CPS框架下智能电网安全状态实时感知方法研究

The smart grid comes new characteristics in the future cyber physical system(CPS), such as the deep integration of information system,the emergence of mass multi-scale spatial heterogeneous data for state awareness and the interactive between information system and physical system, all those make the real-time security awareness based on an exact mechanism model time-consuming and even impossible. Aiming at these problems, the security awareness model based on data-driven is discussed. In the new model, multi-source data involving risk factors of the information system, operating parameters of the power system, healthy index of the electrical utilities are employed to describe the security of energy system. The mathematical statistics method is adopted to determine the probability distribution according to historical data and the deviations are proposed as inputs to identify the trigger event of cascading failures. Data mining technology is applied to discover knowledge and reduce the redundant input data. The relevant degree among inputs is analyzed and different weights are assigned to reflect the contribution to the security. The entropy quantifying the nonequilibrium of eigenvalue is introduced to ensure the early safety warning adequately. Data fusion technology is developed to assess the security and it will get more robust decision than traditional method using partial parameters. Data-driven model with little computing time can fully access to historical and online data, incorporate more information, and it is an ideal method for the real-time security awareness of smart grid in the CPS frame.

电力CPS框架下，信息系统深度嵌入,状态感知信息流产生海量多尺度时空异构数据、信息系统波及电力系统安全等问题，使传统基于准确机理模型的电力系统安全评估体系显示出局限和不足。本课题针对该问题，研究基于数据驱动的电网安全状态实时感知建模理论。模型采用信息系统风险因素、电网运行参量、设备健康指标等多源数据描述电网的安全性，并根据历史数据统计变量概率分布，以偏移度作为输入，提高电网连锁故障触发事件的发现率；利用数据挖掘技术，对多源输入数据进行知识约简和发现，简化计算过程；对输入量进行关联度分析，并赋予组合使用权重，体现其对安全影响的贡献程度；引入熵值来度量输入特征值发展的不均衡，便于单一不安全因素的早期发现；采用数据融合方法对多源输入量进行安全状态量化，得到比部分信息更稳健的决策。数据驱动模型可以充分利用历史和在线数据，具有计算速度快、纳入信息广的优点，为电力CPS安全状态实时感知提供一种新方法.

在信息物理系统(cyber physical systems，CPS)深度融合背景下，本课题研究了基于数据驱动的电力设备评估模型及电网安全状态实时感知模型，并评估了信息系统对电力系统安全的影响。.1) 电力设备的在线健康状态是电网实时安全感知的重要因素，建立了电力一次设备健康状态评估模型。模型以配电网中重要的控制和保护设备断路器为例，可扩展到电力变压器等。通过分析设备的故障特征，构建健康性能评估指标集；定义完好度概念，进行指标的归一化；剖析指标的耦合关系，采用层次分析法确定指标权重；引入熵值法，量化指标劣化的非同步性；建立了基于雷达图法的图形化状态评估方法，并在定量计算中引入参考样本和指标不平衡值，特别是参考样本区间的设计纳入指标的劣化速度特征。评估结果为当前运行条件下元件故障率的取值提供依据。此外，还研究了集对分析法、K-means聚类等数值评估方法。.2) 为了充分利用信息系统的大数据，提出一种安全状态实时感知的相关向量机(relevance vector machine，RVM)数据驱动方法。RVM是贝叶斯概率框架下基于核函数的学习方法，通过多层先验的超参数设置获取模型参数的稀疏解，并采用伯努利分布获得分类后验概率。该方法首先根据日前市场的运行与调度规则，产生运行条件，构造安全评估特征集及事故安全分类；然后将基于距离的Relief算法用于特征排序，筛选出与分类紧密相关的特征子集；最后通过RVM分类学习对系统安全状态进行辨识。IEEE 30节点系统测试表明，RVM方法的极度稀疏性、高分类精度、概率输出在实时安全状态感知中具有显著优越性。.3) 针对广域测量系统(wide area measurement system，WAMS)与电力系统融合引起的安全问题，提出一种同步相量测量装置(phasor measurement unit，PMU)不充裕条件下电力系统的风险评估方法。该方法分析了可观性和可控性对系统安全的影响，探讨了原发性故障后，在PMU不同状态下故障的演变，推导了节点可观性、线路可观性、节点可控性与PMU位置和网络拓扑的关系式，建立了可观性和可控性相依的故障后果模型以及在线运行风险算法。IEEE30节点系统测试表明，提出的方法能够量化PMU间接作用带来的风险，尤其是原发性故障诱发信息系统失效时的安全问题，可有效评估现代电网的安全水平。