新能源场站电力二次系统安全预警方法研究

蒋亚坤,王彬筌

(云南电力调度控制中心,云南 昆明 660011)

0 引言

我国风电场建设已从初级发展到输送能量大幅增长的稳定阶段。传统的电网架构也逐渐被新能源场站取代[1]。新能源场站作为集合了变压器、变流器、风电机组、发电机组、无功调节设备以及太阳能电站的电网联络点,能够通过密集并网的方式接入电力二次系统[2],为系统输送能量。然而,目前国内外电力二次系统的网络安全形势不容乐观。除2018年3月印度电力公司遭受黑客攻击而导致大面积停电外,包括我国在内的其他国家也受到了类似“震网”病毒的全面攻击。这种病毒的攻击目标集中在电力二次系统的节点和线路。一旦病毒拦截不及时,电力二次系统的节点和线路会受到故障录波的干扰,从而给系统运行带来巨大压力。为了填补系统安全漏洞、推进我国风光电场建设发展,相关人员开展新能源场站电力二次系统安全预警技术研究。

胡谅平等[3]通过主客观权重相结合的方法,对合理表征不同故障因子的动态电网数据赋权,并将赋权结果映射至深度稀疏自编码器网络中。该方法利用网络约束电网故障场景,对赋权结果分类,以实现系统故障安全预警。马宁宁等[4]通过广域监测系统采集多模态下电网振荡频率,并将宽频电磁无法覆盖的振荡频率视为高频振荡频率、宽频电磁能够覆盖的振荡频率视为低频振荡频率。通过提取低频振荡频率,并将其输入由电网安全风险评估体系建立的预警模型中,可以实现系统安全预警。周毅等[5]通过机器学习的方法提取电网实时故障特征,并利用风险概率评估标准对故障特征进行超前量化预警,从而实现安全预警。

但是,新能源场站电力二次系统设备较多,其安全预警性相关数据相较于传统电力网络数据明显存在高维性、复杂性的特点,从而导致上述方法的安全预警性能较差。为了解决上述方法中存在的问题,本文提出新能源场站电力二次系统安全预警方法。该方法采用拉普拉斯映射方法,将新能源场站电力二次系统的电力数据从高维空间映射到低维子空间,从而降低数据维度。通过计算电力数据的行向量和对角权值,可以获得优化后的数据,为系统安全预警提供训练样本。同时,本文从波动程度、时间序列变化趋势和能量随机分布特点这三个方面提取电力数据安全预警特征,并将其输入K-means聚类算法中,从而实现安全预警。经过试验验证,所提方法具有较高的预警效率和预警精度。

1 电网运行数据采集

无线传感器网络是由传感器节点和多个信道共同组成的状态信息采集网络。该网络不仅能与电力二次系统相互融合,还能通过压缩感知技术采集电力二次系统的电网运行数据[6-7]。无线传感器网络的节点虽然不能自由移动,但邻域节点的传输距离和通信能力大幅降低了网络链路负载,使网络能够并行处理庞大数据,且不会由于信道衰落而出现采样频率下降或采样能耗增加等问题。这种特有的数据处理方式使无线传感器网络在多种电力相关领域都有实际应用价值。单位节点的能量消耗H的计算式如下。

(1)

本文将无线传感器网络与电力二次系统结合,采集电网运行过程中的海量电力数据。电力数据采集结果L的计算式如下。

(2)

电力二次系统电网运行数据具有时间跨度大、空间分布广等特点,在经过无线传感器网络采集后主要以高维形式存储在高维数据源空间中。为了在不破坏电力数据结构的前提下降低计算复杂度,必须在电力数据预警系统安全预警前优先采用拉普拉斯映射方法降低电力数据维数。拉普拉斯映射方法通过将高维数据源空间中的初始电力数据映射至低维子空间,并重新计算电力数据在x、y、z三个方向上的行向量和对角权值,以获取优化数据。拉普拉斯映射结果G的表达式如下。

(3)

高维数据源空间J的表达式如下。

(4)

低维子空间M的表达式如下。

(5)

式中:t为x轴行向量;s1为y轴行向量;s2为z轴行向量;r为高维数据源空间和低维子空间的接近度。

根据式(5)计算得到相应结果,由此完成电网运行数据降维采集。

2 电力二次系统安全预警方法

本文在采集电网运行数据的基础上,以电力数据为基础提取电力数据特征,并结合K-means聚类算法实现电力二次系统的安全预警。

预警流程如图1所示。

图1 预警流程图

电力数据是随时间变化的物理耦合数据,具有典型的波动性、趋势性和变动性。分别从波动程度、时间变化趋势和能量随机分布特点三个角度描述数据特征,可以凝练出一些与时间序列紧密相关的特征向量,为后续安全预警奠定基础。

①波动程度。

波动程度是一段时间内电力数据最大波峰与最小波峰的极差,用于表征电力数据离散化分布特征。波动程度Feature的计算式如下。

(6)

式中:m为离散系数;fi为电力数据波动范围;δ为时间序列的算术平均值。

②时间变化趋势。

时间变化趋势是电力数据在时间序列变化前后的中值差,用于表征电力数据的趋势特征。中值差B的计算式如下。

(7)

③能量随机分布特点。

能量随机分布特点是电力数据在时间序列变化前后的波形熵,用于表征电力数据的变动特征[8-9]。波形熵R的计算式如下。

(8)

