CN111967736A - 一种基于大数据平台的变电站倒负荷控制方法及系统 - Google Patents

Abstract

一种基于大数据平台的变电站倒负荷控制方法及系统，包括：获取变电站系统的各子系统采集的设备信息，设备信息包括设备运行信息和设备缺陷信息，设备运行信息包括设备状态参量；对各子系统采集的设备信息进行数据处理，形成数据库和规则库，其中，规则库中包含设备状态参量与设备缺陷的对应关系；从数据库中获取变电站系统各设备当前运行信息，基于规则库，根据当前运行信息确定运行存在缺陷的设备；根据运行存在缺陷的设备，确定最优倒负荷路径，以按最优倒负荷路径进行倒负荷控制。该方法解决了数据间彼此独立、数据共享融合困难的问题，提高变电站主动抢修和事前控制能力。

Description

一种基于大数据平台的变电站倒负荷控制方法及系统

技术领域

本发明涉及电力系统技术领域，具体涉及一种变电站倒负荷控制方法及系统。

背景技术

随着智能电网的快速发展及其规模的扩大，变电站数量剧增。目前，变电站主设备及各类辅助设备监控系统相互独立、设备覆盖不全、信息上送不完整，主辅设备的信息无法共享，变电运维人员对管辖设备缺乏有效的监控手段；通过多种监测手段获取的设备运行数据无法高度融合、有效利用，设备状态评估脱离现场运检数据，严重影响了设备状态的准确诊断和主动预警；另外，大量工作仍然靠人工控制，设备异常或故障后，故障判断和处理主要依赖人为经验，反应时间长，处理效率低，在变电站进行倒负荷等复杂操作时误操作时有发生，缺乏科学、有效的智能决策方法防止状态进一步恶化。因此，亟需解决主辅设备数据无法共享的问题，研究全站数据的统一接入方法、智能快速的倒负荷策略，以便在变电站异常或故障时为运维人员提供辅助决策，变“被动抢修”为“主动式抢修”，缩小停电影响范围，提高抢修效率。

目前，常用的设备状态识别方法包括专家系统等权重分析法，层次分析法、熵值法等客观权重分析法，人工神经网络、支撑向量机等机器学习法。

然而，随着智能监测设备的发展，在变电站的运行维护过程中产生了大量运行监测数据，实时运行数据、工况数据、缺陷信息、检修历史、家族质量史等信息并存，数据量剧增，且来源于多个不同的系统，传统的设备状态识别方法无法处理多源异构的海量数据。

发明内容

(一)发明目的

本发明的目的是提供一种基于大数据平台的变电站智能倒负荷系统，以解决目前变电站主、辅设备数据间彼此独立、数据共享融合困难的问题，并可实现变电站设备故障或异常情况下对重要负荷倒供的智能决策支持，提高变电站主动抢修和事前控制能力。

(二)技术方案

为解决上述问题，本发明的第一方面提供了一种基于大数据平台的变电站倒负荷控制方法，包括：

获取变电站系统的各子系统采集的设备信息，所述设备信息包括设备运行信息和设备缺陷信息，所述设备运行信息包括设备状态参量；

对各子系统采集的设备信息进行数据处理，形成数据库和规则库，其中，所述数据库中包含变电站各设备及设备信息的对应关系，所述规则库中包含设备状态参量与设备缺陷的对应关系；

从所述数据库中获取变电站系统各设备当前运行信息，基于所述规则库，根据所述当前运行信息确定运行存在缺陷的设备；

根据运行存在缺陷的设备，确定最优倒负荷路径，以按所述最优倒负荷路径进行倒负荷控制。

具体地，所述根据运行存在缺陷的设备，确定最优倒负荷路径，包括：

基于变电站系统的拓扑关系信息，根据所述当前断面数据确定当前变电站系统的运行方式；

根据确定的运行存在缺陷的设备及当前变电站系统的运行方式，确定最优倒负荷路径。

进一步地，所述的倒负荷控制方法，还包括：

从所述数据库中获取变电站系统运行的一次模型信息，所述一次模型信息包括厂站信息、电压等级、间隔配置信息、设备信息、设备连接关系等；

根据所述一次模型信息，确定变电站系统的拓扑关系信息。

具体地，所述根据确定的运行存在缺陷的设备及当前变电站系统的运行方式，确定最优倒负荷路径，具体包括：

根据当前变电站系统的运行方式，确定变电站系统中受运行存在缺陷的设备影响的负荷信息；

根据所述负荷信息确定可选倒负荷路径，并形成可选倒负荷路径表；

根据切负荷量最少和/或开关次数最少的原则，从所述可选倒负荷路径表中选择最优倒负荷路径。

具体地，所述根据所述负荷信息确定可选倒负荷路径，具体包括：

根据截面数据确定运行存在缺陷的设备的过载量；

根据所述负荷信息，按照有功从小到大的顺序将负荷有功与所述过载量进行比较；

判断是否存在有功大于所述过载量的负荷，若是，则将第一个有功大于过载量的负荷确定为倒供负荷；

根据确定的倒供负荷确定可选倒负荷路径。

进一步地，若不存在有功大于所述过载量的负荷，则按照有功从小到大的顺序将负荷有功两两相加后与所述过载量进行比较，将第一组有功相加后大于所述过载量的两个负荷确定为倒供负荷；

根据确定的两个倒供负荷确定可选倒负荷路径。

具体地，所述子系统包括设备管理系统、数据采集与监视控制系统、在线监测系统、消防/安防系统、视频/机器人巡检系统和移动终端.

具体地，所述设备运行信息包括所述数据采集与监视控制系统采集的四遥数据、所述在线监测系统采集的监测数据、所述消防/安防系统采集的监测数据、所述视频和/或机器人巡检系统采集的巡检数据；

所述设备缺陷信息包括所述设备管理系统采集的设备台账、检修历史数据、缺陷数据、家族质量史数据。

具体地，所述对各子系统采集的设备信息进行数据处理，包括：

对各子系统采集的设备信息进行数据融合分析和深度挖掘；

具体地，所述数据融合分析和深度挖掘可以包括异常数据清洗、缺失数据补充、设备台账匹配等，可采用多任务分布式技术(Spark流式技术)对大量运行数据进行预处理，实现特征信息的多元异构融合、特征识别。

本申请的第二方面给，提供了一种变电站倒负荷控制系统，包括：

变电站系统的各子系统，用于采集设备信息，所述设备信息包括设备运行信息和设备缺陷信息，所述设备运行信息包括设备状态参量；

大数据平台，用于对各子系统采集的设备信息进行数据存储和处理，形成数据库和规则库，其中，所述数据库中包含变电站各设备及设备信息的对应关系，所述规则库中包含设备状态参量与设备缺陷的对应关系；

倒负荷控制系统，包括设备状态识别模块和倒负荷决策模块，其中所述设备状态识别模块用于从所述数据库中获取变电站系统各设备当前运行信息，基于所述规则库，根据所述当前运行信息确定运行存在缺陷的设备，所述倒负荷决策模块，用于根据运行存在缺陷的设备，确定最优倒负荷路径，以按所述最优倒负荷路径进行倒负荷控制。

具体地，所述根据运行存在缺陷的设备，确定最优倒负荷路径，包括：

基于变电站系统的拓扑关系信息，根据各设备当前运行信息确定当前变电站系统的运行方式；

根据确定的运行存在缺陷的设备及当前变电站系统的运行方式，确定最优倒负荷路径。

进一步地，所述数据库中还包括电站系统运行的一次模型信息，所述的设备状态识别模块，还用于：

从所述数据库中获取变电站系统运行的一次模型信息，所述一次模型信息包括厂站信息、电压等级、间隔配置信息、设备信息、设备连接关系等；

根据所述一次模型信息，确定变电站系统的拓扑关系信息。

具体地，所述根据确定的运行存在缺陷的设备及当前变电站系统的运行方式，确定最优倒负荷路径，具体包括：

根据当前变电站系统的运行方式，确定变电站系统中受运行存在缺陷的设备影响的负荷信息；

根据所述负荷信息确定可选倒负荷路径，并形成可选倒负荷路径表；

根据切负荷量最少和/或开关次数最少的原则，从所述可选倒负荷路径表中选择最优倒负荷路径。

具体地，所述根据所述负荷信息确定可选倒负荷路径，具体包括：

根据截面数据确定运行存在缺陷的设备的过载量；

根据所述负荷信息，按照有功从小到大的顺序将负荷有功与所述过载量进行比较；

判断是否存在有功大于所述过载量的负荷，若是，则将第一个有功大于过载量的负荷确定为倒供负荷；

根据确定的倒供负荷确定可选倒负荷路径。

进一步地，若不存在有功大于所述过载量的负荷，则按照有功从小到大的顺序将负荷有功两两相加后与所述过载量进行比较，将第一组有功相加后大于所述过载量的两个负荷确定为倒供负荷；

根据确定的两个倒供负荷确定可选倒负荷路径。

具体地，所述子系统包括设备管理系统、数据采集与监视控制系统、在线监测系统、消防/安防系统、视频/机器人巡检系统和移动终端.

具体地，所述设备运行信息包括所述数据采集与监视控制系统采集的四遥数据、所述在线监测系统采集的监测数据、所述消防/安防系统采集的监测数据、所述视频和/或机器人巡检系统采集的巡检数据；

所述设备缺陷信息包括所述设备管理系统采集的设备台账、检修历史数据、缺陷数据、家族质量史数据。

具体地，所述对各子系统采集的设备信息进行数据处理，包括：

对各子系统采集的设备信息进行数据融合分析和深度挖掘。

(三)有益效果

本发明的上述技术方案具有如下有益的技术效果：

本发明首先通过大数据平台统一接口接入变电站全景数据，包括主设备数据、在线监测和安防及消防等辅助设备数据、视频及机器人的巡检数据、移动终端的检修数据、PMS系统的设备台账及缺陷数据等，通过大数据平台对多源异构数据进行融合分析，为设备状态识别提供数据支撑；然后在大规模数据分析的基础上，采用大数据挖掘的思想，基于云模型对设备状态参量指标和设备状态结果之间的相关性进行建模，可以不断回归修正，能够根据所研究的设备对象、状态参量、故障或异常类型等灵活变化，不需要重新对模型进行构建，不存在模型固化问题；最后基于设备状态的识别结果及当前变电站的运行方式进行倒负荷策略分析，在设备异常或故障时，提供最优的倒负荷策略，变“被动抢修”为“主动式抢修”，有效缩小停电影响范围，提高抢修效率。

附图说明

图1是本发明实施例提供的变电站倒负荷控制系统示意图；

图2为本发明实施例提供的基于大数据平台的变电站倒负荷控制方法流程图；

图3为本发明一具体实施例提供的主接线图；

图4为本发明一具体实施例提供的主变中压侧过负荷时最优倒负荷策略确定方法流程图。

具体实施方式

为使本发明的目的、技术方案和优点更加清楚明了，下面结合具体实施方式并参照附图，对本发明进一步详细说明。应该理解，这些描述只是示例性的，而并非要限制本发明的范围。此外，在以下说明中，省略了对公知结构和技术的描述，以避免不必要地混淆本发明的概念。

参见图1，提供了一种变电站倒负荷控制系统，包括：

变电站系统的各子系统，用于采集设备信息，所述设备信息包括设备运行信息和设备缺陷信息，所述设备运行信息包括设备状态参量；

大数据平台，用于对各子系统采集的设备信息进行数据存储和处理，形成数据库和规则库。其中，所述数据库中包含变电站各设备及设备信息的对应关系，所述规则库中包含设备状态参量与设备缺陷的对应关系。

倒负荷控制系统，包括设备状态识别模块和倒负荷决策模块，其中所述设备状态识别模块用于从所述数据库中获取变电站系统各设备当前运行信息，基于所述规则库，根据所述当前运行信息确定运行存在缺陷的设备，所述倒负荷决策模块，用于根据运行存在缺陷的设备，确定最优倒负荷路径，以按所述最优倒负荷路径进行倒负荷控制。

具体地，通过建立变电站系统各设备与其设备信息的对应关系，并存储记录经数据处理后的、各时间点采集的设备信息，形成所述数据库；可以基于云模型根据各设备历史运行信息及历史缺陷信息，通过数据挖掘等数据处理方式从设备运行信息中筛选出影响设备状态的指标，即设备状态参量，通过建立各设备状态参量和设备状态结果(正常或存在缺陷)之间的相关性模型，通过不断回归修正，得到设备状态参量与设备缺陷的对应关系(相关性模型)，形成所述规则库；

具体地，所述子系统包括设备管理(PMS)系统、数据采集与监视控制(SCADA)系统、在线监测系统、消防/安防系统、视频/机器人巡检系统和移动终端；所述设备运行信息包括所述SCADA系统采集的四遥数据、所述在线监测系统采集的监测数据、所述消防/安防系统采集的监测数据、所述视频和/或机器人巡检系统采集的巡检数据；

具体地，设备运行信息具体可以包括设备的电压、电流、刀闸位置、开关位置、压板状态、设备告警信息等数据，可以通过SCADA系统和/或在线监测系统获得；设备缺陷主要包括故障、过载、预警、检修等，所述设备缺陷信息包括所述PMS采集的设备台账、检修历史数据、缺陷数据、家族质量史数据等与设备缺陷相关的信息。

各子系统数据统一接入大数据平台，由大数据平台进行异常数据清洗、缺失数据补充、多源数据的有机融合、统一存储管理、高效访问，为设备状态识别提供充足的基础数据。

本申请首先通过多种监测手段获取变电站的各子系统数据，使得各个信息化系统数据实现统一平台发布；然后通过大数据平台对多源异构数据进行数据融合分析和深度挖掘，从数据本身内在规律分析的角度挖掘出有价值的规则；基于规则库及设备运行信息，采用云模型实现设备状态的判别；由智能倒负荷决策模块根据当前运行信息进行倒供策略分析，得出最优的倒负荷策略，提供给地市端。本发明选择大数据平台作为数据支撑环境，利用分布式存储技术来获取和管理变电站层的设备多源数据；利用云模型云滴产生的随机性和稳定的趋向性来挖掘设备状态参量与状态结果之间的关联度，实现每项关键状态指标评估值到评估集的不确定性映射，有效提高评估的准确性和全面性；在变电站异常情况下提供最优的倒负荷策略给地市端，不但能够给地市端提供智能决策支撑，变“被动抢修”为“主动式抢修”，提高变电站主动抢修和事前控制能力，还能够有效避免数据在地市端的过度拥塞。

基于上述系统，参见图2，本发明还提供了一种基于大数据平台的变电站倒负荷控制方法，包括：

步骤101：获取变电站系统的各子系统采集的设备信息，所述设备信息包括设备运行信息和设备缺陷信息，所述设备运行信息包括设备状态参量；

步骤102：对各子系统采集的设备信息进行数据处理，形成数据库和规则库，其中，所述规则库中包含设备状态参量与设备缺陷的对应关系；

步骤103：从所述数据库中获取变电站系统各设备当前运行信息，基于所述规则库，根据所述当前运行信息确定运行存在缺陷的设备；

步骤104：根据运行存在缺陷的设备，确定最优倒负荷路径，以提供给地市端使地市端按所述最优倒负荷路径进行倒负荷控制。

具体地，所述对各子系统采集的设备信息进行数据处理，包括：

对各子系统采集的设备信息进行数据融合分析和深度挖掘；

具体地，所述数据融合分析和深度挖掘可以包括异常数据清洗、缺失数据补充、设备台账匹配等，可采用多任务分布式技术(Spark流式技术)对大量运行数据进行预处理，实现特征信息的多元异构融合、特征识别。

具体地，可以基于云模型对各设备状态参量指标和设备状态结果(正常或存在缺陷)之间的相关性进行建模，通过不断回归修正，得到设备状态参量与设备缺陷的对应关系；

以断路器预警为例，其规则库如表1所示：

表1

具体地，所述根据运行存在缺陷的设备，确定最优倒负荷路径，包括：

基于变电站系统的拓扑关系信息，根据各设备当前运行信息确定当前变电站系统的运行方式；

根据确定的运行存在缺陷的设备及当前变电站系统的运行方式，确定最优倒负荷路径。

进一步地，所述的倒负荷控制方法，还包括：

从所述数据库中获取变电站系统运行的一次模型信息，所述一次模型信息包括厂站信息、电压等级、间隔配置信息、设备信息、设备连接关系等；

根据所述一次模型信息，基于拓扑分析功能确定变电站系统的拓扑关系信息。

具体地，所述根据确定的运行存在缺陷的设备及当前变电站系统的运行方式，确定最优倒负荷路径，具体包括：

根据当前变电站系统的运行方式，确定变电站系统中受运行存在缺陷的设备影响的负荷信息；

根据所述负荷信息确定可选倒负荷路径，并形成可选倒负荷路径表；

根据切负荷量最少和/或开关次数最少的原则，从所述可选倒负荷路径表中选择最优倒负荷路径。

具体地，所述根据所述负荷信息确定可选倒负荷路径，具体包括：

根据截面数据确定运行存在缺陷的设备的过载量；

根据所述负荷信息，按照有功从小到大的顺序将负荷有功与所述过载量进行比较；

判断是否存在有功大于所述过载量的负荷，若是，则将第一个有功大于过载量的负荷确定为倒供负荷；

根据确定的倒供负荷确定可选倒负荷路径。

进一步地，若不存在有功大于所述过载量的负荷，则按照有功从小到大的顺序将负荷有功两两相加后与所述过载量进行比较，将第一组有功相加后大于所述过载量的两个负荷确定为倒供负荷；

根据确定的两个倒供负荷确定可选倒负荷路径。

以下以图3中1#主变中压侧过负荷为例进行说明。

首先要对1#主变负荷侧的所有受影响的负荷有功按照从小到大的顺序进行排序；然后计算1#主变中压侧的负载率，分析其过载量，将负荷按照从小到大的顺序依次与过载量进行比较，将第一个大于过载量的负荷作为倒供负荷；若不存在，则将受影响负荷从小到大两两组合与过载量进行比较。基于拓扑分析方法分析所有可以选择的倒负荷路径，以及每条倒负荷路径的负载率。倒负荷的原则一是负载量小的线路优先作为倒供源，二是优先选择开关站内的分段开关作为倒供源。对于多条可供选择的倒负荷路径，需要选取最优的路径，不同的倒负荷路径对供电可靠性、安全性和经济性具有不同的影响。本发明基于切负荷量最少同时开关次数最少的原则对所有可选择的路径进行排序，选出最优的倒负荷策略，其流程图如图4所示。

图3中，1#主变中压侧过负荷时，倒负荷决策模块首先判别各设备的状态，得出1#主变中压侧过负荷、2#主变正常运行，且2#主变有剩余容量。判断1#主变中压侧母线(I母和II母)是否并联运行，经拓扑分析得知1#主变中压侧I母和II母没有并联运行。则智能倒负荷决策模块生成可转移倒对侧母线的候选方案，从而得出1号主变中压侧过负荷时的倒换策略列表如表2所示：

表2倒负荷策略列表

由上表可以看出，在得出的四种可选倒负荷方案中，第三种策略的评估分值最高，选为最优的倒负荷策略，并将其推送至地市端，为运维人员提供智能决策支撑。

若1#主变中压侧母线并联运行，则生成甩负荷候选方案列表，计算候选方案的经济性评估分值，选取经济性评估分值最大的为最优倒换策略(倒负荷路径)。

本实施例所采用的变电站倒负荷系统，采用大数据平台融合变电站的全景数据作为数据支撑，基于云模型对设备的故障及异常状态进行智能判别，最后得到最优的倒负荷策略，为运维人员提供决策支持，在一定程度上实现了预知性检修，可有效提高变电站抢修自主性和事前控制能力，提升变电站运维的操作效率和安全性。

应当理解的是，本发明的上述具体实施方式仅仅用于示例性说明或解释本发明的原理，而不构成对本发明的限制。因此，在不偏离本发明的精神和范围的情况下所做的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。此外，本发明所附权利要求旨在涵盖落入所附权利要求范围和边界、或者这种范围和边界的等同形式内的全部变化和修改例。

Claims (10)

1.一种基于大数据平台的变电站倒负荷控制方法，其特征在于，包括：

获取变电站系统的各子系统采集的设备信息，所述设备信息包括设备运行信息和设备缺陷信息，所述设备运行信息包括设备状态参量；

对各子系统采集的设备信息进行数据处理，形成数据库和规则库，其中，所述数据库中包含变电站各设备及设备信息的对应关系，所述规则库中包含设备状态参量与设备缺陷的对应关系；

