基于聚类的电力系统暂态功角稳定故障筛选方法及装置制造方法及图纸

本发明专利技术公开了一种基于聚类的电力系统暂态功角稳定故障筛选方法及装置，针对每个故障，基于在线安全分析应用暂态稳定评估功能存储的结果数据，根据暂态功角裕度范围对历史数据抽样；将暂态功角稳定性和稳定模式都一致且暂态功角裕度相近的样本聚类成若干历史运行方式簇，以轮廓系数法确定每个故障的最优簇数。对指定运行方式的每个故障进行分类，再估算其暂态功角裕度；最后得到由暂态功角失稳故障集和暂态功角估算裕度大于设定阈值的暂态功角稳定故障组成的严重故障集。采用本发明专利技术可以快速对在线分析应用考察的暂态功角稳定评估故障集进行筛选，有效减少暂态功角稳定评估的故障数量，从而提高暂态安全稳定分析的计算速度。

Method and device of fault selection for transient power angle stability of power system based on Clustering

【技术实现步骤摘要】
基于聚类的电力系统暂态功角稳定故障筛选方法及装置
本专利技术涉及电力系统安全稳定分析
，尤其涉及一种基于聚类的电力系统暂态功角稳定故障筛选方法及装置。
技术介绍
随着电网实时运行数据的在线安全稳定分析应用功能的广泛的应用，在线暂态安全稳定分析现已成为大电网调度运行的迫切需求和重要参考指标，其计算周期一般要求在5分钟之内完成。随着交直流混合大电网的建设，电力系统规模逐年增大，需要进行在线暂态安全稳定分析的预想故障数也随着增多，单个故障的评估时间也会变长。对于数千台发电机，数万个计算节点的大电网，如果不对预想故障进行筛选，在5分钟之内完成上万个预想故障的暂态安全稳定分析，则需要配置大量的计算资源。通常的解决方法是电网调度运行人员凭离线分析经验筛选出少量的预想故障进行在线暂态安全稳定分析，其可靠性与电网调度运行人员的经验紧密相关。因此，急需提出电力系统在线暂态安全稳定分析预想故障筛选方法，降低预想故障集的设置与电网调度运行人员经验的依赖程度。
技术实现思路
本专利技术的目的在于提供一种基于聚类的电力系统暂态功角稳定故障筛选方法及装置，可以快速对在线分析应用考察的故障进行筛选，有效减少暂态稳定评估的故障数量，从而提高暂态安全稳定分析的计算速度。本专利技术是采用以下技术方案实现的，具体地说，包括如下步骤：基于聚类的电力系统暂态功角稳定故障筛选方法，包括：(1)针对每个故障获取训练样本集；所述训练样本集从基于在线安全分析应用暂态功角稳定评估存储的历史数据中，按照暂态功角裕度范围进行抽样获取；(2)对所述训练样本集按照聚类原则进行聚类；所述聚类原则为：将与基准方式的暂态功角稳定性和稳定模式均一致，且暂态功角裕度相近的训练样本聚类成一簇；(3)根据每轮的聚类结果确定聚类的最优簇数；(4)基于所述聚类的最优簇数，计算指定运行方式的待考察故障的暂态功角裕度估算值；(5)根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选。前述的按照暂态功角裕度范围进行抽样，包括：将暂态功角裕度的取值范围[-100,100]，分为两个裕度段[-100,0)和[0,100]；在两个裕度段中分别设定抽样档位d1和d2，得到[-100，-d1)，[-d1,0)，[0,d2)，[d2,100]四个抽样档位分段；计算各个抽样档位分段所需抽样的样本数量：其中，Yi表示第i个抽样档位分段所需抽样的样本数量，Di表示第i个抽样档位分段的历史数据数量，N表示历史数据总量；从每个抽样档位分段的历史数据中随机抽取Yi个历史数据作为训练样本，所有抽样档位分段的训练样本作为此故障的训练样本集。前述的基准方式选取包括：初始聚类时随机选择簇集合为空，第一个训练样本归为新生成的第一个簇，同时也是作为第一个簇的基准方式；对训练样本按照聚类原则进行聚类，若无法归入已有簇，则该训练样本单独成为新的一簇，第一个加入该簇的训练样本作为该簇的基准方式；聚类过程中，采用K均值算法计算簇的虚拟中心点，将与虚拟中心点的欧氏距离最近的簇内的样本作为该簇新的基准方式。