一种电力系统低频振荡智能在线识别方法技术方案

本发明专利技术涉及一种电力系统低频振荡智能在线识别方法，本发明专利技术分为离线训练、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。本发明专利技术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。

An Intelligent Online Identification Method for Low Frequency Oscillation in Power System

【技术实现步骤摘要】
一种电力系统低频振荡智能在线识别方法
本专利技术属电网安全
，更准确地说本专利技术涉及电力系统低频振荡智能在线识别

技术介绍
随着超高压(UHV)传输技术和柔性交流(AC)传输技术的发展，现代电力系统已进入大机组，特高压，超大规模，长距离，交直接混合输电的时代。区域电网的互联互通越来越紧凑，系统的规模越来越复杂。由于电网以多种方式运行且动态特性更复杂，低频振荡问题日益突出，因此在线识别低频振荡的稳定性非常重要。电力系统低频振荡稳定性是指是指系统受到小干扰后，不发生自发振荡或非周期性失步，自动恢复到起始运行状态的能力。以往对电力系统低频振荡稳定性的分析大多是采用特征值分析、时域仿真等方法，但这些方法不考虑实际的不确定性，难以充分反映实际系统中低频振荡的稳定性水平。因此，概率性分析方法被引入低频振荡稳定性分析，计及机组状态和出力变化、负荷波动、线路参数变化等随机变量，考虑各种工况下系统低频振荡稳定性的统计概率性指标。然而，随机变量的概率模型相对简单，使得识别结果不能准确反映网格的实际情况。复杂系统的计算量大，仿真时间长，因此有必要进一步研究更有效的低频振荡稳定性识别方法。实际电力系统在运行中不断地受到各种小干扰，因而快速、准确地评估系统当前运行状态的低频振荡稳定性对于提高系统安全运行水平具有重要意义。有的识别方法属于离线识别。且识别结果不能准确判定系统当前运行状态下的低频振荡稳定性水平。在电力系统的日常运行中，存在负荷变化、变压器分接开关等随机性的小信号，给系统带来一定的随机干扰。通过测量获得的随机响应数据不仅丰富、易于获取，而且包含了大量与实际工况有关的机电振荡特性，暗示了实际电网在运行过程中的不确定性。基于随机响应数据的低频振荡稳定性识别方法受到广泛关注。本专利技术针对上述问题，提出了一种考虑电网不确定性的随机响应数据时、准确地识别电力系统低频振荡稳定性的机器学习方法。并基于保障电力系统安全稳定运行，实时了解系统的低频振荡稳定状况，提出了基于改进的CatBoost算法的低频振荡稳定性智能在线识别方法，并建立了改进的CatBoost识别系统的原始输入特征集。
技术实现思路
本专利技术基于改进的CatBoost算法的低频振荡稳定性智能在线识别方法，并建立了改进的CatBoost识别系统的原始输入特征集，主要的
技术实现思路
如下：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|ωj,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|ωj,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∈Rn×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，yi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，Nk(yi)是由原始特征集Y中样本yi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yi，d(yi,yj)是两个样本之间的欧氏距离，然后讨论了Nk(yi)中k个最近邻样本与数据集Nk(yi)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),…,(xn,yn)}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|ωj,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|ωj,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∈Rn×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，yi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，Nk(yi)是由原始特征集Y中样本yi的欧氏距离确定的k个本文档来自技高网...

【技术保护点】
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：

【技术特征摘要】
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|ωj,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|ωj,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∈Rn×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，yi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，Nk(yi)是由原始特征集Y中样本yi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yi，d(yi,yj)是两个样本之间的欧氏距离，然后讨论了Nk(yi)中k个最近邻样本与数据集Nk(yi)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),…,(xn,yn)}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...

【专利技术属性】
技术研发人员：杨军，金贻涛，吴赋章，徐箭，廖思阳，彭晓涛，孙元章，
申请(专利权)人：武汉大学，
类型：发明
国别省市：湖北,42