一种基于稳态学习机制的电网低频振荡模糊综合预警方法技术

本发明专利技术公开了一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，包括以下步骤：1)确立预警指标；2)制定稳态下功率波动学习机制；3)使用滑动窗技术对本窗口内数据进行预处理并计算预警指标值；4)使用模糊层次分析法计算当前电力系统低频振荡安全状态分值，给出安全等级实现快速预警；5)当所处状态非安全时，导出当前窗口振荡数据，启动模式辨识程序。本发明专利技术所达到的有益效果：通过快速预警与模式辨识相结合的方法可以有效弥补传统预警速度慢、存在误报、依赖电网模型的不足，实现了在仅提供实测数据的条件下，不仅能快速准确给出电网低频振荡安全状态，而且也能给调度员提供有利的模态信息采取抑制措施。

【技术实现步骤摘要】

本专利技术涉及一种基于稳态学习机制的电网低频振荡模糊综合预警方法，属于电力系统运行与控制

技术介绍
随着经济的不断发展，发电设备容量不断增加，供电范围不断扩大，传统的电力系统逐渐向大型互联系统的方向发展。同时，伴随大容量机组在电网中的投运，快速及高放大倍数励磁系统的广泛使用及大功率的输电线路和系统之间弱联系的出现，常常会引发电力系统低频振荡问题。从调度运行角度考虑，对其进行在线监测及预警分析已成为电力系统稳定性研究的热点课题之一。随着广域测量系统(WAMS)的发展及应用，利用电网状态信息能够被实时同步这一特性，并根据汇集到中心数据平台上的同步向量数据，能为电力系统低频振荡分析方法提供新的思路。现有的低频振荡分析主要通过分钟级的大电网特征值计算、实测轨迹的信号处理及小干扰理论等措施，大部分停留在事故后的离线分析，对于调度人员在危险发生前快速采取有效措施从而避免低频振荡的出现很不利。此外，现有很多成果采用在线分析的辨识算法进行监测，但大多数低频振荡辨识算法涉及到矩阵计算、模型定阶、滤波等复杂的运算，系统会花费大量时间，可能会导致CPU负荷率太高而不能实时在线运行。即便可实现在线运行，但由于低频振荡现象很少发生，从效率角度来看也不划算，无法满足低频振荡预警的实时性和准确性。由于低频振荡对电网危害严重，制约了电网输电能力，且目前并没有人结合WAMS实测数据特点研究出快速有效的低频振荡预警技术。
技术实现思路
为解决现有技术的不足，本专利技术的目的在于提供一种基于稳态学习机制的电网低频振荡模糊综合预警方法，能够保证电网安全稳定运行，减小低频振荡的发生。为了实现上述目标，本专利技术采用如下的技术方案：一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，包括如下步骤：步骤1)数据预处理，确立四项预警指标：信号幅值、峰峰值持续周期数、动态阻尼比和信号频率；步骤2)通过广域测量系统(WAMS系统)对机组有功功率或联络线有功功率历史数据进行监测，引入神经网络对历史波动值进行学习，制定稳态下的功率波动学习机制，预测有功功率波动值δ；步骤3)使用滑动窗技术对本窗口内数据进行预处理并计算四项预警指标值；步骤4)基于模糊层次分析法，对四项预警指标值，结合有功功率波动值δ建立电力系统低频振荡综合评价模型，计算当前电力系统低频振荡安全状态分值S，给出安全等级并实时更新数据；步骤5)当所处状态为非安全时，记录告警时间，并截取振荡波形，对其进行并行复合形态滤波器滤波，采用基于奇异值定阶的TLS-ESPRIT辨识方法获取模式参数。前述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤2)稳态下的功率波动机制的实现步骤如下：2.1)每隔半个小时对处理后的信号计算一次稳态下的功率波动值，获得历史9小时的波动值为a1,a2,...,a18；2.2)将a1,a2,...,a18分为11组，每组样本依次为a1～a8、a2～a9、a3～a10、a4～a11、a5～a12、a6～a13、a7～a14、a8～a15、a9～a16、a10～a17、a11～a18；2.3)取前10组样本作为历史数据样本，并用作网络训练输入样本；2.4)将最后一组样本作为网络测试时的输入样本；2.5)新建BP网络，MATLAB仿真时将隐含层的传递函数均设置为线性传递函数purelin，学习函数采用基于L-M算法的权值学习算法；2.6)设置最大迭代次数为200，误差期望值为0.001；2.7)建成网络预测模型，通过网络测试可以得出下一波动值的预测值a19，取δ＝a19作为未来半小时的有功功率波动值。前述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤3)中的预处理包含如下步骤：31)剔除异常数据：对窗口内数据采用式子|xi-μ|≥nσ进行判别，其中实际采样的数据点为xi，样本均值为μ，样本标准差为σ，n按要求设置为3～10之间的整数；32)填补丢失数据：异常数据检测后作为丢失数据处理，少量的数据丢失采用线性模型处理，大量的数据丢失对原数据进行分段处理；插值点较少时直接取其前面的正常采样值；33)去直流：原数据减去样本均值处理；34)带通处理：使用带通滤波器，只保留0.2～2.5Hz的有用信息；35)对称化处理：获取实测数据的上下包络线，对包络线插值处理求均值，将原始数据与均值相减。前述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所述步骤4)中电力系统低频振荡综合评价模型的建模过程如下：4.1)对预警指标的层次结果进行分析比较，构造判断矩阵C；4.2)层次分析法计算电网低频振荡各项指标的权值W；4.3)结合所预测的波动值δ构造各项预警指标的隶属度函数，进一步构造模糊评价矩阵R；4.4)根据权值W和模糊评价矩阵R，加权得出各指标在不同安全等级下的隶属度b，进而求得最后的安全分值S。前述的一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，所有涉及到的信号均为PMU采集的机组或联络线有功功率数据。本专利技术所达到的有益效果：(1)打破原来使用BPA或PSASP对实际电网进行仿真建模的局面，不需要了解实际电网模型，仅仅依靠实测PMU数据快速准确预警并获取相关模态信息，带来很大便利；(2)所提出的低频振荡快速预警指标从低频振荡特点、波动趋势及给电网带来危害的严重程度几个方面对电网所处状态进行标识，根据安全等级的划分判断是否存在低频振荡嫌疑，四种指标相互验证相互补充，保证了快速预警的准确性；(3)由于采用了基于模糊层次分析法的综合评价方法进行快速预警，即使存在主观因素影响或者某一项指标计算结果出现异常，也不会影响最终判断结果；(4)为电力系统安全稳定运行提供保障，而且减少了低频振荡带来的经济损失及社会问题，具有经济和社会效益。附图说明图1是本专利技术的流程图；图2是WAMS实测数据预处理流程图；图3是多层前馈神经网络结构图；图4是预警指标计算示意图；图5是基于模糊层次分析法的电网低频振荡预警指标综合评价方法流程图；图6(1)-(4)是各指标隶属度函数及对应的安全状态等级划分；图7是江苏某机组发生低频振荡前后实测有功功率波形图。具体实施方式下面结合附图对本专利技术作进一步描述。以下实例仅用于更加清楚地说明本专利技术的技术方案，而不能以此来限制本专利技术的保护范围。图1为本专利技术的原理框图，下面以实际江苏电网发生低频振荡的有功功率实测数据为例，说明本专利技术的具体实施方式。该机组发生低频振荡前后实测有功功率波形图如图7所示。本专利技术的基于稳态学习机制的电网低频振荡模糊综合预警方法实现步骤如下：步骤1)确立四项预警指标：信号幅值A1、峰峰值持续周期数A2、动态阻尼比A3、信号频率A4；步骤2)获取图7涉及的机组发生低频振荡前历史有功功率数据，时间长度为本文档来自技高网...

