基于电力扰动数据的配电网异常事件识别方法及系统

1.本公开涉及电力异常事件识别技术领域，特别涉及一种基于电力扰动数据的配电网异常事件识别方法及系统。


背景技术：

2.本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成现有技术。
3.为了保证电力系统的安全平稳运行，需要对它运行时产生的数据信息进行实时监测，通过对系统运行数据的采集、分析，使得电力系统的各种设备协调运行，实现系统故障的提前预警或迅速恢复正常运行。
4.当电网发生异常事件时，信息采集系统获得的大量报警信息从本地上传到调度中心，电网自动诊断系统可以从得到的信息中快速分析相关数据，发现异常事件的原因，辅助调度人员及时对异常事件进行分析与处理，迅速恢复正常供电，保证电网可靠、安全运行。在调控大数据的背景下，异常事件的信息数据来源更加多样化，数据的规模也愈加庞大，对于电网的异常事件识别分类问题进行更深入的研究具有重要理论指导作用。
5.本公开发明人发现，真实的电力系统中，正常事件占比较大，倘若不把这些正常事件过滤而直接进行分类，会对异常事件的分类结果产生干扰，从而导致异常事件的分类准确率降低。虽然现在电力系统采用了大量先进设备、保护以及控制方式，但仍旧不能避免电网异常事件的发生，如果对电网异常事件处理不当则可能会引发电网系统的大停电事故，导致重大的经济损失。


技术实现要素：

6.为了解决现有技术的不足，本公开提供了一种基于电力扰动数据的配电网异常事件识别方法及系统，实现了对异常事件的快速识别、分类和溯源，极大的提高了电力系统异常事件的处置能力。
7.为了实现上述目的，本公开采用如下技术方案：
8.本公开第一方面提供了一种基于电力扰动数据的配电网异常事件识别方法。
9.一种基于电力扰动数据的配电网异常事件识别方法，包括以下过程：
10.获取电力扰动数据；
11.根据获取的电力扰动数据，提取至少四个特征，根据第一特征和第二特征与对应阈值的对比，判断是否发生连续电弧事件；
12.当发生连续电弧事件时，根据第四特征与第一特征库进行主题匹配查找，得到第一故障种类中的至少一种异常事件类型；
13.当发生非连续电弧事件或者正常事件时，如果第三特征大于对应阈值，根据第四特征与第二特征库进行主题匹配查找，得到第二故障种类中的至少一种异常事件类型；否则，根据第四特征与第三特征库进行主题匹配查找，得到第三故障种类中的至少一种异常事件类型。
14.进一步的，第一特征为某个周期窗口故障电流的连续小波变换系数的最大值，第二特征为第一特征所在周期的下一周期窗口故障电流的连续小波变换系数的最大值。
15.进一步的，第三特征为某个周期窗口故障相电流的有效值，第四特征为异常电弧电流数据附近预设个数周期内检测到的相电流，预设个数周期包括故障前多个周期。
16.进一步的，第一故障种类为三相故障种类，包括：高阻接地、弧光接地以及电容器断电时的断路器故障。
17.进一步的，第二故障种类为两相故障种类，包括：电缆早期间歇性故障、电容器通电和负载断开。
18.进一步的，第三故障种类为单相故障种类，包括：电容器断电时断路器重合以及负载通电。
19.进一步的，主题匹配查找，包括以下过程：
20.获取预设长度的历史序列以及预设长度的查询序列；
21.对获取的序列数据分别作傅里叶变换、点积、均值、标准差运算，计算距离向量；
22.找到距离向量的最小值，并定位其在历史序列中对应的位置；
23.根据得到的位置，得到在历史序列中对应的匹配序列。
24.进一步的，对异常事件进行溯源，包括以下过程：
25.利用采集的异常数据信息，确定出现故障的相数；
26.利用故障电流分量特征结合主题库查找进行相间故障的再分类，区分树木摆动交叉引起的相间故障和车辆碰撞引起的相间故障；
27.利用故障电流衰减程度特征结合主题库查找进行三相故障再分类，区分雷电引起的三相开路故障和树木压下导线引起的三相开路故障；
28.利用电弧电压和频域能量分布两个特征结合主题库查找实现单相故障再分类，首先利用异常数据持续时间将动物引起的异常事件与其他异常事件类型区分开；然后，根据电弧电压和频域能量分布两个特征识别由树引起的单相接地故障、由车辆引起的故障以及内部故障。
29.本公开第二方面提供了一种基于电力扰动数据的配电网异常事件识别系统。
30.一种基于电力扰动数据的配电网异常事件识别系统，包括：
31.数据获取模块，被配置为：获取电力扰动数据；
32.根据获取的电力扰动数据，提取至少四个特征，根据第一特征和第二特征与对应阈值的对比，判断是否发生连续电弧事件；
