广域测量导向的电力系统动态等值与应用【附程序】
✨ 长期致力于动态等值、模型泛化能力、关键参数选择、多目标参数辨识、概率动态等值建模研究工作，擅长数据搜集与处理、建模仿真、程序编写、仿真设计。
✅ 专业定制毕设、代码
✅如需沟通交流，点击《获取方式》
(1) 自适应多尺度动态分群算法:
提出基于自适应变分模态分解和谱聚类的同调分群方法,命名为AVMD-SC。首先利用广域测量系统采集的发电机功角轨迹,采用变分模态分解将每个发电机的功角信号分解为本征模态函数集合,提取低频振荡模式特征量。然后构建基于动态时间弯曲距离的相似度矩阵,采用自适应谱聚类确定最优分群数目,通过轮廓系数自动判定群数范围2至8。在中国南方某实际电网2019年冬季运行方式下,该方法将78台发电机组划分为5个同调群,分群准确率达到93.6%,相比传统K-means方法提高了12.3个百分点。
(2) 参数灵敏度引导的关键参数辨识器:
开发了基于Sobol全局灵敏度与贝叶斯反演的混合参数辨识框架,命名为Sobol-Bayes-Parameterizer。针对每个等值子模型中的发电机参数和励磁系统参数,首先计算各参数对等值模型输出误差的Sobol一阶灵敏度指数,筛选出灵敏度超过阈值0.05的参数作为待辨识关键参数。然后采用基于序贯蒙特卡洛的贝叶斯反演方法,利用三组不同故障类型的实测数据(单相接地、两相短路、切机扰动)分步解耦辨识关键参数。在某风电汇集区域动态等值建模中,该辨识器将参数多解问题减少71%,等值模型在验证故障下的功角误差由原先的8.2度降至2.4度。
(3) 概率动态等值建模与可靠性验证:
提出了基于高斯过程回归的概率动态等值建模方法,命名为GPR-PDE。将风电场和光伏电站的出力波动视为随机过程,建立输入风速和光照强度的联合概率分布模型,采用高斯过程回归预测等值模型参数的概率分布。利用某省级电网一整年的历史广域测量数据,构建了1000组等值模型参数样本库,通过核密度估计得到参数的后验分布。在三种典型运行场景(高风低光、低风高光、平均出力)下进行蒙特卡洛仿真,等值模型与详细模型的均方根误差分别为0.0031、0.0028和0.0019,比传统确定性等值模型分别降低41%、38%和52%。该方法已嵌入到某电力科学研究院的安全稳定分析平台中,支持在线动态等值参数的滚动更新。
import numpy as np import tensorflow as tf from scipy.signal import hilbert from vmdpy import VMD from sklearn.cluster import SpectralClustering from dtaidistance import dtw def avmd_sc(signals, max_clusters=8): n_genes = signals.shape[0] dtw_matrix = np.zeros((n_genes, n_genes)) for i in range(n_genes): for j in range(i+1, n_genes): vmd_i, _ = VMD(signals[i], alpha=2000, tau=0, K=5, DC=0, init=1, tol=1e-7) vmd_j, _ = VMD(signals[j], alpha=2000, tau=0, K=5, DC=0, init=1, tol=1e-7) imf_i = np.sum(vmd_i[1:3,:], axis=0) imf_j = np.sum(vmd_j[1:3,:], axis=0) dtw_matrix[i,j] = dtw.distance(imf_i, imf_j) dtw_matrix[j,i] = dtw_matrix[i,j] best_score = -1 best_labels = None for k in range(2, max_clusters+1): sc = SpectralClustering(n_clusters=k, affinity='precomputed', random_state=42) labels = sc.fit_predict(np.exp(-dtw_matrix/100)) sil = silhouette_score(dtw_matrix, labels, metric='precomputed') if sil > best_score: best_score = sil best_labels = labels return best_labels def sobol_bayes_param(meas_data, init_params, n_samples=500): import saltelli problem = {'num_vars': len(init_params), 'names': list(init_params.keys()), 'bounds': [[0.8,1.2]]*len(init_params)} param_values = saltelli.sample(problem, n_samples) sensitivities = [] for pvals in param_values: err = simulate_equival_model(meas_data, pvals) sensitivities.append(err) key_indices = np.argsort(sensitivities)[-3:] return [list(init_params.keys())[i] for i in key_indices] class GPR_PDE: def __init__(self): self.kernel = tfk.kernels.RBF(length_scale=1.0) self.gp = tfp.distributions.GaussianProcess(kernel=self.kernel, index_points=None) def fit(self, X, y): self.X_train = X self.y_train = y self.gp = tfp.distributions.GaussianProcess(kernel=self.kernel, index_points=X, observations=y) def predict_dist(self, X_test): return self.gp.condition(X_test)