CN105676018A - 一种基于稳态学习机制的电网低频振荡模糊综合预警方法 - Google Patents

Abstract

本发明公开了一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，包括以下步骤：1)确立预警指标；2)制定稳态下功率波动学习机制；3)使用滑动窗技术对本窗口内数据进行预处理并计算预警指标值；4)使用模糊层次分析法计算当前电力系统低频振荡安全状态分值，给出安全等级实现快速预警；5)当所处状态非安全时，导出当前窗口振荡数据，启动模式辨识程序。本发明所达到的有益效果：通过快速预警与模式辨识相结合的方法可以有效弥补传统预警速度慢、存在误报、依赖电网模型的不足，实现了在仅提供实测数据的条件下，不仅能快速准确给出电网低频振荡安全状态，而且也能给调度员提供有利的模态信息采取抑制措施。

Description

一种基于稳态学习机制的电网低频振荡模糊综合预警方法

技术领域

本发明涉及一种基于稳态学习机制的电网低频振荡模糊综合预警方法，属于电力系统运行与控制技术领域。

背景技术

随着经济的不断发展，发电设备容量不断增加，供电范围不断扩大，传统的电力系统逐渐向大型互联系统的方向发展。同时，伴随大容量机组在电网中的投运，快速及高放大倍数励磁系统的广泛使用及大功率的输电线路和系统之间弱联系的出现，常常会引发电力系统低频振荡问题。从调度运行角度考虑，对其进行在线监测及预警分析已成为电力系统稳定性研究的热点课题之一。随着广域测量系统(WAMS)的发展及应用，利用电网状态信息能够被实时同步这一特性，并根据汇集到中心数据平台上的同步向量数据，能为电力系统低频振荡分析方法提供新的思路。

现有的低频振荡分析主要通过分钟级的大电网特征值计算、实测轨迹的信号处理及小干扰理论等措施，大部分停留在事故后的离线分析，对于调度人员在危险发生前快速采取有效措施从而避免低频振荡的出现很不利。此外，现有很多成果采用在线分析的辨识算法进行监测，但大多数低频振荡辨识算法涉及到矩阵计算、模型定阶、滤波等复杂的运算，系统会花费大量时间，可能会导致CPU负荷率太高而不能实时在线运行。即便可实现在线运行，但由于低频振荡现象很少发生，从效率角度来看也不划算，无法满足低频振荡预警的实时性和准确性。由于低频振荡对电网危害严重，制约了电网输电能力，且目前并没有人结合WAMS实测数据特点研究出快速有效的低频振荡预警技术。

发明内容

为解决现有技术的不足，本发明的目的在于提供一种基于稳态学习机制的电网低频振荡模糊综合预警方法，能够保证电网安全稳定运行，减小低频振荡的发生。

为了实现上述目标，本发明采用如下的技术方案：

一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，包括如下步骤：

步骤1)数据预处理，确立四项预警指标：信号幅值、峰峰值持续周期数、动态阻尼比和信号频率；

步骤2)通过广域测量系统(WAMS系统)对机组有功功率或联络线有功功率历史数据进行监测，引入神经网络对历史波动值进行学习，制定稳态下的功率波动学习机制，预测有功功率波动值δ；

步骤3)使用滑动窗技术对本窗口内数据进行预处理并计算四项预警指标值；

步骤4)基于模糊层次分析法，对四项预警指标值，结合有功功率波动值δ建立电力系统低频振荡综合评价模型，计算当前电力系统低频振荡安全状态分值S，给出安全等级并实时更新数据；

步骤5)当所处状态为非安全时，记录告警时间，并截取振荡波形，对其进行并行复合形态滤波器滤波，采用基于奇异值定阶的TLS-ESPRIT辨识方法获取模式参数。

前述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤2)稳态下的功率波动机制的实现步骤如下：

2.1)每隔半个小时对处理后的信号计算一次稳态下的功率波动值，获得历史9小时的波动值为a₁,a₂,...,a₁₈；

2.2)将a₁,a₂,...,a₁₈分为11组，每组样本依次为a₁～a₈、a₂～a₉、a₃～a₁₀、a₄～a₁₁、a₅～a₁₂、a₆～a₁₃、a₇～a₁₄、a₈～a₁₅、a₉～a₁₆、a₁₀～a₁₇、a₁₁～a₁₈；

