主动配电网态势感知技术研究综述与展望

满延露,刘 敏,王 锴

(贵州大学 电气工程学院,贵州 贵阳 550000)

态势感知是维持电力系统安全的关键因素,其检测、分析、预测与防御功能可提高电力系统的稳定性和安全性。不充分的态势感知可能导致延误、错误或应对不足,甚至危及系统稳定。

态势感知基于先进的传感和测量技术来实现对监测对象的全面了解。配电网的态势感知更聚焦于实时感知配电网的各种不确定性因素的变化,例如负荷随机的需求响应、可再生电源出力的间歇性等。

文献[1]认为态势感知是对配电网中设备的运行进行实时监控、潮流计算以及分析理解,从而对未来配电网的风险态势进行预测。文献[2]认为态势感知通过对配电网进行实时状态估计并结合历史数据对配电网的发展趋势进行态势预测。文献[3～5]分别侧重于针对配电网的安全状态、安全状态的快速性和精确度、投资决策体系架构设计和考虑环境灾害下的配电网态势感知等方面进行了研究。

国际上配电网的态势感知技术研究起步较早,并取得了一定成果。文献[6]从主动配电网的主动管理和主动服务的角度提出了主动配电网的态势感知架构以及态势感知的路线图。文献[7]从物理分层运行角度提出基于数据驱动的配电网态势感知架构,涉及数据存储和控制指令等不同层面,采用模块化和分层结构实现全系统的态势感知。文献[8]利用高速可靠的双向通信(5G)实现主动配电网的全面态势感知。国际上的态势感知技术从多个视角将态势感知技术与其他技术结合起来,拓展其基础感知能力。

电力系统网络互联规模的不断增加,使态势感知已经成为电力系统安全、稳定研究中聚焦的热点。就应用背景而言,态势感知技术被应用在智能配电网、高弹性配电网、智慧电网与主动配电网等多类配电网背景中。就应用技术而言,研究人员通过数据挖掘技术、大数据技术、构造各类态势框架、计及各种配网状态等方式对配电网态势感知技术进行了优化。基于多源数据发现问题、分析问题和解决问题是态势感知技术的价值所在。

分布式电源与灵活性负荷的大量接入将带来系统源荷界限模糊化等系列问题,因此有必要提高态势感知能力来应对这些变化对配电网的冲击和影响。为此,本文将对主动配电网中态势感知技术的研究进展进行总结,以便为相关研究提供参考。

1 主动配电网态势感知的发展进程和总体框架

态势觉察可采集量测设备的重要元素信息,是态势感知技术的基础,主要包括气象要素和配电网运行状态要素等设备状态要素。

态势理解指将态势觉察获取的重要元素信息进行整合分析。态势理解是实现有效态势感知的关键,同时是态势呈现和态势预测的来源。

态势预测是在态势理解的基础上概括电网的现状规律和预测未来发展变化。态势预测的结果被提交到态势利导来进一步优化电网的控制。这3个部分由上至下,共同组成了态势感知技术。本文关于配电网的态势感知总体框架如图1所示。

图1 配电网的态势感知框架Figure 1. Situational awareness framework of the distribution network

2 配电网态势感知及其研究进程

配电网态势感知通过实时监控系统运行状态的各类参数分析、评价运行过程中产生的各种数据结果进行保证配电系统安全经济运行。

2.1 态势觉察及其研究进程

态势觉察收集、处理来自配电网系统的数据,以支持深入的态势理解和态势预测。设计智能化、自动化、集成化的配电网以及优化配置是获得实时、精确观测信息的核心。

随着信息通讯技术的快速发展,量测数据量产生了一定增长。同步相量测量装置(Phasor Measurement Unit,PMU)、高级量测体系(Advanced Measurement Infrastructure,AMI)的不断推广以及5G等通讯技术的快速演进,不仅增加了配电网的可视性,同时为态势感知技术提供了更好的数据基础。获取数据的多样性与实时性、处理多源异构的海量数据成为了态势觉察的难题。在安全问题下,通过采集实时同步量测数据以支撑配电网安全态势感知[4]。基于优化的配电网网络拓扑分层模型,可快速捕获系统安全态势要素来增强对配电网的控制能力[9]。

