基于RMT-CNN的电网短路故障定位研究

随着我国智能电网的快速发展,电网监测数据呈现多元化、高速化、海量化的趋势.为了充分挖掘电力大数据的潜在价值,实现电网内异常区域的自动识别与定位,本文研究了基于随机矩阵理论(random matrix theory,RMT)和卷积神经网络(convolutional neural networks,CNN)的电网异常事件定位方法.首先根据电网内部联系将电网划分为若干子系统,分区构建监测矩阵;然后采用RMT作为数据挖掘的特征提取方法,提取分区矩阵特征向量作为输入,根据电网监测数据和异常识别需求的特点搭建CNN模型;最后基于分区矩阵特征向量构建数据集,训练获得有效的异常事件自动定位CNN模型.以IEEE39节点电网模型三相短路故障为例,分析表明通过RMT提取特征向量的预处理方法能有效降低数据维度,提高CNN模型的故障定位准确率,分区RMT-CNN模型能有效定位电网内异常事件的发生地点,定位精度可达97.96%,精确率可达98.65%.

COOPERATIVE MIMO SPECTRUM SENSING BASED ON RANDOM MATRIX THEORY

Random Matrix Theory (RMT) is a valuable tool for describing the asymptotic behavior of multiple systems,especially for large matrices. In this paper,using asymptotic random matrix theory,a new cooperative Multiple-Input Multiple-Output (MIMO) scheme for spectrum sensing is proposed,which shows how asymptotic free property of random matrices and the property of Wishart distribution can be used to assist spectrum sensing for Cognitive Radios (CRs). Simulations over Rayleigh fading and AWGN channels demonstrate the proposed scheme has better detection performance compared with the energy detection techniques even in the case of a small sample of observations.

Cross Correlation of Intra-day Stock Prices in Comparison to Random Matrix Theory

We propose and apply a new algorithm of principal component analysis which is suitable for a large sized, highly random time series data, such as a set of stock prices in a stock market. This algorithm utilizes the fact that the major part of the time series is random, and compare the eigenvalue spectrum of cross correlation matrix of a large set of random time series, to the spectrum derived by the random matrix theory (RMT) at the limit of large dimension (the number of independent time series) and long enough length of time series. We test this algorithm on the real tick data of American stocks at different years between 1994 and 2002 and show that the extracted principal components indeed reflects the change of leading stock sectors during this period.

Verification of the Validity of the NPT Treatment in Hereditary Spastic Paraplegia: An Investigation Performed by Application of Random Matrix Theory

We have applied the Random Matrix Theory in order to examine the validity of the NPT treatment in HSP. We have investigated the pathology examining the sEMG recorded signal for about eight minutes. We have performed standard electromyographic investigations as well as we have applied the RMT method of analysis. We have investigated the sEMG signals before and after the NPT treatment. The application of a so robust method as the RMT evidences that the NPT treatment was able to induce a net improvement of the disease respect to the pathological status before NPT.

Compressive Wideband Spectrum Sensing Based on Random Matrix Theory

Spectrum sensing in a wideband regime for cognitive radio network(CRN) faces considerably technical challenge due to the constraints on analog-to-digital converters(ADCs).To solve this problem,an eigenvalue-based compressive wideband spectrum sensing(ECWSS) scheme using random matrix theory(RMT) was proposed in this paper.The ECWSS directly utilized the compressive measurements based on compressive sampling(CS) theory to perform wideband spectrum sensing without requiring signal recovery,which could greatly reduce computational complexity and data acquisition burden.In the ECWSS,to alleviate the communication overhead of secondary user(SU),the sensors around SU carried out compressive sampling at the sub-Nyquist rate instead of SU.Furthermore,the exact probability density function of extreme eigenvalues was used to set the threshold.Theoretical analyses and simulation results show that compared with the existing eigenvalue-based sensing schemes,the ECWSS has much lower computational complexity and cost with no significant detection performance degradation.

