本发明提供一种配电网故障类型识别方法和系统，其中，所述配电网故障类型识别方法包括：从配电网的传输线路中获取工作过程中信号的实时波形；将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形；分别提取所述实时波形和匹配波形的边缘特征点，并计算所述边缘特征点的豪斯多夫距离；筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形；根据所述故障波形的类型确定实时波形的故障类型。上述配电网故障类型识别方法和系统不需要建立复杂的数学模型便可以对配电网中的故障类型进行精确判断，提高了配电网故障识别的效率和准确性。
1.一种配电网故障类型识别方法，其特征在于，包括如下步骤：从配电网的传输线路中获取工作过程中信号的实时波形；
将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形；其中，所述波形库中的波形包括配电网中的故障波形以及相应的故障类型；
分别提取所述实时波形和匹配波形的边缘特征点，并计算所述边缘特征点的豪斯多夫距离；所述边缘特征点包括：波峰、波谷、超出上限值、低出下限值、波形跨度；
筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形；
2.根据权利要求1所述的配电网故障类型识别方法，其特征在于，所述从配电网的传输线路中获取工作过程中信号的实时波形的步骤后还包括：判断实时波形是否为正常波形；若为正常波形，返回从配电网的传输线路中获取工作过程中信号的实时波形的操作。
3.根据权利要求1所述的配电网故障类型识别方法，其特征在于，所述将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形的步骤后还包括：获取与所述波形库中的波形没有匹配波形的实时波形；
4.根据权利要求1所述的配电网故障类型识别方法，其特征在于，所述将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形的步骤包括：在实时波形上选取一组随机点；
计算所述随机点与波形库中的波形的相应点之间的误差；
5.根据权利要求4所述的配电网故障类型识别方法，其特征在于，所述计算所述随机点与波形库中的波形的相应点之间的误差包括：ε(i,j)＝|Sm(i,j)-T(i,j)|其中，ε(i,j)表示误差，T(i,j)为实时波形上的点，Sm(i,j)为第m个波形上的点。
6.根据权利要求4所述的配电网故障类型识别方法，其特征在于，所述构造累加次数与误差和的检测曲面函数包括：其中，ε(i,j,m)为第m个波形与实时波形的误差，r为累加次数，Tk为第二预设阈值，n为表示匹配度。
7.一种配电网故障类型识别系统，其特征在于，包括：第一获取模块，用于从配电网的传输线路中获取工作过程中信号的实时波形；
匹配模块，用于将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形；其中，所述波形库中的波形包括配电网中的故障波形以及相应的故障类型；
提取模块，用于分别提取所述实时波形和匹配波形的边缘特征点，并计算所述边缘特征点的豪斯多夫距离；所述边缘特征点包括：波峰、波谷、超出上限值、低出下限值、波形跨度；
筛选模块，用于筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形；
第一确定模块，用于根据所述故障波形的类型确定实时波形的故障类型。
8.根据权利要求7所述的配电网故障类型识别系统，其特征在于，所述第一获取模块后还包括：判断模块，用于判断实时波形是否为正常波形；若为正常波形，返回从配电网的传输线路中获取工作过程中信号的实时波形的操作。
9.根据权利要求7所述的配电网故障类型识别系统，其特征在于，所述匹配模块后还包括：第三获取模块，用于获取与所述波形库中的波形没有匹配波形的实时波形；
查询模块，用于根据所述实时波形的特征在配电网中查询故障特点；
存储模块，用于将确定故障类型的实时波形存储至波形库。
配电网故障类型识别方法和系统
技术领域
[0001] 本发明涉及电力工程技术领域，特别是涉及配电网故障类型识别方法和系统。
背景技术
