基于感知哈希序列的电压暂降事件同源识别

贾 荣，张 逸，林鸿伟，陈晶腾

基于感知哈希序列的电压暂降事件同源识别

贾 荣1，张 逸1，林鸿伟2，陈晶腾3

(1.福州大学电气工程与自动化学院，福建 福州 350108；2.国网福建省电力有限公司，福建 福州 350001；3.国网莆田供电公司，福建 莆田 351100)

针对现有方法未能充分利用电压采样值信息且对特殊录波情况适应性较差的问题，提出基于感知哈希序列相似性的电压暂降事件同源识别方法。首先，提出一种基于突变点检测和录波情况识别的暂降数据段提取方法，将对录波文件中暂降事件的识别转化为对完整和不完整暂降数据段的分别识别。其次，利用格拉姆角场(Gramian angular field, GAF)将提取后的暂降数据段从一维时间序列形式转化为二维图像，并利用感知哈希算法将其转化为哈希序列。然后，通过欧氏距离刻画相似性，并根据选取的阈值完成电压暂降同源识别。最后，利用IEEE30节点系统生成的仿真数据以及北京、福建地区的实测数据进行验证，证明了该方法具有识别精度高、适应性好等优势。

电压暂降；同源识别；录波情况识别；格拉姆角场；感知哈希

0 引言

随着电网侧电源结构的变化以及用户侧设备呈现集成化和精密化的新型特征[1-2]，电压暂降成为电能质量问题中的主要问题之一[3-7]。为了给电压暂降研究提供数据支撑，越来越多的监测终端被部署[8-10]，因此同一次电压暂降事件常会被不同的监测终端记录。若在极端天气等情况下，某一时间段内可能会发生多次暂降事件，且暂降起始时刻非常接近，因监测终端存在对时误差(即不同终端记录暂降发生时刻有着秒级甚至分钟级误差[11-12])，所以仅通过时标判断是否是同一次暂降事件会产生误判，进而影响电压暂降定位、区域电网暂降严重度评估的正确性[13-14]。电压暂降同源识别研究如何准确地将同一暂降源产生但由不同监测终端记录的暂降波形进行归并，是实现暂降定位、掌握传播范围以及区域电网准确评估的基础。

电压暂降同源识别是电压暂降领域较新的研究课题。文献[12]利用Wasserstein距离刻画波形间的相似程度，通过基于密度聚类(density-based spatial clustering of applications with noise, DBSCAN)获得同源识别结果，此研究首次提出了电压暂降同源识别的概念并提供了基本思路。但是DBSCAN聚类对参数敏感且无法发现不同密度的簇。文献[15]在文献[12]的基础上，将倾斜因子、波形相似度以及持续时间作为同源识别特征，利用共享近邻点(shared nearest neighbor, SNN)改进DBSCAN聚类方法对特征进行同源识别，克服了DBSCAN密度聚类方法对参数敏感的不足，但此方法阈值系数需要依据电压暂降可观测域矩阵确定，还需获取区域网络结构，导致其通用性不强。文献[16]将波形相似度、持续时间作为同源识别特征，利用多尺度分析算法进行降维处理，通过自动交互式的聚类分析方法(ordering points to identify the clustering structure, OPTICS)进行同源识别，此方法克服了文献[15]改进DBSCAN聚类方法中部分参数对拓扑结构的依赖。但以上文献均未对不完整录波提出有效的解决方法，也未考虑一条录波数据包含多个电压暂降事件的情况；同时，均采用有效值波形进行暂降同源识别，忽略了采样值波形包含的丰富暂降特征信息。

针对以上不足，本文提出基于感知哈希序列相似性的电压暂降事件同源识别方法。首先，提出基于突变点检测和录波情况识别的暂降数据段提取方法，利用不平衡度以及有效值大小关系确定首末端暂降事件录波情况，从而将录波文件中的暂降事件划分为若干个完整和不完整暂降数据段；然后，结合格拉姆角场与感知哈希算法形成哈希序列；最后，利用欧式距离实现相似度刻画，并根据所选取阈值实现完整和不完整暂降数据段同源识别。

1 暂降数据段提取与转换

1.1 暂降数据段提取

1.1.1暂降录波文件现状

经调研国内外电压暂降监测终端录波情况，并分析多个省级电能质量监测系统的实际录波文件可发现：一方面，不同电压监测终端录波文件采样率存在不同[17]；另一方面，录波文件普遍存在缺失等情况，具体如下。

