基于态势感知的智能电网安全调度预警架构设计

孙强强,陈 昊

(深圳供电局有限公司,广东 深圳 518000)

0 引言

由于我国电网建设较晚,电网结构相对薄弱,存在高电压差电磁环网、大型单环网、伪双电源和电源经单回线上网等不利于电网运行的情况,发生严重故障时可能导致电力系统的崩溃,甚至造成电力系统解列事故[1]。因此,提高电力系统故障判别的准确率和事故处理效率,是保障电力系统安全稳定经济运行、预防电网事故发生、防止事故扩大的关键,对维护社会稳定、助力经济发展有重要的价值。随着智能电网系统的不断壮大,保证智能电网调度的安全性具有重大意义。而确保智能电网系统的安全运行的前提是提前做好监护和预警[2-3]。近年来,智能电网安全调度监护预警已经成为国内外关注的研究课题。

基于云计算的监护预警架构是引入了云计算技术在计算处理、扩展性的优势,利用云计算技术与智能电网安全调度监护技术进行深度融合,实现智能电网安全调度的监护预警,有效解决了结构底层的安全问题。但是该结构预警性能较差。基于神经元网络的监护预警架构利用神经元网络的工作原理,跟踪智能电网安全调度过程中的电压信号变化,可确保智能电网安全调度的输入与输出信号的频率一致,实现智能电网安全调度的监护预警,有效提高了预警性能。但是智能电网安全调度监护预警架构精度还是相对较低。以上两种传统预警架构在实际应用中严重影响了智能电网安全调度的预警性能。

根据上述方法存在的问题,本文将大数据态势感知应用到智能电网安全调度监护预警架构设计中,保证了智能电网的安全运行。

1 智能电网安全调度监护预警的架构设计

1.1 基于大数据态势感知的调度监护预警数据处理

智能电网安全调度监护的预警数据采集与传输流程如图1 所示。

图1 预警数据采集与传输流程图Fig.1 Flowchart of early warning data collection and transmission

智能电网安全调度监护预警数据的处理包括监护预警数据的采集与传输、监护预警数据的解析与导入、监护预警数据的发布与展示三个步骤。采用大数据态势感知法,计算电网安全调度监护预警数据的性能。监护预警数据每5 s 刷新一次,其数据部分存储在预警服务器的数据库中[4]。基于态势感知的监护预警数据拷贝可通过对智能电网提供的数据进行标准化推导,并在本地获得。输出的监护预警数据副本可通过终端网络传送,并可将数据段发送到数据分析服务器,直接将采集到的数据存储于实时数据库。

预警数据处理流程如图2 所示。

图2 预警数据处理流程图Fig.2 Flowchart of early warning data processing

由采集程序生成的监护预警数据包含了智能电网的网络拓扑结构、实时运行数据等信息。但是采集到的信息不能直接存储在数据库中,需要采用大数据文件作为数据载体进行感知,以获取智能电网网络拓扑和实时运行信息等。在对网络拓扑结构进行数据采集时,可以通过感知智能电网的运行态势xl得到具体数据信息X的表达式:

在此基础上,设计了监护预警数据库,通过独特的态势感知装置[5-6],将网格模型数据w与实时数据库中的实时数据b相融合。所需完整预警数据的表达式为:

采用态势感知对监护预警数据进行发布展示,实现了智能电网安全调度监护预警数据的处理。

智能电网安全调度监护预警数据具有复杂性。在数据处理之前,先从智能电网数据库中采集监护预警数据,再利用数据处理流程,完成监护预警数据的处理;接下来,通过智能电网安全调度监护预警算法设计,为监护预警架构设计提供技术支撑[7-8]。

1.2 智能电网安全调度监护预警算法设计

实时性关联矩阵是智能电网监控预警算法设计的基础。实时性关联矩阵是一个全新的矩阵模型,反映了智能电网故障元件之间可能存在的关系。在此模型基础上设计的算法,只需要很少的计算就可以得到智能电网安全调度过程中任意故障对应的动作组合[9-10]。而关联矩阵本身也会进行动态更新,实时跟踪智能电网运行模式的变化与锁定,从而使其算法更适用于监控预警架构设计。

