CN109787219B - 一种电压暂降的智能识别方法 - Google Patents

Abstract

本发明公开了一种电压暂降的智能识别方法，涉及电力系统自动化技术领域，本发明提出了电压暂降的特征参数指标及其计算方法，其次，通过历史数据的离线训练建立深度置信网络（DBN）模型。最后，将新的暂降事件采样数据输入该模型，得到最终的识别结果。本发明方法采用离线训练和在线识别的流程；历史数据处理、特征提取、DBN网络训练都作为离线处理的任务，新采样数据处理和输入DBN模型则在线进行，处理效率高。

Description

一种电压暂降的智能识别方法

技术领域

本发明涉及电力系统自动化技术领域，特别是一种电压暂降的智能识别方法。

背景技术

电压暂降是电力系统运行中不可避免的短期干扰。电压的均方根(RMS)值会突然下降并在短时间后恢复。IEEE关于电压暂降的定义是：RMS电压下降到额定值的10％～90％，持续时间为10ms～60s。电压骤降对工业生产和社会生活造成了严重的负面影响和巨大的经济损失。2010年，由于江苏徐州某卷烟厂电压骤降导致变频器运行异常，导致生产过程中断。2014年，由于南京南站电压骤降导致配电开关低压跳闸引起的照明线路停电。随着电网规模的扩大，电压等级的提高，各类型的电子与电气设备越来越多地接入电力系统。传统的计算机，变频器，PLC，交流接触器，以及近年来兴起的以电力电子器件为核心的可再生能源发电系统，都对电压暂降的扰动十分敏感。因此，对电压暂降的研究和治理是提升电力系统供电可靠性，保障生产和生活用电的重要手段。

电压暂降是电能质量指标体系中的重要内容，也是优质供电的关键。对电压暂降事件的监测和分析，可以为电力系统的运行管理，事故调查，故障定位，暂降治理等提供科学有效的依据。江苏省从2016年开始建设电压暂降在线监测系统和大数据平台，目前已完成17000多个监测点的接入，监测电压等级包含从10kV到500kV，大数据平台中存储了大量的原始采样数据，包括对每一次所监测到暂降事件暂态波形的完整记录，可以为进一步的数据分析和挖掘提供真实有效的数据支持。然而，目前的电压暂降系统的智能化程度不高，数据分析的效率低下。一方面，暂降事件主要通过人工来进行识别和分类。具体说，就是现场工作人员通过对暂降暂态有效值波形的分析来确定暂降的类型，过于依赖工程师个人的经验和能力。另一方面，暂降大数据平台难以承受海量的暂降数据，大量难以及时处理的数据可能会丢失或价值下降，造成资源浪费。可见，暂降数据分析和处理技术已经难以跟上监测系统的发展，并且随着暂降监测系统规模的扩大和监测精度的提高，这种差距会进一步扩大。

电压暂降识别是实现电压暂降源定位的前提，也是暂降治理的基础，国内外展开了大量的研究工作。Garcia-Sanchez等提出采用k均值聚类(k-means)方法实现暂降的识别。褚佳伟等提出一种结合小波分析和改进型动态时间归整(DTW)距离的配电网电压暂降源辨识方法。Tang等提出利用戴维宁等效电路建立电网模型，通过判断戴维宁等效电路中内阻的符号，识别出电压暂降干扰的起因。Thakur等提出一种新的暂降指数“S”，用于电压暂降和暂升的联合表征，可以用于电压暂降类型的识别。Nunez等提出直接从电压和电流波形中提取的属性来表征电压事件，应用统计方差分析(MANOVA)评估每个属性的相关性。最相关的属性已被用作规则提取算法的输入，以便提取分类规则。这些研究成果代表了暂降事件分类和识别的发展水平。现有的方法中，对于暂降特征的定义不够明确，处理效率和识别精度不高。

发明内容

本发明所要解决的技术问题是克服现有技术的不足而提供一种电压暂降的智能识别方法，本发明处理效率高。

本发明为解决上述技术问题采用以下技术方案：

根据本发明提出的一种电压暂降的智能识别方法，包括以下步骤：

步骤一、计算暂降训练数据的RMS值，并提取10个暂降特征，10个暂降特征包括三相电压下降/上升斜率Vel_A、Vel_B、Vel_C，三相电压恢复斜率Res_A、Res_B、Res_C，三相非矩形系数Rec_A、Rec_B、Rec_C，三相不平衡度PVUR；