式中:ω为时间序列的总长度,m;sk为随机误差。

K-means聚类算法通过聚类中心将散落且不相交的样本数据划分成高内聚、低耦合的簇族,使原本隶属于同一类的混叠数据在聚类中心的引导下修正隶属度,并重新归于一类。

本文将符合波动程度、时间变化趋势和能量随机分布特点的电力数据作为训练特征集合,结合K-means聚类算法确定特征聚类中心。聚类中心F的确定式如下。

F=|Δc′|×|Δv|cosη2(h)×R

(9)

式中:Δc′为离群点数量;Δv为训练特征集合;η2为特征密集度;h为理想类簇中心。

在成功确定聚类中心后,分布不均的电力数据特征开始向相应聚类中心靠拢。以波动程度、时间变化趋势和能量随机分布特点三个聚类中心为原点,最大近邻半径内的电力数据特征被归为一类[10]。最大近邻半径A的计算式如下。

(10)

式中:∂为聚类中心的平均距离,m;ds为极限负荷。

每类电力数据的波动程度、时间变化趋势和能量随机分布特点所反映的网损程度不同。如网损程度超越预警下限或预警上限,则其将被视为异常数据。一旦电力二次系统出现异常数据,系统会发出针对该网损的预警提示。

3 试验与结果

为了验证新能源场站电力二次系统安全预警方法的整体有效性,需要进行测试。本文随机选择某市新能源场站及场站内部电力二次系统作为验证预警性能的试验环境。

本文参考试验环境绘制电网节点、线路的拓扑结构。基于电力二次系统的区域电网如图2所示。

图2 基于电力二次系统的区域电网示意图

由图2可知,在电力二次系统实际运行过程中,各节点、线路的电压和载流量存在超越预警限制的可能。图2中标注出的节点(a、d、i、j)和线路(2、5、8、14)是越线可能性较高的点位。本文已知图2电网的线路载流量预警上限为5 000 A、预警下限为2 000 A;节点电压预警上限为1 100 V、预警下限为500 V。低于预警下限或高于预警上限都会造成电网容量过载及网损。

①预警效率。

本文分别采用所提方法、基于深度稀疏自编码网络和场景分类器的电网气象故障预警方法(文献[3]方法)和“双高”电力系统宽频振荡广域监测与预警系统(文献[4]方法),预警区域电网中节点、线路的电压和载流量。根据不同方法验证预警结果。本文利用上述三种方法分别判断区域电网中节点a、节点d、节点i、节点j发生网损的预警效率,以及区域电网中线路2、线路5、线路8、线路14在流量过载情况下的预警效率,以比较所得预警结果和实际结果。

不同节点的预警结果对比如图3所示。

图3 不同节点的预警结果对比

图3中:电压预警上限为1 100 V;电压预警下限为500 V;节点实际电压与所提方法曲线一致。

不同线路的预警结果对比如图4所示。图4中:载流量预警上限为5 000 A;载流量预警下限为2 000 A;线路实际载流量与所提方法曲线一致。

图4 不同线路的预警结果对比

由图3和图4可知,在预警限以内时,采用所提方法对各线路和节点的预警结果与实际结果均吻合。该结果说明所提方法能够准确预警各节点、线路的网损程度和过载容量。这是因为所提方法在预警电力二次系统的安全前优先降低电力数据维数,使获取的预警结果可信度更高。采用文献[3]方法和文献[4]方法对电力二次系统安全预警时,两者对各线路和节点的预警结果与实际结果均呈现整体偏离的趋势。这说明文献[3]方法和文献[4]方法既无法准确预警各节点、线路的网损程度或过载容量,也无法在第一时间预警电力二次系统故障。经上述对比可知,所提方法的预警效率明显较优。

②预警精度。

我国电网调度运行风险管理部门规定电力二次系统有四级预警。Ⅰ级预警用蓝色表示,指电网节点、线路供电停滞。Ⅱ级预警用黄色表示,指电网节点、线路存在供电缺口,局部负荷流失。Ⅲ级预警用橙色表示,指电网节点、线路电压过高、流量过载。Ⅳ级预警用红色表示,指网损面积达到区、县及以上。由于试验环境不存在Ⅳ级预警,因此可以忽略Ⅳ级预警。本文分别采用所提方法、文献[3]方法和文献[4]方法预警电力二次系统安全,并视不同方法的预警结果为预测值、实际预警等级为实际值。通过对比不同方法的预测值和实际值,判断不同方法对电力二次系统的预警精度。

不同方法的节点对比结果如表1所示。

表1 不同方法的节点对比结果

不同方法的线路对比结果如表2所示。

表2 不同方法的线路对比结果

根据表1和表2可知,所提方法获取的预警等级与实际预警等级重合度高,说明所提方法能够准确预测电力二次系统的预警等级,即所提方法的预警精度高。文献[3]方法和文献[4]方法获取的预警等级与实际预警等级重合度低,说明文献[3]方法和文献[4]方法无法准确预测电力二次系统的预警等级,即文献[3]方法和文献[4]方法的预警精度低。经上述对比可知,所提方法的预警精度相较于对比方法更优。

4 结论

现代电力技术推进智能电网发展,新能源场站也朝着信息化、数字化、智能化方向迈进。电力二次系统作为新能源场站的接入端,如出现异常将直接影响电网运行安全。因此,相关人员投入到新能源场站电力二次系统安全预警方法的研究中。本文首先降低新能源场站电力二次系统的电力数据维数,将初始电力数据映射至低维子空间;然后分别计算在x、y、z三个方向上电力数据的行向量和对角权值,以获取优化数据,为系统安全预警提供训练样本;最后,将提取的电力数据安全预警特征输入K-means聚类算法中,以确定特征聚类中心,实现新能源场站电力二次系统安全预警。试验结果表明,所提方法的预警效率和预警精度明显优于对比文献方法,具有较好的效果。