[发明专利]基于小波变换的同调机群识别方法及装置

权利要求书

1.一种基于小波变换的同调机群识别方法，其特征在于，包括以下步骤：

S1，获取电力系统中的各个发电机的功角曲线；

S2，分别对所述各个发电机的功角曲线进行小波变换分析；其中，通过以下公式分别对所述各个发电机的功角曲线进行小波变换分析：

其中，为母小波Morlet函数，其中，ω₀为频率参数；δ_i(t)为第i个发电机的功角曲线；为第i个发电机的功角曲线对应的小波变换系数，a为缩放尺度，b为位置参数,t为时间；

S3，分别对小波变换分析后的所述各个发电机的功角曲线进行特征提取，得到所述各个发电机的同调识别关键特征；

S4，根据所述各个发电机的所述同调识别关键特征进行基于密度的聚类分析，得到多个同调机群。

2.如权利要求1所述的基于小波变换的同调机群识别方法，其特征在于，所述步骤S3包括：

S31，通过以下公式计算所述第i个发电机的功角曲线的小波变换系数在各个缩放尺度上的谱能量E_i(a)：

其中，为第i个发电机的功角曲线对应的小波变换系数，δ_i(t)为第i个发电机的功角曲线，a为缩放尺度，b为位置参数,t为时间，为母小波Morlet函数；

S32，对所述谱能量进行归一化处理以得到所述第i个发电机的功角曲线在各个缩放尺度上的能量占比；

S33，针对所述第i个发电机，提取所述谱能量上所述能量占比最大的三峰所对应的缩放尺度和能量占比作为所述同调识别关键特征，其中，所述同调识别关键特征为三组二维数据，分别为并且有

3.如权利要求2所述的基于小波变换的同调机群识别方法，其特征在于，所述步骤S4包括：

S41，假设电力系统中共有n台发电机，目前已识别出同调机群数目为P，对应的同调机群为Coh₁,...,Coh_P，令P＝0，并首先对n个二维数据进行聚类分析，包括：

S41-1，计算n个二维数据之间的两两欧式距离D_ij，其中，

S41-2，设定基于密度的聚类方法DBSCAN算法的两个参数Minpts＝2,参数ε取为之间的两两距离数据的四分之一位数,即ε＝Q₁(D_ij)；

S41-3，标记有n个对象为未访问的，记当前聚类分析得到的簇的数目C是0；

S41-4，判断当前是否存在未访问对象，若存在未访问对象，则随机选择一个未访问的对象k，标记k为已访问的，否则则执行步骤S41-9；

S41-5，记k的ε-邻域内中的所有对象构成集合N，若所述N内存在至少Minpts个对象，则执行步骤S41-6，否则则执行步骤S41-8；

S41-6，令C＝C+1，建立一个新簇cluster_C，令cluster_C＝{k}；

S41-7，若所述N中已经不存在未访问对象，则执行所述步骤S41-4；否则，从所述N中任意选择未访问对象s，标记s为已访问的，判别所述s的ε-邻域内是否存在至少Minpts个对象，若是则将所述s的ε-邻域内的对象均加入所述N，判别所述s是否已经属于某一簇，若否则将所述s加入cluster_C，并执行所述步骤S41-7；

S41-8，标记所述k是噪声，并返回执行所述步骤S41-4；

S41-9，聚类分析结束，并记此次聚类分析共形成C个簇cluster₁,cluster₂,…,cluster_C，和l个噪声点noise₁,...,noise_l，其中，所述l个噪声点各自构成一个同调机群，即新增同调机群并令P＝P+l，以使完成对特征的聚类分析；

S42，基于二维数据对所述C个簇cluster₁,cluster₂,…,cluster_C逐一进行聚类分析，包括：

S42-1，令i＝1，若cluster_i中的元素数目只有一个，则新增同调机群Coh_P+1＝cluster_i，并令P＝P+1，执行步骤S42-4，否则，计算所述cluster_i中的元素所对应的特征之间的两两欧式距离；

S42-2，设定DBSCAN算法的两个参数，Minpts＝2，ε参数取为特征之间的两两欧式距离的四分之一位数，并依照所述步骤S41-3至S41-8以完成聚类分析；

S42-3，记所述聚类分析共形成C2个簇cl,cl₂,…,cl_C2和l2个噪声点noise₁,...,noise_l2，其中，所述l2个噪声点各自构成同调机群，即新增同调机群并令P＝P+l2；

S42-4，i＝i+1，若i≤C，则执行所述步骤S42-2，否则执行步骤S42-5；

S42-5，所述特征的聚类分析结束，并记在整个S42步骤中共得到C′个簇，即cluster′₁,cluster′₂,…,cluster′_C′；

S43，基于二维数据对S42-5中得到的所述C′个簇cluster′₁,cluster′₂,…,cluster′_C′逐一进行聚类分析，包括：

S43-1，令i＝1，若cluster′_i中的元素数目只有一个，则新增同调机群Coh_P+1＝cluster′_i，并令P＝P+1，转向S42-4，否则，计算所述cluster′_i中的元素所对应的特征之间的两两欧式距离；

S43-2，设定DBSCAN算法的两个参数，Minpts＝2，ε参数取为特征之间的两两欧式距离的四分之一位数，并依照所述步骤S41-3至S41-8完成聚类分析；

S43-3，记次聚类分析共形成C3个簇cl₁,cl₂,…,cl_C3，和l3个噪声点noise₁,...,noise_l3，其中，所述l3个噪声点各自构成同调机群，即新增同调机群并令P＝P+l3；

S43-4，i＝i+1，若i≤C′，则执行所述步骤S43-2，否则执行步骤S43-5；

S43-5，所述特征的聚类分析结束，并记在整个S43步骤中共得到C个簇，即cluster₁,cluster₂,…,cluster_C，新增同调机群并令P＝P+C。