本發(fā)明涉及電能質(zhì)量三相不平衡治理技術(shù)領(lǐng)域，尤其涉及帶有現(xiàn)場(chǎng)振動(dòng)告警功能的三相不平衡治理裝置及其實(shí)現(xiàn)方法。

背景技術(shù)：

隨著科學(xué)技術(shù)及工業(yè)的發(fā)展，許多自動(dòng)化程度很高的工業(yè)用戶對(duì)電能質(zhì)量的要求越來越高。在生產(chǎn)或信息技術(shù)企業(yè)中，由于大部分裝置和基于單片機(jī)的數(shù)字控制器或電力電子器件對(duì)各種電磁干擾都非常敏感，因此電網(wǎng)非常輕微的擾動(dòng)都會(huì)導(dǎo)致上述產(chǎn)品不能正常工作或某些功能下降，使得企業(yè)蒙受巨大的損失。

當(dāng)前理想的電能信號(hào)擁有固定頻率和幅值的三相正弦波形，然而在現(xiàn)實(shí)生活中，由于電路故障、線路和設(shè)備的不對(duì)稱性、大型負(fù)載的啟動(dòng)等，使得電能信號(hào)產(chǎn)生偏離的現(xiàn)象統(tǒng)稱為電能質(zhì)量問題。

在電能質(zhì)量的研究中，最重要的就是電能質(zhì)量事件的原因分析，如果能快速獲知事件發(fā)生的原因，對(duì)于預(yù)防和故障切除都有重要的意義。傳統(tǒng)技術(shù)中，對(duì)電能質(zhì)量原因分析的研究主要基于電網(wǎng)三相不平衡的實(shí)驗(yàn)和仿真，但是基于實(shí)驗(yàn)和仿真的傳統(tǒng)技術(shù)存在不足之處，其不足之處在于：一、電網(wǎng)遠(yuǎn)遠(yuǎn)比仿真系統(tǒng)復(fù)雜，簡(jiǎn)化的模型無法完全模擬真實(shí)系統(tǒng)，從而產(chǎn)生誤差；二、電網(wǎng)中的檢測(cè)設(shè)備只能檢測(cè)到電壓暫降的暫降幅度和持續(xù)時(shí)間，無法記錄超大數(shù)據(jù)量的波形，從而導(dǎo)致電能質(zhì)量事件的原因分析出現(xiàn)偏差。

另外，三相不平衡治理裝置的現(xiàn)場(chǎng)在沒有維護(hù)人員值守時(shí)，需要防止非法入侵，目前較為有效的防止非法入侵的手段是采用振動(dòng)探測(cè)，通過振動(dòng)探測(cè)器來感知非法入侵時(shí)發(fā)出的振動(dòng)信號(hào)，通過電路對(duì)振動(dòng)信號(hào)進(jìn)行處理后發(fā)出現(xiàn)場(chǎng)告警，以提高其運(yùn)行穩(wěn)定性。

技術(shù)實(shí)現(xiàn)要素：

本發(fā)明實(shí)施例所要解決的技術(shù)問題在于，提供帶有振動(dòng)告警功能的三相不平衡治理裝置及實(shí)現(xiàn)方法，避免對(duì)波形的依賴，基于歷史數(shù)據(jù)的分析，挖掘歷史電壓暫降中的強(qiáng)關(guān)聯(lián)規(guī)則，達(dá)到對(duì)未來電壓暫降可能性的預(yù)測(cè)及治理。

為了解決上述技術(shù)問題，本發(fā)明實(shí)施例提供了帶有現(xiàn)場(chǎng)振動(dòng)告警功能的三相不平衡治理裝置，所述三相不平衡治理裝置包括：

數(shù)據(jù)獲取單元，用于獲取電網(wǎng)當(dāng)前的特征數(shù)據(jù)，所述特征數(shù)據(jù)的特征類型包括電壓暫降的三相暫降幅度、電壓暫降的三相持續(xù)時(shí)間和電壓暫降發(fā)生的時(shí)間；

電壓暫降知識(shí)庫(kù)形成單元，用于從歷史數(shù)據(jù)中提取與所述特征數(shù)據(jù)具有相同特征類型的數(shù)據(jù)，并根據(jù)預(yù)設(shè)的類別屬性，對(duì)所述提取的數(shù)據(jù)進(jìn)行分類形成樣本集合，且進(jìn)一步在所述樣本集合中篩選出滿足預(yù)定條件的數(shù)據(jù)形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)；

識(shí)別單元，用于根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，在所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)中，確定電網(wǎng)當(dāng)前的電壓暫降原因；

