應用調控大數據的電網運行態勢動態感知方法研究

郭 靖,王 琨,馬來·對山拜,徐 靜

(新疆信息產業有限責任公司,新疆 烏魯木齊 830013)

0 引言

隨著電網規模的日益壯大,在互聯電網的過程中,市場化、大規模電力系統的逐漸形成,以及遠距離輸電、超高壓、大機組的出現,都導致電網故障越來越頻繁地發生。如果無法及時處理這些故障,可能導致嚴重后果,包括引發大面積停電問題甚至影響電力系統的穩定運行[1]。

為了防止出現上述情況,必須要對電網運行態勢進行動態感知。電網運行態勢動態感知能夠為電網的決策與檢修工作提供全方位的基礎數據。對電網運行態勢動態感知的研究具有悠久的歷史。國外很早就開始開發態勢感知技術,并將其應用于軍事、網絡安全、航空等多個領域,甚至能夠通過該技術提升電網監控能力。但將其應用于電網運行態勢的動態感知中還為時尚短,仍處于相關研究的起步階段。Mica R.Endsley等提出一種基于穩定性控制的電網運行態勢動態感知方法,主要通過對環境、時延、測量誤差等電網運行態勢分析中的誤差因素進行影響因素與來源分析,實現過負荷、電壓、頻率與穩定性的控制與評估,從而達到電網運行態勢動態感知的目的[2]。國內早在20 世紀90 年代初就有柳焯教授等學者提出了電力系統的態勢分析思想。其中的態勢是指電力系統的發展趨勢與當前狀態。以這種思想為起點,有學者開始研究通過對電網進行特征指標定義來實現運行態勢的動態感知。錢斌等通過對電網的運行特征指標進行提取,并對比提取的特征指標與實時采樣數據,獲取電網狀態隨時間變化的規律,實現電網運行態勢動態感知[3]。

以上方法在對電網運行態勢進行感知的過程中,因受到電網運行態勢波動較大的影響而無法提取態勢因子參數,在態勢感知累積和閾值為0.05～0.2 的范圍內存在負荷水平偏低的問題。對此,本文提出一種應用調控大數據的電網運行態勢動態感知方法。

1 應用調控大數據的電網運行態勢動態感知

1.1 獲取電網安全裕度

利用直流潮流模型,通過發電機的有功功率節點注入向量對系統運行點進行表征,獲取系統靜態有功安全域邊界[4]。

式中:ΩSSR為一組系統安全運行的超平面,由它們共同構成了系統靜態有功安全域邊界;PG為發電機的有功功率節點注入向量;Pd為負荷節點的對應有功功率向量;PGmin為發電機實際有功出力的最下限;PGmax為發電機實際有功出力的最上限;DG為發電機中列對應的節點所構成的矩陣;PLmax為輸電線路極限傳輸容量向量;D為支路-節點分布轉移因子矩陣[5]。

式中:BL為電納質量矩陣;AT為支路-節點關聯矩陣;B為電納節點矩陣。

根據調控大數據中的氣象邊界條件算法,獲取線路傳輸的動態容量極限,也就是電網的安全裕度[6]。首先,以導線熱平衡原理為依據,獲取輸電線路穩態下的吸收功率與散熱功率:

式中:qr為導線溫度與環境溫度差帶來的散熱輻射功率;qc為導線的散熱對流功率,取決于風向與風速;qs為日照下導線的吸熱功率;I為導線的對應穩態載流量;R(Tc)為Tc條件下導線溫度的對應交流電阻;I2×R(Tc)為Tc溫度下交流導線電阻的實際發熱功率。

將當前導線所允許的最大溫度設為Tcmax,通過導線溫度模型,對邊界條件(包括氣象參數等)進行給定,求出當前導線所允許的最大載流量:

式中:Imax(Tcmax)為當前導線所允許的最大載流量;Imax為最大電流值。

進一步通過式(5)獲取線路有功動態功率傳輸極限:

