基于改進排列熵算法的電力系統(tǒng)設(shè)備狀態(tài)智能識別研究

王立永，紀斌，吳紅林

（國網(wǎng)北京市電力公司，北京 100031）

電力系統(tǒng)設(shè)備的正常運行是保障社會經(jīng)濟穩(wěn)定發(fā)展的重要支撐。隨著電網(wǎng)和電力設(shè)備組成規(guī)模的不斷增大，電力系統(tǒng)設(shè)備的種類越來越多，運行工況也越來越復(fù)雜[1]。電力系統(tǒng)設(shè)備在運行時，受到外界多種因素的干擾，導(dǎo)致電力系統(tǒng)設(shè)備出現(xiàn)異常，甚至影響整個電力系統(tǒng)的正常運行。因此，電力系統(tǒng)設(shè)備的安全穩(wěn)定運行已經(jīng)成為該領(lǐng)域關(guān)注的焦點問題[2]。針對電力系統(tǒng)設(shè)備的狀態(tài)進行識別，分析電力系統(tǒng)設(shè)備的運行安全性具有十分重要的意義?；诖?，該領(lǐng)域相關(guān)研究人員對電力系統(tǒng)設(shè)備狀態(tài)識別進行了大量研究。

文獻[3]提出基于多種測度的電網(wǎng)設(shè)備在線狀態(tài)評估方法。該方法借助層次分析方法獲取電網(wǎng)設(shè)備的運行初始權(quán)重，通過有向關(guān)系矩陣求解模糊測度的最優(yōu)值，通過模糊積分分析電網(wǎng)設(shè)備的健康度，在此基礎(chǔ)上，采用熵權(quán)法測度電網(wǎng)設(shè)備運行狀態(tài)，完成了電網(wǎng)設(shè)備運行狀態(tài)的在線評估。該方法對電網(wǎng)設(shè)備的運行狀態(tài)評估精度較高，但其評估的延時較長，具有一定局限性。文獻[4]提出基于綜合健康指數(shù)的電力設(shè)備狀態(tài)評估方法。該方法將健康指數(shù)作為電力設(shè)備狀態(tài)的評估指標，設(shè)計電力設(shè)備運行狀態(tài)的綜合評價模型；借助電力設(shè)備特征參數(shù)，分析電力設(shè)備運行狀態(tài)指數(shù)，并對其進行一定的修正；最后構(gòu)建基于時間序列分析的非線性關(guān)系模型，對電力設(shè)備運行健康狀態(tài)變化趨勢進行評估。該方法評估電力設(shè)備狀態(tài)的速度較快，但在構(gòu)建的模型中考慮的健康指標較少，存在評估精度較低的問題。文獻[5]提出基于P-Q解耦變換的智能電網(wǎng)狀態(tài)估計方法。該方法分析了現(xiàn)有電力系統(tǒng)狀態(tài)估計方法中存在的問題，測量電力系統(tǒng)支路功率、負荷以及電流幅值，并對獲取量進行解耦處理，根據(jù)獲取的非線性迭代方程完成電力系統(tǒng)狀態(tài)識別。該方法針對電力系統(tǒng)中不同設(shè)備的網(wǎng)絡(luò)拓撲結(jié)構(gòu)進行優(yōu)化，提升了電力系統(tǒng)狀態(tài)識別的精度，但該方法存在識別中對設(shè)備的測量耗時較長的問題。

針對上述方法中存在的不足，本文提出基于改進排列熵算法的電力系統(tǒng)設(shè)備狀態(tài)智能識別方法。首先構(gòu)建電力系統(tǒng)設(shè)備狀態(tài)的特征信息采集模型，以電力系統(tǒng)設(shè)備參數(shù)分布強度和控制參數(shù)為約束模型，通過改進排列熵算法進行電力系統(tǒng)設(shè)備狀態(tài)特征提??；然后進行電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測和優(yōu)化特征分析，采用小擾動抑制方法，提高電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測的抗干擾能力和輸出穩(wěn)定性。試驗結(jié)果表明，本文方法可有效對電力系統(tǒng)設(shè)備的狀態(tài)進行識別，具有一定優(yōu)勢。