步骤二、对暂降训练数据的10个暂降特征进行归一化，得到归一化后的暂降数据，并通过归一化后的暂降数据训练建立深度置信网络DBN模型；

步骤三、采集新的暂降数据，并对新的暂降数据经过前处理后输入DBN模型，获得暂降数据的类别标签。

作为本发明所述的一种电压暂降的智能识别方法进一步优化方案，步骤一中计算暂降训练数据的RMS值，是用每一个暂降事件的离散电压采样值直接计算其有效值，RMS值计算公式为：

其中，U_RMS(i)是电压信号u(i)的有效值，i为离散采样点，N为一个采样周期内采样点数。

作为本发明所述的一种电压暂降的智能识别方法进一步优化方案，步骤一中10个暂降特征的具体计算方法如下：

(1)三相电压下降/上升斜率Vel_A、Vel_B、Vel_C；

将电压下降/上升斜率的计算区间设定为暂降开始到暂降结束这段距离内，中间的80％部分的平均斜率；

其中，Vel是电压下降/上升斜率，U_sag＝U_max-U_min，U_sag为电压暂降/暂升的深度，U_max和U_min分别是电压暂降/暂升过程中电压的最大值和最小值，_i1′和_i2′分别为暂降程度到达10％和90％区间的时刻；Vel_A、Vel_B、Vel_C分别是利用公式(2)计算A，B，C三相电压暂降数据得到的下降/上升斜率；

(2)三相电压恢复斜率Res_A、Res_B、Res_C；

三相电压恢复斜率Res_A、Res_B、Res_C选取电压恢复过程中间的80％部分的平均斜率；

其中，Res为电压恢复斜率，_i1″和_i2″分别为暂降恢复到达10％和90％区间的时刻；Res_A、Res_B、Res_C分别是利用公式(3)计算A，B，C三相电压暂降数据得到的恢复斜率；

(3)三相非矩形系数Rec_A、Rec_B、Rec_C；

非矩形系数是完整暂降区间内电压有效值U_RMS(i)偏离度之和与暂降最小幅值对应的偏离程度之比；

其中，Rec为非矩形系数，i₁和i₂为暂降区间的起、止点，也就是电压有效值下降到0.9pu和恢复到0.9pu的时刻；Rec_A、Rec_B、Rec_C分别是利用公式(4)计算A，B，C三相电压暂降数据得到的非矩形系数；

(4)三相不平衡度PVUR；

其中，V_a，V_b，V_c是三相相电压有效值，V_avg是三相相电压总平均值。

作为本发明所述的一种电压暂降的智能识别方法进一步优化方案，步骤二是通过最大最小值归一化，计算公式如下：

x_i和

分别是归一化之前和之后的特征值，x_min和x_max分别是每一个特征值中的最小值和最大值。

作为本发明所述的一种电压暂降的智能识别方法进一步优化方案，步骤二中DBN模型的建立中，输入的训练数据格式为：[Vel_A,Vel_B,Vel_C,Res_A,Res_B,Res_C,Rec_A,Rec_B,Rec_C,PVUR]，每个训练数据有10个参数。

