基于態勢感知的智能電網安全調度預警架構設計

孫強強,陳 昊

(深圳供電局有限公司,廣東 深圳 518000)

0 引言

由于我國電網建設較晚,電網結構相對薄弱,存在高電壓差電磁環網、大型單環網、偽雙電源和電源經單回線上網等不利于電網運行的情況,發生嚴重故障時可能導致電力系統的崩潰,甚至造成電力系統解列事故[1]。因此,提高電力系統故障判別的準確率和事故處理效率,是保障電力系統安全穩定經濟運行、預防電網事故發生、防止事故擴大的關鍵,對維護社會穩定、助力經濟發展有重要的價值。隨著智能電網系統的不斷壯大,保證智能電網調度的安全性具有重大意義。而確保智能電網系統的安全運行的前提是提前做好監護和預警[2-3]。近年來,智能電網安全調度監護預警已經成為國內外關注的研究課題。

基于云計算的監護預警架構是引入了云計算技術在計算處理、擴展性的優勢,利用云計算技術與智能電網安全調度監護技術進行深度融合,實現智能電網安全調度的監護預警,有效解決了結構底層的安全問題。但是該結構預警性能較差。基于神經元網絡的監護預警架構利用神經元網絡的工作原理,跟蹤智能電網安全調度過程中的電壓信號變化,可確保智能電網安全調度的輸入與輸出信號的頻率一致,實現智能電網安全調度的監護預警,有效提高了預警性能。但是智能電網安全調度監護預警架構精度還是相對較低。以上兩種傳統預警架構在實際應用中嚴重影響了智能電網安全調度的預警性能。

根據上述方法存在的問題,本文將大數據態勢感知應用到智能電網安全調度監護預警架構設計中,保證了智能電網的安全運行。

1 智能電網安全調度監護預警的架構設計

1.1 基于大數據態勢感知的調度監護預警數據處理

智能電網安全調度監護的預警數據采集與傳輸流程如圖1 所示。

圖1 預警數據采集與傳輸流程圖Fig.1 Flowchart of early warning data collection and transmission

智能電網安全調度監護預警數據的處理包括監護預警數據的采集與傳輸、監護預警數據的解析與導入、監護預警數據的發布與展示三個步驟。采用大數據態勢感知法,計算電網安全調度監護預警數據的性能。監護預警數據每5 s 刷新一次,其數據部分存儲在預警服務器的數據庫中[4]。基于態勢感知的監護預警數據拷貝可通過對智能電網提供的數據進行標準化推導,并在本地獲得。輸出的監護預警數據副本可通過終端網絡傳送,并可將數據段發送到數據分析服務器,直接將采集到的數據存儲于實時數據庫。

預警數據處理流程如圖2 所示。

圖2 預警數據處理流程圖Fig.2 Flowchart of early warning data processing

由采集程序生成的監護預警數據包含了智能電網的網絡拓撲結構、實時運行數據等信息。但是采集到的信息不能直接存儲在數據庫中,需要采用大數據文件作為數據載體進行感知,以獲取智能電網網絡拓撲和實時運行信息等。在對網絡拓撲結構進行數據采集時,可以通過感知智能電網的運行態勢xl得到具體數據信息X的表達式:

在此基礎上,設計了監護預警數據庫,通過獨特的態勢感知裝置[5-6],將網格模型數據w與實時數據庫中的實時數據b相融合。所需完整預警數據的表達式為:

采用態勢感知對監護預警數據進行發布展示,實現了智能電網安全調度監護預警數據的處理。

智能電網安全調度監護預警數據具有復雜性。在數據處理之前,先從智能電網數據庫中采集監護預警數據,再利用數據處理流程,完成監護預警數據的處理;接下來,通過智能電網安全調度監護預警算法設計,為監護預警架構設計提供技術支撐[7-8]。

1.2 智能電網安全調度監護預警算法設計

實時性關聯矩陣是智能電網監控預警算法設計的基礎。實時性關聯矩陣是一個全新的矩陣模型,反映了智能電網故障元件之間可能存在的關系。在此模型基礎上設計的算法,只需要很少的計算就可以得到智能電網安全調度過程中任意故障對應的動作組合[9-10]。而關聯矩陣本身也會進行動態更新,實時跟蹤智能電網運行模式的變化與鎖定,從而使其算法更適用于監控預警架構設計。

