基于空間相量模型的三相電壓暫降擾動(dòng)特征提取與分類

辛 峰，尤向陽(yáng)，葛笑寒，馬 寧

基于空間相量模型的三相電壓暫降擾動(dòng)特征提取與分類

辛 峰1，尤向陽(yáng)1，葛笑寒1，馬 寧2

(1.河南科技大學(xué)應(yīng)用工程學(xué)院，河南 三門(mén)峽 472000；2.華北電力大學(xué)，河北 保定 071003)

對(duì)暫降擾動(dòng)進(jìn)行精準(zhǔn)類型識(shí)別是電能質(zhì)量評(píng)估和治理的前提?，F(xiàn)有暫降特征提取多是對(duì)單一擾動(dòng)數(shù)據(jù)進(jìn)行識(shí)別分類，采用數(shù)學(xué)變換法進(jìn)行特征提取時(shí)數(shù)據(jù)維數(shù)高且計(jì)算量大。針對(duì)這些問(wèn)題，提出了一種基于三相電壓空間相量模型的多級(jí)暫降擾動(dòng)可視化特征提取及分類方法。首先，將三相電壓時(shí)域波形數(shù)據(jù)轉(zhuǎn)換為空間相量模型；其次，使用-mean算法，將電壓降落擾動(dòng)聚類成平面內(nèi)可視化的圓或橢圓；最后，利用邏輯回歸算法對(duì)每一個(gè)聚類的圓或橢圓進(jìn)行特征提取與分類。應(yīng)用所提方法分別進(jìn)行了單一擾動(dòng)和多級(jí)擾動(dòng)識(shí)別的仿真實(shí)驗(yàn)，結(jié)果表明，所提方法能有效識(shí)別A、Ca、Cb、Cc、Da、Db和Dc等七類電壓暫降擾動(dòng)。該方法降低了數(shù)據(jù)維度，減少了模型計(jì)算量，避免了對(duì)動(dòng)態(tài)過(guò)渡過(guò)程的檢測(cè)，降低了錯(cuò)誤識(shí)別的風(fēng)險(xiǎn)，為多級(jí)電壓暫降擾動(dòng)的識(shí)別與分類提供了一種有效的輔助手段。

空間相量模型；-mean聚類；邏輯回歸算法；電壓暫降

0 引言

近年來(lái)關(guān)于電能質(zhì)量擾動(dòng)分類與識(shí)別的研究眾多，其中包括電壓暫降擾動(dòng)的識(shí)別與分類[1]。電壓暫降擾動(dòng)為電力系統(tǒng)中多發(fā)的一種電能質(zhì)量擾動(dòng)現(xiàn)象，持續(xù)時(shí)間一般在半個(gè)工頻周期至1 min之內(nèi)[2]。其供電電壓降低到0.1倍額定電壓以下時(shí)即演變成為電壓短時(shí)中斷，屬于較為嚴(yán)重的電能質(zhì)量問(wèn)題，會(huì)對(duì)工業(yè)生產(chǎn)設(shè)備造成安全隱患，尤其對(duì)高精密的生產(chǎn)性企業(yè)危害最大，可能損壞敏感設(shè)備，引起生產(chǎn)工藝停產(chǎn)，導(dǎo)致未完成的產(chǎn)品報(bào)廢，增加重新啟動(dòng)成本[3]。隨著電力負(fù)荷類型多樣性的與日俱增，特別是現(xiàn)代工業(yè)各種精密儀器對(duì)供電質(zhì)量要求的不斷提高，電壓暫降擾動(dòng)問(wèn)題逐漸引起了研究人員的關(guān)注[4]。暫降擾動(dòng)可能由電網(wǎng)中的單相接地短路、輸配電線路中重合閘、大容量負(fù)載切換、二次回路控制失靈所引起。對(duì)暫降擾動(dòng)進(jìn)行精準(zhǔn)的類型識(shí)別是電能質(zhì)量評(píng)估和治理的前提。因此，加強(qiáng)暫降擾動(dòng)的分類與識(shí)別的研究對(duì)提升電能質(zhì)量具有重要意義。

