CN109657613B - 基于幂法和并行计算技术的大规模电网异常负荷识别方法 - Google Patents

Abstract

本发明公开了一种基于幂法和并行计算技术的大规模电网异常负荷识别方法，包括以下步骤：步骤1：同步地构造各分区数据源矩阵X _s,z ；步骤2：确定各分区时间窗口宽度T，并设定采样起始时刻t ₁ ；步骤3：同步地获得各分区滑动窗口矩阵X _z ；步骤4：将各分区滑动窗口矩阵X _z 同步地进行标准化处理，获得各分区标准的非Hermitian矩阵X _n,z ；步骤5：同步地获得各分区样本协方差矩阵S _z ；步骤6：利用幂法快速估算各分区样本协方差矩阵最大特征值λ _max,z ；步骤7：各分区分别估计当前时刻信噪比ρ _z，从而获得相应分区的样本协方差矩阵最大特征值的动态阈值γ _z ；步骤8：电网状态异常越限判别。本发明具有能显著提升计算效率，增强对大规模电网应用的适用性的特点。

Description

基于幂法和并行计算技术的大规模电网异常负荷识别方法

技术领域

本发明属于电网异常检测技术领域，具体设计一种基于幂法和并行计算技术的大规模电网异常负荷识别方法。

背景技术

随着广域测量系统(Wide Area Measurement System,WAMS)的日趋成熟，以及智能电网的不断演进，爆炸式增长的数据量对电网数据处理及知识提取提出了挑战。将大数据思维引入电力系统分析，从电力数据中挖掘知识及其价值应用，借助高性能计算技术实现电网运行状态的大数据思维分析与评价，对确保新一代电力系统安全具有重要的理论意义。

随机矩阵理论(Random Matrix Theory,RMT)是一种具有普适性的方法，无需详细物理模型，可以从高维角度认识复杂系统的行为特征。一方面，从基于RMT的电力系统分析理论与方法研究进展角度来看，有文献提出采用RMT中平均谱半径(Mean SpectralRadius,MSR)作为相关性指标，开展了各种影响因素与配电网运行状态之间的内在联系挖掘研究。有文献提出综合考虑了电网历史数据和实时数据，基于MSR指标提出了一种电网静态稳定态势评估的方法。有文献提出进一步利用MSR指标分析电网状态，提出了一种电网扰动定位的方法。有文献提出依据RMT原理提出了一种基于样本协方差矩阵最大特征值(Maximum Eigenvalue of Sample Covariance Matrix，MESCM)的适用于低信噪比场景的电网异常状态识别方法。然而，上述文献中案例分析大多采用数十个母线的小规模系统算例，尚未对此类方法在大规模电力系统的适应性，如基于全部特征值求解技术的MSR或MESCM指标计算效率不高，全域求解效率偏低等问题开展研究。

发明内容

本发明的目的在于克服上述缺点，提出一种能提高负荷异常识别方法的效率，并提升其在大规模电力系统中的适用性的基于幂法和并行计算技术的大规模电网异常负荷识别方法。具体来说从大维矩阵的部分特征值求取和电网分区同步计算的思路出发，从算法理论角度借助幂法加速估算MESCM指标，从技术实现角度借助多核并行计算技术实现各分区指标的准同步快速获取。

本发明的一种基于幂法和并行计算技术的大规模电网异常负荷识别方法，包括以下步骤：

步骤1：同步地构造各分区数据源矩阵X_s,z。对于一个有w个分区的大规模电力系统，可由各分区PMU采集并上传至所属分区调度控制中心主站的电压幅值或相角时序数据，分别构建相应分区数据源矩阵X_s,z，其中分区编号z＝1,2,…,w。X_s,z的表达如式(1)所示。

X_s,z不仅存在随机噪声的干扰，还受到了负荷随机波动造成的影响，其异常检测模型可表达如式(2)所示，

X_s,z＝(1+ψ_z)X_p,z+m_z×η_z (2)

