基于区块链技术的电网灾害预警决策系统

2021-06-10张中丹杨德州王洲贾春蓉彭婧

现代电力 2021年3期

张中丹，杨德州，王洲，贾春蓉，彭婧

（国网甘肃省电力公司经济技术研究院，甘肃省兰州市 730050）

0 引言

近年来，全球气候变化剧烈，恶劣天气和极端自然灾害频发给电力系统带来了极大的冲击，造成了电网大规模停电和输变电等相关设备损坏，使得在极端自然灾害下电网的安全稳定运行以及相应的灾害预警防灾策略得到广泛研究[1]。电网预警防灾的重点在于降低设备故障发生的概率和频率，随着现在设备制造工艺水平和设备运行维护水平的提高，电网故障率主要由雷电、山火、冰灾等气象因素造成，因此，现在电网预警决策研究应重点关注极端自然气象灾害致灾[2-3]。

如何实现电网在极端自然灾害条件下的故障预警，相关专家做了诸多研究。文献[4]分析了极端冰雪灾害下电力系统安全评估研究现状和技术需求，设计考虑冰雪灾害影响的电网安全评估框架，提出了气象–电气混合仿真的概念并讨论混合仿真实现的途径。文献[5]针对降雨诱发滑坡灾害下输电杆塔的预警，提出了滑坡影响因子的量化分级方法，并基于双因素分级叠合法分别构建输电杆塔的风险预警方法。文献[6]分析了冻雨影响电网故障率的相关规律，通过线路实测信息在线评估输电线故障率的变化，根据潮流转移的电气及系统崩溃的动力学规律，建立冰灾停电风险的早期预警模型。文献[7]根据山火造成电力设备故障的途径和机理，将山火信息与地理环境、气象信息相结合，预报输电线故障率的时空分布，提高电网停电防御系统对山火灾害的预警能力。文献[8]通过分析灾害的成因和过程，根据先进科学研究与历史资料探索，建立知识平台、数据探勘及综合管理机制，构建了防灾预警与救灾决策支持系统。文献[9]系统整合了专业气象数据、雷电数据、电网生产运行等信息资源，采用B/S分层框架设计模式，结合J2EE等跨平台技术，实现了具有较强针对性的电网气象预警防灾应用功能。诸多学者对于自然灾害下电网大规模停电亦提出了较多相关预防措施，仍然无法完全避免该类事故的发生[10-11]。综合以上研究文献可以看出，诸多学者已经对自然灾害下电网的预警决策技术、方法以及相关的系统进行了研究，但仍然存在以下问题：1）对于灾害数据缺少分布式存储、管理、分析、共享的机制，各类灾害之间相互独立，导致电网灾害预警决策方面未能对已有的信息资源进行充分挖掘；2）电网和自然灾害之间缺少耦合作用关系的分析，未能制定灾害发生全过程、系统性的预警决策解决方案。

区块链(block chaint，BC)技术因其安全性、可追溯、具有良好的共享机制等优点在电力系统领域得到了广泛应用[12-15]。基于以上问题，本文将区块链技术应用到电网自然灾害预警决策系统，设计了基于区块链的电网自然灾害预警决策的总体框架，并根据系统测得的实时信息对电网故障进行预警，修正了配电网线路覆冰预测模型，并基于该模型构建了由线路覆冰、舞动以及绝缘子闪络引发的线路故障概率模型，提高了预警决策系统的预警能力和准确率。

1 电网灾害预警决策系统总体设计

1.1 电网与自然灾害耦合作用关系

电网自然灾害主要是指电网（承灾体）设备和系统主体与自然环境（孕灾环境）综合作用下，由致灾因子对电网产生破坏性影响的现象和过程[16]。孕灾环境主要作用是孕育产生致灾因子和作为载体承载传递灾害，可将孕灾环境划分为气象环境、地质地貌环境、植被环境等常规孕灾环境，及走廊微地形和走廊微气象等电网特有孕灾环境。孕灾因子是由孕灾环境发生异变产生，不能独立存在，孕灾因子不断演变的过程会改变所处环境和电网承灾体的时空特性，其影响将会反作用于孕灾环境，各要素间相互影响和转化关系见图1。

图1 电网自然灾害各要素之间生态关系图Fig.1 Ecological relationship among elementary factors of power grid natural disasters

