電力大系統振蕩數據的可靠性挖掘算法

劉 鑫

(湖南鐵道職業技術學院，湖南 株洲 412001)

?

電力大系統振蕩數據的可靠性挖掘算法

劉 鑫

(湖南鐵道職業技術學院，湖南 株洲 412001)

提出一種基于頻譜包絡特征提取和時頻分析的電力大系統振蕩數據的可靠性挖掘算法。構建了電力大系統數據傳輸和存儲模型，對電力大系統中的數據進行頻譜包絡特征提取，以此為數據基礎，對電力大系統數據信息庫振蕩數據的包絡矢量實行高斯離散采樣，采用決策樹分類方法對時頻分析后的振蕩數據進行初步的數據篩選，采用時頻分析和決策樹分類方法實現對振蕩的可靠性分類挖掘。仿真結果表明，采用該算法進行電力大系統中的振蕩數據頻譜包絡特征提取，能有效挖掘出電力大系統中的振蕩數據的分層結構特征和細節，數據挖掘精度較高，抗干擾性能較強。

電力大系統；振蕩數據；數據挖掘

電力大系統作為國民經濟的基礎設施，為經濟社會發展和人民生產生活提供可靠的電力能源支持，電力大系統是實現電力發電、輸電、配電和電力信息管理的綜合系統，電力大系統是由大量的敏感電子元件組成。電力大系統設備包含變電設備、輸電設備、配電設備三個單元的電子器件設備。在電力大系統運行中，電力大系統設備規模復雜，工作環境惡劣，存在來自于發電系統、輸電系統和配電系統的干擾和電磁干擾會產生大量的振蕩數據，影響了電力系統在信息傳輸和配電過程中的穩定性和可靠性。電力大系統中的振蕩數據將對電力大系統的電機和穩壓設備的電壓輸出造成影響，導致電力大系統的供電輸出功率不穩定，配電系統紊亂，需要對電力大系統的振蕩數據進行有效挖掘，提高系統的穩定性和可靠性[1]。

電力大系統的振蕩數據具有非線性、自耦合性等特點，傳統方法中重要采用的是功率譜特征提取、時頻特征提取和小波包分解等方法實現對電力大系統的振蕩數據挖掘，隨著電力大系統的振蕩數據出現非線性逆變和自耦合[2]，傳統方法難以實現對振蕩數據的有效挖掘，對此，相關文獻進行了算法的改進設計，其中，文獻[3]提出一種基于非線性時間序列分析和自相關特征提取的電力大系統的振蕩數據特征檢測和數據挖掘算法，提取電力大系統數據信息流的自相關特征，通過神經網絡分類器實現數據挖掘，挖掘的準確度較高，但是算法的計算量大，計算開銷對系統的實時性造成了限制。文獻[4]提出一中基于PID控制和模糊神經網絡分類的電力大系統的振蕩數據挖掘算法，通過對振蕩數據的自適應控制調節，實現數據挖掘，但是該算法的時效性差、控制精度不好；文獻[5]采用決策樹特征分類方法進行電力大系統振蕩數據的可靠性挖掘算法，在振蕩數據序列的廣域子空間中產生大量干擾噪聲，數據挖掘的精確度不高。針對上述問題，本文提出一種基于頻譜包絡特征提取和時頻分析的電力大系統振蕩數據的可靠性挖掘算法。首先構建了電力大系統數據傳輸和存儲模型，實現數據的信號模型構建，在此基礎上對電力大系統中的數據進行頻譜包絡特征提取，以此為數據基礎，進行振蕩數據挖掘，采用時頻分析和決策樹分類方法實現對振蕩的可靠性分類挖掘，最后通過仿真實驗進行了性能驗證，展示了本文方法在提高數據挖掘精度，降低數據挖掘的誤差方面的優越性能，得出有效性結論。

1 電力大系統結構及數據信息流分析

1.1 電力大系統的數據信息存儲結構分析

為了實現對電力大系統的振蕩數據挖掘，首先需要分析電力大系統的數據信息存儲結構，并分析電力大系統振蕩數據的產生機理，首先構建電力大系統結構模型，電力大系統是一個由發電、輸電、配電和電力信息管理系統構成的數據信息存儲和通信的綜合系統，電力大系統數據庫主要由數據通訊系統、人機接口單元和程序控制單元以及電力數據調度單元組成[6-8]。電力大系統數據存儲和信息通信結構模型示意圖如圖1所示。