治理單元，用于根據(jù)所述確定的當(dāng)前電壓暫降原因，確定電網(wǎng)電能質(zhì)量治理補(bǔ)償方案，并根據(jù)所述確定的電網(wǎng)電能質(zhì)量治理補(bǔ)償方案對(duì)用戶側(cè)電壓進(jìn)行補(bǔ)償；

現(xiàn)場(chǎng)振動(dòng)告警單元，包括振動(dòng)信號(hào)探測(cè)器、RC濾波器、告警主控制器，振動(dòng)信號(hào)探測(cè)器檢測(cè)到現(xiàn)場(chǎng)振動(dòng)信號(hào)并通過RC濾波器輸入到告警主控制器，所述的告警主控制器連接有用于現(xiàn)場(chǎng)告警的聲光報(bào)警器。

其中，所述電壓暫降知識(shí)庫(kù)形成單元包括：

數(shù)據(jù)預(yù)處理模塊，用于從歷史數(shù)據(jù)中提取與所述特征數(shù)據(jù)具有相同特征類型的數(shù)據(jù)，并將所述提取到的數(shù)據(jù)進(jìn)行離散化處理；

樣本集合形成模塊，用于根據(jù)預(yù)設(shè)的類別屬性，對(duì)所述離散化處理的數(shù)據(jù)進(jìn)行分類，形成樣本集合；

電壓暫降知識(shí)庫(kù)形成模塊，用于對(duì)所述形成的樣本集合進(jìn)行Apriori計(jì)算，篩選出支持度值大于第一預(yù)設(shè)值的數(shù)據(jù)形成樣本關(guān)聯(lián)集合，并對(duì)所述形成的樣本關(guān)聯(lián)集合再次進(jìn)行Apriori計(jì)算，篩選出置信度值大于第二預(yù)設(shè)值的數(shù)據(jù)形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)。

其中，所述識(shí)別單元包括：

決策樹設(shè)置模塊，用于根據(jù)所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)及預(yù)設(shè)的類別屬性，通過ID3算法，得到每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹；

電壓暫降原因識(shí)別模塊，用于根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，從所述得到的每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹中，確定電網(wǎng)當(dāng)前電壓暫降的原因。

其中，所述電壓暫降原因識(shí)別模塊包括：

電壓暫降匹配子模塊，用于利用CBR推理方法將所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)與所述得到的每一類別屬性對(duì)應(yīng)的信息熵最小的決策樹進(jìn)行匹配；

檢測(cè)子模塊，用于當(dāng)存在匹配條件時(shí)，檢測(cè)所述存在的匹配條件是否為唯一規(guī)則；

第一識(shí)別子模塊，用于當(dāng)檢測(cè)到所述存在的匹配條件為唯一規(guī)則時(shí)，則確定所述唯一規(guī)則為所述電網(wǎng)當(dāng)前電壓暫降的原因；

第二識(shí)別子模塊，用于當(dāng)檢測(cè)到所述存在的匹配條件對(duì)應(yīng)多條規(guī)則時(shí)，將所述得到的支持度值與置信度值進(jìn)行排序，確定支持度值與置信度值為最大時(shí)所對(duì)應(yīng)的規(guī)則作為所述電網(wǎng)當(dāng)前電壓暫降的原因。

其中，所述預(yù)設(shè)的類別屬性包括電壓暫降相別、電壓暫降幅度、電壓暫降持續(xù)時(shí)間、電壓暫降發(fā)生時(shí)間和傳遞特性；其中，所述電壓暫降相別包括一相暫降兩相暫升、兩相暫降一相暫升、三相暫降以及兩相暫降一相不變；所述電壓暫降幅度為電壓暫降的當(dāng)前電壓值與標(biāo)準(zhǔn)電壓值之間的比值；所述電壓暫降發(fā)生時(shí)間包括預(yù)設(shè)的大型負(fù)載的工作時(shí)間范圍和雷雨導(dǎo)致電路故障的運(yùn)行時(shí)間范圍，且所述大型負(fù)載的工作時(shí)間范圍與所述雷雨導(dǎo)致電路故障的運(yùn)行時(shí)間范圍之和為一天；所述傳遞特性包括取值為0的主動(dòng)事件和取值為1的被動(dòng)事件。

本發(fā)明實(shí)施例還提供了帶有現(xiàn)場(chǎng)振動(dòng)告警功能的三相不平衡治理裝置的實(shí)現(xiàn)方法，其在前述的裝置上實(shí)現(xiàn)，所述方法包括：

S1、獲取電網(wǎng)當(dāng)前的特征數(shù)據(jù)，所述特征數(shù)據(jù)的特征類型包括電壓暫降的三相暫降幅度、電壓暫降的三相持續(xù)時(shí)間和電壓暫降發(fā)生的時(shí)間；

