智能電網廣域測量數據融合算法研究

王 林，昌 艷

（南方電網調峰調頻發電有限公司信息通信分公司，廣州 510630）

經濟的發展促使著智能電網的規模日益龐大，隨之帶來了一系列不可忽視的問題[1-2]。廣域測量系統以高速通信網絡和同步相量測量單元為基礎構建，形成控制與監測的基礎設施。海量數據傳輸將占用大量的帶寬，降低了傳輸的可靠性，導致網絡延時增加，難以滿足電網動態監控的實時性要求，嚴重影響WAMS系統的可靠性和準確性。因此，為了提高大電網的安全穩定運行程度，有必要對智能電網廣域測量數據融合算法進行研究[3-5]。對于智能電網廣域測量數據海量問題國內外學者做了大量研究并取得了豐碩的成果。文獻[6]提出了一種針對WAMS海量數據的特征提取方法，指出海量數據的優化處理是WAMS廣泛應用的關鍵；文獻[7]以同步數據集中器為核心進行分層，提出了基于同步數據集中器性能提高的WAMS體系結構優化，但有充分考慮與系統其它各部分協調運作。文獻[8]將WAMS系統劃分成數據應用層、數據集中層和數據采集層，系統功能結構的劃分過于簡單，也不利于系統的整體規劃和性能的提高。對于WAMS系統的海量數據的研究，多是從單方面詢求解決的方案，沒有充分調用系統各層面的協同操作對WAMS系統的數據實時處理。本文以同步相量測量單元（PMU）為基礎，提出了四類網內數據融合算法，構建了包括高速網絡層、中間件-服務層、數據融合物理層和高級應用層的體系結構，提出了智能電網廣域測量數據融合系統。以電壓穩定性監測指標（VSI）為例，基于電力系統IEEE300節點仿真模型，設計了適用于該應用的數據融合算法，并對網內數據融合算法進行了仿真驗證，有利于防止網絡阻塞，減少網絡帶寬，并從根本上提高了WAMS系統的數據融合深度，以期為實現電網的動態監測，保證電網的安全穩定運行提供理論指導。

1 數據融合算法研究

為實現電網各節點電壓穩定的實時監測，在智能電網廣域測量數據融合系統中，PMU實時測量節點的電壓值，電壓穩定監測程序對參數值分析并計算電壓穩定性指標（VSI）值，該指標與負荷的功率因素無關。VSI值越高表明節點越可靠，相反，VSI值越低表明節點越不可靠[9]。由此計算出最小的可靠性系數節點，為可能故障節點。一般而言，當VSI值大于0.5或小于0.5時，視為電壓崩潰。節點i的VSI的定義如下式：

式中：Bij為網絡導納矩陣元素；δi為節點i的電壓相角，°；Vj為節點j的電壓，V；Pi為故障節點有功功率，kW；n為總節點數；若節點i和節點j不直接相連，Bij=0。

網絡過載時，為減輕網絡負載，PMU數據流完成數據融合后傳輸至高級應用程序。因此，本文提出以下幾種智能電網廣域測量數據融合算法。

1.1 部分計算融合算法

由于測量設備直接與節點相連，且節點的VSI值僅取決于它的測量數據。因此，可以以分布式的方式對VSI值進行計算。節點不僅可以參與計算，還可以轉發原始的PMU數據流及部分計算結果。節點i的VSI值表達式如下：

1.2 數據聚類融合算法

為減少數據量，提高計算效率，將電網中的多個PMU上傳的相近電壓數據進行聚類，算法如下：

用k表示聚類數目，選擇k個隨機數據點作為初始數據聚類中心μ，用Xt=［x1，x2，…，xn］表示t時刻的采樣值；計算數據聚類中心到每個數據點的距離d（i，j）；按到聚類i的距離d（i，j）對每個數據點進行最小分配；計算出每個聚類μi的平均中心；將所有的數據點都分配至最近的聚類中心。

1.3 數據丟棄融合算法

在正常運行情況下，系統的變化通常很小，且在系統未發生故障的條件下電壓相量的測量值發生突變的概率較小。因此，當系統過載時PMU數據不發生變化，可進行數據丟棄，不同時刻的采樣數據如下所示。

