CN101609987B - 主站自动电压控制与厂站电压无功控制的联合协调方法 - Google Patents

Abstract

本发明公开一种主站的自动电压控制(AVC)与厂站端的电压无功控制系统(VQC)的联合协调方法，涉及电力调度自动化系统的技术领域；所要解决的是在同一个区域同时部署AVC和厂站VQC，用数据挖掘的决策树方法来解决两者之间联合协调设备的技术问题；该方法的实现流程如下：1)数据准备，建立数据挖掘知识库；2)节点属性的确立；3)样本测试；4)调整节点属性；5)样本验证；6)协调策略生成。本发明是基于决策树的数据挖掘方法，具有非常直观，易于操作，可灵活扩展节点属性的特点。使用该方法，可以从大量的相关信息中提取出需要预测的结果，为电力调度自动控制决策提供了依据。

Description

主站自动电压控制与厂站电压无功控制的联合协调方法

技术领域

本发明涉及自动化控制技术，特别是涉及一种用于电力调度自动化系统的主站的自动电压控制(AVC)与厂站端的电压无功控制系统(VQC)的联合协调的实现技术。

背景技术

电压是电能质量主要指标之一。电压质量对电网稳定及电力设备安全运行、工农业安全生产和人民生活用电都有直接影响。电压过高、过低或偏离一定范围都会影响到用电设备的使用寿命和利用效率，造成经济损失。

目前国内部分变电站装设了厂站端的电压无功控制系统VQC(VoltagueReactive Control)，VQC实现简单，运行稳定可靠，需要很少的参数设置，便于在综合自动化系统中集成，由于VQC不需要远方干预，直接采集本身变电站的信息，所以对电压无功波动灵敏，反应迅速，在需要快速恢复电压和无功的场所，有很重要的作用。同时由于厂站内部仅仅能获取本厂站实时信息，不能利用其他厂站的实时信息。在控制时不可避免地会出现调节振荡，缩短一次设备的使用寿命，严重时会造成电网谐波污染，酿成严重事故。

自动电压控制AVC(Auto-Voltague Control)在主站建设，集成所有厂站的信息，对整个系统进行协调控制，可以充分利用系统的无功资源，进行全网的无功优化，从而避免了设备的振荡投切，延长设备的使用寿命，集成多个厂站信息，进行全网的自动电压控制是未来自动电压控制的一种重要方式，但是AVC由于是运行于主站，采集的是远方的信号，依据远方多个变电站的信息做出判断，所以相对VQC来说，AVC对电压无功波动相对滞后，反应不灵敏，诸多的保护闭锁信号可能导致AVC对某个厂站时期应有的调节功能，同时在偶尔出现的一些的事故合成信号期间，AVC可能失去全网的调节能力。

因此充分利用厂站现有的VQC，当主站通信出现故障，或者出现需要紧急控制的事项时，采用数据挖掘(Data Mining)的决策树(Descision Tree)的方法，来决定AVC与VQC的协调使用，可以发挥厂站VQC的速度优势，协调主站AVC的优化控制，具有极大的现实意义。

国内传统的VQC，装置在变电站，未考虑主站AVC的动作问题。而装置在主站的AVC也不考虑厂站VQC的运行。因此在目前系统中AVC、VQC对电压的自动调节作用是互斥的、矛盾的，投运AVC时，解决方法是把VQC停运，造成极大投资浪费。或者在投运VQC时，对主站的AVC仅仅要求监视作用，而没有发挥主站AVC的全部功能。

目前，尚没有一种方法可以将两者结合起来，共同作用于电网，充分利用现有的自动控制资源，使电网的电能质量得到更大的提升。

发明内容

针对上述现有技术中存在的缺陷，本发明所要解决的技术问题是提供一种解决不同自动电压控制之间协调的方法，能充分利用电网无功设备，增强自动电压控制能力，提高供电侧母线电压质量，满足用户的电能质量要求的保证电压质量的主站的AVC与厂站端的VQC的联合协调方法。

为了解决上述技术问题，本发明所提供的一种主站的AVC与厂站端的VQC的联合协调方法，其特征在于，具体的实现流程如下：

1)在主站建立数据仓库，用来存放2)和3)中的海量遥测遥信数据、以及AVC、VQC、调度员的操作事项，并且供决策树快速的检索；

2)监视某个厂站运行的VQC，记录相应的调节措施和相关电压、有功、无功数据，保存在1)中的数据仓库中，在形成建立决策树时，可以以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

3)在主站投运AVC，但AVC并不动作，仅仅监视厂站设备电压无功，记录AVC发出的动作指令，当并不下发动作。记录相应的动作指令和相关电压、有功、无功数据，保存在1)中的数据仓库中，在形成建立决策树时，可以以此检索出必要的样本信息，以此来确定决策树的节点属性、以及属性值；

