一种基于图像识别的电压暂降事件关联方法与流程

1.本发明涉及一种电压暂降事件关联方法，尤其是一种基于图像识别的电压暂降事件关联方法，属于电能质量检测技术领域。


背景技术：

2.供电电压随机暂降是影响供电质量的常见现象之一。如何将不同地点监测到的电压暂降事件合理分类、科学关联，不仅可以为判断这些电压暂降监测信息是否属于同一次电压暂降事件提供可靠判据，而且对于分析暂降原因、设法提高供电质量也具有重要意义。
3.长期以来，电压暂降事件的分类、关联不仅依赖监测到电压暂降幅值、时段之类的特征参数，并且由于只对某一监测点监测到的电压暂降数据进行分类，无法根据一个电压暂降事件在电网中多处的表现判断电压暂降产生的原因，不利于准确分析根由。
4.检索可知，公开号为cn112131956a的中国专利申请披露了 一种基于差异哈希算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，对电压波形p1进行图片处理得到整数矩阵；s2：对s1处理得到的整数矩阵进行差异值计算与处理，得到电压波形p1的波形图哈希值，即图像的“指纹”；s3：通过差异哈希算法中汉明距离比较电压波形p1和不同源引起的电压波形p2“指纹”相似程度，从而判断电压暂降源。公开号为cn109800660a的中国专利披露了 一种基于大数据聚类的电压暂降源识别方法和系统 ，包括：获取电压暂降样本数据；提取各组电压暂降样本数据的多个暂降特征量；利用k
‑
means聚类算法对电压暂降样本进行聚类，继而根据聚类结果确定各类对应的电压暂降源；对电压暂降特征量进行优化，然后利用优化后的暂降特征量组合再次进行聚类，迭代优化直至得到最优分类结果；再利用最优分类结果进行svm机器学习；最后利用训练后的svm对待判断的三相电压暂降数据进行分类，得到待判断三相电压暂降数据对应的暂降源类型。然而，这些现有技术只能对某一监测点监测到的电压暂降进行分类、进而判断电压暂降产生的原因，均无法根据同一个电压暂降事件在电网不同位置感知到的电压暂降波形进行关联度分析，不能判断一个电压暂降事件在电网中的传播及影响。
5.此外，公开号为107462764a的中国专利申请公开了一种电压暂降检测与刻画的自动分段方法，该法包括以下步骤：基于瞬时电压dq分解法结合数学形态学滤波从三相电压波形中提取电压幅值和相位作为后续数据分析信号；利用中值滤波法和差分法的优点，对信号进行预处理，以解决过渡段阈值设置的难题；基于奇异值分解捕获信号突变点从而实现过渡段自动识别；在电压暂降事件自动分段的基础上，分别计算过渡段和事件段各特征量，实现对电压暂降幅值、持续时间、相位跳变、波形畸变、不平衡度、波形起始点等多维度特征的全面刻画。虽然该法不同于传统电压暂降检测算法仅采用暂降幅值和持续时间进行刻画，实现了电压暂降事件的自动分段刻画，但其实质是根据计算出来的特征值进行暂降事件关联分析，依然不能将同一故障在电网不同位置观测到的暂降事件关联起来。


