本發(fā)明涉及電力設備的時空多維安全評估,是基于電力系統(tǒng)多環(huán)節(jié)的信息審計、時序跟蹤、符號動力學和隱馬爾科夫模型對電力設備進行風險和安全態(tài)勢評估,對電力設備提出新型安全評估方法,通過監(jiān)視系統(tǒng)中電氣量的變化和審計記錄,及時識別系統(tǒng)中存在的安全隱患,保障系統(tǒng)的正常運行。具體涉及分環(huán)節(jié)信息審計、時序跟蹤、基于符號動力學的風險評估技術以及基于隱馬爾科夫模型的安全態(tài)勢預測方法。
背景技術:
電力系統(tǒng)智能化的發(fā)展很大程度依托于信息網絡系統(tǒng)的發(fā)展,但與電力系統(tǒng)安全防護相比,通信網絡風險較高。如何避免我國電力系統(tǒng)遭受來自信息網絡的攻擊或入侵,確保電力設備正常安全運行,成為亟待研究的問題。安全評估技術作為防范電力系統(tǒng)故障、找出系統(tǒng)現存安全風險的有效手段之一,以其低風險、低成本以及高靈活性受到重視。
電力系統(tǒng)的安全評估是通過監(jiān)視系統(tǒng)中各電氣量的變化和審計記錄來發(fā)現與識別系統(tǒng)中潛在的安全隱患,以便及時采取防范措施保障電力系統(tǒng)的正常運行。該評估方法是基于網絡或系統(tǒng)存在安全風險時電氣量信息與正常運行時不同這一前提提出的。目前對電力設備的安全評估主要在于安全風險檢測,隨著電力系統(tǒng)的發(fā)展,安全態(tài)勢預測也將成為安全評估技術中必不可少的一環(huán),這對電力系統(tǒng)的安全早期預警并及時采取安穩(wěn)預防控制具有重要意義。
技術實現要素:
電力設備的時空多維安全評估的主要思路在于將電力系統(tǒng)按結構進行劃分,在各個環(huán)節(jié)確定信息審計點,由于電力系統(tǒng)發(fā)生故障后的狀態(tài)信息具有時序特性,因此在各個環(huán)節(jié)的信息審計點上可以對狀態(tài)信息進行時序跟蹤,通過符號動力學對具有時序特性的狀態(tài)信息進行風險評估,形成電力設備的時空多維的風險指標計算體系,根據風險評估結果,使用隱馬爾科夫模型進行安全評估。
一種基于符號動力學和隱馬爾科夫模型的電力設備時空多維安全評估方法,其特征在于,具體步驟如下:
步驟1:由于電力設備運行狀態(tài)信息的時空多維性,電力系統(tǒng)中的數據量、數據形式和分析方法也趨于多樣化,所以,在電力設備的安全評估中,我們需要首先確定電力系統(tǒng)結構;
電力系統(tǒng)由發(fā)電機,各類升壓變壓器,輸電線路,降壓變壓器以及負荷所組成,對應電能的發(fā)、輸、變、配、用五個環(huán)節(jié),結構模型圖見附圖2;
步驟2:對電力設備進行安全評估需要完善的審計信息的支持。考慮電網公司的管理權限,針對電能的輸、變、配三個環(huán)節(jié)設置信息審計點設立原則如下:
(1)每個變壓器兩端各設立一個審計點;
(2)輸電線路兩端及中點各設立一個審計點,共三個;
(3)負荷側在110kv降壓變壓器低壓側進線處設立一個審計點。
那么,對于一個確定的電力網絡,審計點的設立如下(具體位置參見附圖2):
設電網中共有升、降壓變壓器n個,則變壓器兩側共設立2n個審計點,分別為變壓器高壓側p1,p2,...,pn,和低壓側q1,q2,...,qn;
設輸電線路上三個審計點分別為h1,h2,h3;
設配電網中110kv變壓器低壓側共有m條支路,則負荷側共設置m個審計點,分別為k1,k2,...,km;
然后從各審計點出發(fā),得到安全評估的審計信息序列:
…
…
…
信息審計點的確立可以提高安全評估的性能;
步驟3:電力系統(tǒng)發(fā)生故障后的狀態(tài)信息具有時序特性,利用這種時序特性可以快速而準確地診斷故障。首先,設備故障使得電氣量發(fā)生變化,之后是保護裝置動作,最后是斷路器跳閘;