2.3)取前10组样本作为历史数据样本，并用作网络训练输入样本；

2.4)将最后一组样本作为网络测试时的输入样本；

2.5)新建BP网络，MATLAB仿真时将隐含层的传递函数均设置为线性传递函数purelin，学习函数采用基于L-M算法的权值学习算法；

2.6)设置最大迭代次数为200，误差期望值为0.001；

2.7)建成网络预测模型，通过网络测试可以得出下一波动值的预测值a₁₉，取δ＝a₁₉作为未来半小时的有功功率波动值。

前述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤3)中的预处理包含如下步骤：

31)剔除异常数据：对窗口内数据采用式子|x_i-μ|≥nσ进行判别，其中实际采样的数据点为x_i，样本均值为μ，样本标准差为σ，n按要求设置为3～10之间的整数；

32)填补丢失数据：异常数据检测后作为丢失数据处理，少量的数据丢失采用线性模型处理，大量的数据丢失对原数据进行分段处理；插值点较少时直接取其前面的正常采样值；

33)去直流：原数据减去样本均值处理；

34)带通处理：使用带通滤波器，只保留0.2～2.5Hz的有用信息；

35)对称化处理：获取实测数据的上下包络线，对包络线插值处理求均值，将原始数据与均值相减。

前述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤4)中电力系统低频振荡综合评价模型的建模过程如下：

4.1)对预警指标的层次结果进行分析比较，构造判断矩阵C；

4.2)层次分析法计算电网低频振荡各项指标的权值W；

4.3)结合所预测的波动值δ构造各项预警指标的隶属度函数，进一步构造模糊评价矩阵R；

4.4)根据权值W和模糊评价矩阵R，加权得出各指标在不同安全等级下的隶属度b，进而求得最后的安全分值S。

前述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所有涉及到的信号均为PMU采集的机组或联络线有功功率数据。

本发明所达到的有益效果：(1)打破原来使用BPA或PSASP对实际电网进行仿真建模的局面，不需要了解实际电网模型，仅仅依靠实测PMU数据快速准确预警并获取相关模态信息，带来很大便利；(2)所提出的低频振荡快速预警指标从低频振荡特点、波动趋势及给电网带来危害的严重程度几个方面对电网所处状态进行标识，根据安全等级的划分判断是否存在低频振荡嫌疑，四种指标相互验证相互补充，保证了快速预警的准确性；(3)由于采用了基于模糊层次分析法的综合评价方法进行快速预警，即使存在主观因素影响或者某一项指标计算结果出现异常，也不会影响最终判断结果；(4)为电力系统安全稳定运行提供保障，而且减少了低频振荡带来的经济损失及社会问题，具有经济和社会效益。

附图说明

图1是本发明的流程图；

图2是WAMS实测数据预处理流程图；

图3是多层前馈神经网络结构图；

图4是预警指标计算示意图；

图5是基于模糊层次分析法的电网低频振荡预警指标综合评价方法流程图；

图6(1)-(4)是各指标隶属度函数及对应的安全状态等级划分；

图7是江苏某机组发生低频振荡前后实测有功功率波形图。

具体实施方式

下面结合附图对本发明作进一步描述。以下实例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

图1为本发明的原理框图，下面以实际江苏电网发生低频振荡的有功功率实测数据为例，说明本发明的具体实施方式。该机组发生低频振荡前后实测有功功率波形图如图7所示。

本发明的基于稳态学习机制的电网低频振荡模糊综合预警方法实现步骤如下：

步骤1)确立四项预警指标：信号幅值A₁、峰峰值持续周期数A₂、动态阻尼比A₃、信号频率A₄；

步骤2)获取图7涉及的机组发生低频振荡前历史有功功率数据，时间长度为9个小时，根据图2所示WAMS数据预处理流程对该9个小时的数据进行处理，每隔半个小时计算一次稳态下的波动值，采用图3所示的神经网络模型对计算得到的18个波动值分组进行训练，预测出图7的有功功率波动值δ为0.2759；

