基于时空序列的大电网静态稳定边界特征提取方法及系统与流程

本发明涉及大电网安全稳定运行领域，具体地涉及一种基于时空序列的大电网静态稳定边界特征提取方法及系统。

背景技术：

随着经济的发展，用电负荷不断增长，电网不断逼近其输电能力极限，电力系统的安全稳定运行受到不断挑战；新能源、电力电子设备大规模接入电网，其不确定性严重影响了电网安全稳定运行能力，全球范围内发生多起大规模停电事故。这些都对电力系统边界特征提取提出了迫切的技术要求。

传统静态稳定评估研究或稳定边界研究大多仅给出了静态稳定裕度或边界范围，没有直接根据稳定边界作出研究，如基于电力系统静态电压稳定域(staticvoltagestabilityregion,svsr)边界拓扑特性，实现高精度svsr的快速检索；通过改进传统的直接延拓法，提出了一种二维参数稳定边界追踪方法。其研究方法大多针对物理模型和高强度仿真计算，传统模型难以适应当前电力系统，导致得出的结论与电力系统实际运行状态存在差异，其在线工程适用性无法保证。静态稳定边界的研究大多根据电压特性展开研究，分析的全面性无法保证。目前对于静态稳定的判定存在多种指标，但大多数指标只能体现电网的某一个侧面(如电压稳定指标仅反映电网的电压水平，功角稳定指标仅反映发电机的运行状态)，其无法从宏观上审视电网的整体状态。

由于广域测量系统(wideareameasurementsystem，wams)在电力系统中广泛应用，数据驱动、信息驱动的电力系统分析理论框架被广泛提出，通过大数据分析技术实现大电网全景安全防御和稳定态势量化评估。电网存在大量仿真或实测数据，利用成熟的特征提取算法为电网数据特征的提取提供可能。有关特征提取的研究大多应用于图像处理领域，识别图像特征，可根据特征匹配算法实现图像特征的提取、匹配以及精准定位。

技术实现要素：

本发明的目的在于直接挖掘大电网静态稳定临界状态下全息信息的关联程度，全面体现静稳极限时的运行状态，改进大电网静态稳定态势评估指标，提出了一种时空序列的大电网静态稳定边界特征提取方法及系统，所述方法包括：

设定电网运行初始状态，利用连续潮流法，穷举多种负荷增长和发电机出力增加的运行工况，采集静态稳定边界全息样本数据；

将全息样本数据按采样时间顺序排列，形成矩阵，公式如下：

xn*t＝[x(t1),x(t2),.....,x(ti),...]

其中，x(ti)为在采样时刻ti的全息样本数据，每个全息样本的量测数据构成的列向量，在全息样本数据中添加高斯白噪声，并对含噪音的全息样本数据进行平滑处理，使用实时分离窗技术，设置实时分离窗宽度tw，在ti时刻获取样本矩阵为：

xn*tw(ti)＝[x(ti-tw+1),x(ti-tw+2),.....,x(ti)]

取数据处理后的x矩阵的最后一列作为静态稳定边界样本数据；

将静态稳定边界样本数据按源、网和荷分类，将边界源样本、边界网样本和边界荷样本合成三个矩阵，具体方法为：以所有边界样本为行，电网源数据变量为列构成源矩阵，以此类推构成网矩阵和荷矩阵，将三个矩阵中的数据进行归一化处理，形成像素矩阵，映射为源样本图片、网样本图片和荷样本图片三张样本图片；

利用基于尺度不变特性变换法提取源样本图片、网样本图片和荷样本图片三张样本图片特征；

计算三张样本图片高斯差分尺度空间d(x,y,σ)，公式如下：

d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)

其中(x，y)是空间坐标，σ是尺度坐标，i(x,y)为图片像素矩阵，g(x,y,σ)是尺度坐标为σ下的尺度可变高斯函数，g(x,y,kσ)是尺度坐标为kσ下的尺度可变高斯函数，g(x,y,kσ)表达式如下：

