电力行业大数据应用案例(一)配网故障智能自愈

一、问题描述

配电网故障会导致供电区域大范围停电,抢修周期长,引起用户投诉,运营效率效益低,因此XX公司进行全部227条架空(架混)线路的自愈功能应用,实现自动判定故障区间和隔离故障区间,快速通过负荷转供实现非故障区段的供电恢复,极大地提升了供电可靠性。

二、实现思路

通过全面完善电网一张图、实时感知配电网运行状况、批量预置自动化终端、精准快速判定故障区段、故障区段隔离与线路自愈,实现故障线路快速隔离故障和恢复供电。

(一)全面完善电网一张图

XX公司在设备入网检测工作中,通过现场运维人员与主站运维人员实时确认的方式,确保配电自动化终端设备与主站系统数据库信息序位一致的情况下进行传动工作,并对现有配电自动化终端设备与主站系统进行了4轮全面校验,确保主站系统设备拓扑关系准确和自动化终端设备可用。

对于新增电网设备,由调度部门提供一次接线图,自动化中心负责录入主站系统,经调度部门审核后,再通过接口方式将数据推送至调度SCADA系统,保证了两套系统中的一次接线图准确、一致。

(二)实时感知配电网运行状况

配电自动化主站系统采用“主站+终端”两层结构,在配电线路主干线(架空、电缆)设备全面配置“三遥”[1]配电终端,各配电终端系统通过通信接入网实时上送信息到配电主站系统,实现对配电网的实时监测和自动控制。

配电主站系统

(三)批量预置自动化终端

通常通过预置对自动化终端进行检测,由于配电终端多,手动预置工作量较大且可能存在遗漏,因此公司在配电自动化主站系统中嵌入了以线路为单位的批量预置功能,可同时对10条线路上挂接的自动化终端(DTU、FTU)进行预置。

首先需在系统编制预置计划,在制定计划后的第一个整点时刻开始执行计划且只执行一次(如:14时54分编制计划,则15时整点执行计划),主站会向计划线路上的终端发送遥控预置命令,终端接受系统下发的命令并将检测信息反馈系统,系统据此生成各配电终端预置详细报告,安排线路外勤人员根据预置结果进行现场处缺,不断提高终端可用性。

(四)精准快速判定故障区段

主站系统根据配电终端检测到的故障告警信息,结合变电站的保护动作信号进行综合判断,确定故障类型和故障区段。

当变电站出线开关动作时,故障线路示意图如下所示:其中F1、F2、F3、F4为变电站出线开关,其余为配网分段开关。若F1跳闸,S1接收到故障信号(电流超出阀值),其他分段开关电流正常,则判定故障区间为S1、S2、S3之间。

变电站开关线路

当10kV配电线路开关保护动作时,故障线路示意图如下所示。F1、F2、F3为变电站出线开关。若S1上送开关跳闸和保护信号,S2上送故障信号,判定故障区间为S2、S5、S6之间。

开关线路

当架空线路用户侧发生短路故障时,因架空线路以用户分界负荷开关作为用户产权分界,配置“二遥动作型”FTU,需分界开关与变电站出线断路器配合隔离故障。用户侧发生单相接地故障时,分界开关根据零序电流判据自动分闸,直接切除故障。

故障线路判断

当电缆线路用户侧发生短路或接地故障时,电缆线路以用户分界断路器作为用户产权分界,配置“二遥动作型”DTU,分界断路器可以直接分闸,切除故障,减少变电站断路器跳闸次数。

故障线路判断

(五)故障区段隔离与线路自愈

通过架空联络开关和环网单元联络间隔,分别建设成架空手拉手和电缆手拉手线路,电缆线路和架空线路构成双环结构,增强了线路互倒互带能力。

电源侧区域:将故障区域靠近电源侧开关断开,闭合变电站出线开关,对电源侧区域恢复供电。

负荷侧区域:将故障区域靠近负荷侧开关断开,分析各联络线路的预备容量,选择预备容量充足的联络线路进行负荷转供,转供区域与联络线路间的联络开关闭合,对负荷侧区域恢复供电,如下图所示。

负荷侧区域

负荷转供路径选择原则如下:1、找出预备容量同时满足条件的转带线路;2、存在多条转供线路时,优先选择非重要用户的线路进行转带;3、可转带线路都带重用户,优先采用带重要用户数量少线路进行转带;4、重要用户数量相等,优先采用预备容量大线路进行转带。

三、主要成效

XX公司自202X年X月底全面投入自愈功能以来,共计启动自愈72次,实现故障区间判断,启动故障区间隔离和负荷转供。通过自愈恢复非故障区段供电时间仅需60至120秒,供电恢复时间从几十分钟到数小时降低到按秒计算 。

  • 0
    点赞
  • 1
    收藏
    觉得还不错? 一键收藏
  • 打赏
    打赏
  • 0
    评论
BP算法是一种常用的人工神经网络算法,可以用于预测电力大数据。以电力负荷预测为例,BP算法可以根据历史电力负荷数据以及其他相关因素,如天气、日期等,建立预测模型。 首先,我们需要收集大量的历史电力负荷数据,包括不同时间段的用电情况。同时,还需要收集其他影响因素的数据,如温度、湿度等气象数据,以及周末、节假日等特殊日期的信息。 然后,利用BP算法进行模型训练。BP算法通过建立多层神经网络,将输入数据传递到输出层,并根据输出结果与实际结果之间的误差进行反向传播,更新网络中的权重和偏置,从而不断优化模型的性能。 在训练过程中,我们可以将数据集分为训练集和测试集。用训练集进行模型训练,并使用测试集进行模型评估。通过评估模型在测试集上的预测准确度、误差等指标,可以判断模型的拟合效果和预测能力。 最后,完成模型训练后,我们可以利用该模型对未来的电力负荷进行预测。根据未来的天气、日期等相关因素的输入,通过模型计算得出电力负荷的预测值。 需要注意的是,BP算法在预测电力大数据时,需要根据实际情况进行合理的数据预处理、网络结构设计以及参数调整,以提高模型的预测准确度和稳定性。此外,还需要不断更新模型,适应电力负荷变化的特点。

“相关推荐”对你有帮助么?

  • 非常没帮助
  • 没帮助
  • 一般
  • 有帮助
  • 非常有帮助
提交
评论
添加红包

请填写红包祝福语或标题

红包个数最小为10个

红包金额最低5元

当前余额3.43前往充值 >
需支付:10.00
成就一亿技术人!
领取后你会自动成为博主和红包主的粉丝 规则
hope_wisdom
发出的红包

打赏作者

泡八喝九美十

你的鼓励将是我创作的最大动力

¥1 ¥2 ¥4 ¥6 ¥10 ¥20
扫码支付:¥1
获取中
扫码支付

您的余额不足,请更换扫码支付或充值

打赏作者

实付
使用余额支付
点击重新获取
扫码支付
钱包余额 0

抵扣说明:

1.余额是钱包充值的虚拟货币,按照1:1的比例进行支付金额的抵扣。
2.余额无法直接购买下载,可以购买VIP、付费专栏及课程。

余额充值