本申請涉及電力系統(tǒng)故障檢測，尤其涉及一種配電網(wǎng)內(nèi)部過電壓類型識別方法及裝置。

背景技術(shù)：

1、當(dāng)輸電線路出現(xiàn)故障時，系統(tǒng)中的電壓或者電流信號會迅速發(fā)生顯著的突變，這種突變隨即產(chǎn)生出一系列復(fù)雜的暫態(tài)分量。不同類型的故障所引發(fā)的暫態(tài)分量在特征上存在著顯著的差異。基于這一特性，可以利用暫態(tài)分量的獨特表現(xiàn)來對配電網(wǎng)內(nèi)部可能發(fā)生的過電壓現(xiàn)象進行準確的識別。

2、對于電壓或者電流信號的處理，現(xiàn)有技術(shù)采用的是傅里葉變換。然而，傅里葉變換雖然能夠有效地提取信號在時域上的特征，卻存在明顯的局限性，無法進一步提取信號在頻域上的特征。這一缺陷在很大程度上限制了其在處理復(fù)雜信號時的應(yīng)用范圍和效果。

3、現(xiàn)有技術(shù)中，神經(jīng)網(wǎng)絡(luò)和支持向量機是兩種最為常用的構(gòu)建過電壓分類器的方法。其中，神經(jīng)網(wǎng)絡(luò)以其強大的學(xué)習(xí)能力和復(fù)雜的網(wǎng)絡(luò)結(jié)構(gòu)而著稱，但它在應(yīng)用過程中卻對訓(xùn)練樣本的數(shù)量提出了極高的要求。這意味著，如果想要通過神經(jīng)網(wǎng)絡(luò)構(gòu)建一個高效的過電壓識別系統(tǒng)，就需要投入大量的時間和資源去收集和處理足夠的訓(xùn)練樣本，使得過電壓識別的成本急劇增加，從而在一定程度上限制了其在實際應(yīng)用中的推廣和普及。支持向量機在訓(xùn)練樣本的需求上就顯得更為靈活和高效。然而，在訓(xùn)練過程中，支持向量機需要花費相對較長的時間來優(yōu)化模型參數(shù)，以確保分類器的準確性和穩(wěn)定性。這種時間上的消耗在一定程度上影響了過電壓識別的實時性，使得它在某些應(yīng)用場景中效果并不理想。

技術(shù)實現(xiàn)思路

1、針對現(xiàn)有技術(shù)中的問題，本申請實施例提供一種配電網(wǎng)內(nèi)部過電壓類型識別方法及裝置，能夠至少部分地解決現(xiàn)有技術(shù)中存在的問題。

2、第一方面，本申請?zhí)峁┮环N配電網(wǎng)內(nèi)部過電壓類型識別方法，包括：

3、獲取配電網(wǎng)的原始過電壓信號；

4、對所述原始過電壓信號進行信號分解及特征提取，得到所述原始過電壓信號的能量特征及頻譜特征；

5、通過迭代搜索對預(yù)先構(gòu)建的初始分類模型的參數(shù)進行優(yōu)化；

6、利用所述能量特征及頻譜特征訓(xùn)練參數(shù)優(yōu)化后的初始分類模型，得到過電壓類型識別模型，以對配電網(wǎng)內(nèi)部過電壓類型進行識別。

