[发明专利]一种基于压缩PMU数据和局部离群因子的电力系统事件感知方法

说明书

本发明涉及一种基于压缩PMU数据和局部离群因子的电力系统事件监测方法，其包括步骤：提出改进的自下而上(BU)压缩算法，以减少变电站中PMU数据的规模，从而减轻通信系统的负担。用适合于度量不等间隔数据间隔的面积距离函数与主成分分析(PCA)搜索任何两个节点之间的相似性定义局部异常因子(LOF)并利用相应的理论来监测电力系统中的异常事件，事件的大致区域可以由每个节点的LOF值确定。其可以应用于在线监测并增强电力系统运行人员的态势感知能力。

技术领域

本发明涉及电力系统领域，特别是涉及一种基于压缩PMU数据和局部离群因子的电力系统事件感知方法。

背景技术

随着可再生能源和清洁能源的不断增长，电力系统的动态响应不断复杂，电力系统也已经变得越来越复杂和不可见。因此，必须提出新的事件监测算法和识别算法，以提高电力系统运行人员的态势感知能力。

近年来，广域测量系统(Wide-Area Measurement System,WAMS)在电力系统中得到了广泛的应用，可为在线的电力系统态势感知提供数据支撑。目前已有一些实时运行状态辨识和发展趋势预测方法被提出，诸如基于数据的和基于物理的方法。近年来被学者广泛讨论的方法有离散小波变换(Discrete Wavelet Transform,DWT)结合扩展卡尔曼滤波(Extended Kalman Filtering,EKF)法、稀疏分解法、变分模式分解(Variational ModeDecomposition,VMD)法、主成分分析(Principle Component Analysis,PCA)法、移动窗口PCA(Moving Window-PCA)法、核PCA(Kernel PCA)法、递归量化分析(Recurrencequantification analysis,RQA)法、最小封闭椭球体积(Minimum Volume EnclosingEllipsoid,MVEE)算法等。对于DWT，KT，和VMD而言，它们需要复杂的数学变换，也非常耗时。对于PCA而言，电力系统的动态特性被线性化了，这将导致不精确的事件监测结果。对于KPCA和RQA而言，虽然系统的非线性特性被考虑了，但很难选择合适的非线性映射函数。对于MVEE算法而言，首先需要求解一个复杂的数学优化问题，这限制了其在大型电力系统的实时应用。此外，随着PMU和WAMS的普及，对大量数据进行采样对于通信系统来说是一项繁重的任务，上述所有方法都没有考虑到这个问题。

发明内容

基于此，为了在电力系统中获得更好的事件监测效果，本发明提出了一种新的一种基于压缩PMU数据和局部离群因子的电力系统事件感知方法。

一种基于压缩PMU数据和局部离群因子的电力系统事件感知方法，包括如下步骤：

1)采用改进的自下而上(Bottom-Up,BU)压缩算法对PMU数据进行压缩与重构，以减少变电站中PMU数据的规模，从而减轻通信系统的负担；

2)用适合于度量不等间隔数据间隔的面积距离函数与主成分分析(PrincipleComponent Analysis,PCA)搜索任意两个节点之间的相似性；

3)基于局部异常因子(Local Outlier Factor,LOF)来监测电力系统中的异常事件。

上述技术方案中，步骤1)中采用基于改进BU方法的对PMU数据进行压缩与重构，具体如下：

假设PMU的数据序列是和式中，M和N分别为PMU和记录点的数量；上标V，F，P和Q分别表示电压幅值，频率，有功功率和无功功率；对于每种上标，方法都相同，后面将省略上标进行描述，给定压缩比η的改进BU方法的步骤是：

a)对于长度为N的数据序列，选择每个点作为分段点，然后形成N-1个分段；

b)计算并比较每对相邻段的拟合误差；

c)合并具有最小拟合误差的相应相邻段；