電能質(zhì)量擾動(dòng)分類通常分為兩步：先是對(duì)擾動(dòng)信號(hào)進(jìn)行特征提取，獲得特征向量；然后依據(jù)特征向量采用一定的分類方法對(duì)擾動(dòng)信號(hào)進(jìn)行分類。常用的特征提取算法有Fourier變換[5]、Wavelet 小波變換[6]、S變換[7]、Hilbert-Huang變換[8]等。常見(jiàn)的分類識(shí)別方法有近鄰[9]、人工神經(jīng)網(wǎng)絡(luò)[10]、決策樹(shù)[11]、極限學(xué)習(xí)機(jī)[12]、支持向量機(jī)[13]等。文獻(xiàn)[14]提出了基于Wavelet小波變換和支持向量機(jī)的分類算法，利用小波變化提取特征并將支持向量機(jī)用于分類，該方法可有效地對(duì)不同電能質(zhì)量擾動(dòng)進(jìn)行分類。文獻(xiàn)[15]提出了一種基于Hilbert-Huang變換(HHT)的分類方法，利用 HHT 算法獲得的 Hilbert 譜來(lái)對(duì)擾動(dòng)進(jìn)行定位，但需要較復(fù)雜的運(yùn)算。文獻(xiàn)[16]采用S變換進(jìn)行特征提取，通過(guò) GAP-RBF 神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，該方法神經(jīng)元數(shù)量較少，運(yùn)算速度快，但識(shí)別率有待提高。文獻(xiàn)[17]利用小波變換在不同投影尺度上進(jìn)行特征提取，有效地抑制了特征噪聲，充分反映了電壓擾動(dòng)信號(hào)的精細(xì)特征，但是存在特征維度過(guò)大的問(wèn)題。文獻(xiàn)[18]提出了一種基于改進(jìn)形態(tài)濾波器和極限學(xué)習(xí)機(jī)的分類算法，與其他算法相比，該方法具有較高的分類準(zhǔn)確率且適用于單一電壓擾動(dòng)的實(shí)時(shí)檢測(cè)。文獻(xiàn)[19]采用壓縮感知稀疏向量進(jìn)行特征提取，結(jié)合神經(jīng)網(wǎng)絡(luò)進(jìn)行分類，該方法減少了所需處理的數(shù)據(jù)量，但抗噪性能不強(qiáng)。文獻(xiàn)[20]采用決策樹(shù)和支持向量機(jī)相結(jié)合的分類方法，簡(jiǎn)化了特征提取過(guò)程，但由于生長(zhǎng)出的決策樹(shù)都是嚴(yán)格不平衡二叉樹(shù)，分類效率不高。文獻(xiàn)[21]將三相電壓轉(zhuǎn)換成RGB三色圖，然后利用卷積神經(jīng)網(wǎng)絡(luò)進(jìn)行特征提取與分類，但將卷積神經(jīng)網(wǎng)絡(luò)提取的所有特征用于全連接層分類可能產(chǎn)生特征冗余，降低網(wǎng)絡(luò)泛化性能。文獻(xiàn)[22]提出了一種基于特征融合的一維卷積方法，但是對(duì)于電壓暫降和中斷的分類準(zhǔn)確率較低，并且存在網(wǎng)絡(luò)層次復(fù)雜的問(wèn)題。以上文獻(xiàn)在對(duì)電能質(zhì)量擾動(dòng)分類識(shí)別時(shí)，多是針對(duì)單一電壓擾動(dòng)開(kāi)展研究，而在實(shí)際供電系統(tǒng)中往往出現(xiàn)多級(jí)擾動(dòng)。

在三相供電系統(tǒng)中，就電壓短時(shí)降落來(lái)講，分為六種三相不平衡電壓降落(Ca、Cb、Cc、Da、Db和 Dc)以及一種三相平衡電壓降落(A)[23]。為了能夠快速有效地對(duì)以上7種電壓短時(shí)降落進(jìn)行識(shí)別。本文將三相電壓時(shí)域內(nèi)三個(gè)波形轉(zhuǎn)換成空間相量模型，使三相電壓時(shí)間域內(nèi)的波形特征轉(zhuǎn)換成復(fù)平面內(nèi)可視化的圖形特征。然后采用-均值算法進(jìn)行聚類，對(duì)得到的每一類再通過(guò)邏輯回歸方法獲得其最佳參數(shù)，根據(jù)此參數(shù)對(duì)三相電壓暫降擾動(dòng)類別進(jìn)行識(shí)別和區(qū)分。其分類算法架構(gòu)如圖1所示。

圖1 分類算法架構(gòu)圖

1 相關(guān)工作基礎(chǔ)

1.1 三相電壓暫降擾動(dòng)的基本類型

三相電壓暫降擾動(dòng)中A 型是平衡電壓下降，三相電壓的下降幅度相同。C型是不平衡電壓下降，其三相電壓中有兩相明顯下降，一相輕微或沒(méi)有下降。C型又細(xì)分為Ca、Cb、Cc，下標(biāo)表示電壓降落很小或沒(méi)有電壓降落的相位。 D型也是不平衡電壓下降，其三相電壓中有一相明顯下降，另兩相輕微或沒(méi)有下降，D型又細(xì)分為Da、Db、Dc，下標(biāo)表示電壓降落較大的相。

