浅论电力系统大数据故障模式辨识可行性

[摘 要] 大数据故障模式辨识针对地区电网故障模式，特别是连锁故障模式的辨识方法，将电力系统的网架结构与发电厂、变电站的主接线相结合，对地区电网共同模式的故障和相关故障进行大数据分析辨识，对电力元件故障模式和系统故障模式的元件可靠性评估模型，以反映元件、系统不同故障模式对运行可靠性的影响规律。并在此基础上，需综合考虑时间尺度和运行条件的影响，对地区电网运行可靠性进行评估，并采用二阶偏导数对运行可靠性指标灵敏度进行定量分析，快速寻找钳制运行可靠性的薄弱元件和薄弱环节，以此为依据制定合理的辅助决策，为调度运行提供决策依据，对提升地区电网运行可靠性水平具有重要的理论意义和实际参考价值。

[关键词] 故障识别 可靠性 灵敏度 预测预警

中图分类号：TM73 文献标志码：A

大数据故障模式辨识，以电网的数据为研究对象，开展系统故障模式，特别是连锁故障模式的分析研究，掌握元件、系统不同故障模式对运行可靠性的影响规律；在此基础上，综合考虑时间尺度和运行条件的影响，对地区电网运行可靠性进行评估和运行可靠性指标灵敏度分析研究，利用灵敏度指标实现设备可靠性参数不确定性对系统运行可靠性的影响分析，识别地区电网的薄弱元件和薄弱环节，并以此为依据制定合理的辅助决策，是保证电力系统经济可靠运行的重要途径，对提升地区电网运行可靠性水平具有很高的参考价值，从而提高供电服务水平，提升客户满意度，做到为广大客户提供“可靠、稳定”的供电服务。

一、大数据故障模式辨识介绍

大数据故障模式辨识（Big Data Fault Pattern identification），主要以地区电力系统的数据为基础，以信息集成平台（一体化建模、公共信息模型CIM与数据交换模型、大数据分析模型）、实时数据平台为底层信息基础，采用面向服务的架构（SOA）和企业集成软总线（ESB）技术，构建基于系统故障模式辨识的地区电网运行可靠性薄弱环节定位系统，在综合考虑时间尺度和运行条件的影响基础上，实现对地区电网运行可靠性进行评估和运行可靠性指标灵敏度分析，利用灵敏度指标实现设备可靠性参数不确定性对系统运行可靠性的影响分析，识别地区电网的薄弱元件和薄弱环节，并以此为依据制定合理的辅助决策，保证电力系统经济可靠运行。

二、故障模式辨识存在的问题

电力系统可靠性评估主要包括两个方面：充裕度和安全度。二者虽然都涉及系统供电持续性的中断，但充裕度是指一个或少量负荷点因供电能力不足而引起的供电中断；安全度则是指众多的负荷点因受到广泛涉及性的跳闸而引起的大面积停电。从对运行可靠性的影响来看，充裕度不足可能引起局部电力不足，而安全度不足将造成停电的蔓延或整个系统的停运。

常规电力系统可靠性主要是从充裕度角度，研究系统在长期不同运行状态下的平均可靠性，通过元件故障模式辨识建立元件可靠性模型，采用枚举法、模拟法等进行可靠性评估及灵敏度分析，找出可靠性薄弱环节，为规划人员提供决策依据。但评估中仅对元件故障模式进行辨识，未考虑由单一外部原因引起的系统连锁故障；可靠性评估方法未计及时间尺度和系统运行行为，且计算速度慢；可靠性指标灵敏度仅能识别薄弱元件，不能识别系统的薄弱环节，充分暴露了常规系统可靠性评估的不足[1]。

电力系统运行可靠性是从充裕度和安全度两个方面，研究系统短期运行的可靠性。在系统运行中，除元件故障引起停电外，连锁故障是作为一种低概率、高风险的故障类型，近年来时常发生，导致出现大面积停电。由于连锁故障成因复杂，具有不确定和时变特点，分析和预测十分困难，导致很难定位运行可靠性的薄弱环节，不能为调度人员提供决策依据。

三、大数据故障模式辨识的可行性

随着电力系统的迅速发展，电力系统的规模也在不断的扩大，结构日益复杂；电力也在跟随时代的步伐朝着信息化和大数据的方向发展，如何确保电力系统的安全稳定是一项非常关键的民生问题，最近几年因电网系统中出现问题没有及时准确地进行辨识和处理造成事故时有发生。传统的方式采用枚举法、模拟法等进行可靠性评估及灵敏度分析，预测出可靠性薄弱的环节，但评估过程中只对单一的元件进行预测辨识，但是该计算方式具有时间慢和准确性低的不足，并且由单一元件导致的连锁故障无法进行计算和预测，可靠性指标只能识别薄弱故障元件，不能识别系统的薄弱环节，结果往往不理想。当前电网数据主要是依靠SCADA系统和站内综合自动化系统进行数据采集，采集的数据相对比较独立，没有充分地发挥数据的价值。因此大数据故障模式辨识系统的建设能有效地使电网的数据实现数据共享、共用，使更多的信息孤岛纳入系统中充分发挥数据价值，这些宝贵的数据提供了坚实计算基础，极大地拓展了电网故障辨识的研究方向。