作为本发明所述的一种电压暂降的智能识别方法进一步优化方案，步骤二中DBN模型建立中，输出为训练数据的类别标签。

作为本发明所述的一种电压暂降的智能识别方法进一步优化方案，步骤三中对新的暂降数据经过前处理是包含三个方面：

(1)采用公式(1)计算新的暂降数据的RMS值；

(2)采用公式(2)-(5)提取新的暂降数据RMS的10个特征参数；

(3)采用公式(6)对10个特征参数的归一化。

作为本发明所述的一种电压暂降的智能识别方法进一步优化方案，步骤三中暂降数据的类别标签，该类别标签代表本次暂降数据对应的暂降事件的类型。

作为本发明所述的一种电压暂降的智能识别方法进一步优化方案，暂降训练数据来源于历史数据库，新的暂降数据来源于在线监测系统实时采集的暂降事件电压数据。

本发明采用以上技术方案与现有技术相比，具有以下技术效果：

(1)电压暂降特征参数的计算简单，计算效率高，处理快速；

(2)电压暂降特征参数具有良好的区分度，除了样本数量过少的电机启动类暂降事件，其他类型的暂降都具有明显的集聚性和可分性；这说明这些参数是有效的；

(3)DBN网络的识别精度较高，而且作为无监督建模手段，不需要预先得到训练样本的类别标签，只需要少量带标签的典型数据进行反向微调，适合在线数据处理；

(4)本发明方法采用离线训练和在线识别的流程；历史数据处理、特征提取、DBN网络训练都作为离线处理的任务，新采样数据处理和输入DBN模型则在线进行，处理效率高。

附图说明

图1为本发明方法流程示意图。

图2为暂降特征计算示意图1。

图3为暂降特征计算示意图2。

图4为ABC三相短路故障的电压暂降特征分布图。

图5为AB/AC/BC相间短路故障的电压暂降特征分布图。

图6为A/AB/ABC相短路故障的电压暂降特征分布图。

图7为三相短路/电机启动/变压器投入的电压暂降特征分布图。

图8为微调重构的全局训练误差。

具体实施方式

下面结合附图对本发明的技术方案做进一步的详细说明：

本发明从数据挖掘的角度开展电压暂降分类和识别的研究。有三个好处：一方面可以从海量数据中提取有效信息，深入认识暂降事件发生的普遍规律；另一方面可以为暂降防治、电网改造升级、敏感用户接入设计提供科学有效的技术支撑。三，可以为其他电能质量问题的解决提供新的思路。本发明提出了一种新的基于深度信念网络(DBN)的电压暂降事件的在线识别方法，可以为电压暂降数据的在线处理提供较为可靠的解决方案。首先，对各类暂降事件(包括单相短路，两相相间短路，三相短路，电机启动，变压器启动等)的典型暂态波形进行分析，明确各类暂降事件的产生机理和区别。其次，提出了包含10个暂降特征参数，以及这些参数的计算方法。最后，通过这些特征参数建立了基于DBN的暂降识别模型。利用江苏省电压暂降监测系统中所记录的宿迁地区一个月内的10kV监测点所记录的暂降数据对该模型进行验证，验证结果表明了该模型的有效性。

本发明提供了一种电压暂降的智能识别方法；如图1所示，本发明的技术方案包括以下步骤：

步骤一，计算暂降训练数据的RMS值，并提取10个暂降特征。计算暂降训练数据的RMS值，是用每一个暂降事件的离散电压采样值直接计算其有效值。RMS值的计算公式为：

其中，U_RMS(i)是电压信号u(i)的有效值，i为离散采样点，N为一个采样周期内采样点数。一般来说，是通过RMS来刻度其有效值。

10个暂降特征包括及其计算方法为：

(1)三相电压下降/上升斜率Vel_A、Vel_B、Vel_C

电压下降/上升的速度反映在波形上就是电压有效值下降段/上升段的斜率。通过电压下降和上升的判别可以辅助判别短路故障的故障相。例如，ABC三相中，A相的电压下降斜率Vel_A为负值，B，C两相的电压上升斜率Vel_B和Vel_C为正值。说明A相发生了暂降，而B，C两相暂升，A相发生短路故障。同时，由于电机启动电压暂降的速度相对其他类型的电压暂降来说较小。因此，该指标可以用来区分电机启动类型的电压暂降。为排除干扰和计算方便，保证数据计算的稳定性，本发明中将电压下降/上升斜率计算区间设定为暂降开始到暂降结束这段距离内，中间的80％部分的平均斜率，如图2所示。

其中，U_sag＝U_max-U_min，为电压暂降/暂升的深度，U_max和U_min分别是电压暂降/暂升过程中电压的最大值和最小值，_i1′和_i2′为暂降程度到达10％和90％区间的时刻。Vel_A、Vel_B、Vel_C分别是利用公式(2)计算A，B，C三相电压暂降数据得到的下降/上升斜率。