前述的对所述训练样本集按照聚类原则进行聚类，包括：11)待聚类的训练样本与基准方式的暂态功角稳定性一致，包括：其中，Mbi为第i个簇的基准方式的暂态功角裕度；Mj为待聚类的训练样本j的暂态功角裕度，其中，j∈[1,J]，J表示未聚类的样本数量；当W为1时表示两者暂态功角稳定性一致，为0时表示两者暂态功角稳定性不同；12)待聚类的训练样本与基准方式的稳定模式一致需满足以下三个条件：a)待聚类的训练样本j的领前群机组Gadv-j和第i个簇的基准方式的领前群机组Gadv-i中的机组个数，机组名称，机组投停状态完全一致；b)待聚类的训练样本j的滞后群机组Glft-j和第i个簇的基准方式的滞后群机组Glft-i中的机组个数，机组名称，机组投停状态完全一致；c)待聚类的训练样本j的关键线路Lline-j和第i个簇的基准方式的关键线路Lline-i的线路个数、线路名称、投停状态完全一致；13)待聚类的训练样本与基准方式的暂态功角裕度相近的判断条件为：|Mbi-Mj|≤Mmax其中，Mj表示聚类的训练样本j的暂态功角裕度，Mmax为设定的阈值。前述的聚类的结束条件为：聚类的簇的数量和基准方式均不再变化或到达指定迭代次数后终止。前述的根据每轮的聚类结果确定聚类的最优簇数，包括：31)针对每轮迭代后的聚类结果，分别采用欧氏距离法进行簇内不相似度和簇间不相似度计算，计算如下：计算训练样本i到同簇其余训练样本的平均欧氏距离ai，称之为簇内不相似度；计算训练样本i到簇Cj中所有训练样本的平均欧氏距离bi,j，再取bi,j的最小值bi，称之为簇间不相似度；32)根据训练样本i的簇内不相似度和簇间不相似度，计算训练样本i的轮廓系数：同簇中所有训练样本的轮廓系数均值称为本轮聚类的轮廓系数：其中，M表示同簇中所有训练样本总数；33)根据每轮聚类的轮廓系数，选取所有轮次中轮廓系数的最大值对应的簇数作为聚类的最优簇数。前述的基于所述聚类的最优簇数，计算指定运行方式的待考察故障的暂态功角裕度估算值，包括：41)从指定运行方式中提取每个待考察故障的关键特征量和辅助特征量，并对关键特征量进行归一化处理；42)计算与指定运行方式辅助特征量一致的簇的基准方式之间的欧氏距离，取所述聚类的最优簇数中距离不大于ηdmin的X个簇，将暂态功角裕度不小于0的簇记为稳定集合Ca，将暂态功角裕度小于0的簇记为失稳集合Cb；其中，dmin为最近欧氏距离，η为不小于1的浮点数，X为大于0的整数；43)选择参考簇：优先选择所述失稳集合Cb中欧氏距离最近的簇作为参考簇，如果失稳集合Cb为空，则从稳定集合Ca中选择欧氏距离最近的簇作为参考簇；44)取所述参考簇的基准方式，计算暂态功角裕度估算值：其中，M表示待考察故障的暂态功角裕度估算值，Mb为参考簇的暂态功角裕度，表示参考簇的基准方式中领前群中第j个机组的稳定参与因子在该簇包含训练样本集的平均值，表示参考簇的基准方式中滞后群中第j个机组的稳定参与因子在该簇包含样本集的平均值，P1b,j表示参考簇的基准方式中领前群第j个机组的有功功率归一化后的值，P′2b,j表示参考簇的基准方式中滞后群第j个机组的有功功率归一化后的值，P′j表示指定运行方式中领前群中第j个机组的有功功率归一化后的值，P″j表示指定运行方式中滞后群中第j个机组的有功功率归一化后的值，Gadv和Glft分别为领前群和滞后群机组集合。前述的提取训练样本的稳定参与因子绝对值不小于设定阈值的领前群机组和滞后群机组作为关键机组，并取关键机组的有功功率作为关键特征量；提取关键机组的投停状态和交流线路的投停状态作为辅助特征量；对关键特征量进行归一化处理，包括：采用z-score平均数方差法对关键特征量进行数据预处理，然后按照下式进行归一化：其中，pk为某机组在第k个训练样本的有功功率，和σx为该机组在所有样本的均值和标准差，p'k为归一化后得到的值。前述的根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选，包括：51)待考察故障的暂态功角裕度估算值小于0表示暂态功角失稳，否则为暂态功角稳定；将暂态功角失稳的所有待考察故障加入到严重故障集中；52)将暂态功角裕度阈值设为本文档来自技高网...

