S03，应用短时傅里叶变换对所述电压暂降信号数据进行时频分析，提取暂降特性参数；
S04，基于所述暂降特性参数构建5％的有事故源标签电压暂降数据训练样本集和95％的无事故源标签电压暂降数据测试样本集；
S05，采用安全半监督支持向量机对所述有事故源标签电压暂降数据训练样本集进行机器学习与训练，构建初始分类器；
S06，采用所述初始分类器对无事故源标签电压暂降数据测试样本集进行事故源识别。
作为一个优选实施例，还包括：步骤S07，将已识别出无事故源标签标签电压暂降测试样本集数据加入先前的有事故源标签电压暂降训练样本集，优化并改进所述初始分类器，再对剩余的未识别的无事故源标签电压暂降数据测试样本集进行事故源识别。
作为一个优选实施例，步骤S02中所述不同电压暂降事故源，包括：
单相接地故障导致的电压暂降；两相接地故障导致的电压暂降；三相接地故障导致的电压暂降；大容量电动机启动导致的电压暂降；变压器投运导致的电压暂降；光伏短时退出导致的电压暂降。
作为一个优选实施例，步骤S02中所述采集和提取所述电力系统仿真模型中电压暂降信号数据，包括：
采集各电压暂降事故源导致的公共连接点电压暂降波形，进行滤波和自动截取，提取各电压暂降事故源对应的电压暂降信号数据。
作为一个优选实施例，步骤S03还包括：
采用短时傅里叶变换对所述电压暂降信号数据进行时频分析，得到所述电压暂降信号的二维时频矩阵；
根据所述二维矩阵提取暂降特性参数；
所述暂降特性参数包括：三相不平衡度、幅度突变、谐波增量和恢复斜率。
所述暂降特性参数包括：三相不平衡度、幅度突变、谐波增量和恢复斜率。
具体地，三相不平衡度：分别求出三相的暂降幅值，再两两相减取绝对值。如果某相电压没有发生暂降，暂降幅值为发生暂降相的暂降点到恢复点时刻内的平均值。求出的三个结果中只要有一个结果大于3％，则判断为不平衡。
幅值突变次数：电压暂降发生时，谐波分量会在一定范围内变化。通过STFT的时频矩阵可获得各谐波分量的幅值变化及幅值突变次数。短路造成的电压暂降，其突变次数至少两次，感应电机启动造成的电压暂降，只会发生一次。本发明提供的实施例幅值突变次数是根据5次谐波的幅值突变次数。
恢复斜率：由于不同事故原因的动态过程不同，恢复斜率也有所不同。感应电动机启动和变压器投运导致的电压暂降在恢复过程中相对缓慢，而短路电压暂降以及分布式电源短时退出的恢复过程中相对较快。本发明提供的实施例选取短时傅里叶变换中的基频幅值，并取恢复到最低点的10％和90％两点之间的斜率作为恢复斜率。
谐波增量：变压器投运造成的暂降过程中充斥着大量的谐波，尤其是2次谐波，可达到总谐波量的30％～50％，所以本专利实施例谐波增量选取2次谐波。2次谐波在电压暂降前后的谐波增量：
其中:U1sag，U2sag，U1pre，U2pre分别指电压暂降期间与发生前的基波和2次谐波的电压有效值。
如表1所示，是部分样本的暂降特性信息。
表1部分样本的暂降特性信息
作为一个优选实施例，所述短时傅里叶变换包括：
短时傅里叶变换，
其中，u(τ-t)为窗函数，τ为控制窗函数在时间，t为轴位置的参数；
通过短时傅里叶变换与傅里叶之间的关系推出短时傅里叶变换变换的离散形式，
其中：Δt为采样时间间隔，N为采样点数，k,m,n＝0,1,…,N-1。
作为一个优选实施例，步骤S4包括：
随机改变负荷大小、线路阻抗、变压器容量或DG容量参数值，在不同参数值下，重复步骤S2和步骤S3，将暂降特性参数构建5％的有事故源标签的电压暂降数据训练样本集和95％的无事故源标签的电压暂降测试数据样本集。
作为一个优选实施例，所述步骤S5包括：
有事故源标签的电压暂降数据训练样本集为G＝{(x1,y1),…,(xl,yl)}；l为电压暂降事故源类别已知样本总数，xi为各电压暂降类型的暂降特性，yi为各电压暂降事故源的对应类别；无事故源标签的电压暂降数据测试样本集为
考虑到工程实际中给定少量的有暂降源标签和大量的无暂降源标签的暂降监测数据，并且“间隔”较大的低密度分界线有可能存在多个，而由于带标签暂降数据较少，其选择困难。所以本发明实施例提出了安全半监督支持向量机(S4VM)的暂降识别，可在得到多个可能的低密度分界线后优化求解出最优分类线。
安全半监督支持向量机电压暂降事故源识别数学表达为：
yi(wt'Φ(xi)+bt)≥1-ξiξi≥0
其中，f(x)＝w'φ(x)+b是低密度分界线，是低密度分界线相对应的类别划分，T是分界线数量，Ω是一个对分界线差异化进行度量的惩罚函数，M是保证差异性的一个大常数；C1为参数有标签样本集上的惩罚因子，C2为无标签样本在训练过程中的影响因子；ζi为有标签样本xi对应的松弛变量，而ζj为无标签样本xj对应的松弛变量。
本发明通过对含DG电力系统中各暂降事故源导致的公共连接点(PCC)的电压暂降波形数据进行采集与截取，得到相应的电压暂降信号数据；再运用短时傅里叶变换对电压暂降信号数据进行时频分析，提取相应的暂降特性参数；最后用安全半监督支持向量机(S4VM)对暂降事故源进行训练与识别，并在多个可能的低密度分界线后优化求解出最优分类线，提高识别精度，实现低历史数据下的电压暂降事故源可靠识别。本发明考虑了不同暂降事故源的固有区别，从三相不平衡度，幅值突变次数，谐波增量和恢复斜率角度出发，从而避免考虑某些不确定的特性对不同暂降事故源分析准确性的影响。如表2所示，本发明实施例在多个可能的低密度分界线中优化求解出最优分类线的情况下，提高了识别精度，实现低历史数据下的电压暂降事故源可靠识别。
表2不同识别方法的识别精度对比
| 电压暂降类型 | 支持向量机识别精度 | S4VM识别精度 |
| 单相接地短路 | 82％ | 98％ |
| 两相接地短路 | 75％ | 91％ |
| 三相接地短路 | 83％ | 96％ |
| 变压器投运 | 100％ | 100％ |
| 电动机启动 | 100％ | 100％ |
