CN109255394A - 一种基于模式相似度的强迫振荡识别方法 - Google Patents

一种基于模式相似度的强迫振荡识别方法 Download PDF

Info

Publication number
CN109255394A
CN109255394A CN201811213065.9A CN201811213065A CN109255394A CN 109255394 A CN109255394 A CN 109255394A CN 201811213065 A CN201811213065 A CN 201811213065A CN 109255394 A CN109255394 A CN 109255394A
Authority
CN
China
Prior art keywords
mode
oscillation
similarity
forced oscillation
index
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.)
Granted
Application number
CN201811213065.9A
Other languages
English (en)
Other versions
CN109255394B (zh
Inventor
刘伟东
陈彬
李晓辉
李磊
刘小琛
梁彬
杨光
邹琪
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.)
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Tianjin Electric Power Co Ltd
Electric Power Research Institute of State Grid Tianjin 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 State Grid Corp of China SGCC, State Grid Tianjin Electric Power Co Ltd, Electric Power Research Institute of State Grid Tianjin Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN201811213065.9A priority Critical patent/CN109255394B/zh
Publication of CN109255394A publication Critical patent/CN109255394A/zh
Application granted granted Critical
Publication of CN109255394B publication Critical patent/CN109255394B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/24—Classification techniques
    • G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
    • G06F18/2413—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on distances to training or reference patterns
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Health & Medical Sciences (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Evolutionary Biology (AREA)
  • General Health & Medical Sciences (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Probability & Statistics with Applications (AREA)
  • Complex Calculations (AREA)

Abstract

本发明涉及一种基于模式相似度的强迫振荡识别方法，通过制定的模式、模态相似性指标，首先采用离线系统构造样本集，并基于此训练深度信念网络，从而建立强迫振荡识别器；其次通过实时监测广域测量系统数据，寻找大幅度振荡事件，基于模式识别方法和量子聚类方法准确识别出强迫振荡的模式、模态信息，并计算相似性指标；最后，将相似性指标输入强迫振荡识别器中，对振荡性质进行分析。

