基于PMU测量相量的次同步振荡识别与告警方法技术

本发明专利技术公开了一种基于PMU测量相量的次同步振荡识别与告警方法，基于支持向量机算法实现对次同步振荡的快速识别，在此基础上，基于FFT频谱分析，过滤由噪声引起的间谐波分量，通过设置自适应的振荡持续时间阈值，及时进行次同步振荡告警。该方法能够快速、准确地识别次同步振荡行为，并能有效区分振荡和疑似振荡的噪声，对敏感频率、能量累计较多、振荡发散较快的危险振荡行为及时做出反应，并且在相对安全的状态下保证不误发告警信息，因此采用基于PMU测量相量的次同步振荡识别与告警方法具有十分显著的优点。

【技术实现步骤摘要】
基于PMU测量相量的次同步振荡识别与告警方法
本专利技术涉及电力系统
，尤其涉及一种基于PMU测量相量的次同步振荡识别与告警方法。
技术介绍
大力发展新能源是我国保障能源安全、应对气候变化的重要举措，风电、光伏是我国新能源利用的主要方式，在“三北”地区建设千万千瓦级风电/光伏基地、利用特高压直流送出是我国可再生能源开发利用的主导形式。大规模新能源汇集地区，新能源并网需装设大量电力电子设备，会将次/超同步谐波分量引入电力信号，从而造成电力系统次同步振荡现象。哈密-郑州直流送端风电基地稳定问题突出，次同步振荡现象多发，严重时引起3台660MW火电机组跳机。因此，次同步振荡的实时监测对电网安全稳定运行至关重要。同步相量测量单元(PhasorMeasurementUnits,PMUs)具有同步性、快速性和精确性，可实现电力系统动态实时监测。目前基于PMU的电力系统次同步振荡识别，需要对大量的数据点进行FFT频谱分析，根据所得间谐波分量的频率、幅值以及连续出现的次数来辨别。这种方式运算量大，用时长，在对次同步振荡识别的快速性上尚有提升空间。
技术实现思路
本专利技术的目的是提供一种基于PMU测量相量的次同步振荡识别与告警方法，能够快速、准确地识别次同步振荡行为，并及时进行次同步振荡告警。本专利技术的目的是通过以下技术方案实现的：一种基于PMU测量相量的次同步振荡识别与告警方法，包括：采用支持向量机算法，对有次同步振荡与无次同步振荡的PMU测量相量数据中提取出的特征向量在三维空间中区分开，从而训练出相应的分类器；对于PMU新测得的类型未知的数据，将提取出的特征输入至分类器，实现次同步振荡的识别，得到有次同步振荡行为的数据窗中的数据；将有次同步振荡行为的数据窗中的数据进行FFT频谱分析，提取间谐波分量频率与幅值；利用间谐波分量幅值与预先确定的幅值阈值滤除噪声引起的间谐波分量，再根据剩余间谐波分量的频率与自适应的振荡持续时间阈值的关系，来判断是否产生告警信号。由上述本专利技术提供的技术方案可以看出，基于支持向量机算法的实现对次同步振荡的快速识别，在此基础上，基于FFT频谱分析，过滤由噪声引起的间谐波分量，通过设置自适应的振荡持续时间阈值，及时进行次同步振荡告警。该方法能够快速、准确地识别次同步振荡行为，并能有效区分振荡和疑似振荡的噪声，对敏感频率、能量累计较多、振荡发散较快的危险振荡行为及时做出反应，并且在相对安全的状态下保证不误发告警信息，因此采用基于PMU测量相量的次同步振荡识别与告警方法具有十分显著的优点。附图说明为了更清楚地说明本专利技术实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。