電力系統(tǒng)運行狀態(tài)的趨勢辨識

王　濤　張　尚　顧雪平　賈京華

（1. 華北電力大學(xué)電氣與電子工程學(xué)院　保定　071003

2. 河北電力調(diào)度通信中心　石家莊　050021）

電力系統(tǒng)運行狀態(tài)的趨勢辨識

王濤1張尚1顧雪平1賈京華2

（1. 華北電力大學(xué)電氣與電子工程學(xué)院保定071003

2. 河北電力調(diào)度通信中心石家莊050021）

實時監(jiān)測電力系統(tǒng)運行狀態(tài)的變化趨勢對預(yù)防大停電事故具有重要意義。依據(jù)系統(tǒng)運行的實時監(jiān)測信息，提出一種電力系統(tǒng)運行狀態(tài)的趨勢辨識模型。該模型兼顧系統(tǒng)運行點距狀態(tài)邊界的距離及運行狀態(tài)趨勢變化的方向和速率。通過模糊層次分析法對電網(wǎng)運行狀態(tài)進行綜合評價，并依據(jù)綜合評價值進行系統(tǒng)運行狀態(tài)的定性趨勢分析，實現(xiàn)電網(wǎng)運行狀態(tài)的綜合趨勢辨識。仿真結(jié)果表明，提出的方法能夠有效辨識系統(tǒng)運行狀態(tài)的變化趨勢，可用于系統(tǒng)運行狀態(tài)的智能監(jiān)測與評估。

電力系統(tǒng)定性趨勢分析模糊層次分析趨勢辨識

0　引言

隨著電力系統(tǒng)的規(guī)模及容量逐漸增大，相應(yīng)的配套安全措施日益完善，但也使得電網(wǎng)的復(fù)雜程度不斷增加，局部故障甚至可能引發(fā)大范圍的停電事故，對社會造成巨大的影響[1-3]。因此，對系統(tǒng)運行狀態(tài)進行實時監(jiān)測和準(zhǔn)確合理地評估系統(tǒng)的健康狀態(tài)對電力系統(tǒng)的安全運行具有重大的現(xiàn)實意義。

眾多專家學(xué)者在系統(tǒng)運行狀態(tài)評價領(lǐng)域取得了顯著成果[4-8]。從宏觀上建立了較為完備的評估指標(biāo)體系，通過采用多級模糊綜合評估法[4]、事故樹多因素分析方法[6]和模糊綜合評價法[7,8]等，對電網(wǎng)的運行狀態(tài)進行整體評估。這些研究工作針對當(dāng)前運行點或追蹤一系列運行點來進行安全評估，在評估指標(biāo)的完善、權(quán)重的求取方法以及綜合評價方法的改進上取得了許多成果。文獻[9]考慮到電力系統(tǒng)運行模式的特征指標(biāo)具有綜合性，建立了基于運行模式的態(tài)勢分析模型。文獻[10-12]將電壓態(tài)勢等級分為六個顏色等級，從線路、負荷、電壓和環(huán)境四個方面建立了電壓態(tài)勢等級評估指標(biāo)的層次結(jié)構(gòu)模型，對電壓態(tài)勢預(yù)警等級進行綜合評估。文獻[13]提出了基于戴維南等值參數(shù)和潮流解算的緊急態(tài)勢分析方法，通過計算危機相關(guān)量來輸出相應(yīng)的電網(wǎng)態(tài)勢預(yù)警信息。文獻[9-13]研究了某個時間斷面下的系統(tǒng)運行狀態(tài)。“態(tài)勢”反映了運行點距狀態(tài)邊界的距離，因此可對應(yīng)得到系統(tǒng)運行狀態(tài)的嚴(yán)重度等級，同時運行管理人員可通過監(jiān)控態(tài)勢指標(biāo)，人工分析得到系統(tǒng)運行狀態(tài)的變化。

電力系統(tǒng)是不斷變化的系統(tǒng)，要對系統(tǒng)運行狀態(tài)進行評估，除考慮當(dāng)前安全狀態(tài)的優(yōu)劣，還應(yīng)同時兼顧其發(fā)展變化趨勢。現(xiàn)有系統(tǒng)狀態(tài)評估指標(biāo)能在一定程度上反應(yīng)系統(tǒng)的健康水平，因此辨識這些指標(biāo)的變化趨勢就可反映系統(tǒng)健康水平的發(fā)展趨勢，進而實現(xiàn)系統(tǒng)運行狀態(tài)的智能化監(jiān)測與預(yù)警，確定系統(tǒng)健康水平，最終不再依賴人工分析。這樣既可自動辨識不同時刻下電力系統(tǒng)健康水平，又可自動辨識系統(tǒng)健康水平的趨勢變化，即系統(tǒng)運行究竟是在變“好”還是變“差”。

