基于Prony分析特征提取的同调机组分群方法

同调机群识别在电力系统的动态等值、主动解列控制中具有重要意义。提出一种基于Prony分析特征提取的同调机组分群方法。首先针对Prony分析受噪声干扰严重的缺点,利用集成经验模式分解(Ensemble Empirical Mode Decomposition, EEMD)方法对含噪声的信号降噪。然后对降噪后的功角信号进行Prony分析,提取功角信号的幅值、频率和阻尼特征值,形成每台机组的特征向量。最后将系统中所有机组特征向量组成的特征矩阵输入到自组织神经网络进行聚类,从而实现同调机组分群。EPRI-36节点系统和华北电网系统算例表明,所提方法可以很好地降低噪声影响,充分提取功角曲线特征,准确识别同调机组。     

数据驱动的同调机组分群及主动解列技术

新型电力系统发生区域性故障时系统的安全稳定性问题日益突出,主动解列作为防止故障扩散的有效手段在系统稳定研究中逐渐获得关注。从同调机组分群技术和解列断面搜索技术两个方面对主动解列开展研究,结合时频分析、特征提取和图论等方法,提出基于改进聚类算法的同调机组分群技术和基于多层图分割的解列断面搜索技术,并在IEEE-39节点标准测试系统中验证了所提方法的适用性。     

利用小波能量特征的增长型自组织神经网络同调机组分群方法

提出了一种利用小波变换多尺度空间能量分布特征的自组织神经网络同调机组分群方法。首先改进了同调机群识别判据,然后利用小波变换的多尺度空间能量分布特征提取方法,对机组功角摇摆曲线提取特征,将时域特征、频域特征及小波能量特征构成的综合向量,作为增长型自组织神经网络的输入,通过调节阈值λ,得出不同精度的分群结果。最后在IEEE-39节点系统上对只考虑时频域特征和同时考虑小波能量特征、时频域特征的同调机组识别结果进行了对比分析,最终表明同时考虑小波能量特征、时频域特征的分群结果具有更高准确性。     

基于层次分析模型的同调机群自动识别方法

针对现阶段动态等值同调识别过程中存在的主观性和片面性等问题,综合考虑多种因素对机组同调性的影响,借鉴层次分析法思想,建立实用的层次分析模型,将摇摆曲线、电气距离和机组参数等较突出的影响因素有机结合,从而使同调识别过程由以往单一决策转变为多属性综合决策。通过对已知同调性的标准系统同调矩阵与其各影响因素相似度矩阵的对比分析计算,综合确定层次分析判断矩阵,相对客观地确定各因素权重。应用分布聚类法计算获得最终相似度矩阵,完成电机聚类。以IEEE 118节点54机系统和蒙西电网为算例,验证了所提方法的有效性和实用性。     

基于扩展面板大数据的电力经济特征提取新方法

电力作为经济的"示波器",对海量电力用电大数据进行特征提取和智能参数估计是电力经济评估的关键步骤。提出了一种适用于海量电力经济大数据的建模方法和经济相关特征提取方法。首先针对电力经济二元大数据的时空特征构造扩展面板数据模型,并进行平稳性和协整性检验;然后以用电量为因变量,通过构造回归方程确定与其他电力经济特征量的权重因子;最后采用灰色关联聚类进行特征提取,并以权重因子为判据进行聚类中心选择,从而获取最优特征子集。通过对某省实际用电数据的仿真对比分析,验证所提方法能够在保存特征子集物理含义的前提下,极大消除冗余,满足了经济评估的需要,并具有一定的通用性。     

电力系统同调机群识别的一种模糊聚类方法

给出了一种能识别电力系统同调机群的模糊聚类方法。首先采用最大－最小方法对线性化后的系统状态矩阵进行标定,得到反映机组间动态相关程度的模糊等价关系矩阵,然后采用模糊聚类方法识别同调机群。最后给出了10机和24机两个试验系统同调机群识别结果,并通过特征根计算证明了此方法的有效性。     

一种基于广域测量信息的在线同调分群方法

为了能够快速准确地识别同调机群,提出两种基于广域测量信息的同调分群指标。在此基础上,首先利用发电机间的功角差有效值指标快速地实现预分群;然后利用皮尔森相关系数和Hsim函数相结合构造新的相似度度量指标ρHsim,既考虑发电机功角曲线间的距离差异又考虑走势差异,实现了更严格的再分群。为了实现再分群的计算,采用属性阈值(QT)聚类和k-means聚类相结合的改进聚类算法。EPRI-36系统仿真计算的结果表明,在预分群阶段应用发电机功角差有效值指标可以迅速地对功角摆开差异较大的发电机进行分群,再分群阶段应用ρHsim相似度指标,可以实现各种精度的发电机同调分群。     

