一种风机连锁脱网故障早期预警模型建立方法与流程

本发明涉及电力系统安全防御技术领域，特别是涉及一种基于临界慢化理论的风机连锁脱网故障早期预警模型的建立方法。

背景技术：

随着风电技术的发展，其规模更加庞大，运行机理也越来越复杂。其中，风机连锁故障虽然发生概率小，但造成的后果却很严重，在其故障早期发掘故障征兆并作出预警，从而在初始故障发生后对极有可能发生继发性故障的区域或元件进行特别监控和隔离具有十分重要的意义。

而对于连锁故障的预警现有的方法多是基于连锁故障机理，搭建模型来模拟级联故障发生过程，从而对事故的发展趋势和产生的结果风险进行预估，在过去的十多年间，国内外学者在这方面做了较多的研究工作，提出了一些方法，包括：模式搜索法、模型分析法等。在文献《基于复杂网络理论的连锁故障建模与预防研究》和文献《小世界网络下电网连锁故障预测》中采用电气参数修正复杂网络中的介数的概念，提出能够模拟潮流、电压等物理量变化的复杂网络模型，并对连锁故障传播行为进行预测。无论是模式搜索法还是模型分析法，都是基于故障机理建立连锁故障模型，以期从大停电事故的演化过程中找出级联故障的传播方式，但是这些风机连锁脱网预警模型受限于连锁故障演化模型搭建的精度，需要大量的拓扑参数和系统运行参数，且离线计算、在线检测的方法会使采取紧急措施的时间滞后，所以在计算精度和计算时长方面都无法实现预期的控制效果。

近年来，从运行状态数据出发，对大停电事故进行预测的方法，给风机连锁脱网故障预警提供了新思路，通过对风机连锁脱网事故机理的分析，可以得出事故发生的过程中都伴随着电压和频率的变化，风电场首批脱网的风机就是因为电压过低，因而对电压时间序列数据进行分析，挖掘出故障前的征兆信息，就可以在电压跌落前做出预警，从而建立风机连锁脱网早期预警模型。

技术实现要素：

本发明提供了一种风机连锁脱网故障早期预警模型建立方法，其克服了现有技术的风机连锁脱网故障早期预警模型建立方法中需要大量的拓扑参数及运行工况数据建立系统建模困难等问题，为电力运行人员提供可靠的预警信息，为预防事故进一步恶化和有效防止连锁脱网事故的发生提供坚实的技术支持。

本发明解决其技术问题所采用的技术方案是：一种风机连锁脱网故障早期预警模型建立方法，包括以下步骤：

s1：采集风电场scada系统实时监测的风电场并网点的电压数据，将其作为风机连锁脱网早期预警模型的观测量；

s2：从步骤s1所采集的观测量中，采集发生故障前的数据，并基于临界慢化早期预警的原理，对电压跌落前的数据利用小波分解进行去趋势处理，提取处理后数据的高频动态信号；

s3：对步骤s2中得到的高频动态信号选取适当的滑动窗口进行方差和自相关系数的计算，以发现系统在电压突变前的早期预警信号；

s4：通过计算不同窗口长度下不同阶数小波分解的高频信号方差与自相关系数，对早期预警信号的稳定性进行分析。

其中，所述步骤s3中方差值与自相关系数的计算过程为：

s301：设定滑动窗口和固定滞后步长，并将该滑动窗口采用该步长进行滑动；

s302：通过公式计算每个窗口中的方差值，式中，n表示每个采样窗口中的所有样本点个数，xi为采样窗口内的样本数据，为采样窗口内样本数据的平均值；

s303：将s302中计算的每个窗口中的方差值绘制方差曲线，通过方差曲线的上升趋势挖掘风机连锁脱网的预警信息；

s304：采用固定长度的窗口选取样本数据；

s305：在窗口中以滞后步长j选取变量，将变量j的自相关系数记为r(j)，并通过公式计算自相关系数，式中，n表示每个采样窗口中的所有样本点个数，x为采样窗口内的样本数据，为采样窗口内样本数据的平均值，s为该n个样本点数据xi的方差；通过该自相关系数判断变量j之前的时间序列值与变量j之后的时间序列值间的相关性；

