CN116885702A - 基于随机矩阵理论主成分分析的电网状态分析方法及系统 - Google Patents
基于随机矩阵理论主成分分析的电网状态分析方法及系统 Download PDFInfo
- Publication number
- CN116885702A CN116885702A CN202310756388.7A CN202310756388A CN116885702A CN 116885702 A CN116885702 A CN 116885702A CN 202310756388 A CN202310756388 A CN 202310756388A CN 116885702 A CN116885702 A CN 116885702A
- Authority
- CN
- China
- Prior art keywords
- matrix
- power grid
- state
- random matrix
- feature
- 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
- 239000011159 matrix material Substances 0.000 title claims abstract description 220
- 238000004458 analytical method Methods 0.000 title claims abstract description 32
- 238000000513 principal component analysis Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 claims abstract description 68
- 238000000605 extraction Methods 0.000 claims abstract description 32
- 230000002159 abnormal effect Effects 0.000 claims abstract description 26
- 230000004927 fusion Effects 0.000 claims description 42
- 238000005259 measurement Methods 0.000 claims description 32
- 238000010276 construction Methods 0.000 claims description 19
- 238000005070 sampling Methods 0.000 claims description 14
- 238000012545 processing Methods 0.000 claims description 13
- 239000013598 vector Substances 0.000 claims description 12
- 238000004422 calculation algorithm Methods 0.000 claims description 8
- 230000003321 amplification Effects 0.000 claims description 3
- 238000003199 nucleic acid amplification method Methods 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000005516 engineering process Methods 0.000 abstract description 5
- 238000010586 diagram Methods 0.000 description 4
- 238000004088 simulation Methods 0.000 description 4
- 230000003416 augmentation Effects 0.000 description 3
- 230000035772 mutation Effects 0.000 description 2
- 238000001228 spectrum Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 1
- 230000002776 aggregation Effects 0.000 description 1
