CN108629087A - 扰动事件模型构建方法、装置和扰动事件识别方法、装置 - Google Patents
扰动事件模型构建方法、装置和扰动事件识别方法、装置 Download PDFInfo
- Publication number
- CN108629087A CN108629087A CN201810332443.9A CN201810332443A CN108629087A CN 108629087 A CN108629087 A CN 108629087A CN 201810332443 A CN201810332443 A CN 201810332443A CN 108629087 A CN108629087 A CN 108629087A
- Authority
- CN
- China
- Prior art keywords
- disturbance
- disturbance event
- event
- vector
- period
- 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.)
- Pending
Links
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/14—Fourier, Walsh or analogous domain transformations, e.g. Laplace, Hilbert, Karhunen-Loeve, transforms
- G06F17/148—Wavelet transforms
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/10—Numerical modelling
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Mathematical Optimization (AREA)
- Data Mining & Analysis (AREA)
- Geometry (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种扰动事件模型的构建方法和装置、一种电能扰动事件的识别方法和装置、计算机设备和存储介质。所述方法包括：获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。采用本方法能够解决了设置阈值不合理导致电能扰动事件分类不准确的问题，提升了电能扰动事件分类的准确率。
Description
技术领域
本申请涉及电能监测技术领域，特别是涉及一种扰动事件模型的构建方法和装置，一种电能扰动事件的识别方法和装置，计算机设备和存储介质。
背景技术
电能质量问题受到了电网公司和电力用户的关注。实际应用中，电能质量可能会受到线路重合闸、主备设备切换保护、电容器组投切等电能扰动事件的影响。因此，为了更好地管控电能质量，需要通过电能质量监测系统(power quality measurement system，PQMS)，对电能扰动事件进行监测，以根据电能扰动事件的监测结果，进行电网系统运行状态监测、预警等的处理。
目前，在监测电能扰动事件时，比较重要的一项处理是对电能扰动事件进行分类识别。较为常见的电能扰动事件分类方式，包括有小波变换、卡尔曼滤波器等。上述的分类方式中，主要是通过设置一个阈值的方式来识别电能扰动事件的类别。例如，如果检测到某个电能指标超过预设阈值，则判定电网系统存在有某个扰动事件类别的电能扰动事件。
然而，上述的电能扰动事件分类方法中，作为扰动事件类别分类依据的阈值通常由人工根据经验设置，如果设置的阈值不合理，则可能将正常的电能波动错误地识别为某个类别的电能扰动事件，或者，错过一些重要的电能扰动事件。
因此，目前的电能扰动事件监测方法中，存在着对电能扰动事件的分类不准确的问题。
发明内容
基于此，有必要针对上述技术问题，提供一种扰动事件模型的构建方法和装置、一种电能扰动事件的识别方法和装置、计算机设备和存储介质。
一种扰动事件模型的构建方法，所述方法包括：
获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
在其中一个实施例中，所述识别所述三相暂态数据的扰动时间段的步骤，包括：
将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；
在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；
在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；
将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
在其中一个实施例中，所述在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量的步骤，包括：
在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；
组合所述多个电压电流谐波成分，得到所述扰动特征向量。
在其中一个实施例中，所述对所述扰动特征向量进行聚类，得到特征聚类结果的步骤，包括：
统计所述扰动特征向量属于预设的各个初始特征向量集合的集合归属概率值；
添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；
将所述目标特征向量集合，作为所述特征聚类结果。
在其中一个实施例中，所述方法还包括：
获取与所述特征聚类结果对应的事件成因；
建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
一种电能扰动事件的识别方法，所述方法包括：
针对待识别电能扰动事件，获取待识别特征向量；
输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
一种扰动事件模型的构建装置，所述装置包括：
时间段识别模块，用于获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
特征向量提取模块，用于在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
聚类模块，用于对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
模型生成模块，用于采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
在其中一个实施例中，所述时间段识别模块，包括：
