張中丹，楊德州，王洲，賈春蓉，彭婧

（國網(wǎng)甘肅省電力公司經(jīng)濟技術(shù)研究院，甘肅省 蘭州市 730050）

0 引言

近年來，全球氣候變化劇烈，惡劣天氣和極端自然災害頻發(fā)給電力系統(tǒng)帶來了極大的沖擊，造成了電網(wǎng)大規(guī)模停電和輸變電等相關(guān)設備損壞，使得在極端自然災害下電網(wǎng)的安全穩(wěn)定運行以及相應的災害預警防災策略得到廣泛研究[1]。電網(wǎng)預警防災的重點在于降低設備故障發(fā)生的概率和頻率，隨著現(xiàn)在設備制造工藝水平和設備運行維護水平的提高，電網(wǎng)故障率主要由雷電、山火、冰災等氣象因素造成，因此，現(xiàn)在電網(wǎng)預警決策研究應重點關(guān)注極端自然氣象災害致災[2-3]。

如何實現(xiàn)電網(wǎng)在極端自然災害條件下的故障預警，相關(guān)專家做了諸多研究。文獻[4]分析了極端冰雪災害下電力系統(tǒng)安全評估研究現(xiàn)狀和技術(shù)需求，設計考慮冰雪災害影響的電網(wǎng)安全評估框架，提出了氣象–電氣混合仿真的概念并討論混合仿真實現(xiàn)的途徑。文獻[5]針對降雨誘發(fā)滑坡災害下輸電桿塔的預警，提出了滑坡影響因子的量化分級方法，并基于雙因素分級疊合法分別構(gòu)建輸電桿塔的風險預警方法。文獻[6]分析了凍雨影響電網(wǎng)故障率的相關(guān)規(guī)律，通過線路實測信息在線評估輸電線故障率的變化，根據(jù)潮流轉(zhuǎn)移的電氣及系統(tǒng)崩潰的動力學規(guī)律，建立冰災停電風險的早期預警模型。文獻[7]根據(jù)山火造成電力設備故障的途徑和機理，將山火信息與地理環(huán)境、氣象信息相結(jié)合，預報輸電線故障率的時空分布，提高電網(wǎng)停電防御系統(tǒng)對山火災害的預警能力。文獻[8]通過分析災害的成因和過程，根據(jù)先進科學研究與歷史資料探索，建立知識平臺、數(shù)據(jù)探勘及綜合管理機制，構(gòu)建了防災預警與救災決策支持系統(tǒng)。文獻[9]系統(tǒng)整合了專業(yè)氣象數(shù)據(jù)、雷電數(shù)據(jù)、電網(wǎng)生產(chǎn)運行等信息資源，采用B/S分層框架設計模式，結(jié)合J2EE等跨平臺技術(shù)，實現(xiàn)了具有較強針對性的電網(wǎng)氣象預警防災應用功能。諸多學者對于自然災害下電網(wǎng)大規(guī)模停電亦提出了較多相關(guān)預防措施，仍然無法完全避免該類事故的發(fā)生[10-11]。綜合以上研究文獻可以看出，諸多學者已經(jīng)對自然災害下電網(wǎng)的預警決策技術(shù)、方法以及相關(guān)的系統(tǒng)進行了研究，但仍然存在以下問題：1）對于災害數(shù)據(jù)缺少分布式存儲、管理、分析、共享的機制，各類災害之間相互獨立，導致電網(wǎng)災害預警決策方面未能對已有的信息資源進行充分挖掘；2）電網(wǎng)和自然災害之間缺少耦合作用關(guān)系的分析，未能制定災害發(fā)生全過程、系統(tǒng)性的預警決策解決方案。

區(qū)塊鏈(block chaint，BC)技術(shù)因其安全性、可追溯、具有良好的共享機制等優(yōu)點在電力系統(tǒng)領(lǐng)域得到了廣泛應用[12-15]?；谝陨蠁栴}，本文將區(qū)塊鏈技術(shù)應用到電網(wǎng)自然災害預警決策系統(tǒng)，設計了基于區(qū)塊鏈的電網(wǎng)自然災害預警決策的總體框架，并根據(jù)系統(tǒng)測得的實時信息對電網(wǎng)故障進行預警，修正了配電網(wǎng)線路覆冰預測模型，并基于該模型構(gòu)建了由線路覆冰、舞動以及絕緣子閃絡引發(fā)的線路故障概率模型，提高了預警決策系統(tǒng)的預警能力和準確率。

1 電網(wǎng)災害預警決策系統(tǒng)總體設計

1.1 電網(wǎng)與自然災害耦合作用關(guān)系

電網(wǎng)自然災害主要是指電網(wǎng)（承災體）設備和系統(tǒng)主體與自然環(huán)境（孕災環(huán)境）綜合作用下，由致災因子對電網(wǎng)產(chǎn)生破壞性影響的現(xiàn)象和過程[16]。孕災環(huán)境主要作用是孕育產(chǎn)生致災因子和作為載體承載傳遞災害，可將孕災環(huán)境劃分為氣象環(huán)境、地質(zhì)地貌環(huán)境、植被環(huán)境等常規(guī)孕災環(huán)境，及走廊微地形和走廊微氣象等電網(wǎng)特有孕災環(huán)境。孕災因子是由孕災環(huán)境發(fā)生異變產(chǎn)生，不能獨立存在，孕災因子不斷演變的過程會改變所處環(huán)境和電網(wǎng)承災體的時空特性，其影響將會反作用于孕災環(huán)境，各要素間相互影響和轉(zhuǎn)化關(guān)系見圖1。

圖1 電網(wǎng)自然災害各要素之間生態(tài)關(guān)系圖Fig.1 Ecological relationship among elementary factors of power grid natural disasters

1.2 基于區(qū)塊鏈的電網(wǎng)災害預警決策系統(tǒng)

區(qū)塊鏈支持的電網(wǎng)災害預警決策系統(tǒng)應該滿足以下幾點實際需求：1）針對災害發(fā)生點進行數(shù)據(jù)采集、存儲、管理；2）就災害發(fā)展態(tài)勢進行實時計算分析，準確有效地發(fā)出預測預警信號；3）對災害現(xiàn)場能實現(xiàn)全景信息可視化；4）加強災害預警決策過程中各部門工作人員的信息共享和協(xié)同。

基于電網(wǎng)與自然災害耦合作用關(guān)系及系統(tǒng)需求，本文將區(qū)塊鏈技術(shù)與邊緣計算(edge computing，EC)結(jié)合來設計災害預警決策系統(tǒng)的架構(gòu)。EC主要是貼近災害發(fā)生點對現(xiàn)場信息數(shù)據(jù)進行采集，為區(qū)塊鏈提供實時計算和對災情演化進行分析預測，利用區(qū)塊鏈技術(shù)將計算分析結(jié)果進行分布式存儲管理，彌補EC在存儲和設備管理上的不足，二者相輔相成，優(yōu)勢互補[17]?？紤]到系統(tǒng)中設備異構(gòu)性和分布式管理等問題，為有效實現(xiàn)數(shù)據(jù)信息共享和決策的快速共識，本文采用圖2所示基于區(qū)塊鏈技術(shù)的EC 工業(yè)物聯(lián)網(wǎng)架構(gòu)(block chaintindustrial internet of things，BC-IIoT)，區(qū)塊鏈的哈希算法、非對稱加密算法和共識機制等關(guān)鍵技術(shù)和基礎(chǔ)架構(gòu)等基礎(chǔ)內(nèi)容不再贅述[18-20]。

圖2 電網(wǎng)自然災害預警決策系統(tǒng)總體架構(gòu)Fig.2 Overall architecture of power grid natural disaster early warning and decision making system

