CN115905891B - 基于pmu数据的配电网运行方式与关键影响因素识别方法 - Google Patents

Abstract

本发明提供了基于PMU数据的配电网运行方式与关键影响因素识别方法，涉及配电网PMU数据挖掘分析及应用领域，基于PMU量测数据的Pearson相关性分析对配电网中各类元器件的强相关簇进行辨识；基于主成分分析法对强相关簇特征进行提取，并对主成分做数据间隔处理；基于MeanShift聚类算法，对处理后的主成分进行运行方式识别与划分；基于交流线路强相关簇的运行方式定义配电网总体运行方式及其状态切换时刻；通过Pearson相关性分析建立主成分关联关系，对配电网运行状态各切换时刻的关键因素进行辨识。本发明能够从大量复杂的配电网PMU数据提取出运行方式的代表性特征，对配电网运行状态进行定义与识别。

Description

基于PMU数据的配电网运行方式与关键影响因素识别方法

技术领域

本发明涉及配电网PMU数据挖掘分析及应用领域，具体地，涉及基于PMU数据的配电网运行方式与关键影响因素识别方法。

背景技术

主动配电网中分布式电源、电动汽车、柔性负荷等元素的数量不断升高，使得系统的不确定性显著增强，运行工况更加复杂，大大增加了配电网对状态可观，故障可观，运行可控的要求，这就对配电系统的量测水平提出了更高的要求。同步相量量测技术(PMU,Phase Measurement Unit)能够大幅提高了量测的实时性、精确性和同步性，能够为配电网的运行控制和能量管理提供强大的数据支撑和新的决策手段。

目前，对于配电网PMU提供的大量运行数据，已有的方法主要将目标集中于对配电网中的故障、事件的检测与识别。如通过移动和动态时间窗口对PMU数据进行特征挖掘，并进行事件标记；对标记后的数据使用各类机器学习算法，得到训练后的分类器/神经网络，并利用其对新数据进行识别与分类。

但此类方法没有从配电网的系统层面角度去进行分析，未能对配电网的运行状态进行识别与判断，也未能识别出对于配电网的运行状态具有重要影响的关键因素，因而对于配电网的PMU数据的利用停留在事后阶段，即针对已经发生的事件进行快速识别，而不能利用PMU历史数据识别出配电网与其中各元素之间的关联性并对未来的运行起到一定的指导意义。

发明内容

本发明针对现有技术中存在的上述不足，提供了一种基于PMU数据的配电网运行方式与关键影响因素识别方法。

本发明是通过以下技术方案实现的。

根据本发明的一个方面，提供了一种基于PMU数据的配电网运行方式识别方法，包括：

基于PMU量测数据的Pearson相关性分析对配电网中各类元器件的强相关簇进行辨识；

基于主成分分析法对强相关簇特征进行提取，并对主成分做数据间隔处理；

基于MeanShift聚类算法，对处理后的主成分进行运行方式识别与划分；

基于交流线路强相关簇的运行方式定义配电网总体运行方式及其状态切换时刻。

优选地，所属基于PMU量测数据的Pearson相关性分析对配电网中各类元器件的强相关簇进行辨识的方法，包括：

对于PMU量测数据得到的时序数据，一般选取所有元器件的一类量测量(如有功功率P或无功功率Q)进行Pearson相关性分析，通过计算某一量测量下，各类元器件组内部元素间的Pearson相关性系数得到相关性矩阵，计算Pearson相关性系数采用如下公式：

其中，cov(X,Y)为变量X,Y的协方差，σ_X,σ_Y为变量X,Y各自的标准差，

为变量X,Y各自的期望(均值)。

对于各类元器件，分别利用上述公式计算它们内部各元素之间的Pearson相关性系数，进而得到相关性矩阵R。对于相关性矩阵R中的元素取绝对值，即R_abs＝|R|。对r_ij≥0.9的元素，认为其表征了强相关性；其余非强相关元素置零。

