CN102931728B - 基于小波多分辨率分析的电网扰动在线辨识及可视化方法 - Google Patents

Abstract

本发明涉及基于小波多分辨率分析的电网动态扰动事故在线辨识与可视化方法，属于电力系统广域动态监视与可视化技术领域，该方法包括：对电网中典型动态扰动事故特性进行离线仿真分析，选择得到的最大小波系数能量对应的小波函数ψ和分解层数I作为在线小波多分辨率分析工具；根据目标电网PMU配置情况进行分区，使每个区域有且仅有一个PMU子站进行量测，并将每个PMU子站量测的频率信号传送至WAMS主站；从WAMS主站获取各PMU子站的频率信号，用确定的小波函数ψ进行I层在线小波多分辨率分析，得到第I层的小波系数；用其进行扰动发生时刻、扰动发生位置以及扰动类型的判别；并以地图为背景进行可视化显示。本发明可提高电力系统运行可靠性。

Description

基于小波多分辨率分析的电网扰动在线辨识及可视化方法

技术领域

本发明属于电力系统广域动态监视与可视化技术领域，特别涉及一种基于小波多分辨率分析的电网扰动在线辨识及可视化方法。

背景技术

经过多年的技术积累，同步相量测量技术已经逐渐实现产业化。越来越多的相量测量单元(Phasor Measurement Units,PMUs)被投入电网运行，随着PMU布点逐渐完善，配合以光纤、宽带数字微波为主干的高速电力通信网络，能够实现对电网动态过程的实时监测。国内外各个电网先后建设并投运了以PMU为基础的广域量测系统(Wide AreaMeasurement System,WAMS)，实现了电力系统从稳态监测到动态监测的跨越，为电力系统动态安全稳定分析从“离线”走向“在线”奠定了坚实的基础。

智能电网是当今世界能源产业发展变革的最新动向，体现了社会的进步，代表着电网未来的发展方向。目前，根据各国对智能电网的研究与总结，智能电网应该具备以下几个方面的特性：自愈能力、高可靠性、资产优化管理、经济高效、与用户友好互动以及兼容大容量分布式电源的接入。其中，自愈能力是智能电网最重要的特征和功能，它要求电网可以在扰动事故发生后很短的时间内及时发现并自动隔离故障，防止电网大规模崩溃。

电网动态扰动事故由电网故障或者动作引起一种严重的电网事故，对电网安全稳定有着重要的影响，它通常能够引起长时间的显著的频率变化。可以从三个方面理解：①动态扰动事故可能由电网故障如线路短路引起，也可能由人为操作，如切除发电机引起；②电网的故障不一定引起动态扰动事故，如轻载线路跳闸；③动态扰动事故是电网事故的一种，而且是对电网有严重影响的一种。典型的动态扰动事故包括：负荷突变、线路短路故障、失去或投入发电机、线路跳闸、直流闭锁、间歇式能源的接入和低频振荡等。按照智能电网自愈功能的要求，当动态扰动事故发生时，需要准确及时的定位扰动发生的位置并判断扰动的类型以自动隔离故障，并使得电网运行人员能够及时采取恰当的措施防止电网发生进一步的连锁故障以至系统崩溃。

电网动态扰动事故辨识是伴随着同步相量测量技术发展的一种新的电网扰动识别，它指借助一定的数学分析工具从WAMS提供的海量数据中提取表征扰动特征的信息，从而判断动态扰动事故的发生时刻、类型及扰动发生的位置等，并通过一定的可视化方式进行显示，以便于运行调度人员迅速采取相应的对策来减少扰动对电网所造成的影响。它不同于电能质量和故障诊断的扰动识别，更加关注可能引发电网严重影响的动态扰动事故，侧重于从系统角度分析扰动对电网稳定影响的描述。目前，应用于该领域的理论和方法主要包括频率动态分布理论和模式识别等。利用频率动态分布理论进行扰动辨识的方法利用电网扰动后系统的频率响应的时域信息，基于距离扰动源越近频率变化量越大、频率变化越快的基本原则，能够大致估计扰动源的位置；然而，频率变化量的获取需要等待频率达到稳态值，不适合在线应用；而频率变化率则很容易受干扰信号的影响，不容易准确的捕捉到信号的频域信息，使辨识结果不准确；采用模式识别的方法通常采用决策树来进行扰动类型的判断，其关键在于特征向量的提取，不良或不足的特征向量可能会导致错误的结果，而过多的特征向量则可能导致计算缓慢，影响在线应用的实现。

