基于錄波大數據異常檢測的發(fā)電機組次同步風險評估方法
【技術領域】
[0001] 本發(fā)明屬于電力系統穩(wěn)定與控制技術領域，具體設及一種基于錄波大數據異常檢 測的發(fā)電機組次同步風險評估方法，為電力系統穩(wěn)定與安全運行提供輔助決策和安全預 警。 技術背景
[0002] 在遠距離大容量輸電需求的背景之下，由于大量采用串補輸電、交直流混合輸電 及FACTS設備，使得由此引發(fā)的次同步振蕩（SS0)嚴重威脅了電網和發(fā)電機組的安全穩(wěn)定 運行。目前，對SS0研究側重于機組扭振保護及振蕩控制方面，對電網運行監(jiān)控缺少振蕩防 御手段。因此，深入研究機網運行中次同步風險評估及其預防性控制技術具有重大意義。
[0003]目前，機組軸系扭振監(jiān)測/控制/保護裝置產生了大量錄波文件，實時記錄了電網 運行中機組軸系轉速信號和機端電壓/電流信號，然而，對錄波文件的處理方式往往是人 工的、手動的、故障后有針對性的分析，因此，長年積累下來大量的歷史錄波文件，除了用于 歷史備案外并沒有形成能幫助運行人員理解電網運行狀態(tài)的知識。另外，關于SS0分析主 要從高靈敏度的軸系轉速信號出發(fā)，借助一些繁瑣的算法和技術（如濾波、阻巧計算）進行 處理，而電氣量信號僅作為輔助分析所用，其利用率很小。如果能充分利用該些積累的大量 數據挖掘出錄波文件背后蘊含的豐富信息，實現系統SS0快速辨識和安全評估預警，將會 大大提升運行的智能化水平。

【發(fā)明內容】

[0004] 本發(fā)明的目的是通過大量扭振錄波文件提供一種次同步風險識別模型，從而快速 實現SS0風險的安全評估，為電網運行中SS0防御和抑制提供輔助決策手段。
[0005] 本發(fā)明所公開的一種基于錄波大數據異常檢測的發(fā)電機組次同步風險評估方法， 依托扭振系列裝置積累的大量歷史錄波文件中的電流信號，通過特征提取、降維壓縮、模型 建立和風險識別等環(huán)節(jié)實現了 SS0風險的快速評估和安全預警。本發(fā)明具體采用W下技術 方案：
[0006] -種基于錄波大數據異常檢測的發(fā)電機組次同步風險評估方法，其特征在于，所 述方法包括如下步驟：
[0007] (1)收集同一發(fā)電機組運行中積累的扭振錄波文件，通過從中提取機端S相電流 信號ia、ib、ic，建立維數為NX 3的數據庫，N為錄波文件的個數；
[0008] (2)針對數據庫中每個對象即每個錄波文件對應的每一相電流信號，通過傅里葉 變換提取模式特征，構造維數為NXP的特征矩陣化ature，P為每個錄波文件對應的特征指 標個數；
[0009] (3)將獲得的特征矩陣向K個相互正交的坐標軸進行投影，K<P，形成維數為NXK 的降維特征矩陣化ature_comp，其中K個相互正交的坐標方向是由FeETture的協方差矩陣 特征分解結果來決定的；
[0010] (4)基于上述降維特征矩陣，視每個行向量為一個樣本，通過樣本反復抽取、參數 可靠估計和馬氏距離統計建立基于數據驅動的次同步風險識別模型；
[0011] (5)對于實時采集的新錄波文件，重復特征提取、降維壓縮和距離計算，并根據建 立的次同步風險識別模型實現當前錄波運行方式下機組的次同步風險評估。
[0012] 本發(fā)明還進一步包括W下優(yōu)選方案：
[0013] 在步驟（2)中，所述的特征矩陣化ature的構造具體包括；
[0014] 2. 1將NX3維數據庫中每個錄波文件對應的S個對象即S相電流信號 別進行離散傅里葉變換，得到S相電流的變換序列I。、Ib、I。；
[0015] 2. 2從每個變換序列中提取工頻、次同步和超同步振蕩頻率對應的幅值作為模式 特征量；