| 光伏短时退出 | 86％ | 93％ |
本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。
以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (8)
1.一种半监督电压暂降事故源识别方法，其特征在于，包括：
S01，建立含分布式电源的电力系统仿真模型；
S02，采集和提取所述电力系统仿真模型中电压暂降信号数据，所述电压暂降数据是由不同电压暂降事故源引起的公共连接点电压暂降波形；
S03，应用短时傅里叶变换对所述电压暂降信号数据进行时频分析，提取暂降特性参数；
S04，基于所述暂降特性参数构建5％的有事故源标签电压暂降数据训练样本集和95％的无事故源标签电压暂降数据测试样本集；
S05，采用安全半监督支持向量机对所述有事故源标签电压暂降数据训练样本集进行机器学习与训练，构建初始分类器；
S06，采用所述初始分类器对无事故源标签电压暂降数据测试样本集进行事故源识别。
2.根据权利要求1所述的一种半监督电压暂降事故源识别方法，其特征在于，还包括：S07，将已识别出无事故源标签标签电压暂降测试样本集数据加入先前的有事故源标签电压暂降训练样本集，优化并改进所述初始分类器，再对剩余的未识别出的无事故源标签电压暂降数据测试样本集进行事故源识别。
3.根据权利要求1所述的一种半监督电压暂降事故源识别方法，其特征在于，步骤S02中所述不同电压暂降事故源，包括：
单相接地故障导致的电压暂降；两相接地故障导致的电压暂降；三相接地故障导致的电压暂降；大容量电动机启动导致的电压暂降；变压器投运导致的电压暂降；光伏短时退出导致的电压暂降。
4.根据权利要求1所述的一种半监督电压暂降事故源识别方法，其特征在于，步骤S02中所述采集和提取所述电力系统仿真模型中电压暂降信号数据，包括：
采集各电压暂降事故源导致的公共连接点电压暂降波形，进行滤波和自动截取，提取各电压暂降事故源对应的电压暂降信号数据。
5.根据权利要求1所述的一种半监督电压暂降事故源识别方法，其特征在于，步骤S03还包括：
采用短时傅里叶变换对所述电压暂降信号数据进行时频分析，得到所述电压暂降信号的二维时频矩阵；
根据所述二维矩阵提取暂降特性参数；
所述暂降特性参数包括：三相不平衡度、幅度突变、谐波增量和恢复斜率。
6.根据权利要求5所述的一种半监督电压暂降事故源识别方法，其特征在于，所述短时傅里叶变换包括：
短时傅里叶变换，
<mrow>
<mi>S</mi>
<mrow>
<mo>(</mo>
<mi>t</mi>
<mo>,</mo>
<mi>f</mi>
<mo>)</mo>
</mrow>
<mo>=</mo>
<msubsup>
<mo>&Integral;</mo>
<mrow>
<mo>-</mo>
<mi>&infin;</mi>
</mrow>
<mrow>
<mo>+</mo>
<mi>&infin;</mi>
</mrow>
</msubsup>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>)</mo>
</mrow>
<mi>u</mi>
<mrow>
<mo>(</mo>
<mi>&tau;</mi>
<mo>-</mo>
<mi>t</mi>
<mo>)</mo>
</mrow>
<msup>
<mi>e</mi>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<mi>&pi;</mi>
<mi>f</mi>
<mi>&tau;</mi>
</mrow>
</msup>
<mi>d</mi>
<mi>&tau;</mi>
</mrow>
其中，u(τ-t)为窗函数，τ为控制窗函数在时间，t为轴位置的参数；
通过短时傅里叶变换与傅里叶之间的关系推出短时傅里叶变换的离散形式，
<mrow>
<mi>S</mi>
<mi>T</mi>
<mi>F</mi>
<mi>T</mi>
<mrow>
<mo>(</mo>
<mi>m</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>,</mo>
<mfrac>
<mi>n</mi>
<mrow>
<mi>N</mi>
<mi>&Delta;</mi>
<mi>t</mi>
</mrow>
</mfrac>
<mo>)</mo>
</mrow>
<mo>=</mo>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>k</mi>
<mo>=</mo>
<mn>0</mn>
</mrow>
<mrow>
<mi>N</mi>
<mo>-</mo>
<mn>1</mn>
</mrow>
</munderover>
<mi>x</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>g</mi>
<mrow>
<mo>(</mo>
<mi>k</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>-</mo>
<mi>m</mi>
<mi>&Delta;</mi>
<mi>t</mi>
<mo>)</mo>
</mrow>
<mi>exp</mi>
<mrow>
<mo>(</mo>
<mfrac>
<mrow>
<mo>-</mo>
<mi>j</mi>
<mn>2</mn>
<mi>k</mi>
<mi>n</mi>
<mi>&pi;</mi>
</mrow>
<mi>N</mi>
</mfrac>
<mo>)</mo>
</mrow>
<mi>d</mi>
<mi>t</mi>
</mrow>
1