Description

一种基于模式相似度的强迫振荡识别方法
技术领域
本发明属于电力系统领域，尤其是一种基于模式相似度的强迫振荡识别方法。
背景技术
近年来，由于新能源比例和多样化负荷的增加，电力系统在自然、社会和复杂的电网结构中得到了更为频繁和复杂的干扰，这使得电力系统强迫振荡发生的更为频繁和难以识别。强迫振荡是由于外加扰动与系统固有模式相互作用所产生的，其中不仅仅包含模式信息还包含模态信息。如何从模式模态耦合的角度分析出强迫振荡与自由振荡不同点，利用PMU数据识别强迫振荡，在电力系统稳定分析与控制中具有重要意义。
对强迫振荡地识别，一般基于强迫振荡频率与系统自由振荡频率接近的特点，利用单一振荡曲线判别振荡类型。如：
刘增煌、贾文双、李莹等人采用了直线法(专利号：201210397698.6)和二次差分法(专利号：201210103545.6)；
叶华、宋佑斌、刘玉田提出了基于响应成分和振荡特征辨识的低频振荡类型判别方法(专利号：201210455272.1)；
马燕峰，赵书强，胡永强，等人提出了一种基于包络线拟合的低频振荡机理类型判别方法(专利号：201310450193.6)；
蒋平、冯双、吴熙等人提出一种电力系统负阻尼机理低频振荡和强迫振荡的判别方法，根据插值法拟合值与频谱分析值计算判断指标，通过判断指标和阀值之间的比较判断振荡类型(专利号：201510149876.7)。
这些方法由单一振荡曲线判别振荡类型，在系统中存在相近自由振荡模式时易发生误判，需要改善提高。
发明内容
本发明的目的在于克服现有技术的不足之处，提供一种基于模式相似度的强迫振荡识别方法，能够通过离线模型训练和WAMS的数据在线识别判定，识别强迫振荡。
本发明解决其技术问题是采取以下技术方案实现的：
一种基于模式相似度的强迫振荡识别方法，其特征在于：具体执行步骤包括：
步骤(1)：开始，基于所需识别系统离线模型，建立强迫振荡模式相似度训练数据集；
步骤(2)：基于训练数据建立强迫振荡识别的深度信念网络分类器；
步骤(3)：根据实时WAMS数据，基于模式识别方法和量子聚类的稳定图技术，对振荡曲线中包含的模式模态信息进行辨识并筛选稳定模式模态信息；
步骤(4)：根据辨识信息计算相似度指标，将指标输入深度量信念网络分类器识别强迫振荡。
而且，在所述步骤(1)中，将调度中心能量管理系统中当前电网典型运行模式下的系统模型作为系统离线模型，采用其小干扰稳定计算的模式模态信息建立相似度指标训练集，其中相似度指标(Id1,Id2)定义如下：
式中：Id1为模式相似度指标，Id2为模态相似度指标。
而且，在所述步骤(2)中，深度信念网络以相似度指标(Id1,Id2)为输入变量，将0代表非强迫振荡，1代表强迫振荡为输出变量，采用最小误差微调整优化神经网络中相应权值，建立分类器模型。
而且，在所述步骤(3)中，采用随机子空间方法辨识WAMS记录的功率振荡曲线中的模式模态，并采用量子聚类方法确定稳定模式，消除噪声引起的虚假模式。
而且，获得准确的模式模态，其模态参数选取步骤如下：
采用SSI方法以不同阶数下系统辨识的结果作为样本集，选取其中的频率和阻尼信息形成初始样本集，初始化参数δ，以快速方法计算得到的不同阶数下的频率f、阻尼ξ构造样本集：X＝{x1,x2…xn}，其中xi＝[fi ξi]T，
根据计算势能函数，利用梯度下降算法确定初步聚类中心及数据分类，
根据初步数据分类结果，计算各样本间对应的MAC，如果MAC<0.8则将样本剔除，统计最终各分类样本的数目，若样本数目大于0.5(nmax-nmin)/2，则认为稳定的，
重新计算稳定样本的聚类中心，作为最终的模式选择结果并确定相应的阶数。
而且，在所述步骤(4)中，利用辨识出的稳定模式模态信息，计算出相似度指标(Id1,Id2)，将其输入到分类器中，如果输出为0则不存在强迫振荡，输出为1则判定为强迫振荡。
本发明的优点和积极效果是：
本发明提供了一种基于模式相似度的强迫振荡识别方法，本发明采用振荡模式和模态两种信息，基于离线模型和WAMS记录多振荡曲线，通过量子深度神经分类器、辨识方法及量子聚类稳定图方法，实现强迫振荡的有效识别，方法判定过程清晰明确，相比现有技术方案中只依靠单振荡曲线信息的传统方法，可有效提高强迫振荡识别的准确性。
附图说明
