基于HHT算法的分布式电力系统状态自动监测方法

周柏青

(浙江同济科技职业学院, 浙江 杭州 311231)

在电力系统的智慧化管理背景下,监测分布式电力系统状态、实现对分布式电力系统运维监测和管理成为当下该领域的热点研究课题[1].现有监测方法通过数据融合和聚类分析可实现分布式电力系统状态参数状态特征监测,根据对分布式电力系统状态参数信息的特征提取和属性聚类结果,实现对数据的自动化状态特征监测[2-3].由于分布式电力系统状态参数规模较大,现有监测方法存在参数特征聚类性较差、监测过程受干扰因素影响等问题,导致参数状态特征监测准确度不高.本文提出基于希尔伯特-黄变换 (Hilbert-Huang Transform,HHT)算法的分布式电力系统状态自动监测方法,并通过仿真测试进行性能验证.

1 状态参数信息分布结构和稳态特征分析

1.1 状态参数信息分布结构模型

为了实现分布式电力系统状态参数信息的优化和状态特征监测,通过参数辨识和节点优化部署的方法,进行分布式电力系统状态参数融合,结合对分布式电力系统状态特征匹配结果,构建分布式电力系统状态参数信息的融合模型,采用统计分析和分布式电力系统状态特征检测方法,结合数据状态特征监测过程的HHT技术,进行分布式电力系统状态参数信息的转换和传输协议设计[4],在 传输控制协议(transmission control protocol,TCP)模式下,建立分布式电力系统状态参数状态特征监测的组网和通信结构模型,确定分布式电力系统状态参数状态特征监测结构模型如图1所示.

图1 系统状态监测结构模型

在图1所示的分布式电力系统状态参数状态特征监测结构模型中,构建分布式电力系统状态参数信息的希尔伯特谱特征分析模型[5],基于希尔伯特卷积图谱解析方法对分布式电力系统状态参数进行融合和特征匹配,系统状态参数信息的时间序列分布结构模型为：

(1)

在模糊信息的结构映射中引入联合时间序列分析,得到分布式电力系统状态参数信息HHT模型为：

(2)

采用块匹配技术,结合分布式电力系统的运维状态管理,得到分布式电力系统状态参数信息的联合特征聚类模型为：

(3)

式中：l为分布式电力系统状态参数信息的聚类相关性系数;vt为分布式电力系统状态参数信息融合的阶数;ρ为自适应加权系数;H为系统状态时域.

结合分布式电力系统的运维状态管理和时域控制分析,进行分布式电力系统的运维状态特征重组,通过信息融合处理后,构建分布式电力系统状态参数信息分布结构模型为：

(4)

式中：ai为系统运行状态特征量;K(x,xi)为系统从x时刻运行到xi时刻时状态变化特征量.

根据数据结构分析,可实现对分布式电力系统状态参数信息融合和检测[6].

1.2 系统稳态特征分析模型

(5)

式中,vTh为分布式电力系统状态参数信息的有效数据检测阈值,取值+1或-1.

基于模糊聚类结果,采用特征映射寻优方法,得到分布式电力系统运行状态特征的融合模型为：

(6)

谱密度特征分量为：

(7)

根据综合评价决策方法,建立分布式电力系统状态参数信息的融合模型,得到分布式电力系统状态参数信息的HHT解析模型为：

(8)

式中,ri和θi分别为系统状态参数信息的模糊度频移和尺度信息[8].

采用联合自相关映射,得到分布式电力系统状态参数信息调度的采样时间间隔zij,根据分布式电力系统状态参数信息的模糊融合体系,采用HHT变换,得到分布式电力系统状态参数信息的模糊特征匹配函数描述为：

(9)

式中,blocki为任意分块.

得到分布式电力系统状态参数信息的模糊检测结构模型,结合分布式电力系统状态交互特征,建立分布式电力系统稳态特征分析模型为：

(10)

式中：Bki为阻抗系数;fg为阻抗;φki为功率谱调节系数.

基于HHT算法及寻优方法,实现对分布式电力系统状态参数信息的模糊融合处理.

2 状态特征监测方法

2.1 状态参数信息特征提取

基于希尔伯特卷积图谱解析方法实现对分布式电力系统状态参数信息融合和特征匹配,提取分布式电力系统状态参数信息的输出功率及电压的模糊图谱关联特征集[9-10],得到分布式电力系统状态参数信息的特征分类属性判别函数为：

(11)

式中：φ为相位偏转;B为输出电流增益.

