计及极端环境因素的电网安全预警logistic模型研究

2016-02-14马美婷孙谊媊袁铁江

电力科学与技术学报 2016年4期

马美婷，孙谊媊，张龙，袁铁江,3

(1.新疆大学电气工程学院，新疆乌鲁木齐 830008；2.国家电网新疆电力公司电力科学研究院，新疆乌鲁木齐830000；3.清华大学电机系电力系统及发电设备控制和仿真国家重点实验室, 北京 100084)

马美婷1，孙谊媊2，张龙2，袁铁江1,3

针对新疆极端环境对电网稳定带来的不安全隐患，在分析影响新疆电网事故的极端环境要素基础上，结合统计近几年新疆吐哈地区的相关电力数据及相应气象数据，进行因子分析和logistic回归计算，建立计及新疆大温差、风电高比例入网、强风及沙尘等新疆极端环境因素的电网安全预警logistic模型。并以2015年电力事故及气象数据为例，对模型进行验证，结果表明该模型能较准确地表达该地区极端环境与电力事故间的关系，具有实际应用意义。

极端环境；吐哈地区；安全预警；logistic模型

随着坚强智能电网的发展建设和特高压交直流工程的不断投产，远距离输送电压等级越来越高、电网建设规模不断扩大。与此同时，电网系统的安全稳定要求越来越高，电力设施遭受破坏后引起电网故障的影响也更大[1]。譬如，由极端气象条件引发的多重故障，极易导致电力系统连锁故障的发生与发展[2]，并最终演变为电力系统的大面积停电。而新疆吐鲁番地区地处中温带极端高温、干旱的荒漠地带，具有大温差、多强风和强沙暴等极端气象条件。因此，为了提高新疆吐鲁番地区电网应对极端气象条件的御挫能力、最大程度减少极端气象条件给电网带来的损失，保证国家“一带一路”、“疆电外送”等计划的顺利推进，需不断总结历年电网故障特点和规律，建立切实有效的电网安全预警机制，防患于未然。

预警机制早前多应用在经济学里，研究成果颇丰。在电网安全方面，文献[3]较早地提出了一种电网实时安全预警系统方案，从多个角度分析确定电网的安全程度，综合评定其危险性，具有一定的可行性;文献[4]基于IEC61970标准进行了电网安全稳定分析和预警体系的总体架构设计。之后对电网安全预警的研究进一步深化，从系统架构设计进入了技术性的研究，文献[5]将短期、超短期潮流预报应用到电网安全预警系统的构建中，介绍了其实现算法、技术特点和应用场合;文献[6]结合气象信息、输变电设备雷电监测信息与电网在线安全分析，建立了电网安全预警模型；文献[7]考虑了天气因素对输电线路故障率的影响，将天气因素作为协变量状态描述函数中的协变量，搭建了基于比率风险的新型输电线路故障率模型；文献[8]计及了降水和气温等灾害性气象因素，研究了基于气象因素的电网安全预警模型。提出相对于Z-Score模型和Probit模型，Logistic回归模型在计及灾害性天气因素的电网安全预警方面更加适用。

笔者提出将新疆电网特有的大温差、新能源高比例入网等极端环境因素纳入到影响新疆电网安全稳定运行的要素当中。首先，以2012年11月至2015年2月，共28个月的新疆吐哈地区电力数据及相关气象信息为统计样本，采用Logistic回归分析方法，分析故障原因，预测故障发生概率，建立适用于新疆电网的安全预警模型，以便将电网损失降到最低。其次，以2015年3月至2016年2月，共1年的新疆吐鲁番地区电力事故数据及相关气象信息为校验样本，检验模型的正确性。验证结果表明笔者所建模型能较准确地表达该地区极端环境与电力事故间的关系，具有实际应用意义。

1 影响新疆电网事故的极端环境要素分析

1.1 强风

新疆吐哈地区常年气候比较恶劣，天气变化迅速，多强风。就乌吐哈输电线路来说，其沿线途径三十里风区和百里风区，此地段多大风，风力都在7级左右，瞬时风在12级左右，风期时间较长，风速较大，给线路的安全运行带来了极大的威胁。相比少风区，大风区段普遍出现导线间隔棒不同程度的磨损、金具磨损、绝缘子大伞裙破损等情况。为避免不安全隐患的发生，除了在电力器件材质和制造工艺方面不断改进外，分析危险源、对危险进行预测，适时对电力器件进行检修更换处理也是尤为重要的。

