基于SG-UAP的水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知仿真

李國(guó)和，孫 勇，李立秋，王大坤

(華北電力大學(xué)，北京102206)

1 引言

隨著我國(guó)能源結(jié)構(gòu)調(diào)整的迅猛發(fā)展，風(fēng)電、光伏發(fā)電等非穩(wěn)定性電源得到快速發(fā)展，水電機(jī)組在電網(wǎng)中承擔(dān)調(diào)峰調(diào)頻[1-2]的任務(wù)也就越來(lái)越多，這要求水電機(jī)組在整個(gè)工況范圍內(nèi)具有充分的可用性。為了保證水電機(jī)組的正常運(yùn)行，需要對(duì)水電機(jī)組異動(dòng)信息進(jìn)行態(tài)勢(shì)感知模擬，從而進(jìn)一步確定發(fā)生水電機(jī)組發(fā)生異動(dòng)的位置。

全面發(fā)揮水電機(jī)組等優(yōu)良電源的調(diào)峰、調(diào)頻等作用，同時(shí)有效緩解電網(wǎng)、峰谷等矛盾，確保電源以及電網(wǎng)的協(xié)調(diào)運(yùn)行[3]，有效改善電能質(zhì)量，提高電力系統(tǒng)的穩(wěn)定運(yùn)行。這樣就要求水電機(jī)組在整個(gè)工況范圍內(nèi)具有較為充分的可用性，在復(fù)雜多變的運(yùn)行工況下會(huì)導(dǎo)致水電機(jī)組發(fā)生故障的機(jī)率增大[4-5]。水電機(jī)組故障診斷和預(yù)測(cè)是水電機(jī)組預(yù)防故障發(fā)生的重要途徑，也是保證電網(wǎng)安全的重要研究課題。

傳統(tǒng)的水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬方法無(wú)法滿足現(xiàn)階段的發(fā)展需求，所以本文在傳統(tǒng)方法的基礎(chǔ)上，提出基于SG-UAP的水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬方法。通過(guò)離線子空間樹(shù)聚類(lèi)獲得水電機(jī)組信息類(lèi)簇，將類(lèi)簇?cái)?shù)據(jù)輸入SG-UAP平臺(tái)完成聚類(lèi)簇標(biāo)記，獲取水電機(jī)組異動(dòng)信息。通過(guò)具體的仿真數(shù)據(jù)，全面驗(yàn)證了所提方法的優(yōu)越性。

2 方法

2.1 水電機(jī)組異動(dòng)信息在線屬性劃分

在進(jìn)行在線屬性劃分之前需要了解水電機(jī)組與水電站的連接方式。

分析圖1可知，水電機(jī)組能夠?yàn)樯龎鹤冸娬景l(fā)電，對(duì)此過(guò)程進(jìn)行分析。現(xiàn)階段使用最為廣泛的時(shí)間序列分析方法就是自回歸移動(dòng)平均模型，它主要是將兩種不同的模型進(jìn)行組合，以下給出具體的表現(xiàn)形式

圖1 水電站結(jié)構(gòu)

(1)

式中，ai代表yi-1的系數(shù)；εi代表白噪音；bj代表εi-j的系數(shù)。

自回歸移動(dòng)平均部分整合模型代表具有長(zhǎng)期記憶的模型[6]，它主要是指不同時(shí)期的隨機(jī)數(shù)據(jù)集對(duì)于該序列的影響會(huì)持續(xù)較長(zhǎng)的時(shí)間，以下給出ARFIMA模型的具體表現(xiàn)形式

Φ(L)(1-L)dyt=Θ(L)εt

(2)

其中，Θ表示整合運(yùn)算符，L表示記憶矩陣，εt表示自回歸系數(shù)，以下詳細(xì)給出均數(shù)方程式的變異方程式表現(xiàn)形式

yt=βxt+εt

(3)

(4)

