CN110084466A - 一种提取大电网临界暂态稳定边界特征的方法及系统 - Google Patents
一种提取大电网临界暂态稳定边界特征的方法及系统 Download PDFInfo
- Publication number
- CN110084466A CN110084466A CN201910185402.6A CN201910185402A CN110084466A CN 110084466 A CN110084466 A CN 110084466A CN 201910185402 A CN201910185402 A CN 201910185402A CN 110084466 A CN110084466 A CN 110084466A
- Authority
- CN
- China
- Prior art keywords
- point
- matrix
- characteristic
- formula
- net
- 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.)
- Pending
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 63
- 238000000034 method Methods 0.000 title claims abstract description 35
- 239000011159 matrix material Substances 0.000 claims abstract description 92
- 239000013598 vector Substances 0.000 claims abstract description 33
- 238000001914 filtration Methods 0.000 claims abstract description 16
- 238000012512 characterization method Methods 0.000 claims abstract description 13
- 238000012887 quadratic function Methods 0.000 claims abstract description 10
- 230000005284 excitation Effects 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 3
- 230000004888 barrier function Effects 0.000 claims description 2
- 238000009966 trimming Methods 0.000 claims 2
- 230000005611 electricity Effects 0.000 claims 1
- 238000005259 measurement Methods 0.000 description 13
- 238000010276 construction Methods 0.000 description 6
- 238000004458 analytical method Methods 0.000 description 5
- 238000004422 calculation algorithm Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000003993 interaction Effects 0.000 description 3
- 241001269238 Data Species 0.000 description 2
- 238000007418 data mining Methods 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- BBEAQIROQSPTKN-UHFFFAOYSA-N pyrene Chemical compound C1=CC=C2C=CC3=CC=CC4=CC=C1C2=C43 BBEAQIROQSPTKN-UHFFFAOYSA-N 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012360 testing method Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 206010010356 Congenital anomaly Diseases 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- GVEPBJHOBDJJJI-UHFFFAOYSA-N fluoranthrene Natural products C1=CC(C2=CC=CC=C22)=C3C2=CC=CC3=C1 GVEPBJHOBDJJJI-UHFFFAOYSA-N 0.000 description 1
- 238000002347 injection Methods 0.000 description 1
- 239000007924 injection Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000005312 nonlinear dynamic Methods 0.000 description 1
- 230000003449 preventive effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000000243 solution Substances 0.000 description 1
- 238000013097 stability assessment Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