4)利用1)中保存的海量信息，提取出相关的样本信息，确定根节点、内部节点、叶子节点；以电压无功、通道状态、保护信号、数据质量作为决策树的节点属性，每个分支路径是节点属性值的一个输出，用部分样本信息来训练节点属性值；

5)根据4)的节点属性使用贪心(ID3)算法来建立决策树，为样本验证提供节点支路信息；

6)根据样本信息进行树的裁剪，完成决策树节点属性值的定量分析，得到各个内部节点的属性修正值；

7)用最小成本复杂度剪枝法对冗余的决策树枝进行裁剪，生成最优决策树；

8)根据其余样本信息，完成决策树节点属性值的验证分析，把决策树的节点和属性值保存在数据仓库，实时运行时从数据仓库获取决策树，供AVC和VQC联合协调决策分析使用。

进一步的，所述决策树是数据挖掘(Data Mining)中一种经常要用到的技术，可以用于分析数据，同样也可以用来作预测。

进一步的，所述决策树首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。本质上决策树是通过一系列规则对数据进行分类的过程。

进一步的，所述数据仓库(Data Warehouse)是数据存放的地方和提供对数据检索的支持。相对于操纵型数据库来说其突出的特点是对海量数据的支持和快速的检索技术。数据仓库的建立提供了决策树的数据支持。

进一步的，所述决策树(Decision Tree)方法是利用信息论中的信息增益寻找示例数据库中具有最大信息增益的属性字段，建立决策树的一个节点，再根据该属性字段的不同取值建立树的分支；在每个分枝集中重复建立树的下一个节点和分支的过程。

进一步的，所述决策树的基本算法是贪心(ID3)算法，它以自顶向下各个击破的方式构造决策树；在决策树的构造过程中，许多分支可能反映的是训练数据中的噪声或孤立点，树剪枝方法可以检测并剔除这种干扰数据；通常它使用统计度量，剪去最不可靠的分枝，这将导致较快的分类，提高测试数据正确分类的能力，从而提高在未知数据上分类的准确性。

进一步的，所述ID3是一个典型的决策树学习系统，它以信息熵作为分离目标评价函数，采用自顶向下不可返回的策略，搜出全部空间的一部分，它确保决策树建立最简单，每次所做的测试数据最少。ID3算法构造的决策树平均深度较小，分类速度较快。

利用本发明提供的主站的AVC与厂站端的VQC的联合协调方法，由于采用数据挖掘的基于决策树的方法，从VQC和AVC运行的历史数据来提取出有用的信息，这种信息用来指导VQC和AVC对无功设备的调节，增强自动电压控制能力。最终结果是给出一个完整的解决方案，这种方案将生成VQC和AVC对无功设备调节范围的定量标准。

相比主站运行的AVC、或者分站VQC，基于决策树的主站AVC和厂站VQC联合协调的方法有以下优点：

1)同时考虑主站AVC和厂站VQC协调，两者互为补充，充分利用电压自动控制系统；

2)基于决策树的方法在AVC和VQC协调中是首次使用，根据已有的SCADA采集信息，可以实现跨平台跨应用系统；

3)即使在主站通道或者主站系统故障时，厂站VQC并没有退出，还可以继续使用，在最不利的情况下也可以保证电压质量；

4)同样在厂站VQC故障或者闭锁时，主站AVC也可以继续动作，保证电压合格无功就地平衡；

5)决策树的结果可以为电网自动电压控制投资提供一个定量的参考依据；

基于决策树的主站AVC和厂站VQC联合协调的方法实现了一种充分利用系统资源，最大限度的保证电压质量、无功合格，使用户供电质量得到较大改善，是电力调度自动化系统自动化水平提高的体现。同时本发明是基于决策树的数据方法，其数据挖掘方式与应用无关，实现了系统的跨平台应用，支持UNIX、WINDOWS各种系列版本的操作系统平台。

附图说明

图1是本发明实施例基于决策树的主站AVC和厂站VQC联合协调流程图；

图2是本发明实施例决策树的通道状况部分节点生长示意图。

具体实施方式

以下结合附图说明对本发明的实施例作进一步详细描述，但本实施例并不用于限制本发明，凡是采用本发明相似的方法及其相似变化，均应列入本发明的保护范围。

由图1所示，本发明实施例所提供的一种主站的AVC与厂站端的VQC的联合协调方法，其特征在于联合协调方法的实现流程：

首先，建立一个可以存储大量数据的数据仓库，此仓库可以存储结构化的数据，还有非结构化的数据。结构化的数据包括采集到的遥测遥信，保护事项，VQC指令，AVC指令，通道状态，通道误码。非结构化的数据包括变电站的设备连接方式、是否有其他调节中断任务，以及每天的对AVC、VQC调节有影响一些因素。

