(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111642448.X (22)申请日 2021.12.3 0 (71)申请人 国网江苏省电力有限公司宿迁供电 分公司 地址 223800 江苏省 宿迁市宿城区发展大 道2481号 (72)发明人 王秀茹　胡安平　邱冬　黄昊　 许磊　赵航宇　刘刚　庞吉年　 曹远志　 (74)专利代理 机构 南京品智知识产权代理事务 所(普通合伙) 32310 代理人 杨陈庆 (51)Int.Cl. G06K 9/62(2022.01) (54)发明名称 一种基于Adaboo st-BP的电压暂降类 型辨识 方法 (57)摘要 本发明涉及一种基于Adaboost ‑BP的电压暂 降类型辨识方法， 属于电能质量检测领域。 依次 包括电压暂降域的计算， 暂降事件电压RMS波形 特征提取， 及基于Adaboost ‑BP的电压暂降类型 辨识算法； 首先计算三相电压 数据的RMS波形， 然 后通过基于小波变换模极大值的暂降域确定方 法， 确定电压暂降事件的暂降域。 接着根据电压 暂降域的计算方法， 计算暂降最严重相在暂降域 内的特征值， 以四个特征值组成暂降波形的特征 向量。 将训练样本的特征向量输入到Adaboost ‑ BP分类模型中对模型进行训练， 训练完成后再将 测试样本的特征向量输入到训练好的Adaboost ‑ BP分类模型中进行测试。 权利要求书1页 说明书6页 附图5页 CN 114254712 A 2022.03.29 CN 114254712 A 1.一种基于Adaboost ‑BP的电压暂降类型辨识方法， 其特征在于： 依次包括电压暂降域 的计算， 暂降事 件电压RMS波形 特征提取， 及基于Adabo ost‑BP的电压暂降类型辨识算法； 电压暂降域的计算为： 首先计算三相电压数据的RMS波形， 然后通过基于小波变换模极 大值的暂降域确定方法， 确定电压暂降事 件的暂降域； 暂降事件电压RMS波形特征提取为： 根据电压暂降域的计算方法， 计算暂降最严重相在 暂降域内的特 征值， 以四个特 征值组成暂降波形的特 征向量； 基于Adaboost ‑BP的电压暂降类型辨识算法为： 将训练样本的特征向量输入到 Adaboost ‑BP分类模型中对模型进行训练， 训练完成后再将测试样本的特征向量输入到训 练好的Adaboost ‑BP分类模型中进行测试； 通过Adaboost ‑BP分类模型得到的暂降类型初步 分类结果， 在结合测试样本的暂降相数， 确定样本的最终暂降类型。 2.根据权利要求1所述的一种基于Adaboost ‑BP的电压暂降类型辨识方法， 其特征在 于： 其中在电压暂降域的计算上， 针对小波变换模极大值， 尽可能的把暂降事件的特征保 留； 在三相电压数据的RMS波 形特征值的计算上， 引入非矩形系数、 恢复点处小波极大值、 最 低幅值频度这四个特征量， 准确的区分短路暂降、 变压器投切暂降和电机起动暂降； 同时结 合BP神经网络和Adaboost算法来提高分类模 型的性能， 使电压暂降辨识模 型在训练样 本类 型不平衡及噪声较多的情况 下， 仍然保持90%以上的准确率。 3.根据权利要求1所述的一种基于Adaboost ‑BP的电压暂降类型辨识方法， 其特征在 于： 暂降事件电压RMS波 形特征提取方法为： 通过小波分析算法对所上传的电压暂降数据进 行计算， 以小波变换模极大值的绝对值来确定暂降域； 暂降域的起始点选取第一个大于阈 值的点； 再从起始 点后一个周波的数据点开始， 检测第二个大于阈值的点； 以第二检测点后 一个周波的数据点作为暂降域的结束点， 以尽量完整的截取暂降域。 