从所述数据库中获取变电站系统各设备当前运行信息，基于所述规则库，根据所述当前运行信息确定运行存在缺陷的设备；

根据运行存在缺陷的设备，确定最优倒负荷路径，以按所述最优倒负荷路径进行倒负荷控制。

2.根据权利要求1所述的变电站倒负荷控制方法，其特征在于，所述根据运行存在缺陷的设备，确定最优倒负荷路径，包括：

基于变电站系统的拓扑关系信息，根据各设备当前运行信息确定当前变电站系统的运行方式；

根据确定的运行存在缺陷的设备及当前变电站系统的运行方式，确定最优倒负荷路径。

3.根据权利要求2所述的倒负荷控制方法，其特征在于，还包括：

从所述数据库中获取变电站系统运行的一次模型信息；

根据所述一次模型信息，确定变电站系统的拓扑关系信息。

4.根据权利要求2所述的倒负荷控制方法，其特征在于，所述根据确定的运行存在缺陷的设备及当前变电站系统的运行方式，确定最优倒负荷路径，具体包括：

根据当前变电站系统的运行方式，确定变电站系统中受运行存在缺陷的设备影响的负荷信息；

根据所述负荷信息确定可选倒负荷路径，并形成可选倒负荷路径表；

根据切负荷量最少和/或开关次数最少的原则，从所述可选倒负荷路径表中选择最优倒负荷路径。

5.根据权利要求4所述的倒负荷控制方法，其特征在于，所述根据所述负荷信息确定可选倒负荷路径，具体包括：

根据所述各设备当前运行信息确定运行存在缺陷的设备的过载量；

根据所述负荷信息，按照有功从小到大的顺序将负荷有功与所述过载量进行比较；

判断是否存在有功大于所述过载量的负荷，若是，则将第一个有功大于过载量的负荷确定为倒供负荷；

根据确定的倒供负荷确定可选倒负荷路径。

6.根据权利要求5所述的倒负荷控制方法，其特征在于，若不存在有功大于所述过载量的负荷，则按照有功从小到大的顺序将负荷有功两两相加后与所述过载量进行比较，将第一组有功相加后大于所述过载量的两个负荷确定为倒供负荷；

根据确定的两个倒供负荷确定可选倒负荷路径。

7.根据权利要求1所述的变电站倒负荷控制方法，其特征在于，所述子系统包括设备管理系统、数据采集与监视控制系统、在线监测系统、消防/安防系统、视频/机器人巡检系统和移动终端.

8.根据权利要求7所述的变电站倒负荷控制方法，其特征在于，所述设备运行信息包括所述数据采集与监视控制系统采集的四遥数据、所述在线监测系统采集的监测数据、所述消防/安防系统采集的监测数据、所述视频和/或机器人巡检系统采集的巡检数据；

所述设备缺陷信息包括所述设备管理系统采集的设备台账、检修历史数据、缺陷数据、家族质量史数据。

9.根据权利要求1所述的变电站倒负荷控制方法，其特征在于，所述对各子系统采集的设备信息进行数据处理，包括：

对各子系统采集的设备信息进行数据融合分析和深度挖掘。

10.一种变电站倒负荷控制系统，其特征在于，包括：

变电站系统的各子系统，用于采集设备信息，所述设备信息包括设备运行信息和设备基础信息，所述设备运行信息包括设备状态参量；

大数据平台，用于对各子系统采集的设备信息进行数据存储和处理，形成数据库和规则库，其中，所述数据库中包含变电站各设备及设备信息的对应关系，所述规则库中包含设备状态参量与设备缺陷的对应关系；

倒负荷控制系统，包括设备状态识别模块和倒负荷决策模块，其中所述设备状态识别模块用于从所述数据库中获取变电站系统各设备当前运行信息，基于所述规则库，根据所述当前运行信息确定运行存在缺陷的设备，所述倒负荷决策模块，用于根据运行存在缺陷的设备，确定最优倒负荷路径，以按所述最优倒负荷路径进行倒负荷控制。

Images