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
基于聚类的电力***暂态功角稳定故障筛选方法及装置 Download PDFInfo
- Publication number
- CN110348540B CN110348540B CN201910670195.3A CN201910670195A CN110348540B CN 110348540 B CN110348540 B CN 110348540B CN 201910670195 A CN201910670195 A CN 201910670195A CN 110348540 B CN110348540 B CN 110348540B
- Authority
- CN
- China
- Prior art keywords
- cluster
- power angle
- clustering
- fault
- transient
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 230000001052 transient effect Effects 0.000 title claims abstract description 155
- 238000000034 method Methods 0.000 title claims abstract description 44
- 238000012216 screening Methods 0.000 title claims abstract description 31
- 238000005070 sampling Methods 0.000 claims abstract description 30
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000011156 evaluation Methods 0.000 claims abstract description 14
- 238000004364 calculation method Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 95
- 238000010606 normalization Methods 0.000 claims description 16
- 238000012545 processing Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 5
- 230000000368 destabilizing effect Effects 0.000 claims description 4
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 238000013097 stability assessment Methods 0.000 abstract 2
- 238000010586 diagram Methods 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 230000006870 function Effects 0.000 description 5
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000011835 investigation Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000007430 reference method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Computer Vision & Pattern Recognition (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Primary Health Care (AREA)
- Marketing (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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,Yi表示第i个抽样档位分段所需抽样的样本数量,Di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Yi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,Mbi为第i个簇的基准方式的暂态功角裕度;Mj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Gadv-j和第i个簇的基准方式的领前群机组Gadv-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Glft-j和第i个簇的基准方式的滞后群机组Glft-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Lline-j和第i个簇的基准方式的关键线路Lline-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:
|Mbi-Mj|≤Mmax
其中,Mj表示聚类的训练样本j的暂态功角裕度,Mmax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ai,称之为簇内不相似度;
计算训练样本i到簇Cj中所有训练样本的平均欧氏距离bi,j,再取bi,j的最小值bi,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ηdmin的X个簇,将暂态功角裕度不小于0的簇记为稳定集合Ca, 将暂态功角裕度小于0的簇记为失稳集合Cb;其中,dmin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Cb中欧氏距离最近的簇作为参考簇,如果失 稳集合Cb为空,则从稳定集合Ca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,Mb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,P1b,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,Gadv和Glft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:
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Mmar,Mmar∈[0,100],取暂态功角裕度估算值不大于Mmar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Yi,具 体按公式(1)计算:
其中:Yi表示第i个抽样档位的样本数量,Di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Yi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λadv,λadv∈(0,1]和λlft,λlft∈(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。
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:Mbi为第i个簇的基准方式的暂态功角裕度;Mj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Gadv-j和第i个簇的基准方式的领前群机组Gadv-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Glft-j和第i个簇的基准方式的滞后群机组Glft-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Lline-j和第i个簇的基准方式的关键线路Lline-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:
|Mbi-Mj|≤Mmax (4)
其中:Mj表示样本j的暂态功角裕度,Mbi为第i个簇的基准方式的暂态功角裕度,Mmax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:disi,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ai,称之为簇内不相似度。
计算样本i到其他簇Cj中所有样本的平均欧氏距离bi,j,再取bi,j的最小值bi,称之为 样本i与簇Cj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 si。
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SCz,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dmin(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ηdmin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Ca,暂态功角裕度小于0的簇记为失稳集合Cb。
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Cb中 欧氏距离最近的簇,如果集合Cb为空,则从稳定集合Ca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Mb,领前群和滞后群机组集合分别为 Gadv和Glft,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Mmar,Mmar∈[0,100],取暂态功角裕度估算值不大于Mmar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ηdmin的X个簇,将暂态功角裕度不小于0的簇记为稳定集合Ca,将暂态功角裕度小于0的簇记为失稳集合Cb;其中,dmin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Cb中欧氏距离最近的簇作为参考簇,如果失稳集合Cb为空,则从稳定集合Ca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,Mb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,Gadv和Glft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,Yi表示第i个抽样档位分段所需抽样的样本数量,Di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Yi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,Mbi为第i个簇的基准方式的暂态功角裕度;Mj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Gadv-j和第i个簇的基准方式的领前群机组Gadv-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Glft-j和第i个簇的基准方式的滞后群机组Glft-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Lline-j和第i个簇的基准方式的关键线路Lline-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:
|Mbi-Mj|≤Mmax
其中,Mmax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ai,称之为簇内不相似度;
计算训练样本i到簇Cj中所有训练样本的平均欧氏距离bi,j,再取bi,j的最小值bi,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。
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Mmar,Mmar∈[0,100],取暂态功角裕度估算值不大于Mmar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ηdmin的X个簇,将暂态功角裕度不小于0的簇记为稳定集合Ca,将暂态功角裕度小于0的簇记为失稳集合Cb;其中,dmin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Cb中欧氏距离最近的簇作为参考簇,如果失稳集合Cb为空,则从稳定集合Ca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,Mb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,Gadv和Glft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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670195.3A CN110348540B (zh) | 2019-07-24 | 2019-07-24 | 基于聚类的电力***暂态功角稳定故障筛选方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910670195.3A CN110348540B (zh) | 2019-07-24 | 2019-07-24 | 基于聚类的电力***暂态功角稳定故障筛选方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110348540A CN110348540A (zh) | 2019-10-18 |
CN110348540B true CN110348540B (zh) | 2021-06-01 |
Family
ID=68180102
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910670195.3A Active CN110348540B (zh) | 2019-07-24 | 2019-07-24 | 基于聚类的电力***暂态功角稳定故障筛选方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110348540B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111244937B (zh) * | 2020-01-09 | 2021-01-05 | 清华大学 | 一种电力***暂态电压稳定性严重故障筛选方法 |
CN112287284A (zh) * | 2020-10-28 | 2021-01-29 | 山东电力研究院 | 考虑N-m故障时间间隔的暂态稳定故障筛除方法及*** |
CN116093952B (zh) * | 2023-03-06 | 2023-06-20 | 国网浙江省电力有限公司温州供电公司 | 一种暂态电压稳定监视母线分析方法 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5638297A (en) * | 1994-07-15 | 1997-06-10 | British Columbia Hydro And Power Authority | Method of on-line transient stability assessment of electrical power systems |
CN101794998A (zh) * | 2010-02-05 | 2010-08-04 | 湖南大学 | 基于多机电力***单一发电机电磁功率简洁表达方式的暂态稳定在线分析方法 |
CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
CN107590604A (zh) * | 2017-09-13 | 2018-01-16 | 国网福建省电力有限公司 | 一种结合s变换和2dpca的同调机组分群方法及*** |
CN108681973A (zh) * | 2018-05-14 | 2018-10-19 | 广州供电局有限公司 | 电力用户的分类方法、装置、计算机设备和存储介质 |
CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
CN109861206A (zh) * | 2018-12-29 | 2019-06-07 | 国电南瑞科技股份有限公司 | 一种基于支持向量机的暂态功角稳定故障筛选***及方法 |
JP2019091124A (ja) * | 2017-11-10 | 2019-06-13 | 株式会社東芝 | 信頼度評価システム、信頼度評価方法、及びプログラム |
CN109902352A (zh) * | 2019-01-24 | 2019-06-18 | 南瑞集团有限公司 | 一种暂态功角稳定分析关键特征量提取方法及*** |
-
2019
- 2019-07-24 CN CN201910670195.3A patent/CN110348540B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5638297A (en) * | 1994-07-15 | 1997-06-10 | British Columbia Hydro And Power Authority | Method of on-line transient stability assessment of electrical power systems |
CN101794998A (zh) * | 2010-02-05 | 2010-08-04 | 湖南大学 | 基于多机电力***单一发电机电磁功率简洁表达方式的暂态稳定在线分析方法 |
CN102074955A (zh) * | 2011-01-20 | 2011-05-25 | 中国电力科学研究院 | 基于知识发现技术的电力***稳定评估及控制方法 |
CN107590604A (zh) * | 2017-09-13 | 2018-01-16 | 国网福建省电力有限公司 | 一种结合s变换和2dpca的同调机组分群方法及*** |
JP2019091124A (ja) * | 2017-11-10 | 2019-06-13 | 株式会社東芝 | 信頼度評価システム、信頼度評価方法、及びプログラム |
CN108681973A (zh) * | 2018-05-14 | 2018-10-19 | 广州供电局有限公司 | 电力用户的分类方法、装置、计算机设备和存储介质 |
CN108876163A (zh) * | 2018-06-27 | 2018-11-23 | 国电南瑞科技股份有限公司 | 综合因果分析与机器学习的暂态功角稳定快速评估方法 |
CN109861206A (zh) * | 2018-12-29 | 2019-06-07 | 国电南瑞科技股份有限公司 | 一种基于支持向量机的暂态功角稳定故障筛选***及方法 |
CN109902352A (zh) * | 2019-01-24 | 2019-06-18 | 南瑞集团有限公司 | 一种暂态功角稳定分析关键特征量提取方法及*** |
Non-Patent Citations (3)
Title |
---|
Association Rules Analysis between Power System Operating States and Transient Stability Margin;Fang Shi et al;《2017 IEEE Innovative Smart Grid Technologies - Asia (ISGT-Asia)》;20180611;第1-5页 * |
Investigation of power system transient stability using Clustering Based Support Vector Machines and preventive control by rescheduling generators;B. Dora Arul Selvi et al;《2007 IET-UK International Conference on Information and Communication Technology in Electrical Sciences (ICTES 2007)》;20081230;第137-142页 * |
基于聚类分析的电力***暂态稳定故障筛选;王成山等;《电网技术》;20050831;第29卷(第15期);第18-22页 * |
Also Published As
Publication number | Publication date |
---|---|
CN110348540A (zh) | 2019-10-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110348540B (zh) | 基于聚类的电力***暂态功角稳定故障筛选方法及装置 | |
CN106505557B (zh) | 一种遥测错误辨识方法及装置 | |
CN108920863B (zh) | 一种机器人伺服***能耗估计模型的建立方法 | |
CN111913803B (zh) | 一种基于akx混合模型的服务负载细粒度预测方法 | |
CN110163429B (zh) | 一种基于相似日优化筛选的短期负荷预测方法 | |
CN110928237B (zh) | 一种基于振动信号的数控加工中心颤振在线辨识方法 | |
CN111046532B (zh) | 一种基于肘形判据的同调机群聚类识别方法 | |
JP2018190127A (ja) | 判定装置、分析システム、判定方法および判定プログラム | |
CN111900724A (zh) | 一种电力***暂态稳定紧急控制在线决策方法、装置及存储介质 | |
CN112684295A (zh) | 一种基于相似离度的高渗透率下配电网故障选线方法及*** | |
CN111612149A (zh) | 一种基于决策树的主网线路状态检测方法、***及介质 | |
CN108808657B (zh) | 一种电力负荷短期预测方法 | |
CN112363465B (zh) | 一种专家规则集训练方法、训练器和工业设备预警*** | |
CN107274025B (zh) | 一种实现用电模式智能识别与管理的***和方法 | |
CN113420506A (zh) | 掘进速度的预测模型建立方法、预测方法及装置 | |
CN113743453A (zh) | 一种基于随机森林的人口数量预测方法 | |
CN110377525B (zh) | 一种基于运行时特征和机器学习的并行程序性能预测*** | |
CN114282756A (zh) | 一种用户侧可调负荷紧急控制潜力评估方法及*** | |
CN115378000A (zh) | 基于区间二型模糊聚类分析的配电网运行状态评估方法 | |
CN110323743B (zh) | 一种暂态功角稳定评估历史数据的聚类方法及装置 | |
CN113657501A (zh) | 模型自适应训练方法、装置、设备、介质及程序产品 | |
CN107302222B (zh) | 一种基于粗糙集的无功优化设备动作次数分析方法 | |
CN111722057A (zh) | 一种基于聚类的试验型微电网负荷特性分类方法 | |
Ding et al. | Research on surface roughness prediction method based on composite penalty regression model | |
CN115114983B (zh) | 基于大数据设备电量数据采集分析方法、计算机*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |