新能源集控系統電量指標綜合處理策略

姜 凱， 金巖磊， 秦冠軍

(南京南瑞繼保電氣有限公司,江蘇 南京 211102)

0 引言

近幾年來，新能源發電已成趨勢，大量的專業技術人員的現場維護成本急劇增加，建設新能源集控(遠程監視系統)將逐漸成為新能源公司最經濟和高效的運維方式[1-4]。集控系統運維依賴于各項指標的準確性和實時性，電量指標作為系統重要的生產指標，其指標的準確、實時等特性是否滿足要求對集控系統運維價值有極大的影響。

新能源遠程集控系統通過前置模塊采集電量實時數據，受多種因素的影響[5-8]，集控采集電量的異常現象呈現曲線變化多樣性、異常時刻隨機性和是否異常難分辨性等特點。從宏觀上看是因為子站數據源的多樣化(包括設備類型、傳輸數據類型等多樣化)、集控系統結構層級化[9-10]帶來的通信干擾不確定性等原因導致的，從微觀上看是由于存在通信碼率傳輸精度的隨機跳躍。

目前的集控系統基本未對實時數據本身進行策略優化，常規手段是借助于其他軟件工具對離線數據進行數據回填以保證數據可用性，或者推動工程消除數據異常源，以減少數據異常發生概率[11]，但是工程中異常數據是不可避免的，比如子站電量定期清零、調試期間的數據修改、通信數據擾動等。在千萬測點的大數據[12-14]集控系統中，這種處理方式將會一定程度上降低集控系統指標展示的實時性效果和數據的正確性。

本文提出一套完整的電量數據處理方案，對采集數據入庫前進行實時處理，準確記錄實時電量數據，同時增加處理策略，對“好”“壞”數據使用雙重標準校驗，在不影響數據準確性情況下，使得系統的電量指標能夠正確的實時更新。

1 新能源集控電量數據異常特性

1.1 電量數據宏觀異常曲線特點

新能源集控系統與大量的光伏、風電等子站設備通信獲取電量生產數據[15-17]，其數據刷新實時性展示需要達到秒級，通過三峽新能源集控系統工程實際數據觀察，電量數據呈現異常多樣化，通過30秒間隔采樣數據擬合曲線，觀察宏觀上的電量(累計值總值)曲線隨機異常變化規律。

圖1中10 d時間內風機電量數據在隨機跳變波動，經常出現“尖峰”數據[18]，整體趨勢是緩慢合理增長。圖2中某風機電量在電量異常時間段持續時間較長。圖3中某風機電量數據在A點到B點之間電量雖然是向上增加趨勢，但是數值變化卻遠超此風機能發最大上限，不增加過濾判別很難識別出來。圖4中是風機在某個時刻隨機的電量變為0，之后電量值恢復。

圖1 電量尖峰曲線Fig.1 Electricity peak curve

圖2 電量異常持續時間長曲線Fig.2 Power exception duration long curve

圖3 電量數據復雜變化曲線Fig.3 Complexity curve of electric quantity data

圖4 電量正常清零曲線Fig.4 Normal power reduction curve

從集控系統應用角度來分析，“異常”原因分為合理和不合理的數據異常，正常運維產生的數據跳變有子站端電量累計值設備清零(和通信中斷會有相同的現象)、設備程序升級清零等，不合理數據異常產生原因則有設備越限、通信中斷、數據源質量不穩定、通信環節多干擾大等。

數據異常變化從整體上來看存在以下特點：(1) 異常數據發生時間的隨機性；(2) 數據曲線異常趨勢不確定性；(3) 數據異常狀態持續時間的不確定性；(4) 異常現象和正常現象混雜不可區分。新能源集控系統對數據展示實時性、統計查詢時間隨機性有非常高的需求，因此必須對電量數據做出完整的過濾處理，將異常數據實時消納，做到從應用對象角度能夠無差別使用異常和非異常期間的電量數據。

1.2 電量數據微觀異常曲線及特點

電量數據微觀異常的概念是指在集控系統和子站通信期間，由于設備、子站、總站系統等各個環節因為系數設置等原因導致電量數據丟失數據精度的現象。這會導致數據在傳輸環節上出現一定程度數據曲線失真，但并不影響總體(宏觀)趨勢，如圖5所示。

