[发明专利]一种基于PCA算法和XGBoost算法的D-PMU扰动分类方法

说明书

本发明涉及一种基于PCA算法和XGBoost算法的D‑PMU扰动分类方法。其发明内容主要包括(1)基于滑动平均法的D‑PMU时间序列预处理方法；(2)基于PCA算法的D‑PMU时间序列特征提取方法；(3)基于XGBoost算法的D‑PMU时间序列扰动分类方法。

技术领域

本发明涉及分布式计算与存储和机器学习领域，是基于主成分分析法(PCA)和极致梯度提升算法(XGBoost)的配网相量测量装置(D-PMU)扰动分类方法。

背景技术

近年来，随着传感器测量技术、通信技术和计算机技术等在智能配电网中的广泛应用，结合我国电网的特点，性价比高并且适合故障定位的配网相量测量装置(D-PMU)在国内展开了泛的应用。D-PMU设备有效的解决了传统的测量传感器精度不够的问题，为智能配电网实现实时在线监测、故障诊断等提供了解决方案。

D-PMU测量值类型有幅值、相角、频率和频率变化率等，数据采集频率为10毫秒一次,在智能配电网配置有多台D-PMU设备的情况下，这会产生大量的D-PMU测量数据，如何提取D-PMU测量的时间序列的主要特征是至关重要的。同时智能配电网可能存在扰动或设备故障的情况，局部的某些故障如短路，可能影响到整个系统，所以快速准确地对可能存在的扰动进行分类是智能配电网的首要问题。

由于智能配电网中可能存在数据丢包等情况，导致数据丢失，本发明将滑动平均法应用于D-PMU时间序列的数据预处理，提高数据的质量并在一定程度上实现原始的数据的复原。根据D-PMU设备采集数据的高频特征和D-PMU时间序列的高维特征，本发明利用主成分分析算法对D-PMU时间序列矩阵进行降维处理，提取矩阵中的主成分特征。不仅可以合并相似的特征，还可以防止过拟合的发生以及减少内存的使用，使得后面分类算法的运行效率提高。由于电网中可能存在多种扰动情况，本发明使用极致梯度提升算法来对D-PMU时间序列做扰动分类，不仅可以减少过拟合，还可以减少不必要的计算，有很好的可调整性，可以预测扰动类型。本发明将D-PMU时间序列进行数据清洗、特征降维和扰动分类，为设备以及线路确定合理检修时间提供帮助。

发明内容

本发明目的旨在利用PCA和XGBoost算法，解决D-PMU信号的扰动分类问题。

为此，本发明提出了一种基于PCA算法和XGBoost算法的D-PMU扰动分类方法，主要包括三大内容：

(1)基于滑动平均法的D-PMU时间序列预处理方法；

(2)基于PCA算法的D-PMU时间序列特征提取方法；

(3)基于XGBoost算法的D-PMU时间序列扰动分类方法；

具体内容如下：

如图1总体技术路线图，采用方法(1)对D-PMU时间序列进行数据清洗，获得预处理后的D-PMU时间序列；采用方法(2)对D-PMU时间序列矩阵进行特征降维，提取降维后主成分特征；采用方法(3)对D-PMU时间序列进行扰动分类，实现D-PMU实时扰动分类，为设备检修提供保障。

(1)基于滑动平均法的D-PMU时间序列预处理方法。

提取D-PMU前置解析后的时间序列矩阵DpmuRddSeq，其表达式如所示，其中表示1到m个时间戳对应的第一条母线的幅值，P_syn1,…,P_synm表示1到m个时间戳对应的相角同步值。而单个时间戳对应的时间序列是dpmu_Tseq,其表达式如所示，表示24条母线的幅值，表示24条母线的相角，f,f_C,A_syn,P_syn分别表示频率、频率变化、幅值同步、相角同步。