将这些具有强相关性的元素r_ij转化为无向图的形式，G＝G(N,E)，其中

搜索得到该无向图中所有的连通子图，对于包含节点数大于阈值的连通子图，识别为一个强相关簇。

优选地，基于主成分分析法对强相关簇特征进行提取，并对主成分做数据间隔处理的方法，包括：

各元器件的强相关簇包含了一定量的同类别元器件，对于这些元器件的量测数据首先进行数据标准化，转化为期望为0，方差为1的数据，采用如下公式：

其中，X_i,std为强相关簇内元器件量测数据标准化后的结果，E(X)为强相关簇内元器件量测数据的期望，σ_X为强相关簇内元器件量测数据的标准差。

对标准化后的数据进行协方差矩阵的计算，采用如下公式：

对协方差矩阵C计算器特征值及特征向量，选取对应于最大特征值的特征行向量P，Y＝PX即为强相关簇内元器件量测数据的主成分。

采用公式为了便于区分出量测数据在时域上的特性，需要对主成分进行数据间隔处理，采用如下公式：

Δt＞|ΔX|_max

其中，Δt为缩放后的量测数据时间间隔，|ΔX|_max为量测量两连续数据点之差绝对值中的最大值。

数据间隔处理能够有效地杜绝t-X坐标系下，由于量测量时间间隔远小于量测量数据点间隔而发生的错误聚类。

优选地，基于MeanShift聚类算法，对处理后的主成分进行运行方式识别与划分的方法，包括：

对进行数据间隔处理后的主成分进行MeanShift聚类，根据聚类结果划分出该强相关簇的不同运行状态及运行状态切换时刻。

优选地，基于交流线路强相关簇的运行方式定义配电网总体运行方式及其状态切换时刻的方法，包括：

若交流线路的强相关簇之间的运行状态总数与切换时刻相同，则它们的运行状态总数就是配电网的运行状态总数、状态切换时刻就是配电网的状态切换时刻。

若强相关簇之间的运行状态总数与切换时刻不同，则配电网的运行状态总数与运行状态切换时刻的判断遵循如下规则：任意交流线路一个强相关簇的运行状态发生切换，或多个强相关簇的运行状态同时发生切换，则该切换时刻即为配电网的运行状态切换时刻；由此，也能够得到配电网的运行状态总数。

根据本发明的另一个方面，提供了一种配电网运行方式关键影响因素识别方法，包括：

对除交流线路以外的元器件采用上述的强相关簇辨识与主成分提取，并进行Pearson相关性分析，得到交流线路的各强相关簇与其他元器件各强相关簇间的相关性系数r，建立交流线路与其他元器件间的关联性关系。

对于采用上述基于PMU数据的配电网运行方式识别方法得到的配电网运行方式切换时刻，找到导致其发生切换的交流线路强相关簇，以及与之具有强关联关系的其他元器件强相关簇，后者即为配电网运行状态各切换时刻的关键影响因素，可根据配电网实际运行情况与需要，在各时段下对相应关键影响因素进行针对性监测与预防控制；或在配电网发生异常事件后对事后分析进行辅助。

由于采用了上述技术方案，本发明具有如下有益效果：

本发明提供的基于PMU数据的配电网运行方式与关键影响因素识别方法，基于大量复杂PMU量测数据进行数据挖掘，能够提取出其中的关键性信息，实现配电网运行状态的定义与辨识。

本发明提供的基于PMU数据的配电网运行方式与关键影响因素识别方法，基于各类元器件强相关簇之间的相关性分析，能够对配电网运行状态各切换时刻的关键影响因素进行辨识，可帮助配电网根据实际运行情况与需要，在各时段下对相应关键影响因素进行针对性监测与预防控制；或在配电网发生异常事件后对事后分析进行辅助。