(2)三相电压恢复斜率Res_A、Res_B、Res_C

电压恢复过程是电压暂降/暂升的逆过程。电压暂降持续一段时间后，由于短路故障消除，电机启动过程/变压器投入过程结束，电压有效值会恢复到原来的水平。但是恢复的过程有所区别，短路故障的恢复过程较快，电压恢复斜率Res_A、Res_B、Res_C较大，而电机启动过程/变压器投入过程恢复较慢，电压恢复斜率较小。该指标是区分短路故障型的电压暂降的重要参考。同样，该参数也选取电压恢复过程中间的80％部分的平均斜率，如图3所示。

_i1″和_i2″为暂降恢复到达10％和90％区间的时刻；Res_A、Res_B、Res_C分别是利用公式(3)计算A，B，C三相电压暂降数据得到的恢复斜率；

(3)三相非矩形系数Rec_A、Rec_B、Rec_C

短路故障中，由于暂降发生和恢复的过程比较短暂，电压下降和上升的速度较快，同时暂降过程中电压基本稳定，因此，电压有效值波形近似为矩形。而电机启动和变压器投入的暂降波形和矩形相差较大，可见，非矩形系数也识别短路故障重要指标。本发明中的非矩形系数指的是完整暂降区间内电压有效值U_RMS(i)偏离度之和与暂降最小幅值对应的偏离程度之比，如图3所示。

i1和i2为暂降区间的起、止点，也就是电压有效值下降到0.9pu和恢复到0.9pu的时刻。Rec_A、Rec_B、Rec_C分别是利用公式(4)计算A，B，C三相电压暂降数据得到的非矩形系数，Rec越接近1，则暂降波形越接近矩形。

(4)三相不平衡度PVUR

三相不平衡度是区分短路故障类型和确定短路相的有效指标。相对来说，电机启动和变压器投入以及三相短路故障，其电压三相不平衡度较低，而单相短路和两相相间短路故障的电压三相不平衡度较高。

其中，V_a，V_b，V_c是三相相电压有效值，V_avg是三相相电压总平均值。

步骤二，暂降训练数据的归一化，并通过归一化后的暂降数据训练建立DBN模型。

暂降训练数据的归一化，是通过最大最小值归一化，其计算公式如下：

x_i和

分别是归一化之前和之后的特征值。x_min和x_max分别是每一个特征值中的最小值和最大值。

构建DBN模型时，输入的电压暂降训练数据，每一个样本包含10个参数，其格式为：[Vel_A,Vel_B,Vel_C,Res_A,Res_B,Res_C,Rec_A,Rec_B,Rec_C,PVUR]，输出为训练数据的类别标签。

优选地，所述步骤二中所述DBN模型建立中，DBN模型由多个受限玻尔兹曼机(RBM)组成。RBM是一种神经感知器，由一个可见层和一个隐含层构成，可见层与隐含层的神经元之间为双向全连接，各层内的节点之间没有连接，可见层作为输入数据层，隐含层作为特征提取层。低层RBM网络的输出数据即作为高层RBM的输入样本使用。RBM可见层变量v和隐藏层变量h的总体能量定义为：

上式中v_j代表可见层中第j个节点的状态向量，h_k代表隐含层中第k个节点的状态向量，m、n则分别表示隐含层和可见层的节点数目；W_kj表示可见层节点v_j与隐含层节点h_k之间的连接权值；θ＝{W,a,b}为网络模型的参数，a_j、b_k分别表示可见层节点v_j和隐含层节点h_k的偏置值。

根据玻尔兹曼分布函数，在给定参数θ＝{W,a,b}的情况下，便能由下式计算出(v,h)的联合概率分布，Z(θ)是划分方程。

网络分配给可见层节点的概率为：

假设己知可见层或隐含层各节点的状态，就可以分别得到隐含层节点或可见层节点的条件概率函数，即节点的二进制状态设置为1的概率为：

其中σ(x)是sigmoid函数，定义为σ(x)＝1/(1+e^-x)。

RBM参数θ＝{W,a,b}的值由对比散度(CD-k)算法确定，采用逐层训练的机制，每次只单独对某一个RBM层的可见层及隐含层进行训练，得到本层的最优参数，同时也得到了当前层的特征提取结果；随后以该层的输出数据作为下一个RBM层的输入样本，继续单独训练这一RBM层；以此递推，贪婪地逐层训练出整个DBN网络。微调参数时，选用反向传播(BP)算法。