- 230000003190 augmentative effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000000354 decomposition reaction Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/253—Fusion techniques of extracted features
-
- 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]
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Mathematical Physics (AREA)
- Mathematical Optimization (AREA)
- Pure & Applied Mathematics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Analysis (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Software Systems (AREA)
- Databases & Information Systems (AREA)
- Algebra (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- Power Engineering (AREA)
- Testing Or Calibration Of Command Recording Devices (AREA)
Abstract
本发明涉及电力系统运行调控技术，具体涉及基于随机矩阵理论主成分分析的电网状态分析方法及系统，该方法通过WAMS广域测量系统获取电网量测数据，选取不同的节点数据构成量测数据源矩阵，利用滑动时间窗技术构建电网状态随机矩阵，利用增广矩阵法构建节点状态随机矩阵，基于随机矩阵理论中的M‑P律进行特征提取构建特征指标集矩阵，利用PCA算法对多个特征指标进行特征融合构建出融合特征指标，通过观察融合指标在不同运行阶段的变化分析电网的运行状态，定位异常环节。该方法仅根据随机矩阵理论中的M‑P率进行特征提取，大大缩短了计算时间，并且对于小扰动事件下的异常环节定位更加准确。
Description
技术领域
本发明属于电力系统运行调控技术领域，特别涉及基于随机矩阵理论主成分分析的电网状态分析方法及系统。
背景技术
随着电网在线监测设备的大量部署，收集并积累了海量量测数据。传统电网状态分析所采用的模型法难以应对电网规模的扩大化和电网结构的复杂化。现有电网状态分析方法可分为基于复杂网络理论的方法、基于电网运行特性的方法和数据驱动的方法，其中前两者为模型驱动的方法。
基于复杂网络理论的方法，主要根据电网拓扑结构特征构建一系列状态评估指标，例如节点度、集聚系数、度中心性等，探究引起事故的主要原因及评估电网运行状态的脆弱性。这类方法忽略了电力系统的物理运行特性，难以建立起一般性模型，局限性较为明显。
基于电网运行特性的方法，通过潮流计算分析电网的关键电气量特性，研究系统的潮流分布规律进而分析电网的运行状态，但这类方法均受到潮流计算方法本身的计算速度与收敛性限制。对于实际大规模电力系统而言，基于潮流计算的方法较难实现在线应用，并且随着电网规模的扩大化以及电力设备的复杂化，建立反应电网实际物理特性的模型难度加大。
因此，基于现有的电网量测数据衍生出以随机矩阵理论为代表的数据驱动方法。当前电力系统大多采用随机矩阵理论中的M-P率、单环定理、平均谱半径以及构建熵指标等来评估电网运行状态，这类方法可以解决实际电力系统建模难的问题且计及了系统状态的动态变化影响，直接挖掘数据与状态之间的深层联系，但目前普遍采用随机矩阵理论中的平均谱半径MSR来评估电网运行状态，这类方法需要求解随机矩阵的奇异值等价矩阵，需要消耗大量的计算资源，计算速度较慢。
总的来说，基于随机矩阵理论的电网状态分析方法相较于传统的模型法，极大地提升了计算速度，但其普遍采用的奇异值等价矩阵仍需消耗较多的计算资源，实时性有待进一步提高。
发明内容
针对背景技术存在的问题，本发明提供一种基于随机矩阵理论-主成分分析的电网状态分析与异常环节定位方法。
为解决上述技术问题，本发明采用如下技术方案：一种基于随机矩阵理论主成分分析的电网状态分析方法，包括：
通过WAMS广域测量系统获取电网量测数据，针对不同的应用场景，选取不同的节点数据构成量测数据源矩阵；
