本發(fā)明涉及一種諧波用戶(hù)典型工況的區(qū)間參數(shù)獲取方法。
背景技術(shù)：
近年來(lái)，隨著大量沖擊性負(fù)荷和分布式電源的并網(wǎng)運(yùn)行，電力系統(tǒng)中的諧波污染越來(lái)越嚴(yán)重。諧波的存在，將引起電氣設(shè)備附加損耗和發(fā)熱，降低繼電保護(hù)、控制以及檢測(cè)裝置的工作精度和可靠性，甚至可能引發(fā)并聯(lián)或串聯(lián)諧振，損壞電氣設(shè)備，因而對(duì)諧波的綜合治理迫在眉睫。
建立諧波源模型，可以對(duì)電網(wǎng)存在的諧波進(jìn)行分析和治理。在實(shí)際電力系統(tǒng)中，不同次諧波電壓和諧波電流之間存在耦合作用，即諧波電流可以用各次諧波電壓的復(fù)雜函數(shù)來(lái)表示。但在實(shí)際工程中由于負(fù)荷種類(lèi)繁多、計(jì)算復(fù)雜，該模型的使用受到了很大的限制。因此，有學(xué)者提出了等效電源、交叉頻率導(dǎo)納矩陣等簡(jiǎn)化模型，并從監(jiān)測(cè)樣本數(shù)據(jù)辨識(shí)模型參數(shù)，辨識(shí)準(zhǔn)則主要分為最小二乘法、神經(jīng)網(wǎng)絡(luò)等。在辨識(shí)準(zhǔn)則確定之后，參數(shù)辨識(shí)問(wèn)題就轉(zhuǎn)化為一種數(shù)值優(yōu)化的問(wèn)題，即針對(duì)時(shí)序樣本集的參數(shù)辨識(shí)在本質(zhì)上是最優(yōu)問(wèn)題的求解，需要多個(gè)時(shí)間段的監(jiān)測(cè)樣本才能進(jìn)行參數(shù)辨識(shí)，實(shí)際典型參數(shù)值往往被所謂的“最優(yōu)值”淹沒(méi)。
大量的歷史監(jiān)測(cè)數(shù)據(jù)有利于諧波用戶(hù)建模，但電能質(zhì)量監(jiān)測(cè)記錄的數(shù)據(jù)多為一個(gè)監(jiān)測(cè)時(shí)段內(nèi)的四類(lèi)統(tǒng)計(jì)指標(biāo)，即最大值、最小值、平均值和95％概率值指標(biāo)，諧波電壓和電流在同一監(jiān)測(cè)時(shí)段內(nèi)往往不存在時(shí)刻對(duì)應(yīng)的關(guān)系，故而不能建立直接的物理聯(lián)系。而且，現(xiàn)有監(jiān)測(cè)系統(tǒng)的四類(lèi)統(tǒng)計(jì)指標(biāo)本質(zhì)上是用確定的數(shù)值來(lái)表征一定檢測(cè)時(shí)段內(nèi)的不確定性諧波信息。因此，為了有效治理諧波污染，需要在保留用戶(hù)諧波監(jiān)測(cè)數(shù)據(jù)的不確定信息的前提下，準(zhǔn)確高效的提取污染工況信息。
技術(shù)實(shí)現(xiàn)要素：
有鑒于此，本發(fā)明的目的在于提供一種諧波用戶(hù)典型工況的區(qū)間參數(shù)獲取方法，可以更合理地評(píng)估用戶(hù)接入運(yùn)行后對(duì)電網(wǎng)的諧波污染水平，有利于對(duì)諧波用戶(hù)的分析與治理。
為實(shí)現(xiàn)上述目的，本發(fā)明采用如下技術(shù)方案：一種諧波用戶(hù)典型工況的區(qū)間參數(shù)獲取方法，其特征在于，包括以下步驟：
步驟S1：獲取用戶(hù)諧波檢測(cè)數(shù)據(jù)中任意相若干監(jiān)測(cè)時(shí)段的最大值和最小值，構(gòu)成區(qū)間數(shù)據(jù)樣本集；
步驟S2：采用CPCA對(duì)所述區(qū)間數(shù)據(jù)樣本集實(shí)行區(qū)間主成分分析，根據(jù)方差貢獻(xiàn)率選取樣本特征量；
