基于大数据分析的智能配电网状态监测与故障处理方法研究

柴谦益+郑文斌+潘捷凯+陆绍彬+温积群

摘 要： 针对智能配电网传统保护方法整定复杂、容错和适应性差等问题，基于大数据分析，提出并设计一套智能配电网状态监测及故障处理方法。该方法先后经过数据预处理、数据融合、数据分析与可视化以及状态辨识与处理共4个环节，将多电气特征量融合转变成为单个综合特征量，监测配电网运行状态，并能根据各个节点关联情况和局部异常因子大小实现对智能配电网故障区域的判定和定位。经RTDS半实物闭环测试，故障判定和定位准确性及可靠性较高，具有一定的参考价值。

关键词： 智能配电网； 保护方法； 大数据分析； 状态监测； 故障定位； 故障处理

中图分类号： TN915?34； TP393 文献标识码： A 文章编号： 1004?373X（2018）04?0105?04

Abstract： In allusion to the problems of complex setting， poor fault tolerance and poor adaptability of the traditional smart distribution network protection methods， a condition monitoring and fault processing method of smart distribution network is proposed and designed based on big data analysis. In this method， four procedures of data preprocessing， data fusion， data analysis and visualization， and condition identification and processing are performed to make multi?electrical characteristic quantities fused and transformed into single comprehensive characteristic quantity. The operation state of distribution network is monitored， and the judgment and location of fault area in smart distribution network are realized according to the correlation condition of nodes and the values of local outlier factors. The RTDS semi?object closed?loop test was carried out. The results show that the method has high accuracy and reliability of fault judgment and location， which also has a certain reference value.

Keywords： smart distribution network； protection method； big data analysis； condition monitoring； fault location； fault processing

智能配电网中引入新能源类DG容易在局部区域产生双向不定潮流，不仅使网络结构复杂化，改变配电网的众多故障特性，还给保护控制设计提出了一定的挑战[1?2]。而大多数保护方法的故障判据均使用小样本的单一电气特征量，整定所需计算较为复杂，且在运行环境变化时需要重新进行整定，保护可靠性方面也存在着一定的风险。在通信或传感器异常时，也容易产生误动或拒动保护[3?6]。

在智能配电网中加入大量传感设备，采集、上传并分析运行数据，形成智能配电网的大数据。目前已被用于用电行为分析、负荷预测等应用中，潜力较大且也为配电网保护方法提供了一个新的思路[7?10]。因此，本文基于大数据分析设计了一种智能配电网状态监测及故障处理方法。该方法将多电气特征量融合转变成为单个综合特征量，监测配电网运行状态。并能根据各个节点关联情况和局部异常因子大小对故障区域进行判定及定位，其准确性与可靠性较高，能为类似基于大数据的智能配电网状态监测及相应的故障处理提供技术支持。

1 状态监测及相应故障处理方案设计

本文方法的处理流程如图1所示，其分为数据预处理、数据融合、数据分析与可视化、状态辨识与处理4个环节。

2 状态监测及相应故障处理算法设计

2.1 数据预处理

数据预处理用于对各传感设备所上传的原始数据进行初步筛选和预处理，减少无关数据量并产生所需的初始特征量矩阵。该环节主要包括选取特征量、构建关联矩阵、处理区域差分。选取特征量过程中，本文选取的电气特征量为电流与功率。其中，涵盖了三相电流、负序电流、及零序电流和相应的有（无）功功率。

构建关联矩阵，其过程为：首先对配电网中的各终端节点Ej进行编号，节点间的区域Zi同样也进行编号，最终根据表1所示的规则构建矩阵。

4） 最后获得降维后的二维空间表示[M=x1x2]。

离群点检测过程采用的是局部异常因子的相关检测方法（基于密度），检测对象的LOF数值与离群点的离群程度成正相关，若数值约为1则离群点不存在。

2.4 故障判定与处理

由于配电网运行也会发生由传感器故障而导致的保护误判甚至是误动。因此，本文设定单一类型触发故障条件（传感器、电力）并进行处理，所需的判据如下：满足故障启动判据，然而广义节点处的LOF并未满足整定阈值。此时判定为传感器故障，故障节点即为最大的LOF值所在的节点，数据处理中心向各测控终端发送告警信息，确保终端的可靠不动作；若是满足判据且LOF值也达到甚至超过了整定閾值，此时判定出现电力系统故障，物理节点所处的公共区域被定位，数据处理中心则对故障发生节点发送动作命令，并进一步执行隔离操作。endprint

3 实例分析

为了验证本文所设计提出方法的可行性，文中以某含双DG的10 kV智能配电网为研究对象，如图2所示，在RTDS中结合实际参数搭建相关模型，如图3所示。

图4所示为配电网运行正常状态下，多维尺度降维和相应的LOF值的可视化分析图。可见正常运行状态下，并未出现离群点，且各节点（1～17，17为广义节点）由于较为近似，图4中降维结果表现为一处于坐标原点的点状区域，LOF值均在1附近。根据判定规则，此时配电网并无故障发生。

图5所示为Z11馈线区段存在单相接地故障，所对应的多维尺度降维和相应的LOF值的可视化分析图。其中，13和14物理节点、广义节点（17）均成为离群点，对应的LOF值达到约96。

此时，判定发生了电力系统的相关故障，定位故障为节点13，14所处的Z11区域。数据处理中心及时向故障节点终端发送跳闸指令，将Z11区域隔离。此外，本文也做了节点4传感器出现故障而失效、母线节点Z2区域出现故障（两相接地）场景下的测试，监测和定位效果良好，能将故障及时有效地反馈和定位出来。

4 结 语

以大数据在智能电网出现运用为背景，本文基于大数据技术设计并提出了一套智能配电网状态监测及故障处理方法。状态监测中将多电气特征量融合成为单个综合特征量，保证辨识准确性。再以LOF值替代电气特征量的判定，避免了繁琐的整定计算。

经实验测试，该方法能对单一故障条件下发生的电力系统或传感器故障进行有效的识别和定位，并具有一定的容错能力，为类似检测与故障处理方法的研究提供了参考。

参考文献

[1] 李晓晖.分布式电源对配电网继电保护影响的研究[D].北京：华北电力大学，2011.

LI Xiaohui. Research on effect of distributed generation on protection of distribution system [D]. Beijing： North China Electric Power University， 2011.

[2] 雷金勇，李战鹰，卢泽汉，等.分布式发电技术及其对电力系统影响研究综述[J].南方电网技术，2011，5（4）：46?50.

LEI Jinyong， LI Zhanying， LU Zehan， et al. Review on the research of distributed generation technology and its impacts on electric power systems [J]. Southern power system technology， 2011， 5（4）： 46?50.

[3] BRAHMA S M， GIRGIS A A. Development of adaptive protection scheme for distribution systems with high penetration of distributed generation [J]. IEEE transactions on power delivery， 2003， 19（1）： 56?63.

[4] 尚瑨.含分布式电源的配电网保护与优化运行研究[D].上海：上海交通大学，2015.

SHANG Jin. Study on distribution network protection and optimization operation with distributed power [D]. Shanghai： Shanghai Jiao Tong University， 2015.

[5] 马静，王希，米超，等.含分布式电源的配电网自适应保护新方法[J].电网技术，2011，35（10）：204?208.

MA Jing， WANG Xi， MI Chao， et al. A new adaptive protection approach for distribution network containing distributed power supply [J]. Power system technology， 2011， 35（10）： 204?208.

[6] 余琼，余胜，李晓晖.含分布式电源的配网自适应保护方案[J].电力系统保护与控制，2012，40（5）：110?115.

YU Qiong， YU Sheng， LI Xiaohui. An adaptive protection scheme for meshed distribution system with DG [J]. Power system protection and control， 2012， 40（5）： 110?115.

[7] 王伟，杨伟光，高立忠，等.基于智能电网调度支持的居民用电侧自动需求响应系统[J].现代电子技术，2017，40（10）：172?174.

WANG Wei， YANG Weiguang， GAO Lizhong， et al. Research on automatic demand response system supported by smart power grid dispatching for residential electricity consumption [J]. Modern electronics technique， 2017， 40（10）： 172?174.

[8] 李媛，武岩岩，王思琪.基于混沌时间序列的Elman神经网络工业用电预测[J].沈阳工业大学学报，2016，38（2）：196?200.

LI Yuan， WU Yanyan， WANG Siqi. Elman neural network for forecasting industrial electricity consumption based on chaotic time series [J]. Journal of Shenyang University of Technology， 2016， 38（2）： 196?200.

[9] 孙强，傅旭华，王林钰，等.智能配用电系统综合效益分析模型研究[J].中国电机工程学报，2015，35（8）：1829?1836.

SUN Qiang， FU Xuhua， WANG Linyu， et al. Study on comprehensive benefit analysis model of smart distribution and utilization system [J]. Proceedings of the CSEE， 2015， 35（8）： 1829?1836.

[10] 赵腾，张焰，张东霞.智能配电网大数据应用技术与前景分析[J].电网技术，2014，38（12）：3305?3312.

ZHAO Teng， ZHANG Yan， ZHANG Dongxia. Application technology of big data in smart distribution grid and its prospect analysis [J]. Power system technology， 2014， 38（12）： 3305?3312.endprint