利用滑动时间窗截取数据源矩阵的一部分，构成电网状态随机矩阵；
利用增广矩阵法对电网状态随机矩阵中的状态变量数据进行增广、扩展，构成节点状态随机矩阵；
计算电网状态随机矩阵、节点状态随机矩阵的样本协方差矩阵，并针对其矩阵特征值进行特征提取，构建多个特征指标从而形成特征指标集矩阵；
利用PCA算法对多个特征指标进行主成分提取与融合，从而构建出融合特征指标，通过观察融合指标在不同运行阶段的变化分析电网的运行状态，定位异常环节。
在上述基于随机矩阵理论主成分分析的电网状态分析方法中，所述量测数据源矩阵构建方法包括：
每个PMU对电网中各个节点的多个状态变量进行监测，在每一个采样时刻ti，量测数据可构成一个列向量：
x(ti)＝[x1(ti),x2(ti),…,xN(ti)]T
其中，N为电网的总节点数；
根据采样时刻将量测数据列向量进行排列，构成一个N×M的数据源矩阵X：
XN×M＝[x(t1),…,x(ti),…,x(tM)]。
在上述基于随机矩阵理论主成分分析的电网状态分析方法中，所述构建电网状态随机矩阵的方法包括：
利用滑动时间窗截取数据源矩阵的一部分，窗口宽度为T，即在采集i时刻数据的同时，充分利用该时刻前长度为T-1的历史数据，构成随机矩阵：
XN×T＝[x(ti-T+1),…,x(ti)]。
在上述基于随机矩阵理论主成分分析的电网状态分析方法中，所述节点状态随机矩阵构建包括：
利用增广矩阵法对电网状态随机矩阵中的状态变量数据进行增广，扩展相应的倍数，通过将各节点数据逐次增广，得到节点状态随机矩阵为：
在上述基于随机矩阵理论主成分分析的电网状态分析方法中，所述特征指标集的构建方法包括：
对节点状态随机矩阵X进行标准化处理得到矩阵
其中，i＝1,2,…,N+M；j＝1,2,…,T；xi＝[xi,1,xi,2,…,xi,T]；均值标准差/>
求取矩阵的样本协方差矩阵，其特征值分布在[a,b]之间且概率分布满足一定的标准形式；
针对样本协方差矩阵的特征值λ进行特征提取，在采样时刻ti构建特征指标集P(ti)＝[P1(ti),P2(ti),…,P6(ti)]T；P1-P6的特征指标提取方式如下：
其中，Max(λ)为样本协方差矩阵的最大特征值，Min(λ)为最小特征值，Median(λ)为特征值中位数，Mean((λ)为特征值平均值，Var(λ)为特征值方差；
将多个采样时刻的特征指标集构成特征指标集矩阵P＝[P(t1),P(t2),…,P(tn)]。
在上述基于随机矩阵理论主成分分析的电网状态分析方法中，所述融合特征指标的构建方法包括：
基于样本协方差矩阵提取得到特征指标，对特征指标集矩阵P进行标准化处理：
其中，i＝1,2,…,6；j＝1,2,…,T；xi＝[xi,1,xi,2,…,xi,T]；均值标准差
接着，计算标准化后的特征指标集矩阵的相关系数矩阵：
其中，rii＝1，rij＝rij；
求解相关系数矩阵的特征值kj，j＝1,2,…,6及对应的特征向量uj，j＝1,2,…,6，uj＝[u1j,u2j,u3j,u4j,u5j,u6j]T根据特征值计算各主成分的贡献率b：
将各主成分的贡献率相加计算其累积贡献率，将累积贡献率大于预设值的主成分提取出来：
其中，i＝1,2,…,T；m为根据贡献率预设值选取的主成分个数；
结合各主成分的贡献率，构建融合特征指标：
通过观察融合特征指标在不同运行阶段的变化分析电网的运行状态，判断异常事件的发生，并实现异常环节的定位。
一种用于基于随机矩阵理论主成分分析的电网状态分析方法的系统，包括：
数据采集及处理模块，用于通过WAMS广域测量系统获取电网量测数据，针对不同的应用场景，选取不同的节点数据构成量测数据源矩阵；
滑动时间窗选取模块，用于利用滑动时间窗截取数据源矩阵的一部分，构成电网状态随机矩阵；
电网状态随机矩阵处理模块，用于利用增广矩阵法对电网状态随机矩阵中的某一状态变量数据进行增广、扩展，构成节点状态随机矩阵；
样本协方矩阵特征提取模块，用于计算电网状态随机矩阵、节点状态随机矩阵的样本协方差矩阵，并针对其矩阵特征值进行特征提取，构建多个特征指标从而形成特征指标集矩阵；
特征融合模块，用于利用PCA算法对多个特征指标进行主成分提取与融合，构建出融合特征指标；
电网运行状态分析模块，用于通过观察融合指标在不同运行阶段的变化分析电网的运行状态，定位异常环节。
一种电子设备，存储计算机可执行指令的计算机可读存储介质；和一个或多个处理器，所述一个或多个处理器耦接到所述计算机可读存储介质并被配置为执行所述计算机可执行指令，以使得所述设备执行根据权利要求1-6中任一项所述的方法。
