一种基于同步相量测量的无监督电力系统扰动识别方法

1.本发明涉及同步相量测量应用技术领域，尤其涉及一种基于同步相量测量的无监督电力系统扰动识别方法。


背景技术：

2.在新型电力系统的发展背景下，高比例可再生能源和高比例电力电子设备接入的特征将使电力系统的动态行为更加复杂多变，电网的安全问题面临挑战。识别扰动对于快速判断扰动类型和传播行为以确保电网的安全运行举足轻重。广域测量系统是指由同步相量测量单元构成的新一代电网动态监测和控制系统，同步相量测量单元源源不断的为准确地扰动识别与稳定控制提供了实时数据基础，将该类装置统称为同步相量测量装置(smd)。
3.随着系统规模复杂性的增加，数据驱动的扰动识别方法相比较模型驱动方法展现出了显著的优势，目前基于同步相量测量的数据驱动电力系统扰动识别已被广泛研究。特征提取为数据驱动扰动识别方法的重要步骤，现有技术均为有监督的特征提取方法，需要基于经验构造的人工特征或基于标签的深度学习，此类有监督的学习方法对经验数据需求量大，而所需标签工作因复杂度高、人工量大，难以开展，导致上述研究在数据驱动扰动识别发展的初始阶段实用性低，成熟的应用较少。同时，在“双高”电力系统背景下，电力系统的扰动类型与传统类型出现差异，扰动事件的不频繁性、非计划性、强不可预知性使得扰动发生前往往无法得知具体何种特征需要被识别。传统方法对特定事件具有针对性，但对不可预知的事件识别能力较差，现有技术中鲜有无需经验的数据驱动无监督扰动的识别方案。


技术实现要素：

4.本发明的目的是提供一种基于同步相量测量的无监督电力系统扰动识别方法，该方法可用于无标签或少标签情形的扰动识别，能对电力系统扰动进行准确识别，从而监控电力系统的电能质量问题，并对潜在配网故障进行预警。
5.本发明的目的是通过以下技术方案实现的：
6.一种基于同步相量测量的无监督电力系统扰动识别方法，所述方法包括：
7.步骤1、首先获取待处理电力系统的同步相量测量数据，包括频率、电压幅值和电压相角，并对频率、电压幅值和电压相角进行归一化处理，作为后续模型的输入；
8.步骤2、构建长短时时间序列生成对抗网络lst-timegan模型，使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取；
9.步骤3、依据步骤2中模型的输出，结合事件的电气量和时间窗特征进行扰动预分类；其中，具体包括切机、切负荷、短路和断路这四种传统扰动事件，以及未知类型的新型事件和电能质量问题；
10.步骤4、使用lightgbm分类器对预分类的事件大类进行聚类再识别，实现扰动的识别分类。
11.由上述本发明提供的技术方案可以看出，上述方法可用于无标签或少标签情形的扰动识别，能对电力系统扰动进行准确识别，从而监控电力系统的电能质量问题，并对潜在配网故障进行预警。
附图说明
12.为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域的普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他附图。
13.图1为本发明实施例提供的基于同步相量测量的无监督电力系统扰动识别方法流程示意图；
14.图2为本发明实施例所述lst-timegan模型的架构示意图；
15.图3为本发明实施例提供的基于lst-timegan的扰动事件的特征提取过程示意图；
16.图4为本发明实施例案例一扰动发生时各节点量测的频率和电压相角、幅值的smd-l现场数据示意图；
17.图5为本发明实施例案例二扰动发生时各节点量测的频率和电压相角、幅值的smd-l现场数据示意图；
18.图6为本发明实施例案例三各节点量测的频率和电压相角、幅值的smd-l现场数据示意图；
19.图7为本发明实施例案例四扰动发生时各节点量测的频率和电压相角、幅值的smd-l现场数据示意图；
20.图8为本发明实施例所述电能质量问题的smd-l现场量测电压幅值数据示意图。
具体实施方式
21.下面结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例，这并不构成对本发明的限制。基于本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明的保护范围。
22.如图1所示为本发明实施例提供的基于同步相量测量的无监督电力系统扰动识别方法流程示意图，所述方法包括：
