CN105429138B - 基于小波变换的同调机群识别方法及装置 - Google Patents

基于小波变换的同调机群识别方法及装置 Download PDF

Info

Publication number
CN105429138B
CN105429138B CN201510921064.XA CN201510921064A CN105429138B CN 105429138 B CN105429138 B CN 105429138B CN 201510921064 A CN201510921064 A CN 201510921064A CN 105429138 B CN105429138 B CN 105429138B
Authority
CN
China
Prior art keywords
cluster
generator
clustering
power
coherent
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN201510921064.XA
Other languages
English (en)
Other versions
CN105429138A (zh
Inventor
胡伟
闵勇
周凡
周一凡
李淼
邵立政
张振兴
周悦
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Tsinghua University
State Grid Corp of China SGCC
State Grid Hubei Electric Power Co Ltd
Original Assignee
Tsinghua University
State Grid Corp of China SGCC
State Grid Hubei Electric Power Co Ltd
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by Tsinghua University, State Grid Corp of China SGCC, State Grid Hubei Electric Power Co Ltd filed Critical Tsinghua University
Priority to CN201510921064.XA priority Critical patent/CN105429138B/zh
Publication of CN105429138A publication Critical patent/CN105429138A/zh
Application granted granted Critical
Publication of CN105429138B publication Critical patent/CN105429138B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00Circuit arrangements for ac mains or ac distribution networks
    • HELECTRICITY
    • H02GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02JCIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]

Landscapes

  • Engineering & Computer Science (AREA)
  • Power Engineering (AREA)
  • Image Analysis (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于小波变换的同调机群识别的方法及装置,其中方法包括:获取电力系统中的各个发电机的功角曲线;分别对各个发电机的功角曲线进行小波变换分析;分别对小波变换分析后的各个发电机的功角曲线进行特征提取,得到各个发电机的同调识别关键特征;根据各个发电机的同调识别关键特征进行基于密度的聚类分析,得到多个同调机群。该方法可以比较快速、准确地识别出电力系统暂态过程中的同调机群,实现同调机群的实时判别,从而为调度人员采取相应紧急控制措施提供了重要参考,提升电力系统的稳定控制水平。

