本發(fā)明涉及電網(wǎng)故障技術(shù)領(lǐng)域，特別是一種電網(wǎng)故障類型確定方法及裝置。

背景技術(shù)：

電力系統(tǒng)中各種電壓的變電所及輸配電線路組成的整體，稱為電網(wǎng)。它包含變電、輸電、配電三個單元。電網(wǎng)的任務(wù)是輸送與分配電能，改變電壓。電網(wǎng)故障診斷是對各級各類保護(hù)裝置、斷路器的動作信息以及電壓電流等電氣量的測量信息進(jìn)行分析,根據(jù)保護(hù)動作的邏輯和運(yùn)行人員的經(jīng)驗來推斷可能的故障位置和故障類型，為調(diào)度員的決策提供相關(guān)的判據(jù)。當(dāng)電網(wǎng)發(fā)生故障時，準(zhǔn)確、快速、自動的故障診斷對迅速恢復(fù)電網(wǎng)供電具有重要意義。

根據(jù)分析所使用的數(shù)據(jù)類型、診斷方法的不同，電網(wǎng)故障診斷的發(fā)展可以分為四個階段。

在第一階段，由于測量手段有限，可以獲取的數(shù)據(jù)類型和數(shù)量非常少，這個階段的故障診斷主要依靠人工實現(xiàn)。基于經(jīng)驗的故障診斷可靠性很低，同時，效率也很低，故障定位要占到整個故障處理時間的三分之一以上。

第二階段主要依靠數(shù)據(jù)采集與監(jiān)視控制系統(tǒng)(scada，supervisorycontrolanddataacquisition)，采集的數(shù)據(jù)類型主要是保護(hù)裝置和斷路器的動作信息。這一階段的故障診斷主要是依靠故障后電力系統(tǒng)的一系列事件數(shù)據(jù)。使用的方法主要是專家系統(tǒng)，即通過建立故障信息知識庫，通過邏輯約束產(chǎn)生事件信息和故障之間的對應(yīng)關(guān)系。專家系統(tǒng)方法的優(yōu)點(diǎn)是電網(wǎng)中保護(hù)動作和故障之間的關(guān)系可以用直觀的、模塊化的規(guī)則表達(dá)出來，解釋能力強(qiáng)。缺點(diǎn)是電網(wǎng)規(guī)模比較大時，構(gòu)建和更新知識庫難；主動學(xué)習(xí)能力差。在第二階段中，基本已經(jīng)實現(xiàn)了有效的故障診斷，但是由于不采集暫態(tài)波形信息，無法完成對故障信息的直接分析。

在第三階段中，由于故障信息系統(tǒng)的使用，克服了這個問題。通過采集故障時暫態(tài)錄波信息，加強(qiáng)了對故障信息的直接分析。在第四階段，廣域信息系統(tǒng)(wams,wideareameasurementsystem)信息系統(tǒng)兼具了scada系統(tǒng)和故障錄波系統(tǒng)的功能。其前置pmu單元可以高頻率的采集電網(wǎng)電流、電壓信息，同時計算出功角、有功、無功等信息。wams最大的特點(diǎn)是通過全球定位系統(tǒng)(gps)校對，可以保證各個監(jiān)測點(diǎn)數(shù)據(jù)的同步性。由于wams的使用大大豐富了可供使用的數(shù)據(jù)類型和數(shù)量，傳統(tǒng)基于邏輯推理方法的實施難度很大，因此一批基于機(jī)器學(xué)習(xí)的方法得到廣泛應(yīng)用，主要包括人工神經(jīng)網(wǎng)絡(luò)、支持向量機(jī)、petri網(wǎng)、貝葉斯網(wǎng)絡(luò)、粗糙集等方法。

未來隨著由傳統(tǒng)電網(wǎng)向能源互聯(lián)網(wǎng)發(fā)展，網(wǎng)絡(luò)的拓?fù)浣Y(jié)構(gòu)越來越復(fù)雜，傳感器數(shù)量的越來越多，可供分析和挖掘的數(shù)據(jù)量和數(shù)據(jù)類型也越來越多。隨著數(shù)據(jù)量的增大，數(shù)據(jù)中所蘊(yùn)含的信息量也更大，但是其中冗余的信息也成倍增加，對于大數(shù)據(jù)的故障診斷所耗費(fèi)的時間和精力也成倍增加。