1.4 數據優先融合算法

為減輕網絡傳輸負載，可對不重要的數據進行合理舍棄，算法思路為由于發電廠很少發生電壓問題，因此將來自發電廠的PMU數據作為低優先級的數據。電壓下降預示著電壓將可能趨近于崩潰，將配電站或變電站的PMU電壓值低于額定值的數據作為高優先級的數據。判定數據優先級的算法流程如下：收集t時刻PMU單元中的電壓量Xt=［v1，v2，…，vn］；將Xt按升序排列，若，則選擇電壓值裝入數據包進行傳輸。其中，vth為電壓閾值，取值為1。

2 測量數據融合系統研究

隨著步相量測量單元（PMU）在電網中的布點急劇增加，海量數據傳輸將占用大量的帶寬，網絡延時增加，傳輸可靠性降低，無法滿足電網動態監控的實時性要求，嚴重影響系統的可靠性和準確性[10]。因此，本文基于數據融合算法提出智能電網廣域測量數據融合系統，系統結構如圖1所示。

圖1 智能電網廣域測量數據融合系統結構Fig.1 Structure of wide area measurement data fusion system for smart grid

2.1 高速網絡層

將采集數據傳輸到主站需依賴于廣域通信網絡的服務質量保障，當突發緊急或過載事件時，采樣數據速率增大，需應用指定的方式來傳輸數據流，合理地降低數據性能。同時，數據通信需滿足低出錯率、通信時延小、網絡擁堵時低丟包率、帶寬足夠等要求。在智能電網廣域測量數據融合系統中，多個高級應用程序需要訂閱多個PMU數據流，采用組播模式減少傳輸的數據量，網絡中的交換機或路由器使用IGMPv3路由機制復制并轉發給客戶端。

2.2 PMU數據融合物理層

針對智能電網廣域測量數據融合系統，傳感器主要為同步相量測量單元PMU，在PMU數據融合物理層傳感執行網絡實現網內數據的融合。執行器為調節單元和測控單元等，保證電力系統的穩定安全運行。網絡過載期間，在數據失真度滿足要求的前提下，采用數據融合算法，實現同步相量測量裝置PMU的數據融合，避免了數據傳輸網絡堵塞，進而減輕了網絡負載。

2.3 中間件-服務層

從減少通信網絡帶寬方面考慮，提出了發布訂閱中間件。應用程序為訂閱者，在該機制下指定時間表和數據類型，表達數據過濾與融合功能。發布-訂閱中間件概圖，如圖2所示，其中虛線為發布者和訂閱者向事件下達的指令；實線為事件流；節點A，B，C為發布者節點，既是發布者又是訂閱者的節點，代表是三類節點：分別表示僅充當充當訂閱者的節點。

圖2 發布-訂閱中間件Fig.2 Publish-subscribe middleware

2.4 高級應用層

高級應用層負責系統的安全分析監測、安全控制決策與及自適應廣域保護。其中，在線安全分析監測包括功角穩定分析、電壓穩定分析、頻率穩定分析、低頻振蕩在線分析、線路參數測量、動態監測與預測等高級應用。安全控制決策包括在線決策、廣域阻尼控制、自適應廣域保護主要有線路廣域保護、自適應保護、失步保護、雙端故障測距及低頻低壓減載等。故障時，繼電保護和緊急控制是保證互聯電網安全運行的必要因素。

3 廣域測量數據融合系統仿真

使用聚類數據和原始數據計算重要節點的VSI值，電網過載25%內，電壓穩定性指標的計算結果對比，如圖3所示。可以看出，通過網內數據融合處理極大減少了網絡流量。數據融合前后VSI計算結果相差不大，表明數據融合算法保證了電壓穩定性指標計算的準確性。因此，在適度地降低應用性能的前提下，通過不同的融合算法能夠有效減輕網絡負荷。

