录波分析方法、装置、设备及介质与流程

本技术涉及逆变器故障定位，尤其涉及一种录波分析方法、装置、设备及介质。

背景技术：

1、随着经济的不断发展，我国电网建设规模不断扩大，保护设备数量也迅速增加。面对不断增多的保护装置和故障次数，管理好现有的保护装置，确保及时发现继电保护装置的隐患以及在电网故障的时候如何快速的获取整个电网的故障报告的录波数据至关重要。

2、现有技术中，常用的录波数据分析方法一般是由技术人员人工分析。具体的，首先由监控系统获取故障发生时的录波数据，然后由具备专业电力系统知识的技术人员对录波文件进行人工解读，通过识别电压、电流等波形的变化特征，结合系统拓扑和继电保护动作信息，判断故障类型、故障位置以及故障原因。

3、然而，现有技术中的录波数据分析方法存在人工成本高、分析效率低的问题。

技术实现思路

1、本技术实施例提供录波分析方法、装置、设备及介质，用以解决现有技术中存在人工成本高、分析效率低的问题。

2、第一方面，本技术实施例提供一种录波分析方法，包括：

3、获取录波故障数据集，并根据所述录波故障数据集构建录波特征矩阵；

4、基于无监督聚类算法，对所述录波特征矩阵中的每个录波特征向量进行分类，确定每个所述录波特征向量的分类结果，所述分类结果用于表征所述录波特征向量在特征空间中的类别归属关系；

5、利用多元线性回归预测模型对每个所述录波特征向量进行回归处理，确定每个所述录波特征向量的预测值，所述预测值用于表征所述录波特征向量与所述分类结果之间的关联关系；

6、根据所述分类结果以及所述预测值，确定每个所述录波特征向量的故障类型。

7、在一种可能的实施方式中，所述获取录波故障数据集，并根据所述录波故障数据集构建录波特征矩阵，包括：

8、获取录波故障数据集，根据所述录波故障数据集构建每条故障样本对应的录波特征向量，所述录波故障数据集包括时序特征向量、模拟量特征向量、定值灵敏度特征向量、外回路异常特征向量以及采样回路特征向量中的至少一种；

9、对每个所述录波特征向量进行归一化处理，构建录波特征矩阵。

10、在一种可能的实施方式中，所述基于无监督聚类算法，对所述录波特征矩阵中的每个录波特征向量进行分类，确定每个所述录波特征向量的分类结果，包括：

11、根据经验法确定聚类数；

12、从所述录波特征矩阵中随机选取录波特征向量作为聚类中心；

13、对于每个所述录波特征向量，分别计算所述录波特征向量与所述聚类中心之间的空间距离，直至确定所述聚类数个聚类中心；

14、根据所述聚类中心，将每个所述录波特征向量划分至与其空间距离最小的聚类中心对应的类别中，以确定每个所述录波特征向量所属的聚类中心；

15、将每个所述录波特征向量所属的聚类中心确定为该所述录波特征向量的分类结果。。

16、在一种可能的实施方式中，所述对于每个所述录波特征向量，分别计算所述录波特征向量与所述聚类中心之间的空间距离，直至确定所述聚类数个聚类中心，包括：

17、步骤a、对于每个所述录波特征向量，分别计算所述录波特征向量与所述聚类中心之间的空间距离；

18、步骤b、将所述空间距离的值从小到大进行排序，选择最大的空间距离对应的录波特征向量作为新的聚类中心；

19、重复执行所述步骤a至所述步骤b，直至确定所述聚类数个聚类中心。

20、在一种可能的实施方式中，在所述确定所述聚类数个聚类中心之后，所述方法还包括：对于每个所述录波特征向量，分别计算所述录波特征向量与其所属的所述聚类中心之间的欧氏距离；

21、对每个所述欧氏距离的平方进行累加，得到所述录波特征矩阵的误差平方和；

22、若所述误差平方和小于预设值，则确定所述分类结果可信；

23、若所述误差平方和小于预设值，则确定所述分类结果不可信，需重新进行分类。

24、在一种可能的实施方式中，所述多元线性回归预测模型，包括

25、

26、其中，为第i个所述录波特征向量的预测值；是截距；是每个变量的倾斜系数；为第i个所述录波特征向量中第p个特征值。

27、在一种可能的实施方式中，所述根据所述分类结果以及所述预测值，确定每个所述录波特征向量的故障类型，包括：

28、获取每个所述录波特征向量的分类结果以及对应的所述预测值；

29、若所述预测值大于预设阈值，则确定所述录波特征向量的故障类型为所述分类结果对应的故障类型；

30、若所述预测值小于预设阈值，则确定所述录波特征向量的故障类型为待确认故障。

31、第二方面，本技术实施例提供一种录波分析装置，包括：

32、构建模块，用于获取录波故障数据集，并根据所述录波故障数据集构建录波特征矩阵；

33、第一确定模块，用于基于无监督聚类算法，对所述录波特征矩阵中的每个录波特征向量进行分类，确定每个所述录波特征向量的分类结果，所述分类结果用于表征所述录波特征向量在特征空间中的类别归属关系；