[0002] 电力在国民经济中扮演了一个极其重要的角色，掌握着国民经济的命脉。保证电力系统安全可靠有效率地发电供电，是电力部门必须担负的职责。随着社会经济的发展和人们生活水平的进步，现代电力系统也日趋大型化、复杂化，人们对电能的持续和稳定要求越来越高。与此同时，电力系统的故障是无法避免的，特别是输电线路。由于长期暴露在自然环境中，引发故障的可能性非常大。为了快速监测并确定配电网故障类型，以便尽快找到解决方案，确保系统安全稳定运行，增强供电的可靠性和持续性，一个优质的配电网故障类型识别系统显得尤为重要。
[0003] 故障识别技术是一个模式分类与识别问题，即把系统的运行状态分为正常和异常两类，异常信号样本究竟属于哪个故障，这又是一个模式识别问题。近几年来，故障类型识别技术得到了深入广泛的研究，提出了众多可行的方法，概括起来可分为三大类。一是基于解析模型的方法，二是基于信号处理的方法，三是基于知识的诊断方法。这些方法的现有技术中，需要建立复杂的数学模型或者一般只能对故障范围做出粗略的判断。
[0004] 综上所述，现有技术中，配电网故障的识别过程复杂，导致实际应用中，识别效率低、准确性低。
发明内容
[0005] 基于此，有必要针对现有技术中配电网故障识别效率低、准确性低的问题，提供一种配电网故障类型识别方法和系统。
[0006] 一种配电网故障类型识别方法，包括如下步骤：
[0007] 从配电网的传输线路中获取工作过程中信号的实时波形；
[0008] 将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形；其中，所述波形库中的波形包括配电网中的故障波形以及相应的故障类型；
[0009] 分别提取所述实时波形和匹配波形的边缘特征点，并计算所述边缘特征点的豪斯多夫距离；
[0010] 筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形；
[0011] 根据所述故障波形的类型确定实时波形的故障类型。
[0012] 一种配电网故障类型识别系统，包括：
[0013] 第一获取模块，用于从配电网的传输线路中获取工作过程中信号的实时波形；
[0014] 匹配模块，用于将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形；其中，所述波形库中的波形包括配电网中的故障波形以及相应的故障类型；
[0015] 提取模块，用于分别提取所述实时波形和匹配波形的边缘特征点，并计算所述边缘特征点的豪斯多夫距离；
[0016] 筛选模块，用于筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形；
[0017] 第一确定模块，用于根据所述故障波形的类型确定实时波形的故障类型。
[0018] 上述配电网故障类型识别方法和系统，通过从配电网传输线路中获取实时波形，将实时波形与波形库中的波形进行匹配，进行故障类型的粗识别，再通过提取边缘特征点将实时波形与波形库中的波形进行进一步匹配，确定实时波形的具体故障类型。本发明提供的配电网故障类型识别方法和系统不需要建立复杂的数学模型便可以对配电网中的故障类型进行精确判断，提高了配电网故障识别的效率和准确性。
附图说明
[0019] 图1为一个实施例的配电网故障类型识别方法流程图；
[0020] 图2为一个实施例的直击雷过电流故障波形示意图；
[0021] 图3为一个实施例的感应雷过电流故障波形示意图；
[0022] 图4为一个实施例的雷电干扰故障波形示意图；
[0023] 图5为一个优选实施例的配电网故障类型识别方法流程图；
[0024] 图6为一个实施例的故障波形存储方法流程图；
[0025] 图7为一个实施例的波形匹配方法流程图；
[0026] 图8为一个实施例的配电网故障类型识别系统结构示意图；
[0027] 图9为一个优选实施例的配电网故障类型识别系统结构示意图；
[0028] 图10为一个实施例的故障波形存储系统结构示意图。
具体实施方式
[0029] 下面结合附图对本发明提供的配电网故障类型识别方法和系统的具体实施方式作详细描述。
[0030] 参考图1，图1所示为一个实施例的配电网故障类型识别方法流程图，包括如下步骤：
[0031] S10，从配电网的传输线路中获取工作过程中信号的实时波形；