S2、從歷史數(shù)據(jù)中提取與所述特征數(shù)據(jù)具有相同特征類型的數(shù)據(jù)，并根據(jù)預(yù)設(shè)的類別屬性，對(duì)所述提取的數(shù)據(jù)進(jìn)行分類形成樣本集合，且進(jìn)一步在所述樣本集合中篩選出滿足預(yù)定條件的數(shù)據(jù)形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)；

S3、根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，在所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)中，確定電網(wǎng)當(dāng)前的電壓暫降原因；以及

S4、根據(jù)所述確定的當(dāng)前電壓暫降原因，確定電網(wǎng)電能質(zhì)量治理補(bǔ)償方案，并根據(jù)所述確定的電網(wǎng)電能質(zhì)量治理補(bǔ)償方案對(duì)用戶側(cè)電壓進(jìn)行補(bǔ)償。

其中，所述步驟S2具體包括：

從歷史數(shù)據(jù)中提取與所述特征數(shù)據(jù)具有相同特征類型的數(shù)據(jù)，并將所述提取到的數(shù)據(jù)進(jìn)行離散化處理；

根據(jù)預(yù)設(shè)的類別屬性，對(duì)所述離散化處理的數(shù)據(jù)進(jìn)行分類，形成樣本集合；

對(duì)所述形成的樣本集合進(jìn)行Apriori計(jì)算，篩選出支持度值大于第一預(yù)設(shè)值的數(shù)據(jù)形成樣本關(guān)聯(lián)集合，并對(duì)所述形成的樣本關(guān)聯(lián)集合再次進(jìn)行Apriori計(jì)算，篩選出置信度值大于第二預(yù)設(shè)值的數(shù)據(jù)形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)。

其中，所述步驟S3具體包括：

根據(jù)所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)及預(yù)設(shè)的類別屬性，通過ID3算法，得到每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹；

根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，從所述得到的每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹中，確定電網(wǎng)當(dāng)前電壓暫降的原因。

其中，所述根據(jù)所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)及預(yù)設(shè)的類別屬性，通過ID3算法，得到每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹的具體步驟包括：

a、將所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)內(nèi)的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；

b、根據(jù)所述預(yù)設(shè)的類別屬性計(jì)算所述訓(xùn)練數(shù)據(jù)中包含的每一預(yù)設(shè)類別屬性的信息增益，選出信息增益最大值作為根節(jié)點(diǎn)的分裂屬性，并計(jì)算決策規(guī)則以及傳給第一層的前綴信息；

c、判斷是否產(chǎn)生了新的決策規(guī)則；如果是，則執(zhí)行下一步驟d；如果否，則，跳轉(zhuǎn)到步驟e；

d、將所述產(chǎn)生的新的決策規(guī)則保存到規(guī)則集中，同時(shí)刪除所述訓(xùn)練數(shù)據(jù)中包含所述產(chǎn)生的新的決策規(guī)則的樣本，產(chǎn)生新的數(shù)據(jù)集，并將所述產(chǎn)生的新的數(shù)據(jù)集作為所述訓(xùn)練數(shù)據(jù)后，返回步驟b；

e、繼續(xù)判斷是否產(chǎn)生新的前綴信息；如果是，則執(zhí)行下一步驟f；如果否，則，跳轉(zhuǎn)到步驟i；

f、決策樹層數(shù)加一；

g、判斷所述決策樹的層數(shù)是否小于所述訓(xùn)練數(shù)據(jù)中包含的所有屬性的總數(shù)；如果是，則執(zhí)行下一步驟h；如果否，則，跳轉(zhuǎn)到步驟i；

h、計(jì)算在所述新的前綴信息下，所述訓(xùn)練數(shù)據(jù)中包含的每一預(yù)設(shè)類別屬性的信息增益，選出信息增益最大值作為所述當(dāng)前決策樹的層數(shù)對(duì)應(yīng)節(jié)點(diǎn)的分裂屬性，并計(jì)算決策規(guī)則以及傳給下一層的前綴信息，返回步驟c；

i、訓(xùn)練結(jié)束，根據(jù)所述計(jì)算得到的決策規(guī)則構(gòu)建決策樹。

其中，所述根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，從所述得到的每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹中，確定電網(wǎng)當(dāng)前電壓暫降的原因的具體步驟包括：

用于利用CBR推理方法將所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)與所述得到的每一類別屬性對(duì)應(yīng)的信息熵最小的決策樹進(jìn)行匹配；

當(dāng)存在匹配條件時(shí)，檢測(cè)所述存在的匹配條件是否為唯一規(guī)則；

當(dāng)檢測(cè)到所述存在的匹配條件為唯一規(guī)則時(shí)，則確定所述唯一規(guī)則為所述電網(wǎng)當(dāng)前電壓暫降的原因；

