智能電網調控技術支持系統中設備監控大數據分析研究★

夏盛海，楊 攀，羅 宇

（貴州電網有限責任公司貴陽供電局電力調度控制中心，貴州 貴陽 550000）

引言

在南方電網整體戰略部署下，當前貴州電網的網架結構日漸復雜、設備規模持續擴大，相應對于電網設備的故障處理和實時調度能力提出更高要求。雖然現階段各級調度中心均已配備面向電網運行的能量管理系統，但仍沿用傳統“人工分析型”模式進行電網運行狀態調控，高度依賴于人力，智能分析處理能力不足。尤其面對電網中緊急事故下的海量信號分析、復雜電網接線等情況難以做出實時決策，易增加調控人員的工作負擔，不利于提高故障處置及恢復效率。基于此，亟需建立一種適應一體化調控模式、滿足輸變電設備集中監控需要的調控智能分析輔助決策系統，為調控人員分析判斷與決策規劃提供輔助支持。

1 智能電網輸變電設備監控模式

1.1 需求分析

在傳統電網故障處理模式下，監控中心將接收到從設備處反饋的故障信息，由值班員對故障特征進行識別與快速分析，完成故障原因判定、生成故障維修方案，保障迅速恢復用戶正常供電[1]。但在此過程中，主要依賴值班員進行故障類型判斷、故障原因分析，所需調閱的文檔、預案、規程均較為復雜，且耗時較長，無法適應電網規范化管理模式下的故障處置要求，現有調度自動化系統已難以滿足設備監控要求。現有計算機輔助決策模式主要以SCADA 系統中的告警信息為基礎，從中挖掘故障表象、發現知識，但其監控范圍局限于系統主參數，缺少對設備健康狀況的監測，影響到故障發生時值班員決策及處理效率[2]。智能電網建設對于系統的故障自愈功能提出現實需求，要求SCADA 系統支持對全網電力設備狀態數據的實時監測與故障處理。在此背景下，亟需引入數據挖掘技術建立調控智能分析輔助決策系統，采集電網實時SCADA 告警數據進行有效分析，定位故障原因，并生成應急處理措施，為調度人員故障處置輔助決策支持。

1.2 技術瓶頸

在輔助決策系統設計與開發環節，主要面臨以下四項技術瓶頸：一是在告警信息監視環節，缺少對告警信息的自動分類，僅依靠人工判斷難以快速有效識別出其中有意義的告警信息，缺乏綜合分析工具，增加系統壓力及人員工作量，無法實現對故障設備的快速判斷與準確定位[3]。二是在故障處置輔助決策方面，當前在電網運行的調度操作、異常處置、故障處理等作業環節，值班員難以根據運行數據進行故障設備的快速判斷與緊急處置，缺乏輔助決策的工具，無法有效抑制故障范圍的擴大[4]。三是在系統聯動功能方面，當前系統缺少對于調度預案、操作規程、處置方案存儲與調閱等程序的一體化管理系統，現有調閱模式未與設備異常、系統事故等事件建立聯動關系，影響到實際故障處置效率。四是在故障信息匯總與分析處理上，現有系統仍缺少智能分析功能，還需提供對各類運行故障信息自動匯總與處理的能力，保證及時向值班員及相關人員發送故障通知內容，輔助提升現場應急決策與調度處置效率[5]。

1.3 設計目標

為解決上述技術瓶頸，擬圍繞以下四個方面進行調控智能分析輔助決策系統設計目標的分析：一是對電網整體運行方式進行合理分析；二是提高設備信號辨識能力，在電網運行過程中支持對故障信號的識別、壓縮及判別處理，生成故障分析結果；三是引入調度運行缺陷預警快速響應技術，將實時消息技術與實際故障處理流程進行整合，建立集“故障核心信息收集、多站端自動匯總、故障記錄生成、故障信息通報、檢查要求通知、檢查結果反饋、消缺工作安排、故障設備恢復、信息匯報考評、故障匯編與故障查詢統計”等功能于一體的全套閉環故障信息流；四是運用調度運行智能輔助決策技術，結合電網模型與實時數據進行電網大數據的收集處理與智能分析，生成結論性結果并提供預案，實現對調度運行數據的橫向對比、縱向分析，為電網決策提供輔助支持。