其中：Δt为采样时间间隔，N为采样点数，k,m,n＝0,1,…,N-1。
7.根据权利要求1所述的一种半监督电压暂降事故源识别方法，其特征在于，步骤S04包括：
随机改变负荷大小、线路阻抗、变压器容量或DG容量参数值，在不同参数值下，重复步骤S02和步骤S03，将暂降特性参数构建5％的有事故源标签的电压暂降数据训练样本集和95％的无事故源标签的电压暂降测试数据样本集。
8.根据权利要求1所述的一种半监督电压暂降事故源识别方法，其特征在于，所述步骤S05包括：
有事故源标签的电压暂降数据训练样本集为G＝{(x1,y1),…,(xl,yl)}；l为电压暂降事故源类别已知样本总数，xi为各电压暂降类型的暂降特性，yi为各电压暂降事故源的对应类别；无事故源标签的电压暂降数据测试样本集为
安全半监督支持向量机电压暂降事故源识别数学表达为：
<mrow>
<munder>
<mi>min</mi>
<msubsup>
<mrow>
<mo>{</mo>
<msub>
<mi>w</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mi>b</mi>
<mi>t</mi>
</msub>
<mo>,</mo>
<msub>
<mover>
<mi>y</mi>
<mi>&Lambda;</mi>
</mover>
<mi>t</mi>
</msub>
<mo>&Element;</mo>
<mi>&beta;</mi>
<mo>}</mo>
</mrow>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
</munder>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</munderover>
<mrow>
<mo>(</mo>
<mfrac>
<mn>1</mn>
<mn>2</mn>
</mfrac>
<mo>|</mo>
<mo>|</mo>
<msub>
<mi>w</mi>
<mi>t</mi>
</msub>
<mo>|</mo>
<msup>
<mo>|</mo>
<mn>2</mn>
</msup>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>1</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>l</mi>
</munderover>
<msub>
<mi>&xi;</mi>
<mi>i</mi>
</msub>
<mo>+</mo>
<msub>
<mi>c</mi>
<mn>2</mn>
</msub>
<munderover>
<mo>&Sigma;</mo>
<mrow>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>u</mi>
</munderover>
<msub>
<mover>
<mi>&xi;</mi>
<mi>&Lambda;</mi>
</mover>
<mi>j</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>+</mo>
<mi>M</mi>
<mi>&Omega;</mi>
<mrow>
<mo>(</mo>
<msubsup>
<mrow>
<mo>{</mo>
<msub>
<mover>
<mi>y</mi>
<mi>&Lambda;</mi>
</mover>
<mi>t</mi>
</msub>
<mo>}</mo>
</mrow>
<mrow>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
</mrow>
<mi>T</mi>
</msubsup>
<mo>)</mo>
</mrow>
</mrow>
yi(w'tΦ(xi)+bt)≥1-ξi ξi≥0
<mfenced open = "" close = "">
<mtable>
<mtr>
<mtd>
<mrow>
<msub>
<mover>
<mi>y</mi>
<mi>&Lambda;</mi>
</mover>
<mrow>
<mi>t</mi>
<mo>,</mo>
<mi>j</mi>
</mrow>
</msub>
<mrow>
<mo>(</mo>
<msubsup>
<mi>w</mi>
<mi>t</mi>
<mo>&prime;</mo>
</msubsup>
<mi>&Phi;</mi>
<mo>(</mo>
<msub>
<mover>
<mi>x</mi>
<mi>&Lambda;</mi>
</mover>
<mi>j</mi>
</msub>
<mo>)</mo>
<mo>+</mo>
<msub>
<mi>b</mi>
<mi>t</mi>
</msub>
<mo>)</mo>
</mrow>
<mo>&GreaterEqual;</mo>
<mn>1</mn>
<mo>-</mo>
<msub>
<mi>&xi;</mi>
<mi>j</mi>
</msub>
</mrow>
</mtd>
<mtd>
<mrow>
<msub>
<mi>&xi;</mi>
<mi>j</mi>
</msub>
<mo>&GreaterEqual;</mo>
<mn>0</mn>
</mrow>
</mtd>
</mtr>
</mtable>
</mfenced>
<mrow>
<mo>&ForAll;</mo>
<mi>i</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>l</mi>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>j</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>u</mi>