1）設備層：主要是電網(wǎng)中的感知和測量等邊緣設備，通過能量管理系統(tǒng)（energy management system，EMS）和廣域測量系統(tǒng)（wide area measurement system，WAMS）采集電網(wǎng)模型參數(shù)以及實時設備運行工況信息，常規(guī)的氣象和災害等信息通過提供的數(shù)據(jù)端口進行采集，并將采集的信息相應的存儲到BC-1、BC-2等區(qū)塊中，該層區(qū)塊鏈為系統(tǒng)提供數(shù)據(jù)支持和文件服務工程，以供其他結(jié)構(gòu)層讀取和存儲信息數(shù)據(jù)。

2）容器層：架設了具備數(shù)據(jù)緩存和本地計算能力的物聯(lián)網(wǎng)（internet of things，IoT）網(wǎng)關(guān)，該種數(shù)據(jù)傳輸終端將分散布置的邊緣設備與網(wǎng)絡服務器以分布式點對點 (peer to peer, P2P) 結(jié)構(gòu)橋接起來，實現(xiàn)點對點交流并一同封裝到容器中進行虛擬化成為功能發(fā)布到中間層。這樣將不同設備進行組合有利于資源整合，同時數(shù)據(jù)經(jīng)過容器層處理以后得到精簡，使得核心網(wǎng)絡的傳播數(shù)據(jù)大大降低，有利于預警決策系統(tǒng)高效運行和信息的實時共享。

3）中間層：在BC-IIoT架構(gòu)上開發(fā)子區(qū)塊鏈系統(tǒng)及其應用功能，為外部環(huán)境信息提供接口和進行交互管理；對多源環(huán)境數(shù)據(jù)的預處理和修正，提高環(huán)境數(shù)據(jù)精度；計算外部環(huán)境數(shù)據(jù)和電網(wǎng)設備的關(guān)聯(lián)結(jié)果；封裝可視化基礎(chǔ)應用程序等。

4）應用層：主要將中間層所提供的功能和服務根據(jù)不同的需求實現(xiàn)多層次應用。分析預警區(qū)塊鏈能夠在線評估災害引發(fā)設備故障率；并根據(jù)采集的災害現(xiàn)場實時數(shù)據(jù)自動生成預想事故集；對群發(fā)性故障進行仿真和安全性評估等?？刂茮Q策區(qū)塊鏈將預警區(qū)塊鏈計算得到的預警結(jié)果進行匯總分析，除了常規(guī)情況下的安全穩(wěn)定預防控制和校正輔助決策外，還可以根據(jù)環(huán)境對電網(wǎng)設備產(chǎn)生的影響在線識別調(diào)節(jié)范圍和調(diào)節(jié)代價，動態(tài)刷新控制決策空間。在電網(wǎng)發(fā)生大面積停電時，啟動緊急狀態(tài)下校正輔助控制幫助調(diào)度人員迅速、安全、經(jīng)濟地恢復供電，應用層的設計能有效地規(guī)避恢復過程中的停電風險，提高預警決策的效率和電網(wǎng)的智能化水平。

5）用戶層：主要包括管理人員（負責管理服務器和設備）、分析人員（負責分析災情發(fā)展態(tài)勢）、操作人員（負責設備控制操作）以及安全監(jiān)督人員（負責監(jiān)督系統(tǒng)異常數(shù)據(jù)）這4種類型的用戶，不同的用戶擁有不同的管理權(quán)限，可以根據(jù)不同的需求增加或刪除用戶類型。

2 線路覆冰預測預警模型

山火、泥石流、覆冰、雷電、地震等極端自然災害對電網(wǎng)設備或系統(tǒng)主體造成直接性或間接性的破壞，其中覆冰災害影響范圍最廣，破壞程度較深，諸多學者也對覆冰災害進行了研究[21-24]。

