基于SG-UAP的水電機組異動信息態勢感知仿真

李國和，孫 勇，李立秋，王大坤

(華北電力大學，北京102206)

1 引言

隨著我國能源結構調整的迅猛發展，風電、光伏發電等非穩定性電源得到快速發展，水電機組在電網中承擔調峰調頻[1-2]的任務也就越來越多，這要求水電機組在整個工況范圍內具有充分的可用性。為了保證水電機組的正常運行，需要對水電機組異動信息進行態勢感知模擬，從而進一步確定發生水電機組發生異動的位置。

全面發揮水電機組等優良電源的調峰、調頻等作用，同時有效緩解電網、峰谷等矛盾，確保電源以及電網的協調運行[3]，有效改善電能質量，提高電力系統的穩定運行。這樣就要求水電機組在整個工況范圍內具有較為充分的可用性，在復雜多變的運行工況下會導致水電機組發生故障的機率增大[4-5]。水電機組故障診斷和預測是水電機組預防故障發生的重要途徑，也是保證電網安全的重要研究課題。

傳統的水電機組異動信息態勢感知模擬方法無法滿足現階段的發展需求，所以本文在傳統方法的基礎上，提出基于SG-UAP的水電機組異動信息態勢感知模擬方法。通過離線子空間樹聚類獲得水電機組信息類簇，將類簇數據輸入SG-UAP平臺完成聚類簇標記，獲取水電機組異動信息。通過具體的仿真數據，全面驗證了所提方法的優越性。

2 方法

2.1 水電機組異動信息在線屬性劃分

在進行在線屬性劃分之前需要了解水電機組與水電站的連接方式。

分析圖1可知，水電機組能夠為升壓變電站發電，對此過程進行分析。現階段使用最為廣泛的時間序列分析方法就是自回歸移動平均模型，它主要是將兩種不同的模型進行組合，以下給出具體的表現形式

圖1 水電站結構

(1)

式中，ai代表yi-1的系數；εi代表白噪音；bj代表εi-j的系數。

自回歸移動平均部分整合模型代表具有長期記憶的模型[6]，它主要是指不同時期的隨機數據集對于該序列的影響會持續較長的時間，以下給出ARFIMA模型的具體表現形式

Φ(L)(1-L)dyt=Θ(L)εt

(2)

其中，Θ表示整合運算符，L表示記憶矩陣，εt表示自回歸系數，以下詳細給出均數方程式的變異方程式表現形式

yt=βxt+εt

(3)

(4)

在上述分析的基礎上，需要對網格聚類方法的綜合性能進行全面提升，同時通過逆序方法進行各個子空間的組建[7-8]，計算的過程中不再利用各個層次聚類以及初始聚類進行詳細的劃分以及交流，而是在各個層次之間進行計算，這樣相比傳統方法能夠有效提升計算效率，同時減少整個方法的計算量，更加適用于流動速度較快的數據。在區間進行劃分的過程中，主要通過網格聚類方法實現空間的具體劃分，其中孤立點對聚類結果產生的影響并不是十分的顯著。當數據流發生較為明顯的變化時，其對應的區間也會發生較為明顯的變化，同時離線層的存在會改變最終的聚類結果。

綜合上述分析，以下重點選用空間驅動的方法進行計算，主要通過多分辨率的網絡數據結構將屬性空間進行具體的劃分，同時將其放置于獨立分布的單元內[9]。將對象的屬性空間劃分為多個空間，并且將其看做是網格結構，同時后續的聚類也會發生在上述的區間上面。如果設定形成n個d維記錄組合的集合S，能夠將其表示為

S={x1，x2，…，xn}，s?Rd

(5)

對應的記錄能夠表示為

xi={xi1，xi2，…，xij，…，xid}

(6)

以下需要對區間劃分進行相應的更新，具體如下所示：

1)低密度區間分裂

如果在低密度區間內，閾值明顯低于網格密度，需要將整個區域內的網格進行還原，同時將相鄰的網格進行重新組合。

2)高密度區間分裂

如果在高密度空間內，閾值明顯高于網格密度，此時則需要將網格周圍的其它網格進行重新組合。

圖2 子空間樹

不同樹種各個子空間的亞聚類全部是在較低層次的區間內進行計算所形成的，將各個區間內的相似度表示為閾值的單元格，重新組建更好層次的亞聚類，以下給出具體的計算式

(7)

在上述分析的基礎上，δ代表平衡系數且大于0.32時，在線屬性區間劃分以及離線子空間樹聚類得到類簇，具體如下式所示

(8)

其中，當Rd代表感知集。

2.2 基于SG-UAP的水電機組異動信息態勢感知模擬

根據水電機組的異構傳感器將相關的資產信息、脆弱性信息等進行預處理，選用統一的格式將信息存儲于數據庫中，為下一步的研究奠定堅實的基礎。為了樹立相關測試集的數據規范性，促使各個模塊之間進行交互時需要按照一定的傳輸格式進行傳輸[11]，同時能夠很大程度上減少各個模塊之間的耦合度，提高內聚。

利用SG-UAP的關注度集中、接口與實現分離、高內聚、低耦合、新需求響應快、模塊化疊加、分模塊上線以及運行時動態更新等優勢，設計水電機組異動信息態勢感知框圖，如圖3所示。

圖3 水電機組異動信息態勢感知模擬具體結構圖

像素級融合直接進行原始數據采集，并對其進行融合，將沒有經過處理的數據進行綜合分析。在上述分析的基礎上，引入獨立分量分析方法，它能夠有效的將多維混合信號分解為一系列獨立分量，更加適用于多通道信號。

