一种电能质量扰动事件关联类型识别方法与流程

1.本发明涉及电力系统分析技术领域，尤其是涉及一种电能质量扰动事件关联类型识别方法。


背景技术：

2.现有技术在复杂电能质量扰动事件时空关联综合诊断研究中，提出了复杂电能质量扰动模式概念，建立了挖掘电网中可能存在的复杂扰动模式的方法，并且根据扰动形成机理提供了基本事件关联类型的基本定义。但是现有技术并未对基本事件关联类型的识别进行研究。由于基本事件关联类型对于理解复杂电能质量扰动事件的发展演变过程、扰动事件的追根溯源、责任划分、复杂扰动模式的挖掘以及扰动治理等具有重要的作用，因此如何实现基本事件关联类型的有效识别是一个亟待解决的问题。


技术实现要素：

3.本发明的目的在于提供一种电能质量扰动事件关联类型识别方法，以缓解现有技术中存在的无法实现对电能质量扰动事件关联类型有效识别的技术问题。
4.第一方面，本发明提供的一种电能质量扰动事件关联类型识别方法，其中，包括：获取同一目标监测点上任意两个电能质量扰动事件的特征信息；对所述任意两个电能质量扰动事件的特征信息进行处理，得到所述任意两个电能质量扰动事件之间的关联特征信息；将所述关联特征信息输入至关联类型分类识别模型进行识别，得到所述任意两个电能质量扰动事件之间的关联类型识别结果；其中，所述关联类型分类识别模型为基于最小二乘支持向量机ls
‑
svm的多分类器。
5.进一步的，所述方法还包括：自定义设置电能质量扰动事件之间的关联类型；其中，所述关联类型包括以下至少之一：传导型、连锁型、并发型、发展型；对所述关联类型进行特征刻画，得到关联特征信息；根据所述关联特征信息，构建用于表征所述关联类型的物元模型。
6.进一步的，所述关联类型分类识别模型包括：用于识别所述连锁型的第一关联类型分类器、用于识别所述并发型的第二关联类型分类器和用于识别所述发展型的第三关联类型分类器；其中，所述第一关联类型分类器、所述第二关联类型分类器和所述第三关联类型分类器的类型均为ls
‑
svm分类器。
7.进一步的，将所述关联特征信息输入至关联类型分类识别模型进行识别，得到所述任意两个电能质量扰动事件之间的关联类型识别结果，包括：将所述关联特征信息输入至所述第一关联类型分类器进行分类，得到第一分类结果；将所述关联特征信息输入至所述第二关联类型分类器进行分类，得到第二分类结果；将所述关联特征信息输入至所述第三关联类型分类器进行分类，得到第三分类结果；根据所述第一分类结果、所述第二分类结果和所述第三分类结果，确定所述任意两个电能质量扰动事件之间的关联类型识别结果。
8.进一步的，所述电能质量扰动事件的特征信息包括时间特征和类型特征；对所述
任意两个电能质量扰动事件的特征信息进行处理，得到所述任意两个电能质量扰动事件之间的关联特征信息，包括：对所述任意两个电能质量扰动事件的时间特征进行做差处理，得到所述任意两个电能质量扰动事件之间的时间关联特征；对所述任意两个电能质量扰动事件的类型特征进行比对处理，得到所述任意两个电能质量扰动事件之间的类型关联特征；将所述时间关联特征和所述类型关联特征确定为所述任意两个电能质量扰动事件之间的关联特征信息。
9.进一步的，方法还包括：获取训练关联特征样本；将所述训练关联特征样本输入至初始ls
‑
svm分类器，得到与所述训练关联特征样本对应的训练关联类型识别结果；基于所述训练关联类型识别结果计算所述初始ls
‑
svm分类器的目标函数的函数值；其中，所述目标函数为基于拉格朗日乘子构造的函数；通过所述目标函数的函数值对所述初始ls
‑
svm分类器的参数进行调整，得到所述第一关联类型分类器、所述第二关联类型分类器或所述第三关联类型分类器。
10.进一步的，获取同一目标监测点上任意两个电能质量扰动事件的特征信息，包括：利用mallat算法提取同一目标监测点上所述任意两个电能质量扰动事件的时间特征和类型特征。
11.第二方面，本发明提供的一种电能质量扰动事件关联类型识别装置，其中，包括：第一获取单元，用于获取同一目标监测点上任意两个电能质量扰动事件的特征信息；处理单元，用于对所述任意两个电能质量扰动事件的特征信息进行处理，得到所述任意两个电能质量扰动事件之间的关联特征信息；识别单元，用于将所述关联特征信息输入至关联类型分类识别模型进行识别，得到所述任意两个电能质量扰动事件之间的关联类型识别结果；其中，所述关联类型分类识别模型为基于最小二乘支持向量机ls
‑
svm的多分类器。
12.第三方面，本发明还提供一种电子设备，包括存储器、处理器，所述存储器中存储有可在所述处理器上运行的计算机程序，其中，所述处理器执行所述计算机程序时实现的所述的电能质量扰动事件关联类型识别方法的步骤。
