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方案

本发明专利技术公开了一种基于同步相量测量的无监督电力系统扰动识别方法，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；构建长短时时间序列生成对抗网络LST

【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

[0004]本专利技术的目的是提供一种基于同步相量测量的无监督电力系统扰动识别方法，该方法可用于无标签或少标签情形的扰动识别，能对电力系统扰动进行准确识别，从而监控电力系统的电能质量问题，并对潜在配网故障进行预警。
[0005]本专利技术的目的是通过以下技术方案实现的：
[0006]一种基于同步相量测量的无监督电力系统扰动识别方法，所述方法包括：
[0007]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；
[0008]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；
[0009]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；
[0010]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。
[0011]由上述本专利技术提供的技术方案可以看出，上述方法可用于无标签或少标签情形的扰动识别，能对电力系统扰动进行准确识别，从而监控电力系统的电能质量问题，并对潜在配网故障进行预警。
附图说明
[0012]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。
[0013]图1为本专利技术实施例提供的基于同步相量测量的无监督电力系统扰动识别方法流程示意图；
[0014]图2为本专利技术实施例所述LST
‑
TimeGAN模型的架构示意图；
[0015]图3为本专利技术实施例提供的基于LST
‑
TimeGAN的扰动事件的特征提取过程示意图；
[0016]图4为本专利技术实施例案例一扰动发生时各节点量测的频率和电压相角、幅值的SMD
‑
L现场数据示意图；
[0017]图5为本专利技术实施例案例二扰动发生时各节点量测的频率和电压相角、幅值的SMD
‑
L现场数据示意图；
[0018]图6为本专利技术实施例案例三各节点量测的频率和电压相角、幅值的SMD
‑
L现场数据示意图；
[0019]图7为本专利技术实施例案例四扰动发生时各节点量测的频率和电压相角、幅值的SMD
‑
L现场数据示意图；
[0020]图8为本专利技术实施例所述电能质量问题的SMD
‑
L现场量测电压幅值数据示意图。
具体实施方式
[0021]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，这并不构成对本专利技术的限制。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。
[0022]如图1所示为本专利技术实施例提供的基于同步相量测量的无监督电力系统扰动识别方法流程示意图，所述方法包括：
[0023]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；
[0024]在该步骤中，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
[0025]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：
[0026][0027]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；
[0028]考虑到每组同步相量测量数据在电力系统稳态(准稳态)条件下包含两类特征，即静态特征与动态特征。静态特征是指对于空间的固定属性，如单一PMU所处量测点位置、环境等对量测数据的静态影响等；动态特征指随着时间变化的属性，如季节，早晚用电高峰等对量测数据的动态影响等。故定义和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；
[0029]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
[0030]步骤2、构建长短时时间序列生成对抗网络(Long
‑
Short Term Time
‑
series Generative Adversarial Networks，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；
[0031]在该步骤中，如图2所示为本专利技术实施例所述LST
‑
TimeGAN模型的架构示意图，所构建的长短时时间序列生成对抗网络LST
‑
TimeGAN模本文档来自技高网...

【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

【专利技术属性】
技术研发人员：毕天姝，陈徵粼，刘灏，
申请(专利权)人：华北电力大学，
类型：发明
国别省市：