PMU的布置可提高量测数据量与配电网可视化能力,但考虑到经济和技术的局限性,电网中PMU的优化规划问题备受关注。在状态估计可视化上,通过建立考虑经济性、不确定性、估计精度以及电压越限影响问题的PMU优化配置模型,最大限度地提高了PMU使用效益。通过开发最优PMU布置策略可以增强电力系统动态状态估计(Dynamic State Estimation,DSE)的可观测性[10]。此外,结合PMU信道总数、基于高速率PMU数据的最大状态估计不确定性以及状态估计对线参数容差的敏感性等方面,可展开对PMU最优配置的研究。

由于PMU的高频特性使通讯系统超负荷,测量数据需要压缩处理。压缩量测可用于传输前减少量测数据量,缓解存储空间不足、干扰和延迟,提高状态估计的准确度,为动态状态估计夯实数据基础。压缩量测技术目前处于初级阶段,可利用奇异值分解(Singular Value Decomposition,SVD)、主成分分析(Principal Component Analysis,PCA)等机器学习算法对海量数据进行降维去噪处理,加快分布式系统状态估计的收敛性[11]。

同步相量数据异常对其后续的态势感知具有严重影响,例如线路参数辨识中电压幅值误差在向电阻辨识结果误差传递过程中会放大上千倍[12]。PMU时间同步偏差将破坏广域阻尼控制的效果,甚至加剧振荡幅度[13]。同步相量异常数据问题引起了各界广泛关注,因此在改进PMU装置以求提升量测数据质量的同时也要开展对PMU数据的检测修复研究。

主动配电网已进入数据密集时代,但数据类型复杂、变化迅速、规模和价值密度低,且传输和处理大量数据的经济技术成本过高,导致配电网态势感知系统的感知精度较低,故障预判可靠性差。优化PMU、增强系统的可视化并对海量多源异构量测数据的处理已成为主动配电系统的主要研究课题。

2.2 态势理解及其研究进程

为了深度理解与分析态势感知,需要对感知过程提取的状态要素和多源数据进行融合,提取有价值数据,并将其整合到电网运行中。

2.2.1 动态状态估计DSE

配网中多种量测装置共存,例如PMU、数据采集与监视控制系统(Supervisory Control and Data Acquisition,SCADA)和AMI。单种测量不能满足网络的可观测性,需通过整合多种测量数据来提高状态估计的准确性,也可将改进后的PMU与其他系统进行混合量测,相互修正量测量以提高估计精确度。文献[14]提出了对微型同步相量测量单元(μPMU)与SCADA系统的混合量测。不仅两种量测装置可混合联测,也可提出多源量测数据融合的DSE方法[15]。同时,还需要考虑新型装置接入后数据融合处理对状态估计结果的影响。文献[16]设计了一种适用于数据融合估计技术的全局监测评估方法,但其考虑的新型装置较少。为实现更高效的分布式DSE,关于多源数据的选择和处理和评估数据融合对状态估计的影响研究仍需深入进行。

配电网运行形态由于新型负载变得更加复杂,需考虑新类型电源与量测装置,对状态估计技术进行深入研究[9]。需考虑到电动汽车、分布式电源以及储能的不确定性影响。为了处理混合的慢速和快速动态特性,需要研究具有快速逆变器动态特性的DSE。此外,还需研究机器学习等分析方法来提高DSE的性能以及实现实时分布式DSE,以应对在孤岛情况下更具弹性的电力系统的稳定问题。

估计精度和时效性是衡量电力系统状态估计性能的重要指标[17]。为了得到可靠的DSE,需要具有高效的鲁棒状态预测和状态滤波。从状态滤波来看,动态状态估计的解决收敛性方法大多以扩展卡尔曼滤波(Extended Kalman Filter,EKF)[18]为主。从鲁棒状态来看,在统计稳健性方面,稳健的DSE应该设计成能够抗数据质量问题的鲁棒性DSE。此外,利用不同理论优势的混合方法更适用于复杂的电力系统,例如基于人工神经网络和不依赖于电力系统模型的算子理论的数据驱动的决策支持系统[19]。然而,在重载和拓扑错误条件下数据质量、不适当的初始化、模型误差与不确定性,均可能导致DSE的收敛问题[20]。因而,需要增强数字和统计稳健性来处理该问题。

