基于感知哈希序列的電壓暫降事件同源識別

賈 榮，張 逸，林鴻偉，陳晶騰

基于感知哈希序列的電壓暫降事件同源識別

賈 榮1，張 逸1，林鴻偉2，陳晶騰3

(1.福州大學電氣工程與自動化學院，福建 福州 350108；2.國網福建省電力有限公司，福建 福州 350001；3.國網莆田供電公司，福建 莆田 351100)

針對現有方法未能充分利用電壓采樣值信息且對特殊錄波情況適應性較差的問題，提出基于感知哈希序列相似性的電壓暫降事件同源識別方法。首先，提出一種基于突變點檢測和錄波情況識別的暫降數據段提取方法，將對錄波文件中暫降事件的識別轉化為對完整和不完整暫降數據段的分別識別。其次，利用格拉姆角場(Gramian angular field, GAF)將提取后的暫降數據段從一維時間序列形式轉化為二維圖像，并利用感知哈希算法將其轉化為哈希序列。然后，通過歐氏距離刻畫相似性，并根據選取的閾值完成電壓暫降同源識別。最后，利用IEEE30節點系統生成的仿真數據以及北京、福建地區的實測數據進行驗證，證明了該方法具有識別精度高、適應性好等優勢。

電壓暫降；同源識別；錄波情況識別；格拉姆角場；感知哈希

0 引言

隨著電網側電源結構的變化以及用戶側設備呈現集成化和精密化的新型特征[1-2]，電壓暫降成為電能質量問題中的主要問題之一[3-7]。為了給電壓暫降研究提供數據支撐，越來越多的監測終端被部署[8-10]，因此同一次電壓暫降事件常會被不同的監測終端記錄。若在極端天氣等情況下，某一時間段內可能會發生多次暫降事件，且暫降起始時刻非常接近，因監測終端存在對時誤差(即不同終端記錄暫降發生時刻有著秒級甚至分鐘級誤差[11-12])，所以僅通過時標判斷是否是同一次暫降事件會產生誤判，進而影響電壓暫降定位、區域電網暫降嚴重度評估的正確性[13-14]。電壓暫降同源識別研究如何準確地將同一暫降源產生但由不同監測終端記錄的暫降波形進行歸并，是實現暫降定位、掌握傳播范圍以及區域電網準確評估的基礎。

電壓暫降同源識別是電壓暫降領域較新的研究課題。文獻[12]利用Wasserstein距離刻畫波形間的相似程度，通過基于密度聚類(density-based spatial clustering of applications with noise, DBSCAN)獲得同源識別結果，此研究首次提出了電壓暫降同源識別的概念并提供了基本思路。但是DBSCAN聚類對參數敏感且無法發現不同密度的簇。文獻[15]在文獻[12]的基礎上，將傾斜因子、波形相似度以及持續時間作為同源識別特征，利用共享近鄰點(shared nearest neighbor, SNN)改進DBSCAN聚類方法對特征進行同源識別，克服了DBSCAN密度聚類方法對參數敏感的不足，但此方法閾值系數需要依據電壓暫降可觀測域矩陣確定，還需獲取區域網絡結構，導致其通用性不強。文獻[16]將波形相似度、持續時間作為同源識別特征，利用多尺度分析算法進行降維處理，通過自動交互式的聚類分析方法(ordering points to identify the clustering structure, OPTICS)進行同源識別，此方法克服了文獻[15]改進DBSCAN聚類方法中部分參數對拓撲結構的依賴。但以上文獻均未對不完整錄波提出有效的解決方法，也未考慮一條錄波數據包含多個電壓暫降事件的情況；同時，均采用有效值波形進行暫降同源識別，忽略了采樣值波形包含的豐富暫降特征信息。

針對以上不足，本文提出基于感知哈希序列相似性的電壓暫降事件同源識別方法。首先，提出基于突變點檢測和錄波情況識別的暫降數據段提取方法，利用不平衡度以及有效值大小關系確定首末端暫降事件錄波情況，從而將錄波文件中的暫降事件劃分為若干個完整和不完整暫降數據段；然后，結合格拉姆角場與感知哈希算法形成哈希序列；最后，利用歐式距離實現相似度刻畫，并根據所選取閾值實現完整和不完整暫降數據段同源識別。