本文提出電力系統(tǒng)運行狀態(tài)的趨勢辨識概念，該趨勢辨識兼顧運行點距狀態(tài)邊界的距離和系統(tǒng)運行狀態(tài)的變化趨勢兩方面，依據(jù)電網(wǎng)運行觀測量，建立基于定性趨勢分析技術(shù)的綜合趨勢辨識模型，辨識整個系統(tǒng)的當(dāng)前運行點距“不安全狀態(tài)”邊界的距離、系統(tǒng)運行狀態(tài)的趨勢及其變化速率，從而可用于實時監(jiān)測系統(tǒng)的運行狀況發(fā)展趨勢，并對評價系統(tǒng)健康狀況提供決策信息。

1　運行狀態(tài)趨勢辨識的基本概念

假設(shè)系統(tǒng)在時刻t1、t2、t3和t4的運行點分別位于圖1中所示的A點、B點、C點和D點。可看出，在這四個時刻下系統(tǒng)的運行狀態(tài)均為“安全狀態(tài)”。A點與B點對比可知，雖然均處于安全水平，但B點距“不安全狀態(tài)”邊界比A點更近，說明B點對應(yīng)的系統(tǒng)運行狀態(tài)要比A點差。然而，評價此刻系統(tǒng)的健康狀況，不能僅僅依靠距離不安全域的遠近這一指標(biāo)，還應(yīng)考慮系統(tǒng)運行狀態(tài)發(fā)展趨勢的方向和速率。由A、C兩點對比可得，雖然它們與“不安全狀態(tài)”邊界之間的距離相同，但系統(tǒng)狀態(tài)發(fā)展的趨勢方向不同，C點的趨勢是向“不安全狀態(tài)”逼近，而A點是遠離，A點對應(yīng)的系統(tǒng)狀態(tài)比C好；C、D兩點同處于一個安全距離，且運行點的趨勢方向都是趨向“不安全狀態(tài)”，但C點趨勢的發(fā)展速率比D點大，比D更快地向“不安全狀態(tài)”移動，對應(yīng)的系統(tǒng)狀態(tài)比D差。

圖1　系統(tǒng)運行狀態(tài)示意圖Fig.1　Illustration of operating state

由上述分析可知，系統(tǒng)運行狀態(tài)的評估結(jié)果應(yīng)包含三個因素：系統(tǒng)當(dāng)前運行點距“不安全狀態(tài)”邊界的絕對距離，系統(tǒng)運行狀態(tài)的趨勢方向以及移動速率。本文首先通過系統(tǒng)運行中的眾多狀態(tài)監(jiān)測量，辨識系統(tǒng)運行點距不安全狀態(tài)的絕對距離，即綜合評價值，然后通過對其進行趨勢分析來辨識系統(tǒng)運行狀態(tài)的趨勢。

2　定性趨勢分析

定性趨勢分析是一種數(shù)據(jù)驅(qū)動的半定量分析技術(shù)，其基本思想是從定量過程數(shù)據(jù)中提取定性信息，并用符號語言加以表示[14,15]。近年來，定性趨勢分析技術(shù)得到了迅速發(fā)展，已成功應(yīng)用于過程狀態(tài)監(jiān)測、數(shù)據(jù)壓縮、故障檢測和診斷等領(lǐng)域。定性趨勢分析包括兩個基本步驟：趨勢提取和趨勢識別。

2.1趨勢提取

2.1.1趨勢提取原理

設(shè)觀測量為一時間序列函數(shù)y( t)，為獲取y( t)的變化趨勢，可采用多項式函數(shù)擬合數(shù)據(jù)，并根據(jù)擬合后獲得的多項式函數(shù)的系數(shù)獲取信號的變化趨勢，然后再把這種變化趨勢轉(zhuǎn)換成語義表示形式。總可用一定次數(shù)的多項式函數(shù)在任意準(zhǔn)確度上對y( t)進行逼近，但在逼近光滑性要求一定時，用多個k次多項式對y( t)進行分段逼近要比用一個k次多項式直接對y( t)進行逼近的準(zhǔn)確度高。因此，為提高逼近的準(zhǔn)確度，需要使用一定的分割算法對數(shù)據(jù)進行分段。另外，考慮逼近時選用的多項式函數(shù)的次數(shù)越高，計算的復(fù)雜度越大，為滿足在線趨勢分析的需要，這里基于最小二乘法采用線性函數(shù)對y( t)進行分段擬合。

設(shè)分段后的某個片段數(shù)據(jù)的線性擬合函數(shù)為

式中，t0為時間區(qū)間的起點；y0為時刻t0對應(yīng)的數(shù)值；p為斜率，反應(yīng)觀測量的變化趨勢，p＞0表示觀測量在該時間區(qū)間整體趨勢是上升，p＜0表示觀測量在該時間區(qū)間整體趨勢是下降，p=0表示觀測量在該時間區(qū)間整體趨勢保持不變。

假設(shè)現(xiàn)已計算出t1時刻對應(yīng)的線性近似值的特征t01、y01和p1，則k（k=1,2,3,…）個采樣時間以后，由式（1）模型外推可得，在t1+kΔ t時刻（Δt為步長）有

從而可得測量值與外推模型計算值的誤差為

對式（3）進行積分，可用于檢驗擬合曲線是否仍可被接受，以減少求取逼近參數(shù)的次數(shù)，保證算法的快速[16]。從t1時刻開始按式（4）計算差分的累積和。