在数字化和网络化背景下,系统防御能力降低,可通过DSE检测和识别虚假数据,故可在易受到攻击的节点处配置同步向量测量装置,并对同步相量数据进行分析总结。此外,还需考虑配电网的拓扑变化对DSE的影响。

2.2.2 配电网态势评估

评估技术包括监测、态势感知和建模。高占比可再生能源的不可控励磁与无惯性特性导致频率、电压和潮流的复杂响应。因此,基于数据的非线性动态模型技术更具有挑战性。

处理这些数据并准确地抓住系统特征是研究重点。在混合量测系统中,需要利用PMU准实时数据对主动配电网进行抗差估计[21]。态势评估的优化可从建立区间优化模型方面展开研究[22]。在子区域中,可以通过引入动态估计的权重矩阵[23]来提高主动配电网的DSE的精确度。

动态分析从模型驱动转向数据驱动,通过历史数据获取系统状态是研究重点。可考虑建立数据驱动分布式框架以实现全系统的态势感知。在电压方面,针对电压幅值及其相角进行监测和研究[24]。在配网的拓扑方面,可设置基于随机矩阵的监测指标[25]。在配网安全上,可从电网异常辨识方法方面开展研究,实现配电网的安全态势感知[26]。数据驱动方法已被应用于解决配电网框架中不断变化且难以预测的不确定性问题[27]。目前需将研究重点转移到利用大量量测数据进行态势感知的无模型控制方法方面。

基于大量系统数据,经典数学理论重新出现在无模型控制的视野中,例如Koopman算子、随机矩阵理论(Random Matrix Theory,RMT)、概率论的中心极限定理。研究人员利用Koopman算子理论进行了非线性系统控制[28]、状态估计[29]、系统辨识[30]、系统稳定性评估[31]以及估计电力系统惯性[32]等方面的研究,并利用RMT感知高维复杂的智能电网[33]、分析电压和电流的快速波动[34]。基于概率论的中心极限定理,进一步建立了态势感知的线性特征值统计[34]。因此,主动配电网的数据驱动的创新方向可考虑以经典数学理论方法为切入点展开研究。

在非线性控制理论中对创新的数据驱动无模型方法的需求越来越大。大量建模、监控和操作应用可以从DSE中受益。其中包括态势预测阶段的风力/太阳能发电场、负载和聚合模型校准、振荡源位置、不稳定性的可见性和检测等。

2.3 态势预测及其研究进程

态势预测是基于态势理解对配电系统中的各种变化因素进行预测、评估与预警。随着PMU在电力系统中的部署,研究人员提出并实现了电力系统不稳定预警、相干和识别等态势感知技术,可通过采集配电网高精度实时同步量测数据,支撑配电网安全态势感知,也可研究将人工智能算法用于负荷预测[35]。

2.3.1 负荷态势预测

负荷态势感知本质上是态势感知在配电网需求侧的深化,其技术实现过程充分利用前端感知信息及时空多维状态信息进行推演,形成“源—荷”互动的实时反馈迭代式的负荷控制策略。相对于传统的负荷调控技术,其关键技术体现在全景负荷状态信息的采集提取、数据驱动的泛化负荷建模、基于多维度感知信息的态势推演及调控实现这三个方面。在多维度感知方面,可展开空间电力负荷态势感知技术的研究[36]。在短期预测方面,大数据和优化神经网络技术可实现电力负荷预测精度的有效提升[37]。在负荷感知方面,采用模糊神经网络和AI代理(Artificial Intelligence Agent)等智能算法建立对母线负荷态势感知的模型[38],实现居民负荷在参与电网互动过程中更加精细化和智能化的提升。同时,还需考虑引入超短期负荷测试方法预测负荷、不良数据所带来的不良影响[39]。

针对地区电网的短期和超短期负荷预测难度。可通过对循环神经网络(Recurrent Neural Network,RNN)、长短期记忆(Long Short-Term Memory,LSTM)以及混合模型聚类等算法进行深入研究[40],构建全面综合的预测模型,学习和模拟各类因素在负荷预测中的作用。

2.3.2 分布式电源态势预测

针对分布式发电功率的准确迅速预测,可使电力调度员预测并模拟未来电网运行轨迹的发展,以灵活应对未来电网运行状态的变化。

对于光伏功率的预测功能已基本实现,超短期光伏功率预测技术可通过时间序列法[41]以及人工智能法[42]实现。人工智能预测法是研究重点,若在不降低预测精度的情况下减小对历史数据的依赖性,需加大对深度网络模型的研究。

