新能源場站電力二次系統安全預警方法研究

蔣亞坤,王彬筌

(云南電力調度控制中心,云南 昆明 660011)

0 引言

我國風電場建設已從初級發展到輸送能量大幅增長的穩定階段。傳統的電網架構也逐漸被新能源場站取代[1]。新能源場站作為集合了變壓器、變流器、風電機組、發電機組、無功調節設備以及太陽能電站的電網聯絡點,能夠通過密集并網的方式接入電力二次系統[2],為系統輸送能量。然而,目前國內外電力二次系統的網絡安全形勢不容樂觀。除2018年3月印度電力公司遭受黑客攻擊而導致大面積停電外,包括我國在內的其他國家也受到了類似“震網”病毒的全面攻擊。這種病毒的攻擊目標集中在電力二次系統的節點和線路。一旦病毒攔截不及時,電力二次系統的節點和線路會受到故障錄波的干擾,從而給系統運行帶來巨大壓力。為了填補系統安全漏洞、推進我國風光電場建設發展,相關人員開展新能源場站電力二次系統安全預警技術研究。

胡諒平等[3]通過主客觀權重相結合的方法,對合理表征不同故障因子的動態電網數據賦權,并將賦權結果映射至深度稀疏自編碼器網絡中。該方法利用網絡約束電網故障場景,對賦權結果分類,以實現系統故障安全預警。馬寧寧等[4]通過廣域監測系統采集多模態下電網振蕩頻率,并將寬頻電磁無法覆蓋的振蕩頻率視為高頻振蕩頻率、寬頻電磁能夠覆蓋的振蕩頻率視為低頻振蕩頻率。通過提取低頻振蕩頻率,并將其輸入由電網安全風險評估體系建立的預警模型中,可以實現系統安全預警。周毅等[5]通過機器學習的方法提取電網實時故障特征,并利用風險概率評估標準對故障特征進行超前量化預警,從而實現安全預警。

但是,新能源場站電力二次系統設備較多,其安全預警性相關數據相較于傳統電力網絡數據明顯存在高維性、復雜性的特點,從而導致上述方法的安全預警性能較差。為了解決上述方法中存在的問題,本文提出新能源場站電力二次系統安全預警方法。該方法采用拉普拉斯映射方法,將新能源場站電力二次系統的電力數據從高維空間映射到低維子空間,從而降低數據維度。通過計算電力數據的行向量和對角權值,可以獲得優化后的數據,為系統安全預警提供訓練樣本。同時,本文從波動程度、時間序列變化趨勢和能量隨機分布特點這三個方面提取電力數據安全預警特征,并將其輸入K-means聚類算法中,從而實現安全預警。經過試驗驗證,所提方法具有較高的預警效率和預警精度。

1 電網運行數據采集

無線傳感器網絡是由傳感器節點和多個信道共同組成的狀態信息采集網絡。該網絡不僅能與電力二次系統相互融合,還能通過壓縮感知技術采集電力二次系統的電網運行數據[6-7]。無線傳感器網絡的節點雖然不能自由移動,但鄰域節點的傳輸距離和通信能力大幅降低了網絡鏈路負載,使網絡能夠并行處理龐大數據,且不會由于信道衰落而出現采樣頻率下降或采樣能耗增加等問題。這種特有的數據處理方式使無線傳感器網絡在多種電力相關領域都有實際應用價值。單位節點的能量消耗H的計算式如下。

(1)

本文將無線傳感器網絡與電力二次系統結合,采集電網運行過程中的海量電力數據。電力數據采集結果L的計算式如下。

(2)

電力二次系統電網運行數據具有時間跨度大、空間分布廣等特點,在經過無線傳感器網絡采集后主要以高維形式存儲在高維數據源空間中。為了在不破壞電力數據結構的前提下降低計算復雜度,必須在電力數據預警系統安全預警前優先采用拉普拉斯映射方法降低電力數據維數。拉普拉斯映射方法通過將高維數據源空間中的初始電力數據映射至低維子空間,并重新計算電力數據在x、y、z三個方向上的行向量和對角權值,以獲取優化數據。拉普拉斯映射結果G的表達式如下。

