一种基于相似特征融合的谐波主特征群筛选方法

摘要

本发明涉及一种基于相似特征融合的谐波主特征群筛选方法，首先进行谐波电流类监测样本的去中心化，得到去中心化的数值，然后计算谐波电流类监测样本的相似度指标，最后基于相似度指标分布特性筛选主特征群。本发明能够快速确定监测点的主要谐波污染次数。

说明书

技术领域

本发明涉及电力系统谐波污染领域，特别是一种基于相似特征融合的谐波主特征群筛选方法。

背景技术

随着大量电力电子装置的并网运行及其它非线性负荷数量的增加，电力系统中的谐波污染越来越严重。目前，已经构建了比较完备的电能质量在线监测网，能够监测电网电压总谐波畸变率、各次谐波电压含有率和相角、电流总谐波畸变率、各次谐波电流含有率、有效值和相角等谐波信息。大量的在线监测信息中有助于谐波污染用户建模，得到用户运行的基本数据。但完备的谐波模型包含全部谐波电压、谐波电流监测指标，且指标间相互影响，使得模型非常复杂而无法实现参数辨识。在工程实践中，需要辨识出哪些谐波监测指标应该包含在模型中，哪些变量应该从模型中剔除，也就是需要从大量历史监测数据中确定谐波主特征群，以便针对谐波主特征群建立工程实用模型。

目前通常在公共连接点(Point of Common Coupling，PCC)监测用户电压和电流，计算电压和电流的谐波成分，采用检测时间段内的最大值、平均值或95％大值评价用户对电网电能质量的影响，并以此作为用户开展谐波治理的依据。这种做法其实就是采用谐波电流源模型表征用户污染，并把监测数据作为用户模型参数，而没有考虑不同谐波次数之间的相互影响，不是对用户谐波污染特性的本质反映。

由于谐波源产生谐波的原理复杂，往往难以建立通用的数学模型。目前谐波源可以采用等效电源、交叉频率导纳矩阵等模型，应用独立分量分析、最小二乘逼近和神经网络等方法从监测样本数据辨识模型参数。其中，基于交叉频率导纳矩阵的谐波源模型考虑了谐波电压对谐波电流的影响，但在不同工况下要重新计算模型参数。基于最小二乘逼近的谐波源模型将谐波电流表示为基波、各次谐波电压分量和不受电压变化影响的电流恒定分量的表达式，利用最小二乘逼近求取模型参数，精确度较高，但是存在模型参数求取困难等问题。基于神经网络的谐波源建模不需要了解谐波源负荷的内部结构，但模型精度受训练样本数制约。

如果待分析工况与参数辨识的样本工况相接近，则计算误差主要由参数辨识精度决定，而与选用的模型类型基本无关。当待分析工况与样本工况差异较大时，不同的谐波源模型对计算误差影响较大。

目前谐波源建模的思路是对模型结构进行简化，因而误差较大。如果能够从历史监测数据中确定谐波主特征次数，针对主特征次数建立详细模型，就可以在保留模型精度的同时大量减少参数辨识难度。

发明内容

有鉴于此，本发明的目的是提出一种基于相似特征融合的谐波主特征群筛选方法,能够快速确定监测点的主要谐波污染次数。

本发明采用以下方案实现：一种基于相似特征融合的谐波主特征群筛选方法，具体包括以下步骤：

步骤S1：从谐波电流类监测样本减去各次谐波电流基准限值C₀，对谐波电流类监测样本去中心化，得到去中心化的数值C_*；

步骤S2：计算谐波电流类监测样本的相似度指标：记S_24*24为C_*中各次谐波之间的相似度指标矩阵，S(i,j)表示第i次谐波电流与第j次谐波电流监测样本之间的相似度，其中，1≤i,j≤25，按下式计算S(i,j)，结果位于1与-1之间：

$S(i,j)=\frac{\underset{k=1,m}{\Sigma }{C}_{*}(k,i)·C_{*}(k,j)}{\sqrt{\underset{k=1,m}{\Sigma }{C}_{*}^2(k,i)}·\sqrt{\underset{k=1,m}{\Sigma }{C}_{*}^2(k,j)}};$

步骤S3：基于相似度指标分布特性筛选主特征群。

进一步地，所述步骤S1具体包括以下步骤：

步骤S11：设测点谐波电流测量值矩阵为C_m*25，其中C_m*25为m行，25列的矩阵；其中第j列代表j次谐波，1≤j≤25，第i行代表第i个测量值，1≤i≤m；

