CN112362944A - 一种基于余弦相似度法的电压暂降源分类方法 - Google Patents
一种基于余弦相似度法的电压暂降源分类方法 Download PDFInfo
- Publication number
- CN112362944A CN112362944A CN202011248657.1A CN202011248657A CN112362944A CN 112362944 A CN112362944 A CN 112362944A CN 202011248657 A CN202011248657 A CN 202011248657A CN 112362944 A CN112362944 A CN 112362944A
- Authority
- CN
- China
- Prior art keywords
- voltage sag
- voltage
- cosine
- histogram
- cosine similarity
- 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
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
- G01R19/0046—Arrangements for measuring currents or voltages or for indicating presence or sign thereof characterised by a specific application or detail not covered by any other subgroup of G01R19/00
- G01R19/0053—Noise discrimination; Analog sampling; Measuring transients
-
- 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
-
- 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
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Mathematical Physics (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明公开了一种基于余弦相似度法的电压暂降源分类方法,涉及电能质量技术领域,包括以下步骤,S1:读取时段T内配电网中某处发生电压暂降时监测点三相电压变化波形,导出电压波形P1,执行S2;S2:导出由N个不同暂降源分别导致的三相电压波形图F1、F2、F3…FN,执行S3;S3:将P1与P2、P3、P4…PN通过余弦相似度法逐一进行比较,判断电压暂降源,本发明基于矢量图像识别的结果,以发生电压暂将某时段监测点处三相电压变化波形作为研究对象,分别与不同暂降源引起的波形图进行比较,利用余弦相似度法进行暂降源的判断,具有高准确度、细分类化的优点。
Description
技术领域
本发明涉及电能质量技术领域,具体为一种基于余弦相似度法的电压暂降源分类方法。
背景技术
电气与电子工程师协会(IEEE)将电压暂降定义为在系统频率时供电电压有效值瞬时减小到额定值的10%~90%,其持续时间一般为0.5~30个工频周波。电压暂降是目前最严重的电能质量问题之一,近年来电力电子设备和微处理器设备在工业生产中广泛应用,而这些设备对暂降特别敏感,导致设备损坏与误动作,电压暂降也因此给这些敏感工业用户带来了巨大的经济损失,引起了国外电工领域的广泛关注。
近年来,国内外学者针对造成电压暂降各种原因,进行了广泛的分析和识别研究。大部分方法是通过时频分析工具对电压暂降进行信号处理,以提取各种电压暂降源的不同特征,然后采用统计方法或机器学习的方法实现电压暂降各种原因的识别,主要包含:主成分分析约简、HHT和小波包能量谱结合、Mamdani型模糊推理、标签传播半监督学习、最小变异系数、EMD与SVM结合、有效值与FFT结合等方法。
但是,上述方法仅针对部分复合电压暂降源引起的电压暂降,对于该文献中未提及的复合电压暂降源所引起的电压暂降的识别,这类方法并不适用,并且复合电压暂降源的识别方法是基于理想配电网所提出的,并未考虑实际配电网中的谐波,因此,这类方法不能进行更加精确的暂降源识别。
发明内容
本发明的目的在于克服现有技术的不足,提供一种基于余弦相似度法的电压暂降源分类方法。
本发明的目的是通过以下技术方案来实现的:
一种基于余弦相似度法的电压暂降源分类方法,包括以下步骤,
S1:读取时段T内配电网中某处发生电压暂降时监测点三相电压变化波形,导出电压波形P1,执行S2;
S2:导出由N个不同暂降源分别导致的三相电压波形图P2、P3、P4…PN,执行S3;
S3:将P1与P2、P3、P4…PN通过余弦相似度法逐一进行比较,判断电压暂降源。
优选的,所述S3还包括以下子步骤:
S31:将P1与P2、P3、P4…PN设置为统一几何尺寸,执行S32;
S32:分别获取P1、P2、P3、P4…PN的直方图分布,并将每个直方图依次划分为64个区,每个区有4个灰度等级,执行S33;
S33:分别将每个直方图各自64个区生成64个元素,每个直方图有一个向量,将P1的直方图中的向量分别与P2、P3、P4…PN的直方图中的向量逐一进行比较,执行S34;
S34:逐一计算相比较的两个向量夹角的余弦值,利用余弦相似度法识别电压暂降源。
优选的,所述S32中包括对P1、P2、P3、P4…PN进行灰度化与网格化处理之后形成直方图。
