[发明专利]基于决策树的相量测量次同步振荡检测方法

说明书

本发明公开了属于电力系统测试技术领域的一种基于决策树的相量测量次同步振荡检测方法。基于决策树算法从PMU历史数据中预先离线学习次同步振荡阈值，以实现在线的次同步振荡快速检测。通过改变标签给定的判据，可以自适应地调整次同步振荡检测阈值以满足实际需求。对检测出的含有次同步振荡的数据，基于FFT频谱分析，计算出次同步振荡的频率和幅值以实现及时告警。该方法能够快速、准确地检测次同步振荡，在用FFT确定次同步振荡参数之前，排除了占比较多的非次同步振荡数据，从而明显减少了FFT分析的计算量，并能根据实际需求自适应调整阈值，因此采用基于决策树的PMU测量相量次同步振荡检测方法具有十分显著的优点。

技术领域

本发明属于电力系统测试技术领域，特别涉及一种基于决策树的相量测量次同步振荡检测方法。

背景技术

大力发展新能源是我国保障能源安全、应对气候变化的重要举措。近年来，电力系统次同步振荡的发生受到广泛关注。由于新能源发电和高压直流输电技术的快速发展，电网中安装了大量的电力电子装置，产生了大量的次/超同步间谐波分量。一些间谐波与发电机轴系固有频率互补，产生次同步振荡，严重威胁电力系统的安全稳定运行。例如，2015年，中国西部某新能源汇集地区发生严重次同步振荡事件，并波及多个电压等级，导致3台660MW发电机跳闸，造成大量电力损失。到目前为止，该地区次同步振荡已经发生了150余次。电力系统次同步振荡的实时检测对电网安全稳定运行至关重要。

轴系扭振保护利用转子的机械转速信号，广泛应用于现场次同步振荡检测中，但不能用于实时检测和告警。同步相量测量单元(Phasor Measurement Units,PMU)具有同步性、快速性和准确性，为电力系统扰动的在线检测提供了良好的数据基础。

基于同步相量测量，利用快速傅里叶变换(FFT)方法，可以得到次同步分量在频域内的频率和幅值，从而检测出次同步振荡事件并发出告警信号。由于现场数据量大，在用FFT确定次同步振荡参数之前，需要根据现场数据分布特点设置一定的阈值对次同步振荡进行检测，以实现更有针对性的FFT分析，减少计算量。决策树(DT)作为一种有效的机器学习算法，它的自动学习可以有效区分次同步振荡和非次同步振荡数据。近年来，机器学习等人工智能方法在电力系统扰动识别、负荷预测等方面得到了广泛的应用。这种方法避免了对复杂物理模型的研究，可以直接从数据中获取信息进行学习，从而次同步振荡阈值的自适应设置、实时检测和及时告警成为可能。因此本发明基于机器学习方法中的决策树算法，利用PMU测量相量数据，提出了一种次同步振荡检测方法。

发明内容

本发明的目的是提供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。

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)