若累積和的絕對值超出預(yù)先確定的閾值，則當(dāng)前建立的線性瞬時模型是不可接受的，需要等待新的數(shù)據(jù)，并重新計算新的線性逼近函數(shù)。

由以上分析可得趨勢提取的步驟：

（1）設(shè)定初始滑動時間窗的寬度為m。

（2）等待觀測量數(shù)據(jù)到達。

（3）若數(shù)據(jù)數(shù)目達到m，則對這m個數(shù)據(jù)，用最小二乘法進行逼近。

（4）用逼近后的線性函數(shù)，擬合后續(xù)到達數(shù)據(jù)，并計算累積和。

（5）若累積和未達到閾值，即|Cusum（t1+kΔ t）|＜ε，則擴大窗口寬度，繼續(xù)擬合后續(xù)到達數(shù)據(jù)。否則停止擬合，置累積和為0，并轉(zhuǎn)步驟（2）。

（6）若剩余數(shù)據(jù)個數(shù)小于m，則直接對剩余數(shù)據(jù)進行最小二乘法逼近。所有數(shù)據(jù)擬合完畢后結(jié)束。

2.1.2累積和閾值的分級設(shè)定

累積和Cusum反映了外推模型計算值和真實值之間的積累誤差，如果積累誤差超出閾值ε，就要重新估計一個線性模型。顯然，閾值的選取直接影響模型的準(zhǔn)確度和結(jié)果的準(zhǔn)確度。若采用固定的累積和閾值，對趨勢數(shù)據(jù)波動較小的數(shù)據(jù)到達閾值所需時間較長，趨勢提取的計算復(fù)雜度低；但對于數(shù)據(jù)波動較大的趨勢信息則會很快到達閾值，此時需要重新擬合一個線性函數(shù)，造成計算復(fù)雜度的增加。因此，本文采用分級設(shè)定閾值的策略：對于變化相對穩(wěn)定的數(shù)據(jù)片段，設(shè)定的閾值較小；對于變化較快的數(shù)據(jù)片段，設(shè)定的閾值較大。這種分級設(shè)定閾值的策略可使閾值能夠針對不同的情況動態(tài)調(diào)整其敏感度，從而降低趨勢提取的計算復(fù)雜度，以適應(yīng)在線趨勢提取的需要。

2.2趨勢識別

2.2.1趨勢基元與趨勢形狀的定義

假設(shè)趨勢提取后得到n個片段，每個片段，考察其斜率p。p的大小決定趨勢基元的類型，p=0對應(yīng)基元A不變，p＞0對應(yīng)基元B上升，p＜0對應(yīng)基元C下降，如圖2所示。

圖2　趨勢基元Fig.2　Trend elements

趨勢基元表示的信息過于簡單，有時不能準(zhǔn)確反映觀測量的變化趨勢，因此還需定義更加精細的變化趨勢表示，本文將上述三個基元組合形成13種趨勢形狀，如圖3所示。

2.2.2趨勢識別與趨勢合并

趨勢識別是依據(jù)圖4所示的決策樹，將相鄰片段的斜率Pi與Pi+1兩兩對比，識別不同趨勢形狀的過程。首先計算得到首片段的趨勢，然后對后續(xù)的n-1個片段，將相鄰片段的斜率Pi與Pi+1兩兩對比，并查詢圖4的決策樹，即可將觀測量信息識別為上述13種趨勢形狀組合的趨勢變化序列。

趨勢識別后還需進行趨勢合并。趨勢合并可將彼此形狀相同的片段依據(jù)一定的規(guī)則組合成更長的趨勢形狀。例如：If：前一片段是直線上升and下一個片段是直線上升，Then：合并后的趨勢片段是直線上升。If：前一片段是加速下降and下一個片段是加速下降，Then：合并后的片段是加速下降。經(jīng)趨勢識別和趨勢合并后，最終的趨勢識別結(jié)果可被合并為序列T，并賦以自然語言的特征表述，以更加直觀地反映趨勢形狀特征。

圖3　趨勢形狀Fig.3　Trend shapes

圖4　趨勢形狀識別的決策樹Fig.4　Decision tree of trend shapes identification

3　電力系統(tǒng)運行狀態(tài)綜合評價及趨勢辨識

3.1電力系統(tǒng)運行狀態(tài)綜合評價模型

采用模糊層次分析法對電力系統(tǒng)的運行狀態(tài)進行綜合評價，建立電力系統(tǒng)運行狀態(tài)評價的遞階層次模型，如圖5所示。設(shè)定運行狀態(tài)評價為總目標(biāo)層，準(zhǔn)則層由容量、功角、電壓和負荷四方面組成，指標(biāo)層由系統(tǒng)平均負載率、潮流熵[17]等13個指標(biāo)構(gòu)成。

3.2基于模糊層次分析法的運行狀態(tài)綜合評價

基于模糊層次分析法的系統(tǒng)運行狀態(tài)評價包括以下步驟：

圖5　電力系統(tǒng)運行狀態(tài)綜合評價的遞階層次模型Fig.5　Hierarchy model for comprehensive evaluation of operating state