式中X_p,z为未受噪声污染的信号矩阵，Ψ_z为负荷随机波动率，波动范围设置为±1％。η_z为噪声矩阵，m_z为噪声幅值。

步骤2：确定各分区时间窗口宽度T，并设定采样起始时刻t₁；

步骤3：同步地获得各分区滑动窗口矩阵X_z。依托并行计算技术，将各分区的计算任务分配给其区域计算终端完成。采用滑动窗口技术，由步骤2所得各分区时间窗口宽度T和采样起始时刻t₁，从各分区的数据源矩阵X_s,z同步地获得相应分区的N_z×T维滑动窗口矩阵X_z，其中N_z是采样数据的维数，单位：个；T是滑动窗口宽度，单位：个；矩阵行列比c_z，如式(3)所示，

且c_z∈(0,∞)，为比值，无单位。

步骤4：各分区滑动窗口矩阵X_z的标准化。在各分区计算终端中，对滑动窗口矩阵X_z进行归一化处理，得到标准非厄米特矩阵(Non-Hermitian Matrix)X_n，z，如式(4)所示。

式中x_zi＝(x_zi,1,x_zi,2,…,x_zi,T)；μ(x_zi)、σ(x_zi)分别为x_zi的均值和标准差；μ(x_n,zi)、σ(x_n,zi)分别为非Hermitian矩阵行向量x_n,zi的均值和标准差。

步骤5：同步地计算各分区样本协方差矩阵S_z。求标准非厄米特矩阵X_n,z的样本协方差矩阵S_z，如式(5)所示，

式中上标H表示复共轭转置。

步骤6：各分区样本协方差矩阵最大特征值λ_max,z的估算。在各分区计算终端中，使用幂法迭代估算各分区样本协方差矩阵S_z的最大特征值λ_max,z，如式(6)所示，

式中u_k,z表示迭代过程中最大特征值对应特征向量，v_k,z表示“归一化”后的迭代向量，v_0,z＝{1,1，…，1}_Nz×1。当k充分大或||max(u_k,z)-max(u_k-1,z)||<ε时，max(u_k,z)≈λ_max,z。

步骤7：求取各分区MESCM动态阈值γ_z。

步骤7.1：采用经过Kaiser窗函数校正后的经典谱估计法对每个分区的信噪比分别进行估计，以任意一个分区为例。

(1)假设有N≥1个PMU，其中第i(i＝1,……,N)个PMU的交流电压信号为x_i，信号数据长度为T。按式(4)过滤原始信号x_i中的直流分量得到x_fi。

(2)Kaiser窗可自定义一组可调的窗函数，其时域表示如式(8)。

式中，I₀(β)是第一类变形零阶贝塞尔函数，其中β＝38时估计的准确率最高。同时计算窗值w_i(n)对应的均值μ(w_i)，均方根值w_Rmsi。

(3)将时域信号x_fi通过离散时间傅立叶变换(Discrete Time FourierTransform,DTFT)变换为频域信号x_i(e^jω)，结合Kaiser窗值计算得到功率谱密度P_i(e^jω)，如式(9)。

P_i(e^jω)＝(1/T)/|x_i(e^jω)|² (9)

(4)计算真实信号功率及噪声功率时，需对频谱进行分段处理，计算功率谱密度对应带宽如式(10)。

bw_i＝w_Rmsi/(T×μ(w_i)²) (10)

(5)每段带宽对应功率密度平均幅值如式(11)。

(6)由周期最大值法得出真实信号功率P_ri,噪声信号功率P_ni如式(12)。

(7)利用真实信号功率与噪声信号功率的比值可得当前PMU信号的信噪比，如式(13)。

(8)当噪声幅度无剧烈变化时，用ρ表示全局信噪比，如式(14)。

步骤7.2、应用基于Spiked模型的阈值γ设定方法，同样以其中任意一个分区为例，阈值γ的设定如式(15)，

式中，ρ为当前时刻该分区的全局信噪比估算值。c为该分区的维容比。α(0≤α≤1)为比例系数，可根据滑动窗宽度T进行调整，一般取α＝0.5。

步骤8：电网状态异常越限判别。判断是否该最大特征值λ_max,z大于阈值γ_z，若λ_max,z≥γ_z成立，则判定电网发生状态异常，发出警告。否则，当前无异常状态，令i＝i+1，返回步骤3继续执行状态异常检测流程。

