基于SCADA數據的電網故障和異常智能分析的輔助決策系統

吳俊杰, 羅宇, 戴雯菊, 李一荻, 劉亮

(貴州電網有限責任公司貴陽供電局, 貴州, 貴陽 550000)

0 引言

在電網出現緊急事故時,需依靠調控人員解決問題,但當出現較多事故信號時,調控人員無法實時高效制定決策[1-2],既增加了調控人員工作量,也無法快速解決事故問題,還會擴大事故范圍[3-4]。因此,研究者們設計了輔助決策系統來幫助調控員制定智能化輔助決策。夏小琴等[5]設計了調度計劃輔助決策系統,通過線性加權法求解電網發生故障時,電網運行的綜合控制指標,利用啟發式方法結合綜合控制指標制定輔助決策,該系統可有效制定輔助決策。石正等[6]針對電網運行的安全問題,設計了電網資源調度輔助決策系統,利用關聯匹配方法采集電網調度資源,通過校核方法評估電網保護策略的規范性,根據評估結果制定電網資源調度的輔助決策策略,在直流閉鎖故障下,該系統可有效制定電網資源調度輔助決策。

以往研究方法的邏輯推理效果均較優,但容錯效果較差,無法得到完整的電網故障信息,降低了輔助決策制定的合理性,導致調控人員難以根據實際運行數據對調度操作、異常處置、故障處理中涉及的故障設備作出快速及時的判斷。SCADA系統擁有監測全網數據的功能,可從大量SCADA數據中挖掘有效故障表象信息[7],幫助調控人員作出正確的判斷。為此,本文設計基于SCADA數據的電網故障和異常智能分析的輔助決策系統,以有效制定輔助決策策略。

1 基于SCADA數據的電網故障和異常智能分析的輔助決策系統

以網絡通信規約方式采集SCADA數據,能夠縮減數據傳輸流程、減輕后臺監控負擔,但該方式會占用較多的網絡通信資源,導致系統通信堵塞;以監控系統方式采集SCADA數據,會擴展數據傳輸流程,影響數據傳輸精度,且其易受線程影響,僅在線程空閑時才能確保數據在規定時間內完成傳遞[8]。為此,為提升SCADA數據采集的安全性,利用電網綜自子系統,利用數據單向轉發接口,后臺轉發SCADA數據,并傳輸至輔助決策系統。以電網綜自子系統后臺采集SCADA數據為基礎,設計電網故障和異常分析的輔助決策系統,系統總體結構如圖1所示。

圖1 輔助決策系統總體結構圖

圖1中:電網綜自子系統利用數據單向轉發接口以后臺轉發形式采集電網的SCADA數據;無線通信模塊依據ZigBee技術傳遞采集的SCADA數據至數據庫;利用數據庫初步處理采集的SCADA數據,建立SCADA數據庫;業務邏輯層通過ArcGIS Engine組件技術實現輔助決策系統內各模塊間的數據交互,利用數據管理模塊管理數據庫內的數據,為應用層內各模塊分配所需數據,還具備權限管理、與日志管理功能;應用層中故障和異常診斷模塊以適配指標為目標函數,建立電網故障和異常診斷模型,利用帶自適應變異的粒子群優化算法求解該模型,獲取電網故障和異常診斷結果,通過輔助決策模塊智能分析故障和異常診斷結果,確定事故性質,制定電網故障和異常事故處理的輔助決策,提高電網故障與異常事故處理的效率與水平。

1.1 SCADA數據的無線傳輸模塊

利用ZigBee技術設計輔助決策系統的無線傳輸模塊。ZigBee網絡節點具備休眠功能,僅在需要傳輸SCADA數據時會啟動無線傳輸模塊,在傳輸SCADA數據時,可降低數據傳輸功耗。無線傳輸模塊的硬件結構如圖2所示。

圖2 無線傳輸模塊硬件結構圖

無線傳輸模塊的核心是CC2510芯片,該芯片內存在1個高性能的射頻收發器與1個高效的控制器,能夠提升SCADA數據的傳輸質量[9-10]。無線傳輸模塊利用MAX235控制電平轉換電路展開串口通信,完成SCADA數據的傳輸。CC2510芯片包含開關接口與模擬接口,能夠接收不同類型的SCADA數據。