1.2 三相電壓的空間相量表示

三相電壓a、b和c的空間相量模型可通過(guò)式(1)獲得[24]。

圖2顯示了多級(jí)電壓暫降擾動(dòng)的三相電壓波形。圖中可見(jiàn)：前5個(gè)周期內(nèi)電壓正常；從6～17周期出現(xiàn)了三相不平衡的電壓下降擾動(dòng)；在18～20周期內(nèi)演變?yōu)槿嗥胶獾碾妷合陆禂_動(dòng)；經(jīng)過(guò)第21個(gè)周期的過(guò)渡之后，三相電壓恢復(fù)到正常狀態(tài)。

圖 3左側(cè)部分圖像顯示了該段多級(jí)電壓暫降擾動(dòng)波形對(duì)應(yīng)的有效值波形。圖3右側(cè)部分圖像為其空間相量模型，圖中可見(jiàn)三個(gè)圓形和一個(gè)橢圓，圓形對(duì)應(yīng)擾動(dòng)發(fā)生前后的正常電壓和擾動(dòng)期間的三相平衡電壓暫降；橢圓對(duì)應(yīng)其中的三相不平衡電壓暫降擾動(dòng)。

圖2 多級(jí)電壓暫降波形

圖3 有效值和空間相量模型

1.3 橢圓及其旋轉(zhuǎn)二次型

在相同平面直角坐標(biāo)系下，長(zhǎng)軸與軸方向一致的橢圓標(biāo)準(zhǔn)二次型方程如式(2)所示。

旋轉(zhuǎn)后的橢圓二次型方程如式(3)所示。

則旋轉(zhuǎn)后橢圓的二次型方程如式(5)所示。

因此，根據(jù)橢圓的一般二次型，可以按照以下三個(gè)步驟得到以長(zhǎng)短軸為坐標(biāo)系的橢圓標(biāo)準(zhǔn)形式。

(1) 確定橢圓的矩陣。

則坐標(biāo)系與長(zhǎng)軸方向?qū)R的橢圓標(biāo)準(zhǔn)形式如式(6)所示。

2 K-均值聚類算法

2.1 算法思想

-均值聚類算法是一種無(wú)監(jiān)督學(xué)習(xí)。無(wú)監(jiān)督學(xué)習(xí)所給的訓(xùn)練集不包含標(biāo)簽，所有數(shù)據(jù)集都只包含特征。-均值聚類算法以空間中個(gè)點(diǎn)為中心進(jìn)行聚類，對(duì)最靠近他們的對(duì)象歸類。通過(guò)迭代的方法，逐次更新各聚類中心的值，直至得到最好的聚類結(jié)果。-均值聚類算法描述如下：

(1) 適當(dāng)選擇個(gè)類的初始中心。

(2) 在第次迭代中，對(duì)任意一個(gè)樣本，求其到各中心的距離，將該樣本歸到距離最短的中心所在的類。

(3) 利用均值方法更新該類的中心值。

(4) 對(duì)于所有的個(gè)聚類中心，如果利用(2)和(3)的迭代法更新后，值保持不變，則迭代結(jié)束，否則繼續(xù)迭代。

2.2 算法流程

輸入：[]；

(3) 對(duì)于所有標(biāo)記為點(diǎn)，重新計(jì)算[]={所有標(biāo)記為的[]之和}。

(4) 重復(fù)(2)和(3)，直到所有[]值的變化小于給定閾值。

2.3 算法補(bǔ)充

-均值聚類是一種根據(jù)事物間的不同特征和相似性關(guān)系對(duì)它們進(jìn)行分類的一種數(shù)學(xué)方法。在所有的聚類算法中，基于代價(jià)函數(shù)最優(yōu)的硬聚類算法目前最為常用，而硬聚類算法中-均值聚類算法又是最常用和最著名的。多級(jí)電壓暫降擾動(dòng)的空間相量模型呈現(xiàn)為長(zhǎng)短半徑不等、旋轉(zhuǎn)角度不同的橢圓，因此可以嘗試將其應(yīng)用于電能質(zhì)量中的多級(jí)電壓暫降擾動(dòng)分類，這樣可以避免對(duì)動(dòng)態(tài)過(guò)渡過(guò)程的檢測(cè)。但基于空間相量模型的多級(jí)電壓暫降擾動(dòng)聚類使用如上所述的四步-均值聚類算法流程時(shí)，需進(jìn)行以下兩點(diǎn)補(bǔ)充：

(1) 參數(shù)的取值。通過(guò)對(duì)大量電壓暫降擾動(dòng)數(shù)據(jù)分析，發(fā)現(xiàn)三相電壓空間相量模型一般不超過(guò)五種集群，每種集群對(duì)應(yīng)一個(gè)電壓暫降擾動(dòng)。因此，設(shè)置參數(shù)= 5。

