CN117574116A - 一种海底直流系统暂态稳定评估的混合特征选择方法 - Google Patents

一种海底直流系统暂态稳定评估的混合特征选择方法 Download PDF

Info

Publication number
CN117574116A
CN117574116A CN202410051783.XA CN202410051783A CN117574116A CN 117574116 A CN117574116 A CN 117574116A CN 202410051783 A CN202410051783 A CN 202410051783A CN 117574116 A CN117574116 A CN 117574116A
Authority
CN
China
Prior art keywords
characteristic
double
direct current
load
selecting
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.)
Granted
Application number
CN202410051783.XA
Other languages
English (en)
Other versions
CN117574116B (zh
Inventor
帅智康
王晨阳
沈阳
李杨
赵峰
王伟
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Hunan University
Original Assignee
Hunan University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Hunan University filed Critical Hunan University
Priority to CN202410051783.XA priority Critical patent/CN117574116B/zh
Publication of CN117574116A publication Critical patent/CN117574116A/zh
Application granted granted Critical
Publication of CN117574116B publication Critical patent/CN117574116B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • G06F18/211—Selection of the most significant subset of features
    • 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
    • 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
    • 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
    • G06F18/2415—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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • 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
    • 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
    • H02J1/00—Circuit arrangements for dc mains or dc distribution networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F2123/00—Data types
    • G06F2123/02—Data types in the time domain, e.g. time-series data

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Physics & Mathematics (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Business, Economics & Management (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Analysis (AREA)
  • Water Supply & Treatment (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Pure & Applied Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Geometry (AREA)
  • Computer Hardware Design (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Computational Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Power Engineering (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种海底直流系统暂态稳定评估的混合特征选择方法，包括以下步骤：步骤S1、对于线路特征量的采集，搭建海底双端直流系统开关模型，通过时域仿真法采样不同位置的光电复合海缆电压，判断光电复合海缆中包括电压采用点、采样时间和间隔时间在内的特征变量；步骤S2、针对不同类型的负荷，选择搭建海底双端直流系统负荷的数学建模从而得到海底双端直流系统大信号数学模型，通过时域仿真法得出不同特征量之间的吸引域，以此判断不同负荷的主要暂态特征变量；步骤S3、首先进行特征变量的初步筛选，再完成最终寻优搜索。本发明解决了现有海底双端直流系统特征筛选效率低、性能偏差大等问题。

