Free Probability Theory Based Event Detection for Power Grids Using IoT-enabled Measurements
基于自由概率理论的电网异常检测架构:以物联网量测数据为分析对象
| DOI: 10.35833/MPCE.2023.000205
| 作者 王红霞 王波 张嘉鑫
刘承锡 马恒瑞
为什么需要基于物联网量测数据进行电网异常检测?
随着电网规模的扩大和新能源的大量接入，现代电网的拓扑结构和运行机制日益复杂，对电网的稳定运行提出了更高的要求，传统基于建模的方法已难以应对这一挑战。因此，开展可靠的异常检测以保障电网安全十分重要。
与此同时，物联网技术的快速发展推动了电力系统中量测装置的广泛部署，如电源管理单元（PMU）、数据采集与监视控制（SCADA）系统和智能电表等，使得大规模数据采集成为可能。这些量测数据可以及时、准确地反映电网的实时状态，为异常检测提供了丰富的数据支持。因此，如何充分利用这些海量量测数据，挖掘其中隐藏的异常信号，以实现高效的电网异常检测，具有重要的研究意义。
数据驱动型电网异常检测面临哪些挑战？
当前流行的数据驱动型电网异常检测方法多基于训练和测试流程，如机器学习和深度学习方法。这类方法多依赖大量异常数据，而在实际电力系统中，绝大多数量测数据对应电网的正常运行状态，异常数据相对稀缺，限制了这些方法在电网异常检测中的适用性。此外，这些方法的泛化能力有限，难以适应复杂的实际场景。
本文基于物联网提供的海量量测数据，将电网正常运行状态映射为谱分布特征，并利用自由概率理论（free probability theory, FPT）深入分析电网正常状态与异常状态之间的谱分布关系，从而实现对电力系统异常事件的有效检测。所提出的方法仅依赖正常运行数据，具备良好的噪声适应性，且具有较高的检测灵敏度，为电网异常检测提供了一种更为鲁棒的解决方案。
什么是FPT？
FPT是一种分析高维随机矩阵的数学工具，适用于处理非交换随机变量，如电力系统中的复杂多源数据。FPT通过研究矩阵的谱分布（特征值分布）来揭示数据的整体统计特性，其中“自由独立性”是核心概念。基于此，FPT提供了自由卷积运算，用于计算自由独立矩阵相加或相乘后的特征值分布，以实现矩阵组合行为的建模。
信号-噪声模型为FPT提供了实际应用框架。在该模型中，量测数据为包含真实信息的信号和随机噪声的叠加。FPT通过分析矩阵的谱分布，能有效分离信号和噪声，从而提高数据分析的精度。因此，本文将电力系统量测数据建模为信号与噪声的叠加，并基于FPT实现异常信号与噪声的分离，从而实现电网异常检测。
如何基于FPT进行电网异常检测？
图1为本文所提基于FPT进行电网异常检测的流程，具体可分为以下几个步骤。
图1 所提基于FPT进行电网异常检测的流程
步骤1：将量测数据构造为包括异常信号和噪声相加的数据矩阵，其中噪声矩阵包括正常波动、量测误差等噪声。本文基于正常状态下的数据计算噪声矩阵的谱特征值以及异常信号阈值。
步骤2：在实时电网状态监测过程中，以FPT为工具，基于信号-噪声模型计算异常信号谱特征值，如果异常信号特征谱超过阈值，则检测到异常。
基于FPT的电网异常检测效果如何？
本文同时对仿真数据和实测数据进行了分析验证。
1）基于PSASP对安徽省某500 kV 40节点电网模型进行验证，针对不同的异常类型、量测数据类型以及不同的检测方法进行对比分析，以验证基于FPT方法的灵敏度和准确性。
2）基于广东某10 kV配电网实测PMU数据进行仿真验证，并与基于平均谱半径（MSR）以及基于卷积神经网络（CNN）的方法进行对比，可见基于FPT的方法具有较好的灵敏性和准确性。对比结果如表1和图2-图4所示。
表1 不同方法性能对比
图2 基于FPT的实测数据异常检测
图3 基于MSR的实测数据异常检测
图4 基于CNN的实测数据异常检测
引文信息
Hongxia Wang, Bo Wang, Jiaxin Zhang et al. Free probability theory based event detection for power grids using IoT-enabled measurements [J]. Journal of Modern Power Systems and Clean Energy, 2024, 12(5): 1396-1407.
作者介绍
ABOUT THE AUTHORS
王红霞
博士，武汉大学电气与自动化学院，主要研究方向为：电力大数据及电力多模态数据融合。
王波
博士，教授，博士生导师，武汉大学电气与自动化学院，主要研究方向为：电力大数据、电力视觉以及综合能源系统。
张嘉鑫
博士研究生，武汉大学电气与自动化学院，主要研究方向为：配网在线监测及配网数字化。
刘承锡
博士，教授，博士生导师，武汉大学电气与自动化学院，主要研究方向为：电力系统稳定性分析、电力系统仿真以及机器学习在电力系统中的应用。
马恒瑞
博士，副教授，研究生导师，武汉大学电气与自动化学院，主要研究方向为：综合能源及储能系统。
点击下面投稿网址，给我们投稿吧
【MPCE】河海大学 殷志华，南瑞集团有限公司 郑玉平等：基于t分布随机邻域嵌入和变分模态分解的配电网高阻抗故障区段定位
郑重声明：根据国家版权局相关规定，纸媒、网站、微博、微信公众号转载、摘编本微信作品，需包含本微信名称、二维码等关键信息，并在文首注明《电力系统自动化》原创。个人请按本微信原文转发、分享。