13.第四方面，本发明还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行所述的电能质量扰动事件关联类型识别方法。
14.本发明提供的一种电能质量扰动事件关联类型识别方法，包括：先获取同一目标监测点上任意两个电能质量扰动事件的特征信息；然后对任意两个电能质量扰动事件的特征信息进行处理，得到任意两个电能质量扰动事件之间的关联特征信息；最后将关联特征信息输入至关联类型分类识别模型进行识别，得到任意两个电能质量扰动事件之间的关联类型识别结果；其中，关联类型分类识别模型为基于最小二乘支持向量机ls
‑
svm的多分类器。本发明通过处理得到的关联特征信息能够为关联类型的识别提供数据基础，在此基础上，本发明通过基于最小二乘支持向量机ls
‑
svm的多分类器能够实现任意两个电能质量扰动事件之间的关联类型的有效识别，由于多分类器之间可以进行识别结果互检，因此提高了识别的准确性。
15.本发明的其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
16.为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
17.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施方式，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他的附图。
18.图1为本发明实施例提供的一种电能质量扰动事件关联类型识别方法的流程图；
19.图2为四种关联类型之间的关系示意图；
20.图3为关联类型分类识别模型的结构示意图；
21.图4为本发明实施例提供的一种电能质量扰动事件关联类型识别装置的结构示意图。
22.图标：
23.11
‑
第一获取单元；12
‑
处理单元；13
‑
识别单元。
具体实施方式
24.下面将结合实施例对本发明的技术方案进行清楚、完整地描述，显然，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。
25.随着电力企业的快速发展，电能质量问题变得越来越复杂。电力系统是一个动态响应的过程，当发生某些激励时，如电动机启动、电容器组的投切、非线性负荷的接入、新能源发电系统并网以及各种故障等，相应地会在电网中产生响应，这些响应通常表现为电压暂降、电压中断、暂态振荡、暂态脉冲等基本电能质量扰动事件以及由这些基本扰动事件复合而成的复杂扰动事件。由于电网的电气连接特性，在不同监测点会检测出不同程度的扰动事件。此外，扰动引起的电网动作事件也会导致一些新的扰动事件相继发生。这些基于电网拓扑关系在时间、空间上产生的一系列扰动事件之间并非是完全相互独立的，从事件发生的本质上看，这一系列扰动事件之间可能直接或间接地存在因果关系。如何描述这些扰动事件的关联关系对于理解复杂电能质量扰动事件的发展演变过程、扰动的追根溯源、责任划分、复杂扰动模式的挖掘以及扰动治理等具有重要的作用。关联类型的概念应运而生。
26.目前对于电能质量扰动事件关联类型已经有了基本的定义，并在电能质量扰动事件关联分析研究上进行了有益探索，但是这些理论基础很大程度上依赖于关联类型的定义与识别，且现有的基本事件关联类型只涉及到后续应用，不涉及识别过程，因此如何进一步完善关联类型的定义，实现关联类型的分类识别是一个亟待解决的问题。
27.此外，目前成熟的扰动检测与识别技术为相关研究提供了技术保障。电能质量扰动事件的检测与识别是关联类型分类识别的基础。从本质上看，电能质量扰动事件关联类型的分类识别过程，就是在时间、空间上挖掘基本电能质量扰动事件之间关联特征的过程。在电能质量扰动检测中，常用的方法有傅里叶变换、小波变换、s变换、希尔伯特
‑
黄变换、变
分模态分解(variational mode decomposition，vmd)等。扰动分类识别方法主要有模糊逻辑，决策树、支持向量机、人工神经网络等。这些扰动检测和分类识别算法为电能质量扰动事件关联类型的分类识别创造了基础条件。
28.基于此，本发明的目的在于提供一种电能质量扰动事件关联类型识别方法，可以实现任意两个电能质量扰动事件之间的关联类型的有效识别，并提高识别的准确性。
29.为便于对本实施例进行理解，首先对本发明实施例所公开的一种电能质量扰动事件关联类型识别方法进行详细描述。
30.实施例1：
31.根据本发明实施例，提供了一种电能质量扰动事件关联类型识别方法的实施例，需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
32.图1为本发明实施例提供的一种电能质量扰动事件关联类型识别方法的流程图，如图1所示，该方法包括如下步骤：