1.2 電網故障和異常診斷模塊

電網故障和異常診斷模塊結構如圖3所示。

圖3 電網故障和異常診斷模塊結構圖

電網故障和異常診斷模塊依據專家知識與輔助決策人員的經驗,利用編碼器將文字轉換為代碼,存儲于知識庫內,為推理機提供服務。推理機接收經由事件API傳遞的電網故障和異常數據后,通過調用專家API獲取電網故障和異常信息存儲列表內的電網設備參數,利用綜合API將故障和異常電網設備參數與知識庫內的代碼傳遞至合作模塊,合作模塊接收電網故障和異常設備參數后,通過調用故障和異常診斷模型實現電網故障和異常診斷,并將診斷結果經由綜合API傳遞至人機界面,為調控人員提供幫助。

以電網內斷路器、繼電保護動作情況與假設故障為適配指標,并將其當成目標函數,建立電網故障和異常診斷模型,公式如下:

(1)

利用帶自適應變異的粒子群優化算法求解電網故障和異常診斷模型。通過定義群體適應度方差與粒子聚集距離,分析粒子群優化算法是否跳出局部最優,避免早熟收斂。令粒子群的規模是電網故障和異常范圍內元件數量,即粒子數量是n,將電網故障和異常診斷的目標函數作為粒子的適應度f,則粒子群的平均適應度是favg,適應度方差是σ2,計算公式如下:

(2)

其中,λ是歸一化系數,i∈n。

通過σ2呈現粒子群內全部粒子的收斂情況可以發現σ2與粒子群收斂程度呈反比。

粒子平均聚集距離的公式如下:

(3)

其中,D是粒子維數,即電網故障和異常范圍內元件的SCADA數據維度,d∈D,yld是粒子群當下尋找到的最佳位置,即全部元件狀態的最佳信息,xid是各粒子當先尋找到的最佳位置,即各元件狀態的最佳信息,l∈n,l≠i。

聚集程度閾值的公式如下:

(4)

其中,xmax是x的上限值。

在粒子的σ2接近0,同時M超過Z的情況下,說明粒子達到全局收斂。在粒子的σ2接近0,同時M低于Z的情況下,說明粒子未跳出局部最優,這時全局極值gbest為局部最佳解,若修正gbest,便可調整粒子的位置與速度,跳出局部最優,獲取全局最優解。

通過變異操作修正gbest,幫助粒子跳出局部最優,即在gbest內添加隨機擾動γ,令γ服從標準正態分布。gbest的修正公式如下:

gbest=(gbest+gbestγ)Q

(5)

其中,Q是變異概率,在σ2≈0、M

利用帶自適應變異的粒子群優化算法求解電網故障和異常診斷模型的具體步驟如下。

步驟1:令粒子位置xi代表電網故障和異常范圍內的元件狀態,初始化種群規模,即電網故障和異常范圍內元件數量n,初始化xi與粒子速度vi,設置最大迭代次數Tmax。

步驟2:令第i個粒子的個體極值pbest是這個粒子的當下位置,即第i個元件的當下狀態,令gbest是初始種群內最佳粒子的位置,即電網故障和異常范圍內最佳元件狀態。

步驟3:更新粒子的xi與vi,求解粒子i的fi,即電網故障和異常診斷的目標函數,若fi比gbest的適應度好,那么將gbest更新成當下位置。

步驟4:分析算法是否達到Tmax。如果達到Tmax,那么輸出gbest,即最佳的電網故障和異常范圍內元件狀態診斷結果,如果gbest是1說明該元件故障,如果gbest是0說明該元件正常;如果未達到Tmax,那么繼續步驟5。

步驟5:利用式(5)修正gbest獲取全局最優解,即最佳的電網故障和異常范圍內元件狀態診斷結果,結束算法。

1.3 電網故障和異常智能分析的輔助決策模塊

電網故障和異常智能分析的輔助決策模塊可為調控人員提供科學與智能化的輔助決策。輔助決策模塊能夠智能分析非故障停電區域,并提供最佳恢復供電策略,還能夠智能分析電網故障和異常診斷結果,并制定輔助策略,幫助調控人員迅速采取處理措施。輔助決策模塊結構如圖4所示。

圖4 輔助決策模塊結構圖

圖4中:輔助決策模塊接收電網故障和異常診斷結果后,利用故障和異常再現與缺陷分析單元在電網主接線圖界面中反演電網故障和異常事故;通過智能調度可視化單元令電網設備在圖上按順序閃爍,依次凸顯電網故障和異常事故;通過智能事故分析單元輸出事故分析報告,設計事故處理方案;通過人機界面呈現在線輔助決策處理結果,完成調控操作。