33.第一异常事件识别模块，被配置为：当发生连续电弧事件时，根据第四特征与第一特征库进行主题匹配查找，得到第一故障种类中的至少一种异常事件类型；
34.第二异常事件识别模块，被配置为：当发生非连续电弧事件或者正常事件时，如果第三特征大于对应阈值，根据第四特征与第二特征库进行主题匹配查找，得到第二故障种类中的至少一种异常事件类型；否则，根据第四特征与第三特征库进行主题匹配查找，得到第三故障种类中的至少一种异常事件类型。
35.本公开第三方面提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开第一方面所述的基于电力扰动数据的配电网异常事件识别方法中的步骤。
36.本公开第四方面提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开第一方面所述的基于电力扰动数据的配电网异常事件识别方法中的步骤。
37.与现有技术相比，本公开的有益效果是：
38.1、本公开所述的方法、系统、介质或电子设备，实现了对异常事件的快速识别、分类和溯源，极大的提高了电力系统异常事件的处置能力。
39.2、本公开所述的方法、系统、介质或电子设备，利用连续小波变换对电弧电流数据进行处理，通过求其连续小波变换系数的大小检测异常电弧电流数据，实现了工频附近发生的常规保护装置不易检测到的异常事件识别。
40.3、本公开所述的方法、系统、介质或电子设备，通过对各类异常事件数据分析，对各类非永久性故障这些异常事件进行分类，检测到了不同负荷水平下的异常事件，提高了正常类的查全率和异常类的查准率。
41.4、本公开所述的方法、系统、介质或电子设备，基于电力系统各种异常事件的电力扰动数据变化特点，建立了异常事件分类识别的逻辑判断规则和异常事件特征数据库，实现了对电网异常事件的分类和具体识别。
42.5、本公开所述的方法、系统、介质或电子设备，利用主题查找的大数据挖掘技术提取数据特征，同时结合幅值和形状进行匹配查找的优势，实现了对电网异常事件的分类识别、诊断及根源分析，防止异常事件进一步发展成故障。
43.6、本公开所述的方法、系统、介质或电子设备，针对引起配电网异常事件的因素，从时域、频域和电弧特征三个方面详细分析其发生条件和作用机理，提取特征并建立特征数据库，结合主题查找的算法实现配网异常事件的诊断及根源分析。
44.7、本公开所述的方法、系统、介质或电子设备，能够有效辅助调度员及时解决异常状况，提高运行维护水平，降低了事故发生率，实现了对配网异常事件的识别及诊断的可行性验证，为电网运行状态检测以及诊断提供了有效判据。
45.本公开附加方面的优点将在下面的描述中部分给出，部分将从下面的描述中变得明显，或通过本公开的实践了解到。
附图说明
46.构成本公开的一部分的说明书附图用来提供对本公开的进一步理解，本公开的示意性实施例及其说明用于解释本公开，并不构成对本公开的不当限定。
47.图1为本公开实施例中所述的异常事件检测过程流程框图。
48.图2(a)为本公开实施例1所述的由雷电引起的故障相电压的小波变换图。
49.图2(b)为本公开实施例1所述的由树木引起的故障相电压的小波变换图。
50.图3(a)为本公开实施例1所述的检测高阻接地事件故障电流波形图。
51.图3(b)为本公开实施例1所述的异常连续电弧事件检测标准化后的故障电流在第11
‑
12个周期中的cwt。
52.图4(a)为本公开实施例1所述的检测断路器重合成功事件故障电流波形图。
53.图4(b)为本公开实施例1所述的检测断路器重合成功事件故障电流有效值波形图。
54.图4(c)为本公开实施例1所述的异常连续电弧事件标准化后的故障电流在第11
‑
12个周期中的cwt图。
55.图5为本公开实施例1所述的配电网异常事件分类流程图。
56.图6为本公开实施例1所述的基于mayr变换的电弧模型仿真模型子系统图。
57.图7为本公开实施例1所述的高阻接地故障的主题查找识别得cwt特征波形图。
58.图8为本公开实施例1所述的含高阻接地故障在连续电弧事件特征库中的查找结果图。
59.图9(a)为本公开实施例1所述的配网异常事件识别的gui初始界面。
60.图9(b)为本公开实施例1所述的配网异常事件识别的gui在线运行界面。
具体实施方式
61.下面结合附图与实施例对本公开作进一步说明。
62.应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
63.需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
