基于主接线图的电网拓扑辨识.doc

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 1 。 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

2、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

3、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

4、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

5、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。 电 磁 流 量 计电 磁 流 量 计电 磁 流 量 计电 磁 流 量 计实 验 段计 算 机水 箱油 箱油 水 分 离 器油 水混 合器油 泵离 心 式 水 泵阀 门图 1 油水两相流实验平台

6、 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 256 Hz，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 3.5 m3/h。 1.2 测量原理 本文实验采用 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

7、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 (empirical mode decomposition,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

8、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 (intrinsic mode function,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稳信号时的缺点。每一个基本模式分量仅包含结构的某一阶固有模态信息 ,而且各个分量频率都差异很大。 EMD 作为一种新的信号分析方法，它完全摆脱了 Fourier 分析的局限性，适用于非线性、非平稳波动信号， 可以将复杂信号能通过层层的筛选得到 IMF。 EMD 假设任一信号都是由许多 IMF 组成，任意时刻，一个信号都可以包含许多固有模态信号，其中固有模态信号应满足以下两个 条件 5: (1)在整个数

9、据中极值的个数必须与过零点的个数相等或至多相差 1； (2)在任何一点，由局部极大值确定的信号包络和局部极小值确定的包络的平均值为零。具体的处理方法是 :先根据信号 ()st 的极大点和极小点求出其上包络 1()vt及下包 2()vt之平均值 121 ( ) ( )2m v t v t， (1) 然后考察 ()st 与 m 之差 h ，即 ()s t m h， 将 h 视为新的 ()st 重复以上操作，直到 h 满足IMF 条件时，记 1ch ， 1c 视为一个 IMF。作 1()s t c r，视 r 为新的 ()st ，重复以上过程，依次得到 23,cc ，直到 ()rt 基本成单调趋势或

10、 ()rt 很小， 视为测量误差时即可停止。于是 1()niis t c r， （ 2） 即把原信号分解成 n 个 IMF 即 1 2 3, , , nc c c c ，和一个剩余分量 r 。式（ 2）表明了 EMD 分解的完备性。 2.2 各模态能量特征的提取 本文对实验采集的三种典型流型的电导波动信号进行 EMD 分解，结果图 3 所示，可以发现三种典型信号的剩余分量和各个模态分量的幅值和频率都有很有大的区别，而且三种流型信号经 EMD 分解后得到的 IMF 分量数是不固定的。经过大量的数据验证得知电导波动信号经EMD 分解后的 IMF 分量为 8 个到 9 个不等。经大量的信号分解发现同

11、一种流型的电导波动信号分解后的 IMF 个数是一定的。因此本文将采用电导波动信号经 EMD 分解后得到的前 8 个IMF 分量作为研究对象。为了利用神经网络进行训练，定义了 IMF 能量 :即选取各 IMF 能量作为流型的特征提取。 定义了信号的各个 IMF 能量为 iE （ i=1,2, ,n）， n 为 IMF 的个数。则有 221()mi i ijjE c t d t c， （ 3） 其中， ijc ( i=1,2, ,n， j=1,2, ,m)表示 IMF 的离散点的幅值， m 为信号采样点的数目。 特征向量 T ， T =E1,E2, ,En并对向量进行归一化处理，令 2 1/ 21

12、()niiEE ， （ 4） T =E1/E,E2/E, ,En/E。 其中 T 为归一化后的向量。表 1 为三种流型分解后各模态的能量特征。 表 1 三种流型各模态能量特征表 流型 IMF1 IMF2 IMF3 IMF4 IMF5 IMF6 IMF7 IMF8 A .5284 .3418 .0550 .0449 .0175 .0026 .0039 .0058 A .5326 .3406 .0571 .0423 .0155 .0024 .0036 .0059 B .4580 .3080 .0914 .0623 .0312 .0323 .0096 .0082 B .4542 .3160 .091

13、9 .0646 .0345 .0226 .0068 .0095 C .5782 .2105 .1041 .0439 .0476 .0053 .0077 .0028 C .5762 .2155 .1006 .0421 .0502 .0043 .0087 .0034 注： A 代表水包油分散流； B 代表油水混状流； C 代表油包水分散流 (以下正文略 ) 参考文献 1许珉，孙丰奇 .发电厂电气主系统 .北京 .机械工业出版社 2 Franca F, Acikgoz M, Lahet R T, et al. The use of fractal techniques for flow regime

14、 identificationJ. Int .J. Multiphase Flow.1991, 17(4):545552. 3 周云龙 ,陈飞 ,刘川 .基于图象处理和 Elman 神经网络的气液两相流流型识别 J.中国电机工程学报 ,2007,27(29):108-112. 4 孙斌 ,周云龙 ,张玲等 .基于小波包分解和 Kohonen 神经网络的气液两相流流型识别方法J.热能动力工程 ,2005,20(1):48-52. 5 孙斌 ,周云龙 ,向新星等 .基于经验模态分解和概率神经网络的气液两相流流型识别方法J.中国电机工程学报 ,2007,27(17):72-77. 6 白博峰 ,郭烈锦 ,赵亮 .垂直上升管汽液两相流型的压差波动特征识别 J.化工学报 ,1999, 50(6):799-805 7 金宁德 ,邢荣亮 ,赵鑫 .纵向八电极阵列电导式两相流测量方法研究 J.测井技术 ,2005,29(6):484-487. 8 王妍梵 ,林宗虎 .改进 BP 神经网络在流型判别中的应用 J.热能动力工程 ,2001,16(1):63-6