要分析强风对电网安全的威胁，笔者从月平均风速V1、月最大风速V2、月极端强风发生频次V3、月极大风速V4等4个方面对强风特征进行统计分析。不同风区的极端强风阈值一般不同，目前多采用日最大风速序列的第95个百分位上的值来确定极端强风事件的阈值[9]。

1.2 沙尘

根据能见度和风速的不同，沙尘天气主要划分为强沙尘暴、沙尘暴、扬沙、浮尘等4类[10]。其中，沙尘暴、强沙尘暴能够对电网的安全稳定构成一定威胁。沙尘暴常伴随强风，易造成断线、异物搭挂跳闸、接地等线路故障。再者，沙尘天气水平能见度低，很大程度上加大了巡检及抢修作业的难度。新疆处在属干旱、半干旱的西北地区，由于沙漠及沙漠化土地较多，易发生沙尘暴天气[11-12]。因此，沙尘属影响新疆电网安全的极端环境因素之一。中国西北地区单站沙尘暴强度的划分[13]如表1所示：

表1 中国西北地区单站沙尘暴强度划分标准

另外，扬沙天气水平能见度在1～10 km以内；浮尘天气水平能见度小于10 km。该文选择月沙尘暴日数V5、月扬沙日数V6、月浮尘日数V7、月平均水平能见度V8、月最低水平能见度V9等指标为代表，统计分析沙尘对新疆电网带来的危害，为电网安全预警模型的建立提供可靠的数据支撑。

1.3 大温差

由于新疆深居内陆，大部分地区为荒漠环境且云层少、薄，所以白天太阳直射升温快、气温高；夜晚大气逆辐射弱、地面热度容易散发、气温低，形成了新疆独特的大温差极端环境。这一极端环境因素也对系统的安全供电构成了一些危害。首先，主电网的一些断路器、操作机构、互感器等重要设备多为密封充油设备，易受温度的影响，频繁地冷热交替将严重影响电力设备的安全性和使用寿命。其次，电力器件一般根据不同的温度条件使用合理的材料，如在低温条件下金属材料的塑性、韧性会变差。因此，在大温差环境下，金属设备容易变脆、断裂，造成停电事故。

该文提出：考虑月平均日温差V10、月最大日温差V112个指标，将大温差环境纳入到新疆电网故障因素里，使所构建电网安全预警模型更加全面、准确。

1.4 新能源高比例入网

随着新疆风力发电容量在系统发电总量中所占比例的增大，风电对电网安全的影响愈发明显。当系统负荷在峰值时，风速在短时间内由额定风速下降至零，风电场的有功出力由最大值快速降为零。那么此时热备用发电容量若较少，系统的有功缺额将使系统频率和电压产生大的变化[14]；当系统负荷在谷值时，若在很短时间内风速由零风速增加至额定风速，风电场的有功功率由零变化到最大输出功率，此时如果发电机有功调节能力不足，就会产生有功增量，严重影响系统的安全稳定运行。如此看来，新能源的高比例入网是系统安全稳定的隐患之一。

笔者独创性地采用月风电发电量V12、月风电入网比率V132个因素来考察风电高比例入网对系统安全的影响，此处的风电入网比率是指风电发电量与系统总负荷的比。

2 电网安全预警logistic回归模型

2.1 电网安全预警Logistic回归分析

Logistic回归又称Logistic回归分析，是研究因变量变化结果和自变量(影响因素)之间关系的一种变量分析方法。其因变量可以是二分类的，也可以是多分类的，二分类的易理解，较常用。

笔者研究的即是有多个自变量的二元Logistic回归问题。以一个二分类变量y作为因变量代表电网发生故障情况：y=1表示发生故障，y=0则表示未发生故障。影响因变量取值的n个自变量分别为x1,x2,...,xn，该文中代表n种新疆极端环境因子。在n个自变量共同作用下，因变量事件发生的概率为P=P(y=1|x1,x2,…xn)，则Logistic回归模型为