Description

基于小波变换的同调机群识别方法及装置
技术领域
本发明涉及电力系统稳定分析领域,尤其涉及一种基于小波变换的同调机群识别方法及装置。
背景技术
为了解决能源结构和电力增长之间日益突出的矛盾、实现电网更经济可靠的运行,世界各大电力运营商均开始了大规模电网互联进程,我国目前也已基本形成了“西电东送、南北互供、全国联网”的总体格局。然而,大型互联电网的稳定特性往往非常复杂,在互联电网中发生严重故障甚至诱发连锁故障、特别是故障发生在系统薄弱环节时,将有可能引发机群失步,即系统中的各个发电机分裂为若干个异步的发电机群,各个机群之间相互摆开。如果这种失步现象得不到有效的抑制,那么随着异步发电机群间的功角不断拉大,将会进一步导致更多的传输线及其它设备发生过载,严重影响电力系统稳定性。而同调机群的快速、准确识别是在机群失步情况下采取紧急控制措施的重要前提和关键问题。
同调机群识别是电力系统稳定控制的重要问题。同调机群识别的常用信息包括系统的模型数据、状态变量在初始时刻的静态数据、受扰后某些特殊瞬间的动态数据、以及受扰过程中的时间响应曲线数据。这几类数据所包含的同调信息量依次增加。同调机群识别方法主要包括以下几类:(1)基于特征量的分类法,其基本思路是选择一组能够准确描述发电机同调性质的特征参数(如电机转子摇摆角、动能、角速度、初始加速度、系统的导纳矩阵、机电距离、电压等),根据预先选择的合适的同调判别标准,利用合适的分群算法对形成的数据集进行分类得到同调发电机分组结果,对于事先预知分类数的同调机群识别问题,此类方法具有直观、简便的优点,但是对于事先不知道分类数的情况,需要根据经验给出大致的分类数,这无疑带有一定的主观因素,提高了操作的难度,降低了方法的实用性;(2)基于线性化系统矩阵的解析法,这类方法基于线性化的系统状态方程进行研究,状态矩阵的每个特征值对应一种振荡模式,分析特征值所对应的特征向量以确定机组间的相关程度,从而判别同调发电机组,典型方法有基于雅克比矩阵的分解法、基于Epsilon分解(Epsilon-Decomposition,厄普西隆分解)的弱耦合法、双时间尺度方法、慢同调法等,线性化状态方程的方法在小干扰分析中有广泛应用,然而对大干扰情况是否适用、为何适用,其机理仍有待研究;(3)基于发电机功角曲线的数据挖掘法,这类方法从发电机功角曲线出发,基于功角的时域、频域特性数据获取同调信息,这种方法不需要知道机组参数,在实时判别中具有很好的应用前景,但是由于基于功角曲线的数据挖掘是一种时序数据聚类或是高维数据聚类,算法复杂而耗时,因此如何从这一角度出发研究简洁、快速的算法仍是一个亟待解决的问题。
发明内容
本发明的目的旨在至少在一定程度上解决相关技术中的技术问题之一。
为此,本发明的第一个目的在于提出一种基于小波变换的同调机群识别方法,该方法可以比较快速、准确地识别出电力系统暂态过程中的同调机群,实现同调机群的实时判别,从而为调度人员采取相应紧急控制措施提供了重要参考,提升电力系统的稳定控制水平。
为达上述目的,本发明第一方面实施例提出了一种基于小波变换的同调机群识别方法包括以下步骤:S1,获取电力系统中的各个发电机的功角曲线;S2,分别对所述各个发电机的功角曲线进行小波变换分析;S3,分别对小波变换分析后的所述各个发电机的功角曲线进行特征提取,得到所述各个发电机的同调识别关键特征;S4,根据所述各个发电机的所述同调识别关键特征进行基于密度的聚类分析,得到多个同调机群。
本发明实施例的基于小波变换的同调机群识别方法,通过获取各个发电机的功角曲线后对其进行小波变换分析提取其特征,得到各个发电机的同调识别关键特征再进行基于密度的聚类分析得到多个同调机群,可以比较快速、准确地识别出电力系统暂态过程中的同调机群,实现同调机群的实时判别,从而为调度人员采取相应紧急控制措施提供了重要参考,提升电力系统的稳定控制水平。
在本发明的一个实施例中,所述的基于小波变换的同调机群识别方法,通过以下公式分别对所述各个发电机的功角曲线进行小波变换分析:其中,为母小波Morlet函数,其中,ω0为频率参数;δi(t)为第i个发电机的功角曲线;为第i个发电机的功角曲线对应的小波变换系数,t为时间,j为复数,a为缩放尺度,b为位置参数。
在本发明的一个实施例中,所述步骤S3包括:S31,通过以下公式计算所述第i个发 电机的功角曲线的小波变换系数在各个缩放尺度上的谱能量Ei(a):S32,对所述谱能量进行归一化处理以得到所述第i个发电 机的功角曲线在各个缩放尺度上的能量占比;S33,针对所述第i个发电机,提取所述谱能量 上所述能量占比最大的三峰所对应的缩放尺度和能量占比作为所述同调识别关键特征,其 中,所述同调识别关键特征为三组二维数据,分别为并且有
在本发明的一个实施例中,所述步骤S4包括:S41,假设电力系统中共有n台发电 机,目前已识别出同调机群数目为P,对应的同调机群为Coh1,...,CohP,令P=0,并首先对n 个二维数据进行聚类分析,包括:S41,假设电力系统中共有n台发电机,目前已识 别出同调机群数目为P,对应的同调机群为Coh1,...,CohP,令P=0,并首先对n个二维数据进行聚类分析,包括:S41-1,计算n个二维数据之间的两两欧式距离Dij, 其中,S41-2,设定基于密度的聚类方法 DBSCAN算法的两个参数Minpts=2,参数ε取为之间的两两距离数据的四分之一位 数,即ε=Q1(Dij);S41-3,标记所述有n个对象为未访问的,记当前聚类分析得到的簇的数目 C是0;S41-4,判断当前是否存在未访问对象,若存在未访问对象,则随机选择一个未访问的 对象k,标记k为已访问的,否则则执行步骤S41-9;S41-5,记k的ε-邻域内中的所有对象构成 集合N,若所述N内存在至少Minpts个对象,则执行步骤S41-6,否则则执行步骤S41-8;S41- 6,令C=C+1,建立一个新簇clusterC,令clusterC={k};S41-7,若所述N中已经不存在未访 问对象,则执行所述步骤S41-4;否则,从所述N中任意选择未访问对象s,标记s为已访问的, 判别所述s的ε-邻域内是否存在至少Minpts个对象,若是则将所述s的ε-邻域内的对象均加 入所述N,判别所述s是否已经属于某一簇,若否则将所述s加入clusterC,并执行所述步骤 S41-7;S41-8,标记所述k是噪声,并返回执行所述步骤S41-4;S41-9,聚类分析结束,并记此 