基于数据挖掘的电力系统调度异常检测方法

中国石油集团电能有限公司热电二公司 高晓春 邢海军

1 引言

为了支撑新时代电网稳定运行，电力系统调度数据耦合性因素增加，此时数据故障和异常概率有所提升，原有的模型无法满足需求，在此种背景下，明确核心要求和功能需求，提出更为先进的电力系统调度异常数据检测方法成为必然，本文以现阶段数据挖掘领域技术为核心，从技术角度和数据分析角度构建数据调度和调节模型具有现实意义。

2 电力系统调度异常数据特征分析

电力系统是保证各行各业电力需求的关键。调离系统调度过程中异常调度模型是协调、调节电力数据、维持系统正常运行的关键。发挥谐波抑制和振荡性调节，保证电力系统闭环模型发挥优势，实现对异常数据的特征分析和精确检测[1]。

电压稳态调节过程中，不同次数谐波并联抑制使得控制阶段和定子电压动态监测模型发挥效用，在弱磁控制方法指引下，对电力系统各元器件的耦合特征进行分析，以数据量直观化展现系统调节现状，然后促使谐波振控器对电力系统进行耦合补偿，以最大转矩点六比为基础，确保整体电力系统线路调度发挥作用。可以将其分为三部分，分别是应用层、控制层和数据层。通过谐波抑制、结合复杂均衡控制，在交换机和模拟器科学发挥作用基础上，达成异常数据特征分析目的[2]。电力系统调度的三层体系结构如图1所示。

图1 电力系统调度的三层体系结构图示

结合电力系统调度三层体系结构来看，在针对异常检测时，可以通过公式明确各特征量，进而判断整体系统调离调度情况。

第一，借助脉冲注入检测方式可以获取差异性特征量。检测过程中借助如式（1）、式（2）。明确直流母线电压。基于此，在借助变换器输出电流比，结合不同变换器的1并联特征，可以获得特征检测分量[3]。

式（1）、式（2）中，VDC为变换器下垂控制直流电压；ω为下垂系数；t为时间动态参数；INF计算时取整数即可，xpi表示第i 台变换器对应的线路阻抗；bi为电压传感分量；l为动态频率参数；xijmax，xijmin分别代表最大采样频率，最小采样频率；x(t)表示视域下电压电流联合配置信号。

随着电力系统运行，在复杂条件约束下，载波频率和控制器直接存在联系，此时电力调度综合传递因素P 可以用P=[p1,p2,p3,...,pn]表示，其中。经过系统计算，最终可以得到联合特征匹配结果符合

3 基于数据挖掘的电力系统调度异常检测

3.1 电力调度异常数据采集

在研究基于数据挖掘的调度异常检测方法时，精准识别异常数据是前提。因此，准确获取异常数据特征成为重点。当前主要依据电力系统各组成元件之间耦合关系进行阐述。借助最大转矩电流比特征。在此构建电力系统调度样本抽取模型，发挥Mont-Carlo 随机抽取方法优势，保证采样具备代表性，进而确保基于抽取样本数据分析、检测结构具有可信度，可以作为后续电力系统调度异常检测的参考依据[4]。

基于构建的样本抽取模型，以电力系统元器件故障为检测核心，通过采集故障特征，进而确定电力系统调度异常特征量，然后发挥大数据挖掘技术优势，挖掘异常特征分量，进而在故障发生条件下，基于实际工况，发挥电流谐波抑制补偿和振荡性补偿调节，达成异常调度检测。为了更为直观阐述基于数据挖掘的电力系统调度异常检测方法应用过程，在此以10台直驱风机为基础，发动机输出功率端配置数字滤波器，便于采集相关数据，最终获得电力调度系统MMC 系统主要参数[5]， 电力调度系统的MMC 系统参数总结见表1。

表1 电力调度系统的MMC 系统参数总结

基于表1相关数据，便可以构建电力调度异常特征分析模型，以最大功率跟踪控制方法为基础，便可以通过采集电力系统元器件相关参数，确定电力调度特征，从而为后续优化和提出更为先进的检测方法奠定基础。

3.2 异常数据挖掘

结合文章分析，获得基于电压和电流联合检测模型函数：

式中，Uf代表电压的高频纹波值；if代表电流的高频纹波值，ω代表开关周期频谱；t表示周期性参数，U、i分别为最大稳定电压及稳定电流；f代表母线采样频率参数。基于式（3）可以更好挖掘异常特征量，从而辅助判断电力系统调度故障等情况。

电力系统异常数据挖掘之后，需要对采集的数据进行整理，便于后续分析，此时借助有限信息融合法，对获取的各项异常参数进行整合，然后借助式（4）转换为输出能量检测统计特征量。

式中，Ci、rn分别代表直流调配的变流器数量和下垂控制的频率特征量。基于式（4）组成电力调度智能统计分析模型，可以对采集的异常情况进行补偿调节，这对于科学应对电力系统调度异常情况极为有利。

4 仿真测试

为了验证文章提出的检测方法实用价值和技术可行性，在此借助RT-LAB 系统模拟实际工作环境，在虚拟环境中验证提出的电力系统调度异常检测方法具体应用价值。

4.1 仿真环境及数据

借助RT-LAB 系统，模拟电力系统运行情况，设定载波频率为2kHz，最大工作频率为6.3mH。负载等效电阻为40Ω，母线电容为5000μF。借助仿真环境获取电力调度系统的试验参数见表2。

表2 试验各项参数设定总结表

4.2 仿真研究结果分析

结合表2各参数数据，和仿真环境模拟情况，进行电力系统调度异常检测，最终发现，本文提出的检测方法在仿真平台上应用时，可以准确展示电力系统调度异常检测输出波峰，且可以有效分辨故障，对系统各构成元器件工况特征有较为直观的分析。

目前最常见的检测方法如下。方法一是基于物联网的电力系统调度数据自动采集检测方法，该方法与联合特征方法融合应用，可以发挥检测电力系统调度异常目的，其主要通过采集主成分特征量，然后借助物联网感知层，实现数据采集优化，最终进行检测。方法二是基于数据驱动的电力调度智能告警及系统设计方法，主要借助现代化智能技术，实现电力系统智能化管理，进而以直流电压最大波动为依据，作出判断，明确是否发生故障，并自动示警，对系统进行优化。两种方法各有不足，方法一精度较差，方法二计算较为复杂，稳定性难以保证。

基于此，将本文提出的检测方法与仿真测试方法进行比较分析，本文提出的检测方法精度最高达到98.5%，相比较现阶段已有的两种方法，方法一检测精度为80.3%，方法二检测精度为79.8%，相比较而言，本文提出的方法更为先进科学。

5 结语

本文基于电力系统实际情况，结合现代化技术发展情况，基于数据挖掘技术，提出一种更为先进的电力系统调度异常检测方法，借助电流谐波振动，采集特征数据参数，从而实现异常情况精确管控，针对性提出对应方案，有效解决出现的异常情况。经过仿真分析，本文提出的检测方法相比较传统的两种常用方法在精度方面更具有优势，最高可达到98.5%，科学应用这一检测方法，对保证我国电力系统稳定运行有积极作用。