基于高维随机矩阵分析的窃电识别方法

窃电检查是用电检查的重点和难点。本文基于大数据理论,以电网运行采集参数为元素构建了高维随机矩阵,通过对矩阵的统计特性进行刻画,提出基于大数据分析的窃电识别方法,解决了传统窃电检查方法耗费人力大,时效性差,判断不精准的问题,从而实现了高效反窃电。文章以33节点电网运行模型为例,根据仿真采集到的电网随时间变化的电压电流等运行参数实现了对窃电发生判别、窃电发生时间确定、窃电地点的精确定位、窃电类型的判别。

基于MESCM算法的电网异常状态检测改进方法

为了提高现有电网异常状态检测方法的计算效率,扩大其应用范围,基于样本协方差矩阵最大特征值(maximum eigenvalue of sample covariance matrix,MESCM)算法,提出一种改进算法。该算法基于随机矩阵理论,以标准M-P律的上确值作为样本协方差矩阵特征值的阈值,并引进动态的异常状态检测阈值,实现对不同信噪比环境下电网异常状态的检测分析。案例分析以IEEE 39节点网络和一个实际的高压直流输电系统为模型,通过设置短路故障,将改进MESCM算法与平均谱半径(mean spectral radius,MSR)算法和传统MESCM算法进行对比分析。结果表明,相较于MSR和MESCM算法,改进MESCM算法具有计算速度快、抗干扰能力强和普适性高的优势。

基于高维随机矩阵理论的故障选线及定位方法

大数据理论的不断发展为解决配电网的故障精准选线定位难题提供了解决思路。基于目前的高维随机理论,提出了一种新的故障选线定位方法。该方法将零序电流和零序电压信号分别按照一定规律形成高维随机矩阵,比较了特征值概率密度函数与M-P律曲线的重合度,并分析了奇异值点在复平面上的分布,以M-P律和单环定理作为双重判据进行故障选线和故障定位。该方法弥补了MEEMD能量算法不能精准确定故障点的缺陷,仿真实验证明了该方法在故障选线、定位上具有很高的精准度,计算过程也更为简单。