一种中低纬电网中地磁感应电流的识别方法与流程

本申请涉及电力技术研究领域，尤其涉及一种中低纬电网中地磁感应电流的识别方法。

背景技术：

太阳的大尺度爆发性活动会对全球的电网系统造成广泛的影响。其影响机理是：携带高速等离子体的太阳风与地球磁层相互作用，引起地磁场短时间内的大幅度扰动，在跨越地面大范围区域内产生强大的地磁感应电场。该电场在地表的人工导电体中驱动的电流称为地磁感应电流(geomagneticallyinducedcurrent,gic)。

当gic通过接地的中性点流入变压器时会导致变压器铁芯半周饱和，在激励电流中产生大量谐波，不仅增加了变压器的无功消耗，还可能引起保护继电器误操作。同时，铁芯的高度饱和还会引起因金属结构件和油箱局部过热及绝缘老化，严重的情况下会导致变压器损毁而产生大面积断电事故。

相比于高纬地区，中低纬地区关于gic的研究尚存在很大差距。原因主要有以下几个方面：首先，超级磁暴出现的频率很低(约11的年周期)，而gic的统计和预报研究需要大量样本事件。其次，中低纬gic的平均水平比高纬低一个量级，在中低纬电网的电流信号中很可能无法直接获取到gic。因此，中低纬电网gic风险评估的前提是要能有效地从实际电流信号中识别出gic。

目前常用的gic识别方法有：①自然正交向量分解法；②小波分析法。前者能成功地分解出地磁场中不同来源的特征向量，但主要适用于缓变信号，处理强磁暴扰动数据时结果不可靠。后者由于受heisenberg测不准原理的制约，不能在时间和频率上同时达到较高的精度，加之小波基函数的选取有很大灵活性，不便于系统化的快速操作。由此可见，以上两种方法对于分析中低纬电网的gic信号识别精度均不高。

技术实现要素：

本申请提供了一种中低纬电网中地磁感应电流的识别方法，以提高地磁感应电流的识别精度。

一种中低纬电网中地磁感应电流的识别方法，包括：

步骤一、对中低纬电网的样本数据进行聚类经验模态分解，获得第一本征模态函数组，所述第一本征模态函数组包括不同时间尺度的本征模态函数；

步骤二、对所述第一本征模态函数组中的本征模态函数进行筛选和组合，获得第二本征模态函数组；

步骤三、对所述第二本征模态函数组进行希尔伯特变换，得到所述第二本征模态函数组的时频谱；所述时频谱为时间和频率的能量函数；

步骤四、根据所述时频谱，识别所述样本数据中是否具有地磁感应电流。

可选的，所述样本数据包括：中低纬电网的中性点电流信号，和与所述中性点电流信号对应的太阳风能量耦合函数。

可选的，所述对所述第一本征模态函数组中的本征模态函数进行筛选和组合，获得第二本征模态函数组，包括：

将所述第一本征模态函数组中的本征模态函数随机组合，获得至少一个本征模态函数组；

将所述至少一个本征模态函数组与所述太阳风能量耦合函数进行相关性分析，获得最优的本征模态函数组；

将与所述太阳风能量耦合函数相关性最优的本征模态函数组，作为第二本征模态函数组。

可选的，所述根据所述时频谱，识别所述样本数据中是否具有地磁感应电流，包括：

将所述时频谱划分为磁暴前相、磁暴初相、磁暴主相和磁暴恢复相四个阶段；

将所述四个阶段分别对应的能量值沿相同长度的时间尺度积分，获得磁暴前相阶段能量指标、磁暴初相阶段能量指标、磁暴主相阶段能量指标和磁暴恢复相阶段能量指标；

根据所述能量指标，识别所述样本数据中是否具有地磁感应电流。

可选的，所述根据所述能量指标，识别所述样本数据中是否具有地磁感应电流，包括：

分别计算所述磁暴初相阶段能量指标、所述磁暴主相阶段能量指标和所述磁暴恢复相阶段能量指标与所述磁暴前相阶段能量指标的比值；

根据所述比值识别所述样本数据中是否具有地磁感应电流。

本申请提供的技术方案包括以下有益技术效果：

在本申请提供的方法中，首先，聚类经验模态分解能够依据样本数据自身的时间尺度特征来进行分解，无须预先设定任何基函数，有利于处理非平稳及非线性数据。其次，对本征模态函数进行筛选和组合，能够去除样本数据中，太阳辐射昼夜变换在电离层产生的电流，以减小该电流对gic识别的影响。最后，通过希尔伯特变换可以获得时频谱，该时频谱能准确地表达电流信号在时间和频率空间的各类信息，能够识别样本数据中较弱的gic并提高对gic的识别精度。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。

