CN109861206A - 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 - Google Patents
一种基于支持向量机的暂态功角稳定故障筛选系统及方法 Download PDFInfo
- Publication number
- CN109861206A CN109861206A CN201811639059.XA CN201811639059A CN109861206A CN 109861206 A CN109861206 A CN 109861206A CN 201811639059 A CN201811639059 A CN 201811639059A CN 109861206 A CN109861206 A CN 109861206A
- Authority
- CN
- China
- Prior art keywords
- sample
- rotor angle
- angle stability
- transient rotor
- failure
- 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
Links
Classifications
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于支持向量机的暂态功角稳定故障筛选系统及方法。基于历史样本集中样本的暂态功角稳定量化评估结果选取特征量，避免采用特征选择算法计算繁琐和误选漏选关键特征量的问题；将稳定模式分类后采用支持向量机分别对不同稳定模式进行监督学习训练，提高预测模型的准确性；对只有稳定样本的样本集采用以暂态功角稳定裕度为变量的回归预测模型，避免仅仅采用分类预测模型的局限性；基于当前运行方式特征量判断暂态功角稳定预测模型适用性，避免机器学习算法的“误判”问题；基于详细的暂态功角稳定量化评估结果与预测值差异决定预想故障及其对应的潮流方式是否纳入样本集，适当增加样本集中失稳样本数目，保证样本集样本的合理性。
Description
技术领域
本发明属于电力系统自动化技术领域，具体涉及一种基于支持向量机的暂态功角稳定故障筛选系统及方法。
背景技术
在线暂态安全稳定评估现已成为大电网调度运行的迫切需求，其计算周期一般要求在5分钟之内。随着电力系统规模的增大，需要进行在线暂态安全稳定评估的预想故障数会很大，单个故障的评估时间也会变长。对于数千台发电机、数万个计算节点的大电网，如果不对预想故障进行筛选，在5分钟之内完成上万个预想故障的暂态安全稳定评估，则需要配置大量的计算资源。通常的解决方法是电网调度运行人员凭离线分析经验筛选出少量的预想故障，进行在线暂态安全稳定评估，其可靠性与电网调度运行人员的经验紧密相关。因此，急需提出电力系统在线暂态安全稳定评估预想故障筛选方法，降低预想故障集的设置与电网调度运行人员经验的依赖程度。
目前通常采用的故障筛选方法都难以协调好筛选效率和筛选正确性的矛盾，且无法避免“误判”情况的发生。电力系统中某个预想故障的安全稳定性与其运行状态紧密相关，专利“电力系统在线暂态安全稳定评估预想故障筛选方法(ZL 201110279948.1)”基于前一次在线暂态安全稳定量化评估结果和电网在前后两次在线暂态安全稳定量化评估所对应的电网运行方式之间的差异估算本次在线暂态安全稳定量化评估结果，并应用暂态安全稳定裕度随时间增大而减小的裕度-时间函数，来计及电力系统运行状态中其它因素变化对暂态安全稳定裕度的影响，实现对在线暂态安全稳定量化评估预想故障集的筛选。一方面，前后两次在线暂态安全稳定评估所对应的电网运行方式可能发生较大变化，导致可能将失稳故障误判为稳定；另一方面，该方法使用的计算参数难以准确确定，为了保证筛选的准确性而只能尽量采用保守参数，导致故障筛选的效率不高。
发明内容
为解决现有技术中的不足，本发明提供一种基于支持向量机的电力系统在线暂态功角稳定预想故障筛选方法，解决了现有中故障筛选的正确性和筛选效率不可兼得、在线安全稳定分析计算速度和准确性不高的技术问题。
为了实现上述目标，本发明采用如下技术方案：
一种基于支持向量机的暂态功角稳定故障筛选系统，其特征在于：包括：
用于根据当前运行方式判断预先建立的暂态功角稳定预测模型是否适用，如适用则采用暂态功角稳定预测模型获得预想故障暂态功角稳定预测值，并针对稳定裕度小于门槛值的故障、稳定分类预测结果为失稳的故障、稳定预测结果可信度低于门槛值的故障以及预测模型不适用的故障进行详细的暂态功角稳定量化评估计算；所述暂态功角稳定预测模型为基于历史样本集的各个样本潮流方式和预想故障暂态功角稳定量化评估结果，对每个故障选取特征量并采用支持向量机进行监督学习训练得到。用于对进行详细暂态功角稳定量化评估计算的故障及其对应的潮流方式进行分析并决定是否纳入样本集，同时将距离当前时间最远的一个样本从样本集中剔除。一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：