圖1 電力大系統數據存儲和信息通信結構模型

(1)

其中，amn為單位區域內的電力大系統信息相對偏差，gmn(t)為振蕩數據的振幅，電力大系統的信息節點和數據負載之間有如下映射關系：

(2)

(3)

式中 CSC，CSS——-電力大系統的節點信息分布的可靠度和安全承載強度。

電力大系統的振蕩數據分析和檢測機制主要是面向電力大系統的數據特征完整性保護、電力大系統的用戶節點信息保護和訪問控制保護(AccessControl，簡稱AC)展開，采用數據向量集分析電力大系統的振蕩數據模型，定義為：

CSS={Co，In，Nr，Ac，Aa}

(4)

采用決策樹分析方法，對電力大系統中的數據信息存儲結構進行相空間重構，采用以下的相空間重構矩陣表示，電力大系統的數據信息存儲結構矩陣為：

(5)

其中，m為電力大系統振蕩數據的特征嵌入維數，為數據時間序列的長度，矩陣表示N條記錄的電力大系統振蕩數據信息的特征數據集，通過上述分析，實現了對電力大系統的數據信息存儲結構分析和振蕩數據產生機理分析，為進行振蕩數據挖掘提供準確的數據基礎。

1.2 電力大系統振蕩數據的信息模型構建

在上述進行電力大系統的數據信息存儲結構分析的基礎上，進行數據信息流的信號模型構建。設電力大系統振蕩數據的自特征序列P={p1，p2，…，pn}和分解序列Q={q1，q2，…，qm}，在電磁干擾下，振蕩數據的特征狀態子空間模態函數為：

(6)

式中P——數據時間序列的時間標量序列主頻特征；x(t)——系統振蕩數據的標量長度；τ——時間尺度。

數據的統計信息特征表示為：

U={U1，U2，…，UN}

(7)

式中Ui——維數為d維的狀態矢量。

假設一個電力大系統振蕩數據時間序列由一非線性差分方程表示，振蕩數據的多元特征線性方程為：

xn=x(t0+nΔt)=h[z(t0+nΔt)]+ωn

(8)

式中h(.)——電力大系振蕩數據的多元數量值函數；ωn——觀測或測量誤差。

采用相空間重構方法對振蕩數據進行預測，在m維相空間中，M是d維的緊流形，通過特征參量重構，電力大系統振蕩數據在m維相空間中形成一種規則的、有形的維矢量場為：

X(n)={x(n)，x(n+τ)，…，x(n+(m-1)τ)}
n=1，2，…，N

(9)

其中，電力大系統振蕩數據時間序列的時間標量序列為{x(t0+iΔt)}，i=0，1，N-1計算電力大系統振蕩數據時間序列的幾何不變量，得到其相空間重構的矢量場軌跡為：

X=[s1，s2，…sK]n=(xn，xn-τ，…，xn-(m-1)τ)

(10)

其中，K=N-(m-1)τ表示振蕩數據信息模型在相空間中的嵌入維數，τ為時間延遲，sK為單個監測節點的振蕩數據振幅，綜上描述，實現對電力系統振蕩數據的信號模型構建，在此基礎上進行特征提取和數據分類，進行振蕩數據可靠性挖掘。

2 電力大系統振蕩數據挖掘算法改進實現

在上述進行了電力大系統振蕩數據的信息模型構建的基礎上，進行電力大系統振蕩數據挖掘算法設計，傳統方法采用的是決策樹特征分類方法進行電力大系統振蕩數據的可靠性挖掘算，在振蕩數據序列的廣域子空間中產生大量干擾噪聲，數據挖掘的精確度不高。為了克服傳統方法的弊端，本文提出一種基于頻譜包絡特征提取和時頻分析的電力大系統振蕩數據的可靠性挖掘算法。算法改進設計的關鍵技術描述如下：

電力大系統的分布模型中，節點的位置為y=[y1，y2,…,yN]T，ηn∈Ωη，n=1，2，…，N每一個節點需要進行電力數據傳輸和同行的頻譜為：

(11)

(12)

其中ρ∈(0，1)，假設電力大系統振蕩數據信息流是一組LMF信號，振蕩數據的時頻特征函數為：

(13)

其中，t為電力大系統振蕩數據采樣時間點，x(t)為相位差異信息，τ為時延參數，P為振蕩數據的能量密度譜。對振蕩數據的數據信息流x(t)的進行時頻變換，定義為：

(14)

