技术领域
[0001] 本公开涉及配网故障识别技术领域，特别涉及一种基于密度峰值聚类的配网瞬时性故障识别方法及系统。
背景技术
[0002] 本部分的陈述仅仅是提供了与本公开相关的背景技术，并不必然构成
现有技术。
[0003] 配
电网中发生的故障分为两大类：永久性故障和瞬时性故障。永久性故障造成电网停电，然后进行检修才能恢复服务。瞬时性故障通常是由引发故障的暂态条件引起的，在短时间内出现。在这种情况下，自动重合闸之类的保护设备可以通过跳闸并进行一次或多次重合闸来清除瞬时性故障，瞬时性故障通常仅导致间歇性瞬时中断，而不会造成持续中断。
[0004] 本公开
发明人发现，瞬时性故障是潜在事故的初期征兆，如果不及时发现处理，
故障电流和重复故障的
电弧会对电气设备造成进一步的损坏，最终导致大规模灾难性的故障；动
植物接触、雷电、大
风、湿度等因素都会导致电网发生瞬时性的故障事件，这些情况很难用传统技术探测和
定位，电网公司对于这些瞬时性故障关注不够，尤其当两次事故之间的时间间隔比较长时，电网公司很难识别这多个中断间的相互关联关系。
发明内容
[0005] 为了解决现有技术的不足，本公开提供了一种基于密度峰值聚类的配网瞬时性故障识别方法及系统，不仅可以识别瞬时性故障，还可以判断重复发生的瞬时故障之间是否有关联并进行预警，防止异常事故的进一步发展，提高了供电
质量以及配网系统的安全性和
稳定性。
[0006] 为了实现上述目的，本公开采用如下技术方案：
[0007] 本公开第一方面提供了一种基于密度峰值聚类的配网瞬时性故障识别方法。
[0008] 一种基于密度峰值聚类的配网瞬时性故障识别方法，包括以下步骤：
[0009] 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；
[0010] 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；
[0011] 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；
[0012] 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。
[0013] 作为可能的一些实现方式，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。
[0014] 作为可能的一些实现方式，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。
[0015] 作为可能的一些实现方式，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。
[0016] 作为可能的一些实现方式，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。
[0017] 作为进一步的限定，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xa和xb之间的相似度，具体为：
[0018]
[0019] 作为可能的一些实现方式，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。
[0020] 本公开第二方面提供了一种基于密度峰值聚类的配网瞬时性故障识别系统。
[0021] 一种基于密度峰值聚类的配网瞬时性故障识别系统，包括：
[0022] 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；
[0023] 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；
[0024]
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；
[0025] 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。
[0026] 本公开第三方面提供了一种处理器，其上存储有控制程序，该程序被处理器执行时实现如本公开第一方面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。
[0027] 本公开第四方面提供了一种
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，所述处理器执行所述程序时实现如本公开第一方面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。
[0028] 与现有技术相比，本公开的有益效果是：
[0029] 1、本公开所述的内容不仅可以识别瞬时性故障，还可以判断重复发生的瞬时故障之间是否有关联并进行预警，防止异常事故的进一步发展，提高了供电质量以及配网系统的安全性和稳定性。
[0030] 2、本公开所述的基于密度峰值聚类的配网瞬时性故障识别方法能够自动识别瞬时性故障以及重复发生的瞬时中断故障，解决了电网公司对于瞬时性故障经验不足的难题。
[0031] 3、本公开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聚类进行初步筛选，循环故障聚类算法利用电力系统数据的三相特性，首先按故障类型进行过滤来减少用于集群的样本数量，而不会影响最终的集群；循环故障聚类轮询监视设备数据库以查找新的故障事件，然后，使用故障事件的故障类型和中断设备类型信息在数据库中使用匹配的故障类型和设备信息进行回顾，通过对这两个特征进行过滤可大大减少后续聚类的样本数量，降低了用于聚类的特征空间的维数。
[0032] 4、本公开所述的密度峰值聚类算法可以对任意形状的稠密数据进行聚类，不需要先验数据，可以对一个或多个样本大小进行聚类，而且不需要训练，极大的提高了聚类的快速性。
附图说明
[0033] 图1为本公开
实施例1提供的基于密度峰值聚类的配网瞬时性故障识别方法的流程示意图。
[0034] 图2为本公开实施例1提供的重复发生的瞬时性中断事件所记录的电流有效值。
具体实施方式
[0035] 应该指出，以下详细说明都是示例性的，旨在对本公开提供进一步的说明。除非另有指明，本文使用的所有技术和科学术语具有与本公开所属技术领域的普通技术人员通常理解的相同含义。
[0036] 需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本公开的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本
