基于态势感知的智能配电网运行状态评估
2020-03-17刁守斌祝永刚程凯强
于 涛,刁守斌,祝永刚,安 鹏,程凯强
(1.济南市规划设计研究院,山东 济南 250101;2.国网山东商河县供电公司,山东 济南 251600;3.国网山东济南市历城区供电公司,山东 济南 250100;4.国网山东省电力公司,山东 济南 250001;5.山东大学电气工程学院,山东 济南 250061)
0 引言
随着分布式电源和多元负荷的接入,配电网的运行与控制趋于复杂多样,配电系统在运行过程中面临的风险逐渐增加。但当前配电信息系统功能尚不完善,系统中大量原始数据对运维调度并没有很好地发挥作用[1],若要宏观把握配电网运行态势,配电网的态势感知环节必不可少。
配电网态势感知技术是配电网经济、可靠、安全运行的基础,完成对配电网运行状态的实时监测、分析、评估以及未来状态的预测是智能配电网态势感知的重要内容。态势感知技术可分为态势觉察、态势理解和态势预测3 个阶段,态势觉察本质上是监测和获得环境中的重要数据和关键要素;态势理解是整合采集到的数据和信息,分析数据中的对象及其行为和对象间的相互关系;态势预测是在觉察和理解的基础上进一步处理获得的数据信息,预测判断未来的变化趋势[2]。文献[3]从宏观技术层面分析和阐述了智能配电网态势感知的内涵、架构和关键技术等,为国内配电网态势感知的研究指明了方向。文献[4-8]分别侧重于配电网的安全、状态估计、灾害防御、历史数据挖掘、可视化等不同方面,结合态势感知进行了研究,完成了配网态势感知应用的初步尝试,但尚不够成熟。已有研究分别针对态势感知的某项技术进行了分析,尚未从系统层面考虑态势感知的应用,且各个技术独立分散,未结合构成统一的整体,不能发挥出态势感知的实效性与优越性[9]。因此,对智能配电网态势感知关键技术的研究仍需继续深入。
为更好实现配电网信息采集、态势理解与运行轨迹刻画,提出基于混合量测系统的态势要素采集方案,基于配电网运行状态实时评估态势理解和采用负荷超短期预测的态势预测方法,建立基于态势感知的配电网运行状态评估指标体系。
1 面向状态估计的态势要素采集
在电力系统中,SCADA 系统应用广泛且相对成熟,量测系统包括远程终端单元(Remote Terminal Unit,RTU)、馈线终端单元(Feeder Terminal Unit,FTU)和配电自动化终端(Distribution Terminal Unit,DTU)。对于配电网状态估计来说,RTU 的关注重点是其采样周期、配置位置和量测精度。RTU 一般安装在变电站,采样周期为3~60 s,量测量包括节点电压幅值、支路电流幅值、支路功率、节点注入功率。FTU的量测精度与RTU 相同。高级量测系统(Advanced Metering Infrastructure,AMI)主要包括智能电表、通信网络、量测数据管理系统等,一般安装在负荷节点,采样周期为15 min~1 d,其量测信息包括节点电压幅值和节点注入功率[9]。智能电表可根据预设的时间间隔测量和存储各类电量值。
与SCADA 系统相比,PMU 量测具有诸多优点,如相量量测、采样间隔短(5~30 ms)、数据同步性好、量测精度高(相角精度可达0.01°)等,但PMU 设备价格较贵,在馈线分支和节点众多的配电网不可能实现全面覆盖。因此,PMU 测量数据只能使系统部分可观,并不能完成配电网的状态估计。若综合利用配电网已存在的量测手段,如RTU 的量测数据或高级量测系统AMI 的量测数据,在未实现PMU 综合配置或少量配置PMU 的配电系统中,利用多元量测数据可有效实现状态估计。因此,基于本地配电网的实际测量,包括PMU、RTU、FTU、DTU 和AMI 等量测数据,建立多类型混合量测数据采集方案如图1 所示。