步骤3)使用滑动窗技术对本窗口内数据经剔除异常数据、填补丢失数据、去直流、带通、对称化处理后，计算4个预警指标值；预警指标计算示意图如图4，假设采样频率为fs，采样得到n个点组成的序列为{x₁,x₂,...,x_n}，结合图4(PMU采样间隔为0.02s，共采6s的数据)，其中，A₀、B₀的位置按照如下方法确定：将序列从前往后依次判断找出第一个x_i大于波动值δ时对应的采样点位置记为A₀，同理序列从后往前依次判断找出第一个x_j大于波动值δ时对应的采样点位置记为B₀；A₀、B₀即为所求振荡起止点的大致位置；但是为了方便后续计算峰峰值持续周期数及动态阻尼比指标，截取的振荡区间起止点最好为拐点，因此在求得振荡起止点大致位置后，需要分别找出距离A₀、B₀最近的拐点位置A、B。记A₀、B₀、A、B四个位置对应点在序列{x₁,x₂,...,x_n}中的下标分别为posA₀、posB₀、posA、posB，且截取的信号区间内拐点序列记为{v₁,v₂,...,v_num}，其中num＝posB。

各预警指标具体计算方法如下：

(3.1)信号幅值A₁和信号频率A₄指标计算

根据以上信息可求得振荡信号的周期数T，振荡时间t、信号频率f和幅值A如式(1)所示：

(3.2)动态阻尼比指标A₃计算

工程上，基于WAMS系统的在线监测时域曲线的阻尼比近似写为：

其中，A_I为第I次振荡的幅值，A_I+N为第I+N次振荡的幅值，N为振荡信号的周期数且N＝(posB₀-posA₀)*(num-1)/2/(posB-posA)。

(3.3)峰峰值持续周期数指标A₂计算

对于截取到的振荡区间，假设功率波动峰值为P_max，波谷值为P_min，根据稳态下功率波动学习机制原理，获得的波动值为δ，记录P_max-P_min＞3δ的个数，即为峰峰值持续周期数。

步骤4)对A₁～A₄四个指标，建立基于模糊层次分析法的电力系统低频振荡综合评价模型，计算当前电力系统低频振荡安全状态分值S，给出安全等级实现快速预警；具体流程如图5，解释如下：

(4.1)首先采用层次分析法对所选指标建立判断矩阵，如表1所示：

表1为判断矩阵

故判断矩阵C可以写为：

(4.2)确定各指标的权值并进行一致性验证

求得矩阵C的最大特征值为：λ_max＝4.1170，最大特征值对应的特征向量即为权值：W＝[w₁,w₂,w₃,w₄]^T＝[0.5650,0.2622,0.1175,0.0553]^T；

取RI＝[0,0,0.52,0.89,1.12,1.26,1.36,1.41,1.46,1.49,1.52,1.54,1.56,1.58,1.59]进行一致性检验，求得CR＝0.0438＜0.1，可知，所构造的判断矩阵及特征向量权值是合理的；

(4.3)构造模糊评价矩阵

按照图6确立各指标隶属度函数及对应的安全状态等级(其中δ为0.2759)，将步骤三中的指标计算结果代入隶属度函数中，就可以计算各个指标的隶属度，从而建立模糊评价矩阵

(4.4)根据步骤(4.2)和(4.3)，加权得出各指标在“安全”、“危险”、“高度危险”三个等级下的隶属度b：B＝WR＝(b₁,b₂,b₃)，令这三个安全等级对应的分数分别为5、3、1，再次利用加权算法得出电网最后的安全状态分值S＝5×b₁+3×b₂+1×b₃。

通过对几组实测数据的实验，初步给出电网低频振荡安全状态分值对应的系统状态如表2所示作为参考。

表2电网低频振荡安全等级分值表

仍以图7为例，对其使用滑动窗技术，按照图5综合评价模型框架，滑动窗取6s，滑动步长取s，首先对0～54s实测数据进行分析，安全状态分值计算结果如表3所示：

表30～54s安全状态分值计算结果

按照表3等级划分，可以快速判断在滑动窗40～46s时，安全状态分值从4以上骤降为2左右，电网处于危险状态，且危险状态持续了两个数据窗；在44s以后电网处于高度危险状态。