(1)

其中，β0为常数项，β1,β2,…，βn为偏回归系数。

用Log it变换将式(1)转化为线性函数：

…+βnxn]=β0+β1x1+β2x2+…+βnxn。

(2)

式中常数项β0指当各自变量或其系数βj(j=1,2,…,n)为0时，故障发生与故障不发生的概率之比的对数值；偏回归系数βj是指在其他自变量保持恒定的条件下，第j个自变量每改变一个单位时Log it(P)的改变量。

2.2 电网安全预警Logistic回归模型判别方法

在上述Logistic回归模型中，P为概率值，在(0,1)之间。一般取0.5作为判别临界值[15]。当P值大于0.5时，认为该区域电网易受到某些极端环境的影响发生事故。P值越大，说明该区域电网在此种极端环境条件下，越容易发生事故。P值小于0.5时，认为区域电网事故率偏低。P值越小，说明该区域电网越安全。当P值接近或等于0.5时，该地区有发生事故的安全隐患，此时电网安全部门需要对该区域电网加以排查控制，去除潜在的危险因素，防止事故发生。

3 计及新疆极端环境因素的电网安全预警logistic模型实证研究

3.1 因子降维

依据第一节的分析，影响新疆电网安全稳定的主要极端环境要素有：月平均风速V1、月最大风速V2、月极端强风发生频次V3、月极大风速V4、月沙尘暴日数V5、月扬沙日数V6、月浮尘日数V7、月平均水平能见度V8、月最低水平能见度V9、月平均日温差V10、月最大日温差V11、月风电发电量V12、月风电上网比率V13，共13个环境要素。由于Logistic模型的计算过程工作量很大，因此，该文采用因子分析降维技术。利用变量间存在的相关性，用较少个数的公共因子来代替先前的多个变量。一般选择特征值大于等于1或者特征值累计贡献率大于等于85%来确定公共因子数[16]，用它们反映原来多个变量的大部分信息，以达到降维的目的。

笔者通过对原始数据矩阵进行因子分析，得到解释的总方差表(如表2所示)，提取前4个主成分，累积可解释87.906%的原始变量。

如表3所示，可以得到各主成分对原始环境因子的负载情况：

1)主成分X1在V10，V11上有较大的负载值，可描述大温差类因子对电力系统事故的影响，为“大温差因子”。

2)主成分X2在V5，V6，V7上有较大的负载值，可描述沙尘类因子对电力系统事故的影响，则定义为“沙尘因子”。

3)主成分X3在V1，V2上有较大的负载值，可描述极端强风类因子对电力系统事故的影响，则定义为“极端强风因子”。

4)主成分X4在V12，V13上有较大的负载值，可描述风电的高穿透功率类因子对电力系统事故的影响，则定义为“风电高比例入网因子”。

表2 解释的总方差

Table 2 Explained the total variance

成分初始特征值合计方差百分数/%累积百分数/%提取平方和载入合计方差百分数/%累积百分数/%16．64651．12051．1206．64651．12051．12022．82221．70572．8252．82221．70572．82531．1028．47481．2991．1028．47481．29940．8596．60787．9060．8596．60787．90650．4653．57991．485---60．3812．93494．419---70．2451．88596．304---80．1721．32697．631---90．1511．16098．790---100．0980．75799．547---110．0370．28899．834---120．0170．13199．965---130．0050．035100．00---

表3 旋转成分矩阵

在确定4个主成分因子后，根据成分得分系数矩阵(如表4所示)可以得到原始气象要素对各公共因子的线性表达式：

X1=-0.133V1+0.013V2+0.292V3+0.211V4+

3.2 Logistic模型

新疆吐哈地区大风天气多、严寒温差大、盐碱沙尘多等环境因素导致的设备故障频发。201211—201502吐哈地区由极端气象因素导致的电力事故逐月分布如图1所示。

图1 吐哈地区极端气象因素导致的电力事故逐月分布

分析图1可知，吐哈地区极端气象因素导致的电力事故最高发月大致在大风多发、温差较大的5—10月。另外，由图1可得出故障众数为15。由于该文采用二元Logistic回归，故可将事故数大于等于15的样本赋值y=1，表示事故多发；而小于15的样本赋值y=0，表示事故低发。

