快速准确的电力系统扰动检测能够为后续扰动分析提供有效的指导信息,而广域测量系统(wide area measurement system,WAMS)的广泛应用为扰动检测提供了有力的数据基础。基于PMU量测数据,该文提出一种考虑PMU不良数据的扰动事件检测方法...快速准确的电力系统扰动检测能够为后续扰动分析提供有效的指导信息,而广域测量系统(wide area measurement system,WAMS)的广泛应用为扰动检测提供了有力的数据基础。基于PMU量测数据,该文提出一种考虑PMU不良数据的扰动事件检测方法。首先分析PMU异常数据行为特性,揭示扰动事件与不良数据的差异性特征。进一步,提出一种基于差分Teager-Kaiser能量算子与3Sigma准则相结合的PMU异常数据初筛方法,避免了低强度扰动漏检和扰动的重复检测问题。接着,利用动态时间规整和最大互信息系数分别计算不同PMU间的时空相似性,以及同一台PMU内不同量测间的相关性,并以此作为表征扰动事件和不良数据差异的特征。最后,通过局部离群概率算法对得到的综合度量指标进行分析,可实现在含有不良数据场景下的扰动事件准确检测。基于IEEE39系统,实际电网模型以及PMU实测数据,验证所提方法具有较好准确性、实时性以及泛化能力。展开更多
文摘快速准确的电力系统扰动检测能够为后续扰动分析提供有效的指导信息,而广域测量系统(wide area measurement system,WAMS)的广泛应用为扰动检测提供了有力的数据基础。基于PMU量测数据,该文提出一种考虑PMU不良数据的扰动事件检测方法。首先分析PMU异常数据行为特性,揭示扰动事件与不良数据的差异性特征。进一步,提出一种基于差分Teager-Kaiser能量算子与3Sigma准则相结合的PMU异常数据初筛方法,避免了低强度扰动漏检和扰动的重复检测问题。接着,利用动态时间规整和最大互信息系数分别计算不同PMU间的时空相似性,以及同一台PMU内不同量测间的相关性,并以此作为表征扰动事件和不良数据差异的特征。最后,通过局部离群概率算法对得到的综合度量指标进行分析,可实现在含有不良数据场景下的扰动事件准确检测。基于IEEE39系统,实际电网模型以及PMU实测数据,验证所提方法具有较好准确性、实时性以及泛化能力。
文摘针对经验傅里叶分解(empirical Fourier decomposition,EFD)在分析电能质量扰动时,其频带分割不具自适应的问题,提出了一种改进的EFD方法。首先,利用分段3次Hermite插值提取扰动信号归一化频谱的极大值包络,然后再搜索该包络的极大值,并计算其动态测度,将动态测度大于设定阈值的频率作为扰动信号的特征频率,以相邻特征频率的中点作为扰动信号频带分割的边界;其次,对分割的频带进行快速傅里叶逆变换(inverse fast Fourier transform,IFFT),得到对应频带的解析傅里叶固有频带函数(analytic Fourier intrinsic band function,AFIBF);最后,对分解出的各AFIBF分量进行Hilbert变换,提取出其扰动参数。通过对模拟信号和实测数据的分析,验证了所提方法的正确性和有效性。