式中:UN為額定電壓;cosφ為功率因數[7]。

據此,將式(1)中的正向線路潮流有功約束集記為:

式中:LCi為正向線路潮流有功約束集;n為電力系統中的總發電機節點數;m為電力系統中的總輸電線路數;PGn為第n個發電機節點的實際有功出力;ηi,n為矩陣DG的第n列、第i行元素。

矩陣DG的計算公式具體如下:

式中:L為約束的對應邊界值。

其計算公式如下:

同理,獲取反向線路潮流有功約束集。

則i線路邊界潮流約束方程具體為:

式中:Bi為i線路邊界潮流約束方程。

對各線路邊界潮流約束方程與運行點之間的安全域邊界所對應的歐式距離進行計算,即可獲取各方向上電力系統的安全裕度。

1.2 提取態勢因子參數

選取丟包率、利用率、吞吐量作為電網運行的網絡態勢因子,根據簡單網絡管理協議(simple network management protocol,SNMP)信息的采集結果,對態勢因子相關性能參數進行計算,實現態勢因子參數的提取。SNMP 信息的采集需要通過信息采集程序進行。采集模式為輪詢并行集中。首先,對待采集的共同體與路由器IP 進行預先配置。接著,執行采集程序,生成并行采集腳本,由采集腳本對各路由器對應的MIB-II 庫進行單獨訪問,通過snmpwalk 功能實現數據采集,并將文檔存入數據庫中[8]。采集的SNMP 信息包括輸出丟失數據包、輸出已發送數據包、輸出待發送數據包、輸入丟失數據包、輸入已發送數據包、輸入待發送數據包、輸出八位字節、利用速度、輸入八位字節。

根據SNMP 信息的采集結果,對式(10)～式(18)中的網絡性能參數進行計算[9],包括輸出、輸入、平均的丟包率、速率、利用率、吞吐量。根據端口,對這些參數進行統計[10-12]。

輸出丟包率為:

式中:PO為輸出丟包率;OD為輸出丟失數據包;OPKs為輸出已發送數據包;ON為輸出待發送數據包。

輸入丟包率為:

式中:Pin為輸入丟包率;Ds為輸入丟失數據;FPKs為輸入已發送數據包;Npks為輸入待發送數據包。

平均丟包率為:

式中:PT為平均丟包率;T為采集周期。

輸出利用率為:

式中:Out為輸出利用率;Δfoutoctets為輸出八位字節;fspeed為利用速度。

輸入利用率為:

式中:LinkUsageIn為輸入利用率;ΔfInOctets為輸入八位字節。

平均利用率為:

式中:LinkUsage為平均利用率。

輸出吞吐量為:

式中:throughputOut為輸出吞吐量。

輸入吞吐量為:

式中:throughputIn為輸入吞吐量。

總吞吐量為:

式中:throughputTocal為總吞吐量。

1.3 電網運行態勢動態感知

本文通過構建電網運行態勢動態感知架構,實現電網運行態勢動態感知。本文構建的電網運行態勢動態感知架構包括3 個層次,具體如圖1 所示。

圖1 構建的電網運行態勢動態感知架構Fig.1 Dynamic awareness framework of power grid operation situation

電網運行態勢動態感知架構的第一層,負責收集開關狀態、發電機實際出力數據等當前態系統運行信息,以及負荷超短期預測、負荷短期預測、調度計劃等未來態系統運行信息。架構的第二層,負責以第一層的信息為依據,求取當前態系統的安全距離。架構的第三層,負責百世未來態系統的趨勢特征以及評估安全距離,從而為后期預防控制或均勻調度等措施進行指導,實現電網運行態勢動態感知,對系統的運行狀態進行優化。

2 動態感知驗證

2.1 試驗算例

對本文所設計的、應用調控大數據的電網運行態勢動態感知方法進行算例驗證。采用新英格蘭53 節點的電網系統作為試驗算例,對該電網進行運行態勢動態感知,驗證設計方法在態勢感知累積和閾值為0.05～0.2 的范圍內能夠提升負荷水平。試驗中使用的仿真軟件為中國電力科學院所研發的電力系統PSD-BPA 軟件。