基于非负矩阵分解的同调机群识别方法

为了解决源数据维数较大的问题,提出了一种基于非负矩阵分解(NMF)的同调机群识别方法.采用发电机角速度作为源数据,使用NMF算法对其进行降维.由于此低维矩阵具有非负性质,因而该模型在消除冗余数据、降低维数的同时,保留了原始问题的实际意义.对低维矩阵归一化,再利用K均值聚类算法对其进行聚类,达到同调机群的分群目的.通过New England 10机39节点系统比较了基于NMF和主成分分析方法的分群效果,验证了基于NMF的同调机群识别方法的有效性.     

基于经验模式分解的聚类树方法及其在同调机组分群中的应用

提出了一种基于经验模式分解(empirical mode decomposition,EMD)的聚类树分群方法。在系统聚类分析的基础上,提出了基于权重距离的综合聚类指标,以各机功角轨迹之间距离最小为准则,实现了多机系统同调机组的合理分群。为解决电力系统受扰后动态行为非平稳、非线性的问题,文中采用EMD方法对原始数据进行预处理。EPRI-36节点系统计算结果表明,在不太严重的扰动下和允许的误差范围内,各种扰动下均可得到基本一致的聚类分群结果,从而佐证了该方法的有效性。     

基于模糊聚类法探究扰动对同调分群的影响

为研究大扰动对电网分群产生的影响,基于模糊聚类在同调分群的基础上研究了故障对同调分群的影响.先应用模糊聚类法得到初始同调分类结果,以模糊聚类公式为出发点,探究故障前后因子发生的变化,然后用BPA程序对IEEE 39节点进行试验,结果得到了故障对发电机间互导纳距离影响较大从而影响分群结果.为后续问题提供了一个良好的研究思...     

云平台下时间序列数据并行化排列熵特征提取方法

随着高级量测体系和各类监控系统的大规模建设发展,时间序列数据的规模呈指数级增长,在智能电网大数据中占有较大的比重。时间序列数据的特征提取是影响数据挖掘质量的关键步骤,在大数据背景下,传统的特征提取算法已无法满足海量数据处理的需求。结合云计算平台和MaxCompute大数据处理技术,设计实现了时间序列数据的表存储方法和并行化的时间序列数据排列熵特征提取算法。在云计算平台上采用不同规模的数据集对并行化算法进行测试,验证了并行化排列熵算法的正确性和高性能。     

基于聚类融合技术的电力用户负荷模式提取方法

针对电力大数据背景下智能电力用户负荷模式提取的可靠性不高且传统单一聚类算法聚类结果不稳定的问题,提出一种基于主成分分析与聚类融合相结合的电力用户负荷模式提取方法。首先,对负荷数据进行预处理,通过主成分分析法减少特征间分类信息冗余实现高维特征的降维。然后,用四种聚类方法分别对降维后的数据集进行聚类分析,得到具有差异性的聚类成员。最后,利用共识矩阵对所得聚类成员进行聚类融合,得到优于单一聚类算法的最终聚类结果。通过电网实际用电数据验证了所提负荷模式提取方法能够提高聚类准确率并降低计算复杂性,并用有效性指标Silhouette对最终聚类结果进行评价。     

采用受扰轨迹和独立分量分析技术识别同调机群的方法

针对大区电网互联运行中出现振荡失步时,需要正确划分同调机群以解列电网的问题,提出采用独立分量分析技术(independent component analysis,ICA)对故障后的发电机受扰轨迹进行特征提取,来识别系统中同调机群的方法。与现有方法相比,这种方法不需要获得系统元件模型和参数,而是直接球化广域测量系统(wide area measurement systems,WAMS)提供的发电机电角速度信号,再利用最大负熵准则进行独立分量分析得到特征矩阵,将高维数的多机受扰轨迹数据变换到低维空间,通过模式识别得到分群结果。8机36节点系统和西北750 kV电网规划系统算例表明,该方法能有效消除噪音和坏数据的影响,准确识别出同调机群。     

