[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

权利要求书

1.一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，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；

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,…,p_n，和低压侧q₁,q₂,…,q_n；

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,…,k_m；

然后从各审计点出发，得到安全评估的审计信息序列：

…

…

…

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,…,Audit_T}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：

…

…

…

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；

其中，风险指标包含两种风险子指标，分别对应时变可能性数据和非时变可能性数据，分析风险指标的符号序列，可以先确定子指标的符号序列，得到子指标和指标的符号概率密度，然后计算子指标和风险指标的关联度，通过KS熵和KL相对熵得到与风险指标关联度最大的子指标，依据主成分分析法(Principle Components Analysis，PCA)确定风险指标的符号序列；

对于风险子指标的描述：

描述一、非时变可能性数据的映射：

其中[]表示高斯函数，P_Idx为该指标在符号集Ω中的首字母，Level表示配电线路的用户等级，k＝|Ω|为字符集的长度；

描述二、时变可能性数据的映射：

定义风险基线某指标的可能性最大最小值分别为Ind_Max以及Ind_Min，而某次风险评估计算后的该指标为Ind_Cur，则该指标的可能性概率映射为：

P_Idx为该指标在符号集Ω中的字母对应序号，而划分每个区段的符号原则与符号权重W_S的一致；

描述三、风险后果的映射：

C_Idx为该指标在符号集Ω中的字母对应序号，而MTTR_Idn以及MTTR_Avg则分别表示该指标导致故障以及全线路所有故障的平均恢复时间MTTR；

综合风险可能性及后果指标描述，得到由6个字符描述的风险子指标；

关于风险指标的状态空间描述，可以基于时间序列构建风险指标的状态矢量，以构建状态空间：

其中，{m_k}表示基于时间序列的各项指标，而{S_k}是状态矢量的时间序列；

对于风险指标关联度分析，具体包括：

步骤4.1、根据状态矢量时间序列{Ind_k}，计算风险子指标的符号分布概率密度，设风险指标的序号为j；则某符号的概率密度计算公式为：

式中，i表示符号在符号集Ω中的序号，p_i(j)为待评估指标中符号i的概率密度函数；W_s(l)为该符号在序列中的符号权重，而W_s(Max)为最大的符号权重，即0.6；

步骤4.2、计算风险指标的符号概率分布，某符号的概率密度计算公式为：

其中，r为指标中的子指标维度，而W_s(d,l)为子指标d在第l个序列中的符号权重，P为风险指标中符号的概率密度函数；

步骤4.3、计算风险子指标与风险指标的关联度，根据在可数符号集Ω上的随机变量分布p_i(j)及P_i，采用Kolmogorov-Sinai熵(KS熵)衡量第j个指标的复杂度，即Kullback-Leibler距离(KL相对熵)衡量两个概率分布的关联度；

以下分别用D_j，H_j表示KL相对熵及KS熵；因此，风险指标与子指标i关联度可以用下式来表示；

风险指标的符号序列依据主成分分析法PCA(Principle Components Analysis)确定，以子指标关联度最大的符号序列作为其符号序列，公式如下：

M_Idx为风险指标的首字母序号，其字符序列与关联度最大的符号序列一样；

步骤5：各环节得到风险评估的符号信息序列O＝{Alert₁,Alert₂,…,Alert_T}后，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,…,Alert_T}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)＝p_ib_i(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。