图1 多元量测采集方案
2 基于配电网运行状态评估的态势理解
根据多元量测数据采集方案,可在发挥PMU 采集周期短的特点的同时,利用已有的配电网信息管理系统中的各类数据,提高状态估计的速度和精度。而基于PMU 的状态估计仅能得到电压幅值、相角等基本状态量,无法直观反映配电网的运行情况,还需要进一步处理基础数据,依据相关指标评估配网的运行状态,实现实时、精确度高的态势理解。具体流程如图2 所示。
图2 基于运行状态评估的配网态势理解流程
2.1 基于多源量测的状态估计
第1 节中提到的PMU 量测、SCADA 量测和AMI 量测3 类量测不能直接应用于线性状态估计,需要等效变换为线性状态估计器可接收的输入量测,等效变换采用直角坐标化变换。由于各量测量更新周期不同,不同时刻的状态估计器获得的实际量测输入也不相同。采用动态估计法,并将部分预测值作为伪量测,可理解为某一时刻的状态估计器既需要过往状态估计提供部分输入,也输出了对未来时刻状态的预测。状态估计的具体流程如下:
1)读取区域配电网参数及拓扑结构,读取PMU、FTU、RTU、AMI 量测配置;
2)根据配电网参数和量测配置建立混合量测状态估计模型;
3)判断是否是RTU/FTU 采样时刻,若是,结合上一时刻动态状态估计的预测对RTU、FTU、AMI、PMU 量测进行量测等效变换,组成混合量测,并转向步骤5);否则转向步骤4);
4)在非RTU/FTU 采样时刻,根据量测函数将上一时刻动态状态估计的预测值变换为量测预测值,并与PMU 实时量测更新组成混合量测,实现状态预报与量测预报的递归转换,转向步骤5);
5)基于混合量测与上一时刻的动态状态估计值进行动态状态估计,输出动态状态估计结果后,转向步骤3)。
2.2 配网运行状态评估指标体系
根据配网运行中的实际运行数据,结合态势感知实时性特点,考虑“N-1”准则及负荷波动情况,从安全性、供电可靠性和经济性方面建立配电网运行状态的评价指标体系。以往的研究主要从规划的角度,在较长的时间尺度内评估配网的安全可靠性,且考虑“N-1”准则时只从静态角度入手,不能实时进行在线评估。从静态与动态两个角度评估系统的运行状态,即从静态角度评估配电网安全运行情况和供电能力;从动态角度评估配电网在发生线路故障后所面临的风险及供电能力。不仅如此,基于负荷预测和潮流计算结果,通过态势预测,进一步从静态和动态两个方面掌握未来时刻配网运行时的安全状况和故障后所面临的风险,指标体系如图3 所示。
图3 配网运行状态指标体系
2.3 基于风险理论的配网安全性评估
以往的安全性评估多从电压越限和电流重载或过载等方面评估,虽然这些传统的安全性指标能够匹配态势感知快速性的特点,但数据处理仅仅停留在统计阶段,反映的安全情况较为简单,没有充分挖掘数据中蕴含的安全信息[10]。以配电网运行安全性作为出发点,在考虑配电网结构灵活这一特性的基础上,选取了失负荷风险指标、过负荷风险指标和电压越限风险指标,挖掘数据中存在的风险信息,从不同方面对配电网的安全风险进行评估,为调度人员提供更为清晰的配电网安全情况。指标具体计算过程已有文献研究,文中仅做简单介绍。
1)失负荷风险。失负荷风险可通过事故后负荷损失率进行量化。失负荷风险表达见式(1)。
式中:RFL(C/Xt)为不确定事故下引起的失负荷风险值;C 为不确定事故造成的后果;Xt为故障前的运行状态;E 为不确定的事故;P(E/Xt)为在Xt下发生E 的可能性;SFL(C/E)为在E 下产生C 后果的严重程度。