在構(gòu)建的區(qū)塊鏈電網(wǎng)自然災害預警決策系統(tǒng)的支持下，自然災害預測預警模型能實時獲取電網(wǎng)設備和自然環(huán)境等信息，彌補以往預測預警模型在獲取全局信息方面的不足，本文接下來將以線路覆冰災害為例，結(jié)合模型預測控制(model prediction control，MPC)算法[25]構(gòu)建覆冰厚度預測模型，改進覆冰過重、舞動、絕緣子閃絡等因素引發(fā)線路故障率模型，提高預測預警準確度。

2.1 構(gòu)建基于MPC的覆冰預測模型

圖3 MPC原理圖Fig.3 Schematic diagram of MPC

MPC主要包括3個特點：預測模型、滾動優(yōu)化和反饋校正，其預測控制原理如圖3所示，橫坐標軸為時間軸，縱坐標軸表示輸出值，坐標原點k處表示當前所在的時刻，原點左側(cè)代表代表過去的狀態(tài)、右側(cè)代表未來的狀態(tài)，M、P分別表示了控制步長和預測步長（通常M＞P）。ys為設定值，yr(k)期望值不斷逼近設定值。預測控制算法通過計算當前及未來預測M個時刻內(nèi)的控制量u(k)使得預測值ym(k)逼近于期望值，從而使誤差最小。簡而言之，就是根據(jù)被控系統(tǒng)模型、當前狀態(tài)和約束條件，在線反復的求出最優(yōu)的控制序列的過程。MPC的數(shù)學模型為：

輸入變量：

滾動優(yōu)化函數(shù)：

約束條件：

式中：R()為性能指標函數(shù)；V()為滾動變量函數(shù)；X為系統(tǒng)狀態(tài)集合； u (k|k)為被控對象的第一個輸入量；U為系統(tǒng)控制輸入集合；通過性能指標函數(shù)求出的最優(yōu)控制集合表示為U*，并取U*的第一個元素作用于被控系統(tǒng)。

在輸電線路覆冰形成的過程中，風向、風速、濕度、溫度、氣壓5個氣象因素對輸電線路覆冰厚度影響最大，其形成條件一般需要滿足設備表面溫度在0 ℃以下、空氣濕度在85%以上且風速大于1 m/s。文獻[26]構(gòu)建了凍雨滴在物體上形成均勻覆冰的厚度預測模型：

式中：L為覆冰厚度；p為降水量；ρ為覆冰密度；v為風速；θ為空氣相對濕度；? L為覆冰厚度增量。

為了使得預測模型在復雜的自然環(huán)境中具有更準確的預測值，需要基于BC-IIoT架構(gòu)構(gòu)建的智能災害預警決策系統(tǒng)經(jīng)過區(qū)域全局統(tǒng)籌分析，對給定的參考值Ls進行跟蹤，使得預測誤差達到最小，其誤差優(yōu)化準則為

式中： Y(k)為 預測輸出序列； Y′(k)為期望輸出序列；ρ為加權(quán)控制系數(shù)； ? u(k)為控制變量向量。

根據(jù)2.1小節(jié)的預測模型，選取vt、pt、 θt、Ft構(gòu)成狀態(tài)變量x(k)，以 ? v、 ?p、 ?θ、 ? F構(gòu)成控制變量u(k)，以覆冰厚度超短期預測增量 ?L構(gòu)成擾動變量d (k)，以 Ls構(gòu) 成輸出變量 y(k)，建立多輸入、多輸出的狀態(tài)模型為

式中 H1、 H2、 H3為系數(shù)矩陣。

為進一步優(yōu)化式（7）滾動預測過程，假設在滾動預測的時段內(nèi)，測得tk時刻之前n個時刻的覆冰厚度參考值，在滾動預測時間段內(nèi)tk時刻之后n個覆冰厚度預測值，則通過超短時段內(nèi)參考值與預測值的吻合度來進一步校正覆冰厚度預測模型，其吻合度表達式為