圖5 電量-時間采樣定性曲線Fig.5 Power-time sampling qualitative curve

丟失數據精度的曲線變化規律有些是類似宏觀數據曲線的異常現象，比如圖5中采樣點4(從左往右)比采樣點3值小，原因是在此時段設備內發電量較小，精度損失帶來的擾動影響較大，其現象與宏觀電量向下突變類似。如果對此種電量不加處理，每個設備微小的損失，也會使得系統整體累計電量生成數據因設備量大而出現明顯的偏差。因此在處理電量宏觀上的數據異常情況時，必須兼顧微觀上的數據精度丟失帶來的異常情況。

2 新能源集控電量修正策略

(1)

則發電設備和廠站任意時刻的集控隨機數據集統計電量為：

(2)

(3)

式中：i，j分別表示任意的兩個時刻；表示場站下子設備集合；ΔE表示發電設備在任意時間段[i,j]內的電量統計；E總為廠站層下的任意時間段[i,j]的電量統計。

同時增加實時庫電量Et當前狀態標記l，以記錄當前電量Et的狀態是否是處于“異常”期間，在不同的狀態期間執行相應的數據處理策略。

2.1 宏觀趨勢數據異常處理策略

本策略部分是當數據出現異常時候的處理環節。本文中狀態標記l值表征Et環境含義為：l=0表示正常數據環境；l=1表示下降異常數據環境；l=2表示上升異常數據環境，數據跳變判據采用相應發電設備單位時間內最大額度發電量為上限，實際中考慮設備有超發情況，需增加冗余上限。使用控制策略，保證在不改變實時數據Et值情況下，采用修改伴隨變量方式，使得電量Et累計值能夠在趨勢上不丟失，不出現統計異常。對于宏觀數據處理策略如圖6所示。

圖6 宏觀異常數據處理策略Fig.6 Macro anomaly data processing strategy

2.2 數據微觀擾動損失處理策略

本文中處理“好”、“壞”數據實行不同的數據校驗標準，以確保“好”數據更快執行，異常數據和異常狀態恢復嚴格校驗。確保小發電情況下的數據精度擾動等不被誤判為跳變損失，詳細的控制策略見圖7，在圖6“異常/恢復數據處理策略”前序邏輯中增加對數據多層校驗的過程，將數據曲線合理范圍“管道化”。增強電量數據發生異常、異常恢復情況下的判別程度，抑制擾動數據帶來的影響。

其中精度校驗環節d2≥d1,ΔE額定為采樣點兩次值比較周期內最大發電量值。d1為數據變化周期內的采樣最小計算精度，用于正常數據的變化處理，d1的合理設立有助于實時數據的刷新速度；d2用于“異常”判別和恢復“正常”的數據門檻值，對于擾動過濾、長時間異常點(對異常發生、恢復有較高要求)判別有重要作用，選值需要根據發電設備滿發時數據擾動情況觀察設立。

3 基于三峽新能源集控系統電量現狀優化案例分析

本文采用三峽新能源集控系統某子站一臺風機的電量數據進行測試，在風機設備側模擬實際情況隨機修改運行工況和電量數值。集控系統電量單位統計統一使用MW·h，風機的額定功率為1500 kW。為了保證監控系統刷新的實時性(集控的重要用戶體驗指標)，設定d1=0.000 1、d2=0.02，單個計算采樣間隔周期內風機的最大發電量采用1.2倍上限容忍。初始數據環境變量l為0，即當前數據為正常數據，初始電量伴隨因子跟隨值均為0。為了便于觀察曲線，本文中通信中斷數據模擬使用適量減少來實現，在策略處理上是一致的判斷。為便于實驗觀察，對風機使用一分鐘間隔采樣點作為測試案例，連續測試10個數據點Et。

圖8 修正前后電量曲線Fig.8 Curves before and after correction

4 結論

本文提出了一種采用綜合電量生成數據的修正策略，并進行了完備的測試后得出如下結論：(1)基于“好”“壞”數據雙重標準處理數據擾動策略解決了新能源集控系統電量生成展示的實時性和正確性的沖突。(2) 對實時系統數據采用綜合處理策略，解決了電量曲線復雜異常問題，包括尖峰脈沖過濾、矩形過濾、中斷期間累計數據恢復等，既滿足了實時系統展示需求，同時也支持了任意時間段的正確統計查詢功能。(3) 引進電量指標的跟隨變量：伴隨突變因子和數據環境變量等，這些衍生變量可以用來判斷系統的數據質量可信度等。