智能电网广域测量数据融合算法研究

王 林，昌 艳

（南方电网调峰调频发电有限公司信息通信分公司，广州 510630）

经济的发展促使着智能电网的规模日益庞大，随之带来了一系列不可忽视的问题[1-2]。广域测量系统以高速通信网络和同步相量测量单元为基础构建，形成控制与监测的基础设施。海量数据传输将占用大量的带宽，降低了传输的可靠性，导致网络延时增加，难以满足电网动态监控的实时性要求，严重影响WAMS系统的可靠性和准确性。因此，为了提高大电网的安全稳定运行程度，有必要对智能电网广域测量数据融合算法进行研究[3-5]。对于智能电网广域测量数据海量问题国内外学者做了大量研究并取得了丰硕的成果。文献[6]提出了一种针对WAMS海量数据的特征提取方法，指出海量数据的优化处理是WAMS广泛应用的关键；文献[7]以同步数据集中器为核心进行分层，提出了基于同步数据集中器性能提高的WAMS体系结构优化，但有充分考虑与系统其它各部分协调运作。文献[8]将WAMS系统划分成数据应用层、数据集中层和数据采集层，系统功能结构的划分过于简单，也不利于系统的整体规划和性能的提高。对于WAMS系统的海量数据的研究，多是从单方面询求解决的方案，没有充分调用系统各层面的协同操作对WAMS系统的数据实时处理。本文以同步相量测量单元（PMU）为基础，提出了四类网内数据融合算法，构建了包括高速网络层、中间件-服务层、数据融合物理层和高级应用层的体系结构，提出了智能电网广域测量数据融合系统。以电压稳定性监测指标（VSI）为例，基于电力系统IEEE300节点仿真模型，设计了适用于该应用的数据融合算法，并对网内数据融合算法进行了仿真验证，有利于防止网络阻塞，减少网络带宽，并从根本上提高了WAMS系统的数据融合深度，以期为实现电网的动态监测，保证电网的安全稳定运行提供理论指导。

1 数据融合算法研究

为实现电网各节点电压稳定的实时监测，在智能电网广域测量数据融合系统中，PMU实时测量节点的电压值，电压稳定监测程序对参数值分析并计算电压稳定性指标（VSI）值，该指标与负荷的功率因素无关。VSI值越高表明节点越可靠，相反，VSI值越低表明节点越不可靠[9]。由此计算出最小的可靠性系数节点，为可能故障节点。一般而言，当VSI值大于0.5或小于0.5时，视为电压崩溃。节点i的VSI的定义如下式：

式中：Bij为网络导纳矩阵元素；δi为节点i的电压相角，°；Vj为节点j的电压，V；Pi为故障节点有功功率，kW；n为总节点数；若节点i和节点j不直接相连，Bij=0。

网络过载时，为减轻网络负载，PMU数据流完成数据融合后传输至高级应用程序。因此，本文提出以下几种智能电网广域测量数据融合算法。

1.1 部分计算融合算法

由于测量设备直接与节点相连，且节点的VSI值仅取决于它的测量数据。因此，可以以分布式的方式对VSI值进行计算。节点不仅可以参与计算，还可以转发原始的PMU数据流及部分计算结果。节点i的VSI值表达式如下：

1.2 数据聚类融合算法

为减少数据量，提高计算效率，将电网中的多个PMU上传的相近电压数据进行聚类，算法如下：

用k表示聚类数目，选择k个随机数据点作为初始数据聚类中心μ，用Xt=［x1，x2，…，xn］表示t时刻的采样值；计算数据聚类中心到每个数据点的距离d（i，j）；按到聚类i的距离d（i，j）对每个数据点进行最小分配；计算出每个聚类μi的平均中心；将所有的数据点都分配至最近的聚类中心。

1.3 数据丢弃融合算法

在正常运行情况下，系统的变化通常很小，且在系统未发生故障的条件下电压相量的测量值发生突变的概率较小。因此，当系统过载时PMU数据不发生变化，可进行数据丢弃，不同时刻的采样数据如下所示。