（1）根據(jù)系統(tǒng)運行狀態(tài)監(jiān)測信息計算遞階層次模型中指標(biāo)層的指標(biāo)，并對這些指標(biāo)進行標(biāo)準(zhǔn)化處理。

（2）對同一層次的各元素關(guān)于上一層次中的某一準(zhǔn)則的重要性進行兩兩比較，構(gòu)造模糊判斷矩陣。

（3）由判斷矩陣計算被比較元素對于該準(zhǔn)則的相對權(quán)重。

（4）計算各層元素對系統(tǒng)總目標(biāo)的組合權(quán)重，并進行綜合評價。

3.2.1指標(biāo)的標(biāo)準(zhǔn)化過程

目前研究中常用的屬性類型有效益型、成本型、固定型、偏離型和偏離區(qū)間型[18]。其中，效益型是標(biāo)值越大越好，成本型指標(biāo)值越小越好。則可將上述13個指標(biāo)按屬性類型分為效益型和成本型指標(biāo)，其中，效益型指標(biāo)有x11和x12，成本型指標(biāo)有x21、x22、x31、x32、x33、x34、x35、x36、x41、x42和x43。這些指標(biāo)的標(biāo)準(zhǔn)化方法如下。

對于效益型指標(biāo)xij，其標(biāo)準(zhǔn)化值為

對于成本型指標(biāo)xij，其標(biāo)準(zhǔn)化值為

另外，若某成本型指標(biāo)xij=0，則令其標(biāo)準(zhǔn)化的結(jié)果rij=1，其余成本型指標(biāo)再按式（6）計算。上述標(biāo)準(zhǔn)化過程使得每類屬性度量出來的指標(biāo)值嚴(yán)格從0到1變化，0表示最差的狀態(tài)，1表示最好的狀態(tài)。

表1　定性評價語與梯形模糊數(shù)對應(yīng)Tab.1　Corresponding chart of qualitative evaluation and trapezium fuzzy numbers

3.2.2模糊互補判斷矩陣及一致性檢驗

用梯形模糊數(shù)（a, b, c, d）表示由決策者給出的模糊比較判斷比值，由此構(gòu)造模糊互補判斷矩陣。依據(jù)表1，將專家經(jīng)過對相關(guān)因素進行兩兩比較后給出的定性評價語轉(zhuǎn)化為梯形模糊數(shù)[19]。

求出梯形模糊數(shù)互補判斷矩陣的核矩陣，再通過計算核矩陣的一致性指標(biāo)值，對梯形模糊數(shù)互補判斷矩陣進行一致性檢驗[19]。

判斷矩陣的一致性指標(biāo)為

設(shè)一致性指標(biāo)的閾值為ερ，當(dāng)ρ＜ερ時，認為判斷矩陣的一致性是可接受的；反之，當(dāng)ρ≥ερ時，應(yīng)該對判斷矩陣作適當(dāng)修正，以保證一定程度的一致性。一般取ερ=0.2[19]。

若M位專家給出的判斷矩陣均滿足或經(jīng)過修正后滿足一致性，可證明[19]綜合各專家偏好信息得到的判斷矩陣也滿足一致性。綜合結(jié)果為

3.2.3權(quán)重的計算

對滿足一致性的判斷矩陣，計算模糊評價值及期望，歸一化處理后得到各層間的權(quán)重。

計算各屬性的模糊評價值

計算各屬性的模糊評價值的期望。假設(shè)決策者是風(fēng)險中立的，得

對式（11）進行歸一化，即可得各屬性的權(quán)重

3.2.4綜合評價

計算系統(tǒng)在當(dāng)前時刻下對應(yīng)的指標(biāo)值并進行標(biāo)準(zhǔn)化處理，得到矩陣Z。設(shè)準(zhǔn)則層各因素間的權(quán)重為WA，指標(biāo)層各因素間的權(quán)重為WB，則綜合評價值為F′=ZWBWA，F(xiàn)′∈［0,1］。其中，0對應(yīng)不安全狀態(tài)邊界，1對應(yīng)安全狀態(tài)邊界，F(xiàn)′越接近1表示系統(tǒng)的運行狀態(tài)越好。為符合正常的邏輯習(xí)慣，在結(jié)果顯示時，取綜合評價值F=1-F′表示距離指標(biāo)，F(xiàn)越接近1，表示系統(tǒng)的運行狀態(tài)越差。

3.3基于定性趨勢分析的運行狀態(tài)趨勢辨識

由于趨勢變化方向是定性指標(biāo)，無法用數(shù)值大小來度量，故采用定性趨勢分析技術(shù)進行方向辨識，其過程如圖6所示。

圖6　基于定性趨勢分析的趨勢辨識構(gòu)架Fig.6　The QTA-based framework for identification of trends

在線趨勢辨識時，首先依據(jù)系統(tǒng)運行的在線數(shù)據(jù)計算特征指標(biāo)并得到綜合評價值，然后對綜合評價值進行定性趨勢分析，得到一組趨勢序列。然后等待新的數(shù)據(jù)，如此往復(fù)。趨勢序列反映了系統(tǒng)運行狀態(tài)的趨勢方向，可借由實時監(jiān)控系統(tǒng)向調(diào)度員發(fā)出對應(yīng)的報警信息。