图1为本申请实施例提供的一种中低纬电网中地磁感应电流的识别方法流程图。

图2为本申请实施例提供的聚类经验模态分解流程图。

图3为本申请实施例提供的本征模态函数筛选和组合流程图。

具体实施方式

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本申请的实施例，并与说明书一起用于解释本申请的原理。

为了更清楚地说明本申请实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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的附图。

实施例1：

图1为本申请实施例提供的一种中低纬电网中地磁感应电流的识别方法流程图，该方法包括如下所示的步骤：

步骤一、对中低纬电网的样本数据进行聚类经验模态分解，获得第一本征模态函数组，所述第一本征模态函数组包括不同时间尺度的本征模态函数。

可选的，所述样本数据包括：中低纬电网的中性点电流(neutralpointcurrent，npc)信号，和与所述npc信号对应的太阳风能量耦合函数(ein)。

可选的，所述太阳风能量耦合函数根据太阳风基础参数计算得到。该太阳风相关基础参数是预设的，可以从美国航空航天局公布的开源数据库wind卫星数据网址下载获得。

聚类经验模态分解能使复杂信号分解为有限个本征模态函数(intrinsicmodefunction，imf)，所分解出来的各imf分量包含了原样本数据的不同时间尺度的局部特征信号，具有自适应性。聚类经验模态分解能使非平稳数据进行平稳化处理，适合于分析非线性、非平稳信号序列。

本实施例中以npc信号(即npc(t))为例，对聚类经验模态分解的流程进行说明，具体如图2所示。

(1)在该npc信号中添加白噪声后，提取该npc信号的极值点，包括极大值点和极小值点。

(2)采用样条函数分别拟合该npc信号的上包络线和和下包络线，其中，上包络线为emax(t)；下包络线为emin(t)。

(3)求上包络线和下包络线的平均值，即平均值mij(t)＝[emax(t)+emin(t)]/2。

(4)用npc信号减去包络平均值获得差值hij(t)，即差值hij(t)＝npc(t)-mij(t)。

(5)判断hij(t)是否满足imf条件。

其中，imf条件为：a.极值点(极大值或极小值)数目和过零点数目相等或最多相差一个。b.上包络线和下包络线的平均值为零。

(6)如果hij(t)满足imf条件，则重复步骤(1)-步骤(5)x次，取hij(t)的平均值作为第i个imf，即ci(t)＝mean(hij(t))。随后执行步骤(8)。

(7)如果hij(t)不满足imf条件，则重复步骤(1)-步骤(5)，直至hij(t)满足imf条件。随后执行步骤(6)。

(8)该npc信号减去ci(t)得残差ri(t)，即ri(t)＝npc(t)-ci(t)，作为下一循环过程中的残差。

在上述过程中，i为本征模态函数的个数，i＝1,2,...,n；其中n为本征模态函数的总数，n＝log2(t)，t为样本数据的采样点数。即一个样本数据经过聚类经验模态分解后得到本征模态函数的总数n由信号的采样点数t决定。

j为一个聚类经验模态函数经过聚类经验模态分解的平均次数j＝1,2,...,x；其中，x可人为设定，在本实施例中，x＝100。

通过该聚类经验模态分解，将npc信号基于自身数据特征，分解为有限个包含原数据局部特征的npc-imf(即中性点电流的本征模态函数)。

另外，对太阳风能量耦合函数(ein)同样需要进行聚类经验模态分解，其过程与图2所示的npc信号进行聚类经验模态分解的过程相同，具体可参见如图2中的描述，此处不再赘述。

对太阳风能量耦合函数(ein)进行聚类经验模态分解后，获得与所述npc-imf对应的有限个ein-imf(即太阳风能量耦合函数的本征模态函数)。

步骤二、对所述第一本征模态函数组中的本征模态函数进行筛选和组合，获得第二本征模态函数组。

可选的，该步骤具体包括如下内容：

将所述第一本征模态函数组中的本征模态函数随机组合，获得本征模态函数组；

将所述本征模态函数组与所述太阳风能量耦合函数进行相关性分析；

将与所述太阳风能量耦合函数相关性最优的本征模态函数组，作为第二本征模态函数组。

产生电网gic的主要空间来源是随机发生的大幅度地磁扰动，与此同时，在中低纬局部区域电网中性点记录的数据还存在另一个主要的空间变化来源，就是由太阳辐射昼夜变换在电离层产生的太阳静日(solarquiet，sq)电流，日变幅可达几十至上百纳特。因此，要从实际数据中辨识出电网gic响应就必须去除sq电流贡献的成份。