(2) 所有長(zhǎng)于一個(gè)半周期(10 ms)的聚類，都被認(rèn)為是發(fā)生了電壓暫降擾動(dòng)。

3 邏輯回歸

3.1 邏輯回歸分類的原理

邏輯回歸采用類似回歸的方法來(lái)解決因變量向量的分類問(wèn)題。其本質(zhì)是極大似然估計(jì)[25]。

定義包含個(gè)自變量的特征向量如式(7)所示。

3.2 特征提取與分類

一旦橢圓參數(shù)已知，即四元對(duì)稱矩陣確定，則可以得到三相電壓暫降擾動(dòng)的特征。如果矩陣對(duì)角化后對(duì)角線上元素相等或差值小于閾值(0.03)，則表示聚集數(shù)據(jù)點(diǎn)軌跡為一個(gè)圓。如果對(duì)角線上元素接近單位1，則聚類數(shù)據(jù)表示擾動(dòng)發(fā)生前后的正常電壓，否則聚類數(shù)據(jù)屬于三相平衡電壓下降(A型)，且圓半徑等于特征電壓。

3.3 算法流程

電壓暫降擾動(dòng)分類識(shí)別的算法流程分為五步。

第一步，數(shù)據(jù)準(zhǔn)備。

獲取三相電壓，計(jì)算其空間相量模型，得到樣本數(shù)據(jù)。

出了中文系灰乎乎的破樓，一只麻雀將屎拉在我頭上，路兩邊的法桐樹(shù)，遮住了陽(yáng)光，九月的天氣有些熱，有人把這種悶熱稱為秋老虎。校園里空氣像壞了的瓜瓤，稀爛，充滿腥甜氣息。在路旁一棵糠椴樹(shù)下，一個(gè)漂亮女孩站那兒，你猜是誰(shuí)？是付玉。她穿著紫羅蘭顏色的紅裙，像一只蝴蝶。這次見(jiàn)她，我被她迷倒了。心里亂跳著，不知道說(shuō)什么好。大老遠(yuǎn)的，她就對(duì)著我笑。我的頭發(fā)長(zhǎng)長(zhǎng)的，像只鳳頭雞。皮鞋沾滿一層灰土。一件T恤衫也臟兮兮的。見(jiàn)到她，我開(kāi)始慚愧自己的打扮。她挎著一個(gè)十分精致的小包，向我跑過(guò)來(lái)，并擁抱了我一下。

第二步，-均值聚類。

用-均值聚類算法將第一步的樣本集合劃分為個(gè)子集。

第三步，邏輯回歸。

對(duì)第二步得到的每一個(gè)樣本子集進(jìn)行如下計(jì)算：

(1) 將對(duì)應(yīng)的復(fù)數(shù)值分離成實(shí)部和虛部；

(4) 運(yùn)行邏輯回歸算法優(yōu)化模型參數(shù)；

第四步，橢圓特征提取。

第五步，擾動(dòng)類型識(shí)別。

4 仿真實(shí)驗(yàn)與測(cè)試結(jié)果

采用Matlab生成的單級(jí)三相電壓暫降擾動(dòng)波形，三相電壓暫降仿真數(shù)據(jù)樣本由式(12)生成。

4.1 單級(jí)電壓暫降擾動(dòng)實(shí)驗(yàn)

代表性選取19種三相電壓暫降擾動(dòng)樣本進(jìn)行數(shù)值計(jì)算[26]，結(jié)果如表1所示。

表1中第1列為19種擾動(dòng)樣本編號(hào)；第2到第4列列出了三相電壓峰值大?。坏?和第6列分別表示三相電壓空間矢量模型特征值(橢圓的短半軸和長(zhǎng)半軸大小)；第7列顯示橢圓的旋轉(zhuǎn)角度(長(zhǎng)軸的方向)。從表中可以看出同一類型的旋轉(zhuǎn)角度相同，但特征值可能不同。根據(jù)表1顯示的結(jié)果，平衡電壓暫降(A 型)的計(jì)算特征值為0.5。樣本2、8和 14分別對(duì)應(yīng)單相電壓暫降中的A、B、C相電壓降落。它們對(duì)應(yīng)的短半軸和長(zhǎng)半軸分別接近0.66和1，其相應(yīng)的旋轉(zhuǎn)角度分別為90o、30o和150o，分別屬于Da、Db和 Dc型電壓降落擾動(dòng)。

表1 單級(jí)電壓暫降擾動(dòng)仿真計(jì)算結(jié)果

4.2 多級(jí)電壓降落擾動(dòng)實(shí)驗(yàn)

將所提出的方法應(yīng)用于圖4和圖5所示的兩個(gè)三相電壓多級(jí)暫降的波形實(shí)例。通過(guò)-均值聚類方法，對(duì)這兩組三相電壓波形的空間相量模型進(jìn)行聚類，結(jié)果分別如圖6 和圖7所示集群。接下來(lái)使用邏輯回歸模型，提取對(duì)應(yīng)于每個(gè)集群的單段特征。