数据转换子模块，用于将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；
开始时间确定子模块，用于在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；
切除时间确定子模块，用于在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；
时间段确定子模块，用于将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
在其中一个实施例中，所述特征向量提取模块，包括：
谐波成分提取子模块，用于在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；
谐波成分组合子模块，用于组合所述多个电压电流谐波成分，得到所述扰动特征向量。
在其中一个实施例中，所述聚类模块，包括：
集合生成子模块，用于生成对应于多个扰动事件类别的初始特征向量集合；
归属概率值统计子模块，用于统计所述扰动特征向量属于各个初始特征向量集合的集合归属概率值；
向量添加子模块，用于添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；
聚类结果获取子模块，用于将所述目标特征向量集合，作为所述特征聚类结果。
在其中一个实施例中，所述装置还包括：
事件成因获取模块，用于获取与所述特征聚类结果对应的事件成因；
对应关系建立模块，用于建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
一种电能扰动事件的识别装置，所述装置包括：
特征向量获取模块，用于针对待识别电能扰动事件，获取待识别特征向量；
输入模块，用于输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
目标模型确定模块，用于在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
目标类别确定模块，用于确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，所述处理器执行所述计算机程序时实现以下步骤：
获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；
在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；
在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；
将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；
组合所述多个电压电流谐波成分，得到所述扰动特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
统计所述扰动特征向量属于预设的各个初始特征向量集合的集合归属概率值；
添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；
将所述目标特征向量集合，作为所述特征聚类结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取与所述特征聚类结果对应的事件成因；
建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对待识别电能扰动事件，获取待识别特征向量；
输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现以下步骤：
获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；
在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；
在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；
将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；
组合所述多个电压电流谐波成分，得到所述扰动特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
统计所述扰动特征向量属于预设的各个初始特征向量集合的集合归属概率值；
添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；
将所述目标特征向量集合，作为所述特征聚类结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取与所述特征聚类结果对应的事件成因；
建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对待识别电能扰动事件，获取待识别特征向量；
输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
上述一种扰动事件模型的构建方法和装置、一种电能扰动事件的识别方法和装置、计算机设备和存储介质，通过针对电能扰动事件的三相暂态数据识别其扰动时间段，在扰动时间段之内的三相暂态数据中，提取表征电能扰动事件的扰动特征向量，基于提取的扰动特征向量进行聚类，得到对应同一扰动事件类别的特征聚类结果，并采用该特征聚类结果生成扰动事件模型。从而，在识别电能扰动事件的扰动事件类别时，可以将待识别特征向量输入至多个扰动事件类别的扰动事件模型，根据多个扰动事件模型预测的电能扰动事件属于某个扰动事件类别的概率，确定电能扰动事件所属的目标扰动事件类别，解决了设置阈值不合理导致电能扰动事件分类不准确的问题，提升了电能扰动事件分类的准确率。
附图说明
图1是一个实施例中一种扰动事件模型的构建方法的流程示意图；
图2是一种小波系数能量数据转换流程的示意图；
图3是一种三相暂态数据示例的示意图；
图4是一种小波系数能量数据示例的示意图；
图5是一种扰动特征向量示例的示意图；
图6是一个实施例中一种电能扰动事件的识别方法的流程示意图；
图7是一种电能扰动事件的识别流程的示意图；
图8是一个实施例中一种扰动事件模型的构建装置的结构框图；
图9是一个实施例中一种电能扰动事件的识别装置的结构框图；
图10是一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本申请进行进一步详细说明。应当理解，此处描述的具体实施例仅仅用以解释本申请，并不用于限定本申请。
在一个实施例中，如图1所示，提供了一种扰动事件模型的构建方法，包括以下步骤：
