基于SG-UAP的水电机组异动信息态势感知仿真

2021-11-17李国和李立秋王大坤

计算机仿真 2021年7期

李国和，孙勇，李立秋，王大坤

(华北电力大学，北京102206)

1 引言

随着我国能源结构调整的迅猛发展，风电、光伏发电等非稳定性电源得到快速发展，水电机组在电网中承担调峰调频[1-2]的任务也就越来越多，这要求水电机组在整个工况范围内具有充分的可用性。为了保证水电机组的正常运行，需要对水电机组异动信息进行态势感知模拟，从而进一步确定发生水电机组发生异动的位置。

全面发挥水电机组等优良电源的调峰、调频等作用，同时有效缓解电网、峰谷等矛盾，确保电源以及电网的协调运行[3]，有效改善电能质量，提高电力系统的稳定运行。这样就要求水电机组在整个工况范围内具有较为充分的可用性，在复杂多变的运行工况下会导致水电机组发生故障的机率增大[4-5]。水电机组故障诊断和预测是水电机组预防故障发生的重要途径，也是保证电网安全的重要研究课题。

传统的水电机组异动信息态势感知模拟方法无法满足现阶段的发展需求，所以本文在传统方法的基础上，提出基于SG-UAP的水电机组异动信息态势感知模拟方法。通过离线子空间树聚类获得水电机组信息类簇，将类簇数据输入SG-UAP平台完成聚类簇标记，获取水电机组异动信息。通过具体的仿真数据，全面验证了所提方法的优越性。

2 方法

2.1 水电机组异动信息在线属性划分

在进行在线属性划分之前需要了解水电机组与水电站的连接方式。

分析图1可知，水电机组能够为升压变电站发电，对此过程进行分析。现阶段使用最为广泛的时间序列分析方法就是自回归移动平均模型，它主要是将两种不同的模型进行组合，以下给出具体的表现形式

图1 水电站结构

(1)

式中，ai代表yi-1的系数；εi代表白噪音；bj代表εi-j的系数。

自回归移动平均部分整合模型代表具有长期记忆的模型[6]，它主要是指不同时期的随机数据集对于该序列的影响会持续较长的时间，以下给出ARFIMA模型的具体表现形式

Φ(L)(1-L)dyt=Θ(L)εt

(2)

其中，Θ表示整合运算符，L表示记忆矩阵，εt表示自回归系数，以下详细给出均数方程式的变异方程式表现形式

yt=βxt+εt

(3)

(4)

在上述分析的基础上，需要对网格聚类方法的综合性能进行全面提升，同时通过逆序方法进行各个子空间的组建[7-8]，计算的过程中不再利用各个层次聚类以及初始聚类进行详细的划分以及交流，而是在各个层次之间进行计算，这样相比传统方法能够有效提升计算效率，同时减少整个方法的计算量，更加适用于流动速度较快的数据。在区间进行划分的过程中，主要通过网格聚类方法实现空间的具体划分，其中孤立点对聚类结果产生的影响并不是十分的显著。当数据流发生较为明显的变化时，其对应的区间也会发生较为明显的变化，同时离线层的存在会改变最终的聚类结果。

综合上述分析，以下重点选用空间驱动的方法进行计算，主要通过多分辨率的网络数据结构将属性空间进行具体的划分，同时将其放置于独立分布的单元内[9]。将对象的属性空间划分为多个空间，并且将其看做是网格结构，同时后续的聚类也会发生在上述的区间上面。如果设定形成n个d维记录组合的集合S，能够将其表示为

S={x1，x2，…，xn}，s⊆Rd

(5)

对应的记录能够表示为

xi={xi1，xi2，…，xij，…，xid}

(6)

以下需要对区间划分进行相应的更新，具体如下所示：

1)低密度区间分裂

如果在低密度区间内，阈值明显低于网格密度，需要将整个区域内的网格进行还原，同时将相邻的网格进行重新组合。

2)高密度区间分裂

如果在高密度空间内，阈值明显高于网格密度，此时则需要将网格周围的其它网格进行重新组合。

图2 子空间树

不同树种各个子空间的亚聚类全部是在较低层次的区间内进行计算所形成的，将各个区间内的相似度表示为阈值的单元格，重新组建更好层次的亚聚类，以下给出具体的计算式

(7)

在上述分析的基础上，δ代表平衡系数且大于0.32时，在线属性区间划分以及离线子空间树聚类得到类簇，具体如下式所示

(8)

其中，当Rd代表感知集。

2.2 基于SG-UAP的水电机组异动信息态势感知模拟

根据水电机组的异构传感器将相关的资产信息、脆弱性信息等进行预处理，选用统一的格式将信息存储于数据库中，为下一步的研究奠定坚实的基础。为了树立相关测试集的数据规范性，促使各个模块之间进行交互时需要按照一定的传输格式进行传输[11]，同时能够很大程度上减少各个模块之间的耦合度，提高内聚。