由前文可知，系統(tǒng)運行狀態(tài)的評估結(jié)果應(yīng)包含三個因素：絕對距離、趨勢方向以及移動速率。本文取系統(tǒng)綜合評價值的大小及變化速率作為絕對距離及速率的度量值。系統(tǒng)運行的趨勢發(fā)展方向則由本文上述方法計算得到。由此，本文設(shè)計電力系統(tǒng)運行狀態(tài)趨勢辨識的結(jié)果為：圖中各運行點的縱坐標(biāo)位置由該時刻的系統(tǒng)運行綜合評價值決定，體現(xiàn)該時段系統(tǒng)運行狀態(tài)距離安全邊界的距離，0對應(yīng)安全狀態(tài)邊界，1對應(yīng)不安全狀態(tài)邊界，距離越接近于0表示系統(tǒng)的運行狀態(tài)越好；方向指標(biāo)表示為各點上、下的線段，將反映上升趨勢的趨勢形狀B、D、E、I和L表示成向上的線段，將反映下降趨勢的趨勢形狀C、F、G、H和M表示成向下的線段。向下的線段代表有向安全狀態(tài)發(fā)展的趨勢，向上的線段代表有向不安全狀態(tài)發(fā)展的趨勢。若方向指標(biāo)辨識結(jié)果為A、J或K這種“不變”的趨勢，則在圖中不顯示。線段的長度由綜合評價值的變化速率決定，以表征趨勢發(fā)展的速率。

4　算例研究

4.1算例1

按照前述模型和算法，對新英格蘭39節(jié)點系統(tǒng)進行N-1事故前后的趨勢辨識，并分析對應(yīng)結(jié)果。

新英格蘭39節(jié)點系統(tǒng)由10臺發(fā)電機、39條母線和46條線路組成，其中39號母線上的發(fā)電機是一個外網(wǎng)等值機，其單線結(jié)構(gòu)如圖7所示。

圖7　新英格蘭39節(jié)點系統(tǒng)Fig.7　New England 39-bus system

初始狀態(tài)t=0時刻系統(tǒng)平均負載率為0.395，從初始狀態(tài)起以1%遞增負荷水平，每個負荷水平下隨機設(shè)置發(fā)電機的出力。在t=8至t=13時段系統(tǒng)負荷水平保持不變。t=14時刻發(fā)生N-1事故，線路2-3斷開。綜合評價值F的變化情況及其趨勢提取結(jié)果如圖8所示。經(jīng)趨勢識別與合并得綜合評價值的趨勢序列T為BDEABE，相應(yīng)的趨勢預(yù)警信息見表2。累積和閾值的分級設(shè)定見表3。

圖8　新英格蘭39節(jié)點系統(tǒng)綜合評價值趨勢提取結(jié)果Fig.8　Extracted trends of integrated judgment for New England test system

表2　新英格蘭39節(jié)點系統(tǒng)趨勢辨識的預(yù)警結(jié)果Tab.2　Alert level of identification for New England test system

表3　綜合評價值閾值的分級設(shè)定Tab.3　Setting of grading threshold of F

系統(tǒng)運行狀態(tài)的趨勢辨識結(jié)果如圖9所示。由圖9可見，隨著負荷水平的緩慢升高，系統(tǒng)運行狀態(tài)的綜合評價值也不斷增大。此時系統(tǒng)運行點有逐漸向不安全狀態(tài)運行的趨勢。借助趨勢辨識結(jié)果，實時監(jiān)控系統(tǒng)分別在t=2、t=5和t=6時刻發(fā)出警告信息，提醒系統(tǒng)管理人員需提高警惕。在t=8至t=13時段系統(tǒng)狀態(tài)保持不變。t=14時刻系統(tǒng)線路2-3斷開，該時刻系統(tǒng)的綜合評價值比t=13時刻的值有明顯增大，表明系統(tǒng)向更加危險邊界靠近，系統(tǒng)健康狀態(tài)變差，趨勢辨識結(jié)果的速度分量反映了此時的系統(tǒng)健康狀況在急速變差，其程度遠比增大負荷水平帶來的后果嚴(yán)重。可見，本文方法能夠識別電網(wǎng)故障下的系統(tǒng)健康狀況急速惡化趨勢。

圖9　新英格蘭39節(jié)點系統(tǒng)運行狀態(tài)趨勢辨識結(jié)果Fig.9　The results of identification for New England test system

4.2算例2

為進一步驗證本文方法的有效性，按照上述電力系統(tǒng)運行狀態(tài)的趨勢辨識模型，對河北南網(wǎng)實際系統(tǒng)進行趨勢辨識，得到了該電網(wǎng)的運行狀態(tài)監(jiān)測結(jié)果。

首先依據(jù)河北南網(wǎng)2012年9月23日00∶00～23∶55的實時數(shù)據(jù)檢驗本文所提出的趨勢辨識方法。河北南網(wǎng)負荷水平、平均負載率和潮流熵的變化情況分別如圖10和圖11所示。

