CN109145968A - 一种电能质量故障分类方法、系统、装置及可读存储介质 - Google Patents

一种电能质量故障分类方法、系统、装置及可读存储介质 Download PDF

Info

Publication number
CN109145968A
CN109145968A CN201810878555.4A CN201810878555A CN109145968A CN 109145968 A CN109145968 A CN 109145968A CN 201810878555 A CN201810878555 A CN 201810878555A CN 109145968 A CN109145968 A CN 109145968A
Authority
CN
China
Prior art keywords
power quality
failure modes
training sample
modes model
data
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
Application number
CN201810878555.4A
Other languages
English (en)
Inventor
高俊青
胡翔
屠永伟
李题印
孙亮
辛业春
徐红艳
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Northeast Electric Power University
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Original Assignee
Northeast Dianli University
Hangzhou Power Equipment Manufacturing Co Ltd
Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Northeast Dianli University, Hangzhou Power Equipment Manufacturing Co Ltd, Hangzhou Power Supply Co of State Grid Zhejiang Electric Power Co Ltd filed Critical Northeast Dianli University
Priority to CN201810878555.4A priority Critical patent/CN109145968A/zh
Publication of CN109145968A publication Critical patent/CN109145968A/zh
Pending legal-status Critical Current

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting

Landscapes

  • Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Theoretical Computer Science (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Evolutionary Biology (AREA)
  • Evolutionary Computation (AREA)
  • Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Information Retrieval, Db Structures And Fs Structures Therefor (AREA)

Abstract

本申请公开了一种电能质量故障分类方法，包括：获取电能质量训练样本；根据所述电能质量训练样本建立故障分类模型；将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。本发明利用电能质量训练样本建立故障分类模型，该故障分类模型中不同的电能质量指标之间存在更为深刻清晰的联系，因此待分类的电能质量数据在该故障分类模型中可以解析得到更准确的关系，从而得到更准确的电能质量分类结果。而且由于故障分类模型为机器模型，电能质量分类结果不会受到主观经验的误差影响。相应的，本申请还公开了一种电能质量故障分类系统、装置及可读存储介质。