附图说明

图1是本发明一优选实施例中基于PMU数据的配电网运行方式与关键影响因素识别方法流程图；

图2是本发明一优选实施例中的Pearson相关性系数矩阵热力图；

图3是本发明一优选实施例中Pearson相关性系数矩阵转化为的无向图及其连通子图的示意图；

图4是本发明一优选实施例中配电网系统的运行状态与交流线段强相关簇的关系示意图；

图5是本发明一优选实施例中配电网系统的运行状态与各元器件强相关簇的关系示意图。

具体实施方式

下面对本发明的实施例作详细说明：本实施例在以本发明技术方案为前提下进行实施，给出了详细的实施方式和具体的操作过程。应当指出的是，对本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。

本发明实施例提供了一种基于PMU数据的配电网运行方式与关键影响因素识别方法。该方法基于PMU量测数据的Pearson相关性分析对配电网中各类元器件的强相关簇进行辨识；基于主成分分析法对强相关簇特征进行提取，并对主成分做数据间隔处理；基于MeanShift聚类算法，对处理后的主成分进行运行方式识别与划分；基于交流线路强相关簇的运行方式定义配电网总体运行方式及其状态切换时刻；通过Pearson相关性分析建立主成分关联关系，对配电网运行状态各切换时刻的关键因素进行辨识。该方法针对实际配电网的PMU数据挖掘具有现实的理论意义和推广价值。

为使本发明的目的、技术方案和优点更加清楚，下面将结合附图，对本发明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的一部分实施例，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做出创造性劳动的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。

请先参阅图1，图1是本发明实施例所提供的基于PMU数据的配电网运行方式与关键影响因素识别方法流程图，如图所示，本发明所实施的基于PMU数据的配电网运行方式与关键影响因素识别方法，包括以下步骤：

步骤1)，基于PMU量测数据的Pearson相关性分析对配电网中各类元器件的强相关簇进行辨识。

作为一优选实施例，步骤1)的方法为：

对于PMU量测数据得到的时序数据，一般选取所有元器件的一类量测量(如有功功率P或无功功率Q)进行Pearson相关性分析，通过计算某一量测量下，各类元器件组内部元素间的Pearson相关性系数得到相关性矩阵，计算Pearson相关性系数采用如下公式：

其中，cov(X,Y)为变量X,Y的协方差，σ_X,σ_Y为变量X,Y各自的标准差，

为变量X,Y各自的期望。

对于各类元器件，分别利用上述公式计算它们内部各元素之间的Pearson相关性系数，进而得到相关性矩阵R。对于相关性矩阵R中的元素取绝对值，即R_abs＝|R|。对r_ij≥0.9的元素，认为其表征了强相关性；其余非强相关元素置零。

