CN107169245B - 一种电力仿真数据变量对的不稳定性可视分析方法 - Google Patents

Abstract

本发明公开了一种电力仿真数据变量对的不稳定性可视分析方法，包括以下步骤：步骤1：获取多维的时序数据，时序数据包括电压、频率、电网节点之间的连接关系以及电气距离；步骤2：将步骤1中的进行转换，计算得到频率和电压偏移值两个变量的时序变化；步骤3：对步骤2得到的数据进行编绘条带，条带的颜色编码频率值，条带的宽度编码电压偏移值；视图的布局为：纵向排列各组数据所对应的条带，横向为时序上的展开；检测条带变化，进行异常监测；本发明的电力仿真数据变量对的不稳定性可视分析方法，可以从不同维度上分析电力仿真数据，并用直观的方法考察它们的关联性，通过突出各种特征，用以分析故障后冲击传播的模式。

Description

一种电力仿真数据变量对的不稳定性可视分析方法

技术领域

本发明涉及电力系统稳定性分析技术领域，特别涉及一种电力仿真数据变量对的不稳定性可视分析方法。

背景技术

因电力系统的不稳定造成的严重停电问题可导致巨大的经济损失，研究电力系统的稳定性是电力行业的一个根本问题。基于CIGRE研究委员会和IEEE电力系统动态性能委员会提出的定义，电力系统的稳定性可以根据功角稳定性、频率稳定性和电压稳定性进行大致分类。电网作为电力系统的典型形式，是一种通过组织良好的分配系统将电力从发电机传输给用户的网络。

近年，可视化技术针对电网数据分析社区演示和操作的需求，提供了一系列实用工具。GreenGrid和Grid-IE是两个最流行的工具，使用户可以直观地分析电网及其操作。它们主要通过使用传统的数据可视化来满足稳态和静态仿真的基本需求方法。一些可视化技术充分利用了传统的动画，轮廓，数据聚合和虚拟环境等方法，用来支持功率流和传输分析；也有一些技术采用GPS同步频率测量来监视广域和实时频率状态。

过去的异常分析一般使用计算的方法进行模拟，缺乏辅助观察者的工具。因此通过可视化方法协助观察者直观地对数据进行分析变得十分重要。

发明内容

本发明提供了一种电力仿真数据变量对的不稳定性可视分析方法，基于后端提供的电力仿真数据绘制视图，通过调节视图，实现从不同角度对电网状态的分析，可以快速有效地发现数据中的异常点。

一种电力仿真数据变量对的不稳定性可视分析方法，包括以下步骤：

步骤1：获取多维的时序数据，时序数据包括电压、频率、电网节点之间的连接关系以及电气距离；

步骤2：将步骤1中的进行转换，计算得到频率和电压偏移值两个变量的时序变化；

步骤3：对步骤2得到的数据进行编绘条带，条带的颜色编码频率值，条带的宽度编码电压偏移值；

视图的布局为：纵向排列各组数据所对应的条带，横向为时序上的展开；

检测条带变化，进行异常监测。

步骤1中获取的数据包括电力行业通常用的电压、频率等物理量，以评判电网稳定性；步骤3中，所建立的界面中，得到的视图为WaveLines视图，为了结合两个物理量以及时序、数据构成，对于每一组数据采用一个由颜色和宽度编码的条带描绘。条带中，使用颜色编码频率值、使用宽度编码电压偏移值；视图的布局为，纵向排列各组数据所对应的条带，横向为时序上的展开。

选择电压与频率作为变量对能够充分体现电力系统的稳定性。通过对它们的时序变化进行监测，本发明可以分析三相接地短路故障、由于冲击的扩散和发电机转子变化所引发的电网失稳现象、仿真参数设置错误等情况。

视图中一个条带的物理意义为电网中的一个节点，亦即一条母线。

WaveLines视图的目的为监测所选数据样本的总体状态、并分析局部的变动。视图可以直观地以图案的形式描绘出数据所代表的变化模式，用户可以通过直接观察图案之间的样式差别进行不同数据的比较。