圖4的擾動(dòng)樣本具有三級(jí)電壓降落。擾動(dòng)發(fā)生前后的電壓波形幾乎完全相同，對(duì)應(yīng)于圖6中半徑為1的圓(S1)。三級(jí)電壓降落擾動(dòng)分別對(duì)應(yīng)圖6中兩個(gè)橢圓(S2，S3)和一個(gè)半徑小于1 的圓(S4)。橢圓形狀對(duì)應(yīng)于第二和第三階段電壓驟降。第二階段電壓降落對(duì)應(yīng)橢圓S2，其短半軸和長(zhǎng)半軸分別為0.68和1 ，該橢圓的旋轉(zhuǎn)角度為46o，因此屬于Cc類電壓暫降擾動(dòng)，意味著主電壓降在 A、B兩相。第三階段電壓暫降特征如圖8所示，該段電壓波形空間向量模型聚類結(jié)果為圖6中S3所示橢圓，其對(duì)應(yīng)的短半軸和長(zhǎng)半軸分別為0.36和0.99，旋轉(zhuǎn)角度為76o，該暫降擾動(dòng)類型為Da，表示其主電壓降在 A相中。S4為三相平衡電壓暫降，屬A 型擾動(dòng)。

圖4 多級(jí)電壓暫降實(shí)例1

圖5 多級(jí)電壓暫降實(shí)例2

圖6 多級(jí)電壓暫降實(shí)例1 K-mean聚類

圖5所示擾動(dòng)樣本具有兩級(jí)電壓降落。其相應(yīng)的電壓相量模型如圖7所示，圖7中有一個(gè)單位圓S1和兩個(gè)橢圓(S2和S3)。單位圓對(duì)應(yīng)擾動(dòng)發(fā)生前后的電壓波形。橢圓S2對(duì)應(yīng)一個(gè)不平衡的電壓降落擾動(dòng)，這一階段的短半軸和長(zhǎng)半軸分別為0.64和1，相應(yīng)橢圓的旋轉(zhuǎn)角度為46o，擾動(dòng)類別為Cc型。橢圓S2的短半軸和長(zhǎng)半軸分別是0.21和0.85，相應(yīng)橢圓的旋轉(zhuǎn)角度為72o，擾動(dòng)類型為 Da。

兩個(gè)例子各個(gè)階段的計(jì)算結(jié)果見(jiàn)表2。表2的第2列顯示了多級(jí)電壓擾動(dòng)不同階段；第3列到第5列分別用a、b和c表示，給出了三相電壓相量的峰值大??；第6列及第7列分別顯示計(jì)算出來(lái)的特征值；第8列為旋轉(zhuǎn)角；第9列為擾動(dòng)分類；第10列為擾動(dòng)持續(xù)的時(shí)間。

圖7 多級(jí)電壓暫降實(shí)例2 K-mean聚類

圖8 實(shí)例1中第三階段電壓暫降特征

表2 多級(jí)電壓暫降擾動(dòng)仿真計(jì)算結(jié)果

4.3 考慮負(fù)載效應(yīng)的對(duì)比實(shí)驗(yàn)

電壓驟降期間由于感應(yīng)電機(jī)負(fù)載電流的變化會(huì)導(dǎo)致三相電壓的幅值下降和相位移動(dòng)，通常采用對(duì)稱分量法計(jì)算電能三相不平衡度。將本文所提方法與對(duì)稱分量法進(jìn)行對(duì)比，假設(shè)所有三相到中性點(diǎn)電壓的負(fù)載效應(yīng)相同：幅度下降15%，旋轉(zhuǎn)-20o。各事件對(duì)應(yīng)復(fù)數(shù)相量到中性點(diǎn)的電壓如表3所示。兩種方法的比較結(jié)果如表4所示。可以看出兩種方法計(jì)算的長(zhǎng)短半軸特性非常接近。在2號(hào)事件計(jì)算的短半軸標(biāo)幺值分別為0.43和0.4，兩種方法判斷的結(jié)果都為Ca類型。在4號(hào)事件中，兩種方法計(jì)算的短半軸標(biāo)幺值分別為0.34和0.31，對(duì)稱分量法由于受負(fù)載效應(yīng)(相移)的影響將暫降類型誤判為Dc型，而本文所提出的算法正確地將暫降類型判斷為Ca型。比較結(jié)果表明對(duì)稱分量法對(duì)負(fù)載效應(yīng)(相移)較為敏感，對(duì)于伴隨著相位跳變的電壓暫降容易做出誤判，本文提出的方法通過(guò)空間矢量在復(fù)平面上的軌跡提取橢圓參數(shù)，計(jì)算出電壓相位角跳變值，能夠迅速判別出電壓暫降故障類型，對(duì)于負(fù)載效應(yīng)有較強(qiáng)的魯棒性。

