[发明专利]一种电网宽频带振荡在线辨识方法和系统

权利要求书

1.一种电网宽频带振荡在线辨识方法，其特征在于，包括：

构建包括新能源发电接入的电力系统仿真模型，根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征数据；

将所述动态行为特征数据输入至预先训练好的动态数据分类模型中进行分类，得到宽频带振荡模式及其相应的参数。

2.根据权利要求1所述的电网宽频带振荡在线辨识方法，其特征在于，所述根据所述电力系统仿真模型进行扰动工况分析，提取动态行为特征信息，具体包括：

分别分析光照强度、温度和风速对电力系统振荡的影响，获取不同光照强度、不同温度和不同风速下的仿真动态行为特征数据；

提取历史动态行为特征数据和实时动态行为特征数据，并结合仿真动态行为特征数据，根据k-shape聚类算法建立动态行为特征库。

3.根据权利要求1所述的电网宽频带振荡在线辨识方法，其特征在于，所述动态行为特征数据包括有功功率和电压幅值；

所述动态行为特征库中包括功功率振荡数据以及相应振荡模式的标签。

4.根据权利要求2所述的电网宽频带振荡在线辨识方法，其特征在于，所述根据k-shape聚类算法建立动态行为特征库后，还包括：

基于随机森林算法建立动态数据分类模型，所述动态数据分类模型包括多个CART决策树和一个强学习器；

将动态行为特征库中的数据经过随机有放回的采样之后输入到各个CART决策树当中，各个CART决策树的输出接入强学习器，由强学习器来进行投票决定输出宽频带振荡模式及其相应的参数。

5.根据权利要求2所述的电网宽频带振荡在线辨识方法，其特征在于，所述根据k-shape聚类算法建立动态行为特征库，具体包括：

对动态行为特征数据进行降维处理：通过爬坡事件和边缘点个数来衡量振荡曲线的形态特征，根据数据序列的特征进行合适的聚合近似处理，用低维度数据序列来近似表示高维度数据序列，以实现数据序列的降维；

基于k-shape聚类算法对动态行为特征数据进行分类，基于形状的距离来衡量两个时间序列数据之间的相似性，并将其作为之后聚类划分的依据，基于形状的距离的计算公式如下：

其中，SBD(X，Y)为时间序列X和时间序列Y之间的基于形状的距离；CC_w(X，Y)为时间序列X和时间序列Y的互相关序列，R₀(X，X)和R₀(Y，Y)分别为时间序列X和时间序列Y的自相关系数；

获取各类动态行为特征数据的聚类中心，确定各类动态行为特征数据的标签，建立动态行为特征库。