一种基于复杂事件处理的电能质量扰动事件分类监测方法

技术领域

本发明属于电能质量监测技术领域，尤其涉及一种基于复杂事件处理的电能质量扰动事件分类监测方法。

背景技术

随着科学技术的发展和电力市场的逐步形成，电能质量问题已成为电力系统各个部门十分关注和努力完善的重要指标。高质量的电能对于保证电网安全、经济运行，提高产品质量和保障居民正常生活有着重要意义。

近年来，工业技术飞速发展，电网的负荷结构发生了重大变化。一方面，随着电力电子技术的广泛应用，大量的非线性、冲击性和不平衡负荷涌入电力系统，导致电网电压波形发生畸变、系统频率波动、电压波动和闪变等电能污染，造成越来越严重的电能质量问题。另一方面，基于微电子器件的计算机、控制器等用电设备在电力负荷中占的比例大幅增加，这些高度自动化和智能化的电子设备对电能质量比较敏感，因此对电能质量提出了更高、更严格的要求。

目前，针对电能质量扰动分类问题，尤其是暂态电能质量问题，认识尚不够完整和深入。暂态电能质量问题，诸如瞬变震荡、过电压、中性点漂移等短时电能质量扰动，由于其给工业生产和敏感负荷造成的严重影响和干扰，已经成为电能质量问题的重要方面，引起了人们的普遍重视。暂态电能质量问题属于稳态电能质量问题的延伸，影响范围小，但后果却比较严重。因此，在对暂态电能质量问题进行考核和治理之前还有大量研究工作需要进行，其主要集中在以下几个方面：

(1)如何从海量电能质量数据中快速、准确地监测和辨识出电能质量扰动信号，为进一步分析其特性和确定其产生原因，以及采取电能质量控制措施进行治理提供依据。

(2)如何将先进计算机技术应用于电能质量问题分析，从而形成具有较高工程使用价值的分析方法。

电力系统中的数据正在以指数速度增长，因此如何快速有效的分析、加工、提炼数据，从海量的扰动数据中提取出扰动特性完成扰动信号的自动分类识别，对于评估电力系统电能质量显得尤为重要。

发明内容

本发明的目的在于，提供一种基于复杂事件处理的电能质量扰动事件分类监测方法，利用电能质量监测数据，在海量数据中发现电能质量存在的模式和趋势，从而对未来的电能质量发展情况做出合理的预测。

为了实现上述目的，本发明提出的技术方案是，一种基于复杂事件处理的电能质量扰动事件分类监测方法，其特征是所述方法包括：

步骤1：提取原始信号的特征值并对提取的特征值进行筛选；

步骤2：根据筛选后的特征值确定原子事件；

步骤3：采用原子事件的组合形式描述复杂事件；

步骤4：确定复杂事件模式；

步骤5：采用复杂事件处理引擎检测复杂事件模式，得到复杂事件模式对应的复杂事件；

步骤6：根据复杂事件与分类输出结果的映射关系，确定复杂事件的分类输出结果。

所述原始信号为录波数据。

所述特征值包括三相电压谐波畸变率最大值、三相电压谐波畸变率最大值与最小值的差值、三相不平衡度、三相电压有效值的偏差、三相电压的偏差、三相起始电压有效值和三相结束电压有效值。

所述根据筛选后的特征值确定原子事件是根据不同的特征值提取方法得到的筛选后的特征值确定相应的原子事件。

所述采用原子事件的组合形式描述复杂事件是将不同的原子事件进行组合，得到复杂事件。

本发明可以对电能质量扰动事件的类型进行有效的分类，更快速、准确地监测出电能质量扰动信号。

附图说明

图1是基于复杂事件处理的电能质量扰动事件分类监测方法流程图；

图2是基于快速傅里叶变换的扰动事件分类方法的流程图；

图3是原子事件描述复杂事件的流程图；

图4是根据分类输出结果确定复杂事件的流程图。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

图1是本发明提供的基于复杂事件处理的电能质量扰动事件分类监测方法流程图，本发明主要是对电能质量扰动事件的录波信号进行特征值提取，根据特征值的筛选规律，提取出规则，并由此定义扰动事件及其分类模式，然后采用复杂事件处理引擎进行查询，得出扰动事件的分类结果。该方法具有较强的可扩展性和适用性。下面以基于快速傅里叶变换的扰动分类方法为例介绍本发明的实现过程。其包括：

步骤1：提取原始信号的特征值并对提取的特征值进行筛选。

本实施例以录波数据作为原始信号，对其进行特征值提取，特征值的提取可采用多种方法，例如：S变换，小波变换，快速傅里叶变换等。本实施例对录波数据采用快速傅里叶变换提取其特征值。

从录波数据中提取的特征值包括：三相电压谐波畸变率最大值、三相电压谐波畸变率最大值与最小值的差值、三相不平衡度、三相电压有效值的偏差、三相电压的偏差、三相起始电压有效值和三相结束电压有效值。其中。有效值是指均方根(RMS，Root Mean Square)，是一组统计数据的平方和的平均值的平方根。