23.步骤1、首先获取待处理电力系统的同步相量测量数据，包括频率、电压幅值和电压相角，并对频率、电压幅值和电压相角进行归一化处理，作为后续模型的输入；
24.在该步骤中，对所获取的频率f、电压幅值u进行归一化预处理得到输入对电压相角φ以统一基准进行偏移得到相对相角后，再进行归一化处理得到输入
25.设频率f、电压幅值u、电压相角φ归一化前为x，则归一化公式表示为：
[0026][0027]
其中，为第i个样本数据归一化后的数值；x
max
和x
min
分别表示样本数据中的最大
值和最小值；
[0028]
考虑到每组同步相量测量数据在电力系统稳态(准稳态)条件下包含两类特征，即静态特征与动态特征。静态特征是指对于空间的固定属性，如单一pmu所处量测点位置、环境等对量测数据的静态影响等；动态特征指随着时间变化的属性，如季节，早晚用电高峰等对量测数据的动态影响等。故定义和χ分别为表征输入的静态和动态特征的向量空间，用和x∈χ分别代表所述向量空间内的静态、动态向量；
[0029]
设(s,x
1：t
)服从向量空间内的联合分布p，其中t代表时间序列长度；若sn和xn代表向量s和x中的元素，且n∈{1,
…
,n}，则训练集表示为
[0030]
步骤2、构建长短时时间序列生成对抗网络(long-short term time-series generative adversarial networks，lst-timegan)模型，使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取；
[0031]
在该步骤中，如图2所示为本发明实施例所述lst-timegan模型的架构示意图，所构建的长短时时间序列生成对抗网络lst-timegan模型包括编码器、解码器、生成器和判别器，都由含3个隐藏层的神经网络构建成，隐藏层的节点数均为24，每轮处理128个样本；所述生成器的最后一层为新一代的循环神经网络gru(gated recurrent unit)；所述判别器的最后一层为双向lstm(bi-directional long short-term memory，bilstm)；以上两者都是lstm的变体，其中gru将lstm的忘记门和输入门合成了一个单一的更新门的同时混合了细胞状态和隐藏状态，其模型比标准的lstm模型要简单和计算速度快，而bilstm由两个单独的两个方向相反的lstm组合合成，这使得判别器的输出向量不仅和之前的同步相量测量时序状态有关，还和后序的时序序列状态有关；
[0032]
除所述判别器最后一层为基于最小二乘损失函数的直接映射外，lst-timegan模型所用激活函数均为leakyrelu，其形式表示为：
[0033][0034]
其中，x代表leakyrelu函数的输入；a为leakyrelu函数的斜率，取值为0.01，该函数在调整负值零梯度问题的同时放大了值域；
[0035]
使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取的过程为：
[0036]
(1)以缩放点积注意力机制优化时空间特征提取
[0037]
将各真实输入矩阵作为键序列，用k表示；生成器的随机输入矩阵作为查询序列，用q表示；f为q中元素对k中每个元素的映射；则各生成器随机输入的注意力被描述为键序列在查询上的映射，因查询和键长度相同，为降低计算代价，使用缩放点积模型评估k与q的相似度为：
[0038][0039]
其中，s代表基于相似度的注意力得分；dk代表k的维度；该式可以看作是在计算真实同步相量测量矩阵和现有生成器的输入矩阵中数据分布相关程度的矩阵；
[0040]
使用softmax函数对注意力得分s做多类归一化，得到注意力汇集公式为：
[0041][0042]
其中，a代表注意力权重系数矩阵；将注意力权重系数矩阵a和随机输入矩阵q加权作为注意力输出，成为新的生成器随机输入序列qa，其定义为：
[0043]
αttention(qa)＝αq
[0044]
通过在随机输入矩阵q中乘以缩放点积得出的权重系数以评估不同测量装置的通过在随机输入矩阵q中乘以缩放点积得出的权重系数以评估不同测量装置的输入对注意力矩阵数据差异的贡献，即可分辨随机输入矩阵q中不同测量装置的信息对于attention(qa)数据差异化的贡献程度，使生成器的随机生成有所侧重，从而实现多点位测量装置数据的特征提取；
[0045]
(2)基于最小二乘的决策损失函数使输出含有距离特征，并能够表征数据异常程度
[0046]
