一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法
【專利摘要】本發(fā)明提供一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法，包括：基于S變換快速算法和增量SVM分類器，對敏感客戶的電壓暫降擾動進行自動識別；基于所述電壓暫降擾動識別的結果，確定幾類敏感客戶對應的設備在不同負載水平下的電壓耐受曲線；根據(jù)電壓暫降擾動的歷史監(jiān)測數(shù)據(jù)作為樣本，轉化為電壓暫降的幅值嚴重性指標MSI和持續(xù)時間嚴重性指標DSI的樣本值，并基于最大熵原理確定MSI和DSI的概率密度函數(shù)，評估敏感設備故障概率，得出敏感客戶對應的敏感設備在在電壓暫降級別下發(fā)生故障的概率。實施本發(fā)明，能較準確監(jiān)控電能質量擾動情況，并根據(jù)客戶的負荷敏感度確定該擾動是否有可能影響到客戶負荷，發(fā)現(xiàn)負荷運行的潛在危險。
【專利說明】—種電壓暫降擾動下敏感客戶電能體驗質量的預警方法
【技術領域】
[0001]本發(fā)明涉及電力【技術領域】，尤其涉及一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法。
【背景技術】
[0002]近年來，伴隨著現(xiàn)代工業(yè)和經(jīng)濟的發(fā)展，計算機、電力電子設備等敏感負荷在各個行業(yè)廣泛應用，導致電力客戶對電壓暫降、電壓驟升、短時中斷(interruption)等非常敏感，單個設備或元件的故障可能造成極大的經(jīng)濟損失。另一方面，一些電弧爐、整流器、單相負荷、大功率電動機等波動性或沖擊性負荷并入電網(wǎng)，特別是大量的諧波和次諧波分量的注入,導致電網(wǎng)中電壓和電流波形的嚴重失真。另外,一些外部因素如雷電、外力破壞、樹枝影響、電網(wǎng)設備故障等也會干擾電力系統(tǒng)的正常運行，導致電能質量問題時有發(fā)生。目前電力系統(tǒng)中對電壓暫降敏感的負荷越來越多，電壓暫降已經(jīng)成為造成電壓敏感設備不能正常工作的主要原因，調研表明在各類電能質量問題中由電壓暫降造成的客戶損失占電能質量損失的80%以上。
[0003]在實際應用中，根據(jù)用電負荷不同的特性以及對電能質量的要求與敏感度，一般將用電負荷分為普通負荷、敏感負荷。一些電力系統(tǒng)客戶使用了大量的敏感負荷，將其稱為電能質量敏感客戶。電能質量問題的客觀存在和敏感負荷的敏感特性導致敏感客戶的電力使用存在巨大風險。對于這類客戶，即使出現(xiàn)輕微的電能質量問題，也會導致嚴重的經(jīng)濟損失。
[0004]電能質量擾動(PQD)信號形式紛繁復雜，如何正確提取擾動信號的特征量以及如何準確的識別擾動信號類型成為解決與提高電能質量的首要問題。此外，客戶電能體驗質量不單單取決于供電質量，還和客戶敏感程度緊密相關。

