[發(fā)明專利]一種電力系統(tǒng)擾動分類方法

在審

• 申請?zhí)枺?/td>: 202011132259.3
• 申請日: 2020-10-21
• 公開（公告）號: CN112633315A
• 公開（公告）日: 2021-04-09
• 發(fā)明（設計）人: 劉有志;蔣雨辰;張揚;李子康;劉灝;畢天姝
• 申請（專利權）人: 廣東電網有限責任公司廣州供電局;華北電力大學
• 主分類號: G06K9/62
• 分類號: G06K9/62;G06N3/04;G06N3/08
• 代理公司: 北京眾合誠成知識產權代理有限公司 11246
• 代理人: 黃家俊

本發(fā)明提供了一種電力系統(tǒng)擾動分類方法，基于堆疊去噪自編碼器的特征提取方法能夠捕獲擾動數據中對丟失數據魯棒的特征表達，在此基礎上，利用隨機森林分類器，實現對電力系統(tǒng)擾動的識別。該方法能夠快速、準確地對PMU擾動數據進行分類，并且對于包含丟失數據的PMU擾動數據仍然具有很高的識別準確率，抗噪性能好。相較于現有擾動分類方法，能夠快速、準確地對包含丟失數據的PMU擾動數據進行分類，實現電力系統(tǒng)動態(tài)行為的實時監(jiān)測。

技術領域

本發(fā)明涉及電力系統(tǒng)技術領域，具體為一種電力系統(tǒng)擾動分類方法，尤其涉及一種考慮PMU丟失數據的電力系統(tǒng)擾動分類方法。

背景技術

隨著電力系統(tǒng)規(guī)模的不斷擴大以及大量電力電子設備的接入，使電網結構的復雜程度不斷增加，電網安全問題也日漸突出。近年來，大停電事故頻發(fā)，給社會經濟發(fā)展和人們生活造成了巨大的影響。研究發(fā)現，大停電事故通常起始于單一故障，經過一系列連鎖反應，最終導致電網崩潰。因此，對電力系統(tǒng)擾動的實時監(jiān)測和分析，對電力系統(tǒng)安全穩(wěn)定運行具有重要作用。同步相量測量單元(Phasor Measurement Units,PMUs)因其同步性、快速性和精確性，可為系統(tǒng)保護與閉環(huán)控制提供數據基礎，使電力系統(tǒng)擾動實時監(jiān)測成為可能。

目前，國內外學者對電力系統(tǒng)擾動分類的研究主要分為基于模型和基于數據的方法。基于模型的方法需要通過系統(tǒng)拓撲結構和參數來對電網建模，根據擾動觸發(fā)機理，來實現擾動類型識別。然而對于復雜大系統(tǒng)而言，計算量很大，甚至可能無法解析。基于數據的方法通過對歷史數據進行分析，得到數據與目標之間的非線性映射關系，來實現擾動類型識別。隨著系統(tǒng)復雜程度的增加以及海量電力大數據的涌入，基于數據的方法逐漸成為更有效的分析方法。

現有方法大多是在PMU數據正常的假設上研究的，忽略了PMU數據質量的影響。然而，約有10％～17％的PMU數據存在不同程度的數據質量問題，這嚴重制約了其在電力系統(tǒng)擾動分類中的應用。

發(fā)明目的

本發(fā)明的目的是針對上述現有技術存在的不足，提供一種基于堆疊去噪自編碼器和隨機森林分類器的電力系統(tǒng)擾動分類方法，本方法相較于其他擾動分類方法相比，能夠快速、準確地對包含丟失數據的PMU擾動數據進行分類，實現電力系統(tǒng)動態(tài)行為的實時監(jiān)測。

發(fā)明內容

本發(fā)明提供了一種基于堆疊去噪自編碼器和隨機森林分類器的電力系統(tǒng)擾動分類方法，包括以下步驟：

步驟1：利用離線的時域仿真法生成電力系統(tǒng)的擾動數據；

步驟2：將步驟1中通過離線仿真法所得到的擾動數據進行標準化處理；

步驟3：構造和訓練堆疊去噪自編碼器深度神經網絡，以擾動發(fā)生后0.5s內的頻率和電壓有效值作為堆疊去噪自編碼器的輸入，對堆疊去噪自編碼器進行訓練；

步驟4：利用步驟3中訓練后的堆疊去噪自編碼器對數據特征提取，得到高層次的特征表達；

步驟5：構造和訓練隨機森林分類器，并通過訓練后的隨機森林分類器對步驟4中所提取的高層次的特征進行分類，實現擾動識別。

進一步地，步驟1中利用離線的時域仿真法生成擾動數據的過程具體為：分別選取三相短路3-φFlt、單相接地故障φ-g Flt、發(fā)電機出力降低GL、投負荷、切負荷、三相斷線LT共6種擾動類型進行仿真，系統(tǒng)算例為IEEE 10機39系統(tǒng)，仿真軟件為PSD-BPA，仿真時間為30s，仿真步長設置為0.02s，5s后觸發(fā)擾動，輸出各母線頻率與電壓有效值。

再進一步地，步驟2中所述進行標準化處理的過程為：假設PMU上送頻率為 50Hz，則0.5s內的頻率和電壓分別表示為f,對于頻率和電壓信號分別進行標準化處理：

其中，為標準化后的數據，u和σ分別為Z對應變量的均值和標準差。