基于经验谱分析的城市综合能源系统故障检测方法及系统与流程

1.本发明涉及能源系统故障分析技术领域，特别是涉及一种基于经验谱分析的城市综合能源系统故障检测方法及系统。


背景技术：

2.综合能源的故障检测需要从两个角度出发考虑：综合能源建模方法和故障检测方法。
3.1)考虑设备时变特性及供需不确定性的建模尚不充分。设备运行受内部影响如设备寿命、运行时间和外部影响，如极端天气、运行条件等共同作用而呈现出时变特性，现有研究对设备时变特性进行建模主要通过马尔可夫多状态的故障修复模型来实现，但随着影响设备正常运行的因素增加，两状态模型并不能清晰描述设备故障原因，多状态模型认为设备各故障因素是相互独立的，忽略了其内在关联性，不符合运行实际情况，这就使得马尔可夫多状态模型在描述设备运行可靠性时存在局限性；ies中包含电负荷、气负荷、冷热负荷等多种负荷类型，是一个多维度、多时间尺度的综合系统，且随着可再生能源在ies中的大量消纳，系统运行不确定性因素大大增加，考虑可再生能源固有的随机性与波动性和接入ies对系统运行带来的不确定性问题尚未在建模环节得到完全解决。现有研究仅通过以粗糙集法和模糊petri网法为代表的模糊模型法对设备运行不确定性进行建模，其推理过程易受主观意识的干扰，且可解释性较弱，并不能完全符合设备运行层面的建模要求。
4.对耦合设备的运行建模方法尚不完善。ies是典型的多能耦合系统，系统中的耦合设备如果发生故障将会导致系统级联故障，甚至可能使耦合系统中两个或多个子系统相互分离。相较于传统的单一能源供能系统，ies运行可靠性的改变主要由系统间的耦合关系引起，系统间故障的相互影响由耦合设备进行传递。为了更准确地评估ies的运行状态，提升系统运行安全性，必须充分研究系统间的耦合关系，以反映设备的耦合特性及在能量转换过程中的可靠性。现有对耦合设备建模的方法基本基于模型驱动来实现，无法反映耦合设备运行过程中面临的运行条件的改变为设备带来的不确定性问题及能量转换过程中的损耗问题对设备运行可靠性的影响，现有工作中并未得到充分研究。
5.数据驱动的综合能源建模方法尚未充分发展。随着ies的运行规模扩大化、运行结构复杂化、运行状态多样化，设备的运行数据大量增加，数据驱动的人工智能技术在面对多维时变数据信息时具有较强的处理能力和较快的计算效率，在设备运行状态判断与信息感知方面也具有较好的精度，更能精确捕捉设备的故障信息及运行数据的改变。现有的基于传统人工智能算法的数据驱动建模方法已经有了一定研究基础，但如上文分析，算法存在的缺陷可能会导致建模结果并不准确。目前，利用更为先进的机器学习算法如深度学习、强化学习等对ies中设备特别是耦合设备运行状态进行建模分析研究成果较少，其可用性有待进一步深入研究。
6.2)由于综合能源网络包含电-热-气不同子系统，其检测方法通常是针对各个子系统进行故障检测。针对模型驱动建模的故障检测无法在不同能源子系统通用，针对同质化
建模的复杂网络建模的故障检测相对于现实情况精度较低，且运算量大。文献“基于改进遗传算法的配电网故障定位”阐述了改进遗传算法在配电网故障定位中的应用，通过改进相应算子实现了自适应迭代，精度有了一定提高；文献“基于人工鱼群算法的配电网故障定位”提出了基于人工鱼群算法的配电网故障定位算法，有较强的全局能力；此外，还有粒子群算法、人工神经网络算法、蚁群算法等。但是上述方法耗时较长，随着网络节点的增加，计算量也会增加，无法达到实时处理的目的。


技术实现要素：

7.为解决现有技术存在的上述问题，本发明提供了一种基于经验谱分析的城市综合能源系统故障检测方法及系统。
8.为实现上述目的，本发明提供了如下方案：
9.一种基于经验谱分析的城市综合能源系统故障检测方法，包括：
10.获取城市综合能源系统的运行数据；
11.基于所述运行数据生成时空源数据矩阵；
12.采用移动窗口获取所述时空源数据矩阵的窗口数据，以得到第一数据矩阵；
13.对所述数据矩阵进行标准化处理得到标准化矩阵；
14.基于所述标准化矩阵得到第二数据矩阵；
15.基于所述第二数据矩阵确定协方差矩阵；
16.确定所述协方差矩阵的特征值；
17.基于所述特征值确定线性特征值统计量；
18.基于所述线性特征值统计量生成les-t曲线，并基于所述les-t曲线完成故障检测。
19.优选地，所述基于所述运行数据生成时空源数据矩阵，具体包括：
