一种电力推进系统仿真可信度评估模型综合优化方法

摘要

本发明公开了一种电力推进系统仿真可信度评估模型综合优化方法。包括以下步骤，将电力推进系统分解为若干个子系统；将系统仿真的建立过程为评价准则，对仿真系统各准则下的子系统进行分解，直至最小单元；对电力推进系统进行拓扑建模；采集电力推进系统各支路电压、相角、有功功率和无功功率；针对电力推进系统的不同属性，采用相应的智能算法进行优化，得到可信度评估优化模型；对相同工况下的实际系统进行数据采集，使用可信度评估优化模型对实际采集的数据进行测试，得到可信度；如果可信度小于可信度指标η，则重新对电力推进系统进行拓扑建模；如果可信度大于或等于可信度指标η，则可信度评估结束。本发明具有高稳定性与高可靠性。

说明书

技术领域

本发明属于电力推进系统和仿真评估模型领域，尤其涉及一种电力推进系统仿真可信度 评估模型综合优化方法。

背景技术

近年来，仿真技术作为最先进的科学技术，以其经济性好、安全性高和操作性强等优点， 被广泛应用于各个研究领域，同时也带来了巨大的经济效益。仿真技术也被称之为除了理论 研究与实物分析之外的又一种解剖现实世界的新方法，成为正确认识客观世界的又一技术手 段。因此，采用仿真技术对实际系统进行研究，不但可以有效降低科研成本、缩短研发周期， 还能够加快改善实际系统性能的步伐。

尽管仿真技术的应用有较多优越性，但也存在一定的风险。仿真技术是以相似理论为基 础，对真实事物或虚拟事物进行构造和试验分析的。因此所建立的仿真系统也不可能完全模 拟真实事物本身。仿真系统是否具有真实可信度、所得的仿真输出结果能否可用，与系统开 发全研发周期中依据仿真输出结果所展开的一系列实施步骤密切相关。因此，对实际系统的 仿真进行可信度评估是必要而迫切的。

目前，仿真可信度的模型构建问题主要体现在两个方面，一是实际系统没有潜在故障问 题，仿真模型结果却发现有潜在故障问题，运行部门不得不降低运行极限，造成经济上的巨 大损失；二是实际系统有潜在故障问题，仿真模型没有将其正确的描述出来，无法制定相应 的控制措施，给电力系统安全运行带来隐患。研究表明原有的仿真模型数据仅对事故仿真是 不够的，需要根据仿真结果的可信性研究结果对原有模型进行修改和调整，才能与实际记录 的故障情况接近。所以说对于仿真可信度模型的优化就显得极其重要，它在一定程度上体现 了所构建的仿真模型是否更能够反映实际系统的各种状态。

通过对电力推进系统的仿真进行可信度评估模型优化研究，不仅可以更有效地提高仿真 模型的精确度和稳定性，从整体上构造出更高可靠性的仿真模型；还能够利用该高可信度的 仿真模型对实际系统各种工作状态进行模拟和测试，极大的减少了成本花销和投入的人力、 物力，同时也克服了许多实际系统运行的安全隐患，具有非常重要的理论意义和工程价值。

发明内容

本发明的目的是提供一种具有高稳定性和精度的，一种电力推进系统仿真可信度评估模 型综合优化方法。

一种电力推进系统仿真可信度评估模型综合优化方法，包括以下步骤，

步骤一：根据电力推进系统本身的特点，按照系统级到单元级的顺序，将复杂系统分解为若 干个子系统；

步骤二：根据仿真系统的用户需求和影响系统仿真可信度的因素，将系统仿真的建立过程为 评价准则，自顶向下逐层对仿真系统各准则下的子系统进行分解，直至最小单元；

步骤三：通过对各子系统中单元级模型之间的关联方式和关联程度进行分析，对电力推进系 统进行拓扑建模；

步骤四：对电力推进系统进行潮流计算，采集电力推进系统各支路电压、相角、有功功率和 无功功率；

步骤五：针对所构建电力推进系统各方面的不同属性，采用相应的智能算法进行优化，得到 优化后的数据网络结构模型，即可信度评估优化模型；

步骤六：对相同工况下的实际系统进行数据采集，使用得到的可信度评估优化模型对实际采 集的数据进行测试分析，得到测试的准确度，即为仿真系统相对于实际系统的可信度；

步骤七：给定该系统的可信度指标η，如果步骤六得到的可信度小于可信度指标η，则对仿 真系统的结构和参数进行调整，重新对电力推进系统进行拓扑建模，重复步骤三～步骤七；如 果步骤六得到的可信度大于或等于可信度指标η，则可信度评估结束。

