电力系统扰动检测对保障电力系统的可靠运行、人民用电安全和社会经济稳定发展具有重要意义。随着电力系统数据日益丰富,多元统计检测方法成为电力系统安全监控领域的一个研究热点。典型变量分析作为一种有效的多元统计方法,可以更好的挖掘数据的动态相关性,为电力系统扰动检测提供了有效手段。本文针对电力系统数据的动态特性,研究基于改进的典型变量分析的电力系统扰动检测方法,以提高对微小扰动和广域扰动的检测灵敏性。首先,针对现有的多元统计方法忽略了电力系统数据的动态关联特性的问题,提出了基于K近邻典型变量分析(Canonical Variate Analysis based on K Nearest Neighbors,CVAKNN)方法的电力系统扰动检测方法。该方法应用典型变量分析方法提取典型变量使得过去信息数据和未来信息数据的相关性最大化,进一步结合K近邻方法,构造基于CVA统计量的KNN距离扰动监控指标。通过数值例子和实际现场采集的数据进行验证,结果表明CVAKNN方法相比传统多元统计方法具有更好的扰动检测能力。其次,针对CVAKNN方法未考虑数据局部信息导致微小扰动检测率低的问题,提出了基于双重局部保持的K近邻典型变量分析(CVAKNN based on Double Locality Preserving,DLP-CVAKNN)方法的电力系统微小扰动检测方法。一方面,该方法将局部保持的思想融入到CVA优化过程中,设计了局部保持结构的优化目标函数。另一方面,通过建立初始残差和改进残差,挖掘统计量的局部信息。实现对CVAKNN方法的双重局部信息挖掘,提高对微小扰动检测的敏感性。通过数值例子、电力系统仿真数据和实际现场采集的数据进行验证,结果表明DLP-CVAKNN方法对于微小扰动具有更好的检出能力。最后,针对广域电力系统监控中整体建模容易掩盖局部扰动信息的问题,提出了基于贝叶斯融合的双重局部保持K近邻典型变量分析(Bayesian fusion based on DLPCVAKNN,BDLP-CVAKNN)的电力系统广域扰动检测方法。该方法首先利用先验数据的主元空间差异对电力系统各个区域的数据进行分块,为每块数据分别建立区域局部监控模型,进一步利用贝叶斯集成方法融合各个局部子模型构建全局统计量,实现对电力系统的广域检测,最后构建贡献图实现对扰动源的定位。通过电力系统仿真数据进行验证,表明BDLP-CVAKNN方法可以较好地实现电力系统广域检测及定位。
暂无评论