CN112653126A - 一种电网宽频带振荡在线辨识方法和系统 - Google Patents
一种电网宽频带振荡在线辨识方法和系统 Download PDFInfo
- Publication number
- CN112653126A CN112653126A CN202011372994.1A CN202011372994A CN112653126A CN 112653126 A CN112653126 A CN 112653126A CN 202011372994 A CN202011372994 A CN 202011372994A CN 112653126 A CN112653126 A CN 112653126A
- Authority
- CN
- China
- Prior art keywords
- data
- dynamic behavior
- behavior characteristic
- sequence
- 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.)
- Pending
Links
- 230000010355 oscillation Effects 0.000 title claims abstract description 68
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000004088 simulation Methods 0.000 claims abstract description 25
- 238000010248 power generation Methods 0.000 claims abstract description 10
- 230000006399 behavior Effects 0.000 claims description 55
- 238000004422 calculation algorithm Methods 0.000 claims description 22
- 238000013145 classification model Methods 0.000 claims description 20
- 238000004590 computer program Methods 0.000 claims description 14
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000003066 decision tree Methods 0.000 claims description 9
- 238000005286 illumination Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 238000007637 random forest analysis Methods 0.000 claims description 7
- 230000009467 reduction Effects 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 238000005070 sampling Methods 0.000 claims description 4
- 230000009194 climbing Effects 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 230000000877 morphologic effect Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 238000004458 analytical method Methods 0.000 abstract description 8
- 238000013016 damping Methods 0.000 abstract description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005259 measurement Methods 0.000 description 3
- 230000003287 optical effect Effects 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 101000962156 Homo sapiens N-acetylglucosamine-1-phosphodiester alpha-N-acetylglucosaminidase Proteins 0.000 description 2
- LZCXCXDOGAEFQX-UHFFFAOYSA-N N-Acryloylglycine Chemical compound OC(=O)CNC(=O)C=C LZCXCXDOGAEFQX-UHFFFAOYSA-N 0.000 description 2
- 102100039267 N-acetylglucosamine-1-phosphodiester alpha-N-acetylglucosaminidase Human genes 0.000 description 2
