CN110348540B - 基于聚类的电力***暂态功角稳定故障筛选方法及装置 - Google Patents

Abstract

本发明公开了一种基于聚类的电力***暂态功角稳定故障筛选方法及装置，针对每个故障，基于在线安全分析应用暂态稳定评估功能存储的结果数据，根据暂态功角裕度范围对历史数据抽样；将暂态功角稳定性和稳定模式都一致且暂态功角裕度相近的样本聚类成若干历史运行方式簇，以轮廓系数法确定每个故障的最优簇数。对指定运行方式的每个故障进行分类，再估算其暂态功角裕度；最后得到由暂态功角失稳故障集和暂态功角估算裕度大于设定阈值的暂态功角稳定故障组成的严重故障集。采用本发明可以快速对在线分析应用考察的暂态功角稳定评估故障集进行筛选，有效减少暂态功角稳定评估的故障数量，从而提高暂态安全稳定分析的计算速度。

Description

基于聚类的电力***暂态功角稳定故障筛选方法及装置

技术领域

本发明涉及电力***安全稳定分析技术领域，尤其涉及一种基于聚类的电力***暂态功 角稳定故障筛选方法及装置。

背景技术

随着电网实时运行数据的在线安全稳定分析应用功能的广泛的应用，在线暂态安全稳定 分析现已成为大电网调度运行的迫切需求和重要参考指标，其计算周期一般要求在5分钟之 内完成。随着交直流混合大电网的建设，电力***规模逐年增大，需要进行在线暂态安全稳 定分析的预想故障数也随着增多，单个故障的评估时间也会变长。对于数千台发电机，数万 个计算节点的大电网，如果不对预想故障进行筛选，在5分钟之内完成上万个预想故障的暂 态安全稳定分析，则需要配置大量的计算资源。通常的解决方法是电网调度运行人员凭离线 分析经验筛选出少量的预想故障进行在线暂态安全稳定分析，其可靠性与电网调度运行人员 的经验紧密相关。因此，急需提出电力***在线暂态安全稳定分析预想故障筛选方法，降低 预想故障集的设置与电网调度运行人员经验的依赖程度。

发明内容

本发明的目的在于提供一种基于聚类的电力***暂态功角稳定故障筛选方法及装置，可 以快速对在线分析应用考察的故障进行筛选，有效减少暂态稳定评估的故障数量，从而提高 暂态安全稳定分析的计算速度。