【技术保护点】
1.基于聚类的电力系统暂态功角稳定故障筛选方法，其特征在于，包括：(1)针对每个故障获取训练样本集；所述训练样本集从基于在线安全分析应用暂态功角稳定评估存储的历史数据中，按照暂态功角裕度范围进行抽样获取；(2)对所述训练样本集按照聚类原则进行聚类；所述聚类原则为：将与基准方式的暂态功角稳定性和稳定模式均一致，且暂态功角裕度相近的训练样本聚类成一簇；(3)根据每轮的聚类结果确定聚类的最优簇数；(4)基于所述聚类的最优簇数，计算指定运行方式的待考察故障的暂态功角裕度估算值；(5)根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选。

【技术特征摘要】
1.基于聚类的电力系统暂态功角稳定故障筛选方法，其特征在于，包括：(1)针对每个故障获取训练样本集；所述训练样本集从基于在线安全分析应用暂态功角稳定评估存储的历史数据中，按照暂态功角裕度范围进行抽样获取；(2)对所述训练样本集按照聚类原则进行聚类；所述聚类原则为：将与基准方式的暂态功角稳定性和稳定模式均一致，且暂态功角裕度相近的训练样本聚类成一簇；(3)根据每轮的聚类结果确定聚类的最优簇数；(4)基于所述聚类的最优簇数，计算指定运行方式的待考察故障的暂态功角裕度估算值；(5)根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选。2.根据权利要求1所述的基于聚类的电力系统暂态功角稳定故障筛选方法，其特征在于，所述按照暂态功角裕度范围进行抽样，包括：将暂态功角裕度的取值范围[-100,100]，分为两个裕度段[-100,0)和[0,100]；在两个裕度段中分别设定抽样档位d1和d2，得到[-100，-d1)，[-d1,0)，[0,d2)，[d2,100]四个抽样档位分段；计算各个抽样档位分段所需抽样的样本数量：其中，Yi表示第i个抽样档位分段所需抽样的样本数量，Di表示第i个抽样档位分段的历史数据数量，N表示历史数据总量；从每个抽样档位分段的历史数据中随机抽取Yi个历史数据作为训练样本，所有抽样档位分段的训练样本作为此故障的训练样本集。3.根据权利要求1所述的基于聚类的电力系统暂态功角稳定故障筛选方法，其特征在于，所述基准方式选取包括：初始聚类时随机选择簇集合为空，第一个训练样本归为新生成的第一个簇，同时也是作为第一个簇的基准方式；对训练样本按照聚类原则进行聚类，若无法归入已有簇，则该训练样本单独成为新的一簇，第一个加入该簇的训练样本作为该簇的基准方式；聚类过程中，采用K均值算法计算簇的虚拟中心点，将与虚拟中心点的欧氏距离最近的簇内的样本作为该簇新的基准方式。4.根据权利要求1所述的基于聚类的电力系统暂态功角稳定故障筛选方法，其特征在于，所述对所述训练样本集按照聚类原则进行聚类，包括：11)待聚类的训练样本与基准方式的暂态功角稳定性一致，包括：其中，Mbi为第i个簇的基准方式的暂态功角裕度；Mj为待聚类的训练样本j的暂态功角裕度，其中，j∈[1,J]，J表示未聚类的样本数量；当W为1时表示两者暂态功角稳定性一致，为0时表示两者暂态功角稳定性不同；12)待聚类的训练样本与基准方式的稳定模式一致需满足以下三个条件：a)待聚类的训练样本j的领前群机组Gadv-j和第i个簇的基准方式的领前群机组Gadv-i中的机组个数，机组名称，机组投停状态完全一致；b)待聚类的训练样本j的滞后群机组Glft-j和第i个簇的基准方式的滞后群机组Glft-i中的机组个数，机组名称，机组投停状态完全一致；c)待聚类的训练样本j的关键线路Lline-j和第i个簇的基准方式的关键线路Lline-i的线路个数、线路名称、投停状态完全一致；13)待聚类的训练样本与基准方式的暂态功角裕度相近的判断条件为：|Mbi-Mj|≤Mmax其中，Mj表示聚类的训练样本j的暂态功角裕度，Mmax为设定的阈值。5.根据权利要求1所述的基于聚类的电力系统暂态功角稳定故障筛选方法，其特征在于，所述聚类的结束条件为：聚类的簇的数量和基准方式均不再变化或到达指定迭代次数后终止。6.根据权利要求1所述的基于聚类的电力系统暂态功角稳定故障筛选方法，其特征在于，所述根据每轮的聚类结果确定聚类的最优簇数，包括：31)针对每轮迭代后的聚类结果，分别采用欧氏距离法进行簇内不相似度和簇间不相似度计算，计算如下：计算训练样本i到同簇其余训练样本的平均欧氏距离ai，称之为簇内不相似度；计算训练样本i到簇Cj中所有训练样本的平均欧氏距离bi,j，再取bi,j的最小值bi，称之为簇间不相似度...

【专利技术属性】
技术研发人员：郭剑，徐泰山，朱炳铨，王胜明，徐雄峰，卢耀华，王雄飞，徐奇锋，邵伟，倪秋龙，查显煜，徐立中，童存智，宋东阔，
申请(专利权)人：国电南瑞科技股份有限公司，国网浙江省电力有限公司，南瑞集团有限公司，国家电网有限公司，
类型：发明
国别省市：江苏,32