由于配电网具有拓扑结构复杂、线路分支较多、空间分布密集等特性,潜在运行扰动及故障难以完全避免,故所配备的保护系统势必确保较高水平的可靠性及稳定性。因此,针对配网保护系统潜在异常运行状态的监测与识别面临新的挑战。为此,提出...由于配电网具有拓扑结构复杂、线路分支较多、空间分布密集等特性,潜在运行扰动及故障难以完全避免,故所配备的保护系统势必确保较高水平的可靠性及稳定性。因此,针对配网保护系统潜在异常运行状态的监测与识别面临新的挑战。为此,提出一种基于数据驱动的运行异常状态实时检测模型。首先,采用核函数主成分分析(kernel principal components analysis,KPCA)流程,针对原始数据实施维度压缩,能够在高维数据环境下降低后续模型的运算复杂度;其次,应用孤立森林(isolated forest,IF)模型,依据各正常运行状态取值范围,挖掘潜在离群样本点,能够在数据呈偏置或稀疏分布环境下保持较高的检测性能,针对异常状况进行快速反应;最后,以某地区配电网继保系统运行数据作为仿真实例,实验结果验证所提出模型在实际应用中较高的异常检测水平,能够助力配网安全风险的自动识别和应对。展开更多
文摘由于配电网具有拓扑结构复杂、线路分支较多、空间分布密集等特性,潜在运行扰动及故障难以完全避免,故所配备的保护系统势必确保较高水平的可靠性及稳定性。因此,针对配网保护系统潜在异常运行状态的监测与识别面临新的挑战。为此,提出一种基于数据驱动的运行异常状态实时检测模型。首先,采用核函数主成分分析(kernel principal components analysis,KPCA)流程,针对原始数据实施维度压缩,能够在高维数据环境下降低后续模型的运算复杂度;其次,应用孤立森林(isolated forest,IF)模型,依据各正常运行状态取值范围,挖掘潜在离群样本点,能够在数据呈偏置或稀疏分布环境下保持较高的检测性能,针对异常状况进行快速反应;最后,以某地区配电网继保系统运行数据作为仿真实例,实验结果验证所提出模型在实际应用中较高的异常检测水平,能够助力配网安全风险的自动识别和应对。
