【解读】怎样应用大数据分析让配电网更高效、更安全？

日期：2015-08-07 来源：供用电杂志

2015

08/07

08:41

手机扫码看资讯

澳大利亚维多利亚州政府于2009年授权维多利亚州配电供应公司启动面向所有居民用户的高级量测体系(AMI)部署计划。AusNetServices公司借此机会，向低压配电网中引入了分布式智能与可视化应用，基于AMI的电能量测数据、高级数据分析工具及技术，开发了大量运行管理应用、资产管理应用，主要驱动力为提高电网及用户安全。

引言

AusNetServices公司是澳大利亚维多利亚州最大的能源传输服务供应商，拥有并经营3种不同的能源网络，即图1所示的输电网、配电网与天然气分配网。

图1AusNetServices公司的电力与天然气网络

维多利亚州的能源生态系统完全打破了垄断，实现了行业的大部分私有化。能源零售完全可竞争，是最活跃的国际市场之一，用户“流失”率每年上升，有时甚至高达30%以上。

近年来，维多利亚州正在进行产业转型，促进因素之一为2009年州政府授权全州配电供应商启动的部署计划，即为所有全年用电量在160MWh以下的用户安装高级量测体系(AMI)。

这些智能电表的功能、规格在当时看来较新颖且需要完善，这意味着可以向电力市场引入许多新功能。

其中，AusNetServices公司决定利用蜂窝式主导通信网络与电表管理系统(MMS)来共同实现大量模拟信号数据在AMI智能电表端的采集以及之后的传输、存储和在前端的处理。

利用IP网络，这些每5min测量一次的电压、电流、频率、功率因数可呈现配电网每个网架节点的“同步”时间断面信息。这就像在每个用户的电网连接点上安装了远程遥测终端单元(RTU)。

结合现有配电领域内的SCADA功能和AMI数据，可通过高级数据分析应用创造大量新价值，而这正是本文的主题。

1、数据分析的目的和场景描述

在AMI基础设施出现之前，AusNetServices公司的低压配电网内几乎没有部署任何智能量测仪器，只存在少数用于监测电能质量问题(通常以天/周为周期)的便携式监测装置。

AusNetServices公司很早就意识到AMI数据中存在着重要的电网价值。当公司可获取智能电表数据后，即设定了挖掘数据价值的发展目标和实施步骤。

因此在AMI部署计划实施的同时，也在建设相应的数据采集和处理环境，最初采用了战术性的基础设施解决方案，以便能够尽早主动利用该技术，这已经被证明是一个成功的商业决定。在智能电表实现部署、蜂窝通信设施开始运行、电表数据采集成功后，产生了多条平行价值链。

数据分析应用开发的目标领域包括电网规划、运行响应和资产管理，重点关注改善电网安全和用户安全。

随着近年来分布式能源的不断增加(在澳大利亚地区主要是太阳能发电)，这些计划的重要性也在不断凸显。低压网络所面临的运行条件与电网规划时所考虑的条件有所不同，有效响应需要新的低压数据、智能量测以及近实时响应能力，以便充分控制管理配电网络。

AusNetServices公司于2010年启动部署AMI智能电表，并在2011年开始开发数据分析应用。第一个关键步骤是分析开发平台的概念验证(战术性)，以便在未来通过结合企业信息管理战略和企业架构计划，开发一个更加可靠的平台。

由于电表管理系统部署在Oracle平台上，这是对分析开发环境的必然选择。开发平台被用于创建伪“数据池”，其中集成了从MMS系统中获取的AMI数据以及多种现有源系统数据，如地理信息系统(GIS)、用户信息系统(CIS)、资产管理系统(AMS)等，以便促进数据发现，分析应用“引擎”输出，以及报告数据准备。

传统的数据挖掘方法通过人工抽取数据到应用并进行分析。然而由于数据体量过大(每日新增高达3亿条新数据记录)，传统方法被证实既不可行，也不能持久。该项目决定推进数据挖掘效率，将传统方法中抽取数据之后再计算的过程改为在数据库内进行计算与逻辑处理，这导致了需要在Oracle数据库中执行大量计算。此后他们意识到需要发展更加灵活的分布式网格计算平台，这也是目前转向更高可持续性技术解决方案环境的一部分。

自2011年起，在非常短的时间内，数据分析数据库增速令其他所有企业数据库相形见绌，而在这一快速增长阶段Oracle平台不得不被多次重新分解，以确保性能和存储的连续性。在写作本文的时候，数据库大小为29TB并在以每月1TB的速度增长。

随着时间的推移，解决方案中采用了多种适用工具(商业或开源)——如IBMCognos(报告)、EnterpriseArchitect(建模与设计)、TalendOpenStudio(ETL)、subversion/Git(版本控制)、Jira(任务和故障管理)、IBMiLOG/CPLEX(优化)。可以预料，随着这种高级分析环境的成熟，与之相关的工具集也在不断完善，因此需要制定一个选择和部署策略。

AMI智能电表数据通过2种方式传输：

1)正常的时间同步低压模拟量测数据是以时间标记并存储在每个智能电表通信模块中，并随后每3h或6h检索一次。

2)“报警”相关数据(通常为电表通信模块内的分布式处理应用“策略”输出)则被立即作为一个未经请求的消息/事件传回，在5～10s内到达前端数据库中。

这2种类型的反应时间延迟都为电网运行和资产管理提供了稳态和近实时的响应机会。

2、数据分析和当前应用

AusNetServices公司已逐步实施一系列基于SCADA系统的智能电网应用，例如22kV配电网的自动故障检测、隔离和恢复(FDIR)。结合SCADA历史数据和来自AMI的电能质量RTU数据，可以引入新的电网分析用例，本文会介绍部分用例。

一个典型例子：配电网传统保护方式是检测故障产生的大电流，因此较难检测高阻抗或断线类型故障。然而通过分析SCADA历史数据(在某些情况下，需要结合同一时间断面内的智能电表量测电能质量数据)，可以检测到这些故障并激活操作响应。

AMI智能电表数据为掌握低压电网与负荷端用电信息提供了新方法，AusNetServices公司据此识别、制定和实施了一系列有利于用户和低压配电网的新功能。

应用分析开发方法通过一种快捷、快速检测失败与否的方法来检查、试验新思路、算法(收集想法，设置假设条件，“通过概念证明测试”。如果成功，开发/完善实施应用;如果失败，吸取经验并快速继续下一研究)。通常情况下，一个新的分析“用例”从设想到试验成功，孵化期仅需几周/几个月。公司面临的持续挑战之一是新应用如何转变为日常业务操作，新应用往往需要新的操作方式，而这就要求改变管理操作。

AusNetServices公司数据分析应用及其分类汇总说明见图2。

图2AusNetServices公司数据分析汇总

3、用例分析

3.1落线、低电压检测及定位

AusNetServices公司22kV配电网络主要由传统架空裸导线组成。在风暴期间，掉落的树枝和其他外部影响可导致导线断裂，掉落地上，见图3。在某些情况下，这种类型的故障无法被保护系统检测到，掉落导线在地面依然带电，构成安全风险，这也可能引起低电压问题。

图3落线引起的故障示意图

如浪涌下的熔断丝或导线桥连熔融等其他较良性情况也可能引起电压跌落。发生低电压问题时，确定其故障性质和位置非常重要。确定故障位置后，即可采取有效电网开关动作来自动隔离切断故障区域，利用备用线路为其他区域供电，在确保任何落线已被断电的同时尽量减小对用户的影响。

随着越来越多的柱上设备与SCADA系统、量测系统的连接，现有的保护方法可通过数据分析和自动化实现隔离高阻抗故障。

现有使用的FDIR系统无法响应灵敏接地故障(SEF)操作，该操作中故障电流小于30A。如果能将低电压与接地电流检测事件集成到现有FDIR方案，可使系统响应故障条件范围更广。

自2013年，AusNetServices公司已开始运行监控馈线中性线电流计算值以及SCADA相连柱上IED设备电压(如开关和重合器)分析过程。这些分析过程表明其可用于识别如并联馈线、落线及低电压等异常情况，见图4所示低电压异常。

