淺論電力系統大數據故障模式辨識可行性

周龍興

[摘 要] 大數據故障模式辨識針對地區電網故障模式，特別是連鎖故障模式的辨識方法，將電力系統的網架結構與發電廠、變電站的主接線相結合，對地區電網共同模式的故障和相關故障進行大數據分析辨識，對電力元件故障模式和系統故障模式的元件可靠性評估模型，以反映元件、系統不同故障模式對運行可靠性的影響規律。并在此基礎上，需綜合考慮時間尺度和運行條件的影響，對地區電網運行可靠性進行評估，并采用二階偏導數對運行可靠性指標靈敏度進行定量分析，快速尋找鉗制運行可靠性的薄弱元件和薄弱環節，以此為依據制定合理的輔助決策，為調度運行提供決策依據，對提升地區電網運行可靠性水平具有重要的理論意義和實際參考價值。

[關鍵詞] 故障識別 可靠性 靈敏度 預測預警

中圖分類號：TM73 文獻標志碼：A

大數據故障模式辨識，以電網的數據為研究對象，開展系統故障模式，特別是連鎖故障模式的分析研究，掌握元件、系統不同故障模式對運行可靠性的影響規律；在此基礎上，綜合考慮時間尺度和運行條件的影響，對地區電網運行可靠性進行評估和運行可靠性指標靈敏度分析研究，利用靈敏度指標實現設備可靠性參數不確定性對系統運行可靠性的影響分析，識別地區電網的薄弱元件和薄弱環節，并以此為依據制定合理的輔助決策，是保證電力系統經濟可靠運行的重要途徑，對提升地區電網運行可靠性水平具有很高的參考價值，從而提高供電服務水平，提升客戶滿意度，做到為廣大客戶提供“可靠、穩定”的供電服務。

一、大數據故障模式辨識介紹

大數據故障模式辨識（Big Data Fault Pattern identification），主要以地區電力系統的數據為基礎，以信息集成平臺（一體化建模、公共信息模型CIM與數據交換模型、大數據分析模型）、實時數據平臺為底層信息基礎，采用面向服務的架構（SOA）和企業集成軟總線（ESB）技術，構建基于系統故障模式辨識的地區電網運行可靠性薄弱環節定位系統，在綜合考慮時間尺度和運行條件的影響基礎上，實現對地區電網運行可靠性進行評估和運行可靠性指標靈敏度分析，利用靈敏度指標實現設備可靠性參數不確定性對系統運行可靠性的影響分析，識別地區電網的薄弱元件和薄弱環節，并以此為依據制定合理的輔助決策，保證電力系統經濟可靠運行。

二、故障模式辨識存在的問題

電力系統可靠性評估主要包括兩個方面：充裕度和安全度。二者雖然都涉及系統供電持續性的中斷，但充裕度是指一個或少量負荷點因供電能力不足而引起的供電中斷；安全度則是指眾多的負荷點因受到廣泛涉及性的跳閘而引起的大面積停電。從對運行可靠性的影響來看，充裕度不足可能引起局部電力不足，而安全度不足將造成停電的蔓延或整個系統的停運。

常規電力系統可靠性主要是從充裕度角度，研究系統在長期不同運行狀態下的平均可靠性，通過元件故障模式辨識建立元件可靠性模型，采用枚舉法、模擬法等進行可靠性評估及靈敏度分析，找出可靠性薄弱環節，為規劃人員提供決策依據。但評估中僅對元件故障模式進行辨識，未考慮由單一外部原因引起的系統連鎖故障；可靠性評估方法未計及時間尺度和系統運行行為，且計算速度慢；可靠性指標靈敏度僅能識別薄弱元件，不能識別系統的薄弱環節，充分暴露了常規系統可靠性評估的不足[1]。

電力系統運行可靠性是從充裕度和安全度兩個方面，研究系統短期運行的可靠性。在系統運行中，除元件故障引起停電外，連鎖故障是作為一種低概率、高風險的故障類型，近年來時常發生，導致出現大面積停電。由于連鎖故障成因復雜，具有不確定和時變特點，分析和預測十分困難，導致很難定位運行可靠性的薄弱環節，不能為調度人員提供決策依據。

三、大數據故障模式辨識的可行性

隨著電力系統的迅速發展，電力系統的規模也在不斷的擴大，結構日益復雜；電力也在跟隨時代的步伐朝著信息化和大數據的方向發展，如何確保電力系統的安全穩定是一項非常關鍵的民生問題，最近幾年因電網系統中出現問題沒有及時準確地進行辨識和處理造成事故時有發生。傳統的方式采用枚舉法、模擬法等進行可靠性評估及靈敏度分析，預測出可靠性薄弱的環節，但評估過程中只對單一的元件進行預測辨識，但是該計算方式具有時間慢和準確性低的不足，并且由單一元件導致的連鎖故障無法進行計算和預測，可靠性指標只能識別薄弱故障元件，不能識別系統的薄弱環節，結果往往不理想。當前電網數據主要是依靠SCADA系統和站內綜合自動化系統進行數據采集，采集的數據相對比較獨立，沒有充分地發揮數據的價值。因此大數據故障模式辨識系統的建設能有效地使電網的數據實現數據共享、共用，使更多的信息孤島納入系統中充分發揮數據價值，這些寶貴的數據提供了堅實計算基礎，極大地拓展了電網故障辨識的研究方向。