圖10　河北南網(wǎng)系統(tǒng)負荷水平與平均負載率Fig.10　Load levels and average loading rates for the southern power system of Hebei

圖11　河北南網(wǎng)系統(tǒng)潮流熵Fig.11　Power flow entropies for the southern power system of Hebei

圖12　河北南網(wǎng)系統(tǒng)綜合評價值趨勢提取結(jié)果Fig.12　Extracted trends of integrated judgment for the southern power system of Hebei

綜合評價值F的變化情況如圖12中實線所示。取綜合評價值的初始時間窗寬度為10。考慮電網(wǎng)指標(biāo)波動的實際情況，分級設(shè)定了累積和閾值，見表4。

表4　綜合評價值閾值的分級設(shè)定Tab.4　Setting of grading threshold of F

依據(jù)上文方法對系統(tǒng)綜合評價值進行趨勢提取，趨勢結(jié)果由圖12中虛線給出，再經(jīng)趨勢識別與合并得綜合評價值的趨勢序列T為CGFGIDEDEHIEHIHFGF，相應(yīng)的趨勢預(yù)警信息見表5。由圖12可知，本文提出的趨勢提取方法可較好地識別綜合評價值的趨勢變化。

表5　河北南網(wǎng)趨勢辨識的預(yù)警結(jié)果Tab.5　Alert level of identification for the southern Hebei power system

觀察實驗數(shù)據(jù)并結(jié)合圖10和圖11可得：電網(wǎng)負荷水平增大時，系統(tǒng)負荷分布更加不均勻。本身負載相對較重的線路，其負載率較系統(tǒng)負荷水平增加地更多。例如：500kV線路中負載率最大的潞辛線在系統(tǒng)低負荷水平時負載率約為32%，當(dāng)系統(tǒng)進入高負荷水平時負載率上升到約48%，而同時系統(tǒng)平均負荷率僅從約11%上升到約15%，分析系統(tǒng)中其他主干線路如保霸線、廉北線、北清線、廉集線、忻石線和彭廉線等負載率的變化也具有上述規(guī)律。以上趨勢分析結(jié)果表明，河北南網(wǎng)系統(tǒng)在負荷水平升高時系統(tǒng)健康狀況有變差的趨勢。

河北南網(wǎng)系統(tǒng)運行狀態(tài)的趨勢辨識結(jié)果如圖13所示。圖中各運行點上、下的線段長度能夠明顯反映該時間片段內(nèi)系統(tǒng)運行狀態(tài)的發(fā)展趨勢。由圖13可知，河北南網(wǎng)系統(tǒng)健康水平較好，只是在系統(tǒng)高負荷水平時需調(diào)度員提高注意力監(jiān)控系統(tǒng)的運行。對照圖10分析，這是因為河北南網(wǎng)系統(tǒng)全天的平均負載率都維持在較低水平，系統(tǒng)運行點距離危險邊界較遠，僅在09∶50～11∶25、13∶50～15∶00和17∶30～18∶45三個時間段系統(tǒng)負荷水平不斷增加，系統(tǒng)運行點有向危險邊界加速移動的趨勢，但考慮到系統(tǒng)綜合評價值仍較小，因此雖然此時系統(tǒng)運行趨勢在變差，但綜合評價系統(tǒng)的健康狀態(tài)仍屬于健康。

圖13　河北南網(wǎng)系統(tǒng)運行狀態(tài)趨勢辨識結(jié)果Fig.13　The results of identification for the southern power system of Hebei

將趨勢辨識結(jié)果與系統(tǒng)實際情況結(jié)合分析。在00∶00～06∶05時間段內(nèi)，趨勢變化雖有波動，但電網(wǎng)整體運行仍處于較高的健康水平，尤其是在03∶20～4∶45間處于最為安全的狀態(tài)，此時系統(tǒng)平均負載率很低，幾乎沒有波動。在04∶45～6∶05間，隨著負荷開始逐漸增大，系統(tǒng)雖仍處于安全運行狀態(tài)，但相對之前有變差的趨勢。從06∶05～11∶20，系統(tǒng)平均負載率加速上升，這意味著該時段迎來了一波用電高峰，于11∶25時刻渡過峰值，以上趨勢辨識結(jié)果提醒調(diào)度員在后續(xù)時段特別注意系統(tǒng)的運行監(jiān)控。時段11∶25～12∶35對應(yīng)的趨勢指標(biāo)表明系統(tǒng)健康狀態(tài)正迅速趨向變好。13∶50～16∶30系統(tǒng)迎來下午的一個小用電高峰。16∶30～17∶30系統(tǒng)運行點離危險邊界的距離經(jīng)歷了先遠后近的過程，表明系統(tǒng)健康狀態(tài)先變好后變差。此后系統(tǒng)平均負載率不斷上升進入晚用電高峰，持續(xù)時間為17∶30～20∶10，此時段系統(tǒng)平均負荷水平先上升然后緩慢下降，主干線路的負載率是先快速上升而后緩慢下降，系統(tǒng)健康狀態(tài)先是有變差的趨勢而后逐步改善。晚高峰后，伴隨用電量持續(xù)降低，從20∶10之后系統(tǒng)又再次進入更為安全的狀態(tài)。上述的運行狀態(tài)辨識結(jié)果表明，該模型可正確反映系統(tǒng)運行的健康狀況和發(fā)展趨勢。可見本文提出的趨勢辨識模型能有效識別電網(wǎng)運行的變化趨勢，給調(diào)度員直觀呈現(xiàn)系統(tǒng)運行及其發(fā)展趨勢的決策信息。