优选的,所述S34还包括以下内容:
一般三角形内,两边夹角余弦值为:
在相比较的两个直方图中,两向量a(x1,y1)、b(x2,y2)夹角余弦值为:
优选的,所述S3还包括以下内容,相比较的两向量余弦值越接近于1,表示二者相似度越高,从而识别导致该处电压暂降的暂降源。
本发明的有益效果是:
1、本发明基于矢量图像识别的结果,以发生电压暂将某时段监测点处三相电压变化波形作为研究对象,分别与不同暂降源引起的波形图进行比较。具体来说,对图片进行灰度化、网格化处理,形成直方图,通过提取两被比较图片的向量,计算其夹角余弦值,利用余弦相似度法进行暂降源的判断,具有高准确度、细分类化的优点;
2、本发明直接将波形图进行向量比较,具有充分利用已知条件,识别结果更加精准可靠的优点。
附图说明
附图1为本发明的流程示意图;
附图2为本发明算例中读取某时段未知电压暂降源三相电压波形的直方图;
附图3为本发明算例中读取某时段未知电压暂降源的三相电压波形。
附图4为本发明中阐述欧氏距离的原理示意图。
具体实施方式
下面结合附图进一步详细描述本发明的技术方案,但本发明的保护范围不局限于以下所述。
参照附图1,一种基于余弦相似度法的电压暂降源分类方法包括以下步骤:
一种基于余弦相似度法的电压暂降源分类方法,包括以下步骤,
S1:读取时段T内配电网中某处发生电压暂降时监测点三相电压变化波形,导出电压波形P1,执行S2;
S2:导出由N个不同暂降源分别导致的三相电压波形图P2、P3、P4…PN,执行S3;
S3:将P1与P2、P3、P4…PN通过余弦相似度法逐一进行比较,判断电压暂降源。
其中,所述S3还包括以下子步骤:
S31:将P1与P2、P3、P4…PN设置为统一几何尺寸,执行S32;
S32:分别获取P1、P2、P3、P4…PN的直方图分布,并将每个直方图依次划分为64个区,每个区有4个灰度等级,执行S33;
S33:分别将每个直方图各自64个区生成64个元素,每个直方图有一个向量,将P1的直方图中的向量分别与P2、P3、P4…PN的直方图中的向量逐一进行比较,执行S34;
S34:逐一计算相比较的两个向量夹角的余弦值,利用余弦相似度法识别电压暂降源。
需要说明的是,所述S32中包括对P1、P2、P3、P4…PN进行灰度化与网格化处理之后形成直方图。
其中,一般三角形中,余弦计算公式为:
在向量表示的三角形中,假设a向量是(x1,y1),b向量是(x2,y2),那么可以将余弦定理改写成下面的形式:
更进一步的,余弦距离使用两个向量夹角的余弦值作为衡量两个个体间差异的大小。相比欧氏距离,余弦距离更加注重两个向量在方向上的差异,具体阐述如图4。
从图4可以看出,欧氏距离衡量的是空间各点的绝对距离,跟各个点所在的位置坐标直接相关;而余弦距离衡量的是空间向量的夹角,更加体现在方向上的差异,而不是位置。如果保持A点位置不变,B点朝原方向远离坐标轴原点,那么这个时候余弦距离cosθ是保持不变的(因为夹角没有发生变化),而A、B两点的距离显然在发生改变,这就是欧氏距离和余弦距离之间的不同之处
选用某时段未知暂降源引起的三相电压波形图P1作为本发明算例。首先,将波形图进行灰度化、网格化处理,划分为64个区后,读取其波形直方图如附图2。
其中,引起电压暂降的暂降源一般可分为七种:线路故障类型变化导致的多级电压暂降;相接地故障和感应电机启动同时发生导致电压暂降;相接地故障和变压器投入同时发生导致的电压暂降;变压器投入先于单相接地故障导致的电压暂降;感应电动机启动和变压器投入同时发生导致的电压暂降;感应电动机启动先于变压器投入导致的电压暂降;变压器投入先于感应电动机启动导致的电压暂降。为简化表达,在本算例中分别记为F1~F7,并与观测点波形进行比较,分别与七种暂降源所比较得余弦值如表1。
表1
由余弦相似度法可知,该类电压暂降与F1类暂降源引起的波形向量夹角的余弦值最接近于1,故判断为线路故障类型变化导致的多级电压暂降。算例中三相电压波形如附图3。
可以看出,余弦相似度法提供了一种新的方法,能精确地识别复合电压暂降源,弥补了现有研究的不足。
在本发明的描述中,需要理解的是,余弦距离衡量的是空间向量的夹角,更加体现在方向上的差异,而不是位置。如果保持向量a位置不变,b向量朝原方向远离坐标轴原点,那么这个时候余弦距离cosθ是保持不变的(因为夹角没有发生变化),而这就是欧氏距离和余弦距离之间的不同之处,也正是本发明的创新与严谨之处。
以上所述仅是本发明的优选实施方式,应当理解所描述的实施例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。本发明并非局限于本文所披露的形式,不应看作是对其他实施例的排除,而可用于各种其他组合、修改和环境,并能够在本文所述构想范围内,通过上述教导或相关领域的技术或知识进行改动。而本领域人员所进行的改动和变化不脱离本发明的精神和范围,则都应在本发明所附权利要求的保护范围内。
Claims (5)
1.一种基于余弦相似度法的电压暂降源分类方法,其特征在于,包括以下步骤,
S1:读取时段T内配电网中某处发生电压暂降时监测点三相电压变化波形,导出电压波形P1,执行S2;
S2:导出由N个不同暂降源分别导致的三相电压波形图F1、F2、F3…FN,执行S3;
S3:将P1与P2、P3、P4…PN通过余弦相似度法逐一进行比较,判断电压暂降源。
2.根据权利要求1所述的一种基于余弦相似度法的电压暂降源分类方法,其特征在于,所述S3还包括以下子步骤:
S31:将P1与P2、P3、P4…PN设置为统一几何尺寸,执行S32;