四、做好大数据故障模式辨识的意义

电力是现代人类社会生产与生活不可缺少的一种主要能源形式。随着电力装置的应用日益广泛，电能得到了更加充分的利用。但电力系统的稳定、安全是当前电网公司的核心任务之一。因此如何把当前电网公司内部数据充分发掘利用，打破数据孤岛。运用当前比较先进的大数据技术对数据进行分布式存储、分布式计算等操作完成对电力系统单一元件故障的故障模式进行识别，也根据数据的分析达到对单一元件引发的连锁故障模式的识别，从而实现电力系统故障的预判、预警，为人们提供安全、有效、稳定的电能[2]。

五、如何做好大数据故障模式辨识

（一）电力系统数据的采集

为了实现运用大数据技术对电力系统故障的辨识，必须对电力系统各种数据进行有效采集和分析，時时刻刻监控着电力系统的数据，因此需要对电力系统上各个元件产生的数据进行实时或频繁的测量、监控、采集。随着科学技术的发展，雷达、通讯、电子对抗、航天测量、图象、多媒体等诸多领域对数据采集提出了更高的要求。随着一些高性能的电子芯片的推出，使电力系统数据采集得到了快速的发展。实现多路并行的高速数据采集，为大数据故障模式辨识系统提供坚实的数据基础。

（二）数据共享

电力系统数据是电网公司最有价值的资产之一，也是电网公司发展的的命脉，打破数据孤岛，充分发挥数据的价值至关重要，数据永恒不变，是电网公司永不变质的资产。当前电力系统中数据的采集比较分散，数据大部分存储为关系型数据库中的结构化数据，由于这些数据都缺乏顶层设计，数据之间很难实现互通共享，為顶层设计提供上层服务。因此大数据利用互联网技术，将数据进行分散存储，通过大数据技术把数据互联互通，充分地把电力系统数据的价值实现出来，为电力系统故障辨识保驾护航。

（三）数据分析计算及预测、预警

基于系统故障模式辨识的地区电网运行可靠性薄弱环节定位系统包括两个部分：第1个部分是系统启动时初始化模块；第2个部分是第T个时段的计算流程，其中包括运行数据获取、负荷预测、故障概率预测、运行可靠性预测评估、灵敏度计算、统计分析及薄弱环节告警等模块。

（1）初始化：节点导纳矩阵、节点阻抗矩阵、计算参数等数据运用大数据的分布式算法进行初始化。

（2）运行数据获取：离线时从本地数据库中读入，在线运行时从SCADA系统中读取，并预留外部气候数据接口。

（3）负荷预测：根据历史日负荷，结合气候数据，对第T个时段内的负荷进行预测。

（4）故障概率预测：根据历史元件故障概率、第T-1时段内的运行数据和气候数据预测第T时段内元件时变故障概率、连锁故障概率。

（5）运行可靠性预测评估：根据元件时变故障概率、连锁故障概率，采用快速排序、分块理论和蒙特卡洛抽样法相结合的算法，计算第T时段内运行可靠性指标。

（6）灵敏度计算：根据第T时段内运行可靠性指标，计算各指标相对主要参数的灵敏度，从而识别出第T时段内影响运行可靠性的薄弱环节。

（7）统计分析：通过系统图、主接线图、柱状图、饼图及报表等实现计算结果统计分析、查询等功能。

（8）薄弱环节告警：采取图形告警、报告告警等方式对第T时段内影响运行可靠性的薄弱环节进行预警。

六、结语

本文中，笔者主要从大数据故障辨识的现状、大数据故障辨识的可行性、大数据故障辨识的意义及如何大数据故障辨识等方面进行了分析和探讨，旨在为电力企业做到事故率低，可靠性高，稳定性高。因而，在电力系统中，可能一个很小的电力故障会造成大面积的停电事故，给经济的发展造成不可估量的损失。针对电力系统的故障进行有效辨识并进行预判、预警，从而减少风险，已经成为电力行业研究的一个重点。

（作者单位：遵义供电局）

参考文献：

[1]冯剑红，谢汶.电力信息安全体系结构研究及安全策略[J].四川电力技术，2006，29（3）：59- 62.

[2]施华军.面向电力系统的分布式数据库管理系统的设计与实现[D].上海交通大学，1999.

推荐访问:辨识 可行性 电力系统 故障 模式