1 電力系統(tǒng)設(shè)備狀態(tài)參數(shù)分析和辨識

1.1 電力系統(tǒng)設(shè)備狀態(tài)參數(shù)分析

為實現(xiàn)電力系統(tǒng)設(shè)備狀態(tài)智能識別，需要分析電力系統(tǒng)設(shè)備狀態(tài)的參數(shù)，以縮短電力系統(tǒng)設(shè)備狀態(tài)識別的耗時。精準確定電力系統(tǒng)設(shè)備狀態(tài)參數(shù)，避免提取非關(guān)鍵參數(shù)有助于提升識別的工作效率。以電力系統(tǒng)設(shè)備的電網(wǎng)強度和控制參數(shù)為約束參數(shù)，電力系統(tǒng)設(shè)備狀態(tài)的模糊信息采樣時刻為t，在不同電力系統(tǒng)設(shè)備參數(shù)分布強度和控制參數(shù)約束下[5]，得到電力系統(tǒng)設(shè)備狀態(tài)特征監(jiān)測區(qū)域分布函數(shù)2-λt＜ε，其中λ＞0，則電力系統(tǒng)設(shè)備虛擬同步控制特征信息分布序列為

式中：Δt為電力系統(tǒng)設(shè)備的狀態(tài)特征監(jiān)測時間差。

在旋轉(zhuǎn)坐標系下，構(gòu)造電力系統(tǒng)設(shè)備故障特征的接收序列[6-7]，得到電力系統(tǒng)的設(shè)備監(jiān)測狀態(tài)函數(shù)為

式中：N為真數(shù)；為電力系統(tǒng)的并網(wǎng)點添加小信號擾動分量。

在上述分析基礎(chǔ)上，分析電力系統(tǒng)設(shè)備的運行狀態(tài)參數(shù)[8-9]，得到電力系統(tǒng)設(shè)備的交叉組合分布式特征量為

式中：h(n)為電力系統(tǒng)設(shè)備的運行狀態(tài)屬性分布集。

在同步旋轉(zhuǎn)坐標系下，得到電力系統(tǒng)設(shè)備的穩(wěn)態(tài)運行辨識參數(shù)為g(n)，定、轉(zhuǎn)子電壓的經(jīng)驗?zāi)B(tài)特征分量為

通過無功指令控制方法[10]，得到電力系統(tǒng)設(shè)備故障特征信息分布的傳輸序列更新迭代式為

式中：a為初始化電力系統(tǒng)設(shè)備的虛擬阻尼系數(shù)；b為電力系統(tǒng)設(shè)備的轉(zhuǎn)子勵磁電壓的參考值。

結(jié)合特征提取，完成電力系統(tǒng)設(shè)備狀態(tài)參數(shù)分析。

1.2 電力系統(tǒng)設(shè)備狀態(tài)參量辨識

在上述電力系統(tǒng)設(shè)備狀態(tài)參數(shù)分析基礎(chǔ)上，辨識電力系統(tǒng)設(shè)備狀態(tài)參量可有效提升電力系統(tǒng)設(shè)備狀態(tài)識別的精度。通過系統(tǒng)輸出阻抗特性分析方法[11]，得到無功環(huán)比例積分控制參數(shù)的量化分布集g0，慣性和頻率支撐參數(shù)集為，對應(yīng)電力系統(tǒng)設(shè)備狀態(tài)智能特征分量為h0，狀態(tài)特征分量用k表示，在模糊代價尋優(yōu)下，得到電力系統(tǒng)設(shè)備的等效電感為

對轉(zhuǎn)子電壓及定、轉(zhuǎn)子等設(shè)備進行運行狀態(tài)參數(shù)辨識，構(gòu)建電力系統(tǒng)設(shè)備運行狀態(tài)的量化參數(shù)模型為

采用虛擬同步控制方法[12]，構(gòu)建出電力系統(tǒng)狀態(tài)智能監(jiān)測規(guī)劃方程的狀態(tài)，其閉環(huán)輸出為

結(jié)合電力系統(tǒng)設(shè)備運行工況得到電力系統(tǒng)的并網(wǎng)點狀態(tài)分布為

在定子電流擾動作用下，獲取電力系統(tǒng)設(shè)備狀態(tài)判決式，即電力系統(tǒng)設(shè)備狀態(tài)參量的辨識：

通過式（10）實現(xiàn)電力系統(tǒng)設(shè)備狀態(tài)參量的辨識，為后續(xù)電力系統(tǒng)設(shè)備狀態(tài)識別的精度提升奠定基礎(chǔ)。

