CN114462447A - 电压暂降的识别方法、装置、计算机设备、存储介质 - Google Patents
电压暂降的识别方法、装置、计算机设备、存储介质 Download PDFInfo
- Publication number
- CN114462447A CN114462447A CN202210007326.1A CN202210007326A CN114462447A CN 114462447 A CN114462447 A CN 114462447A CN 202210007326 A CN202210007326 A CN 202210007326A CN 114462447 A CN114462447 A CN 114462447A
- Authority
- CN
- China
- Prior art keywords
- sag
- target
- voltage
- time
- voltage 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 54
- 238000013145 classification model Methods 0.000 claims abstract description 67
- 238000012545 processing Methods 0.000 claims abstract description 42
- 230000008859 change Effects 0.000 claims abstract description 32
- 238000000605 extraction Methods 0.000 claims abstract description 28
- 238000004590 computer program Methods 0.000 claims abstract description 25
- 239000013598 vector Substances 0.000 claims description 77
- 238000004364 calculation method Methods 0.000 claims description 46
- 238000003066 decision tree Methods 0.000 claims description 32
- 238000012360 testing method Methods 0.000 claims description 19
- 238000012549 training Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 8
- 238000012216 screening Methods 0.000 claims description 8
- 238000005457 optimization Methods 0.000 description 17
- 230000008569 process Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000002829 reductive effect Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 7
- 238000005516 engineering process Methods 0.000 description 6
- 230000009466 transformation Effects 0.000 description 4
- 230000006698 induction Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013500 data storage Methods 0.000 description 2
- 230000001934 delay Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000012544 monitoring process Methods 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000000670 limiting effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 230000036962 time dependent Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/12—Classification; Matching
-
- 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
- G06F17/141—Discrete Fourier transforms
- G06F17/142—Fast Fourier transforms, e.g. using a Cooley-Tukey type algorithm
-
- 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
-
- 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
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Analysis (AREA)
- Discrete Mathematics (AREA)
- Signal Processing (AREA)
- Algebra (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请涉及一种电压暂降的识别方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:通过若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,该暂降时间段内每个暂降时刻均对应一个目标电压数据。对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,该基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种。通过暂降分类模型,对该基础特征和该曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。这样,大大提高了对电压暂降识别的准确率。
Description
技术领域
本申请涉及电压暂降识别技术领域,特别是涉及一种电压暂降的识别方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
随着电压暂降识别技术的发展,常常采用人工提取特征的识别方式对电压暂降的类别进行识别。其中,人工提取特征的识别方式是获取电压暂降的均方根值以及相关延伸量等特征,再结合人工经验的识别方法对获取的特征进行处理。
然而,若采用人工提取特征的识别方式,则提取到的特征量往往会受到主观因素的影响,难以准确反映电压暂降的过程,导致电压暂降分类识别结果不准确,存在对电压暂降识别的准确率低的问题。
发明内容
基于此,有必要针对上述技术问题,提供一种电压暂降的识别方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种电压暂降的识别方法。所述方法包括:
若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,所述暂降时间段内每个暂降时刻均对应一个目标电压数据;