步骤5)当所处状态为非安全时，截取振荡波形，对其进行并行复合形态滤波器滤波，然后采用基于奇异值定阶的TLS-ESPRIT辨识方法获取模式参数。现选取40s～46s、42～48s、44s～50s三个窗口进行模式辨识，结果如表4所示：

表440s～46s、42s～48s、44s～50s三个窗口的辨识结果

该结果与实际情况相符，验证了本发明的有效性及实用性。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (5)

1.一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，包括如下步骤：

步骤1)数据预处理，确立四项预警指标：信号幅值、峰峰值持续周期数、动态阻尼比和信号频率；

步骤2)通过广域测量系统(WAMS系统)对机组有功功率或联络线有功功率历史数据进行监测，引入神经网络对历史波动值进行学习，制定稳态下的功率波动学习机制，预测有功功率波动值δ；

步骤3)使用滑动窗技术对本窗口内数据进行预处理并计算四项预警指标值；

步骤4)基于模糊层次分析法，对四项预警指标值，结合有功功率波动值δ建立电力系统低频振荡综合评价模型，计算当前电力系统低频振荡安全状态分值S，给出安全等级并实时更新数据；

步骤5)当所处状态为非安全时，记录告警时间，并截取振荡波形，对其进行并行复合形态滤波器滤波，采用基于奇异值定阶的TLS-ESPRIT辨识方法获取模式参数。

2.根据权利要求1所述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤2)稳态下的功率波动学习机制的实现步骤如下：

2.1)每隔半个小时对处理后的信号计算一次稳态下的功率波动值，获得历史9小时的波动值为a₁,a₂,...,a₁₈；

2.2)将a₁,a₂,...,a₁₈分为11组，每组样本依次为a₁～a₈、a₂～a₉、a₃～a₁₀、a₄～a₁₁、a₅～a₁₂、a₆～a₁₃、a₇～a₁₄、a₈～a₁₅、a₉～a₁₆、a₁₀～a₁₇、a₁₁～a₁₈；

2.3)取前10组样本作为历史数据样本，并用作网络训练输入样本；

2.4)将最后一组样本作为网络测试时的输入样本；

2.5)新建BP网络，MATLAB仿真时将隐含层的传递函数均设置为线性传递函数purelin，学习函数采用基于L-M算法的权值学习算法；

2.6)设置最大迭代次数为200，误差期望值为0.001；

2.7)建成网络预测模型，通过网络测试可以得出下一波动值的预测值a₁₉，取δ＝a₁₉作为未来半小时的有功功率波动值。

3.根据权利要求1所述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤3)中的预处理包含如下步骤：

3.1)剔除异常数据：对窗口内数据采用式子|x_i-μ|≥nσ进行判别，其中实际采样的数据点为x_i，样本均值为μ，样本标准差为σ，n按要求设置为3～10之间的整数；

3.2)填补丢失数据：异常数据检测后作为丢失数据处理，少量的数据丢失采用线性模型处理，大量的数据丢失对原数据进行分段处理；插值点较少时直接取其前面的正常采样值；

3.3)去直流：原数据减去样本均值处理；

3.4)带通处理：使用带通滤波器，只保留0.2～2.5Hz的有用信息；

3.5)对称化处理：获取实测数据的上下包络线，对包络线插值处理求均值，将原始数据与均值相减。

4.根据权利要求1所述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤4)中电力系统低频振荡综合评价模型的建模过程如下：

4.1)对预警指标的层次结果进行分析比较，构造判断矩阵C；

4.2)层次分析法计算电网低频振荡各项指标的权值W；

4.3)结合所预测的波动值δ构造各项预警指标的隶属度函数，进一步构造模糊评价矩阵R；

4.4)根据权值W和模糊评价矩阵R，加权得出各指标在不同安全等级下的隶属度b，进而求得最后的安全分值S。

5.根据权利要求1所述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所有涉及到的信号均为PMU采集的机组或联络线有功功率数据。