基于大数据背景的电力调度数据智能估计技术研究

原野， 田园， 黄祖源， 保富， 闵侯

(1.云南电网有限责任公司信息中心，云南 昆明 650500； 2.云南云电同方科技有限公司，云南 昆明 650500)

0 引 言

随着当前电力行业的飞速发展，社会各项经济活动对于智能化电网提出了越来越高的要求[1]。电力系统的数据处理能力较先前有了显著的提高，不但数据采样精度得到了提高，且数据的采集量也有了显著提高[2]。这些数据对于电力调度实时状态的预估，以及电网运行的安全性、可靠性与稳定性起到了至关重要的作用[3]。因此，数据的质量显得十分的重要。由于外部干扰及其他多方面的因素影响，电力系统状态数据在传输过程中无法避免会出现错误，这对智能电网进行实时的电力调度状态预估以及安全稳定运行造成不利的影响[4]。因此需要根据电力系统的实时状态对电力系统的状态数据进行有效的检测与辨识[5]。

1 错误数据检测与辨识

目前对于错误数据进行检测与辨识的主要是基于状态估计策略实现。基于独立存在的单一数据切面的状态估计对于多个存在关联关系的错误数据的辨识大概率会出现残差污染和残差淹没，从而导致错误数据的误检和漏检。基于电力调度大数据背景的数据挖掘技术，其状态智能估计技术能够实现对错误数据的快速自主定位，完全能够达到当前电力调度所需的在线实时性要求[6]。

国内国际上对于从多种方向对电力系统大数据进行了深入的研究。电力系统大数据技术的研究重点主要涉及到如下几个方面，即大数据的传输、大数据的存储以及大数据的分布式计算技术等。为了解决传统方式的错误数据检测与辨识精度及效率较低的问题，借助于信息技术。本文的研究重点是基于电力调度大数据及转移潮流策略的电力调度智能估计技术[7]。该技术以连续的切面数据为出发点，以此构建潮流转移数学模型，对电力系统拓扑结构发生的变化与设备量测变化之间的关联关系进行深入研究，分析的边界条件主要包括转移潮流条件、节点功率平衡条件和变电站状态估计等；对多种类型的量测和错误数据的组合同时出现时，错误数据的精准定位进行深入分析；对适用于多切面历史数据下基于数据挖掘技术的量测数据辨识模型进行搭建方法及错误数据的辨识策略的研究。

2 转移潮流策略

电力系统的大数据大致可以分为以下三种类型：首先是电力系统运行的状态数据以及各种测量设备检测到的数据；其次是电力企业的营销数据，如工业电价、民用电价、商业电价、售电量和用电客户信息等；最后是电力企业的内部管理数据[8]。SCADA系统是智能化电网的重要组成部分，SCADA数据是电力系统运行和设备检测的关键指标，它的数据质量对电力系统的实时数据运算和电力系统运行状态的监控起着十分重要的作用。因此采用电力调度智能估计技术对于SCADA数据进行实时在线分析具有很重要的意义[9]。

SCADA数据会依据特定的规律实时刷新，时间轴上相邻的两个时刻的切面数据的差值能够有效反映出这个时间段之内电力系统网络状态发生变化的信息，即能够反映出注入功率的变化情况和电力系统网络拓扑结构发生重构所引发的支路转移潮流分布，这些信息中也包含了错误量测信息。这就对前一时刻电力系统状态估计结果的精确性提出了更高的要求，即在进行前一时刻电力系统状态估计的时候，电力系统拓扑结构的错误和其他数据的错误已经能够被正确地辨识出来，在实际运用过程中，经过专业技术人员维护过的状态估计基本上能够满足要求[10]。能够基本上反映电力系统实际运行状态的状态估计被称为基态，其与当前时刻切面数据进行比较就能够得出转移潮流的分布情况。

(1)

T(t-1)定义为：

T(t-1)=YL[A(t-1)]TX(t-1)

(2)

式中：YL为电路的拓扑结构矩阵表达式;A(t-1)为t-1时刻电路的电流矩阵表达式;X(t-1)为t-1时刻电路的阻抗矩阵表达式。假定基态情况下电力网络拓扑明确并且网络拓扑正确，则T(t-1)是确定量。

(3)

T(t)定义为：

T(t)=YL(A(t))TX(t)