Description

一种电能质量故障分类方法、系统、装置及可读存储介质
技术领域
本发明涉及电能质量分类领域，特别涉及一种电能质量故障分类方法、系统、装置及可读存储介质。
背景技术
随着电力市场的不断纵深发展，各方面都深入细化，电力用户对电能质量的高质量需求越来越突出。电能质量的指标分析和准确分类成为对电能按质定价的重要依据。电能质量的指标包括电压偏差、频率偏差、电压三相不平衡、电压波动与闪变、谐波畸变率、电压暂降与中断。根据实际情况中，可以将电能质量按指标分为以下六类：正常数据、电压波动、电压中断、谐波影响、电压暂时性波动、震荡暂态。
目前对电能质量指标进行主要采用的方法有模糊数学方法、专家系统法和层次分析法。现有方法都存在一定缺陷，在实际使用中准确度都较低，造成误判的原因来自三个方面，一是大部分方法都是从现有电能质量指标出发，评判标准扁平，没有深入挖掘各个指标之间存在的更深层次的联系；二是各个电能质量指标分类结果的权重矩阵来自于专家评估，受主观经验影响较大；三是干扰和噪声对于分类结果产生较大的影响。
因此，如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。
发明内容
有鉴于此，本发明的目的在于提供一种电能质量故障分类方法、系统、装置及可读存储介质，以便能够对电能质量进行更为准确的判断分类。其具体方案如下：
一种电能质量故障分类方法，包括：
获取电能质量训练样本；
根据所述电能质量训练样本建立故障分类模型；
将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。
优选的，所述根据所述电能质量训练样本建立故障分类模型的过程，具体包括：
利用KPCA或FDA，根据所述电能质量训练样本建立故障分类模型。
优选的，所述根据所述电能质量训练样本建立故障分类模型的过程，具体包括：
利用KPCA和FDA，根据所述电能质量训练样本建立故障分类模型。
优选的，所述获取电能质量训练样本的过程，具体包括：
获取处于预设正常指标范围内的第一电能质量训练样本；
获取对应各类故障的第二电能质量训练样本。
优选的，所述利用KPCA和FDA，根据所述电能质量训练样本建立故障分类模型的过程，具体包括：
利用所述KPCA，分别提取所述第一电能质量训练样本的第一核主成分和所述第二电能质量训练样本的第二核主成分；
利用所述FDA，分别计算所述第一核主成分的第一最优投影方向和所述第二核主成分的第二最优投影方向；
根据所述第一核主成分和所述第一最优投影方向，得到第一训练矢量；
根据所述第二核主成分和所述第二最优投影方向，得到第二训练矢量；
计算所述第一训练矢量和所述第二训练矢量之间的欧氏距离，以根据所述欧氏距离建立所述故障分类模型。
优选的，所述将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果的过程，具体包括：
将待分类的电能质量数据输入所述故障分类模型；
利用所述故障分类模型，获取所述电能质量数据对应的待判别矢量，并计算所述待判别矢量与所述第二训练矢量之间的欧氏距离，以得到对应的电能质量分类结果。
优选的，所述利用所述KPCA，分别提取所述第一电能质量训练样本的第一核主成分和所述第二电能质量训练样本的第二核主成分之前，还包括：
确定方差贡献率大于预设数值时，所述第一核主成分和所述第二核主成分的个数。
相应的，本发明还公开了一种电能质量故障分类系统，包括：
数据模块，用于获取电能质量训练样本；
建模模块，用于根据所述电能质量训练样本建立故障分类模型；
分类模块，用于将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。
相应的，本发明公开了一种电能质量故障分类装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文所述电能质量故障分类方法的步骤。
相应的，本发明公开了一种可读存储介质，所述可读存储介质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如上文所述电能质量故障分类方法的步骤。
本发明公开了一种电能质量故障分类方法，包括：获取电能质量训练样本；根据所述电能质量训练样本建立故障分类模型；将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。本发明利用电能质量训练样本建立故障分类模型，该故障分类模型中不同的电能质量指标之间存在更为深刻清晰的联系，因此待分类的电能质量数据在该故障分类模型中可以解析得到更准确的关系，从而得到更准确的电能质量分类结果。而且由于故障分类模型为机器模型，电能质量分类结果不会受到主观经验的误差影响。
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，还可以根据提供的附图获得其他的附图。
图1为本发明实施例中一种电能质量故障分类方法的步骤流程图；
图2为本发明实施例中三种算法的故障识别率的数据比较图；
图3为本发明实施例中一种具体的电能质量故障分类方法的步骤流程图；
图4为本发明实施例中一种核主成分的个数和综合识别率的关系曲线图；
图5为本发明实施例中一种电能质量故障分类系统的结构分布图。
