一种基于高斯混合模型的电能质量录波数据计算分析方法，包括以下内容：(1)收集电能质量监测装置运行中积累的录波数据；(2)对电能质量录波数据进行预处理和特征提取，构造特征样本集；(3)将特征样本集进行清洗优化，利用期望极大算法训练高斯混合模型；(4)基于上述建立的高斯混合模型，对电能质量录波数据进行识别和分析，获取对应的录波数据类别。本发明专利技术所涉及的方法通过对电能质量录波数据进行小波变换和特征选择，利用概率数理统计思想从海量数据中发现关于运行方式的一些有用信息，为电能质量扰动分析提供一种数据挖掘思想和方法，更好地为电网运行和维护提供辅助决策服务。
【技术实现步骤摘要】
本专利技术属于电力系统自动化
，具体设及一种基于高斯混合模型的电能质 量录波数据计算分析方法，其作为一种数据驱动方法，可用W支撑电力大数据平台的高级 应用。
技术介绍
随着工业自动化和电力系统的深入发展，电网中产生电能质量扰动的因素不断增 加，使得电网所遭受的电能质量问题日趋严重。电能质量污染易造成电气设备使用寿命的 降低、不可预计的低电压跳闽、继电保护装置的误动作等，由此给对电能质量要求较高的行 业带来的经济损失逐年增加。因此，电能质量问题已成为电力系统亟待解决的问题。 随着电网中非线性负荷W及电力电子器件的不断加入，人们对电能质量问题的关 注已不仅仅是电压、频率和谐波等稳态指标，还包括各种暂态扰动（如电压暂升、电压暂 降、电压中断等）研究。大量学者和工程技术人员发现，电力扰动本身承载着大量设及系统 和设备运行状态的有用信息，如果能够从电能质量数据中提取有用信息并结合分类识别方 法，确定暂态扰动的类型和持续时间，将对改善电能质量水平具有积极意义。作为获取电能 质量信息的直接途径，电能质量监测装置目前已被广泛应用于我国多省市，并积累了大量 的波形数据、日志报表等，然而，对该些电能质量信息的分析还不够深入，致使海量电能质 量监测数据得不到充分利用。因此，亟需开展电能质量数据的挖掘技术。 本专利技术所设及的，通过 对历史数据库中积累的录波数据进行小波变换、特征提取和概率模型估计，实现了录波样 本的动态聚类。该方法作为一种数据驱动方法，通过数据挖掘发现引起电能质量下降的因 素，更好地服务于电网规划、运行和检修工作。
技术实现思路
本专利技术利用积累在磁盘上的电能质量录波数据，通过从中提取小波特征，建立了 基于高斯混合模型的计算分析方法，为电网运行中的电能质量扰动识别及原因分析提供了 一种挖掘思路和方法。本专利技术具体采用W下技术方案： ，其特征在于，所述方 法包括如下步骤： (1)采集电能质量监测装置运行中积累的暂态录波数据，内含多个监测点的S相 电压和S相电流原始采样值，通过对每个暂态录波数据进行信号筛选、小波变换和特征提 取，构造特征样本集X; (2)将构造的特征样本集X通过主成分分析进行数据清洗，选择出更易于机器学 习处理的优化特征集Y; (3)基于上述获得的优化特征集Y，利用期望极大算法EM学习高斯混合模型GMM， 输出模型参数； (4)在应用阶段，对于需要计算分析的电能质量监测装置记录的暂态录波数据，采 用步骤（3)建立的GMM模型进行概率密度计算，输出对应录波的所属类别，并结合该类别录 波数据的暂态特征，用于识别对应的扰动类型及扰动原因。 在步骤（1)中，所述的特征样本集X的构造具体包括： ①根据电能质量监测装置提供的事件报警日志，从积累的历史录波列表中筛选出 具有同一类报警信息的暂态录波数据； ②每个暂态录波数据中包含多个监测点的=相电压和=相电流波形数据，根据事 件报警信息选择某一个或某几个量测信号进行分析；⑨将筛选出的量测信号进行离散小波变换，得到不同尺度下的小波系数；将某一 量测信号X进行m层小波分解，得到高频分量系数cDj化）（j= 1，2,…，m)和低频分量系数 cAm化)，其中，j代表小波分解尺度，k代表时间序列；④计算每一层小波系数cDj.(k)(j= 1，2,…，m+1)的能量均值EXPj.、能量标准差 STDj.和能量滴WEEj.，作为该量测信号所提取的特征指标：中，cDm+i似=cAm似，Ej.k代表第j尺度k时刻的信号瞬时能量且E j.k=2, Ej.代表 第j尺度信号总能量且Lj.代表第j尺度小波系数的个数； ⑥遍历经①和②筛选出的所有暂态录波数据中的量测信号，经离散小波变换和特 征指标提取环节，综合所有量测信号提取的特征作为某一暂态录波数据的特征指标，形成 维数为NXP的特征样本集X，其中N为暂态录波数据的个数，P为每个录波数据提取的特征 指标个数。 