[0032] 上述步骤S10中，实时波形为配电网工作过程中信号的波形，实时波形能反应配电网当时的工作状况，获取实时波形有助于及时发现配电网的传输线路中故障，并找到相应的解决方案。
[0033] S30，将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形；其中，所述波形库中的波形包括配电网中的故障波形以及相应的故障类型；
[0034] 上述步骤S30中，配电网中的故障波形以及相应的故障类型都已存入波形库，图2所示为直击雷过电流故障波形示意图，其中，横坐标表示时间，纵坐标表示电流比值，Tm表示雷电波的波头时间，Th表示雷电波的波尾时间，Im表示雷电流峰值。图3所示为感应雷过电流故障波形示意图，其中，横坐标表示时间，单位为微秒(μs)，纵坐标表示电流强度。图4所示为雷电干扰故障波形示意图，其中，横坐标表示时间，单位为微秒(μs)，纵坐标表示电流强度。第一预设阈值根据具体的故障类型确定。
[0035] S50，分别提取所述实时波形和匹配波形的边缘特征点，并计算所述边缘特征点的豪斯多夫距离；
[0036] 上述步骤S50中，豪斯多夫距离的表达式可以写为：
[0037] H(A,B)＝max(h(A,B),h(B,A))
[0038] 其中，
[0039]
[0040]
[0041] 上述两个式子中，A＝{a1,a2,…,aNA}，表示实时波形中NA个边缘特征点构成的点集，B＝{b1,b2,…bNA}，表示匹配波形中NA个边缘特征点构成的点集，||a-b||是点集A到点集B之间的距离范式。H(A,B)为双向豪斯多夫距离，是豪斯多夫距离的基本形式。h(A,B)为点集A和B点集之间的直接豪斯多夫距离。即h(A,B)实际上首先计算点集A中的各个点ai到距离它最近的B点集中点bj之间的距离||ai-bj||，然后对其进行排序，则h(A,B)取点集A中的各个点到点集B中的最小距离点集当中的最大值，h(B,A)同理可得。
豪斯多夫距离H(A,B)取h(A,B)和h(B,A)的最大值，以此得到两个点集A和B之间的匹配程度，距离越小，相似度越高，匹配程度越高。
[0042] S70，筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形；
[0043] 上述步骤S70得到的故障波形为波形库中与实时波形相似度最高，也就是最匹配的波形，它能反应实时波形中存在的具体问题。
[0044] S90，根据所述故障波形的类型确定实时波形的故障类型。
[0045] 上述配电网故障类型识别方法和系统通过从配电网传输线路中获取实时波形，将实时波形与波形库中的波形进行匹配，进行故障类型的粗识别，再通过提取边缘特征点将实时波形与波形库中的波形进行进一步匹配，确定实时波形的具体故障类型。本发明提供的配电网故障类型识别方法和系统不需要建立复杂的数学模型便可以对配电网中的故障类型进行精确判断，提高了配电网故障识别的效率和准确性。
[0046] 参考图5，图5所示为一个优选实施例的配电网故障类型识别方法流程图，如图示，上述配电网故障类型识别方法还可以包括：
[0047] S21，判断实时波形是否为正常波形；若为正常波形，继续从配电网的传输线路中获取工作过程中信号的实时波形(即上述步骤S10)。
[0048] 上述实施例在进行波形匹配之前，先判断实时波形是否为正常波形，若为正常波形，则说明此时配电网的传输线路不存在故障，无需进行故障类型识别，继续从配电网的传输线路中获取工作过程中信号的实时波形，进一步判断接下来的配电网传输线路是否出现故障，减少了后续波形匹配中不必要的匹配工作，进一步提高了配电网故障类型识别的效率。
[0049] 参考图6，图6所示为一个实施例的故障波形存储方法流程图，如图示，上述配电网故障类型识别方法还可以包括：
[0050] S41，获取与所述波形库中的波形没有匹配波形的实时波形；
[0051] 上述步骤S41说明，配电网可能会出现波形库中没有记录过的故障，若配电网出现波形库中没有记录过的故障，此时，波形库中便找不到实时波形对应的匹配波形。
[0052] S42，根据所述实时波形的特征在配电网中查询故障特点；
[0053] S43，根据所述故障特点确定故障类型；
[0054] 上述步骤S42、S43中，若配电网出现波形库中没有记录过的故障，则需要根据故障特点从配电网中查询故障的发生处，并确定其原因和类型。