根据当前运行方式判断预先建立的暂态功角稳定预测模型是否适用，如适用则采用暂态功角稳定预测模型获得预想故障暂态功角稳定预测值，并针对稳定裕度小于门槛值、稳定预测结果可信度低于门槛值以及预测模型不适用的故障进行详细的暂态功角稳定量化评估计算；所述暂态功角稳定预测模型为基于历史样本集的各个样本潮流方式和预想故障暂态功角稳定量化评估结果，对每个故障选取特征量并采用支持向量机进行监督学习训练得到。对进行详细暂态功角稳定量化评估计算的故障及其对应的潮流方式进行分析并决定是否纳入样本集，同时将距离当前时间较远的样本从样本集中剔除，保证样本集总数目不越限。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：预先建立的暂态功角稳定预测模型训练的具体操作包括如下步骤：
步骤1：依据历史样本集中各个样本暂态功角稳定临界群机组的相似度进行稳定模式分类，将相似度指标大于指定门槛值的样本归入相同稳定模式的样本子集；所述相似度指标的定义是相同临界群机组数目占临界群机组总数的比例；
步骤2：对历史样本集中各个样本提取特征值并对特征值的非布尔量特征值进行采用平均数方差法的规范化数据预处理；
步骤3：对各类稳定模式的样本子集分别采用支持向量机进行暂态功角稳定预测模型训练，如样本集中只有稳定的样本则采用以暂态功角稳定裕度为变量的回归预测模型，样本集中既有稳定样本又有失稳样本采用二分类预测模型。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：在线预想故障筛选的具体操作包括如下步骤：
步骤a：基于状态估计结果生成潮流计算数据，判断当前潮流方式是否与历史样本集中至少一个样本满足以下所有条件，如不满足则判断暂态功角稳定预测模型不适用当前方式，进入步骤d)，否则进入步骤b)；
条件1：重要联络线投停状态一致；
条件2：投停状态一致的临界群机组数目占临界群机组总数的比例JS大于门槛值εJ；
条件3：式中，n为样本集中样本临界群机组数目，PG′i,c和PG′i,k分别为规范化数据预处理后的当前潮流方式和历史样本临界群机组有功出力，m为样本集中样本重要联络线数目，PL′j,c和PL′j,k分别为规范化数据预处理后的当前潮流方式和历史样本重要联络线有功功率，εP为预先设置的最大允许偏差量；
步骤b：在与当前潮流方式重要联络线投停状态一致的历史样本中，将式Ka*JS+Kb*MD值最小的样本判断为当前方式的最邻近样本，由最邻近样本所属稳定模式样本子集确定当前方式所属稳定模式样本子集，其中，Ka和Kb为加权因子，Ka+Kb＝1；
步骤c：采用当前潮流方式对应稳定模式的预测模型进行预测，预测模型为回归模型时得到当前方式暂态功角稳定裕度预测值，预测模型为分类模型得到当前方式的稳定与失稳分类类别；
步骤d：对暂态功角稳定预测结果判断为不满足要求的预想故障进行详细的暂态功角稳定量化评估计算，其中，暂态功角稳定预测结果不满足要求包括暂态功角稳定裕度预测值小于门槛值的故障、稳定分类预测结果为失稳的故障、稳定分类预测结果可信度低于门槛值的故障以及暂态功角稳定预测模型不适用的故障。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：
样本集更新：采用以下方法：
满足如下条件之一即将样本加入样本集：
条件a：在暂态功角稳定裕度预测值小于门槛值或稳定分类预测结果为失稳进行详细的暂态功角稳定量化评估中，详细计算的稳定裕度与采用回归模型预测值之差大于门槛值，或稳定分类预测结果为失稳的故障详细计算的稳定裕度大于0，或详细计算得到的临界群机组与最邻近样本临界群机组相似度小于门槛值；
条件b：稳定裕度分类预测结果可信度低于门槛值或稳定预测模型不适用的故障均加入样本集，对裕度大于0但小于门槛值的故障，人为设置其裕度为小于0的小数；对裕度小于0的故障，如样本集中稳定样本比例未达到预设的比例范围，则采用蒙特卡洛方法在该样本附件随机调整样本占比，直至样本集中稳定样本和失稳样本的比例达到预设的比例范围；