1) 一个事件录波文件中可能存在多个完整或不完整的暂降数据段；

2) 不完整数据段中缺失部分一般在暂降录波开始和结束两端，如中间发生缺失一般会分成两个录波文件；

3) 几乎不存在单个暂降事件开始和结束段数据均缺失的情况；

4) 几乎不存在单相或两相数据缺失的情况。

1.1.2基于突变点检测的提取方法

针对以上情况，不能直接利用录波数据进行同源识别。因此，首先以录波数据文件中最小采样率为基础，统一所有文件采样率。在此基础上，将表征单次暂降事件特征的待匹配录波数据段定义为“暂降数据段”，并提出基于突变点检测和录波情况识别的暂降数据段提取方法，把对录波文件的匹配转化为对暂降数据段的同源识别。其提取过程主要分以下两步：

1) 突变点检测

S变换适用于分析具有突变性质的非平稳信号，在特征提取结果显示方面具有直观、物理含义明确等优势[18-19]。S变换作为特征提取的主要算法，其具体实现过程为：首先，利用S变换形成S模矩阵；然后，提取其中的特征分量；最后，根据其在不同时刻的幅值获取突变点数量以及突变时刻。

2) 录波情况识别与提取

由于录波情况体现暂降数据段序列，即需先对录波情况进行识别。根据不对称故障的不平衡度远大于正常运行或对称故障[20]的不平衡度，本文定义不平衡度表示三相电压有效值间的偏离程度并用于判断首末端暂降事件录波情况，计算公式如式(1)所示。

基于此，本文提出一种基于不平衡度以及有效值关系的录波情况识别与暂降数据段提取方法。首先，利用不平衡度以及有效值大小关系确定首末端暂降事件录波情况；然后，借助突变点数量识别录波情况；最后，提取暂降数据段。

1.1.3具体实现过程

依据文献[22]对录波情况的分析，以及对多个省级电能质量监测平台录波文件情况的调查结果发现：录波文件中存在录波不完整和包含多个暂降事件的录波情况。在此基础上，结合本文录波情况划分方法，根据完整和不完整暂降数据段的分布情况，将电压暂降事件录波文件归结为如图1所示的7种情况，其中包含1种正常录波和6种特殊录波，下文利用图1说明暂降数据段提取过程。

图1 不同录波情况的暂降数据段提取示意图

结合表1与突变点数量对录波情况进行划分并提取暂降数据段，如图2所示。

表1 首末端暂降事件分类表

图2 录波情况识别流程示意图

对以上流程详述如下：

通过以上过程提取的暂降数据段将作为电压暂降事件同源识别的基本待识别单元，随后的方法均针对其进行识别。

1.2 考虑变压器对波形的影响

受变压器连接方式的影响，电压暂降数据段经过变压器后，暂降幅值和相位会发生变化，甚至可能使暂降类型也发生变化[23-24]，即需要考虑暂降经变压器后对所有可能的波形进行同源识别。

表2 所有可能的变压器传递矩阵

2 暂降数据段图像化与哈希序列生成

2.1 GAF时序二维化

由于在暂降起止时刻，暂态过渡过程特征非常丰富，若将其转化为图像很容易便能抓取其特征，所以本文从图像角度出发研究同源识别问题。格拉姆角场(Gramian angular field, GAF)是从格拉姆矩阵上演变而来，利用坐标变换将笛卡尔坐标系转换到极坐标系上，实现一维时间序列的二维图像化[25]。通过GAF既保证了一维时间序列与二维图像之间的双映射关系，不会造成数据丢失问题；又保证了对时间的依赖性，即选取GAF作为本文的图像化方法。

考虑到暂态过渡过程中有效值波形特征相对平缓，同时有效值会丢失波形特征，而采样值波形特征较多且完全保留波形的原始特性，即本文选取暂降数据段的采样值波形进行图像化。利用GAF可以将暂降数据段从一维时间序列形式转化为二维图像。以某一数据的暂降数据段为例，GAF转换过程如图3所示。

图3 GAF转换过程

2.2 感知哈希算法

由于本文将同源识别问题转化为图像匹配问题，匹配成功即同源，反之不同源。从这一角度出发，要实现同源识别需要一种图像匹配算法，又由于感知哈希算法的准确性、快速性以及唯一性，而被广泛应用于图像、视频等领域[26]，故选取感知哈希算法作为本文的图像匹配算法。感知哈希算法通过提取图像的主要信息，生成表征每张图像的哈希序列，并将其作为图像的唯一标识符。

本文利用感知哈希算法将暂降数据段形成的GAF用唯一的64位二进制哈希序列表示。利用图4说明感知哈希序列生成流程。

图4 感知哈希序列生成流程

根据生成的哈希序列，利用欧氏距离实现相似度刻画，通过阈值判断即可实现同源识别。

3 电压暂降事件同源识别流程

3.1 完整暂降数据段同源识别

2) 暂降数据段图形化与哈希序列生成。将步骤1)得到的基准数据集和完整暂降数据段集的一维时间序列转换为二维图像。并利用感知哈希算法得到64位二进制哈希序列。其中基准数据集的哈希序列为