7、進一步地，所述對所述原始過電壓信號進行信號分解及特征提取，包括：

8、對所述原始過電壓信號進行加噪處理；

9、對加噪處理后的原始過電壓信號進行經(jīng)驗?zāi)B(tài)分解，得到本征模態(tài)函數(shù)；

10、根據(jù)所述本征模態(tài)函數(shù)計算能量特征及頻譜特征。

11、進一步地，所述通過迭代搜索對預(yù)先構(gòu)建的初始分類模型的參數(shù)進行優(yōu)化，包括：

12、隨機生成包含所述初始分類模型的參數(shù)組合的初始種群；

13、迭代執(zhí)行以下步驟直至達到預(yù)設(shè)的迭代次數(shù)或所述初始分類模型的預(yù)測誤差收斂：

14、基于當(dāng)前的種群對所述初始分類模型進行模型訓(xùn)練；

15、根據(jù)訓(xùn)練后的初始分類模型計算預(yù)測誤差；

16、對所述初始種群進行變異操作、交叉操作及選擇操作，得到更新種群。

17、進一步地，還包括：

18、從采集的配電網(wǎng)電壓信號中提取待識別的過電壓信號；

19、對所述過電壓信號進行特征提取，得到過電壓特征量；

20、將所述過電壓特征量輸入至所述過電壓類型識別模型中，得到所述過電壓信號的類型。

21、第二方面，本申請?zhí)峁┮环N配電網(wǎng)內(nèi)部過電壓類型識別裝置，包括：

22、信號獲取單元，用于獲取配電網(wǎng)的原始過電壓信號；

23、第一特征提取單元，用于對所述原始過電壓信號進行信號分解及特征提取，得到所述原始過電壓信號的能量特征及頻譜特征；

24、參數(shù)優(yōu)化單元，用于通過迭代搜索對預(yù)先構(gòu)建的初始分類模型的參數(shù)進行優(yōu)化；

25、模型生成單元，用于利用所述能量特征及頻譜特征訓(xùn)練參數(shù)優(yōu)化后的初始分類模型，得到過電壓類型識別模型，以對配電網(wǎng)內(nèi)部過電壓類型進行識別。

26、進一步地，所述第一特征提取單元包括：

27、加噪處理模塊，用于對所述原始過電壓信號進行加噪處理；

28、信號分解模塊，用于對加噪處理后的原始過電壓信號進行經(jīng)驗?zāi)B(tài)分解，得到本征模態(tài)函數(shù)；

29、特征生成模塊，用于根據(jù)所述本征模態(tài)函數(shù)計算能量特征及頻譜特征。

30、進一步地，所述參數(shù)優(yōu)化單元包括：

31、種群初始化模塊，用于隨機生成包含所述初始分類模型的參數(shù)組合的初始種群；

32、迭代操作模塊，用于迭代執(zhí)行以下步驟直至達到預(yù)設(shè)的迭代次數(shù)或所述初始分類模型的預(yù)測誤差收斂：

33、模型訓(xùn)練模塊，用于基于當(dāng)前的種群對所述初始分類模型進行模型訓(xùn)練；

34、預(yù)測誤差計算模塊，用于根據(jù)訓(xùn)練后的初始分類模型計算預(yù)測誤差；

35、種群更新模塊，用于對所述初始種群進行變異操作、交叉操作及選擇操作，得到更新種群。

36、進一步地，還包括：

37、信號提取單元，用于從采集的配電網(wǎng)電壓信號中提取待識別的過電壓信號；

38、第二特征提取單元，用于對所述過電壓信號進行特征提取，得到過電壓特征量；

39、信號識別單元，用于將所述過電壓特征量輸入至所述過電壓類型識別模型中，得到所述過電壓信號的類型。

40、第三方面，本申請?zhí)峁┮环N計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，所述處理器執(zhí)行所述計算機程序時實現(xiàn)上述任一實施例所述的方法。

41、第四方面，本申請?zhí)峁┮环N計算機可讀存儲介質(zhì)，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述任一實施例所述的方法。

42、第五方面，本申請?zhí)峁┮环N計算機程序產(chǎn)品，所述計算機程序產(chǎn)品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)上述任一實施例所述的方法。