将这些具有强相关性的元素r_ij转化为无向图的形式，G＝G(N,E)，其中

搜索得到该无向图中所有的连通子图，对于包含节点数大于阈值的连通子图，识别为一个强相关簇。

步骤2)，基于主成分分析法对强相关簇特征进行提取，并对主成分做数据间隔处理。

作为一优选实施例，步骤2)的方法为：

各元器件的强相关簇包含了一定量的同类别元器件，对于这些元器件的量测数据首先进行数据标准化，转化为期望为0，方差为1的数据，采用如下公式：

其中，X_i,std为强相关簇内元器件量测数据标准化后的结果，E(X)为强相关簇内元器件量测数据的期望，σ_X为强相关簇内元器件量测数据的标准差。

对标准化后的数据进行协方差矩阵的计算，采用如下公式：

对协方差矩阵C计算器特征值及特征向量，选取对应于最大特征值的特征行向量P，Y＝PX即为强相关簇内元器件量测数据的主成分。

为了便于区分出量测数据在时域上的特性，需要对主成分进行数据间隔处理，采用如下公式：

Δt＞|ΔX|_max

其中，Δt为缩放后的量测数据时间间隔，|ΔX|_max为量测量两连续数据点之差绝对值中的最大值。

数据间隔处理能够有效地杜绝t-X坐标系下，由于量测量时间间隔远小于量测量数据点间隔而发生的错误聚类。

步骤3)，基于MeanShift聚类算法，对处理后的主成分进行运行方式识别与划分。

作为一优选实施例，步骤3)的方法为：

对进行数据间隔处理后的主成分进行MeanShift聚类，根据聚类结果划分出该强相关簇的不同运行状态及运行状态切换时刻。

步骤4)，基于交流线路强相关簇的运行方式定义配电网总体运行方式及其状态切换时刻。

作为一优选实施例，步骤4)的方法为：

若交流线路的强相关簇之间的运行状态总数与切换时刻相同，则它们的运行状态总数就是配电网的运行状态总数、状态切换时刻就是配电网的状态切换时刻。

若强相关簇之间的运行状态总数与切换时刻不同，则配电网的运行状态总数与运行状态切换时刻的判断遵循如下规则：任意交流线路一个强相关簇的运行状态发生切换，或多个强相关簇的运行状态同时发生切换，则该切换时刻即为配电网的运行状态切换时刻；由此，也能够得到配电网的运行状态总数。

步骤5)，对配电网运行状态各切换时刻的关键影响因素进行辨识。

作为一优选实施例，步骤5)的方法为：

对除交流线路以外的元器件采用上述的强相关簇辨识与主成分提取，并进行Pearson相关性分析，得到交流线路的各强相关簇与其他元器件各强相关簇间的相关性系数r，建立交流线路与其他元器件间的关联性关系。

对于采用上述基于PMU量测数据的配电网运行方式识别方法得到的配电网运行方式切换时刻，找到导致其发生切换的交流线路强相关簇，以及与之具有强关联关系的其他元器件强相关簇，后者即为配电网运行状态各切换时刻的关键影响因素，可根据配电网实际运行情况与需要，在各时段下对相应关键影响因素进行针对性监测与预防控制；或在配电网发生异常事件后对事后分析进行辅助。

图2是本发明实施例中的Pearson相关性系数矩阵热力图，直观地展示了相关性矩阵的计算结果；图3是本发明实施例中Pearson相关性系数矩阵转化为的无向图及其连通子图的示意图；图4是本发明实施例中配电网系统的运行状态与交流线段强相关簇的关系示意图，表示了如何基于两个交流线段强相关簇的运行方式定义配电网的运行方式；图5是本发明实施例中配电网系统的运行状态与各元器件强相关簇的关系示意图，说明了基于交流线段与其他元器件强相关簇关联性寻找关键影响因素的逻辑关系。

本发明上述实施例所提供的基于PMU数据的配电网运行方式与关键影响因素识别方法，基于大量复杂PMU量测数据进行数据挖掘，能够提取出其中的关键性信息，实现配电网运行状态的定义与辨识；基于各类元器件强相关簇之间的相关性分析，能够对配电网运行状态各切换时刻的关键影响因素进行辨识，可帮助配电网根据实际运行情况与需要，在各时段下对相应关键影响因素进行针对性监测与预防控制；或在配电网发生异常事件后对事后分析进行辅助。对比于传统的配电网PMU数据挖掘分析，能够从配电网的系统层面角度去进行分析，对配电网的运行状态进行识别与判断；能够识别出对于配电网的运行状态具有重要影响的关键因素，使得对配电网的PMU数据的利用不仅仅停留在事后阶段，而是能够利用PMU历史数据识别出配电网与其中各元素之间的关联性，并对未来的运行起到一定的指导意义。

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 (3)

