基于大数据混沌特性的电网在线监测异常数据识别方法

袁炜灯,陈威洪,萧嘉荣,李敬航,林泽宏

(广东电网有限责任公司 东莞供电局，广东 东莞 523000)

0 引言

在电网监测过程中，万伏以上的高压电网环境中的监测感应装置回传数据过程会受到高压电磁干扰[1]，数据回传精度会有所偏差。因此，需要监测系统对偏差进行修正，才能获得准确的电网状态数据。而在实际应用中，对偏差参量进行修正时，首先需要对存在异常的数据进行识别，才能对异常数据进行偏差修正。因此，异常数据的识别精度与灵敏度是决定偏差修正精度的基础。

一般来说，根据高压电网环境的混沌特性，可计算电网谐波分量，通过对其展开小波变换、融合和匹配来实现对异常数据的识别。但这一过程计算量庞大，因此，本文将大数据技术引入其中，通过结合大数据混沌特性对识别计算过程进行简化归一处理，从而实现电网在线监测异常数据识别。

1 基于大数据混沌特性的识别方法设计

1.1 建立电网异常数据的混沌特性模型

根据电网异常数据的混沌特性，可通过定义电网全局的混沌电路，从而推导得到关于异常数据的混沌特性模型。根据电网中电路状态的衰减频率与电网电路初始状态下的电路频率，可将电网初始状态下的电路响应划分为以下几种。

①混沌直流平稳状态：处于电网混沌状态空间中，全局电路通道内状态因子趋近于一个对等划分点。

②循环混沌响应状态：电网导出数据的频率参量ξn与载入电流信号的频率参量ξ0具有相同参量与波形，即ξ0=ξn。

③混沌谐波响应状态：电网导出数据的频率参量与载入数据的频率参量间的倍数关系量满足ξ0=iξn，(i为大于1的正整数)。

④二级混沌谐波响应状态：电网导出数据的频率参量与载入数据的频率参量间的倍数关系量满足ξ0=qξn，(q为真分数，0

根据电网电路中电流信号波形与连续频谱间的激励一致性[2]，可计算分析得到电路状态空间中的混沌变量的分布形态，再根据电路波形的不确定性，可将混沌分布状态归结于非线性问题来解决，由此可将其转换为非线性电路的混沌问题。

根据非线性电路状态方程，假设电路空间内的混沌量总数为i，其一阶微分函数表现形态为式(1)。

(1)

式中，C=[c1,c2,…,ci]代表一阶空间中混沌量的混沌状态。

若F范围内包含对应的时间变量t，则可将此状态下的电网电路定义为混沌电路；反之，将其定义为非混沌电路。

混沌电路内部包含着以时间变量为基础的电源控制器，通过时间变量控制器件对电路时变参量进行控制，使电路内部产生i个能够存储电荷的混沌因子，若i个混沌因子可独立处于时变状态下的电路内，则此电路为i阶混沌电路。

非线性混沌电路如图1所示。

图1 非线性混沌电路

图1中，通过正弦电流信号的激励，电路信号B、非线性电流感应器A、线性电阻T与微控晶体管F构成串联电路，电路中的微控晶体管作为单向非线性器件，若将其断开电压值忽略不计，则由非线性电路中的非线性电容特征，可知QI电容效应分别由QI对时变下的电荷存储耗尽，产生的非线性电容层与电路扩散空间内存储电荷的耗尽，对应时变所产生的非线性扩散电容层。

因此，可通过对其进行串联电路的混沌模态建模，根据电荷与电流动力间的关系[3]，通过微分方程来定义其混沌状态，其对应的非线性混沌电路的初始频率f为7×10-6Hz，混沌电阻R为52 Ω。闭合电路的混沌电流为I(y)，电荷为w(y)，a与b为非零整数量，则存在式(2)。

(2)

式(2)即为电网异常数据的混沌特性模型。

1.2 混沌量相关分量的大数据计算

1.2.1 混沌量相分量计算

对混沌模型输出的混沌量进行大数据分相量计算，可有效提升混沌量的精确度。在大数据计算空间内，对混沌模型输出参量进行全周傅式的相分量计算，可得到式(3)、式(4)。

(3)

(4)

上述式中，OTl表示混沌电路中谐波分量对应主体的系数量，ONl表示混沌电路中谐波分量对应分体的系数量，∂表示混沌量中对应的混沌电压采样率。当l=1时，则式(3)变为(4)，OT1与ON1分别表示初始混沌电压的分量主体与分体；当l>1时，OTl表示全局混沌谐波分量的主体，ONl表示全局混沌谐波分量的分体。

在计算出混沌量的主体与分体之后，即可算出初始混沌电路中谐波对应的基础混沌幅值Ol与混沌角ϑl如式(5)、式(6)。

(5)

(6)

为了减轻计算过程中运算冗余数据对计算速度的影响，将分量计算窗口进行缩减，使其保持半开状态，其对应的周期变量相应变换为半周期，则最终得到混沌量的相分量计算式为式(7)。

(7)

1.2.2 混沌量的序分量计算

根据电路的对称分量理论[4]，对上述计算得到混沌量的相分量进行序分量计算，通过序分量计算进一步确定异常数据的类型，计算式如式(8)。

(8)

1.2.3 混沌量的故障量计算

为了避免电流方向判定值对计算的影响以及提升计算值的适应场景，计算过程中，将电网全局场景的采样点序分量设定为正序[5]，由此可通过对电网电流的电荷流向状态，从而判定混沌分量与异常数据间的分布关系，即混沌量的正向故障分布判定与反向故障分布判定分别为式(9)、式(10)。

