CN112114186A - 一种基于距离判别分析的电压暂降源识别方法及装置 - Google Patents

一种基于距离判别分析的电压暂降源识别方法及装置 Download PDF

Info

Publication number
CN112114186A
CN112114186A CN202010819222.1A CN202010819222A CN112114186A CN 112114186 A CN112114186 A CN 112114186A CN 202010819222 A CN202010819222 A CN 202010819222A CN 112114186 A CN112114186 A CN 112114186A
Authority
CN
China
Prior art keywords
voltage sag
data
sag source
processing
sample
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
Application number
CN202010819222.1A
Other languages
English (en)
Other versions
CN112114186B (zh
Inventor
姚知洋
陈卫东
金庆忍
郭敏
阮诗雅
冯玉斌
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.)
Electric Power Research Institute of Guangxi Power Grid Co Ltd
Original Assignee
Electric Power Research Institute of Guangxi Power Grid 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 Electric Power Research Institute of Guangxi Power Grid Co Ltd filed Critical Electric Power Research Institute of Guangxi Power Grid Co Ltd
Priority to CN202010819222.1A priority Critical patent/CN112114186B/zh
Publication of CN112114186A publication Critical patent/CN112114186A/zh
Application granted granted Critical
Publication of CN112114186B publication Critical patent/CN112114186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R19/00—Arrangements for measuring currents or voltages or for indicating presence or sign thereof
    • G01R19/165—Indicating that current or voltage is either above or below a predetermined value or within or outside a predetermined range of values
    • G01R19/16566—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533
    • G01R19/16576—Circuits and arrangements for comparing voltage or current with one or several thresholds and for indicating the result not covered by subgroups G01R19/16504, G01R19/16528, G01R19/16533 comparing DC or AC voltage with one threshold
    • G—PHYSICS
    • G01—MEASURING; TESTING
    • G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
    • G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
    • G01R23/16—Spectrum analysis; Fourier analysis
    • 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
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/52—Testing for short-circuits, leakage current or ground faults
    • 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
    • G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
    • G01R31/62—Testing of transformers
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种基于距离判别分析的电压暂降源识别方法及装置，其中所述方法包括：获取原始电压暂降波形数据，并对所述原始电压暂降波形数据进行有效值处理、以及进行归一化处理；对所述原始电压暂降波形数据进行粗粒化处理；将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体；通过计算得到电压暂降源总体的协方差矩阵，并判断所述电压暂降源总体的协方差矩阵是否全相等；基于所述判别结果得到所述待判样本的电压暂降源识别结果。在本发明实施中，能够准确识别电压暂降源的具体故障类型，避免识别过程中特征提取困难。