一种可读存储介质，存储有计算机可执行指令，所述计算机可执行指令当由处理器执行时，将处理器配置为执行根据权利要求1-6中任一项所述的方法。
与现有技术相比，本发明的有益效果：本发明从随机矩阵理论中的样本协方差矩阵出发，仅根据随机矩阵中的M-P率进行特征分解与提取，利用PCA算法构建融合特征指标，有效表征电网运行状态，实现异常环节的定位，极大地减少了计算时间。
附图说明
图1为本发明实施例电网状态分析方法的流程图；
图2为本发明实施例电网异常环节定位方法的流程图；
图3为本发明实施例主成分分析流程图；
图4为本发明实施例负荷突变事件下系统融合特征指标的变化示意图；
图5为本发明实施例负荷持续增长事件下节点融合特征指标的变化示意图。
具体实施方式
下面将结合本发明实施例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。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。
需要说明的是，在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
下面结合具体实施例对本发明作进一步说明，但不作为本发明的限定。
本实施例通过WAMS广域测量系统获取电网量测数据，选取不同的节点数据构成量测数据源矩阵，利用滑动时间窗技术构建电网状态随机矩阵，利用增广矩阵法构建节点状态随机矩阵，基于随机矩阵理论中的M-P律进行特征提取构建特征指标集矩阵，利用PCA算法对多个特征指标进行特征融合构建出融合特征指标，通过观察融合指标在不同运行阶段的变化分析电网的运行状态，定位异常环节。
本实施例是通过以下技术方案来实现的，基于随机矩阵理论主成分分析的电网状态分析方法，包括：
步骤1：通过WAMS广域测量系统获取电网量测数据，针对不同的应用场景，选取不同的节点数据构成量测数据源矩阵；
步骤2：利用滑动时间窗技术截取数据源矩阵的一部分，构成电网状态随机矩阵；
步骤3：利用增广矩阵法对电网状态随机矩阵中的某一状态变量数据进行增广、扩展一定的倍数，构成节点状态随机矩阵；
步骤4：计算电网/节点状态随机矩阵的样本协方差矩阵，并针对其矩阵特征值进行特征提取，构建多个特征指标从而形成特征指标集矩阵；
步骤5：利用PCA算法对多个特征指标进行主成分提取与融合，从而构建出融合特征指标，通过观察融合指标在不同运行阶段的变化分析电网的运行状态，定位异常环节。
并且，步骤1所述量测数据源矩阵构建过程如下：
每个PMU对电网中各个节点的多个状态变量进行监测，在每一个采样时刻ti，量测数据可构成一个列向量：
x(ti)＝[x1(ti),x2(ti),…,xN(ti)]T
其中，N为电网的总节点数；
根据采样时刻将量测数据列向量进行排列，构成一个N×M的数据源矩阵X：
XN×M＝[x(t1),…,x(ti),…,x(tM)]。
并且，步骤2所述电网状态随机矩阵构建过程如下：
利用滑动时间窗截取数据源矩阵的一部分，窗口宽度为T，即在采集i时刻数据的同时，充分利用该时刻前长度为T-1的历史数据，构成随机矩阵：
XN×T＝[x(ti-T+1),…,x(ti)]。
并且，步骤3所述节点状态随机矩阵构建过程如下：
利用增广矩阵法对电网状态随机矩阵中的某一状态变量数据进行增广，扩展一定的倍数使得该随机矩阵更能表征该状态变量的特性，通过将各节点数据逐次增广，得到节点状态随机矩阵：
步骤4所述特征指标集构建过程如下：
首先，对节点状态随机矩阵X进行标准化处理得到矩阵
其中，i＝1,2,…,N+M；j＝1,2,…,T；xi＝[xi,1,xi,2,…,xi,T]；均值标准差/>
接着，求取矩阵的样本协方差矩阵，其特征值分布在[a,b]之间且概率分布满足一定的标准形式。针对样本协方差矩阵的特征值λ进行特征提取，在采样时刻ti构建特征指标集P(ti)＝[P1(ti),P2(ti),…,P6(ti)]T。P1-P6的特征指标提取方式如下：
其中，Max(λ)为样本协方差矩阵的最大特征值，Min(λ)为最小特征值，Median(λ)为特征值中位数，Mean((λ)为特征值平均值，Var(λ)为特征值方差。
最后，将多个采样时刻的特征指标集构成特征指标集矩阵P＝[P(t1),P(t2),…,P(tn)]。
并且，步骤5所述融合特征指标构建过程如下：
基于样本协方差矩阵提取得到一系列特征指标，对特征指标集矩阵P进行标准化处理：
其中，i＝1,2,…,6；j＝1,2,…,T；xi＝[xi,1,xi,2,…,xi,T]；均值标准差
接着，计算标准化后的特征指标集矩阵的相关系数矩阵：
其中，rii＝1，rij＝rij；