本发明一种电力推进系统仿真可信度评估模型综合优化方法，还可以包括：

针对所构建电力推进系统各方面的不同属性，采用相应的智能算法进行优化的具体步骤为： (1)针对所构建电力推进系统的指标权重属性，运用遗传神经网络算法对可信度评估模型 进行修正优化；

(2)针对所构建电力推进系统的计算速率和计算精度属性，运用粒子群算法对可信度评估 模型进行优化；

(3)针对所构建电力推进系统的节点和链路属性，运用Floyd-Warshal算法对网络拓扑可信 度评估模型进行网络流分析并调整该模型中的节点和链路，对网络拓扑可信度评估模 型的结构进行简化。

有益效果：

本发明可以更有效地提高仿真模型的精确度和稳定性，从整体上构造出更高可靠性的仿 真模型；还能够利用该高可信度的仿真模型对实际系统各种工作状态进行模拟和测试，极大 的减少了成本花销和投入的人力、物力，同时也克服了许多实际系统运行的安全隐患。

附图说明

图1是中压电力推进系统仿真可信度综合评估指标体系框图；

图2是电力推进系统仿真可信度评估模型优化流程图；

图3使用智能算法对电力推进系统评估模型进行优化框图；

图4是遗传神经网络算法优化评估模型指标权重流程图；

图5是粒子群算法优化评估模型计算速率和计算精度流程图。

具体实施方式

下面将结合附图对本发明做进一步详细说明。

本发明包括如下的步骤：

(1)根据电力推进系统本身的特点，按照系统级到单元级的顺序，将复杂系统分解为若 干个子系统；

(2)针对仿真系统的用户需求和影响系统仿真可信度的因素，并通过咨询电力推进领域 的相关专家，依据系统仿真的建立过程为评价准则，自顶向下、逐层对仿真系统各准则下的 子系统进行分解，直至最小单元；

(3)通过对各子系统中单元级模型之间的关联方式和关联程度进行分析，对电力推进系 统进行拓扑建模；

(4)通过对电力推进系统进行潮流计算，同时对电力推进系统各支路电压、相角、有功 功率、无功功率等参数数据进行采集；

(5)针对所构建电力推进系统各方面的不同属性，采用相应的智能算法进行优化；

(6)得到仿真系统优化后的数据网络结构模型，即可信度评估优化模型；

(7)对相同工况下的实际系统进行数据采集，使用仿真可信度评估优化模型对实际采集 的数据进行测试分析，得到测试的准确度，即为在仿真系统相对于实际系统的可信度；

(8)通过咨询权威专家意见，给定该系统的可信度指标为η。如果可信度小于η，则对 仿真系统的结构和参数进行调整，重新对电力推进系统进行拓扑建模，重复步骤(3)～(8)； 如果可信度大于或等于η，则可信度评估结束。

针对评估模型各个方面的不同属性，采用相应的智能算法进行优化的步骤包括：

(1)针对所构建电力推进系统的指标权重属性，运用遗传神经网络算法对可信度评估模 型进行修正优化；

(2)针对所构建电力推进系统的计算速率和计算精度属性，运用粒子群算法对可信度评 估模型进行优化；

(3)针对所构建电力推进系统的节点和链路属性，运用Floyd-Warshal算法对网络拓扑 可信度评估模型进行网络流分析并调整该模型中的节点和链路，对网络拓扑可信度评估模型 的结构进行简化。

