电网输电线路暂态信号监测方法和系统与流程

本发明涉及智能电网技术领域，特别涉及一种电网输电线路暂态信号监测方法和系统。

背景技术：

现有电网的工作环境中，众多分布式可再生能源的渗透比例逐步增大，都对主体电网有着不可忽视的干扰。电网被干扰后容易失去同步运行稳定性，其后果是电力系统发生振荡，引起系统中枢点电压、输电设备中的电流和电压大幅度地周期性波动，导致电力系统因不能继续向负荷正常供电而造成大面积停电。因此，对有效暂态扰动的检测方法是维护供电系统及大电网正常运行的有效保护措施。

现有的对电能质量暂态扰动的检测方法主要有均方根方法、傅里叶变换、小波变换等方法。均方根方法运算简便，分析时间较短，适用于扰动较为明显的情况；傅里叶变换又分为快速傅里叶变换(fastfouriertransform，fft)、离散傅里叶变换(discretefouriertransform，dft)等，具有正交、完备等许多优点，已广泛应用到电能质量扰动检测与分析领域。为了弥补傅里叶变换缺少的时间信息，在原方法的基础上进行时间加窗，提出了短时傅里叶变换的方法；而小波变换针对频率分析的时-频窗口固定不变的问题，采用了自适应变化的时间窗口，很适合电能暂态扰动波形的处理。由于小波函数本身是一带通滤波器，能够将小波的频率成分分解在不同的频段上，从而展现不同的时频特征。其他方法如希尔伯特黄变换(hilhert-huangtransform，hht)方法、s变换等在暂态扰动检测中都有一定应用。

上述均方根方法运算简便，但其只能检测特殊的扰动事件，不适用普遍情况；傅里叶变换是频域分析方法，在分析时需满足一定的条件，否则会出现频率混叠，栅栏效应以及频谱泄露等现象，产生一定的误差。另外，频域分析时的窗口固定不变，不利于突变和不平稳的信号处理。小波变换具有很好的时间-频率局部特性，但是小波基函数的选取较为困难，会因为暂态扰动特点的不同造成分析结果的不同。可见，现有技术存在不足。

技术实现要素：

本发明旨在克服现有技术的缺陷，提供一种通过优先判断暂态扰动的真伪来快速判断电网输电线路暂态信号监测方法。

为实现上述目的，本发明采用以下技术方案：

本发明提供一种电网输电线路暂态信号监测方法，包括如下步骤：

s1、检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生，若为所述可疑扰动，则进行步骤s2；

s2、对普通径向基函数神经网络节点参数进行离线建模优化；

s3、在线监测模型的统计指标t²的值，将所述统计指标t²与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。

本发明还提供一种电网输电线路暂态信号监测系统，包括：

可疑扰动检测单元，检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生；

神经网络优化单元，与所述可疑扰动检测单元电连接，对普通径向基函数神经网络节点参数进行离线建模优化；

暂态扰动检测单元，分别与所述可疑扰动检测单元、所述神经网络优化单元电连接；在线监测模型的统计指标t²的值，将所述统计指标t²与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。

本发明将高精度时间序列数据进行分析处理。通过主元分析方法，将全网数据作为整体矩阵进行分解，能够去除传统方法在阈值设定时，必须选定一个基准值进行参考的缺点，避免了参考值本身出现错误或故障时带来的误判断，提高了检测精度。

同时，本发明采用了先进的启发式优化算法，能够在减少输入变量的情况下，保证模型检测的准确性，进一步减少运行时间。相比传统方法更加提高了检测精度和准确率，同时又避免了运行时间的延长。

附图说明

图1所示为本发明的主要流程框图；

图2基于主元分析模型的整体流程框图；

图3所示为本发明的系统结构框图；

图4实际暂态扰动数据的检测图谱的原比例及部分放大对比图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及具体实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅用以解释本发明，而不构成对本发明的限制。