- 238000004804 winding Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Data Mining & Analysis (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种提取大电网临界暂态稳定边界特征的方法及系统,属于大电网安全应用领域。本发明方法包括:选取大电网源和网的输入特征,构成发电机特征量集和网络特征量集;构成源矩阵和网矩阵;构造源矩阵和网矩阵的尺度空间;在DOG空间中对源矩阵和网矩阵进行极值检测;过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度;根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值;根据所述方向值生成特征向量描述子,对特征向量进行匹配;确定特征量匹配度指标,获取特征匹配度指标,对大电网临界暂态进行识别,当H趋于0时,大电网趋于临界暂态稳定状态。
Description
技术领域
本发明涉及大电网安全应用领域,并且更具体地,涉及一种提取大电网临界暂态稳定边界特征的方法及系统。
背景技术
以电网为核心的能源互联网发展趋势及信息技术高度发展,对大电网安全稳定运行和智能防控提出了更高的要求,需要发展建立与之相适应的更精细化的电网评估系统。同时广域测量系统/相量测量单元(Wide Area Measurement System/Phasor MeasurementUnit,WAMS/PMU)实测信息及故障集仿真结果构成了电网时空大数据,如何采用数据挖掘技术对它们进行快速、高效地挖掘,实现大电网精细化评估是智能电网核心目标之一。
电网暂态问题是影响电力系统稳定运行的关键问题之一,一直受到国内外研究者的重视和关注。在能源互联网的背景下,基于数据挖掘的模式识别方法逐渐为解决电力系统中的一些传统问题提供新的思路。当前已有的运用数据挖掘技术来解决电力系统暂态稳定评估(Transient Stability Assessment,TSA)的主要方法包括人工神经网络、主成分分析、支持向量机等。现有的TSA方法虽然具有很多优点,但是往往只关注常规状态下出现的暂态稳定或暂态失稳情况,而忽略了电网临界稳定状态,或者不能准确区分临界稳定状态,因而导致电网安全评估存在模糊区域,如何找到临界区域或合适的稳定度参数来评价临界状态成为运用数据挖掘技术解决TSA问题的关键。
从宏观能量转换角度来看,电力系统暂态稳定的实质是注入的机械动能与网络吸收的电磁能之间的能量转换与守恒问题。同时电网拓扑结构清晰,先天具有网络属性,作为一个各元件相互作用的强非线性能量输送系统,它们之间必然存在或多或少的相互作用力。站在电网所有元件运行状态完全可测角度,各元件间的拓扑关系及相互作用必然蕴含于广域时空量测信息中。
电网是一个基于“源-网-荷”模式的大型网络能量输送系统,建立基于“源-网-荷”模式的能量输送系统,对常规暂态稳定或者临界暂态稳定状态下的时空量测信息,进行“源-网”之间相互关系的深入挖掘分析,更符合电网作为非线性动力系统的整体稳定行为,同时也越来越多的运用到实际的电网运行控制中。
Sift算法是源自计算机图像识别领域,通过求取两张图片中的特征点(interestpoints,or corner points)及其有关位置和尺度方向的描述子得到特征向量并进行图像特征点匹配,根据匹配点的数量,达到图像识别的目的。本发明提出的方法借鉴其图论的思想,将电网暂态过程中得到的“源”数据和“网”数据比作两张“图片”,通过两张“图片”的特征匹配,达到识别电网状态的目的。
发明内容
本发明的目的在于通过构建电网暂态稳定下的“源-网”匹配度指标,利用电网广域量测信息进行计算识别电网临界暂态稳定状态,支撑电网暂态稳定的精细化评估而提出了一种提取大电网临界暂态稳定边界特征的方法,包括:
选取大电网源和网的输入特征,针对PMU量测数据,PMU是电网广域测量系统(WAMS)的信息采集单元(PMU),您可以简单看作是传感器,装置在电网关键母线/厂站/变压器等设备上,其作用是测量采集电网数据,就是常说的电压/电流/功率等重要信息数据,然后传给电网统一管理系统数据库中,为了区别仿真数据,也称为从PMU得到的数据为实测数据。电力系统分析的时候,其实测数据就是从此而来。选取故障发生时,故障切除时和故障切除后3组12个特征量构成发电机特征量集,同时选取故障发生时,故障切除时和故障切除后的共3组12个特征量构成网络特征量集;
对所述发电机特征量集和网络特征集级进行归一化处理,将处理后的数据构成源矩阵和网矩阵;
构造源矩阵和网矩阵的尺度空间;
在DOG空间中对源矩阵和网矩阵进行极值检测;
过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度;
根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值;
根据所述方向值生成特征向量描述子,对特征向量进行匹配;
确定特征量匹配度指标,获取特征匹配度指标,特征量匹配度指标公式如下:
式中,H为源和网识别的匹配度指标,A为源和网矩阵的特征点,B为源和网矩阵的匹配点,对大电网临界暂态进行识别,当H趋于0时,大电网趋于临界暂态稳定状态。
可选的,发电机特征量集,包括:发电机功角、发电机励磁电压、发电机电磁功率和发电机无功功率。
可选的,网络的特征量集,包括:母线电压幅值、母线电压相角、母线流入有功功率以及母线流入无功功率。
可选的,针对源矩阵和网矩阵的生成尺度空间L(x,y,σ),公式如下式所示:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中(x,y)为矩阵I上的点,L表示尺度空间,σ为尺度空间因子。
利用同一阶上的两个相邻的两层的尺度空间函数之差得到DOG高斯金字塔的一层,DOG的表达式为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
=L(x,y,kσ)-L(x,y,σ)。
可选的,过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度,包括:根据尺度空间函数D(x,y,σ)的泰勒展开式:
对x的偏导数等于0,获取极限点位置:
把公式(5)代入公式(4)中,获取如下公式:
当时,所述极限点就保留下来,否则丢弃。
可选的,根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值,包括:
根据海森矩阵获取所述主曲率,矩阵公式如下:
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小特征值,则:
Tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2
=αβ
令α=αβ,则:
如果,曲率小于(r+1)2/r,保留特征点,否则丢弃;
为保留特征点分配方向值,公式如下:
m(x,y)表示(x,y)处梯度的模值,θ(x,y)表示(x,y)处梯度的方向,L是关键点所在的空间尺度函数。用梯度直方图来统计邻域的梯度方向,梯度直方图的横轴代表了邻域特征点的梯度方向的大小,纵轴代表了邻域特征点梯度值的大小。
可选的,根据所述方向值生成特征向量描述子,对特征向量进行匹配,根据n维空间的欧氏距离公式获取,公式如下:
其中i=1,2,...,n。
本发明还提出了一种提取大电网临界暂态稳定边界特征的系统,包括:
特征输入模块,选取大电网源和网的输入特征,针对PMU量测数据,选取故障发生时,故障切除时和故障切除后3组12个特征量构成发电机特征量集,同时选取故障发生时,故障切除时和故障切除后的共3组12个特征量构成网络特征量集;
矩阵构成模块,对所述发电机特征量集和网络特征集级进行归一化处理,将处理后的数据构成源矩阵和网矩阵;
构造尺度空间模块,构造源矩阵和网矩阵的尺度空间;
检测模块,在DOG空间中对源矩阵和网矩阵进行极值检测;
过滤模块,过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度;
分配模块,根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值;
匹配模块,根据所述方向值生成特征向量描述子,对特征向量进行匹配;
特征获取模块,确定特征量匹配度指标,获取特征匹配度指标,特征量匹配度指标公式如下:
式中,H为源和网识别的匹配度指标,A为源和网矩阵的特征点,B为源和网矩阵的匹配点,对大电网临界暂态进行识别,当H趋于0时,大电网趋于临界暂态稳定状态。
可选的,发电机特征量集,包括:发电机功角、发电机励磁电压、发电机电磁功率和发电机无功功率。
可选的,网络的特征量集,包括:母线电压幅值、母线电压相角、母线流入有功功率以及母线流入无功功率。
可选的,针对源矩阵和网矩阵的生成尺度空间L(x,y,σ),公式如下式所示:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中(x,y)为矩阵I上的点,L表示尺度空间,σ为尺度空间因子。
利用同一阶上的两个相邻的两层的尺度空间函数之差得到DOG高斯金字塔的一层,DOG的表达式为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
=L(x,y,kσ)-L(x,y,σ)。
可选的,过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度,包括:根据尺度空间函数D(x,y,σ)的泰勒展开式:
对x的偏导数等于0,获取极限点位置:
把公式(5)代入公式(4)中,获取如下公式:
当时,所述极限点就保留下来,否则丢弃。
可选的,根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值,包括:
根据海森矩阵获取所述主曲率,矩阵公式如下:
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小特征值,则:
Tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2
=αβ
令α=αβ,则:
如果,曲率小于(r+1)2/r,保留特征点,否则丢弃;
为保留特征点分配方向值,公式如下:
m(x,y)表示(x,y)处梯度的模值,θ(x,y)表示(x,y)处梯度的方向,L是关键点所在的空间尺度函数。用梯度直方图来统计邻域的梯度方向,梯度直方图的横轴代表了邻域特征点的梯度方向的大小,纵轴代表了邻域特征点梯度值的大小。
可选的,根据所述方向值生成特征向量描述子,对特征向量进行匹配,根据n维空间的欧氏距离公式获取,公式如下:
其中i=1,2,...,n。
本发明利用电网响应信息构建指标,对电网结构参数信息依赖较少,直接使用的是可测量得到的电网响应信息,使得该方法实用性强、使用范围广,可适用于电网多种结构参数下的应用场景。
本发明通过选取的“源-网”输入特征是通过对“源-网”状态量之间相关性的反复分析,最终选取效果最好的特征量,选取的特征量相对而言更能表达当前电网的运行状态。
本发明是基于量测数据实现临界状态的识别,相对于传统基于建模仿真计算,仅仅是对电网量测信息进行计算,避免了建模仿真方法繁复复杂的计算过程,识别速度更快,时效性更符合现代电网的要求。
本发明将暂态稳定的边界状态通过构造的指标,直观量化了临界暂态稳定的边界特征,构造的指标可为暂态稳定实现精细化评估做出有力支撑,具有较大的学术研究借鉴意义和工程使用价值。
附图说明
图1为本发明一种提取大电网临界暂态稳定边界特征的方法流程图;
图2为本发明一种提取大电网临界暂态稳定边界特征的方法实施例10机39节点系统示意图;
图3为本发明一种提取大电网临界暂态稳定边界特征的方法实施例10机39节点系统同一条线路上不同故障切除时间的功角时域曲线图;
图4为本发明一种提取大电网临界暂态稳定边界特征的方法实施例10机39节点系统不同故障切除时间源和网匹配度变化趋势图;
图5为本发明一种提取大电网临界暂态稳定边界特征的方法实施例10机39节点系统多条线路下的暂态稳定匹配结果对比图;
图6为本发明一种提取大电网临界暂态稳定边界特征的系统结构图。
具体实施方式
现在参考附图介绍本发明的示例性实施方式,然而,本发明可以用许多不同的形式来实施,并且不局限于此处描述的实施例,提供这些实施例是为了详尽地且完全地公开本发明,并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中,相同的单元/元件使用相同的附图标记。