步骤S102，获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段。
其中，电能扰动事件可以包括电网系统中的线路重合闸、主备设备切换保护、电容器组投切等导致电能扰动的事件。实际应用中，电网系统中不同的电能扰动事件可能会引起电网中电压、电流不同程度的波动，而当发生上述的电能扰动事件时，则可能会导致比较严重的电压、电流的波动，从而影响电网系统供电的电能质量。
其中，三相暂态数据可以包括电网系统在供电时的三相电压、电流的数据。实际应用中，电能质量监测系统可以针对电网系统中各个电网设备采集三相电压、电流等的数据，作为三相暂态数据。
其中，扰动时间段可以包括三相暂态数据中由于发生电能扰动事件所导致三相电压、电流波动幅度较大的时间段。
具体地，电能质量监测系统可以针对电网系统采集三相暂态数据。在获取到三相暂态数据之后，为了确定电能扰动事件的发生时间段，可以识别该三相暂态数据中的扰动时间段。
扰动时间段的识别方式可以有多种。例如，可以通过波形变换技术，将三相暂态数据转换成小波系数能量数据。然后，通过移动时间窗技术，确定小波系数能量数据中能量值波动幅度最大的时间点，作为扰动开始时间和扰动切除时间，该两个时间点所形成的时间段，则为三相暂态数据中的扰动时间段。当然，本领域技术人员可以根据实际需要采用各种方式识别出三相暂态数据中的扰动时间段，本申请实施例对此不作限制。
步骤S104，在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量。
其中，扰动特征向量可以包括用于表征某个电能扰动事件的特征的集合。一个扰动特征向量可以包括有按照设定规则组成的多个扰动特征。例如，一个扰动特征可以包括有对三相状态数据进行一次谐波成分提取得到的谐波成分，从而，扰动特征向量则是依次进行多次谐波成分提取得到的多个谐波成分。
具体地，电能质量监测系统可以针对扰动时间段该范围之内的三相暂态数据，进行扰动特征向量的提取。
扰动特征向量的提取方式可以有多种。例如，针对于三相电压、电流的暂态数据，可以通过时频变换技术进行谐波成分提取，进行一次谐波成分提取，得到一个谐波成分，作为一个扰动特征。在依次进行多次谐波成分提取之后，得到多个谐波成分，将该多个谐波成分组合成扰动特征向量。当然，本领域技术人员可以根据实际需要采用各种方式，在三相暂态数据中提取出用于表征电能扰动事件的扰动特征向量，本申请实施例对此不作限制。
步骤S106，对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别。
其中，特征聚类结果可以包括属于同一扰动事件类别的多个扰动特征向量的集合。
其中，扰动事件类别可以包括由于相同或相似的电网操作所导致的扰动事件的分类标识。例如，电网系统中进行了重合闸的电网操作，会引起电压峰值的波动，从而导致电能扰动事件，不同的重合闸时间所引起的电压波动幅度可能存在差异，但所导致的电能扰动事件均属于线路重合闸类别的电能扰动事件。
具体地，当获取到多个不同的电能扰动事件的三相暂态数据，针对多个的三相暂态数据的扰动时间段提取扰动特征向量之后，电能质量监测系统可以得到多个扰动特征向量。可以对该多个扰动特征向量进行聚类，得到对应于不同扰动事件类别的扰动特征向量集合，作为不同扰动事件类别的特征聚类结果。
对扰动特征向量进行聚类的方式可以有多种。例如，可以通过混合高斯聚类方法，将多个的扰动特征向量按照不同的扰动事件类别，归为多个特征向量集合，将多个特征向量集合作为各个扰动事件类别对应的特征聚类结果。当然，本领域技术人员可以根据实际需要采用各种方式，针对扰动特征向量进行聚类，以得到不同扰动事件类别的特征聚类结果，本申请实施例对此不作限制。
步骤S108，采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
其中，扰动事件模型可以包括基于特征向量之间的匹配度进行类别概率预测的数学模型。例如，基于马尔科夫模型构建的概率预测数学模型，该数学模型可以将待识别特征向量与预设的特征向量进行匹配，根据匹配度计算待识别特征向量为预设的特征向量的概率。
具体地，电能质量监测系统采用多个的特征聚类结果，构建各个扰动事件类别对应的扰动事件模型。
采用特征聚类结果构建扰动事件模型的方式可以有多种。例如，可以利用并行隐马尔科夫模型(Parallel Hidden Markov Model，PHMM)，采用特征聚类结果作为训练样本，对一个离线隐马尔科夫模型进行机器训练，将训练后的离线隐马尔科夫模型，作为一个扰动事件类别的扰动事件模型。当然，本领域技术人员可以根据实际需要基于不同的数学模型构建扰动事件模型，本申请实施例对此不作限制。
上述的扰动事件模型的构建方法中，通过针对电能扰动事件的三相暂态数据识别其扰动时间段，在扰动时间段之内的三相暂态数据中，提取表征电能扰动事件的扰动特征向量，基于提取的扰动特征向量进行聚类，得到对应同一扰动事件类别的特征聚类结果，并采用该特征聚类结果生成扰动事件模型。从而，在识别电能扰动事件的扰动事件类别时，可以将待识别特征向量输入至多个扰动事件类别的扰动事件模型，根据多个扰动事件模型预测的电能扰动事件属于某个扰动事件类别的概率，确定电能扰动事件所属的目标扰动事件类别，解决了设置阈值不合理导致电能扰动事件分类不准确的问题，提升了电能扰动事件分类的准确率。
在另一实施例中，所述识别所述三相暂态数据的扰动时间段的步骤，可以具体为：
将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
具体地，在将所述三相暂态数据转换为小波系数能量数据的步骤中，电能质量监测系统可以设置有扰动录波装置，按照一定的采集周期采集电网系统中的三相暂态数据。因此，可以针对一个单位的采集周期的三相暂态数据，通过波形变换技术中的极大重叠小波变化，将其转换为小波系数能量图，该小波系数能量图中即可以包含有小波系数能量数据。其中，小波系数能量数据中可以包括有多个时间点，每个时间点具有对应的能量值。
如图2所示，提供了一种小波系数能量数据转换流程。从图中可见，首先可以对三相暂态数据进行MODWT实时计算，得到小波变换系数。然后，根据小波变换系数确定三相暂态数据各个时间点的实时能量，采用得到的实时能量生成小波系数能量数据。
具体地，在确定扰动时间段时，可以首先在小波系数能量数据中获取各个时间点的能量值的波动幅度。例如，在时间点t的能量值为0，在时间点t+1的能量值为15，t+1与t的能量差值为15，即时间点t+1的能量值的波动幅度为15，如此类推，即可得到各个时间点的能量值的波动幅度。在多个波动幅度中，查找出波动幅度最大、且时间最早的时间点，将该时间点作为扰动开始时间。