决策损失函数对于生成器神经网络的梯度反馈，以及判别器分数的输出都至关重要，本发明的电力系统扰动识别方法需要决策损失函数能够反映各扰动事件的异常程度，从而为无监督特征提取提供数据基础。
[0047]
基于最小二乘损失函数将对数损失改进后得到如下公式：
[0048][0049]
其中，第一项期望代表y、y
t
与1的最小二乘距离；y
t
为判别器对真实数据静、动态部分的分类结果；第二项期望代表和与0的最小二乘距离；与为判别器对生成器生成的静、动态数据的分类结果；该公式以最小二乘损失衡量生成模型与真实序列的差异；
[0050]
此外，以l
′u作为损失函数时，判别器的最后一层将不再使用sigmoid激活层，而是直接使用线性映射将输出映射至[0,1]；
[0051]
具体实现中，与sigmoid交叉熵损失函数仅仅关注分类相比，最小二乘损失函数在能够分辨正常和异常的基础上，其损失函数的输出还能够反应异常数据偏离正常状况的距离，使得输出的向量能够准确反应异常的程度，以该数值作为特征能为准确分类提供基础，在对决策损失函数基于最小二乘进行改进、对生成器的随机输入基于缩放点积注意力进行改进。
[0052]
(3)构造长时、短时、超短时三窗架构，利用不同种类扰动对不同长度时窗的敏感性，对扰动进行无监督特征的提取
[0053]
长时timegan以24h为周期的多维同步测量数据长期时序特征，将扰动特征提取的时间窗设置为5min；
[0054]
短时timegan以60min为周期学习前序同步相量测量数据的正常波动特性，将扰动特征提取的时间窗设置为1min；
[0055]
超短时timegan以1min为周期的同步相量测量数据的正常冲激特征来判断当前时间窗是否出现非正常冲激信号，设置超短时扰动特征提取时间窗为1s；
[0056]
如图3所示为本发明实施例提供的基于lst-timegan的扰动事件的特征提取过程
示意图，共有9个timegan模型，即[长时、短时、超短时]*[频率f、电压幅值u和电压相角φ]个模型被训练，输出9组判别器分数向量；
[0057]
其中，如果任意分数向量或多个分数向量的得分不够接近全局最优，则判断窗口出现了扰动事件，并将决策损失函数的输出值作为数据异常的分数；再通过对包含事件窗口的滚动打分得到一组判别器分数向量，该分数向量代表窗口异常程度随时间的变化；提取从事件开始到事件结束的分数向量作为后续对事件分类的数据基础。
[0058]
步骤3、依据步骤2中模型的输出，结合事件的电气量和时间窗特征进行扰动预分类；其中，具体包括切机、切负荷、短路和断路这四种传统扰动事件，以及未知类型的新型事件和电能质量问题；
[0059]
在该步骤中，具体是根据频率、相角变化的时间尺度特性和斜率特性初步区分包含切机、切负荷、短路和断路这四种传统扰动事件；其中，在输电网未发生扰动时，识别出的异常考虑为对输电网无显著影响的、仅对所在配网的电能质量产生影响的本地扰动；
[0060]
首先，通过频率量在不同时间尺度窗口的异常能分别区分慢扰动和快扰动；其中，慢扰动包括切机和切负荷两种；快扰动包括短路和断路两种；
[0061]
通过切机频率变化斜率大于0，切负荷频率变化斜率小于0，能区分两种慢扰动；
[0062]
通过短路和跳闸事件的电压相角异常时窗特征的不同，能区分两种快扰动，其中：
[0063]
跳闸事件通常由事件发生后立刻切除线路导致，恢复较快，对电压相角的影响小于20s，仅在超短时特征中表现异常；短路事件对电压相角的影响时间较长，除在超短时特征中会出现异常外，在短时特征中也会检测出异常；
[0064]
除上述事件之外的频率、相角异常记为输电网未知类型的新型事件，将在后续进行再识别；
[0065]
输电网未出现异常的情况下，若电压幅值出现异常，则判断为本地配网的电能质量问题。
[0066]
各大类扰动异常特征汇总见下表1所示：
[0067]
表1各大类扰动对应的异常特征汇总
[0068][0069][0070]
表1中es、s、l分别代表超短时、短时、长时特征量；“异常”代表所对应特征出现异
常；“正常”代表该特征未识别出异常；“/”代表非分类的必要特征依据，可为任意值。
[0071]
步骤4、使用lightgbm分类器对预分类的事件大类进行聚类再识别，实现扰动的识别分类。
[0072]