技术实现要素：

6.本发明的目的在于：针对上述现有技术存在的局限性，提出一种基于图像识别的电压暂降事件关联方法，该方法可以将同一个电压暂降事件在电网不同位置得到的波形分类关联，进而为判断一个电压暂降事件在电网中的传播及影响，以及为供电系统的运维提供更加可靠的依据。
7.研究可知，电网不同地点监测到的同一电压暂降事件不仅存在幅值变化，而且发生时间、电压相位等均可能改变。因此，即使设法从不同地点获取监测数据，仅凭幅值、时段之类的特征参数也无法科学地实现同一个电压暂降事件在电网不同位置所得数据的分类关联。申请人通过不断探索，创新出基于图像识别的电压暂降事件关联方法，包括以下步骤：第一步、波形预处理s1
‑
1.构造理想波形——提取待归集分类波形电压暂降发生前的预定数量周波数据，以其均值构造理想波形；s1
‑
2.构造基本波形——用理想波形与实际波形之差，得到基本波形；s1
‑
3.确定波形拐点——采用分位数函数预定概率作为门槛，找到整个基本波形上的暂降发生和暂降结束的拐点；s1
‑
4.提取暂降数据——提取暂降发生和暂降结束两拐点之间暂降发生段的波形数据；s1
‑
5.归一处理——将提取的暂降发生段波形数据的幅值进行归一化，处理为0
‑
1范围内的数据，得到预处理波形；第二步、计算相似度将数量为n的待归集分类波形对应的各预处理波形采用动态时间归整法，计算其两两之间的相似度；第三步、构造矩阵聚类s3
‑
1.构造相似度多维矩阵——将数量为n的预处理波形两两之间的相似度构造成n*n的相似度矩阵；s3
‑
2.确定聚类个数——采用四分位距法，取相似度矩阵中的第一四分位数和第三四分位数，求得门槛阈值，遍历相似度矩阵中的相似度数值，获取数据峰和数据谷的个数，以一个峰和一个谷结合计为一个聚类数，确定总的聚类个数；s3
‑
3.标准化处理——获取相似度矩阵的特征值矩阵和特征向量矩阵，选取特征值最小的特征向量进行标准化处理；s3
‑
4.聚类前处理——求相似度矩阵中各点的两两之间距离，选择距离最大距离作为聚类初始中心选择距离，将标准化处理后的特征向量、确定的聚类个数代入k均值聚类法准备聚类；第四步、得到聚类结果按照预设的最大迭代次数和确定的聚类个数进行聚类，所得到的聚类结果作为待归集分类波形的最终结果，将同一组的待归集分类波形归集为同一次暂降事件。
8.本发明突破了根据暂降发生时间和暂降类型以及单纯根据特征值的常规关联思路，基于图像识别进行电压暂降事件关联，不仅可以将同一个电压暂降事件在电网不同位
置感知到的电压暂降波形进行关联，而且无需高精度的对时设备，解决了暂降类型难以准确辨识判断的问题，采用之后可同时处理三相电压数据，能够显著提高电压暂降源的识别效率和准确性，大大降低暂降归集的限制，切实可行，便于实施，从而为供电系统的运维提供更加可靠的依据。
附图说明
9.下面结合附图对本发明作进一步的说明。
10.图1是本发明一个实施例含有a相暂降波形的三相周波波形示意图。
11.图2是本发明一个实施例寻找暂降发生和结束拐点的示意图。
12.图3是采用动态时间归整法计算相似度原理示意图。
13.图4是采用k均值聚类示意图。
具体实施方式
14.实施例一本实施例基于图像识别的电压暂降事件关联方法，包括以下步骤：第一步、波形预处理s1
‑
1.构造理想波形——提取所有待归集分类波形电压暂降发生前的预定数量周波数据，以其均值构造理想波形，例如，图1含有a相暂降发生前5个周波波形数据，提取起始的3个暂降未发生的正常周波数据，以其均值构造未发生暂降的理想波形；s1
‑
2.构造基本波形——用理想波形与实际波形之差，得到基本波形；图2左侧为理想波形减去实际波形后的基本波形；s1
‑
3.确定波形拐点——采用分位数quantile函数预定概率（通常取90%
±
5）作为门槛，找到整个基本波形上的暂降发生和暂降结束的拐点；图2右侧为左侧基本波形经quantile函数90%概率门槛确定的暂降发生拐点sdp2和暂降结束的拐点sdp3；s1
‑
4.提取暂降数据——提取暂降发生和暂降结束两拐点之间暂降发生段的波形数据；s1
‑
5归一处理——将提取的暂降发生段波形数据的幅值进行归一化，处理为0
‑
1范围内的数据，得到预处理波形。
15.第二步、计算相似度将数量为n的待归集分类波形对应的各预处理波形采用dtw（dynamic time warping动态时间归整法），计算其两两之间的相似度，参见图3，当共计n个波形需分类时，计算1和2
‑
n的相似度、计算2和3
‑
n的相似度，以此类推，直至计算完n个波形两两之间的相似度。
16.第三步、构造矩阵聚类（参见图4）s3
‑
1.构造相似度多维矩阵——将数量为n的预处理波形两两之间的相似度构造成n*n的相似度矩阵；s3
‑
2.确定聚类个数——采用四分位距（interquartile range, iqr）法处理，具体为把相似度矩阵中所有相似度数值由小到大排列并分成四等份，得到相似度矩阵中相似度的第一四分位数25%和第三四分位数75%值，再按以下算式计算门槛阈值h：
iqr = a1
‑
a2min = iqr/1.34h = 0.9*min*pow(num,
‑
0.2)式中：a1为75%值，a2为25%值，num为相似度数值总个数，pow函数为求x的y次方，pow(num,
‑
0.2)即求num的
‑
0.2次方；获得门槛阈值h后，遍历相似度矩阵中的相似度数值，分别获取数据峰和数据谷的个数，以一个峰和一个谷结合计为一个聚类数，确定总的聚类个数；s3
‑
3.标准化处理——将相似度矩阵经过拉普拉斯变化，获取特征值矩阵和特征向量矩阵，选取特征值最小的特征向量进行标准化处理；标准化处理可以用 min
‑
max法（规范化方法）、z
‑
score法（正规化方法）或归一化方法；s3
‑
4.聚类前处理——求相似度矩阵中各点的两两之间距离，选择距离最大距离作为聚类初始中心选择距离，将标准化处理后的特征向量、确定的聚类个数代入k均值聚类法（k
‑
means clustering algorithm）准备聚类；预先确定聚类个数，可以减少迭代次数，减少不必要的迭代运行，优化运行。实际上，矩阵中的元素就是两两波形之前的相似度。该相似度可以理解为空间上坐标点的位置，假设3个波形，两两的相似度都是0.1，相似度矩阵中的元素都是0.1，相当于x坐标为0.1，y坐标也为0.1，距离计算就是sqrt((0.1
‑
0.1)
²
(0.1
‑
0.1)
²
)=0，即3个点距离都是0，3个点是重合的。
17.第四步、得到聚类结果按照预设的最大迭代次数和确定的聚类个数进行聚类，所得到的聚类结果作为待归集分类波形的最终结果，将同一组的待归集分类波形归集为同一次暂降事件。
18.由此可见，本实施例的方法改变了传统依靠电压暂降波形原始数据进行特征值计算、再进行暂降事件关联分析的做法，实质上是依靠图像识别从电压暂降波形的形态进行分类，把同一故障在不同电压等级观测到的暂降事件关联起来，进而做出属于同一次电压暂降的判别。实践表明，采用本实施例的方法后，与现有电压暂降源识别方法相比，不仅可以将同一个电压暂降事件在电网不同位置感知到的电压暂降波形进行关联，大大提高电压暂降源的识别效率，而且弥补了复合电压暂降源理论不足的问题，通过对波形图特征的提取及构建矩阵归类处理，能识别不同暂降源引起的电压波形，具有高准确度、分类细化的优点。
19.除上述实施例外，本发明还可以有其他实施方式。凡采用等同替换或等效变换形成的技术方案，均落在本发明要求的保护范围。