条件c：定期对故障集中所有预想故障进行详细的暂态功角稳定量化评估计算，判断详细计算结果与预测模型预测值之差，如详细计算的稳定裕度与采用回归模型预测值之差大于门槛值，或详细计算的稳定分类结果与稳定分类预测结果不一致，或详细计算得到的临界群机组与最邻近样本临界群机组相似度小于门槛值，则将故障样本加入样本集。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：步骤2中特征值包括临界群机组和参与因子较大的余下群机组有功出力、无功出力、机端电压和投停状态，临界群和余下群机组之间的等值阻抗，重要联络线有功功率和投停状态。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：所述重要联络线指临界群机组增加出力和余下群机组减少出力时功率变化大于门槛值的支路。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：步骤3中采用支持向量机采用径向基核函数，参数优化选用网格搜索法。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：步骤c中还可由支持向量机分类的概率输出获得分类预测模型输出结果的可信度量测。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：步骤d中暂态功角稳定量化评估计算采用扩展等面积准则方法。
作为本发明的一种优选方案，前述的一种基于支持向量机的暂态功角稳定故障筛选方法：所述条件c中的定期对故障集中所有预想故障进行详细的暂态功角稳定量化评估计算的周期是一小时。
本发明所达到的有益效果：本发明提出了一种基于支持向量机的暂态功角稳定故障筛选系统及方法，可以应用于电力系统中。基于在线历史样本集中样本的暂态功角稳定量化评估结果选取特征量，避免了采用特征选择算法计算繁琐和误选漏选关键特征量的问题；将稳定模式分类后采用支持向量机分别对不同稳定模式进行监督学习训练，提高了预测模型的准确性；对只有稳定样本的样本集采用以暂态功角稳定裕度为变量的回归预测模型，避免了仅仅采用分类预测模型的局限性；基于当前运行方式特征量判断暂态功角稳定预测模型适用性，较大程度上避免了机器学习算法的“误判”问题；基于详细的暂态功角稳定量化评估结果与预测值差异决定预想故障及其对应的潮流方式是否纳入样本集，以及适当增加样本集中失稳样本数目，保证了样本集样本的合理性。应用本发明进行暂态功角稳定预想故障筛选，能够在保证筛选正确性的同时满足筛选效率要求，可以满足在线安全稳定分析计算速度和准确性要求。
附图说明
图1是本发明的流程图。
具体实施方式
下面结合附图对本发明作进一步描述。以下实施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。
如图1所示：本实施例公开了一种基于支持向量机的暂态功角稳定故障筛选系统及方法，
该方法包括以下步骤：
在采集电力系统的历史故障样本，建立历史样本集；
暂态功角稳定预测模型训练，将历史样本集的各个样本的潮流方式和预想故障暂态功角稳定做量化评估处理，对每个故障选取特征量并采用支持向量机进行监督学习训练，生成每个故障对应的暂态功角稳定预测模型。
优选的，具体过程依次包括稳定模式分类、样本特征量提取、预测模型训练，具体操作如下：
稳定模式分类：首先依据历史样本集中各个样本暂态功角稳定临界群机组的相似度进行稳定模式分类，将相似度指标大于指定门槛值的样本归入相同稳定模式的样本子集；本发明的相似度指标的定义是相同临界群机组数目占临界群机组总数的比例。
样本特征量提取：然后对历史样本集中各个样本提取特征值并对特征值的非布尔量特征值进行采用平均数方差法的规范化数据预处理；特征值优选包括临界群机组和参与因子较大的余下群机组有功出力、无功出力、机端电压和投停状态，临界群和余下群机组之间的等值阻抗，重要联络线有功功率和投停状态。其中，重要联络线指临界群机组增加出力和余下群机组减少出力时功率变化大于门槛值的支路。
预测模型训练；再对各类稳定模式的样本子集分别采用支持向量机(SVM)进行暂态功角稳定预测模型训练，如样本集中只有稳定的样本则采用以暂态功角稳定裕度为变量的回归预测模型，样本集中既有稳定样本又有失稳样本采用二分类预测模型。其中SVM优选采用径向基核函数，参数优化选用网格搜索法。
暂态功角稳定预测模型训练基于在线历史样本集中样本的暂态功角稳定量化评估结果选取特征量，避免了采用特征选择算法计算繁琐和误选漏选关键特征量的问题；将稳定模式分类后采用支持向量机分别对不同稳定模式进行监督学习训练，提高了预测模型的准确性。
在线预想故障筛选：根据当前运行方式判断暂态功角稳定预测模型是否适用，如适用则采用暂态功角稳定预测模型获得预想故障暂态功角稳定预测值，并针对稳定裕度小于门槛值的故障、稳定分类预测结果为失稳的故障、稳定预测结果可信度低于门槛值的故障以及预测模型不适用的故障进行详细的暂态功角稳定量化评估计算，得到故障暂态功角稳定预测值。
优选具体步骤是：预测模型适用性判断、当前方式稳定模式判断、采用预测模型进行预测、详细量化评估计算，具体操作如下：
预测模型适用性判断：基于暂态功角稳定预测模型生成潮流计算数据，判断当前潮流方式是否与历史样本集中至少一个样本满足以下所有条件，如不满足则判断暂态功角稳定预测模型不适用当前方式，进入步骤d)，否则进入步骤b)；
