新建变电站的监控信息验收系统研究

宫德锋 王振华 柴颖 张桂芹 郝福友

摘 要： 近年来，随着二级变电站新建需求的提升，如何对设备进行全面管理不仅对于变电站监视和规划目的特别有用，而且对于设备错误检测的测量也是特别有用的;同时通过监控信息可对负荷进行预测，可帮助电力公司作出关于电量采购的决策。短期负荷预测（Short Term Load Forecasting，STLF）要在从一小时到一周的范围内预测电力负荷，从而可判断变电站运行是否正常。为此提出了一种新的基于STLF的方法来解决新建变电站在验收过程中通过监控信息手段检测测量设备引入的增益和偏移误差，并通过实验验证了该方法可获取不同的增益和偏移误差。

关键词： 变电站; 设备错误检测; 短期负荷预测; 监控信息验收

中图分类号： TP393      文献标志码： A

Research on Monitoring Information Acceptance System of New Substations

GONG Defeng1， WANG Zhenhua1， CHAI Ying1， ZHANG Guiqin1， HAO Fuyou2

（1. State Grid Tai An power supply Co. Ltd.， Taian 271000; 2. Shandong AnXinYuan

Information Technology Co. Ltd.， Jinan 250100）

Abstract： In recent years， with the increase of new requirements for secondary substations， how to comprehensively manage equipment is not only useful for substation monitoring and planning purposes， but also for the measurement of equipment error detection. At the same time， the load can be monitored by monitoring information. Forecasting can help power companies make decisions about power purchases. Short term load forecasting （STLF） allows the power load to be predicted from one hour to one week to determine whether the substation is operating normally. In this paper， a new STLF-based method is proposed to solve the gain and offset error introduced by the monitoring equipment during the acceptance process of a new substation. The experimental results show that the method can obtain different gain and offset errors.

Key words： Substation; Equipment error detection; Short term load forecasting; Monitoring information acceptance

0 引言

在過去的几十年中，通信和信息技术的重大进步加速了电力系统中新的宽带通信技术的开发和引入，这一事实促进了一级和二级变电站的电力系统自动化，IEC 61850变电站自动化全球标准的制定推进了电子系统自动化的快速发展。

如今，电子仪器传感器（Electronic Instrumental Transducer，EIT）的发展以及通信和信息技术的重要性正逐渐被变电站自动化系统所接受。不同的EIT执行必要的电流和电压测量，用于控制和保护变电站运行，然而，这种方法带来的问题是可能会受到信号采集过程中错误测量的负面影响。另一方面，负载曲线以及电流消耗与其历史测量数据强烈相关，该结果取决于不同的变量，例如经济因素和环境数据等。

在本文中，通过使用负荷预测（Load Forecasting，LF）技术并将预测负荷与二级变电站中的测量设备的负荷预测负荷进行比较，可以估计不同的系统误差水平，即增益和偏移误差。本文所研究的工作主要包含两个方面：1）短期负荷预测;2）变电站运行错误的测量检测。国内外对于该方面的研究如下：变电站运行预测模型的研究已经应用于风电预测[1]及光伏发电预测[2]，负荷预测涉及根据有关系统状态的可用信息估算预测范围的未来电力负荷。在这方面，本文侧重于短期负荷预测（Short Team Load Forecasting，STLF），以估计从一小时到一周的负荷，文献[3]中提出一种新的基于修改学习算法的STLF神经网络方法，并经过比较有较好的预测结果;在文献[4]中，作者提出了基于三阶段结构的微电网STLF的解决方案，该结构由自组织映射（Self Organizing Map，SOM），通过k均值算法的聚类和多层感知器（Multilayer Perceptron，MLP）组成，通过向MLP提供了一组29个输入：其中24个输入代表前一天的每小时负荷;其中2个输入代表前一周中某一天的两个输入;其中2个输入代表前一天的两个输入，分别以正弦和余弦的形式输入;最后，还有一个输入表示第二天的总负载估算。从而获取对应于预测日（d）的估计负荷的总共24个输出。