本发明是采用以下技术方案实现的，具体地说，包括如下步骤：

基于聚类的电力***暂态功角稳定故障筛选方法，包括：

(1)针对每个故障获取训练样本集；所述训练样本集从基于在线安全分析应用暂态功 角稳定评估存储的历史数据中，按照暂态功角裕度范围进行抽样获取；

(2)对所述训练样本集按照聚类原则进行聚类；所述聚类原则为：将与基准方式的暂 态功角稳定性和稳定模式均一致，且暂态功角裕度相近的训练样本聚类成一簇；

(3)根据每轮的聚类结果确定聚类的最优簇数；

(4)基于所述聚类的最优簇数，计算指定运行方式的待考察故障的暂态功角裕度估算 值；

(5)根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选。

前述的按照暂态功角裕度范围进行抽样，包括：

将暂态功角裕度的取值范围[-100,100]，分为两个裕度段[-100,0)和[0,100]；

在两个裕度段中分别设定抽样档位d₁和d₂，得到[-100，-d₁)，[-d₁,0)，[0,d₂)，[d₂,100] 四个抽样档位分段；

计算各个抽样档位分段所需抽样的样本数量：

其中，Y_i表示第i个抽样档位分段所需抽样的样本数量，D_i表示第i个抽样档位分段的 历史数据数量，N表示历史数据总量；

从每个抽样档位分段的历史数据中随机抽取Y_i个历史数据作为训练样本，所有抽样档位 分段的训练样本作为此故障的训练样本集。

前述的基准方式选取包括：

初始聚类时随机选择簇集合为空，第一个训练样本归为新生成的第一个簇，同时也是作 为第一个簇的基准方式；

对训练样本按照聚类原则进行聚类，若无法归入已有簇，则该训练样本单独成为新的一 簇，第一个加入该簇的训练样本作为该簇的基准方式；

聚类过程中，采用K均值算法计算簇的虚拟中心点，将与虚拟中心点的欧氏距离最近 的簇内的样本作为该簇新的基准方式。

前述的对所述训练样本集按照聚类原则进行聚类，包括：

11)待聚类的训练样本与基准方式的暂态功角稳定性一致，包括：

其中，M_bi为第i个簇的基准方式的暂态功角裕度；M_j为待聚类的训练样本j的暂态功角裕度，其中，j∈[1,J]，J表示未聚类的样本数量；

当W为1时表示两者暂态功角稳定性一致，为0时表示两者暂态功角稳定性不同；

12)待聚类的训练样本与基准方式的稳定模式一致需满足以下三个条件：

a)待聚类的训练样本j的领前群机组G_adv-j和第i个簇的基准方式的领前群机组G_adv-i中的机组个数，机组名称，机组投停状态完全一致；

b)待聚类的训练样本j的滞后群机组G_lft-j和第i个簇的基准方式的滞后群机组G_lft-i中 的机组个数，机组名称，机组投停状态完全一致；

c)待聚类的训练样本j的关键线路L_line-j和第i个簇的基准方式的关键线路L_line-i的线 路个数、线路名称、投停状态完全一致；

13)待聚类的训练样本与基准方式的暂态功角裕度相近的判断条件为：

|M_bi-M_j|≤M_max

其中，M_j表示聚类的训练样本j的暂态功角裕度，M_max为设定的阈值。

前述的聚类的结束条件为：聚类的簇的数量和基准方式均不再变化或到达指定迭代次数 后终止。

前述的根据每轮的聚类结果确定聚类的最优簇数，包括：

31)针对每轮迭代后的聚类结果，分别采用欧氏距离法进行簇内不相似度和簇间不相似 度计算，计算如下：

计算训练样本i到同簇其余训练样本的平均欧氏距离a_i，称之为簇内不相似度；

计算训练样本i到簇C_j中所有训练样本的平均欧氏距离b_i,j，再取b_i,j的最小值b_i，称 之为簇间不相似度；

32)根据训练样本i的簇内不相似度和簇间不相似度，计算训练样本i的轮廓系数：

同簇中所有训练样本的轮廓系数均值称为本轮聚类的轮廓系数：

其中，M表示同簇中所有训练样本总数；

33)根据每轮聚类的轮廓系数，选取所有轮次中轮廓系数的最大值对应的簇数作为聚类 的最优簇数。

前述的基于所述聚类的最优簇数，计算指定运行方式的待考察故障的暂态功角裕度估算 值，包括：

41)从指定运行方式中提取每个待考察故障的关键特征量和辅助特征量，并对关键特征 量进行归一化处理；

42)计算与指定运行方式辅助特征量一致的簇的基准方式之间的欧氏距离，取所述聚类 的最优簇数中距离不大于ηd_min的X个簇，将暂态功角裕度不小于0的簇记为稳定集合C_a， 将暂态功角裕度小于0的簇记为失稳集合C_b；其中，d_min为最近欧氏距离，η为不小于1的浮点数，X为大于0的整数；

43)选择参考簇：优先选择所述失稳集合C_b中欧氏距离最近的簇作为参考簇，如果失 稳集合C_b为空，则从稳定集合C_a中选择欧氏距离最近的簇作为参考簇；

44)取所述参考簇的基准方式，计算暂态功角裕度估算值：

其中，M表示待考察故障的暂态功角裕度估算值，M_b为参考簇的暂态功角裕度，

表示参考簇的基准方式中领前群中第j个机组的稳定参与因子在该簇包含训练样本集的平均值，

表示参考簇的基准方式中滞后群中第j个机组的稳定参与因子在该簇包含样本集的平均值，P_1b,j表示参考簇的基准方式中领前群第j个机组的有功功率归一化后的值，P′_2b,j表示参考簇的基准方式中滞后群第j个机组的有功功率归一化后的值，P′_j表示指定运行方式中领前群中第j个机组的有功功率归一化后的值，P″_j表示指定运行方式中滞后群中第j个机组的有功功率归一化后的值，G_adv和G_lft分别为领前群和滞后群机组集合。

