论文部分内容阅读
随着通信技术的发展和电力系统的数字化、智能化的进程，电力系统已经开始推广建设电力系统运行信息和电能质量监测网络和监控中心，采集、通讯、存储、分析的数据包括各种传感设备所采集的实测数据以及各个数字系统的仿真数据。随着信息量的急剧增加，面对如此大规模的数据传输存储压力，有限的通信渠道和数据存储仓库，成为限制电力系统高效运行的瓶颈，为了电力监测系统能够实时地高速传输数据并长期存储监测中心的历史数据，降低电力系统运行的成本，确保电网运行的经济性，需要解决的问题就是电力系统监测数据的压缩问题。
数据压缩技术，其基本原理是信息论中信源编码理论，由于不同系统的数据类型不同，用户要求各异，因此市场空间巨大。电力系统专有的数据压缩技术是在当今数字化电力系统产生的“海量数据”却只包含少量“有用信息”的矛盾背景下快速发展的，已经成为当今数字化电网的一项关键性技术。但是电力系统数据压缩不同于其他领域的数据压缩，电力系统监测数据有着自身的特点：即信息是以工频50/60Hz的基波频率循环出现的，因此其冗余包括两部分：周期间的冗余和周期内的冗余，通用的视频，语音，图像数据压缩技术并不完全适合电力系统数据压缩，理想的电力系统监测数据压缩技术，必须能够从巨量的原始数据中提取出电力系统状态分析、诊断所需的有用信息后去除冗余，尽可能占用最少的存储空间，同时压缩和恢复的计算量最小。
本文围绕电力系统监测数据压缩技术进行了深入的研究，完成了以下两个方面工作：
(1)本文的第一个研究内容属于浙江大学与西门子中国科学研究院的国际合作项目：电能质量数据压缩算法，旨在为嵌入式硬件终端设计并优化实时电能数据压缩算法，以保证电网监测设备与控制中心能够实时通讯时而不产生信道拥塞，以提高电力系统对扰动实际的反应速度，确保电力系统的安全经济运行。压缩对象主要是各种对电网稳定影响较大的电能质量事件，算法主要目标是消除电力系统监测数据的周期内冗余，压缩工具采用基于提升方案的混合小波，可以很好的匹配电能质量各个频段的特征信号，再通过机器学习的思想：小生境遗传算法离线优化，使得混合小波与典型的电能质量特征成分的匹配度达到最优。算法验证中同样设计了基于经典单小波的压缩方案，通过对比实验显示了本文算法的压缩性能优于各种常用的单小波函数，最后由西门子中国科学研究院在实际的硬件平台上，通过复合电能质量数据进行了算法的现场测试，测试结果表明本文算法在计算耗时、压缩精度和压缩比都优于传统的小波算法。
(2)建设一个电力系统在线监测系统，总希望将历史数据完整保留，以便用于日后的故障分析，负荷预测等高级功能，然而这也使得监测中心将面临着庞大的数据存储压力，由此引发了本文的第二个研究内容，由浙江大学和日本富士电机公司共同承担的国际合作项目：杭州地区的电能在线监测系统，旨在研制出适合我国电力系统特点的、针对地区电网的电能质量在线监测和管理系统，同时建立高压缩比的电网运行数据仓库，能够为电力系统的自身状态校正的提供依据以及面向用户提供电能质量量管理和规划。压缩对象主要是监测终端上传到数据服务器的历史数据，因此要求高压缩比但对算法执行速度要求不高。本文采用二维重构的方式将监测终端一维时间序列数据转化为电力信号图像，增加了历史数据之间的周期间相关性，压缩工具采用可以实现最优分解的二维自适应的小波包，可以同时去除数据所包含的周期间冗余和周期内冗余，再通过机器学习的思想：采用支持向量机回归智能学习的形式将分解得到的小波系数进行筛选，以保证高压缩比下电能质量特征值不丢失。算法验证中利用监测的用户数据包括杭州城区内各类主要的终端负荷类型数据，本文测试样本抽取了5种典型低压用户负荷：居民小区、工业园区、高校、写字楼、医院，包含有电网稳态运行以及暂态电能质量事件，本文算法都表现出很好的压缩比和压缩精度。研究中同样设计了基于经典小波硬阈值的处理方案，通过对比实验显示了本文算法的对于不同测试样本所表现出的鲁棒性和压缩精度都优于传统算法。
本文的研究工作按照项目背景简介-数据压缩方案研究-性能评估的顺序展开讨论，研究内容为数字化电力系统中的数据压缩新技术，分析结果表明，本文采用的方法可靠、高效和实用，对提高今后数字化电网的性能和经济性具有指导意义和应用价值。