Description

一种基于距离判别分析的电压暂降源识别方法及装置
技术领域
本发明涉及电压暂降源识别的技术领域，尤其涉及一种基于距离判别分析的电压暂降源识别方法及装置。
背景技术
电压暂降是电力系统正常运行不可避免的、且电压有效值降低到0.1至0.9p.u之间、持续时间为0.5周波至1min后恢复正常的电压暂态现象；常见的电压暂降源有线路故障、变压器激磁和大型电机启动三大类，不同电压暂降源引起的电压暂降，其电压波形有诸多差异：故障造成的电压暂降呈现矩形，有两个过渡段，三相故障造成对称暂降，其余故障引起非对称暂降；变压器激磁造成的电压暂降呈现非矩形，有一个过渡段，为不对称暂降；大型感应电机造成的电压暂降呈现非矩形，有一个过渡段，三相电压始终同步，为对称暂降。
目前电压暂降源识别的方法包括特征提取和模式识别；其特征提取主要基于希尔伯特黄变换、小波变换、S变换和经验模态分解，但是，特征提取具有主观性或缺乏物理意义或特征间具有冗余性，从而影响识别效果；另外，小波变换存在基函数和分解层数难以确定的问题，而S变换的时间窗固定，都难以应用于工程；其模式识别主要基于相似度匹配、神经网络、支持向量机、模糊综合评价的方法，以上模式识别方法虽然都一定程度上实现了电压暂降源的识别，但可能需要大量的样本进行训练，或者存在阈值确定困难、模型和计算过程复杂、参数设置困难，对电压暂降源识别的精度和效率有严重影响。
发明内容
本发明的目的在于克服现有技术的不足，本发明提供了一种基于距离判别分析的电压暂降源识别方法及装置，能够准确识别电压暂降源的具体故障类型，避免识别过程中特征提取困难。
为了解决上述技术问题，本发明实施例提供了一种基于距离判别分析的电压暂降源识别方法，所述方法包括：
获取原始电压暂降波形数据，并对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据、以及基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据；
基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据；
将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体；
基于所述电压暂降源总体通过计算得到电压暂降源总体的协方差矩阵，并判断所述电压暂降源总体的协方差矩阵是否全相等；
若是，则基于第一判别算法对所述待判样本进行判别，得到判别结果；若否，则基于第二判别算法对所述待判样本进行判别，得到判别结果；
基于所述判别结果得到所述待判样本的电压暂降源识别结果。
可选的，所述对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据中，所述有效值处理的具体计算公式如下：
Figure BDA0002633872390000021
其中，xrms-1(t)表示有效值处理后的数据；N表示每周期的采样点数；t表示整数且t∈[1,l-N+1]；x(c)表示原始电压暂降波形数据；l表示原始数据样本的长度。
可选的，所述基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据中，所述归一化处理的具体计算公式如下：
Figure BDA0002633872390000022
其中，Xrms-2表示归一化处理之后的有效值序列；Xrms-1＝{xrms-1(1),xrms-1(2),…}表示归一化处理之前的有效值序列。
可选的，所述基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据包括：
基于所述归一化处理后的数据得到不同尺度的连续点；
通过计算得到所述不同尺度的连续点的平均值；
基于所述不同尺度的连续点的平均值得到粗粒化处理后的数据；
基于所述粗粒化处理后的数据得到不同分辨率的时间序列。
可选的，所述通过计算得到所述不同尺度的连续点的平均值中，具体计算公式如下：
Figure BDA0002633872390000031
其中，yτ(θ)表示不同尺度的连续点的平均值；τ表示粗粒化的时间尺度；θ表示粗粒化后数据的样本点；xrms-1(t)表示有效值处理后的数据；N表示每周期的采样点数。
可选的，所述对所述训练样本构成电压暂降源总体包括：对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体。
可选的，所述对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体包括：
对所述训练样本构成单相短路故障的电压暂降源总体，并利用G1表示；
对所述训练样本构成两相短路故障的电压暂降源总体，并利用G2表示；
对所述训练样本构成相间故障的电压暂降源总体，并利用G3表示；
对所述训练样本构成三相短路故障的电压暂降源总体，并利用G4表示；
对所述训练样本构成变压器激磁的电压暂降源总体，并利用G5表示；
对所述训练样本构成大型电机启动的电压暂降源总体，并利用G6表示。
可选的，所述基于所述电压暂降源总体通过计算得到电压暂降源总体的协方差矩阵中，具体计算公式如下：
Σ＝cov(G)＝E[(G-μ)(G-μ)T]；
其中，Σ表示电压暂降源总体的协方差矩阵；G表示电压暂降源总体，μ表示电压暂降源总体的均值向量。
另外，一种基于距离判别分析的电压暂降源识别装置，所述装置包括：
处理模块：用于获取原始电压暂降波形数据，并对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据、以及基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据；和/或用于基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据；
划分模块：用于将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体；
判断模块：用于基于所述电压暂降源总体通过计算得到电压暂降源总体的协方差矩阵，并判断所述电压暂降源总体的协方差矩阵是否全相等；
生成模块：用于基于所述判别结果得到所述待判样本的电压暂降源识别结果。