小波变换是一种窗口大小固定但形状可以改变、时间窗和频率窗都可改变的时频局部化分析方法，它同时含有时域信息和频域信息，被誉为数学显微镜。小波变换特别适合于突变信号和不平稳信号的分析，已广泛应用于谐波分析、电能质量评估、奇异点的检测、数据的压缩与消噪、电气设备的状态检测与故障诊断、继电保护与故障定位、负荷预测以及电力系统暂态分析等方面。Mallat快速算法和多分辨率的提出，使得小波变换的工程应用迅速发展。

已知输入信号x[n]，对其进行小波多分辨率分析的基本过程可表示为如图1所示。图1中，低通滤波器g_i由尺度函数φ_i构成，高通滤波器h_i由小波函数ψ_i构成，且满足ψ_i⊥φ_i。小波多分辨率分析通过若干滤波器组对信号进行逐级分解，最终进行几级分解，由事先确定的分解层数确定。通过每一层分解可得到相应的尺度系数(离散近似)和小波系数(离散细节)。例如通过第一层分解由高通滤波器得到小波系数d₁，由低通滤波器得到尺度系数a₁，对a₁进行第二层分解可以得到小波系数d₂和尺度系数a₂，依次类推，直至达到预定的分解层数。小波多分辨率分析是动态扰动事故辨识领域非常有前途的方法，可以实现工程化应用，但是小波函数的选取、分解层数的确定等问题仍然亟待解决。

发明内容

本发明的目的是为克服已有技术的不足之处，提出一种基于小波多分辨率分析的电网动态扰动在线辨识与可视化方法，利用小波多分辨率分析进行电网动态扰动事故的在线辨识，并将辨识结果通过一定的可视化方式进行展示，使得电网运行人员能够及时获知电网当前发生的扰动事故的类型以及位置等信息，以便采取恰当的措施防止电网发生进一步的连锁故障以至系统崩溃，提高电力系统运行可靠性。

本发明提出的一种基于小波多分辨率分析的电网动态扰动事故在线辨识与可视化方法，其特征在于，该方法包括以下步骤：

1)对电网中常见的典型动态扰动事故特性进行离线仿真分析，利用各种不同的小波函数对仿真曲线进行小波多分辨率分析，选择得到的最大小波系数能量对应的小波函数ψ和分解层数I作为在线小波多分辨率分析工具；

2)根据目标电网PMU配置情况进行分区，使每个区域有且仅有一个PMU子站进行量测，并将每个PMU子站量测的频率信号传送至WAMS主站；

3)从WAMS主站获取各PMU子站的频率信号，利用步骤1)中确定的小波函数ψ进行I层在线小波多分辨率分析，得到第I层的小波系数d_Ij,k，j＝1,...,n_I，k＝1,...,m；

4)利用步骤3)中得到的小波系数d_Ij,k进行扰动发生时刻、扰动发生位置以及扰动类型的判别；

5)将步骤4)得到的辨识结果以地图为背景进行可视化显示，将指标值I_dk为1的PMU子站所在的分区突出显示，表示扰动源位于此区域，每个区域采用图形的不同高度表示指标值的大小，以表示各个观测点距离扰动源的距离远近；采用不同的图形表示有功增加类型的扰动或有功减少类型的扰动两种类型。