将3.1节得出的4个影响因子作为回归变量，y作为因变量，用SPSS软件进行二元Logistic回归分析，结果如表5所示。

表5 方程中的变量

综上，建立新疆极端环境因子对电网安全影响的模型为

3.539-0.045X1-0.186X2+0.324X3-0.157X4

即

(3)

其中，P为极端环境因子对电力事故的综合影响概率值，Xi(i=l,2,3,4)表示用来拟合模型的公因子的值。

3.3 模型校验

利用模型(3)，以201503—201602吐哈地区电力相关数据及气象数据进行模型验证，检验结果如表6所示。

表6 模型对测试样本的检验结果

由表6模型检验结果可知，该文所建安全预警模型达到了83.3%的准确率。在P值接近0.5时，出现了2次判断失误。究其原因也可能是故障数统计的偏差。所谓“冰冻三尺，非一日之寒”，若一条线路前期已遭鸟害，受到了不同程度的损害，再遇到强风天气，线路极易出现故障。此时，故障原因仅归结于风灾。而一个正常完好的线路在同样强风影响下故障的几率就会小很多。考虑到此类故障统计的差别，该文所建模型总地说来能够较准确地描述吐哈地区极端气象因素与电力设备故障间的关系。

4 结语

通过对近几年新疆吐哈地区的相关电力数据及相应气象数据的统计分析，建立了计及新疆极端环境因素的电网安全预警logistic模型。该模型计算了在不同极端强风因子、大温差因子、沙尘因子及风电高比例入网因子情况下，电气设备或电网发生故障的概率，体现了新疆特有的极端环境因子对电网安全地影响情况，便于工作人员预知安全脆弱线路、设备，及时进行防护修缮。因此，该模型对完善电网安全预警工作有一定应用价值。

[1]梁志峰.2011—2013年国家电网公司输电线路故障跳闸统计分析[J].华东电力,2014,42(11):2 265-2 270. LIANG Zhi-feng.Statistical analysis of transmission line fault tripping in state grid corporation of China in 2011-2013[J]. East China Electric Power, 2014,42 (11): 2 265-2 270.

[2]陈亦平, 赵曼勇, 刘文涛,等. 南方电网连锁故障风险分析及防御措施研究[J]. 南方电网技术, 2010, 4(3):8-11. CHEN Yi-ping, ZHAO Man-yong, LIU Wen-tao,et al. The risks analysis and defensive measures research of cascading failures in China southern power grid[J].Southern Power System Technology, 2010, 4(3):8-11.

[3]Tamronglak S, Horowitz S H, Phadke A G, et al. Anatomy of power system blackouts: Preventive relaying strategies[J]. IEEE Transactions on Power Delivery, 1996, 11(2):708-715.

[4]陈洪云, 程韧俐, 李俊,等. 电网安全预警与保障决策支持系统的研究[J]. 电工技术, 2013(1):23-24. CHEN Hong-yun, CHENG Ren-li, LI Jun, et al. Study on the decision support system for power grid security early warning and protection[J]. Electric Engineering, 2013 (1): 23-24.

[5]郭烨, 吴文传, 张伯明,等. 潮流预报在电网安全预警系统中的应用[J]. 电力系统自动化, 2010, 34(5):107-111. GUO Ye, WU Wen-chuan, ZHANG Bo-ming, et al. Power flow forecasting method and its application in early warning and security countermeasure system[J]. Automation of Electric Power Systems, 2010, 34 (5): 107-111.

[6]段新辉, 李军锋, 熊山,等. 一种新型的电网气象安全预警模型[J]. 陕西电力, 2015, 43(2):18-22. DUAN Xin-hui, LI Jun-feng, XIONG Shan, et al. A new meteorology security warning model for power grid[J]. Shaanxi Electric Power, 2015, 43 (2): 18-22.

[7]彭子平, 刘波, 陈清江. 输电线路故障率模型研究[J]. 电力科学与技术学报, 2014, 29(2):51-57. PENG Zi-ping,LIU Bo,CHEN Qing-jiang. Failure rate model for transmission line[J]. Journal of Electric Power Science and Technology, 2014, 29(2):51-57.