条件1：重要联络线投停状态一致；
条件2：投停状态一致的临界群机组数目占临界群机组总数的比例JS大于门槛值εJ；
条件3：式中，n为样本集中样本临界群机组数目，PG′i,c和PG′i,k分别为规范化数据预处理后的当前潮流方式和历史样本临界群机组有功出力，m为样本集中样本重要联络线数目，PL′j,c和PL′j,k分别为规范化数据预处理后的当前潮流方式和历史样本重要联络线有功功率，εP为预先设置的最大允许偏差量。
当前方式稳定模式判断：在与当前潮流方式重要联络线投停状态一致的历史样本中，将式Ka*JS+Kb*MD值最小的样本判断为当前方式的最邻近样本，由最邻近样本所属稳定模式样本子集确定当前方式所属稳定模式样本子集，其中，Ka和Kb为加权因子，Ka+Kb＝1；
采用预测模型进行预测：采用当前潮流方式对应稳定模式的预测模型进行预测，预测模型为回归模型时得到当前方式暂态功角稳定裕度预测值，预测模型为分类模型得到当前方式的稳定与失稳分类类别；进一步还可由SVM分类的概率输出获得分类预测模型输出结果的可信度量测。
详细量化评估计算：对暂态功角稳定裕度预测值小于门槛值、稳定分类预测结果为失稳或可信度低于门槛值以及暂态功角稳定预测模型不适用的故障进行详细的暂态功角稳定量化评估计算。其中，暂态功角稳定量化评估计算优选采用扩展等面积准则(EEAC)方法。
在线预想故障筛选对只有稳定样本的样本集采用以暂态功角稳定裕度为变量的回归预测模型，避免了仅仅采用分类预测模型的局限性；基于当前运行方式特征量判断暂态功角稳定预测模型适用性，较大程度上避免了机器学习算法的“误判”问题。
样本集更新：将前述的故障暂态功角稳定预测值及其对应的潮流方式进行分析并决定是否纳入样本集，同时将距离当前时间最远的样本从样本集中剔除，保证样本集总数目不越限。
上述样本集更新优选采用以下方法：
满足如下条件之一即将样本加入样本集：
条件a：在暂态功角稳定裕度预测值小于门槛值或稳定分类预测结果为失稳进行详细的暂态功角稳定量化评估中，详细计算的稳定裕度与采用回归模型预测值之差大于门槛值，或稳定分类预测结果为失稳的故障详细计算的稳定裕度大于0，或详细计算得到的临界群机组与最邻近样本临界群机组相似度小于门槛值；
条件b：稳定裕度分类预测结果可信度低于门槛值或稳定预测模型不适用的故障均加入样本集，为了避免样本集中稳定样本占比过大，对于裕度大于0但小于门槛值的故障，人为设置其裕度为小于0的小数；对于裕度小于0的故障，如样本集中稳定样本比例未达到预设的比例范围，则采用蒙特卡洛方法在该样本附件随机调整样本占比，也就是说：当稳定样本比例未到达预设的比例范围时，例如低于预设的比例范围的最小值时，可以增加稳定样本的数量，反之，当稳定样本比例高于预设的比例范围的最大值时，即当失稳样本比例低于预设的比例范围的最小值时，可以增加失稳样本的数量，如此实现样本占比调整，直至样本集中稳定样本和失稳样本的比例达到预设的比例范围；
条件c：定期对故障集中所有预想故障进行详细的暂态功角稳定量化评估计算，判断详细计算结果与预测模型预测值之差，如详细计算的稳定裕度与采用回归模型预测值之差大于门槛值，或详细计算的稳定分类结果与稳定分类预测结果不一致，或详细计算得到的临界群机组与最邻近样本临界群机组相似度小于门槛值，则将故障样本加入样本集。本条件中的定期对故障集中所有预想故障进行详细的暂态功角稳定量化评估计算的周期优选一小时。
其中，将新样本加入样本集后，还需要根据样本集中样本总数，将距离当前时间相对较远的样本从样本集中剔除，保证样本集总数目不越限。
样本集更新基于详细的暂态功角稳定量化评估结果与预测值差异决定预想故障及其对应的潮流方式是否纳入样本集，以及适当增加样本集中失稳样本数目，保证了样本集样本的合理性。
需要说明的是，本发明的暂态功角稳定预测模型训练、在线预想故障筛选和样本集更新模块相互独立运行。样本集更新模块不断检测是否有详细暂态功角稳定量化评估计算的故障及其对应的潮流方式，如有则进行样本集更新判断；暂态功角稳定预测模型训练模块在一次模型训练完成后检测样本集是否有更新，如有更新则重新启动训练；在线预想故障筛选模块基于最新训练的暂态功角稳定预测模型进行预测。
与上述筛选方法相对应，本发明还提供一种基于支持向量机的暂态功角稳定故障筛选系统，该系统包括：
在线预想故障筛选模块：用于根据当前运行方式判断预先建立的暂态功角稳定预测模型是否适用，如适用则采用暂态功角稳定预测模型获得预想故障暂态功角稳定预测值，并针对稳定裕度小于门槛值的故障、稳定分类预测结果为失稳的故障、稳定预测结果可信度低于门槛值的故障以及预测模型不适用的故障进行详细的暂态功角稳定量化评估计算；暂态功角稳定预测模型为基于历史样本集的各个样本潮流方式和预想故障暂态功角稳定量化评估结果，对每个故障选取特征量并采用支持向量机进行监督学习训练得到。样本集更新模块：用于对进行详细暂态功角稳定量化评估计算的故障及其对应的潮流方式进行分析并决定是否纳入样本集，同时将距离当前时间最远的一个样本从样本集中剔除。