- 238000000354 decomposition reaction Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000011426 transformation method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000000835 fiber Substances 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000005622 photoelectricity Effects 0.000 description 1
- 239000004065 semiconductor Substances 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000000007 visual effect Effects 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/24—Arrangements for preventing or reducing oscillations of power in networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
- H02J3/38—Arrangements for parallely feeding a single network by two or more generators, converters or transformers
- H02J3/381—Dispersed generators
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2300/00—Systems for supplying or distributing electric power characterised by decentralized, dispersed, or local generation
- H02J2300/20—The dispersed energy generation being of renewable origin
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种电网宽频带振荡在线辨识方法和系统，建立含新能源发电接入的电力系统模型，对典型扰动/故障工况进行仿真分析，从中提取得到新能源电力系统的动态行为特征信息；其次，利用历史数据、实时数据以及仿真数据，建立相应的动态行为特征库；最后根据特征库中的数据类，建立相应的动态数据在线分类器，实现测量信号数据与宽频带振荡模式以及相应参数之间的快速自动匹配。本发明能够快速自动地完成宽频带振荡的模态辨识，即实现宽频带振荡的在线辨识，且辨识得到的参数可作为后续阻尼控制输入信号的选取依据。
Description
技术领域
本发明实施例涉及电力系统分析技术领域，尤其涉及一种电网宽频带振荡在线辨识方法和系统。
背景技术
目前，随着社会经济等的快速发展以及居民用电需求的不断增加，电力系统的规模正在不断扩大，电网互联程度在不断加深。近年来，随着化石能源的过度开采，传统能源发电方式逐渐受到了限制，以风电与光电为代表的新能源发电方式有了大规模的发展。当前，新能源的集中式并网与分布式并网方式在电网中同时存在，这使得电网结构和运行方式变得更为复杂。电网振荡有可能会呈现出多种振荡模式混杂的情况。
从现有文献来看，电网振荡问题的研究方法主要分为基于线性化电力系统模型的模态分析法以及基于广域测量系统的实测信号分析法。基于线性化电力系统模型的模态分析法包括特征值分析法、正规形方法、模态级数法、时域仿真法等。这类方法能从机理上揭示电力系统在某一运行方式下的动态行为，但这类方法的缺点是需要预先获知详细的电力系统动态参数，难以用于实现宽频带振荡的在线辨识。基于广域测量系统的实测信号分析法包括小波变换法、经验模态分解法、希尔伯特-黄变换法、变分模态分解法、Prony算法等，这类方法物理意义较为直观，但存在计算复杂、计算量大等问题，且在次同步振荡和超同步振荡的在线快速监测和实时预警方面还存在着一些瓶颈问题。
发明内容
本发明实施例提供一种电网宽频带振荡在线辨识方法和系统，充分利用电力系统广域测量大数据，通过动态数据分类模型实现实测数据和宽频带振荡模式之间的快速自动匹配，为后续的阻尼控制信号的选取提供参数依据。
第一方面，本发明实施例提供一种电网宽频带振荡在线辨识方法，包括：
构建包括新能源发电接入的电力系统仿真模型，根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征数据；
将所述动态行为特征数据输入至预先训练好的动态数据分类模型中进行分类，得到宽频带振荡模式及其相应的参数。
作为优选的，所述根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征信息，具体包括：
分别分析光照强度、温度和风速对电力系统振荡的影响，获取不同光照强度、不同温度和不同风速下的仿真动态行为特征数据；
提取历史动态行为特征数据和实时动态行为特征数据，并结合仿真动态行为特征数据，根据k-shape聚类算法建立动态行为特征库。
作为优选的，所述动态行为特征数据包括有功功率和电压幅值；
所述动态行为特征库中包括功功率振荡数据以及相应振荡模式的标签。
作为优选的，所述根据k-shape聚类算法建立动态行为特征库后，还包括：
基于随机森林算法建立动态数据分类模型，所述动态数据分类模型包括多个CART决策树和一个强学习器；
将动态行为特征库中的数据经过随机有放回的采样之后输入到各个CART决策树当中，各个CART决策树的输出接入强学习器，由强学习器来进行投票决定输出宽频带振荡模式及其相应的参数。
