[发明专利]一种电压暂降原因的识别方法

说明书

技术领域

本发明涉及一种识别方法，具体讲涉及一种电压暂降原因的识别方法。

背景技术

电压暂降是指供电电压均方根值在短时间突然下降到额定值的90%至1%的事件，其典型持续时间为0.5至30周波。同时，电压暂降往往还伴随着电压相位的突然改变，即相位跳变。电压暂降的幅值、持续时间和相位跳变是标称电压暂降最重要的三个特征量。

引起电压暂降的原因主要有短路故障（可分为对称故障和不对称故障）、变压器投入和感应电动机启动等。由于原因不同，引起的电压暂降现象也不同，电压有效值典型波形见图2。如何有效的区分引起电压暂降的原因对电压暂降的预防和治理十分重要，同时也可为解决用户和系统之间的纠纷提供依据。

电压暂降原因识别一般主要包括两个步骤，首先通过数学变换提取电压暂降波形中的特征值，然后按照不同原因对应的特征，采用数学分类方法对其进行分类。

现有研究中，提取特征值的方法主要包括傅里叶变换、S变换、小波变换、卡尔曼滤波、自适应陷波器等方法，分类方法主要包括模糊推理、神经网络、专家系统、支持向量机等。上述研究中提取的特征值主要考虑基波幅值、相位和不平衡情况，电压暂降持续时间，电压暂降的恢复形式以及谐波变化等方面，采用的特征值一般不超过10个，有一些可用于识别的特征量被忽略。现有研究所采用的模糊推理、专家系统等方法都需要对所关注的特征量确定单一阈值或某一阈值范围，由于不同的电压暂降原因的电压波形参数之间并没有一条明确的界限，电压暂降过程中电压的波形与电网参数等其他因素的关联性很强，如系统运行方式、负荷类型、接线方式、故障点与监测点相对位置等都会在很大程度上影响电压暂降的特征。因此，在判断方法中引入确定固定阈值，往往会因为条件的变化而变得不准确，从而产生对电压暂降原因的误判。而神经网络的方法需要大量的训练样本才能得到较为准确的测试结果，由于大多已有的监测系统中没有对电压暂降原因进行识别，无法得到大量的实测数据，神经网络算法的应用受到一定的限制。同时，现有的研究方法大多采用的是通过仿真计算出的电压暂降，跟电网实测数据仍有一定的差异，识别方法的准确性还有待进一步考证。

现有的电能质量监测系统普遍采用傅里叶变换对电压电流进行监测，因此采用傅里叶变换能够更便捷的应用于实际系统中。在分类问题中，支持向量机有着坚实的统计学理论基础，并在许多实际应用中展示了良好的实践效用，可以很好地应用于高维数据，避免了维灾难问题。支持向量机是基于结构风险最小化原则，泛化能力优于神经网络，算法具有全局最优性，是针对小样本统计的理论，解决了电压暂降已知数据缺乏的问题。

发明内容

为了克服上述现有技术的不足，本发明提供一种电压暂降原因的识别方法，该方法更为全面，对电压暂降的变化适应性更高且容易改进，并基于电网实测数据进行了验证，计算结果更具有工程实用性。

为了实现上述发明目的，本发明采取如下技术方案：

本发明提供一种电压暂降原因的识别方法，所述方法包括以下步骤：

步骤1：利用离散傅里叶变换计算频谱密度函数，并将时域的电压转换到频域上；

步骤2：计算与暂降原因识别有关的特征量；

步骤3：定义暂降相数N₁、是否有暂升swell及是否有暂降组合N₃；

步骤4：对电压暂降原因进行识别。

所述步骤1中，给定离散电压序列u(t_n)，t_n为第n个采样点在电压u下对应的采样时间，对u(t_n)进行离散傅里叶变换求出频谱密度函数U(f_n)，其表达式为：