前述的提取训练样本的稳定参与因子绝对值不小于设定阈值的领前群机组和滞后群机 组作为关键机组，并取关键机组的有功功率作为关键特征量；

提取关键机组的投停状态和交流线路的投停状态作为辅助特征量；

对关键特征量进行归一化处理，包括：

采用z-score平均数方差法对关键特征量进行数据预处理，然后按照下式进行归一化：

其中，p_k为某机组在第k个训练样本的有功功率，

和σ_x为该机组在所有样本的均值和标准差，p'_k为归一化后得到的值。

前述的根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选，包括：

51)待考察故障的暂态功角裕度估算值小于0表示暂态功角失稳，否则为暂态功角稳定； 将暂态功角失稳的所有待考察故障加入到严重故障集中；

52)将暂态功角裕度阈值设为M_mar，M_mar∈[0,100]，取暂态功角裕度估算值不大于M_mar的待考察故障加入到严重故障集中。

基于聚类的电力***暂态功角稳定故障筛选装置，包括：训练样本集获取模块，聚类模 块，最优聚类确定模块，暂态功角裕度估算模块和故障筛选模块，

所述训练样本集获取模块用于针对每个故障获取训练样本集；所述训练样本集从基于在 线安全分析应用暂态功角稳定评估存储的历史数据中，按照暂态功角裕度范围进行抽样获取；

所述聚类模块用于对所述训练样本集按照聚类原则进行聚类；所述聚类原则为：将与基 准方式的暂态功角稳定性和稳定模式均一致，且暂态功角裕度相近的训练样本聚类成一簇；

所述最优聚类确定模块用于根据每轮的聚类结果确定聚类的最优簇数；

所述暂态功角裕度估算模块用于基于所述聚类的最优簇数，计算指定运行方式的待考察 故障的暂态功角裕度估算值；

所述故障筛选模块用于根据所述指定运行方式的待考察故障的暂态功角裕度估算值进 行故障筛选。

本发明所达到的有益效果为：

本发明可快速对在线分析应用考察的故障进行筛选，有效减少暂态稳定评估的故障数量， 从而提高暂态安全稳定分析的计算速度。

本发明在不影响判断故障稳定性的同时，降低预想故障集的设置与电网调度运行人员经 验的依赖程度，也满足大电网在线暂态安全稳定分析的时效性要求。

附图说明

图1为本发明基于聚类的电力***暂态功角稳定故障筛选方法的流程图。

具体实施方式

下面结合附图并通过具体实施例对本发明作进一步详述，以下实施例只是描述性的，不 是限定性的，不能以此限定本发明的保护范围。

参见图1中，本发明提供一种基于聚类的电力***暂态功角稳定故障筛选方法，包括以 下内容：

步骤1)，针对每个故障，基于在线安全分析应用暂态功角稳定评估存储的结果历史数 据，根据暂态功角裕度范围对历史数据进行抽样，得到训练样本集。具体如下：

11)已知暂态功角裕度的取值范围是[-100,100]，其分界点为0，分为两个裕度段[-100,0)和[0,100]，分别表示暂态功角失稳和暂态功角稳定，在上述两个裕度段中分别设定抽样档位d₁和d₂，其中，d₁,d₂∈[1,100]。设定d₁＝d₂＝50，则抽样档位分段按照 [-100，-50)，[-50,0)，[0,50)，[50,100]进行划分，计算各个抽样档位的样本数量Y_i，具 体按公式(1)计算：