在各個信息審計點,可以對狀態(tài)信息進行時序跟蹤,這樣就可以形成時間、空間上的時序跟蹤,從而更加準確的進行風險評估與安全評估,對審計信息序列i={audit1,audit2,…,auditt}進行時序分析;通過對審計序列進行時序分析,得到各分區(qū)一段時間里的狀態(tài)信息序列:
…
…
…
tk={m1,m2,...,mt};
通過前面對狀態(tài)信息的時序跟蹤,可以知道電力設備故障發(fā)生的概率以及故障導致的后果。
步驟4:通過符號動力學對電力設備的故障狀態(tài)信息序列進行抽象并進行描述;
采用15個字符的符號集描述風險,不失一般性,定義為ω={a,b,c,…,o},對于風險的可能性及后果,分別采用符號集中3個順序字符進行描述;
步驟5:各環(huán)節(jié)得到風險評估的符號信息序列o={alert1,alert2,…,alertt}后,本專利給出一種基于隱馬爾可夫模型的電力設備安全態(tài)勢預測方法,通過forward算法計算系統(tǒng)調用符號序列運行過程中發(fā)生的概率p(o|λ),建立判斷行為的閾值k;
一個完整的隱馬爾可夫模型hmm可以用λ=(a,b,p)來表示;
其中a為狀態(tài)轉換矩陣,b為觀察值產生概率矩,p為初始狀態(tài)概率向量;
forward算法,即給定一個符號信息序列,o={alert1,alert2,…,alertt}及hmm模型:λ=(a,b,p),計算該符號信息序列發(fā)生的概率p(o|λ)。
初始化:a1(i)=pibi(alert1)1≤i≤n;式一
遞歸:
結束:
步驟6:閾值k設置方法,先計算出每個滑動窗口長度為s的觀測序列出現的概率,接著求出全部長度為s的觀測序列產生概率的平均值;
式四中,b0(k)指的是觀察值概率,n指的是符號序列長度,avgp(s|λ)代表閾值k;
遞推得出:
初始值
根據觀測序列產生概率的平均值,閾值比較算法設計如下:
(1)讀入hmm檢測結果p(o|λ),讀入閾值avgp(s|λ);
(2)若p(o|λ)≥avgp(s|λ),則預測電力系統(tǒng)存在安全風險;
(3)若p(o|λ)<avgp(s|λ),則預測電力系統(tǒng)處于安全狀態(tài);
通過上述閾值比較算法可以預測電力系統(tǒng)的輸電、變電、配電各環(huán)節(jié)是否存在安全風險,實現電力設備安全態(tài)勢評估的目的。
在上述的一種基于符號動力學和隱馬爾科夫模型的電力設備時空多維安全評估方法,所述步驟4中,風險指標包含兩種風險子指標,分別對應時變可能性數據和非時變可能性數據,分析風險指標的符號序列,可以先確定子指標的符號序列,得到子指標和指標的符號概率密度,然后計算子指標和風險指標的關聯(lián)度,通過ks熵和kl相對熵得到與風險指標關聯(lián)度最大的子指標,依據主成分分析法(principlecomponentsanalysis,pca)確定風險指標的符號序列;
對于風險子指標的描述:
描述一、非時變可能性數據的映射:
其中[]表示高斯函數,pidx為該指標在符號集ω中的首字母,level表示配電線路的用戶等級,k=|ω|為字符集的長度;
描述二、時變可能性數據的映射:
定義風險基線某指標的可能性最大最小值分別為indmax以及indmin,而某次風險評估計算后的該指標為indcur,則該指標的可能性概率映射為:
pidx為該指標在符號集ω中的字母對應序號,而劃分每個區(qū)段的符號原則與符號權重ws的一致;
描述三、風險后果的映射:
cidx為該指標在符號集ω中的字母對應序號,而mttridn以及mttravg則分別表示該指標導致故障以及全線路所有故障的平均恢復時間mttr;
綜合風險可能性及后果指標描述,得到由6個字符描述的風險子指標;