其中，h*(τ-t)表示時頻變換的傳遞函數，它的實質是加了窗的傅立葉變換。計算電力大系統數據庫信號模型的能量密度譜：

(15)

(16)

其中，x(t)是振蕩數據進行信息傳輸的最短路徑上的平方可積函數，ψ(t)是包絡特征基函數，同參數a和τ有關。對振蕩數據的包絡特征計算瞬時頻率時間平均即=，計算結果為：

(17)

r1=x(t)-c1

(18)

wij=β×w(epkq) (β>1)

(19)

在振蕩數據挖掘過程中，來自多分量電力大系統振蕩數據挖掘信息特征中出現不同時頻強度的交叉作用，產生干擾，其中干擾項為：

n(t)=Fα·x(t)

(20)

X=[Xα(0)，Xα(1)，…，Xα(N-1)]T

(21)

其中，Fα是N×N維的頻譜包絡特征矩陣，設計一個原始實值時間函數h(t)，對電力大系統數據信息庫振蕩數據的包絡矢量z(t)實行高斯離散采樣，經過篩分過程，數據結果滿足：

(22)

通過上述分析，采用決策樹分類方法對時頻分析后的振蕩數據x(t)進行初步的數據篩選，得到數據篩選后的第個電力大系統數據信息庫振蕩數據的挖掘的判別函數為：

(23)

其中，α為決策樹類別調節系數，W為電力大系統的頻譜包絡特征，取值范圍為0≤α≤1。通過上述算法設計，由此實現數據挖掘算法改進。

3 仿真實驗與結果分析

為了測試本文算法在實現對電力大系統振蕩數據可靠性挖掘中的性能，進行仿真實驗。真實驗的軟件環境建立在Matlab仿真軟件基礎上，硬件環境為：Inter Pentium 4 3000MHz內存，操作系統為Windows 7。構建電力大系統模型，電力大系統振蕩數據的信號模型表型為一組頻帶為3～17 KHz、時寬為10 ms的窄帶調頻信號，電力大系統振蕩數據序列采集中，采集的頻率測試為f0=1 000 Hz，數據的隨機采樣率為fs=10×f0Hz=10 KHz，電力大系統振蕩數據的初始校驗頻率B=1 000 Hz，采樣點N=201，適應度值為v=1 000，調控因子λ=0.25，電磁環境交叉項干擾強度n=5 dB，在上述參數設計和仿真環境描述的基礎上，采用本文算法進行算法編程設計與實現。進行電力大系統振蕩數據挖掘仿真和性能分析，在電力大系統數據信息流中選擇一個小樣本，對樣本進行分析采集，得到原始采樣的電力大系統中的數據信息分布仿真結果如圖2所示。

圖2 原始采樣的電力大系統中的數據信息分布

以上述的數據采樣為樣本測試集，假設電力大系統數據信息庫信息流矢量長度為N，N=2 048，對電力大系統信息流序列進行相空間重構和隨機相位離散化處理，采用本文方法進行頻譜包絡特征提取和時頻分析，得到電力大系統中的振蕩數據頻譜包絡特征提取結果如圖3所示。

圖3 電力大系統中的振蕩數據頻譜包絡特征提取結果

從圖3可見，采用本文算法進行電力大系統中的振蕩數據頻譜包絡特征提取，能有效反應出電力大系統中的振蕩數據的分層結構特征和細節，能有效實現對電力大系統數據信息庫振蕩數據挖掘，為了定量分析本文算法的挖掘性能，采用本文算法和傳統算法，采用10 000次蒙特卡洛實時，在SNR=-10 dB～0 dB范圍內，以數據挖掘精度為測試指標，得到仿真對比結果如圖4所示。從圖4可見，采用本文算法，對振蕩數據的挖掘精度較高。

圖4 振蕩數據挖掘精度對比

4 結語

在電力大系統運行中，電力大系統設備規模復雜，工作環境惡劣，存在來自于發電系統、輸電系統和配電系統的干擾和電磁干擾會產生大量的振蕩數據，影響了電力系統在信息傳輸和配電過程中的穩定性和可靠性。

需要對電力大系統的振蕩數據進行挖掘，提高系統的穩定性和可靠性，本文提出一種基于頻譜包絡特征提取和時頻分析的電力大系統振蕩數據的可靠性挖掘算法。首先構建了電力大系統數據傳輸和存儲模型，實現數據的信號模型構建，在此基礎上對電力大系統中的數據進行頻譜包絡特征提取，以此為數據基礎，進行振蕩數據挖掘，采用時頻分析和決策樹分類方法實現對振蕩的可靠性分類挖掘，實驗結果表明，采用本文算法進行振蕩數據挖掘的精度較高，性能優越。

[1]孔英會，車轔轔，苑津莎，等. 基于小波分解和數據挖掘中決策樹算法的電能質量擾動識別方法[J]. 電網技術, 2007, 31(23): 78-82.