次聚类分析共形成C个簇cluster1,cluster2,…,clusterC,和l个噪声点noise1,..., noisel,其中,所述l个噪声点各自构成一个同调机群,即新增同调机群并令P=P+l,以使完成对特征的聚类分析;S42,基于二 维数据对所述C个簇cluster1,cluster2,…,clusterC逐一进行聚类分析,包括: S42-1,令i=1,若clusteri中的元素数目只有一个,则新增同调机群CohP+1=clusteri,并令 P=P+1,执行步骤S42-4,否则,计算所述clusteri中的元素所对应的特征之间的两两欧 式距离;S42-2,设定DBSCAN算法的两个参数,Minpts=2,ε参数取为特征之间的两两欧 式距离的四分之一位数,并依照所述步骤S41-3至S41-8以完成聚类分析;S42-3,记所述聚 类分析共形成C2个簇cl,cl2,…,clC2和l2个噪声点noise1,...,noisel2,其中,所述l2个噪 声点各自构成同调机群,即新增同调机群并令P=P+l2;S42-4,i =i+1,若i≤C,则执行所述步骤S42-2,否则执行步骤S42-5;S42-5,所述特征的 聚类分析结束,并记在整个S42步骤中共得到C′个簇,即cluster′1,cluster′2,…, cluster′C′;S43,基于二维数据对S42-5中得到的所述C′个簇cluster′1, cluster′2,…,cluster′C′逐一进行聚类分析,包括:S43-1,令i=1,若cluster′i中的元素 数目只有一个,则新增同调机群CohP+1=cluster′i,并令P=P+1,转向S42-4,否则,计算所 述cluster′i中的元素所对应的特征之间的两两欧式距离;S43-2,设定DBSCAN算法的两 个参数,Minpts=2,ε参数取为特征之间的两两欧式距离的四分之一位数,并依照所述 步骤S41-3至S41-8完成聚类分析;S43-3,记所述次聚类分析共形成C3个簇cl1,cl2,…, clC3,和l3个噪声点noise1,...,noisel3,其中,所述l3个噪声点各自构成同调机群,即新增 同调机群并令P=P+l3;S43-4,i=i+1,若i≤C′,则执行所述步 骤S43-2,否则执行步骤S43-5;S43-5,对所述特征的聚类分析结束,并记在整个 S43步骤中共得到C"个簇,即cluster1",cluster2",…,clusterC"",新增同调机群并令P=P+C"。
为达上述目的,本发明第二方面实施例提出了一种基于小波变换的同调机群识别装置包括:获取模块,用于获取电力系统中的各个发电机的功角曲线;变换分析模块,用于分别对所述各个发电机的功角曲线进行小波变换分析;提取模块,用于分别对小波变换分析后的所述各个发电机的功角曲线进行特征提取,得到所述各个发电机的同调识别关键特征;聚类分析模块,用于根据所述各个发电机的所述同调识别关键特征进行基于密度的聚类分析,得到多个同调机群。
本发明实施例的基于小波变换的同调机群识别装置,通过获取模块获得各个发电机的功角曲线,变换分析模块对功角曲线进行小波变换分析后提取模块提取其特征,得到各个发电机的同调识别关键特征再进行基于密度的聚类分析得到多个同调机群,可以比较快速、准确地识别出电力系统暂态过程中的同调机群,实现同调机群的实时判别,从而为调度人员采取相应紧急控制措施提供了重要参考,提升电力系统的稳定控制水平。
在本发明的一个实施例中,所述的基于小波变换的同调机群识别装置,通过以下公式分别对所述各个发电机的功角曲线进行小波变换分析:其中,为母小波Morlet函数,其中,ω0为频率参数;δi(t)为第i个发电机的功角曲线;为第i个发电机的功角曲线对应的小波变换系数,t为时间,j为复数,a为缩放尺度,b为位置参数。
在本发明的一个实施例中,所述提取模块包括:S31,通过以下公式计算所述第i个 发电机的功角曲线的小波变换系数在各个缩放尺度上的谱能量Ei(a):S32,对所述谱能量进行归一化处理以得到所述第i个发电 机的功角曲线在各个缩放尺度上的能量占比;S33,针对所述第i个发电机,提取所述谱能量 上所述能量占比最大的三峰所对应的缩放尺度和能量占比作为所述同调识别关键特征,其 中,所述同调识别关键特征为三组二维数据,分别为并且有
在本发明的一个实施例中,所述聚类分析模块包括:S41,假设电力系统中共有n台 发电机,目前已识别出同调机群数目为P,对应的同调机群为Coh1,...,CohP,令P=0,并首先 对n个二维数据进行聚类分析,包括:S41,假设电力系统中共有n台发电机,目前已 识别出同调机群数目为P,对应的同调机群为Coh1,...,CohP,令P=0,并首先对n个二维数据进行聚类分析,包括:S41-1,计算n个二维数据之间的两两欧式距离Dij, 其中,S41-2,设定基于密度的聚类方法 DBSCAN算法的两个参数Minpts=2,参数ε取为之间的两两距离数据的四分之一位 数,即ε=Q1(Dij);S41-3,标记所述有n个对象为未访问的,记当前聚类分析得到的簇的数目 C是0;S41-4,判断当前是否存在未访问对象,若存在未访问对象,则随机选择一个未访问的 对象k,标记k为已访问的,否则则执行步骤S41-9;S41-5,记k的ε-邻域内中的所有对象构成 集合N,若所述N内存在至少Minpts个对象,则执行步骤S41-6,否则则执行步骤S41-8;S41- 6,令C=C+1,建立一个新簇clusterC,令clusterC={k};S41-7,若所述N中已经不存在未访 问对象,则执行所述步骤S41-4;否则,从所述N中任意选择未访问对象s,标记s为已访问的, 判别所述s的ε-邻域内是否存在至少Minpts个对象,若是则将所述s的ε-邻域内的对象均加 入所述N,判别所述s是否已经属于某一簇,若否则将所述s加入clusterC,并执行所述步骤 S41-7;S41-8,标记所述k是噪声,并返回执行所述步骤S41-4;S41-9,聚类分析结束,并记此 次聚类分析共形成C个簇cluster1,cluster2,…,clusterC,和l个噪声点noise1,..., noisel,其中,所述l个噪声点各自构成一个同调机群,即新增同调机群并令P=P+l,以使完成对特征的聚类分析;S42,基于二维 数据对所述C个簇cluster1,cluster2,…,clusterC逐一进行聚类分析,包括: S42-1,令i=1,若clusteri中的元素数目只有一个,则新增同调机群CohP+1=clusteri,并令 