表3 帶負(fù)載效應(yīng)的綜合暫降

表4 帶負(fù)載效應(yīng)電壓暫降擾動(dòng)仿真計(jì)算結(jié)果

5 結(jié)論

本文提出了一種基于三相電壓空間相量模型的可視化特征提取及分類方法。該方法為多級(jí)三相電壓暫降擾動(dòng)的識(shí)別與分類提供了一種客觀、有效的輔助手段。所做的主要工作和相關(guān)結(jié)論如下：

(1) 采用空間相量模型，將三相電壓時(shí)域波形數(shù)據(jù)轉(zhuǎn)換為復(fù)平面內(nèi)二維矩陣，在降低數(shù)據(jù)維度、減少模型計(jì)算量的同時(shí)，保留了三相電壓信號(hào)的時(shí)域特性和擾動(dòng)信息。

(2) 使用-均值算法，將電壓暫降擾動(dòng)聚類成平面內(nèi)可視化的圓或橢圓，在直觀識(shí)別電壓暫降擾動(dòng)的同時(shí)，避免了對(duì)動(dòng)態(tài)過(guò)渡過(guò)程的檢測(cè)，降低了錯(cuò)誤識(shí)別的風(fēng)險(xiǎn)，使得該方法特別適用于多級(jí)電壓暫降。

(3) 利用邏輯回歸算法對(duì)每一個(gè)聚類的圓或橢圓進(jìn)行特征提取與分類。分別進(jìn)行了單一擾動(dòng)和多級(jí)擾動(dòng)識(shí)別的仿真實(shí)驗(yàn)，實(shí)驗(yàn)結(jié)果表明，所提方法可以有效地對(duì)A、Ca、Cb、Cc、Da、Db、Dc等七種電壓暫降擾動(dòng)進(jìn)行識(shí)別。

[1] XU Y, WU Y, ZHANG M, et al.Sensitivity of programmable logic controllers to voltage sags[J].IEEE Transactions on Power Delivery, 2019, 34(1): 2-10.

[2] 張博, 唐鈺政, 代雙寅, 等.供用電雙方滿意的電壓暫降治理增值服務(wù)策略[J].中國(guó)電力, 2020, 53(11): 50-59.

ZHANG Bo, TANG Yuzheng, DAI Shuangyin, et al.Value-added service strategy of voltage sag governance for mutual satisfaction of power supply companies and power users[J].Electric Power, 2020, 53(11): 50-59.

[3] 胡長(zhǎng)青, 曹愛(ài)民, 黃研利, 等.基于實(shí)測(cè)數(shù)據(jù)的陜西電網(wǎng)電壓暫降特征分布分析[J].智慧電力, 2020, 48(9): 69-74.

HU Changqing, CAO Aimin, HUANG Yanli, et al.Analysis of voltage sag characteristic distribution in Shaanxi power grid based on measured data[J].Smart Power, 2020, 48(9): 69-74.

[4] 汪穎, 王歡, 王昕.一種基于改進(jìn)灰色關(guān)聯(lián)分析的電壓暫降源識(shí)別方法[J].電測(cè)與儀表, 2020, 57(15): 1-7.

WANG Ying, WANG Huan, WANG Xin.A method of voltage sag source identification based on improved grey relational analysis[J].Electrical Measurement & Instrumentation, 2020, 57(15): 1-7.

[5] 鄭煒, 林瑞全, 王俊, 等.基于 GAF 與卷積神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類[J].電力系統(tǒng)保護(hù)與控制, 2021, 49(11): 97-104.

ZHENG Wei, LIN Ruiquan, WANG Jun, et al.Power quality disturbance classification based on GAF and a convolutional neural network[J].Power System Protection and Control, 2021, 49(11): 97-104.

[6] 袁莉芬, 孫業(yè)勝, 何怡剛, 等.基于小波包優(yōu)選的模擬電路故障特征提取方法[J].電工技術(shù)學(xué)報(bào), 2018, 33(1): 158-165.

YUAN Lifen, SUN Yesheng, HE Yigang, et al.Fault feature extraction method for analog circuit based on preferred wavelet packet[J].Transactions of China Electrotechnical Society, 2018, 33(1): 158-165.

[7] 劉海濤, 葉筱怡, 呂干云, 等.基于最優(yōu)組合賦權(quán)改進(jìn)S變換的電壓暫降檢測(cè)方法[J].電測(cè)與儀表, 2020, 57(15): 47-52.

LIU Haitao, YE Xiaoyi, Lü Ganyun, et al.Modified S-transform of voltage sag detection method based on optimal combination weights[J].Electrical Measurement & Instrumentation, 2020, 57(15): 47-52.