KONG Ying-hui, CHE Lin-lin, YUAN Jin-sha, et al. A power quality disturbance identification method based on wavelet decomposition and decision tree algorithm in data mining[J]. Power System Technology, 2007,31(23):78-82.

[2]李紅升. 基于粒子群算法改進電力信息系統的安全研究[J]. 科技通報, 2013, 29(4): 158-161.

LI Hong-sheng. Study on safety evaluation and application of electrical enterprise information system safe model based on improved particle swarm algorithm[J]．Bulletin of Science and Technology，2013，29(4)：158-161．

[3]郭 麗. 面向PID電力系統信息安全自動控制研究[J]. 科技通報, 2013, 29(2): 39-41.

Guo Li. PID oriented information security in power system automatic control research[J]. Bulletin of Science and Technology,2013,29(2):39-41.

[4]楊 來，史忠植，梁 帆，等. 基于 Hadoop 云平臺的并行數據挖掘方法[J]. 系統仿真學報, 2013, 25(5): 936-944.

YANG Lai, SHI Zhong-zhi, LIANG Fan, et al. Parallel approach in data mining based on Hadoop cloud platform[J]．Journal of System Simulation，2013，25(5)：936-1111.

[5]張國良，姚二亮，湯文俊，等. 一種自適應的GraphSLAM魯棒閉環算法[J]. 信息與控制, 2015,44(3): 316-320,327.

ZHANG Guo-liang, YAO Er-liang, TANG Wen-jun, et al. An adaptive robust loop closure algorithm for graph SLAM[J]．Information and Control，2015，44(3)：316-320，327．

[6]王 進，陽小龍，隆克平. 基于大偏差統計模型的 Http-Flood DDoS檢測機制及性能分析[J]. 軟件學報, 2013, 23(5):1272-1280.

WANG Jin, YANG Xiao-Long, LONG Ke-Ping. Http-Flood DDoS detection scheme based on large deviation and performance analysis[J]. Journal of Software,2013，23(5)：1272-1280.

[7]鄭海雁，王遠方，等. 標簽集約束近似頻繁模式的并行挖掘[J]. 計算機工程與應用, 2015, 51(9): 135-141.

ZHENG Hai-yan, WANG Yuan-fang, XIONG Zheng, et al. Parallel mining on label-constraint proximity pattern[J]. Computer Engineering and Applications, 2015，51(9): 135-141.

[8]邢長征，劉 劍. 基于近鄰傳播與密度相融合的進化數據流聚類算法[J]. 計算機應用, 2015, 35(7): 1927-1932.

XING Chang-zheng, LIU Jian. Evolutionary data stream clustering algorithm based on integration of affinity propagation and density[J]．Journal of Computer Applications，2015，35(7)：1927-1932.

(本文編輯：楊林青)

Reliability Mining Algorithm for Power System Oscillation Data

LIU Xin

(Hunan Railway Professional Technology College, Zhuzhou 412001, China)

This paper presents a reliability mining algorithm for power system oscillation data based on spectral envelope feature extraction and time frequency analysis. Construct the power system data transmission and storage model, conduct the spectral envelope features extraction for power system data, based on this basic data, implement discrete Gaussian sampling on power system data repository oscillation data envelope vector, do the preliminary vibration data screening after time-frequency analysis by using decision tree classification method, then achieve the reliability classification mining of oscillation data by using frequency analysis and decision tree classification method. Simulation results show that the algorithm can effectively extract the hierarchical structural features and details of the vibration data in power system with a strong anti-interference performance.

power system; oscillation data; data mining

10.11973/dlyny201506020

劉 鑫(1982)，男，碩士，講師，主要研究信息系統項目管理、軟件工程和大數據分析等。

TP391.9

A

2095-1256(2015)06-0831-05

2015-10-28