本发明实施例公开了一种基于优化主元分析模型的电网输电线路暂态扰动检测方法。

实施例1

附图1所示，一种电网输电线路暂态信号监测方法，包括如下步骤：

s1、检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生，若为所述可疑扰动，则进行步骤s2；避免了参考值本身出现错误或故障时带来的误判断。

s2、对普通径向基函数(rbf)神经网络节点参数进行离线建模优化；能够在减少输入变量的情况下，保证模型检测的准确性，进一步减少运行时间。

s3、在线监测模型的统计指标t2的值，将所述统计指标t2与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。保证模型检测的准确性，进一步减少运行时间。

进一步的，步骤s1中：检测扰动信号具体为：将广域测量系统采集的各个观测点的频率数据进行矩阵化组合。

进一步的，步骤s1中：对所检测到的所述扰动信号进行分析及判断过程具体为：利用主元分析方法将数据矩阵进行分解，选取合适的主元个数来表示所述数据矩阵中方差最大的主元空间，将余下残差部分进行扰动重构，若重构结果在正常范围之内，则建立正常运行状态下的主元分析模型；若超出范围，则视为所述可疑扰动发生，则进行步骤s2。

进一步的，所述步骤s1具体包括以下步骤：

s1.1：采集电网公共连接点处的电压频率，用向量表示，其中x为电压频率测量值，向量即表示在此处连续采集的m个时间序列点的集合。

s1.2：在另一地点采集的数据可以表示为同理可得，其他第i个地点的检测装置都能得到同样格式的相量数据

s1.3：根据所述主元分析方法的计算特点，可以将n个地点的电压频率数据组成矩阵进行处理，得到所述数据矩阵其中r表示实数集合；n×m为矩阵的维度；

s1.4：通过所述主元分析可以将原始数据矩阵分解为载荷向量pi和得分向量ti的乘积之和再加上残余误差e：

式中的k表示选取的所述主元个数，用来代表数据中方差最大的主元空间，所述主元个数能够包含数据总方差的95％。

s1.5：计算pca方法用于所述检测模型的所述统计指标t²，按如下公式计算：

式中的λ是对角矩阵，包含协方差矩阵的特征值。

s1.6：将pca方法运用于过程检测时，要在正常数据的处理基础上计算检测控制限，所述统计指标t²为符合f分布的，设定置信度α为95％，则所述统计控制限可以由下面公式计算得出：

其中，k是所述主元个数，n是训练数据的变量个数，f(k，n-k，α)表示当数据符合f分布时，在自由度为(m-k)，置信度为α时的概率值。

s1.7：故障重构过程：所述故障重构利用一个模拟的故障方向向量ξi^t＝[1，0，…，0]，将原始变量表示为是对故障向量fi的估计值，则故障向量可以利用下式求出：

上述公式中计算的是x的估计值与实际值之间的误差，如果未发生扰动或者故障，则重构值应该接近0，任何扰动或者故障都会导致结果的值不为0，则进行步骤s2。

上述步骤将广域测量系统采集的各个观测点的频率数据进行矩阵化组合，将全网数据作为整体矩阵进行分解，能够去除传统方法在阈值设定时，必须选定一个基准值进行参考的缺点，避免了参考值本身出现错误或故障时带来的误判断，提高了检测精度。

进一步的，所述步骤s2中，采用启发式jaya优化算法对普通径向基函数神经网络节点参数进行优化。

进一步的，所述步骤s2具体包括以下步骤：

s2.1：所述启发式jaya优化算法对神经网络模型参数进行优化，利用以下公式：

x′j，k，i＝xj，k，i+rand1，j，i(xj，b，i-|xj，k，i|)-rand2，j，i(xj，w，i-|xj，k，i|)；

其中，xj，b，i是第j个变量的最优值，xj，w，i是第j个变量的最差值，x′j，k，i是xj，k，i每一次优化之后的值，rand1，j，i和rand2，j，i是第j个变量的第i次优化循环时采用的随机数，范围在[0，1]；

s2.2：将所述启发式jaya优化算法的优化结果对神经网络结构进行参数更新，得到最优的神经网络模型；

s2.3：将所述最优的神经网络模型进行运算，得到模型的预测输出y，与实时数据在线检测数据进行对比。

步骤s2的优化算法采用了先进的启发式优化算法，能够在减少输入变量的情况下，保证模型检测的准确性，进一步减少运行时间。相比传统方法更加提高了检测精度和准确率，同时又避免了运行时间的延长。

