CN112505452B - 一种广域系统宽频振荡监测方法 - Google Patents
一种广域系统宽频振荡监测方法 Download PDFInfo
- Publication number
- CN112505452B CN112505452B CN202011336916.6A CN202011336916A CN112505452B CN 112505452 B CN112505452 B CN 112505452B CN 202011336916 A CN202011336916 A CN 202011336916A CN 112505452 B CN112505452 B CN 112505452B
- Authority
- CN
- China
- Prior art keywords
- data
- classifier
- wide
- oscillation
- broadband oscillation
- 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.)
- Active
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 96
- 238000000034 method Methods 0.000 title claims abstract description 38
- 238000012544 monitoring process Methods 0.000 title claims abstract description 31
- 238000011084 recovery Methods 0.000 claims abstract description 26
- 230000006835 compression Effects 0.000 claims abstract description 25
- 238000007906 compression Methods 0.000 claims abstract description 25
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 23
- 238000004458 analytical method Methods 0.000 claims abstract description 20
- 239000011159 matrix material Substances 0.000 claims abstract description 20
- 238000001514 detection method Methods 0.000 claims abstract description 16
- 230000009467 reduction Effects 0.000 claims abstract description 13
- 238000012545 processing Methods 0.000 claims abstract description 12
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000005070 sampling Methods 0.000 claims description 11
- 238000012549 training Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 6
- 238000004891 communication Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 230000008602 contraction Effects 0.000 claims description 2
- 238000000354 decomposition reaction Methods 0.000 claims description 2
- XEBWQGVWTUSTLN-UHFFFAOYSA-M phenylmercury acetate Chemical group CC(=O)O[Hg]C1=CC=CC=C1 XEBWQGVWTUSTLN-UHFFFAOYSA-M 0.000 claims description 2
- 238000007637 random forest analysis Methods 0.000 claims description 2
- 238000011946 reduction process Methods 0.000 claims description 2
- 238000012706 support-vector machine Methods 0.000 claims description 2
- 230000001131 transforming effect Effects 0.000 claims description 2
- 229920001983 poloxamer Polymers 0.000 claims 1
- 238000013016 damping Methods 0.000 abstract description 6