其中：Y_i表示第i个抽样档位的样本数量，D_i表示第i个抽样档位历史数据数量，N表示历史数据总量。

12)获得每个抽样档位的样本数量后，从每个抽样档位的历史数据中随机抽取Y_i个历史 数据作为训练样本。

最后得到所有抽样档位的历史数据作为此故障的训练样本集，其中每个样本数据都包含 暂态功角稳定评估的结果信息：暂态功角裕度，领前群和滞后群机组，领前群和滞后群机组 的稳定参与因子，领前群和滞后群机组的有功功率及投停状态，以及交流线路的投停状态。

步骤2)，针对每个故障，基于暂态功角稳定评估的结果，提取每个样本数据稳定参与 因子绝对值不小于设定阈值的领前群和滞后群机组作为关键机组，取关键机组的有功功率作 为关键特征量并作归一化处理，提取关键机组的投停状态和交流线路的投停状态作为辅助特 征量。

关键特征量提取和归一化，具体包括：

21)设领前群和滞后群机组的稳定参与因子最大阈值分别为λ_adv,λ_adv∈(0,1]和λ_lft,λ_lft∈(0,1]，取稳定参与因子绝对值不小于各自阈值的领前群和滞后群中的机组构成关 键机组，再取关键机组的有功功率构成关键特征量；

22)采用z-score平均数方差法对关键特征量进行数据预处理，具体采用公式(2)进行 归一化，消除不同特征量之间数量级的差别。

其中：p_k为某机组在第k个样本的有功功率，

和σ_x为该机组在所有样本的均值和标准差，p'_k为归一化后得到的值，以归一化后的关键特征量作为计算距离的参数。

步骤3)，分别对每个故障的训练样本集进行聚类，初次聚类时随机选择未属于任何簇 的一个样本作为新簇的基准方式，将其他不属于任何簇的且与基准方式的暂态功角稳定性和 稳定模式均一致且暂态功角裕度相近的样本聚成一簇。然后采用K均值算法(K-Means算 法)计算簇的虚拟中心点，将距离虚拟中心点最近的簇内的样本作为该簇新的基准方式，再 以新的基准方式继续按上述方法进行聚类，直到簇的数量和基准方式均不再变化或到达指定 迭代次数后为止，最后以轮廓系数法确定最优簇数。

具体如下：

31)样本的暂态功角稳定性一致按照公式(3)进行识别：

式中：M_bi为第i个簇的基准方式的暂态功角裕度；M_j为其他未聚类的样本j的暂态功角裕度，其中，j∈[1,J]，J表示未聚类的样本数量。

当W为1时表示两者暂态功角稳定性一致，为0时表示两者暂态功角稳定性不同。

32)待聚类的样本j与第i个簇的基准方式的稳定模式一致需满足以下三个条件：

a)待聚类的样本j的领前群机组G_adv-j和第i个簇的基准方式的领前群机组G_adv-i中的机组个数，机组名称，机组投停状态完全一致；

b)待聚类的样本j的滞后群机组G_lft-j和第i个簇的基准方式的滞后群机组G_lft-i中的机 组个数，机组名称，机组投停状态完全一致；

c)待聚类的样本j的关键线路L_line-j和第i个簇的基准方式的关键线路L_line-i的线路个 数、线路名称、投停状态完全一致。

33)与基准方式的暂态功角裕度相近的判断条件，具体如公式(4)所示：

|M_bi-M_j|≤M_max (4)