可选的，所述判断模块还包括：用于若是，则基于第一判别算法对所述待判样本进行判别，得到判别结果；和/或用于若否，则基于第二判别算法对所述待判样本进行判别，得到判别结果。
在本发明实施中，能够准确识别电压暂降源的具体故障类型，避免识别过程中特征提取困难；在识别过程只依赖于获取的原始电压暂降波形数据进行各总体的构建和判别准则的训练，无需进行参数的设置和调整，数学原理简单、清晰，对噪声具有较好的鲁棒性，并能识别引起电压暂降的具体故障类型；另外，该方法所需样本较少，模型简单。
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，显而易见的，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是本发明实施例中的基于距离判别分析的电压暂降源识别方法的流程示意图；
图2是本发明实施例中的基于距离判别分析的电压暂降源识别装置的结构组成示意图。
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作出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例一
请参阅图1，图1是本发明实施例中的基于距离判别分析的电压暂降源识别方法的流程示意图。
如图1所示，一种基于距离判别分析的电压暂降源识别方法，所述方法包括：
S11：获取原始电压暂降波形数据，并对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据、以及基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据；
在本发明具体实施过程中，获取原始电压暂降波形数据之后，首先对原始电压暂降波形数据进行有效值处理，得到有效值处理后的数据，再基于有效值处理后的数据进行归一化处理，得到归一化处理后的数据。
具体的，所述对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据中，所述有效值处理的具体计算公式如下：
Figure BDA0002633872390000051
其中，xrms-1(t)表示有效值处理后的数据；N表示每周期的采样点数；t表示整数且t∈[1,l-N+1]；x(c)表示原始电压暂降波形数据；l表示原始数据样本的长度。
具体的，所述基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据中，所述归一化处理的具体计算公式如下：
Figure BDA0002633872390000052
其中，Xrms-2表示归一化处理之后的有效值序列；Xrms-1＝{xrms-1(1),xrms-1(2),…}表示归一化处理之前的有效值序列。
S12：基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据；
在本发明具体实施过程中，所述基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据包括：基于所述归一化处理后的数据得到不同尺度的连续点；通过计算得到所述不同尺度的连续点的平均值；基于所述不同尺度的连续点的平均值得到粗粒化处理后的数据；基于所述粗粒化处理后的数据得到不同分辨率的时间序列。
具体的，所述通过计算得到所述不同尺度的连续点的平均值中，具体计算公式如下：
Figure BDA0002633872390000061
其中，yτ(θ)表示不同尺度的连续点的平均值；τ表示粗粒化的时间尺度，即每次跳跃τ个数据求取平均值，在本发明实施中，τ取值为3；θ表示粗粒化后数据的样本点，其范围为[1，(l-N+1)/τ]；xrms-1(t)表示有效值处理后的数据；N表示每周期的采样点数。
S13：将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体；
在本发明具体实施过程中，将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，具体的，将所述粗粒化处理后的数据按7比3的比例进行划分，划分为训练样本和待判样本；所述对所述训练样本构成电压暂降源总体包括：对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体；具体的，所述对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体包括：对所述训练样本构成单相短路故障C1的电压暂降源总体，并利用G1表示；对所述训练样本构成两相短路故障C2的电压暂降源总体，并利用G2表示；对所述训练样本构成相间故障C3的电压暂降源总体，并利用G3表示；对所述训练样本构成三相短路故障C4的电压暂降源总体，并利用G4表示；对所述训练样本构成变压器激磁C5的电压暂降源总体，并利用G5表示；对所述训练样本构成大型电机启动C6的电压暂降源总体，并利用G6表示。
需要说明的是，将已知的某一类型的所有数据样本视为一个电压暂降源总体，即将单相短路故障的所有数据样本视为一个电压暂降源总体G1、或将两相短路故障的所有数据样本视为一个电压暂降源总体G2、或将相间故障的所有数据样本视为一个电压暂降源总体G3、或将三相短路故障的所有数据样本视为一个电压暂降源总体G4、或将变压器激磁的所有数据样本视为一个电压暂降源总体G5、或将大型电机启动的所有数据样本视为一个电压暂降源总体G6。
S14：基于所述电压暂降源总体通过计算得到电压暂降源总体的协方差矩阵，并判断所述电压暂降源总体的协方差矩阵是否全相等；
在本发明具体实施过程中，对各电压暂降源总体Gj进行协方差计算，若协方差Σj全相等(j＝1，2，…，6，对应6类总体)，则采用第一判别算法对待判样本X进行判别；若协方差不全相等，则采用第二判别算法对待判样本X进行判别。
其中，设总体G＝(X1，X2，…，Xm)T为m元总体，令μi＝E(Xi)，i＝1，2，…，m，即μi为Xi的期望值；则总体G的均值向量μ＝(μ1，μ2，…，μm)T，故可求得总体G的协方差矩阵，具体计算公式如下：
Σ＝cov(G)＝E[(G-μ)(G-μ)T]；