所述步骤1)具体可包括：

11)对典型类型的动态扰动事故进行离线仿真计算，记录各扰动事故发生时的频率响应信号；

12)选择阶数为2到11的Daubechies(db)小波函数与Symlet(sym)小波函数来建立小波函数库；

13)固定小波分解层数I，分别取步骤12)所述小波函数库中的每一种小波函数对步骤11)所记录的每一扰动事故对应的频率信号进行小波多分辨率分析，按照式(1)得到每种小波函数对应每一扰动在第I层分解下的小波系数的能量E_I：

$E_I=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_I}{\mathrm{\Σ}}}{\left|d_{\mathrm{Ij},k}\right|}^2---\left(1\right)$

式中，I表示分解层数，n_I表示在第I层分解得到的小波系数的个数的总数，d_Ij表示第I层分解得到的第j个小波系数，k表示第k个PMU子站，共有m个PMU子站；选择最大的小波系数能量对应的小波函数ψ；

14)利用步骤13)中已选择的小波函数ψ，分别采用不同的分解层数进行与13)相同的小波多分辨率分析，选择最大小波系数能量对应的分解层数I。

所述步骤4)具体可包括：

41)在各PMU子站分别检测扰动的发生，给子站最大的小波系数d_Ij,k出现的时刻即为对应的扰动事故发生的时刻；

42)利用各个PMU子站的最大小波系数d_Imax,k，k＝1,...,m，的比较来判断第k个量测点即第k个PMU子站距离扰动源的距离，将各PMU子站对应的最大小波系数d_Imax,k按照式(2)所示的扰动位置估计指标I_dk进行归一化处理：

$I_{\mathrm{dk}}=\frac{d_{I\max ,k}}{d_{I\max ,\max }}---\left(2\right)$

式中，d_Imax,k表示第k个PMU子站对应的小波系数的最大值，d_Imax,max表示所有PMU子站的最大小波系数中的最大值，I_dk在区间[0,1]内；从而指标I_dk为1的PMU子站所在的区域为扰动源所在估计区域；

43)利用小波系数d_Ij,k峰值的正负判断扰动的类型：正峰值表示当前系统发生有功出力减少的扰动事故；负峰值表示当前系统发生有功出力增加的扰动事故。

本发明提出的基于小波多分辨率分析的电网动态扰动事故在线辨识与可视化方法，其优点是：

1、本发明方法根据电网实际仿真选择小波函数和分解层数，保证分析工具与电网实际情况匹配，能够获得准确的分析结果；

2、由于小波分析本身带有良好的信号降噪功能，在分析带有噪声的信号时特别有优势，而PMU实测信息本身就是带有噪声，本发明方法采用小波多分辨率分析对PMU实测频率信号进行辨识可省略掉信号滤波环节，提高了辨识效率，适合于在线应用；

3、本发明采用小波分析进行扰动辨识，小波分析属于时域‐频域联合分析，能够同时获得被分析信号的时域信息和频域信息，能够很好的捕捉到信号的变化信息，同时还能获得时域信息，即知道信号在何时发生这些变化，适合于辨识扰动时刻的辨识；

4、本发明利用小波多分辨率分析得到的小波系数为指标进行进一步的扰动类型与扰动地点的判别，简单明了，便于在线实现以及进行可视化显示；

5、本发明方法通过以地图为背景的柱状图显示，能够直观的显示出扰动发生的估计位置，并通过不同的展示方式表示不同的扰动类型，便于电网运行人员快速明了的识别当然的扰动事故，非常适合应用于在实际电力系统应用。

附图说明

图1为一般小波多分辨率分析分解过程；

图2为有功增加类扰动发生时扰动辨识结果示意图；

图3为有功减少类扰动发生时扰动辨识结果示意图。

具体实施方式

本发明提出的基于小波多分辨率分析的电网扰动在线辨识及可视化方法结合附图及实施例详细说明如下：

本发明方法的技术特点为，利用在线小波多分辨率分析得到的小波系数的大小进行扰动源的估计，利用小波系数幅值的正负对扰动类型进行大致判别，最后对辨识结果进行可视化展示。

