基于文本模式的海量电能质量数据自动分析技术研究

With the enlargement of the scale of power system and emergence of massive power quality monitoring data, it brings challenges to the existing power quality analysis platform. In addition, it is difficult to effectively ensure the effective balance between precision and time of data analysis, while the traditional analysis techniques are in the case of massive data. For these reasons, we plan to employ text mode technology for the massive power quality data in the feature extraction, disturbance detection, data compression, network transmission, automatic classification and other aspects, so it can improve the performance of analysis of massive power quality data. In this project, we will establish a model for power quality data in text mode. Based on the model, text representation and rule of power quality disturbance events will be researched and analyzed in detail. The disturbance detection algorithm with evaluation indices in text mode will be designed and optimized. Above this foundation, we'll propose a text dictionary compression algorithm with less coding redundancy for power quality disturbance data, and a coding algorithm to design of data flow for progressive network transmission using layered queuing model. Then we'll put forward an associative classifier construction algorithm for disturbance event classification by itself to adaptively select the best matching rule. Finally, we'll try to seek a diagnostic scheme for power quality disturbances based on fuzzy set theory. The accomplishment of this project will provide some practical data and technical solution to the bottleneck of the automatic analysis techniques for massive power quality data.

本项目针对电力系统规模的不断扩大，涌现出海量的电能质量监测数据，这对现有的电能质量分析计算平台带来了挑战，传统的分析技术在海量数据情况下，难以有效地保证数据分析精度和时间之间的有效平衡，为此拟在海量电能质量数据的特征提取，扰动检测，数据压缩，网络传输，自动分类等方面引入数据文本模式技术，以期有效提升海量电能质量数据的分析性能。本项目构建一种基于文本模式的电能质量数据模型，并在该模型上研究分析电能质量扰动事件的文本表达和规律，设计并优化基于文本模式评估指标的扰动检测算法，提出一种编码冗余小的基于文本词典的电能质量扰动数据压缩算法，以及依据分层排队模型设计渐进式网络传输编码算法，提出一种由待分类的扰动事件本身自适应地选择其最佳匹配规则的关联分类器构造算法，同时寻求一种基于模糊集理论的电能质量扰动诊断方案。本项目的完成将可为解决海量电能质量数据自动分析技术瓶颈提供实用的实验数据及解决方案。

当前电力系统的海量电能质量监测数据对现有的电能质量分析平台带来了巨大挑战，本项目对海量电能质量数据的特征提取、压缩、存储模式、扰动识别等方面进行了理论分析实验研究，开发完成了多种形式的电能质量实验装置和系统分析软件，进一步完善了电能质量数据分析实验平台。针对海量电能质量扰动数据检测和分析问题研究表明，对于间谐波检测，基于可调分辨率的多重信号分类（MUSIC）算法可以克服如数据长度不足，频率分辨率不高等问题，为了进一步提高多种形式的电能质量扰动分析精度，基于联合基分解的电能质量扰动数据表达和分析方法克服能传统时频分析方法特征提取中分辨率不足问题。针对海量电能质量数据压缩和存储问题，利用强跟踪滤波器（STF）和动态测度（Dyn）的参数化功率数据压缩算法能够提高各种电能质量扰动数据压缩效率。基于谐波滤波器组的电能质量扰动数据压缩方法可以实现稳态分量与暂态分量的分离提高压缩效率。基于迭代主成分分析（iterative PCA）算法能够实现电力系统多通道数据压缩的需要。基于联合基分解的波形数据压缩方法可以实现波形数据在联合基中的最优分辨率表达，确保高压缩率和重构精度。这些研究丰富了海量电能质量数据分析和压缩理论。最后本项目完成的部分成果已成功应用于实际低压配电网系统中。