[发明专利]基于大数据分析的广域电网多重扰动精确识别方法和装置

权利要求书

1.基于大数据分析的广域电网多重扰动精确识别方法，其特征在于，包括步骤：

获取监测范围内的广域电网的扰动暂态大数据；

根据所述扰动暂态大数据，提取常规特征，具体包括从所述扰动暂态大数据中获取电气量测信号，根据所述电气量测信号建立状态空间模型；设置带有时变渐消因子的强跟踪卡尔曼滤波算法；通过所述强跟踪卡尔曼滤波算法对所述状态空间模型中的状态变量进行估计，得出信号幅值、相位、滤波残差和时变渐消因子；所述常规特征包括信号幅值、相位、滤波残差和时变渐消因子；将所述滤波残差作为检验统计量，实时检测是否有电网扰动发生；

构建用于提取深度扰动特征的深度网络，设置所述深度网络为一由多个自编码器堆叠而成并在网络顶层集成一层BP神经网络分类器的栈式自编码器；其中，构建用于提取深度扰动特征的深度网络，包括：将根据重构残差，结合极小化重构残差以及重构残差白噪化程度，进行自适应隐含层层数优化，确定所述深度网络的层数；在所述深度网络的层数确定后，通过研究隐含层结点数与辨识精度之间的关系来确定隐含层结点数目，且所述深度网络各层结点数目自下而上逐层递减；

将所述常规特征和所述扰动暂态大数据一起作为所述深度网络的输入层数据，经所述栈式自编码器的逐层训练，使深度扰动特征和所述常规特征相融合，提取出融合后的耦合特征；

对所述耦合特征进行解耦分离，分离成不同的单一扰动类型。

2.根据权利要求1所述的基于大数据分析的广域电网多重扰动精确识别方法，其特征在于：

所述步骤根据所述电气量测信号建立状态空间模型，包括步骤：

选取状态变量：

X_k＝[A₁cosφ₁,A₁sinφ₁,…,A_ncosφ_n,A_nsinφ_n,…,A_Ncosφ_N,A_Nsinφ_N,A_d,A_dα]^Τ

其中，A₁、φ₁表示基波的幅值和相位，A_n、φ_n分别表示第n次谐波的幅值和相位，α为时间常数，A_d为衰减直流分量的幅值；

建立如下的状态空间模型：

其中，η_k表示观测噪声，y_k表示实测获取的电气量测信号，v_k为高斯随机白噪声，H_k表示系统的观测矩阵；

H_k＝[sin(ω₁kT_s),cos(ω₁kT_s),…,sin(ω_nkT_s),cos(ω_nkT_s),…,sin(ω_NkT_s),cos(ω_NkT_s),1-kT_s]

其中，ω_n＝2πnf₀，f₀为基波频率，n表示第n次谐波，N为谐波的最高次数，T_s为采样周期，k表示采样序列号；

所述步骤通过所述强跟踪卡尔曼滤波算法对所述状态空间模型中的状态变量进行估计，得出信号幅值、相位、滤波残差和时变渐消因子，包括按照下式计算信号幅值和相位：

其中，为状态变量x_2n-1,k，x_2n,k的估计值；x_2n-1,k和x_2n,k分别是X_k的第2n-1、2n维分量；

估计的滤波残差是输出信号实际测量值和估计值之间的差，即：

其中，为状态变量X_k的估计值。