技术特征：
1.一种基于图像识别的电压暂降事件关联方法，其特征在于：第一步、波形预处理s1
‑
1.构造理想波形——提取待归集分类波形电压暂降发生前的预定数量周波数据，以其均值构造理想波形；s1
‑
2.构造基本波形——用理想波形与实际波形之差，得到基本波形；s1
‑
3.确定波形拐点——采用分位数函数预定概率作为门槛，找到整个基本波形上的暂降发生和暂降结束的拐点；s1
‑
4.提取暂降数据——提取暂降发生和暂降结束两拐点之间暂降发生段的波形数据；s1
‑
5.归一处理——将提取的暂降发生段波形数据的幅值进行归一化，处理为0
‑
1范围内的数据，得到预处理波形；第二步、计算相似度将数量为n的待归集分类波形对应的各预处理波形采用动态时间归整法，计算其两两之间的相似度；第三步、构造矩阵聚类s3
‑
1.构造相似度多维矩阵——将数量为n的预处理波形两两之间的相似度构造成n*n的相似度矩阵；s3
‑
2.确定聚类个数——采用四分位距法，取相似度矩阵中的第一四分位数和第三四分位数，求得门槛阈值，遍历相似度矩阵中的相似度数值，获取数据峰和数据谷的个数，以一个峰和一个谷结合计为一个聚类数，确定总的聚类个数；s3
‑
3.标准化处理——获取相似度矩阵的特征值矩阵和特征向量矩阵，选取特征值最小的特征向量进行标准化处理；s3
‑
4.聚类前处理——求相似度矩阵中各点的两两之间距离，选择距离最大距离作为聚类初始中心选择距离，将标准化处理后的特征向量、确定的聚类个数代入k均值聚类法准备聚类；第四步、得到聚类结果按照预设的最大迭代次数和确定的聚类个数进行聚类，所得到的聚类结果作为待归集分类波形的最终结果，将同一组的待归集分类波形归集为同一次暂降事件。2.根据权利要求1所述基于图像识别的电压暂降事件关联方法，其特征在于： 所述第一步s1
‑
3中的预定概率为90%
±
5。3.根据权利要求2所述基于图像识别的电压暂降事件关联方法，其特征在于： 所述第三步s3
‑
2中按以下算式求得门槛阈值h：iqr = a1
‑
a2min = iqr/1.34h = 0.9*min*pow(num,
‑
0.2)式中：a1为75%值，a2为25%值，num为相似度数值总个数， pow(num,
‑
0.2)为求num的
‑
0.2次方。4.根据权利要求2或2所述基于图像识别的电压暂降事件关联方法，其特征在于：所述第三步s3
‑
3中的标准化处理采用规范化法、正规化法或归一化法。
技术总结
本发明涉及一种基于图像识别的电压暂降事件关联方法，属于电能质量检测技术领域。该方法包括第一步波形预处理的构造理想波形、构造基本波形、确定波形拐点、提取暂降数据、归一处理，第二步计算相似度，第三步构造矩阵聚类的构造相似度多维矩阵、确定聚类个数、标准化处理、聚类前处理，以及第四步得到聚类结果，不仅可以将同一个电压暂降事件在电网不同位置感知到的电压暂降波形进行关联，而且无需高精度的对时设备，解决了暂降类型难以准确辨识判断的问题，采用之后可同时处理三相电压数据，能够显著提高电压暂降源的识别效率和准确性，大大降低暂降归集的限制，切实可行，便于实施，从而为供电系统的运维提供更加可靠的依据。从而为供电系统的运维提供更加可靠的依据。从而为供电系统的运维提供更加可靠的依据。


技术研发人员：姚东方 俞友谊 刘田翠 易怀权 董光忠 代强
受保护的技术使用者：南京灿能电力自动化股份有限公司
技术研发日：2021.03.26
技术公布日：2021/6/29