當(dāng)檢測(cè)到所述存在的匹配條件對(duì)應(yīng)多條規(guī)則時(shí)，將所述得到的支持度值與置信度值進(jìn)行排序，確定支持度值與置信度值為最大時(shí)所對(duì)應(yīng)的規(guī)則作為所述電網(wǎng)當(dāng)前電壓暫降的原因。

實(shí)施本發(fā)明實(shí)施例，具有如下有益效果：

本發(fā)明中的三相不平衡治理裝置基于歷史數(shù)據(jù)的分析，通過對(duì)電壓暫降事件進(jìn)行原因分類，采用Apriori算法挖掘歷史電壓暫降中的強(qiáng)關(guān)聯(lián)規(guī)則形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)，再將電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)作為訓(xùn)練集合，確定當(dāng)前電壓暫降原因，及對(duì)應(yīng)的電網(wǎng)電能質(zhì)量治理補(bǔ)償方案對(duì)用戶側(cè)電壓進(jìn)行補(bǔ)償，從而避免對(duì)波形的依賴，達(dá)到對(duì)未來電壓暫降可能性的預(yù)測(cè)的目的。

另外，本發(fā)明還具有現(xiàn)場(chǎng)振動(dòng)告警，防止非法入侵，運(yùn)行穩(wěn)定性好的優(yōu)點(diǎn)。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)性的前提下，根據(jù)這些附圖獲得其他的附圖仍屬于本發(fā)明的范疇。

圖1為本發(fā)明實(shí)施例提供的三相不平衡治理裝置的系統(tǒng)結(jié)構(gòu)示意圖；

圖2為圖1中電壓暫降知識(shí)庫(kù)形成單元的系統(tǒng)結(jié)構(gòu)示意圖；

圖3為圖1中識(shí)別單元的系統(tǒng)結(jié)構(gòu)示意圖；

圖4為圖3中電壓暫降原因識(shí)別模塊的系統(tǒng)結(jié)構(gòu)示意圖；

圖5為本發(fā)明實(shí)施例提供的三相不平衡治理裝置實(shí)現(xiàn)方法的流程圖；

圖6為圖5中步驟S3的流程圖；

圖7為圖6中步驟S31的流程圖；

圖8為圖6中步驟S32的流程圖；

圖9為圖6中步驟S3的應(yīng)用場(chǎng)景圖；

圖10現(xiàn)場(chǎng)振動(dòng)告警單元的原理框圖。

具體實(shí)施方式

為使本發(fā)明的目的、技術(shù)方案和優(yōu)點(diǎn)更加清楚，下面將結(jié)合附圖對(duì)本發(fā)明作進(jìn)一步地詳細(xì)描述。

如圖1所示，為本發(fā)明實(shí)施例提供的帶有現(xiàn)場(chǎng)振動(dòng)告警功能的三相不平衡治理裝置，所述裝置包括：

數(shù)據(jù)獲取單元110，用于獲取電網(wǎng)當(dāng)前的特征數(shù)據(jù)，所述特征數(shù)據(jù)的特征類型包括電壓暫降的三相暫降幅度、電壓暫降的三相持續(xù)時(shí)間和電壓暫降發(fā)生的時(shí)間；

電壓暫降知識(shí)庫(kù)形成單元120，用于從歷史數(shù)據(jù)中提取與所述特征數(shù)據(jù)具有相同特征類型的數(shù)據(jù)，并根據(jù)預(yù)設(shè)的類別屬性，對(duì)所述提取的數(shù)據(jù)進(jìn)行分類形成樣本集合，且進(jìn)一步在所述樣本集合中篩選出滿足預(yù)定條件的數(shù)據(jù)形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)；

識(shí)別單元130，用于根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，在所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)中，確定電網(wǎng)當(dāng)前的電壓暫降原因；

治理單元140，用于根據(jù)所述確定的當(dāng)前電壓暫降原因，確定電網(wǎng)電能質(zhì)量治理補(bǔ)償方案，并根據(jù)所述確定的電網(wǎng)電能質(zhì)量治理補(bǔ)償方案對(duì)用戶側(cè)電壓進(jìn)行補(bǔ)償。

如圖2所示，所述電壓暫降知識(shí)庫(kù)形成單元120包括：

數(shù)據(jù)預(yù)處理模塊1201，用于從歷史數(shù)據(jù)中提取與所述特征數(shù)據(jù)具有相同特征類型的數(shù)據(jù)，并將所述提取到的數(shù)據(jù)進(jìn)行離散化處理；