作为优选的，所述根据k-shape聚类算法建立动态行为特征库，具体包括：
对动态行为特征数据进行降维处理：通过爬坡事件和边缘点个数来衡量振荡曲线的形态特征，根据数据序列的特征进行合适的聚合近似处理，用低维度数据序列来近似表示高维度数据序列，以实现数据序列的降维；
基于k-shape聚类算法对动态行为特征数据进行分类，基于形状的距离来衡量两个时间序列数据之间的相似性，并将其作为之后聚类划分的依据，基于形状的距离的计算公式如下：
其中，SBD(X，Y)为时间序列X和时间序列Y之间的基于形状的距离；CCw(X，Y)为时间序列X和时间序列Y的互相关序列，R0(X，X)和R0(Y，Y)分别为时间序列X和时间序列Y的自相关系数；
获取各类动态行为特征数据的聚类中心，确定各类动态行为特征数据的标签，建立动态行为特征库。
作为优选的，所述获取各类动态行为特征数据的聚类中心，具体包括：
根据k-shape聚类算法提取与每类时间序列SBD距离平方和最小的序列为聚类中心，确定与每类时间序列SBD距离平方和最小的序列：
式中，R为所有数据的集合；ck为使用k-shape聚类算法提取的第k类聚类数据的聚类中心；Pk为第k类聚类数据集合；ui为组成对应i类集合的单一时间序列数据；ck *为提取得到的聚类中心；
对ck进行转化：
上式中，CCw(ui，uk)为时间序列ui和时间序列uk的互相关序列，Cn，w(ui，uk)为归一化之后的互相关序列系数，R0(ui，ui)为时间序列ui的自相关系数。每次迭代中，用上一次计算得到的迭代中心作为参考，并利用互相关方法将所有序列与参考序列对齐：
式中，μk＝μkQ，Q＝I-O/m，其中I为单位矩阵，O为全1矩阵，m为时间序列uk的维度；M＝QTSQ；Pk为第k类聚类数据集合；ui为组成该类集合的单一时间序列数据；最大值uk *为矩阵M最大特征值所对应的特征向量，即为提取得到的每类的聚类中心。
第二方面，本发明实施例提供一种电网宽频带振荡在线辨识系统，包括：
提取模块，构建包括新能源发电接入的电力系统仿真模型，根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征数据；
动态数据分类模型，将所述动态行为特征数据输入至预先训练好的动态数据分类模型中进行分类，得到宽频带振荡模式及其相应的参数。
第三方面，本发明实施例提供一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现如本发明第一方面实施例所述电网宽频带振荡在线辨识方法的步骤。
第四方面，本发明实施例提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现如本发明第一方面实施例所述电网宽频带振荡在线辨识方法的步骤。
本发明实施例提供的一种电网宽频带振荡在线辨识方法和系统，能够在电力系统发生振荡时，实现实测振荡数据与宽频带振荡模式及其相应参数之间的快速自动匹配，从而实现电网宽频带振荡的在线辨识，为后续的阻尼控制信号的选取提供参数数据依据。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明一种实施例中基于数据驱动的电网宽频带振荡在线辨识方法流程图；
图2为本发明一种实施例中含新能源发电接入的电力系统仿真模型示意图；
图3为本发明一种实施例中动态行为特征库建立方法流程图；
图4为本发明一种实施例中动态数据分类模型结构示意图；
图5为根据本发明实施例的服务器结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚，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，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本申请实施例中术语“和/或”，仅仅是一种描述关联对象的关联关系，表示可以存在三种关系，例如，A和/或B，可以表示：单独存在A，同时存在A和B，单独存在B这三种情况。
本申请实施例中的术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。本申请的描述中，术语“包括”和“具有”以及它们任何变形，意图在于覆盖不排他的包含。例如包含了一系列部件或单元的系统、产品或设备没有限定于已列出的部件或单元，而是可选地还包括没有列出的部件或单元，或可选地还包括对于这些产品或设备固有的其它部件或单元。本申请的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。
在本文中提及“实施例”意味着，结合实施例描述的特定特征、结构或特性可以包含在本申请的至少一个实施例中。在说明书中的各个位置出现该短语并不一定均是指相同的实施例，也不是与其它实施例互斥的独立的或备选的实施例。本领域技术人员显式地和隐式地理解的是，本文所描述的实施例可以与其它实施例相结合。
图1为本发明实施例提供一种电网宽频带振荡在线辨识方法，能够在电力系统发生振荡时，实现实测振荡数据与宽频带振荡模式及其相应参数之间的快速自动匹配，从而实现电网宽频带振荡的在线辨识，为后续的阻尼控制信号的选取提供参数数据依据，包括：
S01、建立含新能源发电接入的电力系统模型，进行典型扰动/故障工况分析，提取动态行为特征信息；
本发明一种优选实施例中，如图2所示，在MATLAB/Simulink仿真平台中搭建含新能源发电接入的电力系统仿真模型。根据该仿真模型，分析光照强度，温度以及风速变化对电力系统振荡的影响。