如果設定多維信號X是由n個非高斯信號分量的線性混合信號組成，則混合模型能夠通過以下的形式表示

X(t)=AS(t)

(9)

式中，X代表水電機組的混合信號，同時也被稱為觀測信號；W代表通道的總數量。

通過估計水電機組進行信號源估計以及觀測信號，促使估計信號最接近源信號，即

y=WX

(10)

以下詳細給出統計獨立概念的相關表達式

px，y(x，y)=px(x)py(y)

(11)

如果設定隨機變量的均值為0，設定概率密度為px(x)，以下對x的第一特征進行連續變換，則有

(12)

將式(12)進行泰勒展開，則能夠獲取以下的表達式

(13)

通過相關理論分析可知，φ(ω)代表累積量生成函數[12]，針對均值為0的隨機變量，能夠將前4階的累積分量表示為以下的形式

κ1=0

(14)

κ2=E{x2}

(15)

κ3=E{x3}

(16)

κ4=E{x4}-3{E{x2}}2

(17)

通常情況下將隨機變量x的4階累積量稱為峭度，經過歸一化處理后的峭度能夠表示為

(18)

其中熵是信息理論的基本概念，里面包含全部信息量的平均值，以下給出離散隨機變量x的表現形式

(19)

以下詳細給出連續隨機變量x的熵

(20)

最后在SG-UAP平臺上選用多數投票方法對獲取的聚類簇進行標記，獲取水電機組的正常信息以及水電機組的異動信息，實現水電機組異動信息態勢感知模擬，即

(21)

綜上所述，完成了水電機組異動信息態勢感知模擬。

3 仿真研究

為了驗證基于SG-UAP的水電機組異動信息態勢感知模擬方法的綜合有效性，需要進行仿真，實驗環境為：Intel Core i3550(3.2GHz)，4GB RAM，Windows7(32bit)，Net Logo V5.0.4。

1)響應時間(min)

為了驗證所提方法的優越性，以下分別分別所提方法、文獻[4]方法以及文獻[5]方法的響應時間對比結果，具體對比結果如圖4所示。

圖4 水電機組異動信息態勢感知響應時間

詳細分析圖4可知，不同方法的響應時間隨著實驗次數的變化而變化。很明顯本文方法在這10次實驗中響應時間最短，同時都不超過0.5 min；而文獻[4]及文獻[5]方法的響應時間都在1.25min以上。

當實驗次數達到7次時，所提方法的響應時間分別低于文獻[4]方法以及文獻[5]方法1.40 min、0.1.98 min。當實驗次數達到10次時，所提方法的響應時間僅為0.2min，低于文獻[4]方法以及文獻[5]方法0.156min、0.236min。詳細分析實驗數據可知，相比傳統方法，所提方法的響應時間有了較為明顯的下降。

2)運行效率/%

其中運行效率也是衡量整個方法性能好壞的一項重要指標。以下分別給出不同方法運行效率的具體結果，如下表所示。

綜合分析表1可知，不同方法的運行效率會隨著數據量的增加而變化。當數據量較小時，即數據量為500 bit時，三種方法的運行效率都比較高。但隨著數據量增加，文獻[4]方法與文獻[5]方法的運行效率開始下降，當數據量達到3000 bit時，文獻[4]方法與文獻[5]方法的運行效率僅為55%與58%，而本文方法的運行效率仍在90%以上，具有較高的運行效率。

表1 不同方法下運行效率對比

3)水電機組異動信息態勢感知結果準確率對比

利用表2給出不同水電機組異動信息態勢感知結果準確率對比結果。

表2 不同方法下異動信息態勢感知結果準確率

全面分析表2可知，不同方法的準確率會隨著運行時間的變化而變化。當運行時間達到為10min時，所提方法的異動信息態勢感知結果準確率為98%，文獻[4]方法的異動信息態勢感知結果準確率為95%，文獻[5]方法的異動信息態勢感知結果準確率為94%。相比其它兩種方法，所提方法的文獻[4]方法的異動信息態勢感知結果準確率分別高于文獻[4]方法、文獻[5]方法3%、4%。

通過具體的實驗數據分析可知，所提方法所提方法的水電機組異動信息態勢感知結果準確率明顯高于其它兩種方法。

4 結束語

針對傳統的水電機組異動信息態勢感知模擬方法存在的缺陷，本文設計并提出基于SG-UAP的水電機組異動信息態勢感知模擬方法。通過仿真實驗可得出以下結論：

1)水電機組異動信息態勢感知平均響應時間僅為0.2min。

2)水電機組異動信息態勢感知發運行效率高達93%。

3)水電機組異動信息態勢感知準確率超過95%。

具有響應時間短、效率高、準確率大的優勢，全面驗證了所提方法的綜合有效性。

未來階段，將重點以下幾個方面展開研究：

1)本文現階段雖然已經取得了一些較為顯著的研究成果，但是仍然存在一些問題，需要進一步進行研究，其中水電機組的耦合故障原理將是未來需要重點研究的方向之一。

2)水電機組在運行的過程中存在大量的歷史監測數據，在海量數據中挖掘出表示水電機組故障的關聯信息是下一步研究的重要話題。

3)未來階段將對水電機組的運行狀態以及故障預判等方面展開研究，同時也會對相關設備的剩余壽命、健康管理等方面的問題展開研究。

4)未來階段還將進一步研究如何減少整個方法的成本開銷，使整個方法的成本開銷達到最低。