33.步骤s101，获取同一目标监测点上任意两个电能质量扰动事件的特征信息。本发明实施例对目标监测点的所在位置不作具体限定，可以根据实际需要进行确定。由于是针对同一目标监测点电能质量扰动事件的获取，因此上述电能质量扰动事件的特征信息包括时间特征和类型特征，其中，时间特征包括起始时间和终止时间。在针对非同一目标监测点的电能质量扰动事件的获取时，上述特征信息还可以包括：位置特征。由于本发明实施例主要针对暂态电能质量扰动事件进行分析，因此类型特征主要包括：电压暂降、电压暂升、电压中断、暂态振荡、暂态脉冲五类。
34.在同一目标监测点上存在多个电能质量扰动事件时，本发明实施例可以先获取同一目标监测点上所有电能质量扰动事件的特征信息，然后再从所有电能质量扰动事件中确定两个待关联的电能质量扰动事件。也就是说，电能质量扰动事件之间的关联关系类型在识别时是两两进行的。例如：在存在n个电能质量扰动事件时，先将n个电能质量扰动事件按照起始时间进行排序，在排序完成后，为了确定电能质量扰动事件1与电能质量扰动事件2之间的关联类型识别结果，则可以获取电能质量扰动事件1的特征信息和电能质量扰动事件2的特征信息，同理，若为了确定电能质量扰动事件2与电能质量扰动事件3之间的关联类型识别结果，则可以获取电能质量扰动事件2的特征信息、电能质量扰动事件3的特征信息。
35.本技术扩展为：在多个监测点上存在多个电能质量扰动事件的情况下，多个电能质量扰动事件之间也具有关联关系，例如：若由扰动的传播性导致的3个监测点均出现一个电压暂降事件，则这三个扰动事件中，两两扰动事件之间的关联类型均为传导型。本技术执行的前提是电能质量扰动事件的检测与识别。然而事件检测与识别在现有技术中是一项较为成熟的研究领域，因此本技术采用现有技术即可实现电能质量扰动事件的检测与识别。
36.步骤s102，对任意两个电能质量扰动事件的特征信息进行处理，得到任意两个电能质量扰动事件之间的关联特征信息。由于特征信息包括时间特征和类型特征，因此步骤s102在执行处理操作时，可以将时间特征和类型特征分别进行处理，最后将两种处理结果的结合确定为任意两个电能质量扰动事件之间的关联特征信息。
37.步骤s103，将关联特征信息输入至关联类型分类识别模型进行识别，得到任意两
个电能质量扰动事件之间的关联类型识别结果。其中，关联类型分类识别模型为基于最小二乘支持向量机(ls
‑
svm)的多分类器，可以简称为ls
‑
svm多分类器。关联类型识别结果可以理解为：关联关系所属类型的识别结果。
38.本发明实施例提供的电能质量扰动事件关联类型识别方法，通过处理得到的关联特征信息能够为关联类型的识别提供数据基础，在此基础上，本发明实施例通过基于ls
‑
svm的多分类器能够实现任意两个电能质量扰动事件之间的关联类型的有效识别，由于多分类器之间可以进行识别结果互检，因此提高了识别的准确性。
39.在一个可选的实施例中，由于电能质量扰动事件的特征信息包括时间特征和类型特征；因此步骤s102，对任意两个电能质量扰动事件的特征信息进行处理，得到任意两个电能质量扰动事件之间的关联特征信息，包括以下步骤s201～步骤s203：
40.步骤s201，对任意两个电能质量扰动事件的时间特征进行做差处理，得到任意两个电能质量扰动事件之间的时间关联特征；步骤s202，对任意两个电能质量扰动事件的类型特征进行比对处理，得到任意两个电能质量扰动事件之间的类型关联特征；步骤s203，将时间关联特征和类型关联特征确定为任意两个电能质量扰动事件之间的关联特征信息。
41.由于时间特征包括起始时间和终止时间，因此在执行步骤s201时，可以对任意两个电能质量扰动事件的起始时间、终止时间分别进行做差处理，再分别取绝对值得到两个时间差结果，将这两个时间差结果确定为上述时间关联特征。由于类型特征包括电压暂降、电压暂升、电压中断暂态振荡、暂态脉冲五类，因此步骤s202中的类型关联特征可以表征类型相同或类型不相同。上述关联特征信息还可以包括：波形形态特征，该波形形态特征一般分为覆盖型、重叠型和连接型三种情况。该波形形态特征可以反映到时间上，因此上述时间关联特征还包括：电能质量扰动事件1的起始时间与电能质量扰动事件2的终止时间的差值取绝对值之后得到的第三个时间差结果，该第三个时间差结果也可以称为波形形态特征。步骤s203中的关联特征信息用于确定对应的关联类型。通过上述步骤s201～步骤s203可以为关联类型的识别提供有效的数据基础。本发明实施例进行如下扩展：在针对监测点不同的两个电能质量扰动事件进行分析时，上述关联特征信息还可以包括：位置关联特征。
42.在一个可选的实施例中，在实施步骤s101之前，方法还包括：步骤s104～步骤s106，其中：