64.在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
65.实施例1：
66.本公开实施例1提供了一种基于电力扰动数据的配电网异常事件识别方法，包括以下过程：
67.获取电力扰动数据；
68.根据获取的电力扰动数据，提取至少四个特征，根据第一特征和第二特征与对应阈值的对比，判断是否发生连续电弧事件；
69.当发生连续电弧事件时，根据第四特征与第一特征库进行主题匹配查找，得到第一故障种类中的至少一种异常事件类型；
70.当发生非连续电弧事件或者正常事件时，如果第三特征大于对应阈值，根据第四特征与第二特征库进行主题匹配查找，得到第二故障种类中的至少一种异常事件类型；否则，根据第四特征与第三特征库进行主题匹配查找，得到第三故障种类中的至少一种异常事件类型。
71.具体的，包括以下内容：
72.对获取的电力异常数据进行处理，周期信号都可以用傅里叶变换(fourier transform，ft)分解成一组简单的振荡函数，即正弦和余弦或复指数函数，连续时间信号f(t)的傅里叶变换f(t)如式(1)所示：
[0073][0074]
式中，t为时间，ω为角频率，f为时域函数f频域中的连续函数。从给定信号x(t)中
提取特征的常用变换之一是连续小波变换(continuous wavelet transform，cwt)，cwt(a,b)定义为信号和小波在各个尺度上的复卷积：
[0075][0076]
其中，a和b分别是缩放和平移(时移)参数。ψ(
·
)是母小波函数。缩放参数a用于扩张或压缩母小波，以获得低频或高频系数，平移参数b用于获取时间信息。为了计算的连续小波变换系数，时域卷积可以表示为频域的乘法。
[0077]
基于morlet复小波的fft由下式给出：
[0078][0079]
计算处理信号的fft并乘以式(3)可得到频域中的cwt。然后，应用反fft来获得时域的cwt，如式(2)所示。
[0080]
基于mayr变换的电弧模型可以通过直接改变电弧参数来控制电弧的长短，从而控制电弧阻抗的最大值，可直观反映电弧的燃弧情况。因此，本实施例采用基于mayr变换的电弧模型进行单相高阻接地时的电弧仿真实验，mayr电弧模型的数学表达式为：
[0081][0082][0083][0084]
式中，g
c
为稳态电导，τ
c
为电弧时间常数，v
c
为弧柱中的稳态场强，近似看作一个常数；l
c
为电弧的长度，单位为cm；β为常量系数；i
c
为电弧电流的最大值，约为金属接地故障时的短路电流值。
[0085]
其中，电力扰动数据的配网异常事件识别与故障溯源主要由以下5部分组成：
[0086]
1)异常数据检测，通过电能质量监测器获得电力扰动数据，计算cwt系数与阈值比较确认系统是否发生异常事件；
[0087]
2)对采集的电力扰动电流数据x0(t)按特征提取方法提取特征d1～d4，其中，d4对应的数据记为y
ii
(t)；
[0088]
3)对特征值d1、d2、d3规则判断，根据判断结果转入不同的异常事件库；
[0089]
4)建立特征库，matlab simulink仿真各类异常事件得原始样本数据：x(t)＝{x1(t)，x2(t)，
…
，x
i
(t)，
…
，x
n
(t)}，x
i
(t)代表第i种异常事件数据序列。然后提取特征d4建立特征库记为y(t)＝{y1(t)，y2(t)，
…
，y
i
(t)，
…
，y
n
(t)}，y
i
(t)代表第i类别异常事件的d4特征序列，n表示特征库共收录了n个类别的异常事件特征，其中采样的数据规格应统一标准，保证特征库主题的规范性，提高主题查找的准确度。
[0090]
5)主题查找识别异常事件,将查询x0(t)特征提取后的数据y
ii
(t)利用主题匹配查找方法到特征数据库y(t)＝{y1(t)，y2(t)，y3(t)}中进行主题查找，得到相似度最高的匹配主题所对应的异常事件即为本次查询x0(t)的异常事件类型。
[0091]
利用主题查找算法matrix profile距离公式度量两个主题波形之间的相似程度，具有同时结合幅值和形状进行匹配查找的优势。主题查找算法matrix profile距离公式：
[0092][0093]
其中：q为滑窗宽度为m的查询数据段；h[i]为长度n的历史序列h的子序列；qh[i]为序列q与h[i]的点积；μ
q
为查询序列q的均值，σ
q
为查询序列q的标准差；μ
h[i]
为子序列h[i]的均值，σ
h[i]
为子序列h[i]的标准差。