1.2 基于区块链的电网灾害预警决策系统

区块链支持的电网灾害预警决策系统应该满足以下几点实际需求：1）针对灾害发生点进行数据采集、存储、管理；2）就灾害发展态势进行实时计算分析，准确有效地发出预测预警信号；3）对灾害现场能实现全景信息可视化；4）加强灾害预警决策过程中各部门工作人员的信息共享和协同。

基于电网与自然灾害耦合作用关系及系统需求，本文将区块链技术与边缘计算(edge computing，EC)结合来设计灾害预警决策系统的架构。EC主要是贴近灾害发生点对现场信息数据进行采集，为区块链提供实时计算和对灾情演化进行分析预测，利用区块链技术将计算分析结果进行分布式存储管理，弥补EC在存储和设备管理上的不足，二者相辅相成，优势互补[17]。考虑到系统中设备异构性和分布式管理等问题，为有效实现数据信息共享和决策的快速共识，本文采用图2所示基于区块链技术的EC 工业物联网架构(block chaintindustrial internet of things，BC-IIoT)，区块链的哈希算法、非对称加密算法和共识机制等关键技术和基础架构等基础内容不再赘述[18-20]。

图2 电网自然灾害预警决策系统总体架构Fig.2 Overall architecture of power grid natural disaster early warning and decision making system

1）设备层：主要是电网中的感知和测量等边缘设备，通过能量管理系统（energy management system，EMS）和广域测量系统（wide area measurement system，WAMS）采集电网模型参数以及实时设备运行工况信息，常规的气象和灾害等信息通过提供的数据端口进行采集，并将采集的信息相应的存储到BC-1、BC-2等区块中，该层区块链为系统提供数据支持和文件服务工程，以供其他结构层读取和存储信息数据。

2）容器层：架设了具备数据缓存和本地计算能力的物联网（internet of things，IoT）网关，该种数据传输终端将分散布置的边缘设备与网络服务器以分布式点对点 (peer to peer, P2P) 结构桥接起来，实现点对点交流并一同封装到容器中进行虚拟化成为功能发布到中间层。这样将不同设备进行组合有利于资源整合，同时数据经过容器层处理以后得到精简，使得核心网络的传播数据大大降低，有利于预警决策系统高效运行和信息的实时共享。

3）中间层：在BC-IIoT架构上开发子区块链系统及其应用功能，为外部环境信息提供接口和进行交互管理；对多源环境数据的预处理和修正，提高环境数据精度；计算外部环境数据和电网设备的关联结果；封装可视化基础应用程序等。

4）应用层：主要将中间层所提供的功能和服务根据不同的需求实现多层次应用。分析预警区块链能够在线评估灾害引发设备故障率；并根据采集的灾害现场实时数据自动生成预想事故集；对群发性故障进行仿真和安全性评估等。控制决策区块链将预警区块链计算得到的预警结果进行汇总分析，除了常规情况下的安全稳定预防控制和校正辅助决策外，还可以根据环境对电网设备产生的影响在线识别调节范围和调节代价，动态刷新控制决策空间。在电网发生大面积停电时，启动紧急状态下校正辅助控制帮助调度人员迅速、安全、经济地恢复供电，应用层的设计能有效地规避恢复过程中的停电风险，提高预警决策的效率和电网的智能化水平。

5）用户层：主要包括管理人员（负责管理服务器和设备）、分析人员（负责分析灾情发展态势）、操作人员（负责设备控制操作）以及安全监督人员（负责监督系统异常数据）这4种类型的用户，不同的用户拥有不同的管理权限，可以根据不同的需求增加或删除用户类型。

2 线路覆冰预测预警模型

山火、泥石流、覆冰、雷电、地震等极端自然灾害对电网设备或系统主体造成直接性或间接性的破坏，其中覆冰灾害影响范围最广，破坏程度较深，诸多学者也对覆冰灾害进行了研究[21-24]。

在构建的区块链电网自然灾害预警决策系统的支持下，自然灾害预测预警模型能实时获取电网设备和自然环境等信息，弥补以往预测预警模型在获取全局信息方面的不足，本文接下来将以线路覆冰灾害为例，结合模型预测控制(model prediction control，MPC)算法[25]构建覆冰厚度预测模型，改进覆冰过重、舞动、绝缘子闪络等因素引发线路故障率模型，提高预测预警准确度。