步驟S3：對(duì)所述樣本特征量求個(gè)數(shù)據(jù)點(diǎn)間的相似度，定義輸入?yún)?shù)進(jìn)行AP聚類(lèi)直至算法迭代收斂；
步驟S4：計(jì)算所述樣本特征量的各區(qū)間樣本點(diǎn)的離度指標(biāo)，當(dāng)所述離度指標(biāo)小于一設(shè)定閾值時(shí)，定義其為過(guò)渡工況并將該樣本特征量和對(duì)應(yīng)的原始數(shù)據(jù)剔除；
步驟S5：根據(jù)不含過(guò)渡工況的工況劃分結(jié)果，輸出原始樣本集合；
步驟S6：計(jì)算各工況各次諧波的典型參數(shù)。
進(jìn)一步的，所述步驟S1的具體內(nèi)容如下：采用用戶(hù)諧波檢測(cè)數(shù)據(jù)中2到25次諧波的若干監(jiān)測(cè)時(shí)段的最大值和最小值構(gòu)造區(qū)間數(shù)，利用所述區(qū)間數(shù)構(gòu)造區(qū)間數(shù)據(jù)樣本集X：
其中，X為區(qū)間數(shù)據(jù)樣本集，表示第b次諧波第a個(gè)監(jiān)測(cè)時(shí)段任意相數(shù)據(jù)的最小值，表示第b次諧波第a個(gè)監(jiān)測(cè)時(shí)段任意相數(shù)據(jù)的最大值；a，b皆為自然數(shù)且1≤a≤n，2≤b≤25，n為監(jiān)測(cè)時(shí)段的總數(shù)。
進(jìn)一步的，所述監(jiān)測(cè)時(shí)段的時(shí)長(zhǎng)為3min或10min。
進(jìn)一步的，所述步驟S2的具體內(nèi)容如下：
對(duì)所述區(qū)間數(shù)據(jù)樣本集X采用CPCA算法計(jì)算區(qū)間數(shù)據(jù)樣本集的協(xié)方差矩陣ΣC：
其中：
對(duì)所述協(xié)方差矩陣ΣC，直接采用傳統(tǒng)PCA方法求解其特征值和對(duì)應(yīng)的特征向量；假設(shè)求解后：λ1≥λ2…≥λm>0為各個(gè)主成份的特征值，A1、…、Ak、…、Am為對(duì)應(yīng)的特征向量，其中：
Ak＝(a1k,a2k,…,apk)′
式中，a1k，a2k，…，apk為特性向量Αk的組成元素，β為主成分的方差貢獻(xiàn)率的選取閾值且β＝0.85；
最后構(gòu)造區(qū)間主成分：
其中，
于是，所得m個(gè)主成分為：
其中，
以所述m個(gè)主成分Ym作為聚類(lèi)分析的樣本特征量Ym。
進(jìn)一步的，所述步驟S3的具體內(nèi)容如下：
對(duì)所述樣本特征量Ym，選用區(qū)間數(shù)歐式距離作為樣本間距離的測(cè)量指標(biāo)，其與第i個(gè)樣本與第j個(gè)樣本的相似度S為區(qū)間歐氏距離的相反數(shù)，即：
在聚類(lèi)之前，每一個(gè)數(shù)據(jù)點(diǎn)被賦予偏向參數(shù)P(i)＝S(i,i)，作為數(shù)據(jù)點(diǎn)i點(diǎn)能否成為聚類(lèi)中心的評(píng)判標(biāo)準(zhǔn)，該值越大則這個(gè)點(diǎn)成為聚類(lèi)中心的可能性也就越大；AP算法中數(shù)據(jù)點(diǎn)之間有兩種信息交換，分別是代表矩陣[r(i,k)]和適度矩陣[a(i,k)]；其中，r(i,k)表示從點(diǎn)Y1～m(i)發(fā)送到候選聚類(lèi)中心Y1～m(k)的數(shù)值消息，反映Y1～m(k)點(diǎn)是否適合作為Y1～m(i)點(diǎn)的聚類(lèi)中心；a(i,k)則從候選聚類(lèi)中心Y1～m(k)發(fā)送到Y(jié)1～m(i)的數(shù)值消息，反映Y1～m(i)點(diǎn)是否選擇Y1～m(k)作為其聚類(lèi)中心；r(i,k)與a(i,k)越強(qiáng)，則Y1～m(k)點(diǎn)作為聚類(lèi)中心的可能性就越大，并且Y1～m(i)點(diǎn)隸屬于以Y1～m(k)點(diǎn)為聚類(lèi)中心的聚類(lèi)的可能性也越大；在鄰近傳播結(jié)束時(shí)，Y1～m(i)的聚類(lèi)中心確定為Y1～m(k)，k滿(mǎn)足：