2 調控智能分析輔助決策系統設計

2.1 系統架構

在系統總體架構設計上，主要劃分為以下四個層級：一是數據源層，整合調度、生產、營銷、計量、GIS及其他系統數據作為數據源，為支撐系統建設提供基礎數據支持。二是數據庫層，將不同數據源分別接入電網模型、量測數據、檔案信息、圖形信息和文件數據等數據庫中，完成數據的初步加工。三是業務支撐層，包含專家知識庫、網架分析模型、方式輔助模型、風險評估模型、故障診斷模型、供電能力模型、權限管理以及日志管理等模塊，負責提供支撐業務的數據。四是應用場景層，包含電網監控可視化、電網故障智能告警、電網智能運行監視、電網風險智能評估、智能運行輔助決策、配置管理六類典型應用場景。

在系統網絡架構設計上，東方E8000 系統、DCCS系統和OMS 系統分別通過交換機、防火墻與Ⅰ、Ⅱ、Ⅲ區核心交換機建立連接，在Ⅰ、Ⅱ區之前設有橫向防火墻，通過正向隔離裝置與Ⅲ核心交換機、匯聚交換機建立連接，應用服務器、數據庫服務器經由交換機、防火墻實現與IV 終端的連接，并且在服務器與終端之間設有Ⅲ區邊界防火墻。

2.2 算法支持

傳統K-Means 聚類算法主要以N 個數據對象xj為基準，從中隨機抽選出K 個數據對象作為初始聚類中心，面對余下數據對象分別計算出其與各聚類中心μi的距離，并以最短距離為標準完成數據對象類簇Ci的劃分，在此基礎上重新完成聚類中心的計算，重復上述流程至標準測度函數收斂，其函數公式為：

然而K-Means 算法不適用于處理智能電網設備運行過程中產生的實時數據流，對此可將實時數據流調整為散列分布模式，保證各數據片相互獨立、彼此不相交，將各單獨數據片分別認定為K-Means 的聚類，借此減輕算法運行占據的內存空間，有效提高海量實時數據的處理效率。基于此，引入Spark Streaming流式計算方法進行傳統聚類算法的改進，先將現有數據流進行分割處理，將各獨立數據片分別緩存至內存空間中，利用Map 計算各數據片中含有的各樣本點與聚類中心的間距，并完成各數據樣本點的歸類，隨后利用Reduce 實現聚類中心的更新，以此完成迭代運算操作。

基于微簇方法進行算法建構，先將數據流以散列方式處理為若干時間片段，再利用原聚類算法將各時間片段劃分為若干聚簇，獲取各聚簇特征，并完成數據摘要的定義，每間隔一段時間進行微簇的維護處理，即可實現對智能電網環境下設備運行工況的實時監控與智能識別。其中數據摘要為：CF是涵蓋微簇中含有數據點數目N，數據元素屬性的線性和LS、平方和SS、立方和CS、四次方和BS，以及產生微簇時間t、最后更新時間t1的集合。在微簇維護流程設計上，先計算出相鄰兩個微簇的間距D，當D 小于設定閾值則將兩微簇的數據摘要F1、F2進行合并。其計算公式分別為：

將經由改進后的聚類算法應用于智能電網設備監控中的運行工況識別環節，主要遵循以下四項步驟：第一步，取智能電網中輸變電設備標準運行模式下的歷史工況數據作為樣本，基于傳統K-Means 算法將其處理為q 個聚類、分別對應具體工況，并選取位于中心的數據點作為初始聚類中心。第二步，以當前時間窗口為基準，利用改進后的K-Means 聚類算法劃分出K 個微簇，完成各微簇與聚類中心距離的計算。第三步，當計算得出某一微簇與初始聚類中心的間距小于Rmax，即可將其歸入同一簇中；當某一微簇與q 個聚類中心的間距超過Rmax，則沖新建立簇。第四步，伴隨時間窗口的向前推移，重復運行上述流程，直至滿足收斂條件后判斷聚類結束。

3 設備監控大數據分析及應用

3.1 電網監控可視化單元

該單元主要提供電網風險、電網異常與設備過載展示功能。利用可視化技術在一張圖內集成電網運行在線監控信息，便于調度及值班人員直觀查看電網整體運行情況。同時，以離線地圖的形式將電網運行過程中的實時故障、風險、安全隱患、過載等信息進行分類、分級和分區域標記，更加清晰呈現出電網運行過程中的風險隱患，實現電網監控的可視化目標。

3.2 電網故障智能告警單元

該單元主要提供事故/缺陷智能診斷、事故/缺陷邏輯運行維護/監視、歷史事故/歷史缺陷/頻發信號查詢、分段分類統計、實時報文接收監視功能。面向設備缺陷信號和重要信號建立分析程序，從變電站集中監控應用模塊中獲取前置采集的二次信號、缺陷設備配置、重要用戶配置等信息，對系統中輸入的調控操作序列實行設備信號匹配校驗，并通過調閱信息庫獲得具體操作方案，借此實現對告警信息的智能分析判斷，及時向調控人員發出提示及解決措施等信息。