本发明提出的基于小波多分辨率分析的电网动态扰动事故在线辨识与可视化方法包含如下步骤：

1)对电网中常见的典型动态扰动事故特性进行离线仿真分析，利用各种不同的小波函数对仿真曲线进行小波多分辨率分析，选择得到的最大小波系数能量对应的小波函数ψ和分解层数I作为在线小波多分辨率分析工具；具体包括：

11)对典型类型的动态扰动事故(如切机、增减负荷、线路跳闸、直流闭锁和低频振荡等)进行离线仿真计算，记录各扰动事故发生时的频率响应信号；

12)选择阶数为2到11的Daubechies(db)小波函数与Symlet(sym)小波函数来建立小波函数库(db小波函数和sym小波函数是最好的用于处理暂态信号以及突变信号的小波函数)；

13)固定小波分解层数i，分别取步骤12)所述小波函数库中的每一种小波函数对步骤11)所记录的每一扰动事故对应的频率信号进行小波多分辨率分析，按照式(1)得到每种小波函数对应每一扰动在第i层分解下的小波系数的能量E_I：

$E_I=\underset{k=1}{\overset{m}{\mathrm{\Σ}}}\underset{j=1}{\overset{n_I}{\mathrm{\Σ}}}{\left|d_{\mathrm{Ij},k}\right|}^2---\left(1\right)$

式中，I表示分解层数，n_I表示在第I层分解得到的小波系数的个数的总数，d_Ij表示第I层分解得到的第j个小波系数，k表示第k个PMU子站，共有m个PMU子站；选择最大的小波系数能量对应的小波函数ψ；

14)利用步骤13)中已选择的小波函数ψ，分别采用不同的分解层数进行与13)相同的小波多分辨率分析，选择最大小波系数能量对应的分解层数I；

2)根据目标电网PMU配置情况进行分区，使每个区域有且仅有一个PMU子站进行量测，即当有m个PMU子站时电网分为m个区域，并将每个PMU子站量测的频率信号传送至WAMS主站；

3)从WAMS主站获取各PMU子站的频率信号，利用步骤1)中确定的小波函数ψ进行I层在线小波多分辨率分析，得到第I层的小波系数d_Ij,k，j＝1,...,n_I，k＝1,...,m；

4)利用步骤3)中得到的小波系数d_Ij,k进行扰动发生时刻、扰动发生位置以及扰动类型的判别；具体包括：

41)在各PMU子站分别检测扰动的发生，给子站最大的小波系数d_Ij,k出现的时刻即为对应的扰动事故发生的时刻；

42)利用各个PMU子站的最大小波系数d_Imax,k，k＝1,...,m，的比较来判断第k个量测点即第k个PMU子站距离扰动源的距离，将各PMU子站对应的最大小波系数d_Imax,k按照式(2)所示的扰动位置估计指标I_dk进行归一化处理：

$I_{\mathrm{dk}}=\frac{d_{I\max ,k}}{d_{I\max ,\max }}---\left(2\right)$

式中，d_Imax,k表示第k个PMU子站对应的小波系数的最大值，d_Imax,max表示所有PMU子站的最大小波系数中的最大值，I_dk在区间[0,1]内；从而指标I_dk为1的PMU子站所在的区域为扰动源所在估计区域(并且指标值越靠近1，表示对应的观测点越靠近扰动源)；

43)利用小波系数d_Ij,k峰值的正负判断扰动的类型：正峰值表示当前系统发生有功出力减少的扰动事故(如切机、增加负荷出力等)；负峰值表示当前系统发生有功出力增加的扰动事故(例如投入新的发电机、减少负荷出力等)；