分析光照强度对系统振荡的影响时，仿真模型的各个参数条件设置如下：串联补偿线路的初始串联补偿度为25％，风速设定为9m/s，温度设定为25℃，在t＝1s时，将传输线路的串补度提高至70％；研究光照强度分别为1000W/m2，500W/m2，250W/m2时的系统振荡。
分析温度对系统振荡的影响时，仿真模型的各个参数条件设置如下：串联补偿线路的初始串联补偿度为25％，风速设定为9m/s，光照强度设定为1000W/m2，在t＝1s时，将传输线路的串补度提高至70％；研究温度分别为50℃，25℃以及0℃时的系统振荡。
分析风速对系统振荡的影响时，仿真模型的各个参数条件设置如下：串联补偿线路的初始串联补偿度为25％，光照强度设定为1000W/m2，温度设定为25℃，在t＝1s时，将传输线路的串补度提高至70％；研究风速分别为6m/s，9m/s，12m/s时的系统振荡。
S02、根据历史/实时/仿真数据，基于k-shape聚类算法建立动态行为特征库；
本发明一种优选实施例中，如图3所示，步骤S02，包括如下步骤：
S021、基于APAA方法对动态行为特征数据进行降维处理；
本发明一种优选实施例中，所述的APAA方法是分段聚合近似方法的改进方法，通过爬坡事件和边缘点个数来衡量振荡曲线的形态特征，根据数据序列的特征进行合适的聚合近似处理，用低维度数据序列来近似表示高维度数据序列，从而实现数据序列的降维。
S022、基于k-shape聚类算法对动态行为特征数据进行分类；
本发明一种优选实施例中，所述的k-shape聚类算法是采用基于形状的距离来衡量两个时间序列数据之间的相似性，并将其作为之后聚类划分的依据，基于形状的距离的计算公式如下：
其中，SBD(X，Y)为时间序列X和Y之间的基于形状的距离；CCw(X，Y)为时间序列X和Y的互相关序列，R0(X，X)和R0(Y，Y)分别为时间序列X和Y的自相关系数。
本发明一种优选实施例中，所述的对动态行为特征数据进行分类，利用上述互相关方法寻找每类聚类中心，在每次迭代中不断更新每类簇的样本数据，最终实现动态行为特征数据的聚类。
S023、获取各类动态行为特征数据的聚类中心；
本发明一种优选实施例中，所述的k-shape聚类算法提取与每类时间序列SBD距离平方和最小的序列为聚类中心。提取聚类中心可看做一个优化选择问题，目标是找到与每类时间序列SBD距离平方和最小的序列，即斯坦纳树优化问题：
式中，R为所有数据的集合；ck为使用k-shape聚类算法提取的第k类聚类数据的聚类中心；Pk为第k类聚类数据集合；ui为组成对应i类集合的单一时间序列数据；ck *为提取得到的聚类中心；
然而，由于互相关方法反映的是时间序列之间相似性而不是差异性，因此可以将上述优化问题转为一个最大化问题：
上式中，CCw(ui，uk)为时间序列ui和时间序列uk的互相关序列，Cn，w(ui，uk)为归一化之后的互相关序列系数，R0(ui，ui)为时间序列ui的自相关系数。每次迭代中，用上一次计算得到的迭代中心作为参考，并利用互相关方法将所有序列与参考序列对齐：
每次迭代中，用上一次计算得到的迭代中心作为参考，并利用互相关方法将所有序列与参考序列对齐。将上式规范化之后得到如下式子：
式中，式中，μk＝μkQ，Q＝I-O/m，其中I为单位矩阵，O为全1矩阵，m为时间序列uk的维度；M＝QTSQ；Pk为第k类聚类数据集合；ui为组成该类集合的单一时间序列数据；最大值uk *为矩阵M最大特征值所对应的特征向量，即为提取得到的每类的聚类中心。
S024、完善各类动态行为特征数据的标签，完成特征库建立；
本发明一种优选实施例中，所述的动态行为特征数据的标签，包括电力系统宽频带振荡的振荡模态相对应的幅值，频率以及阻尼参数。
S10、基于随机森林算法搭建动态数据分类模型；
所述的基于随机森林算法的动态数据分类模型，如图4所示，具体为：
所述的随机森林模型由多个CART决策树和一个强学习器构成。动态特征库中的数据经过随机有放回的采样之后输入到各个决策树当中，各个决策树的输出接入强学习器，由强学习器来进行投票决定输出宽频带振荡模式及其相应的参数。
S20、将特征库中的数据送入动态数据分类模型进行训练；具体为：
首先取所述动态特征库中的某一类数据，对其进行随机有放回的采样；将随机采样数据输入随机森林模型，随机森林模型根据输入数据进行模型训练，得到该类数据的分类模型。重复以上步骤，得到各类数据各自的动态数据分类模型。
S30、将实测数据输入已训练完成的分类模型中进行分类，得到宽频带振荡模式相应的参数。
其中，宽频带振荡模式及其相应的参数，包括：单一模态的数量和各分量模态的参数，所述参数包括：幅值、频率和阻尼系数。
本发明实施例还提供一种电网宽频带振荡在线辨识系统，基于上述各实施例中的电网宽频带振荡在线辨识方法，包括：
提取模块，构建包括新能源发电接入的电力系统仿真模型，根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征数据；
动态数据分类模型，将所述动态行为特征数据输入至预先训练好的动态数据分类模型中进行分类，得到宽频带振荡模式及其相应的参数。
基于相同的构思，本发明实施例还提供了一种实体结构示意图，如图5所示，该服务器可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理器810，通信接口820，存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行如上述各实施例所述电网宽频带振荡在线辨识方法的步骤。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