结合图1、图2和图3，以中压电力推进系统仿真可信度综合评估指标体系为例，仿真系 统的可信度评估模型综合优化过程分为以下几个方面：

采用VV&A(校核、验证与确认)技术作为仿真系统可信度评估原则，确保整个仿真系统 可信度综合评估过程都是以VV&A技术为基础完成。根据电力推进系统本身的特点，按照系统 级到单元级的顺序，将复杂系统分解为若干个子系统后再进行分析。针对仿真系统的用户需 求和影响系统仿真可信度的因素，并通过咨询电力推进领域的相关专家，依据电力推进系统 仿真的建立过程为评价准则，自顶向下、逐层对仿真系统各准则下的子系统进行分解，直至 最小单元。通过对各子系统中单元级模型之间的关联方式和关联程度进行分析，对电力推进 系统进行拓扑建模。通过对电力推进系统进行潮流计算并对各支路电压、相角、有功功率、 无功功率等参数采集大量的数据；针对所构建电力推进系统各方面的不同属性，采用相应的 智能算法进行优化：使用遗传神经网络算法来对可信度层次分析评估模型的指标权重进行修 正优化；使用粒子群算法来对可信度评估模型的计算速率和计算精度进行优化；使用 Floyd-Warshal算法对网络拓扑评估模型进行网络流分析并调整评估模型中的节点和链路，对 网络拓扑评估模型的结构进行简化；得到仿真系统优化后的数据网络结构模型，即可信度评 估优化模型。对相同工况下的实际系统进行数据采集，使用仿真可信度评估优化模型对实际 采集的数据进行测试分析，得到测试的准确度，即为该仿真系统相对于实际系统的可信度。 通过咨询权威专家意见，给定该系统的可信度指标为η，如果可信度小于η，则对仿真系统 的结构和参数进行调整，重新进行拓扑建模，并重复以上步骤；如果可信度大于η，则可信 度评估模型优化过程结束。最终得到整个仿真系统综合优化后的可信度评估结果。

在针对所构建电力推进系统各方面的不同属性，采用相应的智能算法进行优化过程中所 用到的智能算法为遗传神经网络算法、粒子群算法和Floyd-Warshall算法，三种智能算法的 具体计算过程如下：

一、基于遗传神经网络算法的评价指标权重修正优化

根据所构建电力推进系统可信度评估模型的特点，运用遗传神经网络算法对可信度层次 分析评估模型的指标权重进行修正优化。结合图4，遗传神经网络算法的计算步骤如下：

第一步：设某一参数u的变化范围为[U_min,U_max]，其中：U_min为取值下限，U_max为取值 上限。其编码后的值为a，编码长度为n，则编码精度δ和对应编码前的值U为：

$\left(\begin{array}{c}\delta =\left[\frac{U_{max}-U_{min}}{2^n-1}\right]\\ U=U_{min}+\frac{a}{2^n-1}(U_{max}-U_{min})\end{array}\right)---\left(1\right)$

第二步：在确定指标权重时，输入训练样本，计算它的误差函数值，以误差平方和 倒数作为遗传算法的适应度。若误差越小，适应度越大，反之则适应度小，以此评价连接权 和阈值的优劣。选择适应度大的个体，直接遗传给下一代。由输出数据的均方误差和作为适 应度函数f(x)：

$f\left(x\right)=\frac{1}{\underset{j=1}{\overset{N}{\Sigma }}{(t_{pj}-O_{pj})}^2}---\left(2\right)$

其中，N是输出层的节点总数，t_pj表示第p个输入样本在第j个节点的实际数据，O_pj表 示第p个输入样本在第j个节点的网络实验数据。

第三步：为了得到人工神经网络结构参数的初始最优值，利用遗传算法对适应度函数不 断地迭代，求目标函数F(X)的全局最小值：

$F\left(X\right)=\left(\begin{array}{cc}{C}_{max}-f\left(x\right),& f\left(x\right)<C_{\max }\\ 0,& f\left(x\right)\ge C_{max}\end{array}\right)---\left(3\right)$

其中，C_max为f(x)的最大估计值。通过选择、交叉、变异，重复计算输入指标实际测量 值的误差平方和倒数作为新的适应度，不断优化初始确定的一组权值和阈值，直到训练的参 考点误差满足实际输出数据的精度要求为止。可见，适应度大的个体，被选中的概率也大。 这样得到的神经网络的结构和参数都已经优化，由它的自学习能力，训练输入指标实际测量 值，保存所得到遗传-神经网络结构。

第四步：计算此时人工神经网络的输入因素相对于输出因素之间的真实关系，也就是输 入因素对输出因素的决策权重，还需要对各神经元之间的权重加以分析处理，为此利用以下 几项指标来描述输入因素和输出因素之间的关系。

①相关显著性系数：

$r_{ij}=\underset{k=1}{\overset{P}{\Sigma }}{\omega }_{ki}(1-e^{-{\omega }_{jk}})/(1+e^{-{\omega }_{jk}})---\left(4\right)$