P=P+1,执行步骤S42-4,否则,计算所述clusteri中的元素所对应的特征之间的两两欧 式距离;S42-2,设定DBSCAN算法的两个参数,Minpts=2,ε参数取为特征之间的两两欧 式距离的四分之一位数,并依照所述步骤S41-3至S41-8以完成聚类分析;S42-3,记所述聚 类分析共形成C2个簇cl,cl2,…,clC2和l2个噪声点noise1,...,noisel2,其中,所述l2个噪 声点各自构成同调机群,即新增同调机群并令P=P+l2;S42-4,i =i+1,若i≤C,则执行所述步骤S42-2,否则执行步骤S42-5;S42-5,所述特征的 聚类分析结束,并记在整个S42步骤中共得到C′个簇,即cluster′1,cluster′2,…, cluster′C′;S43,基于二维数据对S42-5中得到的所述C′个簇cluster′1, cluster′2,…,cluster′C′逐一进行聚类分析,包括:S43-1,令i=1,若cluster′i中的元素 数目只有一个,则新增同调机群CohP+1=cluster′i,并令P=P+1,转向S42-4,否则,计算所 述cluster′i中的元素所对应的特征之间的两两欧式距离;S43-2,设定DBSCAN算法的两 个参数,Minpts=2,ε参数取为特征之间的两两欧式距离的四分之一位数,并依照所述 步骤S41-3至S41-8完成聚类分析;S43-3,记所述次聚类分析共形成C3个簇cl1,cl2,…, clC3,和l3个噪声点noise1,...,noisel3,其中,所述l3个噪声点各自构成同调机群,即新增 同调机群并令P=P+l3;S43-4,i=i+1,若i≤C′,则执行所述步 骤S43-2,否则执行步骤S43-5;S43-5,对所述特征的聚类分析结束,并记在整个 S43步骤中共得到C"个簇,即cluster1",cluster2",…,clusterC"",新增同调机群并令P=P+C"。
附图说明
本发明上述的和/或附加的方面和优点从下面结合附图对实施例的描述中将变得明显和容易理解,其中:
图1为根据本发明一个实施例的基于小波变换的同调机群识别方法的流程图;
图2为根据本发明一个实施例的获得各个发电机的同调识别关键特征的流程图;
图3为根据本发明一个实施例的基于密度的聚类分析的流程图;
图4为根据本发明一个实施例的基于小波变换的同调机群识别装置的结构示意图。
具体实施方式
下面详细描述本发明的实施例,所述实施例的示例在附图中示出,其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的,旨在用于解释本发明,而不能理解为对本发明的限制。
下面参考附图描述本发明实施例的基于小波变换的同调机群识别方法及装置。
图1为根据本发明一个实施例的基于小波变换的同调机群识别方法的流程图。如图1所示:
S1,获取电力系统中的各个发电机的功角曲线。
具体而言,根据PMU(Phasor Measurement Unit,电源管理单元)或SCADA(Supervisory Control And Data Acquisition,数据采集与监视控制)数据获取电力系统中所有发电机的实时功角曲线数据。
S2,分别对各个发电机的功角曲线进行小波变换分析。
具体而言,通过以下公式(1)分别对所述各个发电机的功角曲线进行小波变换分析:
其中,为母小波Morlet函数,其中,ω0为频率参数,可以取ω0=5;δi(t)为第i个发电机的功角曲线;为第i个发电机的功角曲线对应的小波变换系数,提供了对信号时域、频域细节的大量数据描述,a为缩放尺度,b为位置参数。
S3,分别对小波变换分析后的各个发电机的功角曲线进行特征提取,得到各个发电机的同调识别关键特征。
具体而言,如图2所示,得到各个发电机的同调识别关键特征的具体实现过程可包括:
S31,计算第i个发电机的功角曲线的小波变换系数在各个缩放尺度上的谱能量。
计算发电机功角曲线的小波变换系数在各个缩放尺度上的谱能量。在实际的计算中,缩放尺度a和位置参数b都不可能是连续的,必然是离散变化的。令a和b均以等间隔离散变化,则对发电机i,按照下式计算其功角曲线在各个缩放尺度上的“能量”。
S32,对所述谱能量进行归一化处理以得到所述第i个发电机的功角曲线在各个缩放尺度上的能量占比。
由于对于不同的发电机,其功角曲线小波变换按系数在各个缩放尺度上的谱能量绝对大小相差较大,因此对此能量进行如下所示归一化处理。
上式中的即为发电机i的功角曲线在各个缩放尺度上的能量占比。
S33,针对第i个发电机,提取谱能量占比曲线上能量占比最大的三峰所对应的缩 放尺度和能量占比作为所述同调识别关键特征,其中,同调识别关键特征为三组二维数据, 分别为并且有
具体而言,提取谱能量占比曲线上能量占比最大的三峰所对应的缩放尺度和能量占比作为同调识别特征。记缩放尺度参数a的离散取值集合为{a1,a2,...,aM},离散取值的间隔为Δa=a2-a1=...=aM-aM-1。则特征提取的基本思路是:对于任意发电机,首先找到其功角曲线谱能量占比曲线上的所有峰(峰的特征是从正向和负向分别考虑该缩放尺度,能量占比均是增大的),然后按照能量占比对峰排序,最后取出能量占比最大的三个峰(记为 )。特别地,如果某个发电机功角曲线谱能量占比曲线上根本仅存在一个峰或者两个峰,则用(aM+Δa,0)来补齐不足三个的同调特征。
至此,对于所有发电机,我们都可以分别以三组二维数据作为特征来描述其同调性质。
S4,根据各个发电机的同调识别关键特征进行基于密度的聚类分析,得到多个同调机群。
具体而言,如图3所示,基于密度的聚类分析的具体实现过程可包括:
S41,假设电力系统中共有n台发电机,目前已识别出同调机群数目为P,对应的同调机群为Coh1,...,CohP,令P=0,并首先对n个二维数据进行聚类分析。
具体地,本发明聚类分析用DBSCAN(Density-Based Spatial Clustering ofApplications with Noise,聚类算法)算法,它的基本思想是找出核心对象(即其邻域稠密的对象),通过连接核心对象和它们的邻域,形成稠密区域作为簇。DBSCAN算法只有两个参数:聚类半径ε和稠密区域密度阈值MinPts。对象邻域的大小由参数确定,邻域的密度则可由邻域内对象的数目来度量。对于邻域稠密的对象,称其为核心对象(即其ε-邻域至少包含MinPts个个体的对象)。DBSCAN聚类以核心对象为中心,将若干密度可达的小稠密区域不断连接构成大稠密区域来完成簇的识别,从而实现聚类分析。DBSCAN方法最大的特点在于不需要预先设定聚类的个数,只要参数ε和MinPts设置适当,算法就可以根据问题特征有效地发现适当数目的数据簇,这使得它比k-means、k-中心点等方法具有天然的优势。
