基于大數據混沌特性的電網在線監測異常數據識別方法

袁煒燈,陳威洪,蕭嘉榮,李敬航,林澤宏

(廣東電網有限責任公司 東莞供電局，廣東 東莞 523000)

0 引言

在電網監測過程中，萬伏以上的高壓電網環境中的監測感應裝置回傳數據過程會受到高壓電磁干擾[1]，數據回傳精度會有所偏差。因此，需要監測系統對偏差進行修正，才能獲得準確的電網狀態數據。而在實際應用中，對偏差參量進行修正時，首先需要對存在異常的數據進行識別，才能對異常數據進行偏差修正。因此，異常數據的識別精度與靈敏度是決定偏差修正精度的基礎。

一般來說，根據高壓電網環境的混沌特性，可計算電網諧波分量，通過對其展開小波變換、融合和匹配來實現對異常數據的識別。但這一過程計算量龐大，因此，本文將大數據技術引入其中，通過結合大數據混沌特性對識別計算過程進行簡化歸一處理，從而實現電網在線監測異常數據識別。

1 基于大數據混沌特性的識別方法設計

1.1 建立電網異常數據的混沌特性模型

根據電網異常數據的混沌特性，可通過定義電網全局的混沌電路，從而推導得到關于異常數據的混沌特性模型。根據電網中電路狀態的衰減頻率與電網電路初始狀態下的電路頻率，可將電網初始狀態下的電路響應劃分為以下幾種。

①混沌直流平穩狀態：處于電網混沌狀態空間中，全局電路通道內狀態因子趨近于一個對等劃分點。

②循環混沌響應狀態：電網導出數據的頻率參量ξn與載入電流信號的頻率參量ξ0具有相同參量與波形，即ξ0=ξn。

③混沌諧波響應狀態：電網導出數據的頻率參量與載入數據的頻率參量間的倍數關系量滿足ξ0=iξn，(i為大于1的正整數)。

④二級混沌諧波響應狀態：電網導出數據的頻率參量與載入數據的頻率參量間的倍數關系量滿足ξ0=qξn，(q為真分數，0

根據電網電路中電流信號波形與連續頻譜間的激勵一致性[2]，可計算分析得到電路狀態空間中的混沌變量的分布形態，再根據電路波形的不確定性，可將混沌分布狀態歸結于非線性問題來解決，由此可將其轉換為非線性電路的混沌問題。

根據非線性電路狀態方程，假設電路空間內的混沌量總數為i，其一階微分函數表現形態為式(1)。

(1)

式中，C=[c1,c2,…,ci]代表一階空間中混沌量的混沌狀態。

若F范圍內包含對應的時間變量t，則可將此狀態下的電網電路定義為混沌電路；反之，將其定義為非混沌電路。

混沌電路內部包含著以時間變量為基礎的電源控制器，通過時間變量控制器件對電路時變參量進行控制，使電路內部產生i個能夠存儲電荷的混沌因子，若i個混沌因子可獨立處于時變狀態下的電路內，則此電路為i階混沌電路。

非線性混沌電路如圖1所示。

圖1 非線性混沌電路

圖1中，通過正弦電流信號的激勵，電路信號B、非線性電流感應器A、線性電阻T與微控晶體管F構成串聯電路，電路中的微控晶體管作為單向非線性器件，若將其斷開電壓值忽略不計，則由非線性電路中的非線性電容特征，可知QI電容效應分別由QI對時變下的電荷存儲耗盡，產生的非線性電容層與電路擴散空間內存儲電荷的耗盡，對應時變所產生的非線性擴散電容層。

因此，可通過對其進行串聯電路的混沌模態建模，根據電荷與電流動力間的關系[3]，通過微分方程來定義其混沌狀態，其對應的非線性混沌電路的初始頻率f為7×10-6Hz，混沌電阻R為52 Ω。閉合電路的混沌電流為I(y)，電荷為w(y)，a與b為非零整數量，則存在式(2)。