其中，步骤1所述采样数据类型的选择可仅为母线电压幅值V。

本发明与现有技术相比，具有以下优点：

1、相较于传统计算全部特征值的平均谱半径MSR分析法，本发明基于幂法估算部分特征值的大规模电网异常负荷快速识别方法在计算效率上有显著提升。

2.本发明方法对于大规模电力系统，采用分区并行计算技术，获得了较为理想的加速效果。

附图说明

图1是本发明的流程图；

图2是实施例中的一个波兰420机2736母线系统主要联络线及分区示意图；

图3是实施例中的案例一的第一分区MESCM及其动态阈值的结果；

图4是实施例中的案例一的其他分区MESCM及其动态阈值的结果；

图5是实施例中的案例二的MESCM偏差率结果；

图6是实施例中的案例三的一个IEEE 54机118母线系统接线示意图。

具体实施方式

以下结合附图和实施例详细描述本发明的具体实施方式，但本发明不受所述具体实施例所限。

如图1所示，本发明的一种基于幂法和并行计算技术的大规模电网异常负荷识别方法，包括以下步骤：

步骤1：同步地构造各分区数据源矩阵X_s,z。对于一个有w个分区的大规模电力系统，可由各分区PMU采集并上传至所属分区调度控制中心主站的电压幅值或相角时序数据，分别构建相应分区数据源矩阵X_s,z，其中分区编号z＝1,2,…,w。X_s,z的表达如式(1)所示。

X_s,z不仅存在随机噪声的干扰，还受到了负荷随机波动造成的影响，其异常检测模型可表达如式(2)所示，

X_s,z＝(1+ψ_z)X_p,z+m_z×η_z (2)

式中X_p,z为未受噪声污染的信号矩阵，Ψ_z为负荷随机波动率，波动范围设置为±1％。η_z为噪声矩阵，m_z为噪声幅值。

步骤2：确定各分区时间窗口宽度T，并设定采样起始时刻t₁；

步骤3：同步地获得各分区滑动窗口矩阵X_z。依托并行计算技术，将各分区的计算任务分配给其区域计算终端完成。采用滑动窗口技术，由步骤2所得各分区时间窗口宽度T和采样起始时刻t₁，从各分区的数据源矩阵X_s,z同步地获得相应分区的N_z×T维滑动窗口矩阵X_z，其中N_z是采样数据的维数，单位：个；T是滑动窗口宽度，单位：个；矩阵行列比c_z，如式(3)所示，

且c_z∈(0,∞)，为比值，无单位。

步骤4：各分区滑动窗口矩阵X_z的标准化。在各分区计算终端中，对滑动窗口矩阵X_z进行归一化处理，得到标准非厄米特矩阵(Non-Hermitian Matrix)X_n,z，如式(4)所示。

式中x_zi＝(x_zi,1,x_zi,2,…,x_zi,T)；μ(x_zi)、σ(x_zi)分别为x_zi的均值和标准差；μ(x_n,zi)、σ(x_n,zi)分别为非Hermitian矩阵行向量x_n,zi的均值和标准差。

步骤5：同步地计算各分区样本协方差矩阵S_z。求标准非厄米特矩阵X_n,z的样本协方差矩阵S_z，如式(5)所示，

式中上标H表示复共轭转置。

值得注意的是，样本协方差矩阵S_z的经验谱分布函数(Empirical SpectralDistribution，ESD)服从M-P律，如式(6)和(7)：

其中

当c>1时，式中f_mp(x)的分布函数在原点有质量1-1/c。a和b分别表示谱密度函数中的最小特征值和最大特征值，也就是说S_z的特征值分布具有一定范围，是有界的。当有异常事件发生时系统的随机性被破坏，将不满足统计规律，最大特征值会超过其边界范围，本发明方法正是利用了这一特点进行异常状态的检测。