假设智能电网安全调度过程中包括n个可能动作的备用电源自动投入装置(busbar automatic transfer switch,BATS),且智能电网故障集中包含p个元素。当发生某一个故障时,就会使BATS 达到动作条件。基于此,构建了BATS 与故障元件的关系矩阵:

式中:Rij为第i个智能电网故障元件与第j个BATS 之间的关联情况。

当第i个智能电网故障元件使第j个BATS 达到动作条件后,Rij=1;当第i个智能电网故障元件没有使第j个BATS 达到动作条件,则Rij=0。因此,可以得到Rij值:

在建立关联矩阵的基础上,建立一个p维向量A。向量A中的每个元素都代表故障集中智能电网故障的发生情况。将向量A分别与矩阵R和矩阵M进行左乘运算,得到由n个BATS 动作可信度构成的向量集合S,即:

根据n个BATS 动作可信度构成的向量集合S,设计了智能电网安全调度监护预警算法流程。

智能网安全调度监护预警算法首先根据智能网指定的故障,选择电网安全调度中应该运行的BATS;然后根据BATS 之间的合作程度,有选择地剔除不需要运行的BATS。当智能电网发生多起故障时,由于已达到运行条件,最高等级BATS 的权值已经超过10 000个。因此,在计算过程中可以有效防止这些信息被湮灭,以准确判断BATS 的数量。联机应用中,算法的启动条件设置为每次间隔启动一次,或者电网结构发生变化时起动一次。监护预警算法流程如图3 所示。

图3 监护预警算法流程图Fig.3 Flowchart of monitoring and early warning algorithm

以上通过引入实时性关联矩阵的原理,将实时性关联矩阵应用到智能电网监控预警算法设计中,利用智能电网监控预警算法流程,完成了智能电网监控预警算法设计。接下来,通过智能电网安全调度监护预警架构设计过程,实现智能电网安全调度的监护预警[11-12]。

1.3 监护预警架构

智能电网安全调度监护预警架构是在预警算法设计的基础上,基于多层用户接入及管理相关信息,构建智能电网安全调度监护预警架构专业软件测试平台。该平台不断提高智能电网安全调度监护预警架构的管理效率,从而很好地规范智能电网安全运行监护预警体系单元的软件管理与处理流程,为后期相应的操作与处理提供良好的接口。

智能电网安全调度监护预警功能结构模型如图4所示。在智能电网安全调度监护预警功能结构模型中,可以清晰地看出智能电网安全调度预警的主要功能。在此基础上,设计了智能电网安全调度监护预警步骤,如图5 所示。

图4 监护预警功能结构模型Fig.4 Function structure model of monitoring and early warning

图5 智能电网安全调度监护预警步骤Fig.5 Smart grid security dispatching monitoring and early warning steps

在智能电网安全调度监护预警架构设计过程中,智能电网安全调度监护预警架构采用了目前流行的多层次结构设计模式。操作系统使用专门的服务器端处理。本文设计的能电网安全调度监护预警架构如图6所示。

图6 智能电网安全调度监护预警架构图Fig.6 Smart grid security dispatching monitoring early warning architecture

综上所述,为解决智能电网安全调度监护预警数据的复杂性,从智能电网数据库中采集监护预警数据,再利用数据处理流程,完成监护预警数据的处理。在大数据态势感知的基础上,将实时性关联矩阵应用到智能电网监控预警算法设计中,完成了监护预警算法设计。最后,利用智能电网安全调度监护预警步骤,设计了智能电网安全调度监护预警架构,实现了智能电网安全调度的监护预警。

2 试验结果与分析

2.1 试验环境与参数设置

为了验证基于大数据态势感知的智能电网安全调度监护预警架构在实际应用中的性能,在WindowsXP操作系统、Tomcat5.5 服务器、Microsoft SQL2018 数据库、Eclipse 开发工具的仿真环境下进行对比试验。图7 为智能电网安全调度平台结构。