除非另有说明,此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外,可以理解的是,以通常使用的词典限定的术语,应当被理解为与其相关领域的语境具有一致的含义,而不应该被理解为理想化的或过于正式的意义。
本发明提供了一种提取大电网临界暂态稳定边界特征的方法,如图1所示,包括:
选取大电网源和网的输入特征,针对PMU量测数据,选取故障发生时,故障切除时和故障切除后3组12个特征量构成发电机特征量集,同时选取故障发生时,故障切除时和故障切除后的共3组12个特征量构成网络特征量集;
对所述发电机特征量集和网络特征集级进行归一化处理,将处理后的数据构成源矩阵和网矩阵,其中,发电机特征量集,包括:发电机功角、发电机励磁电压、发电机电磁功率和发电机无功功率,网络的特征量集,包括:母线电压幅值、母线电压相角、母线流入有功功率以及母线流入无功功率。
构造源矩阵和网矩阵的尺度空间,首先利用不同尺度的高斯差分核与矩阵卷积生成高斯差分尺度空间(DOG scale-space),构造高斯差分尺度空间(DOG,Difference ofGaussian)包括:针对源矩阵和网矩阵的生成尺度空间L(x,y,σ),公式如下式所示:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中(x,y)为矩阵I上的点,L表示尺度空间,σ为尺度空间因子。
利用同一阶上的两个相邻的两层的尺度空间函数之差得到DOG高斯金字塔的一层,DOG的表达式为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
=L(x,y,kσ)-L(x,y,σ);
在DOG空间中对源矩阵和网矩阵进行极值检测,为了检测到DOG空间的局部极值点,每一个采样点要和它所有的相邻点比较。中间的检测点需要与它同层的8个,上层和下层各9个点进行比较,以确保在DOG空间和采样点所在的二维矩阵中都检测到极值点。如果该检测点为最大值或者最小值,则该点为矩阵在该尺度下的一个候选关键点;
过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度,包括:为关键点分配方向值,包括:过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度,包括:根据尺度空间函数D(x,y,σ)的泰勒展开式:
对x的偏导数等于0,获取极限点位置:
把公式(5)代入公式(4)中,获取如下公式:
当时,所述极限点就保留下来,否则丢弃。
根据所述特征点的位置和尺度的主曲率去除边缘点,根据所述特征点的位置和尺度的主曲率去除边缘点,一个定义不好的高斯差分算子的极值在横跨边缘的地方有较大的主曲率,而在垂直边缘的方向有较小的主曲率。
主曲率由海森矩阵求出:
为关键点分配方向值,包括:
根据海森矩阵获取所述主曲率,矩阵公式如下:
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小特征值,则:
Tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2
=αβ
令α=αβ,则:
如果,曲率小于(r+1)2/r,保留特征点,否则丢弃;
为保留特征点分配方向值,公式如下:
m(x,y)表示(x,y)处梯度的模值,θ(x,y)表示(x,y)处梯度的方向,L是关键点所在的空间尺度函数。用梯度直方图来统计邻域的梯度方向,梯度直方图的横轴代表了邻域特征点的梯度方向的大小,纵轴代表了邻域特征点梯度值的大小。
根据所述方向值生成特征向量描述子,为了进一步描述关键点的信息,则确定关键点的邻域范围的大小很重要。为了增强抗噪能力和匹配的稳健性,通常把邻域的取值范围设成16×16,那么就会产生4×4的种子点。这样每个关键点的信息量就包含在了4×4×8=128维特征向量里。
对特征向量进行匹配,根据n维空间的欧氏距离公式获取,公式如下:
其中i=1,2,...,n。
计算特征匹配度指标,经过Sift算法特征匹配的“源-网”矩阵,最后会根据比例阀值给出匹配点,匹配点越多说明“源-网”相似处越多;反之,则相似处越少,即该匹配点数是定量衡量“源-网”相似程度的依据。
确定特征量匹配度指标,获取特征匹配度指标,特征量匹配度指标公式如下:
式中,H为源和网识别的匹配度指标,A为源和网矩阵的特征点,B为源和网矩阵的匹配点,对大电网临界暂态进行识别,当H趋于0时,大电网趋于临界暂态稳定状态。
本发明还提出了一种提取大电网临界暂态稳定边界特征的系统200,如图6所示,包括:
特征输入模块201,选取大电网源和网的输入特征,针对PMU量测数据,选取故障发生时,故障切除时和故障切除后3组12个特征量构成发电机特征量集,同时选取故障发生时,故障切除时和故障切除后的共3组12个特征量构成网络特征量集;
矩阵构成模块202,对所述发电机特征量集和网络特征集级进行归一化处理,将处理后的数据构成源矩阵和网矩阵,发电机特征量集,包括:发电机功角、发电机励磁电压、发电机电磁功率和发电机无功功率,网络的特征量集,包括:母线电压幅值、母线电压相角、母线流入有功功率以及母线流入无功功率;
构造尺度空间模块203,构造源矩阵和网矩阵的尺度空间,针对源矩阵和网矩阵的生成尺度空间L(x,y,σ),公式如下式所示:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中(x,y)为矩阵I上的点,L表示尺度空间,σ为尺度空间因子。
利用同一阶上的两个相邻的两层的尺度空间函数之差得到DOG高斯金字塔的一层,DOG的表达式为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
=L(x,y,kσ)-L(x,y,σ);
检测模块204,在DOG空间中对源矩阵和网矩阵进行极值检测;