34、处理模块，用于利用多元线性回归预测模型对每个所述录波特征向量进行回归处理，确定每个所述录波特征向量的预测值，所述预测值用于表征所述录波特征向量与所述分类结果之间的关联关系；

35、第二确定模块，用于根据所述分类结果以及所述预测值，确定每个所述录波特征向量的故障类型。

36、在一种可能的实施方式中，所述构建模块，具体用于：

37、获取录波故障数据集，根据所述录波故障数据集构建每条故障样本对应的录波特征向量，所述录波故障数据集包括时序特征向量、模拟量特征向量、定值灵敏度特征向量、外回路异常特征向量以及采样回路特征向量中的至少一种；

38、对每个所述录波特征向量进行归一化处理，构建录波特征矩阵。

39、在一种可能的实施方式中，所述第一确定模块，具体用于：

40、根据经验法确定聚类数；

41、从所述录波特征矩阵中随机选取录波特征向量作为聚类中心；

42、对于每个所述录波特征向量，分别计算所述录波特征向量与所述聚类中心之间的空间距离，直至确定所述聚类数个聚类中心；

43、根据所述聚类中心，

44、将每个所述录波特征向量划分至与其空间距离最小的聚类中心对应的类别中，以确定每个所述录波特征向量所属的聚类中心；

45、将每个所述录波特征向量所属的聚类中心确定为该所述录波特征向量的分类结果。

46、在一种可能的实施方式中，所述第一确定模块，具体用于：

47、步骤a、对于每个所述录波特征向量，分别计算所述录波特征向量与所述聚类中心之间的空间距离；

48、步骤b、将所述空间距离的值从小到大进行排序，选择最大的空间距离对应的录波特征向量作为新的聚类中心；

49、重复执行所述步骤a至所述步骤b，直至确定所述聚类数个聚类中心。

50、在一种可能的实施方式中，在所述确定所述聚类数个聚类中心之后，所述第一确定模块，还用于：

51、将每个所述录波特征向量划分至与其空间距离最小的聚类中心对应的类别中，以每个确定所述录波特征向量所属的聚类中心；

52、对于每个所述录波特征向量，分别计算所述录波特征向量与其所属的所述聚类中心之间的欧氏距离；

53、对每个所述欧氏距离的平方进行累加，得到所述录波特征矩阵的误差平方和；

54、若所述误差平方和小于预设值，则确定所述分类结果可信；

55、若所述误差平方和小于预设值，则确定所述分类结果不可信，需重新进行分类。

56、在一种可能的实施方式中，所述多元线性回归预测模型，包括

57、

58、其中，为第i个所述录波特征向量的预测值；是截距；是每个变量的倾斜系数；为第i个所述录波特征向量中第p个特征值。

59、在一种可能的实施方式中，所述第二确定模块，具体用于：

60、获取每个所述录波特征向量的分类结果以及对应的所述预测值；

61、若所述预测值大于预设阈值，则确定所述录波特征向量的故障类型为所述分类结果对应的故障类型；

62、若所述预测值小于预设阈值，则确定所述录波特征向量的故障类型为待确认故障。

63、第三方面，本技术实施例提供一种电子设备，包括：存储器，处理器；

64、所述存储器存储计算机执行指令；

65、所述处理器执行所述存储器存储的计算机执行指令，使得所述处理器执行如上第一方面和/或第一方面各种可能的实施方式。

66、第四方面，本技术实施例提供一种计算机可读存储介质，所述计算机可读存储介质中存储有计算机执行指令，所述计算机执行指令被处理器执行时用于实现如上第一方面和/或第一方面各种可能的实施方式。

67、本技术实施例提供的录波分析方法、装置、设备及介质，通过首先获取录波故障数据集，对录波故障数据集中的多源数据进行特征提取与归一化处理，从而构建表征各录波样本运行状态的录波特征矩阵，使不同量纲和尺度的特征具备可比性；在此基础上，基于无监督聚类算法对录波特征矩阵中的每个录波特征向量进行相似性分析，将具有相近特征分布的录波特征向量划分至同一类别中，以实现对历史录波故障样本内在结构和故障模式的自动挖掘，进而得到每个录波特征向量对应的分类结果，该分类结果用于表征录波特征向量在特征空间中的类别归属关系；随后，利用预先建立的多元线性回归预测模型，对每个录波特征向量进行回归处理，根据各录波特征与目标变量之间的线性映射关系，输出对应的预测值，用于量化表征录波特征向量与其所属故障类型之间的关联强度或置信程度；最后，综合分类结果与预测值进行融合判断，当预测值满足预设判定条件时，确认录波特征向量对应的故障类型为分类结果所指示的故障类型，当预测值不满足预设判定条件时，则降低对该分类结果的置信度并触发进一步的辅助分析或人工复核，从而在保证分类结果客观性的同时提升故障类型判定的准确性与可靠性，实现对录波故障数据的智能化分析与辅助决策。