2)过负荷风险。以流经线路的电流反映线路的过负荷风险严重度SOD(C/E),当线路电流标幺值小于0.7 时,认为没有发生过负荷风险。线路的过负荷值由式(2)表示。
式中:i 为预想事故集中的元件集合;NOD为假想事故E 发生后选择相应转供方案所引起过负荷线路的总数。
3)电压越限风险。电压越限风险体现的是配网中发生故障后引起母线电压越限的可能性及其严重程度[11]。设节点电压为U,式(3)—式(5)依次给出了电压越限值、电压越限严重度及电压越限风险指标的表达式。
式中:NLV为由假想事故发生后选择相应转供方案所引起电压越限节点的总个数。
2.4 基于重复潮流的配电网供电能力实时评估
重复潮流计算的主要思路为:以当前时刻的运行方式作为出发点,选取合适的步长h,确定负荷增长模型Sd增大负荷,计算每次增长后的潮流,直到约束条件起作用为止。每次发生越限后,需要不断调整步长h,并且给定精度要求作为调整结束的判断条件。即将发生越限的临界点所对应的负荷即为配电网此时的最大供电能力[12]。
最大供电能力的求解步骤是步长h 的选取,若h过大,计算结果收敛较快,但精度降低;若h 过小,计算结果精度较高,但收敛较慢。因此,采用变步长的方法,若发生越限,则步长减半;若没有越限发生,则以原步长继续。如此循环,直到步长满足精度要求跳出循环[12]。详细步骤如下:
1)确定初始步长h0>0 及收敛精度ε>0;
2)确定负荷增长模型Sd,令S=S0(S0为当前的实际负荷),h=h0,k0=1,k 表示负荷的增长倍数,k0表示初始负荷增长倍数;
3)若h>ε,则进行下一步;若h<ε,则结束循环,返回S 和k,S 即为配电网此时的最大供电能力,SS0即为供电裕度;
4)计算S′=S+hSd;
5)以S′为基准进行潮流计算,判断是否有越限发生,没有则转下一步,否则转到步骤7);
6)令S=S′,转步骤4);
7)步长缩小为原来的一半,即h 缩小为h/2,转步骤3)。
3 基于负荷超短期预测的态势预测
负荷超短期预测是态势预测的核心部分,基于负荷超短期预测和快速潮流,可获得未来态的电气量,进而评估未来时刻的运行状态。从减少预测误差入手,利用BP 神经网络的非线性映射能力对最小二乘支持向量机(Least Square Support Vector Machine,LSSVM)预测的误差进行预测,增加误差校正环节对预测值进行校正,可提高预测精度。
3.1 基于最小二乘支持向量机的负荷超短期预测
基于支持向量机(Support Vector Machine,SVM)的短期负荷预测比传统方法具有更高的预测精度,SVM 具有拟合精度高和全局最优等优点,且训练所需样本相对较少,求得的解具有稀疏性[13]。最小二乘支持向量机在训练速度方面要优于SVM,更满足态势感知对于计算速度的要求,因此负荷超短期预测采用LSSVM。主要流程步骤如下。
给定训练集S={(xi,yi),i=1,2…,l},其中xi为第i 个输入向量,yi为相对应于xi的目标值,l 为样本数目。回归问题目标是确定最优回归函数f(x),使得回归函数f(x)具有式(6)所述形式,其中ω 为加权向量,b 为常值偏差[13],x 为输入变量矩阵。
在最小二乘支持向量机中,回归问题对应的优化问题如式(7)所示,e 为松弛变量,γ 为惩罚系数。
最小二乘支持向量机相应的拉格朗日函数及其最优值条件为式(8)—式(9),其中α 为拉格朗日系数:
选择高斯径向基RBF 核作为核函数,如式(10)所示,σ 为核函数参数。