圖3 融合算法對VSI計算結果的影響Fig.3 Effect of fusion algorithms on VSI calculations

基于IEEE300節點電力系統仿真模型，采用Matlab軟件對不同網內數據融合算法對電壓穩定監測應用的影響以及前述數據融合算法的有效性進行驗證。仿真模型基于標準化IEE300節點電力系統，有3個地理分區，分別由167、90和73個變電站組成；系統有79個發電站，117個變壓器，314條傳輸線路，310個變電站/節點；節點測試系統包含25條輸電線路和24個變電站/節點。為驗證檢查監控和仿真體系方案的正確性，電網從正常負荷逐漸增大至最大負荷，并應用標準快速解耦潮流法重新對電壓相量值進行計算。以聚類融合算法為例，算法流程如圖4所示。

圖4 聚類融合算法流程圖Fig.4 Flow chart of clustering fusion algorithm

圖5 節點電壓穩定性指標變化曲線Fig.5 Variation curve of node voltage stability index

變電站/關鍵節點對負荷過載的響應，基于Matlab軟件進行仿真計算，如圖5所示。可以看出，隨著負載的增大，多數節點的VSI值持續下降。在正常負載條件下時，節點278和節點279呈現低電壓穩定性，繼續增大負載時，VSI值基本保持不變。主要由于無論負載是減小或者增大，發電廠的電壓均保持不變。此外，由于受負荷過載的影響嚴重，節點280至節點287，用于觸發預防性控制措施，記為關鍵節點。由于節點282為最關鍵節點，需主要關注該節點的VSI值。

在不斷增大負載的實驗中，以節點282為對象，研究電壓穩定監測應用指定的PMU數據流網內數據融合算法對VSI值計算準確性的影響。隨著電網運行條件的變化，電網過載時節點282的VSI計算值的變化情況，如圖6所示。

圖6 不同數據融合算法下節點282的VSI值比較Fig.6 Comparison of VSI of node 282 under different data fusion algorithms

可以看出，數據融合功能僅使VSI計算值變化甚微。采用各種數據融合算法估算的VSI值，幾乎所有的數據融合算法均執行良好，近似等于使用原始PMU數據流計算的VSI值。將不同的數據融合算法引起的VSI計算誤差進行了對比，如圖7所示。

圖7 不同網內數據融合算法下VSI平均值誤差Fig.7 VSI mean error under different intranet data fusion algorithms

可以看出，在數據融合算法都執行良好的條件下，誤差維持在2.5%以內。由于分布式計算不會產生任何誤差，與其它算法相比，部分計算融合算法和數據丟棄算法的誤差相對較低，VSI值的計算準確性最好，誤差小于0.2%，隨著負載的增加數據優先算法的誤差呈線性增大。而數據聚類算法的誤差相對較高，但隨著負載的增加，誤差不斷減小。

不同數據融合算法下數據流量降低的百分比，如圖8所示。由于大多數變電站都存在電壓下降問題，可以看出，采用數據融合算法通常都有40%～50%傳輸數據量的減少。隨著負荷的不斷過載，數據優先融合算法和數據聚類融合算法傳輸數據減少量基本保持在50%；隨著負載的增大，電壓相量的變化比較明顯，數據丟棄融合算法的傳輸數據減少量由50%逐漸下降至40%。部分計算融合算法數據流量降低的效果最佳，傳輸數據減少量基本保持在44%。

圖8 不同數據融合算法的數據流量減少百分比Fig.8 Percentage reduction of data flow for different data fusion algorithms

由上述仿真實驗結果可知，網絡過載時在一定程度上保證了智能電網廣域測量數據融合系統高級應用的性能，電壓穩定監控可有效地利用網內數據融合算法實現數據融合，有效提高了網絡傳輸效率。

4 結語

針對智能電網WAMS系統多數據源、海量數據，以及WAMS系統建設的網絡延時、網絡過載等問題，提出了智能電網廣域測量數據融合系統，提出了多層交互式的數據融合算法，以電壓穩定性監測指標（VSI）為例，對網內數據融合算法進行了仿真驗證，表明在不影響VSI計算準確性的同時，提出的4種算法均能降低信息開銷，實現50%～60%數據傳輸量的減少，有效提高了網絡傳輸效率，有利于防止網絡阻塞，進而印證了本文融合算法的可操作性和可行性，能夠為智能變電站的發展提供科學依據。