【發(fā)明內容】

[0005]本發(fā)明基于S變換快速算法和增量SVM分類器實現(xiàn)對電壓暫降擾動的自動識別，并使用最大熵方法估計用戶敏感負荷在電壓暫降擾動下的故障率。
[0006]具體的，本發(fā)明提供的一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法，包括:
[0007]基于S變換快速算法和增量SVM分類器，對敏感客戶的電壓暫降擾動進行自動識別；
[0008]基于所述電壓暫降擾動識別的結果，確定幾類敏感客戶對應的設備在不同負載水平下的電壓耐受曲線；
[0009]根據(jù)電壓暫降擾動的歷史監(jiān)測數(shù)據(jù)作為樣本，轉化為電壓暫降的幅值嚴重性指標MSI和持續(xù)時間嚴重性指標DSI的樣本值，并基于最大熵原理確定MSI和DSI的概率密度函數(shù)，評估敏感設備故障概率，得出敏感客戶對應的敏感設備在在電壓暫降級別下發(fā)生故障的概率。[0010]其中，所述基于S變換快速算法和增量SVM分類器，對敏感客戶的電壓暫降擾動進行自動識別，包括:
[0011]確定敏感客戶作為監(jiān)測點，對其電能質量擾動進行實時監(jiān)測，獲取作為監(jiān)測點的敏感設備電壓信號、電流信號；
[0012]對于監(jiān)測點的電壓信號和電流信號，基于S變換快速算法進行特征抽取，提取各頻率段模系 數(shù)的標準偏差、最大模系數(shù)及額定頻率對應的模系數(shù)作為擾動信號的特征向量;
[0013]將所述特征向量輸入至增量SVM分類器中進行電能質量擾動分類，自動識別電壓暫降擾動。
[0014]其中，所述S變換快速算法如下所示:
[0015]S(TfV)= 1-Clrj2m^dt 其中，ω ( τ -t, σ )為單位區(qū)域內所有頻率 v
'm ，
的廣義窗函數(shù)。
[0016]其中，將所述特征向量輸入至增量SVM分類器中進行電能質量擾動分類，自動識別電壓暫降擾動，包括:
[0017]將特征向量進行時間窗口劃分，使用增量學習機制，對一個時間窗口內到達的特征向量進行成批的學習；
[0018]在最近η個時間窗口內，如果一個特征向量樣本沒有成為支持向量的次數(shù)超過I，則將其從訓練集中刪除。
[0019]其中，所述敏感設備包括可編程邏輯控制PLC、可調速驅動裝置ASD、計算機PC、交流接觸器ACC。
[0020]其中，所述最大熵模型為:
眶 /?(Λ.) = ^|/(χ)1η/(Λ.)Λ

R
Si,

I f{x)dx = l
[0021]i
JaZ(X)A = Ei

K

I (.V — E1 Y' f(x}dv = Etr h - 2,3,.,., Af

K
[0022]其中，X為敏感設備電壓暫降嚴重性指標MSI或DSI的隨機變量，R為變量x的取值邊界，H(X)為隨機變量的熵，f (X)為隨機變量X的概率密度函數(shù)，E1和Eh為電壓暫降嚴重性指標的I階元點距和h階中心距。
[0023]其中，所述基于最大熵原理確定MSI和DSI的概率密度函數(shù)，評估敏感設備故障概率，得出敏感客戶對應的敏感設備在在電壓暫降級別下發(fā)生故障的概率，包括:
[0024]在所述最大熵模型中引入拉格朗日算子，并用經(jīng)典偏微分法得到概率密度函數(shù)解析式；
[0025]當電壓暫降發(fā)生在不確定區(qū)域(i，j)時，設備的故障率P (i，j)為:[0027]
值在區(qū)域i的中間值和持續(xù)時間在區(qū)域j的中間值。
[0028]實施本發(fā)明，能較準確監(jiān)控電能質量擾動情況，并根據(jù)客戶的負荷敏感度確定該擾動是否有可能影響到客戶負荷，發(fā)現(xiàn)負荷運行的潛在危險。在此基礎上，提出客戶電能體驗的概念，對負荷運行存在潛在危險的客戶進行預警。本方法有利于電力企業(yè)和敏感客戶降低供用電風險、技術改造，并對差異化定制電力有重要意義。
【專利附圖】