1.基于PMU数据的配电网运行方式与关键影响因素识别方法，其特征在于，包括如下步骤：

基于PMU量测数据的Pearson相关性分析对配电网中各类元器件的强相关簇进行辨识；

基于主成分分析法对强相关簇特征进行提取，并对主成分做数据间隔处理；

基于MeanShift聚类算法，对处理后的主成分进行运行方式识别与划分；

基于交流线路强相关簇的运行方式定义配电网总体运行方式及其状态切换时刻；

基于Pearson相关性分析建立主成分关联关系，对配电网运行状态各切换时刻的关键因素进行辨识。

所述基于PMU量测数据的Pearson相关性分析对配电网中各类元器件的强相关簇进行辨识的方法，包括：

对于PMU量测数据得到的时序数据，选取所有元器件的一类量测量进行Pearson相关性分析，通过计算某一量测量下，各类元器件组内部元素间的Pearson相关性系数得到相关性矩阵，计算Pearson相关性系数采用如下公式：

其中，cov(X,Y)为变量X，Y的协方差，σ_X,σ_Y为变量X，Y各自的标准差，

为变量X，Y各自的期望；

对于各类元器件，分别利用上述公式计算它们内部各元素之间的Pearson相关性系数，进而得到相关性矩阵R，对于相关性矩阵R中的元素取绝对值，即R_abs＝|R|，对r_ij≥0.9的元素，认为其表征了强相关性；其余非强相关元素置零；

将这些具有强相关性的元素r_ij转化为无向图的形式，G＝G(N,E)，其中

搜索得到该无向图中所有的连通子图，对于包含节点数大于阈值的连通子图，识别为一个强相关簇；

所述基于主成分分析法对强相关簇特征进行提取，并对主成分做数据间隔处理的方法，包括：

各元器件的强相关簇包含了一定量的同类别元器件，对于这些元器件的量测数据首先进行数据标准化，转化为期望为0，方差为1的数据，采用如下公式：

其中，X_i,std为强相关簇内元器件量测数据标准化后的结果，E(X)为强相关簇内元器件量测数据的期望，σ_X为强相关簇内元器件量测数据的标准差；

对标准化后的数据进行协方差矩阵的计算，采用如下公式：

对协方差矩阵C计算器特征值及特征向量，选取对应于最大特征值的特征行向量P，Y＝PX即为强相关簇内元器件量测数据的主成分；

采用公式Δt＞|ΔX|_max对主成分进行数据间隔处理，用于区分出量测数据在时域上的特性；其中，Δt为缩放后的量测数据时间间隔，|ΔX|_max为量测量两连续数据点之差绝对值中的最大值；

数据间隔处理能够有效地杜绝t-X坐标系下，由于量测量时间间隔远小于量测量数据点间隔而发生的错误聚类；

所述基于交流线路强相关簇的运行方式定义配电网总体运行方式及其状态切换时刻的方法，包括：

若交流线路的强相关簇之间的运行状态总数与切换时刻相同，则它们的运行状态总数就是配电网的运行状态总数、状态切换时刻就是配电网的状态切换时刻；

若强相关簇之间的运行状态总数与切换时刻不同，则配电网的运行状态总数与运行状态切换时刻的判断遵循如下规则：任意交流线路一个强相关簇的运行状态发生切换，或多个强相关簇的运行状态同时发生切换，则该切换时刻即为配电网的运行状态切换时刻；由此，得到配电网的运行状态总数。

2.根据权利要求1所述的基于PMU数据的配电网运行方式与关键影响因素识别方法，其特征在于，所述基于MeanShift聚类算法，对处理后的主成分进行运行方式识别与划分的方法，包括：

对进行数据间隔处理后的主成分进行MeanShift聚类，根据聚类结果划分出该强相关簇的不同运行状态及运行状态切换时刻。

3.根据权利要求2所述的基于PMU数据的配电网运行方式与关键影响因素识别方法，其特征在于，基于Pearson相关性分析建立主成分关联关系对配电网运行状态各切换时刻的关键因素进行辨识的方法，包括：

对除交流线路以外的元器件采用上述的强相关簇辨识与主成分提取，并进行Pearson相关性分析，得到交流线路的各强相关簇与其他元器件各强相关簇间的相关性系数r，建立交流线路与其他元器件间的关联性关系。

Images