图1为本专利技术实施例提供的支持向量机算法原理图；图2为本专利技术实施例提供的一种基于PMU测量相量的次同步振荡识别与告警方法的流程图；图3为本专利技术实施例提供的振荡与非振荡的数据窗三种特征对比图图4为本专利技术实施例提供的训练样本中的两类支持向量及分界面示意图图5为本专利技术实施例提供的间谐波分量的幅值百分比随时间的变化及相应的幅值阈值示意图；图6为本专利技术实施例提供的经幅值阈值作用后的间谐波分量幅值百分比变化示意图；图7为本专利技术实施例提供的能量累计、能量累计加权总和随时间的变化图。具体实施方式下面结合本专利技术实施例中的附图，对本专利技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本专利技术的保护范围。随着大数据技术在电力系统中应用的逐步深化，从海量PMU量测数据中提取次同步振荡的共性特征，利用人工智能方法进行学习，从而用于次同步振荡的快速识别与告警成为可能。因此本专利技术基于PMU测量相量，以及人工智能方法中的支持向量机算法，提出了一种基于PMU测量相量的次同步振荡识别与告警方法。在介绍本专利技术所提供的方法之前，首先针对支持向量机算法做相关介绍。支持向量机算法是一种可用于分类的机器学习算法，为有监督学习算法。给定有标签的训练样本集：D＝{(x1,y1),(x2,y2),…,(xm,ym)},yi∈{-1,+1}，xi为n维向量，m为样本数目。基本思路是基于训练集D在样本空间找到一个划分超平面，将不同类别的样本点分开。如图1所示，满足条件的划分超平面有多个，支持向量机算法的思想是通过寻找n维空间中两类点中的支持向量点，使不同类别的支持向量点到划分超平面的距离之和最大，获得一个鲁棒性最强、位于两类训练样本“正中间”的分界面，从而能够对新鲜样本具有最强的适应能力。在样本空间中，划分超平面通过如下线性方程描述：ωTx+b＝0其中ω＝(ω1；ω2；…；ωd)为法向量，决定了超平面的方向；b为位移项，决定了超平面与原点之间的距离。划分超平面可被法向量ω和位移b确定。为找到鲁棒性最强的分界面，建立条件极值方程，即支持向量机的基本型为：s.t.yi(ωTxi+b)≥1,i＝1,2,…,m使用拉格朗日乘子法可得到其“对偶问题”。上述的每条约束添加拉格朗日乘子αi≥0，得到该问题的拉格朗日函数为：其中α＝(α1；α2；…；αm)。求得对偶问题：αi≥0,i＝1,2,…,m解出α后，求出ω和b即可得到模型：上述过程需满足KKT条件，要求：αi≥0；yif(xi)-1≥0；αi(yif(xi)-1)＝0.对任意训练样本(xi,yi)，总有αi＝0或yif(xi)＝1。若αi＝0，则该样本将不会在式f(x)的求和中出现，也就不会对f(x)有任何影响；若αi＞0，则必有yif(xi)＝1，所对应的样本点位于最大间隔边界上，是一个支持向量。这显示出支持向量机的一个重要性质：训练完成后，大部分的训练样本都不需要保留，最终模型仅与支持向量有关。若训练样本不是线性可分的，即在n维原始样本空间中无法找到一个划分超平面将训练样本中的两类点正确划分，则需要将样本从原始空间映射到一个更高维的特征空间，使得样本在这个特征空间中线性可分。从低维映射到高维的过程常通过选取核函数来实现。核函数隐式地定义了一个高维特征空间，核函数的选择决定着样本能否在特征空间中线性可分，从而影响着支持向量机的分类性能。现实任务中，往往很难确定合适的核函数使得训练样本在特征空间线性可分，且过度强调线性可分可能造成过拟合。为缓解该问题，引入“软间隔”的概念，允许支持向量机在少量样本上出错。如图2所示，为本专利技术实施例提供的一种基于PMU测量相量的次同步振荡识别与告警方法，主要包括如下步骤：...