5)将步骤4)得到的辨识结果以地图为背景进行可视化显示，如图2、图3所示。将指标值I_dk为1的PMU子站所在的分区网格突出显示，表示扰动源位于此区域，每个区域采用柱状图或立方体表示指标值的大小，以表示各个观测点距离扰动源的距离远近；不同的展示图形表示不同的扰动类型：图2为立方体指标，表示有功增加类型的扰动；图3为圆柱状指标，表示有功减少类型的扰动。

Claims (1)

1.一种基于小波多分辨率分析的电网动态扰动事故在线辨识与可视化方法，其特征在于，该方法包括以下步骤： 

1)对电网中常见的典型动态扰动事故特性进行离线仿真分析，利用各种不同的小波函数对仿真曲线进行小波多分辨率分析，选择得到的最大小波系数能量对应的小波函数ψ和分解层数I作为在线小波多分辨率分析工具； 

2)根据目标电网PMU配置情况进行分区，使每个区域有且仅有一个PMU子站进行量测，并将每个PMU子站量测的频率信号传送至WAMS主站； 

3)从WAMS主站获取各PMU子站的频率信号，利用步骤1)中确定的小波函数ψ进行I层在线小波多分辨率分析，得到第I层的小波系数d_Ij,k，j＝1,...,n_I，k＝1,...,m； 

4)利用步骤3)中得到的小波系数d_Ij,k进行扰动发生时刻、扰动发生位置以及扰动类型的判别； 

5)将步骤4)得到的辨识结果以地图为背景进行可视化显示，将指标值I_dk为1的PMU子站所在的分区突出显示，表示扰动源位于此区域，每个区域采用图形的不同高度表示指标值的大小，以表示各个观测点距离扰动源的距离远近；采用不同的图形表示有功增加类型的扰动或有功减少类型的扰动两种类型;

所述步骤1)具体包括： 

11)对典型类型的动态扰动事故进行离线仿真计算，记录各扰动事故发生时的频率响应信号； 

12)选择阶数为2到11的Daubechies(db)小波函数与Symlet(sym)小波函数来建立小波函数库； 

13)固定小波分解层数I，分别取步骤12)所述小波函数库中的每一种小波函数对步骤11)所记录的每一扰动事故对应的频率信号进行小波多分辨率分析，按照式(1)得到每种小波函数对应每一扰动在第I层分解下的小波系数的能量E_I： 

式中，I表示分解层数，n_I表示在第I层分解得到的小波系数的个数的总数，d_Ij表示第I层分解得到的第j个小波系数，k表示第k个PMU子站，共有m个PMU子站；选择最大的小波系数能量对应的小波函数ψ，d_Ij,k为最大的小波系数； 

14)利用步骤13)中已选择的小波函数ψ，分别采用不同的分解层数进行与13)相同的小波多分辨率分析，选择最大小波系数能量对应的分解层数I;

所述步骤4)具体包括： 

41)在各PMU子站分别检测扰动的发生，给子站最大的小波系数d_Ij,k出现的时刻即为对应的扰动事故发生的时刻； 

42)利用各个PMU子站的最大小波系数d_Imax,k，k＝1,...,m，的比较来判断第k个量测点即第k个PMU子站距离扰动源的距离，将各PMU子站对应的最大小波系数d_Imax,k按照式(2)所示的扰动位置估计指标I_dk进行归一化处理； 

式中，d_Imax,k表示第k个PMU子站对应的小波系数的最大值，d_Imax,max表示所有PMU子站的最大小波系数中的最大值，I_dk在区间[0,1]内；从而指标I_dk为1的PMU子站所在的区域为扰动源所在估计区域； 

43)利用小波系数d_Ij,k峰值的正负判断扰动的类型：正峰值表示当前系统发生有功出力减少的扰动事故；负峰值表示当前系统发生有功出力增加的扰动事故。