[0016] 當某發(fā)電機組的扭振頻率分別為fi，f2,…，fm，m為扭振模態(tài)階數，則從每個變換 序列中提取與頻率向量[50-fm，…，50-f2,50-fl，50,50+fl，50+f2，…，50+fm]對應的幅度向 量，得到每個錄波文件對應的特征向量：
[0017] F'eaturej- [Aj,i…Aj,2m+iBj,!…Bj,2m+iCj,!…Cj,2m+J(1)
[001引式中，j = 1，2,…N，下標j代表第j個錄波文件，A、B、C分別代表與I。、Ib、I。對 應的模式特征，數據庫中每個對象對應2m+l個特征指標；
[0019] 2. 3綜合所有錄波文件對應的特征向量，形成維數為NXP的特征矩陣化ature，其 中 P = 3X (2m+l);
[0020]
[0021] 在步驟（3)中，通過正交投影獲取降維特征矩陣具體實現包括：
[0022] 3. 1標準化特征矩陣化ature，然后計算其協方差矩陣Cov ;
[0023] 3. 2對協方差矩陣Cov進行特征值分解，將特征值按照從大到小的順序排列，設 入A A P，與之對應的標準正交特征向量分別記為丫 1，丫 2，…，丫 P;
[0024] 3. 3求滿足條巧
的最小K值，將標準化后的特征矩陣向特征向 量子空間[丫 1，丫 2,…，丫J投影，獲得降維特征矩陣化aure_comp，同時存儲基底即前述的 特征向量子空間[丫。丫2,…，丫 J。
[0025] 在步驟（4)中，基于降維特征矩陣的次同步風險識別模型建立過程具體包括：
[0026] 4. 1從降維特征矩陣化aure_comp中隨機抽取H個樣本，其中N/2《H《3N/4,計 算其樣本均值Ti和協方差矩陣S 1;
[0027] 4. 2根據樣本均值Ti和協方差矩陣S 1，獲取所有N個樣本的馬氏距離dj:
[0028]
[002引其中，j = 1，2,…N，F'eature_comPj為降維特征矩陣的第j行向量。
[0030] 4. 3從降維特征矩陣中選擇對應馬氏距離最小的H個樣本，計算其樣本均值T2和 協方差矩陣S2,當滿足det(S2) =det(Si)或det(S2) =0時，其中，det代表行列式運算， 將Ti和S1分別作為降維特征矩陣總體分布期望T和方差S的可靠估計；否則，基于T2和S2 重新計算所有樣本的馬氏距離dj.，并選擇對應馬氏距離最小的H個樣本，計算其樣本均值Ts 和協方差矩陣Sg......如此反復，直至det(Sw) = det(S。）或det(Sw) = 0時停止迭代，并 將T。和S。分別作為降維特征矩陣總體分布期望T和方差S的可靠估計進行存儲；
[0031] 4. 4基于步驟4. 3中存儲的期望T和方差S的可靠估計量，樣本馬氏距離d服從自 由度為K的卡方分布，當樣本的馬氏距離d滿足y (巧時視為異常樣本且存在次同步 風險，a為顯著性水平。
[0032] 在步驟巧）中，所述的當前運行方式下次同步風險評估過程具體包括：
[0033] 5. 1對于實時采集的新錄波文件，通過對其中的機端=相電流信號進行離散傅里 葉變換，提取與工頻、次同步和超同步對應的模式特征向量U ;
[0034]5. 2將U向步驟（3)中存儲的基底[丫1，丫2,…，丫 K]投影，得到壓縮向量V;
[0035] 5. 3基于步驟（4)中存儲的均值T和協方差S，計算壓縮向量V的馬氏距離D，當 P(X《D) > 95%時，認為當前運行方式下機組存在次同步風險，且該值越大風險越大，其中 X是自由度為K的卡方分布隨機變量取值。
[0036] 本發(fā)明具有W下有益技術效果；本發(fā)明是一種數據驅動的風險識別方法，克服了 傳統方法的建模復雜、先驗參數難確定及只能用于事后分析的缺點。該方法基于機組積累 的歷史錄波數據中的電氣量信號，能夠通過對數據的分析，建立扭振風險評估模型。在應用 中，根據實時錄波結合風險評估模型，可W快速有效識別機組當前運行方式下的次同步風 險情況，對發(fā)電機組健康狀態(tài)及時掌握，W便及時采取事故預防措施，具有非常重要的現實 價值。