【技术保护点】
1.一种基于PMU测量相量的次同步振荡识别与告警方法，其特征在于，包括：/n采用支持向量机算法，对有次同步振荡与无次同步振荡的PMU测量相量数据中提取出的特征向量在三维空间中区分开，从而训练出相应的分类器；/n对于PMU新测得的类型未知的数据，将提取出的特征输入至分类器，实现次同步振荡的识别，得到有次同步振荡行为的数据窗中的数据；/n将有次同步振荡行为的数据窗中的数据进行FFT频谱分析，提取间谐波分量频率与幅值；利用间谐波分量幅值与预先确定的幅值阈值滤除噪声引起的间谐波分量，再根据剩余间谐波分量的频率与自适应的振荡持续时间阈值的关系，来判断是否产生告警信号。/n

【技术特征摘要】
1.一种基于PMU测量相量的次同步振荡识别与告警方法，其特征在于，包括：
采用支持向量机算法，对有次同步振荡与无次同步振荡的PMU测量相量数据中提取出的特征向量在三维空间中区分开，从而训练出相应的分类器；
对于PMU新测得的类型未知的数据，将提取出的特征输入至分类器，实现次同步振荡的识别，得到有次同步振荡行为的数据窗中的数据；
将有次同步振荡行为的数据窗中的数据进行FFT频谱分析，提取间谐波分量频率与幅值；利用间谐波分量幅值与预先确定的幅值阈值滤除噪声引起的间谐波分量，再根据剩余间谐波分量的频率与自适应的振荡持续时间阈值的关系，来判断是否产生告警信号。


2.根据权利要求1所述的一种基于PMU测量相量的次同步振荡识别与告警方法，其特征在于，所述采用支持向量机算法，对有次同步振荡与无次同步振荡的PMU测量相量数据中提取出的特征向量在三维空间中区分开，从而训练出相应的分类器包括：
取历史和/或仿真的PMU电流相量的幅值数据作为训练数据；设置一定的窗长，对每个窗内的数据进行特征提取和降维，从而将一定长度的幅值序列表示为三维空间中的坐标点；再利用传统FFT方法确定每个坐标点的标签，定义：振荡类别标签值为+1，非振荡类别标签值为-1，所述振荡是指次同步振荡；并且，对于每个数据窗内的数据，若连续升降点数超过一定值，则给相应数据窗加一个低频标记，表明其中存在低频分量，若相应数据窗的类别为振荡，则将低频振荡与次同步振荡加以区分；
选取核函数，寻找三维空间中两种类别的坐标点各自的支持向量，并根据使不同类别的支持向量到分界面的距离之和最大这一判据，确定振荡和非振荡的分界面，基于训练数据训练形成分类器。


3.根据权利要求1所述的一种基于PMU测量相量的次同步振荡识别与告警方法，其特征在于，所述对于PMU新测得的类型未知的数据，将提取出的特征输入至分类器，实现次同步振荡的识别包括：
对于PMU新测得的类型未知的数据，设置与分类器训练时相同的窗长，对每个窗内的数据进行特征提取和降维，从而将一定长度的幅值序列表示为三维空间中的坐标点；
对于存在低频分量的数据窗加低频标记，存在低频标记的数据窗，直接判为非振荡类别；对于无低频标记的数据窗，利用分类器进行类别的判定。


4.根据权利要求2或3所述的一种基于PMU测量相量的次同步振荡识别与告警方法，其特征在于，三维空间中各维度上的取值分别为：有规律点的数目、包络线波动指数以及平稳子序列点数；其中：
有规律点的数目的计算方式包括：
设时间上连续的三个数据窗内的PMU电流相量的幅值序列分别为A1、A、A2，将它们按顺序排列构成幅值序列A’，从幅值序列A’第二个数据点起，若当前数据点相比之前一个点上升或不变，在当前数据点处标记1，若下降标记-1，从而构造出升降表征序列B1；
根据升降表征序列B1，每出现连续m个1或者-1，记一个m，得到连续升降点数序列C1；
找出连续升降点数序列C1中数值表现为周期性变化的子序列，每周期至少2个数据点；子序列对应的幅值序列A’中的子序列段为可能的振荡序列段，对该子序列段中的所有点做标记；
计数幅值序列A中有标记的点的数目，即为幅值序列A所在数据窗的有规律点的数目；
包络线波动指数的计算方式包括：
取完整PMU电流相量的幅值序列A及与幅值序列A在时间上相邻的，幅值序列A1的最后一个点、幅值序列A2的第一个点，将幅值序列A1的最后一个数据点作为幅值序列A第1个数据点的前相邻点，将幅值序列A2的第一个数据点作为幅值序列A最后1个数据点的后相邻点，遍历幅值序列A中各数据点，若当前数据点数值...

【专利技术属性】
技术研发人员：刘灏，亓源，毕天姝，熊文，王莉，危国恩，
申请(专利权)人：华北电力大学，广东电网有限责任公司广州供电局，
类型：发明
国别省市：北京;11