1.4 数据优先融合算法

为减轻网络传输负载，可对不重要的数据进行合理舍弃，算法思路为由于发电厂很少发生电压问题，因此将来自发电厂的PMU数据作为低优先级的数据。电压下降预示着电压将可能趋近于崩溃，将配电站或变电站的PMU电压值低于额定值的数据作为高优先级的数据。判定数据优先级的算法流程如下：收集t时刻PMU单元中的电压量Xt=［v1，v2，…，vn］；将Xt按升序排列，若，则选择电压值装入数据包进行传输。其中，vth为电压阈值，取值为1。

2 测量数据融合系统研究

随着步相量测量单元（PMU）在电网中的布点急剧增加，海量数据传输将占用大量的带宽，网络延时增加，传输可靠性降低，无法满足电网动态监控的实时性要求，严重影响系统的可靠性和准确性[10]。因此，本文基于数据融合算法提出智能电网广域测量数据融合系统，系统结构如图1所示。

图1 智能电网广域测量数据融合系统结构Fig.1 Structure of wide area measurement data fusion system for smart grid

2.1 高速网络层

将采集数据传输到主站需依赖于广域通信网络的服务质量保障，当突发紧急或过载事件时，采样数据速率增大，需应用指定的方式来传输数据流，合理地降低数据性能。同时，数据通信需满足低出错率、通信时延小、网络拥堵时低丢包率、带宽足够等要求。在智能电网广域测量数据融合系统中，多个高级应用程序需要订阅多个PMU数据流，采用组播模式减少传输的数据量，网络中的交换机或路由器使用IGMPv3路由机制复制并转发给客户端。

2.2 PMU数据融合物理层

针对智能电网广域测量数据融合系统，传感器主要为同步相量测量单元PMU，在PMU数据融合物理层传感执行网络实现网内数据的融合。执行器为调节单元和测控单元等，保证电力系统的稳定安全运行。网络过载期间，在数据失真度满足要求的前提下，采用数据融合算法，实现同步相量测量装置PMU的数据融合，避免了数据传输网络堵塞，进而减轻了网络负载。

2.3 中间件-服务层

从减少通信网络带宽方面考虑，提出了发布订阅中间件。应用程序为订阅者，在该机制下指定时间表和数据类型，表达数据过滤与融合功能。发布-订阅中间件概图，如图2所示，其中虚线为发布者和订阅者向事件下达的指令；实线为事件流；节点A，B，C为发布者节点，既是发布者又是订阅者的节点，代表是三类节点：分别表示仅充当充当订阅者的节点。

图2 发布-订阅中间件Fig.2 Publish-subscribe middleware

2.4 高级应用层

高级应用层负责系统的安全分析监测、安全控制决策与及自适应广域保护。其中，在线安全分析监测包括功角稳定分析、电压稳定分析、频率稳定分析、低频振荡在线分析、线路参数测量、动态监测与预测等高级应用。安全控制决策包括在线决策、广域阻尼控制、自适应广域保护主要有线路广域保护、自适应保护、失步保护、双端故障测距及低频低压减载等。故障时，继电保护和紧急控制是保证互联电网安全运行的必要因素。

3 广域测量数据融合系统仿真

使用聚类数据和原始数据计算重要节点的VSI值，电网过载25%内，电压稳定性指标的计算结果对比，如图3所示。可以看出，通过网内数据融合处理极大减少了网络流量。数据融合前后VSI计算结果相差不大，表明数据融合算法保证了电压稳定性指标计算的准确性。因此，在适度地降低应用性能的前提下，通过不同的融合算法能够有效减轻网络负荷。