假設智能電網安全調度過程中包括n個可能動作的備用電源自動投入裝置(busbar automatic transfer switch,BATS),且智能電網故障集中包含p個元素。當發生某一個故障時,就會使BATS 達到動作條件。基于此,構建了BATS 與故障元件的關系矩陣:

式中:Rij為第i個智能電網故障元件與第j個BATS 之間的關聯情況。

當第i個智能電網故障元件使第j個BATS 達到動作條件后,Rij=1;當第i個智能電網故障元件沒有使第j個BATS 達到動作條件,則Rij=0。因此,可以得到Rij值:

在建立關聯矩陣的基礎上,建立一個p維向量A。向量A中的每個元素都代表故障集中智能電網故障的發生情況。將向量A分別與矩陣R和矩陣M進行左乘運算,得到由n個BATS 動作可信度構成的向量集合S,即:

根據n個BATS 動作可信度構成的向量集合S,設計了智能電網安全調度監護預警算法流程。

智能網安全調度監護預警算法首先根據智能網指定的故障,選擇電網安全調度中應該運行的BATS;然后根據BATS 之間的合作程度,有選擇地剔除不需要運行的BATS。當智能電網發生多起故障時,由于已達到運行條件,最高等級BATS 的權值已經超過10 000個。因此,在計算過程中可以有效防止這些信息被湮滅,以準確判斷BATS 的數量。聯機應用中,算法的啟動條件設置為每次間隔啟動一次,或者電網結構發生變化時起動一次。監護預警算法流程如圖3 所示。

圖3 監護預警算法流程圖Fig.3 Flowchart of monitoring and early warning algorithm

以上通過引入實時性關聯矩陣的原理,將實時性關聯矩陣應用到智能電網監控預警算法設計中,利用智能電網監控預警算法流程,完成了智能電網監控預警算法設計。接下來,通過智能電網安全調度監護預警架構設計過程,實現智能電網安全調度的監護預警[11-12]。

1.3 監護預警架構

智能電網安全調度監護預警架構是在預警算法設計的基礎上,基于多層用戶接入及管理相關信息,構建智能電網安全調度監護預警架構專業軟件測試平臺。該平臺不斷提高智能電網安全調度監護預警架構的管理效率,從而很好地規范智能電網安全運行監護預警體系單元的軟件管理與處理流程,為后期相應的操作與處理提供良好的接口。

智能電網安全調度監護預警功能結構模型如圖4所示。在智能電網安全調度監護預警功能結構模型中,可以清晰地看出智能電網安全調度預警的主要功能。在此基礎上,設計了智能電網安全調度監護預警步驟,如圖5 所示。

圖4 監護預警功能結構模型Fig.4 Function structure model of monitoring and early warning

圖5 智能電網安全調度監護預警步驟Fig.5 Smart grid security dispatching monitoring and early warning steps

在智能電網安全調度監護預警架構設計過程中,智能電網安全調度監護預警架構采用了目前流行的多層次結構設計模式。操作系統使用專門的服務器端處理。本文設計的能電網安全調度監護預警架構如圖6所示。

圖6 智能電網安全調度監護預警架構圖Fig.6 Smart grid security dispatching monitoring early warning architecture

綜上所述,為解決智能電網安全調度監護預警數據的復雜性,從智能電網數據庫中采集監護預警數據,再利用數據處理流程,完成監護預警數據的處理。在大數據態勢感知的基礎上,將實時性關聯矩陣應用到智能電網監控預警算法設計中,完成了監護預警算法設計。最后,利用智能電網安全調度監護預警步驟,設計了智能電網安全調度監護預警架構,實現了智能電網安全調度的監護預警。

2 試驗結果與分析

2.1 試驗環境與參數設置

為了驗證基于大數據態勢感知的智能電網安全調度監護預警架構在實際應用中的性能,在WindowsXP操作系統、Tomcat5.5 服務器、Microsoft SQL2018 數據庫、Eclipse 開發工具的仿真環境下進行對比試驗。圖7 為智能電網安全調度平臺結構。