过滤模块205,过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度,过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度,包括:根据尺度空间函数D(x,y,σ)的泰勒展开式:
对x的偏导数等于0,获取极限点位置:
把公式(5)代入公式(4)中,获取如下公式:
当时,所述极限点就保留下来,否则丢弃;
分配模块206,根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值,包括:包括:
根据海森矩阵获取所述主曲率,矩阵公式如下:
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小特征值,则:
Tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2
=αβ
令α=αβ,则:
如果,曲率小于(r+1)2/r,保留特征点,否则丢弃;
为保留特征点分配方向值,公式如下:
m(x,y)表示(x,y)处梯度的模值,θ(x,y)表示(x,y)处梯度的方向,L是关键点所在的空间尺度函数。用梯度直方图来统计邻域的梯度方向,梯度直方图的横轴代表了邻域特征点的梯度方向的大小,纵轴代表了邻域特征点梯度值的大小;
匹配模块207,根据所述方向值生成特征向量描述子,对特征向量进行匹配;根据n维空间的欧氏距离公式获取,公式如下:
其中i=1,2,...,n。
特征获取模块208,确定特征量匹配度指标,获取特征匹配度指标,特征量匹配度指标公式如下:
式中,H为源和网识别的匹配度指标,A为源和网矩阵的特征点,B为源和网矩阵的匹配点,对大电网临界暂态进行识别,当H趋于0时,大电网趋于临界暂态稳定状态。
本发明以如图2所示的IEEE-39节点系统对技术方案进行进一步说明,对其46条联络线依次做N-1暂态稳定校验,故障类型三相短路故障,使每条线路的故障切除时间逐渐增大,直至系统首次失稳,然后取系统失稳时刻和上一次系统稳定时刻,二者采用两端逼近法,逐渐确定临界暂态稳定故障切除时间,在故障切除时间的精度达到0.005s时停止逼近,选取此时的故障切除时间为临界切除时间,此时的状态为一个故障下的临界暂态稳定状态;
为了达到对比的目的,在该临界切除时间的基准下,选取4个常规暂态稳定的故障切除时间,由此每条线路在单个故障下得到5个样本数据,对其他线路做相同过程的处理,共得到230个样本数据,其中临界暂态稳定样本46个,占总样本数量的20%。
为了更直观刻画电网临界暂态稳定的状态,选取其中一条线路,通过上述方法,得到同一条线路不同故障切除时间下的多个样本,功角时域曲线如图3所示;
选取系统的“源-网”输入特征,如表1所示;
表1
随机选取一套线路的故障数据样本,该套数据样本中包括4个常规暂态稳定数据和1个临界暂态稳定数据,本文选取了线路5-8发生故障的样本数据,对这些样本做Sift算法的匹配,其匹配结果如表2所示;
表2
为了更为直观的看到算法对“源-网”故障样本数据的匹配结果趋势,可将不同故障切除时间下“源-网”匹配度形成匹配度变化图,结果如图4所示:
针对IEEE-39节点系统的46条线路,每条线路都选取一个非临界故障切除时间和临界故障切实时间下的暂态稳定样本,利用这72个故障样本集,做Sift算法的特征匹配,其匹配结果如图5所示;
如图3和图4所示,随着故障切除时间的逐渐增大,该故障线路的功角时域曲线逐渐趋于失稳,同时其特征匹配度指标也逐渐下降,并在临界故障切除时间时趋于0;
如图5所示,对多条线路的故障集做Sift特征匹配后,非临界暂态稳定下的匹配度明显大于临界暂态稳定下的匹配度,且临界暂态稳定的匹配度都趋于0,说明临界暂态稳定的边界特征可以通过该算法构造的指标体现出来,即当匹配度指标接近0时,可以认为此时暂态稳定处于临界稳定状态;
本发明利用电网响应信息构建指标,对电网结构参数信息依赖较少,直接使用的是可测量得到的电网响应信息,使得该方法实用性强、使用范围广,可适用于电网多种结构参数下的应用场景。
本发明通过选取的“源-网”输入特征是通过对“源-网”状态量之间相关性的反复分析,最终选取效果最好的特征量,选取的特征量相对而言更能表达当前电网的运行状态。
本发明是基于量测数据实现临界状态的识别,相对于传统基于建模仿真计算,仅仅是对电网量测信息进行计算,避免了建模仿真方法繁复复杂的计算过程,识别速度更快,时效性更符合现代电网的要求。
本发明将暂态稳定的边界状态通过构造的指标,直观量化了临界暂态稳定的边界特征,构造的指标可为暂态稳定实现精细化评估做出有力支撑,具有较大的学术研究借鉴意义和工程使用价值。
Claims (14)
1.一种提取大电网临界暂态稳定边界特征的方法,所述方法包括:
选取大电网源和网的输入特征,针对PMU量测数据,选取故障发生时,故障切除时和故障切除后3组12个特征量构成发电机特征量集,同时选取故障发生时,故障切除时和故障切除后的共3组12个特征量构成网络特征量集;
对所述发电机特征量集和网络特征集级进行归一化处理,将处理后的数据构成源矩阵和网矩阵;
构造源矩阵和网矩阵的尺度空间;
在DOG空间中对源矩阵和网矩阵进行极值检测;
过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度;
根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值;
根据所述方向值生成特征向量描述子,对特征向量进行匹配;
确定特征量匹配度指标,获取特征匹配度指标,特征量匹配度指标公式如下:
式中,H为源和网识别的匹配度指标,A为源和网矩阵的特征点,B为源和网矩阵的匹配点,对大电网临界暂态进行识别,当H趋于0时,大电网趋于临界暂态稳定状态。
2.根据权利要求1所述的方法,所述的发电机特征量集,包括:发电机功角、发电机励磁电压、发电机电磁功率和发电机无功功率。
3.根据权利要求1所述的方法,所述的网络的特征量集,包括:母线电压幅值、母线电压相角、母线流入有功功率以及母线流入无功功率。
4.根据权利要求1所述的方法,所述的针对源矩阵和网矩阵的生成尺度空间L(x,y,σ),公式如下式所示:
L(x,y,σ)=G(x,y,σ)*I(x,y) (1)
其中(x,y)为矩阵I上的点,L表示尺度空间,σ为尺度空间因子。