在该步骤中，在分类框架初步确认了事件所属的大类后，需要进一步对事件特征和其大类的正确事件信息加以利用以提高分类精确性，具体是以所构建模型中的判别器分数向量作为特征向量，使用lightgbm分类器和已有的大类信息对已初步分类的事件进行再聚类，所述lightgbm分类器基于相似性度量，通过数据本身的分布性质为数据完成标签工作；其中，由于所述特征向量能够反应事件在各时间窗尺度中的严重程度，所述lightgbm分类器以此为基础进行分类，将已有的大类信息内事件严重程度和电气量变化特性均相似的事件划分进同一小类。
[0073]
具体实现中，在各个大类下自动聚小类可有效减少依据经验打标签的工作量，该分类方法具有灵活性，在自动分类前甚至无法预测分类器会将事件分为几类，以及将以何种特征进行分类，通过能自动增加组别的聚类可以将具有相似特性的事件聚于同一小类，便于后续的研究分析。
[0074]
值得注意的是，本发明实施例中未作详细描述的内容属于本领域专业技术人员公知的现有技术。
[0075]
为说明本发明实施例所提方法的有效性，下面以具体的实例进行如下仿真测试：
[0076]
本实例使用digsilent仿真软件对ieee 39节点系统的正常运行和发生扰动事件两种类型的状态进行了仿真，构造了含有正常运行状态和6种输电网侧扰动的数据集，该数据集仿照真实电力系统的正常数据和扰动比例随机构造时间序列同步相量测量数据，并施加60db的环境噪声。以10：1的比例构造训练集和测试集，仿真步长依照同步测量装置的采样率设置为0.02s，仿真生成了600个扰动事件，每种事件100个，各扰动的仿真方式见下表2所示：
[0077]
表2不同扰动的仿真方法
[0078][0079]
为证明所提方法能满足辨识算法的实时性需求，在计算机上进行扰动识别，该方法辨识所用平均时间为40.67ms。
[0080]
为验证所提timegan模型得出的判别器分数向量在lightgbm分类器下对各事件的区分度，将各扰动事件提取的判别器分数向量的特征投影到同一二维平面上，所提方法提取的各类扰动的判别器分数向量具有区分度，其中的切负荷事件能够与其它扰动事件进行较准确的划分，投负荷与切机两类事件由于都有功率缺额导致电力系统频率变化的相似过程，故两者的特征具有相似性；三相短路、单相短路和跳闸三类事件都属于快速动态事件，也就是说扰动事件特征均在较短时间窗表征，所提取特征具有一定相似性。在无标签的特征提取场景中能够将上述具有类内相似性的事件进行特征区分，达到了模型预期的扰动识别效果。
[0081]
依照所提方法进行扰动识别后，识别出传统输电网扰动共12次，未知事件1次；其中，传统输电网扰动含切机事件1次，切负荷事件2次，短路事件1次，跳闸事件7次，未知事件1次，据专家经验判断该未知事件为一起频率振荡事件。另外，还识别到配网含本地电能质量事件124次。识别结果已得到验证，事件统计见下表3所示：
[0082]
表3所识别事件分类结果统计
[0083][0084][0085]
案例一：以某日华北电网发生的一起切机事件为例，功率总共降低70万kw，扰动发生时各节点量测的频率和电压相角、幅值的smd-l现场数据如图4所示。
[0086]
针对该事件，本技术的lst-gan判别器分数向量的均值见下表4(该分数由包含完整事件数据的判别器分数向量取平均值而得，该分数介于0到1之间，分数大于0.5则判断该时序向量出现异常)
[0087]
表4案例一的lst-gan判别器分数向量均值异常检测结果
[0088][0089]
以所提扰动识别预分类方法判断该事件属于切机事件。
[0090]
案例二：以某日华北电网发生的一起切负荷事件为例，扰动发生时各节点量测的频率和电压相角、幅值的smd-l现场数据如图5所示。
[0091]
该事件的lst-gan判别器分数向量的均值见表5。
[0092]
表5案例二的lst-gan判别器分数向量均值异常检测结果
[0093][0094]
根据预分类框架判断该事件属于切负荷事件；并确认该切负荷事件与另一切负荷事件的事件特征具有极高特征相似性，故确认两个事件隶属于一个小类，并同属于切负荷事件大类。
[0095]
案例三：以某日华北电网发生的断路器跳闸事件为例，各节点量测的频率和电压相角、幅值的smd-l现场数据如图6所示，该事件的lst-gan判别器分数向量的均值如表6所示。
[0096]
表6案例三的lst-gan判别器分数向量均值异常检测结果
[0097][0098]
根据预分类框架判断该事件属于跳闸事件。
[0099]
案例四：以某日华北电网发生的一起频率振荡事件为例，扰动发生时各节点量测的频率和电压相角、幅值的smd-l现场数据如图7所示。该事件的lst-gan判别器分数向量的均值见表7。