(3)

高維數據源空間J的表達式如下。

(4)

低維子空間M的表達式如下。

(5)

式中:t為x軸行向量;s1為y軸行向量;s2為z軸行向量;r為高維數據源空間和低維子空間的接近度。

根據式(5)計算得到相應結果,由此完成電網運行數據降維采集。

2 電力二次系統安全預警方法

本文在采集電網運行數據的基礎上,以電力數據為基礎提取電力數據特征,并結合K-means聚類算法實現電力二次系統的安全預警。

預警流程如圖1所示。

圖1 預警流程圖

電力數據是隨時間變化的物理耦合數據,具有典型的波動性、趨勢性和變動性。分別從波動程度、時間變化趨勢和能量隨機分布特點三個角度描述數據特征,可以凝練出一些與時間序列緊密相關的特征向量,為后續安全預警奠定基礎。

①波動程度。

波動程度是一段時間內電力數據最大波峰與最小波峰的極差,用于表征電力數據離散化分布特征。波動程度Feature的計算式如下。

(6)

式中:m為離散系數;fi為電力數據波動范圍;δ為時間序列的算術平均值。

②時間變化趨勢。

時間變化趨勢是電力數據在時間序列變化前后的中值差,用于表征電力數據的趨勢特征。中值差B的計算式如下。

(7)

③能量隨機分布特點。

能量隨機分布特點是電力數據在時間序列變化前后的波形熵,用于表征電力數據的變動特征[8-9]。波形熵R的計算式如下。

(8)

式中:ω為時間序列的總長度,m;sk為隨機誤差。

K-means聚類算法通過聚類中心將散落且不相交的樣本數據劃分成高內聚、低耦合的簇族,使原本隸屬于同一類的混疊數據在聚類中心的引導下修正隸屬度,并重新歸于一類。

本文將符合波動程度、時間變化趨勢和能量隨機分布特點的電力數據作為訓練特征集合,結合K-means聚類算法確定特征聚類中心。聚類中心F的確定式如下。

F=|Δc′|×|Δv|cosη2(h)×R

(9)

式中:Δc′為離群點數量;Δv為訓練特征集合;η2為特征密集度;h為理想類簇中心。

在成功確定聚類中心后,分布不均的電力數據特征開始向相應聚類中心靠攏。以波動程度、時間變化趨勢和能量隨機分布特點三個聚類中心為原點,最大近鄰半徑內的電力數據特征被歸為一類[10]。最大近鄰半徑A的計算式如下。

(10)

式中:?為聚類中心的平均距離,m;ds為極限負荷。

每類電力數據的波動程度、時間變化趨勢和能量隨機分布特點所反映的網損程度不同。如網損程度超越預警下限或預警上限,則其將被視為異常數據。一旦電力二次系統出現異常數據,系統會發出針對該網損的預警提示。

3 試驗與結果

為了驗證新能源場站電力二次系統安全預警方法的整體有效性,需要進行測試。本文隨機選擇某市新能源場站及場站內部電力二次系統作為驗證預警性能的試驗環境。

本文參考試驗環境繪制電網節點、線路的拓撲結構。基于電力二次系統的區域電網如圖2所示。

圖2 基于電力二次系統的區域電網示意圖

由圖2可知,在電力二次系統實際運行過程中,各節點、線路的電壓和載流量存在超越預警限制的可能。圖2中標注出的節點(a、d、i、j)和線路(2、5、8、14)是越線可能性較高的點位。本文已知圖2電網的線路載流量預警上限為5 000 A、預警下限為2 000 A;節點電壓預警上限為1 100 V、預警下限為500 V。低于預警下限或高于預警上限都會造成電網容量過載及網損。