43、本申請?zhí)峁┝艘环N配電網(wǎng)內(nèi)部過電壓類型識別方法及裝置，通過獲取配電網(wǎng)的原始過電壓信號；對所述原始過電壓信號進行信號分解及特征提取，得到所述原始過電壓信號的能量特征及頻譜特征；通過迭代搜索對預(yù)先構(gòu)建的初始分類模型的參數(shù)進行優(yōu)化；利用所述能量特征及頻譜特征訓(xùn)練參數(shù)優(yōu)化后的初始分類模型，得到過電壓類型識別模型，以對配電網(wǎng)內(nèi)部過電壓類型進行識別，實現(xiàn)了配電網(wǎng)故障內(nèi)部過電壓的識別，為配電網(wǎng)的安全運行提供有價值的參考信息。其中，通過迭代搜索對預(yù)先構(gòu)建的初始分類模型的參數(shù)進行優(yōu)化，能夠進一步改善過電壓的識別效果，提高過電壓識別的準確性和實時性；通過對所述原始過電壓信號進行信號分解及特征提取，能夠提高信號處理的分解效果，使信號處理具有更高的分辨率，提高所能呈現(xiàn)的細節(jié)水平和精確度；通過利用所述能量特征及頻譜特征訓(xùn)練參數(shù)優(yōu)化后的初始分類模型，得到過電壓類型識別模型，能夠提高過電壓信號的分類速度，得到更加準確的分類結(jié)果。

技術(shù)特征：

1.一種配電網(wǎng)內(nèi)部過電壓類型識別方法，其特征在于，包括：

2.根據(jù)權(quán)利要求1所述的配電網(wǎng)內(nèi)部過電壓類型識別方法，其特征在于，所述對所述原始過電壓信號進行信號分解及特征提取，包括：

3.根據(jù)權(quán)利要求1所述的配電網(wǎng)內(nèi)部過電壓類型識別方法，其特征在于，所述通過迭代搜索對預(yù)先構(gòu)建的初始分類模型的參數(shù)進行優(yōu)化，包括：

4.根據(jù)權(quán)利要求1所述的配電網(wǎng)內(nèi)部過電壓類型識別方法，其特征在于，還包括：

5.一種配電網(wǎng)內(nèi)部過電壓類型識別裝置，其特征在于，包括：

6.根據(jù)權(quán)利要求5所述的配電網(wǎng)內(nèi)部過電壓類型識別裝置，其特征在于，所述第一特征提取單元包括：

7.根據(jù)權(quán)利要求5所述的配電網(wǎng)內(nèi)部過電壓類型識別裝置，其特征在于，所述參數(shù)優(yōu)化單元包括：

8.根據(jù)權(quán)利要求5所述的配電網(wǎng)內(nèi)部過電壓類型識別裝置，其特征在于，還包括：

9.一種計算機設(shè)備，包括存儲器、處理器及存儲在存儲器上并可在處理器上運行的計算機程序，其特征在于，所述處理器執(zhí)行所述計算機程序時實現(xiàn)權(quán)利要求1至4任一項所述的方法。

10.一種計算機可讀存儲介質(zhì)，其特征在于，所述計算機可讀存儲介質(zhì)存儲有計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至4任一項所述的方法。

11.一種計算機程序產(chǎn)品，其特征在于，所述計算機程序產(chǎn)品包括計算機程序，所述計算機程序被處理器執(zhí)行時實現(xiàn)權(quán)利要求1至4任一項所述的方法。

技術(shù)總結(jié)
本申請?zhí)峁┝艘环N配電網(wǎng)內(nèi)部過電壓類型識別方法及裝置，該方法包括：獲取配電網(wǎng)的原始過電壓信號；對所述原始過電壓信號進行信號分解及特征提取，得到所述原始過電壓信號的能量特征及頻譜特征；通過迭代搜索對預(yù)先構(gòu)建的初始分類模型的參數(shù)進行優(yōu)化；利用所述能量特征及頻譜特征訓(xùn)練參數(shù)優(yōu)化后的初始分類模型，得到過電壓類型識別模型，以對配電網(wǎng)內(nèi)部過電壓類型進行識別。本申請?zhí)峁┑呐潆娋W(wǎng)內(nèi)部過電壓類型識別方法及裝置實現(xiàn)了配電網(wǎng)故障內(nèi)部過電壓的識別，為配電網(wǎng)的安全運行提供有價值的參考信息。

技術(shù)研發(fā)人員：趙志宇,劉思源,馬志昊,薄博,楊坡,余志森,蔣鑫,劉衛(wèi)林,馬原,徐廣達,劉佳林
受保護的技術(shù)使用者：國網(wǎng)冀北電力有限公司電力科學(xué)研究院
技術(shù)研發(fā)日：
技術(shù)公布日：2025/5/15