43.步骤s104，自定义设置电能质量扰动事件之间的关联类型。其中，关联类型包括以下至少之一：传导型、连锁型、并发型、发展型。
44.下面对上述四种关联类型分别进行如下定义：
45.(1)传导型，某支路发生电能质量扰动事件之后，由于电网的电气传播特性，同一时刻在电网其他支路的监测点也能检测到不同程度的同类型(即传输线传播)或不同类型(即变压器传播)的电能质量扰动事件。例如：某支路发生单相短路故障时，该支路上的监测点与其上游支路上的多个监测点同时检测到不同程度的电压暂降类型的基本扰动事件，该支路下游支路上的多个监测点同时检测到电压中断类型的基本扰动事件，这些基本扰动事件之间的关联类型即为传导型。
46.(2)连锁型，若一件基本扰动事件发生后，在其事件恢复阶断引发另一扰动事件发生，其复杂扰动波形接连发生，基本扰动事件之间有明显的分界时间。两个基本扰动事件的类型(即上述类型特征的简称)可能相同也可能不同。例如：某支路发生三相短路故障，引起
电压暂降类型的基本扰动事件，随后继电保护设备动作，故障切除后，重合闸成功合闸恢复供电，若其下游支路带有电动机，电动机启动又会引起电压暂降类型的基本扰动事件，该过程中先后发生的电压暂降类型的两个基本扰动事件之间的关联类型为连锁型。
47.(3)发展型，若某一基本扰动事件发生后，其参数持续变化导致的另一基本扰动事件发生，基本扰动事件之间不存在明显的分界时间，事件中间不存在恢复阶段。基本扰动事件的类型可能相同，也可能不同。例如：雷击输电线路产生暂态脉冲类型的基本扰动事件，暂态脉冲类型的基本扰动事件在电网的自然频率点可能会发生激励进而产生暂态振荡类型的基本扰动事件。此时暂态脉冲类型的基本扰动事件与暂态振荡类型的基本扰动事件存在的关联类型即为发展型。
48.(4)并发型，由同一扰动源在同一时刻、同一监测点检测到的不同类型的基本扰动事件混叠在一起。基本扰动事件的类型一定不同。例如：电力电容器并网过程中，同时出现了暂态振荡类型的基本扰动事件和电压暂降类型的基本扰动事件。此时暂态振荡类型的基本扰动事件与电压暂降类型的基本扰动事件之间存在的关联类型即为并发型。
49.如图2所示，四种关联类型之间的关系示意图并不是想要传达各个关联类型之间可以相互转化的思想，只是想要说明它们之间的区别，以传导型和连锁型为例，这两种关联类型之间的位置和时间可以指：这两个关联类型可以通过位置关联特征和时间关联特征来区分，其中：具有传导型的多个基本扰动事件(即上述电能质量扰动事件)的发生时间(即上述时间特征)是相同的，而针对连锁型，由于存在电力设备的运行状态的变化，因此连锁型的多个基本扰动事件的发生时间是不相同的。由于波形形态特征可以映射到时间上，因此图2中连锁型和发展型之间的时间还可以用于反映两种类型的波形形态特征不同。此外，具有传导型关联关系的电能质量扰动事件一定是在不同的监测点，而连锁型则是在同一监测点进行分析的。
50.步骤s105，对关联类型进行特征刻画，得到关联特征信息。
51.通过上述关联类型：传导型、连锁型、并发型、发展型的定义可知，各个关联类型具有如表1所示的关联特征信息：
52.表1各个关联类型的关联特征信息
[0053][0054]
通过上述表1可知，(1)上述传导型具有以下对应的关联特征信息，其中，位置关联特征为发生位置(即位置特征)一定不同，时间关联特征为两个基本扰动事件的起始时间、终止时间均相同，类型关联特征为类型可能相同也可能不同，波形形态特征为不存在；(2)上述连锁型具有以下对应的关联特征信息，其中，位置关联特征为发生位置相同，时间关联特征为两个基本扰动事件的起始时间、终止时间均不同，类型关联特征为类型可能相同也可能不相同，波形形态特征为连接型；(3)上述并发型具有以下对应的关联特征信息，其中，位置关联特征为发生位置相同，时间关联特征为两个基本扰动事件的起始时间、终止时间基本相同，类型关联特征为类型不同，波形形态特征为覆盖型；(4)上述发展型具有以下对应的关联特征信息，其中，位置关联特征为发生位置相同，时间关联特征为两个基本扰动事件的起始时间、终止时间均不同，类型关联特征为类型不同，波形形态特征为重叠型。
[0055]
步骤s106，根据关联特征信息，构建用于表征关联类型的物元模型。
[0056]
虽然关联特征信息可以包括位置关联特征、时间关联特征、类型关联特征和波形形态特征四个类型的关联特征，但是传导型和连锁型的类型关联特征均具有不确定因素，因此本发明实施例可以根据除类型关联特征以外的位置关联特征、时间关联特征和波形形态特征进行各个关联类型的物元模型的构建。需要注意的是，本发明实施例对物元模型的构建所依据的关联特征的类型个数不做具体限定。
[0057]
以根据位置关联特征、时间关联特征和波形形态特征进行各个关联类型的物元模型的构建为例，进行以下说明：
