[发明专利]一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法

摘要

本发明涉及一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法，具体涉及分环节信息审计、时序跟踪、基于符号动力学的风险评估技术以及基于隐马尔科夫模型的安全态势预测方法。本发明优点有：1、对电力系统进行结构划分，优化评估要素信息的采集；2、在各环节确定信息审计点，完善审计信息，提高电力设备运行状态信息采集的准确度；3、在各环节审计点对故障信息进行时序跟踪，考虑了电力设备运行历史状态，使安全评估更为准确；4、能够准确反映电力设备运行规律；5、利用隐马尔科夫模型进行安全态势预测计算，并通过建立合适的阈值判定电力设备是否存在安全风险，提高了安全态势评估的准确度。

主权项

一种基于符号动力学和隐马尔科夫模型的电力设备时空多维安全评估方法，其特征在于，具体步骤如下：步骤1：由于电力设备运行状态信息的时空多维性，电力系统中的数据量、数据形式和分析方法也趋于多样化，所以，在电力设备的安全评估中，我们需要首先确定电力系统结构；电力系统由发电机，各类升压变压器，输电线路，降压变压器以及负荷所组成，对应电能的发、输、变、配、用五个环节，结构模型图见附图2；步骤2：对电力设备进行安全评估需要完善的审计信息的支持，考虑电网公司的管理权限，针对电能的输、变、配三个环节设置信息审计点，设立原则如下：(1)每个变压器两端各设立一个审计点；(2)输电线路两端及中点各设立一个审计点，共三个；(3)负荷侧在110KV降压变压器低压侧进线处设立一个审计点；那么，对于一个确定的电力网络，审计点的设立如下(具体位置参见附图2)：设电网中共有升、降压变压器n个，则变压器两侧共设立2n个审计点，分别为变压器高压侧p1,p2,…,pn，和低压侧q1,q2,…,qn；设输电线路上三个审计点分别为h1，h2，h3；设配电网中110KV变压器低压侧共有m条支路，则负荷侧共设置m个审计点，分别为k1,k2,…,km；然后从各审计点出发，得到安全评估的审计信息序列：Ip1={Audit1,Audit2,...,AuditT};]]>Ip2={Audit1,Audit2,...,AuditT};]]>…Ipn={Audit1,Audit2,...,AuditT};]]>Iq1={Audit1,Audit2,...,AuditT};]]>Iq2={Audit1,Audit2,...,AuditT};]]>…Iqn={Audit1,Audit2,...,AuditT};]]>Ih1={Audit1,Audit2,...,AuditT};]]>Ih2={Audit1,Audit2,...,AuditT};]]>Ih3={Audit1,Audit2,...,AuditT};]]>Ik1={Audit1,Audit2,...,AuditT};]]>Ik2={Audit1,Audit2,...,AuditT};]]>…Ikm={Audit1,Audit2,...,AuditT};]]>信息审计点的确立可以提高安全评估的性能；步骤3：电力系统发生故障后的状态信息具有时序特性，利用这种时序特性可以快速而准确地诊断故障；首先，设备故障使得电气量发生变化，之后是保护装置动作，最后是断路器跳闸；在各个信息审计点，可以对状态信息进行时序跟踪，这样就可以形成时间、空间上的时序跟踪，从而更加准确的进行风险评估与安全评估，对审计信息序列I＝{Audit1,Audit2,…,AuditT}进行时序分析；通过对审计序列进行时序分析，得到各分区一段时间里的状态信息序列：Tp1={m1,m2,...,mT};]]>Tp2={m1,m2,...,mT};]]>…Tpn={m1,m2,...,mT};]]>Tq1={m1,m2,...,mT};]]>Tq2={m1,m2,...,mT};]]>…Tqn={m1,m2,...,mT};]]>Th1={m1,m2,...,mT};]]>Th2={m1,m2,...,mT};]]>Th3={m1,m2,...,mT};]]>Tk1={m1,m2,...,mT};]]>Tk2={m1,m2,...,mT};]]>…Tk＝{m1，m2，…，mT}；通过前面对状态信息的时序跟踪，可以知道电力设备故障发生的概率以及故障导致的后果；步骤4：通过符号动力学对电力设备的故障状态信息序列进行抽象并进行描述；采用15个字符的符号集描述风险，不失一般性，定义为Ω＝{A,B,C,…,O}，对于风险的可能性及后果，分别采用符号集中3个顺序字符进行描述；步骤5：各环节得到风险评估的符号信息序列O＝{Alert1,Alert2,…,AlertT}后，本专利给出一种基于隐马尔可夫模型的电力设备安全态势预测方法，通过Forward算法计算系统调用符号序列运行过程中发生的概率P(O|λ)，建立判断行为的阈值K；一个完整的隐马尔可夫模型HMM可以用λ＝(A,B,p)来表示；其中A为状态转换矩阵，B为观察值产生概率矩，p为初始状态概率向量；Forward算法，即给定一个符号信息序列，O＝{Alert1,Alert2,…,AlertT}及HMM模型λ＝(A,B,p)，计算该符号信息序列发生的概率P(O|λ)；初始化：a1(i)＝pibi(Alert1)1≤i≤N；式一递归：结束：步骤6:阈值K设置方法,先计算出每个滑动窗口长度为s的观测序列出现的概率，接着求出全部长度为s的观测序列产生概率的平均值；式四中，b0(k)指的是观察值概率，N指的是符号序列长度，avgP(s|λ)代表阈值K；递推得出：初始值在N≥s时进行计算；根据观测序列产生概率的平均值，阈值比较算法设计如下：(1)读入HMM检测结果P(O|λ)，读入阈值avgP(s|λ)；(2)若P(O|λ)≥avgP(s|λ)，则预测电力系统存在安全风险；(3)若P(O|λ)<avgP(s|λ)，则预测电力系统处于安全状态；通过上述阈值比较算法可以预测电力系统的输电、变电、配电各环节是否存在安全风险，实现电力设备安全态势评估的目的。