2.1 构建基于MPC的覆冰预测模型

图3 MPC原理图Fig.3 Schematic diagram of MPC

MPC主要包括3个特点：预测模型、滚动优化和反馈校正，其预测控制原理如图3所示，横坐标轴为时间轴，纵坐标轴表示输出值，坐标原点k处表示当前所在的时刻，原点左侧代表代表过去的状态、右侧代表未来的状态，M、P分别表示了控制步长和预测步长（通常M＞P）。ys为设定值，yr(k)期望值不断逼近设定值。预测控制算法通过计算当前及未来预测M个时刻内的控制量u(k)使得预测值ym(k)逼近于期望值，从而使误差最小。简而言之，就是根据被控系统模型、当前状态和约束条件，在线反复的求出最优的控制序列的过程。MPC的数学模型为：

输入变量：

滚动优化函数：

约束条件：

式中：R()为性能指标函数；V()为滚动变量函数；X为系统状态集合； u (k|k)为被控对象的第一个输入量；U为系统控制输入集合；通过性能指标函数求出的最优控制集合表示为U*，并取U*的第一个元素作用于被控系统。

在输电线路覆冰形成的过程中，风向、风速、湿度、温度、气压5个气象因素对输电线路覆冰厚度影响最大，其形成条件一般需要满足设备表面温度在0 ℃以下、空气湿度在85%以上且风速大于1 m/s。文献[26]构建了冻雨滴在物体上形成均匀覆冰的厚度预测模型：

式中：L为覆冰厚度；p为降水量；ρ为覆冰密度；v为风速；θ为空气相对湿度；∆ L为覆冰厚度增量。

为了使得预测模型在复杂的自然环境中具有更准确的预测值，需要基于BC-IIoT架构构建的智能灾害预警决策系统经过区域全局统筹分析，对给定的参考值Ls进行跟踪，使得预测误差达到最小，其误差优化准则为

式中： Y(k)为预测输出序列； Y′(k)为期望输出序列；ρ为加权控制系数； ∆ u(k)为控制变量向量。

根据2.1小节的预测模型，选取vt、pt、 θt、Ft构成状态变量x(k)，以 ∆ v、 ∆p、 ∆θ、 ∆ F构成控制变量u(k)，以覆冰厚度超短期预测增量 ∆L构成扰动变量d (k)，以 Ls构成输出变量 y(k)，建立多输入、多输出的状态模型为

式中 H1、 H2、 H3为系数矩阵。

为进一步优化式（7）滚动预测过程，假设在滚动预测的时段内，测得tk时刻之前n个时刻的覆冰厚度参考值，在滚动预测时间段内tk时刻之后n个覆冰厚度预测值，则通过超短时段内参考值与预测值的吻合度来进一步校正覆冰厚度预测模型，其吻合度表达式为

通过上述分析得到修正后的覆冰厚度预测模型为

2.2 覆冰引发输电线路故障率计算

覆冰线路故障引发因素主要包括线路覆冰过重、线路舞动、绝缘子污秽，本文将输电线路按照地形、地貌和污染程度等周边环境特征跨档分成不同的线段。假设同一划分线段覆冰厚度、风力和污秽程度均相同，其中一档的覆冰荷载表达式为

式中： g0为重力加速度； Ld为线路覆冰厚度；Li为该档线路长度；D为线路截面等效直径。

考虑微地形因素对线路在垂直方面的风荷载的影响，构建风荷载表达式为

式中：a=1表示垂直风荷载；a=2表示水平风荷载。该档输电线路自重G的表达式为

式中 ρl为输电导线的密度。

由此得出，该档导线在冰冻灾害下的冰风总比载的表达式为

采用指数函数拟合覆冰过重导致线路断线故障概率 Pice与导线承受最大承受力 σmax之间的关系表达式[6]为

式中： σs为导线设计承受力；λ为线路安全系数；A1和 B1为常数。

参照式（14）得出杆塔倾倒故障率表达式为

式中： ∆ F为杆塔两侧不平衡拉力，其具体表达式如式（16）所示；η为杆塔设计的安全系数； A2和B2为常数。

式中： σ1、 σ2分别为杆塔两侧水平拉力； θz为杆塔两侧线路夹角；h为杆塔两侧输电线路数量。

通过该档线路进行受力分析，线路主要是由于风力与导线的自重力形成的合力导致舞动，其线路舞动幅值表达式为

式中：c 为舞动点到终端点的距离； Dmax为舞动最大幅值； ϖ为舞动频率；λ为舞动波长。

由式（17）可以看出，舞动的幅值仅与舞动频率、舞动夹角和线路舞动点到终端点的距离有关，因此文章近似认为舞动幅值引发线路故障呈线性关系，其故障率表达式用分段函数表示为