1 暫降數據段提取與轉換

1.1 暫降數據段提取

1.1.1暫降錄波文件現狀

經調研國內外電壓暫降監測終端錄波情況，并分析多個省級電能質量監測系統的實際錄波文件可發現：一方面，不同電壓監測終端錄波文件采樣率存在不同[17]；另一方面，錄波文件普遍存在缺失等情況，具體如下。

1) 一個事件錄波文件中可能存在多個完整或不完整的暫降數據段；

2) 不完整數據段中缺失部分一般在暫降錄波開始和結束兩端，如中間發生缺失一般會分成兩個錄波文件；

3) 幾乎不存在單個暫降事件開始和結束段數據均缺失的情況；

4) 幾乎不存在單相或兩相數據缺失的情況。

1.1.2基于突變點檢測的提取方法

針對以上情況，不能直接利用錄波數據進行同源識別。因此，首先以錄波數據文件中最小采樣率為基礎，統一所有文件采樣率。在此基礎上，將表征單次暫降事件特征的待匹配錄波數據段定義為“暫降數據段”，并提出基于突變點檢測和錄波情況識別的暫降數據段提取方法，把對錄波文件的匹配轉化為對暫降數據段的同源識別。其提取過程主要分以下兩步：

1) 突變點檢測

S變換適用于分析具有突變性質的非平穩信號，在特征提取結果顯示方面具有直觀、物理含義明確等優勢[18-19]。S變換作為特征提取的主要算法，其具體實現過程為：首先，利用S變換形成S模矩陣；然后，提取其中的特征分量；最后，根據其在不同時刻的幅值獲取突變點數量以及突變時刻。

2) 錄波情況識別與提取

由于錄波情況體現暫降數據段序列，即需先對錄波情況進行識別。根據不對稱故障的不平衡度遠大于正常運行或對稱故障[20]的不平衡度，本文定義不平衡度表示三相電壓有效值間的偏離程度并用于判斷首末端暫降事件錄波情況，計算公式如式(1)所示。

基于此，本文提出一種基于不平衡度以及有效值關系的錄波情況識別與暫降數據段提取方法。首先，利用不平衡度以及有效值大小關系確定首末端暫降事件錄波情況；然后，借助突變點數量識別錄波情況；最后，提取暫降數據段。

1.1.3具體實現過程

依據文獻[22]對錄波情況的分析，以及對多個省級電能質量監測平臺錄波文件情況的調查結果發現：錄波文件中存在錄波不完整和包含多個暫降事件的錄波情況。在此基礎上，結合本文錄波情況劃分方法，根據完整和不完整暫降數據段的分布情況，將電壓暫降事件錄波文件歸結為如圖1所示的7種情況，其中包含1種正常錄波和6種特殊錄波，下文利用圖1說明暫降數據段提取過程。

圖1 不同錄波情況的暫降數據段提取示意圖

結合表1與突變點數量對錄波情況進行劃分并提取暫降數據段，如圖2所示。

表1 首末端暫降事件分類表

圖2 錄波情況識別流程示意圖

對以上流程詳述如下：

通過以上過程提取的暫降數據段將作為電壓暫降事件同源識別的基本待識別單元，隨后的方法均針對其進行識別。

1.2 考慮變壓器對波形的影響

受變壓器連接方式的影響，電壓暫降數據段經過變壓器后，暫降幅值和相位會發生變化，甚至可能使暫降類型也發生變化[23-24]，即需要考慮暫降經變壓器后對所有可能的波形進行同源識別。