<mo>,</mo>
<mo>&ForAll;</mo>
<mi>t</mi>
<mo>=</mo>
<mn>1</mn>
<mo>,</mo>
<mn>...</mn>
<mo>,</mo>
<mi>T</mi>
</mrow>
其中，f(x)＝w'φ(x)+b是低密度分界线，是低密度分界线相对应的类别划分，T是分界线数量，Ω是一个对分界线差异化进行度量的惩罚函数，M是保证差异性的一个大常数；C1为参数有标签样本集上的惩罚因子，C2为无标签样本在训练过程中的影响因子；ζi为有标签样本xi对应的松弛变量，而ζj为无标签样本xj对应的松弛变量。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710427828.9A CN107255772B (zh) | 2017-06-08 | 2017-06-08 | 一种半监督电压暂降事故源识别方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201710427828.9A CN107255772B (zh) | 2017-06-08 | 2017-06-08 | 一种半监督电压暂降事故源识别方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN107255772A true CN107255772A (zh) | 2017-10-17 |
| CN107255772B CN107255772B (zh) | 2020-07-03 |
Family
ID=60023875
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201710427828.9A Active CN107255772B (zh) | 2017-06-08 | 2017-06-08 | 一种半监督电压暂降事故源识别方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN107255772B (zh) |
Cited By (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109470985A (zh) * | 2018-06-19 | 2019-03-15 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多分辨奇异值分解的电压暂降源识别方法 |
| CN109507530A (zh) * | 2018-11-16 | 2019-03-22 | 国网江苏省电力有限公司电力科学研究院 | 电压暂降故障源追溯方法、系统及存储介质 |
| CN110133444A (zh) * | 2019-06-05 | 2019-08-16 | 国网江苏省电力有限公司检修分公司 | 一种基于正序电压变化量的故障定位方法、装置及系统 |
| CN110808580A (zh) * | 2019-10-25 | 2020-02-18 | 国网天津市电力公司电力科学研究院 | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
| CN112348096A (zh) * | 2020-11-11 | 2021-02-09 | 合肥工业大学 | 非侵入式负荷分解方法及系统 |
| CN113504497A (zh) * | 2021-07-22 | 2021-10-15 | 东南大学 | 基于交错分析的电机驱动系统电流传感器异常检测方法 |
| CN114167172A (zh) * | 2021-11-25 | 2022-03-11 | 国网福建省电力有限公司莆田供电公司 | 一种基于马氏距离与支持向量机的电压暂降源定位方法 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090010536A (ko) * | 2007-07-23 | 2009-01-30 | 장길수 | 순간 전압 강하 평가를 위한 취약 지역 결정 시스템, 방법,및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한프로그램을 기록한 매체 |
| CN101363896A (zh) * | 2008-09-25 | 2009-02-11 | 长沙威胜能源产业技术有限公司 | 一种高精度电压暂态事件检测与录波方法 |
| CN101504437A (zh) * | 2009-03-06 | 2009-08-12 | 华南理工大学 | 一种寻找导致电压暂降的电网薄弱环节的方法 |
| CN102608493A (zh) * | 2011-01-25 | 2012-07-25 | 华北电力科学研究院有限责任公司 | 一种电压暂降源的定位方法及装置 |
| CN103390171A (zh) * | 2013-07-24 | 2013-11-13 | 南京大学 | 一种安全的半监督学习方法 |
| CN103576048A (zh) * | 2013-10-09 | 2014-02-12 | 国家电网公司 | 一种用于电压暂降源定位的可能故障线路集提取方法 |
| CN106324320A (zh) * | 2016-08-11 | 2017-01-11 | 国网浙江省电力公司宁波供电公司 | 多次电压暂降的持续时间曲线拟合方法及电压暂降严重程度评估方法 |
-
2017