- 230000005764 inhibitory process Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 7
- 230000005684 electric field Effects 0.000 description 4
- 238000012360 testing method Methods 0.000 description 4
- 238000005516 engineering process Methods 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000001360 synchronised effect Effects 0.000 description 3
- 238000004088 simulation Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008846 dynamic interplay Effects 0.000 description 1
- 230000008030 elimination Effects 0.000 description 1
- 238000003379 elimination reaction Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000035699 permeability Effects 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001629 suppression Effects 0.000 description 1
- 230000001960 triggered effect Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/02—Arrangements for measuring frequency, e.g. pulse repetition rate; Arrangements for measuring period of current or voltage
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R23/00—Arrangements for measuring frequencies; Arrangements for analysing frequency spectra
- G01R23/16—Spectrum analysis; Fourier analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- 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
- G06F18/2411—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on the proximity to a decision surface, e.g. support vector machines
-
- 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
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/243—Classification techniques relating to the number of classes
- G06F18/24323—Tree-organised classifiers
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
- Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及电力系统广域监测技术领域，尤其是一种广域系统宽频振荡监测方法，现提出如下方案，其包括Step1：在PMU子站设计压缩矩阵Φ对电气量数据x进行降维处理，得到压缩数据y；Step2：在主站构建分类器；Step3：将所述压缩数据y上传至所述主站，并利用所述分类器对压缩数据y进行宽频振荡检测判断；Step4：利用数据还原算法对step3中产生振荡的压缩数据y进行信号恢复，得到恢复信号；Step5：对所述恢复信号进行时频分析，得到频率、阻尼等参数信息。本发明能够在现有带宽下基于主站对宽频振荡进行快速准确监测，具有较强适应性与数据质量问题下的鲁棒性，同时能够在主站恢复宽频振荡数据，为宽频振荡的全局化定位分析与抑制提供了便利。
Description
技术领域
本发明涉及电力系统广域监测技术领域，尤其是一种广域系统宽频振荡监测方法。
背景技术
近年来，可再生能源发电技术因其具有清洁环保、永不枯竭等优势得到了快速发展，使得多样化电力电子装备在电力系统“源-网-荷”各部分的渗透率越来越高，而多样化电力电子装备可能会与交直流电网产生动态交互作用，引发较为频繁的新型宽频振荡事件，严重影响电力系统的稳定性与电力设备的安全经济运行，因此，对宽频振荡进行有效监测，为宽频振荡的消除与控制提供数据基础具有重要意义。
