[发明专利]一种结合小波模糊熵和GG模糊聚类的同调机组分群方法

说明书

本发明公开了属于电力系统机组同调识别领域的一种结合小波模糊熵和GG模糊聚类的同调机组分群方法。根据WAMS中的相量测量装置获取故障后系统机组功角信息，利用多尺度小波分解将功角摇摆曲线分解为整体趋势和细节信息，计算各个尺度小波系数的模糊熵，将各个尺度小波模糊熵(包括全局特征和局部特征)作为发电机的特征向量，特征提取全面，计算过程简单。再通过GG模糊聚类算法对其进行同调聚类，提高了同调机组分群准确度。本发明能够实时获取系统机组的分群状态，为简化电网、解列位置确定提供必要前提。

技术领域

本发明属于同调机组识别技术领域，特别涉及一种结合小波模糊熵和GG 模糊聚类的同调机组分群方法。

背景技术

我国国土面积辽阔，高压技术的发展使得“西电东送，南北联网”成为现实，全国能源配送越来越经济。然而，随着电力系统规模的发展壮大，系统的运行状态也越来越复杂，使得系统的动态稳定安全问题日益突出。当电力系统受到干扰发生故障时，如果不及时切断故障电网与正常运行系统之间的联系，很有可能发生严重的连锁故障。在主动解列控制中，当系统不能维持自身稳定时，需要根据机组同调分群结果快速制定合适的解列控制措施，将整个系统分割成若干个电网孤岛，避免大面积停电。除此之外，系统规模的增大，也会使得电网系统运行的实时仿真分析越来越困难，“动态等值法”通过将外部系统等效简化解决了此问题，减少了计算量，提高了计算速度，但其核心技术也依赖同调机组分群。

随着数据挖掘技术的发展，同调机组分群方法层出不穷，主要分为：利用扰动后系统状态矩阵分群、利用发电机相对能量分群、利用模型元件参数分群和利用功角摇摆曲线分群四类。第一种方法需要对系统进行线性化简化处理，同调识别准确度低。利用发电机相对能量的分群方法具有很好的适用性，但是振荡系统频率测量精度还有待提高。随着广域测量系统(Wide area measurement system，WAMS)的发展，系统中发电机功角信息的实时获取成为可能，同时也使得利用模型元件参数分群法的缺点逐渐暴露，如：元件参数依赖程度大，不准确的参数会对分群结果有很大的影响，而且发电机设计参数难于获取等。所以，基于功角摇摆曲线分群方法研究越来越受关注。

利用功角摇摆曲线进行同调机组分群主要包括特征提取与聚类识别两部分。针对特征提取，常用的方法有：时域分析、频域分析、时频分析。时域分析能够提取分辨率很高的时域特征，但是频域分辨率却很低，频域分析能够提取分辨率很高的频域特征，但是时域分辨率却很低，都不能全面准确提取功角摇摆曲线的特征。小波模糊熵是小波分解与模糊熵的结合，通过小波分解将信号分解为高频段和低频段，在高频部分具有很高的时间分辨率，在低频部分具有很高的频率分辨率，模糊熵能够用来表征信号中的不规则性及复杂程度，小波模糊熵能够全面准确地反映功角摇摆曲线特性。聚类识别分类器有很多，如： K均值法、相关系数法、支持向量机等。但这些方法各有缺陷，存在如识别效果不佳、只适合球形数据、计算量大等问题。Gath-Geva聚类算法以模糊K均值算法和模糊最大似然估计为基础，将距离范数引入聚类识别过程，当数据集中簇的形状、密度改变时，均能准确识别。小波熵结合了小波分析及熵的优点，能够描述非平稳信号多尺度的变化规律，很好表征信号特征。

本文将小波模糊熵和GG聚类算法相结合识别同调机组。首先通过WAMS 量测系统实时获取发电机功角信息，将故障后系统机组功角摇摆曲线进行小波分解，得到不同尺度的小波系数，然后计算各个小波系数的模糊熵，将各尺度小波模糊熵作为发电机的特征向量，既考虑了功角摇摆曲线的整体趋势特征，又考虑了其细节局部特征，最后通过GG模糊聚类算法对其进行分群聚类。仿真结果证明了本方法的有效性。

发明内容

本发明的目的在于提出一种结合S变换和2DPCA的同调机组分群方法，包括如下步骤：

1)利用PMU获取系统机组功角信息，将功角信息存在矩阵S中，对S进行初步预处理，得到发电机功角实时增量时序数据库T。