Research on Power Quality Disturbance Signal Classification Based on Random Matrix Theory

In this paper, a method of power quality disturbance classification based on random matrix theory (RMT) is proposed. The method utilizes the power quality disturbance signal to construct a random matrix. By analyzing the mean spectral radius (MSR) variation of the random matrix, the type and time of occurrence of power quality disturbance are classified. In this paper, the random matrix theory is used to analyze the voltage sag, swell and interrupt perturbation signals to classify the occurrence time, duration of the disturbance signal and thedepth of voltage sag or swell. Examples show that the method has strong anti-noise ability.

融合RMT特征值的电网异常状态检测

随着电网规模的不断扩大,电网监测数据变得越来越多元化、高速化、海量化,使得电网监测工作变得更加复杂和艰巨。针对传统方法处理电网高维数据效率低、同步性差的问题,本文研究了一种利用随机矩阵理论(RMT)提取监测数据特征值实现电网异常状态的检测方法。首先,设计了电网内异常扰动类型,构建了一个矩阵窗口来选择时间序列内的监测信号,从而建立高维矩阵;其次,应用M-P定律和单环定律进行矩阵变换,提取特征值并根据特征值分布情况来判断系统状态;然后,基于特征值的线性统计,构建了多种评价指标,包括最大特征值(MESCM)、最小特征值(EME)、最大最小特征值之比(MME)和平均谱半径(mean spectral radius,MSR)等指标;最后,比较了每个统计指标在电网出现短路故障、开路故障以及故障清除时的表现,以实现电网状态识别、异常事件检测和电网稳定性评估。案例测试结果表明,这些指标可以准确判断系统是否发生异常、检测异常的起止时间,并评估电网的稳定性。本文方法可以检测开路、短路等扰动事件,实现全局监测数据的同步处理,其计算量较小、效率高,适用于大规模电网异常状态的检测。

随机矩阵理论在高速路关键路径辨识中的应用

高速公路网络是我国各地区相互连接的重要纽带,高速公路网络关键路径辨识对确保高速网络的可靠运行具有重要意义。传统的关键路径分析方法基于拓扑结构,未考虑交通网络的运输量特性;而现有的基于运输量数据的分析方法只考虑部分路径的运输量特性,难以反映交通网络的实际运行情况。利用路径运输量数据,搭建运输量随机矩阵模型,针对高速公路网络异常后的运输量变化特性,定义关键路径评估指数,实现异常影响程度的量化评估,在此基础上提出一种基于数据驱动的高速公路网络关键路径辨识方法。最后,采用辽宁省高速公路网络进行分析,验证了所提方法的合理性和有效性,并将该方法应用于城市路网案例中,进一步证明该方法具有普适性。

基于RMT的协作MIMO频谱感知

针对认知无线电技术中的频谱感知问题,将已经广泛应用于无线通信领域的随机矩阵理论(RMT)引入到多认知用户MIMO环境中,提出了基于随机矩阵理论的协作MIMO频谱感知算法。该算法不需要预知噪声的统计特性和噪声方差,而是利用大维随机矩阵特征值的极限分布特性进行频谱感知。新算法充分利用了协作技术及MIMO技术的优点来提高感知性能。理论分析和仿真结果均表明,新算法整体性能优于同类算法和典型的能量检测算法。

基于RMT的协作检测算法

随机矩阵理论(RMT)是一种非常有效的用于研究系统渐近特性的数学工具,成功解决了一些经典数学无法解决的问题。为进一步提高检测性能,该文基于RMT研究了多点协作信号检测算法,新算法从混有噪声的信号样本协方差矩阵入手,利用自由(解)卷积算子求解自由方程,从而精确提取出信号的功率。理论分析及仿真结果表明,新算法检测灵敏度高,收敛速度快,具有较好的理论及应用价值。