[0100]
表7案例四的lst-gan判别器分数向量均值异常检测结果
[0101][0102]
该事件的短时频率、相角和幅值时序向量均出现非正常特征，且频率无大幅度爬升，以所提预分类框架算法判断该事件属于非传统输电网事件。
[0103]
上述案例来自于由所提方法识别出的smd-l所在配网电能质量问题案例，虽然只根据稀疏点位smd-l数据无法对具体事件细节进行确认，但本方法可以对smd-l所处配网的电能质量问题进行一定程度的监控，有对潜在配网故障进行预警。
[0104]
所识别的电能质量问题在lightgbm分类器自动聚类后被分为7个小类，分别为电压骤升、电压骤降、电压暂升、电压暂降、电压中断、电压振荡和未知类型问题。其中前6类电能质量问题的smd-l现场量测电压幅值数据分别如图8中的(a)、(b)、(c)、(d)、(e)和(f)的案例所示，配网电能质量问题聚类汇总统计结果见表8。
[0105]
表8所识别配网事件分类结果统计
[0106][0107][0108]
另外，本领域普通技术人员可以理解实现上述实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件完成，相应的程序可以存储于一种计算机可读存储介质中，上述提到的存储介质可以是只读存储器，磁盘或光盘等。
[0109]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明披露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求书的保护范围为准。本文背景技术部分公开的信息仅仅旨在加深对本发明的总体背景技术的理解，而不应当被视为承认或以任何形式暗示该信息构成已为本领域技术人员所公知的现有技术。

技术特征：
1.一种基于同步相量测量的无监督电力系统扰动识别方法，其特征在于，所述方法包括：步骤1、首先获取待处理电力系统的同步相量测量数据，包括频率、电压幅值和电压相角，并对频率、电压幅值和电压相角进行归一化处理，作为后续模型的输入；步骤2、构建长短时时间序列生成对抗网络lst-timegan模型，使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取；步骤3、依据步骤2中模型的输出，结合事件的电气量和时间窗特征进行扰动预分类；其中，具体包括切机、切负荷、短路和断路这四种传统扰动事件，以及未知类型的新型事件和电能质量问题；步骤4、使用lightgbm分类器对预分类的事件大类进行聚类再识别，实现扰动的识别分类。2.根据权利要求1所述基于同步相量测量的无监督电力系统扰动识别方法，其特征在于，在步骤1中，对所获取的频率f、电压幅值u进行归一化预处理得到输入对电压相角φ以统一基准进行偏移得到相对相角后，再进行归一化处理得到输入设频率f、电压幅值u、电压相角φ归一化前为x，则归一化公式表示为：其中，为第i个样本数据归一化后的数值；x
max
和x
min
分别表示样本数据中的最大值和最小值；定义和χ分别为表征输入的静态和动态特征的向量空间，用和x∈χ分别代表所述向量空间内的静态、动态向量；设(s,x
1：t
)服从向量空间内的联合分布p，其中t代表时间序列长度；若s
n
和x
n
代表向量s和x中的元素，且n∈{1,
…
,n}，则训练集表示为3.根据权利要求1所述基于同步相量测量的无监督电力系统扰动识别方法，其特征在于，在步骤2中，所构建的长短时时间序列生成对抗网络lst-timegan模型包括编码器、解码器、生成器和判别器，都由含3个隐藏层的神经网络构建成，隐藏层的节点数均为24，每轮处理128个样本；所述生成器的最后一层为新一代的循环神经网络gru；所述判别器的最后一层为双向lstm；除所述判别器最后一层为基于最小二乘损失函数的直接映射外，lst-timegan模型所用激活函数均为leakyrelu，其形式表示为：其中，x代表leakyrelu函数的输入；a为leakyrelu函数的斜率，取值为0.01；使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取的过程为：(1)以缩放点积注意力机制优化时空间特征提取将各真实输入矩阵作为键序列，用k表示；生成器的随机输入矩阵作为查询序列，用q表
示；f为q中元素对k中每个元素的映射；则各生成器随机输入的注意力被描述为键序列在查询上的映射，因查询和键长度相同，为降低计算代价，使用缩放点积模型评估k与q的相似度为：其中，s代表基于相似度的注意力得分；d