在本实施例中，第一本征模态函数组包括npc本征模态函数组和ein本征模态函数组，由于ein(t)是扰动信号源，其imf需要全部保留，但npc(t)中包含有sq电流的贡献，需要去除sq电流带来的影响，其具体过程如图3所示。

(1)npc本征模态函数组包括：c1(噪声),c2,…,cn,r(残差)。假定该第一本征模态函数组中本征模态函数的最优组合，例如，c2～c7。

(2)判断该假定最优组合与太阳风能量耦合函数(ein)的相关性是否最优。

(3)该假定最优组合与ein为最优相关，则该假定最优组合为第二本征模态函数组。

(4)该假定最优组合与ein不是最优相关，则重复步骤(1)-步骤(3)，直至获得与ein最优相关的假定最优组合。

对本征模态函数进行筛选和组合，能够去除太阳辐射昼夜变换在电离层产生的电流，以减小该电流对gic识别的影响。

步骤三、对所述第二本征模态函数组进行希尔伯特变换，得到所述第二本征模态函数组的时频谱。

希尔伯特变换是个将时间信号s(t)与1/(лt)做卷积的数学方法，其中t为时间值。通过该方法得到的结果可呈现输入信号的能量(即振幅的平方)在时间、频率二维坐标面内的分布，即时频谱，通过该时频谱便于分析npc信号在某瞬时区间内的瞬时频率特征。

对所述第二本征模函数组进行希尔伯特变换，得到的时频谱是指该组本征模态函数所对应的npc信号在时间和频率的二维坐标面内的振幅平方密度。

步骤四、根据所述时间-频率-能量谱，识别所述样本数据中是否具有地磁感应电流。

用image图将所述时间-频率-能量谱可视化后，可以对比ein和npc信号的时频能量谱，直观地看到磁暴发生时间区间内谱颜色的增亮，由此可以识别出电流信号对磁暴的响应，同时根据亮斑对应的频率区间可以分析中性点监测到的实际电流值的频率范围，进而分析gic实测值的频率范围。

实施例2：

在实施例1的基础上，与实施例1不同的是，可选的，步骤四中，根据所述时间-频率-能量谱，识别所述样本数据中是否具有地磁感应电流，还包括如下内容：

将所述时间-频率-能量谱划分为磁暴前相(i)、磁暴初相(ii)、磁暴主相(iii)和磁暴恢复相(iv)四个阶段；

将所述磁暴前相、所述磁暴初相、所述磁暴主相和所述磁暴恢复相阶段对应的能量值分别沿相同长度的时间尺度积分，获得与所述不同阶段对应的能量指标；其中，磁暴前相(i)、磁暴初相(ii)、磁暴主相(iii)和磁暴恢复相(iv)对应的能量指标分别为ei，eii，eiii，eiv。

根据上述各个能量指标，识别所述样本数据中是否具有地磁感应电流。

具体地，计算eii/ei，eiii/ei，eiv/ei的比值。通常情况下，eii/ei≧1.5即表示样本数据对磁暴有明显的响应。

在本申请提供的方法中，聚类经验模态分解能够依据样本数据自身的时间尺度特征来进行分解，无须预先设定任何基函数，有利于处理非平稳及非线性数据上。对本征模态函数进行筛选和组合，能够去除太阳辐射昼夜变换在电离层产生的电流，以减小该电流对gic识别的影响。通过希尔伯特变换可以获得时间-频率-能量谱，能准确地表达信号在时间-频率空间的各类信息，能够识别样本数据中较弱的gic并提高对gic的识别精度。

需要说明的是，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本申请的具体实施方式，使本领域技术人员能够理解或实现本申请。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本申请的精神或范围的情况下，在其它实施例中实现。因此，本申请将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。

应当理解的是，本申请并不局限于上面已经描述并在附图中示出的年内容，并且可以在不脱离其范围进行各种修改和改变。本申请的范围仅由所附的权利要求来限制。