对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,所述基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种;
通过暂降分类模型,对所述基础特征和所述曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
第二方面,本申请还提供了一种电压暂降的识别装置。所述装置包括:
处理模块,用于若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,所述暂降时间段内每个暂降时刻均对应一个目标电压数据;
提取模块,用于对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,所述基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种;
识别模块,用于通过暂降分类模型,对所述基础特征和所述曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
第三方面,本申请还提供了一种计算机设备。所述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:
若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,所述暂降时间段内每个暂降时刻均对应一个目标电压数据;
对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,所述基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种;
通过暂降分类模型,对所述基础特征和所述曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
第四方面,本申请还提供了一种计算机可读存储介质。所述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:
若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,所述暂降时间段内每个暂降时刻均对应一个目标电压数据;
对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,所述基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种;
通过暂降分类模型,对所述基础特征和所述曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,所述暂降时间段内每个暂降时刻均对应一个目标电压数据;
对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,所述基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种;
通过暂降分类模型,对所述基础特征和所述曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
上述电压暂降的识别方法、装置、计算机设备、存储介质和计算机程序产品,通过若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,该暂降时间段内每个暂降时刻均对应一个目标电压数据。对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,该基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种。这样,在基础特征的基础上,结合用于表征电压暂降曲率变化的曲率特征,能够进一步扩充电压暂降的细节信息,从而大大提升了特征提取的有效性。通过暂降分类模型,对该基础特征和该曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。这样,通过暂降分类模型,对基础特征和曲率特征进行处理,能够全面且精准反映电压暂降的变化过程,从而能够准确地确定电压暂降的识别类型,大大提高了对电压暂降识别的准确率。
附图说明
图1为一个实施例中电压暂降的识别方法的应用环境图;
图2为一个实施例中电压暂降的识别方法的流程示意图;
图3为一个实施例中确定更新后的短时傅里叶步骤的示意图;
图4为一个实施例中电压有效值随时间变化的曲线图;
图5为一个实施例中确定基础特征和曲率特征步骤的流程示意图;
图6为另一个实施例中电压有效值随时间变化的曲线图;
图7为一个实施例中确定基础特征步骤的流程示意图;
图8为另一个实施例中电压有效值随时间变化的曲线图;
图9为一个实施例中确定暂降分类模型步骤的流程示意图;
图10为一个实施例中暂降分类模型的优化部分示意图;
图11为另一个实施例中确定暂降分类模型步骤的流程示意图;
图12为另一个实施例中确定暂降分类模型步骤的示意图;
图13为一个实施例中电压暂降的识别装置的结构框图;
图14为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。
本申请实施例提供的电压暂降的识别方法,可以应用于如图1所示的应用环境中。其中,电力***102通过网络与计算机设备104进行通信。其中,计算机设备104可以是终端或者服务器。其中,数据存储***可以存储服务器需要处理的数据。数据存储***可以集成在服务器上,也可以放在云上或其他网络服务器上。若计算机设备104接收到电力***102发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,该暂降时间段内每个暂降时刻均对应一个目标电压数据。计算机设备104对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,该基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种。计算机设备104通过暂降分类模型,对该基础特征和该曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。其中,电力***102可以是但不限于是各种计算机、笔记本电脑、平板电脑等。其中,终端可以但不限于是各种个人计算机、笔记本电脑、智能手机、平板电脑、物联网设备和便携式可穿戴设备,物联网设备可为智能音箱、智能电视、智能空调、智能车载设备等。便携式可穿戴设备可为智能手表、智能手环、头戴设备等。服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现。
在一个实施例中,如图2所示,提供了一种电压暂降的识别方法,以该方法应用于图1中的计算机设备为例进行说明,包括以下步骤:
步骤202,若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,该暂降时间段内每个暂降时刻均对应一个目标电压数据。
其中,电力***将一次能源通过发电动力装置转化成电能,再经输电、变电和配电将电能供应到各用户。其中,电压暂降信号用于表征发生电压暂降现象,该电压暂降(也为电压跌落)即电力***中某点工频电压方均根值突然降低至0.1p.u.(标幺值)~0.9p.u.,并在短暂持续10ms~1min后恢复正常的现象。其中,三相电压数据即为相与相之间的电压。其中,短时傅里叶用以确定时变信号其局部区域正弦波的频率与相位。