k
代表k的维度；使用softmax函数对注意力得分s做多类归一化，得到注意力汇集公式为：其中，a代表注意力权重系数矩阵；将注意力权重系数矩阵a和随机输入矩阵q加权作为注意力输出，成为新的生成器随机输入序列q
a
，其定义为：αttention(q
a
)＝αq(2)基于最小二乘的决策损失函数使输出含有距离特征，并能够表征数据异常程度基于最小二乘损失函数将对数损失改进后得到如下公式：其中，第一项期望代表y、y
t
与1的最小二乘距离；y
t
为判别器对真实数据静、动态部分的分类结果；第二项期望代表和与0的最小二乘距离；与为判别器对生成器生成的静、动态数据的分类结果；该公式以最小二乘损失衡量生成模型与真实序列的差异；此外，以l
′
u
作为损失函数时，判别器的最后一层将不再使用sigmoid激活层，而是直接使用线性映射将输出映射至[0,1]；(3)构造长时、短时、超短时三窗架构，利用不同种类扰动对不同长度时窗的敏感性，对扰动进行无监督特征的提取长时timegan以24h为周期的多维同步测量数据长期时序特征，将扰动特征提取的时间窗设置为5min；短时timegan以60min为周期学习前序同步相量测量数据的正常波动特性，将扰动特征提取的时间窗设置为1min；超短时timegan以1min为周期的同步相量测量数据的正常冲激特征来判断当前时间窗是否出现非正常冲激信号，设置超短时扰动特征提取时间窗为1s；共有9个timegan模型，即[长时、短时、超短时]*[频率f、电压幅值u和电压相角φ]个模型被训练，输出9组判别器分数向量；其中，如果任意分数向量或多个分数向量的得分不够接近全局最优，则判断窗口出现了扰动事件，并将决策损失函数的输出值作为数据异常的分数；再通过对包含事件窗口的滚动打分得到一组判别器分数向量，该分数向量代表窗口异常程度随时间的变化；提取从事件开始到事件结束的分数向量作为后续对事件分类的数据基础。4.根据权利要求1所述基于同步相量测量的无监督电力系统扰动识别方法，其特征在于，在步骤3中，具体是根据频率、相角变化的时间尺度特性和斜率特性初步区分包含切机、
切负荷、短路和断路这四种传统扰动事件；首先，通过频率量在不同时间尺度窗口的异常能分别区分慢扰动和快扰动；其中，慢扰动包括切机和切负荷两种；快扰动包括短路和断路两种；通过切机频率变化斜率大于0，切负荷频率变化斜率小于0，能区分两种慢扰动；通过短路和跳闸事件的电压相角异常时窗特征的不同，能区分两种快扰动，其中：跳闸事件通常由事件发生后立刻切除线路导致，恢复较快，对电压相角的影响小于20s，仅在超短时特征中表现异常；短路事件对电压相角的影响时间较长，除在超短时特征中会出现异常外，在短时特征中也会检测出异常；除上述事件之外的频率、相角异常记为输电网未知类型的新型事件，将在后续进行再识别；输电网未出现异常的情况下，若电压幅值出现异常，则判断为本地配网的电能质量问题。5.根据权利要求1所述基于同步相量测量的无监督电力系统扰动识别方法，其特征在于，在步骤4中，以所构建模型中的判别器分数向量作为特征向量，使用lightgbm分类器和已有的大类信息对已初步分类的事件进行再聚类；所述lightgbm分类器基于相似性度量，通过数据本身的分布性质为数据完成标签工作；其中，由于所述特征向量能够反应事件在各时间窗尺度中的严重程度，所述lightgbm分类器以此为基础进行分类，将已有的大类信息内事件严重程度和电气量变化特性均相似的事件划分进同一小类。

技术总结
本发明公开了一种基于同步相量测量的无监督电力系统扰动识别方法，首先获取待处理电力系统的同步相量测量数据，包括频率、电压幅值和电压相角，并对频率、电压幅值和电压相角进行归一化处理，作为后续模型的输入；构建长短时时间序列生成对抗网络LST-TimeGAN模型，使用所构建的模型进行长时、短时、超短时时间窗的非事件特征提取；依据模型的输出，结合事件的电气量和时间窗特征进行扰动预分类；使用LightGBM算法对预分类的事件大类进行聚类再识别，实现扰动的识别分类。上述方法可用于无标签或少标签情形的扰动识别，能对电力系统扰动进行准确识别，从而监控电力系统的电能质量问题，并对潜在配网故障进行预警。并对潜在配网故障进行预警。并对潜在配网故障进行预警。


技术研发人员：毕天姝 陈徵粼 刘灏
受保护的技术使用者：华北电力大学
技术研发日：2023.05.04
技术公布日：2023/8/1