(4)

式中：A(t)为t时刻电路的电流矩阵表达式;X(t)为t时刻电路的阻抗矩阵表达式。

式(3)减去式(1)，可以得到：

(5)

3 电力调度智能估计原理

(1) 采用智能状态估计技术对基态数据切面和当前时刻数据切面实现对转移潮流分布情况的分析，首先对当前时刻数据切面质量不满足要求的几个区域进行准确的定位。

(2) 对进行准确定位的几个区域依次进行母线功率平衡分析。

(3) 倘若对某区域的状态进行分析，得出母线功率处于平衡状态的结论后，则跳过该区域对下个区域进行母线功率平衡分析。如果得到母线处于不平衡状态的信息，则进一步深入分析每个元件的功率平衡状态，具体包括线路变压器的功率平衡性分析、线路首尾段的功率平衡性分析、双回线路的功率差异性分析以及主变压器的有功功率平衡性分析等。

(4) 对变压器的分接头状态进行检查，确认具体的类型以及所配置的档位是否正确。

(5) 假设全部设备均处于功率平衡状态，区域内的多个数据遥测点均无异常，则对母线侧断路器的合闸状态进行检查。对并联实现无功补偿功能的电容器和电抗器的投切状态进行检查，并检查相关隔离开关和断路器的遥信位置变化情况。

4 实证分析

选取某地区的电力系统为例，研究基于电力大数据技术的状态智能估计技术，区域电力系统的接线如图1所示。

图1 某地区电力系统拓扑简图

某时段内对该地区的电力系统实时状态进行有效监控，发现该时段内的两个时刻系统监测到电力系统出现异常情况，算法自主对异常状态进行实时分析，得到结果如下。

1)时刻1电力系统异常状态分析

时刻1时，A区域的系统状态评估指标由100%(满值)下降到89%，系统定位A区域的500 kV母线处于不平衡状态，不平衡功率达到了384 MW。基于此对该母线线路变压器的功率平衡状态进行分析，发现A区域的2号主变压器三组绕组不平衡功率达到了380 MW，由此将问题定位到错误量测。将此时刻高压侧有功功率值与历史记录数据进行比对，参考实时系统绕组曲线差值为380 MW左右，有效地对问题定位进行了验证。A区域的历史数据与当前切面数据对比结果如表1所示。

表1 A区域500 kV母线潮流分布情况对比

母线功率处于不平衡状态，一般情况下是由于线路变压器处于不平衡状态引起的。对线路变压器平衡状态进行深入分析即可实现具体问题的有效定位。变压器绕组功率平衡状态分析如表2所示。

表2 变压器绕组功率平衡

2) 时刻2电力系统异常状态分析

时刻2时，B区域的系统状态评估指标由100%(满值)下降到72%，系统对母线线路变压器进行功率平衡分析均没有发现存在功率不平衡现象，表明此时的遥测数据不存在问题。此时对该区域的电力系统的拓扑结构进行分析，如图2所示。

图2 B区域电力系统拓扑结构

由该区域的电力系统拓扑分析可知，该区域1号机组在拓扑结构上是一个电力孤岛。深入对多个断路器的遥信变位情况进行分析，发现编号为801的断路器遥信信号存在异常，出现遥信变位。问题时刻的切面801号断路器遥信信号处于分断状态，导致1号机组及该区域的3A出线端计算潮流计算值为零，与实际的潮流分布情况存在巨大差异，从而定位出是断路器的遥信信号存在变位现象。基于大数据的多个断路器的遥信信号，如表3所示。

表3 B区域断路器遥信信号

通过上述实例分析，基于大数据背景的电力调度数据智能估计技术能够实时、高效、精准地定位电力系统运行过程中的遥信和遥测状态跳变，为电力系统技术人员提供了便捷高效的解决方案。

5 结束语

基于大数据背景及潮流转移策略的电力调度数据智能估计技术，能够有效实现对电力系统SCADA数据的实时错误辨识，从根本上解决了先前手工核验量测数据处理数据量大、处理效率低和人力成本高的问题，为电力技术人员提供了简单实用的工具。经实例验证，该策略能够实现对电网遥信、遥测状态跳变的有效辨识和精准定位，便于电力技术人员发现解决实时问题，大大提高了SCADA的错误数据量测检查能力。