然后，求解相关系数矩阵的特征值kj(j＝1,2,…,6)及对应的特征向量uj(j＝1,2,…,6)，uj＝[u1j,u2j,u3j,u4j,u5j,u6j]T根据特征值计算各主成分的贡献率b：
接着，将各主成分的贡献率相加计算其累积贡献率，将累积贡献率大于预设值的主成分提取出来：
其中，i＝1,2,…,T；m为根据贡献率预设值选取的主成分个数。
最后，结合各主成分的贡献率，构建融合特征指标：
通过观察融合特征指标在不同运行阶段的变化分析电网的运行状态，判断异常事件的发生，并实现异常环节的定位。
本实施例还提供了一种用于基于随机矩阵理论主成分分析的电网状态分析方法的系统，包括：
数据采集及处理模块，用于通过WAMS广域测量系统获取电网量测数据，针对不同的应用场景，选取不同的节点数据构成量测数据源矩阵；
滑动时间窗选取模块，用于利用滑动时间窗截取数据源矩阵的一部分，构成电网状态随机矩阵；
电网状态随机矩阵处理模块，用于利用增广矩阵法对电网状态随机矩阵中的某一状态变量数据进行增广、扩展，构成节点状态随机矩阵；
样本协方矩阵特征提取模块，用于计算电网状态随机矩阵、节点状态随机矩阵的样本协方差矩阵，并针对其矩阵特征值进行特征提取，构建多个特征指标从而形成特征指标集矩阵；
特征融合模块，用于利用PCA算法对多个特征指标进行主成分提取与融合，构建出融合特征指标；
电网运行状态分析模块，用于通过观察融合指标在不同运行阶段的变化分析电网的运行状态，定位异常环节。
还提供了一种电子设备，存储计算机可执行指令的计算机可读存储介质；和一个或多个处理器，所述一个或多个处理器耦接到所述计算机可读存储介质并被配置为执行所述计算机可执行指令，以使得所述设备执行基于随机矩阵理论主成分分析的电网状态分析方法。
还提供了一种可读存储介质，存储有计算机可执行指令，所述计算机可执行指令当由处理器执行时，将处理器配置为执行基于随机矩阵理论主成分分析的电网状态分析方法。
具体实施时，采用Matpower作为仿真工具，以修改后的IEEE57节点系统作为仿真算例(接入分布式电源)，以节点负荷突变和负荷持续增加为异常事件进行验证。
如图1所示，为电网状态分析方法的流程图，包括电网量测数据获取、滑动时间窗选取、电网状态随机矩阵构建、样本协方矩阵特征提取、主成分分析特征融合、电网运行状态分析。
如图2所示，为电网异常环节定位方法的流程图，包括电网量测数据获取、滑动时间窗选取、电网状态随机矩阵构建、节点状态随机矩阵构建、样本协方差矩阵特征提取、主成分分析特征融合、电网异常环节定位。
如图3所示，为基于样本协方差矩阵的特征提取与利用主成分分析进行特征融合的流程图。
如图4所示，为电网运行状态分析方法示例图。
如图5所示，为电网异常环节定位方法示例图。
一种基于随机矩阵理论主成分分析的电网状态分析方法，具体包括以下步骤：
S1.采用Matpower作为仿真工具，以IEEE57节点系统作为仿真算例(接入分布式电源)，选取节点电压大小和分布式电源出力大小作为状态变量构建量测数据向量x(ti)，构建量测数据源矩阵X(N＝59，M＝4000)，模拟广域测量系统WAMS采集到的量测数据。
x(ti)＝[x1(ti),x2(ti),…,xN(ti)]T
XN×M＝[x(t1),…,x(ti),…,x(tM)]
其中，以节点负荷突变和负荷持续增加为异常事件进行电网状态分析与异常环节定位方法的验证。
S2.利用滑动时间窗技术截取数据源矩阵的一部分(T＝100)，构成电网状态随机矩阵：
XN×T＝[x(ti-T+1),…,x(ti)]
S3.验证所提电网状态分析方法。求解电网状态随机矩阵的样本协方差矩阵，并针对其矩阵特征值λ进行特征提取，构建多个特征指标P。在采样时刻ti构建特征指标集P(ti)＝[P1(ti),P2(ti),…,P6(ti)]T。
其中，Max(λ)为样本协方差矩阵的最大特征值，Min(λ)为最小特征值，Median(λ)为特征值中位数，Mean((λ)为特征值平均值，Var(λ)为特征值方差。
首先，对特征指标集矩阵P进行标准化处理：
其中，i＝1,2,…,6；j＝1,2,…,T；xi＝[xi,1,xi,2,…,xi,T]；均值标准差
接着，计算标准化后的特征指标集矩阵的相关系数矩阵：
其中，rii＝1，rij＝rij；
然后，求解相关系数矩阵的特征值kj(j＝1,2,…,6)及对应的特征向量uj(j＝1,2,…,6)，uj＝[u1j,u2j,u3j,u4j,u5j,u6j]T根据特征值计算各主成分的贡献率b：
接着，将各主成分的贡献率相加计算其累积贡献率，将累积贡献率大于预设值的主成分提取出来：
其中，i＝1,2,…,T；m为根据贡献率预设值选取的主成分个数。
然后，结合各主成分的贡献率，构建融合特征指标：
最后，如图4所示，通过观察融合指标在不同运行阶段的变化分析配电网的运行状态。
S4.验证所提异常环节定位方法。
利用增广矩阵法对电网状态随机矩阵中的节点电压数据进行增广，扩展M倍使得该随机矩阵更能表征该状态变量的特性(M＝63)，通过将各节点数据逐次增广，得到节点状态随机矩阵：
接着，求解节点状态随机矩阵的样本协方差矩阵，并针对其矩阵特征值λ进行特征提取，构建多个特征指标P。在采样时刻ti构建特征指标集P(ti)＝[P1(ti),P2(ti),…,P6(ti)]T。
其中，Max(λ)为样本协方差矩阵的最大特征值，Min(λ)为最小特征值，Median(λ)为特征值中位数，Mean((λ)为特征值平均值，Var(λ)为特征值方差。
然后，对特征指标集矩阵P进行标准化处理：
其中，i＝1,2,…,6；j＝1,2,…,T；xi＝[xi,1,xi,2,…,xi,T]；均值标准差
接着，计算标准化后的特征指标集矩阵的相关系数矩阵：
其中，rii＝1，rij＝rij；
然后，求解相关系数矩阵的特征值kj(j＝1,2,…,6)及对应的特征向量uj(j＝1,2,…,6)，uj＝[u1j,u2j,u3j,u4j,u5j,u6j]T根据特征值计算各主成分的贡献率b：
接着，将各主成分的贡献率相加计算其累积贡献率，将累积贡献率大于预设值的主成分提取出来：
其中，i＝1,2,…,T；m为根据贡献率预设值选取的主成分个数。
然后，结合各主成分的贡献率，构建融合特征指标：
/>
最后，如图5所示，通过观察各节点增广矩阵对应的融合指标在不同运行阶段的变化，根据各节点融合指标在异常事件下的变化程度可以有效定位异常环节。
以上仅为本发明较佳的实施例，并非因此限制本发明的实施方式及保护范围，对于本领域技术人员而言，应当能够意识到凡运用本发明说明书内容所作出的等同替换和显而易见的变化所得到的方案，均应当包含在本发明的保护范围内。
Claims (9)
1.一种基于随机矩阵理论主成分分析的电网状态分析方法，其特征在于，包括：
通过WAMS广域测量系统获取电网量测数据，针对不同的应用场景，选取不同的节点数据构成量测数据源矩阵；
利用滑动时间窗截取数据源矩阵的一部分，构成电网状态随机矩阵；
利用增广矩阵法对电网状态随机矩阵中的状态变量数据进行增广、扩展，构成节点状态随机矩阵；
计算电网状态随机矩阵、节点状态随机矩阵的样本协方差矩阵，并针对其矩阵特征值进行特征提取，构建多个特征指标从而形成特征指标集矩阵；
利用PCA算法对多个特征指标进行主成分提取与融合，从而构建出融合特征指标，通过观察融合指标在不同运行阶段的变化分析电网的运行状态，定位异常环节。
2.根据权利要求1所述基于随机矩阵理论主成分分析的电网状态分析方法，其特征在于，所述量测数据源矩阵构建方法包括：
每个PMU对电网中各个节点的多个状态变量进行监测，在每一个采样时刻ti，量测数据可构成一个列向量：
x(ti)＝[x1(ti),x2(ti),…,xN(ti)]T
其中，N为电网的总节点数；
根据采样时刻将量测数据列向量进行排列，构成一个N×M的数据源矩阵X：
XN×M＝[x(t1),…,x(ti),…,x(tM)]。
3.根据权利要求1所述基于随机矩阵理论主成分分析的电网状态分析方法，其特征在于，所述构建电网状态随机矩阵的方法包括：
利用滑动时间窗截取数据源矩阵的一部分，窗口宽度为T，即在采集i时刻数据的同时，充分利用该时刻前长度为T-1的历史数据，构成随机矩阵：
XN×T＝[x(ti-T+1),…,x(ti)]。
4.根据权利要求1所述基于随机矩阵理论主成分分析的电网状态分析方法，其特征在于，所述节点状态随机矩阵构建包括：
利用增广矩阵法对电网状态随机矩阵中的状态变量数据进行增广，扩展相应的倍数，通过将各节点数据逐次增广，得到节点状态随机矩阵为：
5.根据权利要求1所述基于随机矩阵理论主成分分析的电网状态分析方法，其特征在于，所述特征指标集的构建方法包括：
对节点状态随机矩阵X进行标准化处理得到矩阵
其中，i＝1,2,…,N+M；j＝1,2,…,T；xi＝[xi,1,xi,2,…,xi,T]；均值标准差
求取矩阵的样本协方差矩阵，其特征值分布在[a,b]之间且概率分布满足一定的标准形式；
针对样本协方差矩阵的特征值λ进行特征提取，在采样时刻ti构建特征指标集P(ti)＝[P1(ti),P2(ti),…,P6(ti)]T；P1-P6的特征指标提取方式如下：
其中，Max(λ)为样本协方差矩阵的最大特征值，Min(λ)为最小特征值，Median(λ)为特征值中位数，Mean((λ)为特征值平均值，Var(λ)为特征值方差；
将多个采样时刻的特征指标集构成特征指标集矩阵P＝[P(t1),P(t2),…,P(tn)]。
6.根据权利要求1所述基于随机矩阵理论主成分分析的电网状态分析方法，其特征在于，所述融合特征指标的构建方法包括：
基于样本协方差矩阵提取得到特征指标，对特征指标集矩阵P进行标准化处理：
其中，i＝1,2,…,6；j＝1,2,…,T；xi＝[xi,1,xi,2,…,xi,T]；均值标准差
接着，计算标准化后的特征指标集矩阵的相关系数矩阵：
其中，rii＝1，rij＝rij；
求解相关系数矩阵的特征值kj，j＝1,2,…,6及对应的特征向量uj，j＝1,2,…,6，uj＝[u1j,u2j,u3j,u4j,u5j,u6j]T根据特征值计算各主成分的贡献率b：
将各主成分的贡献率相加计算其累积贡献率，将累积贡献率大于预设值的主成分提取出来：
其中，i＝1,2,…,T；m为根据贡献率预设值选取的主成分个数；
结合各主成分的贡献率，构建融合特征指标：
通过观察融合特征指标在不同运行阶段的变化分析电网的运行状态，判断异常事件的发生，并实现异常环节的定位。
7.用于权利要求1-6任一项所述基于随机矩阵理论主成分分析的电网状态分析方法的系统，其特征在于，包括：
数据采集及处理模块，用于通过WAMS广域测量系统获取电网量测数据，针对不同的应用场景，选取不同的节点数据构成量测数据源矩阵；
滑动时间窗选取模块，用于利用滑动时间窗截取数据源矩阵的一部分，构成电网状态随机矩阵；
电网状态随机矩阵处理模块，用于利用增广矩阵法对电网状态随机矩阵中的某一状态变量数据进行增广、扩展，构成节点状态随机矩阵；
样本协方矩阵特征提取模块，用于计算电网状态随机矩阵、节点状态随机矩阵的样本协方差矩阵，并针对其矩阵特征值进行特征提取，构建多个特征指标从而形成特征指标集矩阵；
特征融合模块，用于利用PCA算法对多个特征指标进行主成分提取与融合，构建出融合特征指标；
电网运行状态分析模块，用于通过观察融合指标在不同运行阶段的变化分析电网的运行状态，定位异常环节。
8.一种电子设备，其特征在于，存储计算机可执行指令的计算机可读存储介质；和一个或多个处理器，所述一个或多个处理器耦接到所述计算机可读存储介质并被配置为执行所述计算机可执行指令，以使得所述设备执行根据权利要求1-6中任一项所述的方法。
9.一种可读存储介质，其特征在于，存储有计算机可执行指令，所述计算机可执行指令当由处理器执行时，将处理器配置为执行根据权利要求1-6中任一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310756388.7A CN116885702A (zh) | 2023-06-25 | 2023-06-25 | 基于随机矩阵理论主成分分析的电网状态分析方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310756388.7A CN116885702A (zh) | 2023-06-25 | 2023-06-25 | 基于随机矩阵理论主成分分析的电网状态分析方法及系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116885702A true CN116885702A (zh) | 2023-10-13 |
Family
ID=88269038
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310756388.7A Pending CN116885702A (zh) | 2023-06-25 | 2023-06-25 | 基于随机矩阵理论主成分分析的电网状态分析方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116885702A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114897035A (zh) * | 2021-10-09 | 2022-08-12 | 国网浙江省电力有限公司电力科学研究院 | 一种用于10kV电缆状态评估的多源数据特征融合方法 |
-
2023