表2 所有可能的變壓器傳遞矩陣

2 暫降數據段圖像化與哈希序列生成

2.1 GAF時序二維化

由于在暫降起止時刻，暫態過渡過程特征非常豐富，若將其轉化為圖像很容易便能抓取其特征，所以本文從圖像角度出發研究同源識別問題。格拉姆角場(Gramian angular field, GAF)是從格拉姆矩陣上演變而來，利用坐標變換將笛卡爾坐標系轉換到極坐標系上，實現一維時間序列的二維圖像化[25]。通過GAF既保證了一維時間序列與二維圖像之間的雙映射關系，不會造成數據丟失問題；又保證了對時間的依賴性，即選取GAF作為本文的圖像化方法。

考慮到暫態過渡過程中有效值波形特征相對平緩，同時有效值會丟失波形特征，而采樣值波形特征較多且完全保留波形的原始特性，即本文選取暫降數據段的采樣值波形進行圖像化。利用GAF可以將暫降數據段從一維時間序列形式轉化為二維圖像。以某一數據的暫降數據段為例，GAF轉換過程如圖3所示。

圖3 GAF轉換過程

2.2 感知哈希算法

由于本文將同源識別問題轉化為圖像匹配問題，匹配成功即同源，反之不同源。從這一角度出發，要實現同源識別需要一種圖像匹配算法，又由于感知哈希算法的準確性、快速性以及唯一性，而被廣泛應用于圖像、視頻等領域[26]，故選取感知哈希算法作為本文的圖像匹配算法。感知哈希算法通過提取圖像的主要信息，生成表征每張圖像的哈希序列，并將其作為圖像的唯一標識符。

本文利用感知哈希算法將暫降數據段形成的GAF用唯一的64位二進制哈希序列表示。利用圖4說明感知哈希序列生成流程。

圖4 感知哈希序列生成流程

根據生成的哈希序列，利用歐氏距離實現相似度刻畫，通過閾值判斷即可實現同源識別。

3 電壓暫降事件同源識別流程

3.1 完整暫降數據段同源識別

2) 暫降數據段圖形化與哈希序列生成。將步驟1)得到的基準數據集和完整暫降數據段集的一維時間序列轉換為二維圖像。并利用感知哈希算法得到64位二進制哈希序列。其中基準數據集的哈希序列為

完整暫降數據段集的哈希序列為

B、C兩相與式(5)一致，最終得到基準數據集與完整暫降數據段集的相似度矩陣為

通過以上步驟可以得到基準數據的同源結果，如圖5所示。將其他與基準數據不同源的完整暫降數據段作為下次待同源識別數據，反復執行上述步驟，即可得到完整暫降數據段集的同源識別結果。

圖5 單次完整暫降數據段同源識別流程

3.2 不完整暫降數據段同源識別

圖6 一次不完整暫降數據段同源識別集形成示意圖

4) 按照3.1節中所述步驟可得到僅記錄暫降開始段和結束段的基準數據的同源結果。將僅記錄暫降開始段和結束段中與各自基準數據不同源的數據作為下次待同源識別數據。

5) 在剩余僅記錄暫降開始段和結束段數據中選取數據長度最短的數據作為基準數據，按照步驟3)和4)進行識別，直至所有數據均完成同源識別，即可得到最終的識別結果。

4 算例驗證

4.1 仿真驗證

4.1.1仿真算例設置

本文在PSCAD/EMTDC仿真軟件上搭建IEEE30節點系統模型，該模型中包含5個無窮大電源，6個變壓器，并設置6個監測點模擬電壓暫降監測裝置，具體如圖7所示。

圖7 IEEE30節點系統圖

在圖7所示的模型上分別設置4次故障，共得到24條完整錄波數據，具體信息如表3所示。

表3 仿真設置的電壓暫降事件信息

為驗證本文方法對特殊錄波的適應性，在24條完整錄波數據基礎上做適當處理，模擬構建3種特殊錄波情況：將節點4故障①、③所產生暫降數據置于一個錄波文件中，如圖8(a)所示；將節點7所記錄故障②的暫降波形舍棄結束段，如圖8(b)所示；將節點10記錄的故障③暫降波形舍棄開始段，如圖8(c)所示，即一共得到23條錄波數據。