步骤6：各分区样本协方差矩阵最大特征值λ_max,z的估算。在各分区计算终端中，使用幂法迭代估算各分区样本协方差矩阵S_z的最大特征值λ_max,z，如式(8)所示，

式中u_k,z表示迭代过程中最大特征值对应特征向量，v_k,z表示“归一化”后的迭代向量，v_0,z＝{1,1，…，1}_Nz×₁。当k充分大或||max(u_k,z)-max(u_k-1,z)||<ε时，max(u_k,z)≈λ_max,z。

步骤7：求取各分区MESCM动态阈值γ_z。

步骤7.1：采用经过Kaiser窗函数校正后的经典谱估计法对每个分区的信噪比分别进行估计，以图2中任意一个分区为例。

(1)假设有N≥1个PMU，其中第i(i＝1,……,N)个PMU的交流电压信号为x_i，信号数据长度为T。按式(4)过滤原始信号x_i中的直流分量得到x_fi。

(2)Kaiser窗可自定义一组可调的窗函数，其时域表示如式(10)。

式中，I₀(β)是第一类变形零阶贝塞尔函数，其中β＝38时估计的准确率最高。同时计算窗值w_i(n)对应的均值μ(w_i)，均方根值w_Rmsi。

(3)将时域信号x_fi通过离散时间傅立叶变换(Discrete Time FourierTransform,DTFT)变换为频域信号x_i(e^jω)，结合Kaiser窗值计算得到功率谱密度P_i(e^jω)，如式(11)。

P_i(e^jω)＝(1/T)/|x_i(e^jω)|² (11)

(4)计算真实信号功率及噪声功率时，需对频谱进行分段处理，计算功率谱密度对应带宽如式(12)。

bw_i＝w_Rmsi/(T×μ(w_i)²) (12)

(5)每段带宽对应功率密度平均幅值如式(13)。

(6)由周期最大值法得出真实信号功率P_ri,噪声信号功率P_ni如式(14)。

(7)利用真实信号功率与噪声信号功率的比值可得当前PMU信号的信噪比，如式(15)。

(8)当噪声幅度无剧烈变化时，用ρ表示全局信噪比，如式(16)。

步骤7.2:应用基于Spiked模型的阈值γ设定方法，同样以图2中任意一个分区为例，阈值γ的设定如式(17)，

式中，ρ为当前时刻该分区的全局信噪比估算值。c为该分区的维容比。α(0≤α≤1)为比例系数，可根据滑动窗宽度T进行调整，一般取α＝0.5。

步骤8：电网状态异常越限判别。判断是否该最大特征值λ_max,z大于阈值γ_z，若λ_max,z≥γ_z成立，则判定电网发生状态异常，发出警告。否则，当前无异常状态，令i＝i+1，返回步骤3继续执行状态异常检测流程。

其中，步骤1所述采样数据类型的选择可仅为母线电压幅值V。

实施例如下：

为验证本发明所提方法在大规模电网场景下的有效性和计算效率，借助MatlabR2014a和Power System Toolbox(PST)Version 3.0工具软件，以一个波兰420机2736母线系统算例作为模拟数据源，开展相关测试。其中，该波兰系统算例含6个分区，如图2所示。受篇幅限制，图中仅给出400kV区间联络线和两侧的母线编号，以及各分区中各电压等级的母线规模。

案例测试一：大规模电网异常负荷识别有效性测试

设置第1分区中编号2733的110kV母线的负荷发生异常变化，具体见下表1。

为模拟现场测试中噪声干扰和随机负荷波动，在各区变量或信号中引入高斯噪声源，信噪比ρ＝(30±0.3)dB。这样，可由式(2)和式(1)构建一个模拟现场实测PMU信号的数据源矩阵。