式中： D1、 D2为与线路长度、覆冰厚度、水平拉力等相关的系数。

影响绝缘子闪络电压U的因素主要包括覆冰前绝缘子盐密、绝缘子类型、海拔高度、覆冰重量等，文章采用绝缘子闪络电压U表达式为

式中：C 和d为绝缘子相关参数； ρSSD为覆冰前绝缘子盐密； σ20为 20 ℃时覆冰水电导率； Hins为海拔高度；GI−wei为覆冰重量；e为污染特征指数。

参照式（14）的形式得出绝缘子闪络故障率的表达式为

基于上述分析可以计算第i条线路的第j档的故障率，文章假设不同故障类型之间相互独立，则j档线路故障率表达式为

第i线路总的故障率表达式为

式中n为第i线路档个数。

3 预测预警模型的求解方法

实时MPC算法具有较好的鲁棒性，并且对模型的精确性要求不高，文章利用实时MPC算法对预测预警模型进行求解。从区块链智能预测预警系统的设备层读取天气环境、地理环境和电网设备运行工况等信息，并按照地理环境特征对输电线路进行分段。通过构建的覆冰预测预警状态空间模型对覆冰厚度进行预测，进而对覆冰过重引发的线路断线、杆塔倾倒、线路舞动和绝缘子闪络等故障率进行评估，区块链支持的MPC预测模型求解流程如图4所示。

图4 区块链支持的覆冰灾害引发线路故障率评估方法流程图Fig.4 Flowchart of block chain supported method to assess line failure rate caused by ice-coating disaster

4 算例分析

为了验证本文搭建的基于区块链的电网自然灾害预测预警模型的可行性和有效性，选取某市西北部和中部几条220 kV线路进行覆冰预测分析。

某市1条220 kV北发线某档线路在连续5天时间里覆冰厚度实际测量数据见表1。由1月6日早间开始覆冰变化，随着未来5天内的降雨量的增加，线路覆冰厚度也随之增加，但覆冰变化情况也根据风速和温度的变化不尽相同。

以表1实测数据作为基准参照，比较原系统与本文系统对该线路覆冰厚度预测值，如图5所示。通过比较分析得出，本文预警系统对覆冰厚度预测的相对误差最大值为2.14%，相对误差最小值为0.41%，而原系统测得覆冰厚度值的相对误差最大值为7.46%，相对误差最小值为1.36%。通过对比可以看出，本文研究的预测预警系统能够有效地提高覆冰预测准确性。

表1 某市220 kV北发线覆冰厚度实测数据Table 1 Measured ice-coated thickness of a 220 kV Bei-Fa transmission line in a certain city

图5 北发线覆冰厚度预测值对比图Fig.5 Comparison chart of measured and forecasted icecoated thickness of Bei-Fa transmission line

图6 给出了70号、60号、09号和83号线路段覆冰故障率与降雨量之间的变化趋势图。由图6可以看出，4条线路段故障率变化的总体趋势均为随降雨量的增加而上升，但不同线路段因所处地理环境因素、风速和温度等气象因素的影响而存在一定的差异。

图6 降雨量引发线路故障率变化趋势图Fig.6 Varying trend of transmission line fault rate caused by rainfall

为进一步对比修正后模型与未修正模型对冰灾引发线路故障率的预测效果，本文选取了6条架空线路段进行预测分析，并且按照故障严重程度进行排序，其预测对比结果见表2。由表2可知，经MPC算法修正后的覆冰灾害故障率比未修正时预测准确度更高，且更符合实际情况。其中，37号线路段、26号线路段和67号线路段覆冰灾害发生故障率较高，主要因为这3条线路段与风向所成夹角均约为90°，较易形成覆冰，11号线路段与风向所成夹角很小，不易形成覆冰。58号线路段与67号线路段同属于1条输电线路，2个线路分段引发的故障率存在着较大差别，主要是因为两分段线路所处的地理环境不同，由此可以看出微地形、微地貌对线路覆冰具有较大影响。本文基于区块链智能预测预警系统将线路进行分段分析具有实际意义。