该系统可以用于实现本发明的基于支持向量机的暂态功角稳定故障筛选方法，进而达到相应的技术效果。该系统各模块实现上述筛选方法的具体细节可以参见上述筛选方法的介绍，此处不再赘述。
本发明提出的一种基于支持向量机的暂态功角稳定故障筛选方法和系统，可以应用于电力系统中。基于在线历史样本集中样本的暂态功角稳定量化评估结果选取特征量，避免了采用特征选择算法计算繁琐和误选漏选关键特征量的问题；将稳定模式分类后采用支持向量机分别对不同稳定模式进行监督学习训练，提高了预测模型的准确性；对只有稳定样本的样本集采用以暂态功角稳定裕度为变量的回归预测模型，避免了仅仅采用分类预测模型的局限性；基于当前运行方式特征量判断暂态功角稳定预测模型适用性，较大程度上避免了机器学习算法的“误判”问题；基于详细的暂态功角稳定量化评估结果与预测值差异决定预想故障及其对应的潮流方式是否纳入样本集，以及适当增加样本集中失稳样本数目，保证了样本集样本的合理性。应用本发明进行暂态功角稳定预想故障筛选，能够在保证筛选正确性的同时满足筛选效率要求，可以满足在线安全稳定分析计算速度和准确性要求。
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 (11)
1.一种基于支持向量机的暂态功角稳定故障筛选系统，其特征在于：包括：
在线预想故障筛选模块：用于根据当前运行方式判断预先建立的暂态功角稳定预测模型是否适用，如适用则采用暂态功角稳定预测模型获得预想故障暂态功角稳定预测值，并针对稳定裕度小于门槛值的故障、稳定分类预测结果为失稳的故障、稳定预测结果可信度低于门槛值的故障以及预测模型不适用的故障进行详细的暂态功角稳定量化评估计算；所述暂态功角稳定预测模型为基于历史样本集的各个样本潮流方式和预想故障暂态功角稳定量化评估结果，对每个故障选取特征量并采用支持向量机进行监督学习训练得到。
样本集更新模块：用于对进行详细暂态功角稳定量化评估计算的故障及其对应的潮流方式进行分析并决定是否纳入样本集，同时将距离当前时间最远的一个样本从样本集中剔除。
2.一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：
根据当前运行方式判断预先建立的暂态功角稳定预测模型是否适用，如适用则采用暂态功角稳定预测模型获得预想故障暂态功角稳定预测值，并针对稳定裕度小于门槛值的故障、稳定分类预测结果为失稳的故障、稳定预测结果可信度低于门槛值的故障以及预测模型不适用的故障进行详细的暂态功角稳定量化评估计算；所述暂态功角稳定预测模型为基于历史样本集的各个样本潮流方式和预想故障暂态功角稳定量化评估结果，对每个故障选取特征量并采用支持向量机进行监督学习训练得到。
对进行详细暂态功角稳定量化评估计算的故障及其对应的潮流方式进行分析并决定是否纳入样本集，同时将距离当前时间最远的样本从样本集中剔除，保证样本集总数目不越限。
3.根据权利要求2所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：预先建立的暂态功角稳定预测模型训练的具体操作包括如下步骤：
步骤1：依据历史样本集中各个样本暂态功角稳定临界群机组的相似度进行稳定模式分类，将相似度指标大于指定门槛值的样本归入相同稳定模式的样本子集；所述相似度指标的定义是相同临界群机组数目占临界群机组总数的比例；
步骤2：对历史样本集中各个样本提取特征值并对特征值的非布尔量特征值进行采用平均数方差法的规范化数据预处理；
步骤3：对各类稳定模式的样本子集分别采用支持向量机进行暂态功角稳定预测模型训练，如样本集中只有稳定的样本则采用以暂态功角稳定裕度为变量的回归预测模型，样本集中既有稳定样本又有失稳样本采用二分类预测模型。
4.根据权利要求2所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：在线预想故障筛选的具体操作包括如下步骤：
步骤a：基于状态估计结果生成潮流计算数据，判断当前潮流方式是否与历史样本集中至少一个样本满足以下所有条件，如不满足则判断暂态功角稳定预测模型不适用当前方式，进入步骤d)，否则进入步骤b)；
条件1：重要联络线投停状态一致；
条件2：投停状态一致的临界群机组数目占临界群机组总数的比例JS大于门槛值εJ；
条件3：式中，n为样本集中样本临界群机组数目，PG′i,c和PG′i,k分别为规范化数据预处理后的当前潮流方式和历史样本临界群机组有功出力，m为样本集中样本重要联络线数目，PL′j,c和PL′j,k分别为规范化数据预处理后的当前潮流方式和历史样本重要联络线有功功率，εP为预先设置的最大允许偏差量；
