[发明专利]基于样本协方差矩阵最大特征值的电网异常状态检测方法

说明书

本发明公开了一种基于样本协方差矩阵最大特征值的电网异常状态检测方法，包括以下步骤：步骤1：构造数据源矩阵X_s；步骤2：获得滑动窗口矩阵X；步骤3：滑动窗口矩阵X的标准化；步骤4：获得样本协方差矩阵S；步骤5：求取样本协方差矩阵最大特征值；步骤6：电网状态异常越限判别：判断是否该最大特征值大于阈值，若成立，则判定电网发生状态异常，发出警告；否则，当前无异常状态，返回步骤2继续执行状态异常检测流程。本发明解决了传统平均谱半径方法在低信噪比场景下进行电网异常状态潜在的失效问题，同时通过简化计算环节，节省了传统基于随机矩阵理论的电网异常状态检测方法的计算耗时，显著提升了计算效率。

技术领域

本发明属于电网异常检测技术领域，具体涉及一种基于样本协方差矩阵最大特征值(Maximum Eigenvalue of Sample Covariance Matrix，MESCM)的电网异常状态检测方法。

背景技术

以同步相量测量装置(Synchronized Phasor Measurement Units，PMU)为基础的广域测量系统(Wide Area Measurement System,WAMS)日趋成熟，所产生的数据量正呈指数级增长。将大数据技术引入传统电力系统分析中，深入开展基于数据驱动的运行状态数据挖掘、提取、分析与融合的研究，实现电网运行状态的“大数据思维”分析与评价，对于我国“互联网+”智能电网的发展具有重要的理论意义。

大数据本质上是一种方法论或认知论，它认为数据是一种主体的内部机理特征或运行演变规律的外在表象。数据驱动是大数据的核心思想，即主要行为决策的制定主要取决于数据分析，而并非物理建模分析或直觉经验，具体来说，是认知者通过分析所收集到的整体/局部数据的统计特性来认知主体。

当前，主流的数据驱动方法有神经网络、支持向量机(Support Vector Machine，SVM)、聚类法、主成份分析法(Principal Component Analysis，PCA)及随机矩阵理论(Random Matrix Theory，RMT)等。神经网络一个最主要的特点在于其具有大量可调的自由参数，这使得其构建起的模型具有较高的灵活性。但另一方面却缺乏有力的理论指导和支撑，大多数情况下仍过分依赖于经验，带有一定程度的随机性；SVM具有严谨的理论基础，仅仅需要少量的样本，对样本的维数不敏感等优势，但过度依赖核函数等问题成为发展的阻碍；聚类是一个无监督学习过程，因此确定最佳聚类数是一项困难的工作。PCA可以发现和辨别一些事件，且具有一定的冗余和容错性，但结果与训练过程强相关，训练过程不合适(如主元空间选择不当)或者系统中发生未经过训练的事件时，PCA的效果将不尽人意。

随机矩阵理论是一种具有普适性的方法，无需详细物理模型，可以从高维角度认识复杂系统的行为特征。一方面，从基于RMT的电力系统分析应用研究进展角度来看，有文献提出了一种基于RMT的电力系统大数据应用架构，并给出了输电网运行状态异常检测方法。在此基础上，有文献利用增广矩阵，采用平均谱半径(Mean Spectral Radius，MSR)指标，进一步提出了一种配电网运行状态相关性分析方法。有文献采用了相同评价指标，从整体上分析了不同扰动对于电力系统暂态稳定性影响程度和影响范围的分析。继而有文献进一步利用历史数据和实时数据建立了随机矩阵模型，通过数据融合，借助平均谱半径指标，基于IEEE 39母线算例，实现了静态稳定态势评估。但广域测量系统中同步相量测量数据涉及现场测量点多、电磁环境复杂、通信距离远的特点，有较高的信噪比降低风险。而现有基于RMT的电力系统分析应用研究中，鲜有涉及上述方法在低信噪比场景下的适应性。此外，传统平均谱半径方法在低信噪比场景下具有电网异常状态潜在的失效问题，而且传统基于随机矩阵理论的电网异常状态检测方法的计算耗时，计算效率低。

发明内容