一种基于潮流指纹图谱的电网强关联故障分析系统及方法

1.本发明属于电力系统自动化领域，尤其涉及一种基于潮流指纹图谱的电网强关联故障分析系统及方法。


背景技术：

2.随着电力系统迅速发展，电力市场化工作推进，大电网一体化特征日趋明显，系统内部不同元素以及系统与外部环境之间的耦合关系不断增强。电网资源类型不断丰富，新能源占比不断提高，提高新能源消纳水平等新的控制目标不断演进，电网状态的不确定性进一步增强。电力系统及调控业务的一系列深层次发展变化，使得调度控制策略与规程规定复杂程度不断提高，对调控业务的自动化、智能化提出了更高的要求。电力调度控制中心是集高价值数据、分析规则、专家经验和计算决策为一体的“指挥大脑”，现行调控方式主要以人工经验分析为主，调度人员需要将海量多样数据、方案模型进行经验知识关联，重复性“人脑劳动”较多，效率较低，因此，实现智能调控，降低调控人员工作强度迫在眉睫。
3.特高压交直流混联电网的形成，在支撑我国电力能源大范围优化配置的同时，也因电网格局的重大改变和极端自然灾害的多发，使电网安全运行形势面临更加严峻的挑战，调度故障处置难度显著增大，主要表现在以下几个方面：电网运行整体呈现一体化特性，故障对系统的冲击全局化特征显著，故障感知难度显著增大；特高压直流功率波动对各级电网造成巨大冲击，各级调度故障联合处置效率有待提升；调控人员在处理电网事故过程中产生大量的有价值信息，这些信息没有得到深度的挖掘，没有即时的对信息交互和发布。
4.综上所述，需要降低调度员工作强度，提升调度业务的智能化水平。提升电网故障诊断速度和准确性，进行强关联故障的分析将是支撑现代电网安全运行的关键。


