专利名称：一种电网智能报警方法
技术领域：
本发明涉及电网调度与故障分析领域，尤其涉及一种电网智能报警方法。
背景技术：
电力系统发生故障时，控制中心收到大量报警信息，调度员难以在短时间
内作出有效判断，易导致故障的扩大。"8.14"美加大停电之后，系统运行人员 更加意识到快速、正确、智能的报警系统对保证电网安全运行的重要意义。采 用电力系统节点电压向量观测器，通过机器学习对电网报警进行筛选的方法， 但是研究发现在大规模电网背景下，这类方法受到了计算速度的制约。
发明内容
针对现有技术的不足之处，本发明提供了一种电网智能报警方法。
本发明所采用的技术方案是一种电网智能报警方法，包括以下步骤
1、 故障仿真及样本选择对电网中可能发生的故障进行仿真，并记录故障发
生时刻的节点电压向量，形成样本集丁=^11,71)...(^,,^，^21，_4..(^/2,:^;之
后采用PMU布点优化算法减小样本的维度，形成样本集T'。其中y为故 障类型，P为故障y对应的电压向量。
2、 训练样本集采用支持向量机算法训练仿真得来的样本集，获取故障的判 别模型函数f(x)-sgnp" + "。根据几何关系把求解最优函数转换为如下问 题
minp(w) = |jw||
在该不等式约束条件下的二次优化问题存在唯一解为-
w。 = S a,0",;
式中，对所有i-l,2,…，l,",^0,"f，为'Langrange乘子，其中非零",。所对应的^ 为支持向量。
其中，为了提高模型的处理速度和正确率，通过比较类中心距 (U扭，)(近雄麵垂^ ),、娜,断会断1,。 其中《(^)为核函数，用于非线性样本的维度扩张； 为某类故障的样本
3中心。
3、 EMS警报的预处理按照警报的严重等级对其进行初步的筛选，留下有用 的警报；其次按照警报的时间和拓扑特性对警报进行故障事件组合，获取 故障发生的时间和节点电压^KM，"H，《，V^^)。"是电压幅值，v为电压相角。
4、 警报生成根据模型库，通过对故障时的节点电压比较来判断故障类型， 生成警报提示给调度员。
本发明的有益效果是
1、 本发明在PMU布点优化的基础上，构造基于母线节点电压的电网观测器，
使故障和节点电压对应起来，提出决策树和支持向量机协同的算法对电网 故障进行报警。
2、 采用决策树来减小分类组合数，并构造了分类性能值表征每一类的可分度。
3、 引入PMU布点优化降低观测器的维数，从而大大提高了判别速度，满足 故障报警的实时要求。
具体实施例方式
下面根据附图
和实施例对本发明做进一步描述，本发明的目的和效果将变 得更加明显。
本发明的电网智能报警方法，包括以下步骤
(5) 故障仿真及样本选择。对电网中可能发生的故障进行仿真，并记录故障发
生时刻的节点电压向量，形成样本集1=^>11,:4.化1,1，:^，(^1,:4..(^2，:^;之 后采用PMU布点优化算法减小样本的维度，形成样本集T'。其中少为故 障类型，F为故障y岁对应的电压向量。
(6) 训练样本集采用支持向量机算法训练仿真得来的样本集，获取故障的判
别模型函数f(;c)-sgri(:;c + "。根据几何关系把求解最优函数转换为如下问 题
<formula>formula see original document page 4</formula>
在该不等式约束条件下的二次优化问题存在唯一解为w 。 = S ",o",
式中，对所有i",2，…,l,"〉0,"，，为Langrange乘子，其中非零",。所对应 的x,为支持向量。
其中为了提高模型的处理速度和正确率，通过比较类中心距 (粉J泡一一必"麵li顿),彌歹,附则顿 序。其中K(;c, )为核函数，用于非线性样本的维度扩张；q为某类故障的 样本中心。
(7) EMS警报的预处理按照警报的严重等级对其进行初步的筛选，留下有用 的警报；其次按照警报的时间和拓扑特性对警报进行故障事件组合，获取
故障发生的时间和节点电压^^，MM,V,^0。"是电压幅值，v为电压相角。
(8) 警报生成根据模型库，通过对故障时的节点电压比较来判断故障类型，
生成警报提示给调度员。
本发明提供了一种电网智能报警方法，将现有的数据采集设备、成熟的技 术与前沿的理论知识相结合。在PMU布点优化的基础上，构造基于母线节点电 压的电网观测器，使故障和节点电压对应起来，提出决策树和支持向量机协同 的算法对电网故障进行报警。该方法采用决策树来减小分类组合数，并构造了 分类性能值表征每一类的可分度；此外，引入PMU布点优化降低观测器的维数， 从而大大提高了判别速度，满足故障报警的实时要求。
权利要求