其中，Σ表示电压暂降源总体的协方差矩阵；G表示电压暂降源总体，μ表示电压暂降源总体的均值向量；E表示期望值。
具体的，各电压暂降源总体的均值向量μj和协方差矩阵Σj未知，故使用训练样本的估计量
Figure BDA0002633872390000071
和
Figure BDA0002633872390000072
替代(j＝1，2，…，6，对应6类总体)；
若取自总体Gj的nj个训练样本为X1(j)，X2(j)，…，Xnj(j)(j＝1，2，…，6，对应6类总体)，则Gj的均值向量和协方差矩阵的估计量分别为
Figure BDA0002633872390000073
和
Figure BDA0002633872390000074
其计算公式分别为：
Figure BDA0002633872390000081
Figure BDA0002633872390000082
S15：若是，则基于第一判别算法对所述待判样本进行判别，得到判别结果；若否，则基于第二判别算法对所述待判样本进行判别，得到判别结果；
在发明具体实施过程中，所述第一判别算法为：
当各总体协方差矩阵Σj相等时，即Σ1＝Σ2＝Σ3＝Σ4＝Σ5＝Σ6，则判别函数Wij(X)可用待测样本X到总体Gi和总体Gj的马氏距离的平方差的0.5倍进行表示，(Gi，Gj∈{G1，G2，···，G6}，j≠i)，即：
Figure BDA0002633872390000083
式中，X为待测样本，μi和μj分别为总体Gi和总体Gj的均值向量，d2(X，Gi)和d2(X，Gj)分别为X到总体Gi和总体Gj的马氏距离的平方值；其中，样本X与总体G的马氏距离的平方值计算公式为：
d2(X,G)＝(X-μ)TΣ-1(X-μ)；
其中，μ为总体G的均值向量；
此时，X到总体Gi的距离最小等价于对所有的j(j≠i)，满足Wij(X)>0；
用混合样本方差S对Σ进行无偏估计，即：
Figure BDA0002633872390000084
其中，n＝n1+n2+…+nj；k为总体数量，在本发明实施中，k等于6；
因此，可得到线性判别函数Wij(X)的估计为：
Figure BDA0002633872390000085
式中，
Figure BDA0002633872390000086
和
Figure BDA0002633872390000087
分别为总体Gi和总体Gj的均值向量估计值；
综上，第一判别算法为：若对所有的j(j≠i)，Wij(X)>0，则判别结果为X∈Gi。
在发明具体实施过程中，所述第二判别算法为：
当各总体协方差矩阵Σj不全等时，待测样本X到各总体Gj(j＝1，2，…，6，对应6类总体)的马氏距离平方分别为：
Figure BDA0002633872390000091
式中，μj为总体Gj的均值向量，Σj为总体Gj的协方差矩阵；
在实际中，同样用训练样本对总体做估计，可得到二次判别函数d2(X,Gj)的估计值为：
Figure BDA0002633872390000092
式中，
Figure BDA0002633872390000093
为总体Gj的均值向量估计值，
Figure BDA0002633872390000094
为协方差估计值；
综上，第二判别算法为：若
Figure BDA0002633872390000095
则X的判别结果为X∈Gj。
S16：基于所述判别结果得到所述待判样本的电压暂降源识别结果。
在本发明具体实施过程中，根据步骤S15得到的判别结果，从而得到待判样本的电压暂降源识别结果。
在本发明实施中，能够准确识别电压暂降源的具体故障类型，避免识别过程中特征提取困难；在识别过程只依赖于获取的原始电压暂降波形数据进行各总体的构建和判别准则的训练，无需进行参数的设置和调整，数学原理简单、清晰，对噪声具有较好的鲁棒性，并能识别引起电压暂降的具体故障类型；另外，该方法所需样本较少，模型简单。
实施例二
请参阅图2，图2是本发明实施例中的基于距离判别分析的电压暂降源识别装置的结构组成示意图。
如图2所示，一种基于距离判别分析的电压暂降源识别装置，所述装置包括：
处理模块11：用于获取原始电压暂降波形数据，并对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据、以及基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据；和/或用于基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据；
划分模块12：用于将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体；
判断模块13：用于基于所述电压暂降源总体通过计算得到电压暂降源总体的协方差矩阵，并判断所述电压暂降源总体的协方差矩阵是否全相等；
在本发明具体实施过程中，所述判断模块13还包括：用于若是，则基于第一判别算法对所述待判样本进行判别，得到判别结果；和/或用于若否，则基于第二判别算法对所述待判样本进行判别，得到判别结果。
生成模块14：用于基于所述判别结果得到所述待判样本的电压暂降源识别结果。
具体地，本发明实施例的装置相关功能模块的工作原理可参见方法实施例一的相关描述，这里不再赘述。
在本发明实施中，能够准确识别电压暂降源的具体故障类型，避免识别过程中特征提取困难；在识别过程只依赖于获取的原始电压暂降波形数据进行各总体的构建和判别准则的训练，无需进行参数的设置和调整，数学原理简单、清晰，对噪声具有较好的鲁棒性，并能识别引起电压暂降的具体故障类型；另外，该方法所需样本较少，模型简单。
本领域普通技术人员可以理解上述实施例的各种方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，该程序可以存储于一计算机可读存储介质中，存储介质可以包括：只读存储器(ROM，Read Only Memory)、随机存取存储器(RAM，RandomAccess Memory)、磁盘或光盘等。
另外，以上对本发明实施例所提供的一种基于距离判别分析的电压暂降源识别方法及装置进行了详细介绍，本文中应采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)