将式(10)写成矩阵形式并消去ω 和e 可得到最小二乘支持向量机回归的模型为
3.2 基于BP 神经网络的误差校正
BP 神经网络具有很好的自学习能力、泛化能力和容错能力,且不需要建立精确的数学模型或者物理模型就能对样本进行训练,从而实现任何复杂的非线性映射功能[14]。采用BP 神经网络对LSSVM 预测值的预测误差进行预测,将预测日前3 日相同时刻的预测误差作为输入,来预测当日相同时刻的误差。采集LSSVM 的预测误差作为BP 神经网络的样本进行大量训练,在此基础上对t 时刻进行负荷预测,其基本流程如图4 所示。
图4 考虑误差校正的负荷超短期预测流程
4 算例分析
采用IEEE 33 节点配电系统进行仿真分析,如图5 所示。节点1 为该区域的配电变压器,容量为10 MVA,系统的基准容量为100 MVA,当前系统的有功负荷为3.7 MW,无功负荷为2.3 Mvar。表1 给出了IEEE 33 节点系统的主要参数。评估周期取为1 h。
图5 IEEE 33 节点配电网的拓扑结构
表1 支路属性和参数
设线路故障时闭合联络开关有M 种情况,基于本文风险评估方法,计算每条线路发生故障后M 种联络开关闭合情况下的失负荷风险、过负荷风险和电压越限风险。由于每个负荷点对应的总负荷相同,故M 种情况下的失负荷风险皆相同,评估结果仅展示一列,表2 为线路故障后的风险评估结果,表3 为最大供电能力评估结果,表4 为其余指标评估结果。
由表2 可知,相同的故障,采用不同的转供方案所带来的风险是有差别的。若线路3—4 发生故障,闭合8—21 联络开关的风险值为0.078,而闭合12—22 联络开关的过负荷风险值为0.353,表明闭合12—22 造成的过负荷现象较为严重;若线路6—26发生故障,闭合18—33 联络开关的低电压风险是闭合25—29 联络开关所造成风险值的3 倍左右,表明闭合18—33 将造成较为严重的低电压风险。综上,根据所述指标,能够在综合考虑系统安全稳定运行约束的条件下,给配电网运行人员提供更优的转供方案,提高配电网运行可靠性与配网转供方案决策准确度。
表2 风险评估结果
由表3 可知,不同一条线路发生故障时,不同转供方案对应的最大供电能力不同。线路9—10 发生故障,闭合9—15 联络开关,最大供电能力为1.283 2,而闭合12—22 联络开关,最大供电能力为1.573 2,发生故障应当优先闭合12—22 联络开关。由表4知,该配网系统当前时刻运行安全性较好,全部的线路和配电都没有处于过载或重载情况,各节点电压标幺值均接近于1,没有出现低电压风险。当前运行状态的供电可靠性较好,距离最大供电能力还有0.53 MW+0.32 Mvar 的供电裕度。
表3 最大供电能力评估结果
表4 当前时刻其余指标评估结果
以上计算结果表明,构建的指标体系,能全面评估正常运行时和出现故障后配电网实时的安全性和可靠性,可给出当前运行情况与临界情况的距离。同时,考虑(N-1+1)的风险性评估和最大供电能力评估为故障后联络开关的选择提供了参考依据。所提出的态势感知框架,也为实际工程中数据采集、分析评估、预测判断等提供了参考。
5 结语
建立基于安全性、经济性和可靠性的配电网综合评价指标体系,并据此提出了智能配电网态势感知分析计算方法,将分散独立的各个技术有机结合成一个整体。通过IEEE 33 节点配电系统进行验证,结果表明,所提配电网态势感知方法,可充分利用配电系统的量测数据和预测数据中的有效信息,分析系统现有运行状态,判别系统未来可能的状态变化趋势,进而综合评估配电网运行状况,全面准确掌控配电网运行态势,为配电调度控制人员进行调度工作提供参考依据。