其中：M_j表示样本j的暂态功角裕度，M_bi为第i个簇的基准方式的暂态功角裕度，M_max为设定的阈值，其取值范围为(0,15]。

34)样本之间的距离采用欧氏距离计算方法，具体如公式(5)所示：

其中：dis_i,j表示样本i和j之间的距离，p′_i,k，p'_j,k分别表示样本i和j关键机组k归一化后的值，K表示关键机组个数。

以轮廓系数法确定最优簇数，具体如下：

35)针对每轮迭代后的聚类结果，分别采用欧氏距离法进行簇内不相似度和簇间不相似 度计算。

计算样本i到同簇其他样本的平均欧氏距离a_i，称之为簇内不相似度。

计算样本i到其他簇C_j中所有样本的平均欧氏距离b_i,j，再取b_i,j的最小值b_i，称之为 样本i与簇C_j的不相似度，又叫做簇间不相似度。

36)根据样本i的簇内不相似度和簇间不相似度，采用公式(6)计算样本i的轮廓系数 s_i。

同簇中所有样本的轮廓系数的均值称之为聚类结果的轮廓系数SC，具体采用公式(7) 计算得出。

M表示同簇中所有样本总数。

轮廓系数SC取值范围在[-1,1]之间，该值越大，表示聚类越合理。

37)根据每一轮聚类的轮廓系数SC_z，取所有轮次中轮廓系数的最大值对应的簇数作 为聚类的最优簇数。

步骤4)，对于待考察的指定运行方式的每个故障，提取步骤2)所述的关键机组的关键 特征量以及辅助特征量，计算与指定运行方式辅助特征量一致的簇的基准方式之间的欧氏距 离，基于稳定性保守原则选择距离较近的若干簇，再估算指定运行方式的每个故障的暂态功 角裕度。

暂态功角裕度估算过程如下：

41)从指定运行方式数据中提取每个待考察故障的关键特征量和辅助特征量，对关键特 征量按公式(1)进行归一化处理。

42)计算与指定运行方式辅助特征量一致的簇的基准方式之间的欧氏距离，设最近欧氏 距离为d_min(故障在指定运行方式下的关键特征量和簇的基准方式关键特征量之间的欧氏 距离)，再取欧氏距离不大于ηd_min的X个簇，这里的簇指的是步骤3聚类完成后的簇。其 中，η为不小于1的浮点数，X为大于0的整数。将暂态功角裕度不小于0的簇记为稳定集合C_a，暂态功角裕度小于0的簇记为失稳集合C_b。

43)基于稳定性保守估计原则选择参考簇，即优先选择步骤42)所述的失稳集合C_b中 欧氏距离最近的簇，如果集合C_b为空，则从稳定集合C_a中选择欧氏距离最近的簇。

44)取参考簇的基准方式，设其暂态功角裕度为M_b，领前群和滞后群机组集合分别为 G_adv和G_lft，估算待考察的指定运行方式的故障的暂态功角裕度，具体采用公式(8)计算。

其中，M表示待考察故障的暂态功角裕度的估算值，

表示基准方式中领前群中第j 个机组的稳定参与因子在该簇包含样本集的平均值，

表示基准方式中滞后群中第j个机 组的稳定参与因子在该簇包含样本集的平均值，P′_1b,j表示基准方式中领前群第j个机组的有 功功率，取按照公式(1)归一化后的值，P′_2b,j表示基准方式中滞后群第j个机组的有功功 率，取按照公式(1)归一化后的值，P′_j表示指定运行方式中领前群中第j个机组的有功功 率，P″_j表示指定运行方式中滞后群中第j个机组的有功功率，按照公式(1)归一化后的值。

步骤5)，根据待考察故障的暂态功角裕度估算值判断故障的稳定性，最后得到包含暂 态功角失稳故障和暂态功角裕度估算值不大于设定阈值的暂态功角稳定故障组成的严重故 障集。