特征值筛选是通过对特征值的阈值分析，将特征值的阈值范围筛选出来，用于扰动事件的分类。

步骤2：根据筛选后的特征值确定原子事件。

对提取后的特征值进行筛选后，通过描述扰动事件的分类过程，确定原子事件，具体如图2所示。

特征值筛选结果(1)为：录波数据的采集周期大于等于8个周期，A、B和C相电压谐波畸变率最大值与最小值的差值中的最大值小于2％并且A、B和C相电压谐波畸变率最大值中的最大值大于4％。将特征值筛选结果(1)作为原子事件e1，当满足特征值筛选结果(1)时，原子事件e1发生，否则原子事件e1不发生。图2中，THD是三相电压谐波畸变率最大值，THDx是三相电压谐波畸变率的最大值与最小值的差值。

特征值筛选结果(2)为：三相电压有效值的偏差的最大值小于10％且大于-10％。将特征值筛选结果(2)作为原子事件e2，当满足特征值筛选结果(2)时，原子事件e2发生，否则原子事件e2不发生。

特征值筛选结果(3)为：三相不平衡度的最大值大于4％且三相电压谐波畸变率最大值中的最大值大于4％。当满足特征值筛选结果(3)时，原子事件e3发生，否则原子事件e3不发生。

特征值筛选结果(4)为：三相电压有效值的偏差都大于-3％且小于7％。当满足特征值筛选结果(4)时，原子事件e4发生，否则原子事件e4不发生。

特征值筛选结果(5)为：三相起始电压有效值都大于等于0.9且小于等于1.1。当满足特征值筛选结果(5)时，原子事件e5发生，否则原子事件e5不发生。图2中，Urms(1)为三相起始电压的有效值。

特征值筛选结果(6)为：三相结束电压有效值都大于等于0.9且小于等于1.1。当满足特征值筛选结果(6)时，原子事件e6发生，否则原子事件e6不发生。图2中，Urms(last)为三相结束电压的有效值。

特征值筛选结果(7)为：三相电压中至少一相电压的偏差的最小值小于-90％。当满足特征值筛选结果(7)时，原子事件e7发生，否则原子事件e7不发生。如果三相电压中某相电压的偏差的最小值小于-90％，则对该相变压标上第一标记。比如，如果A相电压的偏差的最小值小于-90％，则将A相电压标上第一标记，如图2中的outa＝5。再比如，A相和B相电压的偏差的最小值都小于-90％，则将A相电压和B相电压都标上第一标记，如图2中的outa＝5和outb＝5。

特征值筛选结果(8)为：三相电压中至少一相电压的偏差的最小值大于-90％。当满足特征值筛选结果(8)时，原子事件e8发生，否则原子事件e8不发生。如果三相电压中某相电压的偏差的最小值大于-90％，则对该相电压标上第二标记。比如，如果A相电压的偏差的最小值大于-90％，则将A相电压标上第二标记，如图2中的outa＝4。再比如，A相和B相电压的偏差的最小值都大于-90％，则将A相电压和B相电压都标上第二标记，如图2中的outa＝4和outb＝4。

特征值筛选结果(9)为：三相电压中至少一相电压的偏差的最大值大于+10％。当满足特征值筛选结果(9)时，原子事件e9发生，否则原子事件e9不发生。如果三相电压中某相电压的偏差的最大值大于+10％，则对该相电压标上第三标记。比如，如果A相电压的偏差的最大值大于+10％，则将A相电压标上第三标记，如图2中的outa＝3。再比如，A相和B相电压的偏差的最大值大于+10％，则将A相电压和B相电压都标上第三标记，如图2中的outa＝3和outb＝3。

特征值筛选结果(10)为：三相电压的偏差的最小值都大于-90％。当满足特征值筛选结果(10)时，原子事件e10发生，否则原子事件e10不发生。由于三相电压的偏差的最小值都大于-90％，实质上是A相、B相和C相电压的偏差的最小值都大于-90％，此时A相电压、B相电压和C相电压都标上了第二标记，因此特征值筛选结果(10)也可以表示为：A相电压、B相电压和C相电压都标上了第二标记。

特征值筛选结果(11)为：三相电压的偏差的最大值都大于+10％。当满足特征值筛选结果(11)时，原子事件e11发生，否则原子事件e11不发生。由于三相电压的偏差的最大值都大于+10％，实质上是A相、B相和C相电压的偏差的最大值都大于+10％，此时A相电压、B相电压和C相电压都标上了第三标记，因此特征值筛选结果(11)也可以表示为：A相电压、B相电压和C相电压都标上了第三标记。

特征值筛选结果(12)为：三相电压中至少一相电压的偏差的最小值小于-90％。当满足特征值筛选结果(12)时，原子事件e12发生，否则原子事件e12不发生。由于三相电压中至少一相电压的偏差的最小值小于-90％，实质上是A相、B相和C相电压中至少一相电压的偏差的最小值小于-90％，此时A相电压、B相电压和C相电压中至少一相电压标上了第一标记，因此特征值筛选结果(12)也可以表示为：A相电压、B相电压和C相电压中至少一相电压标上了第一标记。