基于相同的构思，本发明实施例还提供一种非暂态计算机可读存储介质，该计算机可读存储介质存储有计算机程序，该计算机程序包含至少一段代码，该至少一段代码可由主控设备执行，以控制主控设备用以实现如上述各实施例所述电网宽频带振荡在线辨识方法的步骤。
基于相同的技术构思，本申请实施例还提供一种计算机程序，当该计算机程序被主控设备执行时，用以实现上述方法实施例。
所述程序可以全部或者部分存储在与处理器封装在一起的存储介质上，也可以部分或者全部存储在不与处理器封装在一起的存储器上。
基于相同的技术构思，本申请实施例还提供一种处理器，该处理器用以实现上述方法实施例。上述处理器可以为芯片。
本发明的各实施方式可以任意进行组合，以实现不同的技术效果。
在上述实施例中，可以全部或部分地通过软件、硬件、固件或者其任意组合来实现。当使用软件实现时，可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令。在计算机上加载和执行所述计算机程序指令时，全部或部分地产生按照本申请所述的流程或功能。所述计算机可以是通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中，或者从一个计算机可读存储介质向另一个计算机可读存储介质传输，例如，所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线(例如同轴电缆、光纤、数字用户线)或无线(例如红外、无线、微波等)方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集成的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质，(例如，软盘、硬盘、磁带)、光介质(例如，DVD)、或者半导体介质(例如固态硬盘SolidStateDisk)等。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，该流程可以由计算机程序来指令相关的硬件完成，该程序可存储于计算机可读取存储介质中，该程序在执行时，可包括如上述各方法实施例的流程。而前述的存储介质包括：ROM或随机存储记忆体RAM、磁碟或者光盘等各种可存储程序代码的介质。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (9)
1.一种电网宽频带振荡在线辨识方法，其特征在于，包括：
构建包括新能源发电接入的电力系统仿真模型，根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征数据；
将所述动态行为特征数据输入至预先训练好的动态数据分类模型中进行分类，得到宽频带振荡模式及其相应的参数。
2.根据权利要求1所述的电网宽频带振荡在线辨识方法，其特征在于，所述根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征信息，具体包括：
分别分析光照强度、温度和风速对电力系统振荡的影响，获取不同光照强度、不同温度和不同风速下的仿真动态行为特征数据；
提取历史动态行为特征数据和实时动态行为特征数据，并结合仿真动态行为特征数据，根据k-shape聚类算法建立动态行为特征库。
3.根据权利要求1所述的电网宽频带振荡在线辨识方法，其特征在于，所述动态行为特征数据包括有功功率和电压幅值；
所述动态行为特征库中包括功功率振荡数据以及相应振荡模式的标签。
4.根据权利要求2所述的电网宽频带振荡在线辨识方法，其特征在于，所述根据k-shape聚类算法建立动态行为特征库后，还包括：
基于随机森林算法建立动态数据分类模型，所述动态数据分类模型包括多个CART决策树和一个强学习器；
将动态行为特征库中的数据经过随机有放回的采样之后输入到各个CART决策树当中，各个CART决策树的输出接入强学习器，由强学习器来进行投票决定输出宽频带振荡模式及其相应的参数。
5.根据权利要求2所述的电网宽频带振荡在线辨识方法，其特征在于，所述根据k-shape聚类算法建立动态行为特征库，具体包括：
对动态行为特征数据进行降维处理：通过爬坡事件和边缘点个数来衡量振荡曲线的形态特征，根据数据序列的特征进行合适的聚合近似处理，用低维度数据序列来近似表示高维度数据序列，以实现数据序列的降维；
基于k-shape聚类算法对动态行为特征数据进行分类，基于形状的距离来衡量两个时间序列数据之间的相似性，并将其作为之后聚类划分的依据，基于形状的距离的计算公式如下：
其中，SBD(X，Y)为时间序列X和时间序列Y之间的基于形状的距离；CCw(X，Y)为时间序列X和时间序列Y的互相关序列，R0(X，X)和R0(Y，Y)分别为时间序列X和时间序列Y的自相关系数；
获取各类动态行为特征数据的聚类中心，确定各类动态行为特征数据的标签，建立动态行为特征库。
6.根据权利要求5所述的电网宽频带振荡在线辨识方法，其特征在于，所述获取各类动态行为特征数据的聚类中心，具体包括：
根据k-shape聚类算法提取与每类时间序列SBD距离平方和最小的序列为聚类中心，确定与每类时间序列SBD距离平方和最小的序列：
式中，R为所有数据的集合；ck为使用k-shape聚类算法提取的第k类聚类数据的聚类中心；Pk为第k类聚类数据集合；ui为组成对应i类集合的单一时间序列数据；ck *为提取得到的聚类中心；
对ck进行转化：
上式中，CCw(ui，uk)为时间序列ui和时间序列uk的互相关序列，Cn，w(ui，uk)为归一化之后的互相关序列系数，R0(ui，ui)为时间序列ui的自相关系数；
每次迭代中，用上一次计算得到的迭代中心作为参考，并利用互相关方法将所有序列与参考序列对齐：