S32:分别获取P1、P2、P3、P4…PN的直方图分布,并将每个直方图依次划分为64个区,每个区有4个灰度等级,执行S33;
S33:分别将每个直方图各自64个区生成64个元素,每个直方图有一个向量,将P1的直方图中的向量分别与P2、P3、P4…PN的直方图中的向量逐一进行比较,执行S34;
S34:逐一计算相比较的两个向量夹角的余弦值,利用余弦相似度法识别电压暂降源。
3.根据权利要求2所述的一种基于余弦相似度法的电压暂降源分类方法,其特征在于,所述S32中包括对P1、P2、P3、P4…PN进行灰度化与网格化处理之后形成直方图。
5.根据权利要求4所述的一种基于余弦相似度法的电压暂降源分类方法,其特征在于,所述S3还包括以下内容,相比较的两向量余弦值越接近于1,表示二者相似度越高,从而识别导致该处电压暂降的暂降源。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011248657.1A CN112362944A (zh) | 2020-11-10 | 2020-11-10 | 一种基于余弦相似度法的电压暂降源分类方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011248657.1A CN112362944A (zh) | 2020-11-10 | 2020-11-10 | 一种基于余弦相似度法的电压暂降源分类方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112362944A true CN112362944A (zh) | 2021-02-12 |
Family
ID=74509269
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011248657.1A Pending CN112362944A (zh) | 2020-11-10 | 2020-11-10 | 一种基于余弦相似度法的电压暂降源分类方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112362944A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820570A (zh) * | 2021-08-30 | 2021-12-21 | 安徽莱特实业集团有限公司 | 基于三角波宽度比和双门限设定的弧光放电故障识别方法 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080079135A (ko) * | 2007-02-26 | 2008-08-29 | 엘에스산전 주식회사 | 새그의 위상보상이 가능한 실시간 전압제어 장치 및 방법 |
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 |
CN105785227A (zh) * | 2016-04-13 | 2016-07-20 | 云南电网有限责任公司电力科学研究院 | 一种电压暂降源的定位方法 |
CN107462764A (zh) * | 2017-09-25 | 2017-12-12 | 南京灿能电力自动化股份有限公司 | 一种电压暂降检测与刻画的自动分段方法 |
CN109188081A (zh) * | 2018-09-12 | 2019-01-11 | 四川大学 | 一种基于空间向量法的电压暂降波形点检测方法 |
-
2020
- 2020-11-10 CN CN202011248657.1A patent/CN112362944A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20080079135A (ko) * | 2007-02-26 | 2008-08-29 | 엘에스산전 주식회사 | 새그의 위상보상이 가능한 실시간 전압제어 장치 및 방법 |
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 |
CN105785227A (zh) * | 2016-04-13 | 2016-07-20 | 云南电网有限责任公司电力科学研究院 | 一种电压暂降源的定位方法 |
CN107462764A (zh) * | 2017-09-25 | 2017-12-12 | 南京灿能电力自动化股份有限公司 | 一种电压暂降检测与刻画的自动分段方法 |
CN109188081A (zh) * | 2018-09-12 | 2019-01-11 | 四川大学 | 一种基于空间向量法的电压暂降波形点检测方法 |
Non-Patent Citations (2)
Title |
---|
汪颖;王欢;王昕;: "一种基于改进灰色关联分析的电压暂降源识别方法", 电测与仪表, no. 15, pages 1 - 7 * |
汪颖;禹华西;马明;李新;: "基于余弦相似度的电压暂降/暂升类型模式匹配方法", 水电能源科学, no. 04, pages 171 - 175 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113820570A (zh) * | 2021-08-30 | 2021-12-21 | 安徽莱特实业集团有限公司 | 基于三角波宽度比和双门限设定的弧光放电故障识别方法 |