完整暂降数据段集的哈希序列为

B、C两相与式(5)一致，最终得到基准数据集与完整暂降数据段集的相似度矩阵为

通过以上步骤可以得到基准数据的同源结果，如图5所示。将其他与基准数据不同源的完整暂降数据段作为下次待同源识别数据，反复执行上述步骤，即可得到完整暂降数据段集的同源识别结果。

图5 单次完整暂降数据段同源识别流程

3.2 不完整暂降数据段同源识别

图6 一次不完整暂降数据段同源识别集形成示意图

4) 按照3.1节中所述步骤可得到仅记录暂降开始段和结束段的基准数据的同源结果。将仅记录暂降开始段和结束段中与各自基准数据不同源的数据作为下次待同源识别数据。

5) 在剩余仅记录暂降开始段和结束段数据中选取数据长度最短的数据作为基准数据，按照步骤3)和4)进行识别，直至所有数据均完成同源识别，即可得到最终的识别结果。

4 算例验证

4.1 仿真验证

4.1.1仿真算例设置

本文在PSCAD/EMTDC仿真软件上搭建IEEE30节点系统模型，该模型中包含5个无穷大电源，6个变压器，并设置6个监测点模拟电压暂降监测装置，具体如图7所示。

图7 IEEE30节点系统图

在图7所示的模型上分别设置4次故障，共得到24条完整录波数据，具体信息如表3所示。

表3 仿真设置的电压暂降事件信息

为验证本文方法对特殊录波的适应性，在24条完整录波数据基础上做适当处理，模拟构建3种特殊录波情况：将节点4故障①、③所产生暂降数据置于一个录波文件中，如图8(a)所示；将节点7所记录故障②的暂降波形舍弃结束段，如图8(b)所示；将节点10记录的故障③暂降波形舍弃开始段，如图8(c)所示，即一共得到23条录波数据。

4.1.2仿真同源识别分析

图8 仿真算例特殊录波电压波形

表4 不同阈值同源识别结果对比

图9 不完整暂降数据段集的识别结果

图10 文献[9]仿真算例同源识别结果

由图10可知，文献[12]识别结果包含4次暂降事件与3个噪声点。3个噪声点的电压波形如图8所示。根据文献[12]同源识别原理将未包含完整暂降数据段的数据视为“坏数据”并归为噪声，图8(b)、图8(c)均为不完整录波，所以在识别结果中归为噪声；又由于文献[12]未考虑一条录波数据中包含多个暂降事件的情况，即不能将其拆分为若干个单个暂降事件的组合，从而直接笼统地将未重复记录(只记录一次)的暂降数据视作噪点处理，图8(a)为一条录波数据包含多个暂降事件的情况，将其视为整体与其他数据进行同源识别将会造成错误识别为单独的暂降波形，即在文献[12]方法中也将视为噪声处理。通过对比本文与文献[12]同源识别结果，可知本文方法适用性更强。

4.2 实例分析

4.2.1实例1正常录波数据验证

我国北京某地区监测终端在2018年5月28日10：00—10：10记录了78条故障数据，通过观察分析，发现录波时间均在10：03：08—10：03：09之间，其暂降起始时间分布如图11(a)所示，图11中的时刻08.065表示10点03分08秒0.65毫秒。

图11 暂降起始时间分布展示图

图12 实例1同源识别的相似结果

根据图12可知，78条录波数据是由4次暂降事件引起的。通过查询继电保护故障录波系统SOE事件列表，得知此段时间中发生了4次故障，与本文所提算法识别结果一致。将4次同源识别结果分别作为暂降事件1—4在图11(a)基础上展示，展示结果如图11(b)所示。通过对比图11(a)与图11(b)也可再次证明：若某一时间段内发生多次暂降事件，且起始时刻非常接近，由于计时误差，仅通过时标进行暂降同源识别，将会造成误判。

图13 实例1文献[12]同源识别结果

4.2.2实例2包含不完整录波数据验证

实例2采用福建某地区2021年8月16日14：50—15：00的录波数据进行验证，在此时间片区内监测终端共记录18条数据(17条正常录波数据，一条特殊录波数据)。通过对录波数据进行观察分析，发现录波开始时刻非常接近，14：56：59—14：57：00之间记录了13条数据，14：51：48—14：51：49之间记录了5条数据，无法仅依靠时标进行同源识别。

