[发明专利]基于GSO和SVM算法的低频振荡参数估计方法

说明书

本发明公开了一种基于GSO和SVM算法的低频振荡参数估计方法，包括步骤：1)获取基础数据，包括电网电压信号、电流信号；2)采取数学形态法的开闭运算对电网电能信号预处理；3)利用支持向量机(SVM)确定低频振荡的模态数量；4)根据群优化算法(GSO)拟合得出各模态低频振荡的相关参数值；5)采用叠加计算得出当前低频振荡波形函数表达式，再根据表达式进行检验。本发明将SVM算法和GSO算法结合起来，通过基于信息的方法找出实时动态电能信号中的低频振荡分量及其参数特征，以便后续及时采取措施，降低低频振荡带来的潜在危险，为电力系统的稳定性提供保障。

技术领域

本发明涉及电力系统低频振荡参数估计领域，尤其是指一种基于GSO和SVM算法的低频振荡参数估计方法。

背景技术

随着电力网络的不断发展，大规模电网之间互联越来越普遍。电力网络的互联会带来一系列新的动态问题，进而导致电力系统稳定性受到考验。低频振荡是由于发电机并列运行时转子之间的相对摆动和缺乏阻尼引起的。另外线路故障和负载突变也是引起低频振荡的原因。因此识别出低频振荡的参数是维持系统稳定的重要举措。

目前对于电力系统中的低频振荡参数识别有以下两种形式:1)基于系统模型的分析方法：包括小信号稳定性分析和线性处理方法。这类方法是通过求解线性方程特征值实现的。由于电力系统常常是非线性系统，计算的性能依赖于系统模型搭建的准确性，而且高维度的系统模型会会大大提高计算的复杂度，所以基于系统模型的方法在实际应用中受限严重。2)基于信号的分析方法：醉着系统识别技术、信号处理技术和WAMS的发展，基于信号的低频振荡实时分析方式，包括离散傅里叶变化(DFT)、Prony、小波变换等方法逐渐涌现。DFT未能反映出阻尼特性和振荡的瞬时频率；Prony算法对于噪声的敏感性较高，且不能处理非平稳信号。WT算法适用于识别时域和频域中的信号特征。然而，WT具有有限的分辨率，这意味着其有限的识别效果。总体而言，目前的低频振荡参数识别方法较为局限，对于系统模型的精确度要求高、容错范围小、对于噪声干扰较敏感。而群优化算法(GSO)和支持向量机(SVM)的分析方法是基于历史故障信号的分析，算法通过自动调节参数来拟合出最优的参数，具有采样窗口小、计算时间短、拟合精度高等优点。

本发明提供一种基于GSO和SVM算法的低频振荡参数估计方法，将GSO和SVM两种机器学习方法结合起来，通过SVM来识别低频振荡的模态数量，然后利用GSO算法自动拟合估计每个模态低频振荡的参数，从而实现对电力系统低频振荡故障的有效识别和检测。

发明内容

本发明的目的在于克服现有技术的缺点与不足，提出了一种基于GSO和SVM算法的低频振荡参数估计方法，通过SVM来识别低频振荡的模态数量，然后利用GSO算法自动拟合估计每个模态低频振荡的参数，从而实现对电力系统低频振荡故障的有效识别和检测。

为实现上述目的，本发明所提供的技术方案为：基于GSO和SVM算法的低频振荡参数估计方法，包括以下步骤：

1)获取基础数据，包括电网电压信号、电流信号；

2)采取数学形态法的开闭运算对电网电能信号预处理；

3)利用支持向量机(SVM)确定低频振荡的模态数量；

4)根据群优化算法(GSO)拟合得出各模态低频振荡的相关参数值；

5)采用叠加计算得出当前低频振荡波形函数表达式，再根据表达式进行检验。

在步骤1)中，所述电网电压信号和电流信号为低频振荡待估测点的电能信号，采集电能信号为特定时间长度内的瞬时标量值组成的时间序列。

在步骤2)中，对于原始电压信号进行基于数学形态法的中值双层滤波，得到滤波后的低频振荡信号，包括以下步骤：

2.1)数学形态法开运算O_C(f)和闭运算C_O(f)：