基于样本协方差矩阵最大特征值的电网异常状态检测方法技术

本发明专利技术公开了一种基于样本协方差矩阵最大特征值的电网异常状态检测方法，包括以下步骤：步骤1：构造数据源矩阵Xs；步骤2：获得滑动窗口矩阵X；步骤3：滑动窗口矩阵X的标准化；步骤4：获得样本协方差矩阵S；步骤5：求取样本协方差矩阵最大特征值

【技术实现步骤摘要】
基于样本协方差矩阵最大特征值的电网异常状态检测方法
本专利技术属于电网异常检测
，具体涉及一种基于样本协方差矩阵最大特征值(MaximumEigenvalueofSampleCovarianceMatrix，MESCM)的电网异常状态检测方法。
技术介绍
以同步相量测量装置(SynchronizedPhasorMeasurementUnits，PMU)为基础的广域测量系统(WideAreaMeasurementSystem,WAMS)日趋成熟，所产生的数据量正呈指数级增长。将大数据技术引入传统电力系统分析中，深入开展基于数据驱动的运行状态数据挖掘、提取、分析与融合的研究，实现电网运行状态的“大数据思维”分析与评价，对于我国“互联网+”智能电网的发展具有重要的理论意义。大数据本质上是一种方法论或认知论，它认为数据是一种主体的内部机理特征或运行演变规律的外在表象。数据驱动是大数据的核心思想，即主要行为决策的制定主要取决于数据分析，而并非物理建模分析或直觉经验，具体来说，是认知者通过分析所收集到的整体/局部数据的统计特性来认知主体。当前，主流的数据驱动方法有神经网络、支持向量机(SupportVectorMachine，SVM)、聚类法、主成份分析法(PrincipalComponentAnalysis，PCA)及随机矩阵理论(RandomMatrixTheory，RMT)等。神经网络一个最主要的特点在于其具有大量可调的自由参数，这使得其构建起的模型具有较高的灵活性。但另一方面却缺乏有力的理论指导和支撑，大多数情况下仍过分依赖于经验，带有一定程度的随机性；SVM具有严谨的理论基础，仅仅需要少量的样本，对样本的维数不敏感等优势，但过度依赖核函数等问题成为发展的阻碍；聚类是一个无监督学习过程，因此确定最佳聚类数是一项困难的工作。PCA可以发现和辨别一些事件，且具有一定的冗余和容错性，但结果与训练过程强相关，训练过程不合适(如主元空间选择不当)或者系统中发生未经过训练的事件时，PCA的效果将不尽人意。随机矩阵理论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的电力系统分析应用研究进展角度来看，有文献提出了一种基于RMT的电力系统大数据应用架构，并给出了输电网运行状态异常检测方法。在此基础上，有文献利用增广矩阵，采用平均谱半径(MeanSpectralRadius，MSR)指标，进一步提出了一种配电网运行状态相关性分析方法。有文献采用了相同评价指标，从整体上分析了不同扰动对于电力系统暂态稳定性影响程度和影响范围的分析。继而有文献进一步利用历史数据和实时数据建立了随机矩阵模型，通过数据融合，借助平均谱半径指标，基于IEEE39母线算例，实现了静态稳定态势评估。但广域测量系统中同步相量测量数据涉及现场测量点多、电磁环境复杂、通信距离远的特点，有较高的信噪比降低风险。而现有基于RMT的电力系统分析应用研究中，鲜有涉及上述方法在低信噪比场景下的适应性。此外，传统平均谱半径方法在低信噪比场景下具有电网异常状态潜在的失效问题，而且传统基于随机矩阵理论的电网异常状态检测方法的计算耗时，计算效率低。
技术实现思路
本专利技术的目的在于克服上述缺点，提出一种能解决了传统平均谱半径方法在低信噪比场景下进行电网异常状态潜在的失效问题，同时通过减少计算环节，节省了传统基于随机矩阵理论的电网异常状态检测方法的计算耗时，显著提升了计算效率的基于样本协方差矩阵最大特征值的电网异常状态检测方法。本专利技术的一种基于样本协方差矩阵最大特征值(MaximumEigenvalueofSampleCovarianceMatrix，MESCM)的电网异常状态检测方法，包括以下步骤：步骤1：数据源矩阵Xs的构造。假设一个电网有N≥1个同步相量测量单元接收端，在任意采样时刻ti，所接受的信号可构成一个列向量，如式(1)所示，xs(ti)＝(x1,x2,...,xN)T(1)将各个采样时刻的数据按照时间顺序排列，可以构成一个二维矩阵，即数据源矩阵Xs，如式(2)所示，步骤2：滑动窗口矩阵X的获得。采用滑动窗口技术分析量测数据，从数据源矩阵Xs中取得当前采样时刻ti的N×T维的滑动窗口矩阵X，其中N是采样数据的维度，单位：个；T是窗口宽度，单位：个；矩阵行列比c，如式(3)所示，且满足以下条件，即c∈(0,1]，为比值，无单位。步骤3：滑动窗口矩阵X的标准化。对滑动窗口矩阵X进行归一化处理，得到标准非厄米特矩阵(Non-HermitianMatrix)如式(4)所示。式中1≤i≤N,1≤j≤T，xi＝(xi,1,xi,2,…,xi,T)；σ(xi)分别为xi的均值和标准差；分别为的均值和标准差，且步骤4：样本协方差矩阵S的获得。求矩阵的样本协方差矩阵S，如式(5)所示，式中上标H表示复共轭转置。步骤5：样本协方差矩阵最大特征值λmax的求取。计算样本协方差矩阵S的特征值，并从中筛选出最大特征值作为电网异常状态检测指标λmax。步骤6：电网状态异常越限判别。判断是否该最大特征值λmax大于阈值γ，若λmax≥γ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2继续执行状态异常检测流程。其中，步骤6所述阈值的设定，如式(6)所示，式中c为前述滑动窗口矩阵X的矩阵行列比，kγ为结合异常事件分级告警的思路，设置的阈值裕度，一般为1.2。其中，步骤1所述采样数据类型的选择为母线电压幅值V、母线电压相角θ以及发电机功角信号δ。其中，步骤1所述采样数据维数N的选择：各采样数据维数应结合应用需求，以满足所监测区域电力系统的系统可观性为前提，并考虑一定冗余度。从中国大区联合电力系统应用需求来看，采样数据涉及的对象一般宜包括其范围内所有的1000kV变电站1000kV和500kV母线、所有的500kV变电站500kV和220kV母线、所有的接入500kV电压等级电网的大型区域性发电厂500kV母线和机端电压母线、重要的接入220kV电压等级电网的中型局域性发电厂220kV母线和机端电压母线、以及重要的220kV变电站220kV母线。从中国省级电力系统应用需求来看，采样数据涉及的对象一般宜包括其范围内所有的1000kV变电站1000kV和500kV母线、所有的500kV变电站500kV和220kV母线、所有的接入500kV电压等级电网的大型区域性发电厂500kV母线和机端电压母线、所有的接入220kV电压等级电网的中型局域性发电厂220kV母线和机端电压母线、以及所有的220kV变电站220kV母线、重要的接入110kV电压等级电网的中小型局域性发电厂110kV母线和机端电压母线、以及重要的110kV变电站110kV母线。其中，步骤2所述滑动窗口宽度T的选择，该变量表示滑动窗口内离散采样点的数量。就暂态事件异常检测应用来说，一般所述滑动窗口时间宽度为10～30秒，采样频率100Hz，即T＝1000～3000。就稳态事件异常检测应用来说，一般所述滑动窗口时间宽度为300～900秒，采样频率10Hz，即T＝3000～9000。本专利技术与现有技术相比，具有以下优点：1、相较于传统的平均谱半径分析法，本本文档来自技高网...