利用同一阶上的两个相邻的两层的尺度空间函数之差得到DOG高斯金字塔的一层,DOG的表达式为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
=L(x,y,kσ)-L(x,y,σ) (3)。
5.根据权利要求1所述的方法,所述的过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度,包括:根据尺度空间函数D(x,y,σ)的泰勒展开式:
对x的偏导数等于0,获取极限点位置:
把公式(5)代入公式(4)中,获取如下公式:
当时,所述极限点就保留下来,否则丢弃。
6.根据权利要求6所述的方法,所述的根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值,包括:
根据海森矩阵获取所述主曲率,矩阵公式如下:
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小特征值,则:
Tr(H)=Dxx+Dyy=α+β (8)
Det(H)=DxxDyy-(Dxy)2
=αβ (9)
令α=αβ,则:
如果,曲率小于(r+1)2/r,保留特征点,否则丢弃;
为保留特征点分配方向值,公式如下:
m(x,y)表示(x,y)处梯度的模值,θ(x,y)表示(x,y)处梯度的方向,L是关键点所在的空间尺度函数。用梯度直方图来统计邻域的梯度方向,梯度直方图的横轴代表了邻域特征点的梯度方向的大小,纵轴代表了邻域特征点梯度值的大小。
7.根据权利要求1所述的方法,所述的根据所述方向值生成特征向量描述子,对特征向量进行匹配,根据n维空间的欧氏距离公式获取,公式如下:
其中i=1,2,...,n。
8.一种提取大电网临界暂态稳定边界特征的系统,所述系统包括:
特征输入模块,选取大电网源和网的输入特征,针对PMU量测数据,选取故障发生时,故障切除时和故障切除后3组12个特征量构成发电机特征量集,同时选取故障发生时,故障切除时和故障切除后的共3组12个特征量构成网络特征量集;
矩阵构成模块,对所述发电机特征量集和网络特征集级进行归一化处理,将处理后的数据构成源矩阵和网矩阵;
构造尺度空间模块,构造源矩阵和网矩阵的尺度空间;
检测模块,在DOG空间中对源矩阵和网矩阵进行极值检测;
过滤模块,过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度;
分配模块,根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值;
匹配模块,根据所述方向值生成特征向量描述子,对特征向量进行匹配;
特征获取模块,确定特征量匹配度指标,获取特征匹配度指标,特征量匹配度指标公式如下:
式中,H为源和网识别的匹配度指标,A为源和网矩阵的特征点,B为源和网矩阵的匹配点,对大电网临界暂态进行识别,当H趋于0时,大电网趋于临界暂态稳定状态。
9.根据权利要求8所述的系统,所述的发电机特征量集,包括:发电机功角、发电机励磁电压、发电机电磁功率和发电机无功功率。
10.根据权利要求8所述的系统,所述的网络的特征量集,包括:母线电压幅值、母线电压相角、母线流入有功功率以及母线流入无功功率。
11.根据权利要求8所述的系统,所述的针对源矩阵和网矩阵的生成尺度空间L(x,y,σ),公式如下式所示:
L(x,y,σ)=G(x,y,σ)*I(x,y)
其中(x,y)为矩阵I上的点,L表示尺度空间,σ为尺度空间因子。
利用同一阶上的两个相邻的两层的尺度空间函数之差得到DOG高斯金字塔的一层,DOG的表达式为:
D(x,y,σ)=(G(x,y,kσ)-G(x,y,σ))*I(x,y)
=L(x,y,kσ)-L(x,y,σ)。
12.根据权利要求8所述的系统,所述的过滤特征点和定位关键点,切除低对比度的点,对局部极值点进行三维二次函数拟合,确定特征点的位置和尺度,包括:根据尺度空间函数D(x,y,σ)的泰勒展开式:
对x的偏导数等于0,获取极限点位置:
把公式(5)代入公式(4)中,获取如下公式:
当时,所述极限点就保留下来,否则丢弃。
13.根据权利要求8所述的系统,所述的根据所述特征点的位置和尺度的主曲率去除边缘点,为关键点分配方向值,包括:
根据海森矩阵获取所述主曲率,矩阵公式如下:
D的主曲率和H的特征值成正比,令α为最大特征值,β为最小特征值,则:
Tr(H)=Dxx+Dyy=α+β
Det(H)=DxxDyy-(Dxy)2
=αβ
令α=αβ,则:
如果,曲率小于(r+1)2/r,保留特征点,否则丢弃;
为保留特征点分配方向值,公式如下:
m(x,y)表示(x,y)处梯度的模值,θ(x,y)表示(x,y)处梯度的方向,L是关键点所在的空间尺度函数。用梯度直方图来统计邻域的梯度方向,梯度直方图的横轴代表了邻域特征点的梯度方向的大小,纵轴代表了邻域特征点梯度值的大小。
14.根据权利要求8所述的系统,所述的根据所述方向值生成特征向量描述子,对特征向量进行匹配,根据n维空间的欧氏距离公式获取,公式如下:
其中i=1,2,...,n。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185402.6A CN110084466A (zh) | 2019-03-12 | 2019-03-12 | 一种提取大电网临界暂态稳定边界特征的方法及系统 |
PCT/CN2019/117185 WO2020181804A1 (zh) | 2019-03-12 | 2019-11-11 | 大电网临界暂态稳定边界状态的识别方法、装置、电子设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910185402.6A CN110084466A (zh) | 2019-03-12 | 2019-03-12 | 一种提取大电网临界暂态稳定边界特征的方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110084466A true CN110084466A (zh) | 2019-08-02 |
Family
ID=67412376