图7 智能电网安全调度平台结构图Fig.7 Structure of smart grid security scheduling platform

根据智能电网安全调度平台结构对电网安全调度进行监护预警,并设置试验参数:智能电网基波为48.5～49.5 Hz;指定试验基波频率为48.5 Hz;试验采样频率为1 500 Hz。

2.2 监护预警电压误差对比

2.2.1 采集监护预警电压数据

在验证智能电网安全调度监护预警电压误差时,将试验得到的监护预警电压数据与采集到的监护预警电压数据进行误差对比。电压数据采集结果如表2所示。

表1 试验参数Tab.1 Experimental parameters

表2 电压数据采集结果Tab.2 Voltage data acquisition results

2.2.2 监护预警电压误差结果

利用表1 设置的试验参数,将采集到的智能电网监护预警电压数据与基于大数据态势感知的智能电网安全调度监护预警架构、基于云计算的监护预警架构和基于神经元网络的监护预警架构测试得到的智能电网监护预警电压数据进行对比,得到了智能电网安全调度监护预警电压误差曲线,如图8 所示。

从图8 可以看出,基于云计算的监护预警架构和基于神经元网络的监护预警架构在智能电网安全调度过程中,监护预警的电压与采集到的电压之间存在较大误差。经计算:基于云计算的监护预警架构获得的监护预警误差与采集电压相比,监护预警误差为850 kV;基于神经元网络的监护预警架构获得的监护预警误差与采集电压相比,监护预警误差为-1 180 kV;而基于大数据态势感知的监护预警架构得到的电压误差总值为65 kV。因此可以得出,基于大数据态势感知的监护预警架构可以缩小监护预警的电压误差。

图8 智能电网安全调度监护预警电压误差曲线Fig.8 Voltage error curves of smart grid security dispatching and monitoring early warning

2.3 监护预警电流误差对比

2.3.1 采集监护预警电流数据

在验证智能电网安全调度监护预警电流误差时,将试验得到的监护预警电流数据与采集到的监护预警电流数据进行误差对比。电流数据采集结果如表3所示。

表3 电流数据采集结果Tab.3 Current data acquisition results

2.3.2 监护预警电流误差结果

利用表1 设置的试验参数,将采集到的智能电网监护预警电流数据与基于大数据态势感知的智能电网安全调度监护预警架构、基于云计算的监护预警架构和基于神经元网络的监护预警架构测试得到的智能电网监护预警电流数据进行对比,得到了智能电网安全调度监护预警电流误差曲线,如图9 所示。

图9 智能电网安全调度监护预警电流误差曲线Fig.9 Current error curves of smart grid security dispatching and monitoring early warning

从图9 可以看出,基于神经元网络的监护预警架构在实际应用中,得到的监护预警电流值非常不稳定,有时会出现正电流误差、有时会出现负电流误差,为现场工作人员的监护预警工作带来一定难度。相对来说,基于云计算的监护预警架构的监护预警电流误差比较稳定,但是误差值仍然很大,监护预警电流误差值为158 kA;而基于大数据态势感知的监护预警架构相比于其他两个监护预警架构,得到的监护预警电流值与采集到的电流值比较接近,整体误差仅有-2.6 kA。由此可知,基于大数据态势感知的监护预警架构可以缩小监护预警的电流误差。

综合以上试验结果可知,相比于基于神经元网络的监护预警架构和基于云计算的监护预警架构,基于大数据态势感知的监护预警架构无论在监护预警电压误差还是在监护预警电流误差方面,都可以缩小误差范围,从而提高了智能电网安全调度监护预警精度、确保了智能电网安全调度。

3 结论

针对传统智能电网安全调度监护预警架构存在的电网安全调度监护预警误差较大的问题,本文设计了基于大数据态势感知的智能电网安全调度监护预警架构。在大数据态势感知的基础上,通过数据库采集了智能电网安全调度监护预警数据,结合智能电网安全调度监护预警算法,实现了监护预警架构的设计。结果表明,基于大数据态势感知的监护预警架构可以缩小监护预警的误差,提高了智能电网安全调度监护预警精度,适合智能电网的实际应用。