②相关指数：

$R_{ij}=|(1-e^{-r_{ij}})/(1+e^{-r_{ij}})|---\left(5\right)$

③绝对影响系数：

$S_{ij}=R_{ij}/\underset{i=1}{\overset{m}{\Sigma }}{R}_{ij}---\left(6\right)$

上述公式中：i为神经网络输入单元，i＝1…m；j为神经网络输出单元，j＝1…n；k 为神经网络的隐含单元，k＝1…P；ω_ki为输入层神经元i和隐含层神经元k之间的权系数；ω_jk为输出层神经元j和隐含层神经元k之同的权系效。上面三个相关系数中绝对影响系数S_ij就 是所要求的输入因素相对于输出因素的权重。

二、基于粒子群算法的评估模型计算速率与精度优化

根据所构建电力推进系统可信度评估模型的特点，运用粒子群算法对可信度评估模型的 计算速率和计算精度进行优化。结合图5，粒子群算法的计算过程如下：

假设在一个D维的目标搜索空间中，有N个粒子组成一个群落，其中第i个粒子位置表示 为一个D维的向量，记为：X_i＝(x_i1,x_i2,…,x_iD)，i＝1,2,…,N。

第i个粒子的速度也是一个D维的向量，记为：V_i＝(v_i1,v_i2,…,v_iD)，i＝1,2,…,N。

每个粒子在搜索时要考虑两个因素：

(1)自己搜索到的历史最优值p_i，p_i＝(p_i1,p_i2…,p_iD)，i＝1,2…N。

(2)全部粒子搜索到的最优值p_g，p_g＝(p_g1,p_g2…,p_gD)。

第i个粒子迄今为止搜索到的最优位置称为个体极值，记为：

p_best＝(p_i1,p_i2,…,p_iD)，i＝1,2,…,N。

整个粒子群迄今为止搜索到的最优位置为全局极值，记为：

g_best＝(p_g1,p_g2,…,p_gD)

根据下面的公式分别更新粒子的速度v_i和位置x_i；

v_id＝w*v_id+c₁r₁(p_id-x_id)+c₂r₂(p_gd-x_id)(7)

x_id＝x_id+v_id(8)

其中，v_id是粒子的速度，x_id是粒子的位置，w是惯性权重，c₁和c₂是学习因子，r₁和r₂为[0，1]范围内的均匀随机数，p_id是个体极值，p_gd是全局极值。

第一步：初始化粒子群，包括群体规模N，每个粒子的位置X_i和速度V_i

第二步：计算每个粒子的适应度值F_it[i]；

第三步：对每个粒子，用它的适应度值F_it[i]和个体极值p_best(i)比较，如果F_it[i]>p_best(i)， 则用F_it[i]替换掉p_best(i)；

第四步：对每个粒子，用它的适应度值F_it[i]和全局极值g_best比较，如果F_it[i]>g_best(i)则 用F_it[i]替g_best；

第五步：根据公式(7)，(8)分别更新粒子的速度v_i和位置x_i；

第六步：如果满足结束条件(误差足够好或到达最大循环次数)退出，否则返回第二步。

三、基于Floyd-Warshall算法的评估模型结构简化

针对所构建电力推进系统评估模型的复杂性，运用Floyd-Warshall算法对网络拓扑评估模 型进行网络流分析并调整评估模型中的节点和链路，对网络拓扑评估模型的结构进行简化。 Floyd-Warshall算法的计算过程如下：

Floyd-Warshall算法是一种基于DP(DynamicProgramming)的最短路径算法。设某图G中n 个顶点的编号为1到n。令c[i,j,k]表示从i到j的最短路径的长度，其中k表示该路径中的 最大顶点，即c[i,j,k]这条最短路径所通过的中间顶点最大不超过k。因此，如果G中包含边 <i,j>，则c[i,j,0]＝边<i,j>的长度；若i＝j，则c[i,j,0]＝0；如果G中不包含边<i,j>，则 c[i,j,0]＝+∞。c[i,j,0]则是从i到j的最短路径的长度。

第一步：对于任意的k>0，可以得到：中间顶点不超过k的i到j的最短路径有两种可 能：该路径含或不含中间顶点k。若不含，则该路径长度应为c[i,j,k-1]，否则长度为 c[i,k,k-1]+c[k,j,k-1]。

第二步：c[i,j,k]取两者中的最小值，状态转移方程为：

c[i,j,k]＝min{c[i,j,k-1],c[i,k,k-1]+c[k,j,k-1]},k>0(9)。