在上述分析的基礎(chǔ)上，需要對(duì)網(wǎng)格聚類(lèi)方法的綜合性能進(jìn)行全面提升，同時(shí)通過(guò)逆序方法進(jìn)行各個(gè)子空間的組建[7-8]，計(jì)算的過(guò)程中不再利用各個(gè)層次聚類(lèi)以及初始聚類(lèi)進(jìn)行詳細(xì)的劃分以及交流，而是在各個(gè)層次之間進(jìn)行計(jì)算，這樣相比傳統(tǒng)方法能夠有效提升計(jì)算效率，同時(shí)減少整個(gè)方法的計(jì)算量，更加適用于流動(dòng)速度較快的數(shù)據(jù)。在區(qū)間進(jìn)行劃分的過(guò)程中，主要通過(guò)網(wǎng)格聚類(lèi)方法實(shí)現(xiàn)空間的具體劃分，其中孤立點(diǎn)對(duì)聚類(lèi)結(jié)果產(chǎn)生的影響并不是十分的顯著。當(dāng)數(shù)據(jù)流發(fā)生較為明顯的變化時(shí)，其對(duì)應(yīng)的區(qū)間也會(huì)發(fā)生較為明顯的變化，同時(shí)離線層的存在會(huì)改變最終的聚類(lèi)結(jié)果。

綜合上述分析，以下重點(diǎn)選用空間驅(qū)動(dòng)的方法進(jìn)行計(jì)算，主要通過(guò)多分辨率的網(wǎng)絡(luò)數(shù)據(jù)結(jié)構(gòu)將屬性空間進(jìn)行具體的劃分，同時(shí)將其放置于獨(dú)立分布的單元內(nèi)[9]。將對(duì)象的屬性空間劃分為多個(gè)空間，并且將其看做是網(wǎng)格結(jié)構(gòu)，同時(shí)后續(xù)的聚類(lèi)也會(huì)發(fā)生在上述的區(qū)間上面。如果設(shè)定形成n個(gè)d維記錄組合的集合S，能夠?qū)⑵浔硎緸?/p>

S={x1，x2，…，xn}，s?Rd

(5)

對(duì)應(yīng)的記錄能夠表示為

xi={xi1，xi2，…，xij，…，xid}

(6)

以下需要對(duì)區(qū)間劃分進(jìn)行相應(yīng)的更新，具體如下所示：

1)低密度區(qū)間分裂

如果在低密度區(qū)間內(nèi)，閾值明顯低于網(wǎng)格密度，需要將整個(gè)區(qū)域內(nèi)的網(wǎng)格進(jìn)行還原，同時(shí)將相鄰的網(wǎng)格進(jìn)行重新組合。

2)高密度區(qū)間分裂

如果在高密度空間內(nèi)，閾值明顯高于網(wǎng)格密度，此時(shí)則需要將網(wǎng)格周?chē)钠渌W(wǎng)格進(jìn)行重新組合。

圖2 子空間樹(shù)

不同樹(shù)種各個(gè)子空間的亞聚類(lèi)全部是在較低層次的區(qū)間內(nèi)進(jìn)行計(jì)算所形成的，將各個(gè)區(qū)間內(nèi)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(lèi)，以下給出具體的計(jì)算式

(7)

在上述分析的基礎(chǔ)上，δ代表平衡系數(shù)且大于0.32時(shí)，在線屬性區(qū)間劃分以及離線子空間樹(shù)聚類(lèi)得到類(lèi)簇，具體如下式所示

(8)

其中，當(dāng)Rd代表感知集。

2.2 基于SG-UAP的水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬

根據(jù)水電機(jī)組的異構(gòu)傳感器將相關(guān)的資產(chǎn)信息、脆弱性信息等進(jìn)行預(yù)處理，選用統(tǒng)一的格式將信息存儲(chǔ)于數(shù)據(jù)庫(kù)中，為下一步的研究奠定堅(jiān)實(shí)的基礎(chǔ)。為了樹(shù)立相關(guān)測(cè)試集的數(shù)據(jù)規(guī)范性，促使各個(gè)模塊之間進(jìn)行交互時(shí)需要按照一定的傳輸格式進(jìn)行傳輸[11]，同時(shí)能夠很大程度上減少各個(gè)模塊之間的耦合度，提高內(nèi)聚。

利用SG-UAP的關(guān)注度集中、接口與實(shí)現(xiàn)分離、高內(nèi)聚、低耦合、新需求響應(yīng)快、模塊化疊加、分模塊上線以及運(yùn)行時(shí)動(dòng)態(tài)更新等優(yōu)勢(shì)，設(shè)計(jì)水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知框圖，如圖3所示。