Description

一种海底直流系统暂态稳定评估的混合特征选择方法
技术领域
本发明属于电力系统运行控制技术领域，特别是涉及一种海底直流系统暂态稳定评估的混合特征选择方法。
背景技术
海底观测网具有特殊供电需求，其供电系统呈现负荷分散、负荷类型与数量多、供电网络结构复杂等特征，从而导致供电系统特征量集冗余繁杂，影响了给予数据驱动评估模型的效率和准确性。因此，探寻一种方法来实现原始特征集的特征筛选是提高基于数据驱动暂态评估的关键问题。
针对特征选择方法依据是否独立于后续的学习方法，可分为过滤式(Filter)和封装式(Wrapper)两种。Filter与后续学习方法无关，一般直接利用所有训练数据的统计性能评估特征，速度快，但评估与后续学习方法的性能偏差较大。Wrapper利用后续学习方法的训练准确率评估特征子集，偏差小，计算量大，不适合大数据集。为了解决海底双端直流系统特征筛选效率低、性能偏差大等难题，本发明提出一种海底直流系统暂态稳定评估的混合特征选择方法，首先对系统进行数学建模并通过机理与时域仿真法相结合的方式得出原始特征量集，然后将Filter方法和Wrapper方法相结合并采用基于代价敏感的分类器，最终实现海底直流系统特征集的高效筛选和快速暂态评估。
发明内容
本发明实施例的目的在于提供一种海底直流系统暂态稳定评估的混合特征选择方法，以解决现有海底双端直流系统特征筛选效率低、性能偏差大等问题。
为解决上述技术问题，本发明所采用的技术方案是，一种海底直流系统暂态稳定评估的混合特征选择方法，包括以下步骤：
步骤S1、对于线路特征量的采集，搭建海底双端直流系统开关模型，通过时域仿真法采样不同位置的光电复合海缆电压，判断光电复合海缆中包括电压采用点、采样时间和间隔时间在内的特征变量；
步骤S2、针对不同类型的负荷，选择搭建海底双端直流系统负荷的数学建模从而得到海底双端直流系统大信号数学模型，通过时域仿真法得出不同特征量之间的吸引域，以此判断不同负荷的主要暂态特征变量；所述海底双端直流系统大信号数学模型包括海底双端直流系统负荷的数学建模、多电平变换器MMC的电磁动态特性建模以及LLC的数学模型；所述海底双端直流系统负荷的数学建模包括个并联恒功率负荷的动态等值数学模型、/>个三相桥式逆变器型交流负荷的动态等值数学模型以及脉冲功率负荷建模；
步骤S3、首先通过基于DTW距离的Relief方法进行特征变量的初步筛选，再通过基于序列浮动前向选择方法完成最终寻优搜索。
进一步地，所述步骤S1中海底双端直流系统开关模型包括以下参数：
线路传播参数，线路特性阻抗/>，设线路采用/>型电路，得等值阻抗/>和等值导纳/>为：
式中：/>和/>分别为单位电阻、电感、电容、电导，/>为电角频率，/>为输电线路长度，/>代表复数中的虚部，/>表示双曲正弦函数，/>表示线路特性阻抗。
进一步地，所述步骤S2中海底双端直流系统负荷的数学建模包括个并联恒功率负荷的动态等值数学模型，具体为：
式中，/>分别为单个变换器的串联电感、并联电阻、并联电容，/>为占空比，/>、/>、/>、/>、/>分别为电感电流、输出电压、输入电压、输入电流和输出电流，/>为单个电阻值，/>为额定电压，/>为比例系数，/>为积分系数，/>。
进一步地，所述步骤S2中海底双端直流系统负荷的数学建模还包括个三相桥式逆变器型交流负荷的动态等值数学模型，具体为：
式中，/>为变换器的串联电感、串联电阻、并联电容，/>为逆变器逆变侧输入端电压/>分量，为逆变器逆变侧输出端电压/>分量；/>为电角频率；单个电感，单个电阻/>，单个电容/>，/>为电感电流的/>分量，/>为逆变器逆变侧输出端电流/>分量。
进一步地，所述步骤S2中海底双端直流系统负荷的数学建模还包括脉冲功率负荷建模，具体为：
式中，/>、/>、/>、/>、/>分别为晶闸管导通角、输入电压、负荷电阻、消耗的有功功率和视在功率，/>为电角频率，/>分别为负荷电压、负荷功率、功率因数，/>为占空比。
进一步地，所述步骤S2中海底双端直流系统负荷的数学建模还包括多电平变换器MMC的电磁动态特性建模，具体为：
式中，/>分别为PCC端交流电压基频幅值、输出直流电压值，/>是工频，/>为等效模型开关管开关频率，/>为调制比，/>为电容/>的电容值，/>为子模块电容值，/>为桥臂子模块数。
进一步地，所述步骤S2中LLC的数学模型具体为：
