用于强迫振荡源定位的时间序列分类
系统与控制
2020-04-16 v1 系统与控制
信号处理
摘要
强迫振荡由持续的周期性扰动引起。本文提出一种基于机器学习（ML）的时间序列分类方法，利用同步相量测量来定位强迫振荡源以实现快速扰动消除。采用序列特征选择来识别各电厂信息量最大的测量值，从而构建多元时间序列（MTS）。通过训练马氏距离矩阵，我们度量并比较各MTS之间的距离。为表示每一类构建模板，以减小训练数据集规模并提升在线匹配效率。使用动态时间规整（DTW）算法对失同步的MTS进行对齐，以应对振荡检测误差。该算法在两个测试系统上验证：IEEE 39总线系统与WECC 179总线系统。当强迫振荡发生时，由指定的PMU测量值构建MTS，随后由训练好的分类器对MTS分类，其类属对应于各振荡源的位置。仿真结果表明，所提方法可在线高精度识别强迫振荡源。所提算法在存在振荡检测误差时的鲁棒性也得以量化。
引用
@article{arxiv.2004.07072,
title = {Time Series Classification for Locating Forced Oscillation Sources},
author = {Yao Meng and Zhe Yu and Ning Lu and Di shi},
journal= {arXiv preprint arXiv:2004.07072},
year = {2020}
}
备注
submitted to IEEE Trans. on Smart Grid