现有的宽频振荡监测方法在实际应用中仍存在一些局限性，比如PMU装置(同步相量测量装置)仅能实现10-40Hz和60-90Hz范围内的部分次/超同步振荡监测，无法对振荡频率范围涉及更高Hz的宽频进行振荡监测；其次，PMU子站仅能将含量最大的次/超同步振荡辨识结果上传至WAMS主站，并且主站仅能对50Hz以下的次同步振荡信号进行监测分析；此外，目前PMU装置振荡监测方案中告警阈值的确定还需要依据人为经验，在多种运行工况下的可靠性难以保证，为此，本发明提出了一种广域系统宽频振荡监测方法。
发明内容
为解决现有技术中的问题，本发明提出了一种广域系统宽频振荡监测方法。
该方法在PMU子站利用设计的压缩矩阵对宽频振荡原始数据进行降维处理，通过电力调度数据网络将降维处理后的压缩数据上传至主站，然后在主站直接基于上传的压缩数据作为输入特征，构建并训练分类器，再利用分类器对压缩数据进行宽频振荡检测判断，若检测系统发生振荡，则利用数据还原算法对多测点的压缩数据进行信号恢复，并通过时频分析方法得到频率阻尼等参数信息，实现广域系统宽频振荡的全局化监测。
为了实现上述目的，本发明采用了如下技术方案：
一种广域系统宽频振荡监测方法，包括如下步骤：
Step1：在PMU子站设计压缩矩阵Φ对电气量数据x进行降维处理，得到压缩数据y；
Step2：在主站构建分类器；
Step3：将所述压缩数据y上传至所述主站，并利用所述分类器对压缩数据y进行宽频振荡检测判断，具体过程为：将训练测试完成的分类器用于宽频振荡的在线检测，即将压缩矩阵Φ对电气量数据x进行降维处理得到的压缩数据y作为分类器的输入，根据其输出的标签结果，判断系统是否发生振荡。
进一步地，所述监测方法还包括：
Step4：利用数据还原算法对step3中产生振荡的压缩数据y进行信号恢复，得到恢复信号；
Step5：对所述恢复信号进行时频分析，得到频率、阻尼等参数信息。
进一步地，所述分类器的构建方法包括如下步骤：
(1)选择分类器；
(2)构建样本数据集：利用PMU子站上传的多组压缩数据y作为多组样本数据，并对每一组样本数据指定相应的标签，即振荡样本对应的标签为1，未振荡样本对应的标签为0；
(3)用所述样本数据集训练所述分类器：取一定数量的样本数据集训练分类器，将每组样本数据和相对应的标签输入分类器中，使得分类器学习样本数据和相对应的标签之间的关系；
(4)测试验证：将剩下的样本数据集作为测试样本，即将测试样本中的样本数据输入训练完成的分类器中，验证分类器的输出结果是否与实际标签一致。
进一步地，所述电气量数据x包括传输线路有功功率信号、线路电流信号、节点电压信号或发电机转速信号，电气量数据x可通过同步相量测量单元或广域测量系统采集获得。
进一步地，所述降维处理的过程如下：
(1)确定电气量数据x的变换域ψ，对所述电气量数据x的变换域ψ进行变换，使得电气量数据x的系数具有稀疏性；
(2)设计与ψ不相关的M×N(M<N)维压缩矩阵Φ对电气量数据x进行线性变换得到相应的压缩数据y，即y＝Φx＝Φψs，s为电气量数据x在ψ域的权重系数向量。
进一步地，所述压缩矩阵Φ的构造方法如下：
所述子矩阵块均由通信中LDPC校验矩阵的生成方法得到，所述k为子矩阵的列数，k＝N/M，所述M、N分别为压缩矩阵Φ的行数和列数。
进一步地，所述电气量数据x的变换域ψ包括离散余弦变换、快速傅里叶变换、离散小波变换、离散哈特莱变换或过完备原子分解。
进一步地，所述压缩数据y是通过电力调度数据网络以传输频率f上传至主站；
所述f＝Fs/Df，其中Fs为PMU通信信道的数据传输速率，Df为数据帧大小，根据奈奎斯特采样定理，压缩n倍时，可实现最大fmax＝nf/2频率范围内的宽频振荡数据传输与还原。
进一步地，所述数据还原算法包括正交匹配追踪算法、压缩采样匹配追踪算法、基追踪算法、迭代收缩算法或稀疏梯度投影法。
进一步地，所述分类器包括k-近邻分类器、随机森林分类器、朴素贝叶斯分类器、集成学习分类器或支持向量机分类器。
进一步地，所述时频分析的方法包括基于旋转不变技术的信号参数估计法、普罗尼算法、快速傅立叶变换法或小波分析法。
本发明的有益效果：
本发明在PMU子站利用设计的压缩矩阵对电力系统数据进行降维处理，大大减少了宽频振荡的数据传输量，有利于在现有PMU数据传输频率下实现高Hz宽频振荡数据的传输，并且WAMS主站可利用数据还原算法对振荡压缩数据进行信号恢复，能够在现有带宽下，实现宽频振荡数据的子站压缩传输与主站还原分析，为广域系统的振荡监测提供数据基础，为宽频振荡的全局化定位分析与抑制提供了便利。
附图说明
图1为一种广域系统宽频振荡监测方法流程图；
图2为实施例一中风电场输出有功功率信号的压缩波形图；
图3为实施例一中次同步振荡信号的原始波形和重构波形图；
图4为实施例二中风电场输出有功功率信号的压缩波形图；
图5为实施例二中超同步振荡信号的原始波形和重构波形图；
图6为实施例三中风电场输出有功功率信号的压缩波形图；
图7为实施例三中的中高频振荡信号的原始波形和重构波形图；
图8为实施例四中风电场输出有功功率信号的压缩波形图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。