【附圖說明】
[0037] 圖1為本申請公開的發(fā)電機組次同步風險評估方法流程圖；圖2為本發(fā)明實現的 裝置錄波數據接入框圖（W 3個模態(tài)為例）；
[0038] 圖3為本發(fā)明實現的特征矩陣降維流程圖；
[0039] 圖4為本發(fā)明實現的次同步風險識別模型建立流程圖；
[0040] 圖5為本發(fā)明實現的具體實例效果（其中，圖（a)為降維特征矩陣維數選擇參考 曲線、圖化）為馬氏距離分布圖、圖（C)為部分樣本的SS0風險評估舉例）。
【具體實施方式】
[0041] 下面結合說明書附圖和實施例對本發(fā)明的技術方案作進一步詳細闡述。
[0042] 如圖1所示為本申請公開的發(fā)電機組次同步風險評估方法流程圖，本發(fā)明的具體 實現技術方案如下：
[0043] 步驟1 ;收集錄波文件，建立數據庫
[0044] 本實施例結合國內某電廠某一火力發(fā)電機組運行過程中，CSC-812汽輪發(fā)電機組 軸系扭振保護裝置記錄的錄波文件進行說明。如圖2所示，裝置通過在機組軸系機頭布置 冗余轉速傳感器，機尾處布置PT/CT，為因各種原因引起的SS0研究提供分析數據，其中，轉 速信號采樣率為1曲Z，電壓/電流信號采樣率為600Hz。裝置包括兩種錄波方式，一種是裝 置啟動錄波，一種是人工手動錄波。
[0045] 該裝置某一期間，共記錄了 2917個錄波文件，其中包括2869個裝置啟動錄波文件 和48個人工手動錄波文件。通過從各錄波文件中抽取機端S相電流信號ig、ib、i。，建立維 數為2917X3的數據庫：
[0046]
[0047] 步驟2 ;提取特征，構造特征矩陣
[0048] 根據圖2所示，本實施例對應機組軸系包括高中壓缸、低壓缸A、低壓缸B和發(fā)電機 4個集中質量塊，其對應3個軸系扭振模態(tài)（頻率分別為12. 5化、21. 8化和25. 5化）。按照 機電扭振互作用機理，在定子電流中存在與之對應的次同步和超同步分量，本實現特征提 取具體步驟如下：
[0049] ①W上述數據庫中第j個錄波文件為例，對其S相電流i。、ib、i。分別進行離散傅 里葉變換，得到變換序列I。、Ib、I。；
[0050] ②從 I。、Ib、Ic中分別提取與頻率向量巧4. 5, 28. 2, 37. 5, 50,62. 5, 71. 8, 75. 5]對 應的幅度向量，合并所有提取值構成該錄波文件對應的特征向量Featurej
[0051]F'eaturej= [Aj,i …Aj',7Bj,i …Bj',7Cj,i …Cj,7] (4)式中，j = 1, 2,…，2917, A、 B、C分別代表與i。、ib、i。對應的模式特征；
[0052] ⑨綜合數據庫中全部2917個錄波文件對應的特征向量，構造特征矩陣化ature， 其維數為2917X21。
[0053]
[0054] 步驟3 ;獲取降維特征矩陣，存儲主要基底
[00巧]通過正交變換實現數據壓縮的基本原理如下；設有N個樣本，每個樣本具有P項測 試指標，得到原始數據矩陣
[0056]
[0057] 對于P維空間一組完備正交基{>1，《2，…，Up}滿足
[0058]
[0059] 則原始數據集X在P維正交基{>1，…，《p}下的投影為
[0060]
[0061] 統計學廣泛采用方差或標準差表示不確定性，方差或標準差越大，不確定度越大， 信息量越大。因此，原始數據集X沿某一方向投影后的方差可表示為
[0062]
[0063] 式中，V和S分別代表原始數據集的期望和協方差矩陣
[0064]
[006引為了找到方向向量Wi使得式巧）最大化，引入拉