[8]张嵘. 基于气象因素的电网安全预警模型研究[D]. 北京：华北电力大学, 2014.

[9]陈洪武, 辛渝, 陈鹏翔,等. 新疆多风区极值风速与大风日数的变化趋势[J]. 气候与环境研究, 2010, 15(4):479-490. CHEN Hong-wu, XIN Yu, CHEN Peng-xiang, et al. Variation tendency of the extreme value of wind speeds and gale frequency over the windy regions in Xinjiang[J]. climate and environment research, 2010, 15 (4): 479-490.

[10]王存忠. 中国沙尘暴“站时”时空变化特征及其与气象因子关系研究[D]. 南京:南京信息工程大学, 2012.

[11]王式功, 王金艳, 周自江,等. 中国沙尘天气的区域特征[J]. 地理学报, 2003, 58(2):193-200. WANG Shi-gong, WANG Jin-yan, ZHOU Zi-jiang, et al. Regional characteristics of sand dust weather in China[J]. Journal of Geography, 2003, 58 (2): 193-200.

[12]霍文. 新疆沙尘暴天气演变特征及成因分析[D].乌鲁木齐：新疆师范大学, 2011.

[13]何清, 杨青, 李红军. 新疆40 a来气温、降水和沙尘天气变化[J]. 冰川冻土, 2003, 25(4):423-427. HE Qing, YANG Qing, LI Hong-jun. Variations of air temperature, precipitation and sand-dust weather in Xinjiang in past 40 years[J].Journal of Glaciology and Geocryology, 2003, 25 (4): 423-427.

[14]申洪, 梁军, 戴慧珠. 基于电力系统暂态稳定分析的风电场穿透功率极限计算[J]. 电网技术, 2002, 26(8):8-11. SHEN Hong, LIANG Jun, DAI Hui-zhu. Calculation of wind farm penetration based on power system transient stability analysis[J]. Power System Technology, 2002, 26 (8): 8-11.

[15]李彦斌, 韩颖, 张嵘,等. 气象因素对电力安全事故影响的模型[J]. 电网技术, 2013，37(6):1 683-1 687. LI Yan-bin, HAN Ying, ZHANG Rong, et al. Research on impact model of meteorological factors on the power accidents[J]. power system technology, 2013，37(6): 1 683-1 687.

[16]周涛, 胡海宁, 周力行. 基于因子分析和灰色关联度分析法的变压器故障诊断[J]. 电力科学与技术学报, 2013, 28(1):86-91. ZHOU Tao,HU Hai-ning,ZHOU Li-xing.Transformer fault diagnosis method based on factor analysis and grey relation degree analysis[J]. Journal of Electric Power Science and Technology, 2013, 28(1):86-91.

Research on the logistic model of power grid security warning considering the extreme environmental factors

MA Mei-ting1, SUN Yi-qian2, ZHANG Long2, YUAN Tie-jiang1,3

(1.School of Electrical Engineering, Xinjiang University, Urumqi 830047, China; 2.The National Network of Xinjiang Electric Power Research Institute, Urumqi 830000, China; 3.State Key Lab of Control and Simulation of Power Systems and Generation Equipments,Department of Electrical Engineering, Tsinghua University, Beijing 100084, China)

The unsafe hazards caused by extreme environments in Xinjiang bring hidden trouble to the stability of power system security. Based on the analysis of the extreme environment elements which influences Xinjiang power grid, factor analysis and logistic regression calculation was carried out combined with statistics in recent years of power related data and the relevant meteorological data in Turan-Hami Area. And then a new logistic model of grid security early warning, considering large temperature difference, high proportion of wind power in network, strong winds and dust extreme environment factors in Xinjiang, was set up. The model was verified by the case of power accident and meteorological data in 2015. The results show that the model could express the relationship between the extreme environment and the electric power accident in this area, which is practical significance.

security early warning; extreme environments; Turan-Hami area; logistic model

2016-06-21

国家自然科学基金(51577163)

袁铁江(1975—)，男，博士，副教授，主要从事新能源发电及其并网技术和风电—氢储能与煤化工多能耦合技术等研究;E-mail：xjuytj@163.com

TM732

1673-9140(2016)04-0181-07