在WaveLines视图中，两个物理量随时间发生的变化被编码在一个位置，信息的密度和直观性高，使得用户可以更有效地考察两个变量之间的关联。

基于视图的样式，可以判断一些数据所代表的电网稳定性、并推断其原因。

当视图显示了一系列宽度稳定，颜色波动从微弱到明显的条带。观察者对此判断为从起始时间开始发生的、频率上的周期性失稳状态。这个模式被认为是仿真数据的参数设置错误。

另外，对于已知的一些故障类型的数据，可以通过视图寻找故障的发生所代表的样式。

如对于三相接地故障，通过WaveLines视图可以得到故障产生以及恢复的过程代表的样式；而通过分析样式中不同条带的变化差异，可以推断故障中心的位置。

当条带的宽度出现了骤变并恢复，而颜色波动较长一段距离，并逐步稳定，这是三相接地故障代表的样式。

在一个三相接地故障的仿真数据样本中，其中两个条带的颜色波动规律和其余条带不一致，其对应的母线被判定为故障中心所在的位置。

本发明方法中还包括若干内部调节功能。这些调节功能是为了在不同数据下，可以由使用者自主调节视图效果，以更好地反映数据中的信息。

1)关于条带颜色编码的调节；2)关于条带宽度编码的调节；3)关于条带序列排列方法的调节；4)关于对视图内容划分为前景与背景的调节。

优选的，还包括步骤4：对步骤3得到的条带进行颜色的均衡化。均衡化突出了值的实际大小的分布，均衡化后者突出了值的相对大小的分布。对于数据中值的分布整体偏高或偏低的情况，使用均衡化的数据可以使得颜色变化更显著，便于寻找内部的相对波动。

优选的，还包括步骤4：对步骤3得到的条带中的宽度编码为电压偏移值平方根变换后的数值或者电压偏移值对数变换后的数值。通过这些选项可以放大或缩小绝对的波动大小以及相对的波动大小。对于数据中出现一些十分异常的值的情况，可以通过应用上述变换，避免它们掩盖了其它需要观察的较小的波动。

条带的排列顺序规则，提供了基于条带对应数据所代表的电网节点与故障中心的距离大小，自顶向下或自中心向两端排列两种选择。

优选的，还包括步骤4：将步骤3得到的视图进行筛选，将视图划分为前景、背景两部分，并通过颜色强度突出前景部分。筛选前景是为了缩小观察范围，增加数据之间的对比。

基于Shewhart方法的筛选：该方法用于选取数值波动较大的时间区间；选的，步骤4中，筛选方法包括以下步骤：

4-1、对于每一时刻的数据中的任一参数v_i，计算 计算每个时刻附近的L个时刻以内的均值，得到新的时间序列n为这组均值数据的长度，即时刻数；

4-2、计算[v_i-L,v_i-(L-1),…,v_i,…,v_i+(L-1),v_i+L]的极差计算每个时刻在它附近的L个时刻以内的极差，得到新的时间序列

4-3、设置阈值k₁和k₂，计算步骤4-1的序列的标准差σ，当或时，时刻i被标记为异常时刻；

4-4、对于步骤4-2的序列当时，时刻i同样被标记为异常时刻；

4-5、将步骤4-3和4-4中的异常时刻区域作为前景部分。

基于CUSUM的筛选：该方法用于选取数值累计波动较大的时间点，优选的，步骤4中，筛选方法包括以下步骤：

4-1、对于整个序列中的任一参数v₁,v₂,v₃,…，计算它的均值μ和标准差σ；

对于第n个时刻，计算这个序列的相对于均值的偏移量累计，正偏移量和负偏移量分别统计，及

4-2、由用户设置阈值H，对于第n个时刻，当或时，时刻n被标记为异常时刻；

4-3、将步骤4-2中的异常时刻区域作为前景部分。

基于阈值的筛选，该方法用于选取数值波动较大的时间点，优选的，步骤4中，筛选方法包括以下步骤：

4-1、设置上下阈值H和L，对于每一时刻的数据中的任一参数v_i，当v_i＞H或v_i＜L时，时刻i被标记为异常时刻；

4-2、将步骤4-1中的异常时刻区域作为前景部分。

筛选条件确定后，将满足所有条件的区间选取为前景，具体方法如下：

对于分别满足两个不同条件的两个区间序列：[[a₁,a₂],…,[a_2n-1,a_2n]](n个区间)以及[[b₁,b₂],…,[b_2m-1,b_2m]](m个区间)，将它们合并得到一个区间序列(m个区间)[[c₁,c₂],…,[c_2s-1,c_2s]]。运算公式如下：

如果有多于两个条件，则先取两个序列合并，再将合并后的序列与其他序列合并，直到剩下一个序列。

上述的目标为筛选出比较异常的数据，即更可能代表故障发生的数据上，使得用户可以集中观察重点部分，协助分析电网的物理状态。

应用一种或多种筛选方法后，满足所有筛选标准的数据所对应的视图被划分为前景，并调低背景部分的颜色强度，突出前景部分。筛选条件的参数以及前景背景之间颜色强度差异皆可由使用者自主调节。

本发明的有益效果：

本发明的电力仿真数据变量对的不稳定性可视分析方法，可以从不同维度上分析电力仿真数据，并用直观的方法考察它们的关联性，通过突出各种特征，用以分析故障后冲击传播的模式。

