基于多尺度熵的电力能量流复杂性分析

电力能量流复杂性主要体现于其动态行为的实时性、非线性及不确定性等,网络动力学行为分析是关键.本文在电力系统动力学平衡方程基础上,构建了系统势能与支路势能函数模型;通过提取扰动(或故障)后系统的能量信息,利用多尺度熵对扰动(或故障)后系统能量流演化过程进行了研究.结果表明:1)稳定运行状态下系统复杂度较低,且随着故障持续时间的增加,系统故障后呈现出更高的复杂度;2)不稳定运行状态下,系统在小尺度时间上表现出更强的不确定性,而在大尺度时间上表现出相对更明显的规则性;3)临界稳定运行状态与临界不稳定运行状态下,故障后的系统复杂度在不同时间尺度上呈现出较明显的差异,这对动态过程中临界点的识别有着积极的参考价值.本文研究揭示了电力能量流在物理动态过程中的演化机制,为电力系统动力学行为分析提供了新思路与新方法.     

多变点检测问题的Shape-based BS算法

BS算法是时间序列多变点检测中最经典的算法之一,但是基于全局CUSUM统计量的识别过程会带来过多误判和较高的时间复杂度.BS算法是一种离线的序贯方法,因此没有充分利用数据的时序信息;另一方面,BS算法识别变点的原则是CUSUM统计量最大化,也没有考虑统计量构成序列的形态特性.鉴于此,提出一种基于局部形态识别的BS改进算法,命名为Shape-based BS算法.基于局部形态识别统计量,不仅大大降低计算复杂度,且降低了因变点间的互相干扰而带来的误判率,进而提升变点识别的稳健性.最后,将此算法应用到了电力系统的"场景压缩"问题上,具有满意的实用效果.