①預警效率。

本文分別采用所提方法、基于深度稀疏自編碼網絡和場景分類器的電網氣象故障預警方法(文獻[3]方法)和“雙高”電力系統寬頻振蕩廣域監測與預警系統(文獻[4]方法),預警區域電網中節點、線路的電壓和載流量。根據不同方法驗證預警結果。本文利用上述三種方法分別判斷區域電網中節點a、節點d、節點i、節點j發生網損的預警效率,以及區域電網中線路2、線路5、線路8、線路14在流量過載情況下的預警效率,以比較所得預警結果和實際結果。

不同節點的預警結果對比如圖3所示。

圖3 不同節點的預警結果對比

圖3中:電壓預警上限為1 100 V;電壓預警下限為500 V;節點實際電壓與所提方法曲線一致。

不同線路的預警結果對比如圖4所示。圖4中:載流量預警上限為5 000 A;載流量預警下限為2 000 A;線路實際載流量與所提方法曲線一致。

圖4 不同線路的預警結果對比

由圖3和圖4可知,在預警限以內時,采用所提方法對各線路和節點的預警結果與實際結果均吻合。該結果說明所提方法能夠準確預警各節點、線路的網損程度和過載容量。這是因為所提方法在預警電力二次系統的安全前優先降低電力數據維數,使獲取的預警結果可信度更高。采用文獻[3]方法和文獻[4]方法對電力二次系統安全預警時,兩者對各線路和節點的預警結果與實際結果均呈現整體偏離的趨勢。這說明文獻[3]方法和文獻[4]方法既無法準確預警各節點、線路的網損程度或過載容量,也無法在第一時間預警電力二次系統故障。經上述對比可知,所提方法的預警效率明顯較優。

②預警精度。

我國電網調度運行風險管理部門規定電力二次系統有四級預警。Ⅰ級預警用藍色表示,指電網節點、線路供電停滯。Ⅱ級預警用黃色表示,指電網節點、線路存在供電缺口,局部負荷流失。Ⅲ級預警用橙色表示,指電網節點、線路電壓過高、流量過載。Ⅳ級預警用紅色表示,指網損面積達到區、縣及以上。由于試驗環境不存在Ⅳ級預警,因此可以忽略Ⅳ級預警。本文分別采用所提方法、文獻[3]方法和文獻[4]方法預警電力二次系統安全,并視不同方法的預警結果為預測值、實際預警等級為實際值。通過對比不同方法的預測值和實際值,判斷不同方法對電力二次系統的預警精度。

不同方法的節點對比結果如表1所示。

表1 不同方法的節點對比結果

不同方法的線路對比結果如表2所示。

表2 不同方法的線路對比結果

根據表1和表2可知,所提方法獲取的預警等級與實際預警等級重合度高,說明所提方法能夠準確預測電力二次系統的預警等級,即所提方法的預警精度高。文獻[3]方法和文獻[4]方法獲取的預警等級與實際預警等級重合度低,說明文獻[3]方法和文獻[4]方法無法準確預測電力二次系統的預警等級,即文獻[3]方法和文獻[4]方法的預警精度低。經上述對比可知,所提方法的預警精度相較于對比方法更優。

4 結論

現代電力技術推進智能電網發展,新能源場站也朝著信息化、數字化、智能化方向邁進。電力二次系統作為新能源場站的接入端,如出現異常將直接影響電網運行安全。因此,相關人員投入到新能源場站電力二次系統安全預警方法的研究中。本文首先降低新能源場站電力二次系統的電力數據維數,將初始電力數據映射至低維子空間;然后分別計算在x、y、z三個方向上電力數據的行向量和對角權值,以獲取優化數據,為系統安全預警提供訓練樣本;最后,將提取的電力數據安全預警特征輸入K-means聚類算法中,以確定特征聚類中心,實現新能源場站電力二次系統安全預警。試驗結果表明,所提方法的預警效率和預警精度明顯優于對比文獻方法,具有較好的效果。