argmax(a(i,k)+r(i,k))
基于AP算法的區(qū)間數(shù)據(jù)聚類(lèi)過(guò)程的具體步驟如下：
步驟S31：確定區(qū)間樣本數(shù)n、最大迭代次數(shù)M、聚類(lèi)樣本的特征向量，按式計(jì)算n個(gè)樣本點(diǎn)的相似度矩陣S作為輸入量；然后對(duì)p(i)進(jìn)行初始值定義，統(tǒng)一取為相似度矩陣S的最小值，并初始化r和a為0；
步驟S32：計(jì)算樣本點(diǎn)之間的代表矩陣和適度矩陣r(i,k)和a(i,k)。
步驟S33：設(shè)定阻尼系數(shù)λ控制r和a循環(huán)迭代更新的速度，其中，0＜λ＜1，如下所示：
ri＝(1-λ)ri+λri-1
ai＝(1-λ)ai+λai-1
步驟S34：迭代后，滿(mǎn)足以上公式的k為樣本點(diǎn)i的聚類(lèi)中心；如果次數(shù)超過(guò)M或者當(dāng)聚類(lèi)中心在一定次數(shù)迭代后保持不變，則終止計(jì)算并確定類(lèi)中心的各樣本點(diǎn)的分類(lèi)情況，否則返回步驟S32繼續(xù)迭代直至收斂。
進(jìn)一步的，所述步驟S4的具體內(nèi)容如下：采用定義離度指標(biāo)的方法剔除用戶(hù)的過(guò)渡工況運(yùn)行點(diǎn)，具體定義如下：
假設(shè)n個(gè)特征量樣本點(diǎn)經(jīng)分類(lèi)后分為c個(gè)工況，第i個(gè)特征量樣本點(diǎn)屬于第j個(gè)類(lèi)，其與j類(lèi)中心的歐氏距離為p(i,j)，且這個(gè)點(diǎn)與其它類(lèi)中心的距離為p(i,1)、…、p(i,x)、…、p(i,m)，定義點(diǎn)的離度指標(biāo)LD如下所示：
其中，x≠j；由離度指標(biāo)LD的定義可知，LD大于1，且LD越接近1，表示判斷該樣本點(diǎn)屬于原分類(lèi)的判據(jù)越不充分；通過(guò)計(jì)算得到的各點(diǎn)離度值，可定義閾值ε，當(dāng)LD小于所述閾值ε的時(shí)候，認(rèn)為其為過(guò)渡工況，并將該特征量樣本點(diǎn)和對(duì)應(yīng)原始數(shù)據(jù)剔除。
進(jìn)一步的，所述步驟S5的具體內(nèi)容如下：
經(jīng)過(guò)工況劃分和過(guò)渡工況剔除后，得到關(guān)于n-t個(gè)區(qū)間樣本數(shù)據(jù)的c個(gè)工況劃分結(jié)果；其中，工況按照以下原則進(jìn)行編號(hào)：假設(shè)工況c對(duì)應(yīng)的樣本點(diǎn)個(gè)數(shù)為nk，用式計(jì)算各工況占樣本總數(shù)的比例wc：
得到各工況占樣本總數(shù)的比例ωc后，按照ωc的大小從小到大進(jìn)行排序，確定工況編號(hào)，輸出其原始樣本集合記為class(1)、class(2)、…、class(c)；
將各工況對(duì)應(yīng)的原始監(jiān)測(cè)區(qū)間樣本點(diǎn)標(biāo)號(hào)對(duì)應(yīng)的各次諧波組成一個(gè)樣本集合；以工況c為例，其對(duì)應(yīng)的各次諧波樣本集合如下所示：
class(c)＝[h2(c),…,hk(c),…,h25(c)]
其中，
