Обнаружение неисправностей в системах управления энергией Smart Grid

Обнаружение дефектов интеллектуальных сетей: всеобъемлющее руководство для специалистов по управлению энергопотреблением

Современные системы управления интеллектуальными сетями (EMS) зависят от мониторинга в реальном времени, двусторонней связи и автоматизированного управления для балансировки спроса и предложения, интеграции возобновляемых источников и поддержания качества электроэнергии. Тем не менее, даже самые сложные EMS могут выйти из строя, если механизмы обнаружения неисправностей медленные, неточные или перегружены данными. Обнаружение неисправностей является основой устойчивости сети - когда линия идет вниз, перегрев трансформатора или кибератака искажает измерения, быстрая и точная идентификация проблемы позволяет операторам изолировать неисправный раздел, перенастроить сеть и восстановить обслуживание с минимальным сбоем. В этой статье рассматривается критическая роль обнаружения неисправностей в интеллектуальных сетях, исследуются ведущие методы обнаружения - от классических реле защиты до продвинутого машинного обучения - и обсуждаются проблемы и новые технологии, которые определят надежность сети следующего поколения.

Почему обнаружение ошибок не обсуждается для интеллектуальных сетей

В традиционных энергосистемах неисправности — короткие схемы, наземные неисправности, открытые схемы или отказы оборудования — обрабатывались электромеханическими реле, которые сбивали выключатели после обнаружения сверхтоковых условий. Хотя эти системы были эффективными, им не хватало гранулярности и часто требовалось ручное вмешательство для обнаружения и устранения проблемы. Умные сети требуют гораздо большего: ситуационная осведомленность в реальном времени, адаптивные схемы защиты и способность предвидеть сбои, прежде чем они вызовут отключения клиентов.

Последствия неадекватного обнаружения неисправностей выходят за рамки простоев. Неисправность, которая не изолирована быстро, может каскадировать, сбивая несколько линий и генераторов, потенциально приводя к широко распространенным отключениям. Повреждение оборудования от устойчивых токов неисправности (вспышка дуги, тепловой стресс) может разрушить дорогостоящие трансформаторы и распределительные устройства. А с распределенными энергетическими ресурсами (DER), такими как солнечная энергия, ветер и аккумуляторное хранилище, впрыскивая энергию из многих точек, токи неисправности могут течь в неожиданных направлениях, путая традиционные схемы защиты. Точное обнаружение неисправностей поддерживает стабильность сети, защищает активы и поддерживает высокую надежность, от которой зависят современные экономики.

Типы ошибок в распределении и передаче Smart Grid

Неисправности в электрической сети обычно классифицируются по количеству фаз и их пути к земле.

• Line-to-ground (SLG): Наиболее распространенный тип неисправностей, часто вызванный молнией, контактом с деревом или отказом изоляции. В твердозаземленных системах неисправности SLG производят высокие токи неисправностей; в системах с импедансным заземлением токи ниже, что затрудняет обнаружение.
• Линия-к-линии (LL): Две фазы короткой вместе (например, столкновение проводника во время сильного ветра). Эти неисправности встречаются реже, но могут вызвать серьезные дисбалансы напряжения.
• Двойная линия-земля (DLG): Две фазы закорочены и также соединены с землей. Производит высокие токи и несбалансированные напряжения.
• Три фазы (LLL или LLLG): Редчайший, но самый тяжелый разлом, сбалансированный во всех трех фазах. вызывает самые высокие разломные токи и наибольшее механическое и тепловое напряжение.
• Перемежающиеся/высокоимпературные неисправности: Часто из-за контакта проводника с поверхностью с высоким сопротивлением (например, конечностью дерева на голой проволоке).Ток может быть слишком низким, чтобы сбивать реле тока, требуя специализированных методов обнаружения (например, гармонический анализ, вейвлет-преобразования).

В интеллектуальных сетях неисправности также могут быть «мягкими» сбоями — падение каналов связи, дрейф датчиков или инверторы регулирования напряжения работают неправильно. Хотя это и не электрические короткие замыкания, эти аномалии должны быть обнаружены и исправлены для поддержания общей производительности EMS.

