基于態勢感知技術的智能電網網絡態勢評估模型及感知預測研究

周俊宇，李 偉，吳海江，唐 鶴

（廣東電網有限責任公司佛山供電局，廣東佛山 528000）

國家電網公司是國民經濟命脈與國家能源安全的主要骨干企業，承擔供應可持續電力與社會經濟安全發展使命。在智能電網不斷發展的過程中，智能電網信息安全問題也逐漸凸現出來，對于智能電網信息安全問題也提出了高要求。目前國家電網缺乏安全防御對策，檢測攻擊后使用有針對性的應對措施已經無法解決問題，攻擊也會導致不可挽回的損失[1]。為了使此問題得到解決，就要基于大規模電力系統環境感知可能會導致系統安全態勢出現改變的安全要素，基于此，實現安全態勢聯動預警，從而防患于未然，降低因為網絡攻擊導致的電力系統損失。態勢感知技術為掌握電網運行軌跡的主要技術，其能夠利用廣域時空范圍中電網相關變化導致的因素進行理解、收集和預測，從而精準掌握電網安全態勢，實現電網安全管理主動預防[2]。因此，文中在智能電網中使用態勢感知技術，提出智能電網網絡態勢評估模型。

1 智能電網網絡態勢整體架構

綜合智能告警收集調度自動化系統能夠將電網運行狀態的告警信息進行反應，基于此，實現告警信息分析處理，將關鍵告警信息與原因進行提取，從而構成智能化告警信息，圖1 為綜合智能告警框架。

圖1 綜合智能告警框架

底層一體化調度技術支撐平臺能夠將通用圖形、模型、網絡通信、數據存儲等服務提供給上層應用。中間層包括應用分析結果信息、數據資源，比如動態、靜態與暫態數據、短路電流計算、靜態安全分析與在線穩定分析等信息，并將各告警信息與基礎數據信息提供給上層綜合智能告警。基于此，上層綜合智能告警能夠實現中間層告警數據與基礎數據的數據挖掘、整合分析與綜合展示，以此構成實時監視分析、故障告警分析與預想故障分析3 種告警信息，使調度運行人員了解到電網運行方式中的問題[3]。

2 電網風險評估模型

因為電網擾動項的不確定性與復雜性，有多種因素會構成電網風險，包括自然災害、人為因素、經濟因素與設施故障等[4]，圖2 為電網風險的分類。

圖2 電網風險的分類

2.1 基于線路過載風險

模型目標函數為線路過載風險，控制量為有功與無功功率，線路過載概率為線路功率與額定功率最大值的隨機分布，該模型能夠降低線路過載，使線路、系統運行過程更加安全、穩定[5]。線路潮流和線路過載情況相關，兩者關系詳見圖3。如果在線功率高于額定功率，線路過載風險的嚴重度與潮流關系為一次線性。簡單來說，電力線路有功功率為90%線路額定功率時，線路功率過載風險的嚴重程度為0，線路有功功率為100%額定功率時，線路負荷過載風險嚴重度為1。在線路潮流低于額定功率時，線路過載風險的嚴重程度就是0[6]。

圖3 線路潮流和過載嚴重性關系

根據線路功率過載風險和風險理論，線路i功率過載風險指標risk為功率變化嚴重性Se與變化概率PI的乘積，功率計算公式如式（1）所示。

式（1）中，Zi是線路功率，se(Zi)是線路i過載嚴重度，pr(Zi)是線路i功率波動概率，risk(Zi)是線路i過載風險。

根據風險指標的累加性，基于系統角度評估系統狀態，系統線路過載風險指標如式（2）所示。

利用式（2）計算得到線路功率的過載風險，能夠了解到電網運行過程中的狀態。但是非通暢電網線路功率的過載風險指標無法使調度運行人員需求得到滿足，這時系統就會存在問題，電網調度人員利用預防措施能夠降低線路功率過載風險。通過降低線路功率過載的方法開展優化[7]，系統運動功率過載的最小風險計算公式為：

式中，rall(Z)是系統線路過載風險目標函數。

2.2 基于連鎖故障風險

利用模糊聚類算法與事故鏈模型對連鎖故障發展的模式進行預測，通過動態故障理論對支路重要度進行評估。小部分電網中的薄弱環節會導致電網出現大面積停電，會對附近區域電網造成影響，導致連鎖故障的出現[8]。在正常運行時，電網線路會利用保護動作將故障切除，從而降低了電網連鎖反應的發生幾率。假如擴大事故率，保護裝置就會將故障元件設備進行切除，甩出負荷，導致電網崩潰情況出現。以連鎖故障分析與搜尋理論為基礎，利用系統連鎖故障風險指標避免故障蔓延[9]，目標函數的數學模型為：