在步骤（2)中，利用主成分分析法对特征样本集X的数据清洗具体实现包括： ①标准化步骤（1)所得到的特征样本集X，然后计算其协方差矩阵C; ②对协方差矩阵C进行特征值分解，将特征值按照从大到小的顺序排列，设 入AAP，与之对应的标准正交特征向量分别记为丫 1，丫 2，…，丫P; ⑨求满足条巧的最小K值，将标准化后的数据集X向特征向量 子空间[丫。丫2,…，丫J投影，获得优化特征集Y，同时存储[丫。丫2,…，丫J。 在步骤（3)中，基于优化特征集Y的GMM模型的建立流程具体包括：[002引①初始化GMM模型中各分模型的权值系数a。和模型参数y。、0。;其中，q=1，2,…，Q且Q代表分模型的个数，a。代表高斯分模型q的权值系数且a1+02+…+ 0。= 1，y。和0。分别代表高斯分模型q的期望和标准差； ②依据当前模型参数{(a。，y。，o。)，q= 1，2, . . .，Q}，计算各分模型q对优化特 征集Y中每个行向量的响应度:「1 (4) 式中，4)如Iy。，0。）为高斯模型概率密度函数，i= 1，2,…，N;[002引⑨计算新一轮迭代的模型参数批"，片^、(/二u，...，0}: (5) ④重复步骤②和⑨，直至优化样本集的对数似然函数最大，输出各分模型q的参 数ya和。a。 在步骤（4)中，针对需要计算分析的电能质量监测装置记录的暂态录波，包括历 史录波W及实时录波，重复步骤（1)和（2)，得到与之对应的优化特征向量y，进而根据步骤 (3)训练的GMM模型完成类别输出聋 其中，afgmft/Cv)]表示的是定义域的一个子集，该子集中任一元素都可使得函 数f取得最大值，即3巧max =IW:(少?) 。 本专利技术具有W下有益的技术效果；本专利技术作为一种数据驱动的电能质量录波数据 分析方法，能够通过对电网运行中历史录波数据的暂态特征提取和优化，实现不同电能质 量问题的智能聚类，从而指导电能质量扰动类型及扰动原因的进一步分析。本专利技术依托大 数据平台和算法，通过发现引起电能质量下降的因素，更好地为电网规划和运行提供辅助 服务。【附图说明】 图1为本专利技术提供的电能质量录波数据计算分析方法流程示意图； 图2为本专利技术提供的基于小波变换的样本集构造流程图； 图3为本专利技术提供的基于主成分分析法的数据清洗流程图； 图4为本专利技术提供的基于EM法的GMM建立流程图； 图5为本专利技术实现的基于电压暂升录波数据的聚类结果。【具体实施方式】 下面结合说明书附图和实施例对本专利技术的技术方案作进一步详细阐述。 本专利技术提供了，其流程 图如图1所示，包括下列步骤： 步骤1 ;收集电能质量监测装置运行中积累的录波数据，通过对其进行信号筛选、 小波变换和特征提取，构造特征样本集X。 本实施例结合国内某变电站内电能质量监测装置一段时间内积累的录波数据进 行说明。该装置一段期间共积累了 117216个录波文件，按照报警日志匹配后的扰动统计信 息如表1所示。 表1历史库中录波文件的扰动类型分布脚)4引基于上述历史库信息，特征数据集X的构造流程如下： ①录波获取； 从表1录波文件与报警日志的匹配结果看，该时段约89. 93%的录波样本来源于2 号变A相电压暂升事件。本实施例就此100679个电压暂升事件录波展开分析，即样本数目 N为 100679。 ②信号本文档来自技高网...
【技术保护点】
一种基于高斯混合模型的电能质量录波数据计算分析方法，其特征在于，所述方法包括如下步骤：(1)采集电能质量监测装置运行中积累的暂态录波数据，内含多个监测点的三相电压和三相电流原始采样值，通过对每个暂态录波数据进行信号筛选、小波变换和特征提取，构造特征样本集X；(2)将构造的特征样本集X通过主成分分析进行数据清洗，选择出更易于机器学习处理的优化特征集Y；(3)基于上述获得的优化特征集Y，利用期望极大算法EM学习高斯混合模型GMM，输出模型参数；(4)在应用阶段，对于需要计算分析的电能质量监测装置记录的暂态录波数据，采用步骤(3)建立的GMM模型进行概率密度计算，输出对应录波的所属类别，并结合该类别录波数据的暂态特征，用于识别对应的扰动类型及扰动原因。
【技术特征摘要】
【专利技术属性】
技术研发人员：焦邵华，赵传霖，白淑华，张利强，徐延明，刘刚，黄磊，张传永，
申请(专利权)人：北京四方继保自动化股份有限公司，
类型：发明
国别省市：北京;11
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。