4.1.2仿真同源識別分析

圖8 仿真算例特殊錄波電壓波形

表4 不同閾值同源識別結果對比

圖9 不完整暫降數據段集的識別結果

圖10 文獻[9]仿真算例同源識別結果

由圖10可知，文獻[12]識別結果包含4次暫降事件與3個噪聲點。3個噪聲點的電壓波形如圖8所示。根據文獻[12]同源識別原理將未包含完整暫降數據段的數據視為“壞數據”并歸為噪聲，圖8(b)、圖8(c)均為不完整錄波，所以在識別結果中歸為噪聲；又由于文獻[12]未考慮一條錄波數據中包含多個暫降事件的情況，即不能將其拆分為若干個單個暫降事件的組合，從而直接籠統地將未重復記錄(只記錄一次)的暫降數據視作噪點處理，圖8(a)為一條錄波數據包含多個暫降事件的情況，將其視為整體與其他數據進行同源識別將會造成錯誤識別為單獨的暫降波形，即在文獻[12]方法中也將視為噪聲處理。通過對比本文與文獻[12]同源識別結果，可知本文方法適用性更強。

4.2 實例分析

4.2.1實例1正常錄波數據驗證

我國北京某地區監測終端在2018年5月28日10：00—10：10記錄了78條故障數據，通過觀察分析，發現錄波時間均在10：03：08—10：03：09之間，其暫降起始時間分布如圖11(a)所示，圖11中的時刻08.065表示10點03分08秒0.65毫秒。

圖11 暫降起始時間分布展示圖

圖12 實例1同源識別的相似結果

根據圖12可知，78條錄波數據是由4次暫降事件引起的。通過查詢繼電保護故障錄波系統SOE事件列表，得知此段時間中發生了4次故障，與本文所提算法識別結果一致。將4次同源識別結果分別作為暫降事件1—4在圖11(a)基礎上展示，展示結果如圖11(b)所示。通過對比圖11(a)與圖11(b)也可再次證明：若某一時間段內發生多次暫降事件，且起始時刻非常接近，由于計時誤差，僅通過時標進行暫降同源識別，將會造成誤判。

圖13 實例1文獻[12]同源識別結果

4.2.2實例2包含不完整錄波數據驗證

實例2采用福建某地區2021年8月16日14：50—15：00的錄波數據進行驗證，在此時間片區內監測終端共記錄18條數據(17條正常錄波數據，一條特殊錄波數據)。通過對錄波數據進行觀察分析，發現錄波開始時刻非常接近，14：56：59—14：57：00之間記錄了13條數據，14：51：48—14：51：49之間記錄了5條數據，無法僅依靠時標進行同源識別。

圖14 數據段18的電壓波形圖

表5 同源識別結果對比

5 結論

本文提出一種基于感知哈希序列相似性的多電壓暫降事件同源識別方法，并用實測數據與仿真數據驗證該方法的正確性。通過仿真與實例分析表明：

1) 本文所提的同源識別方法既能對不同錄波情況進行有效辨識與暫降數據段的提取，也能對提取后的完整和不完整暫降數據段同源識別，提高了方法在不同網省電能質量監測系統中的適用性。

2) 本文提出利用電壓采樣值原始波形特征信息實現電壓暫降同源識別問題，使同源數據間的相似性更明顯，且本文閾值選取相對穩定，方法適用性更強。

3) 當待同源識別集中存在較多不完整錄波且數據長度間相差較大時，雖然所提算法能準確進行同源識別，但是過程復雜，步驟較多。下一步將繼續研究，在保證準確率的同時，優化識別過程，提高效率。

[1] 文勁宇, 周博, 魏利屾. 中國未來電力系統儲電網初探[J]. 電力系統保護與控制, 2022, 50(7): 1-10.

WEN Jinyu, ZHOU Bo, WEI Lishen. Preliminary study on an energy storage grid for future power system in China[J]. Power System Protection and Control, 2022, 50(7): 1-10.