步骤三，新采样的暂降数据经过前处理后输入DBN模型，获得暂降数据的类别标签。

新采样的暂降数据经过前处理，包含三个方面：

(1)新采样数据的RMS值的计算，采用公式(1)；

(2)新采样数据RMS的10个特征参数提取，采用公式(2)-(5)；

(3)新采样数据特征参数的归一化，采用公式(6)。

新采样的暂降数据经过前处理后输入DBN模型，获得暂降数据的类别标签，该类别标签代表本次暂降数据对应的暂降事件的类型。暂降训练数据来源于历史数据库，新采样的暂降数据来源于在线监测系统实时采集的暂降事件电压数据。离线建模完成对历史数据的处理和特征提取，以及DBN网络的训练；在线识别计算新采样数据的特征并输入至DBN网络，完成识别。在实际工程应用中，历史数据库中的数据样本可以作为训练集使用，无需预先得到类别标签。部分典型的已知类别的故障样本可以用作微调。而在线监测系统采集的实时暂降事件数据可以在提取特征后输入DBN模型，完成离线训练和在线识别。同时，新识别数据在确认后，可以用作充实训练集，通过不断的循环学习，达到提升识别精度的目的。

为测试本发明算法的有效性，选择了江苏省宿迁市2017年5月份发生的暂降事件的在线监测系统中记录的数据样本作为研究对象，建立DBN识别模型模型。样本在经过筛选后，排除不符合暂降定义的数据样本，保留的有效样本共515个，共存在9类暂降事件，暂降类型和数据样本数量如表1所示。将这些数据样本分为两组，一组为测试集，包含样本数130；一组为训练集，样本数为385。按照图1的流程，先计算有效值，再进行特征提取，采用最大最小值标准化，对训练数据库中的特征进行标准化。

表1建模数据样本类型与数量

电压暂降特征可分性分析：

可分性是指为了达到不同的分类目标，分类特征的选取需尽量突出异类特征的差异性和同类特征的聚集性。特征是描述事件类型的数学语言，特征数据应该尽可能包含事件的有效信息，同时还需要便于建立数学模型。对于暂降事件来说，较好的特征体现在同类型的特征数据应该聚集在一起，相互之间的空间距离较小；而不同类型的数据具有一定的距离，相互之间的空间距离较大。本发明中，采用主元分析将训练数据降为三维，以便于展示。同时计算这些数据的类内平均欧氏距离和类间平均欧氏距离。图4，图5，图6，图7分别为ABC三相短路故障、AB/AC/BC相间短路故障、A/AB/ABC相短路故障、三相短路/电机启动/变压器投入的电压暂降特征分布图。表2为不同类型暂降事件的特征空间欧氏距离。

表2不同类型暂降事件的特征空间欧氏距离

从表中可以看出，除了电机启动引起的暂降，其他类型的暂降特征类内的欧式距离都小于类间的距离。说明同类特征的集聚性和不同类特征的差异性都比较明显。本发明提出的特征指标较为适合。对于电机启动类型来说，类内的距离过大，和变压器投入，三相短路，B相短路的类间距离较小，说明该类型容易与上述三种类型的暂降事件混淆。主要原因在于，该类型事件的发生概率较小，现场采集的样本数较少，特征分布较为分散。相信随着监测系统的持续运行，积累的历史数据的增多，本发明特征的优势将更加明显。

DBN网络训练和测试、对比：

建立深度学习模型，由于模型输入特征不多，因此隐藏层设定为1层，包含100个神经元。由于暂降事件为9类，因此输出层设定为9。DBN训练迭代次数为50次，BPNN微调迭代次数为1000，学习率为0.1。输入训练数据为9类385个样本，数据格式为[Vel_A,Vel_B,Vel_C,Res_A,Res_B,Res_C,Rec_A,Rec_B,Rec_C,PVUR]。输出为9类数据的标签。图8所示为BPNN进行微调重构的全局训练误差。可见，经过多次迭代后，训练误差稳定且达到较小，训练效果明显。将130个测试样本输入该模型，得到每一个样本的类别标签，识别结果如表3所示。误分类样本为4个，总体识别准确率达到96.92％。可见，该模型较为适合现场暂降事件的处理。

