[发明专利]基于监测数据空时相关性的配电网异常监测与定位方法

说明书

本发明公开了一种基于监测数据空时相关性的配电网异常监测与定位方法，包括步骤：S1.采集配电网中馈线的运行状态信息；S2.对配电网中馈线的运行状态信息进行处理，得到数据矩阵；S3.构建基于数据矩阵的经验特征值分布模型；S4.构建基于残差矩阵空时相关性结构的经验特征值分布模型；S5.求取两个经验特征值分布模型之间谱距离的最小值，将获取最小值时设置的估计参数作为最佳估计参数；S6.通过最佳估计参数度量空时相关性的变化，并依据空时相关性的变化监测和定位配电网异常。本发明无需预知关于配电网复杂拓扑的先验知识，且对网络中微小的随机波动和测量误差具有很强的鲁棒性，有助于降低误报率。

技术领域

本发明涉及配电网领域，具体涉及一种基于监测数据空时相关性的配电网异常监测与定位方法。

背景技术

在配电网中，由故障扰动引起的异常表现为间歇性、非对称性和偶发性尖峰，其大小随机，呈现出复杂、非线性和动态特征，加之配电网支路多，拓扑结构多变，传统的基于模型的异常监测与定位方法往往需要做一定的假设和简化，无法全面、准确地监测与定位配电网的异常现象。

随着配电网在线监测设备的大量部署，可以获得海量的运行数据。为了充分利用这些数据，近年来提出了大量高级分析方法。2003年，美国洛斯阿拉莫斯国家实验室针对时间序列检测，提出了一类支持向量机(support vector machine,SVM)模型；2016年，美国利哈伊大学针对制造系统的异常监测，提出了一种结构神经网络模型；2017年，美国斯坦福大学利用PMU收集的电压时间序列数据计算Lyapunov成分，估计电压的稳定性；2018年，美国德州农工大学通过分析同步相量数据的维数，提出了一种基于主成分分析降维的故障早期检测方法；2019年，美国塔塔咨询服务公司提出了一种堆叠长短期记忆(long short termmemory,LSTM)网络模型，用于时间序列的异常检测；2020年，我国上海交通大学将PMU数据流建模为随机矩阵流，提出了一种基于多个高维协方差矩阵检验的状态估计算法。

对于已安装了大量在线监测设备的配电网，收集的多维数据中包含了丰富的系统状态信息。从数据结构角度看，可以通过对监测数据的空时相关性分析来评估系统的运行状态，实现对配电网异常情况的监测与定位，但目前面临着诸多问题：(1)监测数据的空时相关性是什么？(2)如何挖掘监测数据的空时相关性？(3)监测数据的空时相关性与系统运行状态之间具有怎样的关联关系？由于配电网在线监测数据结构的复杂性，目前难以用简单技术对其进行精准剖析。

发明内容

有鉴于此，本发明的目的是克服现有技术中的缺陷，提供基于监测数据空时相关性的配电网异常监测与定位方法，无需预知关于配电网复杂拓扑的先验知识，且对网络中微小的随机波动和测量误差具有很强的鲁棒性，有助于降低误报率。

本发明的基于监测数据空时相关性的配电网异常监测与定位方法，包括如下步骤：

S1.采集配电网中馈线的运行状态信息；

S2.对配电网中馈线的运行状态信息进行处理，得到数据矩阵；

S3.构建基于数据矩阵的经验特征值分布模型ρ_real(p)；其中，p为估计参数；

S4.构建基于残差矩阵空时相关性结构的经验特征值分布模型ρ_model(b)；其中，b为估计参数；

S5.求取经验特征值分布模型ρ_real(p)与经验特征值分布模型ρ_model(b)之间谱距离的最小值，将获取最小值时设置的估计参数作为最佳估计参数；其中，估计参数p对应的最佳估计参数为p^*，估计参数b对应的最佳估计参数为b^*；