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910185402.6A Pending CN110084466A (zh) | 2019-03-12 | 2019-03-12 | 一种提取大电网临界暂态稳定边界特征的方法及系统 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN110084466A (zh) |
WO (1) | WO2020181804A1 (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020181804A1 (zh) * | 2019-03-12 | 2020-09-17 | 中国电力科学研究院有限公司 | 大电网临界暂态稳定边界状态的识别方法、装置、电子设备及存储介质 |
CN112069727A (zh) * | 2020-08-20 | 2020-12-11 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
Families Citing this family (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113077159B (zh) * | 2021-04-13 | 2023-12-15 | 中能融合智慧科技有限公司 | 数据处理方法及数据处理装置 |
CN113537366B (zh) * | 2021-07-21 | 2023-09-05 | 中国石油大学(华东) | 电力系统暂态稳定评估方法 |
CN114280416A (zh) * | 2021-12-16 | 2022-04-05 | 国网江苏省电力有限公司盐城供电分公司 | 一种基于边缘计算的低压配电网故障预警与故障定位方法 |
CN117175568B (zh) * | 2023-09-05 | 2024-03-08 | 广州鑫广源电力设计有限公司 | 一种工业园区用电智能规划方法及系统 |
CN117726232B (zh) * | 2023-12-22 | 2024-06-14 | 国网湖北省电力有限公司营销服务中心(计量中心) | 一种电力系统服务用户的综合评价方法 |
CN117540220B (zh) * | 2024-01-09 | 2024-04-05 | 巨洋神州科技集团有限公司 | 一种近零碳园区源网荷匹配方法及系统 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5483462A (en) * | 1990-05-07 | 1996-01-09 | Cornell Research Foundation, Inc. | On-line method for determining power system transient stability |
CN103077512A (zh) * | 2012-10-18 | 2013-05-01 | 北京工业大学 | 基于主成分析的数字图像的特征提取与匹配方法及装置 |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
CN105701501A (zh) * | 2016-01-04 | 2016-06-22 | 北京大学 | 一种商标图像识别方法 |
CN109345055A (zh) * | 2018-08-14 | 2019-02-15 | 中国电力科学研究院有限公司 | 基于时空序列的大电网静态稳定边界特征提取方法及系统 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084466A (zh) * | 2019-03-12 | 2019-08-02 | 中国电力科学研究院有限公司 | 一种提取大电网临界暂态稳定边界特征的方法及系统 |
-
2019
- 2019-03-12 CN CN201910185402.6A patent/CN110084466A/zh active Pending
- 2019-11-11 WO PCT/CN2019/117185 patent/WO2020181804A1/zh active Application Filing
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5483462A (en) * | 1990-05-07 | 1996-01-09 | Cornell Research Foundation, Inc. | On-line method for determining power system transient stability |
CN103077512A (zh) * | 2012-10-18 | 2013-05-01 | 北京工业大学 | 基于主成分析的数字图像的特征提取与匹配方法及装置 |
CN103839265A (zh) * | 2014-02-26 | 2014-06-04 | 西安电子科技大学 | 基于sift和归一化互信息的sar图像配准方法 |
CN105701501A (zh) * | 2016-01-04 | 2016-06-22 | 北京大学 | 一种商标图像识别方法 |
CN109345055A (zh) * | 2018-08-14 | 2019-02-15 | 中国电力科学研究院有限公司 | 基于时空序列的大电网静态稳定边界特征提取方法及系统 |
Non-Patent Citations (2)
Title |
---|
田一童;刘道伟;严干贵;徐兴伟;金学洙;杨红英;赵高尚: "基于尺度不变特征变换的电网静态电压稳定边界特征提取方法", 电力信息与通信技术, vol. 17, no. 02, pages 15 - 22 * |