[0094]
主题匹配查找的步骤实现如下：
[0095]
1)输入数据长度为n的历史序列h，长度为m的查询序列q；
[0096]
2)对输入数据分别作傅里叶变换、点积、均值、标准差运算，通过式(7)计算得到距离向量d(i)；
[0097]
3)找到d(i)的最小值，并定位其在历史序列h中对应的位置i；
[0098]
4)输出在历史序列h中对应的匹配序列sim
series
，sim
series
＝h[(i
‑
1)*m+1:i*m]。
[0099]
为检测不同负荷水平下的异常事件，本公开选用与电弧发生位置无关的电弧电流信号，通过求其连续小波变换cwt系数的大小检测异常电弧电流数据。在50hz系统中，以6000hz的采样频率对电弧电流进行连续采样；选择第8个尺度用于检测本实施例异常事件，选取检测阈值cwtth为0.02(正常值小于10
‑
3)。如果超过阈值，则检测到电弧瞬态，在计算出cwt系数之后，将它们与阈值cwtth进行比较，检测过程的流程图如图1所示。
[0100]
针对雷击、鸟害等经常发生或危害较大的异常状况起因详细分析其发生条件和作用机理，提取特征并建立特征数据库，结合主题查找的算法实现配网异常事件的诊断及根源分析。
[0101]
针对时域特征，根据故障相电流的变化特征判断故障的相数，先采集三相电流数据的峰值：
[0102][0103]
在上式中，i
a
(n)，i
b
(n)和i
c
(n)分别是三相电流的时间序列，它们的比值关系计算如下：
[0104][0105][0106]
在上面的公式中，k1和k2表示在三相电流的各相的采样点的最大值按降序排序之后每两相之间的比值大小。本实施例提出的故障相数n
faultphase
判断如下式所示，其中，k＝mean(i
amax
,i
bmax
,i
cmax/
)/min(i
amax
,i
bmax
,i
cmax
)。
[0107][0108]
为方便研究异常数据持续时间，首先选择一相电流并规定为故障相电流i
fault
，其判断公式如下：
[0109]
i
pkmax
＝max(i
amax
,i
bmax
,i
cmax
)
ꢀꢀꢀ
(12)
[0110][0111]
i
pk(j)
＝max|i
fault(n)
|
ꢀꢀꢀ
(14)
[0112]
在上面的公式中，i
pk
(j)表示故障相电流的第j个周期的峰值电流值，当它大于一个阈值时，则可以认为该周期处于故障状态，因此故障持续周期数可以判断，其公式如下：
[0113][0114]
针对频域特征，用三尺度正交小波变换分析故障相电压。对于故障相电压能量分布的频域分析，进行归一化处理：
[0115][0116][0117]
图2(a)和图2(b)所示分别是由雷电和树木不同故障原因引起的故障相电压的小波变换结果，图中可以看出其各频带的幅度和能量分布是有差异的。在频域上，可以用幅值和能量分布来区别异常事件。
[0118]
配网异常事件溯源判断，实现配网异常事件的根源分析，判断逻辑如下：
[0119]
1)利用采集的异常数据信息，确定出现故障的相数n
faultphase
；
[0120]
2)利用故障电流分量特征结合主题库查找实现相间故障的再分类；
[0121]
3)利用故障电流衰减程度特征结合主题库查找实现三相故障再分类；
[0122]
4)利用电弧电压和频域能量分布两个特征结合主题库查找实现单相故障再分类。通过分析各类异常事件的数据特点，提取分类特征，带入阈值判断规则，然后利用基于相似性度量的主题查找算法，实现异常事件的准确识别。
[0123]
如图3(a)和图3(b)所示，检测并分类高阻接地事件(异常连续电弧事件)。首先，处理采集的电流数据，在从启动时间开始经过1断路器重合成功事件(异常非连续电弧事件)的分类过程如图4(a)、图4(b)和图4(c)所示。输入d1、d2和d3的检测步骤类似于电缆早期故障事件的情况，其中d1和d2低于阈值cwt
th
，如图4(c)所示。在99.31ms处检测到该事件，其中，由图4(b)中所示的rms数据可知，断路器重合成功时的d3高于最大rms阈值。另外，如图4
(a)所示为在异常数据附近采集到的相电流(d4)，将其作为查询主题，利用主题查找算法通过与异常状况特征库进行波形数据的相似性计算，最终确定具体的异常事件类型。
[0124]
基于对各类异常事件数据的分析，提取d1～d4四个特征量作为分类的特征。从检测周期开始，在即将到来的第11个和第12个周期窗口中，故障电弧电流的cwt系数的最大值作为特征d1、d2。将即将到来的第12个周期的故障相电流的有效值作为特征d3。