新英格蘭24 節點的電網系統中共包含10 臺發電機以及46 條線路。其系統參數如表1 所示。

表1 系統參數Tab.1 System parameters

設線路上所允許的當前導線最大溫度為70 ℃。

試驗的相關參數為:日照強度為1 100 W/m2,風速為1.25 m/s,風向角為43.23°。

對某時間段內該系統的電網運行態勢進行動態感知。為保持系統功率平衡,發電機的實際出力與負荷保持同比例增減。在該系統的電網運行態勢動態感知過程中,獲取應用調控大數據的電網運行態勢動態感知方法在態勢感知累積和閾值為0.05～0.2 范圍內的負荷水平。為了避免因試驗結果過于單一而失去對比性,將基于穩定性控制的電網運行態勢感知方法與基于模糊推理電網運行態勢感知的方法作為對比試驗方法,分別獲取這兩種方法在態勢感知累積和閾值為0.05～0.2 范圍內的負荷水平數據作為對比試驗數據,分三個階段比較三種方法的負荷水平。

2.2 試驗結果對比

第一個階段:當態勢感知累積和閾值在0.05～0.1范圍內時,本文方法與其他兩種方法的負荷水平對比試驗結果如圖2 所示。根據圖2 可知,當時間為12 h時,基于穩定性控制的電網運行態勢感知方法的有功負荷為4 150 MW,基于模糊推理電網運行態勢感知方法的有功負荷為4 100 MW,本文方法的有功負荷為4 260 MW。當時間為18 h 時,基于穩定性控制的電網運行態勢感知方法的有功負荷為4 120 MW,基于模糊推理電網運行態勢感知方法的有功負荷為3 900 MW,本文方法的有功負荷為4 250 MW。整體來看,應用調控大數據的電網運行態勢動態感知方法的負荷水平在態勢感知累積和閾值為0.05～0.1 時,高于其他兩種試驗方法。

圖2 0.05～0.1 時的負荷水平對比試驗結果Fig.2 Test results of load level comparison(0.05～0.1)

第二個階段:當態勢感知累積和閾值在0.1～0.15范圍內時,本文方法與其他兩種方法的負荷水平對比試驗結果如圖3 所示。

圖3 0.1～0.15 時的負荷水平對比試驗結果Fig.3 Test results of load level comparison (0.1～0.15)

根據圖3 可知,當時間為15 h 時,基于穩定性控制的電網運行態勢感知方法的有功負荷為4 200 MW,基于模糊推理電網運行態勢感知方法的有功負荷為4 090 MW,本文方法的有功負荷為4 230 MW。整體來看,應用調控大數據的電網運行態勢動態感知方法的負荷水平在態勢感知累積和閾值為0.1～0.15 時,高于其他兩種試驗方法。

第三個階段:當態勢感知累積和閾值在0.15～0.2范圍內時,本文方法與其他兩種方法的負荷水平對比試驗結果如圖4 所示。

圖4 0.15～0.2 時的負荷水平對比試驗結果Fig.4 Test results of load level comparison(0.15～0.2)

根據圖4 可知,當時間為21 h 時,基于穩定性控制的電網運行態勢感知方法的有功負荷為3 820 MW,基于模糊推理電網運行態勢感知方法的有功負荷為3 800 MW,本文方法的有功負荷為3 910 MW。調控大數據方法的負荷水平在態勢感知累積和閾值為0.15～0.2 時,明顯高于其他兩種試驗方法。

3 結論

綜合試驗結果可知,在態勢感知累積和閾值為0.05～0.2 范圍內,應用調控大數據的電網運行態勢動態感知方法的負荷水平高于基于穩定性控制的電網運行態勢動態感知方法與基于模糊推理電網運行態勢感知的方法。本文方法通過調控大數據算法的應用,實現了負荷水平的提升,對于電網運行監控有很大意義。