同時，為解決電網中發生復雜故障情況下海量信息分析與處理問題，通過對主網故障智能診斷技術進行研發，引入人工智能技術進行多平臺數據分析處理、完成故障事件推理，在此過程中排除擾動事項，對故障損失負荷、故障等級判定進行智能分析，并生成復電方案，實現信息全局自動扁平化、對象化發布，有效提升電網事故應急協同水平、發揮輔助決策價值。

此外，面向不同類別信號分別建立針對性研判與分析處理機制，例如對于一、二類信號，綜合考慮網架結構、掛牌、開關數據、刀閘狀態等信息進行研判，生成科學的處置方案，并將處置要求推送至相關人員處；對于三、四、五類信號，選取一定時間范圍進行信號檢索，判斷有無漏發信號，并生成對于越限信號、信號越限設備電壓的動態監視機制。

3.3 電網智能運行監視單元

該單元主要提供關鍵設備負載監視、電網運行斷面監視、母線電壓監視、主變溫度監視與電壓監測功能。在具體功能實現上，建立對于關鍵設備電流、電壓越限情況，電流重載次數、持續時間的自動監視；對主網自動化系統的關鍵斷面進行監視，便于在斷面過載情況下輔助生成轉供方案；此外，支持對母線電壓數據、主變負荷溫度數據、設備電壓越限等情況的自動監測，并提供告警提示。

3.4 電網風險智能評估單元

該單元主要提供電網實施運行風險、限電策略序位評估、負荷預警、操作序列風險評估與設備健康水平展示功能。在具體功能實現上，對電網主設備建立不間斷掃描機制，動態分析引發失壓現象的成因及其可能誘發的事故事件等級，并結合風險等級生成相應管控方案，保證實現風險可視化處理；在當前網架中對關鍵設備負荷、潮流與穩定水平等數值進行模擬，對限電序位、操作序列等進行評估；引入專家規則庫、機器學習、BP 神經網絡、自然語言識別等技術，建立電網48 h 負荷曲線，實現分鐘級預測功能，并批量化生成轉供方案，自動消除安全隱患。

3.5 智能運行輔助決策單元

該單元主要提供供電范圍分析、事故事件評級、轉供預案自動生成、檢修計劃統計分析、斷面繪制與調度日報等功能。在具體功能實現上，結合電網實際運行狀態提供當前供電設備及供電通道的可視化信息，輔助完成對供電范圍的分析；提供當前網架架構或任意時刻的電網運行斷面，支持對設備失壓、故障情況的模擬，并整合故障損失負荷、變電站及用戶數等信息進行事故事件等級的評定；對事故通道建立智能識別與排序機制，面向特定通道匹配定值，并以自動掃描的方式完成運行方式判定，生成轉供預案；利用OMS 系統進行檢修申請單、停電指標統計的自動生成，并且完成數據篩選與統計分析；針對電網運行斷面進行實時監視，借助人工方式進行斷面信息維護，通過輸入名稱即可查詢斷面數據；結合電網拓撲結構與智能推理規則進行調試道閘操作邏輯建構，依據調試設備狀態進行道閘、開關等操作順序的推理，實現智能成票目標，有效釋放人力；建立自動開關巡檢機制，整合EMS 數據進行關鍵設備開關的自動巡檢；自動生成調度日報、值班日志分析報告，輔助調度日常管理。

3.6 配置管理單元

該單元主要提供知識庫、限電序位策略配置與通訊錄配置等功能。通過建立知識庫，支持對“過濾關鍵字”“判定關鍵字”“動作類型”等信息的維護；支持對安自裝置、通訊錄進行配置，執行穩控執行站編輯操作。此外，該系統還提供交接班人員同步登陸管理功能，輔助值班人員自動登錄系統。

4 結語

通過引入數據挖掘算法、大數據分析技術進行調控智能分析輔助決策系統的結構框架與功能模塊設計，可實現對電網整體運行狀態及各輸變電設備運行情況的實時監控與智能預警，幫助調控人員直觀了解電網整體運行情況，及時發現網架結構的薄弱環節、精確定位設備缺陷及故障點，并基于K-Means 聚類算法實現對智能電網設備狀態監測數據的實時處理、輔助決策，更好地維護電網系統的安全穩定運行，也為其他調度中心及電網設備運行中的監控信息分析及應用處理提供良好示范價值。