附图说明

图1为本发明的电力仿真数据变量对的不稳定性可视分析方法得到的WaveLines视图。

图2为Shewhart方法筛选前后的WaveLines视图对比图。

图3为另一组数据下本发明的电力仿真数据变量对的不稳定性可视分析方法得到的WaveLines视图。

图4为另一组数据下本发明的电力仿真数据变量对的不稳定性可视分析方法得到的WaveLines视图。

图5为另一组数据下本发明的电力仿真数据变量对的不稳定性可视分析方法得到的WaveLines视图。

具体实施方式

本实施例的电力仿真数据变量对的不稳定性可视分析方法包括以下步骤：

步骤1：获取多维的时序数据；获取的数据格式为：电压时序变化[v₁,v₂,…,v_n]，频率时序变化[f₁,f₂,…,f_n]；

步骤2：将步骤1中的时序数据转换为可编码的形式；数据转换后得到：高度偏移时序变化[y₁,y₂,…,y_n],颜色时序变化[c₁,c₂,…,c_n]，对颜色设置了一个固定的一维映射方案，因此可以用单个值表示一个颜色。

步骤3：建立可视化界面，对步骤2中的数据应用编码方案；绘制得到WaveLines视图，其形式确定为一系列采用颜色和宽度编码的条带，条带中，使用颜色编码频率值、使用宽度编码电压偏移值；视图的布局为，纵向排列各组数据所对应的条带，横向为时序上的展开。中间部分纵向排列了7个条带。条带中横向的颜色变化代表频率随时间的变化，并由底部的坐标轴指示(对所有条带通用)；纵向的幅度变化代表电压随时间的变化，并由右侧坐标轴指示。

如图1所示，宽度上的编码实施方式为：将每个时刻的电压偏移值计算为高度偏移坐标，并对这个坐标序列使用插值法绘制平滑曲线。

步骤4：基于步骤4的可视化界面添加对可视化方法的内部调节功能，内部调节功能包括：

4a、关于条带颜色编码的调节；

4b、关于条带宽度编码的调节；

4c、关于条带序列排列方法的调节；

4d、关于对视图内容划分为前景与背景的调节。

功能4a的调节为颜色的均衡化，提供了颜色编码时使用原始数据或使用均衡化数据两种选择。均衡化的具体方法如下：

对于一组原始数据[a₁,a₂,…,a_n]，计算得到一组均衡化后的数据[h₁,h₂,…,h_n]，其中h(a_i)＝#{x≤a_i}/n,x∈[a₁,a₂,…,a_n]。

功能4b的调节为宽度的非线性变换，提供了宽度编码时使用原始值、使用平方根变换后的数值、使用对数变换后的数值三种选择。

功能4c的调节为条带的排列顺序规则，提供了基于条带对应数据所代表的电网节点与故障中心的距离大小，自顶向下或自中心向两端排列两种选择。

功能4d的调节为视图的划分，即以某种数据筛选标准将视图划分为前景、背景两部分，并通过颜色强度突出前景部分。筛选方法有：

基于Shewhart方法的筛选，具体如下：

4-1、由用户选择区间长度L；以电压为例，对于每一时刻的电压差值v_i，计算 目的在于计算每个时刻附近的L个时刻以内的均值，得到新的时间序列(n为这组均值数据的长度，即时刻数)；

4-2、对于每一时刻的电压差值v_i，计算[v_i-L,v_i-(L-1),…,v_i,…,v_i+(L-1),v_i+L]的极差目的在于计算每个时刻在它附近的L个时刻以内的极差，得到新的时间序列(n为这组极差数据的长度，即时刻数)；

4-3、由用户设置阈值k₁和k₂；计算上述序列的标准差σ，当或时，时刻i被标记为异常时刻；

4-4、对于上述序列当时，时刻i同样被标记为异常时刻。

对于频率序列，也可以应用相同的计算方法进行筛选。

如图2所示，其中深色部分为被筛选的区间，作为前景，其余浅色部分不满足筛选条件，作为背景。如可以将数值比较稳定的部分剔除出前景。

基于CUSUM的筛选，具体如下：

4-1、以电压为例，对于整个序列的电压差值v₁,v₂,v₃,…，计算它的均值μ和标准差σ；

4-2、对于第n个时刻，计算这个序列的相对于均值的偏移量累计和(正偏移量和负偏移量分别统计)及

4-3、由用户设置阈值H，对于第n个时刻，当或时，时刻n被标记为异常时刻；

对于频率序列，也可以应用相同的计算方法进行筛选。

基于阈值的筛选，具体如下：

4-1、以电压为例，由用户设置上下阈值H和L，对于每一时刻的电压差值v_i，当v_i＞H或v_i＜L时，时刻i被标记为异常时刻。

对于频率序列，也可以应用相同的计算方法进行筛选。

筛选条件确定后，将满足所有条件的区间选取为前景，具体方法如下：

对于分别满足两个不同条件的两个区间序列：[[a₁,a₂],…,[a_2n-1,a_2n]](n个区间)以及[[b₁,b₂],…,[b_2m-1,b_2m]](m个区间)，将它们合并得到一个区间序列(m个区间)[[c₁,c₂],…,[c_2s-1,c_2s]]。运算公式如下：