因此，傳統(tǒng)的技術(shù)方案對基于大數(shù)據(jù)的故障診斷分析存在效率低的缺陷。

技術(shù)實現(xiàn)要素：

針對現(xiàn)有技術(shù)的缺陷，本發(fā)明提供一種電網(wǎng)故障類型確定方法方法及裝置。

第一方面，本發(fā)明提供一種電網(wǎng)故障類型確定方法，包括：

獲取預(yù)設(shè)時間段內(nèi)的電網(wǎng)數(shù)據(jù)；

基于第一空間分布確定規(guī)則，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布；

基于所述目標(biāo)空間分布以及預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的電網(wǎng)故障類型。

第二方面，本發(fā)明還提供一種電網(wǎng)故障類型確定裝置，包括：

獲取單元，用于獲取預(yù)設(shè)時間段內(nèi)的電網(wǎng)數(shù)據(jù)；

第一確定單元，用于基于第一空間分布確定規(guī)則，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布；

第二確定單元，用于基于所述目標(biāo)空間分布以及預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的電網(wǎng)故障類型。

由上述技術(shù)方案可知，本發(fā)明提供的一種電網(wǎng)故障類型確定方法及裝置，所述方法通過確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布，并基于預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，能夠快速實現(xiàn)電網(wǎng)故障類型確定。

附圖說明

圖1為本發(fā)明實施例一提供的一種電網(wǎng)故障類型確定方法的流程示意圖；

圖2為本發(fā)明實施例二提供的一種電網(wǎng)故障類型確定方法的部分流程示意圖；

圖3為本發(fā)明實施例三提供的一種電網(wǎng)故障類型確定方法的部分流程示意圖；

圖4為本發(fā)明實施例四提供的一種電網(wǎng)故障類型確定裝置的結(jié)構(gòu)示意圖。

具體實施方式

為使本發(fā)明實施例的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合本發(fā)明實施例中的附圖，對本發(fā)明實施例中的技術(shù)方案進(jìn)行清楚地描述，顯然，所描述的實施例是本發(fā)明一部分實施例，而不是全部的實施例。

能源互聯(lián)網(wǎng)可理解是綜合運(yùn)用先進(jìn)的電力電子技術(shù),信息技術(shù)和智能管理技術(shù),將大量由分布式能量采集裝置,分布式能量儲存裝置和各種類型負(fù)載構(gòu)成的新型電力網(wǎng)絡(luò)、石油網(wǎng)絡(luò)、天然氣網(wǎng)絡(luò)等能源節(jié)點(diǎn)互聯(lián)起來,以實現(xiàn)能量雙向流動的能量對等交換與共享網(wǎng)絡(luò)。

能源互聯(lián)網(wǎng)可包括廣域信息系統(tǒng)wams，wams可采集電網(wǎng)中的電網(wǎng)數(shù)據(jù)，本發(fā)明提供的一種電網(wǎng)故障類型確定方法可針對采集的電網(wǎng)數(shù)據(jù)進(jìn)行故障類型確定。

本實施例中，故障類型可以是短路和斷路故障。短路故障可以包括三相短路、兩相短路、單項接地短路、兩相接地短路；斷路故障包括單項斷路、兩相斷路和三相斷路等。

隨著能源互聯(lián)網(wǎng)發(fā)展，采集的數(shù)據(jù)量的增大，數(shù)據(jù)結(jié)構(gòu)也更加復(fù)雜，通常電網(wǎng)數(shù)據(jù)是較為復(fù)雜的高維數(shù)據(jù)。

流形學(xué)習(xí)(manifoldlearning)是從高維采樣數(shù)據(jù)中恢復(fù)低維流形結(jié)構(gòu)，即找到高維空間中的低維流形，并求出相應(yīng)的嵌入映射，以實現(xiàn)維數(shù)約簡或者數(shù)據(jù)可視化。它是從觀測到的現(xiàn)象中去尋找事物的本質(zhì)，找到產(chǎn)生數(shù)據(jù)的內(nèi)在規(guī)律。

具體地，流形學(xué)習(xí)是在高維空間中，找到其對應(yīng)的低維流形嵌入，使得高維空間中數(shù)據(jù)點(diǎn)彼此之間的近鄰關(guān)系得以保持，是一種非線性的降維方法。將原始特征空間的全局非線性看作局部線性，使得降維過程中不改變其拓?fù)浣Y(jié)構(gòu)和固有流形，因此也是一種特征提取方法。

