基于工业供配电系统物理-信息耦合驱动的多维度多设备状态感知方法及装置
本发明涉及供配电设备状态监测,尤其涉及一种基于工业供配电系统物理-信息耦合驱动的多维度多设备状态感知方法及装置。
背景技术:
1、随着电力技术的发展,传统的供配电系统面临着日益复杂的挑战,单一的监测手段已无法满足对设备状态全面且实时的监测需求。物理-信息耦合驱动逐渐成为实现设备智能化管理和故障预测的重要技术。
2、目前,国内外学者已对物理-信息耦合驱动的多维度多设备状态感知方法开展了相关研究。e.k.lee提出了基于物联网的电力设备状态监测框架,通过不同来源传感器数据,实现了对设备状态的实时分析与预测,表明了信息融合能显著提升故障诊断的准确性和响应速度;r.k.gupta等人开展了针对智能电网的研究,提出一种新型数据处理算法,能高效处理来自不同传感器的数据,并结合机器学习技术进行状态预测;张馨及其团队成员针对工业供配电系统,设计了一套基于物联网的传感器网络,实现了实时检测电力系统的电压、电流和功率等关键参数;李国杰及其团队采用先进的通信技术和控制算法,实现了电力系统与信息网络的无缝融合,并在此基础上研发了一套智慧运维系统,实现电力系统实时监测和运维策略的自动调整;国家电网的智能电网研究团队通过构建基于cps(cyberphysical systems,信息物理系统)的电力监控系统,实现了对电力系统的全面感知和精准控制,提高电力系统的稳定性和可靠性;北京中科国业工程技术研究院自主研发的zk-cps信息物理系统架构,实现了底层软硬件结合感知与控制,为工业供配电系统的状态感知和智慧运维提供有力的技术支持。然而,现有相关研究通常没有着重考虑对工业供配电系统状态感知的精度和实时性,导致状态感知结果实用性较差,且现有相关研究智慧运维技术的智能化程度和自适应能力还需加强。
3、因此,亟需一种新的技术方案,用于解决如何设计一种能够提高对供配电系统状态感知的精度和实时性的状态感知方法的技术问题
技术实现思路
1、本发明提供了一种基于工业供配电系统物理-信息耦合驱动的多维度多设备状态感知方法及装置,用以解决如何设计一种能够提高对供配电系统状态感知的精度和实时性的状态感知方法的技术问题。
2、为实现上述目的,本发明提供了一种基于工业供配电系统物理-信息耦合驱动的多维度多设备状态感知方法,包括以下步骤:
3、s1、通过预部署的多维传感器获取供配电系统的预设物理参数和预设感知参数;
4、s2、基于多元信息融合技术对预设物理参数和预设感知参数进行预归类,得到物理参数矩阵和感知参数矩阵;
5、s3、根据预设物理参数、物理参数矩阵和感知参数矩阵结合第一约束构建第一模型;
6、s4、根据第一模型结合卡尔曼滤波算法得到第二模型;
7、s5、根据第二模型结合多智能体协同控制方法得到第三模型,通过第三模型输出多维度多设备状态感知结果,根据感知结果得到设备状态。
8、优选的,s1包括:
9、在供配电系统中部署多维传感器;通过多维传感器监测供配电系统的预设物理参数和预设感知参数;预设物理参数和预设感知参数根据实际需求预先设定;
10、通过多维传感器监测得到物理参数的向量p(t)=[p1(t),p2(t),…,pn(t)],其中,pn(t)表示时刻t测得的第n类物理参数量;
11、通过多维传感器监测得到感知参数的向量s(t)=[s1(t),s2(t),…,sm(t)],其中,sm(t)表示时刻t测得的第m类感知参数量。
12、优选的,s2包括:
13、通过卡尔曼滤波器或小波去噪方法消除预设物理参数和预设感知参数中的数据噪声,得到物理参数向量p'(t)和感知参数向量s'(t),可表示为:
14、p′(t)=p(t)+np(t)
15、s′(t)=s(t)+ns(t)
16、其中,np(t)和ns(t)分别表示消除数据噪声后物理参数和感知数据中残余的噪声;
17、按电压、电流和环境状态分别进行特征分类,得到物理参数矩阵pc(t)和感知参数矩阵sc(t),可表示为:
18、
19、其中,p'n(t)表示第n类物理参数向量;s'm(t)表示第m类感知参数向量。
20、优选的,s3包括:
21、第一模型包括状态方程和第一约束:
22、通过状态向量x(t)表示配电系统t时刻的整体状态,x(t)=[x1(t),x2(t),…,xk(t)];xk(t)表示配电系统在时刻t下的多维度状态;
23、预设物理参数包括电压v(t)和电流i(t),假设电压v(t)与电流i(t)的关系满足:
24、v(t)=i(t)·z(t)
25、其中,z(t)表示随时间变化的阻抗;
26、建立状态方程x(t):