具体过程如下：

51)判断待考察故障在实时运行方式下的暂态功角稳定性：待考察故障的暂态功角裕度 估算值小于0表示暂态功角失稳，否则为暂态功角稳定。

52)将暂态功角失稳的所有待考察故障加入到严重故障集中。

53)设暂态功角裕度阈值设为M_mar，M_mar∈[0,100]，取暂态功角裕度估算值不大于M_mar的暂态稳定故障加入到严重故障集中。

本发明还提供一种基于聚类的电力***暂态功角稳定故障筛选装置，包括：训练样本集 获取模块，聚类模块，最优聚类确定模块，暂态功角裕度估算模块和故障筛选模块，

所述训练样本集获取模块用于针对每个故障获取训练样本集；所述训练样本集从基于在 线安全分析应用暂态功角稳定评估存储的历史数据中，按照暂态功角裕度范围进行抽样获取；

所述聚类模块用于对所述训练样本集按照聚类原则进行聚类；所述聚类原则为：将与基 准方式的暂态功角稳定性和稳定模式均一致，且暂态功角裕度相近的训练样本聚类成一簇；

所述最优聚类确定模块用于根据每轮的聚类结果确定聚类的最优簇数；

所述暂态功角裕度估算模块用于基于所述聚类的最优簇数，计算指定运行方式的待考察 故障的暂态功角裕度估算值；

所述故障筛选模块用于根据所述指定运行方式的待考察故障的暂态功角裕度估算值进 行故障筛选。

本领域内的技术人员应明白，本申请的实施例可提供为方法、***、或计算机程序产品。 因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的 形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储 介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形 式。

本申请是参照根据本申请实施例的方法、设备(***)、和计算机程序产品的流程图和 /或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和 /或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指 令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一 个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流 程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式 工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的 制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中 指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或 其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编 程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或 多个方框中指定的功能的步骤。

最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照 上述实施例对本发明进行了详细的说明，所属领域的普通技术人员应当理解：依然可以对本 发明的具体实施方式进行修改或者等同替换，而未脱离本发明精神和范围的任何修改或者等 同替换，其均应涵盖在本发明的权利要求保护范围之内。

Claims (8)

1.基于聚类的电力***暂态功角稳定故障筛选方法，其特征在于，包括：

(1)针对每个故障获取训练样本集；所述训练样本集从基于在线安全分析应用暂态功角稳定评估存储的历史数据中，按照暂态功角裕度范围进行抽样获取；

(2)对所述训练样本集按照聚类原则进行聚类；所述聚类原则为：将与基准方式的暂态功角稳定性和稳定模式均一致，且暂态功角裕度相近的训练样本聚类成一簇；

所述基准方式选取包括：

初始聚类时随机选择簇集合为空，第一个训练样本归为新生成的第一个簇，同时也是作为第一个簇的基准方式；

对训练样本按照聚类原则进行聚类，若无法归入已有簇，则该训练样本单独成为新的一簇，第一个加入该簇的训练样本作为该簇的基准方式；

聚类过程中，采用K均值算法计算簇的虚拟中心点，将与虚拟中心点的欧氏距离最近的簇内的样本作为该簇新的基准方式；

(3)根据每轮的聚类结果确定聚类的最优簇数；

(4)基于所述聚类的最优簇数，计算指定运行方式的待考察故障的暂态功角裕度估算值；包括：

41)从指定运行方式中提取每个待考察故障的关键特征量和辅助特征量，并对关键特征量进行归一化处理；其中，提取训练样本的稳定参与因子绝对值不小于设定阈值的领前群机组和滞后群机组作为关键机组，并取关键机组的有功功率作为关键特征量；提取关键机组的投停状态和交流线路的投停状态作为辅助特征量；42)计算与指定运行方式辅助特征量一致的簇的基准方式之间的欧氏距离，取所述聚类的最优簇数中距离不大于ηd_min的X个簇，将暂态功角裕度不小于0的簇记为稳定集合C_a，将暂态功角裕度小于0的簇记为失稳集合C_b；其中，d_min为最近欧氏距离，η为不小于1的浮点数，X为大于0的整数；

43)选择参考簇：优先选择所述失稳集合C_b中欧氏距离最近的簇作为参考簇，如果失稳集合C_b为空，则从稳定集合C_a中选择欧氏距离最近的簇作为参考簇；

44)取所述参考簇的基准方式，计算暂态功角裕度估算值：

其中，M表示待考察故障的暂态功角裕度估算值，M_b为参考簇的暂态功角裕度，

表示参考簇的基准方式中领前群中第j个机组的稳定参与因子在该簇包含训练样本集的平均值，

表示参考簇的基准方式中滞后群中第j个机组的稳定参与因子在该簇包含样本集的平均值，P′_1b,j表示参考簇的基准方式中领前群第j个机组的有功功率归一化后的值，P′_2b,j表示参考簇的基准方式中滞后群第j个机组的有功功率归一化后的值，P′_j表示指定运行方式中领前群中第j个机组的有功功率归一化后的值，P″_j表示指定运行方式中滞后群中第j个机组的有功功率归一化后的值，G_adv和G_lft分别为领前群和滞后群机组集合；