如果有多于两个条件，则先取两个序列合并，再将合并后的序列与其他序列合并，直到剩下一个序列。

以下距离几种通过本方法可以监测的异常问题：

如图3所示，所示的样式中，视图显示了一系列宽度稳定，颜色波动从微弱到明显的条带。观察者对此判断为从起始时间开始发生的、频率上的周期性失稳状态。这个模式被认为是仿真数据的参数设置错误。

另外，对于已知的一些故障类型的数据，可以通过视图寻找故障的发生所代表的样式。

如对于三相接地故障，通过WaveLines视图可以得到故障产生以及恢复的过程代表的样式；而通过分析样式中不同条带的变化差异，可以推断故障中心的位置。

如图4所示，所示的样式中，条带的宽度出现了骤变并恢复，而颜色波动较长一段距离，并逐步稳定。这是三相接地故障代表的样式。

如图5所示，所示的样式中，在一个三相接地故障的仿真数据样本中，其中两个条带的颜色波动规律和其余条带不一致，其对应的母线被认定为故障中心所在的位置。

Claims (7)

1.一种电力仿真数据变量对的不稳定性可视分析方法，其特征在于，包括以下步骤：

步骤1：获取多维的时序数据，时序数据包括电压、频率、电网节点之间的连接关系以及电气距离；

步骤2：将步骤1中的进行转换，计算得到频率和电压偏移值两个变量的时序变化；

步骤3：对步骤2得到的数据进行编绘条带，条带的颜色编码频率值，条带的宽度编码电压偏移值；

视图的布局为：纵向排列各组数据所对应的条带，横向为时序上的展开；

检测条带变化，进行异常监测。

2.如权利要求1所述的电力仿真数据变量对的不稳定性可视分析方法，其特征在于，还包括步骤4：对步骤3得到的条带进行颜色的均衡化。

3.如权利要求1所述的电力仿真数据变量对的不稳定性可视分析方法，其特征在于，还包括步骤4：对步骤3得到的条带中的宽度编码为电压偏移值平方根变换后的数值或者电压偏移值对数变换后的数值。

4.如权利要求1所述的电力仿真数据变量对的不稳定性可视分析方法，其特征在于，还包括步骤4：将步骤3得到的视图进行筛选，将视图划分为前景、背景两部分，并通过颜色强度突出前景部分。

5.如权利要求4所述的电力仿真数据变量对的不稳定性可视分析方法，其特征在于，步骤4中，筛选方法包括以下步骤：

4-1、对于每一时刻的数据中的任一参数v_i，计算 计算每个时刻附近的L个时刻以内的均值，得到新的时间序列n为这组均值数据的长度，即时刻数；

4-2、计算[v_i-L，v_i-(L-1)，...，v_i，...，v_i+(L-1)，v_i+L]的极差计算每个时刻在它附近的L个时刻以内的极差，得到新的时间序列

4-3、设置阈值k₁和k₂，计算步骤4-1的序列的标准差σ，当或时，时刻i被标记为异常时刻；

4-4、对于步骤4-2的序列当时，时刻i同样被标记为异常时刻；

4-5、将步骤4-3和4-4中的异常时刻区域作为前景部分。

6.如权利要求4所述的电力仿真数据变量对的不稳定性可视分析方法，其特征在于，步骤4中，筛选方法包括以下步骤：

4-1、对于整个序列中的任一参数v₁，v₂，v₃，...，计算它的均值μ和标准差σ；

对于第n个时刻，计算这个序列的相对于均值的偏移量累计，及

4-2、由用户设置阈值H，对于第n个时刻，当或时，时刻n被标记为异常时刻；

4-3、将步骤4-2中的异常时刻区域作为前景部分。

7.如权利要求4所述的电力仿真数据变量对的不稳定性可视分析方法，其特征在于，步骤4中，筛选方法包括以下步骤：

4-1、设置上下阈值H和L，对于每一时刻的数据中的任一参数v_i，当v_i＞H或v_i＜L时，时刻i被标记为异常时刻；

4-2、将步骤4-1中的异常时刻区域作为前景部分。