CN104319762A - 一种在线识别电力系统同调机群的新方法 - Google Patents

Abstract

一种在线识别电力系统同调机群的新方法。首先，由PMU量测到故障后发电机组的实时功角轨迹信息；然后，对PMU量测信息进行归一化预处理，生成标准数据；最后，利用改进的支持向量机算法对标准数据进行分类，得到最终的同调机群在线识别结果。通过上述方法，可以针对电力系统所有运行方式和可能发生的故障类型，通过PMU在线实时量测数据，采用改进的支持向量机算法，解决了现有方法计算量大，计算时间长，容易造成维数灾等问题，在快速准确地进行同调机群在线识别的基础上，提高了电力系统的安全稳定水平。

Description

一种在线识别电力系统同调机群的新方法

技术领域

本发明涉及一种在线识别电力系统同调机群的新方法，属于电力系统稳定与控制的技术领域。

背景技术

电力系统的安全可靠运行与国民经济和人民生活息息相关。现代电力系统的大规模互联，客观上导致了其存在大停电的可能性。当电力系统发生局部失步振荡而缺乏适当的解列措施时，容易引起连锁反应，甚至会导致全网大停电事故。因而，在严重振荡时，快速准确地识别出同调机群，进行适当的解列操作，对快速平息电力系统的振荡，避免事故的进一步扩大具有重要的意义。

如何自动识别同调机群是解列问题的核心。现有识别同调机群的方法具有计算量大，计算时间长，公式推导复杂，容易造成维数灾等缺点，有时候甚至会得到错误的分群结果，从而导致不适当的解列措施。另外，现有识别方法由于计算量大，只能适用于当前电力系统的运行方式，一旦电力系统运行方式发生改变，就需要重新进行大量的计算，耗时较多，不适合在线应用。

发明内容

为了克服现有方法的缺点，本发明提供了一种在线识别电力系统同调机群的新方法，可以针对电力系统所有运行方式和可能发生的故障类型，通过PMU在线实时量测数据，采用改进的支持向量机算法，解决了现有方法计算量大，计算时间长，容易造成维数灾等问题，可以快速准确地进行同调机群在线识别，提高电力系统的安全稳定水平。

本发明所采用的技术方案是：

首先，由PMU量测到故障后发电机组的实时功角轨迹信息；然后，对PMU量测信息进行归一化预处理，生成标准数据；最后，利用改进的支持向量机算法对标准数据进行分类，得到最终的同调机群在线识别结果。通过上述方法，可以有效克服现有方法的缺点，且兼具快速性和准确性。通过对甘肃电网750kV系统的分析，验证了所提方法能在线准确识别系统中的同调机群。

附图说明

图1为甘肃电网750kV结构图；

图2为PMU量测的发电机实时功角轨迹图；

图3为Gauss径向基核函数参数g和惩罚系数C的最优取值区间图。

图1中：1代表酒泉热电厂G1；2代表酒钢电厂G1；3代表金昌电厂G1；4代表连城电厂G3；5代表景泰电厂G1；6代表靖远电厂G5；7代表范家坪电厂G2；8代表甘谷电厂G1；9代表平凉电厂G1；10代表崇信电厂G1。

具体实施方式

上述在线识别电力系统同调机群的新方法，按照以下步骤进行：

a.由PMU量测到故障后发电机组的实时功角轨迹信息；

b.对PMU量测信息进行归一化预处理，生成标准数据；

c.利用改进的支持向量机算法对标准数据进行分类，得到最终的同调机群在线识别结果。

本发明在线识别电力系统同调机群的新方法中，由PMU量测到故障后发电机组的实时功角轨迹信息的方法如下：

①在电力系统中每个额定有功功率P_N不小于300MW的发电机组上配置PMU装置，构成数据采集子站，对发电机组的实时功角数据进行采集；PMU的数据采样频率设定为100次/秒，即每相邻两个采样点的时间间隔为0.01秒。