【技术保护点】
一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，包括如下步骤：步骤1)数据预处理，确立四项预警指标：信号幅值、峰峰值持续周期数、动态阻尼比和信号频率；步骤2)通过广域测量系统(WAMS系统)对机组有功功率或联络线有功功率历史数据进行监测，引入神经网络对历史波动值进行学习，制定稳态下的功率波动学习机制，预测有功功率波动值δ；步骤3)使用滑动窗技术对本窗口内数据进行预处理并计算四项预警指标值；步骤4)基于模糊层次分析法，对四项预警指标值，结合有功功率波动值δ建立电力系统低频振荡综合评价模型，计算当前电力系统低频振荡安全状态分值S，给出安全等级并实时更新数据；步骤5)当所处状态为非安全时，记录告警时间，并截取振荡波形，对其进行并行复合形态滤波器滤波，采用基于奇异值定阶的TLS‑ESPRIT辨识方法获取模式参数。

【技术特征摘要】
1.一种基于稳态学习机制的电网低频振荡模糊综合预警方法，其特征是，
包括如下步骤：
步骤1)数据预处理，确立四项预警指标：信号幅值、峰峰值持续周期数、
动态阻尼比和信号频率；
步骤2)通过广域测量系统(WAMS系统)对机组有功功率或联络线有功
功率历史数据进行监测，引入神经网络对历史波动值进行学习，制定稳态下的
功率波动学习机制，预测有功功率波动值δ；
步骤3)使用滑动窗技术对本窗口内数据进行预处理并计算四项预警指标
值；
步骤4)基于模糊层次分析法，对四项预警指标值，结合有功功率波动值δ
建立电力系统低频振荡综合评价模型，计算当前电力系统低频振荡安全状态分
值S，给出安全等级并实时更新数据；
步骤5)当所处状态为非安全时，记录告警时间，并截取振荡波形，对其进
行并行复合形态滤波器滤波，采用基于奇异值定阶的TLS-ESPRIT辨识方法获
取模式参数。
2.根据权利要求1所述的一种基于稳态学习机制的电网低频振荡模糊综合
预警方法，其特征是，所述步骤2)稳态下的功率波动学习机制的实现步骤如下：
2.1)每隔半个小时对处理后的信号计算一次稳态下的功率波动值，获得历史
9小时的波动值为a1,a2,...,a18；
2.2)将a1,a2,...,a18分为11组，每组样本依次为a1～a8、a2～a9、a3～a10、a4～a11、
a5～a12、a6～a13、a7～a14、a8～a15、a9～a16、a10～a17、a11～a18；
2.3)取前10组样本作为历史数据样本，并用作网络训练输入样本；
2.4)将最后一组样本作为网络测试时的输入样本；
2.5)新建BP网络，MATLAB仿真时将隐含层的传递函数均设置为线性传递
函数purelin，学习函数采用基于L-M算法的权值学习...

【专利技术属性】
技术研发人员：徐钢，顾文，王成亮，范立新，李安娜，吴熙，
申请(专利权)人：江苏省电力公司，江苏方天电力技术有限公司，东南大学，国家电网公司，
类型：发明
国别省市：江苏;32