纪华;吴元昊;孙宏海;王延杰;: "结合全局信息的SIFT特征匹配算法", 光学精密工程, vol. 17, no. 02, pages 439 - 444 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2020181804A1 (zh) * | 2019-03-12 | 2020-09-17 | 中国电力科学研究院有限公司 | 大电网临界暂态稳定边界状态的识别方法、装置、电子设备及存储介质 |
CN112069727A (zh) * | 2020-08-20 | 2020-12-11 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
CN112069727B (zh) * | 2020-08-20 | 2022-10-21 | 国网河南省电力公司经济技术研究院 | 具备高可信度的电力系统暂态稳定智能化评估系统及方法 |
Also Published As
Publication number | Publication date |
---|---|
WO2020181804A1 (zh) | 2020-09-17 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110084466A (zh) | 一种提取大电网临界暂态稳定边界特征的方法及系统 | |
Nguyen et al. | Smart grid line event classification using supervised learning over PMU data streams | |
Zhu et al. | Time series shapelet classification based online short-term voltage stability assessment | |
Wang et al. | Power system transient stability assessment based on big data and the core vector machine | |
Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
Yuan et al. | Outage detection in partially observable distribution systems using smart meters and generative adversarial networks | |
Li et al. | Adaptive hierarchical cyber attack detection and localization in active distribution systems | |
CN105406461B (zh) | 一种配电网停电事件的负荷自适应动态监测方法 | |
CN110348114B (zh) | 一种电网完备性状态信息重构的非精确故障识别方法 | |
Liu et al. | An overview of decision tree applied to power systems | |
Zhang et al. | A weighted random forest approach to improve predictive performance for power system transient stability assessment | |
CN110348683A (zh) | 电能质量扰动事件主成因分析方法、装置设备及存储介质 | |
CN114004155A (zh) | 考虑电力系统拓扑结构特征的暂态稳定评估方法及装置 | |
CN114662989A (zh) | 电力系统的暂态稳定自适应评估方法及装置 | |
He et al. | Power system frequency situation prediction method based on transfer learning | |
Olaru et al. | Data mining tools and application in power system engineering | |
CN114936612A (zh) | 短路类型识别方法、装置、电子设备及存储介质 | |
Zhang et al. | Particle swarm optimization pattern recognition neural network for transmission lines faults classification | |
Guo et al. | Evaluation of classification methods for on-line identification of power system dynamic signature | |
CN113009279A (zh) | 基于Neo4j的配电网电压暂降故障定位及其可视化系统 | |
CN109038544B (zh) | 一种基于电压轨迹特征的暂态稳定识别方法 | |
Huang et al. | Extracting substation cyber-physical architecture through intelligent electronic devices' data | |
CN105842535A (zh) | 一种基于相似特征融合的谐波主特征群筛选方法 | |
Tan et al. | Crucial status and perspectives of topology identification technologies of distribution network based on electrical quantity characteristics identification considering cloud-edge-end coordination | |
Grigoras et al. | Using of clustering techniques in optimal placement of phasor measurements units |
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 |