進(jìn)一步的，所述步驟S6的具體內(nèi)容如下：對(duì)各個(gè)工況內(nèi)的同次諧波各個(gè)監(jiān)測(cè)時(shí)段對(duì)應(yīng)的區(qū)間數(shù)據(jù)，根據(jù)區(qū)間直方概率分布參數(shù)計(jì)算典型參數(shù)，具體求法如下：
步驟S61：確定各次諧波取值上下限，對(duì)k次諧波而言，根據(jù)各工況的k次諧波的區(qū)間數(shù)據(jù)的范圍確定直方圖劃分區(qū)間，如下所示：
其中，表示工況c中k次諧波所有樣本區(qū)間下限的最小值，表示工況c中k次諧波所有樣本區(qū)間上限的最大值；
步驟S62：將k次諧波區(qū)間Ik取值范圍m等分，即：
當(dāng)數(shù)據(jù)在100個(gè)樣本時(shí)，m取5到12；
步驟S63：根據(jù)區(qū)間準(zhǔn)則計(jì)算各直方區(qū)間的概率直方概率分布，對(duì)于工況c的k次諧波而言，定義為hk(c)落入某子區(qū)間Ik,j的概率，如下所示：
其中，符號(hào)“∩”表示兩區(qū)間交集的長(zhǎng)度，l(·)表示區(qū)間的寬度；
步驟S64：根據(jù)所得區(qū)間頻率直方概率分布求出工況內(nèi)各次諧波在各工況內(nèi)的典型參數(shù)：假設(shè)工況c對(duì)應(yīng)的樣本集內(nèi)，k次諧波對(duì)應(yīng)的直方區(qū)間的中點(diǎn)集合為
其中，
則工況c中各次諧波的典型參數(shù)為：
本發(fā)明與現(xiàn)有技術(shù)相比具有以下有益效果：本發(fā)明可以保留用戶(hù)在監(jiān)測(cè)時(shí)段內(nèi)的諧波不確定信息，使得用戶(hù)典型參數(shù)更能表征用戶(hù)在一段時(shí)間內(nèi)的諧波特性，可以更合理地評(píng)估用戶(hù)接入運(yùn)行后對(duì)電網(wǎng)的諧波污染水平，有利于對(duì)諧波用戶(hù)的分析及治理。
附圖說(shuō)明
圖1是本發(fā)明的方法流程圖。
具體實(shí)施方式
下面結(jié)合附圖及實(shí)施例對(duì)本發(fā)明做進(jìn)一步說(shuō)明。
請(qǐng)參照?qǐng)D1，本發(fā)明提供一種諧波用戶(hù)典型工況的區(qū)間參數(shù)獲取方法，其特征在于，包括以下步驟：
步驟S1：為了保留用戶(hù)在監(jiān)測(cè)時(shí)段內(nèi)的不確定信息，可以采用模糊、概率、區(qū)間等方式來(lái)表征不確定信息。其中，諧波檢測(cè)中不包含隸屬度，且95％概率值無(wú)法描述全部概率分布。因此，對(duì)于現(xiàn)有監(jiān)測(cè)數(shù)據(jù)的類(lèi)型而言，只有最大、最小值可以描述一個(gè)時(shí)段的區(qū)間范圍信息。于本發(fā)明中，獲取用戶(hù)諧波檢測(cè)數(shù)據(jù)中任意相若干監(jiān)測(cè)時(shí)段的最大值和最小值，構(gòu)成區(qū)間數(shù)據(jù)樣本集；具體內(nèi)容如下：采用用戶(hù)諧波檢測(cè)數(shù)據(jù)中2到25次諧波的若干監(jiān)測(cè)時(shí)段的最大值和最小值構(gòu)造區(qū)間數(shù)，利用所述區(qū)間數(shù)構(gòu)造區(qū)間數(shù)據(jù)樣本集X：
其中，X為區(qū)間數(shù)據(jù)樣本集，表示第b次諧波第a個(gè)監(jiān)測(cè)時(shí)段任意相數(shù)據(jù)的最小值，表示第b次諧波第a個(gè)監(jiān)測(cè)時(shí)段任意相數(shù)據(jù)的最大值；a，b皆為自然數(shù)且1≤a≤n，2≤b≤25，n為監(jiān)測(cè)時(shí)段的總數(shù)。
進(jìn)一步的，所述監(jiān)測(cè)時(shí)段的時(shí)長(zhǎng)為3min或10min。