s306：将步骤s305中计算的自相关系数r(j)值绘制曲线图，根据自相关系数的上升趋势判断系统的临界变换。

其中，所述方差计算中选取的窗口长度和滞后步长不同于自相关系数计算中所选取的窗口长度和滞后步长。

其中，所述步骤s4包括步骤：

s401：分别选取不同阶数的小波分解高频信号；

s402：对步骤s401中得到不同阶数小波分解的高频信号分别采用不同的窗口长度计算方差和自相关系数；

s403：根据计算结果绘制方差曲线和自相关曲线，通过曲线的上升趋势判断风机连锁脱网故障早期预警的稳定性。

其中，所述步骤s402中方差s和自相关系数r(j)计算公式分别为：式中，n表示每个采样窗口中的样本点个数，xi为采样窗口内的样本数据，为采样窗口内样本数据的平均值；式中，n表示每个采样窗口中的所有样本点个数，x为采样窗口内的样本数据，为采样窗口内样本数据的平均值，s为该n个样本点数据xi的方差。

相较于现有技术，本发明具有以下有益效果：本发明的一种风机连锁脱网故障早期预警模型建立方法利用系统中大量测量单元得到的高分辨率、时间同步的测量信息，在不可避免的初始故障后，对致使风电场首批风机脱网的低电压信号进行着重监测，在不建立精确网络模型的情况下，识别电压时间序列数据中的“临界慢化”的统计学特征，在电压的跌落前发出预警，从而得到风机连锁脱网故障早期预警模型，不需要大量的拓扑参数和系统运行参数，并且也避免了离线计算、在线检测的方法会带来的采取紧急措施的时间滞后的问题，使得在计算精度和计算时长方面都达到预期的控制效果，缩短了计算的时长，且测量值的获得更为容易，具有较高的实用价值。

以下结合附图及实施例对本发明作进一步详细说明；但本发明的一种风机连锁脱网故障早期预警模型建立方法不局限于实施例。

附图说明

图1是本发明的流程框图；

图2是本发明的风电场scada系统监测的某风电场馈线三相短路故障的并网点母线电压曲线图；

图3是本发明的6阶小波分解后电压序列的低频信号；

图4是本发明的6阶小波分解变换提取的电压序列高频信号；

图5为本发明的6阶小波分解变换提取的电压序列高频信号方差曲线图；

图6为本发明的6阶小波分解变换提取的电压序列高频信号自相关曲线图；

图7为本发明的7阶小波分解后高频信号的方差曲线图；

图8为本发明的7阶小波分解后高频信号的自相关系数曲线图；

图9为本发明的5阶小波分解后高频信号的方差曲线图；

图10为本发明的5阶小波分解后高频信号的自相关系数曲线图；

图11为本发明的6阶小波分解后的高频信号在窗口长度为计算序列的1/3下的自相关系数曲线图；

图12为本发明的6阶小波分解后的高频信号在窗口长度为计算序列的1/2下的自相关系数曲线图；

图13为本发明的6阶小波分解后的高频信号在窗口长度为20时的方差曲线图；

图14为本发明的6阶小波分解后的高频信号在窗口长度为50时的方差曲线图。

具体实施方式

实施例，图1为风机连锁脱网故障早期预警模型建立方法的流程框图，参见图1，所述方法包括以下步骤：

s1：采集风电场scada系统实时监测的风电场并网点的电压数据，具体采集某风电厂馈线三相短路故障的并网点母线电压，如图2所示，将其作为风机连锁脱网早期预警模型的观测量；

s2：从步骤s1所采集的观测量中，采集发生故障前的数据，并基于临界慢化早期预警的原理，对电压跌落前的数据利用小波分解进行去趋势处理，提取处理后数据的高频动态信号；

s3：对步骤s2中得到的高频动态信号选取适当的滑动窗口进行方差和自相关系数的计算，以发现系统在电压突变前的早期预警信号；

s4：通过计算不同窗口长度下不同阶数小波分解的高频信号方差与自相关系数，对早期预警信号的稳定性进行分析。

参见图3和图4所示，对步骤s1中得到的观测量采用小波分解得到系统的高频信号，具体原理为：小波分解继承短时傅里叶变换的思想，通过变换窗口大小可以得到较好的时域局部化特性，其窗口的大小随频率改变，对低频信号采用较大窗口，以免丢失低频信息，对高频信号采用较小窗口，以便捕捉高频动态信息。本实施例中，采用最常用的daubechies小波对步骤s1中得到的电压信号观测量进行分解，可以得到电压高频信号。图3是6阶小波分解后的电压信号序列的低频部分，图4是6阶小波变换提取的高频信号，将图4中提取的高频信号作为风机连锁脱网预警的观测信号。

