基于电网负荷特性分析的PMU最优布点方法与流程

本发明属于电力系统建模与仿真领域，特别涉及一种基于电网负荷特性分析的PMU最优布点方法。

背景技术：

电力系统仿真是电力系统规划、运行和研究的基础，准确的模型参数对于仿真结果的可信度具有重要影响。相对于发电机、变压器和输电线路而言，电力负荷的模型参数相对粗糙，严重制约了仿真的精度。对于电力系统的仿真分析而言，负荷是指220kV变电站下的所有用电设备，包括低压配电网络、无功补偿装置等，其组成十分复杂。建立大区域电网负荷模型非常困难。

电力系统负荷建模方法分为统计综合法与总体测辨法。统计综合法通过调查负荷变电站的负荷组成，用电设备构成，以及用电设备平均特性来获得负荷模型，该方法物理概念清晰，但是统计数据庞大，无法解决用电设备同时率问题，且很难经常进行。另一种方法，总体测辨法通过在变电站安装负荷特性测量装置，获得扰动下负荷动态特性数据，通过辨识获得负荷模型参数，该方法简单实用，在电网负荷建模中广泛采用。

同步相量测量单元(Phasor Measurement Unit，PMU)是二十世纪九十年代兴起的测量装置，通过接受GPS信号达到同步测量的目的，已经在电力系统中获得了广泛的应用。目前，我国各大区域电网的500kV主网架的变电站基本都安装了PMU装置，用来检测电网电气量，为稳定分析和控制等提供基础。部分220kV变电站也安装了PMU装置，实践表明可以利用PMU来进行 负荷实测建模。考虑经济性的原因，不可能在所有的220kV变电站安装PMU来进行负荷建模，因而需要研究用于大区域电网负荷实测建模的PMU最优布点方法。

技术实现要素：

为了解决上述问题，本发明采取的技术方案为如下：

基于电网负荷特性分析的PMU最优布点方法，其特征在于，所述方法的具体过程为

步骤1、对区域电网各负荷变电站的负荷特性进行调查统计，分析各变电站负荷特性构成比例，以变电站负荷构成百分比作为特征向量；

步骤2、根据层次聚类分析法中的CURE算法对变电站的负荷组成情况对变电站进行聚类；

步骤3、对聚类之后的变电站各个分组，基于保信系统的录入数据，得到各个变电站的故障数据，进行故障概率分析；

步骤4、对各组的故障概率按大小排序，故障率超过30％、电压变化率超过3％时属于扰动较大的变电站能获得更多有效的负荷实测数据，选取该类能提取更多故障和扰动数据的变电站进行PMU布点。

所述步骤2中根据层级聚类法的CURE算法，用Y∈Y^n×m来描述变电站负荷特性原始数据矩阵Y＝[y₁,…,y_i,…,y_n]^T

其中:y_i＝[y_i1,…,y_ij,…,y_im]，y_i为第i个变电站，i＝1,…,n，n为变电站的个数，y_ij表示第i个变电站的第j类负荷的构成比例j＝1,…,m，m为负荷类别的个数；最初，聚类的数据每一个均为一个类，n个负荷特性数据就为n个类，待聚类数据n个，预期的聚类数设为k；

步骤201、计算每两个类之间的距离，对于任意一个类U，u.mean表示类U 的中心点，u.rep表示类U的代表点；对于任意两个分属于类U和类V的数据项p和数据项q，dist(p,q)表示p和q之间的距离，距离的计算方法采用欧几里德距离、曼哈顿距离或拉格朗日距离；计算两个聚类U、V之间的距离dist(U,V)＝min dist(p,q)；

将距离最小的两个类依次合并，形成n′个新类；

步骤202、新类W的中心点其中u、v表示步骤1中合并的两个类U、V中所含数据项的个数；v.mean表示类V的中心点；

步骤203、新类的代表点w.rep＝p+α*(w.mean-p)，其中α取0.5；w.mean表示新类W的中心点，w.rep表示新类W的代表点；

步骤204、若新类的个数n′大于预期的聚类数k时，返回步骤1，直至最后n′≤k。

一种通过系统聚类法根据负荷特性分析进行分类，以变电站负荷构成百分比作为特征向量。CURE聚类法的实现过程分为如下步骤:

(1)从源数据对象中抽取一个随机样本S。

(2)将样本S分割为一组划分。

(3)对每个划分局部的聚类。

(4)通过随机取样剔除孤立点。如果一个类增长太慢，就去掉它。

(5)对局部的类进行聚类。落在每个新形成的类中的代表点根据用户定义的一个收缩因子收缩或向类中心移动。这些点代表和捕捉到了类的形状。

(6)用相应的类标签来标记数据。

有益效果

本发明的基于电网负荷实测建模及负荷特性分析的PMU最优布点方法能够在充分考虑到各个变电站的负荷组成与负荷特性的基础上，最大程度的减少PMU安装数量，提升经济性且适用于生产实践。

附图说明

图1为基于电网负荷特性分析的PMU最优布点方法的流程图。

具体实施方式

下面结合附图，对本发明作详细说明。图1为基于电网负荷特性分析的PMU最优布点方法的流程图。

以某地区电网的101个220KV变电站站的负荷特性调查统计结果为例，对照附图对本发明进行进一步说明。

(1)对区域电网各负荷变电站进行负荷组成与特性分析，根据分析结果进行聚类；

根据层级聚类法的CURE算法，这里用Y∈Y^n×m来描述变电站负荷特性原始数据矩阵:

Y＝[y₁,…,y_i,…,y_n]^T

其中，y_i＝[y_i1,…,y_ij,…,y_im]，y_i为第i个变电站,i＝1,…,n；n＝111；y_il表示第i个变电站的第i类负荷的构成比例,l＝1,…，m；m＝5；分别代表工业、农业、商业、居民、其他等5类负荷成分。最初，聚类的数据每一个均为一个类，因此101个负荷特性数据就为101个类。其中待聚类数据101个，而预期的聚类数设为4即k＝4。第一步计算每两个聚类之间的距离，用欧式距离计算其中的dist(p，q)，将距离最小的依次合并。新类的中心点按公式(1)所示的公式计算，其中u表示该聚类u中所含数据项的个数。

$w.mean=\frac{\left|u\right|u.mean+\left|v\right|v.mean}{\left|u\right|+\left|v\right|}---\left(1\right)$

新类的代表点计算方法见公式(2)，其中α取0.5，代表点用rep表示。

w.rep＝p+α*(w.mean-p) (2)

迭代计算后，类的个数大于预期的类的个数时，需要继续计算各个类的类间距离并合并，直至最后将111类迭代合并为4类为止。经过多次实验计算，聚类结果如表1所示。

表1CURE聚类算法的聚类结果

(2)对区域电网各变电站进行概率统计分析

保护信息管理及故障分析系统可以获取在线电网运行方式信息和继电保护运行定值信息，全面而灵活地考虑和制定定值评估和在线整定的各种规则，实现保护定值性能的在线评估和在线整定，具有丰富的标准化结果输出功能，帮助继电保护人员、电网调度人员、运行方式人员及时掌握继电保护的运行状态，提高继电保护运行的可靠性和系统运行的安全性。经过十几年的发展，在全国范围内220kV及以上变电站中保信系统的使用率达到了90％，站间通 信规约及保护通信规约日趋规范统一，是一套已经趋于完善的系统，以其为平台所进行的应用研究具备稳定性和实用性，也避免了重复建设。保信系统既能采集电网故障时的二次设备动作信息，又能采集到继电保护装置、故障录波器等二次设备的自检告警信息。保信系统对变电站继电保护设备实施状态检修的基本应用为：收集数据、分析反映，其中收集数据与查询数据反映是整个状态检修工作实施的基础。

通过步骤(1)的聚类分析，将变电站分成4类，基于保信系统的录入数据，得到各个变电站的故障数据和故障概率。对各组的故障率进行排序分析，故障率超过30％、电压变化率超过3％的变电站能获得更多有效的负荷实测数据。

(3)根据负荷特性分析和变电站故障概率分析结果进行PMU最优布点；

考虑到PMU布点的经济性问题，PMU布点需要挑选最具代表性的变电站安装，以达到最高的效率。每一类变电站中，选取故障率较高且扰动较大的变电站可得到较多有效的负荷实测数据，应用于负荷建模等工程实践方面。选择4类变电站中，故障率较高的变电站，四类变电站故障率最高的变电站分别为y9、y55、y30和y26，根据实际情况的需要进行PMU布点。在保证经济性的前提下，此PMU的布点优化方案既能保证该布点的负荷特性具有代表性又能保证能够获得足够的数据应用于生产实践当中。