由于较宽的滑动窗会使得识别结果延时较长，而较窄的滑动窗又会使得计算结果不准确，故综合考虑后各区滑动窗均取一个相同值。这样，由上述步骤2，可设各区滑动窗口宽度T为220，比例系数α为0.5，即一个窗口内包含220组采样数据，其中1组为当前数据和219组为历史数据。因此本发明所提方法获得的MESCM指标变化曲线从采样时刻t₂₂₀开始。

表1负荷异常变化

进一步地，由所述步骤3，4和5，可分别获得各分区的滑动窗口矩阵，标准的非Hermitian矩阵以及样本协方差矩阵。然后，由步骤6，利用幂法快速估算出各分区的最大特征值，即MESCM指标，其在第220至第1000采样点的变化曲线如图3和图4所示。同时，由所述步骤7，可获得全网各分区的MESCM指标的动态阈值，如图3和图4中。需要说明的是，由于上述测试工况下，该系统仅有1区和4区越过阈值，故仅给出第1分区及第4分区的MESCM指标的阈值，如图3和图4所示。

由图3和图4可见，在t₃₀₀采样时刻之前，即使有随机负荷的波动以及噪声的干扰，但由于未发生异常，故各区MESCM指标均无明显变化。而在t₃₀₁采样时刻，受第1分区中编号2733母线有功负荷由100MW突变至200MW的影响，整个系统随机性被打破，从而使得图3中第1分区的MESCM指标由23.9近似阶跃地增加至31.9，明显越过了其相应分区的阈值。而在t₆₀₀采样时刻后，受前述爬坡型负荷设置的影响，图3在t₆₃₅采样时刻MESCM指标越过阈值并不断增长。这些说明了该方法不仅能对异常阶跃型负荷，也能对异常爬坡型负荷进行有效识别。

观察图4，可以发现除第1分区以外的其它区域中，第4分区的MESCM指标在t₈₀₄采样时刻超过阈值，且仅持续了34个采样时刻，而其它分区均无明显变化。一方面从内因分析来看，这主要与区域1内扰动点与区域4的等效电气距离较小有关，或可表明分区1和分区4的电气联系相较于其他分区更为紧密。另一方面从外象应用来看，由图3和4呈现的阈值越限程度差异可初步判断负荷异常发生在第1分区。

案例测试二：MESCM估算偏差分析

相对传统的全部特征值求取方法，本发明从部分特征值估计思路出发，利用幂法开展了MESCM指标的快速估算。在迭代允许最大误差为0.01，最大迭代次数为1000次的情形下，上述420机2736母线波兰电力系统算例下220至1000采样点时间窗内各分区MESCM偏差率计算结果如图5所示。

可见，本发明方法所得的最大特征值相较于MATLAB R2014a软件中全部特征值求解函数所得最大特征值，各分区偏差率均小于5％，且实际迭代次数均在150次以下。这表明对于大规模电力系统来说利用幂法实施MESCM的快速估计，其准确度是可以接受的。

案例测试三：计算耗时分析

利用一台配备AMD-2700 3.2GHz 8核CPU，16GB DRAM内存的计算机开展了一个IEEE 54机118母线系统及一个420机2736母线波兰电力系统在串行及并行计算下的MSR方法和MESCM方法的计算耗时分析。其中，IEEE 54机118母线系统接线示意图如图6所示。并行计算方式通过中央处理器的每个计算核心模拟一个分区的计算终端同步完成，即3个分区用3个计算核心，6个分区用6个计算核心模拟多分区计算终端的并行计算。这样，针对上述两种规模的系统，串行和并行计算条件下传统基于全部特征值求解技术的MSR方法与本发明所提基于幂法的MESCM方法的计算耗时列于表2。

表2串行和并行计算条件下传统MSR方法与本发明所提MESCM方法的计算耗时

一方面，从基于全部特征值求解的MSR方法与基于部分特征值求解的MESCM方法的比较角度来看，由表2中MSR和MESCM的串行计算结果可知，对于118母线规模的系统，采样点数为2300时，基于幂法的MESCM方法计算耗时33.70s，而传统计算全部特征值的MSR方法耗时63.19s，前者的计算效率较后者高了约2倍。对于2736母线母线规模的系统，采样点数为1000时，相较于后者的4.18h耗时，前者仅为124.45s，计算效率提高了近121倍。可见，由于MSR方法需要计算全部特征值，而MESCM方法仅需计算最大特征值，所以，对于大规模电力系统，基于幂法的MESCM方法可以显著提高计算效率。