1.一种基于距离判别分析的电压暂降源识别方法，其特征在于，所述方法包括：
获取原始电压暂降波形数据，并对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据、以及基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据；
基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据；
将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体；
基于所述电压暂降源总体通过计算得到电压暂降源总体的协方差矩阵，并判断所述电压暂降源总体的协方差矩阵是否全相等；
若是，则基于第一判别算法对所述待判样本进行判别，得到判别结果；若否，则基于第二判别算法对所述待判样本进行判别，得到判别结果；
基于所述判别结果得到所述待判样本的电压暂降源识别结果。
2.根据权利要求1所述的基于距离判别分析的电压暂降源识别方法，其特征在于，所述对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据中，所述有效值处理的具体计算公式如下：
Figure FDA0002633872380000011
其中，xrms-1(t)表示有效值处理后的数据；N表示每周期的采样点数；t表示整数且t∈[1,l-N+1]；x(c)表示原始电压暂降波形数据；l表示原始数据样本的长度。
3.根据权利要求1所述的基于距离判别分析的电压暂降源识别方法，其特征在于，所述基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据中，所述归一化处理的具体计算公式如下：
Figure FDA0002633872380000021
其中，Xrms-2表示归一化处理之后的有效值序列；Xrms-1＝{xrms-1(1),xrms-1(2),…}表示归一化处理之前的有效值序列。
4.根据权利要求1所述的基于距离判别分析的电压暂降源识别方法，其特征在于，所述基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据包括：
基于所述归一化处理后的数据得到不同尺度的连续点；
通过计算得到所述不同尺度的连续点的平均值；
基于所述不同尺度的连续点的平均值得到粗粒化处理后的数据；
基于所述粗粒化处理后的数据得到不同分辨率的时间序列。
5.根据权利要求4所述的基于距离判别分析的电压暂降源识别方法，其特征在于，所述通过计算得到所述不同尺度的连续点的平均值中，具体计算公式如下：
Figure FDA0002633872380000022
其中，yτ(θ)表示不同尺度的连续点的平均值；τ表示粗粒化的时间尺度；θ表示粗粒化后数据的样本点；xrms-1(t)表示有效值处理后的数据；N表示每周期的采样点数。
6.根据权利要求1所述的基于距离判别分析的电压暂降源识别方法，其特征在于，所述对所述训练样本构成电压暂降源总体包括：对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体。
7.根据权利要求6所述的基于距离判别分析的电压暂降源识别方法，其特征在于，所述对所述训练样本分别构成单相短路故障、和两相短路故障、和相间故障、和三相短路故障、和变压器激磁、和大型电机启动的电压暂降源总体包括：
对所述训练样本构成单相短路故障的电压暂降源总体，并利用G1表示；
对所述训练样本构成两相短路故障的电压暂降源总体，并利用G2表示；
对所述训练样本构成相间故障的电压暂降源总体，并利用G3表示；
对所述训练样本构成三相短路故障的电压暂降源总体，并利用G4表示；
对所述训练样本构成变压器激磁的电压暂降源总体，并利用G5表示；
对所述训练样本构成大型电机启动的电压暂降源总体，并利用G6表示。
8.根据权利要求1所述的基于距离判别分析的电压暂降源识别方法，其特征在于，所述基于所述电压暂降源总体通过计算得到电压暂降源总体的协方差矩阵中，具体计算公式如下：
Σ＝cov(G)＝E[(G-μ)(G-μ)T]；
其中，Σ表示电压暂降源总体的协方差矩阵；G表示电压暂降源总体，μ表示电压暂降源总体的均值向量。
9.一种基于距离判别分析的电压暂降源识别装置，其特征在于，所述装置包括：
处理模块：用于获取原始电压暂降波形数据，并对所述原始电压暂降波形数据进行有效值处理得到有效值处理后的数据、以及基于所述有效值处理后的数据进行归一化处理得到归一化处理后的数据；和/或用于基于所述归一化处理后的数据对所述原始电压暂降波形数据进行粗粒化处理，得到粗粒化处理后的数据；
划分模块：用于将所述粗粒化处理后的数据按比例划分为训练样本和待判样本，并对所述训练样本构成电压暂降源总体；
判断模块：用于基于所述电压暂降源总体通过计算得到电压暂降源总体的协方差矩阵，并判断所述电压暂降源总体的协方差矩阵是否全相等；
生成模块：用于基于所述判别结果得到所述待判样本的电压暂降源识别结果。
10.根据权利要求1所述的基于距离判别分析的电压暂降源识别方法，其特征在于，所述判断模块还包括：用于若是，则基于第一判别算法对所述待判样本进行判别，得到判别结果；和/或用于若否，则基于第二判别算法对所述待判样本进行判别，得到判别结果。
CN202010819222.1A 2020-08-14 2020-08-14 一种基于距离判别分析的电压暂降源识别方法及装置 Active CN112114186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202010819222.1A CN112114186B (zh) 2020-08-14 2020-08-14 一种基于距离判别分析的电压暂降源识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010819222.1A CN112114186B (zh) 2020-08-14 2020-08-14 一种基于距离判别分析的电压暂降源识别方法及装置