②将PMU数据采集子站的数据实时传送至PMU分析主站进行汇总，得到全系统的实时功角轨迹信息。

本发明在线识别电力系统同调机群的新方法中，对PMU量测信息进行归一化预处理的方法如下：

将PMU量测的原始数据规整到[-1，1]区间内，生成标准数据。其归一化映射如下：

$f:x\→y=2\×\frac{x-x_{\min }}{x_{\max }-x_{\min }}-1---\left(1\right)$

其中，x，y∈Rⁿ；x为原始数据，y为归一化后的标准数据。

本发明在线识别电力系统同调机群的新方法中，利用改进的支持向量机算法对数据进行分类的方法如下：

①引入Gauss径向基核函数参数g和惩罚系数C。

非线性问题下支持向量机的目标函数为：

$\left\{\begin{array}{c}\underset{\mathrm{\ω},b,\mathrm{\ξ}}{\min }\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\\ s.t.y_i({\mathrm{\ω}}^T{x}_i+b)\≥1-{\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i\≥0,i=1,\·\·\·,N\end{array}\right.---\left(2\right)$

其中，x_i∈R^d，类别标号y_i∈{1，-1}；ω为d维向量，b为待求常量，ξ_i为松弛因子，C为惩罚系数。结合Lagrange方法和对偶原理，该目标函数可转化为：

$\left\{\begin{array}{c}\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i\\ s.t.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0,C\≥{\mathrm{\α}}_i\≥0,i=1,\·\·\·N\end{array}\right.---\left(3\right)$

其中，α_i为Lagrange乘子，K(x_i，x_j)表示选取的Gauss径向基核函数。该核函数能准确地描绘数据的分布结构，其表达式为：式中g为核函数的宽度。

求解该问题后得到最优解则最优分类超平面为：

$y\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b---\left(4\right)$

其中， $b=y_i-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}K(x_i,x_j).$

②采用交叉验证法确定Gauss径向基核函数参数g和惩罚系数C的最优值。

交叉验证法的具体步骤如下：

a.设原始数据有n个样本，选择n-1个样本作为训练样本，剩余的一个样本单独作验证样本，如此循环选取，可得n个模型，这n个模型识别准确率的平均值就是当前参数下分类器的性能指标。

b.若当前参数下的分类准确率达不到要求，则将当前参数数值上加0.1或减0.1分别进行下一次交叉验证，直至准确率达到最高。此时的核函数参数g和惩罚系数C的取值便是最优值，采用该最优参数的分类器效果达到最佳。

实例分析

以甘肃电网750kV系统为例，采用本发明解决同调机群在线识别问题的新方法，进行了仿真验证。

选取甘肃电网中具有代表性的、额定有功功率不小于300MW的10台发电机组构成识别同调机群的样本集，分别为1号机：酒泉热电厂G1；2号机：酒钢电厂G1；3号机：金昌电厂G1；4号机：连城电厂G3；5号机：景泰电厂G1；6号机：靖远电厂G5；7号机：范家坪电厂G2；8号机：甘谷电厂G1；9号机：平凉电厂G1；10号机：崇信电厂G1。甘肃750kV电网结构如图1所示。

假设线路河西-武胜50％处在0s时发生单回路三相瞬时短路故障，故障持续时间为0.1s，故障切除后系统未发生失稳，且保持稳定状态，仿真时间设为5.0s。PSASP仿真得到的各发电机功角轨迹曲线，如图2所示。

利用PMU提取故障发生后各发电机功角轨迹数据，每两个数据采集点时间间隔为0.01s。再将数据进行归一化处理，得到标准数据。然后在MATLAB中采用交叉验证法确定参数g和惩罚系数C的最优值，得到最优的分类模型。

根据图3中的交叉验证结果，令log₂g在[-3，0]内取任意值，log₂C在[-5，5]内取任意值，可使模型识别准确率达到最优。最后，使用此分类识别模型对测试集的功角数据进行分类，并得到最终的同调机群在线识别结果，如表1所示。

表1 同调机群在线识别结果

结果表明，甘肃电网的发电机组可以分为2群，其中1号、2号发电机组为第1群，3号、4号、5号、6号、7号、8号、9号、10号发电机组为第2群。

Claims (5)

1.一种在线识别电力系统同调机群的新方法，其特征是：首先，由PMU量测到故障后发电机组的实时功角轨迹信息；然后，对PMU量测信息进行归一化预处理，生成标准数据；最后，利用改进的支持向量机算法对标准数据进行分类，得到最终的同调机群在线识别结果。