【附圖說明】
[0029]為了更清楚地說明本發(fā)明實施例或現(xiàn)有技術中的技術方案，下面將對實施例或現(xiàn)有技術描述中所需要使用的附圖作簡單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實施例，對于本領域普通技術人員來講，在不付出創(chuàng)造性勞動的前提下，還可以根據(jù)這些附圖獲得其他的附圖。
[0030]圖1為本發(fā)明提供的一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例一的流程示意圖；
[0031]圖2為本發(fā)明提供的一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例二的流程示意圖；
[0032]圖3為本發(fā)明提供的一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例二的流程不意圖；
[0033]圖4為本發(fā)明提供的一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例四的流程示意圖；
[0034]圖5為本發(fā)明提供的一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例五的流程示意圖；
[0035]圖6為本發(fā)明提供的一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例六的流程示意圖；
[0036]圖7為本發(fā)明提供的一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例七的流程示意圖.【具體實施方式】
[0037]下面結合附圖對本發(fā)明的具體實施例進行詳細說明。
[0038]如圖1所示，為本發(fā)明一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例一的流程示意圖，主要包括以下步驟:
[0039]步驟100，基于S變換快速算法和增量SVM分類器，對敏感客戶的電壓暫降擾動進行自動識別；
[0040]步驟101，基于所述電壓暫降擾動識別的結果，確定幾類敏感客戶對應的設備在不同負載水平下的電壓耐受曲線；[0041]步驟102，根據(jù)電壓暫降擾動的歷史監(jiān)測數(shù)據(jù)作為樣本，轉化為電壓暫降的幅值嚴重性指標MSI和持續(xù)時間嚴重性指標DSI的樣本值，并基于最大熵原理確定MSI和DSI的概率密度函數(shù)，評估敏感設備故障概率，得出敏感客戶對應的敏感設備在在電壓暫降級別下發(fā)生故障的概率。
[0042]如圖2所示，為本發(fā)明一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例二的流程示意圖，本實施例中主要描述基于S變換快速算法的時序特征抽取的具體實現(xiàn)過程，包括:
[0043]步驟200，該將S變換快速算法引入電能質量擾動信號特征抽取。其中，S變換快速算法如式(I)所示。
[0044]S(TiV)= f ξ(?)-β^τ-?,σ).ε
I( I )
[0045]式(I)中，ω ( τ -t, σ )為單位區(qū)域內所有頻率v的廣義窗函數(shù)。
[0046]通過此變換，一維S-域內某個值的位置來確定它所代表的頻率和時間，它將S變換的二維時頻矩陣壓縮成為一維向量，即將N個點的時序信號通過快速算法得到只有N個點的時頻向量，這種方法能夠有效避免S變換時頻矩陣中的大量冗余信息，為準確提取信號的特征分量奠定了基礎，并且節(jié)約了計算時間。
[0047]步驟201，對電能質量歷史監(jiān)測數(shù)據(jù)進行處理，具體如下:
[0048]時序持續(xù)8個額定周期共0.16s，采樣點數(shù)為1024個，采樣頻率為6.4kHz，可以檢測到的最大頻率為3.2kHz。由S變換快速算法所得一維模系數(shù)對應的二維時頻關系，可以根據(jù)式(2)得到1024個時序點可以構成11個頻率段。一維S-域內某個值的位置來確定它所代表的頻率和時間，以及同一 時刻的上一個頻段和下一個頻段關系，具體頻率段的劃分如式⑵所示。
[0049]
=LiogU+2」