在实际应用中，当电网系统出现线路重合闸、主备设备切换保护、电容器组投切等事件时，即会引起能量值出现较大幅度的波动。因此，可以将出现能量值波动幅度较大的时间点，作为电能扰动事件开始的扰动开始时间，以便后续可以基于电能扰动事件的扰动特征向量构建扰动事件模型。
在确定扰动开始时间之后，可以在扰动开始时间之后的多个时间点中，继续查找能量值的波动幅度最大的时间点，作为扰动切除时间。
实际应用中，当电网系统出现线路重合闸、主备设备切换保护、电容器组投切等事件之后，电网系统的维护人员可以会采取相应的措施进行修复，在修复时也会导致能量值出现较大幅度的波动。因此，可以将该时间点作为扰动切除时间，表示电能扰动事件在该时间点结束。
然后，在确定扰动开始时间和扰动切除时间之后，可以将之间的时间段，作为三相暂态数据的扰动时间段。例如，在小波系数能量数据中，确定120毫秒至180毫秒为扰动时间段，相应地，将三相暂态数据中120毫秒至180毫秒的时间段，作为扰动时间段。
通过上述步骤，确定电能扰动事件实际发生的扰动时间段，从而可以在后续提取扰动特征向量时，准确地获取到表征电能扰动事件的扰动特征向量，避免提取到并非由于电能扰动事件导致的扰动特征、并采用错误的扰动特征向量构建扰动事件模型，提升扰动事件模型的预测准确率。
为了便于本领域技术人员理解，以下将结合图3和图4对本申请实施例的三相暂态数据和小波系数能量数据进行说明。
如图3所示，提供了一种三相暂态数据示例。从图中可见，三相暂态数据可以表示为波形图的形式。其中，波形图的横坐标表示一个采集周期内的各个采样时间点，纵坐标表示各个时间点对应的电压幅值。各个时间点上的电压幅值组成一条电压波形线，三条电压波形线分别代表A相、B相和C相等三相电压的电压幅值。通过波形变换技术，可以将该三相暂态数据的波形图转换为小波系数能量数据。
图4所示，提供了一种小波系数能量数据示例。从图中可见，小波系数能量数据可以表示为线形图的形式。其中，线形图的横坐标表示一个采集周期内的各个采样时间点，纵坐标表示各个时间点对应的电压能量值。其中，确定波动幅度最大、且时间最早的时间点为120毫秒，可以将该时间点作为扰动开始时间。然后，在120毫秒的扰动开始时间之后的时间点中，确定电压能量值波动幅度最大的时间点为180毫秒，可以将该时间点作为扰动切除时间。由此，得到了扰动时间段为120毫秒至180毫秒之间的时间段。
在另一实施例中，所述步骤S104，可以具体为：
在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；组合所述多个电压电流谐波成分，得到所述扰动特征向量。
具体地，在确定扰动时间段之后，可以针对扰动时间段之内的三相暂态数据，通过谐波成分提取技术，按照不同的频率进行多次的谐波成分提取，得到多个电压电流谐波成分。其中，一个电压电流谐波成分，可以作为一个扰动特征。例如，分别按照50hz、100hz、150hz的频率进行多次谐波成分提取，得到分别对应于50hz、100hz、150hz的电压电流谐波成分。
然后，可以将多次提取出的电压电流谐波成分作为多个扰动特征，由该多个扰动特征组成扰动特征向量。
如图5所示，提供了一种扰动特征向量示例。从图中可见，从三相暂态数据中可以分别提取出三个电压相位的电压谐波成分，组成扰动特征向量。其中，扰动特征向量可以表示为一个柱状图，横坐标表示提取的次数，纵坐标表示电压的频率。
通过上述步骤，获取到准确反映出电能扰动事件特征的电压电流谐波成分作为扰动特征，并由扰动特征组成扰动特征向量，从而后续可以得到可以准确预测电能扰动事件属于特定扰动事件类别的概率的扰动事件模型。
在另一实施例中，所述步骤S106，可以具体为：
统计所述扰动特征向量属于预设的各个初始特征向量集合的集合归属概率值；添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；将所述目标特征向量集合，作为所述特征聚类结果。
实际应用中，可以通过混合高斯聚类方法，针对扰动特征向量进行聚类得到特征聚类结果。
具体地，可以首先设定多个扰动事件类别，并针对多个扰动事件类别设定一个初始特征向量集合。该初始特征向量集合可以包括有人工预设的多个初始扰动特征，用于计算扰动特征向量属于某个初始特征向量集合的集合归属概率。
可以针对扰动特征向量中的扰动特征及扰动特征之间的组合结构，计算扰动特征向量属于各个初始特征向量集合的概率值，得到多个集合归属概率值。
在计算出多个集合归属概率值之后，可以确定最大归属概率值及其对应的初始特征向量集合，并将扰动特征向量添加至该初始特征向量集合中，得到目标特征向量集合。
针对多个的扰动特征向量，可以重复上述各步骤，直至将多个的扰动特征向量分别添加至对应的初始特征向量集合中，从而实现对扰动特征向量的聚类，得到各个扰动事件类别的特征向量集合，作为对应的特征聚类结果。
在另一实施例中，所述方法还包括：
获取与所述特征聚类结果对应的事件成因；建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
具体地，可以针对特征聚类结果进行成因分析，得到事件成因，并建立该事件成因与特征聚类结果对应的扰动事件类别之间的对应关系。在电能扰动事件的识别过程中，当确定某个电能扰动事件属于某个扰动事件类别时，可以根据预设的对应关系，向用户展示该扰动事件类别的事件成因，以便用户根据事件成因进行电网系统的维护处理。
通过建立事件成因和扰动事件类别之间的对应关系，在确定电能扰动事件所属的扰动事件类别之后，可以相应提供扰动事件类别对应的事件成因，从而用户可以便捷地根据事件成因进行电网系统的维护处理，提升了电网系统的维护效率。
在一个实施例中，如图6所示，提供了一种电能扰动事件的识别方法，包括以下步骤：
步骤S602，针对待识别电能扰动事件，获取待识别特征向量。
具体地，可以首先获取待识别电能扰动事件的三相暂态数据，并识别该三相暂态数据的扰动时间段，在扰动时间段之内的三相暂态数据中，提取扰动特征向量，作为上述的待识别特征向量。
由于针对电能扰动事件获取扰动特征向量的过程在上述实施例中已有详细说明，在此不再赘述。
步骤S604，输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值。
具体地，可以将获取到的待识别特征向量，输入至多个扰动事件模型。其中，每个扰动事件模型对应一个扰动事件类别。该扰动事件模型可以根据待识别特征向量预测待识别电能扰动事件属于其对应的扰动事件类别的概率值。由于扰动事件模型的生成过程在上述实施例中已有详细说明，在此不再赘述。
步骤S606，在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型。
具体地，多个扰动事件模型分别预测出概率值之后，可以得到多个概率值。在该多个概率值中，确定概率值最大的扰动事件模型，作为目标扰动事件模型。
