首页 > 论文范文 > 工程工业论文 > 电力工业论文 > 基于实时停电态势的风险预警识别模型研究

基于实时停电态势的风险预警识别模型研究

2024-09-20 47 上传者：管理员

摘要：为了降低电力用户经济损失，设计基于实时停电态势的风险预警识别模型。将系统负载率、自然条件等内外部因素作为实时停电态势要素，构建实时停电态势评价要素体系，采用模糊层次分析法求出实时停电态势要素权重，经加权平均得出实时停电态势评估值，将其作为改进卷积神经网络预测模型输入，预测实时停电态势风险值，按照风险值区分预警级别，并通过不同颜色指示灯呈现预警结果，实现停电风险预警识别。实验结果表明：模型可获取电网停电态势风险值，判断风险等级，在风险较高时及时预警，模型应用后可降低由停电产生的电网经济损失。

关键词：
实时停电态势
层次分析法
评价要素
识别模型
风险预警
加入收藏

随着工业化进程加快，电能已成为工业发展的主要能源供给[1-2]，而电网安全直接影响各行各业的电力供应。因电网设备保护装置比较简单，线路分布广阔，极易受到用户负荷和自然灾害因素的影响，发生电网故障，造成大范围停电，导致人们无法开展正常生活和生产活动[3]，因此需加大对电网停电的风险预警识别课题研究。相关学者已经对该课题展开研究，如王宁等人研究改进SVM的实时电网风险评估与预警方法，通过构建卷积神经网络的SVM分类模型分析电网数据，得出电网风险等级完成风险预警[4]。模型构建过程比较复杂，实时性较差。王瑾等人研究深度学习的电网检测与风险预警方法，以电网异常情况为基础，构建评估指标，通过随机森林算法识别电网异常状态，按照识别结果完成风险预警[5]。但方法未考虑停电导致的电网异常状态，导致风险预警适应于电网异常识别中，对于运行状态的考虑比较少，具有片面性。

实时停电态势的感知过程包括提取实时停电态势要素、对该态势分析和预警识别。实时停电态势是以态势感知为基础，可准确感知电网运行状态，判断电网停电风险并实施预警。因此研究基于实时停电态势的风险预警识别模型，降低停电对电网产生的危害。

1、风险预警识别模型具体设计

1.1实时停电态势的评价要素体系

实时停电态势感知中，实时停电态势要素提取为实时停电态势风险预警的基础。实时停电态势要素包括内部因素和外部因素，两类因素会引起电网发生停电风险。为识别电网的安全态势并进行风险预警，需要利用态势要素提取结果，构建实时停电态势评价要素体系。实时停电态势评价要素体系，如图1所示。由图1可知，实时停电态势评价要素体系主要包括6个内部因素和3个外部因素组成。

图1 实时停电态势评价要素体系

选取这9个态势要素，作为预警识别实时停电态势风险的基础。其中内部因素实时停电态势评价要素如下：

(1)电力系统负载率要素与电网发生停电概率成正比，当该要素值越高，电网发生实时停电态势概率越高，说明电网存在停电风险。系统负载率Ls如下式：

式中：电网线路γ传输功率为Hγ；电网线路γ最大传输总量为Hγ,max，统计线路总量为d。

(2)潮流分布与电力系统稳定性成正比，当该要素值越高，说明系统稳定性越高。潮流分布Hc，其表达式如下：

(3)节点电压偏移要素表示电网系统电压波动情况，该要素与电网发生停电概率成正比，当该要素值越高，表示该电网危险越高。节点电压偏移U，其表达式为：

式中：电网正常状态时在重要节点的电压负荷节点用g描述；电压用Ug描述；初始电压用Ug,0；重要节点总量用b描述。

(4)电压裕度要素与电网发生停电概率成反比，当该要素值越高，表示该节点抗电压波动影响能力较好。电压裕度Wv，其表达式为：

式中：节点g承受最大电压用Ug,max描述；当前时刻用t描述。

(5)变压器负载率与电网发生停电概率成正比，当该要素值越高，表示电网负载率高，容易发生停电现象，影响电网正常运行。变压器负载率Lc，见下式：

式中：电网变压器数量用c描述；变压器用z描述；其额定容量用Sz描述，变压器输出有功功率用Hz描述。

(6)电力系统过载程度是评价电网设备出现故障时引起线路过载，该要素与电网发生停电概率成正比，当要素值越高，说明发生停电概率越高。电力系统过载程度，其表达式如下：

式中：设置线路过载率是正常负载率的1.3倍，过载线路总量用a描述。

外部因素：受自然条件、区域条件、月份差异的影响也会引起电网停电态势发生[6]，导致电网供电能力降低，因此将这些外部因素作为评价要素。

1.2实时停电态势的分析

在实时停电态势的风险预警识别中，对实时停电态势的分析至关重要。其中，采用模糊层次分析法计算各要素的综合权重后，通过加权平均的方法得出实时停电态势评估值，按照态势评估值实施风险等级划分。为了解决要素权重求解过程中不确定因素[7-8]，采用模糊层次分析法，求解各要素权重。设置用A=(fij)n*n表示模糊互补矩阵，其中fij取0.1-0.9数量值；要素数用n描述。要素权重，如下式：