[0058]
在理想情况下，对关联类型建立多维形式的物元模型，如下式(1)所示：
[0059]
[0060]
其中，g
i
表示第i种关联类型，当i＝1、2、3、4时，g1、g2、g3、g4分别表示传导型、连锁型、并发型和发展型的关联类型。矩阵中的to
p
、t
end
、p分别用于表示具有第i种关联类型的两个基本扰动事件之间的起始时刻(即上述起始时间)、结束时刻(即上述终止时间)、发生位置的特征变量，波形特征w是用于描述两个基本扰动事件构成的复杂扰动事件的波形形态特征，一般为覆盖型、重叠型、连接型三种情况中的一种。矩阵的最后一列分别用于描述前面四个特征的量值，针对前3个特征，特征相同用1表示，不同用
‑
1表示，不一定则用0表示，若特征不存在，则用空值null表示。针对最后一个特征，若特征不存在，则用空值null表示，连接型用1表示，覆盖型用
‑
1表示，重叠性用0表示。下面对各种关联类型的物元模型分别进行特征分析与量化：
[0061]
(1)传导型，对于具有传导型关联类型的两个基本扰动事件，由于扰动传播数度很快，类似于光速，所以其发生时间基本相等，因此两个基本扰动事件的起始时刻都相同，发生位置一定不同，且不存在波形形态特征。而扰动类型(及上述类型特征)主要取决于基本扰动事件的传播途径，若沿导线传播则扰动类型相同，若途经变压器则可能导致扰动类型发生变化。结合式(1)，由此可以得出传导型的物元模型如式(2)所示：
[0062][0063]
(2)连锁型，对于具有连锁型关联类型的两个基本扰动事件，其事件起止时刻(包括：起始时刻和结束时刻)明显不同，发生位置相同，扰动类型可能相同、也可能不同，波形形态特征为连接型。结合式(1)，由此可以得出连锁型的物元模型如式(3)所示：
[0064][0065]
(3)并发型，对于具有并发型关联类型的两个基本扰动事件，其起止时刻基本相同，扰动类型不同，发生位置相同，波形混叠在一起，因此波形形态特征为覆盖型。结合式(1)，由此可以得出并发型的物元模型如式(4)所示：
[0066][0067]
(4)发展型，对于具有发展型关联类型的两个基本扰动事件，其事件起止时刻明显不同，发生位置相同，扰动类型不同，波形形态特征为重叠型。结合式(1)，由此可以得出发展型的物元模型如式(5)所示。
[0068][0069]
由于扰动具有传播性，所以不论简单扰动事件(即基本扰动事件)还是复杂扰动事件(即：包含多个基本扰动事件的集合)都会包含传导型关系。另外，复杂电能质量扰动事件类型识别与关联分析方法研究是在同一监测点监测到的一系列基本扰动事件的关联类型识别，也就是说，已知该复杂电能质量扰动事件中同一监测点的基本电能质量扰动事件的数量n，进而识别这n个基本电能质量扰动事件中两两之间的关联关系类型。因此本技术只包含连锁型、并发型和发展型三种关联类型的分类识别。
[0070]
在一个可选的实施例中，由于识别目标为同一目标监测点上任意两个电能质量扰动事件之间的关联类型，因此不在同一目标监测点上的传导型不在识别范围之内。因此步骤s103所应用到的关联类型分类识别模型仅需识别3种关联类型即可，如图3所示，即该关联类型分类识别模型包括：用于识别连锁型的第一关联类型分类器、用于识别并发型的第二关联类型分类器和用于识别发展型的第三关联类型分类器；其中，第一关联类型分类器、第二关联类型分类器和第三关联类型分类器的类型均为ls
‑
svm分类器。
[0071]
在一个可选的实施例中，由于步骤s103所应用到的关联类型分类识别模型包括：第一关联类型分类器、第二关联类型分类器和第三关联类型分类器，因此上述步骤s103，将关联特征信息输入至关联类型分类识别模型进行识别，得到任意两个电能质量扰动事件之间的关联类型识别结果，包括以下步骤s301～步骤s304：
[0072]
步骤s301，将关联特征信息输入至第一关联类型分类器进行分类，得到第一分类结果；步骤s302，将关联特征信息输入至第二关联类型分类器进行分类，得到第二分类结果；步骤s303，将关联特征信息输入至第三关联类型分类器进行分类，得到第三分类结果；步骤s304，根据第一分类结果、第二分类结果和第三分类结果，确定任意两个电能质量扰动事件之间的关联类型识别结果。
[0073]
例如：若第一分类结果为1，第二分类结果为0，第三分类结果为0，则结合图3可知关联类型识别结果为连锁型；若第一分类结果为0，第二分类结果为1，第三分类结果为0，则结合图3可知关联类型识别结果为并发型；若第一分类结果为0，第二分类结果为0，第三分类结果为1，则结合图3可知关联类型识别结果为发展型；若第一分类结果、第二分类结果、第三分类结果出现了两个及其以上的1，则表明识别错误，若第一分类结果、第二分类结果、第三分类结果全为0，也表明识别错误。由此可见，三个关联类型分类器的分类结果也是互检，以保证关联类型识别结果的正确性。此外，在识别错误的情况下，本发明实施例可以对关联类型分类识别模型的各个关联类型分类器重新进行训练，以保证识别的有效性。
