一種基于穩(wěn)態(tài)學習機制的電網(wǎng)低頻振蕩模糊綜合預警方法
【技術領域】
[0001] 本發(fā)明涉及一種基于穩(wěn)態(tài)學習機制的電網(wǎng)低頻振蕩模糊綜合預警方法，屬于電力 系統(tǒng)運行與控制技術領域。
【背景技術】
[0002] 隨著經(jīng)濟的不斷發(fā)展，發(fā)電設備容量不斷增加，供電范圍不斷擴大，傳統(tǒng)的電力系 統(tǒng)逐漸向大型互聯(lián)系統(tǒng)的方向發(fā)展。同時，伴隨大容量機組在電網(wǎng)中的投運，快速及高放大 倍數(shù)勵磁系統(tǒng)的廣泛使用及大功率的輸電線路和系統(tǒng)之間弱聯(lián)系的出現(xiàn)，常常會引發(fā)電力 系統(tǒng)低頻振蕩問題。從調(diào)度運行角度考慮，對其進行在線監(jiān)測及預警分析已成為電力系統(tǒng) 穩(wěn)定性研究的熱點課題之一。隨著廣域測量系統(tǒng)(WAMS)的發(fā)展及應用，利用電網(wǎng)狀態(tài)信息 能夠被實時同步這一特性，并根據(jù)匯集到中心數(shù)據(jù)平臺上的同步向量數(shù)據(jù)，能為電力系統(tǒng) 低頻振蕩分析方法提供新的思路。
[0003] 現(xiàn)有的低頻振蕩分析主要通過分鐘級的大電網(wǎng)特征值計算、實測軌跡的信號處理 及小干擾理論等措施，大部分停留在事故后的離線分析，對于調(diào)度人員在危險發(fā)生前快速 采取有效措施從而避免低頻振蕩的出現(xiàn)很不利。此外，現(xiàn)有很多成果采用在線分析的辨識 算法進行監(jiān)測，但大多數(shù)低頻振蕩辨識算法涉及到矩陣計算、模型定階、濾波等復雜的運 算，系統(tǒng)會花費大量時間，可能會導致CPU負荷率太高而不能實時在線運行。即便可實現(xiàn)在 線運行，但由于低頻振蕩現(xiàn)象很少發(fā)生，從效率角度來看也不劃算，無法滿足低頻振蕩預警 的實時性和準確性。由于低頻振蕩對電網(wǎng)危害嚴重，制約了電網(wǎng)輸電能力，且目前并沒有 人結合WAMS實測數(shù)據(jù)特點研究出快速有效的低頻振蕩預警技術。

【發(fā)明內(nèi)容】

[0004] 為解決現(xiàn)有技術的不足，本發(fā)明的目的在于提供一種基于穩(wěn)態(tài)學習機制的電網(wǎng)低 頻振蕩模糊綜合預警方法，能夠保證電網(wǎng)安全穩(wěn)定運行，減小低頻振蕩的發(fā)生。
[0005] 為了實現(xiàn)上述目標，本發(fā)明采用如下的技術方案：
[0006] -種基于穩(wěn)態(tài)學習機制的電網(wǎng)低頻振蕩模糊綜合預警方法，其特征是，包括如下 步驟：
[0007] 步驟1)數(shù)據(jù)預處理，確立四項預警指標:信號幅值、峰峰值持續(xù)周期數(shù)、動態(tài)阻尼 比和信號頻率；
[0008] 步驟2)通過廣域測量系統(tǒng)(WAMS系統(tǒng))對機組有功功率或聯(lián)絡線有功功率歷史數(shù) 據(jù)進行監(jiān)測，引入神經(jīng)網(wǎng)絡對歷史波動值進行學習，制定穩(wěn)態(tài)下的功率波動學習機制，預測 有功功率波動值δ;
[0009] 步驟3)使用滑動窗技術對本窗口內(nèi)數(shù)據(jù)進行預處理并計算四項預警指標值；
[0010] 步驟4)基于模糊層次分析法，對四項預警指標值，結合有功功率波動值δ建立電力 系統(tǒng)低頻振蕩綜合評價模型，計算當前電力系統(tǒng)低頻振蕩安全狀態(tài)分值S，給出安全等級并 實時更新數(shù)據(jù)；