樣本集合形成模塊1202，用于根據(jù)預(yù)設(shè)的類別屬性，對(duì)所述離散化處理的數(shù)據(jù)進(jìn)行分類，形成樣本集合；

電壓暫降知識(shí)庫(kù)形成模塊1203，用于對(duì)所述形成的樣本集合進(jìn)行Apriori計(jì)算，篩選出支持度值大于第一預(yù)設(shè)值的數(shù)據(jù)形成樣本關(guān)聯(lián)集合，并對(duì)所述形成的樣本關(guān)聯(lián)集合再次進(jìn)行Apriori計(jì)算，篩選出置信度值大于第二預(yù)設(shè)值的數(shù)據(jù)形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)。

如圖3所示，所述識(shí)別單元130包括：

決策樹設(shè)置模塊1301，用于根據(jù)所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)及預(yù)設(shè)的類別屬性，通過ID3算法，得到每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹；

電壓暫降原因識(shí)別模塊1302，用于根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，從所述得到的每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹中，確定電網(wǎng)當(dāng)前電壓暫降的原因。

如圖4所示，所述電壓暫降原因識(shí)別模塊1302包括：

電壓暫降匹配子模塊13021，用于利用CBR推理方法將所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)與所述得到的每一類別屬性對(duì)應(yīng)的信息熵最小的決策樹進(jìn)行匹配；

檢測(cè)子模塊13022，用于當(dāng)存在匹配條件時(shí)，檢測(cè)所述存在的匹配條件是否為唯一規(guī)則；

第一識(shí)別子模塊13023，用于當(dāng)檢測(cè)到所述存在的匹配條件為唯一規(guī)則時(shí)，則確定所述唯一規(guī)則為所述電網(wǎng)當(dāng)前電壓暫降的原因；

第二識(shí)別子模塊13024，用于當(dāng)檢測(cè)到所述存在的匹配條件對(duì)應(yīng)多條規(guī)則時(shí)，將所述得到的支持度值與置信度值進(jìn)行排序，確定支持度值與置信度值為最大時(shí)所對(duì)應(yīng)的規(guī)則作為所述電網(wǎng)當(dāng)前電壓暫降的原因。

在本發(fā)明實(shí)施例中，預(yù)設(shè)的類別屬性包括電壓暫降相別、電壓暫降幅度、電壓暫降持續(xù)時(shí)間、電壓暫降發(fā)生時(shí)間和傳遞特性；其中，電壓暫降相別包括一相暫降兩相暫升、兩相暫降一相暫升、三相暫降以及兩相暫降一相不變；電壓暫降幅度為電壓暫降的當(dāng)前電壓值與標(biāo)準(zhǔn)電壓值之間的比值；電壓暫降發(fā)生時(shí)間包括預(yù)設(shè)的大型負(fù)載的工作時(shí)間范圍和雷雨導(dǎo)致電路故障的運(yùn)行時(shí)間范圍，且大型負(fù)載的工作時(shí)間范圍與所述雷雨導(dǎo)致電路故障的運(yùn)行時(shí)間范圍之和為一天；傳遞特性包括取值為0的主動(dòng)事件和取值為1的被動(dòng)事件。

如圖5所示，為本發(fā)明實(shí)施例中，提供的帶有現(xiàn)場(chǎng)振動(dòng)告警功能的三相不平衡治理裝置的實(shí)現(xiàn)方法，其在上述的裝置上實(shí)現(xiàn)，所述方法包括：

步驟S1、獲取電網(wǎng)當(dāng)前的特征數(shù)據(jù)，所述特征數(shù)據(jù)的特征類型包括電壓暫降的三相暫降幅度、電壓暫降的三相持續(xù)時(shí)間和電壓暫降發(fā)生的時(shí)間；

具體過程為，獲取電網(wǎng)當(dāng)前的特征數(shù)據(jù)，該特征數(shù)據(jù)由多個(gè)特征類型項(xiàng)的數(shù)據(jù)形成，該特征數(shù)據(jù)的特征類型包括但不限于電壓暫降的三相暫降幅度、電壓暫降的三相持續(xù)時(shí)間和電壓暫降發(fā)生的時(shí)間。

步驟S2、從歷史數(shù)據(jù)中提取與所述特征數(shù)據(jù)具有相同特征類型的數(shù)據(jù)，并根據(jù)預(yù)設(shè)的類別屬性，對(duì)所述提取的數(shù)據(jù)進(jìn)行分類形成樣本集合，且進(jìn)一步在所述樣本集合中篩選出滿足預(yù)定條件的數(shù)據(jù)形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)；

具體過程為，步驟S21、從歷史數(shù)據(jù)中提取與特征數(shù)據(jù)具有相同特征類型的數(shù)據(jù)，并將所述提取到的數(shù)據(jù)進(jìn)行離散化處理；