具体而言,S41-1,计算n个二维数据之间的两两欧式距离Dij,其中,S41-2,设定基于密度的聚类方法DBSCAN算 法的两个参数Minpts=2、ε=Q1(Dij),其中,参数ε取为之间的两两距离数据的四 分之一位数;S41-3,标记所述有n个对象为未访问的,记当前聚类分析得到的簇的数目C是 0;S41-4,判断当前是否存在未访问对象,若存在未访问对象,则随机选择一个未访问的对 象k,标记k为已访问的,否则则执行步骤S41-9;S41-5,记k的ε-邻域内中的所有对象构成集 合N,若所述N内存在至少Minpts个对象,则执行步骤S41-6,否则则执行步骤S41-8;S41-6, 令C=C+1,建立一个新簇clusterC,令clusterC={k}。S41-7,若所述N中已经不存在未访问 对象,则执行所述步骤S41-4;否则,从所述N中任意选择未访问对象s,标记s为已访问的,判 别所述s的ε-邻域内是否存在至少Minpts个对象,若是则将所述s的ε-邻域内的对象均加入 所述N,判别所述s是否已经属于某一簇,若否则将所述s加入clusterC,并执行所述步骤 S41-7;S41-8,标记所述k是噪声,并返回执行所述步骤S41-4;S41-9,聚类分析结束,并记此 次聚类分析共形成C个簇cluster1,cluster2,…,clusterC,和l个噪声点noise1,..., noisel,其中,所述l个噪声点各自构成一个同调机群,即新增同调机群并令P=P+l,以使完成对特征的聚类分析。
S42,基于二维数据对所述C个簇cluster1,cluster2,…,clusterC逐一进行聚类分析。
具体而言,S42-1,令i=1,若clusteri中的元素数目只有一个,新增同调机群CohP+1=clusteri,并令P=P+1,转向S42-4,否则,计算所述clusteri中的元素所对应的特征之间的两两欧式距离;S42-2,设定DBSCAN算法的两个参数,Minpts=2,ε参数取为特征之间的两两欧式距离的四分之一位数。依照S41-3至S41-8完成聚类分析;S42-3,记所述聚类分析共形成C2个簇cl,cl2,…,clC2,和l2个噪声点noise1,...,noisel2。所述l2个噪声点各自构成同调机群,即新增同调机群并令P=P+l2;S42-4,i=i+1,若i≤C,则转向S4-2-2,否则转向S42-5;S42-5,完成了对特征的聚类分析。记在整个S42步骤中共得到了C′个簇cluster′1,cluster′2,…,cluster′C′
S43,基于二维数据对S4-2-6中得到的C′个簇cluster′1,cluster′2,…,cluster′C′逐一进行聚类分析。
具体而言,S43-1,令i=1,若cluster′i中的元素数目只有一个,新增同调机群CohP+1=cluster′i,并令P=P+1,转向S42-4,否则,计算所述cluster′i中的元素所对应的特征之间的两两欧式距离;S43-2,设定DBSCAN算法的两个参数,Minpts=2,ε参数取为特征之间的两两欧式距离的四分之一位数。依照S41-3至S41-8完成聚类分析;S43-3,记所述次聚类分析共形成C3个簇cl1,cl2,…,clC3,和l3个噪声点noise1,...,noisel3。所述l3个噪声点各自构成同调机群,即新增同调机群并令P=P+l3;S43-4,i=i+1,若i≤C′,则转向S4-3-2,否则转向S43-5;S43-5,完成了对特征的聚类分析。记在整个S4-3步骤中共得到了C"个簇cluster1",cluster2",…,clusterC""。新增同调机群并令P=P+C"。
本发明实施例的基于小波变换的同调机群识别方法,通过获取各个发电机的功角曲线后对其进行小波变换分析提取其特征,得到各个发电机的同调识别关键特征再进行基于密度的聚类分析得到多个同调机群,可以比较快速、准确地识别出电力系统暂态过程中的同调机群,实现同调机群的实时判别,从而为调度人员采取相应紧急控制措施提供了重要参考,提升电力系统的稳定控制水平。
为了实现上述实施例,本发明还提出了一种基于小波变换的同调机群识别装置。
图4是根据本发明一个实施例的基于小波变换的同调机群识别装置的结构示意图。
如图4所示,该装置可以包括:获取模块401、变换分析模块402、提取模块403和聚类分析模块404。
具体地,获取模块401获取电力系统中的各个发电机的功角曲线,变换分析模块402分别对各个发电机的功角曲线进行小波变换分析,提取模块403分别对小波变换分析后的各个发电机的功角曲线进行特征提取,得到各个发电机的同调识别关键特征。聚类分析模块404根据各个发电机的同调识别关键特征进行基于密度的聚类分析,得到多个同调机群。
需要说明的是,前述对基于小波变换的同调机群识别方法的实施例的解释说明也适用于该实施例的基于小波变换的同调机群识别装置,其实现原理类似,此处不再赘述。
本发明实施例的基于小波变换的同调机群识别装置,通过获取模块获得各个发电机的功角曲线,变换分析模块对功角曲线进行小波变换分析后提取模块提取其特征,得到各个发电机的同调识别关键特征再进行基于密度的聚类分析得到多个同调机群,可以比较快速、准确地识别出电力系统暂态过程中的同调机群,实现同调机群的实时判别,从而为调度人员采取相应紧急控制措施提供了重要参考,提升电力系统的稳定控制水平。
在本说明书的描述中,参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。在本说明书中,对上述术语的示意性表述不必须针对的是相同的实施例或示例。而且,描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外,在不相互矛盾的情况下,本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
尽管上面已经示出和描述了本发明的实施例,可以理解的是,上述实施例是示例性的,不能理解为对本发明的限制,本领域的普通技术人员在本发明的范围内可以对上述实施例进行变化、修改、替换和变型。

