一种基于经验谱分析的配电网实时状态评估方法与流程

1.本发明涉及配电网领域，具体涉及一种基于经验谱分析的配电网实时状态评估方法。


背景技术：

2.低压配电网是电力系统连接电力用户的纽带，线路分支多、故障分析困难。统计表明，电力用户遭受的停电事故绝大多数是由配电线路故障引起的。通过准确定位故障、及时隔离故障并尽快恢复非故障区域供电，能切实提高配电网的供电可靠性。然而，相较于输电网，配电网中故障检测的内涵更加宽泛，机理也更为复杂，相应的研究工作具有重要的理论与工程价值。
3.运行状态评估是电力系统的一项重要任务，它可以为安全分析和控制决策提供支持。近年来，相量测量单元(pmus)的部署越来越多，构成了电力系统的广域测量系统(wams)。与传统的监控和数据采集(scada)系统相比，wams系统可以提供更高采样率的同步相量测量，使电力系统实时态势感知成为可能。例如，在wams中电压和电流的均方根数据可以在30hz或60hz的速率进行采样，而scada系统中的采样速率只能达到4hz或5hz。高采样率同步相量测量包含了丰富的电力系统运行状态信息，这促进了数据驱动分析在系统状态评估中的研究。
4.高采样率同步相量测量包含了丰富的电力系统运行状态信息，这促进了数据驱动分析在系统状态评估中的研究。随着pmus在wams中的大量应用，采集了大量具有高采样率的高维同步相量测量值，推动了基于高维数据进行电力系统状况评估的理论研究发展。随机矩阵理论(rmt)是高维数据统计分析的重要数学工具。它通常从具有一定假设的随机矩阵的特征值或奇异值分布的渐近定理开始，最终给出宏观量来指示数据行为。经验特征值分布的收敛定理保证确定性函数矩阵增大，使得rmt自然适合高维数据分析。
5.在发明《一种基于数据驱动的配电网异常识别方法》中，公布一种基于数据驱动的配电网异常识别方法(申请号：cn202111298862.3公开号：cn114116832a)，建立由各节点电压测量数据组成的高维矩阵模型,能够确定故障发生时刻、衡量各节点电压对系统运行状态的影响程度。在发明《一种基于随机矩阵的配电网单相接地故障区段定位方法》中，公布一种基于随机矩阵的配电网单相接地故障区段定位方法(申请号：cn201910448689.7公开号：cn110208647b)，对获得的高维随机矩阵利用marchenko-pastur分布律确定故障位置。将高维随机矩阵谱特征作为判据,可以敏感地感知到系统中异常干扰的存在。在发明《一种面向配电网无功优化的随机矩阵构建方法》中，公布一种面向配电网无功优化的随机矩阵构建方法(申请号：cn201610108958.1公开号：cn107133684b)，考虑了配电网中电力负荷的时序分布特征和空间分布特征,能够定量地反映负荷谱分布特征,可用于负荷分布特征比较和匹配,用于大数据架构下的配电网无功优化。然而，以上现有技术专利所需的从数据收集、处理到故障诊断定位、状态评估的过程耗时较长，较难应用于配电网的状态实时评估。


