一种半监督电压暂降事故源识别方法

摘要

本发明实施例公开了一种半监督电压暂降事故源识别方法，涉及电力工程技术领域，包括：建立含分布式电源的电力系统仿真模型；采集和提取所述电力系统仿真模型中电压暂降信号数据；应用短时傅里叶变换对所述电压暂降信号数据进行时频分析，提取暂降特性参数；基于所述暂降特性参数构建5％的有事故源标签电压暂降数据训练样本集和95％的无事故源标签电压暂降数据测试样本集；采用安全半监督支持向量机对所述有事故源标签电压暂降数据训练样本集进行机器学习与训练，构建初始分类器；采用所述初始分类器对无事故源标签电压暂降数据测试样本集进行事故源识别。本发明实施例能够提高电压暂降事故识别精度，实现低历史数据下的电压暂降事故源可靠识别。

说明书

技术领域

本发明涉及电力工程技术领域，尤其涉及一种半监督电压暂降事故源识别方法。

背景技术

电能质量(Power Quality)是21世纪现代电网的关键特征之一。电压暂降(Voltage Sag)是目前电力系统中最重要的电能质量问题之一，电压暂降是指电网在系统频率时电压有效值(RMS)瞬时减小到额定值的10％～90％范围内,其持续时间一般为半个工频周期到数秒钟。据统计，约80％的电能质量问题是由电压暂降引起的，它会导致逻辑控制器误动、调速装置失灵、不可预计的欠电压跳闸及计算机重要数据丢失等。并且最近十几年来，电压暂降造成了巨大的经济损失，资料表明，美国每年因电压暂降事故造成经济损失达200多亿美元，欧美发达国家一次电压暂降事故造成经济损失都在百万美元以上，而电压暂降给单个电力用户造成给损失也十分巨大，上海华虹NEC一次电压低于87％持续0.12s的电压暂降造成直接损失就超100万美元。电压暂降已成为目前国内外电工领域迫切需要解决的重要课题。

发明内容

为解决现有技术中的不足，本发明实施例提供一种基于半监督电压暂降事故源识别方法，解决现有技术中配电网电压暂降源识别方法中未考虑配电网分布式电源影响及已有暂降监测数据中大量无暂降源标签数据的资源浪费问题。

为达到上述目的，本发明的实施例采用如下技术方案：

第一方面，本发明的实施例提供一种半监督电压暂降事故源识别方法，包括：

S01，建立含分布式电源的电力系统仿真模型；

S02，采集和提取所述电力系统仿真模型中电压暂降信号数据，所述电压暂降数据是由不同电压暂降事故源引起的公共连接点电压暂降波形；

S03，应用短时傅里叶变换对所述电压暂降信号数据进行时频分析，提取暂降特性参数；

S04，基于所述暂降特性参数构建5％的有事故源标签电压暂降数据训练样本集和95％的无事故源标签电压暂降数据测试样本集；

S05，采用安全半监督支持向量机对所述有事故源标签电压暂降数据训练样本集进行机器学习与训练，构建初始分类器；

S06，采用所述初始分类器对无事故源标签电压暂降数据测试样本集进行事故源识别。

作为一个优选实施例，还包括：步骤S07，将已识别出无事故源标签标签电压暂降测试样本集数据加入先前的有事故源标签电压暂降训练样本集，优化并改进所述初始分类器，再对剩余的未识别的无事故源标签电压暂降数据测试样本集进行事故源识别。

作为一个优选实施例，步骤S02中所述不同电压暂降事故源，包括：

单相接地故障导致的电压暂降；两相接地故障导致的电压暂降；三相接地故障导致的电压暂降；大容量电动机启动导致的电压暂降；变压器投运导致的电压暂降；光伏短时退出导致的电压暂降。