步骤S608，确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
具体地，在确定目标扰动事件模型之后，可以将该目标扰动事件模型对应的扰动事件类别，作为待识别电能扰动事件所属的目标扰动事件类别。由此，识别出当前电能扰动事件的扰动事件类别。在确定扰动事件类别之后，还可以提取该扰动事件类别预设的事件成因，将该事件成因向用户展示，以便用户根据事件成因进行电网系统的维护处理。
上述的电能扰动事件的识别方法中，通过将当前的待识别电能扰动事件的待识别特征向量输入至多个扰动事件模型，根据多个扰动事件模型预测的概率值，将目标扰动事件模型对应的扰动事件类别，作为待识别电能扰动事件的目标扰动事件类别。从而通过模型预测的方式识别电能扰动事件的类别，解决了设置阈值不合理导致电能扰动事件分类不准确的问题，提升了电能扰动事件分类的准确率。
为了便于本领域技术理解本申请实施例，以下将结合图7的电能扰动事件识别流程进行说明。
如图7所示，提供了一种电能扰动事件的识别流程。从图中可见，可以首先获取三相暂态数据，识别三相暂态数据的扰动时间段，针对扰动时间段内的三相暂态数据获取扰动特征向量。然后，将扰动特征向量分别输入至各个扰动事件类别的扰动事件模型中。各个扰动事件模型根据扰动特征向量计算概率值并输出。在各个扰动事件模型输出的概率值中，确定最大概率值对应扰动事件模型，并确定当前的电能扰动事件所属的目标扰动事件类别。
应该理解的是，虽然图1和图6的流程图中的各个步骤按照箭头的指示依次显示，但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明，这些步骤的执行并没有严格的顺序限制，这些步骤可以以其它的顺序执行。而且，图1和图6中的至少一部分步骤可以包括多个子步骤或者多个阶段，这些子步骤或者阶段并不必然是在同一时刻执行完成，而是可以在不同的时刻执行，这些子步骤或者阶段的执行顺序也不必然是依次进行，而是可以与其它步骤或者其它步骤的子步骤或者阶段的至少一部分轮流或者交替地执行。
在一个实施例中，如图8所示，提供了一种扰动事件模型的构建装置，包括：时间段识别模块802、特征向量提取模块804、聚类模块806和模型生成模块808，其中：
时间段识别模块802，用于获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
特征向量提取模块804，用于在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
聚类模块806，用于对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
模型生成模块808，用于采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
在另一实施例中，所述时间段识别模块802，包括：
数据转换子模块，用于将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；
开始时间确定子模块，用于在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；
切除时间确定子模块，用于在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；
时间段确定子模块，用于将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
在另一实施例中，所述特征向量提取模块804，包括：
谐波成分提取子模块，用于在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；
谐波成分组合子模块，用于组合所述多个电压电流谐波成分，得到所述扰动特征向量。
在另一实施例中，所述聚类模块806，包括：
集合生成子模块，用于生成对应于多个扰动事件类别的初始特征向量集合；
归属概率值统计子模块，用于统计所述扰动特征向量属于各个初始特征向量集合的集合归属概率值；
向量添加子模块，用于添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；
聚类结果获取子模块，用于将所述目标特征向量集合，作为所述特征聚类结果。
在另一实施例中，所述装置还包括：
事件成因获取模块，用于获取与所述特征聚类结果对应的事件成因；
对应关系建立模块，用于建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
在一个实施例中，如图9所示，提供了一种电能扰动事件的识别装置，包括：特征向量获取模块902、输入模块904、目标模型确定模块906和目标类别确定模块908，其中：
特征向量获取模块902，用于针对待识别电能扰动事件，获取待识别特征向量；
输入模块904，用于输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
目标模型确定模块906，用于在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
目标类别确定模块908，用于确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
关于扰动事件模型的构建装置和电能扰动事件的识别装置的具体限定可以参见上文中对于扰动事件模型的构建方法和电能扰动事件的识别方法的限定，在此不再赘述。上述扰动事件模型的构建装置和电能扰动事件的识别装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中，也可以以软件形式存储于计算机设备中的存储器中，以便于处理器调用执行以上各个模块对应的操作。
在一个实施例中，提供了一种计算机设备，该计算机设备可以是终端，其内部结构图可以如图10所示。该计算机设备包括通过系统总线连接的处理器、存储器、网络接口、显示屏和输入装置。其中，该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的网络接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种扰动事件模型的构建方法和一种电能扰动事件的识别方法。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏，该计算机设备的输入装置可以是显示屏上覆盖的触摸层，也可以是计算机设备外壳上设置的按键、轨迹球或触控板，还可以是外接的键盘、触控板或鼠标等。
本领域技术人员可以理解，图10中示出的结构，仅仅是与本申请方案相关的部分结构的框图，并不构成对本申请方案所应用于其上的计算机设备的限定，具体的计算机设备可以包括比图中所示更多或更少的部件，或者组合某些部件，或者具有不同的部件布置。