20.确定所述运行数据的状态变量；
21.基于所述状态变量生成所述时空源数据矩阵。
22.优选地，所述基于所述标准化矩阵得到第二数据矩阵，具体包括：
23.在所述标准化矩阵中添加随机白噪声得到所述第二数据矩阵。
24.优选地，所述基于所述特征值确定线性特征值统计量，具体包括：
25.采用香浓测试函数基于所述特征值确定所述线性特征值统计量。
26.根据本发明提供的具体实施例，本发明公开了以下技术效果：
27.本发明提供的基于经验谱分析的城市综合能源系统故障检测方法，基于获得的城市综合能源系统的实时运行参数形成时空源数据矩阵后，采用移动窗口法基于随机矩阵理论对时空源数据矩阵进行实时分析处理，计算数据的线性特征值统计量(linear eigenvalue statistics，les)，进而实时分析得到故障发生时刻，提高故障检测的精确性。
28.对应于上述提供的基于经验谱分析的城市综合能源系统故障检测方法，本发明还提供了一种基于经验谱分析的城市综合能源系统故障检测系统，该系统包括：
29.运行数据获取模块，用于获取城市综合能源系统的运行数据；
30.数据矩阵生成模块，用于基于所述运行数据生成时空源数据矩阵；
31.第一矩阵确定模块，用于采用移动窗口获取所述时空源数据矩阵的窗口数据，以
得到第一数据矩阵；
32.标准化处理模块，用于对所述数据矩阵进行标准化处理得到标准化矩阵；
33.第二矩阵确定模块，用于基于所述标准化矩阵得到第二数据矩阵；
34.协方差矩阵确定模块，用于基于所述第二数据矩阵确定协方差矩阵；
35.特征值确定模块，用于确定所述协方差矩阵的特征值；
36.统计量确定模块，用于基于所述特征值确定线性特征值统计量；
37.故障检测模块，用于基于所述线性特征值统计量生成les-t曲线，并基于所述les-t曲线完成故障检测。
38.优选地，所述数据矩阵生成模块包括：
39.状态变量确定单元，用于确定所述运行数据的状态变量；
40.数据矩阵生成单元，用于基于所述状态变量生成所述时空源数据矩阵。
41.优选地，所述第二矩阵确定模块包括：
42.第二矩阵确定单元，用于在所述标准化矩阵中添加随机白噪声得到所述第二数据矩阵。
43.优选地，所述统计量确定模块包括：
44.统计量确定单元，用于采用香浓测试函数基于所述特征值确定所述线性特征值统计量。
45.因本发明提供的基于经验谱分析的城市综合能源系统故障检测系统实现的技术效果与上述提供的基于经验谱分析的城市综合能源系统故障检测方法达到的技术效果相同，故在此不再进行赘述。
附图说明
46.为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
47.图1为本发明提供的基于经验谱分析的城市综合能源系统故障检测方法的流程图；
48.图2为本发明实施例提供的电热综合能源网络示意图；
49.图3为本发明实施例提供的电网电压数据示意图；
50.图4为本发明实施例提供的故障检测指标曲线图；
51.图5为本发明提供的基于经验谱分析的城市综合能源系统故障检测系统的结构示意图。
具体实施方式
52.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
53.本发明的目的是提供一种基于经验谱分析的城市综合能源系统故障检测方法及系统，能够在保证故障检测精度的同时，提高故障检测的实时性。
54.为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。
55.如图1所示，本发明提供的基于经验谱分析的城市综合能源系统故障检测方法，包括：
56.步骤100：获取城市综合能源系统的运行数据。运行数据包括电力网络的电压、电流，供热网络的供水、回水温度和节点水流量等。
57.例如，各运行数据的获取过程为：
58.1)电网节点功率表达式为：
59.其中，ne为电力网节点总数。vi为节点i的电压。y
il
为节点导纳矩阵y第i行第l列元素。si为节点i的复功率。pi为节点i的有功功率。qi为节点i的无功功率。j为虚数单位。
60.2)热网节点水流量与管水流量关联表达式为：
61.其中，a
h，q
为与节点q关联的水力系统节点-支路关联矩阵。为各管道流量。为节点q流出流量。
62.3)回路压力损失表达式为：bhhf＝0。