技术实现要素：

6.为了解决上述问题，本发明提出的基于经验谱分析的配电网实时状态评估方法，可以将配电网侧广域测量系统的相量测量单元采集得到的电压测量数据，整合为按时间排序的时空数据集，进行测量值叠加，得到包含充足配电网运行情况的信息数据。由于广域测量系统具有的高采样率的特点结合该算法的计算速度快的优点，体现了本发明在配电网实时状态评估这一方面具有的优越性，可以作为配电网实时运行状态评估的一种有效方法。
7.本发明的一种基于经验谱分析的配电网实时状态评估方法，包含以下步骤：
8.s1、按时间顺序排列相量测量数据得到时空数据集表示p
×
n维的复数集合；
9.相量测量数据包含来自安装在配电网中的p个pmus的p维电压测量数据
10.s2、对所述时空数据集d设定采样时间tj进行采样，得到数据矩阵x(tj)；
11.s3、通过数据矩阵x(tj)计算得到平均谱半径与时间κ
rsm-t的曲线方程，实时对电力系统运行状况进行评估。
12.进一步地，在采样时间tj，p维电压测量数据表示为列向量d(tj)＝(d1,d2,...d
p
)h；在一系列时间n，将所述向量d(tj)＝(d1,d2,...d
p
)h按时间顺序排列得到时空数据集
13.进一步地，κ
rsm-t曲线方程计算包含以步骤：
14.步骤a：利用时空数据集d上的一个p
×
n(p＝p,n≤n)窗口，得到数据矩阵x(tj)；
15.x(tj)＝(d(t
j-n+1
),d(t
j-n+2
),...,d(tj)
ꢀꢀ
(1)
16.其中，d(tk)＝(d1,d2,...,d
p
)h，t
j-n+1
≤tk≤tj是时刻tk的采样数据；
17.步骤b：将数据矩阵x(tj)转化为非厄米特矩阵
18.对于数据矩阵通过下式将其转换为标准形式
[0019][0020]
其中xi＝(x
i1
,x
i2
,...,x
in
)，
[0021]
步骤c：将的奇异值等效式为
[0022]
的等价奇异值如下
[0023][0024]
其中，是为haar分布随机酉矩阵，
[0025]
步骤d：通过式(4)计算l个非厄米特矩阵的乘积z(tj)；
[0026]
根据下式
[0027][0028]
得到l个t
j-l+1
～tj采样时间的非厄米特矩阵的乘积为
[0029][0030]
步骤e：通过式(5)将z(tj)转化为标准形式
[0031]
将z转换为标准形式
[0032][0033]
其中zi＝(z
i1
,...,z
ip
)(i＝1,...,p)，σ(zi)为zi的标准差，且满足
[0034]
步骤f：计算的特征值并将其与理论环定律的esd进行比较；
[0035]
步骤g：通过式(6)计算平均谱半径κ
rsm
；
[0036][0037]
本发明基于随机矩阵理论，具有以下有益效果：
[0038]
(1)该方法是纯数据驱动的，不需要对电力系统复杂拓扑的先验知识；
[0039]
(2)该方法通过研究数据相关性的变化，对系统异常行为敏感；
[0040]
(3)该方法对数据的随机波动和测量误差具有鲁棒性，因为每个采样时间分析的数据窗口较大，通过平均结果可以提高方法的鲁棒性；
[0041]
(4)理论和实验证明，该方法中的乘法数据矩阵乘积可以增强异常信号，从而更容易检测系统的异常行为；
[0042]
(5)该方法计算速度快，适合于实时分析。
附图说明
[0043]
图1为本发明的总线20设置异常信号；
[0044]
图2为本发明系统运行情况评估结果；
[0045]
图3为正常系统运行状态下esd收敛图；
[0046]
图4为异常系统运行状态下esd不收敛图；
[0047]
图5为不同方法的评估结果。
具体实施方式
[0048]
以下结合附图和具体实施方式对本发明提出的一种基于经验谱分析的配电网实时状态评估方法作进一步详细说明。
[0049]
本发明的一种基于经验谱分析的配电网实时状态评估方法，包含以下步骤：
[0050]
s1、按时间顺序排列相量测量数据，得到时空数据集表示p
×
n维的复数集合；
[0051]
相量测量数据包含来自安装在配电网中的p个pmus的p维电压测量数据
[0052]
s2、对所述时空数据集d设定采样时间tj进行采样，得到数据矩阵x(tj)；
[0053]
s3、通过数据矩阵x(tj)计算得到κ
rsm-t曲线方程，实时对电力系统运行状况进行评估。
[0054]
进一步地，在采样时间tj，p维电压测量数据表示为列向量d(tj)＝(d1,d2,...d
p
)h；在一系列时间n，将所述向量d(tj)＝(d1,d2,...d
p
)h按时间顺序排列得到时空数据集通过将一系列时间n中的p个测量值叠加在一起，时空数据包含了关于系统运行情况的充裕信息。
[0055]
进一步地，κ
rsm-t曲线方程计算包含以步骤：
[0056]
步骤a：利用时空数据集d上的一个p
×
n(p＝p,n≤n)窗口，最后一次采样时间为当前时间，这样就可以实时跟踪数据行为。例如，在采样时间tj，得到数据矩阵x(tj)；
[0057]
x(tj)＝(d(t
j-n+1
),d(t
j-n+2
),...,d(tj)
ꢀꢀ
(1)
[0058]
其中，d(tk)＝(d1,d2,...,d
p
)h，t
j-n+1
≤tk≤tj是时刻tk的采样数据；
[0059]
步骤b：将数据矩阵x(tj)转化为非厄米特矩阵
[0060]
对于数据矩阵通过下式将其转换为标准形式
[0061][0062]
其中xi＝(x
i1
,x
i2
,...,x
in
)，
[0063]
步骤c：将的奇异值等效式为
[0064]
的等价奇异值如下
[0065][0066]
其中，是为haar(哈尔分布)分布随机酉矩阵，
[0067]
步骤d：通过下式(4)计算l个非厄米特矩阵的乘积z(tj)；