具体实施方式
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、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明实施例公开了一种电能质量故障分类方法，参见图1所示，包括：
S1：获取电能质量训练样本；
S2：根据所述电能质量训练样本建立故障分类模型；
具体的，在建立故障分类模型时应用的算法包括KPCA和/或FDA。
其中，KPCA(Kernel Principle Component Analysis，核主成分分析)与一般传统的PCA(Principal Component Analysis，主成分分析)相比，KPCA能够深入挖掘数据结构中的非线性关系，完整反映原始数据中的非线性信息。通过KPCA的核函数将非线性数据投影到高维空间，把低维空间中线性不可分的数据变成高维线性可分，然后利用PCA的原理对数据进行降维处理，得到保留了大部分数据方差特征的特征项链，根据求解的特征值，也即方差大小，在满足精度要求的情况下选取主成分个数并完成主成分筛选。
而FDA(Fisher discriminant analysis，费舍尔判别分析法)是选择令费舍尔准则函数达到极值时的向量作为最终投影方向，样本数据在此方向投影后同时满足类内散布函数最大和类间散布函数最小的要求，属于能达到最佳分类效果的模式分类方法之一。
参见图2所示，图中是KPCA和FDA结合、仅KPCA、仅FDA三种算法的准确度比较。可以看出，在结合KPCA和FDA时，既考虑采用KPCA方法对电能质量原始数据进行了升维，是原始数据之间的联系更加清晰，使数据在低维空间中不易分离的先行关系，在高维空间中可以线性化处理，又利用了FDA模型实现数据的最优分类，两种方法的结合对于不易判断的噪声和干扰体现出较强的鲁棒性。
当然，本实施例还可以应用其他的算法来建立故障分类模型，通过电能质量训练样本对该故障分类模型进行训练，更深层次地了解样本数据中不同指标间的联系，从而能输出准确的电能质量分类结果。
S3：将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。
具体的，待分类的电能质量数据的组成、格式与之前的电能质量训练样本对应，将其输入故障分类模型以后，得到对应的电能质量分类结果。可能出现的电能质量分类结果可以包括：正常数、电压波动、电压中断、谐波影响、电压暂时性波动、震荡暂态。
本发明公开了一种电能质量故障分类方法，包括：获取电能质量训练样本；根据所述电能质量训练样本建立故障分类模型；将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。本发明利用电能质量训练样本建立故障分类模型，该故障分类模型中不同的电能质量指标之间存在更为深刻清晰的联系，因此待分类的电能质量数据在该故障分类模型中可以解析得到更准确的关系，从而得到更准确的电能质量分类结果。而且由于故障分类模型为机器模型，电能质量分类结果不会受到主观经验的误差影响。
本发明实施例公开了一种具体的电能质量故障分类方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的参见图3所示：
所述根据所述电能质量训练样本建立故障分类模型的过程，包括：
利用KPCA和FDA，根据所述电能质量训练样本建立故障分类模型。
相应的，步骤S1所述获取电能质量训练样本的过程，具体包括：
S11：获取处于预设正常指标范围内的第一电能质量训练样本Stext；
S12：获取对应各类故障的第二电能质量训练样本Strain.p(p＝1,2,3...,n)。
其中，n的取值为故障的类别数目，一般取n为6。
相应的，步骤S2所述利用KPCA和FDA，根据所述电能质量训练样本建立故障分类模型的过程，具体包括：
S21：利用所述KPCA，分别提取所述第一电能质量训练样本Stext的第一核主成分Γtext和所述第二电能质量训练样本Strain.p的第二核主成分Γtrain.p；
进一步的，在步骤S21所述利用所述KPCA，分别提取所述第一电能质量训练样本的第一核主成分和所述第二电能质量训练样本的第二核主成分之前，还包括：
确定方差贡献率大于预设数值时，所述第一核主成分和所述第二核主成分的个数。
预设数值一般可以取为85％。在方差贡献率大于85％的情况下，核主成分的个数和综合识别率之间的关系如图4所示，每增加一个核主成分，后续的计算时间会相应增加。因此需要权衡计算时间与综合识别率，最终确定计算效率较高的核主成分的个数。在本实施例中，第一核主成分和第二核主成分的个数均确定为23。
步骤S21中应用的算法具体如下，对于已经标准化处理后的样本数据xi(i＝1,2,...m,xi∈RN)，利用非线性映射函数Φ将样本数据xi映射至高维空间F中，对于升维后的样本数据集合Φ(xi)，其协方差矩阵为：
一般PCA算法中，利用特征方程：
λα＝Cα (2)
在(2)式中，λ是协方差矩阵C的特征值，α是与λ具有一一对应关系的特征向量。求解方程得到的特征值λj(λ1≥λ2≥...≥λj)，继而求得对应的特征向量αj，对αj进行标准化处理后得到ej，为保证含有绝大部分方差信息，选取的主成份个数t的方差贡献率一般不得小于85％，即：