式中，/>是输入电压，分别为LLC谐振变换器的谐振电容、谐振电感和励磁电感，/>分别为谐振电感电流的正弦量、余弦量，/>分别为励磁电感电流的正弦量、余弦量，/>分别为谐振电容电压的正弦量、余弦量，/> 、/>分别为LLC谐振变换器输出实际电压、额定电压，/>、/>分别为LLC控制环比例参数和积分参数，/>为工频，/>为实际频率，/>为电角频率，/>为调制比，/>为功率因素，/>为并联电容。
进一步地，所述步骤S2中建立吸引域并判断不同负荷的主要暂态特征变量的方法具体为：
从系统大信号建模中以装备特征量所对应的吸引域，并选取状态特征变量，根据所设置的影响程度参数画出系统吸引域：
设置第一特征变量、第二特征变量、第三特征变量分别为X1-X3，画吸引域，设置影响程度参数如下式，/>作为判断所选定的状态变量对系统暂态稳定性影响大小的标准：
其中，/>表示以其中一个特征量稳态值为长轴，另一特征量稳态值为短轴的椭圆的面积，/>表示所画吸引域的面积；
设X1与X2计算所得影响程度参数为，X1与X3计算所得影响程度参数为/>，若大于/>，代表选取第一特征变量、第二特征变量为特征量，反之选择第一特征变量、第三特征变量。
进一步地，所述步骤S3中基于DTW距离的Relief方法的具体步骤为：
步骤1、设每个样本有个初始特征，且每个初始特征的时间序列对应/>个时间点，共有/>个样本，则形成了/>个/>维样本矩阵，并设样本抽样次数为/>，设定特征权重阈值为/>；
步骤2、以DTW距离为依据，方法从初始样本集中随机选择一个样本，然后从和同类的样本中寻找最近邻样本/>，称为/>，从和/>不同类的样本中寻找最近邻样本，称为/>；
构造一个的矩阵，矩阵元素/>为两序列两个点间差的绝对值，则序列Q和序列C的DTW距离/>，用如下公式计算得出：
通过对初始样本采样/>次的相关统计量结果求和可得整体特征度量：
上式中/>表示第/>维特征，/>表示第/>次采样所得到的样本/>的第/>维特征的时序序列；/>和/>分别表示第/>次采样所得到的同类最近邻样本和不同类邻样本的第/>维特征的时序序列；
步骤3、将各特征的整体度量值同阈值/>比较，保留大于阈值的度量值，完成初步特征筛选。
进一步地，所述步骤S3中基于序列浮动前向选择方法的具体步骤为：
步骤一、从空集开始，从未选择的特征中选择一个子集，并计算对应的评价函数，使该函数达到最优效果；
步骤二、在已选择的特征中选择子集，并使在剔除该子集后的评价函数达到最优效果；
步骤三、在剔除子集使评价函数达到最优效果后，进一步得到贝叶斯正确分类的精度为：
式中：/>表示选择后的特征子集；/>表示错分的集合；/>表示训练集，此处为初步筛选后的特征集合；/>表示贝叶斯分类错分率，/>表示第一次分类；
步骤四、确定特征子集依据：对于两个特征子集/>，若/>，选用特征子集/>；反之，则选取特征子集/>；
步骤五、当错分概率的期望值达到最低值时，此时的集合为最优集合解。
本发明的有益效果是：
（1）搭建海底直流系统的开关模型和数学模型，通过时域仿真法分析寻找系统初始特征量集。
（2）通过采用改进Relief方法和SFFS方法相结合的方式，实现Filter方法和Wrapper方法的优势互补，提高了特征量筛选的效率和性能。
（3）可以在海底直流系统暂态机理复杂、影响变量较多的情况下，构建主要特征量集并筛选出主要影响状态量，从而提高状态评估的准确率和效率，并降低数据存储和传输的压力，满足大规模直流供电系统在极端的海底环境下的暂态评估。
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简单地介绍，显而易见地，下面描述中的附图仅仅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是本发明实施例的海底直流系统拓扑图。
图2是本发明实施例的混和特征选择方法流程图。
图3是本发明实施例的海底电缆电压采集波形图。
图4是本发明实施例的MMC等效替代图。
图5是本发明实施例的估计系统边界包络线示意图。
图6是本发明实施例的改进Relief方法流程图。
图7是本发明实施例的SFFS多特征选择方法流程图。
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。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。