参见图5，对应步骤s3中高频信号方差的计算结果，具体的是对电压的时间序列进行方差计算，首先设定滑动窗口的大小为50，滞后步长为52，即选取第1到50个样本为第一个采样窗口，第51到100个样本为第二个采样窗口，这样1000个样本点可以划分为20个采样窗口，对每个采样窗口内的样本利用公式进行方差计算，式中，n＝50，xi为每个采样窗口内的样本数据，为每个采样窗口内样本数据的平均值，计算后得到20个采样窗口内电压信号的方差曲线。图5中故障发生在9s时刻，方差信号在8s之前就开始出现上升的迹象(图中突增点)，因为是在一个采样窗口内求取方差，方差增长的迹象出现在采样窗口(7-8)s内，因此方差可以作为临界慢化的早期预警特征。而在7s前的采样窗口中，方差接近于0，这是因为通过仿真得到的电压数据较为平缓，其电压的波动也处于1.07p.u.到1.65p.u.之间，如此小幅度的波动之下，信号的方差近似为0。由此可以进一步确定，系统高频波动信号在接近临界转变点时，方差增大，这也意味着高频波动开始逐渐偏离平衡态，促使系统逼近临界点。

参见图6，对应步骤s3中高频信号自相关系数的计算结果，自相关系数计算过程中的窗口与滞后步长不同于方差中的窗口和滞后步长的选取。自相关系数计算过程中，窗口长度的选取一般选择计算序列的一半或者三分之一，本实施例中将计算序列的一半选为窗口长度，滞后步长为1，通过公式计算其自相关系数，式中，n表示每个采样窗口中的所有样本点个数，这里取50，x为采样窗口内的样本数据，为采样窗口内样本数据的平均值，s为该n个样本点数据xi的方差。图6中，自相关系数震荡幅度增大的迹象出现在采样窗口(7-8)s内，自相关系数的增大说明系统在进入临界转变状态前，高频信号出现了“短期记忆”的特点，即下一采样窗口的数据与上一采样窗口的数据开始趋于相似，因而自相关系数的增大为系统进入临界转变提供了预警信号。

参见图7-10所示，对应步骤s4中对不同阶数小波分解的高频信号方差与自相关系数的计算结果；具体的，选取第5阶和第7阶小波分解信号的计算结果做为对比，图中在电压跌落前方差和自相关系数的增长趋势是不变的，所不同的是图7和图8中看出7阶小波分解结果对方差和自相关系数的计算结果产生了影响，其增大趋势并没有6阶小波分解结果清晰，而图9和图10中5阶小波对方差和自相关系数的计算结果都产生了影响，得到的预警信号发生在8s～9s区间，比6阶小波分解结果得到的预警信号更为滞后，因此得出小波分解的阶数会对结果精度产生一定的影响。

参见图11-14所示，对应步骤s4中对不同窗口长度下的高频信号方差与自相关系数的计算结果；具体的，对6阶小波分解结果，采用不同的窗口长度进行计算。对于方差选取窗口长度分别为50和20，对于自相关系数，分别选取窗口长度为计算序列的1/2和1/3，图11和图12所示，对于不同窗口下的自相关曲线，在靠近临界点的增长趋势是不变的，但窗口长度较长的计算序列，更能够清晰的表现系统自相关系数的增长趋势，窗口长度较长能够包含的高频动态信息更多，系统的自相关分析不易受杂散信号的影响；图13和图14所示，窗口较长的计算序列其方差的增长趋势更为明显，而窗口较短的计算序列，因为过度重视信号中的细节信号，从而对高频信号方差的增长趋势表现的并不十分显著，因而在进行高频信号的方差计算时，因选取适当较长的窗口更为理想。

上述实施例仅用来进一步说明本发明的一种风机连锁脱网故障早期预警模型建立方法，但本发明并不局限于实施例，凡是依据本发明的技术实质对以上实施例所作的任何简单修改、等同变化与修饰，均落入本发明技术方案的保护范围内。