具體為，主要對(duì)歷史數(shù)據(jù)進(jìn)行預(yù)處理，去除冗余和損壞的數(shù)據(jù)，從而降低數(shù)據(jù)的復(fù)雜度和處理容量，然后根據(jù)步驟S1中的特征類型把需要的一些屬性單獨(dú)抽取出來，并且將歷史數(shù)據(jù)進(jìn)行離散化處理，成為便于分析和計(jì)算的多個(gè)數(shù)據(jù)塊。

步驟S22、根據(jù)預(yù)設(shè)的類別屬性，對(duì)所述離散化處理的數(shù)據(jù)進(jìn)行分類，形成樣本集合；

具體為，預(yù)先設(shè)置五個(gè)特征作為類別屬性，并根據(jù)預(yù)設(shè)的五個(gè)特征對(duì)離散化處理的數(shù)據(jù)進(jìn)行分類，形成樣本集合M；其中，五個(gè)特征分別為電壓暫降相別、電壓暫降幅度、電壓暫降持續(xù)時(shí)間、電壓暫降發(fā)生時(shí)間和傳遞特性。

由于電壓為三相，因此電壓暫降相別包括一相暫降兩相暫升、兩相暫降一相暫升、三相暫降以及兩相暫降一相不變等。電壓暫降幅度為電壓暫降的當(dāng)前電壓值與標(biāo)準(zhǔn)電壓值之間的比值；作為一個(gè)例子，暫降電壓的當(dāng)前電壓值為198V，標(biāo)準(zhǔn)電壓為220V，計(jì)算出的暫降幅度為0.9。電壓暫降持續(xù)時(shí)間為電壓暫降結(jié)束的時(shí)間減去其開始的時(shí)間。由于導(dǎo)致電壓暫降的最重要的兩個(gè)因素為大型負(fù)載啟動(dòng)和雷雨引發(fā)的電路故障，因此電壓暫降發(fā)生時(shí)間也作為一個(gè)重要特征，而負(fù)載只在工作時(shí)間運(yùn)轉(zhuǎn)，雷雨可能在全天都有分布，故電壓暫降發(fā)生時(shí)間可設(shè)為一天24小時(shí)，在一天內(nèi)根據(jù)需要?jiǎng)澐殖龃笮拓?fù)載的工作時(shí)間范圍和雷雨導(dǎo)致電路故障的運(yùn)行時(shí)間范圍；作為一個(gè)例子，將AM8:00至PM5:00預(yù)設(shè)為大型負(fù)載的工作時(shí)間范圍，剩余時(shí)間(當(dāng)天PM5:00后至第二天AM8:00前)預(yù)設(shè)為雷雨導(dǎo)致電路故障的運(yùn)行時(shí)間范圍，因此在AM8:00至PM5:00出現(xiàn)電壓暫降的原因可預(yù)測(cè)為大型負(fù)載啟動(dòng)造成的，而在AM8:00至PM5:00之外時(shí)間段出現(xiàn)電壓暫降的原因可預(yù)測(cè)為雷雨故障。傳遞特性包括取值為0的主動(dòng)事件(源事件)和取值為1的被動(dòng)事件。主動(dòng)事件(源事件)都是有外界因素引起的，而被動(dòng)事件是由已有的電壓暫降事件在電網(wǎng)中傳播造成的。

步驟S23、對(duì)所述形成的樣本集合進(jìn)行Apriori計(jì)算，篩選出支持度值大于第一預(yù)設(shè)值的數(shù)據(jù)形成樣本關(guān)聯(lián)集合，并對(duì)所述形成的樣本關(guān)聯(lián)集合再次進(jìn)行Apriori計(jì)算，篩選出置信度值大于第二預(yù)設(shè)值的數(shù)據(jù)形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)。

具體為，對(duì)形成的樣本集合M進(jìn)行Apriori計(jì)算，并根據(jù)第一預(yù)設(shè)值的定義，如果支持度小于該第一預(yù)設(shè)值，則需重新根據(jù)Apriori進(jìn)行計(jì)算，因此在對(duì)形成的樣本集合M進(jìn)行Apriori計(jì)算后，最終得到的支持度值應(yīng)大于第一預(yù)設(shè)值，并篩選出支持度值大于第一預(yù)設(shè)值的數(shù)據(jù)形成樣本關(guān)聯(lián)集合，并對(duì)該樣本關(guān)聯(lián)集合再次進(jìn)行Apriori計(jì)算；同理，根據(jù)第二預(yù)設(shè)值的定義，如果置信度值小于該第二預(yù)設(shè)值，則需重新在樣本關(guān)聯(lián)集合基礎(chǔ)上再次進(jìn)行Apriori計(jì)算，最終得到的置信度值應(yīng)大于該第二預(yù)設(shè)值。由于支持度值大于第一預(yù)設(shè)值，且置信度值大于第二預(yù)設(shè)值，則表明樣本集合M經(jīng)過Apriori計(jì)算后具有關(guān)聯(lián)性，滿足預(yù)定的關(guān)聯(lián)強(qiáng)度，從而形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)，以便于將該知識(shí)庫(kù)作為訓(xùn)練集合來構(gòu)建決策樹。