[0011] 步驟5)當所處狀態(tài)為非安全時，記錄告警時間，并截取振蕩波形，對其進行并行復 合形態(tài)濾波器濾波，采用基于奇異值定階的TLS-ESPRIT辨識方法獲取模式參數(shù)。
[0012] 前述的一種基于穩(wěn)態(tài)學習機制的電網(wǎng)低頻振蕩模糊綜合預警方法，其特征是，所 述步驟2)穩(wěn)態(tài)下的功率波動機制的實現(xiàn)步驟如下：
[0013] 2.1)每隔半個小時對處理后的信號計算一次穩(wěn)態(tài)下的功率波動值，獲得歷史9小 時的波動值為ai，a2,. . .，ai8;
[0014] 2.2)將ai，a2, · · .，ai8分為 11 組，每組樣本依次為ai~a8、a2~ag、a3~aio、a4~aii、a5 ~ai2、a6 ~ai3、a7 ~ai4、a8 ~ai5、ag ~ai6、aio ~ai7、aii ~ais;
[0015] 2.3)取前10組樣本作為歷史數(shù)據(jù)樣本，并用作網(wǎng)絡訓練輸入樣本；
[0016] 2.4)將最后一組樣本作為網(wǎng)絡測試時的輸入樣本；
[0017] 2.5)新建BP網(wǎng)絡，MATLAB仿真時將隱含層的傳遞函數(shù)均設置為線性傳遞函數(shù) pur e 1 in，學習函數(shù)采用基于L-M算法的權值學習算法；
[0018] 2.6)設置最大迭代次數(shù)為200，誤差期望值為0.001;
[0019] 2.7)建成網(wǎng)絡預測模型，通過網(wǎng)絡測試可以得出下一波動值的預測值a19，取δ = a19作為未來半小時的有功功率波動值。
[0020] 前述的一種基于穩(wěn)態(tài)學習機制的電網(wǎng)低頻振蕩模糊綜合預警方法，其特征是，所 述步驟3)中的預處理包含如下步驟：
[0021] 31)剔除異常數(shù)據(jù):對窗口內(nèi)數(shù)據(jù)采用式子|Χι-μ|2 no進行判別，其中實際采樣的 數(shù)據(jù)點為^，樣本均值為μ，樣本標準差為σ，η按要求設置為3~10之間的整數(shù)；
[0022] 32)填補丟失數(shù)據(jù):異常數(shù)據(jù)檢測后作為丟失數(shù)據(jù)處理，少量的數(shù)據(jù)丟失采用線性 模型處理，大量的數(shù)據(jù)丟失對原數(shù)據(jù)進行分段處理;插值點較少時直接取其前面的正常采 樣值；
[0023] 33)去直流:原數(shù)據(jù)減去樣本均值處理；
[0024] 34)帶通處理:使用帶通濾波器，只保留0.2~2.5Hz的有用信息；
[0025] 35)對稱化處理:獲取實測數(shù)據(jù)的上下包絡線，對包絡線插值處理求均值，將原始 數(shù)據(jù)與均值相減。
[0026] 前述的一種基于穩(wěn)態(tài)學習機制的電網(wǎng)低頻振蕩模糊綜合預警方法，其特征是，所 述步驟4)中電力系統(tǒng)低頻振蕩綜合評價模型的建模過程如下：
[0027] 4.1)對預警指標的層次結果進行分析比較，構造判斷矩陣C;
[0028] 4.2)層次分析法計算電網(wǎng)低頻振蕩各項指標的權值W;
[0029] 4.3)結合所預測的波動值δ構造各項預警指標的隸屬度函數(shù)，進一步構造模糊評 價矩陣R;
[0030] 4.4)根據(jù)權值W和模糊評價矩陣R，加權得出各指標在不同安全等級下的隸屬度b， 進而求得最后的安全分值S。
[0031] 前述的一種基于穩(wěn)態(tài)學習機制的電網(wǎng)低頻振蕩模糊綜合預警方法，其特征是，所 有涉及到的信號均為PMU采集的機組或聯(lián)絡線有功功率數(shù)據(jù)。
