CN111209535B - 一种电力设备相继故障风险识别方法及系统 - Google Patents

Abstract

本发明公开了一种电力设备相继故障风险识别方法及系统，对电网运行外部环境、电力设备本体状态信息进行甄别和提取，获得表征电网运行风险的关键数据；利用所述关键数据构建上述电力设备本体状态信息异常时的设备故障的概率分布模型；利用随机过程数学理论，结合设备故障的概率分布模型，将设备故障概率转化为设备间相继故障时间间隔的概率分布；利用所述设备间相继故障时间间隔的概率分布，确定给定置信度下的相继故障时间间隔。优点：从随机过程的角度对该问题进行了建模，对相应的划分标准进行了明确；更好地为不同阶段故障的动态控制决策提供可靠依据；能够在实际中的合理运用，普适性和实用性好，具有较高的工程应用价值。

Description

一种电力设备相继故障风险识别方法及系统

技术领域

本发明涉及一种电力设备相继故障风险识别方法及系统，属于大电网运行与分析技术领域。

背景技术

随着经济社会的持续发展，电网规模不断扩大，输电通道愈加密集，恶劣天气等风险因素往往导致近区多个设备在风险期内先后发生跳闸，造成难以承受的经济损失和社会影响。近年来部分国家已经接连出现多次恶劣天气导致局部电网多设备相继故障导致的大面积长时间停电事件。

传统的电力系统安全稳定机制以电力系统“三道防线”为基础，经过电力系统计算得到一系列离线策略表，在实时运行中通过匹配实际电网故障与策略表的方式来维护电力系统主网安全稳定。在极端天气引发的相继故障事件中，第一道防线(如继电保护动作等措施)无法保证电网稳定，第二道防线的预定策略往往难以与实际故障过程匹配，无法发挥有效作用，只能依赖第三道防线如低频减载、振荡解列等措施遏止电网的失稳过程，虽然最终电网恢复稳定运行，但相应的控制代价往往难以承受，造成严重社会影响。

即便电网运行人员在相继故障发生前已经预先得到极端天气预警，由于缺乏相应的识别方法，难以判别电力设备在极端天气作用下故障的时序过程，通常处于保守性考虑，将所有风险设备视为同时故障。根据历年电网设备故障案例统计结果，极端天气引发的相继故障，大多数属于近区电网中多个电力设备在一段时间内发生先后跳闸的情况，多个设备同时发生故障的情况十分罕见。因此，若将相继故障视为同时故障，其结果往往是过度控制，造成不必要的损失。

发明内容

本发明所要解决的技术问题是克服现有技术的缺陷，提供一种电力设备相继故障风险识别方法及系统。

为解决上述技术问题，本发明提供一种电力设备相继故障风险识别方法，

对电网运行外部环境、电力设备本体状态信息进行甄别和提取，获得表征电网运行风险的关键数据；

利用所述关键数据构建上述电力设备本体状态信息异常时的设备故障的概率分布模型；

利用随机过程数学理论，结合设备故障的概率分布模型，将设备故障概率转化为设备间相继故障时间间隔的概率分布；

利用所述设备间相继故障时间间隔的概率分布，确定给定置信度下的相继故障时间间隔。

进一步的，所述设备故障的概率分布函数和概率密度函数表示为：

P(Y≤t)＝1-P(Y＞t)＝1-e^-λt

式中，P(Y≤t)表示单一设备故障时间不大于时间t的概率分布，Y，y是设备故障时间的随机变量；P(Y＞t)表示单一设备故障事件大于时间t的概率分布，e是自然常数，λ是原二项分布的期望，通过历史数据进行近似拟合得到，p(y)表示概率密度。

进一步的，所述设备间相继故障时间间隔的概率分布表示为：

其中，

F(t)表示设备i、j相继故障时间差t＝t_i-t_j的概率分布函数，t_i表示设备i的故障时刻，t_j表示设备j的故障时刻，t_m＝-t_j表示t_j的相反数，f(t_i)、g(t_j)分别为设备i、j的故障概率密度函数，f′(-t_j)＝f(t_j)。

一种电力设备相继故障风险识别系统，包括获取模块、构建模块、转化模块和确定模块；

所述获取模块，用于对电网运行外部环境、电力设备本体状态信息进行甄别和提取，获得表征电网运行风险的关键数据；

所述构建模块，用于利用所述关键数据构建上述电力设备本体状态信息异常时的设备故障的概率分布模型；

所述转化模块，用于利用随机过程数学理论，结合设备故障的概率分布模型，将设备故障概率转化为设备间相继故障时间间隔的概率分布；

所述确定模块，用于利用所述设备间相继故障时间间隔的概率分布，确定给定置信度下的相继故障时间间隔。

进一步的，所述构建模块包括第一函数确定模块，用于确定所述设备故障的概率分布函数和概率密度函数为：

P(Y≤t)＝1-P(Y＞t)＝1-e^-λt

式中，P(Y≤t)表示单一设备故障时间不大于时间t的概率分布，Y，y是设备故障时间的随机变量；P(Y＞t)表示单一设备故障事件大于时间t的概率分布，e是自然常数，λ是原二项分布的期望，通过历史数据进行近似拟合得到，p(y)表示概率密度。

进一步的，所述转化模块包括第二函数确定模块，用于确定所述设备间相继故障时间间隔的概率分布为：

其中，

F(t)表示设备i、j相继故障时间差t＝t_i-t_j的概率分布函数，t_i表示设备i的故障时刻，t_j表示设备j的故障时刻，t_m＝-t_j表示t_j的相反数，f(t_i)、g(t_j)分别为设备i、j的故障概率密度函数，f′(-t_j)＝f(t_j)。

本发明所达到的有益效果：

1)对于多个设备发生相继故障，究竟将其故障演化过程视为独立故障分别发生，还是视为多重故障同时发生，传统的控制机制并没有明确该问题。本发明从随机过程的角度对该问题进行了建模，对相应的划分标准进行了明确；

2)本发明建立了相继故障演化过程的概率模型，更符合实际电力系统故障演变特点，可以更好地为不同阶段故障的动态控制决策提供可靠依据；

3)本发明基于完备的理论和方法，有科学可信的使用依据和标准，能够在实际中的合理运用，普适性和实用性好，具有较高的工程应用价值。

附图说明

图1是本发明的整体流程图；

图2是设备故障时间范围示意图；

图3是设备故障时间间隔概率分布构建过程示意图；

图4是南疆、和田地区电网网架结构示意图；

图5是楚喀I线t时间内跳闸的概率分布；

图6是阿楚I线t时间内跳闸的概率分布；

图7是鹿麦线t时间内跳闸的概率分布；

图8是鹿坪II线t时间内跳闸的概率分布；

图9是楚喀I线与鹿麦线在△t内相继跳闸的概率密度函数；

图10是鹿麦线与鹿坪II线在△t内相继跳闸的概率密度函数；

图11是阿楚I线与鹿坪II线在△t内相继跳闸的概率密度函数；

图12是楚喀I线与鹿麦线在△t内相继跳闸的概率分布函数；

图13是鹿麦线与鹿坪II线在△t内相继跳闸的概率分布函数；

图14是阿楚I线与鹿坪II线在△t内相继跳闸的概率分布函数。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

一种电力设备相继故障风险识别方法，用于电网运行风险控制的流程图如图1所示，其特征是基于不断累积的电力设备历史故障信息、极端天气预警、外部气象信息及电力设备实时运行信息建立风险设备故障的随机过程模型，具有完备的理论和方法，它包含以下步骤：

1)求取单一设备故障时间的概率分布；

以强风为例，在同样等级的风力g条件下，设备的故障概率是相同的，我们将每一次风力持续时间以及线路是否跳闸的情况记录下来，形成一系列样本数据，之后将一系列样本数据连接起来，形成一个总时长为T的样本，当n→∞，则有：

式中，X是在特定风力影响下设备故障次数随机变量；

P(X＝κ)是在特定风力影响下设备发生k次故障的概率；

λ是式(1)中的原二项分布的期望E(X)＝np＝λ，可以通过历史数据进行近似拟合；

e是自然常数。

通过对强风期间设备跳闸历史样本进行转化处理，可以在泊松分布基础上构建泊松过程：

式中，P(X＝0，t)表示t时间内未发生设备故障的概率。

进而得到设备的故障时间范围的概率分布和概率密度：

P(Y≤t)＝1-P(Y＞t)＝1-e^-λt (3)

式中，Y，y是设备故障时间的随机变量；

2)求取相继故障序列过程的概率分布；

多个设备间的故障序列组合十分复杂，按照分解-聚合的策略，首先找到最先进入高风险时段的设备，再依次得到此设备与其余设备的故障组合，对其时间间隔进行估计，按照故障发生时刻和故障间隔进行排序，形成最终的故障组合序列。多个设备间的故障序列可以看作有若干个继发故障衔接而成，这样多设备的故障序列过程就可以简化成对若干个两设备故障过程的分析估计。

在给定概率下，设备i，j的故障时间范围如图2所示。由于设备i，j的故障为独立事件，其时间范围概率密度函数分别为g(t_i)，f(t_j)，利用卷积公式，并令t_m＝-t_j，可得到时间差t＝t_i-t_j的概率分布函数：