图1为基于模式相似度的强迫振荡识别方法流程图；
图2为深度信念网络分类器结构。
具体实施方式
下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不是限定性的，不能以此限定本发明的保护范围。
本发明的关键在于利用强迫振荡中自由振荡分量和强迫振荡分量的模式、模态信息，对强迫振荡进行辨识，强迫振荡的模式、模态特征如下：
对电力系统做定常化处理，即所要分析的系统如下：
对式所描述的方程使用振型迭加方法求解更为简便，其求解时采用模态变化矩阵U，方程从现有坐标x变化到主坐标z表示，即：假设模态变换后系统可以完全解耦，经变换后新坐标下的状态方程如下：
式中：Λ＝U-1AU＝VTAU,Ψ＝U-1B＝VTB,。
对阻尼正弦信号激励下的系统响应做详细的推导和分析，可得强迫振荡的表达式如下：
对于yk∈y其响应表达式如下：
式中:αki，ωi分别为系统第i个模式的实部与虚部，Aki、Bki分别代表第k个观测量中第i个自由振荡的幅值和其激发的强迫振荡幅值，αki，βki非别代表二者的相位，Bk，βk为各模式激发的强迫振荡合成的总强迫振荡的幅值与相位。
由以上信息中可以看出强迫振荡具有如下特点：
强迫振荡的响应特性由系统各模式振荡和强迫扰动源同频率的振荡分量组成。
系统各模式分量的振荡幅值和相位，受扰动源和参与度共同影响，与扰动源中的模式越接近振荡幅值越大，不同测点同一模式的参与幅度的相对大小与右特征向量相一致。
与强迫扰动同频率振荡分量的幅值和相位，受所有模式和扰动源的影响，电磁模式和机电模式都会对其产生影响，严格意义上强迫振荡的相对幅值和相位无法与右特征向量相对应，但当仅一个振荡模式与扰动源振荡模式相接近时，各测量分量振荡的相对幅度与该模式的右特征向量大体一致。
结合附图，进一步说明一种基于模式相似度的强迫振荡识别方法，主要分为以下具体步骤：
步骤(1)：开始，基于所需识别系统离线模型，建立强迫振荡模式相似度训练数据集；
步骤(2)：基于训练数据建立强迫振荡识别的深度信念网络分类器；
步骤(3)：根据实时WAMS数据，基于模式识别方法和量子聚类的稳定图技术，对振荡曲线中包含的模式模态信息进行辨识并筛选稳定模式模态信息；
步骤(4)：根据辨识信息计算相似度指标，将指标输入深度量信念网络分类器识别强迫振荡。
在所述步骤(1)中，将调度中心能量管理系统中当前电网典型运行模式下的系统模型作为系统离线模型，采用其小干扰稳定计算的模式模态信息建立相似度指标训练集，其中相似度指标(Id1,Id2)定义如下：
式中：Id1为模式相似度指标，Id2为模态相似度指标。
在所述步骤(2)中，深度信念网络以受限玻尔兹曼机(RBM)为基础，以相似度指标(Id1,Id2)为输入变量，将0代表非强迫振荡，1代表强迫振荡为输出变量，采用最小误差微调整优化神经网络中相应权值，建立分类器模型。其特征结构如图2所示，其由多个RBM组成。
在所述步骤(3)中，采用随机子空间方法辨识WAMS记录的功率振荡曲线中的模式模态，并采用量子聚类方法确定稳定模式，消除噪声引起的虚假模式。
以随机子空间方法(SSI)为例，结合量子稳定图技术，获得准确的模式模态信息，其模态参数选取步骤如下：
采用SSI方法以不同阶数下系统辨识的结果作为样本集，选取其中的频率和阻尼信息形成初始样本集，初始化参数δ，以快速方法计算得到的不同阶数下的频率f、阻尼ξ构造样本集：X＝{x1,x2…xn}，其中xi＝[fi ξi]T。
根据计算势能函数，利用梯度下降算法确定初步聚类中心及数据分类。
根据初步数据分类结果，计算各样本间对应的MAC，如果MAC<0.8则将样本剔除，统计最终各分类样本的数目，若样本数目大于0.5(nmax-nmin)/2，则认为稳定的。
重新计算稳定样本的聚类中心，作为最终的模式选择结果并确定相应的阶数。
在所述步骤(4)中，利用辨识出的稳定模式模态信息，计算出相似度指标(Id1,Id2)，将其输入到分类器中，如果输出为0则不存在强迫振荡，输出为1则判定为强迫振荡。
尽管为说明目的公开了本发明的实施例和附图，但是本领域的技术人员可以理解：在不脱离本发明及所附权利要求的精神和范围内，各种替换、变化和修改都是可能的，因此，本发明的范围不局限于实施例和附图所公开的内容。