通过多模态参数分析,得到分布式电力系统状态监测的联合互信息函数为：

(12)

式中：X(k)为分布式电力系统状态参数信息的时间采样序列;I(n)为分布式电力系统状态参数信息融合的特征干扰分量.

考虑分布式电力系统状态参数信息输出的均衡性,得到分布式电力系统状态特征监测的编译参数分布为：

(13)

式中：gn为分布式电力系统状态参数状态特征监测的迭代步数;fj为分布式电力系统状态参数信息输出比特序列.

基于HHT算法,得到分布式电力系统状态参数信息采样的模糊度函数为E=U/RC={Ei|i=1,2,…,n};依据分布式电力系统状态参数采样,得到输出的联合概率密度特征为Z={z1,z2,z3},整个分布式电力系统状态参数信息的模糊特征提取输出为：

(14)

式中,xk为整个分布式电力系统状态参数信息的访问比特率.

(15)

提取分布式电力系统状态参数信息的输出功率及电压的模糊图谱关联特征集,通过功率谱密度重组和输出阻抗增益调度的方法实现特征提取和检测[11-12].

2.2 基于HHT的状态监测

采用分布式电力系统状态参数信息融合聚类方法,得到数据分布的有向图模型为E=(e1,e2,…,en),通过HHT算法,得到分布式电力系统状态参数信息分布的模态函数为：

(16)

式中：da为分布式电力系统的输出联合关联状态特征监测时间序列;di为分布式电力系统状态空间谱密度;db为分布式电力系统状态采样的时间延迟.

提取分布式电力系统状态参数信息的输出功率及电压的模糊图谱关联特征集后,通过功率谱密度重组和输出阻抗增益调度的方法,在HHT模型中进行分布式电力系统状态参数信息融合,结合HHT的数据融合方法实现对分布式电力系统状态自动监测,分布式电力系统状态参数状态特征监测的收敛性控制函数为：

(17)

根据算法改进设计,可实现对分布式电力系统状态自动监测,实现流程如图2所示.

图2 系统状态自动监测流程图

3 仿真测试分析

采用仿真测试方法验证本文方法在实现分布式电力系统状态自动监测中的应用性能.试验中以IEEE14节点系统为研究对象,在该系统的子系统节点2、6和边界点3、4处设置PMU,共对该系统进行20次采样,得到的负荷变化曲线如图3所示.

图3 样本分布式电力系统负荷变化曲线

在此系统基础上,设定HHT模型学习不同数据的学习效率为0.34,电力系统的阻抗参数匹配系数为0.45.设定14个状态监测节点,各个状态监测节点采集的原始数据信息见表1.

表1 监测节点状态信息采集

根据表1的数据采样结果,实现分布式电力系统状态参数状态监测,得到相关参数监测波形如图4所示.

图4 监测输出

分析图4可知,本文方法能有效实现对分布式电力系统状态参数状态监测,输出稳态性较好,表2为测试相关参数指标的监测数据,分析表2可知,本文方法进行分布式电力系统状态监测的误差较小、收敛性较好.

表2 监测输出误差测试

为进一步验证所提方法的有效性,采用本文方法、基于设备在线监测的决策模型以及基于深度神经网络的状态监测技术分别监测样本系统,进行对比试验,以监测的准确性为试验指标,得到的试验结果如图5所示.

图5 不同方法监测准确性对比结果

由图5中试验结果可见,三种方法对样本状态监测的准确性存在一定差异,本文方法监测的准确性始终高于其他两种方法,验证了本文方法的有效性.

4 结语

在嵌入式的信息交互构架协议下,为实现对分布式电力系统运维监测和管理的智能化开发设计,本文提出了基于HHT算法的分布式电力系统状态自动监测技术.采用统计分析和分布式电力系统状态特征检测方法,结合数据状态特征监测过程的HHT技术,进行分布式电力系统状态参数信息的转换和传输协议设计,在HHT模型中采用规定的融合规则进行分布式电力系统状态参数信息融合,结合HHT的数据融合方法实现对分布式电力系统状态自动监测.由仿真试验结果可知,本文方法进行分布式电力系统状态参数监测的误差较小、收敛性较好.