具体地,若计算机设备接收到电力***发送的电压暂降信号,则计算机设备获取暂降时间段内的多个三相电压数据。计算机设备基于傅里叶表达式确定短时傅里叶表达式,并对该短时傅里叶表达式进行更新处理,得到更新后的短时傅里叶的表达式。计算机设备通过更新后的短时傅里叶表达式,对多个三相电压数据进行处理,得到与各个暂降时刻分别对应的目标电压数据。该目标电压数据表征为三相电压形式。
例如,计算机设备获取基础傅里叶表达式,如下:
其中X(k)是经过傅里叶变换后的数据,X(n)是监测装置采集得到的电压暂降信号,将上式展开如下:
基于上述的基础傅里叶表达式,在Xk(0)与Xk(1)处展开得到如下两式:
式中ωN=e(-2*j)/n,将上述Xk(0)与Xk(1)相减,得到更新后的短时傅里叶的表达式,如下:
其中,该更新后的短时傅里叶的表达式通过递归的方式,使用1次复数乘法以实现连续的更新后的短时傅里叶变化,该算法示意图如图3所示。计算机设备获取在暂降时间段内的多个三相电压数据,该三相电压数据具有较强的时序性,每个周期由128个离散的信号点组成,以csv文件格式存在excel表格中。计算机设备通过更新后的短时傅里叶表达式,对多个三相电压数据进行处理,得到与各个暂降时刻分别对应的目标电压数据。该目标电压数据表征为三相电压形式。
需要说明的是,考虑到实测波形并不是完美的正弦波,需要引入傅里叶变换滤出基波、以及各次谐波。短时傅里叶变化是对傅里叶变换进行加窗处理,即吧时域信号划分为数个分段的时间区域,而更新后的短时傅里叶通过提取基波分量,在此基础上通过数值变换得到基波分量,能够如实反映信号的频率内容,同时也真实反映了频率内容随时间变化的规律。
步骤204,对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,该基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种。
其中,三相不平衡度为三相电力***中三相不平衡的程度,用电压或电流负序分量与正序分量的方均根值百分比表示。该暂降深度为在电压暂降事件中,残余工频电压方均根值与***标称电压之差的绝对值与***标称电压之比,一般以百分比表示。该暂降持续时间为以设定的电压暂降大小为门槛值记录的电压骤然降低的持续时间。
具体地,计算机设备获取各个暂降时刻分别对应的目标电压数据,并对各个目标电压数据进行多个基础指标计算,得到各个基础指标计算分别对应的基础特征,其中,基础指标计算包括三相不平衡度计算、暂降深度计算、以及暂降持续时间计算。计算机设备基于各个目标电压数据,分别进行相空间向量计算和曲率计算,得到相空间向量计算结果和曲率计算结果。计算机设备基于该相空间向量计算结果和曲率机计算结果确定曲率特征。
步骤206,通过暂降分类模型,对该基础特征和该曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
其中,暂降分类模型基于LightGBM(Light Gradient Boosting Machine,轻量的梯度提升机)算法构建得到的模型。
具体地,计算机设备获取该基础特征和该曲率特征,并将该基础在和该曲率特征输入至暂降分类模型中,得到电压暂降的识别类型。
其中,电压暂降的识别类型包括感应电机启动类型、变压器投切类型、短路故障类型。其中,感应电机启动类型、变压器投切类型和短路故障类型在电压暂降的发生阶段都比较迅速,通常在1个周期内有效值跌至稳定的最低值。其中,如图4所示,该图为电压有效值随时间变化的情况。其中,短路故障类型从电压暂降状态恢复至有效值的速度快,即暂降时间较短;而感应电机启动类型和变压器投切类型的恢复速度较为缓慢。此外,变压器投切类型造成的电压暂降三相幅值始终不相等。
上述电压暂降的识别方法中,通过若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,该暂降时间段内每个暂降时刻均对应一个目标电压数据。对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,该基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种。这样,在基础特征的基础上,结合用于表征电压暂降曲率变化的曲率特征,能够进一步扩充电压暂降的细节信息,从而大大提升了特征提取的有效性。通过暂降分类模型,对该基础特征和该曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。这样,通过暂降分类模型,对基础特征和曲率特征进行处理,能够全面且精准反映电压暂降的变化过程,从而能够准确地确定电压暂降的识别类型,大大提高了对电压暂降识别的准确率。
在一个实施例中,如图5所示,该基础特征包括三相不平衡度、暂降深度、以及暂降持续时间中的至少一种,该对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征,包括:
步骤S502,基于各个暂降时刻分别对应的目标电压数据、以及标准电压数据,确定三相不平衡度和暂降深度。
具体地,计算机设备获取各个暂降时刻分别对应的目标电压数据、以及标准电压数据。计算机设备基于各个暂降时刻分别对应的目标电压数据,确定各个暂降时刻分别对应的瞬时电压信息。对于每个暂降时刻,计算机设备基于标注电压数据,对与相应暂降时刻对应的瞬时电压信息分别进行三相不平衡度的计算、暂降深度计算,得到各个暂降时刻分别对应的三相不平衡度、暂降深度。
例如,对于暂降时刻t,计算机设备获取与暂降时刻t对应的目标电压数据A,并基于该目标电压数据A确定与暂降时刻t对应的瞬时电压信息a。计算机设备基于瞬时电压信息a和标准电压数据,分别进行三相不平衡度计算和暂降深度计算,得到暂降时刻t的三相不平衡度和暂降深度。
可以理解的是,本申请中每个三相不平衡度均与一个暂降时刻对应,即,该三相不平衡度并不是与长周期或者短周期的时间段所对应,而是与一个暂降时刻所对应。
步骤S504,基于暂降时间段中的各个暂降时刻,确定电压暂降起始时刻和电压暂降结束时刻,并基于该电压暂降起始时刻和该电压暂降结束时刻确定暂降持续时间。
具体地,计算机设备获取暂降时间段,并基于该暂降时间段内的各个暂降时刻,计算机设备将三相电压数据从额定数据快速降低至预定值的时刻作为电压暂降起始时刻,将三相电压数据回升到预定值的时刻作为电压暂降结束时刻。计算机设备基于该电压暂降起始时刻和该电压暂降结束时刻,确定暂降持续时间。
例如,如图6所示,计算机设备获取暂降时间段,并基于该暂降时间段内的各个暂降时刻,计算机设备将三相电压数据从额定数据UN快速降低至0.9p.u.的时刻作为电压暂降起始时刻T1,将三相电压数据回升到0.9p.u.的时刻作为电压暂降结束时刻T2。计算机设备将该电压暂降结束时刻减去该电压暂降起始时刻得到暂降持续时间△T。
步骤S506,对于每个暂降时刻,均对与相应暂降时刻对应的三相电压数据进行相空间半径计算,得到与相应暂降时刻对应的相空间向量。
其中,相空间是一个用以表示出一***所有可能状态的空间,***的每个可能的状态都有一相对应的相空间的点。
具体地,对于每个暂降时刻,计算机设备均对与相应暂降时刻对应三相电压数据进行相空间半径计算,得到与相应暂降时刻对应的相空间向量。例如,与暂降时刻t对应的目标电压数据A中包含有瞬时电压信息a,该瞬时电压信息a为三个目标子电压值的集合,即νa(k)、νb(k)、νc(k)(对应为三相瞬时电压的标幺值),采用如下公式计算得到与暂降时刻t对应的相空间向量x(k):
其中,对该相空间向量取幅值可以得到R(k)即相空间半径。
步骤S508,对各个暂降时刻分别对应的相空间向量进行阈值筛选,确定目标暂降时刻,并对与该目标暂降时刻对应的目标电压数据进行斜率计算,得到曲率特征。
具体地,计算机设备获取各个暂降时刻分别对应的相空间向量,并对各个相空间向量进行阈值筛选,得到筛选后的相空间向量。计算机设备基于筛选后的相空间向量,确定目标暂降时刻。计算机设备确定与目标暂降时刻对应的目标电压数据,并对该目标电压数据进行斜率计算,得到曲率特征。
