基于幂法和并行计算技术的大规模电网异常负荷识别方法技术

本发明专利技术公开了一种基于幂法和并行计算技术的大规模电网异常负荷识别方法，包括以下步骤：步骤1：同步地构造各分区数据源矩阵Xs,

Abnormal load identification method for large-scale power grid based on power method and parallel computing technology

The invention discloses a method for identifying abnormal load of large-scale power grid based on power method and parallel computing technology, which comprises the following steps: step 1: synchronously constructing data source matrix Xs of each partition;

【技术实现步骤摘要】
基于幂法和并行计算技术的大规模电网异常负荷识别方法
本专利技术属于电网异常检测
，具体设计一种基于幂法和并行计算技术的大规模电网异常负荷识别方法。
技术介绍
随着广域测量系统(WideAreaMeasurementSystem,WAMS)的日趋成熟，以及智能电网的不断演进，爆炸式增长的数据量对电网数据处理及知识提取提出了挑战。将大数据思维引入电力系统分析，从电力数据中挖掘知识及其价值应用，借助高性能计算技术实现电网运行状态的大数据思维分析与评价，对确保新一代电力系统安全具有重要的理论意义。随机矩阵理论(RandomMatrixTheory,RMT)是一种具有普适性的方法，无需详细物理模型，可以从高维角度认识复杂系统的行为特征。一方面，从基于RMT的电力系统分析理论与方法研究进展角度来看，有文献提出采用RMT中平均谱半径(MeanSpectralRadius,MSR)作为相关性指标，开展了各种影响因素与配电网运行状态之间的内在联系挖掘研究。有文献提出综合考虑了电网历史数据和实时数据，基于MSR指标提出了一种电网静态稳定态势评估的方法。有文献提出进一步利用MSR指标分析电网状态，提出了一种电网扰动定位的方法。有文献提出依据RMT原理提出了一种基于样本协方差矩阵最大特征值(MaximumEigenvalueofSampleCovarianceMatrix，MESCM)的适用于低信噪比场景的电网异常状态识别方法。然而，上述文献中案例分析大多采用数十个母线的小规模系统算例，尚未对此类方法在大规模电力系统的适应性，如基于全部特征值求解技术的MSR或MESCM指标计算效率不高，全域求解效率偏低等问题开展研究。
技术实现思路
本专利技术的目的在于克服上述缺点，提出一种能提高负荷异常识别方法的效率，并提升其在大规模电力系统中的适用性的基于幂法和并行计算技术的大规模电网异常负荷识别方法。具体来说从大维矩阵的部分特征值求取和电网分区同步计算的思路出发，从算法理论角度借助幂法加速估算MESCM指标，从技术实现角度借助多核并行计算技术实现各分区指标的准同步快速获取。本专利技术的一种基于幂法和并行计算技术的大规模电网异常负荷识别方法，包括以下步骤：步骤1：同步地构造各分区数据源矩阵Xs,z。对于一个有w个分区的大规模电力系统，可由各分区PMU采集并上传至所属分区调度控制中心主站的电压幅值或相角时序数据，分别构建相应分区数据源矩阵Xs,z，其中分区编号z＝1,2,…,w。Xs,z的表达如式(1)所示。Xs,z不仅存在随机噪声的干扰，还受到了负荷随机波动造成的影响，其异常检测模型可表达如式(2)所示，Xs,z＝(1+ψz)Xp,z+mz×ηz(2)式中Xp,z为未受噪声污染的信号矩阵，Ψz为负荷随机波动率，波动范围设置为±1％。ηz为噪声矩阵，mz为噪声幅值。步骤2：确定各分区时间窗口宽度T，并设定采样起始时刻t1；步骤3：同步地获得各分区滑动窗口矩阵Xz。依托并行计算技术，将各分区的计算任务分配给其区域计算终端完成。