风电功率的预测方法主要分为机理预测和数据驱动预测两大类。这两种方法分别是建立关于地表信息和气象的数学模型进行分析预测[43]。数据驱动法通过建立关于历史数据的统计模型对未来时刻的风电功率进行准确预测[44],主要包括时间序列法和人工智能法[45]。将二者结合起来的风电预测方法具有较大应用潜力。未来研究不仅需要充分利用相关信息,还需要更多的风电测量点,以便使其能够预测数据的空间模式。此外,还需分析不同测量之间的数据,从而归纳和揭示潜在的物理规律。

2.3.3 风险评估

配电设备的实时监测不断完善,例如风险量化评估,使对配电设备的实时风险评估成为可能。对设备的实时故障率以及故障停电实时风险值、实时停电损失进行计算,构建风险以及检修模型,从而优化检修计划,降低运行风险。

不确定性导致系统产生弱阻尼振荡,而WAMS(Wide Area Measurement System)相干检测算法能准确检测出高占比的可再生能源引起的弱阻尼振荡[46]。此外,逐渐降低的系统惯性也将导致产生更大的不稳定风险。对此,可通过设立不稳定性指标进行预警[47]。解决分布式供电导致的元件故障、负荷波动的突发性和隐蔽性导致的不稳定问题以及实现基于数据挖掘和深入学习的快速感知是当前研究的热点。

3 态势感知的应用拓展

态势感知技术是提高配电网柔性的一种信息支持手段,不仅能够应用于上文所述领域,还可用于准确预测各类扰动和故障定位与识别等技术。

3.1 预测各类扰动对配电网的影响

在配电网弹性研究中,需要准确预测各种干扰对配电网络的影响,包括系统内外部扰动和自然灾害等。目前电力系统扰动识别的研究主要是数据驱动的方法。为有效辨识信息安全风险,保障智能配电网的健康发展,可考虑将信息攻击、设备异常等信息扰动对系统稳定运行的影响进行评估[48]。不仅研究分布式电源不确定性、电动汽车充放电的无序性、波动性等对系统的网损和电压水平等带来影响,还需考虑分散式电源并网位置,例如研究不同场景下分散式风电接入对配电网的影响[49]。针对自然灾害,已有相关模型研究其对电网的影响[50]。未来还需研究在特定情况下定量计算不同扰动源的波动对配电网络影响的方法,例如区间-仿射算法等。

3.2 故障定位与识别

含分布式的配电网故障定位与识别具有较高的故障率[51],因而成为态势感知的重要内容。在故障诊断过程中通常需要借助大量气象数据和电气设备运行参数来提高故障感知能力。针对典型故障,可通过环境场景关联识别对配电网运行风险进行预警[52],或计及天气因素的配电网故障特征选择和故障停电风险等级进行预测[53]。针对多分支线路参数未知导致定位存在误差问题,可考虑不受参数影响的新型算法[54]。针对配电网小电流接地故障选线和区段定位难点,可利用暂态故障录波和配网PMU量测定位法[55]以及分布式同步相量测量装置(Distributed Phasor Measurement Unit,D-PMU)[56]。

上述方法主要针对配电网单重故障定位,在后续工作中应重点展开对配电网多重故障定位的研究。

4 结束语

目前,态势感知阶段的研究已取得了一定成果,但是包括数据融合技术、数据挖掘技术和模式识别技术在内的核心技术仍未取得突破,形势预测研究仍处于初级阶段。整合各种情景感知技术以及实现功能整合是有效实施的关键:

1)在数据方面,态势感知需要能够集成、发现多数据源异构,例如PMU、SCADA、运行信息和市场信息,以便对多种类型的柔性资源的状态和调度潜力进行充分感知;

2)在模型构建方面,态势感知需要建立一个综合、灵活的感知指标体系,需涵盖不同操作情景下的空间、物理以及价值等多维属性;

3)在性能方面,态势感知需要实时把握各种不确定性因素变化趋势,准确判断其灵活性要求的特点。

态势感知技术需要灵活观测,以协调不同时间、空间、物理和价值属性的灵活资源和手段,满足不同需要,并根据具体的空间和时间尺度、经济可利用价值和实际可实现的目标提供适应性控制策略。