四、做好大數據故障模式辨識的意義

電力是現代人類社會生產與生活不可缺少的一種主要能源形式。隨著電力裝置的應用日益廣泛，電能得到了更加充分的利用。但電力系統的穩定、安全是當前電網公司的核心任務之一。因此如何把當前電網公司內部數據充分發掘利用，打破數據孤島。運用當前比較先進的大數據技術對數據進行分布式存儲、分布式計算等操作完成對電力系統單一元件故障的故障模式進行識別，也根據數據的分析達到對單一元件引發的連鎖故障模式的識別，從而實現電力系統故障的預判、預警，為人們提供安全、有效、穩定的電能[2]。

五、如何做好大數據故障模式辨識

（一）電力系統數據的采集

為了實現運用大數據技術對電力系統故障的辨識，必須對電力系統各種數據進行有效采集和分析，時時刻刻監控著電力系統的數據，因此需要對電力系統上各個元件產生的數據進行實時或頻繁的測量、監控、采集。隨著科學技術的發展，雷達、通訊、電子對抗、航天測量、圖象、多媒體等諸多領域對數據采集提出了更高的要求。隨著一些高性能的電子芯片的推出，使電力系統數據采集得到了快速的發展。實現多路并行的高速數據采集，為大數據故障模式辨識系統提供堅實的數據基礎。

（二）數據共享

電力系統數據是電網公司最有價值的資產之一，也是電網公司發展的的命脈，打破數據孤島，充分發揮數據的價值至關重要，數據永恒不變，是電網公司永不變質的資產。當前電力系統中數據的采集比較分散，數據大部分存儲為關系型數據庫中的結構化數據，由于這些數據都缺乏頂層設計，數據之間很難實現互通共享，為頂層設計提供上層服務。因此大數據利用互聯網技術，將數據進行分散存儲，通過大數據技術把數據互聯互通，充分地把電力系統數據的價值實現出來，為電力系統故障辨識保駕護航。

（三）數據分析計算及預測、預警

基于系統故障模式辨識的地區電網運行可靠性薄弱環節定位系統包括兩個部分：第1個部分是系統啟動時初始化模塊；第2個部分是第T個時段的計算流程，其中包括運行數據獲取、負荷預測、故障概率預測、運行可靠性預測評估、靈敏度計算、統計分析及薄弱環節告警等模塊。

（1）初始化：節點導納矩陣、節點阻抗矩陣、計算參數等數據運用大數據的分布式算法進行初始化。

（2）運行數據獲取：離線時從本地數據庫中讀入，在線運行時從SCADA系統中讀取，并預留外部氣候數據接口。

（3）負荷預測：根據歷史日負荷，結合氣候數據，對第T個時段內的負荷進行預測。

（4）故障概率預測：根據歷史元件故障概率、第T-1時段內的運行數據和氣候數據預測第T時段內元件時變故障概率、連鎖故障概率。

（5）運行可靠性預測評估：根據元件時變故障概率、連鎖故障概率，采用快速排序、分塊理論和蒙特卡洛抽樣法相結合的算法，計算第T時段內運行可靠性指標。

（6）靈敏度計算：根據第T時段內運行可靠性指標，計算各指標相對主要參數的靈敏度，從而識別出第T時段內影響運行可靠性的薄弱環節。

（7）統計分析：通過系統圖、主接線圖、柱狀圖、餅圖及報表等實現計算結果統計分析、查詢等功能。

（8）薄弱環節告警：采取圖形告警、報告告警等方式對第T時段內影響運行可靠性的薄弱環節進行預警。

六、結語

本文中，筆者主要從大數據故障辨識的現狀、大數據故障辨識的可行性、大數據故障辨識的意義及如何大數據故障辨識等方面進行了分析和探討，旨在為電力企業做到事故率低，可靠性高，穩定性高。因而，在電力系統中，可能一個很小的電力故障會造成大面積的停電事故，給經濟的發展造成不可估量的損失。針對電力系統的故障進行有效辨識并進行預判、預警，從而減少風險，已經成為電力行業研究的一個重點。

（作者單位：遵義供電局）

參考文獻：

[1]馮劍紅，謝汶.電力信息安全體系結構研究及安全策略[J].四川電力技術，2006，29（3）：59- 62.

[2]施華軍.面向電力系統的分布式數據庫管理系統的設計與實現[D].上海交通大學，1999.