[2] 修連成, 甘艷, 何靖萱, 等. 基于EMAF的新型電力系統電壓畸變工況下并網逆變器快速鎖相方法[J]. 智慧電力, 2022, 50(1): 88-93.

XIU Liancheng, GAN Yan, HE Jingxuan, et al. Fast phase locking of grid-connected inverters under distorted voltage in new power system based on EMAF[J]. Smart Power, 2022, 50(1): 88-93.

[3] 張逸, 李為明, 林芳, 等. 基于電氣特性–物理屬性的工業用戶電壓暫降緩減策略[J]. 中國電機工程學報, 2021, 41(2): 632-642.

ZHANG Yi, LI Weiming, LIN Fang, et al. Voltage sag mitigation strategy for industrial users based on process electrical characteristics-physical attribute[J].Proceedings of the CSEE, 2021, 41(2): 632-642.

[4] 王建勛, 張逸, 張嫣, 等. 面向現代工業園區的電壓暫降綜合防治方案[J]. 電力系統自動化, 2020, 44(14): 156-163.

WANG Jianxun, ZHANG Yi, ZHANG Yan, et al. Comprehensive prevention and control scheme for voltage sag in modern industrial park[J]. Automation of Electric Power Systems, 2020, 44(14): 156-163．

[5] 孫東, 張昊, 任偉, 等. 基于正序電流故障分量相位比較的電壓暫降擾動源分界[J]. 電力工程技術, 2021, 40(1): 115-122, 137.

SUN Dong, ZHANG Hao, REN Wei, et al. Demarcating method for voltage sag source of distribution network[J]. Electric Power Engineering Technology, 2021, 40(1): 115-122, 137.

[6] 楊兵, 劉少飛, 方太勛, 等. 快速開關限流型交流母線電壓保持設備研究[J/OL]. 高壓電器: 1-7[2022-05-08]. http://kns.cnki.net/kcms/detail/61.1127.TM.20210813.1657. 002.html.

YANG Bing, LIU Shaofei, FANG Taixun, et al. Research on AC bus voltage maintenance equipment based on high-speed breaker current limiting[J/OL]. High Voltage Apparatus: 1-7[2022-05-08]. http://kns.cnki.net/kcms/detail/ 61.1127.TM.20210813.1657.002.html.

[7] 白浩, 齊林海, 王紅. 融合知識圖譜與卷積神經網絡的電壓暫降分類識別[J]. 電力信息與通信技術, 2021, 19(11): 131-139.

BAI Hao, QI Linhai, WANG Hong. Classification and recognition of voltage sag based on knowledge graph and convolution neural network[J]. Electric Power Information and Communication Technology, 2021, 19(11): 131-139.

[8] 張逸, 林焱, 吳丹岳. 電能質量監測系統研究現狀及發展趨勢[J]. 電力系統保護與控制, 2015, 43(2): 138-147.

ZHANG Yi, LIN Yan, WU Danyue. Current status and development trend of power quality monitoring system[J]. Power System Protection and Control, 2015, 43(2): 138-147.

[9] 胡文曦, 肖先勇, 金耘嶺, 等. 電壓暫降波形數據分析法及其在監測系統中的應用[J]. 電網技術, 2019, 43(11): 4193-4199.

HU Wenxi, XIAO Xianyong, JIN Yunling, et al. Voltage sag waveform data analysis method and its application in monitoring system[J]. Power System Technology, 2019, 43(11): 4193-4199.

[10] ZUHAIB M, RIHAN M, SAEED M T. A novel method for locating the source of sustained oscillation in power system using synchrophasors data[J]. Protection and Control of Modern Power Systems, 2020, 5(4): 51-62.

[11] STEVEN B M, CAMPBELL B D, GILLIAN W, et al. Automatically detecting and correcting errors in power quality monitoring data[J]. IEEE Transactions on Power Delivery, 2017, 32(2): 1005-1013.

[12] 肖先勇, 桂良宇, 李成鑫, 等. 基于Wasserstein距離的多電壓暫降事件同源檢測方法[J]. 電網技術, 2020, 44(12): 4684-4693.

