基于逆向云的电能质量扰动综合评估方法

发布时间：2020-02-10 04:12

【摘要】：充分考虑扰动分类等级边界值具有的随机性和模糊性,结合云模型的不确定推理特性与物元分析理论的优点,提出了一种基于逆向云发生器的电能质量扰动综合评估模型。通过逆向云发生器建立电能质量扰动综合评估的标准模型,在此基础上通过实时的数据分析,对现有模型进行实时修正,使得扰动综合评估模型具有更强的实时性。针对电能质量扰动综合评估的特点,将层次分析法、灰色聚类评估法相结合得到扰动综合评估中各项指标的权重值使得扰动综合评估结果可信度更高。对金属厂的中频炉和牵引变电站的试验分析验证了该模型的优越性和有效性。
【图文】：

电能质量监测,状态评估,模型图,流程

第10期和超熵He（Hyperentropy）来表征一个云模型。期望Ex表示隶属云的分布中心，熵En是对属性概念不确定程度的描述，超熵He是对熵的不确定性的量度。在扰动评估中Ex是最能够代表扰动分类等级概念的点值；熵En反映了电能质量扰动评估过程中数据样本的随机性以及可被电能质量扰动分级概念所接受的数据样本的模糊性；超熵He用于表征电能质量数据样本的离散度，揭示了电能质量扰动评估中各因素的随机性与模糊性。1.2电能质量监测状态逆向云建模逆向云发生器（backwardcloudgenerator）是实现定量值到定性概念的转换模型，可以将一定数量的精确数据转换为以数字特征（Ex，En，He）表示的定性概念，具体的算法如下。（1）输入已有的监测数据云滴xi，根据xi计算日95%概率值正常数据均值u=1nni=1Σxi；一阶样本绝对中心矩B1=1nni=1Σ|xi－u|；样本方差s=1n－1ni=1Σ（xi－u）2；期望Ex=u；熵En=π2姨×B1；超熵He=|s－En2姨|。（2）确定监测状态边界。根据一维正态云的数字特征、重尾性质和“3En规则”推导出异常边界为Cp95异常=Ex+（En+3He）（Cp95max－Ex）En－3He（1）式中：Cp95max为日95%概率值正常数据的最大值。按同样的方法也可以确定偏好和偏差边界；根据3个边界可以确定偏低、常态、偏高和异常4个区间。（3）将云模型数字特征和确定的状态边界等相关数据存储在电能质量数据库中，电能质量监测状态建模结束。2电能质量评估模型电能质量监测状态模型修正，

状态诊断,谐波电流

浙江某金属制品厂的380V中频炉实测数据进行分析，以6脉中频电源的A相5次谐波电流为例（A）。采用正常运行情况下（投入滤波器）的30天数据（日95%概率值）进行建模，一维云的特征参数为（35.500，4.484，0.809）；样本方差为20.763。采用云模型确定的异常边界为56.236A；偏差边界为49.170A，偏好边界为33.285A。实时监测时段为2013-02-15T10:00:00—2013-02-15T10:35:00，1min取样1次，共得到35个样本，5次谐波电流值状态诊断如图2所示。由图2可看出，，云模型方法能很好区分数据是否异常，经过实际调研发现，异常数据是由滤波器故障造成的，验证了云模型方法的有效性。该模型实现了1个或多个监测点、1个或多个指标类型、1天或多天的一次性状态诊断结果；快速、分层、分区诊断出哪些监测点、哪些指标类型在何时相对于历史运行情况发生了异常，并给出异常的基本原因，这有利于电能质量问题的快速发现并及时给出治理意见。比如：从本次评估数据可以诊断出用户没有投入滤波器。5扰动严重度评估实验以某地区牵引变电站的测试数据为基础，分图2谐波电流状态诊断结果Fig.2Diagnosticresultsofharmoniccurrentstate电网fi＝sk=1Σδikck（13）54

【参考文献】