基于WAMS和改进拉普拉斯特征映射的同调机群在线识别

当系统发生严重级联故障导致失步运行时,需要快速准确地识别出系统中的同调机群,为下一步的自主解列控制提供基础。针对WAMS测量到的发电机动态轨迹信息往往具有非线性和非平稳性等特点,提出了一种在线识别同调机群的新方法,能充分考虑各种故障场景的动态特性和非线性系统的时变特征。首先根据WAMS量测可得到故障后发电机组的实时响应功角轨迹信息,利用基于类别信息和核空间的改进拉普拉斯特征映射算法提取特征信息,进而识别出各发电机的运行特性;再利用k-way余弦相似度因子分群算法对发电机组进行自主识别分群。最后通过新英格兰39节点系统仿真,验证了所提方法的有效性,并且适用于系统不同运行方式,能在线准确识别同调机群。     

基于形态优化滤波的轴承故障特征提取方法

针对滚动轴承故障特征难以提取等问题,提出利用判别指标最大准则选择最优形态滤波算子进行轴承故障特征提取新方法,以达到在噪声干扰下更优的故障冲击信号提取效果。首先利用6种形态滤波器以不同尺度结构元素对轴承故障信号进行降噪处理;其次计算滤波信号的判别指标,以判别指标最大原则获取最佳形态滤波算子;然后利用最佳形态滤波算子处理滚动轴承实例故障信号;最后借助特征频率强度系数、峭度和偏斜度评价滤波质量,将该方法与传统方法进行比较。测试结果表明,该方法能够更好地提取轴承故障特征信息,有效抑制噪声实现轴承故障精确诊断。     

改进谱聚类与遗传算法相结合的电力时序曲线聚类方法

为改善传统聚类算法在电力时序数据上的聚类效果,提出一种基于优化特征向量选取的遗传谱聚类算法。针对应用数据结构特点,合理优化谱聚类算法中特征向量的提取过程,避免传统方法可能造成的数据信息缺失问题;采用遗传聚类优化算法对优选后的特征向量进行聚类划分,并将最终划分结果映射回原始数据。以UCI标准合成时间序列数据与美国区域电网运营商PJM提供的日负荷数据为例,对比分析现有常用聚类算法与所提算法测试结果的聚类有效性指标与形态特征。研究结果表明,所提算法分类效果显著,有较高的聚类质量和算法稳健性,具有工程应用前景。     

一种组合重构的电能质量扰动特征提取方法

电力系统中电能质量扰动类型较多、扰动特征表征复杂,特征提取的有效性直接影响识别精度。为了保证特征提取的有效性,通常以牺牲特征向量维度作为代价,但特征向量维度过高会增加识别模型的复杂度和降低识别的速度。基于以上考虑,提出了一种基于能量熵和功率谱熵的组合重构特征提取方法。首先根据电能质量扰动信号特性和改进集合经验模态分解(modified ensemble empirical mode decomposition, MEEMD)对电能质量扰动信号进行处理。其次利用能量熵和功率谱熵对扰动特征进行组合提取,构建高精度、低维度的特征向量。最后通过双层前馈神经网络(double-layer back propagation neural network, DBPNN)对扰动信号进行识别。仿真和实验结果表明,与单一特征提取方法相比,所提出的组合重构特征提取方法的特征向量维度、识别模型复杂度和识别难度降低,准确率较高,且具有一定的抗噪性。     

基于背景减除和特征提取的跌倒识别方法

为了有效监测老年人是否跌倒,提出一种结合背景减除及人体边界的外部轮廓特征提取方法对人体动作行为进行识 别。 首先,利用背景减除法从视频中提取运动的对象,对提取的运动对象进行预处理;然后利用最小外接矩形和重心检测的方 法对运动目标进行特征提取,得到老人整体外部轮廓和重心位置等运动特征;最后根据人体不同姿态,建立运动模型,有效辨识 被监护对象的行走、跌倒等动作。 实验结果表明,提出的方法可对实际的视频进行有效处理,对人体行为识别的准确性能达 到 94. 3%。     

一种新特征提取方法在无线监测中的应用

提出了1个特征提取技术,解决识别的时间问题,同时,在新的特征技术中,识别率也有一定的提高。在模式识别系统中,识别的对象需要1个规范化的光栅图像,必须有足够的代表性、差异性等特点进行分类,以便达到很好的识别率。尤其在无线监测中,涉及的数据量比较大,响应比较慢。提出了在无线监测中快速响应的区域分块算法,并采取区域特征提取的方式来提取动、静态的图像,实验证明此方法可大大缩短了响应时间,优于以前的全局特征分析方式。对于动态图像特征的提取有一定的指导意义。