基于广域测量系统的多调度中心协同故障诊断方法

肖小刚，段刚，许君德，詹庆才，严耿，陈程，杨东，谢晓冬

（1. 国家电网公司 华中分部，湖北 武汉 430077；2. 北京四方继保自动化股份有限公司，

北京 海淀 100085）

广域测量系统（wide area measurement system，WAMS）近几年来在我国得到了高度重视和快速的发展。迄今为止，我国各省级以上电网均建设完成WAMS（或类WAMS）系统，安装了上千套相量测量单元（phasor measurement unit，PMU）装置，建成全球规模最大的电网运行动态监测系统群。WAMS正在成为各级调度部门进行电网动态过程监视和分析的必备工具，并成为智能电网调度技术支持系统的重要信息源[1-4]。

目前，我国基本形成了大电网互联的格局，大电网互联、大容量传输、远距离跨域，这一系列措施有效地缓解了我国能源供需不平衡的问题，实现了资源的优化配置，带来了巨大的经济和社会效益。但是，广域大电网的形成同时给电网的安全和稳定带来了新的问题和挑战[5]。大电网的发展可能造成故障影响范围的扩大，尤其是连锁反应故障可能导致大面积停电[6-7]或全系统的崩溃。因此，电力系统发生故障情况下，快速、准确的故障诊断对于防止大面积停电具有重大意义。

近些年来，国内外专家、学者已经在故障诊断领域进行了大量研究，也取得了相当的成效[8-9]，目前主要故障诊断方法有专家系统[10-11]，人工神经网络[12-13]，基于优化技术[14-15]的方法，以及考虑信息不确定性和不完备性的基于粗糙集[16-17]和模糊集[18]的方法等。

然而在工程应用中，都不可避免遇到一些实际问题：

1）数据源。在省级及以上的高等级调度中心里，常常存在保护开关动作信息上传不及时、时标不一致、信息缺失等问题，这样，很难给出准确的故障诊断结果。

2）故障信息的不确定性。继电保护装置、断路器本身具有拒动、误动问题，都存在一定的不正常动作概率；并且，由于开关触点的问题，SCADA在采集环节也存在错误概率。

3）知识组合爆炸。各种知识库、决策表等均存在组合爆炸问题，从而导致应用于实际电网时，难以获得完备的知识库或样本，从而直接影响故障诊断精度。

4）缺乏本质上的多调度中心协同分析。现有的多调度中心协同故障分析方法通常是借助电网模型的相互交流实现[19-20]的，例如各调度中心之间通过相互提供更详细的电网模型或等值网络，实现电网运行状态的全面分析。这种模型上的共享，就本质的故障分析来说，各调度中心实际上是独立分析的，因此严格来说还不能算是多调度中心协同故障分析。

为解决上述问题，本研究提出了一种基于WAMS的多调度中心协同故障诊断方法。在各调度中心主站对影响到自身电网的全局安全稳定事件和外网安全稳定事件进行及时诊断和定位，通过多调度中心的协同分析判断，分析出故障的起因、影响范围以及局部电网在整个电网事件中的作用，给出诊断结果。

本研究设计的多调度中心协同故障分析应用方法，主要基于实时量测的动态响应数据，这与以往调度中心主要基于稳态量测、依赖数学分析计算进行故障分析有很大不同。本文分析了调度中心间实时交换故障诊断结果的格式、方式与协同判别逻辑，帮助调度中心有效识别调度管辖范围外电网故障的影响，大大提高了广域电网扰动的识别准确性与定位的准确性。目前，未见有本研究提出的基于动态数据的多调度中心协同故障分析应用报道。

1 协同故障诊断分析系统体系结构

本文介绍的多调度中心协同故障诊断分析系统，基于智能电网调度技术支持系统一体化设计平台，利用基础平台提供的技术支撑与接口规范，深化故障诊断的研究，提高故障识别与定位的准确性，在国、网、省三层调度体系上基于动态数据进行协同故障分析。电网协同故障分析的功能框架如图1所示。