[8] 曹玲芝, 劉俊飛, 鄭曉婉.基于EEMD的HHT在電能質(zhì)量多擾動(dòng)分類識(shí)別中的應(yīng)用[J].電氣技術(shù), 2017(4): 66-70.

CAO Lingzhi, LIU Junfei, ZHENG Xiaowan.Classification and recognition of power quality multi-disturbance based on EEMD-HHT[J].Electrical Engineering, 2017(4): 66-70.

[9] 郭建龍, 劉善偉.基于非同步dq坐標(biāo)變換的電壓暫降快速檢測(cè)方法[J].浙江電力, 2021(2): 28-32.

GUO Jianlong, LIU Shanwei.A fast voltage SAG detection method based on asynchronous dq coordinate transformation[J].Zhejiang Electric Power, 2021(2): 28-32.

[10] 田芳, 周孝信, 史東宇, 等.基于卷積神經(jīng)網(wǎng)絡(luò)的電力系統(tǒng)暫態(tài)穩(wěn)定預(yù)防控制方法[J].電力系統(tǒng)保護(hù)與控制, 2020, 48(18): 1-8.

TIAN Fang, ZHOU Xiaoxin, SHI Dongyu, et al.Power System transient stability prevention and control method based on convolutional neural network[J].Power System Protection and Control, 2020, 48(18): 1-8.

[11] ZHAO Wenjing, SHANG Liqun, SUN Jinfan.Power quality disturbance classification based on time-frequency domain multi-feature and decision tree[J].Protection and Control of Modern Power Systems, 2019, 4(4): 337-342.

[12] 靳果, 朱清智, 孟陽(yáng), 等.基于多層極限學(xué)習(xí)機(jī)的電能質(zhì)量擾動(dòng)多標(biāo)簽分類算法[J].電力系統(tǒng)保護(hù)與控制, 2020, 48(8): 96-105.

JIN Guo, ZHU Qingzhi, MENG Yang, et al.Power quality disturbances multi-label classification algorithm based on a multi-layer extreme learning machine[J].Power System Protection and Control, 2020, 48(8): 96-105.

[13] 馬嘉秀, 徐瑋濃, 何復(fù)興, 等.基于 WT 和 SVM 的電能質(zhì)量分類識(shí)別方法[J].智慧電力, 2019, 47(3): 16-22.

MA Jiaxiu, XU Weinong, HE Fuxing, et al.A novel power quality classification and identification method based on WT and SVM[J].Smart Power, 2019, 47(3): 16-22.

[14] KARTHIKEYAN M, MALATHI V.Wavelet-support vector machine approach for classification of power quality disturbances[J].International Journal of Recent Trends in Engineering, 2013, 1(3): 290-293.

[15] 田振果, 傅成華, 吳浩, 等.基于 HHT 的 PQD 定位與分類[J].電力系統(tǒng)保護(hù)與控制, 2015, 43(16): 36-42.

TIAN Zhenguo, FU Chenghua, WU Hao, et al.Power quality disturbance for location and classification based on HHT[J].Power System Protection and Control, 2015, 43(16): 36-42.

[16] 王慧慧, 王萍, 劉濤, 等.基于生長(zhǎng)-修剪優(yōu)化RBF 神經(jīng)網(wǎng)絡(luò)的電能質(zhì)量擾動(dòng)分類[J].電網(wǎng)技術(shù), 2018, 42(8): 2408-2415.

WANG Huihui, WANG Ping, LIU Tao, et al.Power quality disturbance classification based on growing and pruning optimal RBF neural network[J].Power System Technology, 2018, 42(8): 2408-2415.

[17] 潘從茂, 李鳳婷.基于小波變換的暫態(tài)電能質(zhì)量的檢測(cè)與識(shí)別[J].電測(cè)與儀表, 2013, 50(11): 69-72.

PAN Congmao, LI Fengting.The detection and identification of transient power quality based on wavelet transform[J].Electrical Measurement & Instrumentation, 2013, 50(11): 69-72.

[18] 陳曉靜, 李開(kāi)成, 肖劍, 等.一種實(shí)時(shí)電能質(zhì)量擾動(dòng)分類方法[J].電工技術(shù)學(xué)報(bào), 2017, 32(3): 45-55.

CHEN Xiaojing, LI Kaicheng, XIAO Jian, et al.A method of real-time power quality disturbance classification[J].Transactions of China Electrotechnical Society, 2017, 32(3): 45-55.

[19] 曹思揚(yáng), 戴朝華, 朱云芳, 等.一種新的電能質(zhì)量擾動(dòng)信號(hào)壓縮感知識(shí)別方法[J].電力系統(tǒng)保護(hù)與控制, 2017, 45(3): 7-12.