1、一种电网智能报警方法，其特征在于，包括以下步骤(1)故障仿真及样本选择对电网中可能发生的故障进行仿真，并记录故障发生时刻的节点电压向量，形成样本集<maths id="math0001" num="0001" ><math><![CDATA[ <mrow><mi>T</mi><mo>=</mo><mo>{</mo><mrow> <mo>(</mo> <msub><mover> <mi>V</mi> <mo>‾</mo></mover><mn>11</mn> </msub> <mo>,</mo> <msub><mi>y</mi><mn>1</mn> </msub> <mo>)</mo></mrow><mo>.</mo><mo>.</mo><mo>.</mo><mrow> <mo>(</mo> <msub><mover> <mi>V</mi> <mo>‾</mo></mover><msub> <mrow><mn>1</mn><mi>l</mi> </mrow> <mn>1</mn></msub> </msub> <mo>.</mo> <msub><mi>y</mi><mn>1</mn> </msub> <mo>)</mo></mrow><mo>.</mo><mrow> <mo>(</mo> <msub><mover> <mi>V</mi> <mo>‾</mo></mover><mn>21</mn> </msub> <mo>,</mo> <msub><mi>y</mi><mn>2</mn> </msub> <mo>)</mo></mrow><mo>.</mo><mo>.</mo><mo>.</mo><mrow> <mo>(</mo> <msub><mover> <mi>V</mi> <mo>‾</mo></mover><msub> <mrow><mn>2</mn><mi>l</mi> </mrow> <mn>2</mn></msub> </msub> <mo>,</mo> <msub><mi>y</mi><mn>2</mn> </msub> <mo>)</mo></mrow><mo>}</mo><mo>;</mo> </mrow>]]></math> id="icf0001" file="A2009101525270002C1.tif" wi="68" he="7" top= "43" left = "99" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>之后采用PMU布点优化算法减小样本的维度，形成样本集T′；其中，y为故障类型，V为故障y岁对应的电压向量。(2)训练样本集采用支持向量机算法训练仿真得来的样本集，获取故障的判别模型函数<maths id="math0002" num="0002" ><math><![CDATA[ <mrow><mi>f</mi><mrow> <mo>(</mo> <mi>x</mi> <mo>)</mo></mrow><mo>=</mo><mi>sgn</mi><mrow> <mo>(</mo> <mover><mi>w</mi><mo>→</mo> </mover> <mo>·</mo> <mi>x</mi> <mo>+</mo> <mi>b</mi> <mo>)</mo></mrow><mo>;</mo> </mrow>]]></math> id="icf0002" file="A2009101525270002C2.tif" wi="34" he="6" top= "73" left = "58" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>根据几何关系把求解最优函数转换为如下问题在该不等式约束条件下的二次优化问题存在唯一解为<maths id="math0003" num="0003" ><math><![CDATA[ <mrow><msub> <mi>w</mi> <mn>0</mn></msub><mo>=</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <mi>l</mi></munderover><msubsup> <mi>α</mi> <mi>i</mi> <mn>0</mn></msubsup><msub> <mi>y</mi> <mi>i</mi></msub><msub> <mi>x</mi> <mi>i</mi></msub><mo>,</mo> </mrow>]]></math></maths>式中，对所有<maths id="math0004" num="0004" ><math><![CDATA[ <mrow><mi>i</mi><mo>=</mo><mn>1,2</mn><mo>,</mo><mo>.</mo><mo>.</mo><mo>.</mo><mo>,</mo><mn>1</mn><mo>,</mo><msubsup> <mi>α</mi> <mi>i</mi> <mn>0</mn></msubsup><mo>≥</mo><mn>0</mn><mo>,</mo><msubsup> <mi>α</mi> <mi>i</mi> <mn>0</mn></msubsup><mo>,</mo> </mrow>]]></math> id="icf0005" file="A2009101525270002C5.tif" wi="37" he="4" top= "131" left = "60" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>为Langrange乘子，其中非零αi0所对应的xi为支持向量。