技术实现要素：

5.本发明的目的就是要提供一种基于潮流指纹图谱的强关联故障分析系统及方法，基于智能电网调度技术支撑平台(d5000)或调控云平台建设，用于解决电网强关联故障分析问题。
6.为实现此目的，本发明所设计的基于潮流指纹图谱的强关联故障分析系统，包括故障诊断模型生成模块和电网强关联故障感知模块；
7.所述故障诊断模型生成模块用于生成强关联设备故障样本集，并形成与强关联设备故障样本集对应的故障潮流指纹图谱，将故障潮流指纹图谱作为基础的svm(support vector machine，支持向量机)分类器的输入，该故障潮流指纹图谱对应的电网故障作为基础的svm分类器的输出，通过强关联设备故障样本集对基础的svm分类器进行训练，生成电网故障诊断svm分类器；
8.所述电网强关联故障感知模块用于获取电网断面数据，对比相邻周期电网断面数据并生成对应的潮流指纹图谱，将潮流指纹图谱输入所述故障诊断模型生成模块生成的电
网故障诊断svm分类器，判断是否存在设备故障的诊断结果，若诊断结果是电网存在故障，则发布电网强关联告警。
9.一种基于潮流指纹图谱的强关联故障分析方法，包括如下步骤：
10.步骤1，采用故障诊断模型生成模块生成强关联设备故障样本集，并形成与强关联设备故障样本集对应的故障潮流指纹图谱；
11.步骤2，故障诊断模型生成模块利用人工智能算法构建故障诊断svm分类器，将步骤1生成的故障潮流指纹图谱作为基础的svm分类器的输入，该故障潮流指纹图谱对应的电网故障作为基础的svm分类器的输出，通过强关联设备故障样本集对基础的svm分类器进行训练，生成电网故障诊断svm分类器；
12.步骤3，电网强关联故障感知模块获取电网断面数据，对比相邻周期电网断面数据并生成对应的潮流指纹图谱，将潮流指纹图谱输入步骤2生成的电网故障诊断svm分类器，判断是否存在设备故障的诊断结果，若诊断结果是电网存在故障，则发布电网强关联告警。
13.本发明的有益效果为：传统方式告警基于电网模型和运行机理，主要以开关遥信变位信号作为触发，以设备的有功遥测值作为辅助，对电网故障进行研判。本发明相比传统方式更加快速，同时降低了单一遥信信号的信号质量对判断结果的影响。
附图说明
14.图1为本发明的系统结构示意图；
15.图2为电网潮流指纹图谱生成示意图；
16.图3为自适应故障事件集建模方法示意图；
17.其中，1-故障诊断模型生成模块、2-电网强关联故障感知模块、3-电网事件告警信息归并整理模块、11-自适应故障事件集建模模块、12-故障潮流指纹图谱绘制模块、13-诊断模型训练模块。
具体实施方式
18.以下结合附图和具体实施例对本发明作进一步的详细说明：
19.一种基于潮流指纹图谱的强关联故障分析系统，如图1所示，它包括故障诊断模型生成模块1、电网强关联故障感知模块2、电网事件告警信息归并整理模块3；
20.所述故障诊断模型生成模块1用于生成强关联设备故障样本集，并形成与强关联设备故障样本集对应的故障潮流指纹图谱，将故障潮流指纹图谱作为基础的svm分类器(现有没有调试过的svm分类器)的输入，该故障潮流指纹图谱对应的电网故障作为基础的svm分类器的输出，通过强关联设备故障样本集对基础的svm分类器进行训练，生成电网故障诊断svm分类器(电力系统发生故障时，有关联的故障设备为强关联设备)；
21.所述电网强关联故障感知模块2用于通过d5000平台获取电网断面数据，对比相邻周期电网断面数据并生成对应的潮流指纹图谱，将潮流指纹图谱输入所述故障诊断模型生成模块1生成的电网故障诊断svm分类器，通过svm分类器故障相似度判断规则判断是否存在设备故障的诊断结果，若诊断结果是电网存在故障，则发布电网强关联告警；
22.所述电网事件告警信息归并整理模块3用于基于所述电网强关联故障感知模块2发布的电网强关联告警作为触发，汇总电网频率、断面潮流越限、线路跳闸、机组跳闸等相
关重要信息，归并作为强关联告警的关联详细信息。
23.上述技术方案中，所述故障诊断模型生成模块1包括自适应故障事件集建模模块11、故障潮流指纹图谱绘制模块12和诊断模型训练模块13；
24.所述自适应故障事件集建模模块11基于d5000平台的在线安全分析模块，采用离线仿真和在线安全分析计算方式进行强关联设备n-2、n-3计算，生成强关联设备故障样本集；
25.n-2、n-3是一种电力系统的分析方法，在电网中一定范围内，对某类设备或某类部件而言，当只能允许其中1件发生故障时才不至于影响向用户或下级电网供电(再多1件就会影响正常供电)，此种运行方式就称为该类设备(或部件)在该范围内的n-1方式。当能允许2台设备或部件故障或退运，而不至于影响继续向用户或下级电网供电的方式就是n-2，以此类推
……
。
26.所述故障潮流指纹图谱绘制模块12用于生成电网故障潮流指纹图谱，其具体实现方法包括模型图构建和图元着色；所述模型图构建是以不同图元代表不同类型设备，形成以图元形式构成的电网模型；所述图元着色是仿真强关联设备故障，根据潮流变化的大小对图元进行着色，将电网潮流变化抽象成易于机器学习的故障潮流指纹图谱；
27.所述诊断模型训练模块13利用图像特征sift(scale-invariant feature transform，尺度不变特征变换)提取算法提取所述故障潮流指纹图谱的sift图谱特征，将所述故障潮流指纹图谱的sift图谱特征作为训练电网故障诊断svm分类器的输入，所述潮流指纹图谱对应的电网故障作为输出，通过所述自适应故障事件集建模模块11生成的强关联设备故障样本集对电网故障诊断svm分类器基础模型进行训练，生成适用于电网故障诊断的电网故障诊断svm分类器。
28.上述技术方案中，所述强关联设备故障样本集的生成方法为：