27、x(t)=a·pc(t)+b·sc(t)
28、其中,a和b分别为物理参数和感知参数的权重矩阵;
29、第一约束包括电压稳定性约束和电流承载能力约束;
30、电压稳定性约束包括:
31、|v(t)-vref|≤δv
32、其中,vref表示参考电压值;
33、电流承载能力约束包括:
34、i(t)≤imax
35、其中,imax表示电流承载最大值。
36、优选的,s4包括:
37、假设第一模型为状态估计问题,通过卡尔曼滤波器进行状态估计;
38、系统状态更新方程和测量方程可分别表示为:
39、xk=fkxk-1+bkuk+wk
40、zk=hkxk+vk
41、其中,xk为系统状态,fk为状态转移矩阵,bk为控制输入矩阵,uk为系统的控制输入,zk为观测值,hk为测量矩阵,wk和vk分别为过程噪声和测量噪声;
42、通过卡尔曼滤波算法实现物理与信息的融合,初始卡尔曼滤波器包括初始状态估计和初始误差协方差矩阵p0;初始状态估计根据系统的先验知识进行设定,初始误差协方差矩阵p0反映初始状态估计的不确定性;
43、进行卡尔曼滤波迭代:在时刻k,通过系统的状态更新方程预测当前时刻的系统状态估计和先验误差协方差矩阵pk-
44、
45、其中,qk为过程噪声的协方差矩阵;表示k-1时刻的系统状态估计;t表示求转置;pk-1表示k-1时刻的误差协方差矩阵;
46、在获得新的观测值zk后,通过测量方程修正预测的状态估计,计算卡尔曼增益kk,并根据卡尔曼增益更新状态估计和误差协方差矩阵pk:
47、
48、其中,rk为测量噪声的协方差矩阵,i为单位矩阵;
49、根据系统运行的动态特性和传感器性能,调整过程噪声协方差矩阵qk和测量噪声协方差矩阵rk,并持续更新状态估计和误差协方差矩阵pk,以完成物理系统状态与感知数据精准融合,得到第二模型。
50、优选的,s5包括:
51、在第二模型的基础上考虑多智能体协同控制方法,得到第三模型;
52、多智能体协同控制方法包括:
53、为考虑异构性,建立多智能体系统动态模型:
54、假设第i个物理-信息耦合驱动的状态向量为:
55、
56、其中,fi(·)为描述第i个物理-信息耦合驱动的动力学函数,ui(t)使其控制输入;di(t)表示不确定性或外界干扰;xi(t)表示第i个系统状态变量的导数;
57、为避免系统不确定性,设计鲁棒分布式控制率,通过控制输入的鲁棒项进行补偿;假设i智能体与邻居智能体j进行通信,则i智能体的控制率ui(t)可以表示为:
58、
59、其中,aij为加权邻接矩阵的元素,ki为控制增益,为抵御不确定性的鲁棒项;表示智能体集合;xj(t)和xi(t)表示第j和第i个节点的系统状态变量的导数;
60、引入自适应控制机制,动态调整控制参数,自适应控制律可表示为:
61、
62、其中,为对不确定性的估计,γi为自适应增益,为参考轨迹。
63、本发明还提供了一种基于工业供配电系统物理-信息耦合驱动的多维度多设备状态感知装置,用于本发明的方法,装置包括第一模块、第二模块、第三模块、第四模块和第五模块;
64、第一模块用于通过预部署的多维传感器获取供配电系统的预设物理参数和预设感知参数;
65、第二模块用于基于多元信息融合技术对预设物理参数和预设感知参数进行预归类,得到物理参数矩阵和感知参数矩阵;
66、第三模块用于根据预设物理参数、物理参数矩阵和感知参数矩阵结合第一约束构建第一模型;
67、第四模块用于根据第一模型结合卡尔曼滤波算法得到第二模型;
68、第五模块用于根据第二模型结合多智能体协同控制方法得到第三模型,通过第三模型输出多维度多设备状态感知结果,根据感知结果得到设备状态。
69、本发明具有以下有益效果:
70、本发明的基于工业供配电系统物理-信息耦合驱动的多维度多设备状态感知方法,通过部署多维传感器用于检测核心物理参数和感知参数,能提供对整体运行状态的全面了解并提高故障预警与预测能力。通过本发明的方法进行多维度多设备状态感知,能够提高系统对设备状态的实时监测和故障预测能力,以实现更高效的维护和管理。本发明的方法综合考虑了状态感知的精度和实时性,并加强了状态感知方法的智慧运维技术的智能化程度和自适应能力,本发明的方法具备实用性。
71、本发明的基于工业供配电系统物理-信息耦合驱动的多维度多设备状态感知系统,用于本发明的方法,与本发明的方法具备相同的有益效果。
72、除了上面所描述的目的、特征和优点之外,本发明还有其它的目的、特征和优点。下面将参照附图,对本发明作进一步详细的说明。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com