应用调控大数据的电网运行态势动态感知方法研究

郭 靖,王 琨,马来·对山拜,徐 静

(新疆信息产业有限责任公司,新疆 乌鲁木齐 830013)

0 引言

随着电网规模的日益壮大,在互联电网的过程中,市场化、大规模电力系统的逐渐形成,以及远距离输电、超高压、大机组的出现,都导致电网故障越来越频繁地发生。如果无法及时处理这些故障,可能导致严重后果,包括引发大面积停电问题甚至影响电力系统的稳定运行[1]。

为了防止出现上述情况,必须要对电网运行态势进行动态感知。电网运行态势动态感知能够为电网的决策与检修工作提供全方位的基础数据。对电网运行态势动态感知的研究具有悠久的历史。国外很早就开始开发态势感知技术,并将其应用于军事、网络安全、航空等多个领域,甚至能够通过该技术提升电网监控能力。但将其应用于电网运行态势的动态感知中还为时尚短,仍处于相关研究的起步阶段。Mica R.Endsley等提出一种基于稳定性控制的电网运行态势动态感知方法,主要通过对环境、时延、测量误差等电网运行态势分析中的误差因素进行影响因素与来源分析,实现过负荷、电压、频率与稳定性的控制与评估,从而达到电网运行态势动态感知的目的[2]。国内早在20 世纪90 年代初就有柳焯教授等学者提出了电力系统的态势分析思想。其中的态势是指电力系统的发展趋势与当前状态。以这种思想为起点,有学者开始研究通过对电网进行特征指标定义来实现运行态势的动态感知。钱斌等通过对电网的运行特征指标进行提取,并对比提取的特征指标与实时采样数据,获取电网状态随时间变化的规律,实现电网运行态势动态感知[3]。

以上方法在对电网运行态势进行感知的过程中,因受到电网运行态势波动较大的影响而无法提取态势因子参数,在态势感知累积和阈值为0.05～0.2 的范围内存在负荷水平偏低的问题。对此,本文提出一种应用调控大数据的电网运行态势动态感知方法。

1 应用调控大数据的电网运行态势动态感知

1.1 获取电网安全裕度

利用直流潮流模型,通过发电机的有功功率节点注入向量对系统运行点进行表征,获取系统静态有功安全域边界[4]。

式中:ΩSSR为一组系统安全运行的超平面,由它们共同构成了系统静态有功安全域边界;PG为发电机的有功功率节点注入向量;Pd为负荷节点的对应有功功率向量;PGmin为发电机实际有功出力的最下限;PGmax为发电机实际有功出力的最上限;DG为发电机中列对应的节点所构成的矩阵;PLmax为输电线路极限传输容量向量;D为支路-节点分布转移因子矩阵[5]。

式中:BL为电纳质量矩阵;AT为支路-节点关联矩阵;B为电纳节点矩阵。

根据调控大数据中的气象边界条件算法,获取线路传输的动态容量极限,也就是电网的安全裕度[6]。首先,以导线热平衡原理为依据,获取输电线路稳态下的吸收功率与散热功率:

式中:qr为导线温度与环境温度差带来的散热辐射功率;qc为导线的散热对流功率,取决于风向与风速;qs为日照下导线的吸热功率;I为导线的对应稳态载流量;R(Tc)为Tc条件下导线温度的对应交流电阻;I2×R(Tc)为Tc温度下交流导线电阻的实际发热功率。

将当前导线所允许的最大温度设为Tcmax,通过导线温度模型,对边界条件(包括气象参数等)进行给定,求出当前导线所允许的最大载流量:

式中:Imax(Tcmax)为当前导线所允许的最大载流量;Imax为最大电流值。

进一步通过式(5)获取线路有功动态功率传输极限:

式中:UN为额定电压;cosφ为功率因数[7]。

据此,将式(1)中的正向线路潮流有功约束集记为:

式中:LCi为正向线路潮流有功约束集;n为电力系统中的总发电机节点数;m为电力系统中的总输电线路数;PGn为第n个发电机节点的实际有功出力;ηi,n为矩阵DG的第n列、第i行元素。

矩阵DG的计算公式具体如下:

式中:L为约束的对应边界值。

其计算公式如下:

同理,获取反向线路潮流有功约束集。

则i线路边界潮流约束方程具体为:

式中:Bi为i线路边界潮流约束方程。

对各线路边界潮流约束方程与运行点之间的安全域边界所对应的欧式距离进行计算,即可获取各方向上电力系统的安全裕度。

1.2 提取态势因子参数

选取丢包率、利用率、吞吐量作为电网运行的网络态势因子,根据简单网络管理协议(simple network management protocol,SNMP)信息的采集结果,对态势因子相关性能参数进行计算,实现态势因子参数的提取。SNMP 信息的采集需要通过信息采集程序进行。采集模式为轮询并行集中。首先,对待采集的共同体与路由器IP 进行预先配置。接着,执行采集程序,生成并行采集脚本,由采集脚本对各路由器对应的MIB-II 库进行单独访问,通过snmpwalk 功能实现数据采集,并将文档存入数据库中[8]。采集的SNMP 信息包括输出丢失数据包、输出已发送数据包、输出待发送数据包、输入丢失数据包、输入已发送数据包、输入待发送数据包、输出八位字节、利用速度、输入八位字节。

根据SNMP 信息的采集结果,对式(10)～式(18)中的网络性能参数进行计算[9],包括输出、输入、平均的丢包率、速率、利用率、吞吐量。根据端口,对这些参数进行统计[10-12]。

输出丢包率为:

式中:PO为输出丢包率;OD为输出丢失数据包;OPKs为输出已发送数据包;ON为输出待发送数据包。

输入丢包率为:

式中:Pin为输入丢包率;Ds为输入丢失数据;FPKs为输入已发送数据包;Npks为输入待发送数据包。

平均丢包率为:

式中:PT为平均丢包率;T为采集周期。

输出利用率为:

式中:Out为输出利用率;Δfoutoctets为输出八位字节;fspeed为利用速度。

输入利用率为:

式中:LinkUsageIn为输入利用率;ΔfInOctets为输入八位字节。

平均利用率为:

式中:LinkUsage为平均利用率。

输出吞吐量为:

式中:throughputOut为输出吞吐量。

输入吞吐量为:

式中:throughputIn为输入吞吐量。

总吞吐量为:

式中:throughputTocal为总吞吐量。

1.3 电网运行态势动态感知

本文通过构建电网运行态势动态感知架构,实现电网运行态势动态感知。本文构建的电网运行态势动态感知架构包括3 个层次,具体如图1 所示。

图1 构建的电网运行态势动态感知架构Fig.1 Dynamic awareness framework of power grid operation situation

电网运行态势动态感知架构的第一层,负责收集开关状态、发电机实际出力数据等当前态系统运行信息,以及负荷超短期预测、负荷短期预测、调度计划等未来态系统运行信息。架构的第二层,负责以第一层的信息为依据,求取当前态系统的安全距离。架构的第三层,负责百世未来态系统的趋势特征以及评估安全距离,从而为后期预防控制或均匀调度等措施进行指导,实现电网运行态势动态感知,对系统的运行状态进行优化。

2 动态感知验证

2.1 试验算例

对本文所设计的、应用调控大数据的电网运行态势动态感知方法进行算例验证。采用新英格兰53 节点的电网系统作为试验算例,对该电网进行运行态势动态感知,验证设计方法在态势感知累积和阈值为0.05～0.2 的范围内能够提升负荷水平。试验中使用的仿真软件为中国电力科学院所研发的电力系统PSD-BPA 软件。

新英格兰24 节点的电网系统中共包含10 台发电机以及46 条线路。其系统参数如表1 所示。

表1 系统参数Tab.1 System parameters

设线路上所允许的当前导线最大温度为70 ℃。

试验的相关参数为:日照强度为1 100 W/m2,风速为1.25 m/s,风向角为43.23°。

对某时间段内该系统的电网运行态势进行动态感知。为保持系统功率平衡,发电机的实际出力与负荷保持同比例增减。在该系统的电网运行态势动态感知过程中,获取应用调控大数据的电网运行态势动态感知方法在态势感知累积和阈值为0.05～0.2 范围内的负荷水平。为了避免因试验结果过于单一而失去对比性,将基于稳定性控制的电网运行态势感知方法与基于模糊推理电网运行态势感知的方法作为对比试验方法,分别获取这两种方法在态势感知累积和阈值为0.05～0.2 范围内的负荷水平数据作为对比试验数据,分三个阶段比较三种方法的负荷水平。

2.2 试验结果对比

第一个阶段:当态势感知累积和阈值在0.05～0.1范围内时,本文方法与其他两种方法的负荷水平对比试验结果如图2 所示。根据图2 可知,当时间为12 h时,基于稳定性控制的电网运行态势感知方法的有功负荷为4 150 MW,基于模糊推理电网运行态势感知方法的有功负荷为4 100 MW,本文方法的有功负荷为4 260 MW。当时间为18 h 时,基于稳定性控制的电网运行态势感知方法的有功负荷为4 120 MW,基于模糊推理电网运行态势感知方法的有功负荷为3 900 MW,本文方法的有功负荷为4 250 MW。整体来看,应用调控大数据的电网运行态势动态感知方法的负荷水平在态势感知累积和阈值为0.05～0.1 时,高于其他两种试验方法。

图2 0.05～0.1 时的负荷水平对比试验结果Fig.2 Test results of load level comparison(0.05～0.1)

第二个阶段:当态势感知累积和阈值在0.1～0.15范围内时,本文方法与其他两种方法的负荷水平对比试验结果如图3 所示。

图3 0.1～0.15 时的负荷水平对比试验结果Fig.3 Test results of load level comparison (0.1～0.15)

根据图3 可知,当时间为15 h 时,基于稳定性控制的电网运行态势感知方法的有功负荷为4 200 MW,基于模糊推理电网运行态势感知方法的有功负荷为4 090 MW,本文方法的有功负荷为4 230 MW。整体来看,应用调控大数据的电网运行态势动态感知方法的负荷水平在态势感知累积和阈值为0.1～0.15 时,高于其他两种试验方法。

第三个阶段:当态势感知累积和阈值在0.15～0.2范围内时,本文方法与其他两种方法的负荷水平对比试验结果如图4 所示。

图4 0.15～0.2 时的负荷水平对比试验结果Fig.4 Test results of load level comparison(0.15～0.2)

根据图4 可知,当时间为21 h 时,基于稳定性控制的电网运行态势感知方法的有功负荷为3 820 MW,基于模糊推理电网运行态势感知方法的有功负荷为3 800 MW,本文方法的有功负荷为3 910 MW。调控大数据方法的负荷水平在态势感知累积和阈值为0.15～0.2 时,明显高于其他两种试验方法。

3 结论

综合试验结果可知,在态势感知累积和阈值为0.05～0.2 范围内,应用调控大数据的电网运行态势动态感知方法的负荷水平高于基于稳定性控制的电网运行态势动态感知方法与基于模糊推理电网运行态势感知的方法。本文方法通过调控大数据算法的应用,实现了负荷水平的提升,对于电网运行监控有很大意义。