3.3 自动化与监控：从遥测到广域测量

3.3 自动化与监控：从遥测到广域测量

调度自动化系统是电网的中枢神经，从上世纪的"四遥"逐步进化到能量管理系统（EMS）与广域测量系统（WAMS）。本节看这套体系怎么分层搭起来、各自看得见什么、看不见什么。

四遥：一切的起点

遥控变电所的革命始于四个字：遥测（远程读模拟量：电压电流功率）、遥信（远程读开关状态）、遥控（远程分合开关）、遥调（远程设定目标值，如变压器分接头）。在这之前，调度员靠电话问各厂站"你们那边电压多少"，等回话时系统可能已经变了一个样。四遥把电网从"看不见的黑箱"变成调度屏上一张活地图。

分层：调度中心 × 变电站 × 配电终端

电网监控天然分层：国调/网调管跨区直流与主网架，省调管省内 220kV 以上，地调管地区电网与配网，县调管 10kV 馈线。每层有自己的 SCADA（数据采集与监控）系统，向上送汇总数据、向下发控制指令。变电站内的综自系统（IEC 61850 标准）把保护、测控、通信统一到以太网上；配电侧的 DTU/FTU 馈线终端把开关状态送到配电主站——第 2.3 节说的"自愈"，靠的就是这套末梢神经。

EMS 在 SCADA 之上叠了应用层：状态估计（把带噪声的遥测"洗"成一致的电网快照——因为表计有误差、量测有坏数据，直接用会自相矛盾）、潮流与稳定分析、AGC、负荷预测。状态估计是所有高级应用的守门员：没有可信的实时快照，后面全是空中楼阁。

WAMS：给电网装高速摄像机

SCADA 的死穴是不同步：各地数据到达时间差几秒，拼出的快照是"拼接照片"，对功角摇摆这种亚秒级过程完全失明——2003 年美加大停电时调度员面对失真告警的困境，部分就源于此。相量测量单元（PMU） 以全球卫星授时为统一时钟，每秒上传 25–100 帧带绝对时标的电压相量，全网数据可以精确对齐到微秒级。基于 PMU 的 WAMS 让调度员第一次能"看清"功角摇摆、低频振荡的传播过程，也让在线安稳预警成为可能。

# 用两站 PMU 相量数据估算功角差与振荡频率（示意）
import cmath, math

def phase_diff_samples(va, vb):
    """va/vb: 同一时刻两站正序电压相量列表（幅值,角度度）"""
    diffs = [b[1] - a[1] for a, b in zip(va, vb)]
    mean = sum(diffs) / len(diffs)
    osc = [d - mean for d in diffs]
    # 简单过零计数估振荡频率（PMU 每秒 50 帧）
    zero_cross = sum(1 for i in range(1, len(osc))
                     if osc[i-1] * osc[i] < 0)
    f_osc = zero_cross / 2 / (len(osc) / 50)   # Hz
    return round(mean, 2), round(f_osc, 3)

va = [(1.02, 0), (1.02, 1), (1.02, 3), (1.02, 4)]      # A 站角度
vb = [(1.01, 20), (1.01, 16), (1.01, 14), (1.01, 11)]  # B 站角度
print(phase_diff_samples(va, vb))   # 平均功角差约 11 度，含约 0.25Hz 低频振荡
​

SCADA 与 PMU 的关系像听诊器与高速摄像机：前者慢而全，后者快而稀（布点有限）。现代调度中心两者并用，互补盲区。

黑箱之外：看不见的才是难点

量测体系再先进，也只覆盖到 220kV 以上主网和部分配网；用户内部的电能质量扰动、逆变器控制的内部状态，系统仍然看不见。第 5 章会讨论数字孪生试图把这张感知网织得更密，但成本与数据治理是现实约束。另一个老问题反而更尖锐：网络攻击。2015 年乌克兰配电公司调度系统被入侵，攻击者远程分闸造成约 23 万用户停电——监控体系越集中、越智能，其自身的安全加固就越重要。

本节要点回顾

• 四遥（遥测遥信遥控遥调）是电网从"电话调度"到"屏幕调度"的起点。
• 分层体系（调度中心—变电站—配电终端）匹配电网的电压分层，IEC 61850 统一了站内语言。
• 状态估计把噪声量测洗成一致快照，是 EMS 高级应用的守门员。
• PMU/WAMS 以微秒级同步时标看清动态过程，弥补 SCADA"拼接照片"的失明。
• 监控中枢自身也是攻击面，乌克兰 2015 事件敲响过警钟。

动手计算：状态估计如何揪出坏数据

状态估计最常用的加权最小二乘（WLS）：设量测 z = H·x + e，e 为噪声，解 x̂ = (HᵀR⁻¹H)⁻¹HᵀR⁻¹z，其中 R 是量测方差阵。估出 x̂ 后算残差 r = z − Hx̂，哪个量测的残差除以自身标准差明显偏大（|r|/σ > 3），哪个就是嫌疑坏数据——剔除后重新估计，快照恢复一致。

# 三母线直流潮流示意下的 WLS 与坏数据辨识
import numpy as np
H = np.array([[1.0, 0.0], [0.0, 1.0], [1.0, 1.0]])   # 线路潮流对状态量
z = np.array([1.02, 0.51, 1.49])                      # 第三台表被人为加坏
R = np.diag([0.01, 0.01, 0.01])
x = np.linalg.solve(H.T @ np.linalg.inv(R) @ H,
                    H.T @ np.linalg.inv(R) @ z)
r = z - H @ x
print("状态估计:", np.round(x, 3), " 残差/σ:", np.round(r/0.1, 2))
# 残差/σ = [2.4, -2.4, 7.2] -> 第三个量测是坏数据, 剔除后收敛
​

数据档案：三代监控体系能力对比

这张能力表反向解释了 3.2 节的事故史：凡是被"看见"需要亚秒级分辨率的过程（低频振荡、连锁裂解的最初几百毫秒），在前两代体系里都是盲区，直到 WAMS 普及才补上。监控体系的进化史，就是电网"可观测频带"不断向左推进的历史。