在高斯差分尺度空间上，针对三张样本图片的每一个采样点和图像域与尺度域的相邻点相比较，得到尺度空间上的极值点，并依据下式去除边缘响应：

其中h为由高斯尺度空间构成的海森矩阵，tr(h)为海森矩阵的迹，det(h)为海森矩阵的行列式，γ为该矩阵最大特征值与最小特征值间的倍数；

将高斯差分尺度空间上的关键点周围的采样点带入梯度公式，确定梯度主方向，以关键点为中心取16个8×8的窗口，计算梯度方向直方图，绘制每个梯度方向的累加值，形成一个128维的描述子；

对边界荷样本图片和边界网样本图片进行特征匹配；计算边界荷样本图片和边界网样本图片特征描述子的欧式距离，若计算结果小于设定的阈值，则判定匹配成功；若大于阈值，则判定不成功，对下一个特征点描述子进行匹配。欧式距离d的计算方法如下式所示：

d＝[arccos(des1*des2)]^1/2

其中，des1为荷样本图片特征描述子,des2为网样本图片特征描述子；

将荷样本图片与网样本图片匹配到的特征数与网样本图片的总特征数相除得到静稳极限状态下的样本荷-网的静态稳定边界特征khw，khw公式如下：

其中，fm1为荷样本图片与网样本图片匹配到的特征数，fw为网样本图片的总特征数。

可选的，全息样本数据包括发电机节点电压、流出有功功率、无功功率、母线电压、流出有功功率、无功功率、负荷有功功率和无功功率。

可选的，电网运行初始状态包括网络拓扑结构和初始负荷状态。

可选的，发电机出力增加的运行工况包括单负荷增长、多负荷增长、全负荷增长、单台发电机出力增长和多台发电机出力增长。

可选的，ti取值范围从电网运行初始时刻到电网静态稳定极限状态运行时刻。

可选的，静态稳定边界特征khw根据不同的功率增长百分比行成静态稳定边界特征khw的实时变化曲线。

可选的，三个矩阵的合成具体流程把包括：以所有边界样本为行，电网源数据变量为列合成源矩阵、网矩阵和荷矩阵。

本发明系统包括：采集模块：设定电网运行初始状态，利用连续潮流法，穷举多种负荷增长和发电机出力增加的运行工况，采集静态稳定边界全息样本数据；

数据处理模块：将全息样本数据按采样时间顺序排列，形成矩阵，公式如下：

xn*t＝[x(t1),x(t2),.....,x(ti),...]

其中，x(ti)为在采样时刻ti的全息样本数据，每个全息样本的量测数据构成的列向量，在全息样本数据中添加高斯白噪声，并对含噪音的全息样本数据进行平滑处理，使用实时分离窗技术，设置实时分离窗宽度tw，在ti时刻获取样本矩阵为：

xn*tw(ti)＝[x(ti-tw+1),x(ti-tw+2),.....,x(ti)]

取数据处理后的x矩阵的最后一列作为静态稳定边界样本数据；

映射模块：将静态稳定边界样本数据按源、网和荷分类，将边界源样本、边界网样本和边界荷样本合成三个矩阵，将三个矩阵中的数据进行归一化处理，形成像素矩阵，映射为源样本图片、网样本图片和荷样本图片三张样本图片；

计算模块：利用基于尺度不变特性变换法提取源样本图片、网样本图片和荷样本图片三张样本图片特征，计算三张样本图片高斯差分尺度空间d(x,y,σ)，公式如下：

d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)

其中(x，y)是空间坐标，σ是尺度坐标，i(x,y)为图片像素矩阵，g(x,y,σ)是尺度坐标为σ下的尺度可变高斯函数，g(x,y,kσ)是尺度坐标为kσ下的尺度可变高斯函数，g(x,y,kσ)表达式如下：