在本实施例中,基于各个暂降时刻分别对应的目标电压数据、以及标准电压数据,确定各个暂降时刻分别对应的三相不平衡度和暂降深度,从而,能够得到实时性更好的三相不平衡度和暂降深度,有利于得到针对性更好的基础特征。基于暂降时间段所对应的电压暂降起始时间和电压暂降结束时间,能够准确且迅速的得到暂降持续时间。对于每个暂降时刻,通过对与相应暂降时刻对应的三相电压数据进行相空间半径计算,得到与相应暂降时刻对应的相空间向量。这样,通过该相空间向量能够精确且准确的反映电压暂降时曲率的变换情况。通过对如实反映曲率变化情况的各个相空间向量进行筛选,得到目标暂降时刻。对与该目标暂降时刻对应的目标电压数据进行斜率计算,得到曲率特征。这样,在对能如实反映曲率变化情况的各个相空间向量基础上,通过斜率计算能够清楚且精准的反映电压暂降的变化过程,确保了特征提取的有效性。
在一个实施例中,如图7所示,该目标电压数据包含多个子电压值,该基于各个暂降时刻分别对应的目标电压数据、以及标准电压数据,确定三相不平衡度和暂降深度,包括:
步骤S702,对于每个暂降时刻,基于与相应暂降时刻对应的目标电压数据,确定与相应暂降时刻对应的多个目标子电压值。
其中,该目标电压数据为三相电压数据,则每个目标电压数据包含多相电压,其中,每相对应一个目标子电压值。其中,三相电由三个频率相同、振幅相等、相位依次互差120°的交流电势组成的电源。
具体地,对于每个暂降时刻,计算机设备基于与相应暂降时刻对应的目标电压数据,确定与相应暂降时刻对应的多个目标子电压值。例如,与暂降时刻t对应的目标电压数据A中包含有瞬时电压信息a,该瞬时电压信息a为三个目标子电压值的集合。
步骤S704,对于每个暂降时刻,从与相应暂降时刻对应的多个目标子电压值中确定最大值和最小值,并基于该最大值和该最小值确定与相应暂降时刻对应的第一差值。
具体地,对于每个暂降时刻,计算机设备将与相应暂降时刻对应的多个目标子电压值进行比较,得到最大值和最小值。对于每个暂降时刻,计算机设备将该最大值减去该最小值得到与相应暂降时刻对应的第一差值。
步骤S706,对于每个暂降时刻,均基于与相应暂降时刻对应的第一差值和该标准电压数据,确定与相应暂降时刻对应的三相不平衡度。
具体地,对于每个暂降时刻,计算机设备均将与相应暂降时刻对应的第一差值除以该标准电压值,得到与相应暂降时刻对应的比例值。计算机设备将与相应暂降时刻对应的比例值,作为与相应暂降时刻对应的三相不平衡度。
例如,对于每个暂降时刻,计算机设备将与相应暂降时刻对应的多个目标子电压值进行比较,得到最大值和最小值其中,为目标电压数据(即暂降三相暂降电压幅值),a,b,c表征三相。对于每个暂降时刻,计算机设备基于该最大值和最小值计算三相不平衡度,具体采用如下公式:
需要说明的是,根据有效值取值为一个滑窗的原理,该目标电压数据取有效值小于0.95p.u.的第一个点延后一个周期的监测点计算。UN为监测数据获取的额定运行电压,即标准电压数据。
步骤S708,对于每个暂降时刻,均基于与相应暂降时刻对应的最小值和该标准电压数据,确定与相应暂降时刻对应的第二差值,并基于与相应暂降时刻对应的第二差值和该标准电压数据,确定与相应暂降时刻对应的暂降深度。
具体地,对于每个暂降时刻,计算机设备均将该标准电压数据减去相应暂降时刻对应的最小值,得到与相应暂降时刻对应的第二差值。对于每个暂降时刻,计算机设备将与相应暂降时刻对应的第二差值除以该标准电压数据,得到与相应暂降时刻对应的暂降深度。例如,对于每个暂降时刻,计算机设备均基于与相应暂降时刻对应的最小值Um(即,对应)),则采用如下公式:
在本实施例中,对于每个暂降时刻,均基于与相应暂降时刻对应的多个目标子电压值,通过三相不平衡度计算得到瞬时性更强的三相不平衡度。对于每个暂降时刻,均基于与相应暂降时刻对应的最小值,通过暂降深度计算得到实时性更好的暂降深度,从而,能够得到实时性更好的三相不平衡度和暂降深度,有利于得到针对性更好的基础特征。
在一个实施例中,该对各个暂降时刻分别对应的相空间向量进行阈值筛选,确定目标暂降时刻,包括:从多个相空间向量中确定小于向量阈值的第一目标向量,并从多个相空间向量中确定大于或等于向量阈值的第二目标向量。确定各个第一目标向量分别对应的第一暂降时刻,并确定各个第二目标向量分别对应的第二暂降时刻。基于各个第一暂降时刻的时序确定第一目标暂降时刻,并基于各个第二暂降时刻的时序确定第二目标暂降时刻。基于采样周期,确定与第一目标暂降时刻对应的第三目标暂降时刻、以及确定与第二目标暂降时刻对应的第四目标暂降时刻。将该第一目标暂降时刻、该第二目标暂降时刻、该第三目标暂降时刻、该第四目标暂降时刻,作为目标暂降时刻。
具体地,计算机设备获取多个相空间向量,并对每个相空间向量取幅值,得到与相应相空间向量对应的相空间半径。计算机设备将小于向量阈值的相空间半径所对应的相空间向量,作为第一目标向量。计算机设备将大于或等于向量阈值的相空间半径所对应的相空间向量,作为第二目标向量。计算机设备确定各个第一目标向量分别对应的第一暂降时刻,并确定各个第二目标向量分别对应的第二暂降时刻。计算机设备将各个第一暂降时刻按照从小到大进行排序,将排序第一的第一暂降时刻作为第一目标暂降时刻。计算机设备将各个第二暂降时刻按照从小到大排序,将排序第一的第二暂降时刻作为第二目标暂降时刻。计算机设备将第一目标暂降时刻顺延一个采样周期,得到第三目标暂降时刻,并将第二目标暂降时刻提前一个采样周期,得到第四目标暂降时刻。计算机设备将第一目标暂降时刻、该第二目标暂降时刻、该第三目标暂降时刻、该第四目标暂降时刻,作为目标暂降时刻。
例如,计算机设备获取各个相空间向量分别对应的相空间半径R(k),将R(k)小于0.95的第一个暂降时刻,作为第一目标暂降时刻t1。计算机设备将(k)恢复至0.95以上的第一个暂降时刻,作为第二目标暂降时刻t2。计算机设备将该第一目标暂降时刻t1,往后一个周期T的暂降时刻,作为第三目标暂降时刻t3(即t3=t1+T)。计算机设备将该第二目标暂降时刻t2,往前一个周期T的暂降时刻,作为第四目标暂降时刻t4(即t4=t2-T)。计算机设备将第一目标暂降时刻、该第二目标暂降时刻、该第三目标暂降时刻、该第四目标暂降时刻,作为目标暂降时刻。
需要说明的是,基于相空间半径计算得到的相空间向量,能够用圈圈进行表征,即若发生电压暂降,则计算得到的相空间向量,表征出来的是一个半径变小的圆,此时,半径瞬时变小。因此,基于相空间向量能够很好的表征时刻点对应的曲线,即能够更好的反映曲线细节。
在本实施例中,通过计算各个暂降时刻对应的相空间向量,能够得到各个暂降时刻对应的曲线。通过向量阈值对相空间向量进行筛选,能够得到曲线细节更好的目标暂降时刻。这样,基于各个暂降时刻能够精确且准确的反映电压暂降时曲率的变换情况。
在一个实施例中,该对与该目标暂降时刻对应的目标电压数据进行斜率计算,得到曲率特征,包括:对于每个目标暂降时刻,均基于与相应目标暂降时刻对应的第一相邻暂降时刻和第一相邻目标电压数据,确定与相应目标暂降时刻对应的目标曲率;其中,该目标暂降时刻包含第一目标暂降时刻、第二目标暂降时刻、第三目标暂降时刻和第四目标暂降时刻。对于每个暂降时刻,均基于与相应暂降时刻对应的第二相邻暂降时刻和第二相邻目标电压数据,确定与相应暂降时刻对应的待处理曲率,并对多个待处理曲率进行平均值计算,得到目标均值。将多个目标曲率和目标均值进行组合,得到曲率特征。
具体地,对于每个目标暂降时刻,计算机设备确定与相应目标暂降时刻对应的第一相邻暂降时刻,并确定与各个第一相邻暂降时刻分别对应的第一相邻目标电压数据。对于每个目标暂降时刻,计算机设备基于多个第一相邻目标电压数据确定第一电压差值,并基于多个第一相邻暂降时刻确定第一时间差值。对于每个目标暂降时刻,计算机设备基于与相应目标暂降时刻对应的第一电压差值和第一时间差值,得到与相应目标暂降时刻对应的目标曲率。对于每个暂降时刻,计算机设备均基于与相应暂降时刻对应的第二相邻暂降时刻和第二相邻目标电压数据,计算与相应暂降时刻对应的待处理曲率。计算机设备对多个待处理曲率进行平均值计算,得到目标均值。计算机设备将多个目标曲率和目标均值进行组合,得到曲率特征。
