毛钧毅,韩 松,李洪乾

(贵州大学 贵州大学电气工程学院,贵阳 550025)

0 概述

随着云计算、物联网、移动互联网等信息技术快速演进以及同步相量测量、广域测量系统(Wide Area Measurement System,WAMS)的广泛应用,电力数据呈现出高随机、多耦合以及典型的“4V”等特征[1]。从数据驱动的角度出发,借助大数据技术与深度学习理论,有效挖掘和充分应用海量电网数据的信息,已成为现阶段电力系统大数据建设的发展趋势[2-4]。

随机矩阵理论(Random Matrix Theory,RMT)是一种通过从高维角度理解复杂系统的行为特大数据分析方法。一方面,在基于RMT的电力系统分析理论与方法研究发展中,单环定律的平均谱半径(Mean Spectral Radius,MSR)指标已在配电网运行状态相关性分析[5]、电网薄弱环节辨识[6]以及电力系统不可见单元的检测[7]等方面的应用取得初步成果。相较于MSR,基于M-P定律的样本协方差矩阵最大特征值(Maximum Eigenvalue of Sample Covariance Matrix,MESCM)指标不仅能实现相同的应用,且更适用于低信噪比场景[8-9],在大规模电网中的计算效率更高[10]。然而,上述文献对电网进行态势评估大多在负荷波动较小的场景下开展,尚未对此类方法在具有周期性变化规律、波动性较大等特征的日负荷曲线动态电网中的适用性开展研究,如基于MESCM或MSR指标的阈值模型未能充分考虑数据波动性、静态阈值对指标判定的可靠性偏低等。另一方面,近年来,卷积神经网络(Convolutional Neural Network,CNN)[11]作为深度学习理论的模型之一,由于其强大的学习潜力以及优越的特征提取能力,已逐渐被引入到电力系统各个领域的研究中[12-15]。……