另一方面，从串行与并行计算效率的比较角度来看，进一步由表2MSR和MESCM的并行计算结果可知，对于118母线系统，MESCM方法并行计算耗时为7.58s，相较于串行计算，其加速比约为4.4，达到了“超线性加速比”。而对于2736母线系统，MESCM方法并行计算耗时为65.24s，由于第4区域系统规模为总规模一半，故相较于串行计算，加速比约为2，达到了理论的加速效果。

综上所述，利用幂法和并行计算技术，基于MESCM提出了一种适用于大规模电网异常负荷识别的方法。借助Matlab软件，通过一个IEEE 54机118母线系统及一个波兰420机2736母线系统算例，验证了该方法的有效性和快速性。证明了基于幂法的MESCM方法相较于传统计算全部特征值的MSR方法在计算效率上有显著提升。对于大规模电力系统，采用分区并行计算技术，可获得较为理想的加速效果。

以上所述，仅是本发明的较佳实施例而已，并非对本发明作任何形式上的限制，任何未脱离本发明技术方案内容，依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均仍属于本发明技术方案的范围内。

Claims (6)

1.一种基于幂法和并行计算技术的大规模电网异常负荷识别方法，包括以下步骤：

步骤1：根据目标电力系统的区域划分，利用全网PMU量测数据，构造各分区的数据源矩阵X_s,z；如为模拟现场信号，引入噪声和随机波动负荷；

所述构造各分区的数据源矩阵X_s,z：对于一个有w个分区的大规模电力系统，由各分区PMU采集并上传至所属分区调度控制中心主站的电压幅值或相角时序数据，分别构建相应分区数据源矩阵X_s,z，其中分区编号z＝1,2,…,w；X_s,z的表达如式(1)所示，

其中，N为采样变量数，t_i为采样时刻；

所述如为模拟现场信号，其中X_s,z不仅存在随机噪声的干扰，还受到了负荷随机波动造成的影响，其异常检测模型可表达如式(2)所示，

X_S,Z＝(1+ψ_z)X_p,z+m_z×η_z (2)

式中X_p,z为未受噪声污染的信号矩阵，Ψ_z为负荷随机波动率，波动范围设置为±1％，η_z为噪声矩阵，m_z为噪声幅值；

步骤2：采用滑动窗口技术，确定各分区时间窗口宽度T，并设定采样起始时刻t₁；

步骤3：依托并行计算技术，将各分区的计算任务分配给其区域计算终端完成；根据所设窗口宽度T，由各分区的数据源矩阵X_s,z同步地获得相应分区的N_z×T维滑动窗口矩阵

其中N_z是采样数据的维数；

步骤4：在各分区计算终端中，对各分区X_z的行向量同步地进行标准化处理，得到标准非厄米特矩阵X_n,z；

步骤5：在各分区计算终端中，同步地计算各分区X_n,z矩阵的样本协方差矩阵S_z；

步骤6：在各分区计算终端中，同步对各分区的S_z进行幂法迭代计算，估算各分区的样本协方差矩阵最大特征值MESCM，即S_z的最大特征值λ_max,z；

所述幂法迭代计算：采用幂法迭代估算各分区样本协方差矩阵最大特征值λ_max,z，如式(6)所示，

式中u_k,z表示迭代过程中最大特征值对应特征向量，v_k,z表示“归一化”后的迭代向量，v_0,z＝{1,1，…，1}_Nz×1，当k充分大或||max(u_k,z)-max(u_k-1,z)||<ε时，max(u_k,z)≈λ_max,z；

