[发明专利]一种电力系统低频振荡智能在线识别方法

摘要

本发明涉及一种电力系统低频振荡智能在线识别方法，本发明分为离线训练、在线应用和模型性能评估三个步骤。离线训练是运用随机响应数据构建训练集，利用改进的CatBoost算法对原始特征进行分类，得到低频振荡稳定性在线识别模型。在线应用是对在广域测量中获得的随机响应数据进行去噪和归一化构造原始输入特征，将原始输入特性输入识别模型判断电力系统的低频振荡稳定性。模型性能评估是对模型的精度进行判断。本发明提出的模型具有处理速度快的特点，可以进行在线应用，辅助电网工作人员在实际电网运行中发生低频振荡时快速报警，在低频振荡发生前采取紧急预防措施，避免造成损失。

主权项

1.一种电力系统低频振荡智能在线识别方法，其特征在于，包括以下步骤：步骤1，进行离线训练，具体包括：步骤1.1、通过设置干扰来模拟电力系统的多种运行条件和运行场景，包括设置不同负荷的功率波动、不同发电机的开关组合、改变变压器抽头，并对原始输入特性进行小波阈值去噪处理，并对其进行归一化处理后构建训练集，具体包括：步骤1.11、对原始输入特性进行随机响应数据小波阈值去噪；随机响应数据是电力系统日常运行中的长期动态响应数据，忽略干扰形式和干扰源的具体发生位置；由广域测量系统(WAMS)采集的电力系统随机响应数据可以表示为：y(n)＝x(n)+v(n)                    (1)式(1)中，y(n)是包含噪声的信号；x(n)是观测信号；v(n)是高斯白噪声；进行阈值和阈值函数的选择；阈值方法如下：σ＝(median|ω_j,k|)/0.6745                  (3)式(2)中，σ是噪声强度，也是噪声信号的标准差；N是信号的长度；式(3)中，median|ω_j,k|是尺度j上小波系数的中值；采用式(2)‑式(3)所示小波阈值法对式(1)采集的随机响应数据y(n)进行去噪处理得到原始特征y′(n)；步骤1.12、基于CatBoost机器学习算法对步骤1.1的数据y′(n)进行归一化处理后构建训练集，具体是采用Z‑score归一化方法对原始特征进行归一化；定义原始特征集为Y∈R^n×m，其中n为样本数，m为观测变量数；用Z‑score对原特征集Y的归一化如下：式(4)中，y_i是第i个样本，m(Y)是原始特征集y的所有值的平均向量，s(Y)是原始特征集y的所有值的标准偏差向量，y′_i是由样本y归一化的样本数据；由于Z‑score归一化使用了整个数据的均值和方差，不同操作模式和不同小干扰下的数据均值和方差差异很大；为了适应低频振荡，对局部数据的均值和方差进行了标准化处理；局部最近邻标准化方法的主要思想是对由k个样本y′_i最近邻组成的局部相邻样本的均值和方差进行标准化；公式如下：式(5)中，k是最近邻的选定个数，k必须满足k＜n，N_k(y_i)是由原始特征集Y中样本y_i的欧氏距离确定的k个最近邻的数据集，为k是最近邻样本y_i，d(y_i,y_j)是两个样本之间的欧氏距离，然后讨论了N_k(y_i)中k个最近邻样本与数据集N_k(y_i)的公约数之间的关系；公式如下：步骤1.2，利用改进的CatBoost算法对原始特征进行分类，得到低频振荡稳定性在线识别模型，具体包括：步骤1.21、建立仿真条件，产生包括系统的各种运行模式的随机响应数据，如负荷波动、发电机的切换和组合、改变变压器抽头、PSS参数等因素；步骤1.22、从随机扰动数据中，选取能够表征系统健康状况的特征变量，形成模型的输入特征向量x；步骤1.23、采用特征值分析法计算低频振荡稳定性，并以阻尼比阈值为判据判断系统的稳定性；稳定性可用变量y表示(‑1表示电力系统不稳定；0表示长期振荡会因阻尼弱而对系统造成危害；1表示电力系统稳定)；步骤1.24、对原始输入特征进行小波阈值去噪处理；建立了一个样本集{(x₁,y₁),…,(x_n,y_n)}并对其进行归一化处理，选取K个样本对模型进行训练，得到使分类误差的概率最小的指标函数；最后，利用剩余的n‑k样本对改进后的CatBoost机器学习模型进行了性能测试；步骤2、在线应用，具体包括：步骤2.1、对在广域测量中获得的随机响应数据进行去噪和归一化，以构造原始输入特征；由广域测量系统(WAMS)采集的电力系统随机响应数据可以表示为：y(n)＝x(n)+v(n)                    (8)式(8)中，y(n)是包含噪声的信号；x(n)是观测信号；v(n)是高斯白噪声；进行阈值和阈值函数的选择；阈值方法如下：σ＝(median|ω_j,k|)/0.6745                  (10)式(9)中，σ是噪声强度，也是噪声信号的标准差；N是信号的长度；式(10)中，median|ω_j,k|是尺度j上小波系数的中值；采用式(9)‑式(10)所小波阈值法对式(8)采集的随机响应数据y(n)进行去噪处理得到原始特征y′(n)；采用Z‑score归一化方法对原始特征y′(n)进行归一化，具体过程如下：定义原始特征集为Y∈R^n×m，其中n为样本数，m为观测变量数；用Z‑score对原特征集Y的归一化如下：式(11)中，y_i是第i个样本，m(Y)是原始特征集y的所有值的平均向量，s(Y)是原始特征集y的所有值的标准偏差向量，y′_i是由样本y归一化的样本数据；由于Z‑score归一化使用了整个数据的均值和方差，不同操作模式和不同小干扰下的数据均值和方差差异很大；为了适应低频振荡，对局部数据的均值和方差进行了标准化处理；局部最近邻标准化方法的主要思想是对由k个样本y′_i最近邻组成的局部相邻样本的均值和方差进行标准化；公式如下：式(5)中，k是最近邻的选定个数，k必须满足k＜n，N_k(y_i)是由原始特征集Y中样本y_i的欧氏距离确定的k个最近邻的数据集，为k是最近邻样本y_i，d(y_i,y_j)是两个样本之间的欧氏距离，然后讨论了N_k(y_i)中k个最近邻样本与数据集N_k(y_i)的公约数之间的关系；公式如下：步骤2.2、将步骤2.1处理后的原始输入特征输入步骤1中训练后得到的低频振荡稳定性在线识别模型，通过在线识别模型判断电力系统的低频振荡稳定性；(稳定性分为三类:‑1表示当存在阻尼比低于0的振荡模式时，小扰动发生会引起系统小干扰失稳，此时系统的阻尼为负阻尼；0当存在阻尼比低于阈值且大于0的振荡模式但不存在阻尼比低于0的振荡模式时，小扰动发生会引起系统长时间低频率振荡，从而对系统安全性造成影响，此时系统的阻尼为弱阻尼；1当全部振荡模式的阻尼比均高于阈值时系统具有很高的小干扰稳定性，此时系统的阻尼为强阻尼；)步骤3、模型性能评估，具体包括：在低频振荡稳定性识别中采用以下指标来确定模型的精度：a_AMC是正确分类占总分类的比例；a_FD是确定为稳定操作点的不稳定操作点占总分类的比例；a_FM是确定为稳定操作点的不稳定操作点占总分类的比例，a_FA是确定为稳定操作点的不稳定操作点占总分类的比例；f₂₂将稳定运行点确定为不稳定运行点的总分类；当机电振荡模式为强阻尼时，模型被正确识别的数量；f₁₁当机电振荡模式为弱阻尼时，模型被正确识别的数量；f₀₀当机电振荡模式为负阻尼时，模型被正确识别的数量；f₀₂是当机电振荡为负阻尼时，其被识别为强阻尼的数量；f₀₁是当机电振荡模式为负阻尼时，其被识别为弱阻尼的数量；f₁₂是当机电振荡模式为弱阻尼时，其被识别为强阻尼的数量；f₁₀是指机电振荡模式为弱阻尼时，被识别为负阻尼的数量；f₂₁是指机电振荡为强阻尼时，被识别为弱阻尼的数量；f₂₀是指机电振荡为强阻尼时被识别为负阻尼的数量；上述指标可以综合判断模型的优越性；四个评价指标a_AMC,a_FD,a_FM和a_FA充分反映了识别的正确性和每一个误判的概率，他们体现低频振荡稳定性的正确率。