以下实施例对电力系统宽频振荡进行监测，实施例中，分类器均选用k-近邻分类器(KNN)，数据还原算法选用正交匹配追踪算法(OMP)，电气量数据x采用有功功率信号，时频分析方法采用基于旋转不变技术的信号参数估计法，在含风电场的某电网模型中通过改变系统扰动类型、扰动频率、扰动幅值、噪声以及负荷水平等参数，并模拟实际PMU装置中可能出现的数据缺失、数据有误等情况，设置系统不同运行状况进行仿真，利用压缩矩阵对风电场的输出功率进行降维处理作为历史样本数据，并通过对历史样本数据进行训练学习来构建k-近邻分类器(KNN)，并将构建的k-近邻分类器(KNN)作为主站的分类器在线应用。下面结合四个实施例对本方法做进一步说明，根据四个实施例中的KNN分类器的振荡检测结果决定是否进行信号恢复分析。
实施例一：系统发生次同步振荡
(1)在风电场网控侧施加频率14.1Hz，幅值0.1V的正弦扰动信号，触发系统次同步振荡；
在PMU子站利用压缩矩阵对风电场输出功率进行10倍降维处理，采样时间为0.5s，采样频率为4800Hz，得到低维压缩数据，压缩波形如图2所示；
(2)将PMU子站压缩数据通过电力调度数据网络上传至WAMS主站；
(3)在主站将上传的压缩数据输入构建的KNN分类器，进行宽频振荡检测判断，结果显示的标签为1，则判断出系统发生振荡；
(4)再利用OMP算法对输入的该压缩数据进行信号还原，再对还原信号进行振荡时频分析，得到振荡频率14.1002Hz，幅值22.5801MW以及相位阻尼等参数信息。信号恢复波形如图3所示，可看出次同步振荡信号的原始波形和重构波形图相同，本发明可对次同步振荡的压缩数据检测分析，实现对次同步振荡的监测。
实施例二：系统发生超同步振荡
(1)在风电场网控侧施加频率79.4Hz，幅值0.8V的正弦扰动信号，改变负荷水平为110％，并加入40dB噪声，按照单点数据有误的情况随机设置风电场输出功率10％比例的数据幅值偏差为5％，进行PMU数据有误模拟，从而触发系统超同步振荡；
在PMU子站利用压缩矩阵对风电场输出功率进行10倍降维处理，采样时间为0.5s，采样频率为4800Hz，得到的压缩波形如图4所示；
(2)将PMU子站压缩数据通过电力调度数据网络上传至WAMS主站；
(3)在主站将上传的压缩数据输入构建的KNN分类器，进行宽频振荡检测判断，结果显示的标签为1，结果表明在PMU数据有误时，本发明的方法仍能正确检测系统发生振荡；
(4)利用OMP算法对振荡压缩数据进行信号还原，再对还原信号进行振荡时频分析，得到振荡频率79.4056Hz，幅值32.3504MW以及相位阻尼等参数信息。信号恢复波形如图5所示，可看出超同步振荡信号的原始波形和重构波形图相同，本发明可对超同步振荡的压缩数据检测分析，实现对超同步振荡的监测，在噪声、PMU数据有误的情况下，仍然能够实现宽频振荡信号的快速准确监测。
实施例三：系统发生中高频振荡
(1)在风电场网控侧施加2V的阶跃扰动信号，改变负荷水平为90％，并按照连续数据丢失的情况随机将风电场输出功率20％比例的数据置0，进行PMU数据缺失的模拟，触发系统中高频振荡；
在PMU子站利用所设计的压缩矩阵对风电场输出功率进行10倍降维处理，采样时间为0.5s，采样频率为4800Hz，得到的压缩波形如图6所示；
(2)将PMU子站的压缩数据通过电力调度数据网络上传至WAMS主站；
(3)在主站将上传的压缩数据输入构建的KNN分类器，进行宽频振荡检测，结果显示的标签为1，结果表明在数据缺失的情况下，本发明的方法仍能正确检测系统发生振荡；
(4)主站直接对上传的压缩数据进行宽频振荡分析，或利用OMP算法对振荡压缩数据进行信号还原，再对还原信号进行振荡时频分析，得到振荡频率109.8433Hz，幅值55.6343MW以及相位阻尼等参数信息。信号恢复波形如图7所示，可看出中高频振荡信号的原始波形和重构波形图相同，本发明可对中高频振荡的压缩数据检测分析，实现对中高频振荡的监测，在PMU数据缺失的情况下，仍然能够实现宽频振荡信号的快速准确监测。
实施例四：系统未发生振荡
(1)不施加扰动信号，设置两区域负荷水平均为105％，并加入40dB噪声；
在PMU子站利用压缩矩阵对风电场输出功率进行10倍降维处理，采样时间为0.5s，采样频率为4800Hz，得到的压缩波形如图8所示；
(2)将PMU子站的压缩数据通过电力调度数据网络上传至WAMS主站；
(3)在主站将上传的压缩数据输入构建的KNN分类器，进行宽频振荡检测，结果显示的标签为0，仿真结果表明即使在含有噪声的情况下，本发明的方法同样能够正确判断出系统未发生振荡，也就无需进行信号还原恢复。
本发明在PMU子站利用设计的压缩矩阵对电力系统数据进行降维处理，大大减少了宽频振荡的数据传输量，有利于在现有PMU数据传输频率下实现几百Hz宽频振荡数据的传输，并且WAMS主站可利用数据还原算法对振荡压缩数据进行信号恢复，因此本发明能够在现有带宽下，实现宽频振荡数据的子站压缩传输与主站还原分析，为广域系统的振荡监测提供数据基础，有利于宽频振荡的定位分析与抑制；
本发明在WAMS主站直接基于上传的压缩数据作为输入特征，一方面减少了宽频振荡的检测数据量，另一方面也避免了额外的特征提取步骤，减小了计算量，提高了宽频振荡的在线检测速度；
本发明基于WAMS主站采用分类器直接进行宽频振荡检测，并根据检测结果对压缩数据按需还原，因此本发明能够避免传统人为设置告警阈值带来的结果误判，提高了振荡检测的准确性；