[0055] S44，将确定故障类型的实时波形存储至波形库。
[0056] 上述步骤S44中所确定得故障类型为波形库中不存在的故障类型，需要将其对应的波形存储至波形库，供以后配电网发生相同故障能根据该波形进行波形匹配和类型识别。
[0057] 参考图7，图7所示为一个实施例的波形匹配方法流程图，如图示，上述波形匹配方法可以包括：
[0058] S31，在实时波形上选取一组随机点；
[0059] S32，计算所述随机点与波形库中的波形的相应点之间的误差；
[0060] S33，重复累加所述随机点的误差，得到误差和；
[0061] S34，判断所述误差和是否大于第二预设阈值；
[0062] 上述步骤S34中，第二预设阈值根据具体的波形类型以及误差类型确定。
[0063] S35，若大于第二预设阈值，记录累加次数；
[0064] S36，构造累加次数与误差和的检测曲面函数；
[0065] S37，确定大于第三预设阈值的函数部分对应的近似波形；
[0066] S38，根据所述近似波形确定匹配波形。
[0067] 上述实施例提供的波形匹配方法根据误差累加和和累加次数构造检测曲面函数，通过检测曲面函数与第三预设阈值的关系确定匹配波形，根据上述匹配波形能初步判断实时波形大致发生了哪一类故障。
[0068] 在一个实施例中，上述计算所述随机点与波形库中的波形的相应点之间的误差可以包括：
[0069] ε(i,j)＝|Sm(i,j)-T(i,j)|
[0070] 其中，ε(i,j)表示误差，T(i,j)为实时波形上的点，Sm(i,j)为第m个波形上的点。
[0071] 在一个实施例中，上述构造累加次数与误差和的检测曲面函数可以包括：
[0072]
[0073] 其中，ε(i,j,m)为第m个波形与实时波形的误差，r为累加次数，Tk为第二预设阈值，n为表示匹配度。
[0074] 在一个实施例中，上述边缘特征点可以包括：波峰、波谷、超出上限值、低出下限值、波形跨度。本实施例提供的边缘特征点能全面说明波形的特征，有助于准确进行波形识别。
[0075] 参考图8，图8所示为一个实施例的配电网故障类型识别系统结构示意图，包括：
[0076] 第一获取模块10，用于从配电网的传输线路中获取工作过程中信号的实时波形；
[0077] 匹配模块30，用于将所述实时波形与波形库中的波形进行匹配，找出与所述实时波形匹配度大于等于第一预设阈值的波形，得到匹配波形；其中，所述波形库中的波形包括配电网中的故障波形以及相应的故障类型；
[0078] 提取模块50，用于分别提取所述实时波形和匹配波形的边缘特征点，并计算所述边缘特征点的豪斯多夫距离；
[0079] 筛选模块70，用于筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形筛选与实时波形的豪斯多夫距离最小的匹配波形，得到故障波形；
[0080] 第一确定模块90，用于根据所述故障波形的类型确定实时波形的故障类型。
[0081] 参考图9，图9所示为一个优选实施例的配电网故障类型识别系统结构示意图，如图示，上述配电网故障类型识别系统还可以包括：
[0082] 判断模块21，用于判断实时波形是否为正常波形；若为正常波形，继续从配电网的传输线路中获取工作过程中信号的实时波形。
[0083] 参考图10，图10所示为一个实施例的故障波形存储系统结构示意图，如图示，上述配电网故障类型识别系统还可以包括：
[0084] 第三获取模块41，用于获取与所述波形库中的波形没有匹配波形的实时波形；
[0085] 查询模块42，用于根据所述实时波形的特征在配电网中查询故障特点；
[0086] 第二确定模块43，用于根据所述故障特点确定故障类型；
[0087] 存储模块44，用于将确定故障类型的实时波形存储至波形库。
[0088] 本发明的配电网故障类型识别系统与本发明的配电网故障类型识别方法一一对应，在上述配电网故障类型识别方法的实施例阐述的技术特征及其有益效果均适用于本发明提供的配电网故障类型识别系统的实施例中，特此声明。
[0089] 以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对本发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。