圖7 智能電網安全調度平臺結構圖Fig.7 Structure of smart grid security scheduling platform

根據智能電網安全調度平臺結構對電網安全調度進行監護預警,并設置試驗參數:智能電網基波為48.5～49.5 Hz;指定試驗基波頻率為48.5 Hz;試驗采樣頻率為1 500 Hz。

2.2 監護預警電壓誤差對比

2.2.1 采集監護預警電壓數據

在驗證智能電網安全調度監護預警電壓誤差時,將試驗得到的監護預警電壓數據與采集到的監護預警電壓數據進行誤差對比。電壓數據采集結果如表2所示。

表1 試驗參數Tab.1 Experimental parameters

表2 電壓數據采集結果Tab.2 Voltage data acquisition results

2.2.2 監護預警電壓誤差結果

利用表1 設置的試驗參數,將采集到的智能電網監護預警電壓數據與基于大數據態勢感知的智能電網安全調度監護預警架構、基于云計算的監護預警架構和基于神經元網絡的監護預警架構測試得到的智能電網監護預警電壓數據進行對比,得到了智能電網安全調度監護預警電壓誤差曲線,如圖8 所示。

從圖8 可以看出,基于云計算的監護預警架構和基于神經元網絡的監護預警架構在智能電網安全調度過程中,監護預警的電壓與采集到的電壓之間存在較大誤差。經計算:基于云計算的監護預警架構獲得的監護預警誤差與采集電壓相比,監護預警誤差為850 kV;基于神經元網絡的監護預警架構獲得的監護預警誤差與采集電壓相比,監護預警誤差為-1 180 kV;而基于大數據態勢感知的監護預警架構得到的電壓誤差總值為65 kV。因此可以得出,基于大數據態勢感知的監護預警架構可以縮小監護預警的電壓誤差。

圖8 智能電網安全調度監護預警電壓誤差曲線Fig.8 Voltage error curves of smart grid security dispatching and monitoring early warning

2.3 監護預警電流誤差對比

2.3.1 采集監護預警電流數據

在驗證智能電網安全調度監護預警電流誤差時,將試驗得到的監護預警電流數據與采集到的監護預警電流數據進行誤差對比。電流數據采集結果如表3所示。

表3 電流數據采集結果Tab.3 Current data acquisition results

2.3.2 監護預警電流誤差結果

利用表1 設置的試驗參數,將采集到的智能電網監護預警電流數據與基于大數據態勢感知的智能電網安全調度監護預警架構、基于云計算的監護預警架構和基于神經元網絡的監護預警架構測試得到的智能電網監護預警電流數據進行對比,得到了智能電網安全調度監護預警電流誤差曲線,如圖9 所示。

圖9 智能電網安全調度監護預警電流誤差曲線Fig.9 Current error curves of smart grid security dispatching and monitoring early warning

從圖9 可以看出,基于神經元網絡的監護預警架構在實際應用中,得到的監護預警電流值非常不穩定,有時會出現正電流誤差、有時會出現負電流誤差,為現場工作人員的監護預警工作帶來一定難度。相對來說,基于云計算的監護預警架構的監護預警電流誤差比較穩定,但是誤差值仍然很大,監護預警電流誤差值為158 kA;而基于大數據態勢感知的監護預警架構相比于其他兩個監護預警架構,得到的監護預警電流值與采集到的電流值比較接近,整體誤差僅有-2.6 kA。由此可知,基于大數據態勢感知的監護預警架構可以縮小監護預警的電流誤差。

綜合以上試驗結果可知,相比于基于神經元網絡的監護預警架構和基于云計算的監護預警架構,基于大數據態勢感知的監護預警架構無論在監護預警電壓誤差還是在監護預警電流誤差方面,都可以縮小誤差范圍,從而提高了智能電網安全調度監護預警精度、確保了智能電網安全調度。

3 結論

針對傳統智能電網安全調度監護預警架構存在的電網安全調度監護預警誤差較大的問題,本文設計了基于大數據態勢感知的智能電網安全調度監護預警架構。在大數據態勢感知的基礎上,通過數據庫采集了智能電網安全調度監護預警數據,結合智能電網安全調度監護預警算法,實現了監護預警架構的設計。結果表明,基于大數據態勢感知的監護預警架構可以縮小監護預警的誤差,提高了智能電網安全調度監護預警精度,適合智能電網的實際應用。