步驟S3、根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，在所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)中，確定電網(wǎng)當(dāng)前的電壓暫降原因；

具體過程為，如圖6所示，步驟S3的具體步驟實(shí)現(xiàn)如下：

步驟S31、根據(jù)所述形成的電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)及預(yù)設(shè)的類別屬性，通過ID3算法，得到每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹；

步驟S32、根據(jù)所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)，從所述得到的每一預(yù)設(shè)類別屬性對(duì)應(yīng)的信息熵最小的決策樹中，確定電網(wǎng)當(dāng)前電壓暫降的原因。

在步驟S31中，采用ID3算法來構(gòu)建決策樹。每次選擇的分支屬性都使信息熵最大降低。如果一個(gè)樣本集中所有樣本屬于同一個(gè)類，此時(shí)信息熵最??；如果都屬于不同的類，此時(shí)信息熵最大。設(shè)S是n個(gè)數(shù)據(jù)樣本的集合，將樣本集劃分為c個(gè)不同的類C_i(i＝1，2，…，c)，每個(gè)類C_i含有的樣本數(shù)目為n_i，則S劃分為c個(gè)類的信息熵為

其中，p_i為S中樣本屬于第i類C_i的概率，即

假設(shè)屬性A的所有不同值的集合為X_A，S_v是S中屬性A的值為v的樣本子集，即S_v＝{s∈S|A(s)＝v}。在選擇屬性A后的每一個(gè)分支節(jié)點(diǎn)上，對(duì)該節(jié)點(diǎn)的樣本集S_v分類的熵為E(S_v)。選擇A導(dǎo)致的期望熵定義為每個(gè)子集S_v的熵的加權(quán)和，權(quán)值為屬于S_v的樣本占原始樣本S的比例即期望熵為

其中，E(S_v)是將S_v中的樣本劃分到c個(gè)類的信息熵。屬性A相對(duì)樣本集合S的信息增益Gain(S,A)定義為

Gain(S,A)＝E(S)-E(S,A)

每次選擇使得信息增益最大的屬性，此時(shí)，信息熵降低最多。

因此，如圖7所示，步驟S31的具體實(shí)現(xiàn)步驟如下：

步驟S310、將電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)內(nèi)的數(shù)據(jù)作為訓(xùn)練數(shù)據(jù)；

步驟S320、根據(jù)預(yù)設(shè)的類別屬性計(jì)算訓(xùn)練數(shù)據(jù)中包含的每一預(yù)設(shè)類別屬性的信息增益，選出信息增益最大值作為根節(jié)點(diǎn)的分裂屬性，并計(jì)算決策規(guī)則以及傳給第一層的前綴信息；

步驟S330、判斷是否產(chǎn)生了新的決策規(guī)則；如果是，則執(zhí)行下一步驟S340；如果否，則跳轉(zhuǎn)步驟S350、

步驟S340、將產(chǎn)生的新的決策規(guī)則保存到規(guī)則集中，同時(shí)刪除訓(xùn)練數(shù)據(jù)中包含產(chǎn)生的新的決策規(guī)則的樣本，產(chǎn)生新的數(shù)據(jù)集，將該新的數(shù)據(jù)集作為訓(xùn)練數(shù)據(jù)后，返回步驟S320；

步驟S350、繼續(xù)判斷是否產(chǎn)生新的前綴信息；如果是，則執(zhí)行下一步驟S360；如果否，則跳轉(zhuǎn)到步驟S390；

步驟S360、決策樹層數(shù)加一；

步驟S370、判斷該決策樹的層數(shù)是否小于訓(xùn)練數(shù)據(jù)中包含的所有屬性的總數(shù)；如果是，則執(zhí)行下一步驟S380；如果否，則跳轉(zhuǎn)到步驟S390；

步驟S380、計(jì)算在新的前綴信息下，訓(xùn)練數(shù)據(jù)中包含的每一預(yù)設(shè)類別屬性的信息增益，選出信息增益最大值作為當(dāng)前決策樹的層數(shù)對(duì)應(yīng)節(jié)點(diǎn)的分裂屬性，并計(jì)算決策規(guī)則以及傳給下一層的前綴信息，返回步驟S330；