在一个实施例中，提供了一种计算机设备，包括存储器和处理器，存储器中存储有计算机程序，该处理器执行计算机程序时实现以下步骤：
获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；
在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；
在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；
将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；
组合所述多个电压电流谐波成分，得到所述扰动特征向量。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
统计所述扰动特征向量属于预设的各个初始特征向量集合的集合归属概率值；
添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；
将所述目标特征向量集合，作为所述特征聚类结果。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
获取与所述特征聚类结果对应的事件成因；
建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
在一个实施例中，处理器执行计算机程序时还实现以下步骤：
针对待识别电能扰动事件，获取待识别特征向量；
输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
在一个实施例中，提供了一种计算机可读存储介质，其上存储有计算机程序，计算机程序被处理器执行时实现以下步骤：
获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；
在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；
在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；
将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；
组合所述多个电压电流谐波成分，得到所述扰动特征向量。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
统计所述扰动特征向量属于预设的各个初始特征向量集合的集合归属概率值；
添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；
将所述目标特征向量集合，作为所述特征聚类结果。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
获取与所述特征聚类结果对应的事件成因；
建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
在一个实施例中，计算机程序被处理器执行时还实现以下步骤：
针对待识别电能扰动事件，获取待识别特征向量；
输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
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流程，是可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一非易失性计算机可读取存储介质中，该计算机程序在执行时，可包括如上述各方法的实施例的流程。其中，本申请所提供的各实施例中所使用的对存储器、存储、数据库或其它介质的任何引用，均可包括非易失性和/或易失性存储器。非易失性存储器可包括只读存储器(ROM)、可编程ROM(PROM)、电可编程ROM(EPROM)、电可擦除可编程ROM(EEPROM)或闪存。易失性存储器可包括随机存取存储器(RAM)或者外部高速缓冲存储器。作为说明而非局限，RAM以多种形式可得，诸如静态RAM(SRAM)、动态RAM(DRAM)、同步DRAM(SDRAM)、双数据率SDRAM(DDRSDRAM)、增强型SDRAM(ESDRAM)、同步链路(Synchlink)DRAM(SLDRAM)、存储器总线(Rambus)直接RAM(RDRAM)、直接存储器总线动态RAM(DRDRAM)、以及存储器总线动态RAM(RDRAM)等。
以上实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本申请构思的前提下，还可以做出若干变形和改进，这些都属于本申请的保护范围。因此，本申请专利的保护范围应以所附权利要求为准。
Claims (10)
1.一种扰动事件模型的构建方法，其特征在于，所述方法包括：
获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
2.根据权利要求1所述的方法，其特征在于，所述识别所述三相暂态数据的扰动时间段的步骤，包括：
将所述三相暂态数据转换为小波系数能量数据；所述小波系数能量数据包括多个时间点以及对应的能量值；
在所述多个时间点中，查找能量值的波动幅度最大、且时间最早的时间点，作为扰动开始时间；
在所述扰动开始时间之后的时间点中，查找能量值的波动幅度最大的时间点，作为扰动切除时间；
将所述扰动开始时间和所述扰动切除时间之间的时间段，作为所述三相暂态数据的扰动时间段。
3.根据权利要求1所述的方法，其特征在于，所述在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量的步骤，包括：
在所述扰动时间段之内的三相暂态数据中，进行多次的谐波成分提取，得到多个电压电流谐波成分；
组合所述多个电压电流谐波成分，得到所述扰动特征向量。
4.根据权利要求1所述的方法，其特征在于，所述对所述扰动特征向量进行聚类，得到特征聚类结果的步骤，包括：
统计所述扰动特征向量属于预设的各个初始特征向量集合的集合归属概率值；
添加所述扰动特征向量至所述归属概率值最大的初始特征向量集合，得到目标特征向量集合；
将所述目标特征向量集合，作为所述特征聚类结果。
5.根据权利要求4所述的方法，其特征在于，所述方法还包括：
获取与所述特征聚类结果对应的事件成因；
建立所述扰动事件类别与所述事件成因的对应关系，以在确定所述电网系统存在所述扰动事件类别的电能扰动事件时、提供所述扰动事件类别对应的事件成因。
6.一种电能扰动事件的识别方法，其特征在于，所述方法包括：
针对待识别电能扰动事件，获取待识别特征向量；