但对于KPCA而言，由于不知道映射函数Φ的具体形式，根据核函数的性质，可以求得特征值以及样本数据在高维空间中基向量上的投影，具体推导过程如下：
令则
令K＝XXT，则可有以下结果，
(XTX)(XTυ)＝λ(XTυ) (6)
则(5)式知：NC＝XTX (7)
由时(6)、(7)知矩阵K、C具有相同特征值，而C的特征向量为XTυ。先将C的特征向量转化为单位向量，即
通过上述推导可知，即使不知道映射函数Φ的具体形式，也可以通过选择的核函数K来计算高维空间F中升维样本数据的特征值(方差贡献率)及升维样本数据在对应特征向量上的投影。下面给出对于样本数据在高维空间F中的特征向量上投影公式：
选取核函数为高斯径向基函数(RBF，Radial Basis Function)核函数：
可以理解的是，通过KPCA对数据进行升维后，最后选择使用的数据中干扰和噪声较少，在判断时排除了原来数据中干扰噪声的影响。
S22：利用所述FDA，分别计算所述第一核主成分Γtext的第一最优投影方向和所述第二核主成分Γtrain.p的第二最优投影方向；
更具体的，第一最优投影方向的特征矩阵为Fn-text，第二最优投影方向的特征矩阵为Fn-train.p。
实际上，FDA的数学原理表达如下：设样本空间R由n个数据构成，并且每个数据内包含m个测量变量，数据可分为P类数据，每类数据个数设为ni(i＝1,2,...p)。定义类内离散度矩阵为Sa，类间离散度矩阵为Sb。根据样本空间的数据定义，则类内离散度矩阵为：
式中：
其中xi为第i类数据的集合，为xi的均值矢量，类间离散度矩阵为：
式中：为xi的均值矢量，为所有样本的均值矢量。
费舍尔判别分析目标函数为：
当使得目标函数最大时，即同时满足类内散布函数最大和类间散布函数最小要求，此时的投影方向w对样本空间的数据分类效果最好。
为求解此方程，将上式转换为解决求解下式的广义特征方程：
Sbw＝λSaw (15)
求解上式可得到n个特征值λf(λ1≥λ2≥...≥λf)和特征向量αf(f＝1,2,...n)，由特征向量λf构建特征矩阵Ff。
S23：根据所述第一核主成分Γtext和所述第一最优投影方向，得到第一训练矢量ξtext；
具体的，该步骤应用的计算公式为ξtext＝Γtext·Fn-text。
S24：根据所述第二核主成分Γtrain.p和所述第二最优投影方向，得到第二训练矢量ξtrain,p；
具体的，该步骤应用的计算公式为ξtrain.p＝Γtrain.p·Fn-train.p。
S25：计算所述第一训练矢量ξtext和所述第二训练矢量ξtrain,p之间的欧氏距离Dis'p，以根据所述欧氏距离建立所述故障分类模型。
可以看到，对于第p个第二电能质量训练样本Strain.p，都存在对应的第二核主成分Γtrain.p、最优投影方向及其特征矩阵Fn-train.p、第二训练矢量ξtrain,p和对应的欧氏距离Dis'p。
针对输入的六种第二电能质量训练样本，每种都是等时间间隔测量数据的集合，利用KPCA对上述数据进行处理，将原始输入数据通过RBF核函数升维至高维空间，计算升维后样本数据的主成分，由于主成分个数可大于六种，相比PCA方法，可最大限度的提取原始数据中蕴含的信息，可有效提高故障检测的准确度。基于KPCA提取的主成分个数，使用FDA进行建模计算，得到特征矩阵，相较于通过计算和统计量来判断故障类型的传统方法，利用KPCA结合FDA求得的高维数据与特征矩阵中投影矢量的相似度函数，构建距离统计量并通过核密度估计来确定故障诊断、分类的方法，后者准确度明显更高。
实际上，上述步骤S21-S25都是用来建立和训练故障分类模型的，将第一电能质量训练样本和第一电能质量训练样本对故障分类模型进行训练，之后的故障分类模型在收到待分类的电能质量数据后，会对该电能质量数据执行相同的动作，例如求取核主成分、计算最优投影、获取待判别矢量以及计算欧氏距离等等。
相应的，步骤S3所述将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果的过程，具体包括：
S31：将待分类的电能质量数据Snow输入所述故障分类模型；
S32：利用所述故障分类模型，获取所述电能质量数据Snow对应的待判别矢量ξnow，并计算所述待判别矢量ξnow与所述第二训练矢量ξcenter,p之间的欧氏距离Dis'now.p，以得到对应的电能质量分类结果。
其中，如何获取所述电能质量数据Snow对应的待判别矢量ξnow的过程与步骤S2中训练样本获取训练矢量的过程是类似的。
具体的，如果Dis'now.p＞Dis'p，则意味着电能质量分类结果中包含第p类的电能质量故障。
可以看出，本实施例通过KPCA和FDA处理后，得到数据升维后的核主成分和费舍尔判别分析模型的特征矩阵，结合Parzen窗方法确定分类依据，有效利用了样本数据隐含的信息，提高了各个故障类别之间的分离程度，相比于一般统计方法，有效提高了电能质量指标的检测判断和分类能力。
相应的，本发明实施例还公开了一种电能质量故障分类系统，参见图5所示，包括：
数据模块1，用于获取电能质量训练样本；
建模模块2，用于根据所述电能质量训练样本建立故障分类模型；