步驟S390、訓(xùn)練結(jié)束，根據(jù)計(jì)算得到的決策規(guī)則構(gòu)建決策樹。

在步驟S32中，如圖8所示，步驟S32的具體步驟實(shí)現(xiàn)如下：

具體為，步驟S321、用于利用CBR推理方法將所述獲取到的電網(wǎng)當(dāng)前特征數(shù)據(jù)與所述得到的每一類別屬性對(duì)應(yīng)的信息熵最小的決策樹進(jìn)行匹配；

步驟S322、當(dāng)存在匹配條件時(shí)，檢測(cè)所述存在的匹配條件是否為唯一規(guī)則；

步驟S323、當(dāng)檢測(cè)到所述存在的匹配條件為唯一規(guī)則時(shí)，則確定所述唯一規(guī)則為所述電網(wǎng)當(dāng)前電壓暫降的原因；

步驟S324、當(dāng)檢測(cè)到所述存在的匹配條件對(duì)應(yīng)多條規(guī)則時(shí)，將所述得到的支持度值與置信度值進(jìn)行排序，確定支持度值與置信度值為最大時(shí)所對(duì)應(yīng)的規(guī)則作為所述電網(wǎng)當(dāng)前電壓暫降的原因；其中，支持度值與置信度值從高到低進(jìn)行排序。

作為一個(gè)例子，如圖9所示，對(duì)步驟S31中得到的決策樹在步驟S32中確定電網(wǎng)當(dāng)前電壓暫降原因的應(yīng)用場(chǎng)景進(jìn)一步說明：

將電壓暫降相別作為參考屬性，設(shè)置為根節(jié)點(diǎn)，設(shè)置的匹配條件對(duì)應(yīng)有多條規(guī)則，包括電壓暫降相別為三相暫降、電壓暫降幅度>40％以及電壓暫降發(fā)生時(shí)間為AM8：00至PM5：00的三條規(guī)則，因此當(dāng)發(fā)現(xiàn)有一個(gè)暫降幅度為50％，發(fā)生在AM9：00的三相暫降時(shí)，可以初步判斷是大型負(fù)載啟動(dòng)導(dǎo)致的。

步驟S4、根據(jù)所述確定的當(dāng)前電壓暫降原因，確定電網(wǎng)電能質(zhì)量治理補(bǔ)償方案，并根據(jù)所述確定的電網(wǎng)電能質(zhì)量治理補(bǔ)償方案對(duì)用戶側(cè)電壓進(jìn)行補(bǔ)償。

實(shí)施本發(fā)明實(shí)施例，具有如下有益效果：

本發(fā)明中的裝置基于歷史數(shù)據(jù)的分析，通過對(duì)電壓暫降事件進(jìn)行原因分類，采用Apriori算法挖掘歷史電壓暫降中的強(qiáng)關(guān)聯(lián)規(guī)則形成電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)，再將電壓暫降強(qiáng)關(guān)聯(lián)規(guī)則知識(shí)庫(kù)作為訓(xùn)練集合，確定當(dāng)前電壓暫降原因，及對(duì)應(yīng)的電網(wǎng)電能質(zhì)量治理補(bǔ)償方案對(duì)用戶側(cè)電壓進(jìn)行補(bǔ)償，從而避免對(duì)波形的依賴，達(dá)到對(duì)未來電壓暫降可能性的預(yù)測(cè)的目的。

如圖10所示，本發(fā)明還具有現(xiàn)場(chǎng)振動(dòng)告警單元，包括振動(dòng)信號(hào)探測(cè)器、RC濾波器、告警主控制器，振動(dòng)信號(hào)探測(cè)器檢測(cè)到現(xiàn)場(chǎng)振動(dòng)信號(hào)并通過RC濾波器輸入到告警主控制器，所述的告警主控制器連接有用于現(xiàn)場(chǎng)告警的聲光報(bào)警器。另外，所述的主控制器上還連接有LCD顯示屏、鍵盤接口和存儲(chǔ)單元。本實(shí)施例所述的告警主控制器采用NXP公司的ARM7TDMI-S微控制器LPC2368。

值得注意的是，上述裝置實(shí)施例中，所包括的各個(gè)系統(tǒng)單元只是按照功能邏輯進(jìn)行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)的功能即可；另外，各功能單元的具體名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護(hù)范圍。

本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述實(shí)施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，所述的程序可以存儲(chǔ)于一計(jì)算機(jī)可讀取存儲(chǔ)介質(zhì)中，所述的存儲(chǔ)介質(zhì)，如ROM/RAM、磁盤、光盤等。

以上所揭露的僅為本發(fā)明較佳實(shí)施例而已，當(dāng)然不能以此來限定本發(fā)明之權(quán)利范圍，因此依本發(fā)明權(quán)利要求所作的等同變化，仍屬本發(fā)明所涵蓋的范圍。