式中，μk＝μkQ，Q＝I-O/m,其中I为单位矩阵，O为全1矩阵，m为时间序列uk的维度；M＝QTSQ；Pk为第k类聚类数据集合；ui为组成该类集合的单一时间序列数据；最大值uk *为矩阵M最大特征值所对应的特征向量，即为提取得到的每类的聚类中心。
7.一种电网宽频带振荡在线辨识系统，其特征在于，包括：
提取模块，构建包括新能源发电接入的电力系统仿真模型，根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征数据；
动态数据分类模型，将所述动态行为特征数据输入至预先训练好的动态数据分类模型中进行分类，得到宽频带振荡模式及其相应的参数。
8.一种电子设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至6任一项所述电网宽频带振荡在线辨识方法的步骤。
9.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，该计算机程序被处理器执行时实现如权利要求1至6任一项所述电网宽频带振荡在线辨识方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011372994.1A CN112653126A (zh) | 2020-11-30 | 2020-11-30 | 一种电网宽频带振荡在线辨识方法和系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202011372994.1A CN112653126A (zh) | 2020-11-30 | 2020-11-30 | 一种电网宽频带振荡在线辨识方法和系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112653126A true CN112653126A (zh) | 2021-04-13 |
Family
ID=75349935
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202011372994.1A Pending CN112653126A (zh) | 2020-11-30 | 2020-11-30 | 一种电网宽频带振荡在线辨识方法和系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112653126A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307738A (zh) * | 2023-05-11 | 2023-06-23 | 华北电力科学研究院有限责任公司 | 电力系统宽频振荡风险识别方法及装置 |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
| CN108596362A (zh) * | 2018-03-22 | 2018-09-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
| CN108847679A (zh) * | 2018-08-06 | 2018-11-20 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 |
| CN109672221A (zh) * | 2019-02-26 | 2019-04-23 | 西南交通大学 | 一种用于次同步振荡分析的直驱风电场动态等值方法 |
| CN109861250A (zh) * | 2019-03-21 | 2019-06-07 | 东南大学 | 一种基于电力系统多维特征的功率振荡类型判别方法 |
| CN110147760A (zh) * | 2019-05-20 | 2019-08-20 | 吉林化工学院 | 一种高效电能质量扰动图像特征提取与识别新方法 |
| CN111291782A (zh) * | 2020-01-13 | 2020-06-16 | 上海交通大学 | 一种基于信息累积k-Shape聚类算法的累积负荷预测方法 |
-
2020
- 2020-11-30 CN CN202011372994.1A patent/CN112653126A/zh active Pending
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20170351288A1 (en) * | 2016-06-07 | 2017-12-07 | Shenzhen Zhidian Energy Technology LTD | Non-invasive online real-time electric load identification method and identification system |
| CN108596362A (zh) * | 2018-03-22 | 2018-09-28 | 国网四川省电力公司经济技术研究院 | 基于自适应分段聚合近似的电力负荷曲线形态聚类方法 |
| CN108847679A (zh) * | 2018-08-06 | 2018-11-20 | 内蒙古电力(集团)有限责任公司内蒙古电力科学研究院分公司 | 风力发电机组及用于其的次同步振荡识别方法、装置及系统 |
| CN109672221A (zh) * | 2019-02-26 | 2019-04-23 | 西南交通大学 | 一种用于次同步振荡分析的直驱风电场动态等值方法 |