本发明在噪声、PMU数据缺失、数据有误等实际情况下，仍然能够实现宽频振荡信号的快速准确监测，因此本发明还具有较强适应性以及数据质量问题下的鲁棒性；
综上所述，本发明能够在现有带宽下基于主站对宽频振荡进行快速准确监测，不受人为确定告警阈值的影响，具有较强适应性与数据质量问题下的鲁棒性，同时能够在主站恢复宽频振荡数据，为宽频振荡的全局化定位分析与抑制提供了便利。
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，根据本发明的技术方案及其发明构思加以等同替换或改变，都应涵盖在本发明的保护范围之内。
Claims (8)
1.一种广域系统宽频振荡监测方法，其特征在于：包括如下步骤：
Step1：在PMU子站设计压缩矩阵Φ对电气量数据x进行降维处理，得到压缩数据y；
Step2：在主站构建分类器；
Step3：将所述压缩数据y上传至所述主站，并利用所述分类器对压缩数据y进行宽频振荡检测判断；
Step4：利用数据还原算法对step3中产生振荡的压缩数据y进行信号恢复，得到恢复信号；
Step5：对所述恢复信号进行时频分析；
所述降维处理的过程如下：
(1)确定电气量数据x的变换域ψ，对所述电气量数据x的变换域ψ进行变换，使得电气量数据x的系数具有稀疏性；
(2)设计与ψ不相关的M×N(M<N)维压缩矩阵Φ对电气量数据x进行线性变换得到相应的压缩数据y，即y＝Φx＝Φψs，s为电气量数据x在ψ域的权重系数向量。
2.根据权利要求1所述的一种广域系统宽频振荡监测方法，其特征在于，所述分类器的构建方法包括如下步骤：
(1)选择分类器；
(2)构建样本数据集：利用PMU子站上传的多组压缩数据y作为多组样本数据，并对每一组样本数据指定相应的标签；
(3)用所述样本数据集训练所述分类器。
3.根据权利要求1所述的一种广域系统宽频振荡监测方法，其特征在于，所述压缩矩阵Φ的构造方法如下：
所述子矩阵块均由通信中LDPC校验矩阵的生成方法得到，所述k为子矩阵的列数，k＝N/M，所述M、N分别为压缩矩阵Φ的行数和列数。
4.根据权利要求3所述的一种广域系统宽频振荡监测方法，其特征在于，所述电气量数据x的变换域ψ包括离散余弦变换、快速傅里叶变换、离散小波变换、离散哈特莱变换或过完备原子分解。
5.根据权利要求1所述的一种广域系统宽频振荡监测方法，其特征在于，所述压缩数据y是通过电力调度数据网络以传输频率f上传至主站；
所述f＝Fs/Df，其中Fs为PMU通信信道的数据传输速率，Df为数据帧大小。
6.根据权利要求1所述的一种广域系统宽频振荡监测方法，其特征在于，所述数据还原算法包括正交匹配追踪算法、压缩采样匹配追踪算法、基追踪算法、迭代收缩算法或稀疏梯度投影法。
7.根据权利要求2所述的一种广域系统宽频振荡监测方法，其特征在于，所述分类器包括k-近邻分类器、随机森林分类器、朴素贝叶斯分类器、集成学习分类器或支持向量机分类器。
8.根据权利要求1所述的一种广域系统宽频振荡监测方法，其特征在于，所述时频分析的方法包括基于旋转不变技术的信号参数估计法、普罗尼算法、快速傅立叶变换法或小波分析法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011336916.6A CN112505452B (zh) | 2020-11-25 | 2020-11-25 | 一种广域系统宽频振荡监测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011336916.6A CN112505452B (zh) | 2020-11-25 | 2020-11-25 | 一种广域系统宽频振荡监测方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN112505452A CN112505452A (zh) | 2021-03-16 |
| CN112505452B true CN112505452B (zh) | 2024-05-24 |
Family
ID=74958507
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011336916.6A Active CN112505452B (zh) | 2020-11-25 | 2020-11-25 | 一种广域系统宽频振荡监测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112505452B (zh) |
Families Citing this family (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114204555B (zh) * | 2021-12-10 | 2024-02-02 | 华北电力大学 | 适用于宽频带振荡的多重滤波通道检测方法 |
| CN115811062B (zh) * | 2023-02-13 | 2023-05-02 | 西南交通大学 | 一种发电机组对电力系统频率振荡贡献度的量化方法 |
Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7289049B1 (en) * | 2006-08-21 | 2007-10-30 | L3 Communications Integrated Systems L.P. | Method and apparatus for compressed sensing |
| CN102435934A (zh) * | 2011-09-20 | 2012-05-02 | 北京工业大学 | 一种随机采样的模拟电路压缩传感测量和信号重构方法 |
| CN102938649A (zh) * | 2012-09-27 | 2013-02-20 | 江苏大学 | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 |
| CN105023282A (zh) * | 2014-04-30 | 2015-11-04 | 华中科技大学 | 一种基于压缩感知的稀疏投影超声ct图像重建方法 |
| CN105676157A (zh) * | 2014-11-19 | 2016-06-15 | 国家电网公司 | Wams低频振荡识别功能的测试系统及方法 |
| CN105791190A (zh) * | 2016-02-29 | 2016-07-20 | 中国农业大学 | 多参数实时监测的数据传输方法及系统 |
| CN106779215A (zh) * | 2016-12-15 | 2017-05-31 | 全球能源互联网研究院 | 一种基于机器学习的电网全局延时态势感知方法 |
| CN111289796A (zh) * | 2020-03-20 | 2020-06-16 | 电子科技大学 | 一种高比例可再生能源电力系统次同步振荡的检测方法 |
| CN111398679A (zh) * | 2020-03-09 | 2020-07-10 | 华北电力大学 | 基于pmu测量相量的次同步振荡识别与告警方法 |
| CN111609916A (zh) * | 2020-05-12 | 2020-09-01 | 山东大学 | 一种基于压缩感知的ofdr分布式振动传感检测方法 |
| CN111965415A (zh) * | 2020-10-20 | 2020-11-20 | 中国电力科学研究院有限公司 | 一种电网宽频振荡广域实时监测系统及方法 |
-
2020
- 2020-11-25 CN CN202011336916.6A patent/CN112505452B/zh active Active
Patent Citations (11)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US7289049B1 (en) * | 2006-08-21 | 2007-10-30 | L3 Communications Integrated Systems L.P. | Method and apparatus for compressed sensing |
| CN102435934A (zh) * | 2011-09-20 | 2012-05-02 | 北京工业大学 | 一种随机采样的模拟电路压缩传感测量和信号重构方法 |
| CN102938649A (zh) * | 2012-09-27 | 2013-02-20 | 江苏大学 | 基于压缩感知理论的电能质量数据自适应重构解压缩方法 |
| CN105023282A (zh) * | 2014-04-30 | 2015-11-04 | 华中科技大学 | 一种基于压缩感知的稀疏投影超声ct图像重建方法 |
| CN105676157A (zh) * | 2014-11-19 | 2016-06-15 | 国家电网公司 | Wams低频振荡识别功能的测试系统及方法 |
| CN105791190A (zh) * | 2016-02-29 | 2016-07-20 | 中国农业大学 | 多参数实时监测的数据传输方法及系统 |
| CN106779215A (zh) * | 2016-12-15 | 2017-05-31 | 全球能源互联网研究院 | 一种基于机器学习的电网全局延时态势感知方法 |
| CN111398679A (zh) * | 2020-03-09 | 2020-07-10 | 华北电力大学 | 基于pmu测量相量的次同步振荡识别与告警方法 |
| CN111289796A (zh) * | 2020-03-20 | 2020-06-16 | 电子科技大学 | 一种高比例可再生能源电力系统次同步振荡的检测方法 |
| CN111609916A (zh) * | 2020-05-12 | 2020-09-01 | 山东大学 | 一种基于压缩感知的ofdr分布式振动传感检测方法 |
| CN111965415A (zh) * | 2020-10-20 | 2020-11-20 | 中国电力科学研究院有限公司 | 一种电网宽频振荡广域实时监测系统及方法 |
Non-Patent Citations (1)
| Title |
|---|