XIAO Xianyong, GUI Linagyu, LI Chengxin, et al. Multiple voltage sag events homology detection based on Wasserstein distance[J]. Power System Technology, 2020, 44(12): 4684-4693.

[13] 林熙瑤, 邵振國, 張嫣. 采用虛擬電壓匹配的含雙饋型電源電網暫降源定位[J]. 電網技術, 2021, 45(1): 322-330.

LIN Xiyao, SHAO Zhenguo, ZHANG Yan. Sag source positioning of power grid with doubly fed power supply based on matching typical mode of the virtual voltage[J]. Power System Technology, 2021, 45(1): 322-330.

[14] 徐悅, 孫建軍, 丁凱, 等. 基于場景構建的電壓暫降特征量隨機評估方法[J]. 電力系統保護與控制, 2021, 49(9): 105-112.

XU Yue, SUN Jianjun, DING Kai, et al. Random evaluation method of voltage sag characteristics based on scenario construction[J]. Power System Protection and Control, 2021, 49(9): 105-112.

[15] 汪穎, 謝佳妮, 鄧凌峰, 等. 基于典型波形特征與改進DBSCAN的電壓暫降同源識別方法[J]. 電力系統自動化, 2021, 45(11): 126-135.

WANG Ying, XIE Jiani, DENG Lingfeng, et al. Identification method for same-source voltage sags based on typical waveform characteristics and improved density-based spatial clustering of applications with noise[J]. Automation of Electric Power Systems, 2021, 45(11): 126-135.

[16] 李天楚, 伍智鵬, 劉紅巖. 基于Hausdorff距離與OPTICS聚類的電壓暫降同源識別方法[J]. 中國測試, 2022, 48(4): 110-116, 172.

LI Tianchu, WU Zhipeng, LIU Hongyan. Same-source identification method of voltage sags based on Hausdorff distance and OPTICS clustering[J]. China Measurement & Test, 2022, 48(4): 110-116, 172.

[17] Transmission and Distribution Committee of the IEEE Power and Energy Society. IEEE recommended practice for monitoring electric power quality: IEEE 1159—2019[S].

[18] 程志友, 楊猛. 基于二維離散余弦S變換的電能質量擾動類型識別[J]. 電力系統保護與控制, 2021, 49(17): 85-92.

CHENG Zhiyou, YANG Meng. Power quality disturbance type identification based on a two-dimensional discrete cosine S-transform[J]. Power System Protection and Control, 2021, 49(17): 85-92.

[19] 葉筱怡, 劉海濤, 呂干云, 等. 基于BAS-BP分類器模型的電壓暫降源識別[J]. 電力工程技術, 2022, 41(1): 77-83.

YE Xiaoyi, LIU Haitao, Lü Ganyun, et al. Identification of voltage sag source based on BAS-BP classifier model[J]. Electric Power Engineering Technology, 2022, 41(1): 77-83.

[20] 楊美輝, 周念成, 王強鋼, 等. 基于分布式協同的雙極直流微電網不平衡電壓控制策略[J]. 電工技術學報, 2021, 36(3): 634-645.

YANG Meihui, ZHOU Niancheng, WANG Qianggang, et al. Unbalanced voltage control strategy of bipolar DC microgrid based on distributed cooperation[J]. Transactions of China Electrotechnical Society, 2021, 36(3): 634-645.

[21] 全國電壓電流等級和頻率標準化技術委員會. 電能質量三相不平衡: GB/T 15543—2008[S]. 北京: 標準化出版社, 2009.

[22] 何俊濤. 基于錄波數據的電力系統故障元件智能診斷方法研究[D]. 濟南: 山東大學, 2019.

HE Juntao. Research on intelligent diagnosis method of power system fault components based on recording data[D]. Jinan: Shandong University, 2019.

[23] 肖湘寧, 陶順. 中性點不同接地方式下的電壓暫降類型及其在變壓器間的傳遞(一)[J]. 電工技術學報, 2007, 22(9): 143-147, 153.