63.其中，bh为水力系统回路-支路关联矩阵，hf为压头损失向量。
64.4)节点热功率表达式：φv＝c
pmv
(t
s-to)。
65.其中，c
p
为水的比热容。mv为节点v流出流量，ts、to分别为供水、回水温度。
66.5)管道温降方程为：
67.其中，l为管道长度。t
start
和t
end
分别为管道起始和末端节点的温度。ta为环境温度。ρ为管道的热传导系数，m为管水流量。
68.选取电压、相角，供热网络的供水、回水温度、节点水流量作为状态变量x＝[θ,u,m,t
s,load
,t
r,load
]，由下式得到不平衡量δf(x)，利用牛顿拉夫逊方法，可同时求解综合能源的不平衡量和状态变量。
[0069][0070]
式中：δf(χ)为不平衡量。δp和δq分别为电力系统的有功功率和无功功率偏差向量。δφ、δph、δts、δtr分别为热力系统的热功率、回路压降、供热温度、回热温度偏差向量。δνq和δpg分别为天然气系统的管道流量和回路压降偏差向量。p
sp
、q
sp
、φ
sp
、ν
sp
分别
为相应变量已知的给定值。y为节点支路矩阵，v为电力系统节点电压向量。ts和to分别为热力系统各负荷节点的供热和输出温度向量。bh、bg分别为热力回路支路矩阵，天然气回路支路矩阵，kh、kg分别为热力、天然气系数矩阵，t
s，load
和t
r，load
分别为热力系统负荷节点的供热温度和回热温度向量。as和ar分别为与供热、回热网络结构和管道流量有关的矩阵。es和er分别与供、回热温度有关的列向量。
[0071]
步骤101：基于运行数据生成时空源数据矩阵。例如，分析一段时间t的综合能源运行数据，根据上文原理得到的状态变量x，形成时空源数据矩阵
[0072]
其中，状态变量x的确定过程为：
[0073]
根据上述5个公式构建综合能源网络的模型公式，令δfe＝[δp,δq]，δfh＝[δφ,δph,δts,δtr]，xe＝[θ,u]，xh＝[m,t
s,load
,t
e,load
]得到雅可比矩阵j：
[0074][0075]
x
(n+1)
＝x
(n)-j-1
δf(x)
[0076]
根据公式x
(n+1)
＝x
(n)-j-1
δf(x)对状态变量x进行迭代，通过迭代逼近状态量x的近似解。
[0077]
步骤102：采用移动窗口获取时空源数据矩阵的窗口数据，以得到第一数据矩阵。例如，采样时刻tj，从d中获取窗口数据形成第一数据矩阵x(tj)＝[x
t-j+1
,...,x
t
]，以模拟从真实数据库中选取数据。
[0078]
步骤103：对数据矩阵进行标准化处理得到标准化矩阵。例如，对x(tj)中元素按照下式进行标准化处理，形成标准化矩阵
[0079][0080]
式中，x
ij
表示源数据矩阵中第i行j列的元素数值，σi分别表示矩阵中第i行元素的均值和标准差，则表示对应元素标准化后的值。
[0081]
进行这一步骤的主要目的是为了尽可能消除矩阵行与行之间的相关性(假设存在一定的弱相关性)，以更好满足rmt分析条件，减小分析误差。
[0082]
步骤104：基于标准化矩阵得到第二数据矩阵。为了消除中行与行之间的相关性，引入小量随机白噪声，形成第二数据矩阵
[0083][0084]
其中，snr为信噪比，通常取较大值，w∈r
p
×n。
[0085]
步骤105：基于第二数据矩阵确定协方差矩阵。协方差矩阵为其中，n表示样本大小，即矩阵维度。
[0086]
步骤106：确定协方差矩阵的特征值。
[0087]
步骤107：基于特征值确定线性特征值统计量。例如，通过特征值λ(tj)定义并计算
les(tj)值。线性特征值统计量(les)是对随机矩阵z的本征值的一种统计指标，某种程度上能够反映矩阵的一些统计规律，本发明中用于反映协方差矩阵s(tj)经验谱分布的统计规律，以表征系统状态，其一般定义为
[0088][0089]
式中，λ(tj)为s(tj)的特征值，m为特征值数量，为测试函数，在本发明中测试函数所采用的形式为香农熵(shannon-entropy)，因此，les的计算公式变为：
[0090][0091]
其中，为算例中计算的特征值。
[0092]
步骤108：基于线性特征值统计量生成les-t曲线，并基于les-t曲线完成故障检测。即故障发生前les值将迅速变化，指标曲线呈现类“u”型。“u”型的高度表示故障严重程度，“u”型的宽度表示故障持续的时间。因为故障信号对滑动窗口的延迟影响，“u”型的宽度通常大于等于窗口大小。
