[发明专利]基于密度峰值聚类的配网瞬时性故障识别方法及系统

权利要求书

1.一种基于密度峰值聚类的配网瞬时性故障识别方法，其特征在于，包括以下步骤：

对获取的配网异常数据利用基于模糊逻辑的分类架构进行特征提取；

利用循环故障聚类算法按故障类型和中断设备类型在历史数据库中进行初步筛选，识别出至少一个以前发生过的瞬时故障事件；

利用基于密度峰值的聚类方法对初步筛选后的集群按提取的特征进行聚类，判断这个瞬时故障事件是否是周期性故障集群的一部分；

如果新的故障事件导致新的瞬时性故障集群，则在监视设备的数据库中更新集群信息，并将更新后的集群信息发送给远程控制终端，轮询远程控制终端数据库，当有可报告的周期性事件时，生成报警文档。

2.如权利要求1所述的基于密度峰值聚类的配网瞬时性故障识别方法，其特征在于，基于模糊逻辑的分类架构包括基于高级信号处理、模式匹配和专家系统的波形分析算法，所述波形分析算法用于识别正常和异常的电力系统事件。

3.如权利要求1所述的基于密度峰值聚类的配网瞬时性故障识别方法，其特征在于，提取的特征包括相别、接地、故障电流大小、故障持续时间、中断设备类型、重合间隔、记录故障的时间和时间戳。

4.如权利要求1所述的基于密度峰值聚类的配网瞬时性故障识别方法，其特征在于，所述循环故障聚类算法为轮询数据库，用于初步判断故障是新发生的故障还是重复发生的瞬时性故障。

5.如权利要求1所述的基于密度峰值聚类的配网瞬时性故障识别方法，其特征在于，基于密度峰值的聚类算法采用欧氏距离进行相似性度量，通过与预设的距离阈值的对比，当相似性度量小于预设的距离阈值时，指示故障之间的相似度高，能够进行聚类；否则，故障之间不相同，无法进行聚类。

6.如权利要求5所述的基于密度峰值聚类的配网瞬时性故障识别方法，其特征在于，选择欧氏距离来度量样本之间的相似性，用于计算两个样本x_a和x_b之间的相似度，具体为：

7.如权利要求1所述的基于密度峰值聚类的配网瞬时性故障识别方法，其特征在于，所述循环故障聚类算法利用电力系统数据的三相特性，按故障类型进行过滤，监视设备数据库以查找新的故障事件，使用故障事件的故障类型和中断设备类型信息在设备数据库中使用匹配的故障类型和设备信息进行回顾。

8.一种基于密度峰值聚类的配网瞬时性故障识别系统，其特征在于，包括：

特征提取模块，被配置为：对获取的配网异常数据利用基于模糊逻辑的分类架构进行特征提取；

初步筛选模块，被配置为：利用循环故障聚类算法按故障类型和中断设备类型在历史数据库中进行初步筛选，识别出至少一个以前发生过的瞬时故障事件；

聚类分析模块，被配置为：利用基于密度峰值的聚类方法对初步筛选后的集群按提取的特征进行聚类，判断这个瞬时故障事件是否是周期性故障集群的一部分；

如果新的故障事件导致新的瞬时性故障集群，则在监视设备的数据库中更新集群信息，并将更新后的集群信息发送给远程控制终端，轮询远程控制终端数据库，当有可报告的周期性事件时，生成报警文档。

9.一种处理器，其上存储有控制程序，其特征在于，该程序被处理器执行时实现如权利要求1-7任一项所述的基于密度峰值聚类的配网瞬时性故障识别方法中的步骤。

10.一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如权利要求1-7任一项所述的基于密度峰值聚类的配网瞬时性故障识别方法中的步骤。