Основные методы обнаружения неисправностей в Smart Grid Energy Management

Классические реле защиты и интеграция SCADA

Первой линией защиты остаются интеллектуальные электронные устройства (СВУ), такие как реле сверхтока, частоты и расстояния. В умной сети эти реле основаны на микропроцессоре и взаимодействуют с системой центрального надзорного управления и сбора данных (SCADA) по протоколам, таким как IEC 61850, DNP3 или Modbus. Данные об ошибках (токовые, напряжения, измерения фазора) маркируются по времени с использованием GPS для синхронизации, что позволяет точно определять местоположение неисправности с помощью расчетов импеданса или методов передвижной волны. Современные реле также записывают журналы событий неисправностей, которые операторы могут анализировать после события для проверки настроек защиты и выявления повторяющихся проблем.

Местоположение ошибки Travel-Wave

Для линий передачи, методы путешествующих волн используют скорость электромагнитных волн, чтобы точно определить неисправности в пределах нескольких метров. Когда происходит неисправность, коллапс напряжения генерирует волну, которая распространяется в обоих направлениях вдоль линии. Датчики на обоих концах записывают время прибытия волны; разница во времени прибытия дает расстояние до неисправности. Этот метод чрезвычайно быстрый и точный, но требует высокоскоростной выборки (диапазон МГц) и точной синхронизации времени. Коммунальные службы все чаще развертывают локаторы путешествующих волн, особенно на длинных воздушных линиях и подземных кабельных коридорах, где точное определение повреждений сокращает время и стоимость ремонта.

Местоположение неисправности на основе импеданса

Более распространенные в распределительных сетях методы импеданса вычисляют расстояние до неисправности путем измерения видимого импеданса, наблюдаемого реле во время неисправности. Используя фазоры предварительного неисправности и напряжения/тока разлома, реле оценивает длину линии до точки неисправности. Проблемы включают эффекты сопротивления неисправности (особенно при неисправностях высокого давления), изменения топологии сети из-за DER и кранов нагрузки. Улучшения с использованием данных синхрофазора из блоков измерения фазора (PMU) на нескольких узлах помогают смягчить ошибки.

Волновая трансформация и обработка сигналов

Сигналы неисправности содержат высокочастотные переходные процессы, которые может пропустить обычный анализ Фурье. Преобразование вейвлета разлагает сигнал на компоненты временной частоты, позволяя обнаруживать резкие изменения (крайности), характерные для неисправностей. Алгоритмы обнаружения на основе вейвлета могут идентифицировать начало тока неисправности в пределах доли цикла, различать события неисправности и обычные операции переключения и извлекать признаки для классификации. Этот подход особенно эффективен для неисправностей микросетей высокого давления, где пороги перетока не превышены.

Машинное обучение и искусственный интеллект для обнаружения ошибок

Модели машинного обучения (ML) трансформируют обнаружение неисправностей путем изучения нормальных моделей поведения из массивных исторических и реальных потоков данных. Надзорные модели (например, машины вектора поддержки, случайные леса, сверточные нейронные сети) обучаются на меченных данных о неисправностях и неисправностях для классификации событий как нормальных, возмущений или неисправностей. Неконтролируемые методы (кластеризация, автокодеры) обнаруживают аномалии, выявляя отклонения от изученных моделей, позволяя обнаруживать новые неисправности. ML также может сплавлять данные из нескольких источников - датчиков, погоды, здоровья активов - для получения оценок риска для оборудования и линий.

Ключевые приложения включают:

• Обнаружение неисправностей высокого давления: Нейронные сети изучают тонкие гармонические сигнатуры и шаблоны дуг, которые отличают дефекты контакта дерева от переключения конденсатора.
• Модели ML отличают преднамеренное островитянство от неисправного островитянства, анализируя изменения частоты и сдвиги фаз напряжения.
• Предиктивное обслуживание: Данные датчиков тренда (температура, вибрация, давление газа) для прогнозирования отказа трансформатора или выключателя цепи, что побуждает вмешательство до отключения.