- 2023-06-25 CN CN202310756388.7A patent/CN116885702A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114897035A (zh) * | 2021-10-09 | 2022-08-12 | 国网浙江省电力有限公司电力科学研究院 | 一种用于10kV电缆状态评估的多源数据特征融合方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Zhao et al. | Research and application based on the swarm intelligence algorithm and artificial intelligence for wind farm decision system | |
| CN108429254B (zh) | 一种非侵入式用电负荷识别方法 | |
| CN112350876A (zh) | 一种基于图神经网络的网络流量预测方法 | |
| CN109546659B (zh) | 基于随机矩阵和智能场景匹配的配电网无功优化方法 | |
| CN112101480A (zh) | 一种多变量聚类与融合的时间序列组合预测方法 | |
| CN112132430B (zh) | 一种配电主设备分布式状态传感器可靠性评估方法及系统 | |
| CN105139289A (zh) | 一种基于错分代价分类学习的电网暂态电压稳定评估方法 | |
| CN116245033B (zh) | 人工智能驱动的电力系统分析方法及智能软件平台 | |
| CN116885702A (zh) | 基于随机矩阵理论主成分分析的电网状态分析方法及系统 | |
| Kaplan et al. | A novel method based on Weibull distribution for short-term wind speed prediction | |
| CN116204779B (zh) | 一种判断储能盐穴运行状态的方法、系统及可读存储介质 | |
| CN105068928A (zh) | 一种基于复杂网络理论的软件测试用例生成方法 | |
| WO2020228568A1 (zh) | 训练光伏电站发电量预测模型的方法、光伏电站发电量预测方法和装置、训练系统和预测系统及存储介质 | |
| CN114252103A (zh) | 融合电站运行故障预测方法 | |
| Qu et al. | Research on short‐term output power forecast model of wind farm based on neural network combination algorithm | |
| CN114583767A (zh) | 一种数据驱动的风电场调频响应特性建模方法及系统 | |
| CN116565861B (zh) | 一种配电网可靠性评估方法、系统、设备和介质 | |
| Su et al. | Hybrid GA based online support vector machine model for short-term traffic flow forecasting | |
| CN116400266A (zh) | 基于数字孪生模型的变压器故障检测方法、装置及介质 | |
| Li et al. | Automatic identification of modal parameters for high arch dams based on SSI incorporating SSA and K-means algorithm | |
| Zhang | A method for monitoring the spatial distribution of nutrients from the perspective of landscape ecology | |
| Shi et al. | Study on stability feature extraction of power system using deep learning | |
| CN109670227A (zh) | 一种基于大数据的仿真数学模型参数对的估量方法 | |
| Dai et al. | Life prediction method of hydrogen energy battery based on MLP and LOESS | |
| CN115965288B (zh) | 基于IWO优化BiLSTM的有源配电网频率安全评估方法 |
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 |