在文献[5]中，提出了一种提前一天的负荷分布预测方法，通过采用人工神经网络（ANN），预测误差的平均绝对百分比在0.5%和16%之间降低。ANN的输入取决于实施的模型。对于变电站运行错误的检测，利用模式识别来实现错误的检测，为了在保护系统施加的时间限制内实现高模式识别精度，实现了径向基函数神经网络（RBFNN）和正交最小二乘（OLS）学习算法。为了提供一种检测特定二级变电站中EIT故障的方法，本文提出了一种基于STLF的测量误差检测的新方法，该方法极大地便于检测增益和偏移误差，从而允许执行二级变电站中的预防性维护。特别是，本文提出的系统可以有效地应用于新建变电站的监控信息验收过程中，通过将智能计量与网格自动化相结合，在EIT运行时，开发的系统允许检测错误;如果出现高于阈值的错误级别，则可以发出警报并将其发送到控制中心，然后，操作员可以进行用于验证错误范围的进一步测试。

1 系统架构及方法介绍

在本节中，对系统的通用总体架构进行了概述，如图1所示为基于短期负荷预测的系统测量误差检测系统架构图。信息来源主要源自不同的二级变电站的历史测量值，包含的测量参数（电气变量）为：有功和无功功率，电压和电流。但是，对于所研究的系统，仅考虑当前的历史测量，这是因为由于电流的相当大的可变性，用于电流测量的设备更容易出错[5-7]。

该测量过程分为两个步骤：负荷预测和误差估计。首先，通过数据推测出一天内各小时的负荷值;其次，一旦所考虑一天内的测量负载可用，则通过比较两个数据集（即，预测和测量的负载）来估计误差水平。

1.1 负荷预测

如前所述，负荷预测模型仅使用历史测量数据，其包括来自一组二级变电站的实际测量值。主要对以下值进行估算（即每小时估算的负荷情况）：

·前一天的24小时的负荷值（d-1）

·前一周24小时的负荷值（w-1）（d）

·当天前两周24小时得负荷值（w-2）（d）

因此，使用对应于每小时负载的总共72个样本。由于72个样本之间存在强相关性，因此可以使用主成分分析（Principal Component Analysis，PCA）程序来减少维数。该技术已成功应用于不同领域，如人脸识别，语音处理和超声波传感器等领域。PCA的基本原理是采用统计的概念，将一组原始变量线性转换为一组较小的不相关变量，这些变量代表了与多变量输入数据的最大方差。

PCA算法已在文献[8]中进行了描述。给定具有维度M×N的矩阵X，第一步包括从该行的每个元素中减去特定行中的元素的平均值;然后，获得来自前一矩阵的具有减法均值的协方差矩阵（N×N），并计算该矩阵的特征向量和特征值。具有最高特征值的特征向量表示主成分——k，并且需要确定主成分的数量。对应于主成分的特征向量集形成特征矩阵V，表示如式（1）所示：V=[λ1，λ2，…，λk]（N×k）

（1）  最后，通过将转置的特征矩阵与先前计算的转置的零均值矩阵相乘得到新的压缩矩阵Y，表示如式（2）所示：Y=[VT·T]（k×M）

（2）  PCA过程产生的主要组成部分是人工神经网络的输入以及代表星期几和一年中的月份的数据。 如图2所示为系统的功能图[9]。

如前所述，一组72维数据提供了预测过程的历史信息。由于输入之间的强相关性，该数据集可以用仅保留97%信息的几个最重要的组件来描述，即，所选择的主要组件的方差的97%。 在本文讨论的系统中，主成分的数量取决于输入数据是来自模拟器还是来自实际测量。

1.2 錯误测量

一旦执行了负荷预测并且可以获得当天（d）的新测量值，就可以开始针对不同EIT的误差测量检测过程，可分为两种不同的误差类型，即：偏移和增益误差。

偏移误差以系统的方式影响每个采集的样本，因此它们可以质疑二级变电站中测量的准确性，将百分比偏移误差与满量程进行比较，如图3所示为由偏移引起的负载测量偏差。

与偏移误差不同的是，增益误差是乘法的，并按比例影响所有的测量值，如图4所示为一个比较测量，预测和理想的负载在一段时间内的七天-10%的增益误差百分比。

2 模拟和实验结果

为了测试本文多提系统在新建变电站监控信息验收过程中的性能，使用了两种不同的数据集，即：来自模拟仿真过程的模拟数据集和来自二级变电站的实际数据。其中模拟数据集提供四种测量：有功和无功功率、电压和电流。本文以基于电流测量的方式实现运行负荷预测。

