基于數據挖掘的電力系統調度異常檢測方法

中國石油集團電能有限公司熱電二公司 高曉春 邢海軍

1 引言

為了支撐新時代電網穩定運行，電力系統調度數據耦合性因素增加，此時數據故障和異常概率有所提升，原有的模型無法滿足需求，在此種背景下，明確核心要求和功能需求，提出更為先進的電力系統調度異常數據檢測方法成為必然，本文以現階段數據挖掘領域技術為核心，從技術角度和數據分析角度構建數據調度和調節模型具有現實意義。

2 電力系統調度異常數據特征分析

電力系統是保證各行各業電力需求的關鍵。調離系統調度過程中異常調度模型是協調、調節電力數據、維持系統正常運行的關鍵。發揮諧波抑制和振蕩性調節，保證電力系統閉環模型發揮優勢，實現對異常數據的特征分析和精確檢測[1]。

電壓穩態調節過程中，不同次數諧波并聯抑制使得控制階段和定子電壓動態監測模型發揮效用，在弱磁控制方法指引下，對電力系統各元器件的耦合特征進行分析，以數據量直觀化展現系統調節現狀，然后促使諧波振控器對電力系統進行耦合補償，以最大轉矩點六比為基礎，確保整體電力系統線路調度發揮作用。可以將其分為三部分，分別是應用層、控制層和數據層。通過諧波抑制、結合復雜均衡控制，在交換機和模擬器科學發揮作用基礎上，達成異常數據特征分析目的[2]。電力系統調度的三層體系結構如圖1所示。

圖1 電力系統調度的三層體系結構圖示

結合電力系統調度三層體系結構來看，在針對異常檢測時，可以通過公式明確各特征量，進而判斷整體系統調離調度情況。

第一，借助脈沖注入檢測方式可以獲取差異性特征量。檢測過程中借助如式（1）、式（2）。明確直流母線電壓。基于此，在借助變換器輸出電流比，結合不同變換器的1并聯特征，可以獲得特征檢測分量[3]。

式（1）、式（2）中，VDC為變換器下垂控制直流電壓；ω為下垂系數；t為時間動態參數；INF計算時取整數即可，xpi表示第i 臺變換器對應的線路阻抗；bi為電壓傳感分量；l為動態頻率參數；xijmax，xijmin分別代表最大采樣頻率，最小采樣頻率；x(t)表示視域下電壓電流聯合配置信號。

隨著電力系統運行，在復雜條件約束下，載波頻率和控制器直接存在聯系，此時電力調度綜合傳遞因素P 可以用P=[p1,p2,p3,...,pn]表示，其中。經過系統計算，最終可以得到聯合特征匹配結果符合

3 基于數據挖掘的電力系統調度異常檢測

3.1 電力調度異常數據采集

在研究基于數據挖掘的調度異常檢測方法時，精準識別異常數據是前提。因此，準確獲取異常數據特征成為重點。當前主要依據電力系統各組成元件之間耦合關系進行闡述。借助最大轉矩電流比特征。在此構建電力系統調度樣本抽取模型，發揮Mont-Carlo 隨機抽取方法優勢，保證采樣具備代表性，進而確保基于抽取樣本數據分析、檢測結構具有可信度，可以作為后續電力系統調度異常檢測的參考依據[4]。

基于構建的樣本抽取模型，以電力系統元器件故障為檢測核心，通過采集故障特征，進而確定電力系統調度異常特征量，然后發揮大數據挖掘技術優勢，挖掘異常特征分量，進而在故障發生條件下，基于實際工況，發揮電流諧波抑制補償和振蕩性補償調節，達成異常調度檢測。為了更為直觀闡述基于數據挖掘的電力系統調度異常檢測方法應用過程，在此以10臺直驅風機為基礎，發動機輸出功率端配置數字濾波器，便于采集相關數據，最終獲得電力調度系統MMC 系統主要參數[5]， 電力調度系統的MMC 系統參數總結見表1。

表1 電力調度系統的MMC 系統參數總結

基于表1相關數據，便可以構建電力調度異常特征分析模型，以最大功率跟蹤控制方法為基礎，便可以通過采集電力系統元器件相關參數，確定電力調度特征，從而為后續優化和提出更為先進的檢測方法奠定基礎。

3.2 異常數據挖掘

結合文章分析，獲得基于電壓和電流聯合檢測模型函數：

式中，Uf代表電壓的高頻紋波值；if代表電流的高頻紋波值，ω代表開關周期頻譜；t表示周期性參數，U、i分別為最大穩定電壓及穩定電流；f代表母線采樣頻率參數。基于式（3）可以更好挖掘異常特征量，從而輔助判斷電力系統調度故障等情況。

電力系統異常數據挖掘之后，需要對采集的數據進行整理，便于后續分析，此時借助有限信息融合法，對獲取的各項異常參數進行整合，然后借助式（4）轉換為輸出能量檢測統計特征量。

式中，Ci、rn分別代表直流調配的變流器數量和下垂控制的頻率特征量。基于式（4）組成電力調度智能統計分析模型，可以對采集的異常情況進行補償調節，這對于科學應對電力系統調度異常情況極為有利。

4 仿真測試

為了驗證文章提出的檢測方法實用價值和技術可行性，在此借助RT-LAB 系統模擬實際工作環境，在虛擬環境中驗證提出的電力系統調度異常檢測方法具體應用價值。

4.1 仿真環境及數據

借助RT-LAB 系統，模擬電力系統運行情況，設定載波頻率為2kHz，最大工作頻率為6.3mH。負載等效電阻為40Ω，母線電容為5000μF。借助仿真環境獲取電力調度系統的試驗參數見表2。

表2 試驗各項參數設定總結表

4.2 仿真研究結果分析

結合表2各參數數據，和仿真環境模擬情況，進行電力系統調度異常檢測，最終發現，本文提出的檢測方法在仿真平臺上應用時，可以準確展示電力系統調度異常檢測輸出波峰，且可以有效分辨故障，對系統各構成元器件工況特征有較為直觀的分析。

目前最常見的檢測方法如下。方法一是基于物聯網的電力系統調度數據自動采集檢測方法，該方法與聯合特征方法融合應用，可以發揮檢測電力系統調度異常目的，其主要通過采集主成分特征量，然后借助物聯網感知層，實現數據采集優化，最終進行檢測。方法二是基于數據驅動的電力調度智能告警及系統設計方法，主要借助現代化智能技術，實現電力系統智能化管理，進而以直流電壓最大波動為依據，作出判斷，明確是否發生故障，并自動示警，對系統進行優化。兩種方法各有不足，方法一精度較差，方法二計算較為復雜，穩定性難以保證。

基于此，將本文提出的檢測方法與仿真測試方法進行比較分析，本文提出的檢測方法精度最高達到98.5%，相比較現階段已有的兩種方法，方法一檢測精度為80.3%，方法二檢測精度為79.8%，相比較而言，本文提出的方法更為先進科學。

5 結語

本文基于電力系統實際情況，結合現代化技術發展情況，基于數據挖掘技術，提出一種更為先進的電力系統調度異常檢測方法，借助電流諧波振動，采集特征數據參數，從而實現異常情況精確管控，針對性提出對應方案，有效解決出現的異常情況。經過仿真分析，本文提出的檢測方法相比較傳統的兩種常用方法在精度方面更具有優勢，最高可達到98.5%，科學應用這一檢測方法，對保證我國電力系統穩定運行有積極作用。