圖3 水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬具體結(jié)構(gòu)圖

像素級(jí)融合直接進(jìn)行原始數(shù)據(jù)采集，并對(duì)其進(jìn)行融合，將沒(méi)有經(jīng)過(guò)處理的數(shù)據(jù)進(jìn)行綜合分析。在上述分析的基礎(chǔ)上，引入獨(dú)立分量分析方法，它能夠有效的將多維混合信號(hào)分解為一系列獨(dú)立分量，更加適用于多通道信號(hào)。

如果設(shè)定多維信號(hào)X是由n個(gè)非高斯信號(hào)分量的線性混合信號(hào)組成，則混合模型能夠通過(guò)以下的形式表示

X(t)=AS(t)

(9)

式中，X代表水電機(jī)組的混合信號(hào)，同時(shí)也被稱為觀測(cè)信號(hào)；W代表通道的總數(shù)量。

通過(guò)估計(jì)水電機(jī)組進(jìn)行信號(hào)源估計(jì)以及觀測(cè)信號(hào)，促使估計(jì)信號(hào)最接近源信號(hào)，即

y=WX

(10)

以下詳細(xì)給出統(tǒng)計(jì)獨(dú)立概念的相關(guān)表達(dá)式

px，y(x，y)=px(x)py(y)

(11)

如果設(shè)定隨機(jī)變量的均值為0，設(shè)定概率密度為px(x)，以下對(duì)x的第一特征進(jìn)行連續(xù)變換，則有

(12)

將式(12)進(jìn)行泰勒展開(kāi)，則能夠獲取以下的表達(dá)式

(13)

通過(guò)相關(guān)理論分析可知，φ(ω)代表累積量生成函數(shù)[12]，針對(duì)均值為0的隨機(jī)變量，能夠?qū)⑶?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(jī)變量x的4階累積量稱為峭度，經(jīng)過(guò)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(jī)變量x的表現(xiàn)形式

(19)

以下詳細(xì)給出連續(xù)隨機(jī)變量x的熵

(20)

最后在SG-UAP平臺(tái)上選用多數(shù)投票方法對(duì)獲取的聚類(lèi)簇進(jìn)行標(biāo)記，獲取水電機(jī)組的正常信息以及水電機(jī)組的異動(dòng)信息，實(shí)現(xiàn)水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬，即

(21)

綜上所述，完成了水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬。

3 仿真研究

為了驗(yàn)證基于SG-UAP的水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬方法的綜合有效性，需要進(jìn)行仿真，實(shí)驗(yàn)環(huán)境為：Intel Core i3550(3.2GHz)，4GB RAM，Windows7(32bit)，Net Logo V5.0.4。

1)響應(yīng)時(shí)間(min)

為了驗(yàn)證所提方法的優(yōu)越性，以下分別分別所提方法、文獻(xiàn)[4]方法以及文獻(xiàn)[5]方法的響應(yīng)時(shí)間對(duì)比結(jié)果，具體對(duì)比結(jié)果如圖4所示。

圖4 水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知響應(yīng)時(shí)間

詳細(xì)分析圖4可知，不同方法的響應(yīng)時(shí)間隨著實(shí)驗(yàn)次數(shù)的變化而變化。很明顯本文方法在這10次實(shí)驗(yàn)中響應(yīng)時(shí)間最短，同時(shí)都不超過(guò)0.5 min；而文獻(xiàn)[4]及文獻(xiàn)[5]方法的響應(yīng)時(shí)間都在1.25min以上。

當(dāng)實(shí)驗(yàn)次數(shù)達(dá)到7次時(shí)，所提方法的響應(yīng)時(shí)間分別低于文獻(xiàn)[4]方法以及文獻(xiàn)[5]方法1.40 min、0.1.98 min。當(dāng)實(shí)驗(yàn)次數(shù)達(dá)到10次時(shí)，所提方法的響應(yīng)時(shí)間僅為0.2min，低于文獻(xiàn)[4]方法以及文獻(xiàn)[5]方法0.156min、0.236min。詳細(xì)分析實(shí)驗(yàn)數(shù)據(jù)可知，相比傳統(tǒng)方法，所提方法的響應(yīng)時(shí)間有了較為明顯的下降。

2)運(yùn)行效率/%

其中運(yùn)行效率也是衡量整個(gè)方法性能好壞的一項(xiàng)重要指標(biāo)。以下分別給出不同方法運(yùn)行效率的具體結(jié)果，如下表所示。