作为一个优选实施例，步骤S02中所述采集和提取所述电力系统仿真模型中电压暂降信号数据，包括：

采集各电压暂降事故源导致的公共连接点电压暂降波形，进行滤波和自动截取，提取各电压暂降事故源对应的电压暂降信号数据。

作为一个优选实施例，步骤S03还包括：

采用短时傅里叶变换对所述电压暂降信号数据进行时频分析，得到所述电压暂降信号的二维时频矩阵；

根据所述二维矩阵提取暂降特性参数；

所述暂降特性参数包括：三相不平衡度、幅度突变、谐波增量和恢复斜率。

作为一个优选实施例，所述短时傅里叶变换包括：

短时傅里叶变换，

其中，u(τ-t)为窗函数，τ为控制窗函数在时间，t为轴位置的参数；

通过短时傅里叶变换与傅里叶之间的关系推出短时傅里叶变换变换的离散形式，

其中：Δt为采样时间间隔，N为采样点数，k,m,n＝0,1,…,N-1。

作为一个优选实施例，步骤S04包括：

随机改变负荷大小、线路阻抗、变压器容量或DG容量参数值，在不同参数值下，重复步骤S02和步骤S03，将暂降特性参数构建5％的有事故源标签的电压暂降数据训练样本集和95％的无事故源标签的电压暂降测试数据样本集。

作为一个优选实施例，所述步骤S5包括：

有事故源标签的电压暂降数据训练样本集为G＝{(x₁,y₁),…,(x_l,y_l)}；l为电压暂降事故源类别已知样本总数，x_i为各电压暂降类型的暂降特性，y_i为各电压暂降事故源的对应类别；无事故源标签的电压暂降数据测试样本集为

安全半监督支持向量机电压暂降事故源识别数学表达为：

y_i(w_t'Φ(x_i)+b_t)≥1-ξ_iξ_i≥0

其中，f(x)＝w'φ(x)+b是低密度分界线，是低密度分界线相对应的类别划分，T是分界线数量，Ω是一个对分界线差异化进行度量的惩罚函数，M是保证差异性的一个大常数；C1为参数有标签样本集上的惩罚因子，C₂为无标签样本在训练过程中的影响因子；ζ_i为有标签样本x_i对应的松弛变量，而ζ_j为无标签样本x_j对应的松弛变量。

本发明通过对含DG电力系统中各暂降事故源导致的公共连接点(PCC)的电压暂降波形数据进行采集与截取，得到相应的电压暂降信号数据；再运用短时傅里叶变换对电压暂降信号数据进行时频分析，提取相应的暂降特性参数；最后用安全半监督支持向量机(S4VM)对暂降事故源进行训练与识别，并在多个可能的低密度分界线后优化求解出最优分类线，提高识别精度，实现低历史数据下的电压暂降事故源可靠识别。本发明考虑了不同暂降事故源的固有区别，从三相不平衡度，幅值突变次数，谐波增量和恢复斜率角度出发，从而避免考虑某些不确定的特性对不同暂降事故源分析准确性的影响。

附图说明

为了更清楚地说明本发明实施例中的技术方案，下面将对实施例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为本发明实施例提供的流程示意图。

具体实施方式

为使本领域技术人员更好地理解本发明的技术方案，下面结合附图和具体实施方式对本发明作进一步详细描述。下文中将详细描述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。

本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。

电压暂降源识别近年来受到了电气领域的较多关注。目前国内外不少研究人员在这方面作了较多有益的探索，但由于产生电压暂降的原因不同，主要为短路故障、变压器投入、大容量电机启动，所以引起的电压暂降现象也不同。如何有效地区分电压暂降源对电压暂降的预防和治理十分重要,同时也为解决用户和系统之间的纠纷提供了依据。现有的暂降源识别方法有空间矢量分析、特征幅值分析、相移与神经网络结合、小波变换结合神经网络、S变换与专家系统结合、卡尔曼滤波方法等。刘奇等利用改进高斯窗函数的广义S变换对暂态扰动进行有效的定位和识别。贾勇等利用小波熵特征进行电压暂降源识别,与其他方法相比同样识别效果良好。目前，吕干云等在S变换提取各类暂降特征基础上，用多分类器支持向量机实现了较多监测数据下的电压暂降源识别。李国栋等运用Mamdani型模糊推理方法，通过对推理系统输入和输出的模糊化和解模糊运算实现暂降源的可靠识别。Emmanouil提出基于卡尔曼滤波的暂降源分类方法，充分的考虑发各个事件引起的暂降，效果较好，但实时性差。