[0125][0126]
在异常电弧电流数据附近20个周期(包括故障前6个周期)检测到的相电流作为特征量d4。输入d1和d2用于确认连续电弧事件并将噪声干扰导致的错误检测最小化。
[0127]
检测算法中设置的阈值基于对不同系统配置、负载变化、故障距离、故障阻值、初始时间等的密集测试。基于测试结果，d1和d2的cwt
th d1/d2
同异常数据的检测阈值设置为0.02。最后，通过特征d4带入特征库进行主题查找匹配得最终的异常事件识别结果。分类流程图如图5所示。
[0128]
基于mayr变换的电弧模型仿真模型建立高阻弧光接地系统如图6所示。故障线路中都出现了电弧现象，且故障馈线故障电流方向和正常馈线电流方向相反，故障馈线电流幅值等于正常馈线电流幅值之和，非线性且电弧电流微弱，体现了高阻故障的特征。
[0129]
如图7所示，第11个和第12个周期(d1和d2)的cwt峰值超过阈值，表明馈线中仍存在电弧，为永久性故障。因此，下一步根据特征d4进入连续电弧事件的特征数据库进行主题查找，高阻接地故障在连续电弧事件特征库中的查找结果如图8所示。
[0130]
为方便用户操作并增强可视化效果，基于ieee节点系统、10kv配网系统仿真以及典型录波数据作为数据源设计了一个图形用户界面(graphical user interface，gui)，打开界面如图9(a)所示，识别查找的过程跟结果都会清晰的显示在界面上；图9(b)为配网异常事件识别的gui在线运行界面。
[0131]
实施例2：
[0132]
本公开实施例2提供了一种基于电力扰动数据的配电网异常事件识别系统，包括：
[0133]
数据获取模块，被配置为：获取电力扰动数据；
[0134]
根据获取的电力扰动数据，提取至少四个特征，根据第一特征和第二特征与对应阈值的对比，判断是否发生连续电弧事件；
[0135]
第一异常事件识别模块，被配置为：当发生连续电弧事件时，根据第四特征与第一特征库进行主题匹配查找，得到第一故障种类中的至少一种异常事件类型；
[0136]
第二异常事件识别模块，被配置为：当发生非连续电弧事件或者正常事件时，如果第三特征大于对应阈值，根据第四特征与第二特征库进行主题匹配查找，得到第二故障种类中的至少一种异常事件类型；否则，根据第四特征与第三特征库进行主题匹配查找，得到第三故障种类中的至少一种异常事件类型。
[0137]
所述系统的工作方法与实施例1提供的基于电力扰动数据的配电网异常事件识别方法相同，这里不再赘述。
[0138]
实施例3：
[0139]
本公开实施例3提供了一种计算机可读存储介质，其上存储有程序，该程序被处理器执行时实现如本公开实施例1所述的基于电力扰动数据的配电网异常事件识别方法中的
步骤。
[0140]
实施例4：
[0141]
本公开实施例4提供了一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的程序，所述处理器执行所述程序时实现如本公开实施例1所述的基于电力扰动数据的配电网异常事件识别方法中的步骤。
[0142]
本领域内的技术人员应明白，本公开的实施例可提供为方法、系统、或计算机程序产品。因此，本公开可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本公开可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0143]
本公开是参照根据本公开实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0144]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0145]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0146]
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，所述的程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。其中，所述的存储介质可为磁碟、光盘、只读存储记忆体(read
‑
only memory，rom)或随机存储记忆体(random accessmemory，ram)等。
[0147]
以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本公开的保护范围之内。