【技术保护点】
1.一种基于样本协方差矩阵最大特征值的电网异常状态检测方法，包括以下步骤：步骤1：构造数据源矩阵Xs：利用电网多个同步相量测量单元接收端，将各个采样时刻的数据按照时间顺序排列，构成一个多维矩阵，即数据源矩阵Xs；步骤2：获得滑动窗口矩阵X：采用滑动窗口技术分析量测数据，从数据源矩阵Xs中取得当前采样时刻的滑动窗口矩阵X；步骤3：滑动窗口矩阵X的标准化：对滑动窗口矩阵X进行归一化处理；步骤4：获得样本协方差矩阵S：对归一化处理的滑动窗口矩阵，求样本协方差矩阵S；步骤5：求取样本协方差矩阵最大特征值

【技术特征摘要】
1.一种基于样本协方差矩阵最大特征值的电网异常状态检测方法，包括以下步骤：步骤1：构造数据源矩阵Xs：利用电网多个同步相量测量单元接收端，将各个采样时刻的数据按照时间顺序排列，构成一个多维矩阵，即数据源矩阵Xs；步骤2：获得滑动窗口矩阵X：采用滑动窗口技术分析量测数据，从数据源矩阵Xs中取得当前采样时刻的滑动窗口矩阵X；步骤3：滑动窗口矩阵X的标准化：对滑动窗口矩阵X进行归一化处理；步骤4：获得样本协方差矩阵S：对归一化处理的滑动窗口矩阵，求样本协方差矩阵S；步骤5：求取样本协方差矩阵最大特征值：计算样本协方差矩阵S的特征值，并从中筛选出最大特征值作为电网异常状态检测指标；步骤6：电网状态异常越限判别：判断是否该最大特征值大于阈值，若成立，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2继续执行状态异常检测流程。2.如权利要求1所述的基于样本协方差矩阵最大特征值的电网异常状态检测方法，其特征在于：所述步骤1中的构造数据源矩阵Xs：利用电网多个同步相量测量单元接收端，在任意采样时刻ti，所接受的信号可构成一个列向量，如式（1）所示，将各个采样时刻的数据按照时间顺序排列，可以构成一个二维矩阵，即数据源矩阵Xs，如式(2)所示，。3.如权利要求1所述的基于样本协方差矩阵最大特征值的电网异常状态检测方法，其特征在于：所述步骤2中的获得滑动窗口矩阵X：采用滑动窗口技术分析量测数据，从数据源矩阵Xs中取得当前采样时刻ti的N×T维的滑动窗口矩阵X，其中N是采样数据的维数，单位：个；T是滑动窗口宽度，单位...

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