随着能源危机及环境问题的日益加剧，近年来分布式发电技术得到了快速发展，配电系统中分布式电源(DG)的渗透率水平不断提高，使得配电系统的分析、控制和管理将变得更加复杂。虽然DG的接入能够在一定程度上改善电网电能质量，但同时也可能引起新的谐波和电压暂降问题，而且由于DG固有的不确定性，导致暂降源可靠识别变得更加困难，特别是风电、太阳能等DG的出力随自然条件变化随机波动较大,给暂降源识别带来很多新实际问题。

另外，已有的大多数方法都基于类别已知的电压暂降监测数据，而现实大量的电压暂降监测数据是事故源类别未知，类别已知的历史监测数据非常有限且不易得取。如果只利用少量的类别已知数据进行训练识别，不仅造成所形成的源识别系统泛化能力弱，且对大量类别未知的已有监测数据是极大的资源浪费。由于上述两种因素在已有方法中都均未考虑，因此电压暂降事故源高精度识别，特别是含DG复杂配电网的电压暂降事故源识别需要研究新的方法。本发明针对以上问题提出解决措施，为配电网电压暂降事故源识别问题带来新的方法，将大大拓其在电能质量监测与诊断、继电保护等领域的应用。

为解决现有技术中的不足，本发明实施例提供一种基于半监督电压暂降事故源识别方法，解决现有技术中配电网电压暂降源识别方法中未考虑配电网分布式电源影响及已有事故源标签电压暂降数据中大量无事故源标签电压暂降数据的资源浪费问题。

为达到上述目的，本发明的实施例采用如下技术方案，如图1所示：

第一方面，本发明的实施例提供一种半监督电压暂降事故源识别方法，包括：

S01，建立含分布式电源的电力系统仿真模型；

S02，采集和提取所述电力系统仿真模型中电压暂降信号数据，所述电压暂降数据是由不同电压暂降事故源引起的公共连接点电压暂降波形；

S03，应用短时傅里叶变换对所述电压暂降信号数据进行时频分析，提取暂降特性参数；

S04，基于所述暂降特性参数构建5％的有事故源标签电压暂降数据训练样本集和95％的无事故源标签电压暂降数据测试样本集；

S05，采用安全半监督支持向量机对所述有事故源标签电压暂降数据训练样本集进行机器学习与训练，构建初始分类器；

S06，采用所述初始分类器对无事故源标签电压暂降数据测试样本集进行事故源识别。

作为一个优选实施例，还包括：步骤S07，将已识别出无事故源标签标签电压暂降测试样本集数据加入先前的有事故源标签电压暂降训练样本集，优化并改进所述初始分类器，再对剩余的未识别的无事故源标签电压暂降数据测试样本集进行事故源识别。

作为一个优选实施例，步骤S02中所述不同电压暂降事故源，包括：

单相接地故障导致的电压暂降；两相接地故障导致的电压暂降；三相接地故障导致的电压暂降；大容量电动机启动导致的电压暂降；变压器投运导致的电压暂降；光伏短时退出导致的电压暂降。

作为一个优选实施例，步骤S02中所述采集和提取所述电力系统仿真模型中电压暂降信号数据，包括：

采集各电压暂降事故源导致的公共连接点电压暂降波形，进行滤波和自动截取，提取各电压暂降事故源对应的电压暂降信号数据。

作为一个优选实施例，步骤S03还包括：

采用短时傅里叶变换对所述电压暂降信号数据进行时频分析，得到所述电压暂降信号的二维时频矩阵；

根据所述二维矩阵提取暂降特性参数；

所述暂降特性参数包括：三相不平衡度、幅度突变、谐波增量和恢复斜率。

所述暂降特性参数包括：三相不平衡度、幅度突变、谐波增量和恢复斜率。

具体地，三相不平衡度：分别求出三相的暂降幅值，再两两相减取绝对值。如果某相电压没有发生暂降，暂降幅值为发生暂降相的暂降点到恢复点时刻内的平均值。求出的三个结果中只要有一个结果大于3％，则判断为不平衡。

幅值突变次数：电压暂降发生时，谐波分量会在一定范围内变化。通过STFT的时频矩阵可获得各谐波分量的幅值变化及幅值突变次数。短路造成的电压暂降，其突变次数至少两次，感应电机启动造成的电压暂降，只会发生一次。本发明提供的实施例幅值突变次数是根据5次谐波的幅值突变次数。