图3 融合算法对VSI计算结果的影响Fig.3 Effect of fusion algorithms on VSI calculations

基于IEEE300节点电力系统仿真模型，采用Matlab软件对不同网内数据融合算法对电压稳定监测应用的影响以及前述数据融合算法的有效性进行验证。仿真模型基于标准化IEE300节点电力系统，有3个地理分区，分别由167、90和73个变电站组成；系统有79个发电站，117个变压器，314条传输线路，310个变电站/节点；节点测试系统包含25条输电线路和24个变电站/节点。为验证检查监控和仿真体系方案的正确性，电网从正常负荷逐渐增大至最大负荷，并应用标准快速解耦潮流法重新对电压相量值进行计算。以聚类融合算法为例，算法流程如图4所示。

图4 聚类融合算法流程图Fig.4 Flow chart of clustering fusion algorithm

图5 节点电压稳定性指标变化曲线Fig.5 Variation curve of node voltage stability index

变电站/关键节点对负荷过载的响应，基于Matlab软件进行仿真计算，如图5所示。可以看出，随着负载的增大，多数节点的VSI值持续下降。在正常负载条件下时，节点278和节点279呈现低电压稳定性，继续增大负载时，VSI值基本保持不变。主要由于无论负载是减小或者增大，发电厂的电压均保持不变。此外，由于受负荷过载的影响严重，节点280至节点287，用于触发预防性控制措施，记为关键节点。由于节点282为最关键节点，需主要关注该节点的VSI值。

在不断增大负载的实验中，以节点282为对象，研究电压稳定监测应用指定的PMU数据流网内数据融合算法对VSI值计算准确性的影响。随着电网运行条件的变化，电网过载时节点282的VSI计算值的变化情况，如图6所示。

图6 不同数据融合算法下节点282的VSI值比较Fig.6 Comparison of VSI of node 282 under different data fusion algorithms

可以看出，数据融合功能仅使VSI计算值变化甚微。采用各种数据融合算法估算的VSI值，几乎所有的数据融合算法均执行良好，近似等于使用原始PMU数据流计算的VSI值。将不同的数据融合算法引起的VSI计算误差进行了对比，如图7所示。

图7 不同网内数据融合算法下VSI平均值误差Fig.7 VSI mean error under different intranet data fusion algorithms

可以看出，在数据融合算法都执行良好的条件下，误差维持在2.5%以内。由于分布式计算不会产生任何误差，与其它算法相比，部分计算融合算法和数据丢弃算法的误差相对较低，VSI值的计算准确性最好，误差小于0.2%，随着负载的增加数据优先算法的误差呈线性增大。而数据聚类算法的误差相对较高，但随着负载的增加，误差不断减小。

不同数据融合算法下数据流量降低的百分比，如图8所示。由于大多数变电站都存在电压下降问题，可以看出，采用数据融合算法通常都有40%～50%传输数据量的减少。随着负荷的不断过载，数据优先融合算法和数据聚类融合算法传输数据减少量基本保持在50%；随着负载的增大，电压相量的变化比较明显，数据丢弃融合算法的传输数据减少量由50%逐渐下降至40%。部分计算融合算法数据流量降低的效果最佳，传输数据减少量基本保持在44%。

图8 不同数据融合算法的数据流量减少百分比Fig.8 Percentage reduction of data flow for different data fusion algorithms

由上述仿真实验结果可知，网络过载时在一定程度上保证了智能电网广域测量数据融合系统高级应用的性能，电压稳定监控可有效地利用网内数据融合算法实现数据融合，有效提高了网络传输效率。

4 结语

针对智能电网WAMS系统多数据源、海量数据，以及WAMS系统建设的网络延时、网络过载等问题，提出了智能电网广域测量数据融合系统，提出了多层交互式的数据融合算法，以电压稳定性监测指标（VSI）为例，对网内数据融合算法进行了仿真验证，表明在不影响VSI计算准确性的同时，提出的4种算法均能降低信息开销，实现50%～60%数据传输量的减少，有效提高了网络传输效率，有利于防止网络阻塞，进而印证了本文融合算法的可操作性和可行性，能够为智能变电站的发展提供科学依据。