式中：决策人的分辨水平用β描述，随着β值增大，可提高权重分配的分辨率；专家对要素i权重评价结果用Qxi描述；k表示k个专家。

为了减少专家决策的主观因素的影响，先统计多个专家的评价结果得出决策权重向量后，通过k均值算法聚类分析统计后专家决策向量，提高决策精度。k均值算法过程为：

(1)若通过O个专家完成各要素权重确定，将O个9维待评价决策权重向量用{Q1,Q2,…,Qx,…,QO}表示，其中专家评价9个态势要素权重结果用Qx={Qx1,Qx2,…Qx9}描述；待分类簇数用k描述；

(2)初始聚类中心用{p1,p2,…,pi,…pk}描述，其为k个专家分配要素权重时的决策向量；该中心是从决策向量中随机选取的，其中第i个聚类中心权重决策向量用pi=(pi1,pi2,…pi9)描述；迭代收敛系数用R描述；聚类最高迭代数量用V描述；

(3)通过公式(8)求解欧氏距离，将各决策权重向量分至欧氏距离最小的簇内：

(4)再次求解k个聚类中心值，如下式：

式中：决策向量总数用L描述，Qx归入类pi决策向量用Qxpi描述。

(5)对聚类操作实施判断，如果迭代数量为V时，停止聚类；如果不是需求解该次迭代下每个聚类收敛距离，当收敛距离小于R时，可停止聚类，如果没有达到该条件，则需重复迭代。第m次迭代收敛距离，如下式：

(6)若类别pl内有nl个排列向量，该类专家决策向量权重表达式如下：

通过上式求解出要素层最终权重表达式如下：

实时停电态势评估值的求解过程：

(1)归一化处理与实时停电态势有关的要素数据，其求解公式如下：

式中：要素最大值用max Ei描述；要素最小值用min Ei描述；样本j对应要素i的实际值用Eij描述，归一化值用E'ij描述。

(2)采用模糊层次分析法得出要素层最终权重ω；

(3)实时停电态势评估值公式为：

式中：样本j的实时停电态势评估值Pj。

1.3基于实时停电态势的风险预测模型

因改进卷积神经网络数据挖掘能力强，因此将该网络应用在实时停电态势风险预测中，助力实时停电态势的风险预警。实时停电态势风险预测模型如图2所示。模型预测过程如下：

(1)将实时停电态势评估值Pj作为改进卷积神经网络模型输入；

(2)构成训练集，将该网络的参数、偏置实施初始化处理，并设定学习率与迭代数量等信息；

(3)训练多个改进卷积神经网，对网络中各层实施正向映射；

(4)利用损失函数求解实时停电态势值和期望态势值的残差后，采用梯度下降算法实施反向传播，更新网络的参数、偏置；

(5)为了完成训练，使损失函数结果最小，在迭代进程内，训练权值通过梯度下降算法实现调整；

(6)为了实现对比训练，通过调整学习率、迭代数量、规划卷积核尺寸和深度信息完成训练。在学习过程中，对于相同深度模型，将卷积核尺寸由3降至1实施纵向对比，由单个卷积神经网络开始逐步增加多个深度卷积神经网络进行横向对比训练后得出最优卷积神经网络；

(7)采用正向映射训练最优卷积神经网络，网络输出的结果，就是实时停电态势风险值。

按照实时停电态势风险值将风险划分为3级，当风险值为0～0.3时，风险等级为低级，表示此时安全；当风险值为0.3～0.6时，风险等级为中级，需要进行预警；当风险值为>0.6时，风险等级为高级，表示此时非常危险。

图2 改进卷积神经网络的停电态势风险预测模型

1.4停电风险预警

图3 风险预警实现

按照实时停电态势风险级别，在电力系统内通过不同颜色表示风险预警级别，便于电力系统管理人员及时判断电网停电故障。风险预警实现过程如下：由图3可知，在实时停电态势评价要素体系构建、实时停电态势的分析和实时停电态势风险预测后，得出预警报告，按照预警报告实施预警信息核对后，点亮对应风险级别的指示灯，依据上述步骤可完成停电风险的预警与识别。

2、实验分析

选取某地区电网作为实验对象，该电网拥有1 907座变电站，66 k V输电线路覆盖面积高达69 588.41 km、变电容量为23 090.71万千伏安，为了验证模型的有效性，选取该电网中其中一个区域电网线路，该电网线路中有4台220 k V变压器，8条母线、22条供电线路，具体如图4所示。

图4 电网线路图

为了验证模型应用改进卷积神经网络的卷积核层数和尺寸对本文模型预测性能影响，采用不同卷积核层数和尺寸构建改进卷积神经网络，对2021年7月3日至7月5日的实时停电态势风险进行预测，预测曲线如图5所示。分析图5可知，当卷积核层数为18，结构尺寸为1×3-3×1-1×1的卷积神经网络的风险预测值1更加接近于真实值，其预测精度比较高，当模型中卷积核层数一致时，卷积核结构尺寸越小，模型预测效果越好，在卷积结构核尺寸一致时，卷积层数越大训练复杂度越高，其预测效果越不理想，由此可知，卷积核结构尺寸和卷积层数量直接影响模型预测精度，因此模型采用卷积核层数为18、结构尺寸为1×3-3×1-1×1的卷积神经网络比较适用于实时停电态势风险预测。

