[发明专利]基于核函数的PCA‑KSICA储能系统典型工况识别方法

说明书

技术领域

本发明涉及数据处理技术领域，尤其是涉及一种基于核函数的PCA-KSICA储能系统典型工况识别方法。

背景技术

近年来，我国大力发展清洁可再生能源发电，绿色电力在电力系统的渗透率快速上升，但可再生能源电源输出功率随着天气变化而具有随机性和波动性，大规模可再生能源电源并网成为影响电力系统稳定性和可靠性不可忽略的因素之一。储能系统因具有平抑可再生能源电源输出功率波动、减少可再生能源并网对电力系统冲击的功能而应用日趋广泛，但储能系统运行机制复杂，动态性能变化快速，其典型工况的在线监控与识别成为保障系统稳定运行的重要判据。

常规动态过程在线监控的常规分析手段是独立成分分析(Independent component analysis,ICA)方法，可有效利用高阶统计信息，在统计独立意义下对混合信号进行分离，已在生物医学信号处理、混合语音信号分离、盲源分离等方面得到较为广泛的应用。但ICA算法具有数据量大、迭代次数多、收敛速度慢的问题，为此改进的FastICA方法提高了计算效率，适用于大规模监测数据的在线处理，但FastICA依然受到独立成分必须具有非高斯分布假设的限制。为使信号分析不受源信号概率分布形式假设的影响，KSICA(Kurtosis maximization in the subband domain ICA)方法一旦寻找到最优解，在迭代过程将始终保持在最优解处，且在最优解处始终为正值，保持稳定性。但KSICA方法对监测数据中的噪声干扰敏感，如何能将KSICA方法应用于含随机干扰的储能系统运行工况在线分析，实现储能系统运行工况的快速准确识别，成为推广储能系统应用亟待解决的关键所在。

发明内容

本发明的目的就是为了克服KSICA方法对监测数据中的噪声干扰敏感的不足，而提供一种有效消除噪声、算法快速、准确辨识的基于核函数的PCA-KSICA储能系统典型工况识别方法。

本发明的目的可以通过以下技术方案来实现：

一种基于核函数的PCA-KSICA储能系统典型工况识别方法，包括以下步骤：

1)获取储能系统正常工况下的测量数据；

2)采用PCA策略对所述测量数据进行白化处理，获得白化后信号Z_n；

3)建立核函数，将所述白化后信号映射至高维空间进行独立成分分析，获得解混矩阵；

4)根据所述解混矩阵获得正常工况下的独立分量趋势矩阵；

5)根据待监测信号与正常工况下的独立分量趋势矩阵的关系识别待监测信号所处工况。

所述步骤2)中，获得的白化后信号表示为：

Z_n＝Λ^-1/2E^TX_u

式中，X_u为测量数据均值化信号，Λ为X_u的协方差矩阵特征值组成的对角阵，E为对应的特征向量组成的正交矩阵。

所述步骤3)中，核函数表达式为：

k(z_i,z_j)＝(a·z_i·z_j+b)^d

式中，a、b、d为常数，a>0，b≥0，d为正整数，z_i,z_j∈Z_n且z_i,z_j∈R^m，m为采样点数。

所述步骤3)中，解混矩阵通过迭代方式获得，具体为：

301)初始化迭代次数i＝1，初始化加权向量W_i-1；

302)计算优先输出信号向量

303)计算临时滤波加权向量W⁺：

式中，和为中间变量，通过以下公式计算：

其中，diag{}为对角矩阵，H表示共轭，T表示转置；

304)更新标准化后的滤波加权向量：

305)当满足迭代停止要求或到达迭代最大步数时，使得W_opt＝W_i并且停止迭代，W_opt为最终的最优解混矩阵，否则i＝i+1，返回步骤302)。

所述步骤5)中，待监测信号为采用PCA策略对监测数据进行白化处理后获得的。

所述步骤5)具体为：