首先完成原始样本集的特征量选取。针对海底中压直流系统的“源、网、荷”的电压、电流、有功功率、无功功率，进行初步选取特征量。对于线路特征量的采集，搭建海底双端直流系统开关模型，通过时域仿真法采样不同位置的光电复合海缆电压，判断光电复合海缆电压采样点、采样时间和间隔时间。针对不同类型的负荷，选择搭建海底双端直流系统的数学建模，通过时域仿真法得出不同特征量之间的吸引域，以此判断不同负荷的主要暂态变量。继而提出一种混合特征选择方法，首先采用改进Relief方法完成高维特征变量的初步筛选，再通过SFFS方法完成最终寻优搜索。
海底双端直流系统的典型拓扑图如图1所示，主要由两个岸站模块化多电平变换器（MMC）、海底光电复合海缆网络、接驳盒（LLC谐振变换器）和包括恒功率负荷、脉冲负荷、交流负荷等各类负荷构成。本发明实施例公开了一种海底双端直流系统暂态稳定评估的混合特征选择方法，参见图2，包括以下步骤：
1、对于线路特征量的采集，搭建海底双端直流系统开关模型，通过时域仿真法采样不同位置的光电复合海缆电压，判断光电复合海缆电压采用点、采样时间和间隔时间。
2、针对不同类型的负荷，选择搭建海底双端直流系统的数学建模，通过时域仿真法得出不同特征量之间的吸引域，以此判断不同负荷的主要暂态变量。
3、提出一种混合特征选择方法，首先采用改进Relief方法完成高维特征变量的初步筛选，再通过SFFS方法完成最终寻优搜索。
本实施例提出了一种海底双端直流系统暂态稳定评估与优化框架，包括：光电复合海缆特征选取模块，负荷特征选取模块，特征量筛选模块，具体如下：
（1）光电复合海缆特征选取模块。搭建海底双端直流系统的开关模型，通过采集电缆两侧和中心的暂态失稳电压波形同稳态波形间的距离，来选取最终电缆电压采用点、采用时间和采用频率。
本实施例中，由于电缆对地电容很大，因此，对海底电缆建模时不同于陆地上架空输电线路还需考虑计及海水电导率的对地电容。由于海底电缆长度在50-100km之间，采用分布式参数建模。一条由无穷多个微元级联而成的均匀传输线，其中：和/>分别为单位电阻、电感、电容、电导，/>点分别表示线路的首末端，/>为电角频率，/>为输电线路长度（单位：km），/>代表复数中的虚部。
线路传播参数为，线路特性阻抗/>，设线路采用/>型电路，得等值阻抗/>和等值导纳/>为：
（1）
式中：表示双曲正弦函数，/>表示线路特性阻抗。
如图3所示，本实施例通过测量线路首端、末端、中间位置的暂态失稳电压波形并计算同稳态波形间的距离，选取MMC输出电压即海底电缆首端为采样点。由于接地电容导致系统暂态时间尺度改变，由电压波形判断选择PMU采样时间为5s，采用频率为1000hz。
（2）负荷特征选取模块。首先采用装备级建模，并且通过建立同类型并联负荷的动态等值模型、以及多电平变换器MMC的电磁动态特性建模以及LLC的数学模型，从而得到海底双端直流系统大信号数学建模，最后依靠数学模型仿真得到海底系统暂态稳定吸引域，并通过自定义暂态影响程度参数，实现负荷特征初步选取。
本实施例中，如图4所示，MMC通过平均值建模方法采用两电平电路等效其电磁动态特性（杨贺雅. 模块化多电平换流器拓扑构造及控制方法研究[D] 浙江大学, 2020）。其中和/>分别表示MMC桥臂电感值和寄生电阻值，/>为子模块电容值，/>为桥臂子模块数。/>和/>分别为PCC端交流电压基频幅值和输出直流电压值。/>是工频，本实施例中/>为50hz，/>为等效模型开关管开关频率，/>为调制比，/>为电容/>的电容值。则有：
（2）
本实例中，LLC采用扩展描述函数法建模。是输入电压，/>分别为LLC的谐振电容、谐振电感和励磁电感，/>分别为谐振电感电流的正弦量和余弦量，分别为励磁电感电流的正弦量和余弦量，/>分别为谐振电容电压的正弦量和余弦量，/> 、/>分别为LLC输出实际电压和额定电压，/>、/>分别为LLC控制环比例参数和积分参数，/>为工频，/>为实际频率。可得LLC的大信号数学模型如下式所示：
（3）
本实例中如图1所示，将海底直流系统负荷分为Buck变换器型恒功率负荷、脉冲负荷、三相桥式逆变器型交流负荷的形式，通过建立并联同类型负荷的动态等值模型，降低数学模型维度从而缩短仿真时间。
设单个变换器串联电感、并联电阻、并联电容分别为，占空比为/>。/>、、/>、/>、/>分别为电感电流、输出电压、输入电压、输入电流和输出电流。通过状态空间平均法可得/>个并联恒功率负荷的动态等值数学模型下：
（4）
其中，为比例系数，/>为积分系数，/>。
设变换器的串联电感、串联电阻、并联电容分别为为逆变器逆变侧输入端电压/>分量，/>为逆变器逆变侧输出端电压/>分量。
