[发明专利]基于决策树的相量测量次同步振荡检测方法

权利要求书

1.一种基于决策树的相量测量次同步振荡检测方法，其特征在于，包括：

对次同步振荡与非次同步振荡的PMU相量测量数据，按照一定的窗长，进行特征提取，把每个数据窗中的数据表示为特征空间中的一维特征向量；

基于次同步振荡频率分量幅值大而显著的特点，利用FFT方法确定每个特征向量的标签为次同步振荡或非次同步振荡；其中，次同步振荡的标签值为+1；非次同步振荡的标签值为-1；

基于有标签的特征向量数据，训练决策树分类器；对于新输入类型未知的PMU的实时数据，按照同样的方法进行特征提取，并将所提特征向量输入至决策树分类器，实现次同步振荡的检测识别。

2.根据权利要求1所述的基于决策树的相量测量次同步振荡检测方法，其特征在于，所述对次同步振荡与非次同步振荡的PMU相量测量数据，按照一定的窗长，进行特征提取，把每个数据窗中的数据表示为特征空间中的一维特征向量，该一维特征向量包括：

取历史和/或仿真的PMU电流相量的幅值数据作为训练数据；将训练数据按照一定的窗长进行划分；

对于一定长度的数据窗P中的PMU数据，获取上包络线上的数据点，形成集合A，获取下包络线上的数据点，形成集合B；将数据窗P中的第i个数据点加入到集合A或B中的判据为：

A:P(i)≥P(i-1)and P(i)≥P(i+1)

B:P(i)≤P(i-1)and P(i)≤P(i+1)，

构造特征F，表征PMU数据的波动幅度，以区分次同步振荡和非次同步振荡，其表达式如下：

式中，和分别为集合A、B和P中所有幅值数据的平均值，γ是一个常数。

3.根据权利要求1所述的基于决策树的相量测量次同步振荡检测方法，其特征在于，所述利用FFT方法确定每个特征向量的标签为次同步振荡或非次同步振荡包括：

(1)对一定窗长的PMU电流幅值历史数据进行快速傅里叶变换(FFT)频谱分析，得到其频域；对于频域为5-45Hz中每个次同步频率分量，计算其幅值百分比；

(2)根据次同步振荡频率分量幅值大而显著的特性，将某个频域对应的特征向量标记为“次同步振荡”的判据是：

在该频域中，有一个以上的次同步频率分量，其幅值百分比超过K％；或有一个以上的次同步频率分量，其幅值超过同一频域中所有频率分量幅值平均值的M倍；

如果以上两者有一个为真，则相应特征向量被标记为“次同步振荡”；

(3)调整K和M的值，以改变次同步振荡识别的阈值；若降低次同步振荡的漏检率，则需适当地降低K和M的值，从而得到更多的疑似次同步振荡数据；若降低次同步振荡的误检率，则需增加K和M的值，使得“次同步振荡”标签的给定更加谨慎；

当需要降低次同步振荡漏检率时，如果在线检测时设置了阈值参数K＝α和M＝β，那么在历史数据的标签确定过程中，应适当降低K和M的值，使分类器在在线检测识别次同步振荡时更倾向于给出“次同步振荡”的判断；

当需要降低次同步振荡误检率时，如果在线检测时设置了阈值参数K＝α和M＝β，那么在历史数据的标签确定过程中，应适当提高K和M的值，使分类器在在线检测识别次同步振荡时更倾向于给出“非次同步振荡”的判断；

(4)对所有训练特征向量样本进行标记，在确定K和M后，如果样本标记为“次同步振荡”，则标签值y为“+1”；如果样本标记为“非次同步振荡”，则标签值y为“-1”。

4.根据权利要求1所述的基于决策树的相量测量次同步振荡检测方法，其特征在于，所述基于有标签的特征向量数据，训练决策树分类器，对于新输入的类型未知的PMU实时数据，按照同样的方法进行特征提取，并将所提特征向量输入至决策树分类器，实现次同步振荡的快速检测识别，步骤如下：

1)利用基于大量历史PMU电流相量幅值数据所获得的有标记特征向量样本，预先离线训练决策树分类器，从而得到“次同步振荡”和“非次同步振荡”的区分阈值；

2)对于新输入的实时PMU数据，按照与训练数据相同的数据窗长度进行特征提取，获得无标记的特征向量；

3)将无标记的特征向量输入决策树分类器，由决策树判定其类别为“次同步振荡”或“非次同步振荡”，给予相应的标签；

4)对于决策树标记为“次同步振荡”的新特征向量，将相应的PMU测量幅值数据予以保留；对这些数据进行FFT频谱分析，得到次同步振荡的具体频率和振幅；当振荡的频率接近发电机组轴系扭振频率、振荡振幅较大或振荡持续时间较长时，适时发出告警信号。