输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
7.一种扰动事件模型的构建装置，其特征在于，包括：
时间段识别模块，用于获取电能扰动事件的三相暂态数据，并识别所述三相暂态数据的扰动时间段；
特征向量提取模块，用于在所述扰动时间段之内的三相暂态数据中，提取扰动特征向量；
聚类模块，用于对所述扰动特征向量进行聚类，得到特征聚类结果；所述特征聚类结果具有对应的扰动事件类别；
模型生成模块，用于采用所述特征聚类结果，生成所述扰动事件类别的扰动事件模型；所述扰动事件模型用于预测待识别电能扰动事件属于所述扰动事件类别的概率值。
8.一种电能扰动事件的识别装置，其特征在于，包括：
特征向量获取模块，用于针对待识别电能扰动事件，获取待识别特征向量；
输入模块，用于输入所述待识别特征向量至多个扰动事件模型；所述扰动事件模型是根据在针对电能扰动事件的三相暂态数据识别出扰动时间段后、在扰动时间段之内的三相暂态数据中提取扰动特征向量、对所述扰动特征向量进行聚类得到特征聚类结果、并根据所述特征聚类结果生成的；所述扰动事件模型用于根据所述待识别特征向量预测所述待识别电能扰动事件属于特定扰动事件类别的概率值；
目标模型确定模块，用于在所述多个扰动事件模型中，确定预测的概率值最大的目标扰动事件模型；
目标类别确定模块，用于确定所述待识别电能扰动事件的目标扰动事件类别；所述目标扰动事件类别包括所述目标扰动事件模型对应的扰动事件类别。
9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至6中任一项所述方法的步骤。
10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至6中任一项所述的方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810332443.9A CN108629087A (zh) | 2018-04-13 | 2018-04-13 | 扰动事件模型构建方法、装置和扰动事件识别方法、装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810332443.9A CN108629087A (zh) | 2018-04-13 | 2018-04-13 | 扰动事件模型构建方法、装置和扰动事件识别方法、装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108629087A true CN108629087A (zh) | 2018-10-09 |
Family
ID=63705382
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810332443.9A Pending CN108629087A (zh) | 2018-04-13 | 2018-04-13 | 扰动事件模型构建方法、装置和扰动事件识别方法、装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108629087A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292832A (zh) * | 2020-01-22 | 2020-06-16 | 浙江连信科技有限公司 | 基于智能终端的心理危机人员主动预测方法及装置 |
| CN112287996A (zh) * | 2020-10-27 | 2021-01-29 | 南京莱斯信息技术股份有限公司 | 一种基于机器学习的重大事件关键因子挖掘方法 |
| CN115081543A (zh) * | 2022-07-22 | 2022-09-20 | 北京智芯微电子科技有限公司 | 模型训练方法、电能质量评估方法、装置、设备及介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556621A (zh) * | 2009-05-21 | 2009-10-14 | 中国科学技术大学 | 聚类方法和设备 |
| CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
| CN105004939A (zh) * | 2015-05-08 | 2015-10-28 | 浙江工业大学 | 一种复合电能质量扰动信号定量分析方法 |
| CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
| CN106022614A (zh) * | 2016-05-22 | 2016-10-12 | 广州供电局有限公司 | 一种基于最近邻聚类的神经网络数据挖掘方法 |
-
2018
- 2018-04-13 CN CN201810332443.9A patent/CN108629087A/zh active Pending
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101556621A (zh) * | 2009-05-21 | 2009-10-14 | 中国科学技术大学 | 聚类方法和设备 |
| CN103743980A (zh) * | 2014-01-14 | 2014-04-23 | 山东科技大学 | 基于pso优化的svm的电能质量扰动识别与分类方法 |
| CN105004939A (zh) * | 2015-05-08 | 2015-10-28 | 浙江工业大学 | 一种复合电能质量扰动信号定量分析方法 |
| CN105447464A (zh) * | 2015-11-23 | 2016-03-30 | 广东工业大学 | 一种基于pso的电能质量扰动识别与分类方法 |
| CN106022614A (zh) * | 2016-05-22 | 2016-10-12 | 广州供电局有限公司 | 一种基于最近邻聚类的神经网络数据挖掘方法 |
Non-Patent Citations (8)
| Title |
|---|
| 任子晖等: "基于小波变换和改进Prony方法的电能质量扰动分析", 《电力系统保护与控制》 * |
| 吕子君: "基于小波变换和HMM的电能质量扰动分类", 《万方学位论文》 * |
| 唐飞等: "基于双阶段并行隐马尔科夫模型的电力系统暂态稳定评估", 《中国电机工程学报》 * |
| 张宇辉等: "基于连续小波变换的电能质量测量与分类", 《电力自动化设备》 * |
| 徐志超等: "基于聚类改进S变换与直接支持向量机的电能质量扰动识别", 《电力自动化设备》 * |
| 李亚萍等: "基于LabVIEW的电能质量实时监测与分析系统的设计", 《石河子大学学报：自然科学版》 * |
| 覃星福等: "基于广义S变换与PSO-PNN的电能质量扰动识别", 《电力系统保护与控制》 * |
| 韩玉环等: "基于FCM的暂态电能质量扰动识别", 《电力系统保护与控制》 * |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111292832A (zh) * | 2020-01-22 | 2020-06-16 | 浙江连信科技有限公司 | 基于智能终端的心理危机人员主动预测方法及装置 |
| CN111292832B (zh) * | 2020-01-22 | 2021-09-14 | 浙江连信科技有限公司 | 基于智能终端的心理危机人员主动预测方法及装置 |
| CN112287996A (zh) * | 2020-10-27 | 2021-01-29 | 南京莱斯信息技术股份有限公司 | 一种基于机器学习的重大事件关键因子挖掘方法 |
| CN112287996B (zh) * | 2020-10-27 | 2023-03-24 | 南京莱斯信息技术股份有限公司 | 一种基于机器学习的重大事件关键因子挖掘方法 |
| CN115081543A (zh) * | 2022-07-22 | 2022-09-20 | 北京智芯微电子科技有限公司 | 模型训练方法、电能质量评估方法、装置、设备及介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Biswal et al. | Supervisory protection and automated event diagnosis using PMU data | |
| Cai et al. | Wide-area monitoring of power systems using principal component analysis and $ k $-nearest neighbor analysis | |
| 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 | |
| CN106443244B (zh) | 用电设备类型辨识方法和系统 | |
| CN111428755B (zh) | 非侵入式负荷监测方法 | |
| Ma et al. | A PMU-based data-driven approach for classifying power system events considering cyberattacks | |
| CN108629087A (zh) | 扰动事件模型构建方法、装置和扰动事件识别方法、装置 | |
| CN108804696A (zh) | 电力用户电器指纹库的创建方法及其系统 | |
| Iturrino-García et al. | An innovative single shot power quality disturbance detector algorithm | |
| CN114236234A (zh) | 一种基于基波和谐波混合判据的电器特征辨识方法 | |
| CN109359665A (zh) | 一种基于支持向量机的家电负荷识别方法及装置 | |
| CN109239456B (zh) | 一种基于动态规划时间序列相似性算法的谐波溯源方法 | |
| CN111415107A (zh) | 配电网台区画像生成方法、装置、计算机设备和存储介质 | |
| US20160109492A1 (en) | Method and system for analysing electricity consumption | |
| CN108647626B (zh) | 电能质量事件与事件成因的关联关系确定方法和装置 | |
| Rodrigues et al. | Deep learning for power quality event detection and classification based on measured grid data | |
| Anguswamy et al. | Distribution Network Power Quality Insights With Optimally Placed Micro-PMUs Incorporating Synthetic and Real Field Data | |
| CN115577249A (zh) | 多视角特征融合的变压器声信号识别方法、系统及介质 | |
| Lv et al. | A novel method of complex PQ disturbances classification without adequate history data | |
| Patrizi et al. | Improving Power Quality measurements using deep learning for disturbance classification | |
| Moon et al. | Event sequence model application for prioritization and detection of pre-fault waveforms on power distribution lines | |
| Das et al. | Data-driven event detection with PMU data using a novel composite deep learning technique | |
| Cieslak et al. | Usage of Harmonic Synchrophasors for High-Impedance Fault Classification in Microgrids | |
| Izadi | Data-Driven Analysis and Applications of Time-Synchronized Waveform Measurements in Power Systems | |
| Ahmad et al. | A data driven denoising framework for error corrupted synchrophasor data |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181009 |
|
| RJ01 | Rejection of invention patent application after publication |