圖1示出了本發(fā)明實施例一提供的一種電網(wǎng)故障類型確定方法的流程示意圖。

參照圖1，本發(fā)明實施例一具體包括以下步驟：

101、獲取預(yù)設(shè)時間段內(nèi)的電網(wǎng)數(shù)據(jù)；

在本步驟中，可從電網(wǎng)系統(tǒng)中的監(jiān)控系統(tǒng)，如廣域信息系統(tǒng)wams采集電網(wǎng)數(shù)據(jù)。所述預(yù)設(shè)時間段可為10s，可根據(jù)實際情況進(jìn)行調(diào)整。

其中，所述電網(wǎng)數(shù)據(jù)可為以下至少一者：電壓、電流、有功功率、無功功率。

舉例來說，所述電網(wǎng)數(shù)據(jù)可為電壓、電流、有功功率、無功功率及其衍生量，且采集得到的電網(wǎng)數(shù)據(jù)可以是高維矩陣，也就是說，所述電網(wǎng)數(shù)據(jù)可為電壓、電流、有功功率、無功功率四個數(shù)據(jù)的高維矩陣。

102、基于第一空間分布確定規(guī)則，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布；

在本步驟中，可采用流形學(xué)習(xí)方法，實現(xiàn)數(shù)據(jù)可視化，也即，基于第一空間分布確定規(guī)則，對所述電網(wǎng)數(shù)據(jù)進(jìn)行數(shù)據(jù)可視化，得到確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布。

其中，基于第一空間分布確定規(guī)則，也可實現(xiàn)維數(shù)約簡，也即，將高維矩陣降維為低維矩陣。

舉例來說，所述第一空間分布確定規(guī)則可為非線性降維算法。

具體地，非線性降維算法是流形學(xué)習(xí)方法的一種，包括保留局部特征算法及保留全局特征算法。其中，保留局部特征算法包括lle(locallylinearembedding，局部線性嵌入算法)等。lle算法是在保持原始數(shù)據(jù)性質(zhì)不變的情況下，將高維空間的數(shù)據(jù)映射到低維空間上，即特征值的二次提取。不僅可使降維后的數(shù)據(jù)保持原有拓?fù)浣Y(jié)構(gòu)，而且算法操作相對簡單。

103、基于所述目標(biāo)空間分布以及預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的電網(wǎng)故障類型。

在本步驟中，獲取預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，將所述目標(biāo)空間分布與所述對應(yīng)關(guān)系進(jìn)行比對，以確定所述目標(biāo)空間分布所對應(yīng)的電網(wǎng)故障類型，從而實現(xiàn)確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的電網(wǎng)故障類型。

其中，所述電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系可通過機(jī)器學(xué)習(xí)(machinelearning,ml)原理預(yù)先對所述電網(wǎng)數(shù)據(jù)進(jìn)行電網(wǎng)故障類型學(xué)習(xí)得到。

本實施例一提供的一種電網(wǎng)故障類型確定方法，至少具有以下技術(shù)效果：

通過確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布，并基于預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，能夠快速實現(xiàn)電網(wǎng)故障類型確定。

圖2示出了本發(fā)明實施例二提供的一種電網(wǎng)故障類型確定方法的部分流程示意圖。

參照圖2，本發(fā)明實施例二提供的一種電網(wǎng)故障類型確定方法，在所述步驟103之前，還包括確定所述電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系的步驟，具體包括：

201、獲取電網(wǎng)訓(xùn)練數(shù)據(jù)，所述電網(wǎng)訓(xùn)練數(shù)據(jù)攜帶電網(wǎng)故障類型；

在本步驟之前，自wams采集數(shù)據(jù)，對所述數(shù)據(jù)進(jìn)行預(yù)處理、分析，依據(jù)現(xiàn)有技術(shù)中的故障診斷手段，加上技術(shù)人員的經(jīng)驗判斷，得到所述數(shù)據(jù)的電網(wǎng)故障類型，并對所述數(shù)據(jù)進(jìn)行人為的標(biāo)記動作。由此可獲得攜帶電網(wǎng)故障類型的所述電網(wǎng)訓(xùn)練數(shù)據(jù)。