Publications (2)

Publication Number Publication Date
CN112114186A true CN112114186A (zh) 2020-12-22
CN112114186B CN112114186B (zh) 2022-09-23

Family

ID=73804677

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202010819222.1A Active CN112114186B (zh) 2020-08-14 2020-08-14 一种基于距离判别分析的电压暂降源识别方法及装置

Country Status (1)

Country Link
CN (1) CN112114186B (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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 (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105552938A (zh) * 2016-02-26 2016-05-04 中国电力科学研究院 一种三相不对称配电网络电压暂降评估方法
CN107482683A (zh) * 2017-09-15 2017-12-15 东北电力大学 一种基于主成分分析的风电场群暂态电压聚类识别方法
CN109828184A (zh) * 2019-01-18 2019-05-31 东南大学 一种基于互近似熵的电压暂降源识别方法
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
CN110162746A (zh) * 2018-03-12 2019-08-23 华北电力大学（保定） 一种多参数融合相似度的健康预警及故障诊断方法
CN110579638A (zh) * 2019-10-12 2019-12-17 国网江苏省电力有限公司徐州供电分公司 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法
CN110726887A (zh) * 2019-09-09 2020-01-24 国网浙江省电力有限公司电力科学研究院 一种就地化电力系统电压暂降检测方法
US20200116766A1 (en) * 2015-12-11 2020-04-16 Schneider Electric USA, Inc. Systems and methods for monitoring a power system
CN111157837A (zh) * 2018-11-08 2020-05-15 中国石油化工股份有限公司 一种油田配电网的电压暂降凹陷域的分析方法
CN111220842A (zh) * 2020-01-16 2020-06-02 华南理工大学 电压暂降扰动事件发现与定位方法、装置、设备及介质