图1 电网协同故障分析功能框架Fig. 1 Function frame of the cooperative fault analysis in power grid

实现WAMS主站系统数据互联互通是实现全国性的协调防御体系的先决条件。它可充分发挥WAMS数据同步测量和广域高速通信集成的优点，有利于扩大调度运行部门对电网动态过程的监测，从全局范围内了解电网动态特性；有利于快速收集电网事故数据，缩短事故分析的时间，为全国性的安全稳定协调防御体系提供全局动态数据支持。

协同故障分析功能包括以下几个部分：

1）数据互联互通机制。利用基础平台提供的上下级系统间的一体化运行和模型、数据、画面的源端维护与系统共享，通过调度数据网实现调度中心与调度中心之间数据采集和交换的可靠运行。

2）本地在线故障诊断。各个调度中心本地进行在线故障检测，并将检测结果分类（包括线路短路、机组跳闸、直流闭锁、大扰动故障检测）保存在商用库对应的告警表中。

3）协同联合分析。上级调度中心本地检测出扰动时，会主动召唤各下级调度中心的相应类型告警，并接收下级调度中心的故障检测结果，按照对应的告警类型归类保存至数据库中；经过综合分析后，得出最终的诊断结果。

4）事件输出及故障数据调阅。上级调度中心对故障事件的全局分析结果进行分发，下级调度中心收到后保存至本地数据库中。各级调度中心可根据最后的协同告警事件，查询本地或远方调度中心的历史数据，绘制历史曲线，形成故障报告。

2 数据互联互通机制

2.1 跨区域数据整合机制

跨区域数据整合机制将各调度中心的PMU动态数据测点归并关联到本地动态测点模型，形成一个完整的全网PMU动态测点关联模型结构，供各应用功能使用，如图2所示。

图2 跨区域数据整合示意图Fig. 2 Trans-regional data integration schematic diagram

2.2 下级与上级或外部电网调度中心协作进行故障分析机制

协同故障分析要求各电网调度中心的监测与应用工具对电网故障识别与分析基于统一的系统模型、采用统一的判据与尺度、利用同步数据进行实时监测与分析，计算得到具备可比性的故障分析结果。主要包括对各电网调度中心的故障监视应用设定统一的判据和计算门限值，并对分析结果的内容提出统一格式，让其输出的故障分析结果具备可比性。

2.3 各调度中心数据互联共享机制

智能电网调度技术支持系统基础平台已经实现了实时数据库的跨调度中心访问，具备远程浏览实时数据库和监视界面的功能；同时还提供以下服务：

1）提供远程服务代理用于跨调度中心进行信息交换。

2）提供实时库远程访问接口用于跨调度中心访问实时数据库。

3）提供商用库远程访问接口用于跨调度中心访问商用库记录。

4）提供时间序列历史库远程访问接口用于跨调度中心访问动态数据的历史记录。

5）提供时间序列实时库远程访问接口用于跨调度中心访问动态数据的实时记录。

本文基于以上的远程访问服务和接口，设计跨调度中心的故障诊断结果的收集、协同分析与结果分发机制。

3 本地在线故障诊断

WAMS本地在线故障诊断模块主要包括线路短路、机组跳闸、直流闭锁、大扰动故障检测四部分功能，图3为扰动识别告警逻辑框图。

图3 扰动识别告警逻辑框图Fig. 3 Logic diagram of the disturbance identification and alarm

整体的处理逻辑分为以下几个步骤实现：

1）初始化待检测设备的基本参数和判据参数。

2）读取WAMS时间序列实时库数据，准备好用于检测计算的检测窗口数据。

3）调用相应的算法逻辑库，开始计算。

4）将告警结果通过基础平台写入对应商用库的对应表空间中；同时，将告警结果通过消息总线接口转发给基础平台的综合告警模块，推送到调度台。

3.1 线路短路检测

在调度中心基于广域测量系统的实时动态相量数据进行在线短路扰动识别，在线告知调度员短路的具体位置、相别、时间、重合闸类型以及成功与否，帮助调度员及时了解电网中开关动作的原因以及电网中的故障状态，从而辅助调度员做出正确的安全稳定控制决策。