表3 DBN测试结果

最后应当说明的是:以上所述实施例仅是本发明的优选实施方式而非对其保护范围的限制，尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。

Claims (5)

1.一种电压暂降的智能识别方法，其特征在于，包括以下步骤：

步骤一、计算暂降训练数据的RMS值，并提取10个暂降特征，10个暂降特征包括三相电压下降/上升斜率Vel_A、Vel_B、Vel_C，三相电压恢复斜率Res_A、Res_B、Res_C，三相非矩形系数Rec_A、Rec_B、Rec_C，三相不平衡度PVUR；

步骤二、对暂降训练数据的10个暂降特征进行归一化，得到归一化后的暂降数据，并通过归一化后的暂降数据训练建立深度置信网络DBN模型；

步骤三、采集新的暂降数据，并对新的暂降数据经过前处理后输入DBN模型，获得暂降数据的类别标签；

步骤一中计算暂降训练数据的RMS值，是用每一个暂降事件的离散电压采样值直接计算其有效值，RMS值计算公式为：

其中，U_RMS(i)是电压信号u(i)的有效值，i为离散采样点，N为一个采样周期内采样点数；

步骤一中10个暂降特征的具体计算方法如下：

(1)三相电压下降/上升斜率Vel_A、Vel_B、Vel_C；

将电压下降/上升斜率的计算区间设定为暂降开始到暂降结束这段距离内，中间的80％部分的平均斜率；

其中，Vel是电压下降/上升斜率，U_sag＝U_max-U_min，U_sag为电压暂降/暂升的深度，U_max和U_min分别是电压暂降/暂升过程中电压的最大值和最小值，i₁′和i₂′分别为暂降程度到达10％和90％区间的时刻；Vel_A、Vel_B、Vel_C分别是利用公式(2)计算A，B，C三相电压暂降数据得到的下降/上升斜率；

(2)三相电压恢复斜率Res_A、Res_B、Res_C；

三相电压恢复斜率Res_A、Res_B、Res_C选取电压恢复过程中间的80％部分的平均斜率；

其中，Res为电压恢复斜率，i₁″和i₂″分别为暂降恢复到达10％和90％区间的时刻；Res_A、Res_B、Res_C分别是利用公式(3)计算A，B，C三相电压暂降数据得到的恢复斜率；

(3)三相非矩形系数Rec_A、Rec_B、Rec_C；

非矩形系数是完整暂降区间内电压有效值U_RMS(i)偏离度之和与暂降最小幅值对应的偏离程度之比；

其中，Rec为非矩形系数，i₁和i₂为暂降区间的起、止点，也就是电压有效值下降到0.9pu和恢复到0.9pu的时刻；Rec_A、Rec_B、Rec_C分别是利用公式(4)计算A，B，C三相电压暂降数据得到的非矩形系数；

(4)三相不平衡度PVUR；

其中，V_a，V_b，V_c是三相相电压有效值，V_avg是三相相电压总平均值；

步骤二是通过最大最小值归一化，计算公式如下：

x_i和

分别是归一化之前和之后的特征值，x_min和x_max分别是每一个特征值中的最小值和最大值；

步骤三中对新的暂降数据经过前处理是包含三个方面：

(1)采用公式(1)计算新的暂降数据的RMS值；

(2)采用公式(2)-(5)提取新的暂降数据RMS的10个特征参数；

(3)采用公式(6)对10个特征参数的归一化。

2.根据权利要求1所述的一种电压暂降的智能识别方法，其特征在于，步骤二中DBN模型的建立中，输入的训练数据格式为：[Vel_A,Vel_B,Vel_C,Res_A,Res_B,Res_C,Rec_A,Rec_B,Rec_C,PVUR]，每个训练数据有10个参数。

3.根据权利要求1所述的一种电压暂降的智能识别方法，其特征在于，步骤二中DBN模型建立中，输出为训练数据的类别标签。

4.根据权利要求1所述的一种电压暂降的智能识别方法，其特征在于，步骤三中暂降数据的类别标签，该类别标签代表本次暂降数据对应的暂降事件的类型。

5.根据权利要求1所述的一种电压暂降的智能识别方法，其特征在于，暂降训练数据来源于历史数据库，新的暂降数据来源于在线监测系统实时采集的暂降事件电压数据。

Images