采用滑动窗口技术，由步骤2所得各分区时间窗口宽度T和采样起始时刻t1，从各分区的数据源矩阵Xs,z同步地获得相应分区的Nz×T维滑动窗口矩阵Xz，其中Nz是采样数据的维数，单位：个；T是滑动窗口宽度，单位：个；矩阵行列比cz，如式(3)所示，且cz∈(0,∞)，为比值，无单位。步骤4：各分区滑动窗口矩阵Xz的标准化。在各分区计算终端中，对滑动窗口矩阵Xz进行归一化处理，得到标准非厄米特矩阵(Non-HermitianMatrix)Xn，z，如式(4)所示。式中xzi＝(xzi,1,xzi,2,…,xzi,T)；μ(xzi)、σ(xzi)分别为xzi的均值和标准差；μ(xn,zi)、σ(xn,zi)分别为非Hermitian矩阵行向量xn,zi的均值和标准差。步骤5：同步地计算各分区样本协方差矩阵Sz。求标准非厄米特矩阵Xn,z的样本协方差矩阵Sz，如式(5)所示，式中上标H表示复共轭转置。步骤6：各分区样本协方差矩阵最大特征值λmax,z的估算。在各分区计算终端中，使用幂法迭代估算各分区样本协方差矩阵Sz的最大特征值λmax,z，如式(6)所示，式中uk,z表示迭代过程中最大特征值对应特征向量，vk,z表示“归一化”后的迭代向量，v0,z＝{1,1，…，1}Nz×1。当k充分大或||max(uk,z)-max(uk-1,z)||<ε时，max(uk,z)≈λmax,z。步骤7：求取各分区MESCM动态阈值γz。步骤7.1：采用经过Kaiser窗函数校正后的经典谱估计法对每个分区的信噪比分别进行估计，以任意一个分区为例。(1)假设有N≥1个PMU，其中第i(i＝1,……,N)个PMU的交流电压信号为xi，信号数据长度为T。按式(4)过滤原始信号xi中的直流分量得到xfi。(2)Kaiser窗可自定义一组可调的窗函数，其时域表示如式(8)。式中，I0(β)是第一类变形零阶贝塞尔函数，其中β＝38时估计的准确率最高。同时计算窗值wi(n)对应的均值μ(wi)，均方根值wRmsi。(3)将时域信号xfi通过离散时间傅立叶变换(DiscreteTimeFourierTransform,DTFT)变换为频域信号xi(ejω)，结合Kaiser窗值计算得到功率谱密度Pi(ejω)，如式(9)。Pi(ejω)＝(1/T)/|xi(ejω)|2(9)(4)计算真实信号功率及噪声功率时，需对频谱进行分段处理，计算功率谱密度对应带宽如式(10)。bwi＝wRmsi/(T×μ(wi)2)(10)(5)每段带宽对应功率密度平均幅值如式(11)。(6)由周期最大值法得出真实信号功率Pri,噪声信号功率Pni如式(12)。(7)利用真实信号功率与噪声信号功率的比值可得当前PMU信号的信噪比，如式(13)。(8)当噪声幅度无剧烈变化时，用ρ表示全局信噪比，如式(14)。步骤7.2、应用基于Spiked模型的阈值γ设定方法，同样以其中任意一个分区为例，阈值γ的设定如式(15)，式中，ρ为当前时刻该分区的全局信噪比估算值。c为该分区的维容比。α(0≤α≤1)为比例系数，可根据滑动窗宽度T进行调整，一般取α＝0.5。步骤8：电网状态异常越限判别。判断是否该最大特征值λmax,z大于阈值γz，若λmax,z≥γz成立，则判定电网发生状态异常，发出警告。否则，当前无异常状态，令i＝i+1，返回步骤3继续执行状态异常检测流程。其中，步骤1所述采样数据类型的选择可仅为母线电压幅值V。本专利技术与现有技术相比，具有以下优点：1、相较于传统计算全部特征值的平均谱半径MSR分析法，本专利技术基于幂法估算部分特征值的大规模电网异常负荷快速识别方法在计算效率上有显著提升。2.本专利技术方法对于大规模电力系统，采用分区并行计算技术，获得了较为理想的加速效果。附图说明图1是本专利技术的流程图；图2是实施例中的一个波兰420机2736母线系统主要联络线及分区示意图；图3是实施例中的案例一的第一分区MESCM及其动态阈值的结果；图4是实施例中的案例一的其他分区MESCM及其动态阈值的结果；图5是实施例中的案例二的MESCM偏差率结果；图6是实施例中的案例三的一个IEEE54机118母线系本文档来自技高网...