其次，在主站侧收集厂站的信息，其中VQC的指令是难以收集到的，可以根据设备状态变化和事项综合判断出VQC的指令。分站遥测遥信、保护事项和通道状态是可以上传到主站的。一些保护信号是拟合的保护信号，有的不具有参考价值(例如事故总信号)，有的具有参考价值(例如变压器主保护动作)。在收集时应该区别对待。

第三，收集AVC的信息，包括AVC调节的周边厂站的设备信息，有遥测遥信、调度员操作事项、AVC自动闭锁事项、主站侧的一些标准牌信息，厂站的接线图信息太庞大，并且更新频繁，需要简化后收集。其他AVC的运行信息，接受上级电力部门的指令，以及影响AVC动作的信息也在收集之列。

第四步，把第二、第三步收集到的信息根据时间顺序保存到数据仓库，保存到数据仓库的数据主要供企业决策分析之用，所涉及的数据操作主要是数据查询，一旦某个数据进入数据仓库以后，一般情况下将被长期保留，也就是数据仓库中一般有大量的查询操作，但修改和删除操作很少，通常只需要定期的加载、刷新。因此需要进行清洗，筛选出不必要保存的意义不大的数据。例如变化不大的遥测，一直不变化的遥信数据，以及绝大多数时间为0的保护信号数据，保存时就需要进行筛选处理，一段时间内仅仅保存变化的数据，而不是每个时间断面保存全数据。

第五步，经过一段时间的信息收集后，这个时间应该大于半年以上，数据仓库的数据就可以检索出进行分析。对AVC和VQC协调动作来说，涉及到的方面很多，需要的数据也较多，并且对数据的延续性有要求，样本数据必须连续一段时间才具有利用价值。下列数据需要被列入样本信息中：1.连续的遥测，包括变压器的有功、无功、电流，母线的电压，发电机的无功、有功，线路的有功、无功，电容器电抗器的无功。2.遥信信息，包括线路开关的状态、变压器开关的状态、电容器开关状态、线路开关状态、母联开关状态。3.设备的运行工况，包括变压器的停运、检修、备用、投运状态，电容器电抗器的停运、检修状态。4.设备的保护信号，包括影响变压器、电容电抗调节投入退出的信号。5.设备的一些计算参数，包括变压器的阻抗、线路的阻抗、电容器电抗器的电容电感值。6.AVC和VQC的使用状况，包括通道状态、通信误码、AVC对厂站是否监视、调节，以及VQC是否投运、以及是否正常运行等状况。

第六步，把一段时间的数据整理处理后，根据其影响因素建立根节点、内部节点和叶子节点。从根节点开始建立树，树的建立过程是不断的把数据进行切分的过程，每次切分对应一个问题，也对应着一个节点。对每个切分都要求分成的组之间的“差异”最大。影响AVC、VQC调节的因素很多，包括通道、遥测遥信、保护信号、网络的接线、网络的负荷、一些人为的任务指自顶向下各个击破的方式构造的，根据最小化冗余平方和原则选择分裂属性，挑选令等等。决策树影响因素最大的“通道状态”作为根节点，其他高压、低压母线电压、变压器无功潮流、AVC、VQC的状况、保护信号等作为内部节点。叶子节点为AVC发出动作指令、VQC发出动作指令。

第七步，把检索到的样本信息划分为两部分，其中70％作为训练样本，在这些大量样本训练过程中，挖掘出节点的属性值。

第八步，在挖掘属性值的过程中，要对冗余的树枝进行裁剪，避免不必要的开销，得到一颗最优决策树。这个树的每个节点都是必要的，包括通道状态、高低压母线电压值、变压器的无功、设备的投切间隔、以及无功设备的运行工况。对每个节点属性值都是明确的，都是差异最大的，如通道状态是通和断，母线电压是越限与否，越限的子节点是越上限和越下限，设备时间间隔内是动作与否，动作是投运还是切除等。

第九步，用剩余的样本信息对决策树进行验证，看我们建立的节点、得出的节点属性值是否合理。比如母线电压上限值为额定电压的115％是否合理，是否能得到样本的结论。在这个过程中还需要调整决策树的属性值以适应验证样本信息。直到得出的叶子节点符合验证样本。

最后，验证阶段完成后，得到一颗最优的决策树，把这颗决策树保存到数据仓库中，在需要AVC和VQC联合协调时的决策时加载使用。

所述决策树(Decision Tree)方法是利用信息论中的信息增益寻找示例数据库中具有最大信息增益的属性字段，建立决策树的一个节点，再根据该属性字段的不同取值建立树的分支；在每个分枝集中重复建立树的下一个节点和分支的过程。