步骤b：在与当前潮流方式重要联络线投停状态一致的历史样本中，将式Ka*JS+Kb*MD值最小的样本判断为当前方式的最邻近样本，由最邻近样本所属稳定模式样本子集确定当前方式所属稳定模式样本子集，其中，Ka和Kb为加权因子，Ka+Kb＝1；
步骤c：采用当前潮流方式对应稳定模式的预测模型进行预测，预测模型为回归模型时得到当前方式暂态功角稳定裕度预测值，预测模型为分类模型得到当前方式的稳定与失稳分类类别；
步骤d：
对暂态功角稳定预测结果判断为不满足要求的预想故障进行详细的暂态功角稳定量化评估计算，其中，暂态功角稳定预测结果不满足要求包括暂态功角稳定裕度预测值小于门槛值的故障、稳定分类预测结果为失稳的故障、稳定分类预测结果可信度低于门槛值的故障以及暂态功角稳定预测模型不适用的故障。
5.根据权利要求2所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：样本集更新：采用以下方法：
满足如下条件之一即将样本加入样本集：
条件a：在暂态功角稳定裕度预测值小于门槛值或稳定分类预测结果为失稳进行详细的暂态功角稳定量化评估中，详细计算的稳定裕度与采用回归模型预测值之差大于门槛值，或稳定分类预测结果为失稳的故障详细计算的稳定裕度大于0，或详细计算得到的临界群机组与最邻近样本临界群机组相似度小于门槛值；
条件b：稳定裕度分类预测结果可信度低于门槛值或稳定预测模型不适用的故障均加入样本集，对裕度大于0但小于门槛值的故障，人为设置其裕度为小于0的小数；对裕度小于0的故障，如样本集中稳定样本比例未达到预设的比例范围，则采用蒙特卡洛方法在该样本附件随机调整样本占比，直至样本集中稳定样本和失稳样本的比例达到预设的比例范围；
条件c：定期对故障集中所有预想故障进行详细的暂态功角稳定量化评估计算，判断详细计算结果与预测模型预测值之差，如详细计算的稳定裕度与采用回归模型预测值之差大于门槛值，或详细计算的稳定分类结果与稳定分类预测结果不一致，或详细计算得到的临界群机组与最邻近样本临界群机组相似度小于门槛值，则将故障样本加入样本集。
6.根据权利要求3所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：步骤2中特征值包括临界群机组和参与因子较大的余下群机组有功出力、无功出力、机端电压和投停状态，临界群和余下群机组之间的等值阻抗，重要联络线有功功率和投停状态。
7.根据权利要求6所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：所述重要联络线指临界群机组增加出力和余下群机组减少出力时功率变化大于门槛值的支路。
8.根据权利要求3所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：步骤3中采用支持向量机采用径向基核函数，参数优化选用网格搜索法。
9.根据权利要求4所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：步骤c中还由支持向量机分类的概率输出获得分类预测模型输出结果的可信度量测。
10.根据权利要求4所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：步骤d中暂态功角稳定量化评估计算采用扩展等面积准则方法。
11.根据权利要求5所述的一种基于支持向量机的暂态功角稳定故障筛选方法，其特征在于：所述条件c中的定期对故障集中所有预想故障进行详细的暂态功角稳定量化评估计算的周期是一小时。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639059.XA CN109861206B (zh) | 2018-12-29 | 2018-12-29 | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201811639059.XA CN109861206B (zh) | 2018-12-29 | 2018-12-29 | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109861206A true CN109861206A (zh) | 2019-06-07 |
| CN109861206B CN109861206B (zh) | 2022-08-09 |
Family
ID=66893339
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201811639059.XA Active CN109861206B (zh) | 2018-12-29 | 2018-12-29 | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109861206B (zh) |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