比如,曲率计算公式如下所示:
其中,Ui和Ui+1分布为第i个采样点(即目标暂降时刻)和后一个点(即与目标暂降时刻相邻的相邻暂降时刻)的有效值。该ki为目标暂降时刻的曲率。其中,该目标暂降时刻包含第一目标暂降时刻、第二目标暂降时刻、第三目标暂降时刻和第四目标暂降时刻,该各个目标暂降时刻分布情况如图8所示。其中,ki包含有暂降时刻信息Ti和目标电压数据Ui。其中k1、k2小于0,k3、k4大于0,该目标均值k5为整个过程电压暂降曲线斜率绝对值之和的平均值。
在本实施例中,基于各个目标暂降时刻分别对应的目标电压数据,能够准确的确定各个目标暂降时刻分别对应的目标曲率。基于各个暂降时刻分别对应的相邻目标电压数据,能够确定表征电压暂降时曲率变化的综合情况,即目标均值。这样,结合各个目标暂降时刻分别对应的目标曲率、以及能够表征曲率综合变化情况的目标均值,能够得到有效的曲率特征,从而,能够精确且准确的反映电压暂降时曲率的变换情况。
在一个实施例中,如图9所示,该暂降分类模型的确定步骤包括:
步骤S902,对样本暂降时间段内的多个样本三相电压数据进行短时傅里叶处理,得到多个样本电压数据,并对多个样本三相电压数据进行特征提取,得到样本基础特征和样本曲率特征。
具体地,计算机设备获取样本暂降时间段内的多个样本三相电压数据,并基于傅里叶表达式确定短时傅里叶表达式,并对该短时傅里叶表达式进行更新处理,得到更新后的短时傅里叶表达式。计算机设备基于多个样本三相电压数据,通过更新后的短时傅里叶表达式,得到与各个样本暂降时刻分别对应的样本电压数据。计算机设备对多个样本电压数据进行多个基础指标计算,得到各个基础指标计算分别对应的样本基础特征。计算机设备基于多个样本电压数据,分别进行相空间向量计算和曲率计算,确定样本曲率特征。
步骤S904,构建由多个决策树组成的暂降分类模型,并基于该多个样本电压数据,对该暂降分类模型中的决策树进行多次深度限制生成策略的迭代计算,直至满足迭代停止条件时停止。
其中,暂降分类模型基于LightGBM(Light Gradient Boosting Machine,轻量的梯度提升机)算法构建得到的模型。
具体地,计算机设备构建由多个决策树组成的暂降分类模型,计算机设备基于多个样本电压数据,对该暂降分类模型中的决策树进行多次深度限制生成策略的迭代计算,直至满足迭代停止条件时停止。其中,该迭代停止条件可以是迭代次数达到迭代阈值等。其中,该暂降分类模型是基于包含有多个决策树的分类识别算法构建的,并该暂降分类模型是优化后的分类模型,即,通过直方图优化部分、存储记忆优化部分、以及生成策略优化部分对该暂降分类模型进行优化。
其中,直方图优化是改进了传统的预排序方法,将连续的值划分到一系列离散的域中,而一个域对应的就是数据集中的一个直方图块。其中,该区间的值被称为筒,然后以这些筒为精度单位的直方图来做。相较于传统的预排序,简化了模型的表达、减少了内存使用,同时,直方图具有一定的正则化效果,减少了识别误差,可以有效提升电压暂降分类识别精准度,其直方图优化结构图如图10a所示。其中,存储记忆优化是在描述数据特征时,同样改进了预排序算法去存储每一排每一列的数据,如果有数据特征高度类似的结构时,即直接模糊各特征之间的区分边界,如图10b的灰度图,直接将4*4的数据特征排列优化为整张计算代价为0的数据,即将离散化的值转化为整形储存,因此整个算法的内存占用降低至原来的1/8。其中,生长策略优化部分采用带有深度限制的Leaf-wise tree growth生长策略,该策略能够在特征数据上长出更深的叶,也就意味着对特征的分析更加深入,但是容易出现过拟合导致电压暂降分类识别准确率降低的情况。因此,能够提升模型优化效率。其中,带有深度限制的Leaf-wise tree growth生长策略与level-wise tree growth的对比图如图10c所示。
步骤S906,基于最后一次迭代计算中的决策树和与各个决策树分别对应的权重,得到训练完成的暂降分类模型。
具体地,计算机设备获取由最后一次迭代计算得到的决策树和与各个决策树分别对应的权重,并将各个决策树和与各个决策树分别对应的权重进行加权求和,确定训练完成的暂降分类模型。
例如,若满足迭代停止条件,则计算机设备获取与最后一次迭代计算的各个决策树,即,训练完成的各个决策树。其中,一个决策树可视为一个弱分类器。计算机设备获取与各个训练完成的决策树分别对应的权重,并通过加权求和对训练完成各个决策树进行处理,得到训练完成的暂降分类模型。其中,该训练完完成的决策树可以视为强分类器,即将训练完成的各个弱分类器通过加权集成得到的强分类器,具体如下所示:
Fm(x)=a0f0(x)+a1f1(x)+…+aifi(x)+…+amfm(x)
其中,fi(x)表征为弱分类器,ai表征为弱分类器的权重。
步骤S908,通过测试暂降时间段内的多个测试三相电压数据对训练完成的暂降分类模型进行训练,确定用于进行电压暂降识别的暂降分类模型。
具体地,计算机设备获取测试暂降时间段内的多个测试三相电压数据,并基于傅里叶表达式确定短时傅里叶表达式,并对该短时傅里叶表达式进行更新处理,得到更新后的短时傅里叶表达式。计算机设备基于多个测试三相电压数据,通过更新后的短时傅里叶表达式,得到与各个样本暂降时刻分别对应的测试电压数据。计算机设备对多个测试电压数据进行多个基础指标计算,得到各个基础指标计算分别对应的测试基础特征。计算机设备基于多个测试电压数据,分别进行相空间向量计算和曲率计算,确定测试曲率特征。计算机设备基于测试基础特征和测试特征,对训练完成的暂降分类模型进行训练,确定用于进行电压暂降识别的暂降分类模型。
在本实施例中,基于由短时傅里叶处理得到的多个样本电压数据,确定用于训练暂降分类模型的样本基础特征和样本曲率特征。基于样本基础特征和样本曲率特征,对由直方图优化部分、存储记忆优化部分、以及生成策略优化部分构成的暂降分类模型进行训练和测试,得到用于进行电压暂降识别的暂降分类模型。这样,基于直方图优化技术大大提升了机器学习的速度,并且使用存储记忆技术减小了内存占用,这样,能够在确保电压暂降的识别精度的同时,还能大大提升电压暂降的识别速度。
在一个实施例中,如图11所示,计算机设备对样本暂降时间段内的多个样本三相电压数据进行短时傅里叶处理,得到多个样本电压数据,并对多个样本三相电压数据进行特征提取,得到样本基础特征和样本曲率特征。计算机设备初始化决策树棵树,设置训练样本的权重;初始化迭代次数,设置最大迭代次数。计算机设备基于提取得到的样本基础特征和样本曲率特征计算梯度值,根据训练数据确定最优的电压暂降分类点。采用深度限制Leaf-wise tree growth生长策略训练每颗决策树,并以误差最小为目标确定权重。计算机设备对各个决策树进行加权求和得到训练完成的暂降分类模型,即为强分类器。将测试数据输入训练后的电压暂降分类识别模型,验证识别结果,以此确定电压暂降的类别。其中,类别为短路故障、大电机启动或者变压器投切种的中的一类。
其中,υij对应为归一化后的数据表达式。基于该归一化的表达式后进行初始梯度值计算,表达式如下:
再基于该初始梯度值进行梯度提升,即通过电压暂降分类模型的残差来对新的分类器进行训练,之后将训练好的分类器添加到当前迭代的电压暂降分类模型中,并进行多次迭代,以得到训练完成的暂降分类模型。其中,梯度训练的过程如图12所示。其中,基于梯度值计算公式对直方图进行计算,公式如下:
最后,基于测试集样本对训练完成的暂降分类模型进行训练,得到用于进行电压暂降识别的暂降分类模型。