(5)根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选。

2.根据权利要求1所述的基于聚类的电力***暂态功角稳定故障筛选方法，其特征在于，所述按照暂态功角裕度范围进行抽样，包括：

将暂态功角裕度的取值范围[-100,100]，分为两个裕度段[-100,0)和[0,100]；

在两个裕度段中分别设定抽样档位d₁和d₂，得到[-100，-d₁)，[-d₁,0)，[0,d₂)，[d₂,100]四个抽样档位分段；

计算各个抽样档位分段所需抽样的样本数量：

其中，Y_i表示第i个抽样档位分段所需抽样的样本数量，D_i表示第i个抽样档位分段的历史数据数量，N表示历史数据总量；

从每个抽样档位分段的历史数据中随机抽取Y_i个历史数据作为训练样本，所有抽样档位分段的训练样本作为此故障的训练样本集。

3.根据权利要求1所述的基于聚类的电力***暂态功角稳定故障筛选方法，其特征在于，所述对所述训练样本集按照聚类原则进行聚类，包括：

11)待聚类的训练样本与基准方式的暂态功角稳定性一致，包括：

其中，M_bi为第i个簇的基准方式的暂态功角裕度；M_j为待聚类的训练样本j的暂态功角裕度，其中，j∈[1,J]，J表示未聚类的样本数量；

当W为1时表示两者暂态功角稳定性一致，为0时表示两者暂态功角稳定性不同；

12)待聚类的训练样本与基准方式的稳定模式一致需满足以下三个条件：

a)待聚类的训练样本j的领前群机组G_adv-j和第i个簇的基准方式的领前群机组G_adv-i中的机组个数，机组名称，机组投停状态完全一致；

b)待聚类的训练样本j的滞后群机组G_lft-j和第i个簇的基准方式的滞后群机组G_lft-i中的机组个数，机组名称，机组投停状态完全一致；

c)待聚类的训练样本j的关键线路L_line-j和第i个簇的基准方式的关键线路L_line-i的线路个数、线路名称、投停状态完全一致；

13)待聚类的训练样本与基准方式的暂态功角裕度相近的判断条件为：

|M_bi-M_j|≤M_max

其中，M_max为设定的阈值。

4.根据权利要求1所述的基于聚类的电力***暂态功角稳定故障筛选方法，其特征在于，所述聚类的结束条件为：聚类的簇的数量和基准方式均不再变化或到达指定迭代次数后终止。

5.根据权利要求1所述的基于聚类的电力***暂态功角稳定故障筛选方法，其特征在于，所述根据每轮的聚类结果确定聚类的最优簇数，包括：

31)针对每轮迭代后的聚类结果，分别采用欧氏距离法进行簇内不相似度和簇间不相似度计算，计算如下：

计算训练样本i到同簇其余训练样本的平均欧氏距离a_i，称之为簇内不相似度；

计算训练样本i到簇C_j中所有训练样本的平均欧氏距离b_i,j，再取b_i,j的最小值b_i，称之为簇间不相似度；

32)根据训练样本i的簇内不相似度和簇间不相似度，计算训练样本i的轮廓系数：

同簇中所有训练样本的轮廓系数均值称为本轮聚类的轮廓系数：

其中，M表示同簇中所有训练样本总数；

33)根据每轮聚类的轮廓系数，选取所有轮次中轮廓系数的最大值对应的簇数作为聚类的最优簇数。

6.根据权利要求1所述的基于聚类的电力***暂态功角稳定故障筛选方法，其特征在于，

对关键特征量进行归一化处理，包括：

采用z-score平均数方差法对关键特征量进行数据预处理，然后按照下式进行归一化：

其中，p_k为某机组在第k个训练样本的有功功率，

和σ_x为该机组在所有样本的均值和标准差，p′_k为归一化后得到的值。

7.根据权利要求1所述的基于聚类的电力***暂态功角稳定故障筛选方法，其特征在于，根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选，包括：