| CN110310033A (zh) * | 2019-06-28 | 2019-10-08 | 清华大学 | 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统 |
| CN110348540A (zh) * | 2019-07-24 | 2019-10-18 | 国电南瑞科技股份有限公司 | 基于聚类的电力系统暂态功角稳定故障筛选方法及装置 |
| CN110673024A (zh) * | 2019-09-10 | 2020-01-10 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于电力物联网的高压断路器故障预警方法 |
| CN111900724A (zh) * | 2020-07-14 | 2020-11-06 | 国电南瑞科技股份有限公司 | 一种电力系统暂态稳定紧急控制在线决策方法、装置及存储介质 |
| CN113849023A (zh) * | 2021-09-23 | 2021-12-28 | 国电南瑞科技股份有限公司 | 一种海上风电变流器柜内环境调节控制逻辑方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425686A (zh) * | 2008-12-11 | 2009-05-06 | 国网电力科学研究院 | 电力系统在线安全稳定评估预想故障集自适应筛选方法 |
| CN102324743A (zh) * | 2011-09-21 | 2012-01-18 | 国网电力科学研究院 | 电力系统在线暂态安全稳定评估预想故障筛选方法 |
| CN103514365A (zh) * | 2013-08-12 | 2014-01-15 | 南京南瑞集团公司 | 电力系统暂态相继失稳模式搜索及关联交流断面识别方法 |
| CN107093895A (zh) * | 2017-04-17 | 2017-08-25 | 云南电力调度控制中心 | 基于预想故障集自动筛选的在线暂态安全稳定评估方法 |
| CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
-
2018
- 2018-12-29 CN CN201811639059.XA patent/CN109861206B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101425686A (zh) * | 2008-12-11 | 2009-05-06 | 国网电力科学研究院 | 电力系统在线安全稳定评估预想故障集自适应筛选方法 |
| CN102324743A (zh) * | 2011-09-21 | 2012-01-18 | 国网电力科学研究院 | 电力系统在线暂态安全稳定评估预想故障筛选方法 |
| CN103514365A (zh) * | 2013-08-12 | 2014-01-15 | 南京南瑞集团公司 | 电力系统暂态相继失稳模式搜索及关联交流断面识别方法 |
| CN107093895A (zh) * | 2017-04-17 | 2017-08-25 | 云南电力调度控制中心 | 基于预想故障集自动筛选的在线暂态安全稳定评估方法 |
| CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110310033A (zh) * | 2019-06-28 | 2019-10-08 | 清华大学 | 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统 |
| CN110310033B (zh) * | 2019-06-28 | 2021-10-15 | 清华大学 | 基于潮流向量闵可夫斯基距离的暂态稳定评估方法及系统 |
| CN110348540A (zh) * | 2019-07-24 | 2019-10-18 | 国电南瑞科技股份有限公司 | 基于聚类的电力系统暂态功角稳定故障筛选方法及装置 |
| CN110348540B (zh) * | 2019-07-24 | 2021-06-01 | 国电南瑞科技股份有限公司 | 基于聚类的电力系统暂态功角稳定故障筛选方法及装置 |
| CN110311376A (zh) * | 2019-07-31 | 2019-10-08 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