2 電力系統(tǒng)設(shè)備狀態(tài)特征提取和智能識別

電力系統(tǒng)設(shè)備狀態(tài)智能識別過程如圖1所示。

圖1 電力系統(tǒng)設(shè)備狀態(tài)智能識別Fig.1 Intelligent recognition of power system equipment status

2.1 電力系統(tǒng)設(shè)備狀態(tài)特征提取

為實現(xiàn)電力系統(tǒng)設(shè)備狀態(tài)智能識別，本文采用改進排列熵算法獲取電力設(shè)備狀態(tài)特征量。

首先提取電力系統(tǒng)設(shè)備狀態(tài)的特征序列阻抗特征量[13]，得到電力系統(tǒng)設(shè)備狀態(tài)參數(shù)X(j)為

采用輸出阻抗的頻率特性分析方法，得到電力系統(tǒng)的信息熵提取規(guī)劃方程為

分析電力系統(tǒng)設(shè)備狀態(tài)的熵特征量，通過信息熵進一步評估小波頻率分量的干擾抑制，得到電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測的小波變換公式為

通過改進排列熵算法提取電力系統(tǒng)設(shè)備狀態(tài)特征，分析電力系統(tǒng)設(shè)備狀態(tài)的熵特征量，通過信息熵的優(yōu)化排序方法[14]，將設(shè)備狀態(tài)表示為a(n)=0和a(n)=1。通過改進排列熵分析，獲取電力系統(tǒng)設(shè)備線路自然衰減截止頻率，此時，電力系統(tǒng)設(shè)備狀態(tài)存在兩種方式：

式中：b0為電力系統(tǒng)設(shè)備運行狀態(tài)的特征分量。由此得到電力系統(tǒng)設(shè)備狀態(tài)特征量為

根據(jù)上述分析，提取電力系統(tǒng)設(shè)備狀態(tài)特征，確定電力系統(tǒng)設(shè)備狀態(tài)特征，在識別之前確定相應(yīng)識別量，避免電力系統(tǒng)設(shè)備非狀態(tài)特征的影響，提升識別的精度，根據(jù)特征提取結(jié)果，識別電力系統(tǒng)設(shè)備狀態(tài)。

2.2 電力系統(tǒng)設(shè)備狀態(tài)智能識別實現(xiàn)

在上述電力系統(tǒng)設(shè)備狀態(tài)特征提取的基礎(chǔ)上，建立電力系統(tǒng)設(shè)備的狀態(tài)智能識別模型。根據(jù)狀態(tài)識別結(jié)果進行線性控制和組合優(yōu)化。采用信息熵優(yōu)化排序方法，分析電力系統(tǒng)設(shè)備狀態(tài)特征。采用小擾動抑制方法，在穩(wěn)態(tài)工作點注入小信號擾動分量基礎(chǔ)上，結(jié)合小信號擾動識別的方法，抑制電力系統(tǒng)設(shè)備狀態(tài)智能識別過程中的干擾因素，實現(xiàn)電力系統(tǒng)設(shè)備狀態(tài)智能識別[15]。

通過線路首端保護裝置控制，得到電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測的關(guān)聯(lián)函數(shù)，表示為

式（19）中，電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測特征序列的時域采樣點個數(shù)為n，考核濾波器延時，得到電力系統(tǒng)設(shè)備狀態(tài)參數(shù)的關(guān)聯(lián)積分X(2r)服從于指數(shù)規(guī)律，即

式中：r為不同阻帶截止頻率及采樣率。

根據(jù)提取電力設(shè)備狀態(tài)運行的通帶截止頻率得到電力設(shè)備狀態(tài)監(jiān)測的可靠性參數(shù)分布為

在上述分析基礎(chǔ)上，實現(xiàn)電力系統(tǒng)設(shè)備狀態(tài)的智能識別。

3 仿真分析

3.1 仿真環(huán)境

為驗證所提方法的可靠性，通過仿真測試驗證本文方法在電力系統(tǒng)設(shè)備狀態(tài)智能識別的應(yīng)用性能。仿真在Matlab平臺上進行，仿真操作系統(tǒng)選擇Windows7系統(tǒng)，該系統(tǒng)的內(nèi)存為16 GB，CPU為3.6 GHz，獲取的數(shù)據(jù)通過SPSS 13.0軟件進行分析。試驗以某地220 kV變電站內(nèi)變壓器的運行狀態(tài)進行識別，該變壓器的型號為ZF1-252，具體試驗環(huán)境如圖2所示。