基于电网调度系统的网络安全态势感知方法研究

由于网络外界病毒入侵的隐蔽性极高、入侵类型较多,病毒难以被全面地被感知,导致电网调度自动化系统运行安全受到威胁。为提升电网调度自动化系统网络的安全性,提出基于随机矩阵理论(random matrix theory,RMT)的电网调度自动化系统网络安全态势感知技术。采集电网调度自动化系统网络安全信息数据,构建病毒入侵环境下的安全状态分布模型,并利用该模型完成电网调度系统网络安全态势特征信息的提取。采用RMT中的M-P模型及单环定律对网络安全态势特征值在随机矩阵内的分布情况进行谱分析,根据特征值分布状态获取网络安全态势在稳定情况及异常情况下的变换规律,实现电网调度系统网络安全态势感知。实验结果表明,通过对该方法开展安全态势感知测试,验证了该方法应用在电网调度系统中组件安全态势感知及网络安全态势感知的精准度均较高,体现了该方法的有效性。

基于RMT的合作频谱感知新算法及其性能分析

针对认知无线电中的频谱感知问题,利用随机矩阵理论(random matrix theory,RMT)最新研究成果,提出了一种新的合作频谱感知算法(maximum-minimum eigenvalue detection,MMED)。该算法将采样协方差矩阵最大特征值与最小特征值的比值作为统计判决量,并利用最小特征值概率分布求得判决门限。理论分析与仿真结果表明,与基于最大特征值的频谱感知方法相比,MMED算法不仅具有感知性能更好以及对噪声不敏感等优点,而且在认知用户数较少、样本较小的情况下,也可获得较好的检测性能。

考虑大规模风电接入的电网薄弱区域动态无功需求评估

提出考虑大规模风电接入的电网薄弱区域动态无功需求评估方法。首先,采用随机矩阵理论对大规模风电场群接入的电力系统进行电压薄弱节点和薄弱区域辨识,若风电接入地区为电压薄弱区域,则令风电场群进入紧急电压控制预决策环节;然后,基于BP神经网络建立薄弱区域内暂态电压稳定指标计算模型,并在此基础上提出基于灵敏度的薄弱区域动态无功需求评估方法;最后,在风电场群接入的IEEE 10机39节点系统上对该文所提方法的有效性进行验证。

RIS辅助MIMO NOMA系统中利用统计CSI的下行传输方法

针对可重构智能反射表面(RIS)辅助多输入多输出(MIMO)非正交多址接入(NOMA)下行传输系统,该文提出利用统计信道状态信息(CSI)的基站发送协方差矩阵与RIS相移矩阵设计方法。首先,在莱斯空间相关信道假设下,利用大维随机矩阵理论,推导了RIS辅助MIMO NOMA系统遍历和速率的确定性表达式;然后,在弱用户速率约束与发送功率受限的条件下,通过最大化确定性大系统近似和速率,利用统计CSI,分别设计了强、弱用户的次优发送协方差矩阵和RIS的相移矩阵。仿真结果表明,所推导的近似表达式具有很好的近似效果,所设计的发送协方差矩阵和相移矩阵能显著提升系统的和速率。

随机两体耗散诱导的非厄米多体局域化

本文数值研究了在一维非厄米的硬核玻色模型中由随机两体耗散诱导的非厄米多体局域化现象.随着无序强度的增强,系统的能谱统计分布从AI■对称类向二维泊松系综过渡,多体本征态的归一化参与率展示了从有限值到接近零的转变,半链纠缠熵服从体积律到面积律的转变,动力学半链纠缠熵表现为从线性增长到对数增长的转变.数值结果表明,在该模型中由随机两体耗散诱导的非厄米多体局域化现象的鲁棒性.该研究结果为非厄米系统中多体局域化的研究提供了新的视角.