Claims (6)

1.一种基于小波变换的同调机群识别方法,其特征在于,包括以下步骤:
S1,获取电力系统中的各个发电机的功角曲线;
S2,分别对所述各个发电机的功角曲线进行小波变换分析;其中,通过以下公式分别对所述各个发电机的功角曲线进行小波变换分析:
其中,为母小波Morlet函数,其中,ω0为频率参数;δi(t)为第i个发电机的功角曲线;为第i个发电机的功角曲线对应的小波变换系数,a为缩放尺度,b为位置参数,t为时间;
S3,分别对小波变换分析后的所述各个发电机的功角曲线进行特征提取,得到所述各个发电机的同调识别关键特征;
S4,根据所述各个发电机的所述同调识别关键特征进行基于密度的聚类分析,得到多个同调机群。
2.如权利要求1所述的基于小波变换的同调机群识别方法,其特征在于,所述步骤S3包括:
S31,通过以下公式计算所述第i个发电机的功角曲线的小波变换系数在各个缩放尺度上的谱能量Ei(a):
其中,为第i个发电机的功角曲线对应的小波变换系数,δi(t)为第i个发电机的功角曲线,a为缩放尺度,b为位置参数,t为时间,为母小波Morlet函数;
S32,对所述谱能量进行归一化处理以得到所述第i个发电机的功角曲线在各个缩放尺度上的能量占比;
S33,针对所述第i个发电机,提取所述谱能量上所述能量占比最大的三峰所对应的缩放尺度和能量占比作为所述同调识别关键特征,其中,所述同调识别关键特征为三组二维数据,分别为并且有
3.如权利要求2所述的基于小波变换的同调机群识别方法,其特征在于,所述步骤S4包括:
S41,假设电力系统中共有n台发电机,目前已识别出同调机群数目为P,对应的同调机群为Coh1,...,CohP,令P=0,并首先对n个二维数据进行聚类分析,包括:
S41-1,计算n个二维数据之间的两两欧式距离Dij,其中,
S41-2,设定基于密度的聚类方法DBSCAN算法的两个参数Minpts=2,参数ε取为之间的两两距离数据的四分之一位数,即ε=Q1(Dij);
S41-3,标记有n个对象为未访问的,记当前聚类分析得到的簇的数目C是0;
S41-4,判断当前是否存在未访问对象,若存在未访问对象,则随机选择一个未访问的对象k,标记k为已访问的,否则则执行步骤S41-9;
S41-5,记k的ε-邻域内中的所有对象构成集合N,若所述N内存在至少Minpts个对象,则执行步骤S41-6,否则则执行步骤S41-8;
S41-6,令C=C+1,建立一个新簇clusterC,令clusterC={k};
S41-7,若所述N中已经不存在未访问对象,则执行所述步骤S41-4;否则,从所述N中任意选择未访问对象s,标记s为已访问的,判别所述s的ε-邻域内是否存在至少Minpts个对象,若是则将所述s的ε-邻域内的对象均加入所述N,判别所述s是否已经属于某一簇,若否则将所述s加入clusterC,并执行所述步骤S41-7;
S41-8,标记所述k是噪声,并返回执行所述步骤S41-4;
S41-9,聚类分析结束,并记此次聚类分析共形成C个簇cluster1,cluster2,…,clusterC,和l个噪声点noise1,...,noisel,其中,所述l个噪声点各自构成一个同调机群,即新增同调机群并令P=P+l,以使完成对特征的聚类分析;
S42,基于二维数据对所述C个簇cluster1,cluster2,…,clusterC逐一进行聚类分析,包括:
S42-1,令i=1,若clusteri中的元素数目只有一个,则新增同调机群CohP+1=clusteri,并令P=P+1,执行步骤S42-4,否则,计算所述clusteri中的元素所对应的特征之间的两两欧式距离;
S42-2,设定DBSCAN算法的两个参数,Minpts=2,ε参数取为特征之间的两两欧式距离的四分之一位数,并依照所述步骤S41-3至S41-8以完成聚类分析;
S42-3,记所述聚类分析共形成C2个簇cl,cl2,…,clC2和l2个噪声点noise1,...,noisel2,其中,所述l2个噪声点各自构成同调机群,即新增同调机群并令P=P+l2;
S42-4,i=i+1,若i≤C,则执行所述步骤S42-2,否则执行步骤S42-5;
S42-5,所述特征的聚类分析结束,并记在整个S42步骤中共得到C′个簇,即cluster′1,cluster′2,…,cluster′C′
S43,基于二维数据对S42-5中得到的所述C′个簇cluster′1,cluster′2,…,cluster′C′逐一进行聚类分析,包括:
S43-1,令i=1,若cluster′i中的元素数目只有一个,则新增同调机群CohP+1=cluster′i,并令P=P+1,转向S42-4,否则,计算所述cluster′i中的元素所对应的特征之间的两两欧式距离;
S43-2,设定DBSCAN算法的两个参数,Minpts=2,ε参数取为特征之间的两两欧式距离的四分之一位数,并依照所述步骤S41-3至S41-8完成聚类分析;
S43-3,记次聚类分析共形成C3个簇cl1,cl2,…,clC3,和l3个噪声点noise1,...,noisel3,其中,所述l3个噪声点各自构成同调机群,即新增同调机群并令P=P+l3;
S43-4,i=i+1,若i≤C′,则执行所述步骤S43-2,否则执行步骤S43-5;
S43-5,所述特征的聚类分析结束,并记在整个S43步骤中共得到C"个簇,即cluster1",cluster2",…,clusterC"",新增同调机群并令P=P+C"。
4.一种基于小波变换的同调机群识别装置,其特征在于,包括:
获取模块,用于获取电力系统中的各个发电机的功角曲线;
变换分析模块,用于分别对所述各个发电机的功角曲线进行小波变换分析;其中,通过以下公式分别对所述各个发电机的功角曲线进行小波变换分析:
其中,为母小波Morlet函数,其中,ω0为频率参数;δi(t)为第i个发电机的功角曲线;为第i个发电机的功角曲线对应的小波变换系数,a为缩放尺度,b为位置参数,t为时间;