- 2017-06-08 CN CN201710427828.9A patent/CN107255772B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20090010536A (ko) * | 2007-07-23 | 2009-01-30 | 장길수 | 순간 전압 강하 평가를 위한 취약 지역 결정 시스템, 방법,및 상기 방법을 실행시키기 위한 컴퓨터 판독 가능한프로그램을 기록한 매체 |
| CN101363896A (zh) * | 2008-09-25 | 2009-02-11 | 长沙威胜能源产业技术有限公司 | 一种高精度电压暂态事件检测与录波方法 |
| CN101504437A (zh) * | 2009-03-06 | 2009-08-12 | 华南理工大学 | 一种寻找导致电压暂降的电网薄弱环节的方法 |
| CN102608493A (zh) * | 2011-01-25 | 2012-07-25 | 华北电力科学研究院有限责任公司 | 一种电压暂降源的定位方法及装置 |
| CN103390171A (zh) * | 2013-07-24 | 2013-11-13 | 南京大学 | 一种安全的半监督学习方法 |
| CN103576048A (zh) * | 2013-10-09 | 2014-02-12 | 国家电网公司 | 一种用于电压暂降源定位的可能故障线路集提取方法 |
| CN106324320A (zh) * | 2016-08-11 | 2017-01-11 | 国网浙江省电力公司宁波供电公司 | 多次电压暂降的持续时间曲线拟合方法及电压暂降严重程度评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王世旭 等: "基于标签传播半监督学习的电压暂降源识别", 《基于标签传播半监督学习的电压暂降源识别》 * |
| 王世旭: "电力系统电压暂降源的定位研究", 《中国优秀硕士学位论文全文数据库 工程科技II辑》 * |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109470985A (zh) * | 2018-06-19 | 2019-03-15 | 国网浙江省电力有限公司湖州供电公司 | 一种基于多分辨奇异值分解的电压暂降源识别方法 |
| CN109507530A (zh) * | 2018-11-16 | 2019-03-22 | 国网江苏省电力有限公司电力科学研究院 | 电压暂降故障源追溯方法、系统及存储介质 |
| CN110133444A (zh) * | 2019-06-05 | 2019-08-16 | 国网江苏省电力有限公司检修分公司 | 一种基于正序电压变化量的故障定位方法、装置及系统 |
| CN110808580A (zh) * | 2019-10-25 | 2020-02-18 | 国网天津市电力公司电力科学研究院 | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
| CN110808580B (zh) * | 2019-10-25 | 2023-07-28 | 国网天津市电力公司电力科学研究院 | 基于小波变换和极限学习机的电压暂降源快速辨识方法 |
| CN112348096A (zh) * | 2020-11-11 | 2021-02-09 | 合肥工业大学 | 非侵入式负荷分解方法及系统 |
| CN113504497A (zh) * | 2021-07-22 | 2021-10-15 | 东南大学 | 基于交错分析的电机驱动系统电流传感器异常检测方法 |
| CN113504497B (zh) * | 2021-07-22 | 2022-11-29 | 东南大学 | 基于交错分析的电机驱动系统电流传感器异常检测方法 |
| CN114167172A (zh) * | 2021-11-25 | 2022-03-11 | 国网福建省电力有限公司莆田供电公司 | 一种基于马氏距离与支持向量机的电压暂降源定位方法 |
| CN114167172B (zh) * | 2021-11-25 | 2024-01-12 | 国网福建省电力有限公司莆田供电公司 | 一种基于马氏距离与支持向量机的电压暂降源定位方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN107255772B (zh) | 2020-07-03 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107255772A (zh) | 一种半监督电压暂降事故源识别方法 | |
| Yan et al. | The anatomy of the 2016 South Australia blackout: A catastrophic event in a high renewable network | |
| Mahela et al. | Assessment of power quality in the utility grid integrated with wind energy generation | |
| Li et al. | Replicating real-world wind farm SSR events | |
| Mishra et al. | An islanding detection algorithm for distributed generation based on Hilbert–Huang transform and extreme learning machine | |