【技术保护点】
1.一种基于幂法和并行计算技术的大规模电网异常负荷识别方法，包括以下步骤：步骤1：根据目标电力系统的区域划分，利用全网PMU量测数据，构造各分区的数据源矩阵

【技术特征摘要】
1.一种基于幂法和并行计算技术的大规模电网异常负荷识别方法，包括以下步骤：步骤1：根据目标电力系统的区域划分，利用全网PMU量测数据，构造各分区的数据源矩阵Xs,z；如为模拟现场信号，可引入噪声和随机波动负荷；步骤2：采用滑动窗口技术，确定各分区时间窗口宽度T，并设定采样起始时刻t1；步骤3：依托并行计算技术，将各分区的计算任务分配给其区域计算终端完成；根据所设窗口宽度T，由各分区的数据源矩阵Xs,z同步地获得相应分区的Nz×T维滑动窗口矩阵Xz；步骤4：在各分区计算终端中，对各分区Xz的行向量同步地进行标准化处理，得到标准非厄米特矩阵(Non-HermitianMatrix)Xn,z；步骤5：在各分区计算终端中，同步地计算各分区Xn,z矩阵的样本协方差矩阵Sz；步骤6：在各分区计算终端中，同步对各分区的Sz进行幂法迭代计算，估算各分区的样本协方差矩阵最大特征值（MESCM），即Sz的最大特征值λmax,z；步骤7：在这些区域计算终端中，各分区分别估计当前时刻信噪比ρz，获得相应分区的MESCM动态阈值γz；步骤8：电网状态异常越限判别：判断是否该最大特征值λmax,z大于阈值γz，若λmax,z≥γz成立，则判定电网发生状态异常，发出警告；否则，当前无异常状态，返回步骤3继续执行状态异常检测流程。2.如权利要求1所述的基于幂法和并行计算技术的大规模电网异常负荷识别方法，其特征在于：所述步骤1中的构造数据源矩阵Xs,z：对于一个有w个分区的大规模电力系统，可由各分区PMU采集并上传至所属分区调度控制中心主站的电压幅值或相角时序数据，分别构建相应分区数据源矩阵Xs,z，其中分区编号z=1,2,…,w；Xs,z的表达如式（1）所示，(1)所述如为模拟现场信号，其中Xs,z不仅存在随机噪声的干扰，还受到了负荷随机波动造成的影响，其异常检测模型可表达如式（2）所示，(2)式中Xp,z为未受噪声污染的信号矩阵，Ψz为负荷随机波动率，波动范围设置为±1%，ηz为噪声矩阵，mz为噪声幅值。3.如权利要求1所述的基于幂法和并行计算技术的大规模电网异常负荷识别方法，其特征在于：所述步骤3中依托并行计算技术，获得相应分区滑动窗口矩阵Xz：采用滑动窗口技术，由步骤2所得各分区时间窗口宽度T和采样起始时刻t1，从各分区的数据源矩阵Xs,z同步地获得相应分区的Nz×T维滑动窗口矩阵Xz，其中Nz是采样数据的维数，单位：个；T是滑动窗口宽度，单位：个；矩阵行列比cz，如式（3）所示，(3)cz∈(0,∞)，为比值，无单位。4.如权利要求1所述的基于幂法和并行计算技术的大规模电网异常负荷识别方法，其特征在于：所述步骤4中在各分区计算终端中，将各分区滑动窗口矩阵Xz标准化：对滑动窗口矩阵Xz进行标准化处理，得到标准非厄米特矩阵(Non-HermitianMatrix)Xn,z，如式（4）所示，(4)式中xzi=(xzi,1,xzi,2,…,xzi,T)；μ(xzi)、σ(xzi)分别为xzi的均值和标准差；...

【专利技术属性】
技术研发人员：韩松，李洪乾，周忠强，
申请(专利权)人：贵州大学，
类型：发明
国别省市：贵州,52