| 对角化ＬＤＰＣ压缩感知观测矩阵生成方法;周春佳等;计算机科学;第44卷(第7期);第3节，附图3 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN112505452A (zh) | 2021-03-16 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Liu et al. | Data-driven event identification in the US power systems based on 2D-OLPP and RUSBoosted trees | |
| US20200403406A1 (en) | Distribution grid fault analysis under load and renewable energy uncertainties | |
| CN112505452B (zh) | 一种广域系统宽频振荡监测方法 | |
| CN103983850A (zh) | 基于压缩感知的电力系统谐波压缩信号重构与检测方法 | |
| Lin et al. | Power quality detection with classification enhancible wavelet-probabilistic network in a power system | |
| Xi et al. | Fault detection algorithm for power distribution network based on sparse self-encoding neural network | |
| CN111308260B (zh) | 一种基于小波神经网络的电能质量监测和电器故障分析系统及其工作方法 | |
| CN104539293A (zh) | 一种基于压缩感知的电力行波信号重构方法 | |
| CN113489026B (zh) | 一种广域电力系统宽频振荡辨识方法及定位方法 | |
| CN111654392A (zh) | 基于互信息的低压配电网拓扑识别方法及系统 | |
| CN113937764A (zh) | 一种低压配电网高频量测数据处理与拓扑识别方法 | |
| CN109993346A (zh) | 基于混沌时间序列和神经网络的微电网电压安全评估方法 | |
| Li et al. | Reverse identification method of line parameters in distribution network with multi-T nodes based on partial measurement data | |
| CN117972537A (zh) | 基于广域量测的电压互感器计量状态评估方法及系统 | |
| Ankar et al. | Wavelet-ANN based fault location scheme for bipolar CSC-based HVDC transmission system | |
| CN103778283B (zh) | 一种基于pscad的电气复转矩系数扫描方法 | |
| CN115912349A (zh) | 一种基于压缩感知和图卷积神经网络的宽频振荡扰动源定位方法 | |
| Zhao et al. | Online Monitoring of Low-Frequency Oscillation Based on the Improved Analytical Modal Decomposition Method | |
| Wang et al. | Stockwell‐transform and random‐forest based double‐terminal fault diagnosis method for offshore wind farm transmission line | |
| CN114325197B (zh) | 一种电能质量扰动检测方法及装置 | |
| Gursoy et al. | A practical real-time power quality event monitoring applications using discrete wavelet transform and artificial neural network | |
| Lv et al. | Sparse Bayesian learning-based topology reconstruction under measurement perturbation for fault location | |
| CN107069710B (zh) | 计及新能源时空相关性的电力系统状态估计方法 | |
| Zhang et al. | Parameters determination method of phase-space reconstruction based on differential entropy ratio and RBF neural network | |
| Fahim et al. | An agreement based dynamic routing method for fault diagnosis in power network with enhanced noise immunity |
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 |