【技术实现步骤摘要】
一种基于同步相量测量的无监督电力系统扰动识别方法
[0001]本专利技术涉及同步相量测量应用
,尤其涉及一种基于同步相量测量的无监督电力系统扰动识别方法。
技术介绍
[0002]在新型电力系统的发展背景下,高比例可再生能源和高比例电力电子设备接入的特征将使电力系统的动态行为更加复杂多变,电网的安全问题面临挑战。识别扰动对于快速判断扰动类型和传播行为以确保电网的安全运行举足轻重。广域测量系统是指由同步相量测量单元构成的新一代电网动态监测和控制系统,同步相量测量单元源源不断的为准确地扰动识别与稳定控制提供了实时数据基础,将该类装置统称为同步相量测量装置(SMD)。
[0003]随着系统规模复杂性的增加,数据驱动的扰动识别方法相比较模型驱动方法展现出了显著的优势,目前基于同步相量测量的数据驱动电力系统扰动识别已被广泛研究。特征提取为数据驱动扰动识别方法的重要步骤,现有技术均为有监督的特征提取方法,需要基于经验构造的人工特征或基于标签的深度学习,此类有监督的学习方法对经验数据需求量大,而所需标签工作因复杂度高、人工量大,难以开展,导致上述研究在数据驱动扰动识别发展的初始阶段实用性低,成熟的应用较少。同时,在“双高”电力系统背景下,电力系统的扰动类型与传统类型出现差异,扰动事件的不频繁性、非计划性、强不可预知性使得扰动发生前往往无法得知具体何种特征需要被识别。传统方法对特定事件具有针对性,但对不可预知的事件识别能力较差,现有技术中鲜有无需经验的数据驱动无监督扰动的识别方案。
技术实现思路
[000 ...
【技术保护点】
【技术特征摘要】
1.一种基于同步相量测量的无监督电力系统扰动识别方法,其特征在于,所述方法包括:步骤1、首先获取待处理电力系统的同步相量测量数据,包括频率、电压幅值和电压相角,并对频率、电压幅值和电压相角进行归一化处理,作为后续模型的输入;步骤2、构建长短时时间序列生成对抗网络LST
‑
TimeGAN模型,使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取;步骤3、依据步骤2中模型的输出,结合事件的电气量和时间窗特征进行扰动预分类;其中,具体包括切机、切负荷、短路和断路这四种传统扰动事件,以及未知类型的新型事件和电能质量问题;步骤4、使用LightGBM分类器对预分类的事件大类进行聚类再识别,实现扰动的识别分类。2.根据权利要求1所述基于同步相量测量的无监督电力系统扰动识别方法,其特征在于,在步骤1中,对所获取的频率f、电压幅值U进行归一化预处理得到输入对电压相角φ以统一基准进行偏移得到相对相角后,再进行归一化处理得到输入设频率f、电压幅值U、电压相角φ归一化前为X,则归一化公式表示为:其中,为第i个样本数据归一化后的数值;X
max
和X
min
分别表示样本数据中的最大值和最小值;定义和χ分别为表征输入的静态和动态特征的向量空间,用和x∈χ分别代表所述向量空间内的静态、动态向量;设(s,x
1:T
)服从向量空间内的联合分布P,其中T代表时间序列长度;若s
n
和x
n
代表向量s和x中的元素,且n∈{1,
…
,N},则训练集表示为3.根据权利要求1所述基于同步相量测量的无监督电力系统扰动识别方法,其特征在于,在步骤2中,所构建的长短时时间序列生成对抗网络LST
‑
TimeGAN模型包括编码器、解码器、生成器和判别器,都由含3个隐藏层的神经网络构建成,隐藏层的节点数均为24,每轮处理128个样本;所述生成器的最后一层为新一代的循环神经网络GRU;所述判别器的最后一层为双向LSTM;除所述判别器最后一层为基于最小二乘损失函数的直接映射外,LST
‑
TimeGAN模型所用激活函数均为LeakyReLU,其形式表示为:其中,x代表LeakyReLU函数的输入;a为LeakyReLU函数的斜率,取值为0.01;使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取的过程为:(1)以缩放点积注意力机制优化时空间特征提取将各真实输入矩阵作为键序列,用K表示;生成器的随机输入矩阵作为查询序列,用Q表
示;F为Q中元素对K中每个元素的映射;则各生成器随机输入的注意力被描述为键序列在查询上的映射,因查询和键长度相同,为降低计算代价,使用缩放点积模型评估K与Q的相似度为:其中,S代表基于相似度的注意力得分;d
k
代表K的维度;使用softmax函数对注意力得分S做多类归一化,得到注意力汇集公式为:其中,a代表注意力权重系数矩阵;将注意力权重系数矩阵a和随机输入矩阵Q加权作为注意力输出,成为新的生成器随机输入序列Q
a
,其定义为:Αttention(Q
a
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。