基于数据驱动的鲁棒性电力系统扰动识别

广域测量系统(wide area measurement system,WAMS)为快速准确地扰动识别与稳定控制提供了有力的数据基础.然而,一方面通讯堵塞、硬件故障、干扰等原因使实际同步相量测量单元(phasor measurement unit,PMU)存在数据质量问题;另一方面,高比例可再生能源接入使得电力系统动态行为复杂性显著增加,不同扰动之间呈现类内差异性和类间相似性,这都给扰动识别带来了挑战.为解决上述问题,该文提出一种数据驱动的鲁棒性扰动识别方法.该方法利用时间卷积网络的时序分析能力与去噪自编码器的鲁棒特征提取能力,提出基于双通道时间卷积去噪自编码器的特征提取方法,并融入自适应特征融合技术,可有效提取PMU多量测量中对不良数据鲁棒的时序特征,有效减小了不良数据的影响.进一步,结合度量学习思想,提出基于附加角度边距损失函数优化的长短期记忆网络扰动识别方法,通过扩大决策边界提高了分类准确率.并提出预分类与再识别的策略,实现了高比例可再生能源下考虑未知扰动的扰动识别问题.基于IEEE-39节点系统,在不同场景下对该方法进行仿真测试,验证了所提方法具有较好准确性、实时性.最后,通过现场数据和实际电网模型验证了所提方法具有较高的泛化性和有效性.