其中为了提高模型的处理速度和正确率，通过比较类中心距<maths id="math0005" num="0005" ><math><![CDATA[ <mrow><mo>(</mo><msup> <mi>d</mi> <mi>R</mi></msup><mrow> <mo>(</mo> <msub><mi>c</mi><mi>Φ</mi> </msub> <mo>,</mo> <msubsup><mi>c</mi><mi>Φ</mi><mo>′</mo> </msubsup> <mo>)</mo></mrow><mo>=</mo><msqrt> <mrow><mo>(</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <msub><mi>n</mi><mn>1</mn> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <msub><mi>n</mi><mn>2</mn> </msub></munderover><mi>K</mi><mrow> <mo>(</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>,</mo> <msub><mi>x</mi><mi>j</mi> </msub> <mo>)</mo></mrow><mo>)</mo> </mrow> <mo>/</mo> <msubsup><mi>n</mi><mn>1</mn><mn>2</mn> </msubsup> <mo>-</mo> <mn>2</mn> <mrow><mo>(</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <msub><mi>n</mi><mn>1</mn> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <msub><mi>n</mi><mn>2</mn> </msub></munderover><mi>K</mi><mrow> <mo>(</mo> <msub><mi>x</mi><mi>i</mi> </msub> <mo>,</mo> <msubsup><mi>x</mi><mi>j</mi><mo>′</mo> </msubsup> <mo>)</mo></mrow><mo>)</mo> </mrow> <mo>/</mo> <mrow><mo>(</mo><msub> <mi>n</mi> <mn>1</mn></msub><msub> <mi>n</mi> <mn>2</mn></msub><mo>)</mo> </mrow> <mo>+</mo> <mrow><mo>(</mo><munderover> <mi>Σ</mi> <mrow><mi>i</mi><mo>=</mo><mn>1</mn> </mrow> <msub><mi>n</mi><mn>2</mn> </msub></munderover><munderover> <mi>Σ</mi> <mrow><mi>j</mi><mo>=</mo><mn>1</mn> </mrow> <msub><mi>n</mi><mn>2</mn> </msub></munderover><mi>K</mi><mrow> <mo>(</mo> <msubsup><mi>x</mi><mi>i</mi><mo>′</mo> </msubsup> <mo>,</mo> <msubsup><mi>x</mi><mi>j</mi><mo>′</mo> </msubsup> <mo>)</mo></mrow><mo>)</mo> </mrow> <mo>/</mo> <msubsup><mi>n</mi><mn>2</mn><mn>2</mn> </msubsup></msqrt><mo>)</mo> </mrow>]]></math> id="icf0006" file="A2009101525270002C6.tif" wi="83" he="9" top= "160" left = "32" img-content="drawing" img-format="tif" orientation="portrait" inline="yes"/></maths>的大小来排列故障的诊断顺序。其中，K(xixj)为核函数，用于非线性样本的维度扩张；cΦ为某类故障的样本中心。(3)EMS警报的预处理按照警报的严重等级对其进行初步的筛选，留下有用的警报；其次按照警报的时间和拓扑特性对警报进行故障事件组合，获取故障发生的时间和节点电压V＝(u1，v1，u2，v2，...，un，vn)。u是电压幅值，v为电压相角。(4)警报生成根据模型库，通过对故障时的节点电压比较来判断故障类型，生成警报提示给调度员。
全文摘要
本发明公开了一种电网智能报警方法，在PMU布点优化的基础上，构造基于母线节点电压的电网观测器，使故障和节点电压对应起来，提出决策树和支持向量机协同的算法对电网故障进行报警；该方法采用决策树来减小分类组合数，并构造了分类性能值表征每一类的可分度；此外，引入PMU布点优化降低观测器的维数，从而大大提高了判别速度，满足故障报警的实时要求。
文档编号H02J3/00GK101651345SQ20091015252
公开日2010年2月17日 申请日期2009年9月17日 优先权日2009年9月17日
发明者彭明伟, 朱少华, 王晓娇, 郭创新, 马韬韬 申请人:浙江大学