| CN109861250A (zh) * | 2019-03-21 | 2019-06-07 | 东南大学 | 一种基于电力系统多维特征的功率振荡类型判别方法 |
| CN110147760A (zh) * | 2019-05-20 | 2019-08-20 | 吉林化工学院 | 一种高效电能质量扰动图像特征提取与识别新方法 |
| CN111291782A (zh) * | 2020-01-13 | 2020-06-16 | 上海交通大学 | 一种基于信息累积k-Shape聚类算法的累积负荷预测方法 |
Non-Patent Citations (2)
| Title |
|---|
| 王潇笛: "采用自适应分段聚合近似的典型负荷曲线形态聚类算法", 《电力系统自动化》 * |
| 赵妍等: "二阶段随机森林分类方法在低频振荡监测中的应用", 《东北电力大学学报》 * |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116307738A (zh) * | 2023-05-11 | 2023-06-23 | 华北电力科学研究院有限责任公司 | 电力系统宽频振荡风险识别方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107770263B (zh) | 一种基于边缘计算的物联网终端安全接入方法及系统 | |
| CN106022645B (zh) | 非侵入式在线实时电力负荷识别方法及识别系统 | |
| CN108073158A (zh) | 基于pca和knn密度算法风电机组轴承故障诊断方法 | |
| CN110147389B (zh) | 帐号处理方法和装置、存储介质及电子装置 | |
| CN110555369A (zh) | 一种基于mlcdtl的非侵入式负荷识别方法 | |
| Guo et al. | Improved adversarial learning for fault feature generation of wind turbine gearbox | |
| CN108333468A (zh) | 一种有源配电网下不良数据的识别方法及装置 | |
| CN112613536A (zh) | 一种基于smote和深度学习的近红外光谱柴油牌号识别方法 | |
| Masood et al. | Differential evolution based advised SVM for histopathalogical image analysis for skin cancer detection | |
| CN112653126A (zh) | 一种电网宽频带振荡在线辨识方法和系统 | |
| CN113489514B (zh) | 基于自组织映射神经网络的电力线通信噪声识别方法及装置 | |
| Monteiro et al. | Power quality disturbances diagnosis: A 2D densely connected convolutional network framework | |
| CN117592595A (zh) | 一种配电网负荷预测模型建立、预测方法及装置 | |
| Zhao et al. | Anomaly detection and classification of household electricity data: a time window and multilayer hierarchical network approach | |
| CN117079005A (zh) | 一种光缆故障监测方法、系统、装置及可读存储介质 | |
| CN112244863A (zh) | 信号识别方法、信号识别装置、电子设备及可读存储介质 | |
| CN116316699A (zh) | 一种大电网频率安全态势预测方法、装置及存储介质 | |
| Li et al. | Short-term load forecasting using support vector regression-based local predictor | |
| CN115664814A (zh) | 网络入侵检测方法、装置、电子设备及存储介质 | |
| Ma | The Research of Stock Predictive Model based on the Combination of CART and DBSCAN | |
| Kiranmayee et al. | Explorative data analytics of brain tumour data using R | |
| CN110222727A (zh) | 一种基于深度神经网络的短期负荷预测方法及装置 | |
| CN114339859B (zh) | 识别全屋无线网络WiFi潜在用户的方法、装置及电子设备 | |
| Fu et al. | Machine Learning Road Recognition Based on Wavelet Decomposition | |
| Xiong | Initial clustering based on the swarm intelligence algorithm for computing a data density parameter |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210413 |
|
| RJ01 | Rejection of invention patent application after publication |