图5 实时停电态势风险预测结果

选取L1、L62条线路在2021年1月1日至7月31日的实际历史实测信息作为实验数据，获取2条线路的实时停电态势要素，进行实时停电态势的分析，通过公式(11)求出专家权重和各要素最终权重结果如表1所示。

表1 线路评价要素权重

按照表1线路要素权重值求出实时停电态势评估值，结合基于改进卷积神经网络的实时停电态势风险预测模型获取实时停电态势风险值，其中，L1风险值为0.190,L6风险值为0.653，说明L6发生实时停电风险等级最高，需要及时采用相关检修工作，及时发现引起停电风险的原因，维护电网的运行。图6为实时停电态势风险预警模型预警识别结果。图6展示出2条线路的停电风险等级，并对存在高风险等级的线路予以红灯预警，使电网管理人员更加直观识别出具体L6线路存在风险，节省大量时间，提高整体电网运维水平。

图6 风险预警识别结果

在L6电网线路中，有多家用户类型，位于该条线路的客户类型包括：农业生产类的水产养殖场A，报装容量为100 k VA；普通工业类的塑料厂B，报装容量为180 k VA；大工业用电类的食品有限公司C，报装容量为450 k VA。考虑到实时停电对不同类型客户的影响，统计在2021年1月-7月的不同类型电力用户的停电期间的损失电量和经济损失，如图7所示。分析图7可知，用户A损失电量和经济损失最高，且二者总体均呈现显著上升趋势，损失电量大于2 100 k W h，在6月份的损失电量达到最高，约为2 550 k W h，此时用户A经济损失达到最高，约为1.7万元，说明发生实时停电对A用户的影响比较大，B用户的受停电影响次之，C用户受停电影响相对最小。

图7 1～7月电力用户损失电量和经济损失

鉴于该地区用户受实时停电影响产生较大经济损失现状，在同年8月份采用模型对线路实施风险识别预警，统计同年8～12月电力用户因停电产生经济损失情况如表2。分析表2数据可知，模型的应用可以有效减少因停电导致的用户经济损失，原因在于模型可在第一时间对停电态势造成的风险进行实时预警，助力尽快规避风险，降低经济损失，提升电网供电稳定性。

表2 8～12月用户因停电产生经济损失情况

表3 实时停电态势风险值

实时性是衡量预警模型应用效果的重要指标，为此采用本文模型获取该电网2021年7月3日24小时运行的实时停电态势风险值，结果如表3所示。分析表3可知，该电网全天态势基本上是处于安全的，但在11:30-12:30、16:30-20:30两个时段风险等级为中级，需要进行预警。因为该时段属于用电高峰期，因系统过载程度和电压裕度高，会出现电量使用量剧增态势，但不会引起实时停电。实验结果显示，模型可实现基于停电态势的电网风险实时预警识别，在第一时间发现电网风险，及时规避风险，确保电网安全运行。

3、结束语

针对电网中发生大规模停电问题，研究基于实时停电态势的风险预警识别模型，提高对电网停电风险预警准确性，模型在电网停电风险预警方面应用效果较好，适用性比较强，可避免停电事故发生概率，对电网安全运行具有指导意义。由于时间和能力有限，文中仍有许多不足，需要在以后研究中，逐步完善。

参考文献:

[1]陈碧云,李弘斌,李滨.基于数据挖掘和CAPSO-SNN的电力作业风险态势感知[J].电力自动化设备,2020,40(1):148-155.

[2]田书欣,李昆鹏,魏书荣,等.基于同步相量测量装置的配电网安全态势感知方法[J].中国电机工程学报,2021,41(2):617-632.

[3]侯慧,朱韶华,俞菊芳,等.基于高效数据降维的配电网风灾停电用户数量预测模型[J].电力系统自动化,2022,46(7):69-76.

[4]王宁,田家英,董宁,等.基于改进SVM的智能电网调控系统实时风险评估与预警技术[J].沈阳工业大学学报,2022,44(1):7-13.

[5]王瑾,裴亮.基于深度学习的电网调控系统异常检测与多阶段风险预警[J].沈阳工业大学学报,2021,43(6):601-607.

[6]林丹楠,李珊珊,肖世龙,等.基于长短期记忆神经网络的企业财务风险预警模型研究[J].南京理工大学学报,2021,45(3):361-365,374.

[7]张佳薇,张颂,彭博,等.哈尔滨典型林分地表凋落物含水率预测模型[J].森林工程,2023,39(4):110-117.

[8]赵云,肖勇,钱斌,等.低压台区电力自动抄表系统异常运行预警方法[J].自动化技术与应用,2021,40(8):175-179.

基金资助:国家电网营销信息化项目(SGKF0000YGXX2200046);