綜合分析表1可知，不同方法的運(yùn)行效率會(huì)隨著數(shù)據(jù)量的增加而變化。當(dāng)數(shù)據(jù)量較小時(shí)，即數(shù)據(jù)量為500 bit時(shí)，三種方法的運(yùn)行效率都比較高。但隨著數(shù)據(jù)量增加，文獻(xiàn)[4]方法與文獻(xiàn)[5]方法的運(yùn)行效率開(kāi)始下降，當(dāng)數(shù)據(jù)量達(dá)到3000 bit時(shí)，文獻(xiàn)[4]方法與文獻(xiàn)[5]方法的運(yùn)行效率僅為55%與58%，而本文方法的運(yùn)行效率仍在90%以上，具有較高的運(yùn)行效率。

表1 不同方法下運(yùn)行效率對(duì)比

3)水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知結(jié)果準(zhǔn)確率對(duì)比

利用表2給出不同水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知結(jié)果準(zhǔn)確率對(duì)比結(jié)果。

表2 不同方法下異動(dòng)信息態(tài)勢(shì)感知結(jié)果準(zhǔn)確率

全面分析表2可知，不同方法的準(zhǔn)確率會(huì)隨著運(yùn)行時(shí)間的變化而變化。當(dāng)運(yùn)行時(shí)間達(dá)到為10min時(shí)，所提方法的異動(dòng)信息態(tài)勢(shì)感知結(jié)果準(zhǔn)確率為98%，文獻(xiàn)[4]方法的異動(dòng)信息態(tài)勢(shì)感知結(jié)果準(zhǔn)確率為95%，文獻(xiàn)[5]方法的異動(dòng)信息態(tài)勢(shì)感知結(jié)果準(zhǔn)確率為94%。相比其它兩種方法，所提方法的文獻(xiàn)[4]方法的異動(dòng)信息態(tài)勢(shì)感知結(jié)果準(zhǔn)確率分別高于文獻(xiàn)[4]方法、文獻(xiàn)[5]方法3%、4%。

通過(guò)具體的實(shí)驗(yàn)數(shù)據(jù)分析可知，所提方法所提方法的水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知結(jié)果準(zhǔn)確率明顯高于其它兩種方法。

4 結(jié)束語(yǔ)

針對(duì)傳統(tǒng)的水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬方法存在的缺陷，本文設(shè)計(jì)并提出基于SG-UAP的水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知模擬方法。通過(guò)仿真實(shí)驗(yàn)可得出以下結(jié)論：

1)水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知平均響應(yīng)時(shí)間僅為0.2min。

2)水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知發(fā)運(yùn)行效率高達(dá)93%。

3)水電機(jī)組異動(dòng)信息態(tài)勢(shì)感知準(zhǔn)確率超過(guò)95%。

具有響應(yīng)時(shí)間短、效率高、準(zhǔn)確率大的優(yōu)勢(shì)，全面驗(yàn)證了所提方法的綜合有效性。

未來(lái)階段，將重點(diǎn)以下幾個(gè)方面展開(kāi)研究：

1)本文現(xiàn)階段雖然已經(jīng)取得了一些較為顯著的研究成果，但是仍然存在一些問(wèn)題，需要進(jìn)一步進(jìn)行研究，其中水電機(jī)組的耦合故障原理將是未來(lái)需要重點(diǎn)研究的方向之一。

2)水電機(jī)組在運(yùn)行的過(guò)程中存在大量的歷史監(jiān)測(cè)數(shù)據(jù)，在海量數(shù)據(jù)中挖掘出表示水電機(jī)組故障的關(guān)聯(lián)信息是下一步研究的重要話題。

3)未來(lái)階段將對(duì)水電機(jī)組的運(yùn)行狀態(tài)以及故障預(yù)判等方面展開(kāi)研究，同時(shí)也會(huì)對(duì)相關(guān)設(shè)備的剩余壽命、健康管理等方面的問(wèn)題展開(kāi)研究。

4)未來(lái)階段還將進(jìn)一步研究如何減少整個(gè)方法的成本開(kāi)銷(xiāo)，使整個(gè)方法的成本開(kāi)銷(xiāo)達(dá)到最低。