[0068]
根据下式：
[0069][0070]
得到l(如t
j-l+1
～tj的采样时间)个非厄米特矩阵的乘积为
[0071][0072]
步骤e：通过下式(5)将z(tj)转化为标准形式
[0073]
将z转换为标准形式
[0074][0075]
其中zi＝(z
i1
,...,z
ip
)(i＝1,...,p)，σ(zi)为zi的标准差，且满足
[0076]
步骤f：计算的特征值并将其与理论环定律的esd进行比较；
[0077]
步骤g：通过式(6)计算平均谱半径κ
rsm
，即指特征值在复平面的平均分布半径；
[0078][0079]
基于经验谱分析的配电网实时状态评估仿真分析，以ieee 123总线(一种配电网总线模型)测试系统生成的合成数据为例，验证了所提方法的有效性。关于ieee 123总线测试系统的详细信息可以在在matpower6.0包中的case123.m中找到。为了检验该方法对系统状态评估的有效性，在仿真中通过改变20总线的主动负荷设置不同类型的异常信号，其余的保持不变，如表1所示。合成数据包含118个电压测量变量，采样1000次。对于生成的数据集d，引入白噪声e(e
it
～n(0,1),i＝1,...,118；t＝1,...,1000)来表示随机波动和测量误差，即附加噪声的尺度为其中tr(
·
)为迹函数，τ
snr
为信噪比。电压测量曲线如图1所示。实验中，移动窗口大小为118
×
200，τ
snr
为1000。
[0080]
表1总线20设置异常信号
[0081][0082]
通过l＝1～4的方法，系统状况评估结果如图2所示，其中κ
msr
归一化为(0,1]。l＝1、2、3、4对应的每个采样数据的平均计算时间分别为0.001、0.002、0.002、0.003(单位:s)。由κ
msr-t曲线可得配电网运行状态如图2所示。
[0083]
请参阅图3在正常系统运行状态下esd(经验谱密度)收敛图和图4在异常系统运行状态下esd不收敛图。
[0084]
(1)在ts＝200～300期间，κ
msr
基本保持不变，表明系统处于正常运行状态。如图3所示，esds收敛于环定律。
[0085]
(2)ts＝301开始，κ
msr
急剧下降，提示系统出现异常，处于异常状态。如图4所示，esd不收敛于环定律。值得注意的是，在ts＝301～500期间，κ
msr-t曲线几乎呈u形，因为异常信号的持续时间与移动窗口的宽度相等。此外，随着乘法数据窗l数的增加，在ts＝301～500期间，κ
msr
值变小，更容易检测到系统异常行为。
[0086]
(3)在ts＝501～700期间，κ
msr
基本保持不变，系统恢复正常状态。
[0087]
(4)从ts＝701到ts＝996，κ
msr
逐渐下降，检测到另一个异常信号，系统开始进入异常状态运行。结果表明，κ
msr
值随l值的增加下降得更快，这也验证了多数据窗口的乘积有助于提高该方法对系统异常行为的敏感性。从ts＝997开始，κ
msr
急剧下降，系统崩溃，验证了所提出的衡量系统运行状况的指标的有效性。
[0088]
基于osvm(单类支持向量机)、ae(深度自编码器)和lstm(长短期记忆网络)的配电网运行状态评估性能比较,在基于以上机器学习方法的实时运行状态评估方法中，首先使用正常数据序列离线训练一类预测模型，其中以一次采样作为训练样本向量，标签为向量本身。然后利用训练后的模型计算在线时间序列数据的预测误差，该模型常作为评价指标。在实验中，生成4000个系统正常运行状态下的采样数据序列，用于训练预测模型，计算图1中ts＝201～1000期间数据序列的预测误差。对于osvm，测试了不同类型的内核函数；对于ae和lstm，测试了不同的模型深度、模型宽度、激活函数和优化器。表2总结了osvm、ae和lstm较好的参数选择方案。
[0089]
表2评估方法中涉及的参数设置
[0090]
[0091][0092]
将评估结果归一化为[0,1]，如图5所示。对于osvm，绘制到分离超平面的有符号距离的归一化值；对于ae和lstm，绘制了预测误差的归一化值；对于rmt，绘制了其中是κ
msr
归一化值。可以得到：
[0093]
(1)基于rmt的指标曲线在异常信号出现时的方差比(ts＝301和ts＝701)更高，表明该方法比ml(机器学习)方法对系统异常行为更敏感。
[0094]
(2)当系统发生停电时(即ts＝997)，基于rmt的指标会急剧增加，而基于ml的指标会随着电压测量而振动。说明所提出的基于rmt的指标能够更准确地反映系统的运行情况。
[0095]
基于随机矩阵理论，提出了一种数据驱动的方法评估配电网实时运行状态。它对系统行为非常敏感，可通过探索测量数据相关性的变化来感知电力系统状态变化。平均谱半径作为评价指标可以从宏观的角度了解系统运行情况。该方法是纯数据驱动的，不需要对电力系统复杂拓扑的先验知识。该算法对随机波动和测量误差具有鲁棒性，计算速度快。综合数据实例验证了该方法的有效性和优越性，表明该方法可以作为电力系统实时运行状态评估的一种实用方法。
[0096]
综上所述，本发明利用乘法数据矩阵乘积增强异常信号，达到便于检测系统异常行为的目的；
[0097]
利用广域测量系统的高频采样数据，且该算法的计算速度快，能够达到实时配电网状态评估的效果；
[0098]
本算法属于纯数据驱动类型，无需配电网复杂拓扑的先验知识，适用性强。
[0099]
尽管本发明的内容已经通过上述优选实施例作了详细介绍，但应当认识到上述的描述不应被认为是对本发明的限制。在本领域技术人员阅读了上述内容后，对于本发明的多种修改和替代都将是显而易见的。因此，本发明的保护范围应由所附的权利要求来限定。