CAO Siyang, DAI Chaohua, ZHU Yunfang, et al.A novel compressed sensing-based recognition method for power quality disturbance signals[J].Power System Protection and Control, 2017, 45(3): 7-12.

[20] 陳華豐, 張葛祥.基于決策樹(shù)和支持向量機(jī)的 PQD 識(shí)別[J].電網(wǎng)技術(shù), 2013, 37(5): 1272-1278.

CHEN Huafeng, ZHANG Gexiang.Power quality disturbance identification using decision tree and support vector machine[J].Power System Technology, 2013, 37(5): 1272-1278.

[21] BALOUJI E, SALOR O.Classification of power quality events using deep learning on event images[C] // 3rd International Conference on Pattern Recognition and Image Analysis (IPRIA), April 19-20, 2017, Shahrekord, Iran: 216-221.

[22] 王維博, 張斌, 曾文入, 等.基于特征融合一維卷積神經(jīng)網(wǎng)絡(luò)的PQD分類[J].電力系統(tǒng)保護(hù)與控制, 2020, 48(6): 53-60.

WANG Weibo, ZHANG Bin, ZENG Wenru, et al.Power quality disturbance classification of one-dimensional convolutional neural network based on feature fusion[J].Power System Protection and Control, 2020, 48(6): 53-60.

[23] 劉佳翰.基于深度學(xué)習(xí)的電力信號(hào)分類算法研究[D].南昌: 南昌大學(xué), 2019.

LIU Jiahan.Research on power signal classification algorithms based on deep learning[D].Nanchang: Nanchang University, 2019.

[24] MAHELA O P, SHAIK A G, GUPTA N.A critical review of detection and classification of power quality events[J].Renewable & Sustainable Energy Reviews, 2015, 41: 495-505.

[25] 劉黎志, 鄧介一, 吳云韜.基于 HBase 的多分類邏輯回歸算法研究[J].計(jì)算機(jī)應(yīng)用研究, 2018, 35(10): 3007-3010.

LIU Lizhi, DENG Jieyi, WU Yuntao.Research on multi classification logistic regression based on HBase[J].Application Research of Computers, 2018, 35(10): 3007-3010.

[26] MENSOU S, ESSADKI A, NASSER T, et al.A direct power control of a DFIG based-WECS during symmetrical voltage dips[J].Protection and Control of Modern Power Systems, 2020, 5(1): 36-47.

Feature extraction and classification of three-phase voltage dips based on a space phasor model

XIN Feng1, YOU Xiangyang1, GE Xiaohan1, MA Ning2

(1.College of Applied Engineering, Henan University of Science and Technology, Sanmenxia 472000, China;2.North China Electric Power University, Baoding 071003, China)

Accurate classification identification of voltage dip disturbance is a prerequisite for power quality assessment and management.Most of the existing voltage dips' feature extraction consists of identifying and classifying single disturbance data.When using a mathematical transformation method for feature extraction, the data dimension is high and the amount of calculation is large.To solve these problems, a visual feature extraction and classification method based on a three-phase voltage space phasor model is proposed for multi-level voltage dips disturbance.First, the three-phase voltage waveform data are transformed into a spatial phasor model.Secondly, the voltage dip disturbances are clustered into visible circles or ellipses by using the-mean algorithm.Finally, a logical regression algorithm is used to extract and classify the features of each cluster circle or ellipse.The simulation experiments for single disturbance and multi-level disturbance are done using the proposed method.The results show that the proposed method can effectively identify seven kinds of voltage-drop disturbances, such as A, Ca, Cb, Cc, Da, Db, Dc, etc.This method not only reduces the data dimension and the calculation amount of the model, but also reduces the risk of misidentification by eliminating the detection of the dynamic transition process.Overall it provides an effective means for the identification of multi-level voltage dip disturbances.

space phasor model;-mean clustering; logistic regression algorithm; voltage dips

10.19783/j.cnki.pspc.211188

2021-08-30；

2021-10-27

辛 峰(1977—)，男，副教授，研究方向?yàn)榭刂评碚撆c控制工程；

尤向陽(yáng)(1980—)，男，教授，研究方向?yàn)殡娏﹄娮优c電力傳動(dòng)技術(shù)；E-mail: youxigyag@126.com

葛笑寒(1983—)，男，副教授，研究方向?yàn)殡娏﹄娮蛹夹g(shù)。

國(guó)家自然科學(xué)基金項(xiàng)目資助(71471060)；河南省科技攻關(guān)項(xiàng)目資助(202102210134)；河南省高校青年骨干教師培養(yǎng)計(jì)劃(2020GZGG076)

This work is supported by the National Natural Science Foundation of China (No.71471060).

(編輯 張愛(ài)琴)