3.2 机组跳闸检测

机组跳闸检测根据PMU量测的机组有功功率，监视机组停机情况，发出告警，使得控制中心的调度人员实现对发电机组非正常停机进行的识别，从而可以采取合理的电网控制措施，及时恢复停机机组的运行。

3.3 直流闭锁检测

直流闭锁检测根据PMU量测的动态数据，实现对直流闭锁的快速识别，并发出告警信息。通过对直流闭锁过程中功率动态变化特点的捕捉，实现控制中心调度人员对直流闭锁的及时识别，为及时采取相应的系统控制措施争取时间。

3.4 大扰动检测

大扰动故障定位根据PMU量测的动态数据，在故障元件没有被PMU直接测量，以及发生连续故障和操作的情况下，实现故障过程中电压、频率和功率变化的分布图功能，辅助判别发生扰动的元件或者扰动发生的大致过程和范围。

实时检测各节点电压和频率以及支路的有功功率，当发生下列情况时，认为发生大扰动，并进行故障大致定位。

1）任一节点电压变化超过设定门槛，则绘制节点电压变化分布图，标注出电压变化最大点。

2）任一节点频率变化超过设定门槛，则绘制频率变化分布图，标注出频率变化最大点。

3）任一支路有功功率变化设定门槛，则绘制线路有功变化分布图，标注出线路功率变化最大的点。

4 协同故障分析

网调与省调的智能电网调度技术支持系统的监视区域范围不同、监视电压等级不同。当某一元件（线路）发生故障时，综合网省调度中心智能调度支持系统局部分析结果，形成网调对该事件的全局分析结果并进行分发，有助于网、省调度部门准确定位故障事件的影响范围和危害，避免因局部调度中心采集数据量有限导致对故障事件的错误判断。

通过告警事件和对应历史数据的查询，网调和省调能够协同判断故障发生的区域和影响范围，统一数据分析。

如图4所示，为协同分析的逻辑框图。

在各网省调度中心均布置本地实时故障诊断功能，以检测所辖区域内的故障事件。

图4 协同分析逻辑框图Fig. 4 Logic diagram of the cooperative analysis

网调在检测到发生大的扰动事件时，通过平台的数据互联互通机制，向各省调度中心召唤相应时刻前后发生的故障事件。

各省调协同分析模块在收到网调下发的召唤命令后，将本地对应时段内的扰动信息分类，按统一的格式上送网调。

网调将各省调发来的扰动信息收集到故障汇总池中，按短路、机组切机等扰动信息分类，并按时间先后顺序排序。

故障分析模块综合分析故障汇总池内的原始分析结果，将具有明确、详细分析结果的信息识别出来，给出诊断结果，比如网调检测到大扰动事件，省调检测到机组跳闸事件，则经分析最终给出省调机组跳闸的分析结果；而对没有更明确信息的情况，比如网调、省调都只有大扰动的告警信息，则按照扰动量的大小全网排序，给出相对细致的诊断结果。

图5 各联络节点电压幅值变化曲线Fig. 5 Voltage amplitude curve diagram of all connected nodes

最后，将诊断结果分发给各省调度中心，各省调将结果保存到本地数据库中。

5 协同分析实例

以2013年雅安4.20地震220 kV全雅2线短路事件为例，介绍系统分析的整个过程。

华中网调本地故障检测模块于2013年4月20日8时03分02秒检测到川渝地区发生电网扰动事件，各个联络线断面的电压曲线如图5所示。坐标图中横坐标代表时间，单位为时:分:秒.毫秒，纵坐标代表线路电压值，单位kV。

由本地大扰动检测模块得到的检测结果如图6所示。

由于华中网调已有的量测信息无法定位具体的故障类型及故障设备，只能定位在川渝地区，因此，网调协同分析模块向所辖的四川、重庆、湖北、河南、江西各省调召唤对应时刻前后发生的电网扰动事件。

