王子佳
(大唐環境產業集團股份有限公司,北京 100097)
電能質量是配電系統穩定運行的重點,減少電壓暫降對系統的沖擊是保證電能質量的重要指標之一。如何快速準確識別電壓暫降源并采取相應措施,成為保證配電系統電能質量的難點[1]。近年來,眾多學者通過大量研究后發現,引起電壓暫降的工況不同,電壓信號的突變程度各異。因此,準確提取電壓突變信息是識別電壓暫降源的關鍵。基于此,本文將奇異值分解(Singular Value Decomposition,SVD)排列熵方法引入電壓暫降分析,通過對電壓暫降信號進行SVD分解得到一系列包含突變信息的信號分量,然后對信號分量求取排列熵,提取突變特征,實現對電壓暫降源的分析和識別。
SVD是一種通過將信號信息展開,呈現信息特征的分析方法[2]。對于m×n階矩陣A,存在正交矩陣U和V,使得:

式中:

式(1)為矩陣A的奇異值分解,其中σi為A的奇異值,數值依次遞減。
由于電壓信號為一維向量,因此選取合適的矩陣形式是利用SVD理論的前提[3]。本文采用連續截斷的矩陣構成方式,取正整數m和n,構成連續截斷矩陣A為:

電壓信號的突變信息主要體現在奇異值的數值上,隨著奇異值逐漸變小,包含的突變信息也越來越少。假設第k個開始數值明顯趨于零,則可確定電壓信號的突變信息包含在前k-1個奇異值中。選取前k-1個奇異值重構矩陣,得到排除原電壓信號中干擾信息的矩陣A',便于準確提取電壓突變信號特征。
排列熵是一種對信號突變特別敏感的非線性分析方法[4]。通過對一維向量x(i)=[x1,x2,xN]進行重構,選取合適的嵌入維數m和延遲時間δ,則可得到:

將X(i)按照升序方式重新排列可得:

由式(7)可知,所有向量均可得到相應的符號序列[j1,j2,…,jN],假設符號序列出現的概率為Pk,則其排列熵Hp為:

式中:l=1,2,…,k,且k≤m!。為統計方便,最后需對排列熵進行歸一化處理。
由上分析,本文提出一種基于SVD排列熵的電壓暫降源分析方法,首先對電壓信號構造連續截斷矩陣進行SVD分析,選取包含突變信息的奇異值重構信號,計算其排列熵,組成特征向量進行電壓暫降源分析識別,具體步驟如下。
(1)對電壓暫降信號采樣,得到N個樣本x1,x2,xt,…,xN;(2)對樣本xt構造連續截斷矩陣X,進行奇異值分解,得到一系列包含突變信息的奇異值矩陣,即S=diag(σ1,σ2,…,σi);(3)確定奇異值明顯趨于零的k值,選取前k-1個奇異值重構矩陣X'=[x'(1),x'(i),…x'(k-1)];(4)選取合適的嵌入維數m和延遲時間δ,計算x'(i)的排列熵,構建特征向量T=[e1,e2,…,ek-1],識別電壓暫降源類型。該方法實現的流程如圖1所示。

圖1 基于SVD排列熵的電壓暫降源分析方法流程
為了驗證方法的可行性,將所提方法應用于配電網電壓暫降仿真實驗數據。參照文獻[5]搭建火電廠配電仿真系統,如圖2所示。

圖2 火電廠配電仿真系統結構圖
配電仿真系統由10 kV和0.4 kV兩級構成。通過設置平臺模塊參數,分別模擬正常工況、線路短路、變壓器投運以及電動機啟動引起電壓暫降的典型工況。仿真系統的采樣頻率為1 kHz,每種暫降源在0.4 kV側各采集100組樣本,每組樣本包含1000個數據,隨機選取50組作為實驗數據。
正常情況下,電壓為0.38 kV的周期性正弦波,如圖3所示。

圖3 正常電壓波形
以電動機啟動工況為例,當0.4 kV低壓側有電動機啟動時,系統母線電壓幅值會出現短暫降低,并在電動機啟動完畢時恢復到正常電壓幅值,如圖4所示。

圖4 電動機啟動時電壓波形圖
分別對正常、線路短路、變壓器投運以及電動機啟動4種工況的樣本向量構造10行100列的連續截斷矩陣,進行奇異值分解。經奇異值分布對比后,選取前5個奇異值重構,重構后的矩陣為5行100列。分別求取重構矩陣行向量的排列熵,結果如表1所示。

表1 4種工況的排列熵分布
由表1可知,不同工況的排列熵強度和分布均不相同。將排列熵構建特征向量T=[e1,e2,…,e5],可見不同工況的電壓暫降特征存在較明顯的階梯分布,具有較好的識別性。
本文提出一種基于SVD排列熵的電壓暫降源分析方法,有效解決配電系統造成電壓暫降的工況識別。利用SVD排列熵構建特征向量,對電壓信號暫降特征進行分析識別。仿真實驗證明了本文方法的有效性,為配電系統電壓暫降的分析提供了新途徑。