關于風險指標的狀態(tài)空間描述,可以基于時間序列構建風險指標的狀態(tài)矢量,以構建狀態(tài)空間:
其中,{mk}表示基于時間序列的各項指標,而{sk}是狀態(tài)矢量的時間序列;
對于風險指標關聯(lián)度分析,具體包括:
(1)根據狀態(tài)矢量時間序列{indk},計算風險子指標的符號分布概率密度,設風險指標的序號為j;則某符號的概率密度計算公式為:
式中,i表示符號在符號集ω中的序號,pi(j)為待評估指標中符號i的概率密度函數;ws(l)為該符號在序列中的符號權重,而ws(max)為最大的符號權重,即0.6;
(2)計算風險指標的符號概率分布,某符號的概率密度計算公式為:
其中,r為指標中的子指標維度,而ws(d,l)為子指標d在第l個序列中的符號權重,p為風險指標中符號的概率密度函數;
(3)計算風險子指標與風險指標的關聯(lián)度,根據在可數符號集ω上的隨機變量分布pi(j)及pi,采用kolmogorov-sinai熵(ks熵)衡量第j個指標的復雜度,即kullback-leibler距離(kl相對熵)衡量兩個概率分布的關聯(lián)度;
以下分別用dj,hj表示kl相對熵及ks熵;因此,風險指標與子指標i關聯(lián)度可以用下式來表示;
風險指標的符號序列依據主成分分析法pca確定,以子指標關聯(lián)度最大的符號序列作為其符號序列,公式如下:
midx為風險指標的首字母序號,其字符序列與關聯(lián)度最大的符號序列一樣。
通過上述閾值比較算法可以預測電力設備是否存在安全風險,實現安全態(tài)勢評估的目的。
因此,本發(fā)明優(yōu)點有:1、根據電力設備運行狀態(tài)信息的時空多維性,對電力系統(tǒng)進行結構劃分,優(yōu)化評估要素信息的采集;2、在各環(huán)節(jié)確定信息審計點,完善審計信息,提高電力設備運行狀態(tài)信息采集的準確度;3、根據故障信息序列的時序性,在各環(huán)節(jié)審計點對故障信息進行時序跟蹤,考慮了電力設備運行歷史狀態(tài),使安全評估更為準確;4、通過符號動力學進行風險評估,得到電力設備故障信息的符號信息序列,能夠準確反映電力設備運行規(guī)律;5、利用隱馬爾科夫模型進行安全態(tài)勢預測計算,并通過建立合適的閾值判定電力設備是否存在安全風險,提高了安全態(tài)勢評估的準確度。
附圖說明
圖1為電力設備的時空多維安全評估流程圖。
圖2為電力系統(tǒng)結構示意圖。
圖3為信息序列的時序圖。
具體實施方式
下面通過實施例,并結合附圖,對本發(fā)明的技術方案作進一步具體的說明。
實施例:
按照附圖1電力設備的時空多維安全評估流程圖敘述。
第一步:根據附圖2的電力系統(tǒng)結構示意圖,對評估對象所在電網劃分為發(fā)電、輸電、變電、配電、用電五個環(huán)節(jié)。
第二步:考慮電網公司的管理權限,針對電能的輸、變、配三個環(huán)節(jié)設置信息審計點。
那么,對于一個確定的電力網絡,設網絡中共有升、降壓變壓器n個,配電網中110kv變壓器低壓側共有m條支路,則由步驟二中的設立原則,得到如下審計點(具體位置見附圖2):
變壓器高壓側:p1,p2,...,pn;變壓器低壓側q1,q2,...,qn;
輸電線路上:h1,h2,h3;
負荷側:k1,k2,…,km;
然后從各審計點出發(fā),得到安全評估的審計信息序列:
…
…
…
第三步:依照附圖3,對審計點各審計信息序列i={audit1,audit2,…,auditt}進行時序分析。
通過對審計序列進行時序分析,得到各分區(qū)一段時間里的狀態(tài)信息序列:
…
…
…
tk={m1,m2,…,mt};
然后對狀態(tài)信息進行時序跟蹤,得出電力系統(tǒng)故障發(fā)生的概率以及故障導致的后果。