各省调协同分析模块在收到网调下发的召唤命令后，将本地对应时段内的扰动信息按照短路、机组切机、直流闭锁等类型分类，按统一的格式上送网调。

网调协同分析模块将收集到的各省调的扰动事件汇总，按故障事件发生的时间排序，按具体的故障类型分别搜索，最终得出四川省调雅安站全雅2线发生C相短路故障的结果。

如图7所示，通过远程调阅四川省调的历史数据，得到全雅2线C相短路的故障曲线。

最后，网调协同分析模块将最终的分析结果分发给各个省调并保存。

图6 大扰动故障定位结果Fig. 6 Result of big disturbance fault location

图7 短路故障曲线Fig. 7 Short-circuit fault curve

6 结语

本文介绍的基于WAMS的多调度中心协同故障诊断方法，解决了工程实际应用中遇到的数据源、故障信息的不确定性、知识组合爆炸以及缺乏本质上的多调度中心协同分析的问题，目前已在国家电网公司、华中电网公司、华北电网公司等大型电网调度中心推广使用，取得了很好的经济效益和社会效益。

该诊断方法自现场投运以来，运行稳定可靠，为调度运行人员准确把握电网运行状态，及时分析电网故障提供了强有力支持，在保障大电网的安全稳定经济运行和各级调度协同运作方面发挥了重要作用。

[1] 国家电力调度通信中心. 电力系统实时动态监测系统技术规范（试行）[S]. 2004.

[2] 杨魁. 智能电网的技术发展及应用[J]. 西北水电，2011（1）: 62-63.YANG Kui. The technology development and application of smart power grids[J]. Northwest Water Power，2011（1）:62-63（in Chinese）.

[3] 黄国强. 智能电网关键技术的分析与探讨[J]. 陕西电力，2009（11）: 44-47.HUANG Guoqiang. Analysis and discussion on key technologies of smart grid[J]. Shaanxi Electric Power，2009（11）: 44-47（in Chinese）.

[4] 靳希，吴文辉，吴世敏，等. 基于PMU的广域测量技术及其应用[J]. 电网与清洁能源，2010，26（10）: 10-13.JIN Xi，WU Wenhui，WU Shimin，et al. Wide area measurement technology based on PMU and its applications[J].Advances of Power System & Hydroelectric Engineering，2010，26（10）: 10-13（in Chinese）.

[5] 李鹏，刘成斌，姜涛，等. 智能电网下的电网安全性与稳定性[J]. 电网与清洁能源，2013，29（10）: 33-37，42.LI Peng，LIU Chengbin，JIANG Tao，et al. Power system security and stability in smart grid[J]. Advances of Power System & Hydroelectric Engineering. 2013，29（10）: 33-37，42（in Chinese）.

[6] 薛禹胜. 综合防御由偶然故障演化为电力灾难——北美“8·14”大停电的警示[J].电力系统自动化，2003，27（18）:1-5.XUE Yusheng.The way from a simple contingency to systemwide disaster-lessons from the eastern interconnection blackout in 2003[J]. Automation of Electric Power Systems，2003，27（18）: 1-5（in Chinese）.

[7] 邵雅宁，焦银凯，高光. 面向电力系统扰动过程的动态特征研究[J]. 陕西电力，2013（2）: 10-13.SHAO Yaning，JIAO Yinkai，GAO Guang. Grid disturbances-oriented study on dynamic characteristics of power system[J]. Shaanxi Electric Power，2013（2）: 10-13（in Chinese）.

[8] 田新良，程汉湘. 电网故障诊断新方法的研究[J]. 陕西电力，2008，36（12）: 48-51.TIAN Xinliang，CHENG Hanxiang. Research on new method of power grid faulty diagnosis[J]. Shaanxi Electric Power，2008，36（12）: 48-51（in Chinese）.