进一步的，所述步骤s3中利用主元分析方法检测所述模型的统计指标t²的值。

进一步的，所述步骤s3中主元分析法对所述统计指标t²的具体分析判断过程为：计算待检测数据的统计指标t²值并与所述检测控制限进行比较，当其超过所述检测控制限，即为检测到暂态扰动的发生。

进一步的，所述步骤s3具体包括以下步骤：

s3.1：将实时数据与步骤s2.3中的模型的预测输出y进行比较，得到残差，按照t²公式计算实时数据的统计指标t²的值；

s3.2：将计算得到的t²与步骤s1.6中得到的检测控制限进行比较，若在所述检测控制限之内则为正常信号，若超出所述检测控制限则判断为暂态扰动的发生。

如附图4所示，图中表示本方案的一个检测结图谱的放大对比图。图中放大部分为95％控制限以上的t²。可以看到，超出检测控制限的部分即为暂态扰动的发生。

实施例二

如附图3所示，本发明还提供一种电网输电线路暂态信号监测系统，包括：

可疑扰动检测单元，检测扰动信号，对所检测到的所述扰动信号进行分析，判断是否为可疑扰动发生。

神经网络优化单元，与所述可疑扰动检测单元电连接，对普通径向基函数(rbf)神经网络节点参数进行离线建模优化；且该神经网络优化单元对神经网络节点的搜索过程简单，无参数设定，使得rbf神经网络在不增加输入变量的情况下，仍有较高的准确度。

暂态扰动检测单元，分别与所述可疑扰动检测单元、所述神经网络优化单元电连接；在线监测模型的统计指标t²的值，将所述统计指标t²与检测控制限进行对比分析，以判断是否检测到暂态扰动的发生。该暂态扰动检测单元通过计算对主元成分的贡献率可以简便快速的确定暂态扰动事件发生的线路。

本发明通过三个主要步骤，第一步，检测扰动信号：将广域测量系统采集的各个观测点的频率数据进行矩阵化组合，利用主元分析方法将数据矩阵进行分解，选取合适的主元个数来表示数据矩阵中方差最大的主元空间，将余下残差部分进行故障重构，若重构结果在正常范围之内，则建立正常运行状态下的主元分析模型，若超出范围，则视为可疑扰动发生，进行下一步；第二步，离线建模优化过程：本阶段采用了一种新型的jaya启发式优化算法对普通径向基函数神经网络节点参数进行优化，该优化方法搜索过程简单，无参数设定，使得rbf神经网络在不增加输入变量的情况下，仍有较高的准确度。第三步，在线监测：利用主元分析方法用于检测模型的统计指标t²值，计算待检测数据的统计指标t²值并进行比较，当其超过检测控制限即为检测到暂态扰动的发生。通过计算对主元成分的贡献率可以简便快速的确定暂态扰动事件发生的线路。

上述方案通过主元分析方法，将全网数据作为整体矩阵进行分解，能够去除传统方法在阈值设定时，必须选定一个基准值进行参考的缺点，避免了参考值本身出现错误或故障时带来的误判断，提高了检测精度。

本发明采用了先进的启发式优化算法，能够在减少输入变量的情况下，保证模型检测的准确性，进一步减少运行时间。相比传统方法更加提高了检测精度和准确率，同时又避免了运行时间的延长。

以上所述本发明的具体实施方式，并不构成对本发明保护范围的限定。任何根据本发明的技术构思所作出的各种其他相应的改变与变形，均应包含在本发明权利要求的保护范围内。