分类模块3，用于将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。
可以理解的是，本发明实施例具有与上述实施例中一种电能质量故障分类方法相同的有益效果。
相应的，本发明公开了一种电能质量故障分类装置，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如上文所述电能质量故障分类方法的步骤。
其中，有关电能质量故障分类方法的具体细节可以参照上述实施例中的描述，此处不再赘述。
可以理解的是，本发明实施例具有与上述实施例中一种电能质量故障分类方法相同的有益效果。
相应的，本发明公开了一种可读存储介质，所述可读存储介质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如上文所述电能质量故障分类方法的步骤。
其中，有关电能质量故障分类方法的具体细节可以参照上述实施例中的描述，此处不再赘述。
可以理解的是，本发明实施例具有与上述实施例中一种电能质量故障分类方法相同的有益效果。
最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的一种电能质量故障分类方法、系统、装置及可读存储介质进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种电能质量故障分类方法，其特征在于，包括：
获取电能质量训练样本；
根据所述电能质量训练样本建立故障分类模型；
将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。
2.根据权利要求1所述电能质量故障分类方法，其特征在于，所述根据所述电能质量训练样本建立故障分类模型的过程，具体包括：
利用KPCA或FDA，根据所述电能质量训练样本建立故障分类模型。
3.根据权利要求1所述电能质量故障分类方法，其特征在于，所述根据所述电能质量训练样本建立故障分类模型的过程，具体包括：
利用KPCA和FDA，根据所述电能质量训练样本建立故障分类模型。
4.根据权利要求3所述电能质量故障分类方法，其特征在于，所述获取电能质量训练样本的过程，具体包括：
获取处于预设正常指标范围内的第一电能质量训练样本；
获取对应各类故障的第二电能质量训练样本。
5.根据权利要求4所述电能质量故障分类方法，其特征在于，所述利用KPCA和FDA，根据所述电能质量训练样本建立故障分类模型的过程，具体包括：
利用所述KPCA，分别提取所述第一电能质量训练样本的第一核主成分和所述第二电能质量训练样本的第二核主成分；
利用所述FDA，分别计算所述第一核主成分的第一最优投影方向和所述第二核主成分的第二最优投影方向；
根据所述第一核主成分和所述第一最优投影方向，得到第一训练矢量；
根据所述第二核主成分和所述第二最优投影方向，得到第二训练矢量；
计算所述第一训练矢量和所述第二训练矢量之间的欧氏距离，以根据所述欧氏距离建立所述故障分类模型。
6.根据权利要求5所述电能质量故障分类方法，其特征在于，所述将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果的过程，具体包括：
将待分类的电能质量数据输入所述故障分类模型；
利用所述故障分类模型，获取所述电能质量数据对应的待判别矢量，并计算所述待判别矢量与所述第二训练矢量之间的欧氏距离，以得到对应的电能质量分类结果。
7.根据权利要求5或6所述电能质量故障分类方法，其特征在于，所述利用所述KPCA，分别提取所述第一电能质量训练样本的第一核主成分和所述第二电能质量训练样本的第二核主成分之前，还包括：
确定方差贡献率大于预设数值时，所述第一核主成分和所述第二核主成分的个数。
8.一种电能质量故障分类系统，其特征在于，包括：
数据模块，用于获取电能质量训练样本；
建模模块，用于根据所述电能质量训练样本建立故障分类模型；
分类模块，用于将待分类的电能质量数据输入所述故障分类模型，得到对应的电能质量分类结果。
9.一种电能质量故障分类装置，其特征在于，包括：
存储器，用于存储计算机程序；
处理器，用于执行所述计算机程序时实现如权利要求1至7任一项所述电能质量故障分类方法的步骤。
10.一种可读存储介质，其特征在于，所述可读存储介质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如权利要求1至7任一项所述电能质量故障分类方法的步骤。
CN201810878555.4A 2018-08-03 2018-08-03 一种电能质量故障分类方法、系统、装置及可读存储介质 Pending CN109145968A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201810878555.4A CN109145968A (zh) 2018-08-03 2018-08-03 一种电能质量故障分类方法、系统、装置及可读存储介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810878555.4A CN109145968A (zh) 2018-08-03 2018-08-03 一种电能质量故障分类方法、系统、装置及可读存储介质