可得个三相桥式逆变器型交流负荷的动态等值数学模型下：
（5）
其中，单个电感，单个电阻/>，单个电容/>。
目前有研究定义，脉冲功率负荷是：“具有高频率和低平均功率的周期性负载。一般有：周期性，频率高；负载状态可瞬间改变，作用时间短。功率变化快，峰值功率高，平均功率低等特征。、/>、/>、/>、/>分别为晶闸管导通角、输入电压、负荷电阻、消耗的有功功率和视在功率。
负荷电压、负荷功率/>和功率因数/>有效值如下：
（6）
从系统大信号建模中以装备特征量所对应的吸引域，并选取状态变量。根据所设置的参数画出系统吸引域，本实例以恒功率负荷为例，设首端电压、首端电流、消耗有功功率分别为X1-X3，画吸引域如图5所示。设置影响程度参数如下式，作为判断所选定的状态变量对系统暂态稳定性影响大小的标准。
（7）
其中，表示以其中一状态变量稳态值为长轴，另一状态变量X2稳态值为短轴的椭圆的面积，/>表示所画吸引域的面积。设X1与X2计算所得影响程度参数为/>，X1与X3计算所得影响程度参数为/>，若/>大于/>，代表对于恒功率负载而言，选取首端电压和首端电流为特征量，更能表征其暂态稳定性。
（3）特征量筛选模块。该模块功能在于通过混合特征选择的方式，结合了Filter方法速度快与Wrapper训练准确率评估高，偏差小的优势。首先采用改进Relief方法完成高维特征变量的初步筛选，再通过序列浮动前向选择（SFFS）方法完成最终寻优搜索，最终筛选出初始特征量集中的关键特征量。具体阐述如下：
基于改进Relief方法初步特征筛选方法原理：
Relief方法的核心为以距离度量为评价准则从而对不同的特征分类。因此，样本间的距离测度方法选择是关键。如图6所示，本实例采用一种基于DTW（动态时间规整）方法的改进Relief方法，能够很好的消除特征波形平移造成的距离过大的影响，从而有效减小探索特征量的错误率，具体步骤如下：
1、形成样本矩阵。设每个样本有个初始特征，且每个初始特征的时间序列对应个时间点，共有/>个样本。则形成了/>个/>维样本矩阵。并设样本抽样次数为，设定特征权重阈值为/>。
2、以DTW距离为依据，方法从初始样本集中随机选择一个样本，然后从和/>同类的样本中寻找最近邻样本/>，称为/>，从和/>不同类的样本中寻找最近邻样本/>，称为/>。
由于时序数据距离度量是一维数据比以欧式距离为核心的DTW距离相较欧式距离数值更大能够更明显的体现度量差。且能够很好的消除特征波形平移造成的距离过大。具体方法为：构造一个的矩阵，矩阵元素/>为两序列两个点间差的绝对值。则序列Q和序列C的DTW距离/>，用如下公式计算得出：
（8）
通过对初始样本采样次的相关统计量结果求和可得整体特征度量：
（9）/>
上式中表示第/>维特征，/>表示第/>次采样所得到的样本/>的第/>维特征的时序序列。/>和/>分别表示第/>次采样所得到的同类最近邻样本和不同类邻样本的第/>维特征的时序序列。
3、将各特征的整体度量值同阈值/>比较，保留大于阈值的度量值，完成初步特征筛选。
基于序列浮动前向选择方法（SFFS）的特征选择方法原理：
SFFS方法是一种浮动搜索策略，通过贝叶斯分类，对不同子集进行评价，从而找出最能表征初始特征集的集合。如图7所示本实例的具体步骤如下：
1、SFFS从空集开始，从未选择的特征中选择一个子集，并计算对应的评价函数，使该函数达到最优效果。
2、在已选择的特征中选择子集，并使在剔除该子集后的评价函数达到最优效果。
3、在剔除子集使评价函数达到最优效果后，进一步得到贝叶斯正确分类的精度为：
（10）
式中：表示选择后的特征子集；/>表示错分的集合；/>表示训练集，此处为在经过Relief方法初步筛选后的特征集合；/>表示贝叶斯分类错分率，/>表示第一次分类（第一次循环）。
4、在测试阶段，确定特征子集依据。对于两个特征子集/>，若，选用特征子集/>；反之，则选取特征子集/>。
5、当错分概率的期望值达到最低值时，此时的集合为最优集合解。
本说明书中的各个实施例均采用相关的方式描述，各个实施例之间相同相似的部分互相参见即可，每个实施例重点说明的都是与其他实施例的不同之处。尤其，对于系统实施例而言，由于其基本相似于方法实施例，所以描述的比较简单，相关之处参见方法实施例的部分说明即可。
以上所述仅为本发明的较佳实施例而已，并非用于限定本发明的保护范围。凡在本发明的精神和原则之内所作的任何修改、等同替换、改进等，均包含在本发明的保护范围内。

