观点｜电网态势感知及预测建设与应用

随着大量新元素（如电力电子化、信息攻击等）的涌现，电力系统的离散特性增强，电力系统稳定分析与控制面临控制对象范围扩大、控制目标维度增加以及机理不明等问题。近年来随着人工智能（Artificial Intelligence，AI）技术的进步与硬件算力的显著提升，部分研究利用数据驱动的方式进行电网态势感知以避免复杂机理的物理建模，通过深度神经网络对复杂非线性时空耦合数据进行拟合，建立稳定性评价与稳控策略量化模型。在电网特征事件识别和稳定性判别方面均有所突破。

一、背景和意义

1.1电网态势感知与预测技术发展历程

随着电力系统量测、通信系统的快速建设，调度中心能够准确快速的获取电网实时运行状态数据，使得实时电网态势分析成为可能。

电力系统态势感知针对历史与当前态势，进行综合研判，评估当前电网状态与未来趋势，关键技术在于建立系统态势与实时量测的关联模型。其中，基于物理机理的研究主要包括：薛禹胜院士提出的扩展等面积法则从能量角度建立了系统稳定态势数学模型，实现稳定态势理解并广泛应用于实际工程；余贻鑫院士提出了动态安全域理论，利用注入功率与稳定裕度表征稳定约束，从静态态势信息表征系统稳定性，避免了暂态响应计算的复杂过程。此外，周孝信院士领导开发的全过程动态仿真程序通过改进数值积分算法，能够对系统的运行态势进行仿真计算，实现稳定态势理解。

随着大量新元素（如电力电子化、信息攻击等）的涌现，电力系统的离散特性增强，电力系统稳定分析与控制面临控制对象范围扩大、控制目标维度增加以及机理不明等问题。近年来随着人工智能（Artificial Intelligence，AI）技术的进步与硬件算力的显著提升，部分研究利用数据驱动的方式进行电网态势感知以避免复杂机理的物理建模，通过深度神经网络对复杂非线性时空耦合数据进行拟合，建立稳定性评价与稳控策略量化模型。在电网特征事件识别和稳定性判别方面均有所突破。典型的系统特征事件包括：大规模机组脱网、直流闭锁和功率振荡等。这些研究通过对各类稳定性事件历史数据或仿真数据进行样本化处理，利用深度学习提取关键态势特征，从而建立电网态势与特征事件的映射关系。现有基于AI的稳定性判别也存在其局限性，主要包括：分布外泛化和数据敏感性问题。当前主流深度学习算法基于样本集进行模型训练，难以实现样本空间分布外泛化，部分学者尝试突破样本空间对AI模型的约束，利用迁移学习、主动学习等技术，实现样本集的知识继承，拓宽模型的稳定态势感知边界。

态势预测通过对态势的时间外推和事件预演，预判系统未来稳定状态，关键技术在于对态势关键特征的时间序列预测。根据稳定态势影响影响因素，可分为稳定事件主导和外部环境影响的稳定态势预测。针对单一稳定事件，通过建立详细机理模型研究其动态响应特性，进而考虑系统连锁故障的态势推演，分析事件相关性以及复杂交互影响机理，最终分析形成具有自组织特性的电网大停电预测模型。

外部因素如气象、经济、交通、市场等，通过作用于电力系统各环节，改变电力系统运行态势。因此，需要通过态势预测建立电网调控预案。外部因素影响需要考虑相对缓和的场景，如电动汽车接入电网造成电压偏低和线路阻塞等稳定态势缓慢恶化，以及严重外部影响场景，如研究极端台风气象下，电网遭遇严重倒塔、短路等运行风险态势。

1.2新型电力系统中态势感知的机遇与挑战

目前，我国电网实行分级管理，各级调度机构以不同传输方式，将采集数据上送到各级调控中心，调度自动化系统通过接受层层转发的采集数据，已经形成了较为完善的电网数据采集、传输、处理、分析和存储体系，为电网态势感知提供了坚实的软硬件基础。

随着新能源的高比例接入和特高压直流的快速发展，电网的运行方式和故障形态日趋复杂。发电侧和负荷侧存在较强的不确定性，新能源快速波动和冲击型负荷导致正常态下电网运行方式快速变化；局部故障影响全局化，受端电网局部短路故障导致送端电网联络线功率波动，易导致电网解列，甚至造成送、受端电网稳定破坏。

现有的调度监控系统一般沿用调度自动化系统对监控信息的处理方式，采用直接的、原始数据处理表达方式。该方式由于仅将信息直接表达，调控人员被大量数据淹没，不利于对电网的有效调度监控，从而导致难以在短时间内判断事故原因，容易错失处理事故的良机。

此外不同的电网运行状态，调度运行人员关心的电网态势重点不同。例如，夏季大负荷期间需要自动监视各网省发输电平衡情况、重点地区电压水平，电力、电量创新高情况；节假日等小负荷期间需要监视电压等高线，电网平衡能力和各省、区域旋备情况。