XIAO Xiangning, TAO Shun. Voltage sags types under different grounding modes of neutral and their propagation: part I[J]. Transactions of China Electrotechnical Society, 2007, 22(9): 143-147, 153.

[24] 陶順, 肖湘寧. 中性點不同接地方式下的電壓暫降類型及其在變壓器間的傳遞(二)[J]. 電工技術學報, 2007, 22(10): 156-159.

TAO Shun, XIAO Xiangning. Voltage sags types under different grounding modes of neutral and their propagation: part Ⅱ[J]. Transactions of China Electrotechnical Society, 2007, 22(10): 156-159.

[25] 鄭煒, 林瑞全, 王俊, 等. 基于GAF與卷積神經網絡的電能質量擾動分類[J]. 電力系統保護與控制, 2021, 49(11): 97-104.

ZHENG Wei, LIN Ruiquan, WANG Jun, et al. Power quality disturbance classification based on GAF and a convolutional neural network[J]. Power System Protection and Control, 2021, 49(11): 97-104.

[26] 張洪帥. 基于圖像感知哈希的場景分類[D]. 蘭州: 蘭州大學, 2018.

ZHANG Hongshuai. Scene classification based on image perception Hashing[D]. Lanzhou: Lanzhou University, 2018.

[27] 陳優良, 肖鋼, 卞煥, 等. 一種融合動態預測的感知哈希目標跟蹤算法[J]. 測繪通報, 2020(2): 17-23.

CHEN Youliang, XIAO Gang, BIAN Huan, et al. A perceptual Hash target tracking algorithm based on dynamic prediction[J]. Bulletin of Surveying and Mapping, 2020(2): 17-23.

[28] 徐夢瑩, 劉文波, 蔡超, 等. KAZE結合感知哈希的圖像匹配算法[J]. 半導體光電, 2021, 42(1): 87-92.

XU Mengying, LIU Wenbo, CAI Chao, et al. Image matching algorithm based on KAZE and perceptual hash[J]. Semiconductor Optoelectronics, 2021, 42(1): 87-92.

Homology identification of multi voltage sag events based on perceptual Hash sequence

JIA Rong1, ZHANG Yi1, LIN Hongwei2, CHEN Jingteng3

(1. College of Electrical Engineering and Automation, Fuzhou University, Fuzhou 350108, China; 2. State Grid Fujian Electric Power Co., Ltd., Fuzhou 350001, China; 3. State Grid Putian Power Supply Company, Putian 351100, China)

Existing methods for identification of voltage sag, cannot make full use of the voltage sampling value information and have poor adaptability to special recording conditions. Thus a homologous identification method of voltage sag events based on perceptual Hash sequence similarity is proposed. First, this paper proposes a method for extracting sag data segments based on mutation point detection and recording situation recognition. This transforms the recognition of sag events in recording files into the recognition of complete and incomplete sag data segments respectively. Secondly, it uses the Gramian angle field (GAF) to convert the extracted sag data segment from one-dimensional time series to two-dimensional images, and applies the perceptual Hash algorithm to convert it into a Hash sequence. Then, by describing the similarity through Euclidean distance, it completes the homology identification of voltage sag according to the selected threshold. Finally, it applies the simulation data generated by the IEEE30 node system to the measured data in Beijing and Fujian. This shows that the method has advantages of high recognition accuracy and good adaptability.

voltage sag; homology recognition; identification of wave recording; Gramian angular field; perceptual Hash

10.19783/j.cnki.pspc.220702

福建省科技計劃引導性項目資助(2020H0009)

This work is supported by the Science and Technology Guidance Project of Fujian Province (No. 2020H0009).

2022-05-12；

2022-07-21

賈 榮(1996—)，男，碩士研究生，研究方向為電能質量分析；E-mail: 444096651@qq.com

張 逸(1984—)，男，通信作者，博士，副教授，研究方向為電能質量、主動配電網及電力數據分析等。E-mail: zhangyi@fzu.edu.cn

(編輯 周金梅)