| Mishra et al. | Fast discrete s-transform and extreme learning machine based approach to islanding detection in grid-connected distributed generation | |
| Zhou et al. | A dynamic weighted aggregation equivalent modeling approach for the DFIG wind farm considering the Weibull distribution for fault analysis | |
| Jóhannsson et al. | Wide-area assessment of aperiodic small signal rotor angle stability in real-time | |
| Chen et al. | Intelligent identification of voltage variation events based on IEEE Std 1159-2009 for SCADA of distributed energy system | |
| CN107666155A (zh) | 基于Markov模型的多能互补系统随机稳定性分析方法 | |
| CN107342628B (zh) | 一种综合多源信息的新能源接入宽频带稳定性多级预警方法 | |
| Mahela et al. | Estimation of islanding events in utility distribution grid with renewable energy using current variations and stockwell transform | |
| Wei et al. | Extended Park's vector method in early inter‐turn short circuit fault detection for the stator windings of offshore wind doubly‐fed induction generators | |
| Bhadane et al. | A comprehensive study of harmonic pollution in large penetrated grid-connected wind farm | |
| Lugnani et al. | Frequency response estimation following large disturbances using synchrophasors | |
| Raza et al. | Implementation of islanding recognizing technique for wind distributed generations considering insignificant NDZ | |
| Bhuyan et al. | Fault classification for DG integrated hybrid power system using wavelet neural network approach | |
| Noshahr | Emission phenomenon of supra-harmonics caused by switching of full-power frequency converter of wind turbines generator (PMSG) in smart grid | |
| Moloi et al. | Power Quality Assessment of A Wind Power-Integrated System into the Power Grid | |
| Du et al. | SSR stable wind speed range quantification for DFIG-based wind power conversion system considering frequency coupling | |
| Venkatraman et al. | Experimental investigation of power quality disturbances associated with grid integrated wind energy system | |
| CN105896525B (zh) | 基于wams的电网大扰动识别方法 | |
| Kumari et al. | Detection of power quality disturbances in the utility grid with wind energy penetration using stockwell's transform | |
| Verma et al. | Islanding detection using bi-directional energy meter in a DFIG based active distribution network | |
| Liu et al. | Aggregation method of distributed load resources based on non-intrusive load identification |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| 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 |