在高斯差分尺度空间上，针对三张样本图片的每一个采样点和图像域与尺度域的相邻点相比较，得到尺度空间上的极值点，并依据下式去除边缘响应：

其中h为由高斯尺度空间构成的海森矩阵，tr(h)为海森矩阵的迹，det(h)为海森矩阵的行列式，γ为该矩阵最大特征值与最小特征值间的倍数；

将高斯差分尺度空间上的关键点周围的采样点带入梯度公式，确定梯度主方向，以关键点为中心取16个8×8的窗口，计算梯度方向直方图，绘制每个梯度方向的累加值，形成一个128维的描述子；

匹配模块：对边界荷样本图片和边界网样本图片进行特征匹配；计算边界荷样本图片和边界网样本图片特征描述子的欧式距离，若计算结果小于设定的阈值，则判定匹配成功；若大于阈值，则判定不成功，对下一个特征点描述子进行匹配，欧式距离d的计算方法如下式所示：

d＝[arccos(des1*des2)]^1/2

其中，des1为荷样本图片特征描述子,des2为网样本图片特征描述子；

提取特征模块：将荷样本图片与网样本图片匹配到的特征数与网样本图片的总特征数相除得到静稳极限状态下的样本荷-网的静态稳定边界特征khw，khw公式如下：

其中，fm1为荷样本图片与网样本图片匹配到的特征数，fw为网样本图片的总特征数。

本发明的优点在于：

(1)本发明运用连续潮流法穷举多种运行工况，得到静态稳定边界全信息仿真样本数据，避免了实际运行数据少且工况覆盖面小的缺点，得出的边界特征更具说服力。

(2)本发明从数据角度研究特征表达，避免了传统模型分析方法中模型假设和简化而带来的模型适用性问题以及高强度仿真带来的计算复杂性问题，该特征可以更真实的表征实际运行情况，其更具有可靠性。

(3)本发明运算基于尺度不变特性变换算法，融合更多电力系统状态变量，避免了传统方法中仅关于电压研究导致的信息片面性问题，实现了真正意义上的特征提取。

(4)本发明通过算例分析可以看出，负荷和网络的关联程度随系统向临界状态趋近而下降，达到静态稳定边界时，负荷和网络的关联程度降为零。运用该特征可以改进现有的静态稳定评估指标。

附图说明

图1为本发明一种基于时空序列的大电网静态稳定边界特征提取方法流程图；

图2为本发明一种基于时空序列的大电网静态稳定边界特征提取方法静态稳定边界特征实时变化曲线图；

图3为本发明一种基于时空序列的大电网静态稳定边界特征提取系统结构图。

具体实施方式

现在参考附图介绍本发明的示例性实施方式，然而，本发明可以用许多不同的形式来实施，并且不局限于此处描述的实施例，提供这些实施例是为了详尽地且完全地公开本发明，并且向所属技术领域的技术人员充分传达本发明的范围。对于表示在附图中的示例性实施方式中的术语并不是对本发明的限定。在附图中，相同的单元/元件使用相同的附图标记。

除非另有说明，此处使用的术语(包括科技术语)对所属技术领域的技术人员具有通常的理解含义。另外，可以理解的是，以通常使用的词典限定的术语，应当被理解为与其相关领域的语境具有一致的含义，而不应该被理解为理想化的或过于正式的意义。

本发明提出一种基于时空序列的大电网静态稳定边界特征提取方法，如图1所示，本发明方法具体包括：设定电网运行初始状态，其中，电网运行初始状态包括网络拓扑结构和初始负荷状态，利用连续潮流法，穷举多种负荷增长和发电机出力增加的运行工况，其中发电机出力增加的运行工况包括单负荷增长、多负荷增长、全负荷增长、单台发电机出力增长和多台发电机出力增长；采集静态稳定边界全息样本数据，其中，全息样本数据包括发电机节点电压、流出有功功率、无功功率、母线电压、流出有功功率、无功功率、负荷有功功率和无功功率；

将全息样本数据按采样时间顺序排列，形成矩阵，公式如下：

xn*t＝[x(t1),x(t2),.....,x(ti),...]