在本实施例中,基于由短时傅里叶处理得到的多个样本电压数据,确定用于训练暂降分类模型的样本基础特征和样本曲率特征。基于样本基础特征和样本曲率特征,对由直方图优化部分、存储记忆优化部分、以及生成策略优化部分构成的暂降分类模型进行训练和测试,得到用于进行电压暂降识别的暂降分类模型。这样,基于直方图优化技术大大提升了机器学习的速度,并且使用存储记忆技术减小了内存占用,这样,能够在确保电压暂降的识别精度的同时,还能大大提升电压暂降的识别速度。
为了便于更加清楚的了解本申请的技术方案,提供了一个更为详细实施例进行解释。若计算机设备接收到电力***发送的电压暂降信号,则计算机设备获取暂降时间段内的多个三相电压数据。计算机设备对该短时傅里叶表达式进行更新处理,得到更新后的短时傅里叶的表达式。计算机设备通过更新后的短时傅里叶表达式,对多个三相电压数据进行处理,得到与各个暂降时刻分别对应的目标电压数据。对于每个暂降时刻,计算机设备基于与相应暂降时刻对应的目标电压数据,确定与相应暂降时刻对应的多个目标子电压值。对于每个暂降时刻,计算机设备将与相应暂降时刻对应的多个目标子电压值进行比较,得到最大值和最小值。对于每个暂降时刻,计算机设备将该最大值减去该最小值得到与相应暂降时刻对应的第一差值。对于每个暂降时刻,计算机设备均将与相应暂降时刻对应的第一差值除以该标准电压值,得到与相应暂降时刻对应的比例值。计算机设备将与相应暂降时刻对应的比例值,作为与相应暂降时刻对应的三相不平衡度。对于每个暂降时刻,计算机设备均将该标准电压数据减去相应暂降时刻对应的最小值,得到与相应暂降时刻对应的第二差值。对于每个暂降时刻,计算机设备将与相应暂降时刻对应的第二差值除以该标准电压数据,得到与相应暂降时刻对应的暂降深度。计算机设备基于该暂降时间段内的各个暂降时刻,计算机设备将三相电压数据从额定数据快速降低至预定值的时刻作为电压暂降起始时刻,将三相电压数据回升到预定值的时刻作为电压暂降结束时刻。计算机设备基于该电压暂降起始时刻和该电压暂降结束时刻,确定暂降持续时间。对于每个暂降时刻,计算机设备均对与相应暂降时刻对应三相电压数据进行相空间半径计算,得到与相应暂降时刻对应的相空间向量。计算机设备对每个相空间向量取幅值,得到与相应相空间向量对应的相空间半径。计算机设备将小于向量阈值的相空间半径所对应的相空间向量,作为第一目标向量,并将大于或等于向量阈值的相空间半径所对应的相空间向量,作为第二目标向量。计算机设备确定各个第一目标向量分别对应的第一暂降时刻,并确定各个第二目标向量分别对应的第二暂降时刻。计算机设备将各个第一暂降时刻按照从小到大进行排序,将排序第一的第一暂降时刻作为第一目标暂降时刻。计算机设备将各个第二暂降时刻按照从小到大排序,将排序第一的第二暂降时刻作为第二目标暂降时刻。计算机设备将第一目标暂降时刻顺延一个采样周期,得到第三目标暂降时刻,并将第二目标暂降时刻提前一个采样周期,得到第四目标暂降时刻。计算机设备将第一目标暂降时刻、该第二目标暂降时刻、该第三目标暂降时刻、该第四目标暂降时刻,作为目标暂降时刻。对于每个目标暂降时刻,计算机设备确定与相应目标暂降时刻对应的第一相邻暂降时刻,并确定与各个第一相邻暂降时刻分别对应的第一相邻目标电压数据。对于每个目标暂降时刻,计算机设备基于多个第一相邻目标电压数据确定第一电压差值,并基于多个第一相邻暂降时刻确定第一时间差值。对于每个目标暂降时刻,计算机设备基于与相应目标暂降时刻对应的第一电压差值和第一时间差值,得到与相应目标暂降时刻对应的目标曲率。对于每个暂降时刻,计算机设备均基于与相应暂降时刻对应的第二相邻暂降时刻和第二相邻目标电压数据,计算与相应暂降时刻对应的待处理曲率。计算机设备对多个待处理曲率进行平均值计算,得到目标均值。计算机设备将多个目标曲率和目标均值进行组合,得到曲率特征。
对样本暂降时间段内的多个样本三相电压数据进行短时傅里叶处理,得到多个样本电压数据,并对多个样本三相电压数据进行特征提取,得到样本基础特征和样本曲率特征。构建由多个决策树组成的暂降分类模型,并基于该多个样本电压数据,对该暂降分类模型中的决策树进行多次深度限制生成策略的迭代计算,直至满足迭代停止条件时停止。基于最后一次迭代计算中的决策树和与各个决策树分别对应的权重,得到训练完成的暂降分类模型。计算机设备获取该基础特征和该曲率特征,并将该基础在和该曲率特征输入至暂降分类模型中,得到电压暂降的识别类型。
在本实施例中,通过若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,该暂降时间段内每个暂降时刻均对应一个目标电压数据。对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,该基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种。这样,在基础特征的基础上,结合用于表征电压暂降曲率变化的曲率特征,能够进一步扩充电压暂降的细节信息,从而大大提升了特征提取的有效性。通过暂降分类模型,对该基础特征和该曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。这样,通过暂降分类模型,对基础特征和曲率特征进行处理,能够全面且精准反映电压暂降的变化过程,从而能够准确地确定电压暂降的识别类型,大大提高了对电压暂降识别的准确率。
应该理解的是,虽然如上所述的各实施例所涉及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,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些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中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的电压暂降的识别方法的电压暂降的识别装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个电压暂降的识别装置实施例中的具体限定可以参见上文中对于电压暂降的识别方法的限定,在此不再赘述。
在一个实施例中,如图13所示,提供了一种电压暂降的识别装置,包括:处理模块1302、提取模块1304和识别模块1306,其中:
处理模块1302,用于若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,该暂降时间段内每个暂降时刻均对应一个目标电压数据。
提取模块1304,用于对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,该基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种。
识别模块1306,用于通过暂降分类模型,对该基础特征和该曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
在一个实施例中,该提取模块1304,用于基于各个暂降时刻分别对应的目标电压数据、以及标准电压数据,确定三相不平衡度和暂降深度。基于暂降时间段中的各个暂降时刻,确定电压暂降起始时刻和电压暂降结束时刻,并基于该电压暂降起始时刻和该电压暂降结束时刻确定暂降持续时间。对于每个暂降时刻,均对与相应暂降时刻对应的三相电压数据进行相空间半径计算,得到与相应暂降时刻对应的相空间向量。对各个暂降时刻分别对应的相空间向量进行阈值筛选,确定目标暂降时刻,并对与该目标暂降时刻对应的目标电压数据进行斜率计算,得到曲率特征。
在一个实施例中,该提取模块1304,用于对于每个暂降时刻,基于与相应暂降时刻对应的目标电压数据,确定与相应暂降时刻对应的多个目标子电压值。对于每个暂降时刻,从与相应暂降时刻对应的多个目标子电压值中确定最大值和最小值,并基于该最大值和该最小值确定与相应暂降时刻对应的第一差值。对于每个暂降时刻,均基于与相应暂降时刻对应的第一差值和该标准电压数据,确定与相应暂降时刻对应的三相不平衡度。对于每个暂降时刻,均基于与相应暂降时刻对应的最小值和该标准电压数据,确定与相应暂降时刻对应的第二差值,并基于与相应暂降时刻对应的第二差值和该标准电压数据,确定与相应暂降时刻对应的暂降深度。