提取模块,用于分别对小波变换分析后的所述各个发电机的功角曲线进行特征提取,得到所述各个发电机的同调识别关键特征;
聚类分析模块,用于根据所述各个发电机的所述同调识别关键特征进行基于密度的聚类分析,得到多个同调机群。
5.如权利要求4所述的基于小波变换的同调机群识别装置,其特征在于,所述提取模块包括:
S31,通过以下公式计算所述第i个发电机的功角曲线的小波变换系数在各个缩放尺度上的谱能量Ei(a):
其中,为第i个发电机的功角曲线对应的小波变换系数,δi(t)为第i个发电机的功角曲线,a为缩放尺度,b为位置参数,t为时间,为母小波Morlet函数;
S32,对所述谱能量进行归一化处理以得到所述第i个发电机的功角曲线在各个缩放尺度上的能量占比;
S33,针对所述第i个发电机,提取所述谱能量上所述能量占比最大的三峰所对应的缩放尺度和能量占比作为所述同调识别关键特征,其中,所述同调识别关键特征为三组二维数据,分别为并且有
6.如权利要求5所述的基于小波变换的同调机群识别装置,其特征在于,所述聚类分析模块包括:S41,假设电力系统中共有n台发电机,目前已识别出同调机群数目为P,对应的同调机群为Coh1,...,CohP,令P=0,并首先对n个二维数据进行聚类分析,包括:
S41,假设电力系统中共有n台发电机,目前已识别出同调机群数目为P,对应的同调机群为Coh1,...,CohP,令P=0,并首先对n个二维数据进行聚类分析,包括:
S41-1,计算n个二维数据之间的两两欧式距离Dij,其中,
S41-2,设定基于密度的聚类方法DBSCAN算法的两个参数Minpts=2、参数ε取为之间的两两距离数据的四分之一位数,即ε=Q1(Dij);
S41-3,标记有n个对象为未访问的,记当前聚类分析得到的簇的数目C是0;
S41-4,判断当前是否存在未访问对象,若存在未访问对象,则随机选择一个未访问的对象k,标记k为已访问的,否则则执行步骤S41-9;
S41-5,记k的ε-邻域内中的所有对象构成集合N,若所述N内存在至少Minpts个对象,则执行步骤S41-6,否则则执行步骤S41-8;
S41-6,令C=C+1,建立一个新簇clusterC,令clusterC={k};
S41-7,若所述N中已经不存在未访问对象,则执行所述步骤S41-4;否则,从所述N中任意选择未访问对象s,标记s为已访问的,判别所述s的ε-邻域内是否存在至少Minpts个对象,若是则将所述s的ε-邻域内的对象均加入所述N,判别所述s是否已经属于某一簇,若否则将所述s加入clusterC,并执行所述步骤S41-7;
S41-8,标记所述k是噪声,并返回执行所述步骤S41-4;
S41-9,聚类分析结束,并记此次聚类分析共形成C个簇cluster1,cluster2,…,clusterC,和l个噪声点noise1,...,noisel,其中,所述l个噪声点各自构成一个同调机群,即新增同调机群并令P=P+l,以使完成对特征的聚类分析;
S42,基于二维数据对所述C个簇cluster1,cluster2,…,clusterC逐一进行聚类分析,包括:
S42-1,令i=1,若clusteri中的元素数目只有一个,则新增同调机群CohP+1=clusteri,并令P=P+1,执行步骤S42-4,否则,计算所述clusteri中的元素所对应的特征之间的两两欧式距离;
S42-2,设定DBSCAN算法的两个参数,Minpts=2,ε参数取为特征之间的两两欧式距离的四分之一位数,并依照所述步骤S41-3至S41-8以完成聚类分析;
S42-3,记所述聚类分析共形成C2个簇cl,cl2,…,clC2和l2个噪声点noise1,...,noisel2,其中,所述l2个噪声点各自构成同调机群,即新增同调机群并令P=P+l2;
S42-4,i=i+1,若i≤C,则执行所述步骤S42-2,否则执行步骤S42-5;
S42-5,所述特征的聚类分析结束,并记在整个S42步骤中共得到C′个簇,即cluster′1,cluster′2,…,cluster′C′
S43,基于二维数据对S42-5中得到的所述C′个簇cluster′1,cluster′2,…,cluster′C′逐一进行聚类分析,包括:
S43-1,令i=1,若cluster′i中的元素数目只有一个,则新增同调机群CohP+1=cluster′i,并令P=P+1,转向S42-4,否则,计算所述cluster′i中的元素所对应的特征之间的两两欧式距离;
S43-2,设定DBSCAN算法的两个参数,Minpts=2,ε参数取为特征之间的两两欧式距离的四分之一位数,并依照所述步骤S41-3至S41-8完成聚类分析;
S43-3,记次聚类分析共形成C3个簇cl1,cl2,…,clC3,和l3个噪声点noise1,...,noisel3,其中,所述l3个噪声点各自构成同调机群,即新增同调机群并令P=P+l3;
S43-4,i=i+1,若i≤C′,则执行所述步骤S43-2,否则执行步骤S43-5;
S43-5,所述特征的聚类分析结束,并记在整个S43步骤中共得到C"个簇,即cluster1",cluster2",…,clusterC"",新增同调机群并令P=P+C"。
CN201510921064.XA 2015-12-11 2015-12-11 基于小波变换的同调机群识别方法及装置 Active CN105429138B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201510921064.XA CN105429138B (zh) 2015-12-11 2015-12-11 基于小波变换的同调机群识别方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201510921064.XA CN105429138B (zh) 2015-12-11 2015-12-11 基于小波变换的同调机群识别方法及装置