说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
[0037] 在不冲突的情况下，本公开中的实施例及实施例中的特征可以相互组合。
[0038] 实施例1：
[0039] 如图1所示，本公开实施例1提供了基于密度峰值聚类的配网瞬时性故障识别方法，配网
监控系统由大量高速、高保真波形监视设备组成，每个设备都配备了机载波形分析功能，并按每个
馈线安装在变电站中，并与集中的电网
服务器通信。
[0040] 基于模糊逻辑的分类架构包含了基于高级
信号处理、模式匹配和专家系统的波形分析算法，其中，波形分析算法无需人工输入即可识别正常和异常的电力系统事件。
[0041] 利用基于模糊逻辑的分类架构对配网异常数据进行特征提取，表1为提取特征的示例：
[0042] 表1：提取到的特征
[0043]
[0044] 由于故障类型和中断设备类型不能直接进行相似性度量计算，因此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聚类进行初步筛选。
[0045] 循环故障聚类算法利用电力系统数据的三相特性(通过首先按故障类型进行过滤)来减少用于集群的样本数量，而不会影响最终的集群，循环故障聚类轮询监视设备数据库以查找新的故障事件。
[0046] 然后，它使用故障事件的故障类型和中断设备类型信息在数据库中使用匹配的故障类型和设备信息进行回顾；通过对这两个特征进行过滤可大大减少后续聚类的样本数量，降低了用于聚类的特征空间的维数。
[0047] 如果循环故障聚类算法通过匹配故障类型和设备信息识别出至少一个以前发生过的故障事件，再使用凝聚层次聚类判断这个的故障事件是否是周期性故障群集的一部分；如果新的故障事件导致新的瞬时性故障群集，则将在配网瞬时性故障识别系统监视设备的数据库中更新群集信息以及可报告的功能。
[0048] 在识别瞬时性故障的情况下，聚类用于对发生在同一馈线上，具有相似特征并因此可能由相同
基础条件引起的故障事件分组。除密度峰值聚类算法外，大多数现有聚类方法均不适用于对复杂的瞬时性故障进行聚类。密度峰值聚类算法可以对任意形状的稠密数据进行聚类；密度峰值聚类算法不需要先验数据，因为可以对一个或多个样本大小进行聚类，而且密度峰值聚类算法不需要训练。
[0049] 聚类过程中进行相似性度量时要考虑以下三个因素：特征值跨越的范围广，特征值的不确定性以及从一组异类特征中计算单个相似性度量。因此选择欧氏距离来度量样本之间的相似性：
[0050]
[0051] 用于计算两个样本xa和xb之间的相似度。
[0052] 密度峰值聚类算法将比其邻居拥有更高密度且距离较远的数据点作为聚类中心点。设总共有N个数据点，记高维空间中第i个数据点与第j个数据点的欧式距离为dij，1≤i,j≤N。第i个数据点的局部密度ρi定义为： 截断距离dc定义为数据集{dij}的第2百分位数。密度峰值聚类算法与ρi的相对大小有关，因而dc的数值大小并无显著影响。第i个数据点的距离δi定义为其与所有密度更高的点的距离中的最小值，即，其中，密度最高点的距离定义为：
[0053] [ρi,δi]的散点图是密度峰值聚类算法的决策图，根据决策图可以
指定聚类中心点。选择阈值ρ和δ，则数据点拥有大于密度阈值ρ的ρi和距离阈值δ的δi都成为聚类中心。其中，ρ和δ取决于具体情况，是根据经验选择的。
[0054] 当特征a的相似性度量在阈值δ以下时，它将返回相似度值0，指示这些特征实际上是相同的。这样可以确保特征的微小变化不会影响聚类。当特征的相似性度量大于δ时，它将返回任意大的值，指示两个故障互不相同，不应将其聚集在一起。
[0055] 案例分析：
[0056] 在2018年8月16日凌晨，故障导致配电网瞬时性故障识别系统线路上的单相重合器瞬时跳闸/合闸操作。大约30分钟后，故障再次发生，并再次引起一次跳闸/合闸操作。8小时后，该故障第三次发生，再次导致一次跳闸/合闸操作。故障没有导致客户持续停电，没有客户打电话反映瞬时中断，也没有报警通知电网公司需要调查问题。图2记录了发生重复的瞬时性中断事件的电流有效值。
[0057] 故障发生时，基于模糊逻辑的分类架构检测到故障并提取了中断故障的特征，循环故障聚类确定了三个故障的发生时间、故障持续时间和重合闸时间。
[0058] 表2显示了利用公式 计算的三个故障的相似性度量结果。
[0059] 表3为周期瞬时性故障报告，包括主要的周期瞬时性故障项和详细描述各个故障的三个子项。
[0060] 最后确定反复出现故障的原因是一条长约150英里的农村线路的架空线上悬挂的树枝导致的。使用配电网瞬时性故障识别系统提供的报告，电网公司人员可以在收到任何客户投诉之前采取纠正措施，从而减少了瞬时中断、持续的停电以及对配网系统本身的损坏，防止事故进一步的发展。
[0061] 表2：相似性度量结果
[0062] dab 故障1 故障2 故障3故障1 0 0.0116 0.0087
故障2 0.0116 0 0.0028
故障3 0.0087 0.0028 0
[0063] 表3：周期的瞬时性故障报告示例
[0064]
[0065] 实施例2：
[0066] 本公开实施例2提供了一种基于密度峰值聚类的配网瞬时性故障识别系统，包括：
[0067] 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；
[0068] 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；
[0069] 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；
[0070] 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。
[0071] 实施例3：
[0072] 本公开实施例3提供了一种处理器，其上存储有控制程序，该程序被处理器执行时实现如本公开实施例1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。
[0073] 实施例4：
[0074] 本公开实施例4提供了一种电子设备，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，所述处理器执行所述程序时实现如本公开实施例1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。
[0075] 以上所述仅为本公开的优选实施例而已，并不用于限制本公开，对于本领域的技术人员来说，本公开可以有各种更改和变化。凡在本公开的精神和原则之内，所作的任何
修改、等同替换、改进等，均应包含在本公开的保护范围之内。