[0093]
下面利用仿真数据对上述提供的基于经验谱分析的城市综合能源系统故障检测方法进行验证。
[0094]
利用上述综合能源建模方法进行建模得到电热综合能源网络，如图2所示。其中，hb*和eb*分别为热力、电力节点，chp*为热电联供节点，作为热源和电源。
[0095]
数据包含26个节点共采样1000次，实验中，滑动窗口的尺寸大小设置为33
×
100，并且每个窗口中通过添加随机噪声模拟系统扰动或测量误差，信噪比值设置为500。从第500次采样开始增大负荷，直到第700次采样恢复正常负荷。实验重复进行20次并计算平均结果，这里选用似然函数(φ(λ)＝λ-lnλ-1)作为测试函数，λ为仿真过程中的特征值，实验结果如图3所示。
[0096]
从图4中可以看出，随着窗口的滑动les-t曲线不断被生成，曲线开始时刻在t＝200采样时刻是因为初始窗口宽度设置为200，实验结果分析如下：
[0097]
(1)从200至500采样时刻，les指标几乎保持不变，数据的时空相关性几乎保持不变，表明系统运行于正常状态。
[0098]
(2)从501采样时刻起，les指标迅速增加，表明有异常信号出现且引起数据的时空相关性发生改变，并且注意到从500至700采样时刻，指标曲线呈反向“u”型且宽度等于滑动窗口大小，主要是因为故障信号对窗口的延迟影响等于窗口的宽度。
[0099]
(3)从t＝701采样时刻开始，les指标恢复正常，表明系统运行状态不再发生改变。
[0100]
从上述分析可以看出，les指标对于数据之间相关性的变化非常敏感，且对于数据中的噪声和随机扰动具有较好的鲁棒性，这使得它能够在故障发生的早期准确地检测到故障。
[0101]
基于上述描述，相对于现有技术，本发明具有以下优点：
[0102]
1)真实综合能源系统通常为非线性的，混合潮流分析方式通过迭代逼近真解，加
入噪音模拟真实，采样最大化真实程度，保证了仿真数据的真实性。
[0103]
2)对于城市综合能源系统来说，通常数据量巨大，数据驱动的方式可以增强大数据量任务的故障检测准确性。
[0104]
3)数据驱动的方式相对于模型驱动，对于不同结构的综合能源网络有较好的泛用性。
[0105]
4)在工程上有较好的鲁棒性。
[0106]
此外，对应于上述提供的基于经验谱分析的城市综合能源系统故障检测方法，本发明还提供了一种基于经验谱分析的城市综合能源系统故障检测系统，如图5所示，该系统包括：
[0107]
运行数据获取模块1，用于获取城市综合能源系统的运行数据。
[0108]
数据矩阵生成模块2，用于基于运行数据生成时空源数据矩阵。
[0109]
第一矩阵确定模块3，用于采用移动窗口获取时空源数据矩阵的窗口数据，以得到第一数据矩阵。
[0110]
标准化处理模块4，用于对数据矩阵进行标准化处理得到标准化矩阵。
[0111]
第二矩阵确定模块5，用于基于标准化矩阵得到第二数据矩阵。
[0112]
协方差矩阵确定模块6，用于基于第二数据矩阵确定协方差矩阵。
[0113]
特征值确定模块7，用于确定协方差矩阵的特征值。
[0114]
统计量确定模块8，用于基于特征值确定线性特征值统计量。
[0115]
故障检测模块9，用于基于线性特征值统计量生成les-t曲线，并基于les-t曲线完成故障检测。
[0116]
作为本发明的一优选实施例，上述采用的数据矩阵生成模块2包括：
[0117]
状态变量确定单元，用于确定运行数据的状态变量。
[0118]
数据矩阵生成单元，用于基于状态变量生成时空源数据矩阵。
[0119]
作为本发明的另一优选实施例，上述采用的第二矩阵确定模块5包括：
[0120]
第二矩阵确定单元，用于在标准化矩阵中添加随机白噪声得到第二数据矩阵。
[0121]
作为本发明的又一优选实施例，上述采用的统计量确定模块8包括：
[0122]
统计量确定单元，用于采用香浓测试函数基于特征值确定线性特征值统计量。
[0123]
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。
[0124]
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。