在本步驟中，使用機(jī)器學(xué)習(xí)之前，需要對機(jī)器進(jìn)行學(xué)習(xí)訓(xùn)練，為機(jī)器提供學(xué)習(xí)的訓(xùn)練樣本。

202、基于第一空間分布確定規(guī)則，確定所述電網(wǎng)訓(xùn)練數(shù)據(jù)對應(yīng)的空間分布；

在本步驟中，可基于第一空間分布確定規(guī)則，對所述電網(wǎng)訓(xùn)練數(shù)據(jù)進(jìn)行數(shù)據(jù)可視化，得到確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布。

可選地，所述第一空間分布確定規(guī)則可為非線性降維算法。

203、對所述電網(wǎng)訓(xùn)練數(shù)據(jù)進(jìn)行訓(xùn)練，確定所述電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系。

在本步驟中，利用所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布與電網(wǎng)故障類型建立映射函數(shù)，訓(xùn)練的結(jié)果可得到所述電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系。

其中，所述電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系可以是一種電網(wǎng)故障類型對應(yīng)一種空間分布。

在上述實施例的基礎(chǔ)上，可將各實施例的內(nèi)容做自由組合。

本實施例二提供的一種電網(wǎng)故障類型確定方法，至少具有以下技術(shù)效果：

通過為機(jī)器學(xué)習(xí)提供所述電網(wǎng)訓(xùn)練數(shù)據(jù)，能夠確定電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，從而為電網(wǎng)故障診斷提供基礎(chǔ)。

圖3示出了本發(fā)明實施例三提供的一種電網(wǎng)故障類型確定方法的部分流程示意圖。

參照圖3，本發(fā)明實施例三提供的一種電網(wǎng)故障類型確定方法，所述步驟202具體包括：

2021、基于第二空間分布確定規(guī)則，確定所述電網(wǎng)訓(xùn)練數(shù)據(jù)的近鄰數(shù)和維數(shù)，所述近鄰數(shù)為距離預(yù)設(shè)參考點(diǎn)最近鄰的所述電網(wǎng)訓(xùn)練數(shù)據(jù)的個數(shù)；

在本步驟中，可通過第二空間分布確定規(guī)則，以需要確定的兩個參數(shù)近鄰數(shù)k和維數(shù)d。

所述近鄰數(shù)k為距離預(yù)設(shè)參考點(diǎn)最近鄰的所述電網(wǎng)訓(xùn)練數(shù)據(jù)的個數(shù)，個數(shù)可預(yù)先給定。

所述維數(shù)d為所述電網(wǎng)訓(xùn)練數(shù)據(jù)的內(nèi)嵌維度。

其中，所述第二空間分布確定規(guī)則可為線性降維算法，將所述電網(wǎng)訓(xùn)練數(shù)據(jù)映射到空間上，進(jìn)行空間分布集中分析。

可選地，所述線性降維算法可為fisher準(zhǔn)則(fisherlineardiscriminant，fld)，也稱線性判別式分析(lineardiscriminantanalysis，簡稱lda)。

fisher準(zhǔn)則的基本思想是將高維的樣本投影到最佳鑒別矢量空間，以達(dá)到抽取分類信息和壓縮特征空間維數(shù)的效果，投影后保證模式樣本在新的子空間有最大的類間距離和最小的類內(nèi)距離，即模式在該空間中有最佳的可分離性。因此，它是一種有效的特征抽取方法。使用這種方法能夠使投影后樣本的類間散布矩陣最大，并且同時類內(nèi)散布矩陣最小，即模式在該空間中有最佳的可分離性。

具體地，所述步驟2021包括圖未示出的步驟a1-a3:

a1、確定近鄰數(shù)和維數(shù)的取值范圍；

a2、基于第二空間分布確定規(guī)則，針對所述電網(wǎng)訓(xùn)練數(shù)據(jù)的空間分布，遍歷所述近鄰數(shù)和維數(shù)的取值范圍；

在本步驟中，將所述近鄰數(shù)和維數(shù)分別代入所述電網(wǎng)訓(xùn)練數(shù)據(jù)的空間分布，可得到對應(yīng)所述近鄰數(shù)和維數(shù)的空間分布。

a3、將所述電網(wǎng)訓(xùn)練數(shù)據(jù)的空間分布最集中時對應(yīng)的近鄰數(shù)和維數(shù)，確定為所述電網(wǎng)訓(xùn)練數(shù)據(jù)的近鄰數(shù)和維數(shù)。

在本步驟中，分析各個近鄰數(shù)和維數(shù)的空間分布，選擇所述電網(wǎng)訓(xùn)練數(shù)據(jù)在空間分布最集中的空間分布，獲得空間分布最集中時所對應(yīng)的近鄰數(shù)和維數(shù)，由此可確定為所述電網(wǎng)訓(xùn)練數(shù)據(jù)的近鄰數(shù)和維數(shù)。

也即，通過fisher準(zhǔn)則，對所述近鄰數(shù)和維數(shù)進(jìn)行優(yōu)化，將不同近鄰數(shù)和維數(shù)所對應(yīng)的所述電網(wǎng)訓(xùn)練數(shù)據(jù)的空間分布分開，獲得最優(yōu)近鄰數(shù)和維數(shù)。

2022、基于第一空間分布確定規(guī)則，根據(jù)所述近鄰數(shù)和維數(shù)，確定所述電網(wǎng)訓(xùn)練數(shù)據(jù)對應(yīng)的空間分布。

相應(yīng)地，可基于lle算法，根據(jù)獲得的最優(yōu)所述近鄰數(shù)和維數(shù)，確定所述電網(wǎng)訓(xùn)練數(shù)據(jù)對應(yīng)的空間分布。

在上述實施例的基礎(chǔ)上，可將各實施例的內(nèi)容做自由組合。

本實施例三提供的一種電網(wǎng)故障類型確定方法，至少具有以下技術(shù)效果：

通過第二空間分布確定規(guī)則，確定第一空間分布確定規(guī)則所需的參數(shù)，由此確定所述電網(wǎng)訓(xùn)練數(shù)據(jù)對應(yīng)的空間分布，從而可確定電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系。

為了更清楚的描述實施例，以下具體描述上述實施例。

所述步驟202，利用lle算法對所述電網(wǎng)訓(xùn)練數(shù)據(jù)進(jìn)行降維，具體步驟如下s1-s3：

應(yīng)當(dāng)說明的是，所述電網(wǎng)訓(xùn)練數(shù)據(jù)簡稱樣本，映射至空間上成為樣本點(diǎn)。

步驟s1、計算出每個樣本的k個近鄰點(diǎn)。把相對于所求樣本點(diǎn)距離最近的k個樣本點(diǎn)規(guī)定為所求樣本點(diǎn)的近鄰點(diǎn)，k是一個預(yù)先給定值。

可選地，可根據(jù)預(yù)設(shè)距離算法，獲得所述樣本的近鄰點(diǎn)。本實施例中，由于針對多個樣本點(diǎn)，可采用的是歐氏距離作為距離算法，可減輕計算的復(fù)雜程度，可以理解的是，也可采用其他現(xiàn)有距離算法。

步驟s2、計算出樣本點(diǎn)的局部重建權(quán)值矩陣w。

首先，可根據(jù)以下公式一定義重構(gòu)誤差：

式中，ε為任取變量，w是為局部重建權(quán)值矩陣，x表示一個特定的點(diǎn)，i取值從1到n，n為樣本個數(shù)，j取值1到k，k為近鄰點(diǎn)個數(shù)。

其次，可根據(jù)以下公式二定義協(xié)方差矩陣c：

式中，x的k個緊鄰點(diǎn)用η表示。

于是，可根據(jù)以下公式三定義目標(biāo)函數(shù)：

式中，∑jwj＝1

再次，可根據(jù)以下公式四得到局部重建權(quán)值矩陣w：

其中，對協(xié)方差c采用拉格朗日乘子法。

步驟s3、將所有的樣本點(diǎn)映射到低維空間中。

映射條件滿足以下公式五：

式中，ф(y)為損失函數(shù)值，是的輸出向量。

進(jìn)一步地，公式五可轉(zhuǎn)化為以下公式六：

式中，m是一個nxn的對稱矩陣，m＝(i-w)^t(i-w)，i是kxk的單位矩陣。

可得到公式七：

公式七：my＝λy

其中，λ表示映射關(guān)系，要使損失函數(shù)值達(dá)到最小,標(biāo)準(zhǔn)的特征分解問題，即取y為m的最小的m個非零特征值所對應(yīng)的特征向量。在處理過程中，將m的特征值從小到大排列，第一個特征值幾乎接近于零，那么舍去第一個特征值。通常取第2到m+1間的特征值所對應(yīng)的特征向量組成列向量，作為輸出結(jié)果，即一個nxm的數(shù)據(jù)表達(dá)矩陣y。