2.根据权利要求1所述的一种在线识别电力系统同调机群的新方法，其特征是，本发明所述方法按照以下步骤进行：

a.由PMU量测到故障后发电机组的实时功角轨迹信息；

b.对PMU量测信息进行归一化预处理，生成标准数据；

c.利用改进的支持向量机算法对标准数据进行分类，得到最终的同调机群在线识别结果。

3.根据权利要求2所述的一种在线识别电力系统同调机群的新方法，其特征是，由PMU量测到故障后发电机组的实时功角轨迹信息的方法如下：

①在电力系统中每个额定有功功率P_N不小于300MW的发电机组上配置PMU装置，构成数据采集子站，对发电机组的实时功角数据进行采集；PMU的数据采样频率设定为100次/秒，即每相邻两个采样点的时间间隔为0.01秒。

②将PMU数据采集子站的数据实时传送至PMU分析主站进行汇总，得到全系统的实时功角轨迹信息。

4.根据权利要求2所述的一种在线识别电力系统同调机群的新方法，其特征是，对PMU量测信息进行归一化预处理的方法如下：

将PMU量测的原始数据规整到[-1，1]区间内，生成标准数据。其归一化映射如下：

$f:x\→y=2\×\frac{x-x_{\min }}{x_{\max }-x_{\min }}-1---\left(1\right)$

其中，x，y∈Rⁿ；x为原始数据，y为归一化后的标准数据。

5.根据权利要求2所述的一种在线识别电力系统同调机群的新方法，其特征是，利用改进的支持向量机算法对标准数据进行分类的方法如下：

①引入Gauss径向基核函数参数g和惩罚系数C。

非线性问题下支持向量机的目标函数为：

$\left\{\begin{array}{c}\underset{\mathrm{\ω},b,\mathrm{\ξ}}{\min }\frac{1}{2}{\left|\right|\mathrm{\ω}\left|\right|}^2+C\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\ξ}}_i\\ s.t.y_i({\mathrm{\ω}}^T{x}_i+b)\≥1-{\mathrm{\ξ}}_i,{\mathrm{\ξ}}_i\≥0,i=1,\·\·\·,N\end{array}\right.---\left(2\right)$

其中，x_i∈R^d，类别标号y_i∈{1，-1}；ω为d维向量，b为待求常量，ξ_i为松弛因子，C为惩罚系数。结合Lagrange方法和对偶原理，该目标函数可转化为：

$\left\{\begin{array}{c}\underset{\mathrm{\α}}{\min }\frac{1}{2}\underset{i,j=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{\mathrm{\α}}_j{y}_i{y}_{j}K(x_i,x_j)-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i\\ s.t.\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i=0,C\≥{\mathrm{\α}}_i\≥0,i=1,\·\·\·N\end{array}\right.---\left(3\right)$

其中，α_i为Lagrange乘子，K(x_i，x_j)表示选取的Gauss径向基核函数。该核函数能准确地描绘数据的分布结构，其表达式为：式中g为核函数的宽度。

求解该问题后得到最优解则最优分类超平面为：

$y\left(x\right)=\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{\mathrm{\α}}_i{y}_{i}K(x,x_i)+b---\left(4\right)$

其中， $b=y_i-\underset{i=1}{\overset{N}{\mathrm{\Σ}}}{y}_i{\mathrm{\α}}_i^{*}K(x_i,x_j).$

②采用交叉验证法确定Gauss径向基核函数参数g和惩罚系数C的最优值。

交叉验证法的具体步骤如下：

a.设原始数据有n个样本，选择n-1个样本作为训练样本，剩余的一个样本单独作验证样本，如此循环选取，可得n个模型，这n个模型识别准确率的平均值就是当前参数下分类器的性能指标。

b.若当前参数下的分类准确率达不到要求，则将当前参数数值上加0.1和减0.1分别进行下一次交叉验证，直至准确率达到最高。此时的核函数参数g和惩罚系数C的取值便是最优值，采用该最优参数的分类器效果达到最佳。