[0074]
在一个可选的实施例中，在实施步骤s101之前，方法还包括步骤s107～步骤s110，其中：
[0075]
步骤s107，获取训练关联特征样本；步骤s108，将训练关联特征样本输入至初始ls
‑
svm分类器，得到与训练关联特征样本对应的训练关联类型识别结果；步骤s109，基于训练关联类型识别结果计算初始ls
‑
svm分类器的目标函数的函数值；其中，目标函数为基于拉格朗日乘子构造的函数；步骤s110，通过目标函数的函数值对初始ls
‑
svm分类器的参数
进行调整，得到第一关联类型分类器、第二关联类型分类器或第三关联类型分类器。训练关联特征样本包括输入样本和输出样本，步骤s107实现的是输入样本中关联特征信息的分析，步骤s108～步骤s110实现的是对各个关联类型分类器的设计。
[0076]
针对步骤s107，可以实现f1～f4的计算。首先定义时间关联特征中的指标t
ij
，其中i可以取1、2
……
n，表示第i个基本扰动事件，n表示基本扰动事件的总个数，j只能取1或2，当j＝1时，t
i1
表示第i个基本扰动事件的起始时刻，当j＝2时，t
i2
表示第i个表示扰动事件的结束时刻。结合波形形态特征、类型关联特征可以得出输入样本包括：三个时间关联特征和一个类型特征，分别用f1，f2，f3，f4表示，如表2所示：
[0077]
表2关联特征信息的量化
[0078][0079]
表2中f4为1表示第i
‑
1个基本扰动事件和第i个基本扰动事件这两个基本扰动事件的类型特征相同，f4为
‑
1表示这两个基本扰动事件的类型特征不相同，f4为1表示这两个基本扰动事件的类型特征可能相同。
[0080]
本发明实施例对初始ls
‑
svm分类器进行以下介绍：由于ls
‑
svm在误差平方的计算和超平面的选择两方面引入了最小二乘法和平方损失函数，因此可以实现目标函数中不等式约束到等式约束的转化，使其可以利用线性求解的方式解决原二次规划问题，利用ls
‑
svm进行分类优化处理时的初始目标函数为式(6)，其中：
[0081][0082]
式中，x
i
为第i个训练关联特征样本中的输入样本，其中x
i
∈r
m
，为m维输入行向量，由于x
i
包含f1，f2，f3，f4四个特征，因此m＝4。y
i
为第i个训练关联特征样本中的输出样本，y
i
为
‑
或1的输出值，用于表示样本标签，为权向量，b为偏置项，c为惩罚因子，ξ为松弛因子，表示错分样本的惩罚程度，ф(x
i
)为隐映射函数，*表示最优，这里的初始目标函数就是为了找到约束条件下使等式右边达到最小值时的最优权向量ω*和最优偏置项b*。
[0083]
在该初始目标函数的基础上，引入拉格朗日乘子构造相应的lagrange函数，如下式(7)所示：
[0084][0085]
通过对式(7)求偏导消除ω和ξ，得到最优分类函数(即初始ls
‑
svm分类器的目标函数)为：
[0086][0087]
式中，k(x,x
i
)为核函数，α
i
为拉格朗日乘子。
[0088]
将提取的特征f1，f2，f3，f4作为样本特征以向量的形式输入至初始ls
‑
svm分类器，进行关联类型的分类。在训练时，训练训练第二关联类型分类器或第三关联类型分类器的过程，与训练第一关联类型分类器的过程一致，均采用上述步骤s107～步骤s110，因此训练过程在此不作具体赘述。本发明实施例中的分类类别较少，可以直接采用一对多法，主要思想是将其中的某个类别的样本归为一类，其余类别全部归为另一类，这样3个类别的样本就构造出了3个ls
‑
svm分类器(即关联类型分类器)，分类器数量少，因此分类速度快。
[0089]
在一个可选的实施例中，步骤s101，获取同一目标监测点上任意两个电能质量扰动事件的特征信息，包括：利用mallat算法提取同一目标监测点上任意两个电能质量扰动事件的时间特征和类型特征。
[0090]
其中，基本扰动事件的起止时刻及类型的提取可以采用mallat算法实现，其运算和逆运算公式如式(9)和式(10)所示：
[0091][0092][0093]
在式(9)中，f(t)为基本扰动事件的原始信号，t为时间序列，a
l
(k)为基本扰动事件的离散近似分量，其中，l为自定义的分解层数，a
l
(k)是一个序列，不是一个点，因此k是所有点的个数，即k为采集数量，d
l
(k)为基本扰动事件的离散细节分量，φ
l，k
(t)为尺度参数，是已知量，ψ
l,k
(t)为小波函数，也是已知量。式(10)是对基本扰动事件的重构，其中，c