相應(yīng)地，所述步驟102，可基于lle算法，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布。

所述步驟2021，利用fisher準(zhǔn)則確定lle算法的兩個核心參數(shù)：近鄰數(shù)k和內(nèi)嵌維度d，具體步驟如下s4-s8：

步驟s4、根據(jù)經(jīng)驗，選擇k和d的取值范圍.

舉例來說，近鄰數(shù)k的取值范圍可以是5-10個，維數(shù)d可以是3-5維，當(dāng)然可根據(jù)實際情況調(diào)整。

步驟s5、在k和d的參數(shù)范圍中，分別選擇一個，組成參數(shù)組合，帶入到步驟二中利用lle算法進(jìn)行降維，得到降維后的數(shù)據(jù)集y。

舉例來說，近鄰數(shù)k可包括6個取值，維度d可包括3個取值，自取值范圍分別選擇一個，由此可組成18個參數(shù)的組合。

步驟s6、利用降維后的數(shù)據(jù)，可根據(jù)以下計算步驟評價指標(biāo)fisher準(zhǔn)則。

首先，假設(shè)降維后的數(shù)據(jù)為y＝{y1，y2，…yn)

其中，y是一個n×m的矩陣，n是樣本個數(shù)，d是內(nèi)嵌維度

其次，可通過公式八得到均值向量c。

式中，s表示s個不同類別的故障，分別為φ1，φ2，…，φs在每一個類別中，均值向量通過公式八計算。

再次，根據(jù)均值向量，計算類內(nèi)離散度矩陣，可通過公式九定義所有類別的類內(nèi)離散度矩陣si。

然后，根據(jù)類內(nèi)離散度矩陣，可通過公式十計算總類內(nèi)離散度矩陣，混合類內(nèi)離散度矩陣即為所有類內(nèi)離散度矩陣的求和。

公式十：sw＝s1+s2+…ss

此外，可通過公式十一計算類間離散度矩陣sb。

最后，fisher準(zhǔn)則判別式可通過公式十二計算：

步驟s7、選擇另一組參數(shù)組合，重復(fù)步驟s5和步驟s6中，得到所有參數(shù)組合的f，也即，遍歷所有k和d的參數(shù)組合，得到所有參數(shù)組合的判別式的值。

s8、判別式的分子為類間間距，分母為類內(nèi)間距，類間間距越大，類內(nèi)間距越小，判別式f的值越大。選擇最大的f所對應(yīng)的參數(shù)組合k和d，在這組參數(shù)下，在新的降維空間中，類內(nèi)間距最小，類間間距最大。

所述步驟103、對新樣本，即未知故障類型的樣本進(jìn)行故障診斷

當(dāng)有未知類型的樣本時，利用步驟2021中確定的參數(shù)，通過lle算法進(jìn)行降維。通過其在降維后空間中的分布，確定其故障類型。

在上述實施例的基礎(chǔ)上，可將各實施例的內(nèi)容做自由組合。

本實施例三提供的一種電網(wǎng)故障類型確定方法，至少具有以下技術(shù)效果：

通過fisher準(zhǔn)則，確定lle算法所需的參數(shù)，由此確定所述電網(wǎng)訓(xùn)練數(shù)據(jù)對應(yīng)的空間分布，從而可確定電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，在當(dāng)有未知類型的電網(wǎng)數(shù)據(jù)時，可直接通過所述對應(yīng)關(guān)系，得到電網(wǎng)數(shù)據(jù)的故障類型。

圖4示出了為本發(fā)明實施例四提供的一種電網(wǎng)故障類型確定裝置的結(jié)構(gòu)示意圖

參照圖4，本發(fā)明實施例四提供的一種電網(wǎng)故障類型確定裝置，包括：獲取單元41、第一確定單元42和第二確定單元43。

其中，獲取單元42，用于獲取預(yù)設(shè)時間段內(nèi)的電網(wǎng)數(shù)據(jù)；

第一確定單元42，用于基于第一空間分布確定規(guī)則，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布；

