[发明专利]一种电力系统扰动分类方法

说明书

本发明提供了一种电力系统扰动分类方法，基于堆叠去噪自编码器的特征提取方法能够捕获扰动数据中对丢失数据鲁棒的特征表达，在此基础上，利用随机森林分类器，实现对电力系统扰动的识别。该方法能够快速、准确地对PMU扰动数据进行分类，并且对于包含丢失数据的PMU扰动数据仍然具有很高的识别准确率，抗噪性能好。相较于现有扰动分类方法，能够快速、准确地对包含丢失数据的PMU扰动数据进行分类，实现电力系统动态行为的实时监测。

技术领域

本发明涉及电力系统技术领域，具体为一种电力系统扰动分类方法，尤其涉及一种考虑PMU丢失数据的电力系统扰动分类方法。

背景技术

随着电力系统规模的不断扩大以及大量电力电子设备的接入，使电网结构的复杂程度不断增加，电网安全问题也日渐突出。近年来，大停电事故频发，给社会经济发展和人们生活造成了巨大的影响。研究发现，大停电事故通常起始于单一故障，经过一系列连锁反应，最终导致电网崩溃。因此，对电力系统扰动的实时监测和分析，对电力系统安全稳定运行具有重要作用。同步相量测量单元(Phasor Measurement Units,PMUs)因其同步性、快速性和精确性，可为系统保护与闭环控制提供数据基础，使电力系统扰动实时监测成为可能。

目前，国内外学者对电力系统扰动分类的研究主要分为基于模型和基于数据的方法。基于模型的方法需要通过系统拓扑结构和参数来对电网建模，根据扰动触发机理，来实现扰动类型识别。然而对于复杂大系统而言，计算量很大，甚至可能无法解析。基于数据的方法通过对历史数据进行分析，得到数据与目标之间的非线性映射关系，来实现扰动类型识别。随着系统复杂程度的增加以及海量电力大数据的涌入，基于数据的方法逐渐成为更有效的分析方法。

现有方法大多是在PMU数据正常的假设上研究的，忽略了PMU数据质量的影响。然而，约有10％～17％的PMU数据存在不同程度的数据质量问题，这严重制约了其在电力系统扰动分类中的应用。

发明目的

本发明的目的是针对上述现有技术存在的不足，提供一种基于堆叠去噪自编码器和随机森林分类器的电力系统扰动分类方法，本方法相较于其他扰动分类方法相比，能够快速、准确地对包含丢失数据的PMU扰动数据进行分类，实现电力系统动态行为的实时监测。

发明内容

本发明提供了一种基于堆叠去噪自编码器和随机森林分类器的电力系统扰动分类方法，包括以下步骤：

步骤1：利用离线的时域仿真法生成电力系统的扰动数据；

步骤2：将步骤1中通过离线仿真法所得到的扰动数据进行标准化处理；

步骤3：构造和训练堆叠去噪自编码器深度神经网络，以扰动发生后0.5s内的频率和电压有效值作为堆叠去噪自编码器的输入，对堆叠去噪自编码器进行训练；

步骤4：利用步骤3中训练后的堆叠去噪自编码器对数据特征提取，得到高层次的特征表达；

步骤5：构造和训练随机森林分类器，并通过训练后的随机森林分类器对步骤4中所提取的高层次的特征进行分类，实现扰动识别。

进一步地，步骤1中利用离线的时域仿真法生成扰动数据的过程具体为：分别选取三相短路3-φFlt、单相接地故障φ-g Flt、发电机出力降低GL、投负荷、切负荷、三相断线LT共6种扰动类型进行仿真，系统算例为IEEE 10机39系统，仿真软件为PSD-BPA，仿真时间为30s，仿真步长设置为0.02s，5s后触发扰动，输出各母线频率与电压有效值。

再进一步地，步骤2中所述进行标准化处理的过程为：假设PMU上送频率为 50Hz，则0.5s内的频率和电压分别表示为f,对于频率和电压信号分别进行标准化处理：

其中，为标准化后的数据，u和σ分别为Z对应变量的均值和标准差。