其中，x(ti)为在采样时刻ti的全息样本数据，每个全息样本的量测数据构成的列向量，在全息样本数据中添加高斯白噪声，并对含噪音的全息样本数据进行平滑处理，为了实现数据的实时分析，可以采用一种特定的分离窗获取生数据矩阵，称为实时分离窗，使用实时分离窗技术，设置实时分离窗宽度tw，使用实时分离窗技术，设置实时分离窗宽度tw，在ti时刻获取样本矩阵为在ti时刻获取样本矩阵为：

xn*tw(ti)＝[x(ti-tw+1),x(ti-tw+2),.....,x(ti)]

其中ti取值范围从电网运行初始时刻到电网静态稳定极限状态运行时刻；取数据处理后的x矩阵的最后一列作为静态稳定边界样本数据；

将静态稳定边界样本数据按源、网和荷分类，将边界源样本、边界网样本和边界荷样本合成三个矩阵，三个矩阵的合成具体流程把包括：以所有边界样本为行，电网源数据变量为列合成源矩阵、网矩阵和荷矩阵，将三个矩阵中的数据进行归一化处理，形成像素矩阵，映射为源样本图片、网样本图片和荷样本图片三张样本图片；

利用基于尺度不变特性变换法提取源样本图片、网样本图片和荷样本图片三张样本图片特征，计算三张样本图片高斯差分尺度空间d(x,y,σ)，公式如下：

d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)

其中(x，y)是空间坐标，σ是尺度坐标，i(x,y)为图片像素矩阵，g(x,y,σ)是尺度坐标为σ下的尺度可变高斯函数，g(x,y,kσ)是尺度坐标为kσ下的尺度可变高斯函数，g(x,y,kσ)表达式如下：

在高斯差分尺度空间上，针对三张样本图片的每一个采样点和图像域与尺度域的相邻点相比较，得到尺度空间上的极值点，并依据下式去除边缘响应：

其中h为由高斯尺度空间构成的海森矩阵，tr(h)为海森矩阵的迹，det(h)为海森矩阵的行列式，γ为该矩阵最大特征值与最小特征值间的倍数；

将高斯差分尺度空间上的关键点周围的采样点带入梯度公式，确定梯度主方向，以关键点为中心取16个8×8的窗口，计算梯度方向直方图，绘制每个梯度方向的累加值，形成一个128维的描述子；

对边界荷样本图片和边界网样本图片进行特征匹配；计算边界荷样本图片和边界网样本图片特征描述子的欧式距离，若计算结果小于设定的阈值，则判定匹配成功；若大于阈值，则判定不成功，对下一个特征点描述子进行匹配，欧式距离d的计算方法如下式所示：

d＝[arccos(des1*des2)]^1/2

其中，des1为荷样本图片特征描述子,des2为网样本图片特征描述子；

将荷样本图片与网样本图片匹配到的特征数与网样本图片的总特征数相除得到静稳极限状态下的样本荷-网关联度即荷-网的静态稳定边界特征khw，khw公式如下：

其中，fm1为荷样本图片与网样本图片匹配到的特征数，fw为网样本图片的总特征数，如图2所示，其中静态稳定边界特征khw根据不同的功率增长百分比行成静态稳定边界特征khw的实时曲线，静态稳定边界特征khw的实时曲线反映了负荷与网络的紧密程度。随着电力系统向静态稳定边界趋近，负荷和网络的关联程度逐渐下降，当电力系统达到静态稳定边界，负荷和网络的关联程度降为零。这种关联程度与网络的具体支路无关，是大电网的一种整体特性。

本发明还提供一种基于时空序列的大电网静态稳定边界特征提取系统，如图3所示，本发明系统200包括：

采集模块201：设定电网运行初始状态，利用连续潮流法，穷举多种负荷增长和发电机出力增加的运行工况，采集静态稳定边界全息样本数据；

数据处理模块202：将全息样本数据按采样时间顺序排列，形成矩阵，公式如下：

xn*t＝[x(t1),x(t2),.....,x(ti),...]