在一个实施例中,该提取模块1304,用于从多个相空间向量中确定小于向量阈值的第一目标向量,并从多个相空间向量中确定大于或等于向量阈值的第二目标向量。确定各个第一目标向量分别对应的第一暂降时刻,并确定各个第二目标向量分别对应的第二暂降时刻。基于各个第一暂降时刻的时序确定第一目标暂降时刻,并基于各个第二暂降时刻的时序确定第二目标暂降时刻。基于采样周期,确定与第一目标暂降时刻对应的第三目标暂降时刻、以及确定与第二目标暂降时刻对应的第四目标暂降时刻。将该第一目标暂降时刻、该第二目标暂降时刻、该第三目标暂降时刻、该第四目标暂降时刻,作为目标暂降时刻。
在一个实施例中,该提取模块1304,用于对于每个目标暂降时刻,均基于与相应目标暂降时刻对应的第一相邻暂降时刻和第一相邻目标电压数据,确定与相应目标暂降时刻对应的目标曲率;其中,该目标暂降时刻包含第一目标暂降时刻、第二目标暂降时刻、第三目标暂降时刻和第四目标暂降时刻。对于每个暂降时刻,均基于与相应暂降时刻对应的第二相邻暂降时刻和第二相邻目标电压数据,确定与相应暂降时刻对应的待处理曲率,并对多个待处理曲率进行平均值计算,得到目标均值。将多个目标曲率和目标均值进行组合,得到曲率特征。
在一个实施例中,该识别模块1306,用于对样本暂降时间段内的多个样本三相电压数据进行短时傅里叶处理,得到多个样本电压数据,并对多个样本三相电压数据进行特征提取,得到样本基础特征和样本曲率特征。构建由多个决策树组成的暂降分类模型,并基于该多个样本电压数据,对该暂降分类模型中的决策树进行多次深度限制生成策略的迭代计算,直至满足迭代停止条件时停止。基于最后一次迭代计算中的决策树和与各个决策树分别对应的权重,得到训练完成的暂降分类模型。通过测试暂降时间段内的多个测试三相电压数据对训练完成的暂降分类模型进行训练,确定用于进行电压暂降识别的暂降分类模型。
上述电压暂降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服务器,其内部结构图可以如图14所示。该计算机设备包括通过***总线连接的处理器、存储器和网络接口。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和内存储器。该非易失性存储介质存储有操作***、计算机程序和数据库。该内存储器为非易失性存储介质中的操作***和计算机程序的运行提供环境。该计算机设备的数据库用于存储电压暂降的识别数据。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电压暂降的识别方法。
本领域技术人员可以理解,图14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,还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上述各方法实施例中的步骤。
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,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一个实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据。
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、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
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本申请专利范围的限制。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,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种电压暂降的识别方法,其特征在于,所述方法包括:
若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,所述暂降时间段内每个暂降时刻均对应一个目标电压数据;
对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,所述基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种;
通过暂降分类模型,对所述基础特征和所述曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
2.根据权利要求1所述的方法,其特征在于,所述基础特征包括三相不平衡度、暂降深度、以及暂降持续时间中的至少一种,所述对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征,包括:
基于各个暂降时刻分别对应的目标电压数据、以及标准电压数据,确定三相不平衡度和暂降深度;
基于暂降时间段中的各个暂降时刻,确定电压暂降起始时刻和电压暂降结束时刻,并基于所述电压暂降起始时刻和所述电压暂降结束时刻确定暂降持续时间;
对于每个暂降时刻,均对与相应暂降时刻对应的三相电压数据进行相空间半径计算,得到与相应暂降时刻对应的相空间向量;
对各个暂降时刻分别对应的相空间向量进行阈值筛选,确定目标暂降时刻,并对与所述目标暂降时刻对应的目标电压数据进行斜率计算,得到曲率特征。
3.根据权利要求2所述的方法,其特征在于,所述目标电压数据包含多个子电压值,所述基于各个暂降时刻分别对应的目标电压数据、以及标准电压数据,确定三相不平衡度和暂降深度,包括:
对于每个暂降时刻,基于与相应暂降时刻对应的目标电压数据,确定与相应暂降时刻对应的多个目标子电压值;
对于每个暂降时刻,从与相应暂降时刻对应的多个目标子电压值中确定最大值和最小值,并基于所述最大值和所述最小值确定与相应暂降时刻对应的第一差值;
对于每个暂降时刻,均基于与相应暂降时刻对应的第一差值和所述标准电压数据,确定与相应暂降时刻对应的三相不平衡度;
对于每个暂降时刻,均基于与相应暂降时刻对应的最小值和所述标准电压数据,确定与相应暂降时刻对应的第二差值,并基于与相应暂降时刻对应的第二差值和所述标准电压数据,确定与相应暂降时刻对应的暂降深度。
4.根据权利要求2所述的方法,其特征在于,所述对各个暂降时刻分别对应的相空间向量进行阈值筛选,确定目标暂降时刻,包括:
从多个相空间向量中确定小于向量阈值的第一目标向量,并从多个相空间向量中确定大于或等于向量阈值的第二目标向量;
确定各个第一目标向量分别对应的第一暂降时刻,并确定各个第二目标向量分别对应的第二暂降时刻;
基于各个第一暂降时刻的时序确定第一目标暂降时刻,并基于各个第二暂降时刻的时序确定第二目标暂降时刻;
基于采样周期,确定与第一目标暂降时刻对应的第三目标暂降时刻、以及确定与第二目标暂降时刻对应的第四目标暂降时刻;
将所述第一目标暂降时刻、所述第二目标暂降时刻、所述第三目标暂降时刻、所述第四目标暂降时刻,作为目标暂降时刻。
5.根据权利要求2所述的方法,其特征在于,所述对与所述目标暂降时刻对应的目标电压数据进行斜率计算,得到曲率特征,包括:
对于每个目标暂降时刻,均基于与相应目标暂降时刻对应的第一相邻暂降时刻和第一相邻目标电压数据,确定与相应目标暂降时刻对应的目标曲率;其中,所述目标暂降时刻包含第一目标暂降时刻、第二目标暂降时刻、第三目标暂降时刻和第四目标暂降时刻;