因时间间隔为|t|＝|t_i-t_j|，所以时间间隔的概率分布函数F(|t|)可以通过F(t)转化而来，如下式所示，具体示意图如图3所示。

根据设备间相继故障时间间隔的概率分布函数F(|t|)，即可得到给定置信度下的相继故障时间间隔。如指定置信度为95％，则可由F(|t_95％|)＝95％解得t_95％，进而为后续的电力系统针对故障演化的不同阶段建立动态控制策略提供可靠依据。

相应的本发明还提供一种电力设备相继故障风险识别系统，包括获取模块、构建模块、转化模块和确定模块；

所述获取模块，用于对电网运行外部环境、电力设备本体状态信息(线路风偏、杆塔倾斜、导线温度、导线弧垂、现场污秽、导线舞动、微风振动、覆冰监测，主变油色谱、铁芯接地电流、主变局部放电、顶层油温，断路器六氟化硫气体压力、六氟化硫水分、分合闸线圈电流波形、储能电机工作状态、微水监测、断路器局部放电，避雷器绝缘监测，电容绝缘监测，变电视频监测)进行甄别和提取，获得表征电网运行风险的关键数据；

所述构建模块，用于利用所述关键数据构建上述电力设备本体状态信息异常时的设备故障的概率分布模型；

所述转化模块，用于利用随机过程数学理论，结合设备故障的概率分布模型，将设备故障概率转化为设备间相继故障时间间隔的概率分布；

所述确定模块，用于利用所述设备间相继故障时间间隔的概率分布，确定给定置信度下的相继故障时间间隔。

所述构建模块包括第一函数确定模块，用于确定所述设备故障的概率分布函数和概率密度函数为：

P(Y≤t)＝1-P(Y＞t)＝1-e^-λt

式中，P(Y≤t)表示单一设备故障时间不大于时间t的概率分布，Y，y是设备故障时间的随机变量；P(Y＞t)表示单一设备故障事件大于时间t的概率分布，e是自然常数，λ是原二项分布的期望，通过历史数据进行近似拟合得到，p(y)表示概率密度。

所述转化模块包括第二函数确定模块，用于确定所述设备间相继故障时间间隔的概率分布为：

其中，

F(t)表示设备i、j相继故障时间差t＝t_i-t_j的概率分布函数，t_i表示设备i的故障时刻，t_j表示设备j的故障时刻，t_m＝-t_j表示t_j的相反数，f(t_i)、g(t_j)分别为设备i、j的故障概率密度函数，f′(-t_j)＝f(t_j)。

具体实例：

以新疆电网12·27疆南地区强对流天气事件为例，根据本发明所述方法对故障线路的历史跳闸信息进行统计分析建模，建立设备间继发故障风险模型，从而得到有效的主动控制措施。2017年12月27日18时，喀什地区自西向东出现强对流天气，平均风速达到11级，局部地区风速高达12级，引起750千伏楚喀I线、阿楚I线、220千伏鹿麦线、坪鹿II线相继跳闸，造成疆南、和田地区电网与新疆主网单点联系。事故前，疆南电网负荷36万千瓦，火电机组出力17.4万千瓦，最大出力33万千瓦，和田电网负荷115万千瓦，火电机组出力34.9万千瓦，最大出力60万千瓦，水电机组，出力40.7万千瓦，最大出力45万千瓦。楚喀断面(楚喀+楚伽+鹿麦)下网39.4万千瓦，阿楚断面(阿楚+阿坪双线)下网58万千瓦。南疆、和田地区电网网架结构示意图如图4所示，事故时序如下：

18:47，750千伏楚喀I线A相跳闸，重合成功；

18:49，750千伏楚喀I线A相再次跳闸，重合失败，为防止楚伽线或鹿麦线跳闸，开始控制220千伏楚伽线+鹿麦线断面潮流；

18:53，220千伏鹿麦线C相跳闸，重合失败，为防止楚伽线跳闸，开始控制220千伏楚伽线潮流；

19:08，220千伏坪鹿II线A相跳闸，重合失败；

19:12，750千伏楚喀I线试送成功；

19:13，通过金鹿变对220千伏鹿麦线试送成功，麦盖提变220千伏鹿麦线断路器无法合闸，220/110千伏麦羌电磁合环运行；

19:15，750千伏阿楚I线A相跳闸，重合失败，为防止坪鹿I线跳闸，开始控制坪鹿I线潮流；

19:19，通过柯坪变对220千伏坪鹿II线试送成功；

19:23，220千伏坪鹿II线第二次跳闸；

19:31，220千伏坪鹿II线第二次试送成功；

19:42，750千伏阿楚I线试送成功；

19:45，金鹿变同期合上220千伏坪鹿二线断路器，线路恢复正常；

20:36，麦盖提变合上220千伏鹿麦线断路器。地区电网恢复全接线运行；

通过对12·27事件跳闸线路的多年因大风天气造成的跳闸信息进行统计分析，可得到在不同风力等级下线路跳闸的泊松分布期望值，大风引起线路跳闸数据统计分析结果，如表1所示。