2 實驗分析

以某地區局部電網為實驗對象,該電網內共包含2個變電站V34與V35、26個元件,分別是變壓器D1～D2;母線Y1～Y7;線路L1～L12;28個斷路器C1～C28;104個保護,40個主保護動作D1m～D2m、Y1m～Y7m、L1Sm～L12Sm、L1Rm～L12Rm,64個后備保護D1p～D2p、L1Sp～L12Sp、L1Rp～L12Rp、L1Sz～L12Sz、L1Rz～L12Rz,S與R是線路首端與末端,m是主保護,p是后備保護,z是遠后備保護。該地區局部電網結構如圖5所示。

圖5 局部電網結構圖

利用本文系統采集該局部電網內的SCADA歷史數據,共2.5 G,以SCADA數據內的電網功率為例,綜合測試本文方法的指標為電網功率采集結果、載荷分布分析效果、電網故障和異常診斷結果、電網故障和異常原因智能分析結果。

本文系統SCADA數據采集測試結果如圖6所示。

(a) 實際電網功率

根據圖6可知,本文系統可有效采集電網的功率信息,與實際功率間差距較小,證明本文系統可精準采集電網的SCADA數據。

載荷分布代表每傳輸100次數據后網絡節點剩余能量的平均值。本文系統在不同通信輪次時的載荷分布分析結果如圖7所示。

圖7 載荷分布分析結果

根據圖7可知,通信輪次越多,本文系統傳輸數據過程中的平均剩余能量隨之下降。通信輪次較少時,平均剩余能量下降速度較慢,當通信輪次達到600次時平均剩余能量下降速度較快,當通信輪次達到1000次時平均剩余能量不再改變,最低平均剩余能量在0.35 J左右,明顯高于最低閾值。證明本文系統在傳輸數據時的平均剩余能量較高,即載荷分布效果較優,原因是本文系統的無線傳輸模塊設置了休眠功能,僅在需要傳輸數據時才會啟動,有效降低了系統的能耗。

利用本文系統依據采集的SCADA數據進行電網故障和異常診斷,診斷結果如表1所示。

表1 電網故障和異常診斷結果

根據表1可知,對于不同的電網故障和異常信息,本文系統均可有效診斷電網故障和異常情況,且診斷結果與實際故障和異常情況完全相同,精準度達到100%,證明本文系統可精準診斷電網故障和異常情況,原因是本文利用帶自適應變異的粒子群優化算法求解電網故障和異常診斷模型,提高了診斷的精準度。

當電網出現故障和異常時,本文系統可有效智能分析電網故障和異常原因,并根據智能分析結果制定輔助決策策略。本文系統的智能分析結果與輔助決策策略制定結果如圖8所示。

圖8 智能分析結果與輔助決策策略制定結果

根據圖8可知,本文系統可有效智能分析電網故障和異常原因,并根據故障和異常智能分析結果,制定合理的輔助決策,生成事故分析及決策報告呈現給調控人員,幫助調控人員及時完成電網故障和異常事故處理操作。例如:當診斷出變壓器D1=1時,利用故障和異常再現與缺陷分析單元分析出該變壓器為故障和異常狀態,后備保護D1p=0,說明該保護裝置需要動作而未動作,出現漏報,分析出故障原因為本體故障;在主接線圖界面中反演電網故障和異常事故,通過智能調度可視化單元依次凸顯電網故障和異常事故;通過智能事故分析單元制定輔助決策為隔離故障,并啟動故障處理流程,生成事故分析及決策報告,通過人機界面呈現給調控人員。將本文方法的智能分析結果與歷史數據庫中的實際故障原因和解決決策進行對比,發現內容一致,準確率為100%,說明本文系統可有效智能分析電網故障和異常事故,并制定合理的輔助決策。

3 總結

電網運行操作失誤或保護裝置與斷路器動作錯誤等因素均會導致電網出現較大面積的停電事故,需要快速診斷電網故障和異常事故,并制定事故處理輔助決策來降低電網停電損失,確保電網安全運行。因此,本文設計基于SCADA數據的電網故障和異常智能分析的輔助決策系統,能夠精準診斷電網故障和異常,制定合理的輔助決策,幫助調控人員完成電網事故處理操作。