步驟S2：采用CPCA對(duì)所述區(qū)間數(shù)據(jù)樣本集實(shí)行區(qū)間主成分分析，根據(jù)方差貢獻(xiàn)率選取樣本特征量；
按式構(gòu)造的樣本集，數(shù)據(jù)維度p＝24，屬于高維度數(shù)據(jù)。對(duì)該數(shù)據(jù)進(jìn)行聚類(lèi)分析時(shí)，基于歐氏距離準(zhǔn)則的聚類(lèi)會(huì)產(chǎn)生“維數(shù)災(zāi)難”，使聚類(lèi)效果受到影響。因此，需要采取統(tǒng)計(jì)方法降低數(shù)據(jù)維度，提取表征原始數(shù)據(jù)集信息且能夠用于聚類(lèi)分析的低維度特征量。主成分分析(Principal Component Analysis,PCA)是一種將原來(lái)變量重新組合成一組新的互相無(wú)關(guān)的幾個(gè)綜合變量，同時(shí)根據(jù)實(shí)際需要從中可以取出幾個(gè)較少的綜合變量盡可能多地反映原來(lái)變量的信息的統(tǒng)計(jì)方法?？紤]傳統(tǒng)的PCA無(wú)法用于區(qū)間樣本集，本發(fā)明采用區(qū)間中點(diǎn)法(CPCA)對(duì)原始數(shù)據(jù)集提取特征量，具體內(nèi)容如下：
首先，對(duì)所述區(qū)間數(shù)據(jù)樣本集X采用CPCA算法計(jì)算區(qū)間數(shù)據(jù)樣本集的協(xié)方差矩陣ΣC：
其中：
式中，n為樣本點(diǎn)數(shù)，即樣本矩陣行數(shù)。，對(duì)所述協(xié)方差矩陣ΣC，直接采用傳統(tǒng)PCA方法求解其特征值和對(duì)應(yīng)的特征向量；假設(shè)求解后：λ1≥λ2…≥λm>0為各個(gè)主成份的特征值，A1、…、Ak、…、Am為對(duì)應(yīng)的特征向量，m(m<p)，其中：
Ak＝(a1k,a2k,…,apk)′
式中，a1k，a2k，…，apk為特性向量Αk的組成元素，β為主成分的方差貢獻(xiàn)率的選取閾值且β＝0.85；
最后構(gòu)造區(qū)間主成分：
其中，
于是，所得m個(gè)主成分為：
其中，
經(jīng)過(guò)區(qū)間主成分分析后，樣本集的特征維度下降，且該特征量包含原始監(jiān)測(cè)數(shù)據(jù)的大部分信息。以所述m個(gè)主成分Ym作為聚類(lèi)分析的樣本特征量Ym。
步驟S3：對(duì)所述樣本特征量求個(gè)數(shù)據(jù)點(diǎn)間的相似度，定義輸入?yún)?shù)進(jìn)行AP聚類(lèi)直至算法迭代收斂；具體內(nèi)容如下：
由于同一工況的諧波具有相似的特性，因此，同一工況的諧波樣本點(diǎn)通常會(huì)在空間上聚集成簇。因此，本發(fā)明基于區(qū)間數(shù)主成分分析得到的特征量，通過(guò)低維度空間上的距離表征樣本點(diǎn)之間的相似性，采用仿射傳播(AP)聚類(lèi)算法實(shí)現(xiàn)用戶(hù)諧波典型工況的劃分。
AP聚類(lèi)算法是一種新的無(wú)監(jiān)督聚類(lèi)算法，其無(wú)需事先定義聚類(lèi)數(shù)。算法開(kāi)始時(shí)把所有的數(shù)據(jù)點(diǎn)均視作類(lèi)中心，通過(guò)數(shù)據(jù)點(diǎn)間的“信息傳遞”來(lái)實(shí)現(xiàn)聚類(lèi)過(guò)程，在迭代過(guò)程中不斷搜索合適的聚類(lèi)中心，自動(dòng)從數(shù)據(jù)點(diǎn)間識(shí)別聚類(lèi)中心的位置及個(gè)數(shù)。AP算法根據(jù)n個(gè)數(shù)據(jù)點(diǎn)之間的相似度進(jìn)行聚類(lèi)，聚類(lèi)的目標(biāo)是使得數(shù)據(jù)點(diǎn)與其聚類(lèi)中心之間的距離達(dá)到最小。對(duì)所述樣本特征量Ym，選用區(qū)間數(shù)歐式距離作為樣本間距離的測(cè)量指標(biāo)，其與第i個(gè)樣本與第j個(gè)樣本的相似度S為區(qū)間歐氏距離的相反數(shù)，即：