表1

根据12·27事件各线路所在区域风力等级，根据式(1)-(4)可得线路两次跳闸之间的时间间隔的概率分布及概率密度函数如图5-图8所示。

近似认为各线路之间跳闸相互独立，将线路两次跳闸之间时间间隔的概率密度代入式(5)，通过卷积计算可得到两条线路相继跳闸间隔时间的概率密度函数和概率分布函数，概率密度函数如图9-图11所示，概率分布函数如图12-图14所示。

经计算，楚喀I线与鹿麦线、鹿麦线与鹿坪II线、鹿坪II线与阿楚I线相继跳闸的|t_95％|如表2所示，表示大风引起线路跳闸数据统计分析结果。

表2

经过与实例中实际故障间隔时间相比可以看出，本发明基于随机过程理论对相继故障的故障时序建模的模型合理，所得到的估计结果可信度较高，能够为电力系统针对故障演化不同阶段的控制决策提供可靠依据。

随着泛在电力物联网技术的发展和相关数据的积累，对电网外部环境风险的预判辨识水平将逐步提高，设备故障概率的测算评估将更加准确。届时，本发明建立的相继故障演化过程的概率模型将更加准确，可信度更高，使得极端天气下电力设备相继故障风险识别能力更强，在抵御电网潜在风险，维护安全稳定运行方面的实用性将进一步提升。

本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。

本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (2)

1.一种电力设备相继故障风险识别方法，其特征在于，

对电网运行外部环境、电力设备本体状态信息进行甄别和提取，获得表征电网运行风险的关键数据；

利用所述关键数据构建上述电力设备本体状态信息异常时的设备故障的概率分布模型；

利用随机过程数学理论，结合设备故障的概率分布模型，将设备故障概率转化为设备间相继故障时间间隔的概率分布；

利用所述设备间相继故障时间间隔的概率分布，确定给定置信度下的相继故障时间间隔；

所述设备故障的概率分布函数和概率密度函数表示为：

P(Y≤t)＝1-P(Y＞t)＝1-e^-λt

式中，P(Y≤t)表示单一设备故障时间不大于时间t的概率分布，Y，y是设备故障时间的随机变量；P(Y＞t)表示单一设备故障事件大于时间t的概率分布，e是自然常数，λ是原二项分布的期望，通过历史数据进行近似拟合得到，p(y)表示概率密度；

所述设备间相继故障时间间隔的概率分布表示为：

其中，

F(t)表示设备i、j相继故障时间差t＝t_i-t_j的概率分布函数，t_i表示设备i的故障时刻，t_j表示设备j的故障时刻，t_m＝-t_j表示t_j的相反数，f(t_j)、g(t_i)分别为设备j、i的故障概率密度函数，f′(-t_j)＝f(t_j)。

2.一种电力设备相继故障风险识别系统，其特征在于，包括获取模块、构建模块、转化模块和确定模块；

所述获取模块，用于对电网运行外部环境、电力设备本体状态信息进行甄别和提取，获得表征电网运行风险的关键数据；

所述构建模块，用于利用所述关键数据构建上述电力设备本体状态信息异常时的设备故障的概率分布模型；

所述转化模块，用于利用随机过程数学理论，结合设备故障的概率分布模型，将设备故障概率转化为设备间相继故障时间间隔的概率分布；

所述确定模块，用于利用所述设备间相继故障时间间隔的概率分布，确定给定置信度下的相继故障时间间隔；

所述构建模块包括第一函数确定模块，用于确定所述设备故障的概率分布函数和概率密度函数为：

P(Y≤t)＝1-P(Y＞t)＝1-e^-λt

式中，P(Y≤t)表示单一设备故障时间不大于时间t的概率分布，Y，y是设备故障时间的随机变量；P(Y＞t)表示单一设备故障事件大于时间t的概率分布，e是自然常数，λ是原二项分布的期望，通过历史数据进行近似拟合得到，p(y)表示概率密度；

所述转化模块包括第二函数确定模块，用于确定所述设备间相继故障时间间隔的概率分布为：

其中，

F(t)表示设备i、j相继故障时间差t＝t_i-t_j的概率分布函数，t_i表示设备i的故障时刻，t_j表示设备j的故障时刻，t_m＝-t_j表示t_j的相反数，f(t_j)、g(t_i)分别为设备j、i的故障概率密度函数，f′(-t_j)＝f(t_j)。