两个数据集都包含以不同频率采集的数据，但是它们以相同的方式进行分析，因为仅考虑每小时平均值。然后，将数据集分成三组：（i）训练子集（70%），用于训练ANN;（ii）验证子集（15%）用于确保网络泛化并在过度拟合之前停止训练;（iii）用于完全独立的网络泛化测试的测试子集（15%）。在数据集中过程中注入不同的偏移和增益误差值，然后对其进行检验，同样，训练时间取决于数据是模拟的还是真实的。这源于模拟数据更相关的事实，因此需要更少的主成分，实验基于MATLAB神经网络工具箱进行。

以下实验结果图描绘了从针对模拟数据测试所描述的系统获得的结果。如图5所示为两年期间（730天-17，520次测量）记录的所有测量值;如图6所示为第d天的24小时预报负荷和同一天的实际测量值，显然它们之间的误差可以忽略不计。

在图7和图8中，分别注入b偏移和增益测量误差，并且应用该系统来识别误差水平。 可以看出，成功检测到不同的增益误差值（-10%～0%）和偏移（0%～10%）。

3 总结

检测电子仪器传感器中的测量误差在二级变电站自动化中发挥重要作用。通过对EIT错误的发展降低变电站运营安全，同时对新建变电站的验收过程中提供数据支撑。本文提出了一种基于短期负荷预测（STLF）的测量误差检测方法，从EIT获得的历史测量值以及与日期和月份相关的数据是ANN的输入，目的是获得所考虑日期的预测测量值，然后比较实际和预测测量值，以便独立地检测偏移和增益误差水平。

参考文献

[1] Giorgi M G D， Campilongo S， Ficarella A， et al. Comparison Between Wind Power Prediction Models Based on Wavelet Decomposition with Least-Squares Support Vector Machine （LS-SVM） and Artificial Neural Network （ANN）[J]. Energies， 2014， 7（8）：5251-5272.

[2] De Giorgi M G， Congedo P M， Malvoni M. Photovoltaic power forecasting using statistical methods： impact of weather data[J]. Iet Science Measurement & Technology， 2014， 8（3）：90-97.

[3] Amjady， Keynia， Farshid. A New Neural Network Approach to Short Term Load Forecasting of Electrical Power Systems[J]. Energies， 2011（4）：488-503.

[4] Hernandez L， Baladrón C， Aguia J.M， et al. Short-Term Load Forecasting for Microgrids Based on Artificial Neural Networks[J]. Energies 2013（6）： 1385-1408.

[5] 張婷，吕晓平，石菊增，等.变电站监控信息验收规范化建设的探讨与研究[J].电子测试，2017（16）：120-121.

[6] 林昭.变电站监控信息流管控机制的构建[J].机电信息，2017（27）：147-148.

[7] 王磊，叶刚，隋石妍.仿真主站在智能变电站二次系统调试中的应用[J].电力科学与工程，2017，33（8）：43-47.

[8] Lim S T， Yap D F W， Manap N A. Medical image compression using block-based PCA algorithm[C]// International Conference on Computer， Communications， and Control Technology. IEEE， 2014：171-175.

[9] 韩振峰. 智能变电站监控系统调试验收方法的研究[D].济南：山东大学，2017.

（收稿日期： 2018.12.12）

基金项目：国网山东省电力公司科技项目资助

作者简介：宫德锋（1973-），男，泰安人，高级工程师，研究方向：电力系统及自动化。

王振华（1987-），男，泰安人，硕士研究生，中级工程师，主要研究方向：电力系统及自动化。

柴颖（1974-），女，泰安人，工程师，研究方向：电网调度运行与监控。

张桂芹（1978-），女，泰安人，工程师，研究方向：电力系统及自动化。

郝福友（1986-），男，济宁，工程师，研究方向：计算机科学与技术。文章编号：1007-757X（2020）02-0090-03