51)待考察故障的暂态功角裕度估算值小于0表示暂态功角失稳，否则为暂态功角稳定；将暂态功角失稳的所有待考察故障加入到严重故障集中；

52)将暂态功角裕度阈值设为M_mar，M_mar∈[0,100]，取暂态功角裕度估算值不大于M_mar的待考察故障加入到严重故障集中。

8.基于聚类的电力***暂态功角稳定故障筛选装置，其特征在于，包括：训练样本集获取模块，聚类模块，最优聚类确定模块，暂态功角裕度估算模块和故障筛选模块，

所述训练样本集获取模块用于针对每个故障获取训练样本集；所述训练样本集从基于在线安全分析应用暂态功角稳定评估存储的历史数据中，按照暂态功角裕度范围进行抽样获取；

所述聚类模块用于对所述训练样本集按照聚类原则进行聚类；所述聚类原则为：将与基准方式的暂态功角稳定性和稳定模式均一致，且暂态功角裕度相近的训练样本聚类成一簇；所述基准方式为：

初始聚类时随机选择簇集合为空，第一个训练样本归为新生成的第一个簇，同时也是作为第一个簇的基准方式；

对训练样本按照聚类原则进行聚类，若无法归入已有簇，则该训练样本单独成为新的一簇，第一个加入该簇的训练样本作为该簇的基准方式；

聚类过程中，采用K均值算法计算簇的虚拟中心点，将与虚拟中心点的欧氏距离最近的簇内的样本作为该簇新的基准方式；

所述最优聚类确定模块用于根据每轮的聚类结果确定聚类的最优簇数；

所述暂态功角裕度估算模块用于基于所述聚类的最优簇数，计算指定运行方式的待考察故障的暂态功角裕度估算值；计算如下：

从指定运行方式中提取每个待考察故障的关键特征量和辅助特征量，并对关键特征量进行归一化处理；其中，提取训练样本的稳定参与因子绝对值不小于设定阈值的领前群机组和滞后群机组作为关键机组，并取关键机组的有功功率作为关键特征量；提取关键机组的投停状态和交流线路的投停状态作为辅助特征量；计算与指定运行方式辅助特征量一致的簇的基准方式之间的欧氏距离，取所述聚类的最优簇数中距离不大于ηd_min的X个簇，将暂态功角裕度不小于0的簇记为稳定集合C_a，将暂态功角裕度小于0的簇记为失稳集合C_b；其中，d_min为最近欧氏距离，η为不小于1的浮点数，X为大于0的整数；

选择参考簇：优先选择所述失稳集合C_b中欧氏距离最近的簇作为参考簇，如果失稳集合C_b为空，则从稳定集合C_a中选择欧氏距离最近的簇作为参考簇；

取所述参考簇的基准方式，计算暂态功角裕度估算值：

其中，M表示待考察故障的暂态功角裕度估算值，M_b为参考簇的暂态功角裕度，

表示参考簇的基准方式中领前群中第j个机组的稳定参与因子在该簇包含训练样本集的平均值，

表示参考簇的基准方式中滞后群中第j个机组的稳定参与因子在该簇包含样本集的平均值，P′_1b,j表示参考簇的基准方式中领前群第j个机组的有功功率归一化后的值，P′_2b,j表示参考簇的基准方式中滞后群第j个机组的有功功率归一化后的值，P′_j表示指定运行方式中领前群中第j个机组的有功功率归一化后的值，P″_j表示指定运行方式中滞后群中第j个机组的有功功率归一化后的值，G_adv和G_lft分别为领前群和滞后群机组集合；

所述故障筛选模块用于根据所述指定运行方式的待考察故障的暂态功角裕度估算值进行故障筛选。

Images