圖2 試驗環(huán)境Fig.2 Experimental environment

3.2 仿真參數(shù)

試驗用的變壓器主要仿真參數(shù)為：額定電流3 150 A，開斷電流50 kA，保護變比1 200：1，額定電壓220 kV，空載損耗98 kW，容量150 MV·A，采樣間隔0.2 s，采樣率10 GHz。

根據(jù)上述參數(shù)設(shè)定，對比所提方法、基于多種測度的電網(wǎng)設(shè)備在線狀態(tài)評估方法以及基于綜合健康指數(shù)的電力設(shè)備狀態(tài)評估方法，以識別的精度和識別耗時為試驗指標，獲取的變壓器設(shè)備運行狀態(tài)信號變化，如圖3所示。

圖3 變壓器運行狀態(tài)信號樣本變化幅值Fig.3 Variation amplitude of transformer operation state signal sample

3.3 仿真結(jié)果分析

3.3.1 電力系統(tǒng)設(shè)備狀態(tài)識別精度分析

為了證明所提方法可應(yīng)用在電力系統(tǒng)設(shè)備狀態(tài)識別中，仿真對比了所提方法、基于多種測度的電網(wǎng)設(shè)備在線狀態(tài)評估方法以及基于綜合健康指數(shù)的電力設(shè)備狀態(tài)評估方法的識別精度，結(jié)果如圖4所示。

圖4 電力系統(tǒng)設(shè)備狀態(tài)識別精度對比Fig.4 Comparison of power system equipment status recognition accuracy

分析圖4可以看出，在相同仿真環(huán)境下，采用所提方法、基于多種測度的電網(wǎng)設(shè)備在線狀態(tài)評估方法以及基于綜合健康指數(shù)的電力設(shè)備狀態(tài)評估方法對電力系統(tǒng)設(shè)備狀態(tài)進行識別，識別精度存在一定差距。其中，所提方法識別電力設(shè)備狀態(tài)的精度始終保持在90%以上，其他兩種方法的識別精度始終低于所提方法。其中，多種測度的電網(wǎng)設(shè)備在線狀態(tài)評估方法隨著識別次數(shù)的增加，評估的精度下降，這是由于該方法需要通過有向關(guān)系矩陣求解模糊測度的最優(yōu)值，該迭代過程中易受到其他因素干擾，導(dǎo)致識別精度不斷下降。而本文方法在識別前分析了電力系統(tǒng)設(shè)備運行狀態(tài)參數(shù)，并構(gòu)建相關(guān)識別模式，提升了所提方法的識別精度。

3.3.2 電力系統(tǒng)設(shè)備狀態(tài)識別耗時分析

為了進一步驗證所提方法的可行性，試驗分析了所提方法、基于多種測度的電網(wǎng)設(shè)備在線狀態(tài)評估方法以及基于綜合健康指數(shù)的電力設(shè)備狀態(tài)評估方法的識別耗時，仿真結(jié)果如圖5所示。

圖5 電力系統(tǒng)設(shè)備狀態(tài)識別耗時對比Fig.5 Comparison of power system equipment status identification time

分析圖5可以看出，采用三種方法對電力系統(tǒng)設(shè)備狀態(tài)識別的耗時不同。其中，所提方法的識別平均耗時低于其他兩種傳統(tǒng)方法，且變化較為穩(wěn)定，而其他兩種方法的識別耗時存在一定波動，驗證了所提方法的可行性。

4 結(jié)論

本文提出基于改進排列熵算法的電力系統(tǒng)設(shè)備狀態(tài)智能識別方法。通過構(gòu)建電力系統(tǒng)設(shè)備運行狀態(tài)的量化參數(shù)模型，對電力系統(tǒng)設(shè)備狀態(tài)約束參量進行辨識；通過信息熵的優(yōu)化排序方法，獲取電力系統(tǒng)設(shè)備狀態(tài)監(jiān)測和優(yōu)化特征，采用小擾動抑制方法，結(jié)合小信號擾動識別，實現(xiàn)電力系統(tǒng)設(shè)備狀態(tài)智能識別。仿真結(jié)果表明，所提方法識別的精度較高，且識別速度較快。