基于大数据的广州电网输电线路跳闸分析及相关因素关联性挖掘Word文档下载推荐.docx
《基于大数据的广州电网输电线路跳闸分析及相关因素关联性挖掘Word文档下载推荐.docx》由会员分享,可在线阅读,更多相关《基于大数据的广州电网输电线路跳闸分析及相关因素关联性挖掘Word文档下载推荐.docx(6页珍藏版)》请在冰豆网上搜索。
![基于大数据的广州电网输电线路跳闸分析及相关因素关联性挖掘Word文档下载推荐.docx](https://file1.bdocx.com/fileroot1/2022-10/29/72763873-1207-4f0d-8321-f1a1a94ba525/72763873-1207-4f0d-8321-f1a1a94ba5251.gif)
大数据;
输电线路跳闸;
相关性分析;
三维数字仿真系统0引言广州电网位于广东500kV主环网的中心,是南方电网交直流混联运行、西电东送的受端负荷中心。
独特的负荷中心地位使得广州电网的运行安全性和供电可靠性时刻面临挑战[1-2]。
广东省的地形地貌决定了其成为雷电活动高发区:
粤北为大面积山地、珠江三角洲为平原、粤东西为丘陵台地、南部则面临南海,纬度低、太阳辐射强、对流旺盛。
广州地区位于其中,常年雷电活动频繁,地闪密度大[3],容易造成电网输电线路跳闸,影响广州地区供电稳定性,甚至严重威胁直流系统的运行安全[4-6]。
随着现代信息技术的迅猛发展,大数据已逐渐被引入到传统电网中,既突破了电力海量数据计算能力不足的瓶颈,又在电力系统稳定分析、电网设备状态检测等方面带来了新的思路[7-10]。
为了充分利用目前的电力大数据资源,深入分析输电线路跳闸影响范围、挖掘跳闸事件与环境因素相关性的强弱,本文将从分析广州电网的雷击现状出发,建立一个基于大数据平台的电力系统运行状态检测系统,深入分析跳闸事件及其影响范围,并利用关联关系挖掘算法研究影响跳闸的相关环境因素。
1广州电网雷击与跳闸现状分析广州市地处多雷区,近年平均雷暴日超过110日,平均地闪密度超过8.0次/km2,容易引发输电线路雷击跳闸故障。
2014—2015年的地闪密度图如图1所示,频繁的雷电活动使广州电网输电线路集中出现多次雷击跳闸事故[11]。
图12014年、2015年广州地区地闪密度图
Fig.1EarthflashdensityofGuangzhouin2014and2015截至2015年11月底,广州供电局所辖电网共有500kV架空输电线路30条,线路全长910.61km;
220kV架空输电线路169条,线路全长2538.9km。
2015年1月至2015年10月,110kV及以上的配电/输电线路共发生跳闸事件158次,其中220kV输电线路跳闸46次,500kV输电线路跳闸记录20次。
在20次跳闸中,有7次为雷击,5次原因不明,4次为台风影响,3次为外力破坏,1次为设备本体故障。
由此可以看出,引起跳闸的原因中,雷击占比较大。
在5次不明原因中,受雷雨影响的也占多数。
2015年10月“彩虹”台风期间,不断有漂浮物、悬挂物导致线路在一天之内发生多次跳闸,需要停电检修恢复供电。
2015年1—10月的总体跳闸情况统计如图2所示,其中左图是根据电压等级分类的跳闸次数;
右图包含了110kV—500kV电压等级,是根据跳闸原因进行分类的统计次数。
从以上分析可知,雷击对跳闸的影响较大。
为了更好地维护电网的整体运行,避免雷击或其他自然灾害等原因引起跳闸以及发生后续事故,有必要做好历史跳闸事故的综合分析,基于大数据平台实时监测跳闸的发生及其影响范围,并找出潜在的环境相关因素,及时高效地为电网操作运行提供可靠的决策辅助。
图22015年1—10月跳闸情况统计饼图
Fig.2PiechartoftrippingstatisticsfromJanuarytoOctober,20152基于大数据技术的电网输电设备状态监测系统本文针对电网大数据的特点及其分析处理需求,设计了大数据存储、分析工具,建立了电网输电设备状态监测系统。
该系统的核心是基于大数据建立的电力大数据平台,以及由高效计算模块和分析模块构成的高效分布式计算分析引擎,能够全方位地获取具有多模、多样、多时间尺度、海量等特征的电力大数据,快速方便地进行电力大数据关联关系分析。
2.1电力大数据平台架构电力大数据平台包括与数据来源相匹配的采集接口层、多源数据管理融合层、集成了开源与自主研发模块的分析引擎层和与专业模型进行通信的访问接口等4个部分。
总体系统架构如图3所示。
图3电力大数据平台整体架构图
Fig.3Structureofbigdataplatformforpowersystem在用户交互方面,系统提供平台统一管理门户,便于用户即时监测系统状态、查看任务执行情况和系统中的数据内容;
通过建立在Python、Java、Scala的文件系统访问接口、JDBC/ODBC访问接口、数据分析引擎ApacheSpark访问接口和跨平台的RESTAPI,为后续其他建模分析工作提供数据访问读写的接口;
同时提供基于iPython的交互式开发环境,方便用户利用Python社区丰富的开发工具包,对数据进行各种处理及分析。
2.2高效分布式计算分析引擎大数据分析引擎系统主要由一个基于内存计算的开源分布式计算框架、多个开源科学计算模块和多个自主研发的数据分析模块组成。
这些集成的开源分析工具支持大量通用、可靠的分析方法和工具。
集成这些工具使得这个平台具有较好的通用性和灵活性,用户可以随时调用通用分析方法,方便地利用平台的分布式计算资源。
分析引擎的基本架构如图4所示。
图4电力大数据平台分析引擎的基本架构
Fig.4Structureofanalyticalengineofbigdataplatform平台提供常用的经典学习算法和基于大数据的算法集合工具。
常用的算法已封装,提供方便、灵活的API接口,支持直接调用。
同时支持用户使用算法工具API接口进行二次开发。
已封装数据挖掘算法包括协同过滤、分类算法、聚类算法、降维和关联分析算法等。
3基于大数据的跳闸事件综合分析广州地区的天气情况复杂,夏季多雷击、台风等恶劣天气,跳闸事件发生的概率较高。
借助大数据平台的支持,可以大量收集跳闸数据及其他相关数据,高效地完成对跳闸事件全方位的分析。
本文将开展跳闸、电压变化与雷击3项数据的挖掘分析。
主要分析目标为:
1)调用统计方法分析跳闸事件与电压变化事件,研究跳闸与电压暂降在暂降幅度和持续时间上的分布规律;
2)挖掘出跳闸、天气(雷雨和台风等)、电压暂降、电压暂升等事件之间的关联性,求出各个事件之间的关联规则。
3.1跳闸与电压暂降的关系分析数据来源包括:
1)输电线路跳闸数据,包括跳闸时间、故障描述、故障分类等;
2)电压暂降数据,包括监测节点、事件类型、发生时间、持续事件、特征幅值等。
上述数据来自不同数据源,在数据采集时可以通过在线方式实时汇入电力大数据平台,也可以通过批量采集文件加载的方式汇入。
跳闸数据和电压暂降数据以不同的格式融合需要首先进行相关的预处理。
首先,为了从原始跳闸记录数据中提取所需部分数据,将跳闸记录文件按照时间排序,进行数据预处理,生成新数据文件,流程图如图5所示。
图5跳闸数据预处理流程图
Fig.5Flowchartofpreprocessingoftrippingrecorddata跳闸数据文件中,需要提取与电压暂降数据的对应站点在同一时间段内发生的电压变化记录信息,所需的处理流程图如图6所示。
为了分析跳闸与电压暂降之间的关联关系,假设每条电压暂降记录为1个事件,将电压暂降事件分为2类,由跳闸引起的标记为1,不是由跳闸引起的标记为0。
标记处理流程如图7所示。
图6电压暂变数据处理流程图
Fig.6Flowchartofdataprocessingofvoltagetransient图7数据标记处理流程图
Fig.7Flowchartofdatalabelling得到的标记处理数据格式部分结果如表1所示。
表1跳闸记录标记处理部分结果
Tab.1Partoftrippingrecordwithlabels序号持续时间/ms电压暂降幅度/%标记类别11485.00021586.40032146.40041189.9005102274.391650084.851根据输出结果绘制电压暂降与跳闸散点图如图8所示。
由于图8中大部分点均密集地分布在2000ms以内的时间段,为了更进一步观察不同点具体分布,将x轴取10的对数,而y轴保持不变,结果如图9所示。
图中每个点表示1个电压暂降事件,‘+’表示该电压暂降是由跳闸引起的,‘○’表示该电压暂降是非跳闸引起的。
由图9可见,‘+’在x轴的分布不超过2000ms,即跳闸引起的电压暂降单次记录的持续时间不会超过2000ms。
图8电压暂降与跳闸散点图
Fig.8Scatterplotofvoltagedipsandtrippingsagainstduration图9电压暂降与跳闸散点图(半对数轴)
Fig.9Scatterplotofvoltagedipsandtrippingsagainstduration(halflogarithmicaxis)图中可见‘+’(跳闸引起的电压暂降)集中分布在持续时间为50~150ms之间,而‘○’(非跳闸引起的电压暂降)分布较多地在持续时间为500~1100ms之间。
由图9的半对数轴可以发现,由非跳闸原因引起的电压暂降,其持续时间一般会大于跳闸引起的电压暂降。
为了在不同电压等级下进一步观察跳闸是否引起电压暂降的具体情况,可以按电压等级将数据进行划分。
本文提取110kV和10kV进行分析。
此时数据可分为110kV、10kV、跳闸和非跳闸4类,结果如图10和图11所示,其横坐标(持续时间)均为对数轴。
观察可得不同类型电压暂降事件(对应不同形状点)在不同电压等级时,持续时间和幅度分布上存在的差异。
图10中,10kV电压等级中非跳闸引起的电压暂降持续时间大于跳闸引起的电压暂降持续时间,而跳闸引起的电压暂降持续时间集中在100ms左右。
图11是110kV电压等级下的电压暂降持续时间分布,与10kV的分布略有不同,可以看出,非跳闸引起的电压暂降总体持续时间仍然大于跳闸引起的电压暂降持续时间。
同时,在暂降幅度的分布上也有区别:
对于110kV线路,跳闸引起的电压暂降幅度主要集中在20%~90%的区域,而非跳闸引起的电压暂降幅度可以在1%~20%之间。
图1010kV时电压暂降与跳闸散点图(半对数轴)
Fig.10Scatterplotofvoltagedipsandtrippingsagainstdurationunder10kVvoltagelevel(halflogarithmicaxis)图11110kV时电压暂降与跳闸散点图(半对数轴)
Fig.11Scatterplotofvoltagedipsandtrippingsagainstdurationunder110kVvoltagelevel(halflogarithmicaxis)为了直观地观察跳闸对变电站的影响范围以及电压暂降的深度和持续时间,将上述分析结果与变电站坐标、地图等地理信息相结合,在地图上标示跳闸线路和受影响的变电站,显示结果如图12所示。
图12