CN113820570B (zh) * | 2021-08-30 | 2024-04-16 | 安徽莱特实业集团有限公司 | 基于三角波宽度比和双门限设定的弧光放电故障识别方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhai et al. | Insulator fault detection based on spatial morphological features of aerial images | |
CN106483370B (zh) | 基于多特征融合的非侵入式家用负荷实时识别方法及装置 | |
Aubert et al. | Kalman-filter-based indicator for online interturn short circuits detection in permanent-magnet synchronous generators | |
CN109828184B (zh) | 一种基于互近似熵的电压暂降源识别方法 | |
Iksan et al. | Appliances identification method of non-intrusive load monitoring based on load signature of VI trajectory | |
CN113567794B (zh) | 基于动态时间规整的电动自行车户内充电辨识方法及系统 | |
ÇÖTELİ | A combined protective scheme for fault classification and identification of faulty section in series compensated transmission lines | |
El-Saadawi et al. | A novel protection scheme for synchronous generator stator windings based on SVM | |
Jiao et al. | Novel magnetization hysteresis-based power-transformer protection algorithm | |
Li et al. | A fault pattern and convolutional neural network based single-phase earth fault identification method for distribution network | |
CN112362944A (zh) | 一种基于余弦相似度法的电压暂降源分类方法 | |
Wang et al. | Stator single-line-to-ground fault protection for bus-connected powerformers based on S-transform and bagging ensemble learning | |
CN111398721A (zh) | 一种引入调节因子的配电网电压暂降源分类识别方法 | |
Li et al. | Incipient Fault Detection in Power Distribution System: A Time–Frequency Embedded Deep-Learning-Based Approach | |
Sun et al. | An open-circuit fault diagnosis algorithm based on signal normalization preprocessing for motor drive inverter | |
Veizaga et al. | Classification of voltage sags causes in industrial power networks using multivariate time‐series | |
Chu et al. | TDV-LSTM: A new methodology for series arc fault detection in low power AC systems | |
CN117289087A (zh) | 一种基于czt变换的串联故障电弧检测方法 | |
Liu et al. | Fault diagnosis of OLTC based on time-frequency image analysis of vibration signal | |
CN111913078B (zh) | 一种基于运行的输电线路故障识别方法 | |
CN114709926A (zh) | 一种融合暂稳态特征的非侵入式负荷识别方法 | |
CN114609435A (zh) | 一种电压暂降检测和分类辨识方法 | |
Zhu et al. | Detection and classification of power disturbances using mathematical morphology with trapezoid structuring elements and signal envelopes | |
Duan et al. | Research on Identification of Magnetizing Inrush Current Based on PSO-SVM | |
CN111524036A (zh) | 一种暂态电能质量扰动分类方法 |
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 |