[0032] 本發(fā)明所達到的有益效果：（1)打破原來使用BPA或PSASP對實際電網(wǎng)進行仿真建 模的局面，不需要了解實際電網(wǎng)模型，僅僅依靠實測PMU數(shù)據(jù)快速準確預警并獲取相關模態(tài) 信息，帶來很大便利；（2)所提出的低頻振蕩快速預警指標從低頻振蕩特點、波動趨勢及給 電網(wǎng)帶來危害的嚴重程度幾個方面對電網(wǎng)所處狀態(tài)進行標識，根據(jù)安全等級的劃分判斷是 否存在低頻振蕩嫌疑，四種指標相互驗證相互補充，保證了快速預警的準確性；（3)由于采 用了基于模糊層次分析法的綜合評價方法進行快速預警，即使存在主觀因素影響或者某一 項指標計算結果出現(xiàn)異常，也不會影響最終判斷結果；（4)為電力系統(tǒng)安全穩(wěn)定運行提供保 障，而且減少了低頻振蕩帶來的經(jīng)濟損失及社會問題，具有經(jīng)濟和社會效益。
【附圖說明】
[0033]圖1是本發(fā)明的流程圖；
[0034]圖2是WAMS實測數(shù)據(jù)預處理流程圖；
[0035]圖3是多層前饋神經(jīng)網(wǎng)絡結構圖；
[0036]圖4是預警指標計算示意圖；
[0037] 圖5是基于模糊層次分析法的電網(wǎng)低頻振蕩預警指標綜合評價方法流程圖；
[0038] 圖6(1)-(4)是各指標隸屬度函數(shù)及對應的安全狀態(tài)等級劃分；
[0039]圖7是江蘇某機組發(fā)生低頻振蕩前后實測有功功率波形圖。
【具體實施方式】
[0040] 下面結合附圖對本發(fā)明作進一步描述。以下實例僅用于更加清楚地說明本發(fā)明的 技術方案，而不能以此來限制本發(fā)明的保護范圍。
[0041] 圖1為本發(fā)明的原理框圖，下面以實際江蘇電網(wǎng)發(fā)生低頻振蕩的有功功率實測數(shù) 據(jù)為例，說明本發(fā)明的【具體實施方式】。該機組發(fā)生低頻振蕩前后實測有功功率波形圖如圖7 所示。
[0042]本發(fā)明的基于穩(wěn)態(tài)學習機制的電網(wǎng)低頻振蕩模糊綜合預警方法實現(xiàn)步驟如下： [0043]步驟1)確立四項預警指標:信號幅值^、峰峰值持續(xù)周期數(shù)A2、動態(tài)阻尼比A3、信號 頻率A 4;
[0044] 步驟2)獲取圖7涉及的機組發(fā)生低頻振蕩前歷史有功功率數(shù)據(jù)，時間長度為9個小 時，根據(jù)圖2所示W(wǎng)AMS數(shù)據(jù)預處理流程對該9個小時的數(shù)據(jù)進行處理，每隔半個小時計算一 次穩(wěn)態(tài)下的波動值，采用圖3所示的神經(jīng)網(wǎng)絡模型對計算得到的18個波動值分組進行訓練， 預測出圖7的有功功率波動值δ為0.2759;
[0045] 步驟3)使用滑動窗技術對本窗口內(nèi)數(shù)據(jù)經(jīng)剔除異常數(shù)據(jù)、填補丟失數(shù)據(jù)、去直 流、帶通、對稱化處理后，計算4個預警指標值;預警指標計算示意圖如圖4,假設采樣頻率為 fs，采樣得至Ijn個點組成的序列為{X1，X2, . . .，χη}，結合圖4(PMU采樣間隔為0.02s，共采6s的 數(shù)據(jù)），其中，Ao、Bo的位置按照如下方法確定:將序列從前往后依次判斷找出第一f Xl大于 波動值即寸對應的采樣點位置記為Ao,同理序列從后往前依次判斷找出第一個^大于波動值 δ時對應的采樣點位置記為Βο;Αο、Β()即為所求振蕩起止點的大致位置;但是為了方便后續(xù)計 算峰峰值持續(xù)周期數(shù)及動態(tài)阻尼比指標，截取的振蕩區(qū)間起止點最好為拐點，因此在求得 振蕩起止點大致位置后，需要分別找出距離Αο、Βο最近的拐點位置Α、Β。記Αο、Βο、Α、Β四個位 置對應點在序列{xi，X2, · ·