在聚類(lèi)之前，每一個(gè)數(shù)據(jù)點(diǎn)被賦予偏向參數(shù)P(i)＝S(i,i)，作為數(shù)據(jù)點(diǎn)i點(diǎn)能否成為聚類(lèi)中心的評(píng)判標(biāo)準(zhǔn)，該值越大則這個(gè)點(diǎn)成為聚類(lèi)中心的可能性也就越大；AP算法中數(shù)據(jù)點(diǎn)之間有兩種信息交換，分別是代表矩陣[r(i,k)]和適度矩陣[a(i,k)]；其中，r(i,k)表示從點(diǎn)Y1～m(i)發(fā)送到候選聚類(lèi)中心Y1～m(k)的數(shù)值消息，反映Y1～m(k)點(diǎn)是否適合作為Y1～m(i)點(diǎn)的聚類(lèi)中心；a(i,k)則從候選聚類(lèi)中心Y1～m(k)發(fā)送到Y(jié)1～m(i)的數(shù)值消息，反映Y1～m(i)點(diǎn)是否選擇Y1～m(k)作為其聚類(lèi)中心；r(i,k)與a(i,k)越強(qiáng)，則Y1～m(k)點(diǎn)作為聚類(lèi)中心的可能性就越大，并且Y1～m(i)點(diǎn)隸屬于以Y1～m(k)點(diǎn)為聚類(lèi)中心的聚類(lèi)的可能性也越大；在鄰近傳播結(jié)束時(shí)，Y1～m(i)的聚類(lèi)中心確定為Y1～m(k)，k滿(mǎn)足：
arg max(a(i,k)+r(i,k))
基于AP算法的區(qū)間數(shù)據(jù)聚類(lèi)過(guò)程的具體步驟如下：
步驟S31：確定區(qū)間樣本數(shù)n、最大迭代次數(shù)M、聚類(lèi)樣本的特征向量，按式計(jì)算n個(gè)樣本點(diǎn)的相似度矩陣S作為輸入量；然后對(duì)p(i)進(jìn)行初始值定義，統(tǒng)一取為相似度矩陣S的最小值，并初始化r和a為0；
步驟S32：計(jì)算樣本點(diǎn)之間的代表矩陣和適度矩陣r(i,k)和a(i,k)。
步驟S33：設(shè)定阻尼系數(shù)λ控制r和a循環(huán)迭代更新的速度，其中，0＜λ＜1，如下所示：
ri＝(1-λ)ri+λri-1
ai＝(1-λ)ai+λai-1
步驟S34：迭代后，滿(mǎn)足以上公式的k為樣本點(diǎn)i的聚類(lèi)中心；如果次數(shù)超過(guò)M或者當(dāng)聚類(lèi)中心在一定次數(shù)迭代后保持不變，則終止計(jì)算并確定類(lèi)中心的各樣本點(diǎn)的分類(lèi)情況，否則返回步驟S32繼續(xù)迭代直至收斂。
步驟S4：計(jì)算所述樣本特征量的各區(qū)間樣本點(diǎn)的離度指標(biāo)，當(dāng)所述離度指標(biāo)小于一設(shè)定閾值時(shí)，定義其為過(guò)渡工況并將該樣本特征量和對(duì)應(yīng)的原始數(shù)據(jù)剔除；用戶(hù)在運(yùn)行工況切換時(shí)，會(huì)產(chǎn)生過(guò)渡工況運(yùn)行點(diǎn)，這些點(diǎn)的存在會(huì)影響工況劃分的效果?？紤]過(guò)渡工況運(yùn)行點(diǎn)時(shí)長(zhǎng)相對(duì)正常運(yùn)行狀態(tài)相對(duì)較短，且常出現(xiàn)在各個(gè)典型工況的邊緣，影響典型工況劃分效果。因此，本發(fā)明采用定義離度指標(biāo)的方法剔除用戶(hù)的過(guò)渡工況運(yùn)行點(diǎn)。具體定義如下：