步骤7：在这些区域计算终端中，各分区分别估算当前时刻信噪比ρ_z，获得相应分区的MESCM动态阈值γ_z；

步骤8：电网状态异常越限判别：判断是否该最大特征值λ_max,z大于阈值γ_z，若λ_max,z≥γ_z成立，则判定电网发生状态异常，发出警告；否则，当前无异常状态，返回步骤3继续执行状态异常检测流程。

2.如权利要求1所述的基于幂法和并行计算技术的大规模电网异常负荷识别方法，其特征在于：所述步骤3中依托并行计算技术，获得相应分区滑动窗口矩阵X_z：采用滑动窗口技术，由步骤2所得各分区时间窗口宽度T和采样起始时刻t₁，从各分区的数据源矩阵X_s,z同步地获得相应分区的N_z×T维滑动窗口矩阵X_z，单位：个；T是滑动窗口宽度，单位：个；矩阵行列比c_z，如式(3)所示，

c_z∈(0,∞)，为比值，无单位。

3.如权利要求1所述的基于幂法和并行计算技术的大规模电网异常负荷识别方法，其特征在于：所述步骤4中在各分区计算终端中，将各分区滑动窗口矩阵X_z标准化：对滑动窗口矩阵X_z进行标准化处理，得到标准非厄米特矩阵X_n,z，如式(4)所示，

式中

分别为

的均值和标准差；

分别为标准非厄米特矩阵的行向量

的均值和标准差。

4.如权利要求1所述的基于幂法和并行计算技术的大规模电网异常负荷识别方法，其特征在于：所述步骤5中在各分区计算终端中，求各分区标准非厄米特矩阵X_n,z的样本协方差矩阵S_z，如式(5)所示，

式中上标H表示复共轭转置。

5.根据权利要求1所述的基于幂法和并行计算技术的大规模电网异常负荷识别方法，其特征在于：步骤7中求取各分区MESCM动态阈值γ_z：各分区首先分别估算当前时刻信噪比ρ_z，然后根据该分区信噪比计算出对应分区的MESCM动态阈值γ_z，具体步骤包括：

步骤7.1：采用经过Kaiser窗函数校正后的经典谱估计法对每个分区的信噪比分别进行估计，以任意一个分区为例：

(1)假设有N≥1个PMU，其中第i个PMU的交流电压信号为x_i，信号数据长度为T；按式(4)过滤原始信号x_i中的直流分量得到x_fi；

(2)Kaiser窗可自定义一组可调的窗函数，其时域表示如式(8)；

式中，I₀(β)是第一类变形零阶贝塞尔函数，其中β＝38时估计的准确率最高；同时计算窗值w_i(n)对应的均值μ(w_i)，均方根值w_Rmsi；

(3)将时域信号x_fi通过离散时间傅里叶变换为频域信号x_i(e^jω)，结合Kaiser窗值计算得到功率谱密度P_i(e^jω)，如式(9)，

P_i(e^jω)＝(1/T)/|x_i(e^jω)|² (9)

(4)计算真实信号功率及噪声功率时，需对频谱进行分段处理，计算功率谱密度对应带宽如式(10)，

bw_i＝w_Rmsi/(T×μ(w_i)²) (10)

(5)每段带宽对应功率密度平均幅值如式(11)，

(6)由周期最大值法得出真实信号功率P_ri,噪声信号功率P_ni如式(12)，

(7)利用真实信号功率与噪声信号功率的比值可得当前PMU信号的信噪比，如式(13)，

(8)当噪声幅度无剧烈变化时，用ρ_z表示当前时刻信噪比，如式(14)，

步骤7.2：应用基于Spiked模型的阈值设定方法对MESCM动态阈值进行设定，同样以其中任意一个分区为例，阈值γ_z的设定如式(15)，

式中，α为比例系数，根据滑动窗宽度T进行调整，取α＝0.5。

6.如权利要求1至5中任一项所述的基于幂法和并行计算技术的大规模电网异常负荷识别方法，其特征在于：所述步骤1中采样数据的类型仅为母线电压幅值V。

Images