步骤3：采用原子事件的组合形式描述复杂事件。

如果原子事件e1发生，则复杂事件为波形畸变E1，可表示为E1＝e1。

如果原子事件e1不发生、原子事件e2发生且原子事件e3不发生，则复杂事件为瞬变振荡E2，可表示为

如果原子事件e1不发生、原子事件e2发生、原子事件e3发生且原子事件e4不发生，则复杂事件为电压有效值暂态越限，可表示为

如果原子事件e1不发生、原子事件e2发生、原子事件e3发生且原子事件e4发生，则复杂事件为电能质量正常E4，可表示为

如果原子事件e1不发生、原子事件e2不发生且原子事件e5不发生，则复杂事件为起始电压有效值异常E5，可表示为

如果原子事件e1不发生、原子事件e2不发生、原子事件e5发生且原子事件e6不发生，则复杂事件为结束电压有效值未恢复E6，可表示为

如果原子事件e1不发生、原子事件e2不发生、原子事件e5发生、原子事件e6发生且原子事件e10发生，则复杂事件为短时电压中断E10，可表示为$>E10=\overline{e1}·\overline{e2}·e5·e6·e10.$>

如果原子事件e1不发生、原子事件e2不发生、原子事件e5发生、原子事件e6发生、原子事件e10不发生且原子事件e11发生，则复杂事件为暂时过电压E11，可表示为$>E11=\overline{e1}·\overline{e2}·e5·e6·\overline{e10}·e11.$>

如果原子事件e1不发生、原子事件e2不发生、原子事件e5发生、原子事件e6发生、原子事件e10不发生、原子事件e11不发生且原子事件e12发生，则复杂事件为电压暂降E12，可表示为$>E12=\overline{e1}·\overline{e2}·e5·e6·\overline{e10}·\overline{e11}·e12.$>

如果原子事件e1不发生、原子事件e2不发生、原子事件e5发生、原子事件e6发生、原子事件e10不发生、原子事件e11不发生且原子事件e12不发生，则复杂事件为其他事件E13，可表示为$>E13=\overline{e1}·\overline{e2}·e5·e6·\overline{e10}·\overline{e11}·\overline{e12}.$>

步骤4：确定复杂事件模式。

确定复杂事件模式，是为了便于复杂事件处理引擎检测复杂事件。本实施例采用基于逻辑的语言描述原子事件，得到事件模式。基于逻辑的语言具体为EPL(Event Processing Language)。根据步骤3得到的复杂事件，可以写出如下EPL事件模式表达式：

String expression1＝"Select item From pattern[every item＝e1]"。

String expression2＝"Select item1,item2,item3 From pattern[every(not item1＝e1 and item2＝e2 and not item3＝e3)]"。

String expression3＝"Select item1,item2,item3,item4 Frompattern[every(not item1＝e1 and item2＝e2 and item3＝e3 and item4＝e4)]"。

String expression4＝"Select item1,item2,item3,item4 Frompattern[every(not item1＝e1 and item2＝e2 and item3＝e3 and notitem4＝e4)]"。

上面仅给出4个实施例，其他复杂事件的描述与此类似。

步骤5：采用复杂事件处理引擎检测复杂事件模式，得到复杂事件模式对应的复杂事件。

复杂事件处理(CEP)引擎是能够进行复杂事件处理的系统，接收大量的来自不同事件源事件，根据指定的数据模型将这些事件转化成系统内部可以处理的形式，对这些新来的事件进行过滤、结合、聚集等操作，生成复杂事件，最后通知上层应用相应的复杂事件是否发生。

复杂事件处理引擎就是基于事件流进行数据处理，把要分析的数据抽象成事件，然后将数据发送到CEP引擎，引擎就会根据事件的输入和最初注册的处理模型，得到事件处理结果。

CEP里面有类似SQL语句，可以理解为处理模型的定义与描述。这是运行在CEP引擎中的特殊语句。引擎根据事件的输入和最初注册的处理模型，得到事件处理结果。

步骤6：根据复杂事件与分类输出结果的映射关系，确定复杂事件的分类输出结果。

通过上述处理，得到的分类输出结果为复杂事件的标识，如E1、E2等。通过步骤3确定的复杂事件与分类输出结果的映射关系，可以根据分类输出结果，得到复杂事件。

本发明可以对电能质量扰动事件的类型进行有效的分类，更快速、准确地监测出电能质量扰动信号。同时，本发明还结合了复杂事件处理技术，采用并行的判断方法，大大节省了分类判断的时间，尤其是对于海量的监测数据更能体现出其快速的特点。另外，本发明还具有较强的可扩展性。对于有新的扰动类型加入的暂态电能质量问题，可以在程序运行的同时，动态加载新的扰动分类模式，因此，具有较强的可扩展性和较强的适用性，可适用于多种扰动分类算法。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。