Claims (6)

1.一种基于模式相似度的强迫振荡识别方法，其特征在于：具体执行步骤包括：
步骤(1)：开始，基于所需识别系统离线模型，建立强迫振荡模式相似度训练数据集；
步骤(2)：基于训练数据建立强迫振荡识别的深度信念网络分类器；
步骤(3)：根据实时WAMS数据，基于模式识别方法和量子聚类的稳定图技术，对振荡曲线中包含的模式模态信息进行辨识并筛选稳定模式模态信息；
步骤(4)：根据辨识信息计算相似度指标，将指标输入深度量信念网络分类器识别强迫振荡。
2.根据权利要求1所述的基于模式相似度的强迫振荡识别方法，其特征在于：在所述步骤(1)中，将调度中心能量管理系统中当前电网典型运行模式下的系统模型作为系统离线模型，采用其小干扰稳定计算的模式模态信息建立相似度指标训练集，其中相似度指标(Id1,Id2)定义如下：
式中：Id1为模式相似度指标，Id2为模态相似度指标。
3.根据权利要求1所述的基于模式相似度的强迫振荡识别方法，其特征在于：在所述步骤(2)中，深度信念网络以相似度指标(Id1,Id2)为输入变量，将0代表非强迫振荡，1代表强迫振荡为输出变量，采用最小误差微调整优化神经网络中相应权值，建立分类器模型。
4.根据权利要求1所述的基于模式相似度的强迫振荡识别方法，其特征在于：在所述步骤(3)中，采用随机子空间方法辨识WAMS记录的功率振荡曲线中的模式模态，并采用量子聚类方法确定稳定模式，消除噪声引起的虚假模式。
5.根据权利要求4所述的基于模式相似度的强迫振荡识别方法，其特征在于：获得准确的模式模态，其模态参数选取步骤如下：
采用SSI方法以不同阶数下系统辨识的结果作为样本集，选取其中的频率和阻尼信息形成初始样本集，初始化参数δ，以快速方法计算得到的不同阶数下的频率f、阻尼ξ构造样本集：X＝{x1,x2…xn}，其中xi＝[fi ξi]T，
根据计算势能函数，利用梯度下降算法确定初步聚类中心及数据分类，
根据初步数据分类结果，计算各样本间对应的MAC，如果MAC<0.8则将样本剔除，统计最终各分类样本的数目，若样本数目大于0.5(nmax-nmin)/2，则认为稳定的，
重新计算稳定样本的聚类中心，作为最终的模式选择结果并确定相应的阶数。
6.根据权利要求1所述的基于模式相似度的强迫振荡识别方法，其特征在于：在所述步骤(4)中，利用辨识出的稳定模式模态信息，计算出相似度指标(Id1,Id2)，将其输入到分类器中，如果输出为0则不存在强迫振荡，输出为1则判定为强迫振荡。
CN201811213065.9A 2018-10-18 2018-10-18 一种基于模式相似度的强迫振荡识别方法 Active CN109255394B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201811213065.9A CN109255394B (zh) 2018-10-18 2018-10-18 一种基于模式相似度的强迫振荡识别方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201811213065.9A CN109255394B (zh) 2018-10-18 2018-10-18 一种基于模式相似度的强迫振荡识别方法

Publications (2)

Publication Number Publication Date
CN109255394A true CN109255394A (zh) 2019-01-22
CN109255394B CN109255394B (zh) 2021-08-31

Family

ID=65045586

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201811213065.9A Active CN109255394B (zh) 2018-10-18 2018-10-18 一种基于模式相似度的强迫振荡识别方法

Country Status (1)

Country Link
CN (1) CN109255394B (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200038A (zh) * 2020-09-29 2021-01-08 国网四川省电力公司经济技术研究院 一种基于cnn的电力系统振荡类型的快速辨识方法
CN112329535A (zh) * 2020-09-29 2021-02-05 国网四川省电力公司经济技术研究院 基于cnn的电力系统低频振荡模态特征的快速辨识方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103311939A (zh) * 2013-06-14 2013-09-18 华北电力大学（保定） 基于wams的电力系统低频振荡协调阻尼控制方法
CN104601565A (zh) * 2015-01-07 2015-05-06 天津理工大学 一种智能优化规则的网络入侵检测分类方法
CN106203355A (zh) * 2016-07-14 2016-12-07 许继集团有限公司 一种电力系统低频振荡的检测方法及装置
JP2018099865A (ja) * 2016-12-22 2018-06-28 セイコーエプソン株式会社 液体吐出装置及び回路基板