恢复斜率：由于不同事故原因的动态过程不同，恢复斜率也有所不同。感应电动机启动和变压器投运导致的电压暂降在恢复过程中相对缓慢，而短路电压暂降以及分布式电源短时退出的恢复过程中相对较快。本发明提供的实施例选取短时傅里叶变换中的基频幅值，并取恢复到最低点的10％和90％两点之间的斜率作为恢复斜率。

谐波增量：变压器投运造成的暂降过程中充斥着大量的谐波，尤其是2次谐波，可达到总谐波量的30％～50％，所以本专利实施例谐波增量选取2次谐波。2次谐波在电压暂降前后的谐波增量：

其中:U_1sag，U_2sag，U_1pre，U_2pre分别指电压暂降期间与发生前的基波和2次谐波的电压有效值。

如表1所示，是部分样本的暂降特性信息。

表1部分样本的暂降特性信息

作为一个优选实施例，所述短时傅里叶变换包括：

短时傅里叶变换，

其中，u(τ-t)为窗函数，τ为控制窗函数在时间，t为轴位置的参数；

通过短时傅里叶变换与傅里叶之间的关系推出短时傅里叶变换变换的离散形式，

其中：Δt为采样时间间隔，N为采样点数，k,m,n＝0,1,…,N-1。

作为一个优选实施例，步骤S4包括：

随机改变负荷大小、线路阻抗、变压器容量或DG容量参数值，在不同参数值下，重复步骤S2和步骤S3，将暂降特性参数构建5％的有事故源标签的电压暂降数据训练样本集和95％的无事故源标签的电压暂降测试数据样本集。

作为一个优选实施例，所述步骤S5包括：

有事故源标签的电压暂降数据训练样本集为G＝{(x₁,y₁),…,(x_l,y_l)}；l为电压暂降事故源类别已知样本总数，x_i为各电压暂降类型的暂降特性，y_i为各电压暂降事故源的对应类别；无事故源标签的电压暂降数据测试样本集为

考虑到工程实际中给定少量的有暂降源标签和大量的无暂降源标签的暂降监测数据，并且“间隔”较大的低密度分界线有可能存在多个，而由于带标签暂降数据较少，其选择困难。所以本发明实施例提出了安全半监督支持向量机(S4VM)的暂降识别，可在得到多个可能的低密度分界线后优化求解出最优分类线。

安全半监督支持向量机电压暂降事故源识别数学表达为：

y_i(w_t'Φ(x_i)+b_t)≥1-ξ_iξ_i≥0

其中，f(x)＝w'φ(x)+b是低密度分界线，是低密度分界线相对应的类别划分，T是分界线数量，Ω是一个对分界线差异化进行度量的惩罚函数，M是保证差异性的一个大常数；C₁为参数有标签样本集上的惩罚因子，C₂为无标签样本在训练过程中的影响因子；ζ_i为有标签样本x_i对应的松弛变量，而ζ_j为无标签样本x_j对应的松弛变量。

本发明通过对含DG电力系统中各暂降事故源导致的公共连接点(PCC)的电压暂降波形数据进行采集与截取，得到相应的电压暂降信号数据；再运用短时傅里叶变换对电压暂降信号数据进行时频分析，提取相应的暂降特性参数；最后用安全半监督支持向量机(S4VM)对暂降事故源进行训练与识别，并在多个可能的低密度分界线后优化求解出最优分类线，提高识别精度，实现低历史数据下的电压暂降事故源可靠识别。本发明考虑了不同暂降事故源的固有区别，从三相不平衡度，幅值突变次数，谐波增量和恢复斜率角度出发，从而避免考虑某些不确定的特性对不同暂降事故源分析准确性的影响。如表2所示，本发明实施例在多个可能的低密度分界线中优化求解出最优分类线的情况下，提高了识别精度，实现低历史数据下的电压暂降事故源可靠识别。

表2不同识别方法的识别精度对比

电压暂降类型支持向量机识别精度S4VM识别精度单相接地短路82％98％两相接地短路75％91％三相接地短路83％96％变压器投运100％100％电动机启动100％100％光伏短时退出86％93％

本说明书中的各个实施例均采用递进的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于设备实施例而言，由于其基本相似于方法实施例，所以描述得比较简单，相关之处参见方法实施例的部分说明即可。

以上所述，仅为本发明的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。