[9] 严凤，郭增为. 10 kV配电线路综合故障定位方法研究[J]. 电网与清洁能源，2010（7）: 43-47.YAN Feng，GUO Zengwei. Composite methods of fault location for 10 kV distribution lines[J]. Advances of Power System & Hydroelectric Engineering，2010（7）: 43-47（in Chinese）.

[10] 刘青松，夏道止. 基于正反向推理的电力系统故障诊断专家系统[J]. 电网技术，2003，23（9）.LIU Qingsong，XIA Daozhi. Expert system of power system fault diagnosis based on forward and backward reasoning[J]. Power System Technology，2003，23（9）（in Chinese）.

[11] YOUNG M P，KIM G W，SOHN J M. A logic based expert system（LBES）for fault diagnosis of power system[J]. IEEE Trans on Power Systems，1997，12（1）: 363-369.

[12] 何耀华，韩守木，程尚模. 基于多神经网络协同推理的故障诊断系统的研制[J]. 中国电机工程学报，1999，19（12）: 57-60，65.HE Yaohua，HAN Shoumu，CHENG Shangmo. Development of fault diagnosis system based on multi-neuralnetwork jointed inference[J]. Chinese Society for Electrical Engineering Proceedings of The CSEE，1999，19（12）: 57-60，65（in Chinese）.

[13] GHENDY CARDOSO JR.，JACQUELINE GISELE ROLIM，HANS HELMUT ZUM. Application of neural-network modules to electric power system fault section estimation.IEEE Transactions on Power Delivery，2004，19（3）:1034-1041.

[14] 刘立峰. 基于遗传神经网络和证据理论融合的水电机组振动故障诊断研究[J]. 西北水电，2006（4）: 73-76.LIU Lifeng. Fault diagnosis of the vibration of turbogenerator units based on GA neural network and evidence theory fusion[J]. Northwest Hydro Power，2006（4）: 73-76（in Chinese）.

[15] 文福栓，韩祯祥. 基于遗传算法和模拟退火算法的电力系统故障诊断[J]. 中国电机工程学报，1994，14（3）: 29-35.WEN Fushuan，HAN Zhenxiang. Fault section estimation in power systems using genetic algorithm and simulated annealing[J]. Proceedings of the CSEE，1994，14（3）: 29-35（in Chinese）.

[16] 束洪春，孙向飞，于继来. 粗糙集理论在电力系统中的应用[J]. 电力系统自动化，2004，28（3）: 90-95.SHU Hongchun，SUN Xiangfei，YU Jilai. A survey on the application of rough set theory in power systems[J]. Automation of Electric Power Systems，2004，28（3）: 90-95（in Chinese）.

[17] 韩绪鹏，李道霖，戴迪.基于粗糙集和神经网络的电力系统操作点状态评估[J].电网与清洁能源，2012（1）:16-21.HAN Xupeng，LI Daolin，DAI Di. Power system operating point state assessment based on rough set and neural network[J]. Advances of Power System & Hydroelectric Engineering，2012（1）: 16-21（in Chinese）.

[18] HYUN-JOON CHO. An expert system for fault section diagnosis of power system using fuzzy relations[J]. IEEE Transactions on Power Systems，1997，12（1）: 342-348.

[19] 赵伟，白晓民，丁剑，等. 基于协同式专家系统及多智能体技术的电网故障诊断方法[J]. 中国电机工程学报，2006（20）: 1-8.ZHAO Wei，BAI Xiaomin，DING Jian，et al. A new fault diagnosis approach of power grid based on cooperative expert system and multi-agent technology[J]. Proceedings of The Chinese Society for Electrical Engineering，2006（20）: 1-8（in Chinese）.

[20] 朱旭凯，刘文颖，杨以涵. 基于协同学思想的电网连锁反应故障预防模型[J]. 电网技术，2007（23）: 62-67.ZHU Xukai，LIU Wenying，YANG Yihan. A precautionary model of power grid cascading failure based on synergetic theory[J]. Power System Technology，2007（23）: 62-67（in Chinese）.