(2)

式(2)即為電網異常數據的混沌特性模型。

1.2 混沌量相關分量的大數據計算

1.2.1 混沌量相分量計算

對混沌模型輸出的混沌量進行大數據分相量計算，可有效提升混沌量的精確度。在大數據計算空間內，對混沌模型輸出參量進行全周傅式的相分量計算，可得到式(3)、式(4)。

(3)

(4)

上述式中，OTl表示混沌電路中諧波分量對應主體的系數量，ONl表示混沌電路中諧波分量對應分體的系數量，?表示混沌量中對應的混沌電壓采樣率。當l=1時，則式(3)變為(4)，OT1與ON1分別表示初始混沌電壓的分量主體與分體；當l>1時，OTl表示全局混沌諧波分量的主體，ONl表示全局混沌諧波分量的分體。

在計算出混沌量的主體與分體之后，即可算出初始混沌電路中諧波對應的基礎混沌幅值Ol與混沌角?l如式(5)、式(6)。

(5)

(6)

為了減輕計算過程中運算冗余數據對計算速度的影響，將分量計算窗口進行縮減，使其保持半開狀態，其對應的周期變量相應變換為半周期，則最終得到混沌量的相分量計算式為式(7)。

(7)

1.2.2 混沌量的序分量計算

根據電路的對稱分量理論[4]，對上述計算得到混沌量的相分量進行序分量計算，通過序分量計算進一步確定異常數據的類型，計算式如式(8)。

(8)

1.2.3 混沌量的故障量計算

為了避免電流方向判定值對計算的影響以及提升計算值的適應場景，計算過程中，將電網全局場景的采樣點序分量設定為正序[5]，由此可通過對電網電流的電荷流向狀態，從而判定混沌分量與異常數據間的分布關系，即混沌量的正向故障分布判定與反向故障分布判定分別為式(9)、式(10)。

(9)

(10)

上述式中，?表示異常數據對應電流方向與混沌分量間的分布角度。為保證判定的客觀性，計算中將其角度值取中間值160°，其設定范圍為[0°，320°]，本文在應用中設定為中間系數量為13°。

1.3 異常數據分量的提取

(11)

將其記作一組初始小波提取樣本量，初始小波提取樣本量的成立條件式為式(12)。

(12)

式中，s,m∈T且s≠0。s表示變量算子；m表示等價變換算子，是關于初始小波提取樣本量ζ的鄰值循環小波變換。考慮到實際應用中混沌量與異常數據間的離散作用，對所得混沌量與對應異常數據間的小波離散函數式進行離散變換[8]，可得到式(13)。

E=A2(T)×ζs,m(y)

(13)

上述變換過程為正交屬性[9-10]。對變換后的小波系數對應的異常數據進行小波重組，將重組后的電路空間定義為K，將其中具有獨立性質的子空間設為Bk，使其成為K中的多因素混沌異常數據變量，若假設Bi表示正交尺度函數為γ的混沌異常數據變量，則有式(14)。

(14)

多因素混沌異常數據變量的特征分量提取結構圖如圖2所示。

圖2 多因素混沌異常數據變量的特征分量提取結構圖

圖2中，D表示異常數據的混沌基礎特征量，Vk、Fk分別表示基礎異常數據信號分解后所得g尺度下的最小分量值與最大分量值。多因素混沌異常數據變量經過分解計算后，多因素特征存儲于多個頻率信號因子上，則g尺度空間量下最大的小波變換量即為分離出來的異常數據分量，通過上述特征剝離過程即可實現對異常數據的提取。

1.4 異常數據提取量的融合識別

將提取的異常數據分量進行融合樣本采樣，采用數據的樣本形態為{c1,c2,c3,…cn}，對其進行cmax樣本最大值求解計算，并通過cmin對應函數獲得樣本最小值，將獲得的極值進行融合歸一計算，為式(15)。