式中，α為連鎖故障級數，K是i級故障個數，Cg是發電機g的發電成本，Cj是節點j切除負荷導致的損失；N是系統可控制負荷調整的節點數；ΔPi,k,g是i級連鎖故障k中發電機節點g的控制出力；Li,k,j是i級連鎖故障模式可控制負荷調整節點j的負荷調整量[10]。

2.3 基于失效元件風險

風險追蹤方法對設備失效中電力系統進行追蹤，影響電力系統總運行風險，風險追蹤的標準為如下。

責任分配原則：分配電網設備元件，不設置個例，也不因特殊情況改變風險責任分配。假如出現事故，失效元件會參與到風險追蹤中；

失效責任制原則：假如單一故障設備停運，事故后果通過失效元件承擔，沒有出現事故元件則不會承擔事故風險，并且不是風險追蹤對象[11]。

根據上述原則，單一元件所導致的系統風險量化為：

3 智能電網安全態勢預測實例

以國網某地區公司攻擊檢測數據與網絡日志為例，對2019 年9 月9 日到9 月23 日網絡安全態勢進行計算，圖4 為網絡安全態勢真實值。之后利用最小二乘支撐向量機LSSVM、自回歸AR 預測模型和RBF 神經網絡預測模型實現預測。

圖4 網絡安全態勢真實值

3.1 自回歸預測數據

通過時間序列預測模型能夠得出11日至15日網絡安全態勢預測值，圖5為自回歸模型預測結果，表1為自回歸預測模型結果誤差。以此表示自回歸模型的網絡態勢基本走勢，但是具有較大的誤差[12]。

圖5 自回歸模型預測結果

表1 自回歸預測模型結果誤差

3.2 最小二乘支持向量機預測

圖6 為LSSVM 模 型預測結果，表2 為LSSVM 預測模型結果誤差。通過此數據對比AR 模型，最小二乘支持向量機預測值曲線更加接近，但是在時間發展中也各有不同[13]。

表2 LSSVM預測模型結果誤差

圖6 LSSVM模型預測結果

3.3 RBF神經網絡預測數據

通過訓練神經網絡預測模型得出網絡安全態勢預測值，表3 為網絡安全態勢預測結果。通過表3 可知，在不同預測時間點中真實值與預測值的誤差不同，文中通過神經網絡RBF 預測模型實現網絡安全態勢預測，具有良好的效果。

表3 網絡安全態勢預測結果

4 電網風險評估的告警與防控系統

4.1 輸變電設備工況分析

分析不深入和來源不全面是傳統輸變電設備數據分析的問題，針對此問題，綜合智能告警系統能夠得到多元化數據，對遙測、遙信、臺帳、保護等信息進行整合，實現數據深度學習，從而創建輸變電設備運行工程的輔助、電氣、時間與環境等模型，利用神經網絡等手段創建輸變電設備模型，從而實現電網主設備故障診斷、缺陷、前瞻性等預警[14]。

4.2 電網運行風險預警

電網比較脆弱，其運行狀態容易受到電力系統內外部不良因素的影響。對電網運行風險進行預警，創建反映電網異常運行過程中的趨勢指標與狀態特征，能夠及時掌握電網運行過程中的安全風險。現代電網調控風險預警和人工經驗判斷具有密切關系，綜合智能告警系統對電網運行、越限告警與網絡分析等數據進行深入挖掘，與負荷、氣象、電源等影響因素相互結合，創建基于GIS 的電網運行風險預警功能模塊，對電網異常過程中的狀態特征進行分析。創建趨勢指標，從而開展風險輔助決策與智能預警，利用多窗口聯動的方式通過展示層面分析電網信息與系統[15]。

4.3 電網故障分析告警

出現故障的調控人員實現告警信息元級數據的接收，忽視篩選有效信息。要想使該問題得到解決，該系統能夠通過大量的元級數據對電網故障進行整理分析，提高信息組織效率。

在電網出現故障的時候，故障信息分析和決策依賴人工經驗，在故障判定與處置方面存在經驗盲區，所以，就要創建智能電網故障分析告警，全面處理故障。綜合告警系統能夠整合電網故障的多源信息，對電網故障告警進行分析，使調控人員能夠及時處理電網故障[16]。

5 結束語

在智能電網系統不斷發展的過程中[17-18]，智能電網和公用網絡廣泛結合，所面臨的網絡安全問題逐漸復雜，對智能電網攻擊的方式逐漸多元化。未來要結合智能電網和先進信息安全技術，并且抵御各新型攻擊入侵，具備預知攻擊、威脅的能力，保證智能電網正常運行。文中設計了電網態勢評估模型，并且結合實例進行分析，提出了電網風險評估告警和防控的對策，保障電網運行的安全性。