对于每个暂降时刻,均基于与相应暂降时刻对应的第二相邻暂降时刻和第二相邻目标电压数据,确定与相应暂降时刻对应的待处理曲率,并对多个待处理曲率进行平均值计算,得到目标均值;
将多个目标曲率和目标均值进行组合,得到曲率特征。
6.根据权利要求1至5所述的方法,其特征在于,所述暂降分类模型的确定步骤包括:
对样本暂降时间段内的多个样本三相电压数据进行短时傅里叶处理,得到多个样本电压数据,并对多个样本三相电压数据进行特征提取,得到样本基础特征和样本曲率特征;
构建由多个决策树组成的暂降分类模型,并基于所述多个样本电压数据,对所述暂降分类模型中的决策树进行多次深度限制生成策略的迭代计算,直至满足迭代停止条件时停止;
基于最后一次迭代计算中的决策树和与各个决策树分别对应的权重,得到训练完成的暂降分类模型;
通过测试暂降时间段内的多个测试三相电压数据对训练完成的暂降分类模型进行训练,确定用于进行电压暂降识别的暂降分类模型。
7.一种电压暂降的识别装置,其特征在于,所述装置包括:
处理模块,用于若接收到电力***发送的电压暂降信号,则对暂降时间段内的多个三相电压数据进行短时傅里叶处理,得到处理后的多个目标电压数据;其中,所述暂降时间段内每个暂降时刻均对应一个目标电压数据;
提取模块,用于对各个暂降时刻分别对应的目标电压数据进行特征提取,得到用于表征电压暂降的基础特征和用于表征电压暂降的曲率变化的曲率特征;其中,所述基础特征包括三相不平衡度、暂降深度以及暂降持续时间中的至少一种;
识别模块,用于通过暂降分类模型,对所述基础特征和所述曲率特征进行电压暂降识别处理,得到电压暂降的识别类型。
8.一种计算机设备,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中任一项所述的方法的步骤。
9.一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。
10.一种计算机程序产品,包括计算机程序,其特征在于,该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 |
---|---|---|---|
CN202210007326.1A CN114462447A (zh) | 2022-01-05 | 2022-01-05 | 电压暂降的识别方法、装置、计算机设备、存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210007326.1A CN114462447A (zh) | 2022-01-05 | 2022-01-05 | 电压暂降的识别方法、装置、计算机设备、存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114462447A true CN114462447A (zh) | 2022-05-10 |
Family
ID=81409198
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210007326.1A Pending CN114462447A (zh) | 2022-01-05 | 2022-01-05 | 电压暂降的识别方法、装置、计算机设备、存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114462447A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818365A (zh) * | 2022-05-17 | 2022-07-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 放电通道中心温度的确定方法、装置、计算机设备 |
-
2022
- 2022-01-05 CN CN202210007326.1A patent/CN114462447A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114818365A (zh) * | 2022-05-17 | 2022-07-29 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 放电通道中心温度的确定方法、装置、计算机设备 |
CN114818365B (zh) * | 2022-05-17 | 2024-05-24 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 放电通道中心温度的确定方法、装置、计算机设备 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111914253B (zh) | 一种入侵检测的方法、***、设备及可读存储介质 | |
CN106203534A (zh) | 一种基于Boosting的代价敏感软件缺陷预测方法 | |
WO2022105108A1 (zh) | 一种网络数据分类方法、装置、设备及可读存储介质 | |
CN111027629A (zh) | 基于改进随机森林的配电网故障停电率预测方法及*** | |
US20210073633A1 (en) | Neural network rank optimization device and optimization method | |
CN112149045A (zh) | 一种适用于大规模数据的降维、关联分析方法 | |
CN113447759A (zh) | 一种多分类的rvm电网故障判别方法和*** | |
CN114548586A (zh) | 一种基于混合模型的短期电力负荷预测方法及*** | |
CN114462447A (zh) | 电压暂降的识别方法、装置、计算机设备、存储介质 | |
CN108763418A (zh) | 一种文本的分类方法及装置 | |
CN116188878A (zh) | 基于神经网络结构微调的图像分类方法、装置和存储介质 | |
Saxena et al. | Re-GAN: Data-efficient GANs training via architectural reconfiguration | |
JP2018173909A (ja) | 学習プログラム、学習方法および学習装置 | |
Deriche et al. | A new algorithm for EEG feature selection using mutual information | |
CN113127469A (zh) | 一种三相不平衡数据的缺失值的填补方法及*** | |
CN113313246A (zh) | 用于确定模型压缩率的方法、设备和程序产品 | |
CN116028788A (zh) | 特征分箱方法、装置、计算机设备及存储介质 | |
CN116384471A (zh) | 模型剪枝方法、装置、计算机设备、存储介质和程序产品 | |
CN116340868A (zh) | 一种基于机器学习的波浪特征集合预报方法及装置 | |
CN115907775A (zh) | 基于深度学习的个人征信评级方法及其应用 | |
CN108898227A (zh) | 学习率计算方法及装置、分类模型计算方法及装置 | |
CN115374823A (zh) | 一种基于tlbo算法的电能质量扰动分类方法及*** | |
CN114118411A (zh) | 图像识别网络的训练方法、图像识别方法及装置 | |
CN107491417A (zh) | 一种基于特定划分的主题模型下的文档生成方法 | |
CN113569960A (zh) | 基于域适应的小样本图像分类方法及*** |
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 |