l
‑
1,k
为重构后的基本扰动事件的重构信号，重构信号与原始信号的类型特征一致，若原始信号是电压暂降信号，重构信号也为电压暂降信号，h0、h1为两种滤波器系数，k
‑
2n表示2倍降采样，z为整数集。
[0094]
表2中的基本电能质量扰动事件的起止时间t
i1
、t
i2
和扰动类型的提取可以采用典型的电能质量扰动事件检测与识别算法得到，在这里不做详细介绍。式(9)和式(10)这两个公式并不是本发明实施例提取时间特征和类型特征的直接数学表达式，而是小波分解和重构的数学表达式。考虑到基本扰动事件的特征提取与分类不是本发明实施例的研究重点，因此本发明实施例的实施方案是以时间特征和类型特征已知为前提。
[0095]
综上所述，一方面，本发明实施例针对组成复杂电能质量扰动事件的基本电能质量扰动事件之间可能存在的关联关系，提出了用于描述基本电能质量扰动事件之间关联关系的基本概念—关联类型。将基本电能质量扰动事件在时间、空间、因果关系上可能存在的关联类型分为传导型、并发型、连锁型和发展型。通过研究复杂电能质量扰动事件的演变机理建立理想状态下四种关联类型的物元模型，并分析了其对应的关联特征信息。也就是说，本发明实施例完善了现有基本电能质量扰动事件之间的关联类型定义，对关联类型进行特征刻画以提取关联类型的分类特征(即上述关联特征信息)，为电能质量扰动事件的关联类型分类识别提供了数据基础。另一方面，本发明实施例根据分类特征设计出了一种基于最小二乘支持向量机ls
‑
svm的多分类器，利用关联类型的物元模型构建的关联特征信息实现
对发展型、并发型和连锁型三种关联类型的分类识别。
[0096]
本发明实施例针对复杂电能质量扰动事件关联分析与识别，可以根据提出的基本电能质量扰动事件的关联类型建立对应的物元模型，分析各个关联类型的关联特征信息，并基于ls
‑
svm分类器构建可以准确分类识别连锁型、并发型和发展型关联类型的三分类器，最终实现了对基本扰动事件关联类型的分类识别。
[0097]
实施例2：
[0098]
本发明实施例提供了一种电能质量扰动事件关联类型识别装置，该电能质量扰动事件关联类型识别装置主要用于执行实施例1上述内容所提供的电能质量扰动事件关联类型识别方法，以下对本发明实施例提供的电能质量扰动事件关联类型识别装置做具体介绍。
[0099]
图4为本发明实施例提供的一种电能质量扰动事件关联类型识别装置的结构示意图。如图4所示，该电能质量扰动事件关联类型识别装置，主要包括：第一获取单元11，处理单元12和识别单元13，其中：
[0100]
第一获取单元11，用于获取同一目标监测点上任意两个电能质量扰动事件的特征信息；
[0101]
处理单元12，用于对任意两个电能质量扰动事件的特征信息进行处理，得到任意两个电能质量扰动事件之间的关联特征信息；
[0102]
识别单元13，用于将关联特征信息输入至关联类型分类识别模型进行识别，得到任意两个电能质量扰动事件之间的关联类型识别结果；其中，关联类型分类识别模型为基于最小二乘支持向量机ls
‑
svm的多分类器。
[0103]
本发明实施例提供的电能质量扰动事件关联类型识别装置，通过处理得到的关联特征信息能够为关联类型的识别提供数据基础，在此基础上，本发明实施例通过基于最小二乘支持向量机ls
‑
svm的多分类器能够实现任意两个电能质量扰动事件之间的关联类型的有效识别，由于多分类器之间可以进行识别结果互检，因此提高了识别的准确性。
[0104]
可选地，装置还包括自定义设置单元、特征刻画单元和构建单元，其中：
[0105]
自定义设置单元，用于自定义设置电能质量扰动事件之间的关联类型；其中，关联类型包括以下至少之一：传导型、连锁型、并发型、发展型；
[0106]
特征刻画单元，用于对关联类型进行特征刻画，得到关联特征信息；
[0107]
构建单元，用于根据关联特征信息，构建用于表征关联类型的物元模型。
[0108]
可选地，关联类型分类识别模型包括：用于识别连锁型的第一关联类型分类器、用于识别并发型的第二关联类型分类器和用于识别发展型的第三关联类型分类器；其中，第一关联类型分类器、第二关联类型分类器和第三关联类型分类器的类型均为ls
‑
svm分类器。
[0109]
可选地，识别单元13包括第一分类模块、第二分类模块、第三分类模块和第一确定模块，其中：
[0110]
第一分类模块，用于将关联特征信息输入至第一关联类型分类器进行分类，得到第一分类结果；
[0111]
第二分类模块，用于将关联特征信息输入至第二关联类型分类器进行分类，得到第二分类结果；
[0112]
第三分类模块，用于将关联特征信息输入至第三关联类型分类器进行分类，得到第三分类结果；
[0113]