假設(shè)n個(gè)特征量樣本點(diǎn)經(jīng)分類(lèi)后分為c個(gè)工況，第i個(gè)特征量樣本點(diǎn)屬于第j個(gè)類(lèi)，其與j類(lèi)中心的歐氏距離為p(i,j)，且這個(gè)點(diǎn)與其它類(lèi)中心的距離為p(i,1)、…、p(i,x)、…、p(i,m)，定義點(diǎn)的離度指標(biāo)LD如下所示：
其中，x≠j；由離度指標(biāo)LD的定義可知，LD大于1，且LD越接近1，表示判斷該樣本點(diǎn)屬于原分類(lèi)的判據(jù)越不充分；通過(guò)計(jì)算得到的各點(diǎn)離度值，可定義閾值ε，當(dāng)LD小于所述閾值ε的時(shí)候，認(rèn)為其為過(guò)渡工況，并將該特征量樣本點(diǎn)和對(duì)應(yīng)原始數(shù)據(jù)剔除。
步驟S5：根據(jù)不含過(guò)渡工況的工況劃分結(jié)果，輸出原始樣本集合；具體內(nèi)容如下：
經(jīng)過(guò)工況劃分和過(guò)渡工況剔除后，得到關(guān)于n-t個(gè)區(qū)間樣本數(shù)據(jù)的c個(gè)工況劃分結(jié)果；其中，工況按照以下原則進(jìn)行編號(hào)：假設(shè)工況c對(duì)應(yīng)的樣本點(diǎn)個(gè)數(shù)為nk，用式計(jì)算各工況占樣本總數(shù)的比例wc：
得到各工況占樣本總數(shù)的比例ωc后，按照ωc的大小從小到大進(jìn)行排序，確定工況編號(hào)，輸出其原始樣本集合記為class(1)、class(2)、…、class(c)；
將各工況對(duì)應(yīng)的原始監(jiān)測(cè)區(qū)間樣本點(diǎn)標(biāo)號(hào)對(duì)應(yīng)的各次諧波組成一個(gè)樣本集合；以工況c為例，其對(duì)應(yīng)的各次諧波樣本集合如下所示：
class(c)＝[h2(c),…,hk(c),…,h25(c)]
其中，
步驟S6：計(jì)算各工況各次諧波的典型參數(shù)；具體內(nèi)容如下：對(duì)各個(gè)工況內(nèi)的同次諧波各個(gè)監(jiān)測(cè)時(shí)段對(duì)應(yīng)的區(qū)間數(shù)據(jù)，根據(jù)區(qū)間直方概率分布參數(shù)計(jì)算典型參數(shù)，具體求法如下：
步驟S61：確定各次諧波取值上下限，對(duì)k次諧波而言，根據(jù)各工況的k次諧波的區(qū)間數(shù)據(jù)的范圍確定直方圖劃分區(qū)間，如下所示：
其中，表示工況c中k次諧波所有樣本區(qū)間下限的最小值，表示工況c中k次諧波所有樣本區(qū)間上限的最大值；
步驟S62：將k次諧波區(qū)間Ik取值范圍m等分，即：
當(dāng)數(shù)據(jù)在100個(gè)樣本左右時(shí)，m取5到12；
步驟S63：根據(jù)區(qū)間準(zhǔn)則計(jì)算各直方區(qū)間的概率直方概率分布，對(duì)于工況c的k次諧波而言，定義為hk(c)落入某子區(qū)間Ik,j的概率，如下所示：
其中，符號(hào)“∩”表示兩區(qū)間交集的長(zhǎng)度，l(·)表示區(qū)間的寬度；
步驟S64：根據(jù)所得區(qū)間頻率直方概率分布求出工況內(nèi)各次諧波在各工況內(nèi)的典型參數(shù)：假設(shè)工況c對(duì)應(yīng)的樣本集內(nèi)，k次諧波對(duì)應(yīng)的直方區(qū)間的中點(diǎn)集合為
其中，
則工況c中各次諧波的典型參數(shù)為：
以上所述僅為本發(fā)明的較佳實(shí)施例，凡依本發(fā)明申請(qǐng)專(zhuān)利范圍所做的均等變化與修飾，皆應(yīng)屬本發(fā)明的涵蓋范圍。