5　結(jié)論

本文將定性趨勢分析技術(shù)引入電力系統(tǒng)運行趨勢的智能監(jiān)測領(lǐng)域，給出一個將趨勢辨識應(yīng)用在評估系統(tǒng)健康狀況和預(yù)防大停電事故中的可行方法。選取電網(wǎng)觀測量作為系統(tǒng)運行狀態(tài)的特征指標(biāo)，由模糊層次分析法得到電網(wǎng)當(dāng)前運行狀態(tài)的綜合評價值，建立基于定性趨勢分析技術(shù)的電力系統(tǒng)運行狀態(tài)趨勢辨識模型。仿真結(jié)果表明，該模型可從大量的在線數(shù)據(jù)中提取系統(tǒng)運行狀態(tài)的趨勢序列，使用多指標(biāo)綜合趨勢辨識方法辨識系統(tǒng)運行的趨勢變化和健康狀況。該方法計算復(fù)雜度低，能直觀、有效地對系統(tǒng)運行狀態(tài)進行趨勢監(jiān)測和預(yù)警。提出的趨勢辨識方法可用于系統(tǒng)整體安全趨勢的監(jiān)測及大停電事故的預(yù)防。

[1] 周孝信, 鄭健超, 沈國榮, 等. 從美加?xùn)|北部電網(wǎng)大面積停電事故中吸取教訓(xùn)[J]. 電網(wǎng)技術(shù), 2003, 27(9): 1.

Zhou Xiaoxin, Zheng Jianchao, Shen Guorong, et al. Lessons of large scale blackouts in interconnected north America power grid［J］. Power System Technology，2003, 27(9): 1.

[2] 陳小平, 顧雪平. 基于遺傳模擬退火算法的負荷恢復(fù)計劃制定[J]. 電工技術(shù)學(xué)報, 2009, 24(1): 171-175, 182.

Chen Xiaoping, Gu Xueping. Determination of the load restoration plans based on genetic simulated annealing algorithms[J]. Transactions of China Electrotechnical Society, 2009, 24(1): 171-175, 182.

[3] 陳曉剛, 孫可, 曹一家. 基于復(fù)雜網(wǎng)絡(luò)理論的大電網(wǎng)結(jié)構(gòu)脆弱性分析[J]. 電工技術(shù)學(xué)報, 2007, 22(10): 138-144.

Chen Xiaogang, Sun Ke, Cao Yijia. Structural vulnerability analysis of large power grid based on complex network theory[J]. Transactions of China Electrotechnical Society, 2007, 22(10): 138-144.

[4] 肖輝耀, 姚建剛, 章建, 等. 電網(wǎng)安全評估體系分析[J]. 電網(wǎng)技術(shù), 2009, 33(12): 77-82.

Xiao Huiyao, Yao Jiangang, Zhang Jian, et al. Analysis on power grid safety assessment system[J]. Power System Technology, 2009, 33(12): 77-82.

[5] 張國華, 張建華, 彭謙, 等. 電網(wǎng)安全評價的指標(biāo)體系與方法[J]. 電網(wǎng)技術(shù), 2009, 33(8): 30-34.

Zhang Guohua, Zhang Jianhua, Peng Qian, et al. Index system and methods for power grid security assessment[J]. Power System Technology, 2009, 33(8): 30-34.

[6] 王博, 游大海, 尹項根, 等. 基于多因素分析的復(fù)雜電力系統(tǒng)安全風(fēng)險評估體系[J]. 電網(wǎng)技術(shù), 2011, 35(1): 40-45.

Wang Bo, You Dahai, Yin Xianggen, et al. A security risk assessment system of complicated power grid based on multiple factor analysis[J]. Power System Technology, 2011, 35(1): 40-45.

[7] 陳靜, 李華強, 鄭武, 等. 基于全局模糊指標(biāo)的電力系統(tǒng)在線安全評估[J]. 電力系統(tǒng)保護與控制, 2011, 39(18): 93-98.

Chen Jing, Li Huaqiang, Zheng Wu, et al. Power system on-line security assessment based on global fuzzy index[J]. Power System Protection and Control, 2011, 39(18): 93-98.

[8] 毛安家, 何金. 一種基于可信性理論的電網(wǎng)安全性綜合評估方法[J]. 電力系統(tǒng)保護與控制, 2011, 39(18): 80-87.

Mao Anjia, He Jin. An approach of power grid security comprehensive assessment based on credibility theory[J]. Power System Protection and Control, 2011, 39(18): 80-87.

[9] 高中文, 于繼來, 柳焯. 電力系統(tǒng)的態(tài)勢分析及調(diào)度對策[J]. 電網(wǎng)技術(shù), 1996, 20(6): 28-31.