利用SG-UAP的关注度集中、接口与实现分离、高内聚、低耦合、新需求响应快、模块化叠加、分模块上线以及运行时动态更新等优势，设计水电机组异动信息态势感知框图，如图3所示。

图3 水电机组异动信息态势感知模拟具体结构图

像素级融合直接进行原始数据采集，并对其进行融合，将没有经过处理的数据进行综合分析。在上述分析的基础上，引入独立分量分析方法，它能够有效的将多维混合信号分解为一系列独立分量，更加适用于多通道信号。

如果设定多维信号X是由n个非高斯信号分量的线性混合信号组成，则混合模型能够通过以下的形式表示

X(t)=AS(t)

(9)

式中，X代表水电机组的混合信号，同时也被称为观测信号；W代表通道的总数量。

通过估计水电机组进行信号源估计以及观测信号，促使估计信号最接近源信号，即

y=WX

(10)

以下详细给出统计独立概念的相关表达式

px，y(x，y)=px(x)py(y)

(11)

如果设定随机变量的均值为0，设定概率密度为px(x)，以下对x的第一特征进行连续变换，则有

(12)

将式(12)进行泰勒展开，则能够获取以下的表达式

(13)

通过相关理论分析可知，φ(ω)代表累积量生成函数[12]，针对均值为0的随机变量，能够将前4阶的累积分量表示为以下的形式

κ1=0

(14)

κ2=E{x2}

(15)

κ3=E{x3}

(16)

κ4=E{x4}-3{E{x2}}2

(17)

通常情况下将随机变量x的4阶累积量称为峭度，经过归一化处理后的峭度能够表示为

(18)

其中熵是信息理论的基本概念，里面包含全部信息量的平均值，以下给出离散随机变量x的表现形式

(19)

以下详细给出连续随机变量x的熵

(20)

最后在SG-UAP平台上选用多数投票方法对获取的聚类簇进行标记，获取水电机组的正常信息以及水电机组的异动信息，实现水电机组异动信息态势感知模拟，即

(21)

综上所述，完成了水电机组异动信息态势感知模拟。

3 仿真研究

为了验证基于SG-UAP的水电机组异动信息态势感知模拟方法的综合有效性，需要进行仿真，实验环境为：Intel Core i3550(3.2GHz)，4GB RAM，Windows7(32bit)，Net Logo V5.0.4。

1)响应时间(min)

为了验证所提方法的优越性，以下分别分别所提方法、文献[4]方法以及文献[5]方法的响应时间对比结果，具体对比结果如图4所示。

图4 水电机组异动信息态势感知响应时间

详细分析图4可知，不同方法的响应时间随着实验次数的变化而变化。很明显本文方法在这10次实验中响应时间最短，同时都不超过0.5 min；而文献[4]及文献[5]方法的响应时间都在1.25min以上。

当实验次数达到7次时，所提方法的响应时间分别低于文献[4]方法以及文献[5]方法1.40 min、0.1.98 min。当实验次数达到10次时，所提方法的响应时间仅为0.2min，低于文献[4]方法以及文献[5]方法0.156min、0.236min。详细分析实验数据可知，相比传统方法，所提方法的响应时间有了较为明显的下降。

2)运行效率/%

其中运行效率也是衡量整个方法性能好坏的一项重要指标。以下分别给出不同方法运行效率的具体结果，如下表所示。

综合分析表1可知，不同方法的运行效率会随着数据量的增加而变化。当数据量较小时，即数据量为500 bit时，三种方法的运行效率都比较高。但随着数据量增加，文献[4]方法与文献[5]方法的运行效率开始下降，当数据量达到3000 bit时，文献[4]方法与文献[5]方法的运行效率仅为55%与58%，而本文方法的运行效率仍在90%以上，具有较高的运行效率。

表1 不同方法下运行效率对比

3)水电机组异动信息态势感知结果准确率对比

利用表2给出不同水电机组异动信息态势感知结果准确率对比结果。

表2 不同方法下异动信息态势感知结果准确率

全面分析表2可知，不同方法的准确率会随着运行时间的变化而变化。当运行时间达到为10min时，所提方法的异动信息态势感知结果准确率为98%，文献[4]方法的异动信息态势感知结果准确率为95%，文献[5]方法的异动信息态势感知结果准确率为94%。相比其它两种方法，所提方法的文献[4]方法的异动信息态势感知结果准确率分别高于文献[4]方法、文献[5]方法3%、4%。

通过具体的实验数据分析可知，所提方法所提方法的水电机组异动信息态势感知结果准确率明显高于其它两种方法。