图14 数据段18的电压波形图

表5 同源识别结果对比

5 结论

本文提出一种基于感知哈希序列相似性的多电压暂降事件同源识别方法，并用实测数据与仿真数据验证该方法的正确性。通过仿真与实例分析表明：

1) 本文所提的同源识别方法既能对不同录波情况进行有效辨识与暂降数据段的提取，也能对提取后的完整和不完整暂降数据段同源识别，提高了方法在不同网省电能质量监测系统中的适用性。

2) 本文提出利用电压采样值原始波形特征信息实现电压暂降同源识别问题，使同源数据间的相似性更明显，且本文阈值选取相对稳定，方法适用性更强。

3) 当待同源识别集中存在较多不完整录波且数据长度间相差较大时，虽然所提算法能准确进行同源识别，但是过程复杂，步骤较多。下一步将继续研究，在保证准确率的同时，优化识别过程，提高效率。

[1] 文劲宇, 周博, 魏利屾. 中国未来电力系统储电网初探[J]. 电力系统保护与控制, 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] 修连成, 甘艳, 何靖萱, 等. 基于EMAF的新型电力系统电压畸变工况下并网逆变器快速锁相方法[J]. 智慧电力, 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] 张逸, 李为明, 林芳, 等. 基于电气特性–物理属性的工业用户电压暂降缓减策略[J]. 中国电机工程学报, 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] 王建勋, 张逸, 张嫣, 等. 面向现代工业园区的电压暂降综合防治方案[J]. 电力系统自动化, 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] 孙东, 张昊, 任伟, 等. 基于正序电流故障分量相位比较的电压暂降扰动源分界[J]. 电力工程技术, 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] 杨兵, 刘少飞, 方太勋, 等. 快速开关限流型交流母线电压保持设备研究[J/OL]. 高压电器: 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, 齐林海, 王红. 融合知识图谱与卷积神经网络的电压暂降分类识别[J]. 电力信息与通信技术, 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] 张逸, 林焱, 吴丹岳. 电能质量监测系统研究现状及发展趋势[J]. 电力系统保护与控制, 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, 金耘岭, 等. 电压暂降波形数据分析法及其在监测系统中的应用[J]. 电网技术, 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距离的多电压暂降事件同源检测方法[J]. 电网技术, 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] 林熙瑶, 邵振国, 张嫣. 采用虚拟电压匹配的含双馈型电源电网暂降源定位[J]. 电网技术, 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] 徐悦, 孙建军, 丁凯, 等. 基于场景构建的电压暂降特征量随机评估方法[J]. 电力系统保护与控制, 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] 汪颖, 谢佳妮, 邓凌峰, 等. 基于典型波形特征与改进DBSCAN的电压暂降同源识别方法[J]. 电力系统自动化, 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, 伍智鹏, 刘红岩. 基于Hausdorff距离与OPTICS聚类的电压暂降同源识别方法[J]. 中国测试, 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, 杨猛. 基于二维离散余弦S变换的电能质量扰动类型识别[J]. 电力系统保护与控制, 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] 叶筱怡, 刘海涛, 吕干云, 等. 基于BAS-BP分类器模型的电压暂降源识别[J]. 电力工程技术, 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] 杨美辉, 周念成, 王强钢, 等. 基于分布式协同的双极直流微电网不平衡电压控制策略[J]. 电工技术学报, 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] 全国电压电流等级和频率标准化技术委员会. 电能质量三相不平衡: GB/T 15543—2008[S]. 北京: 标准化出版社, 2009.

[22] 何俊涛. 基于录波数据的电力系统故障元件智能诊断方法研究[D]. 济南: 山东大学, 2019.

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

[23] 肖湘宁, 陶顺. 中性点不同接地方式下的电压暂降类型及其在变压器间的传递(一)[J]. 电工技术学报, 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] 陶顺, 肖湘宁. 中性点不同接地方式下的电压暂降类型及其在变压器间的传递(二)[J]. 电工技术学报, 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] 郑炜, 林瑞全, 王俊, 等. 基于GAF与卷积神经网络的电能质量扰动分类[J]. 电力系统保护与控制, 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] 张洪帅. 基于图像感知哈希的场景分类[D]. 兰州: 兰州大学, 2018.

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

[27] 陈优良, 肖钢, 卞焕, 等. 一种融合动态预测的感知哈希目标跟踪算法[J]. 测绘通报, 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] 徐梦莹, 刘文波, 蔡超, 等. KAZE结合感知哈希的图像匹配算法[J]. 半导体光电, 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

福建省科技计划引导性项目资助(2020H0009)

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

2022-05-12；

2022-07-21

贾 荣(1996—)，男，硕士研究生，研究方向为电能质量分析；E-mail: 444096651@qq.com

张 逸(1984—)，男，通信作者，博士，副教授，研究方向为电能质量、主动配电网及电力数据分析等。E-mail: zhangyi@fzu.edu.cn

(编辑 周金梅)