Claims (10)

1.一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，包括以下步骤：
步骤S1、对于线路特征量的采集，搭建海底双端直流系统开关模型，通过时域仿真法采样不同位置的光电复合海缆电压，判断光电复合海缆中包括电压采用点、采样时间和间隔时间在内的特征变量；
步骤S2、针对不同类型的负荷，选择搭建海底双端直流系统大信号数学模型，通过时域仿真法得出不同特征量之间的吸引域，以此判断不同负荷的主要暂态特征变量；所述海底双端直流系统大信号数学模型包括海底双端直流系统负荷的数学建模、多电平变换器MMC的电磁动态特性建模以及LLC的数学模型；所述海底双端直流系统负荷的数学建模包括个并联恒功率负荷的动态等值数学模型、/>个三相桥式逆变器型交流负荷的动态等值数学模型以及脉冲功率负荷建模；
步骤S3、首先通过基于DTW距离的Relief方法进行特征变量的初步筛选，再通过基于序列浮动前向选择方法完成最终寻优搜索。
2.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S1中海底双端直流系统开关模型包括以下参数：
线路传播参数，线路特性阻抗/>，设线路采用/>型电路，得等值阻抗/>和等值导纳/>为：
式中：/>和/>分别为单位电阻、电感、电容、电导，/>为电角频率，/>为输电线路长度，/>代表复数中的虚部，/>表示双曲正弦函数，/>表示线路特性阻抗。
3.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S2中海底双端直流系统负荷的数学建模包括个并联恒功率负荷的动态等值数学模型，具体为：
式中，/>分别为单个变换器的串联电感、并联电阻、并联电容，/>为占空比，/>、/>、/>、/>、/>分别为电感电流、输出电压、输入电压、输入电流和输出电流，/>为单个电阻值，/>为额定电压，/>为比例系数，/>为积分系数，/>。
4.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S2中海底双端直流系统负荷的数学建模还包括个三相桥式逆变器型交流负荷的动态等值数学模型，具体为：
式中，/>为变换器的串联电感、串联电阻、并联电容，/>为逆变器逆变侧输入端电压/>分量，/>为逆变器逆变侧输出端电压/>分量；/>为电角频率；单个电感/>，单个电阻，单个电容/>，/>为电感电流的/>分量，/>为逆变器逆变侧输出端电流/>分量。
5.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S2中海底双端直流系统负荷的数学建模还包括脉冲功率负荷建模，具体为：
式中，/>、/>、/>、/>、/>分别为晶闸管导通角、输入电压、负荷电阻、消耗的有功功率和视在功率，/>为电角频率，分别为负荷电压、负荷功率、功率因数，/>为占空比。
6.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S2中海底双端直流系统负荷的数学建模还包括多电平变换器MMC的电磁动态特性建模，具体为：
式中，/>分别为PCC端交流电压基频幅值、输出直流电压值，是工频，/>为等效模型开关管开关频率，/>为调制比，/>为电容/>的电容值，/>为子模块电容值，/>为桥臂子模块数。
7.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S2中LLC的数学模型具体为：
式中，/>是输入电压，/>分别为LLC谐振变换器的谐振电容、谐振电感和励磁电感，/>分别为谐振电感电流的正弦量、余弦量，/>分别为励磁电感电流的正弦量、余弦量，/>分别为谐振电容电压的正弦量、余弦量，/> 、/>分别为LLC谐振变换器输出实际电压、额定电压，/>、分别为LLC控制环比例参数和积分参数，/>为工频，/>为实际频率，/>为电角频率，为调制比，/>为功率因素，/>为并联电容。
8.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S2中建立吸引域并判断不同负荷的主要暂态特征变量的方法具体为：
从系统大信号建模中以装备特征量所对应的吸引域，并选取状态特征变量，根据所设置的影响程度参数画出系统吸引域：
设置第一特征变量、第二特征变量、第三特征变量分别为X1-X3，画吸引域，设置影响程度参数如下式，/>作为判断所选定的状态变量对系统暂态稳定性影响大小的标准：
其中，/>表示以其中一个特征量稳态值为长轴，另一特征量稳态值为短轴的椭圆的面积，/>表示所画吸引域的面积；
设X1与X2计算所得影响程度参数为，X1与X3计算所得影响程度参数为/>，若/>大于，代表选取第一特征变量、第二特征变量为特征量，反之选择第一特征变量、第三特征变量。
9.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S3中基于DTW距离的Relief方法的具体步骤为：
步骤1、设每个样本有个初始特征，且每个初始特征的时间序列对应/>个时间点，共有/>个样本，则形成了/>个/>维样本矩阵，并设样本抽样次数为/>，设定特征权重阈值为/>；
步骤2、以DTW距离为依据，方法从初始样本集中随机选择一个样本，然后从和/>同类的样本中寻找最近邻样本/>，称为/>，从和/>不同类的样本中寻找最近邻样本/>，称为；
构造一个的矩阵，矩阵元素/>为两序列两个点间差的绝对值，则序列Q和序列C的DTW距离/>，用如下公式计算得出：
通过对初始样本采样/>次的相关统计量结果求和可得整体特征度量：
上式中/>表示第/>维特征，/>表示第次采样所得到的样本/>的第/>维特征的时序序列；/>和/>分别表示第/>次采样所得到的同类最近邻样本和不同类邻样本的第/>维特征的时序序列；
步骤3、将各特征的整体度量值同阈值/>比较，保留大于阈值的度量值，完成初步特征筛选。
10.根据权利要求1所述的一种海底直流系统暂态稳定评估的混合特征选择方法，其特征在于，所述步骤S3中基于序列浮动前向选择方法的具体步骤为：
步骤一、从空集开始，从未选择的特征中选择一个子集，并计算对应的评价函数，使该函数达到最优效果；
步骤二、在已选择的特征中选择子集，并使在剔除该子集后的评价函数达到最优效果；
步骤三、在剔除子集使评价函数达到最优效果后，进一步得到贝叶斯正确分类的精度为：
式中：/>表示选择后的特征子集；/>表示错分的集合；/>表示训练集，此处为初步筛选后的特征集合；/>表示贝叶斯分类错分率，/>表示第一次分类；
步骤四、确定特征子集依据：对于两个特征子集/>，若/>，选用特征子集/>；反之，则选取特征子集/>；
步骤五、当错分概率的期望值达到最低值时，此时的集合为最优集合解。
CN202410051783.XA 2024-01-15 2024-01-15 一种海底直流系统暂态稳定评估的混合特征选择方法 Active CN117574116B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410051783.XA CN117574116B (zh) 2024-01-15 2024-01-15 一种海底直流系统暂态稳定评估的混合特征选择方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410051783.XA CN117574116B (zh) 2024-01-15 2024-01-15 一种海底直流系统暂态稳定评估的混合特征选择方法