(9)

(10)

上述式中，ϑ表示异常数据对应电流方向与混沌分量间的分布角度。为保证判定的客观性，计算中将其角度值取中间值160°，其设定范围为[0°，320°]，本文在应用中设定为中间系数量为13°。

1.3 异常数据分量的提取

(11)

将其记作一组初始小波提取样本量，初始小波提取样本量的成立条件式为式(12)。

(12)

式中，s,m∈T且s≠0。s表示变量算子；m表示等价变换算子，是关于初始小波提取样本量ζ的邻值循环小波变换。考虑到实际应用中混沌量与异常数据间的离散作用，对所得混沌量与对应异常数据间的小波离散函数式进行离散变换[8]，可得到式(13)。

E=A2(T)×ζs,m(y)

(13)

上述变换过程为正交属性[9-10]。对变换后的小波系数对应的异常数据进行小波重组，将重组后的电路空间定义为K，将其中具有独立性质的子空间设为Bk，使其成为K中的多因素混沌异常数据变量，若假设Bi表示正交尺度函数为γ的混沌异常数据变量，则有式(14)。

(14)

多因素混沌异常数据变量的特征分量提取结构图如图2所示。

图2 多因素混沌异常数据变量的特征分量提取结构图

图2中，D表示异常数据的混沌基础特征量，Vk、Fk分别表示基础异常数据信号分解后所得g尺度下的最小分量值与最大分量值。多因素混沌异常数据变量经过分解计算后，多因素特征存储于多个频率信号因子上，则g尺度空间量下最大的小波变换量即为分离出来的异常数据分量，通过上述特征剥离过程即可实现对异常数据的提取。

1.4 异常数据提取量的融合识别

将提取的异常数据分量进行融合样本采样，采用数据的样本形态为{c1,c2,c3,…cn}，对其进行cmax样本最大值求解计算，并通过cmin对应函数获得样本最小值，将获得的极值进行融合归一计算，为式(15)。

(15)

对其进行融合样本的归一匹配计算，计算式为式(16)。

(16)

融合归一匹配后的数据形态为[ch1,ch2,ch3,…，chi]，其异常特征变量空间范围为[-1,1]，此空间下的异常数据变量敏感性最强，满足传递性函数的识别条件。

在对混沌异常数据特征进行识别计算的基础上，通过匹配相应因素对应异常数据的归一特征向量，构建完整的异常数据识别样本库。在此基础上，本文选取了480组故障特征数据，其中每种类型的混沌电路对应数据分别为160组，对所选样本数据融合归一匹配计算样本如表1所示。

表1 异常数据融合识别归一化匹配计算样本库

综上所述，根据大数据混沌特性完成了对电网在线监测异常数据识别方法的设计。

2 实验与结果分析

为验证基于大数据混沌特性的电网在线监测异常数据识别方法的实际应用性能，在MATLAB平台上设计如下仿真实验加以验证。

通过电网变压器环境，创建实际混沌状态场景。以变压器的时间变量为实验递进逻辑关系。为了避免实验过程中绕组系数量对混沌识别值的影响，在测试场景中，建立基于混沌特性的电流、电压、有功与无功数据量。

测试场景中，将变压器的基础抗值和异常数据初始混沌量设定为0.1 pu，并对其进行异常数据分布量计算，计算结果构成新的初始量，然后以相同方法进行计算得到的值与第一次计算值构成异常数据混沌形态分布的边界值。通过蒙特卡洛法在同一个时间窗口下生成40个时间窗口、9 000个测试样本，测试样本数据的动态误差量与混沌场景的分布关系，如图3所示。

图3 异常数据测试场景分布指标

2.1 异常数据混沌分布密度设置

为了保证测试混沌量分布密度值的差异化，实验在上述分布关系中，通过高斯函数随机选取4个窗口时间量。选取的时间窗口分别为2号窗口、14号窗口、28号窗口与53号窗口，4个窗口分别对应的混沌密度曲线即为测试所用的密度。选取时间窗口对应的混沌分布密度曲线如图4所示。

图4 选取时间窗口对应的混沌分布密度曲线

2.2 测试数据分析计算

根据混沌特性的异常数权重特征，对选定的4个测试窗口进行权重计算，通过计算值与标准量的对比，构成评估矩阵M,如式(17)。

M=[M1,M2,M3,M4]

(17)

对测试获得的4组评估指标进行加权计算，得到加权量集为en={e1,e2,e3,e4}。其中e1、e2、e3、e4分别表示混沌特性变量密度适应误差量、异常数据识别概率、数据识别最大密度系数以及异常数据时变状态下的识别概率。然后将选取窗口对应数据导入判定矩阵，并将判定结果划分为“正常状态”、“轻度异常”和“重度异常”3种情况。矩阵中4项元素的取值可为0、1或2，,其中“0”表示 “正常状态”状态，“1”表示“轻度异常”状态，“2”表示“重度异常”状态。

2.3 实验结果

将判定结果导入评估矩阵中，得到4个测试窗口的评估结果，如表2所示。

表2 实验结果

通过表2中的对比结果可以证明本文设计的基于大数据混沌特性的电网在线监测异常数据识别方法能够有效识别电网异常数据的异常与否，且对混沌特性环境适应性强。

3 总结

本研究在大数据背景下，针对电网异常数据识别精度问题进行优化设计，通过采用大数据的海量计算技术，结合数据混沌特性的函数解析，对电网在线监测异常数据识别方法进行了详细论述，并通过实例数据验证了该方法具有较高的识别精度。可以说，本文方法具有较强的应用优势和良好的应用前景。