第四步:通過符號動力學對電力設備的故障狀態(tài)信息序列進行抽象并進行描述;
定義描述風險的15個字符的符號集為ω={a,b,c,…,o},對于風險的可能性及后果,分別采用符號集中3個順序字符進行描述,其中最低的風險用符號表示的符號序列為{abc},最大的風險定義為符號序列{mno}。
對于風險子指標描述的可能性及后果為:
1、非時變可能性數據的映射
其中[]表示高斯函數,pidx為該指標在符號集ω中的首字母,level表示配電線路的用戶等級,k=|ω|為字符集的長度。
2、時變可能性數據的映射
假設風險基線某指標的可能性最大最小值分別為indmax以及indmin,而某次風險評估計算后的該指標為indcur,則該指標的可能性概率映射為:
pidx為該指標在符號集ω中的字母對應序號,而劃分每個區(qū)段的符號原則與符號權重ws的一致。
3、風險后果的映射
cidx為該指標在符號集ω中的字母對應序號,而mttridn以及mttravg則分別表示該指標導致故障以及全線路所有故障的平均恢復時間mttr(meantimetorepair)。
綜合風險可能性及后果指標描述,根據式(1)、式(2)、式(3)和式(4)、式(5)得到由6個字符描述的風險子指標。
基于時間序列構建風險指標的狀態(tài)空間為:
其中,{mk}表示基于時間序列的各項指標,而{sk}是狀態(tài)矢量的時間序列。
對風險指標的關聯(lián)度進行分析:
1、根據狀態(tài)矢量時間序列{indk},計算風險子指標的符號分布概率密度,設風險指標的序號為j,則某符號的概率密度為:
式中,i表示符號在符號集ω中的序號,pi(j)為待評估指標中符號i的概率密度函數。ws(l)為該符號在序列中的符號權重,而ws(max)為最大的符號權重,即0.6。
2、計算風險指標的符號概率分布,某符號的概率密度為:
其中,r為指標中的子指標維度,而ws(d,l)為子指標d在第l個序列中的符號權重,p為風險指標中符號的概率密度函數。
3、計算風險子指標與風險指標的關聯(lián)度,由式(7)和式(8),根據在可數符號集ω上的隨機變量分布pi(j)及pi,采用kolmogorov-sinai熵(ks熵)衡量第j個指標的復雜度,即kullback-leibler距離(kl相對熵)衡量兩個概率分布的關聯(lián)度。
分別用dj,hj表示kl相對熵及ks熵。因此,風險指標與子指標i關聯(lián)度為:
風險指標的符號序列為:
midx為風險指標的首字母序號,其字符序列與關聯(lián)度最大的符號序列一樣。
第五步:得到風險評估的符號信息序列o={alert1,alert2,…,alertt}后,通過forward算法,即給定一個符號信息序列:o={alert1,alert2,…,alertt}及hmm模型:λ=(a,b,p),計算該符號信息序列發(fā)生的概率p(o|λ)。
初始化:a1(i)=pibi(alert1)1≤i≤n;(13)
遞歸:
結束:
第六步:設置閾值。
每個滑動窗口長度為s的觀測序列出現的幾率為:
式中,b0(k)指的是觀察值概率,n指的是符號序列長度,avgp(s|λ)代表閾值k。
遞推得出全部長度為s的觀測序列產生幾率的平均值為:
初始值為:
根據觀測序列產生概率的平均值,讀入hmm檢測結果p(o|λ)和閾值avgp(s|λ)。
(1)若p(o|λ)≥avgp(s|λ),則預測電力系統(tǒng)存在安全風險。
(2)若p(o|λ)<avgp(s|λ),則預測電力系統(tǒng)處于安全狀態(tài)。
本文中所描述的具體實施例僅僅是對本發(fā)明精神作舉例說明。本發(fā)明所屬技術領域的技術人員可以對所描述的具體實施例做各種各樣的修改或補充或采用類似的方式替代,但并不會偏離本發(fā)明的精神或者超越所附權利要求書所定義的范圍。