通過上述分析得到修正后的覆冰厚度預測模型為

2.2 覆冰引發(fā)輸電線路故障率計算

覆冰線路故障引發(fā)因素主要包括線路覆冰過重、線路舞動、絕緣子污穢，本文將輸電線路按照地形、地貌和污染程度等周邊環(huán)境特征跨檔分成不同的線段。假設同一劃分線段覆冰厚度、風力和污穢程度均相同，其中一檔的覆冰荷載表達式為

式中： g0為 重力加速度； Ld為 線路覆冰厚度；Li為該檔線路長度；D為線路截面等效直徑。

考慮微地形因素對線路在垂直方面的風荷載的影響，構(gòu)建風荷載表達式為

式中：a=1表示垂直風荷載；a=2表示水平風荷載。該檔輸電線路自重G的表達式為

式中 ρl為輸電導線的密度。

由此得出，該檔導線在冰凍災害下的冰風總比載的表達式為

采用指數(shù)函數(shù)擬合覆冰過重導致線路斷線故障概率 Pice與 導線承受最大承受力 σmax之間的關(guān)系表達式[6]為

式中： σs為 導線設計承受力；λ為線路安全系數(shù)；A1和 B1為常數(shù)。

參照式（14）得出桿塔傾倒故障率表達式為

式中： ? F為桿塔兩側(cè)不平衡拉力，其具體表達式如式（16）所示；η為桿塔設計的安全系數(shù)； A2和B2為常數(shù)。

式中： σ1、 σ2分 別為桿塔兩側(cè)水平拉力； θz為桿塔兩側(cè)線路夾角；h為桿塔兩側(cè)輸電線路數(shù)量。

通過該檔線路進行受力分析，線路主要是由于風力與導線的自重力形成的合力導致舞動，其線路舞動幅值表達式為

式中：c 為舞動點到終端點的距離； Dmax為舞動最大幅值； ?為舞動頻率；λ為舞動波長。

由式（17）可以看出，舞動的幅值僅與舞動頻率、舞動夾角和線路舞動點到終端點的距離有關(guān)，因此文章近似認為舞動幅值引發(fā)線路故障呈線性關(guān)系，其故障率表達式用分段函數(shù)表示為

式中： D1、 D2為與線路長度、覆冰厚度、水平拉力等相關(guān)的系數(shù)。

影響絕緣子閃絡電壓U的因素主要包括覆冰前絕緣子鹽密、絕緣子類型、海拔高度、覆冰重量等，文章采用絕緣子閃絡電壓U表達式為

式中：C 和d為絕緣子相關(guān)參數(shù)； ρSSD為覆冰前絕緣子鹽密； σ20為 20 ℃時覆冰水電導率； Hins為海拔高度；GI?wei為覆冰重量；e為污染特征指數(shù)。

參照式（14）的形式得出絕緣子閃絡故障率的表達式為

基于上述分析可以計算第i條線路的第j檔的故障率，文章假設不同故障類型之間相互獨立，則j檔線路故障率表達式為

第i線路總的故障率表達式為

式中n為第i線路檔個數(shù)。

3 預測預警模型的求解方法

實時MPC算法具有較好的魯棒性，并且對模型的精確性要求不高，文章利用實時MPC算法對預測預警模型進行求解。從區(qū)塊鏈智能預測預警系統(tǒng)的設備層讀取天氣環(huán)境、地理環(huán)境和電網(wǎng)設備運行工況等信息，并按照地理環(huán)境特征對輸電線路進行分段。通過構(gòu)建的覆冰預測預警狀態(tài)空間模型對覆冰厚度進行預測，進而對覆冰過重引發(fā)的線路斷線、桿塔傾倒、線路舞動和絕緣子閃絡等故障率進行評估，區(qū)塊鏈支持的MPC預測模型求解流程如圖4所示。