| CN110311376B (zh) * | 2019-07-31 | 2022-12-20 | 三峡大学 | 一种电力系统动态安全评估综合模型及时空可视化方法 |
| CN110673024A (zh) * | 2019-09-10 | 2020-01-10 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于电力物联网的高压断路器故障预警方法 |
| CN110673024B (zh) * | 2019-09-10 | 2022-05-13 | 国网浙江省电力有限公司嘉兴供电公司 | 一种基于电力物联网的高压断路器故障预警方法 |
| CN111900724A (zh) * | 2020-07-14 | 2020-11-06 | 国电南瑞科技股份有限公司 | 一种电力系统暂态稳定紧急控制在线决策方法、装置及存储介质 |
| CN111900724B (zh) * | 2020-07-14 | 2021-11-30 | 国电南瑞科技股份有限公司 | 一种电力系统暂态稳定紧急控制在线决策方法、装置及存储介质 |
| CN113849023A (zh) * | 2021-09-23 | 2021-12-28 | 国电南瑞科技股份有限公司 | 一种海上风电变流器柜内环境调节控制逻辑方法 |
| CN113849023B (zh) * | 2021-09-23 | 2022-06-07 | 国电南瑞科技股份有限公司 | 一种海上风电变流器柜内环境调节控制逻辑方法 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109861206B (zh) | 2022-08-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109861206A (zh) | 一种基于支持向量机的暂态功角稳定故障筛选系统及方法 | |
| CN108520357B (zh) | 一种线损异常原因的判别方法、装置及服务器 | |
| CN110458195B (zh) | 一种基于多判据融合的异常数据甄别方法 | |
| CN108520152B (zh) | 一种工程设备的寿命分布确定方法及系统 | |
| Pindoriya et al. | Composite reliability evaluation using Monte Carlo simulation and least squares support vector classifier | |
| CN105825298A (zh) | 一种基于负荷特性预估的电网计量预警系统及方法 | |
| CN107292502B (zh) | 一种配电网可靠性评估方法 | |
| CN110348615A (zh) | 基于蚁群优化支持向量机的电缆线路故障概率预测方法 | |
| CN108536971A (zh) | 一种基于贝叶斯模型的结构损伤识别方法 | |
| CN103140740A (zh) | 电力配送网络中的损耗或故障的检测 | |
| CN113361810B (zh) | 一种客流量预测方法、装置、设备和存储介质 | |
| CN107491970A (zh) | 实时反作弊检测监控方法和系统以及计算设备 | |
| CN107093895A (zh) | 基于预想故障集自动筛选的在线暂态安全稳定评估方法 | |
| CN109636110A (zh) | 一种获取继电保护装置运行状态的方法及装置 | |
| CN104598984A (zh) | 一种基于模糊神经网络的故障预测方法 | |
| CN109166034A (zh) | 一种风险预测方法及系统 | |
| CN109492783A (zh) | 一种基于gbdt的电力计量设备故障风险预测方法 | |
| CN103440410A (zh) | 主变个体缺陷概率预测方法 | |
| CN110298741A (zh) | 一种财务欺诈风险识别系统 | |
| CN110880055A (zh) | 楼宇智能电表系统 | |
| CN110147827A (zh) | 一种基于iaalo-svm与相似性度量的故障预测方法 | |
| CN116914751A (zh) | 一种智能配电控制系统 | |
| CN103514488A (zh) | 基于组合预测模型的电力系统短期负荷预测装置及方法 | |
| CN110378358A (zh) | 一种配电网异构数据整合方法及系统 | |
| CN106656603A (zh) | 一种基于多参数区间数多属性决策的云服务信任评估方法 |
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 |