基于主接线图的电网拓扑辨识

《基于主接线图的电网拓扑辨识》由会员上传分享，免费在线阅读，更多相关内容在应用文档-天天文库。

1、基于主接线图的电网拓扑辨识摘要：电气主接线图，就是用国家规定的电气设备图形与文字符号，详细表示电气主接线组成的电路图。电气主接线反映了发电机、变压器、线路、断路器和隔离开关等有关电气设备的数量、各回路中电器设备的连接关系及发电机、变压器与输电线路、负荷间以怎样的方式连接，直接关系到电力系统运行的可靠性、灵活性和安全性，直接影响发电厂、变电所电气设备的选择，配电装置的布置，保护与控制方式选择和检修的安全与方便性。本文在主接线图的基础上提出了用关联矩阵的方法对电网拓扑进行辨识。该算法使用节点-支路关联矩阵表示点网络

2、的基本拓扑结构，定义了矩阵的“与-或”乘法运算，利用连通性的传递性质，实现对电网络的拓扑辨识。在此基础上，利用节点-支路关联矩阵和节点-节点连通矩阵的对称性，提出了加快计算的技术和实现方法，该算法既可以通过汇编语言或高级语言编程实现，也可以由单片机进系统或ASIC等硬件方法实现。关键词：电气主接线图；电网拓扑辨识；关联矩阵；连通矩阵油水两相流动普遍存在于石油化工及石油开采等能源领域,其生产过程与水密切相关。两相流动介质的相界面分布状况，即流型，影响着两相流压力损失及流量的准确测量。因此油液两相流流型识别的研究不

3、仅具有重要的实用价值和学术意义，也为相关工业生产设备安全、经济的设计与运行提供了有力的技术支持。目前进行多相流流型识别的方法有很多，有直接与间接测取之分。直接测取的方法由于受环境因素等限制应用比较少。现多数都采用间接测量方法测量和分析流体参数，例如实际工况的压力信号、电导信号、压差信号、流型图像等。目前神经网络在流型识别方面应用已比较广泛。应用神经网络来识别流型的训练数据主要来自压差信号，图像，电导信号等。而这些信号的特征向量又有多种方法获得，例如经验模式分解EMD，小波包分解，概率密度函数PDF、功率谱密度函

4、数PSD等[1-2]。周云龙[3-5]等通过测取气水两相流型的电导波动信号、压差信号及流型图像，采用小波包分解、HHT等及图像处理技术来提取各种流型的特征向量，并用神经网络来进行识别分类，取得了较好的效果。白博峰[6]等通过提取压差波动信号的功率谱分布特征发现功率谱随频率的分布特性的均方根可以客观的识别出泡状流、间歇流和环状流;金宁德等[7]等利用纵向八电极阵列电导式测量系统实现了对垂直上升管中气水两相流泡状流、段塞流及混状流的较好识别。近些年来，信息处理和融合技术与人工智能技术在多相流流型识别相结合，成为多相

5、流的参数检测的一个发展趋势。人工神经网络作为一种智能技术已经在多相流流型检测方面得到了应用。EMD是分析非线性、非平稳信号的好方法，可利用其得到所测流型信号的特征向量。由于不同流型的电导波动信号经EMD分解后的各层信号差异很大，本文将根据水包油分散流、油水混状流、油包水分散流三种流型电导信号具有不同的模态信号，然后求出各模态信号的能量，并将其作为Elman神经网络的训练与检测样本。1实验系统及测量方法1.1实验系统实验是在油水两相流实验台完成的，实验系统如图1所示。油、水分别经过油泵和水泵抽出，经电磁流量计计量

6、后进入油水两相混合器，从油水两相混合器出来的油水混合物，流经实验段进行各项数据测量后，进入油水分离器，将油水进行分离并循环使用。图1油水两相流实验平台实验段是垂直管段，内径为29mm的有机透明玻璃管，长度为2000mm。油水两相流电导波动信号利用电导探针测量系统进行测量，并由INV306型智能数据采集板进行采集。采样频率为256Hz，采样点数为1024。实验过程的参数范围:压力0.1～0.5MPa；工质温度15～25℃；实验中油的流量为0.5～2.7m3/h，水的流量为1.1～3.5m3/h。1.2测量原理本文

7、实验采用5V直流电压，其中插入管道中心的电导探针作为一个电极，在金属管道的内壁紧缚一根铜丝作为另一个电极，两电极之间串联一个电阻R。用数据采集装置采集电阻R上的电压信号。当探针接触水相时探针与管壁接通，电阻R上出现高电平；当探针接触油相时，探针与管壁断开，电阻R上出现低电平。这样探头处水相和油相的不断交替就可以产生与各种流型对应的不同的响应信号，经数据采集系统采集即可得到各种流型的原始信号。图2分别为三种典型流型的经小波包去噪后的信号。(a)水包油分散流(b)油水混状流(c)油包水分散流图2三种典型流型的电导波

8、动信号2信号的特征提取2.1经验模式分解经验模式分解(empiricalmodedecomposition,简称EMD)方法是由N.E.Huang等人提出来的对非线性、非平稳信号进行分解的信号分析方法。EMD基于信号本身的时间尺度特征,把复杂信号分解为有限数量的固有模态分量IMF(intrinsicmodefunction,简称IMF)之和,该方法克服了傅里叶变换在分解并拟合非线性非平