图4低电压异常情况识别

3.1.2实际案例

本文已经表明，利用数据分析能可靠检测和定位落线，如下例所示。

停电管理系统事件和AMI智能电表数据的时间表：①1:33从90多台AMI电表中收到低电压报警;②1:34中性点大电流SCADA报警;③1:41接地故障分析应用接收到的“大中性点电流”电子邮件;④1:51第一个用户投诉;⑤2:00派出检修人员;⑥5:00隔离馈线;⑦5:18馈线恢复供电。

传统故障解决方法：检修人员至少需要巡线4.7km才能定位故障，导致停电事故持续4h45min。

通过集成SCADA及AMI数据的故障解决方法，见图5。

图5快速检测和定位故障位置

1)AMI低电压预警早于用户投诉前18min触发;

2)通过集成SCADA接地故障分析与AMI低电压预警信息，得出此次故障应被分类为落线，并将巡线范围缩小到了2个配电变电站之间的350m，将用户停电时间降低到0.5h以下。

3.1.3未来发展

AusNetServices公司目前正在完成近实时数据分析流程的最后阶段，该分析流程可为运行控制中心提供智能预警、识别落线，并缩小其定位范围到几百米以内(见图6)，可显著提升公众安全，并节省运营成本。

图6近实时数据分析流程

3.2配电变电站负荷评估

3.2.1背景

配电变电站(带熔断器的22kV/415V变压器)为AusNetServices公司向用户供电过程中的重要资产。然而实际上这些配电变电站(6万个)均未被监测或遥测。

配电变电站具有最大额定值，负荷高于最大额定值则会出现过载，如果不处理过载情况，最终会引起设备损坏(见图7)。为了避免这种情况，AusNetServices公司的规划设计人员需要定期评估配电变电站，并在发生严重故障之前进行主动升级。

图7过载引起的开关柜损坏

目前的配电变电站最大负荷需求评估方法为将由季度收缴电费数据得出的用户用电量按照人工判定的用户类型(居民、商业、工业、农业)来分类计算。

3.2.2新的方法

AusNetServices公司的AMI智能电表可以每30min记录一次用户实际负荷数据，如果这些数据能够被正确集成汇聚，可被用于评估变电站全年负荷情况，见图8。

图8变电站负荷特性预测方法

AusNetServices公司利用AMI智能电表数据来实施上述方法，并将其应用到评估未安装智能电表的用户群体用电特性。这种新方法可更加准确地预测任何时间点的配电变电站负荷。

3.2.3实际案例

图9展示了7.48天期间的3个不同系列数据(2014年1月8日～16日)：

图97.48天期间的3个不同系列数据(温度、用户用电间隔数据总和、负荷预测值)

1)红色表示温度;

2)蓝色表示连接到配电变电站的用户智能电表间隔数据总和;

3)绿色表示变电站负荷预测值，包括间隔数据(蓝线以上)及所有未安装智能电表的连接所述配电站用户估计值(使用电费数据)，未使用电表计量的负荷和电网损耗。

图9中，温度与配电变电站负荷之间很明显具有相关性：当温度升高时，负荷同步增加。确保负荷峰值(最大需求)在配电变电站运行范围内(额定值为315kVA)非常重要。

通过分析变电站负荷评估情况与实际温度，可评估变电站在热天/高峰需求期间是如何使用的，并确定其过载率。该信息随后可用于评估变电站明年是否会过载，或下一热浪期间是否过载，如果发生过载，如何有效规划变电站升级。

在过去，有时在存在潜在问题的变电站安装数据记录器(需额外成本费用)以采集负荷。然而，数据记录仪仅安装短暂时间(通常是一周)，可能无法覆盖需求高峰期，因此该信息不能用于可靠分析变电站负荷。AusNetServices公司利用AMI数据来评估配电变电站的历史负荷情况。

为了进一步验证通过AMI系统评估配电变电站负荷的方法，AusNetServices公司已经选择了几个配电变电站并安装了数据记录器。然后比较变电站负荷的实际测量值与预测值，结果见图10(红色是实际测量值，绿色是预测值，蓝色是间隔数据之和)。在实际测量值与预测值之间有一定的误差，然而如果考虑关键的最大需求对比结果，那么在大多数情况下误差低于10%。

图10变电站负荷实际测量值和预测值比较

配电变电站负荷评估只是疑难问题之一。在低电压配电网络中，三相负荷应该平衡，然而实际情况并非总是如此(见图11)。

图11三相不平衡引起的电压跌落

变电站的最大历史需求评估值为300kVA，在其额定值315kVA内。然而，由于存在三相不平衡，当变电站负荷增大时，用户住宅之间的供应电压变化更加显著，见图11，电压可能跌落65V。

如果存在一个高渗透率且未在三相间平均分配的太阳能光伏发电，那么这些负荷不平衡问题会更加严重。

3.2.4未来发展

AusNetServices公司计划进一步提升变电站负荷自动化程度以协助以下方面：

1)在不引起停电范围扩大的前提下，评估检修期间可以从相邻变电站转移的用户数;

2)如果相邻变电站预计过载，为满足峰值需求，评估可并联供电的变电站;

3)评估变电站满足未来发展的容量，例如由人口增长、新业务或设备带来的新连接;

4)确定变电站的不平衡相负荷，给出重新平衡相负荷的建议(特别是有关减轻太阳能光伏发电相不平衡)。

3.3相位识别

3.3.1背景

三相电网通常存在相位不平衡的问题。当由某配电变电站供电的配电网连接在三相间未均匀分配时，就会产生这些问题。在极端的情况下，所有低压连接可接到同一相位。

低压相位不平衡的影响包括：①变压器容量减小(与最高负荷相比较);②线损增加;③资产寿命缩短(变压器);④用户电能质量问题(尤其是需要连接三相的负荷)。

在过去，由于检测特定用户的相位需要访问站点，这通常包括配电变电站及用户连接点两侧同时操作相位检测装置，因此配电供应商很难识别相位不平衡问题的严重性。

3.3.2新的方法

AusNetServices公司的智能电表数据除了记录电量信息外，还记录了瞬时电压值。智能电表通过NTP来同步时钟，每5min测量一次电压。

低压电网中的电压一般在230V，而短期事件会引起电压波动。通常，与由变电站或高压电网引起的事件相比，由用户行为(如使用热水器)引起的电压事件可能对供给同一相位其他用户的电压影响最大。

当电压事件在变电站一段距离外发生时，这种效果对于远离配电变电站的用户最为明显。

相反，变电站附近的测量值更容易识别其他相位的电压事件，而同相位的电压事件影响反而不那么明显。

随着时间的推移，足够数量的电压事件将可在电压记录数据中观测到，仅利用该电压数据即可识别同相位的用户。同步采样的电压可确保一个时间断面点的电网状态数据。

利用这些电压时序点，AusNetServices公司基于IBMCPLEX开发了将电表行为模式相似的电表集群归为同相位组的应用。该算法的目的是找到三相组，其中每个相位组包含了有着相似电压模式的电表——代表配电变电站的三个相位。必须注意这些相位组并未对应实际相位组(即R、W、B)。该分析的输出结果与实际相位组之间的关系是另一个独立分析过程。无法被分组的电表被认为是离群点。

3.3.3实际案例

为了验证相位识别应用的结果，对从配电变电站连接到每个用户的线路进行了人工相位识别。表1列举了一个变电站的样品比较。

在此示例比较中：

1)总共比较了23处连接配电变电站的住处，大部分仅使用单相位供电，少数住处需要两相到三相供电;

2)共有15处住处计算值与实际值匹配，正确率占总样本的65%;

3)8处计算值与实际情况不匹配，因为无法通过人工识别确定其连接相位。

目前，在匹配的住处，正在不断取得具有高精确度的结果。

相位识别非常有用，尤其是从人工角度来说，因为如果连接分配均匀，则可以迅速确定相位。这时，相位识别的好处就显现出来，如表2所示的电压分析问题。

1)表2中的左图展示了一个配电变电站所连接住处的相位组分布;

2)中图展示了具有电压问题的住处(蓝色表示低电压，绿色表示电压在工作范围内);

3)右图将相位分组叠加到电压分布图之上，标黄的相位组表明其具有低电压问题。

3.3.4未来发展