29.为最大限度的收集故障集，模拟多种电网运行状态，仿真某两个或多个强关联设备故障，记录故障前后电网所有一次设备有功变化，形成与该故障对应的sift图谱特征，仿真所有强关联设备在不同电网运行状态下的n-2、n-3故障，记录故障前后电网所有一次设备有功变化，形成与该故障对应的sift图谱特征，形成强关联设备故障样本集；
30.所述电网运行状态包括最大运行方式、最小运行方式、峰谷不同时刻负荷变化和网架拓扑变化的电网状态；
31.所述模型图构建的具体实现方法为：首先，以不同图元代表不同类型设备，以五角形代表线路、圆形代表负荷、菱形代表主变、正方形代表机组；其次，对图形化转换后的所有设备进行矩阵式布局，将某一厂站内所有设备以图元形式排成一行；从左到右设备类型依次为线路、负荷、主变、机组，每种类型的设备从左到右按电压等级由高到低排序；统计各厂站每类设备数量，以单个厂站所属设备数量最大值作为该类设备的列数；所有厂站多行排列，形成以图元形式构成的电网模型，如图3所示。这样，对实际具有多维变量的进行降维处理，提升处理效率、降低干扰因素。
32.上述技术方案中，所述诊断模型训练模块13包括图谱特征提取模块、分类器训练模块；所述图谱特征提取模块利用图像特征sift提取算法从电网潮流指纹图谱中提取sift图谱特征；所述分类器训练模块通过电网潮流指纹图谱的sift图谱特征对svm基础分类器进行训练并且生成适用于故障诊断的电网故障诊断svm分类器。
33.上述技术方案中，所述电网强关联故障感知模块2获取的电网断面数据为某时刻电网所有遥测数据的集合。
34.上述技术方案中，所述电网强关联故障感知模块2生成潮流指纹图谱的方法采用的是所述故障潮流指纹图谱绘制模块12生成电网故障潮流指纹图谱的方法。
35.上述技术方案中，所述电网事件告警信息归并整理模块3包括多渠道数据接入模块、故障信息整合模块和多屏联动及可视化大屏推送展示模块；
36.所述多渠道数据接入模块采用多种数据接入方式使用多线程处理技术接入多种渠道的数据，提高了故障信息的处理速度和效率；所述多种渠道的数据包括故障时间、故障设备电压等级及所属厂站、断面遥测有功值以及故障前后电网运行关键信息；所述故障前后电网运行关键信息包括电网频率、动态ace(area control error，区域控制偏差)和关键断面监视；所述故障信息整合模块对所述多种渠道的数据进行故障信息整合以及筛选过滤，并抽取与故障相关的有效数据；所述多屏联动及可视化大屏推送展示模块针对所述电网强关联故障感知模块2发布的电网强关联告警信息中的强关联故障时间点为中心，收集汇总所述故障信息整合模块抽取的有效数据，向故障影响范围内的调度机构进行推送。
37.所述电网事件告警信息归并整理模块3主要用于强关联故障后的多种渠道的数据归并及整理。特高压交直流在大功率输送情况下，如果发生闭锁故障，将会对送受端电网造成严重冲击，引发送端电网稳控装置切机、受端电网频率大幅跌落、断面过载、电压波动及潮流大幅度转移等一系列影响，需要调度员针对故障进行快速准确处置。告警关键信息的归并及集成展示技术，对提高故障处置效率尤为重要。
38.上述技术方案中，针对多种渠道的数据接入的现状，为了提高数据可靠性和接入效率，采用文件、消息总线、实时库读取、广域事件服务的方式进行数据接入。
39.所述多种数据接入方式为文件交互、消息总线、实时库读取和广域事件服务；采用文件交互数据接入方式的数据包括雷电、山火和气象信息，采用消息总线数据接入方式的数据包括保护数据和wams(wide area measurement system，电力系统实时动态监测系统)数据，采用实时库读取数据接入方式的数据包括故障设备有功值、电压值、电流值等数据。
40.针对雷电、山火和气象信息，由于数据存储于气象系统等综合数据网，考虑到数据量较小且数据跨区传输，采用文件交互采集的方式进行采集。对于保护数据及wams数据采用d5000平台ii区消息总线的方式进行采集。d5000平台中的scada(supervisory control and data acquisition，数据采集与监视控制系统)监控系统告警信息通过d5000平台i区消息总线进行实时交互，故障设备相关量测数据通过厂站、厂站图、多个设备之间的多重关联关系及id信息，通过实时库接口获取。
41.上述技术方案中，所述故障信息整合是将基本故障信息、重要断面信息、自定义监视对象多形式的故障信息整合。如用户可自定义送端电网机组安控装置切除机组信息，受端电网系统频率，故障前后关键断面、关键电压、关键电厂潮流情况等信息。实际故障后，故障数据处理服务将依据故障设备及用户自定义配置情况进行自动数据提取及信息整合并推送人机界面。
42.一种基于潮流指纹图谱的强关联故障分析方法，它包括如下步骤：
43.步骤1，采用故障诊断模型生成模块1生成强关联设备故障样本集，并形成与强关联设备故障样本集对应的故障潮流指纹图谱，，如图2所示；
44.步骤2，故障诊断模型生成模块1利用人工智能算法构建故障诊断svm分类器，将步骤1生成的故障潮流指纹图谱作为基础的svm分类器的输入，该故障潮流指纹图谱对应的电网故障作为基础的svm分类器的输出，通过强关联设备故障样本集对基础的svm分类器进行训练，生成电网故障诊断svm分类器，如图3所示；
45.步骤3，电网强关联故障感知模块2获取电网断面数据，对比相邻周期电网断面数据并生成对应的潮流指纹图谱，将潮流指纹图谱输入步骤2生成的电网故障诊断svm分类器，判断是否存在设备故障的诊断结果，若诊断结果是电网存在故障，则发布电网强关联告警；
46.步骤4，电网事件告警信息归并整理模块3基于所述电网强关联故障感知模块发布的电网强关联告警作为触发，汇总电网频率、断面潮流越限、线路跳闸、机组跳闸等相关重要信息，归并作为强关联告警的关联详细信息。
47.本专利软件实现的计算机环境，建议cpu3.2ghz、内存16gb、硬盘250gb或更高配置。
48.本说明书未作详细描述的内容属于本领域专业技术人员公知的现有技术。