第二確定單元43，用于基于所述目標(biāo)空間分布以及預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的電網(wǎng)故障類型。

可選地，所述獲取單元42廣域信息系統(tǒng)wams采集電網(wǎng)數(shù)據(jù)，例如為電壓、電流、有功功率、無功功率及其衍生量，且采集得到的電網(wǎng)數(shù)據(jù)可以是高維矩陣。

可選地，所述第一確定單元42可采用流形學(xué)習(xí)方法，基于第一空間分布確定規(guī)則，對所述電網(wǎng)數(shù)據(jù)進(jìn)行數(shù)據(jù)可視化，得到確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布。

可選地，所述第二確定單元43可獲取預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，將所述目標(biāo)空間分布與所述對應(yīng)關(guān)系進(jìn)行比對，以確定所述目標(biāo)空間分布所對應(yīng)的電網(wǎng)故障類型，從而實現(xiàn)確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的電網(wǎng)故障類型。

其中，所述電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系可通過機(jī)器學(xué)習(xí)原理預(yù)先對所述電網(wǎng)數(shù)據(jù)進(jìn)行電網(wǎng)故障類型學(xué)習(xí)得到。

本實施例四提供的一種電網(wǎng)故障類型確定方法，至少具有以下技術(shù)效果：

通過所述第一確定單元42確定所述電網(wǎng)數(shù)據(jù)對應(yīng)的目標(biāo)空間分布，并基于預(yù)先確定的電網(wǎng)故障類型與空間分布的對應(yīng)關(guān)系，所述第二確定單元43能夠快速實現(xiàn)電網(wǎng)故障類型確定。

本實施例四還用以執(zhí)行上述方法實施例，具體不再詳述。

由以上各實施例可知，本發(fā)明提供的一種電網(wǎng)故障類型確定方法及裝置，根據(jù)降維后的數(shù)據(jù)在低維空間中的分布來判斷故障的類型。所述方法包括訓(xùn)練部分和預(yù)測部分，訓(xùn)練部分通過歷史數(shù)據(jù)進(jìn)行機(jī)器學(xué)習(xí)，依據(jù)fisher準(zhǔn)則確定其中的關(guān)鍵參數(shù)：近鄰數(shù)k和內(nèi)嵌維度d。使得在低維空間中，最大化類間距離，最小化類內(nèi)距離。分類器訓(xùn)練完成后，對新增的未知類別數(shù)據(jù)利用lle算法進(jìn)行降維，然后根據(jù)其在空間中所處的位置判斷故障類型。

本發(fā)明使用流形學(xué)習(xí)中的lle算法應(yīng)用于能源互聯(lián)網(wǎng)故障診斷，核心思想是使用lle算法降維后，相同故障類型的數(shù)據(jù)會相對聚集。

本發(fā)明提供的一種電網(wǎng)故障類型確定方法及裝置，至少具有以下技術(shù)效果：面對高維度大數(shù)據(jù)量樣本，計算速度快，比較適合在線系統(tǒng)。

本領(lǐng)域的技術(shù)人員能夠理解，盡管在此所述的一些實施例包括其它實施例中所包括的某些特征而不是其它特征，但是不同實施例的特征的組合意味著處于本發(fā)明的范圍之內(nèi)并且形成不同的實施例。

本領(lǐng)域技術(shù)人員可以理解，實施例中的各步驟可以以硬件實現(xiàn)，或者以在一個或者多個處理器上運(yùn)行的軟件模塊實現(xiàn)，或者以它們的組合實現(xiàn)。本領(lǐng)域的技術(shù)人員應(yīng)當(dāng)理解，可以在實踐中使用微處理器或者數(shù)字信號處理器(dsp)來實現(xiàn)根據(jù)本發(fā)明實施例的一些或者全部部件的一些或者全部功能。本發(fā)明還可以實現(xiàn)為用于執(zhí)行這里所描述的方法的一部分或者全部的設(shè)備或者裝置程序(例如，計算機(jī)程序和計算機(jī)程序產(chǎn)品)。

雖然結(jié)合附圖描述了本發(fā)明的實施方式，但是本領(lǐng)域技術(shù)人員可以在不脫離本發(fā)明的精神和范圍的情況下做出各種修改和變型，這樣的修改和變型均落入由所附權(quán)利要求所限定的范圍之內(nèi)。