圖4 區(qū)塊鏈支持的覆冰災害引發(fā)線路故障率評估方法流程圖Fig.4 Flowchart of block chain supported method to assess line failure rate caused by ice-coating disaster

4 算例分析

為了驗證本文搭建的基于區(qū)塊鏈的電網(wǎng)自然災害預測預警模型的可行性和有效性，選取某市西北部和中部幾條220 kV線路進行覆冰預測分析。

某市1條220 kV北發(fā)線某檔線路在連續(xù)5天時間里覆冰厚度實際測量數(shù)據(jù)見表1。由1月6日早間開始覆冰變化，隨著未來5天內(nèi)的降雨量的增加，線路覆冰厚度也隨之增加，但覆冰變化情況也根據(jù)風速和溫度的變化不盡相同。

以表1實測數(shù)據(jù)作為基準參照，比較原系統(tǒng)與本文系統(tǒng)對該線路覆冰厚度預測值，如圖5所示。通過比較分析得出，本文預警系統(tǒng)對覆冰厚度預測的相對誤差最大值為2.14%，相對誤差最小值為0.41%，而原系統(tǒng)測得覆冰厚度值的相對誤差最大值為7.46%，相對誤差最小值為1.36%。通過對比可以看出，本文研究的預測預警系統(tǒng)能夠有效地提高覆冰預測準確性。

表1 某市220 kV北發(fā)線覆冰厚度實測數(shù)據(jù)Table 1 Measured ice-coated thickness of a 220 kV Bei-Fa transmission line in a certain city

圖5 北發(fā)線覆冰厚度預測值對比圖Fig.5 Comparison chart of measured and forecasted icecoated thickness of Bei-Fa transmission line

圖6 給出了70號、60號、09號和83號線路段覆冰故障率與降雨量之間的變化趨勢圖。由圖6可以看出，4條線路段故障率變化的總體趨勢均為隨降雨量的增加而上升，但不同線路段因所處地理環(huán)境因素、風速和溫度等氣象因素的影響而存在一定的差異。

圖6 降雨量引發(fā)線路故障率變化趨勢圖Fig.6 Varying trend of transmission line fault rate caused by rainfall

為進一步對比修正后模型與未修正模型對冰災引發(fā)線路故障率的預測效果，本文選取了6條架空線路段進行預測分析，并且按照故障嚴重程度進行排序，其預測對比結(jié)果見表2。由表2可知，經(jīng)MPC算法修正后的覆冰災害故障率比未修正時預測準確度更高，且更符合實際情況。其中，37號線路段、26號線路段和67號線路段覆冰災害發(fā)生故障率較高，主要因為這3條線路段與風向所成夾角均約為90°，較易形成覆冰，11號線路段與風向所成夾角很小，不易形成覆冰。58號線路段與67號線路段同屬于1條輸電線路，2個線路分段引發(fā)的故障率存在著較大差別，主要是因為兩分段線路所處的地理環(huán)境不同，由此可以看出微地形、微地貌對線路覆冰具有較大影響。本文基于區(qū)塊鏈智能預測預警系統(tǒng)將線路進行分段分析具有實際意義。

5 結(jié)論

隨著區(qū)塊鏈技術(shù)的飛速發(fā)展，電網(wǎng)企業(yè)愈加重視區(qū)塊鏈技術(shù)的應用，本文基于區(qū)塊鏈技術(shù)構(gòu)建了電網(wǎng)自然災害預測預警系統(tǒng)。以覆冰災害為例，利用MPC方法修正了覆冰厚度預測模型，提高了覆冰預測模型的準確度，驗證了基于區(qū)塊鏈預測預警系統(tǒng)的可行性和有效性。

接下來，將在現(xiàn)有研究的基礎(chǔ)上，增加山火、臺風等自然災害的預測預警功能，增強該系統(tǒng)應對自然災害的預測預警能力，為區(qū)塊鏈技術(shù)在電網(wǎng)自然災害預警和防范等方面的應用提供參考。