步骤S12：根据测点电压等级，规定各次谐波电流基准限值为C₀，C₀是1*25的行向量，单位为A；

步骤S13：对C_m*25的每一行，减去谐波电流基准限值C₀，得到去中心化的数值C_*，C_*为m行，25列的矩阵，单位为A。其中，C₀按照国标GB/T>

进一步地，所述步骤S3具体包括以下步骤：

步骤S31：将[-1,1]分为10个小区间，根据S(i,j)(1＜i≤25,i＜j≤25)取值并将其分属各个区间，得到10个初始群；

步骤S32：计算每个初始群的中心c_k，所述c_k是每个群中S(i,j)的平均值；

步骤S33：计算S(i,j)(1＜i≤25,i＜j≤25)与每个群中心的距离l(i,j)＝ |S(i,j)-c_k|；

步骤S34：将S(i,j)归属到与其距离最近的那个群；

步骤S35：删除成员为空的群，得到新的群及其成员；

步骤S36：回到步骤S32重新开始分群，直到两次迭代之间的分群结果不再变化，或者迭代次数大于100为止；

步骤S37：列出每个群中的S(i,j)下标，则每组下标代表一个谐波主特征群。

与现有技术相比，本发明有以下有益效果：

1、本发明定义了谐波电流类监测样本的相似度指标；提出一种基于谐波电流类监测指标相似度的主特征群筛选方法，能够快速确定监测点的主要谐波污染次数。

2、本发明采用大量在线监测数据进行统计计算，得到监测点谐波污染特征次数的统计信息，而不仅仅是某种特殊运行工况下的计算结果，其结论更全面更合理。

附图说明

图1为本发明的方法流程示意图。

具体实施方式

下面结合附图及实施例对本发明做进一步说明。

如图1所示，本实施例提供了一种基于相似特征融合的谐波主特征群筛选方法，具体包括以下步骤：

步骤S1：从谐波电流类监测样本减去各次谐波电流基准限值C₀，对谐波电流类监测样本去中心化，得到去中心化的数值C_*；

步骤S2：计算谐波电流类监测样本的相似度指标：记S_24*24为C_*中各次谐波之间的相似度指标矩阵，S(i,j)表示第i次谐波电流与第j次谐波电流监测样本之间的相似度，其中，1≤i,j≤25，按下式计算S(i,j)，结果位于1与-1之间：

$S(i,j)=\frac{\underset{k=1,m}{\Sigma }{C}_{*}(k,i)·C_{*}(k,j)}{\sqrt{\underset{k=1,m}{\Sigma }{C}_{*}^2(k,i)}·\sqrt{\underset{k=1,m}{\Sigma }{C}_{*}^2(k,j)}};$

步骤S3：基于相似度指标分布特性筛选主特征群。

在本实施例中，所述步骤S1具体包括以下步骤：

步骤S11：设测点谐波电流测量值矩阵为C_m*25，其中C_m*25为m行，25列的矩阵；其中第j列代表j次谐波，1≤j≤25，第i行代表第i个测量值，1≤i≤m；

步骤S12：根据测点电压等级，规定各次谐波电流基准限值为C₀，C₀是1*25的行向量，单位为A；

步骤S13：对C_m*25的每一行，减去谐波电流基准限值C₀，得到去中心化的数值C_*，C_*为m行，25列的矩阵，单位为A。其中，C₀按照国标GB/T>

谐波次数(h)23456789谐波电流允许值(A)26.020.013.020.08.515.06.46.8谐波次数(h)1011121314151617谐波电流允许值(A)5.19.34.37.93.74.13.26.0谐波次数(h)1819202122232425谐波电流允许值(A)2.85.42.62.92.34.52.14.1

在本实施例中，所述步骤S3具体包括以下步骤：

步骤S31：将[-1,1]分为10个小区间，根据S(i,j)(1＜i≤25,i＜j≤25)取值并将其分属各个区间，得到10个初始群；

步骤S32：计算每个初始群的中心c_k，所述c_k是每个群中S(i,j)的平均值；

步骤S33：计算S(i,j)(1＜i≤25,i＜j≤25)与每个群中心的距离l(i,j)＝|S(i,j)-c_k|；

步骤S34：将S(i,j)归属到与其距离最近的那个群；

步骤S35：删除成员为空的群，得到新的群及其成员；

步骤S36：回到步骤S32重新开始分群，直到两次迭代之间的分群结果不再变化，或者迭代次数大于100为止；

步骤S37：列出每个群中的S(i,j)下标，则每组下标代表一个谐波主特征群。

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。