Publications (2)

Publication Number Publication Date
CN117574116A true CN117574116A (zh) 2024-02-20
CN117574116B CN117574116B (zh) 2024-04-19

Family

ID=89864609

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410051783.XA Active CN117574116B (zh) 2024-01-15 2024-01-15 一种海底直流系统暂态稳定评估的混合特征选择方法

Country Status (1)

Country Link
CN (1) CN117574116B (zh)

Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110137616A1 (en) * 2009-12-07 2011-06-09 Nuovo Pignone S.P.A. Design Method for Subsea Equipment Subject to Hydrogen Induced Stress Cracking
WO2014173131A1 (zh) * 2013-04-23 2014-10-30 国家电网公司 一种基于响应的大电网全态势在线一体化量化评估方法
CN105512799A (zh) * 2015-11-26 2016-04-20 中国电力科学研究院 一种基于海量在线历史数据的电力系统暂态稳定评估方法
CN107093894A (zh) * 2016-02-17 2017-08-25 中国科学院声学研究所 一种适用于海底恒流供电系统的水下恒流恒压转换装置
CN108334721A (zh) * 2018-04-24 2018-07-27 清华大学 基于mMIFS-U的两阶段电力系统关键特征选择方法及装置
CN108599152A (zh) * 2018-05-09 2018-09-28 清华大学 电力系统暂态稳定性评估的关键状态变量选取方法及装置
CN109636248A (zh) * 2019-01-15 2019-04-16 清华大学 适用于电力系统暂态稳定评估的特征选择方法及装置
JP2019096237A (ja) * 2017-11-27 2019-06-20 国立研究開発法人宇宙航空研究開発機構 エミュレーションモデルの生成、並びに生成されたエミュレーションモデルの目的変数の不確実性に関する情報の生成及び表示のためのシステム、方法、プログラム、プログラムを記憶した記憶媒体
CN112787533A (zh) * 2020-09-29 2021-05-11 长沙理工大学 模块化海底电源电容电压纹波抑制方法、系统及控制器
CN114266396A (zh) * 2021-12-21 2022-04-01 国网天津市电力公司 一种基于电网特征智能筛选的暂态稳定判别方法
CN116031879A (zh) * 2023-02-28 2023-04-28 四川大学 一种适应电力系统暂态电压稳定评估的混合智能特征选择方法
CN116361943A (zh) * 2023-03-13 2023-06-30 西安交通大学 波动负荷下高压三芯海缆暂态热场分析的分层建模方法
CN116706863A (zh) * 2023-05-16 2023-09-05 湖南大学 一种海底直流系统暂态稳定性优化方法
CN116699319A (zh) * 2023-08-07 2023-09-05 湖南大学 一种网格型海底观测网直流供电系统故障定位方法