基于随机矩阵的海量智能电能表异常个体定位方法

智能电能表是电力计量计费的核心装置,关系业主、电网等多方经济利益,具有数量庞大、运行环境复杂等特点。为有效精准发现海量智能电能表的异常个体,提出了一种基于随机矩阵的海量智能电能表异常个体定位方法。提出了智能电能表健康状态的多个参数表征方法,包括比差、角差、温度、湿度、震动等非电气量参数和一次电压、磁场等电气参数。为了更加准确全面地对智能电能表的状态进行评估,将智能电能表的实时数据、仿真数据和历史运行数据等作为数据源,选取智能电能表健康状态时的参数构建高维随机矩阵进行分析,实现了智能电能表异常个体的定位。结合南网新一代智能电能表实际数据验证了文章所提方法的有效性,以期为我国智能电能表发展高效低成本的计量装置检验提供技术借鉴。

基于随机矩阵理论的电网薄弱环节辨识策略

随着电网规模不断扩大,新型电力系统的运行特性愈加复杂,准确辨识电网存在的薄弱环节对提高系统的监测能力和保障系统的可靠运行具有重要的实际意义。文中基于随机矩阵理论提出了一种电网薄弱环节辨识策略。该策略利用电网运行中的实测数据构造随机矩阵,基于随机矩阵理论构建薄弱环节的判断指标,并设计了薄弱节点和薄弱支路的判断方法。该方法从数据相关性的角度进行分析,不需要考虑实际电网复杂的网络结构和运行机理,因此没有复杂的建模过程。为了验证该方法的可行性,通过IEEE 39节点系统搭建了算例仿真,并与传统方法进行了对比。结果表明,所提策略在辨识薄弱节点和支路上具有较好效果,且准确性相较于传统方法有所提升。

Fast Protection for Collector Lines in Large-Scale Wind Farms Based on Random Matrix Theory

The impact of large-scale wind farms on power system stability should be carefully investigated,in which mal-functions usually exist in the collector line's relay protection.In order to solve this challenging problem,a novel time-domain protection scheme for collector lines,based on random matrix theory(RMT),is proposed in this paper.First,the collected currents are preprocessed to form time series data.Then,a real-time sliding time window is used to form a consecutive time series data matrix.Based on RMT,mean spectral radius(MSR)is used to analyze time series data characteristics after real-time calculations are performed.Case studies demonstrate that RMT is independent from fault locations and fault types.In particular,faulty and non-faulty collector lines can be accurately and efficiently identified compared with traditional protection schemes.

基于随机矩阵IQ分解的频谱感知算法研究

频谱感知是认知无线电的核心技术。基于矩阵理论的频谱感知算法与经典的能量感知相比,尤其在噪声不确定度、主用户信号特征、信道以及噪声功率方面具有很好的感知性能。由于提高协作用户数可以提高算法检测性能,以最大最小特征值之差的频谱感知算法为基础,提出了新的基于接收信号IQ分解的频谱感知算法,并推出相应的算法判决门限。IQ分解逻辑上增加了协作用户数,增加了信号相关性。通过对不同信噪比、不同采样数下的仿真结果分析,算法提升了检测性能,验证了算法的有效性。

基于随机矩阵理论的状态监测数据关联分析方法

随着大数据技术在电力系统中应用研究的广泛开展,特别是针对设备多参量监测数据的关联分析,亟需新的数学工具对所获取的数据进行高效的数据表征及信息提取。文中采用高维随机矩阵对状态监测数据进行数学表征,并运用随机矩阵理论的特征根谱分析、MP定律、圆环率等理论,对设备状态监测数据进行数据挖掘。在理论方法基础上,文中以输电线路状态监测数据为研究对象,将输电线路电压及其谐波通过高维随机矩阵统一建模,并对其关联信息进行分析和提取。研究结果表明高维随机矩阵表征下的数据分析技术具备对设备状态信息的高度敏感性,适用于对多源数据关联关系的分析,且在设备状态分析应用中具有传统方法所缺乏的直观性与高效性。