(15)

對其進行融合樣本的歸一匹配計算，計算式為式(16)。

(16)

融合歸一匹配后的數據形態為[ch1,ch2,ch3,…，chi]，其異常特征變量空間范圍為[-1,1]，此空間下的異常數據變量敏感性最強，滿足傳遞性函數的識別條件。

在對混沌異常數據特征進行識別計算的基礎上，通過匹配相應因素對應異常數據的歸一特征向量，構建完整的異常數據識別樣本庫。在此基礎上，本文選取了480組故障特征數據，其中每種類型的混沌電路對應數據分別為160組，對所選樣本數據融合歸一匹配計算樣本如表1所示。

表1 異常數據融合識別歸一化匹配計算樣本庫

綜上所述，根據大數據混沌特性完成了對電網在線監測異常數據識別方法的設計。

2 實驗與結果分析

為驗證基于大數據混沌特性的電網在線監測異常數據識別方法的實際應用性能，在MATLAB平臺上設計如下仿真實驗加以驗證。

通過電網變壓器環境，創建實際混沌狀態場景。以變壓器的時間變量為實驗遞進邏輯關系。為了避免實驗過程中繞組系數量對混沌識別值的影響，在測試場景中，建立基于混沌特性的電流、電壓、有功與無功數據量。

測試場景中，將變壓器的基礎抗值和異常數據初始混沌量設定為0.1 pu，并對其進行異常數據分布量計算，計算結果構成新的初始量，然后以相同方法進行計算得到的值與第一次計算值構成異常數據混沌形態分布的邊界值。通過蒙特卡洛法在同一個時間窗口下生成40個時間窗口、9 000個測試樣本，測試樣本數據的動態誤差量與混沌場景的分布關系，如圖3所示。

圖3 異常數據測試場景分布指標

2.1 異常數據混沌分布密度設置

為了保證測試混沌量分布密度值的差異化，實驗在上述分布關系中，通過高斯函數隨機選取4個窗口時間量。選取的時間窗口分別為2號窗口、14號窗口、28號窗口與53號窗口，4個窗口分別對應的混沌密度曲線即為測試所用的密度。選取時間窗口對應的混沌分布密度曲線如圖4所示。

圖4 選取時間窗口對應的混沌分布密度曲線

2.2 測試數據分析計算

根據混沌特性的異常數權重特征，對選定的4個測試窗口進行權重計算，通過計算值與標準量的對比，構成評估矩陣M,如式(17)。

M=[M1,M2,M3,M4]

(17)

對測試獲得的4組評估指標進行加權計算，得到加權量集為en={e1,e2,e3,e4}。其中e1、e2、e3、e4分別表示混沌特性變量密度適應誤差量、異常數據識別概率、數據識別最大密度系數以及異常數據時變狀態下的識別概率。然后將選取窗口對應數據導入判定矩陣，并將判定結果劃分為“正常狀態”、“輕度異常”和“重度異常”3種情況。矩陣中4項元素的取值可為0、1或2，,其中“0”表示 “正常狀態”狀態，“1”表示“輕度異常”狀態，“2”表示“重度異常”狀態。

2.3 實驗結果

將判定結果導入評估矩陣中，得到4個測試窗口的評估結果，如表2所示。

表2 實驗結果

通過表2中的對比結果可以證明本文設計的基于大數據混沌特性的電網在線監測異常數據識別方法能夠有效識別電網異常數據的異常與否，且對混沌特性環境適應性強。

3 總結

本研究在大數據背景下，針對電網異常數據識別精度問題進行優化設計，通過采用大數據的海量計算技術，結合數據混沌特性的函數解析，對電網在線監測異常數據識別方法進行了詳細論述，并通過實例數據驗證了該方法具有較高的識別精度。可以說，本文方法具有較強的應用優勢和良好的應用前景。