Patent Citations (14)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20110137616A1 (en) * 2009-12-07 2011-06-09 Nuovo Pignone S.P.A. Design Method for Subsea Equipment Subject to Hydrogen Induced Stress Cracking
WO2014173131A1 (zh) * 2013-04-23 2014-10-30 国家电网公司 一种基于响应的大电网全态势在线一体化量化评估方法
CN105512799A (zh) * 2015-11-26 2016-04-20 中国电力科学研究院 一种基于海量在线历史数据的电力系统暂态稳定评估方法
CN107093894A (zh) * 2016-02-17 2017-08-25 中国科学院声学研究所 一种适用于海底恒流供电系统的水下恒流恒压转换装置
JP2019096237A (ja) * 2017-11-27 2019-06-20 国立研究開発法人宇宙航空研究開発機構 エミュレーションモデルの生成、並びに生成されたエミュレーションモデルの目的変数の不確実性に関する情報の生成及び表示のためのシステム、方法、プログラム、プログラムを記憶した記憶媒体
CN108334721A (zh) * 2018-04-24 2018-07-27 清华大学 基于mMIFS-U的两阶段电力系统关键特征选择方法及装置
CN108599152A (zh) * 2018-05-09 2018-09-28 清华大学 电力系统暂态稳定性评估的关键状态变量选取方法及装置
CN109636248A (zh) * 2019-01-15 2019-04-16 清华大学 适用于电力系统暂态稳定评估的特征选择方法及装置
CN112787533A (zh) * 2020-09-29 2021-05-11 长沙理工大学 模块化海底电源电容电压纹波抑制方法、系统及控制器
CN114266396A (zh) * 2021-12-21 2022-04-01 国网天津市电力公司 一种基于电网特征智能筛选的暂态稳定判别方法
CN116031879A (zh) * 2023-02-28 2023-04-28 四川大学 一种适应电力系统暂态电压稳定评估的混合智能特征选择方法
CN116361943A (zh) * 2023-03-13 2023-06-30 西安交通大学 波动负荷下高压三芯海缆暂态热场分析的分层建模方法
CN116706863A (zh) * 2023-05-16 2023-09-05 湖南大学 一种海底直流系统暂态稳定性优化方法
CN116699319A (zh) * 2023-08-07 2023-09-05 湖南大学 一种网格型海底观测网直流供电系统故障定位方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
MILOS RADOVIC 等: "T-Relief: Feature Selection for Temporal High-Dimensional Gene Expression Data", 《BIOLOGY, COMPUTER SCIENCE》, 31 December 2016 (2016-12-31), pages 1 - 8 *
李鹏 等: "基于Fisher Score 特征选择的电力系统暂态稳定评估方法", 《电力自动化设备》, vol. 43, no. 7, 5 December 2022 (2022-12-05), pages 117 *
王欢 等: "克隆代码有害性预测中的特征选择模型", 《计算机应用》, vol. 37, no. 4, 10 April 2017 (2017-04-10), pages 1135 - 1142 *
陈苏婷 等: "基于SFFS 多特征选择的航拍图像目标检测", 《实验研究与探索》, vol. 38, no. 3, 31 March 2019 (2019-03-31), pages 5 - 11 *

Also Published As

Publication number Publication date
CN117574116B (zh) 2024-04-19

Similar Documents

Publication Publication Date Title
CN109921504B (zh) 车载混合储能系统及其非线性鲁棒自适应功率控制方法
CN110659693A (zh) 基于k近邻分类的配电网快速拓扑识别方法、系统及可读存储介质
Zhang et al. Optimal triple-phase-shift controller design of isolated bidirectional DC-DC converter based on ant colony algorithm and BP neural network
CN109342885B (zh) 一种直流配电网线路故障的定位方法及系统
CN110212800A (zh) 基于模型预测控制的模块化多电平换流器通用控制方法
CN117574116B (zh) 一种海底直流系统暂态稳定评估的混合特征选择方法
CN111817591B (zh) 基于脉冲跳变svpwm的单相npc型h桥级联逆变器开关损耗解析计算方法
CN113452062A (zh) 一种mmc-hvdc的输送能力确定方法及系统
CN104901328A (zh) 基于复杂控制网络下的多端柔直控制模式自动识别方法
CN116131313A (zh) 特征量与暂态功角稳定性关联关系的可解释性分析方法
Toniolo et al. Implementation and experimental evaluation of an efficiency-improved modulation technique for IBCI DC-DC converters
CN116706863A (zh) 一种海底直流系统暂态稳定性优化方法
Bohara et al. Triple phase shift control of dual active bridge converter using machine learning methods
CN114157171B (zh) 一种基于热管理的改进型模型预测电流控制方法
CN113224788B (zh) 含有风电接入的交直流混联电网静态电压稳定评估方法
CN110968073B (zh) 一种hvdc系统换相失败故障原因双层溯源辨识方法
Cortés et al. Model predictive control of cascaded H-bridge multilevel inverters
Wang et al. Efficiency Optimization Design of Three-Level Active Neutral Point Clamped Inverter Based on Deep Reinforcement Learning
CN108390407B (zh) 分布式光伏接入量计算方法、装置及计算机设备
Gao et al. Comparative Study of Four Droop Control Strategies in DC Microgrid
Hadaeghi et al. Artificial neural network-based fault location in terminal-hybrid high voltage direct current transmission lines
CN112072944A (zh) 一种控制脉冲调制方法、装置、设备和存储介质
Aribowo et al. Optimalization droop control based on Aquila Optimizer algorithm for DC Microgrid
Xiang et al. Low-complexity model predictive control of a four-level active neutral point clamped inverter without weighting factors
Liu et al. Finite control set model predictive control strategy of grid simulator for the test of renewable energy system and motor driver

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