其中，x(ti)为在采样时刻ti的全息样本数据，每个全息样本的量测数据构成的列向量，在全息样本数据中添加高斯白噪声，并对含噪音的全息样本数据进行平滑处理，使用实时分离窗技术，设置实时分离窗宽度tw，在ti时刻获取样本矩阵为：

xn*tw(ti)＝[x(ti-tw+1),x(ti-tw+2),.....,x(ti)]

取数据处理后的x矩阵的最后一列作为静态稳定边界样本数据；

映射模块203：将静态稳定边界样本数据按源、网和荷分类，将边界源样本、边界网样本和边界荷样本合成三个矩阵，将三个矩阵中的数据进行归一化处理，形成像素矩阵，映射为源样本图片、网样本图片和荷样本图片三张样本图片；

计算模块204：利用基于尺度不变特性变换法提取源样本图片、网样本图片和荷样本图片三张样本图片特征，计算三张样本图片高斯差分尺度空间d(x,y,σ)，公式如下：

d(x,y,σ)＝(g(x,y,kσ)-g(x,y,σ))*i(x,y)

其中(x，y)是空间坐标，σ是尺度坐标，i(x,y)为图片像素矩阵，g(x,y,σ)是尺度坐标为σ下的尺度可变高斯函数，g(x,y,kσ)是尺度坐标为kσ下的尺度可变高斯函数，g(x,y,kσ)表达式如下：

在高斯差分尺度空间上，针对三张样本图片的每一个采样点和图像域与尺度域的相邻点相比较，得到尺度空间上的极值点，并依据下式去除边缘响应：

其中h为由高斯尺度空间构成的海森矩阵，tr(h)为海森矩阵的迹，det(h)为海森矩阵的行列式，γ为该矩阵最大特征值与最小特征值间的倍数；

将高斯差分尺度空间上的关键点周围的采样点带入梯度公式，确定梯度主方向，以关键点为中心取16个8×8的窗口，计算梯度方向直方图，绘制每个梯度方向的累加值，形成一个128维的描述子；

匹配模块205：对边界荷样本图片和边界网样本图片进行特征匹配；计算边界荷样本图片和边界网样本图片特征描述子的欧式距离，若计算结果小于设定的阈值，则判定匹配成功；若大于阈值，则判定不成功，对下一个特征点描述子进行匹配，欧式距离d的计算方法如下式所示：

d＝[arccos(des1*des2)]^1/2

其中，des1为荷样本图片特征描述子,des2为网样本图片特征描述子；

提取特征模块206：将荷样本图片与网样本图片匹配到的特征数与网样本图片的总特征数相除得到静稳极限状态下的样本荷-网的静态稳定边界特征khw，khw公式如下：

其中，fm1为荷样本图片与网样本图片匹配到的特征数，fw为网样本图片的总特征数。

本发明运用连续潮流法穷举多种运行工况，得到静态稳定边界全信息仿真样本数据，避免了实际运行数据少且工况覆盖面小的缺点，得出的边界特征更具说服力。本发明从数据角度研究特征表达，避免了传统模型分析方法中模型假设和简化而带来的模型适用性问题以及高强度仿真带来的计算复杂性问题，该特征可以更真实的表征实际运行情况，其更具有可靠性。本发明运算基于尺度不变特性变换算法，融合更多电力系统状态变量，避免了传统方法中仅关于电压研究导致的信息片面性问题，实现了真正意义上的特征提取。本发明通过算例分析可以看出，负荷和网络的关联程度随系统向临界状态趋近而下降，达到静态稳定边界时，负荷和网络的关联程度降为零。运用该特征可以改进现有的静态稳定评估指标。