4.根据权利要求1所述的一种基于Adaboost ‑BP的电压暂降类型辨识方法， 其特征在 于： 基于Adaboost ‑BP的电压暂降类型辨识算法为： 使用的Adab oost‑BP分类模型对单一弱 分类器进 行了增强， 利用改变弱分类器权重分配的方式提高了 分类效果较好的弱分类器对 最终分类结果的贡献， 其分类准确 率相比单一的弱 分类器有明显的提高； 在实测数据及训 练样本暂降类型分布严重不平衡的情况下， 对于每种暂降类型的辨识正确率仍然达到90% 以上。权　利　要　求　书 1/1 页 2 CN 114254712 A 2一种基于Adabo ost‑BP的电压暂降类型辨识 方法 技术领域 [0001]本发明涉及一种基于Adaboost ‑BP的电压暂降类型辨识方法， 属于电能质量检测 领域。 背景技术 [0002]随着现代电力工业的快速发展和系统中用电负荷结构的重大变化， 工厂和办公自 动化对电子设备 的依赖性快速增长。 对于电能质量要求较高的、 具有敏感负荷的工业电力 用户来说， 区域配电网中电压暂降等电能质量问题带来的损失极大、 供需矛盾 逐渐显现出 来。 [0003]电压暂降类型准确辨识是分析、 抑制和补偿电压暂降问题的重要前提。 目前暂降 类型辨识方法主要通过对不同的暂降原因进行分析， 对不同原因引起的不同波形进行比 较， 总结差异点， 提取电压波形中相应的特征值， 确定阈值对电压暂降的原因进行辨别。 采 用此种识别方法的关键点在于对电压波形特征的准确 提取以及对特征进行分类的算法性 能。 大多数 的识别方法在用实测暂降事件的数据进行测试时， 其暂降类型辨识结果并不理 想， 相较于用仿真数据进行测试时其 准确率有较大的下降。 [0004]采用深度学习的方法对电压暂降类型进行辨识是一种新思路。 该方法的好处在于 对电压暂降数据的处理简单。 该辨识方法不要求使用者对各暂降类型的电压波形特征有深 入的了解， 只需对数据进 行简单的处理， 便可将数据 送到了模 型中进行学习， 让机器自身去 寻找不同暂降类型 的电压波形特征， 最终达到电压暂降类型辨识的目的。 但采用此种 方法 对训练样本有较大 的要求， 首先需要较多的训练样本， 其次要求每种类型 的训练样本数量 尽可能均衡。 而在实际暂降事件中， 其大多 数类型属于 短路故障暂降， 变压器投切暂降和电 机起动暂降类型实测数据较少， 因此在对模型进行训练学习时导致模型学习不充分， 最终 对后两种暂降类型的辨识结果不理想。 研究一种对实测数据且暂降类型数据分布不平衡的 电压暂降类型辨识方法具有重要的意 义。 发明内容 [0005]为了解决采用仿真样本和采用实测样本时辨识方法准确率差别较大的问题， 和训 练样本类型分布不平衡时识别准确率大幅 降低的问题。 本发明提供了一种基于Adaboost ‑ BP的电压暂降类型辨识方法， 该方法在暂降域的确定上相比小波变换模极大值方法有所改 进， 尽可能的把暂降事件的特征保留。 同时结合BP(back  propagation)神经网络和 Adaboost算法提高分类模 型的性能， 使电压暂降辨识模 型在训练样 本类型不平衡及噪声较 多的情况 下， 仍然保持90%以上的准确率。 [0006]本发明一种基于Adaboost ‑BP的电压暂降类型辨识方法， 依次包括电压暂降域的 计算， 暂降事 件电压RMS波形 特征提取， 及基于Adabo ost‑BP的电压暂降类型辨识算法； 首先计算三相电压数据的RMS波形， 然后通过基于小波变换模极大值的暂降域确 定方法， 确定电压暂降事 件的暂降域。说　明　书 1/6 页 3 CN 114254712 A 3