因此，在新型电力系统环境下，态势感知技术具有了扎实的数据和技术基础，但同时如何应对实际电网的强不确定性、故障全局性、态势重点差异性需要进一步研究。

二、新型电力系统中的电网态势新技术

2.1基于多源数据的电网实时态势感知

新型电力系统下多重不确定性与复杂动态特性交互影响，基于当前状态计算分析的系统未来态势发展随着系统运行时间的推移不确定性逐渐增强。电力系统中SCADA和WAMS均具有数据采集上传功能，但两者采样频率与采样位置等存在差异，现有状态估计算法基于SCADA系统，每五分钟进行一次。因此，为进一步提高状态估计实时性，基于SCADA和WAMS的混合数据进行状态估计算法开发，实现电力系统秒级态势感知。

2.2数据-物理融合的电网态势理解

近年来迅速发展的数据科学理论为电力系统态势理解提供了新思路。作为代表的机器学习方法能够完全脱离物理模型层面，利用历史数据挖掘系统输入输出之间的关联关系。该类方法在数据分析处理速度方面具有显著优势。理论上，若具备充足、精确的样本，机器学习方法可精确拟合各种非线性环节的响应特性。但样本选取方式、质量及算法本身将直接影响其有效性。与其他应用领域相比，电力系统数据间往往存在自然的物理关联关系（如基尔霍夫定律和欧姆定律），结合数据的物理规律（因果关系）有利于提出更为精确和高效的算法。

数据-物理融合方法在精度上大幅领先于基于物理模型的方法，对传统基于数据模型的方法也具有一定提高；计算速度完全能够满足大规模系统在线态势理解需求；对样本依赖小于其他基于数据模型的方法，更适合实际系统应用。

2.3 计及电网安全约束的电网态势控制

新型电力系统中高比例电力电子化特征带来的高维不确定性与复杂动态特性，基于电力系统实时态势的调度控制时除了需要满足当前断面下如网络约束、机组备用容量等电网静态安全约束条件，还需计及调度措施对电网未来态势的影响，充分考虑连续调度过程中静态安全约束的时间耦合特性以及频率等暂态运行特性。区别于传统的基于确定性故障集的安全校核，将电网安全约束与态势控制有机融合到一起，通过约束的数学表达构建台式控制的优化模型，实现电网态势的趋稳引导。

2.4 基于人工智能的电网态势预测

人工智能在多个领域取得的突破,也包括在电力工业领域的大量应用。其中，电网态势预测主要场景有新能源出力预测和负荷预测等。

在新能源出力预测方面，通过对气象、地理、空气动力学等因素的数据化分析拟合，建立新能源机组在不同场景下的出力预测模型，精准反应各类影响因素对于实时功率的影响。

在负荷预测方面，主要应用深度学习方法，改善传统基于小型数据集的负荷预测方法面对于不确定较强的电力系统造成的预测精度降低问题，还有研究将深度学习与其它方法相结合，尝试采用联合方法进行负荷预测，以期进一步提高预测精度。

三、电网态势感知应用场景

3.1 形成城市电网态势全景感知与提前调控预案

当前以电网运行计划和调控系统告警信号驱动的城市电网调度体系在面临电网态势变化时响应能力薄弱，实时研判决策难度大，可能存在大电网安全隐患。

提出以全景态势感知为基础的电网提前调控预案：通过短期、中期和长期的态势感知结果，推演电网态势演化路径，以电网安全稳定运行为导向，提出态势路径演化中的调控预案，提高电网态势快速变化中的调控中心响应能力，变被动调控为主动响应，形成预防性、提前性的调控预案，助力提高供电可靠性指标。

3.2 利用态势感知技术主动应对新型电力系统挑战

新型电力系统中的电源侧将发生根本性变化，新能源电源的波动性随机性使得电源的可控性急剧下降，如果为电网提供可靠供电成为难题。一方面，将配网侧的大量柔性资源纳入电网调控，另一方面，提高对电源负荷的精准感知能力，以便平抑波动性。

态势感知对于配网测柔性资源的实时潜力评估具有重要意义，通过对分布式电源、可控负荷、储能单元的态势感知，计算实时调控潜力汇聚至调控中心，形成柔性可控资源的时空分布图；态势预测对于新能源电源与负荷的实时功率预测具有至关重要，通过时间序列分析、人工智能分析等方法，能够准确预测源荷不平衡程度，为功率平衡控制提供决策依据。

在城市电网中，利用态势感知与预测技术提高实时信息获取与分析能力，提高调控决策能力，探索城市电网主动应对新型电力系统挑战的新途径。

本文首发自北极星输配电网 作者：刘雪飞（深圳供电局）转载请申请授权，注明来源及作者！