I B1 = 2"'- 1
[w2 = 2 (2 )
[0050]其中，對于一個長度為N的時域信號序列，nindex為S變換一維模系數(shù)中的一個記錄點，且滿足2〈nimfa〈n-l，Ik為當前所在頻率段的層數(shù)，H1和n2為當前頻率段在一維模系數(shù)的起始和結束位置。每個頻率段內各頻率對應的一維模系數(shù)的起始與結束的位置相同。
[0051]步驟202，建立一個包含時序點的特征向量，提取各頻率段模系數(shù)的標準偏差、最大模系數(shù)及額定頻率對應的模系數(shù)作為擾動信號的特征分量。
[0052]具體的，每個時間序列的時間窗口通常設置為8個額定周期，S變換模矩陣保留了信號的幅值信息，S變換矩陣中元素的幅值和某一時間和頻率處S變換的模值相對應。其列向量為信號某一采樣時刻的幅值隨頻率變化的分布，行向量為信號某一頻率的幅值隨時間變化的分布。
[0053]步驟203，根據(jù)特征向量為其標記所屬電能質量擾動類別，記為T= {(H1 (ti) ,Y1),..., (nn(ti)，ym)}。該時序特征向量作為SVM算法中增量學習的訓練集合。
[0054]如圖3所示，為本發(fā)明一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法實施例三的流程示意圖，本實施例中主要描述基于增量SVM算法的電壓暫降自動識別的具體實現(xiàn)過程，包括:
[0055]步驟300，在增量SVM算法中設置訓練樣本的淘汰策略，過閾值ξ淘汰對分類貢獻度低的樣本。其基本思想是，在最近η個時間窗口內，如果一個樣本沒有成為支持向量的次數(shù)超過ξ ,則將其從訓練樣本中集中刪除。
[0056]其中，SVM算法實際是通過Largrange函數(shù)
【權利要求】
1.一種電壓暫降擾動下敏感客戶電能體驗質量的預警方法，其特征在于，包括: 基于S變換快速算法和增量SVM分類器，對敏感客戶的電壓暫降擾動進行自動識別； 基于所述電壓暫降擾動識別的結果，確定幾類敏感客戶對應的設備在不同負載水平下的電壓耐受曲線； 根據(jù)電壓暫降擾動的歷史監(jiān)測數(shù)據(jù)作為樣本，轉化為電壓暫降的幅值嚴重性指標MSI和持續(xù)時間嚴重性指標DSI的樣本值，并基于最大熵原理確定MSI和DSI的概率密度函數(shù)，評估敏感設備故障概率，得出敏感客戶對應的敏感設備在在電壓暫降級別下發(fā)生故障的概率。
2.如權利要求電壓暫降擾動下敏感客戶電能體驗質量的預警方法，其特征在于，所述基于S變換快速算法和增量SVM分類器，對敏感客戶的電壓暫降擾動進行自動識別，包括: 確定敏感客戶作為監(jiān)測點，對其電能質量擾動進行實時監(jiān)測，獲取作為監(jiān)測點的敏感設備電壓信號、電流信號； 對于監(jiān)測點的電壓信號和電流信號，基于S變換快速算法進行特征抽取，提取各頻率段模系數(shù)的標準偏差、最大模系數(shù)及額定頻率對應的模系數(shù)作為擾動信號的特征向量；將所述特征向量輸入至增量SVM分類器中進行電能質量擾動分類，自動識別電壓暫降擾動。
3.如權利要求2所述電壓暫降擾動下敏感客戶電能體驗質量的預警方法，其特征在于，所述S變換快速算法如下所示:
4.如權利要求3所述電壓暫降擾動下敏感客戶電能體驗質量的預警方法，其特征在于，將所述特征向量輸入至增量SVM分類器中進行電能質量擾動分類，自動識別電壓暫降擾動，包括: 將特征向量進行時間窗口劃分，使用增量學習機制，對一個時間窗口內到達的特征向量進行成批的學習； 在最近η個時間窗口內， 如果一個特征向量樣本沒有成為支持向量的次數(shù)超過ξ，則將其從訓練集中刪除。
5.如權利要求4所述電壓暫降擾動下敏感客戶電能體驗質量的預警方法，其特征在于，所述敏感設備包括可編程邏輯控制PLC、可調速驅動裝置ASD、計算機PC、交流接觸器ACC。
6.如權利要求5所述電壓暫降擾動下敏感客戶電能體驗質量的預警方法，其特征在于，所述最大熵模型為:其中，X為敏感設備電壓暫降嚴重性指標MSI或DSI的隨機變量，R為變量X的取值邊界，H(X)為隨機變量的熵，f (X)為隨機變量X的概率密度函數(shù)，E1和Eh為電壓暫降嚴重性指標的I階元點距和h階中心距。
7.如權利要求6所述電壓暫降擾動下敏感客戶電能體驗質量的預警方法，其特征在于，所述基于最大熵原理確定MSI和DSI的概率密度函數(shù)，評估敏感設備故障概率，得出敏感客戶對應的敏感設備在在電壓暫降級別下發(fā)生故障的概率，包括: 在所述最大熵模型中引入拉格朗日算子，并用經(jīng)典偏微分法得到概率密度函數(shù)解析式； 當電壓暫降發(fā)生在不確定區(qū)域(i，j)時，設備的故障率P (i，j)為: 其中，+ ^ +和分別剩余電壓幅值在
【文檔編號】G01R31/02GK103487682SQ201310419436
【公開日】2014年1月1日 申請日期:2013年9月13日 優(yōu)先權日:2013年9月13日
【發(fā)明者】張華贏, 曹軍威, 高田, 王淼, 史帥彬, 姚森敬, 段紹輝, 余鵬, 盧旭, 黃志偉 申請人:深圳供電局有限公司, 清華大學