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103311939A (zh) * 2013-06-14 2013-09-18 华北电力大学（保定） 基于wams的电力系统低频振荡协调阻尼控制方法
CN104601565A (zh) * 2015-01-07 2015-05-06 天津理工大学 一种智能优化规则的网络入侵检测分类方法
CN106203355A (zh) * 2016-07-14 2016-12-07 许继集团有限公司 一种电力系统低频振荡的检测方法及装置
JP2018099865A (ja) * 2016-12-22 2018-06-28 セイコーエプソン株式会社 液体吐出装置及び回路基板

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
ABDERRAZAK KHEDIRI 等: ""Deep-belief network based prediction model for power outage in smart grid"", 《ICPS》 *
刘伟东: ""电力系统低频振荡在线监测与强迫振荡抑制研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *
王学健: ""基于智能计算的电力系统低频振荡模式辨识的研究"", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 *

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN112200038A (zh) * 2020-09-29 2021-01-08 国网四川省电力公司经济技术研究院 一种基于cnn的电力系统振荡类型的快速辨识方法
CN112329535A (zh) * 2020-09-29 2021-02-05 国网四川省电力公司经济技术研究院 基于cnn的电力系统低频振荡模态特征的快速辨识方法
CN112329535B (zh) * 2020-09-29 2023-03-24 国网四川省电力公司经济技术研究院 基于cnn的电力系统低频振荡模态特征的快速辨识方法
CN112200038B (zh) * 2020-09-29 2023-12-05 国网四川省电力公司经济技术研究院 一种基于cnn的电力系统振荡类型的快速辨识方法

Also Published As

Publication number Publication date
CN109255394B (zh) 2021-08-31

Similar Documents

Publication Publication Date Title
TWI440862B (zh) Electrical detection method and system based on user feedback information
CN108520357A (zh) 一种线损异常原因的判别方法、装置及服务器
CN109359665B (zh) 一种基于支持向量机的家电负荷识别方法及装置
CN110569876A (zh) 非侵入式负荷识别方法、装置及计算设备
CN109255394A (zh) 一种基于模式相似度的强迫振荡识别方法
CN110738232A (zh) 一种基于数据挖掘技术的电网电压越限成因诊断方法
CN114757282A (zh) 基于熵权法与随机森林模型的智能电表运行状态评估方法
CN114648235A (zh) 一种基于数据画像的工业数据质量量化分析报告生成方法
CN117634905A (zh) 一种电网业务数据特征提取方法
CN115688015A (zh) 基于非侵入式负荷监测的电压暂降类别识别方法及设备
CN114239762A (zh) 基于结构化负荷特征图谱的非侵入式负荷辨识方法及系统
CN114118812A (zh) 基于改进模糊均值聚类的水电站能效分析评价方法及装置
CN110135281B (zh) 一种电力系统低频振荡智能在线识别方法
CN112993977A (zh) 一种基于hht及rvm的主动配电网电能质量扰动识别方法
Yun et al. Line loss calculation of low-voltage districts based on improved K-Means
Pathak et al. Low-Frequency Oscillation in Power System
CN117277422B (zh) 一种直驱风电场稳定评估方法、系统、终端及介质
Chen et al. Reliability Probability Evaluation Method of Electronic transformer based on Xgboost model
Chen Research on big data attribute selection method in submarine optical fiber network fault diagnosis database
Huang et al. Research on Fault Diagnosis of Smart Meters Based on Machine Learning
Zou et al. Maintenance Evaluation of Power Grid Fault Equipment Based on Random Forest
CN117708622B (zh) 运维系统的异常指标分析方法、系统和电子装置
Chen et al. An Improved Decision Tree Algorithm for Electricity Theft Prediction and Analysis
Deng et al. An abnormal data identification algorithm based on mutual checking between PMU and SCADA
Zhihao et al. Non-intrusive load identification methods based on LI-norm and hidden Markov chain model

Legal Events

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