Patent Citations (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20200116766A1 (en) * 2015-12-11 2020-04-16 Schneider Electric USA, Inc. Systems and methods for monitoring a power system
CN105552938A (zh) * 2016-02-26 2016-05-04 中国电力科学研究院 一种三相不对称配电网络电压暂降评估方法
CN107482683A (zh) * 2017-09-15 2017-12-15 东北电力大学 一种基于主成分分析的风电场群暂态电压聚类识别方法
CN110162746A (zh) * 2018-03-12 2019-08-23 华北电力大学（保定） 一种多参数融合相似度的健康预警及故障诊断方法
CN111157837A (zh) * 2018-11-08 2020-05-15 中国石油化工股份有限公司 一种油田配电网的电压暂降凹陷域的分析方法
CN109828184A (zh) * 2019-01-18 2019-05-31 东南大学 一种基于互近似熵的电压暂降源识别方法
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
CN110726887A (zh) * 2019-09-09 2020-01-24 国网浙江省电力有限公司电力科学研究院 一种就地化电力系统电压暂降检测方法
CN110579638A (zh) * 2019-10-12 2019-12-17 国网江苏省电力有限公司徐州供电分公司 基于卡尔曼滤波的交叉供电系统动态电压跌落检测方法
CN111220842A (zh) * 2020-01-16 2020-06-02 华南理工大学 电压暂降扰动事件发现与定位方法、装置、设备及介质

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
HISHAM ALRAWASHDEH 等: "Adaptive Kalman filter for voltage sag detection in power system", 《2013 IEEE JORDAN CONFERENCE ON APPLIED ELECTRICAL ENGINEERING AND COMPUTING TECHNOLOGIES》 *
MD. JASHIM UDDIN BHUIYAN 等: "S-transform and mahalanobis distance based approach for classifying power quality disturbances", 《2017 INTERNATIONAL CONFERENCE ON ELECTRICAL, COMPUTER AND COMMUNICATION ENGINEERING》 *
戴锋 等: "基于正序电压变化量的故障电压暂降源定位算法", 《电力工程技术》 *
郭敏 等: "两种扰动源引起电压暂降的快速检测及特征分析", 《电源学报》 *

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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
CN112114186B (zh) 2022-09-23

Similar Documents

Publication Publication Date Title
Wang et al. Unsupervised domain adaptation via domain adversarial training for speaker recognition
CN111080105A (zh) 基于电压时序数据的台区户变关系识别方法及系统
CN110928237B (zh) 一种基于振动信号的数控加工中心颤振在线辨识方法
CN112114186B (zh) 一种基于距离判别分析的电压暂降源识别方法及装置
CN112381351B (zh) 一种基于奇异谱分析的用电行为变化检测方法及系统
Gargoom et al. Investigation of effective automatic recognition systems of power-quality events
CN110991527A (zh) 一种考虑电压曲线平均波动率的相似度阈值确定方法
CN112733750A (zh) 基于动态水流图像的污水处理检测的神经网络的训练方法
Bator et al. Feature extraction and reduction applied to sensorless drive diagnosis
CN112615372B (zh) 一种基于变异系数的含电压干扰装置台区检测方法
Chen et al. Real‐time recognition of power quality disturbance‐based deep belief network using embedded parallel computing platform
CN114358157A (zh) 一种基于时序数据LSTM特征的K-Shape聚类方法
Bofill Identifying single source data for mixing matrix estimation in instantaneous blind source separation
CN112098744B (zh) 一种电压暂降源识别的方法
CN106778692B (zh) 一种基于s变换的电缆局部放电信号识别方法及装置
CN112466311B (zh) 声纹识别方法、装置、存储介质及计算机设备
CN112014821B (zh) 一种基于雷达宽带特征的未知车辆目标识别方法
Seth et al. A test of granger non-causality based on nonparametric conditional independence
CN112860870A (zh) 一种噪音数据的识别方法和设备
CN111290369A (zh) 一种基于半监督递归特征保留的故障诊断方法
Luo et al. Active source selection using Gap statistics for underdetermined blind source separation
Gursoy et al. Impact of sample size on ICA-based harmonic source estimation
Akhtar et al. Comprehensive autoregressive modeling for classification of genomic sequences
CN114241472B (zh) 基于底库的车牌识别方法、装置、存储介质及设备
CN113327617B (zh) 声纹判别方法、装置、计算机设备和存储介质

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