Gao Zhongwen, Yu Jilai, Liu Zhuo. Power system state and tendency analysis and its dispatching measure[J]. Power System Technology, 1996, 20(6): 28-31.

[10] 劉寶柱, 朱濤, 于繼來. 電力系統(tǒng)電壓態(tài)勢預(yù)警等級的多級模糊綜合評判[J]. 電網(wǎng)技術(shù), 2005, 29(24): 31-36.

Liu Baozhu, Zhu Tao, Yu Jilai. Multilevel fuzzy comprehensive assessment for forewarning grade ofvoltage state and tendency in power systems[J]. Power System Technology, 2005, 29(24): 31-36.

[11] 栗秋華, 周林, 張鳳, 等. 基于模糊理論和層次分析法的電力系統(tǒng)電壓態(tài)勢預(yù)警等級綜合評估[J].電網(wǎng)技術(shù), 2008, 32(4): 40-45.

Li Qiuhua, Zhou Lin, Zhang Feng, et al. Comprehensive evaluation of forewarning grade of voltage state and tendency in power systems based on fuzzy theory and analytic hierarchy process[J]. Power System Technology, 2008, 32(4): 40-45.

[12] 栗秋華. 基于人工免疫的電力系統(tǒng)電壓穩(wěn)定性預(yù)警模型研究[D]. 重慶: 重慶大學(xué), 2007.

[13] 李來福, 柳焯. 基于戴維南等值參數(shù)的緊急態(tài)勢分析[J]. 電網(wǎng)技術(shù), 2008, 32(21): 63-67.

Li Laifu, Liu Zhuo. Urgent situation analysis based on thevenin equivalent parameters[J]. Power System Technology, 2008, 32(21): 63-67.

[14] Janusz M E, Venkatasubramanian V. Automatic generation of qualitative descriptions of process trends for fault detection and diagnosis［J］. Engineering Applications of Artificial Intelligence, 1991, 4(5): 329-339.

[15] Charbonnier S, Garcia Beltan C, Cadet C, et al. Trends extraction and analysis for complex system monitoring and decision support[J]. Engineering Applications of Artificial Intelligence, 2005, 18(1): 21-36.

[16] 張貝克, 張海洋, 馬昕. 定性趨勢分析在過程故障診斷中的應(yīng)用研究[J]. 系統(tǒng)仿真學(xué)報, 2008, 20(10): 2750-2753.

Zhang Beike, Zhang Haiyang, Ma Xin. Applied research of qualitative trend analysis in process fault diagnosis[J]. Journal of System Simulation, 2008, 20(10): 2750-2753.

[17] 曹一家, 王光增, 曹麗華, 等. 基于潮流熵的復(fù)雜電網(wǎng)自組織臨界態(tài)判斷模型[J]. 電力系統(tǒng)自動化, 2011, 35(7): 1-6.

Cao Yijia, Wang Guangzeng, Cao Lihua, et al. An identification model for self-organized criticality of power grids based on power flow entropy［J］. Automation of Electric Power Systems, 2011, 35(7): 1-6.

[18] 劉樹林, 邱菀華. 多屬性決策基礎(chǔ)理論研究[J]. 系統(tǒng)工程理論與實踐, 1998, 18(1): 38-43.

Liu Shulin, Qiu Wanhua. Studies on the basic theories for MADM[J]. Systems Engineering-Theory & Practice, 1998, 18(1): 38-43.

[19] 鐘慧榮. 電力系統(tǒng)黑啟動與網(wǎng)架重構(gòu)優(yōu)化技術(shù)研究[D]. 保定: 華北電力大學(xué), 2012.

Trends Identification of Power System Operating States

Wang Tao1Zhang Shang1Gu Xueping1Jia Jinghua2
（1. North China Electric Power UniversityBaoding071003China
2. Hebei Power Dispatch and Communication CenterShijiazhuang050021China）

In order to prevent cascading failures and large-scale blackouts, it is important to monitor the operating state variations of power systems. Based on the real-time monitoring information, an identification model for moving trends of the power system operating states is proposed in this paper, which allows the system operators vividly identify the unsafe condition and continuously monitor the distance between the real state and unsafe state as well as the direction and speed of the operating state trends. Fuzzy analytic hierarchy process (FAHP) is employed to evaluate the operating state. The trends of the generated indicator are identified by qualitative trend analysis (QTA), from which dynamic trends of the whole system can be easily obtained. Simulation results show that the proposed model can effectively identify the moving trends of the power system operation states. It can be applied to monitor and assess the level of security operation of power system.

Power system, qualitative trend analysis, fuzzy analytic hierarchy process, trend identification

TM711

王濤男，1976年生，博士，副教授，研究方向為電力系統(tǒng)安全防御與恢復(fù)控制、智能技術(shù)在電力系統(tǒng)中的應(yīng)用。

張尚女，1991年生，博士研究生，研究方向為電力系統(tǒng)安全防御與恢復(fù)控制。

國家自然科學(xué)基金（51077052）和中央高校基本科研業(yè)務(wù)費專項資金（13MS108）資助項目。

2013-11-10改稿日期 2014-04-01