Publications (1)

Publication Number Publication Date
CN109145968A true CN109145968A (zh) 2019-01-04

Family

ID=64791719

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810878555.4A Pending CN109145968A (zh) 2018-08-03 2018-08-03 一种电能质量故障分类方法、系统、装置及可读存储介质

Country Status (1)

Country Link
CN (1) CN109145968A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930839A (zh) * 2020-07-31 2020-11-13 浙江浙能技术研究院有限公司 退役动力电池储能装置的配组方法
CN112100497A (zh) * 2020-09-14 2020-12-18 北京嘀嘀无限科技发展有限公司 一种数据处理方法、装置、电子设备及可读存储介质
CN118091283A (zh) * 2024-02-27 2024-05-28 青岛乾程科技股份有限公司 一种基于电能质量分析的智能电表故障检测方法

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901880A (zh) * 2014-04-01 2014-07-02 浙江大学 基于多分类器和d-s证据融合的工业过程故障检测方法
CN103914064A (zh) * 2014-04-01 2014-07-09 浙江大学 基于多分类器和d-s证据融合的工业过程故障诊断方法
CN106371427A (zh) * 2016-10-28 2017-02-01 浙江大学 基于层次分析法和模糊融合的工业过程故障分类方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103901880A (zh) * 2014-04-01 2014-07-02 浙江大学 基于多分类器和d-s证据融合的工业过程故障检测方法
CN103914064A (zh) * 2014-04-01 2014-07-09 浙江大学 基于多分类器和d-s证据融合的工业过程故障诊断方法
CN106371427A (zh) * 2016-10-28 2017-02-01 浙江大学 基于层次分析法和模糊融合的工业过程故障分类方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
朱杰 等: "基于KPCA-FDA方法的电能质量故障诊断和扰动分类", 《内燃机与配件》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111930839A (zh) * 2020-07-31 2020-11-13 浙江浙能技术研究院有限公司 退役动力电池储能装置的配组方法
CN112100497A (zh) * 2020-09-14 2020-12-18 北京嘀嘀无限科技发展有限公司 一种数据处理方法、装置、电子设备及可读存储介质
CN112100497B (zh) * 2020-09-14 2021-10-19 北京嘀嘀无限科技发展有限公司 一种数据处理方法、装置、电子设备及可读存储介质
CN118091283A (zh) * 2024-02-27 2024-05-28 青岛乾程科技股份有限公司 一种基于电能质量分析的智能电表故障检测方法

Similar Documents

Publication Publication Date Title
WO2022135265A1 (zh) 气候变化影响下水库调度规则的失效预警分析方法
CN101907681B (zh) 基于gsd_svdd的模拟电路动态在线故障诊断方法
CN103033362B (zh) 一种基于改进多变量预测模型的齿轮故障诊断方法
CN106849069B (zh) 一种基于Pin-SVM的电力系统暂态稳定评估方法
Bernard et al. Using artificial neural networks to identify learning styles
CN105512799A (zh) 一种基于海量在线历史数据的电力系统暂态稳定评估方法
CN109145968A (zh) 一种电能质量故障分类方法、系统、装置及可读存储介质
CN111292020B (zh) 一种基于随机森林的电网实时运行风险评估方法及系统
CN102721941A (zh) 一种基于som和d-s理论的电表电路故障信息融合和诊断方法
CN116125361B (zh) 电压互感器误差评估方法、系统、电子设备及存储介质
CN109325607A (zh) 一种短期风电功率预测方法及系统
CN104050361A (zh) 一种监狱服刑人员危险性倾向的智能分析预警方法
CN104881741B (zh) 基于支持向量机的电力系统暂态稳定判断方法
CN106897945A (zh) 风力发电机组的聚类方法和设备
CN103310227A (zh) 基于神经网络的自动窗宽窗位提取方法
CN103400039A (zh) 一种基于大风气象分类的风功率爬坡预测模型切换方法
CN110020868B (zh) 基于线上交易特征的反欺诈模块决策融合方法
CN112001644A (zh) 一种配电网运行可靠性检测方法、装置、终端及存储介质
CN111798162A (zh) 基于神经网络的风险监测方法及装置
CN117195505A (zh) 一种用于电能表信息化评价校准模型的测评方法及系统
CN104570109A (zh) 一种储层油气预测的方法
CN115271442A (zh) 基于自然语言评估企业成长性的建模方法及系统
Luo et al. Power system reliability evaluation using learning vector quantization and Monte Carlo simulation
CN117349771A (zh) 错误标签数据识别方法、装置、电子设备及可读存储介质
Liu et al. Dynamic security assessment of western Danish power system based on ensemble decision trees

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
RJ01 Rejection of invention patent application after publication

Application publication date: 20190104