第一确定模块，用于根据第一分类结果、第二分类结果和第三分类结果，确定任意两个电能质量扰动事件之间的关联类型识别结果。
[0114]
可选地，电能质量扰动事件的特征信息包括时间特征和类型特征；处理单元12，包括：做差处理模块、比对处理模块和第二确定模块，其中：
[0115]
做差处理模块，用于对任意两个电能质量扰动事件的时间特征进行做差处理，得到任意两个电能质量扰动事件之间的时间关联特征；
[0116]
比对处理模块，用于对任意两个电能质量扰动事件的类型特征进行比对处理，得到任意两个电能质量扰动事件之间的类型关联特征；
[0117]
第二确定模块，用于将时间关联特征和类型关联特征确定为任意两个电能质量扰动事件之间的关联特征信息。
[0118]
可选地，装置还包括：第二获取单元、输入单元、计算单元和调整单元，其中：
[0119]
第二获取单元，用于获取训练关联特征样本；
[0120]
输入单元，用于将训练关联特征样本输入至初始ls
‑
svm分类器，得到与训练关联特征样本对应的训练关联类型识别结果；
[0121]
计算单元，用于基于训练关联类型识别结果计算初始ls
‑
svm分类器的目标函数的函数值；其中，目标函数为基于拉格朗日乘子构造的函数；
[0122]
调整单元，用于通过目标函数的函数值对初始ls
‑
svm分类器的参数进行调整，得到第一关联类型分类器、第二关联类型分类器或第三关联类型分类器。
[0123]
可选地，第一获取单元还用于：利用mallat算法提取同一目标监测点上任意两个电能质量扰动事件的时间特征和类型特征。
[0124]
所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
[0125]
在一个可选的实施例中，本实施例还提供一种电子设备，包括存储器、处理器，存储器中存储有可在处理器上运行的计算机程序，处理器执行计算机程序时实现上述方法实施例方法的步骤。
[0126]
在一个可选的实施例中，本实施例还提供了一种具有处理器可执行的非易失的程序代码的计算机可读介质，其中，所述程序代码使所述处理器执行上述方法实施例方法。
[0127]
此外，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性。
[0128]
在本实施例所提供的几个实施例中，应该理解到，所揭露的方法和装置，可以通过其它的方式实现。以上所描述的装置实施例仅仅是示意性的，例如，所述单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，又例如，多个单元或组件可以结合或者可以集成到另一个系统，或一些特征可以忽略，或不执行。另一点，所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些通信接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
[0129]
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个
网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
[0130]
另外，在本发明各个实施例中的各功能单元可以集成在一个处理单元中，也可以是各个单元单独物理存在，也可以两个或两个以上单元集成在一个单元中。
[0131]
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个处理器可执行的非易失的计算机可读取存储介质中。基于这样的理解，本实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(rom，read
‑
only memory)、随机存取存储器(ram，random access memory)、磁碟或者光盘等各种可以存储程序代码的介质。
[0132]
最后应说明的是：以上所述实施例，仅为本发明的具体实施方式，用以说明本发明的技术方案，而非对其限制，本发明的保护范围并不局限于此，尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：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，其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化，或者对其中部分技术特征进行等同替换；而这些修改、变化或者替换，并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围，都应涵盖在本发明的保护范围之内。