所述决策树是一个类似于流程图的树结构，其中每个内部节点表示在一个属性上的测试，每个分枝代表一个测试输出，每个树叶节点代表类。树的最顶层节点是根节点，为了对未知的样本分类，样本的属性值在决策树上测试。路径由根到叶节点。然后将决策树转换为分类规则。

所述决策树的基本算法是贪心(ID3)算法，它以自顶向下各个击破的方式构造决策树。在决策树的构造过程中，许多分支可能反映的是训练数据中的噪声或孤立点，树剪枝方法可以检测并剔除这种干扰数据。通常它使用统计度量，剪去最不可靠的分枝，这将导致较快的分类，提高测试数据正确分类的能力，从而提高在未知数据上分类的准确性。

所述ID3是一个典型的决策树学习系统，它以信息熵作为分离目标评价函数，采用自顶向下不可返回的策略，搜出全部空间的一部分，它确保决策树建立最简单，每次所做的测试数据最少。ID3算法构造的决策树平均深度较小，分类速度较快。

由图2所示，本发明实施例决策树的通道状况部分节点的生长，其中，

节点1为主站通道误码率；

节点21为持续时间；

节点22为主站是否有保护信号动作；

节点31为低压母线电压越限比例；

节点41为持续时间；

节点42为高压母线电压越限比例；

叶子节点101：指示VQC运行；

叶子节点102：指示AVC运行；

叶子节点103：指示本次无结果的，需保持原状。

Claims (6)

1.一种主站的AVC与厂站端的VQC的联合协调方法，其特征在于，具体的实现流程如下：

1)在主站建立数据仓库，用来存放步骤2)和步骤3)中的海量遥测遥信数据、以及AVC、VQC、调度员的操作事项，并且供决策树快速的检索；

2)监视某个厂站运行的VQC，记录相应的调节措施和相关电压、有功、无功数据，保存在步骤1)中的数据仓库中，在形成建立所述决策树时，能以此检索出必要的样本信息，以此来确定所述决策树的节点属性、以及属性值；

3)在主站投运AVC，但AVC并不动作，仅仅监视厂站设备电压无功，记录AVC发出的动作指令，但并不下发动作；记录相应的动作指令和相关电压、有功、无功数据，保存在步骤1)中的数据仓库中，在形成建立所述决策树时，可以以此检索出必要的样本信息，以此来确定所述决策树的节点属性、以及属性值；

4)利用步骤1)中保存的海量信息，提取出相关的样本信息，确定根节点、内部节点、叶子节点；以电压无功、通道状态、保护信号、数据质量作为所述决策树的节点属性，每个分支路径是节点属性值的一个输出，用部分样本信息来训练节点属性值；

5)根据步骤4)的节点属性使用贪心算法来建立所述决策树，为样本验证提供节点支路信息；

6)根据样本信息进行树的裁剪，完成所述决策树节点属性值的定量分析，得到各个内部节点的属性修正值；

7)用最小成本复杂度剪枝法对冗余的决策树枝进行裁剪，生成最优决策树；

8)根据其余样本信息，完成所述决策树节点属性值的验证分析，把所述决策树的节点和属性值保存在数据仓库，实时运行时从数据仓库获取所述决策树，供AVC和VQC联合协调决策分析使用。

2.根据权利要求1所述的主站的AVC与厂站端的VQC的联合协调方法，其特征在于，所述决策树是数据挖掘中经常用的技术，能用于分析数据或用来作预测。

3.根据权利要求1所述的主站的AVC与厂站端的VQC的联合协调方法，其特征在于，所述决策树首先对数据进行处理，利用归纳算法生成可读的规则和决策树，然后使用决策对新数据进行分析。

4.根据权利要求1所述的主站的AVC与厂站端的VQC的联合协调方法，其特征在于，所述数据仓库是数据存放的地方和提供对数据检索的支持。

5.根据权利要求1所述的主站的AVC与厂站端的VQC的联合协调方法，其特征在于，所述决策树的基本算法是贪心算法，它以自顶向下各个击破的方式构造决策树；在决策树的构造过程中，许多分支可能反映的是训练数据中的噪声或孤立点，树剪枝方法可以检测并剔除这种干扰数据；所述算法使用统计度量，剪去最不可靠的分枝，这将导致较快的分类，提高测试数据正确分类的能力，从而提高在未知数据上分类的准确性。

6.根据权利要求1所述的主站的AVC与厂站端的VQC的联合协调方法，其特征在于，所述贪心算法是以信息熵作为分离目标评价函数，采用自顶向下不可返回的策略，搜出全部空间的一部分，它确保决策树建立最简单，每次所做的测试数据最少。

Images