Publications (2)

Publication Number Publication Date
CN105429138A CN105429138A (zh) 2016-03-23
CN105429138B true CN105429138B (zh) 2019-02-05

Family

ID=55507156

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201510921064.XA Active CN105429138B (zh) 2015-12-11 2015-12-11 基于小波变换的同调机群识别方法及装置

Country Status (1)

Country Link
CN (1) CN105429138B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107590604B (zh) * 2017-09-13 2020-09-04 国网福建省电力有限公司 一种结合s变换和2dpca的同调机组分群方法及系统
CN112415304B (zh) * 2020-10-30 2022-08-23 国网天津市电力公司 基于低压台区电压数据曲线分群的线路识别方法
CN114065600A (zh) * 2021-11-11 2022-02-18 国网天津市电力公司 基于小波变换的时间序列聚类分析的机组分群方法及装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102916917A (zh) * 2012-09-25 2013-02-06 哈尔滨工程大学 基于切片双谱和小波变换的fsk信号个体识别方法
CN104319762A (zh) * 2014-09-30 2015-01-28 华北电力大学(保定) 一种在线识别电力系统同调机群的新方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102916917A (zh) * 2012-09-25 2013-02-06 哈尔滨工程大学 基于切片双谱和小波变换的fsk信号个体识别方法
CN104319762A (zh) * 2014-09-30 2015-01-28 华北电力大学(保定) 一种在线识别电力系统同调机群的新方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于两步聚类法的受扰机群同调性分析;蔡国伟等;《中国电力》;20130205;第46卷(第2期);第46-49,54页
基于非负矩阵分解的同调机群识别方法;吴兴扬等;《电力系统自动化》;20130725;第37卷(第14期);第59-64,94页
小波变换和人工神经网络在电力系统动态等值中的应用;任立等;《基于非负矩阵分解的同调机群识别方法》;19981030;第31卷(第5期);第47-50,71页

Also Published As

Publication number Publication date
CN105429138A (zh) 2016-03-23

Similar Documents

Publication Publication Date Title
CN106443244B (zh) 用电设备类型辨识方法和系统
CN103020459B (zh) 一种多维度用电行为的感知方法及系统
CN107038292A (zh) 一种基于自适应多变量非参数核密度估计的多风电场出力相关性建模方法
CN112200694B (zh) 基于图神经网络的主导失稳模式识别模型构建及应用方法
CN105373601B (zh) 一种基于关键字词频特征的多模式匹配方法
CN105429138B (zh) 基于小波变换的同调机群识别方法及装置
CN110110907B (zh) 一种低压台区特征参数的提取方法
CN114444539A (zh) 电力负荷识别方法、装置、设备、介质和程序产品
CN110287237B (zh) 一种基于社会网络结构分析社团数据挖掘方法
CN109214402A (zh) 一种结合小波模糊熵和gg模糊聚类的同调机组分群方法
CN108418242A (zh) 一种基于相似度同调的双馈风电机动态等值方法
Dan et al. Review of non-intrusive load appliance monitoring
Perez et al. Suitability of voltage stability study methods for real-time assessment
CN113627289A (zh) 一种基于深度学习的电力设备识别方法及其装置
CN113659564A (zh) 基于电压波动特征聚类的低压配电网拓扑识别方法及系统
CN107015517A (zh) 一种电力设备监测系统
CN115618610B (zh) 一种基于信息变权重的地下工程岩爆烈度评价方法
Jiang et al. Two‐level area‐load modelling for OPF of power system using reinforcement learning
Li et al. Real‐time approach for oscillatory stability assessment in large‐scale power systems based on MRMR classifier
Liu et al. Research on the transformer area recognition method based on improved K-means clustering algorithm
Wang et al. A combined short-term forecast model of wind power based on empirical mode decomposition and augmented dickey-fuller test
Zhang et al. Fault feature extraction of wind turbine rolling bearing based on PSO-VMD
Pengfei et al. Non-intrusive load monitoring method based on LMD and KNN algorithm
Tan et al. Crucial status and perspectives of topology identification technologies of distribution network based on electrical quantity characteristics identification considering cloud-edge-end coordination
Zheng et al. Transformer Vibration Analysis Based on Double Branch Convolutional Neural Network

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant