CN109034461A - 一种基于实际电网监测信息的电压暂降随机预估方法 - Google Patents
一种基于实际电网监测信息的电压暂降随机预估方法 Download PDFInfo
- Publication number
- CN109034461A CN109034461A CN201810738766.8A CN201810738766A CN109034461A CN 109034461 A CN109034461 A CN 109034461A CN 201810738766 A CN201810738766 A CN 201810738766A CN 109034461 A CN109034461 A CN 109034461A
- Authority
- CN
- China
- Prior art keywords
- node
- fault
- index
- temporarily
- fault message
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 52
- 238000012544 monitoring process Methods 0.000 title claims abstract description 29
- 238000004088 simulation Methods 0.000 claims abstract description 37
- 238000005070 sampling Methods 0.000 claims abstract description 31
- 239000011159 matrix material Substances 0.000 claims abstract description 11
- 238000005259 measurement Methods 0.000 claims description 62
- 238000012937 correction Methods 0.000 claims description 31
- 238000012806 monitoring device Methods 0.000 claims description 30
- 238000004364 calculation method Methods 0.000 claims description 25
- 230000007423 decrease Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 238000002715 modification method Methods 0.000 claims description 10
- 238000013459 approach Methods 0.000 claims description 9
- 230000007257 malfunction Effects 0.000 claims description 9
- 230000002596 correlated effect Effects 0.000 claims description 8
- 230000000875 corresponding effect Effects 0.000 claims description 8
- 238000012545 processing Methods 0.000 claims description 8
- 238000013507 mapping Methods 0.000 claims description 7
- 230000009466 transformation Effects 0.000 claims description 5
- 238000013178 mathematical model Methods 0.000 claims description 4
- 238000007619 statistical method Methods 0.000 claims description 4
- 238000010606 normalization Methods 0.000 claims description 3
- 230000008439 repair process Effects 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 2
- 239000000284 extract Substances 0.000 claims description 2
- 238000010248 power generation Methods 0.000 claims description 2
- 238000009827 uniform distribution Methods 0.000 claims 1
- 238000004458 analytical method Methods 0.000 abstract description 6
- 238000000342 Monte Carlo simulation Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 3
- 230000005611 electricity Effects 0.000 description 3
- 230000000052 comparative effect Effects 0.000 description 2
- 230000007547 defect Effects 0.000 description 2
- 238000005315 distribution function Methods 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 238000007429 general method Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了属于电能质量分析技术领域的一种基于实际电网监测信息的电压暂降随机预估方法。所述方法包括：读取实际电网参数，得到节点导纳矩阵；对各节点实测暂降数据进行处理，得到故障类型及故障持续时间的概率模型；建立***故障信息模型；利用拉丁超立方采样产生故障信息，形成故障信息原始数据库；进行故障仿真模拟，计算预估结果与实测结果的误差，根据误差是否满足要求，对故障信息模型进行修正，直至误差满足要求或达到预先设置的修正次数，进而得到最终预估结果；本发明能够有效避免现有预估方法中稳定性较差、收敛较慢、用时较长及预估结果误差较大等问题，其预估结果更为准确。
Description
技术领域
本发明属于电能质量分析技术领域，尤其涉及一种基于实际电网监测信息的电压暂降随机预估方法。
背景技术
随着电力电子等敏感设备在电网中的广泛应用，电压暂降已成为最重要的电能质量问题之一。典型的敏感设备，如计算机、交流调速器、交流接触器等，在经受电压暂降扰动后可能导致设备停止运转、运转不平稳或出错、效率下降或寿命缩短等问题，进而使得工业生产线产量与质量下降甚至完全中断生产过程或服务活动，从而造成巨大的经济损失。为此，对电网电压暂降发生状况进行预估，发现电网薄弱环节，有针对性地采取措施抑制电压暂降，尽可能避免电压暂降对敏感设备的不利影响，具有重要意义。
目前电压暂降预估方法主要分为实测统计法和模拟预估法。考虑到电网故障发生的随机性，只有在监测周期足够长的情况下，实测统计法的评估结果才能足够准确。因而通常情况下，一般采用模拟预估的方法进行电压暂降的评估。模拟预估法主要分为故障点法、临界距离法和蒙特卡罗法。蒙特卡罗法首先建立电网故障随机模型，通过模拟短路故障得到该电网的电压暂降信息，当仿真达到一定的次数与年限时，评估结果能够较为准确的反映该电网的电压暂降情况，因此蒙特卡罗法是目前电压暂降随机预估的常用方法。但是蒙特卡罗法具有稳定性较差、收敛较慢、用时较长的缺陷。此外，随着电能质量在线监测***在我国各地区电网的广泛应用，实际***中部分节点已安装了监测装置，能够获取到足够多的暂降事件，鉴于此，可提出一种适用于实际电网的电压暂降随机预估方法，既能够克服蒙特卡罗法稳定性差、收敛慢、用时长的缺陷，同时使得预估结果能够更加符合实际，为电网公司及用户提供暂降信息，发现电网薄弱环节，提前采取应对措施以缓解电压暂降，减小经济损失。
发明内容
针对上述问题，本发明提出了一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，包括以下步骤：
A、读取实际电网参数，经过处理后得到节点导纳矩阵；
B、获取实际电网监测***各节点的实测暂降数据，经处理后得到基于实测数据的故障信息模型，包括故障类型信息模型Ptype和故障持续时间信息模型Pdur；
C、建立***故障信息模型，包括故障线路信息模型Pline、故障位置信息模型Pspot和故障阻抗信息模型Pres；
D、采用拉丁超立方采样生成故障信息，建立故障信息原始数据库，包括故障线路原始数据库、故障位置原始数据库、故障类型原始数据库、持续时间原始数据库以及故障阻抗原始数据库；
E、进行故障仿真模拟，得到各暂降事件的暂降特征值，包括暂降幅值、持续时间和暂降类型；计算各节点暂降指标，将已安装监测装置节点的预估暂降指标与电网实测暂降指标对比，计算得到预估结果与实测结果的误差；判断误差是否小于20％，若误差不满足上述要求，对故障信息模型进行修正，重复步骤E，直至误差小于20％或达到预先设置的修正次数，得到最终预估结果。
所述实际电网参数包括：***节点数、线路参数、变压器参数、***潮流参数、发电机参数。
所述步骤B具体包括以下子步骤：
B1、导出各节点实测暂降数据；
B2、对实测暂降数据进行筛选，得到实测***的总故障频次，具体方法为：
B2-1、对暂降发生时间间隔短且暂降类型相同的暂降事件进行归一化处理；
B2-2、对各节点的暂降事件进行重新统计，得到该实测周期内的故障频次，进而得到实测***的总故障频次Fnum，其计算公式为：
式中，T表示以年为单位的实测周期，Nt表示该实测周期内的故障频次；
B3、对故障发生类型进行统计分析，建立故障类型信息模型Ptype：
式中，Ptype表示发生基于实测数据的各类型故障的概率；PLG、P2LG、P2L、P3LG分别表示发生单相接地、两相接地、两相相间及三相接地的故障概率；
B4、建立故障持续时间信息模型Pdur，建立方法为：
B4-1、实测周期达到3-5年或实测暂降数据达到300组以上时，提取出每次暂降的持续时间，利用MATLAB拟合出持续时间的数学模型，建立故障持续时间信息模型Pdur；
B4-2、实测周期小于3年或实测暂降数据小于300组时，采用故障持续时间服从期望为0.06s，标准差为0.01s的标准正态分布的通用故障持续时间信息模型Pdur，计算公式如下：
Pdur＝N(0.06,0.01)
B5、选取SARFI90指标作为各节点暂降评估指标，计算各节点实测暂降频次，其中，SARFI90指标的计算公式为：
式中，DT表示实测周期内的总天数，D表示指标计算周期天数，取值365，NT表示在监测周期T内该节点发生暂降幅值低于90％的暂降频次。
所述步骤C建立***故障信息模型的方法为：
C1、对于故障线路，假定线路故障概率与线路长度成正比，统计各条线路长度，进而得到每条线路故障的概率，建立故障线路信息模型Pline：
式中，K为线路总数；Pline表示线路故障的概率；Pj(j＝1,2,…,K)为第j条线路的故障概率，且Lj表示第j条线路的长度；
C2、对于故障位置，假定线路上各点发生故障的概率相同，故障位置服从[0,1]的均匀分布，建立故障位置信息模型Pspot，计算公式如下：
式中，表示第j条线路N个位置区间的故障概率；
C3、对于故障阻抗，假定故障阻抗服从期望为5Ω，标准差为1Ω的标准正态分布，建立故障阻抗信息模型Pres，计算公式如下：
Pres＝N(5,1)
所述步骤D基于拉丁超立方采样生成故障信息，建立故障信息原始数据库还包括以下子步骤：
D1、依据步骤C建立的故障线路信息模型Pline，采用拉丁超立方采样，得到故障线路原始数据库；
D2、依据步骤C建立的故障位置信息模型Pspot，采用拉丁超立方采样，得到故障位置原始数据库；
D3、依据步骤B建立的故障类型信息模型Ptype，采用拉丁超立方采样，得到故障类型原始数据库；
D4、依据步骤B建立的故障持续时间信息模型Pdur，采用拉丁超立方采样，得到持续时间原始数据库；
D5、依据步骤C建立的故障阻抗信息模型Pres，采用拉丁超立方采样，得到故障阻抗原始数据库。
所述步骤E还包括以下子步骤：
E1、输入***参数，依据步骤D得到的故障信息原始数据库，进行故障仿真模拟，得到各次暂降事件的暂降特征值，包括暂降幅值、持续时间、暂降类型；
E2、分别计算每个已安装监测装置节点的预估暂降指标与电网实测暂降指标的误差值，假设第i个节点的预估暂降指标与电网实测暂降指标分别为Ies,i和Irel,i，则误差值εi的计算公式为：
E3、将各节点按误差由大到小进行排序，设置每个已安装监测装置节点的误差允许值，按照误差由大到小的节点顺序分别将每个已安装监测装置节点的误差与该误差允许值进行比较，若误差不在误差允许值的范围内，则利用皮尔森相关分析法得到各节点暂降指标与故障信息模型之间的关联性，选取与各节点关联性最大的故障信息，对故障信息模型进行修正；
E4、利用修正后的故障信息模型，重新生成故障信息原始数据库，进行故障仿真模拟，统计各次暂降事件，计算各节点暂降指标，给出未安装监测装置节点的所有节点的暂降指标及各节点每次暂降事件的暂降特征值，包括暂降类型、暂降幅值、暂降持续时间。
所述步骤E3对故障信息模型进行修正的方法为：
E3-1数据处理
针对各个节点，筛选出各节点暂降指标及引起各次暂降事件的故障信息，包括故障线路、故障位置、故障阻抗和故障持续时间；
E3-2对数据进行归一化处理
采用离差标准化方法对步骤E3-1得到的数据进行归一化处理，即对原始数据进行线性变换，使变换结果映射到[0,1]之间，其转换函数为：
式中，c*为步骤E3-1得到的数据归一化映射后的结果，c为映射前的原始数据，max为样本数据的最大值，min为样本数据的最小值；
E3-3模型修正
利用皮尔森相关分析法，得到各节点暂降指标与各故障信息之间的关联性，并将各节点的关联性进行排序，选择与暂降指标关联性最大的故障信息，对步骤B、C建立的故障信息模型进行修正。
所述步骤E3-3中，模型修正的具体方法为：
E3-3-1、选取与节点关联性最大的故障信息，将与之对应的故障信息模型附加一个修正系数α，以修正该故障信息模型；
E3-3-2、假设与节点1关联性最大的故障信息为故障线路，则对与节点1连接的线路进行修正，将与节点1连接的线路故障率分别加上修正系数α1，则与节点1连接的线路e修正后的线路故障率为：
Pe,re＝Pe+α1
式中，Pe,re为线路e修正后的线路故障率，Pe为线路e的原始线路故障率；
E3-3-3、对与节点1电气距离较远的线路分别减去修正系数α1，则与节点1连接的线路f修正后的线路故障率为：
Pf,re＝Pf-α1
式中，Pf,re为线路f修正后的线路故障率，Pf为线路f的原始线路故障率；
E3-3-4、经过上述修正后得到新的线路故障信息模型，重新生成故障信息原始数据库，进行故障仿真模拟，统计各次暂降事件，计算各节点暂降指标，将节点1的预估暂降指标与电网实测暂降指标对比进行修正后误差计算，若误差大于20％，继续上述修正，直至误差小于20％或达到预先设定的修正次数，最终得到与节点1相连线路的线路故障率；
E3-3-5、依照上述修正方法对h个节点逐一修正，若修正后仍存在不在误差范围内的节点，再对不在误差范围内的节点按照上述修正方法同时做修正，最终得到与已安装监测装置的h个节点相连线路的故障率。
所述修正系数α的计算方法如下：
1)假定***共有H个节点，其中有h个装有监测装置的节点，将所述H个节点分别编号为1,2,3,…,h,h+1,h+2,…，H，即前h个节点为装有监测装置的节点，后H-h个节点为未安装监测装置的节点；
2)假设h个节点的预估暂降指标与电网实测暂降指标的误差分别为ε1,ε2,ε3,…,εh，对h个节点依次进行修正，每个节点的修正系数分别记为α1,α2,α3,…,αh；
3)首先对节点1，设置α1初值为0.01，每次修正量为0.01，则第k次修正的修正系数为α1＝|0.01+0.01*k|；
其中，α1的正负按照如下规则选取：
a)当节点1的暂降指标与故障信息呈正相关时，暂降指标随故障信息的增大而增大，若ε1为正，则预估暂降指标大于实测暂降指标，故障信息修正系数α1为负；若ε1为负，则预估暂降指标小于实测暂降指标，故障信息修正系数α1为正；
b)当节点1的暂降指标与故障信息呈负相关时，暂降指标随故障信息的增大而减小，若ε1为正，则预估暂降指标大于实测暂降指标，故障信息修正系数α1为正；若ε1为负，则预估暂降指标小于实测暂降指标，故障信息修正系数α1为负。
本发明的有益效果在于：
本发明提出的一种基于实际电网监测信息的电压暂降随机预估方法，依据实际电网暂降事件来建立故障随机信息模型，能够更加准确地反映该实际电网的故障信息；采用拉丁超立方采样方法代替了传统的蒙特卡罗法，在保证准确性的前提下，能够更加快速稳定地预估得到该实际电网各节点暂降情况；将暂降预估结果与实际电网暂降评估结果进行误差计算，若误差不满足精度要求，利用皮尔森相关分析法选取与各节点关联性较强的暂降信息，对暂降信息模型进行修正直至误差满足要求或达到预先设置的修正次数，使得预估结果更为准确，能够有效避免现有预估方法中稳定性较差、收敛较慢、用时较长及预估结果误差较大等问题，对于用户及电网公司及时作出应对措施以缓解电压暂降带来的经济损失意义明显。
附图说明
附图1为基于实际电网监测信息的电压暂降随机预估方法的流程图；
附图2为本发明具体实施方式中拉丁超立方采样示意图；
附图3为本发明具体实施方式中我国某城市电网实际***拓扑图；
具体实施方式
下面结合附图和实施例对本发明进行详细说明。
以下公开详细的推理分析方法和示范分析例。然而，此处公开的具体推理及分析过程细节仅仅是出于描述示范分析例的目的。
然而，应该理解，本发明不局限于公开的具体示范实施例，而是覆盖落入本公开范围内的所有修改、等同物和替换物。在对全部附图的描述中，相同的附图标记表示相同的元件。
下面首先介绍几个本发明中用到的指标及方法：
(1)SARFI指标
SARFI指标即为***平均方均根值波动频率指标，用来描述特定时间内单一测量点方均根值波动情况。SARFI指标包括两种形式：一种是基于某一阈值电压的统计指标SARFIx，另一种是基于敏感设备曲线的统计指标SARFIcurve。
对于SARFIx指标，x为方均根值电压阈值，用百分制形式表示，可能的取值为180、140、120、110、90、80、70、50或10等；对于SARFIcurve指标，其表示超出某类敏感设备参考曲线范围的电压暂降事件的频度，且不同的参考曲线对映不同的SARFIcurve指标。由于实际***中各节点具体敏感设备较难获取，敏感设备耐受曲线无法确定，本发明中主要对各节点的电压暂降情况进行预估，因此本发明中x取值为90，即采用SARFI90指标作为各节点暂降评估指标，某一节点的SARFI90指标计算公式如下：
式中，DT表示实测周期内的总天数，D表示指标计算周期天数，这里取值365，以年为单位，NT表示在监测周期T内该节点发生暂降幅值低于90％的暂降频次。
(2)拉丁超立方采样
结合图2所示的拉丁超立方采样示意图，假设某一概率问题中共M个随机变量X1、X2、…、XM，Xm为其中任一随机变量，且Xm的累积分布函数为：Ym＝Fm(Xm)。
假设采样次数为N，将其累积分布函数Ym的纵轴分成N个等区间，其宽度为1/N。设各随机变量相互独立，xmn为第m个变量的第n次抽样值。
拉丁超立方采样法基本步骤如下：
1)产生一个M×N维矩阵LM×N，该矩阵的每一行均为(1,N)整数的随机序列，amn为其m行n列元素；
2)产生一个M×N维矩阵UM×N，该矩阵的每个元素服从[0,1]均匀分布，umn为其m行n列元素；
3)计算得到M×N维采样矩阵XM×N，xmn为其m行n列元素，则：
式中，m＝1，2，…，M；n＝1，2，…，N。
(3)皮尔森相关系数分析法
皮尔森相关分析法的基本原理是假设存在两个变量a、b，那么两个变量的皮尔森相关系数可通过以下公式计算得到：
式中，Ra,b表示变量a和b的相关性，分别表示变量a和b的数学期望值。
皮尔森相关系数的范围为[-1,1]，绝对值越接近1，关联性越强；绝对值越接近于0，关联性越弱，相关系数小于0时表示2个变量呈负相关，相关系数大于0时表示2个变量呈正相关。皮尔森相关系数绝对值与关联性强弱的对应关系如表1所示。
表1皮尔森相关系数绝对值与关联性强弱的对应关系
| 相关系数 | 关联性 |
| 0≤|R|<0.2 | 非常弱 |
| 0.2≤|R|<0.4 | 弱 |
| 0.4≤|R|<0.6 | 中等 |
| 0.6≤|R|<0.8 | 强 |
| 0.8≤|R|≤1.0 | 非常强 |
附图1为基于实际电网监测信息的电压暂降随机预估方法的流程图，如图1所示，所述方法包括如下步骤：
A、读取实际电网参数，经过处理后得到节点导纳矩阵；
B、获取实际电网监测***各节点的实测暂降数据，经处理后得到基于实测数据的故障信息模型，包括故障类型信息模型Ptype和故障持续时间信息模型Pdur；
C、建立***故障信息模型，包括故障线路信息模型Pline、故障位置信息模型Pspot和故障阻抗信息模型Pres；
D、采用拉丁超立方采样生成故障信息，建立故障信息原始数据库，包括故障线路原始数据库、故障位置原始数据库、故障类型原始数据库、持续时间原始数据库以及故障阻抗原始数据库；
E、进行故障仿真模拟，得到各暂降事件的暂降特征值，包括暂降幅值、持续时间和暂降类型；计算各节点暂降指标，将已安装监测装置节点的预估暂降指标与电网实测暂降指标对比，计算得到预估结果与实测结果的误差；判断误差是否小于20％，若误差不满足上述要求，对故障信息模型进行修正，重复步骤E，直至误差小于20％或达到预先设置的修正次数，得到最终预估结果。
具体的，步骤A中，读取实际电网参数，并对上述参数进行处理，得到节点导纳矩阵具体包括：
A1、根据实际电网录入***节点数、线路参数、变压器参数、***潮流参数、发电机参数；
A2、对上述参数进行处理，得到节点导纳矩阵。
具体的，所述步骤B中，获取实际电网监测***各节点的实测暂降数据，经处理后得到基于实测数据的故障信息模型，包括故障类型信息模型Ptype和故障持续时间信息模型Pdur包括以下子步骤：
B1、导出各节点实测暂降数据；
B2、对实测暂降数据进行筛选，得到实测***的总故障频次，具体包括以下子步骤：
B2-1、对暂降发生时间间隔较短(几秒以内)且暂降类型相同的暂降事件进行归一化处理，认为其为同一故障事件引起；
B2-2、对各节点的暂降事件进行重新统计，得到该实测周期内的故障频次，进而得到实测***的每年总故障频次Fnum：
式中，T表示以年为单位的实测周期，Nt表示该实测周期内的故障频次；
B3、由于单相、两相、三相暂降分别主要由单相、两相、三相故障引起的，因此对电网实测暂降数据统计得到的暂降类型概率模型即可作为各故障类型的概率模型。已有暂降预估方法中，针对故障类型的发生一般采用国内外较为通用的概率模型，但当预估某一实际电网时，该电网发生各类型的故障的概率可能具有其自身的特点，并不一定与通用模型一致，因此针对实际电网时，本发明对其进行重新建模，以符合该电网的实际情况。对故障发生的类型进行统计分析，建立基于实测数据的故障类型信息模型Ptype：
式中，Ptype表示发生基于实测数据的各类型故障的概率；PLG、P2LG、P2L、P3LG分别表示发生单相接地、两相接地、两相相间及三相接地的故障概率。
B4、建立故障持续时间信息模型Pdur，建立方法为：
B4-1、在实测数据较多的情况下，如实测周期能达到3-5年或实测暂降数据达到300组以上时，可提取出每次暂降的持续时间，在MATLAB中采用函数(如高斯函数等)拟合出持续时间的数学模型，建立故障持续时间信息模型Pdur；
B4-2、在实测数据较少的情况下，如实测周期较短或实测暂降数据小于300组时，仍采用目前较为通用的故障持续时间信息模型Pdur，即假定故障持续时间服从期望为0.06s，标准差为0.01s的标准正态分布，计算公式为：
Pdur＝N(0.06,0.01)
B5、选取SARFI90指标，计算各节点实测暂降频次，其中，SARFI90指标的计算公式为：
式中，DT表示实测周期内的总天数，D表示指标计算周期天数，取值365，NT表示在监测周期T内该节点发生暂降幅值低于90％的暂降频次。
具体的，所述步骤C中，建立***故障信息模型包括以下子步骤：
C1、对于故障线路，一般假定线路故障概率与线路长度成正比，统计各条线路长度，进而得到每条线路故障的概率，建立故障线路信息模型Pline：
式中，K为线路总数；Pline表示线路故障的概率；Pj(j＝1,2,…,K)为第j条线路的故障概率，且Lj表示第j条线路的长度。
C2、对于故障位置，一般假定线路上各点发生故障的概率相同，因此故障位置服从[0,1]的均匀分布，建立故障位置信息模型Pspot：
式中，表示第j条线路N个位置区间的故障概率；
C3、对于故障阻抗，由于难以用精确的数字来表示故障阻抗，假定故障阻抗服从期望为5Ω，标准差为1Ω的标准正态分布，以此来建立故障阻抗信息模型Pres，计算公式如下：
Pres＝N(5,1)
具体的，所述步骤D中，基于拉丁超立方采样生成故障信息，建立故障信息原始数据库还包括以下子步骤：
D1、依据步骤C1建立的故障线路信息模型Pline，采用拉丁超立方采样，得到故障线路原始数据库；
对于故障线路，假设随机数y服从[0,1]均匀分布，采用拉丁超立方采样产生随机数y，则与其对应的故障线路Fline表示为：
式中，K为线路总数；Pj(j＝1,2,…,K)为第j条线路的故障概率，且
D2、依据步骤C2建立的故障位置信息模型Pspot，由于该信息模型为连续概率分布，采用拉丁超立方采样，得到故障位置原始数据库；
D3、依据步骤B3建立的故障类型信息模型Ptype，采用拉丁超立方采样，得到故障类型原始数据库；
对于故障类型，假设随机数z服从[0,1]均匀分布，采用拉丁超立方采样产生随机数z，则与其对应的故障类型Ftype表示为
式中，PLG、P2LG、P2L、P3L分别表示发生单相接地、两相接地、两相相间及三相接地的故障概率。
D4、依据步骤B4建立的故障持续时间信息模型Pdur，由于其为连续概率分布，采用拉丁超立方采样，得到持续时间原始数据库；
D5、依据步骤C3建立的故障阻抗信息模型Pres，由于其为连续概率分布，采用拉丁超立方采样，得到故障阻抗原始数据库。
具体的，所述步骤E具体包括以下步骤：
E1、输入***参数，依据步骤D得到的故障信息原始数据库，进行故障仿真模拟，得到各次暂降事件的暂降特征值，包括暂降幅值、持续时间、暂降类型；
E2、统计分析E1得到的暂降事件，计算各节点暂降指标，分别计算每个已安装监测装置节点的预估暂降指标与电网实测暂降指标的误差值，假设第i个节点的预估暂降指标与电网实测暂降指标分别为Ies,i和Irel,i，则误差值εi的计算公式为：
E3、将各节点按误差由大到小进行排序，设置每个已安装监测装置节点的误差允许值，按照误差由大到小的节点顺序分别将每个已安装监测装置节点的误差与该误差允许值进行比较，若误差不在误差允许值的范围内，则利用皮尔森相关分析法得到各节点暂降指标与故障信息模型(如故障线路、故障位置、故障阻抗和故障持续时间)之间的关联性，选取与各节点关联性最大的故障信息，对步骤B、C建立的故障信息模型进行修正。
E4、利用E3得到的修正后的故障信息模型，重新生成故障信息原始数据库，进行故障仿真模拟，统计各次暂降事件，计算各节点暂降指标，得到最终预估结果，给出未安装监测装置节点的所有节点的暂降指标及各节点每次暂降事件的暂降特征值，包括暂降类型、暂降幅值、暂降持续时间。
其中，步骤E3对故障信息模型进行修正的方法为：
E3-1数据处理
针对各个节点，筛选出各节点暂降指标及引起各次暂降事件的故障信息，包括故障线路、故障位置、故障阻抗和故障持续时间；
E3-2将上述得到的数据进行归一化处理，变换至[0,1]之间；
采用min-max标准化(也称为离差标准化)进行归一化处理，即对原始数据进行线性变换，使结果值映射到[0,1]之间，其转换函数为：
式中，c*为步骤E3-1得到的数据归一化映射后的结果，c为映射前的原始数据，max为样本数据的最大值，min为样本数据的最小值；
E3-3模型修正
采用皮尔森相关分析法，得到各节点暂降指标与各故障信息之间的关联性并进行排序，选择与暂降指标关联性最大的故障信息，对步骤B、C中所建立的对应的故障数学模型进行修正，修正方法为：
E3-3-1、选取与节点关联性最大的故障信息，将与之对应的故障信息模型附加一个修正系数α，以修正该故障信息模型；
E3-3-2、假设与节点1关联性最大的故障信息为故障线路，则对与节点1连接的线路进行修正，将与节点1连接的线路故障率分别加上修正系数α1，则与节点1连接的线路e修正后的线路故障率为：
Pe,re＝Pe+α1
式中，Pe,re为线路e修正后的线路故障率，Pe为线路e的原始线路故障率；
E3-3-3、对与节点1电气距离较远的线路分别减去修正系数α1，则与节点1连接的线路f修正后的线路故障率为：
Pf,re＝Pf-α1
式中，Pf,re为线路f修正后的线路故障率，Pf为线路f的原始线路故障率；
E3-3-4、经过上述修正后得到新的线路故障信息模型，重新生成故障信息原始数据库，进行故障仿真模拟，统计各次暂降事件，计算各节点暂降指标，将节点1的预估暂降指标与电网实测暂降指标对比进行修正后误差计算，若误差大于20％，继续上述修正，直至误差小于20％或达到预先设定的修正次数，最终得到与节点1相连线路的线路故障率；
E3-3-5、依照上述修正方法对h个节点逐一修正，若修正后仍存在不在误差范围内的节点，再对不在误差范围内的节点按照上述修正方法同时做修正，最终得到与已安装监测装置的h个节点相连线路的故障率。
所述修正系数α的计算方法如下：
1)假定***共有H个节点，其中有h个装有监测装置的节点，将所述H个节点分别编号为1,2,3,…,h,h+1,h+2,…，H，即前h个节点为装有监测装置的节点，后H-h个节点为未安装监测装置的节点；
2)假设h个节点的预估暂降指标与电网实测暂降指标的误差分别为ε1,ε2,ε3,…,εh，采用“逐一修正”的方法，对h个节点依次进行修正，每个节点的修正系数分别记为α1,α2,α3,…,αh；
3)首先对节点1，设置α1初值为0.01，每次修正量为0.01，则第k次修正的修正系数为α1＝|0.01+0.01*k|；
其中，α1的正负按照如下规则选取：
a)当节点1的暂降指标与故障信息呈正相关时，暂降指标随故障信息的增大而增大，若ε1为正，说明预估暂降指标大于实测暂降指标，需要较小预估暂降指标的大小，因此故障信息修正系数α1为负；若ε1为负，则预估暂降指标小于实测暂降指标，故障信息修正系数α1为正；
b)当节点1的暂降指标与故障信息呈负相关时，暂降指标随故障信息的增大而减小，若ε1为正，说明预估暂降指标大于实测暂降指标，需要减小预估暂降指标的大小，因此故障信息修正系数α1为正；若ε1为负，则预估暂降指标小于实测暂降指标，故障信息修正系数α1为负。
这里假设与节点1关联性最大的故障信息为故障线路，则对与节点1连接的线路进行修正，对与节点1连接的线路故障率分别加上正的修正系数α1，综上与节点1连接的线路e的修正后线路故障率为：
Pe,re＝Pe+α1
式中，Pe,re为线路e修正后线路故障率，Pe为线路e原始线路故障率。
由于所有线路故障率之和为1，因此对与节点1电气距离较远的线路分别减去修正系数α1，即与节点1连接的线路f的修正后线路故障率为：
Pf,re＝Pf-α1
式中，Pf,re为线路f修正后线路故障率，Pf为线路f原始线路故障率。
通过上述修正后得到新的线路故障信息模型，然后重新产生故障信息原始数据库，进行故障仿真模拟，统计各次暂降事件，计算各节点暂降指标，将节点1的预估暂降指标与电网实测暂降指标对比进行修正后误差计算，若误差不在允许值范围内，继续上述修正，直至误差满足要求或达到修正次数，最终得到与节点1相连线路的线路故障率。
同样地，对于节点2，依照相同的修正方法，得到与节点2相连的线路故障率；以此类推，最终能够得到与已安装监测装置的h个节点相连线路的故障率。
若“逐一修正”后各节点误差仍有节点不在误差范围内，再对不在误差范围内的节点按照上述方法做整体修正，即对节点同时做修正，最终得到与已安装监测装置的h个节点相连线路的故障率。
若与某一节点关联性最强的故障信息不是线路故障率，那么修正方法与线路故障率的修正方法类似。
通过上述方法，可得到修正后的故障信息模型。
实施例1
以下通过一个具体实施方式来说明本发明的技术效果。
附图3为我国某城市电网实际***拓扑图。如图3所示，该城市电网共有2座500kV变电站(节点1、2)以及19座220kV变电站(节点3～21)，由48条线路连接而成。
以该城市电网电能质量在线监测***自2017年1月至2017年6月部分监测节点获取的暂降实测数据为研究对象，本发明对暂降发生时间间隔很短(几秒以内)且暂降类型相同的暂降事件进行了筛选，认为其为同一故障事件引起的，对该城市电网进行重新统计后结果如下：半年内，总暂降事件数为38次，引起的故障事件为26次。表2为该城市电网各监测节点发生暂降频次，同时选择SARFI90作为暂降指标，各节点暂降评估结果见表2。对各次故障进行了统计分析，得到各类型故障发生概率如表3所示。
表2各节点暂降评估结果
| 编号 | 监测节点 | 暂降频次 | SARFI90指标 |
| 5 | 蒲县 | 4 | 8 |
| 3 | 陶唐 | 3 | 6 |
| 21 | 兴唐 | 2 | 4 |
| 19 | 永乐 | 8 | 16 |
| 18 | 乔北 | 6 | 12 |
| 10 | 古城 | 3 | 6 |
| 16 | 张礼 | 9 | 18 |
| 14 | 郑庄 | 3 | 6 |
| 总计 | 38 | 76 |
表3各类型故障发生概率
| 故障类型 | 故障率 |
| LG | 53％ |
| 2L | 14％ |
| 2LG | 3％ |
| 3LG | 30％ |
由E1、E2两步骤进行实际***暂降仿真分析，将安装节点监测设备节点的仿真值与实测值结果对比如表4所示。由表4可以看出，除节点3和节点18之外，其他节点的暂降频次仿真值均与实测值误差较大，节点10的暂降预估误差更是达到了80.00％，因此需要对原有暂降信息模型进行修正，以获取到更适合该实际***的暂降预估随机模型。
表4安装节点监测设备节点的仿真值与实测值结果对比
| 编号 | SARFI90实测值 | SARFI90仿真值 | 误差(％) |
| 3 | 6 | 5.50 | -8.33 |
| 5 | 8 | 13.97 | 74.62 |
| 10 | 6 | 10.80 | 80.00 |
| 14 | 6 | 8.40 | 40.00 |
| 16 | 18 | 8.83 | -50.94 |
| 18 | 12 | 10.58 | -11.83 |
| 19 | 16 | 12.04 | -24.75 |
| 21 | 4 | 7.18 | 79.50 |
考虑到前述故障信息模型的建立中已得到了基于实测数据的故障类型的数学模型，因此不再对其进行修正。对该地区各节点SARFI90指标与故障信息模型进行了相关系数计算，表5为各节点SARFI90指标与故障信息模型之间的相关系数。由表5可知，各节点SARFI90指标与暂降线路关联性最大，因此在后续模型修正中将采用E2.2步骤所提方法针对线路故障率先进行“逐一修正”再进行“整体修正”，误差允许值取20％。
表5各节点SARFI90指标与故障信息模型之间的相关系数
| 节点号 | 故障线路 | 故障位置 | 故障阻抗 | 故障持续时间 |
| 1 | -0.5521 | 0.1081 | 0.1434 | 0.0018 |
| 2 | -0.4923 | 0.0636 | 0.2392 | -0.0087 |
| 3 | 0.5048 | -0.0049 | 0.1122 | 0.0066 |
| 4 | -0.1339 | -0.0876 | -0.0489 | -0.0396 |
| 5 | -0.1942 | -0.0099 | 0.0986 | 0.0141 |
| 6 | 0.3419 | 0.1756 | 0.1214 | -0.0044 |
| 7 | -0.2147 | -0.1613 | 0.0464 | 0.0160 |
| 8 | -0.4379 | -0.2388 | 0.0359 | 0.0128 |
| 9 | -0.4602 | -0.0147 | -0.1257 | -0.0216 |
| 10 | -0.5275 | 0.3374 | 0.1058 | -0.0015 |
| 11 | -0.3345 | 0.0191 | 0.1702 | -0.0113 |
| 12 | -0.3490 | -0.0154 | 0.1163 | 0.0028 |
| 13 | -0.2648 | -0.0530 | 0.0642 | 0.0031 |
| 14 | -0.2416 | 0.0027 | 0.1568 | -0.0004 |
| 15 | -0.3345 | -0.0027 | 0.1444 | -0.0107 |
| 16 | -0.1592 | -0.0288 | 0.0853 | 0.0185 |
| 17 | -0.1508 | -0.0802 | 0.0122 | 0.0110 |
| 18 | -0.3496 | -0.0738 | 0.0656 | 0.0002 |
| 19 | -0.3744 | -0.3169 | -0.0596 | -0.0092 |
| 20 | 0.3576 | -0.2897 | -0.0241 | 0.0057 |
| 21 | -0.5096 | -0.3445 | 0.0592 | -0.0038 |
表6为修正后已安装监测装置节点仿真值与实测值的对比结果。将表4与表6对比可知，修正后的暂降预估结果与实测值误差有所降低，大部分的节点都满足误差在20％以内，考虑到监测周期以及某些偶然因素(天气、人为误操作等)的影响，因此虽然修正后预估值仍与值有一定误差，但已基本能够满足预估的要求。
通过对故障信息模型修正后，重新进行暂降随机预估，得到表7所示的其他未安装监测装置节点的暂降预估结果。
表6修正后已安装监测装置节点仿真值与实测值的对比结果
| 节点号 | SARFI90实测值 | SARFI90修正仿真值 | 误差(％) |
| 3 | 6 | 5.06 | -15.67 |
| 5 | 8 | 10.57 | 32.12 |
| 10 | 6 | 4.65 | -22.50 |
| 14 | 6 | 6.60 | 10.00 |
| 16 | 18 | 7.54 | -58.11 |
| 18 | 12 | 12.68 | 5.67 |
| 19 | 16 | 13.42 | -16.12 |
| 21 | 4 | 4.75 | 18.75 |
表7未安装监测装置节点的暂降预估结果
| 节点号 | 预估SARFI90值 | 节点号 | 预估SARFI90值 |
| 1 | 5.50 | 11 | 6.59 |
| 2 | 6.60 | 12 | 3.67 |
| 4 | 1.88 | 13 | 1.50 |
| 6 | 9.62 | 15 | 6.60 |
| 7 | 9.57 | 17 | 9.39 |
| 8 | 9.25 | 20 | 13.42 |
| 9 | 0.64 | - | - |
此实施例仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。
Claims (9)
1.一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，包括以下步骤：
A、读取实际电网参数，经过处理后得到节点导纳矩阵；
B、获取实际电网监测***各节点的实测暂降数据，经处理后得到基于实测数据的故障信息模型，包括故障类型信息模型Ptype和故障持续时间信息模型Pdur；
C、建立***故障信息模型，包括故障线路信息模型Pline、故障位置信息模型Pspot和故障阻抗信息模型Pres；
D、采用拉丁超立方采样生成故障信息，建立故障信息原始数据库，包括故障线路原始数据库、故障位置原始数据库、故障类型原始数据库、持续时间原始数据库以及故障阻抗原始数据库；
E、进行故障仿真模拟，得到各暂降事件的暂降特征值，包括暂降幅值、持续时间和暂降类型；计算各节点暂降指标，将已安装监测装置节点的预估暂降指标与电网实测暂降指标对比，计算得到预估结果与实测结果的误差；判断误差是否小于20％，若误差不满足上述要求，对故障信息模型进行修正，重复步骤E，直至误差小于20％或达到预先设置的修正次数，得到最终预估结果。
2.根据权利要求1所述的一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，所述实际电网参数包括：***节点数、线路参数、变压器参数、***潮流参数、发电机参数。
3.根据权利要求1所述的一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，所述步骤B具体包括以下子步骤：
B1、导出各节点实测暂降数据；
B2、对实测暂降数据进行筛选，得到实测***的总故障频次，具体方法为：
B2-1、对暂降发生时间间隔短且暂降类型相同的暂降事件进行归一化处理；
B2-2、对各节点的暂降事件进行重新统计，得到该实测周期内的故障频次，进而得到实测***的总故障频次Fnum，其计算公式为：
式中，T表示以年为单位的实测周期，Nt表示该实测周期内的故障频次；
B3、对故障发生类型进行统计分析，建立故障类型信息模型Ptype：
式中，Ptype表示发生基于实测数据的各类型故障的概率；PLG、P2LG、P2L、P3LG分别表示发生单相接地、两相接地、两相相间及三相接地的故障概率；
B4、建立故障持续时间信息模型Pdur，建立方法为：
B4-1、实测周期达到3-5年或实测暂降数据达到300组以上时，提取出每次暂降的持续时间，利用MATLAB拟合出持续时间的数学模型，建立故障持续时间信息模型Pdur；
B4-2、实测周期小于3年或实测暂降数据小于300组时，采用故障持续时间服从期望为0.06s，标准差为0.01s的标准正态分布的通用故障持续时间信息模型Pdur，计算公式如下：
Pdur＝N(0.06,0.01)
B5、选取SARFI90指标作为各节点暂降评估指标，计算各节点实测暂降频次，其中，SARFI90指标的计算公式为：
式中，DT表示实测周期内的总天数，D表示指标计算周期天数，取值365，NT表示在监测周期T内该节点发生暂降幅值低于90％的暂降频次。
4.根据权利要求1所述的一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，所述步骤C建立***故障信息模型的方法为：
C1、对于故障线路，假定线路故障概率与线路长度成正比，统计各条线路长度，进而得到每条线路故障的概率，建立故障线路信息模型Pline：
式中，K为线路总数；Pline表示线路故障的概率；Pj(j＝1,2,…,K)为第j条线路的故障概率，且Lj表示第j条线路的长度；
C2、对于故障位置，假定线路上各点发生故障的概率相同，故障位置服从[0,1]的均匀分布，建立故障位置信息模型Pspot，计算公式如下：
式中，Pspotj表示第j条线路N个位置区间的故障概率；
C3、对于故障阻抗，假定故障阻抗服从期望为5Ω，标准差为1Ω的标准正态分布，建立故障阻抗信息模型Pres，计算公式如下：
Pres＝N(5,1)。
5.根据权利要求1所述的一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，所述步骤D基于拉丁超立方采样生成故障信息，建立故障信息原始数据库还包括以下子步骤：
D1、依据步骤C建立的故障线路信息模型Pline，采用拉丁超立方采样，得到故障线路原始数据库；
D2、依据步骤C建立的故障位置信息模型Pspot，采用拉丁超立方采样，得到故障位置原始数据库；
D3、依据步骤B建立的故障类型信息模型Ptype，采用拉丁超立方采样，得到故障类型原始数据库；
D4、依据步骤B建立的故障持续时间信息模型Pdur，采用拉丁超立方采样，得到持续时间原始数据库；
D5、依据步骤C建立的故障阻抗信息模型Pres，采用拉丁超立方采样，得到故障阻抗原始数据库。
6.根据权利要求1所述的一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，所述步骤E还包括以下子步骤：
E1、输入***参数，依据步骤D得到的故障信息原始数据库，进行故障仿真模拟，得到各次暂降事件的暂降特征值，包括暂降幅值、持续时间、暂降类型；
E2、分别计算每个已安装监测装置节点的预估暂降指标与电网实测暂降指标的误差值，假设第i个节点的预估暂降指标与电网实测暂降指标分别为Ies,i和Irel,i，则误差值εi的计算公式为：
E3、将各节点按误差由大到小进行排序，设置每个已安装监测装置节点的误差允许值，按照误差由大到小的节点顺序分别将每个已安装监测装置节点的误差与该误差允许值进行比较，若误差不在误差允许值的范围内，则利用皮尔森相关分析法得到各节点暂降指标与故障信息模型之间的关联性，选取与各节点关联性最大的故障信息，对故障信息模型进行修正；
E4、利用修正后的故障信息模型，重新生成故障信息原始数据库，进行故障仿真模拟，统计各次暂降事件，计算各节点暂降指标，给出未安装监测装置节点的所有节点的暂降指标及各节点每次暂降事件的暂降特征值，包括暂降类型、暂降幅值、暂降持续时间。
7.根据权利要求6所述的一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，所述步骤E3对故障信息模型进行修正的方法为：
E3-1数据处理
针对各个节点，筛选出各节点暂降指标及引起各次暂降事件的故障信息，包括故障线路、故障位置、故障阻抗和故障持续时间；
E3-2对数据进行归一化处理
采用离差标准化方法对步骤E3-1得到的数据进行归一化处理，即对原始数据进行线性变换，使变换结果映射到[0,1]之间，其转换函数为：
式中，c*为步骤E3-1得到的数据归一化映射后的结果，c为映射前的原始数据，max为样本数据的最大值，min为样本数据的最小值；
E3-3模型修正
利用皮尔森相关分析法，得到各节点暂降指标与各故障信息之间的关联性，并将各节点的关联性进行排序，选择与暂降指标关联性最大的故障信息，对步骤B、C建立的故障信息模型进行修正。
8.根据权利要求7所述的一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，所述步骤E3-3中，模型修正的具体方法为：
E3-3-1、选取与节点关联性最大的故障信息，将与之对应的故障信息模型附加一个修正系数α，以修正该故障信息模型；
E3-3-2、假设与节点1关联性最大的故障信息为故障线路，则对与节点1连接的线路进行修正，将与节点1连接的线路故障率分别加上修正系数α1，则与节点1连接的线路e修正后的线路故障率为：
Pe,re＝Pe+α1
式中，Pe,re为线路e修正后的线路故障率，Pe为线路e的原始线路故障率；
E3-3-3、对与节点1电气距离较远的线路分别减去修正系数α1，则与节点1连接的线路f修正后的线路故障率为：
Pf,re＝Pf-α1
式中，Pf,re为线路f修正后的线路故障率，Pf为线路f的原始线路故障率；
E3-3-4、经过上述修正后得到新的线路故障信息模型，重新生成故障信息原始数据库，进行故障仿真模拟，统计各次暂降事件，计算各节点暂降指标，将节点1的预估暂降指标与电网实测暂降指标对比进行修正后误差计算，若误差大于20％，继续上述修正，直至误差小于20％或达到预先设定的修正次数，最终得到与节点1相连线路的线路故障率；
E3-3-5、依照上述修正方法对h个节点逐一修正，若修正后仍存在不在误差范围内的节点，再对不在误差范围内的节点按照上述修正方法同时做修正，最终得到与已安装监测装置的h个节点相连线路的故障率。
9.根据权利要求8所述的一种基于实际电网监测信息的电压暂降随机预估方法，其特征在于，所述修正系数α的计算方法如下：
1)假定***共有H个节点，其中有h个装有监测装置的节点，将所述H个节点分别编号为1,2,3,…,h,h+1,h+2,…，H，即前h个节点为装有监测装置的节点，后H-h个节点为未安装监测装置的节点；
2)假设h个节点的预估暂降指标与电网实测暂降指标的误差分别为ε1,ε2,ε3,…,εh，对h个节点依次进行修正，每个节点的修正系数分别记为α1,α2,α3,…,αh；
3)首先对节点1，设置α1初值为0.01，每次修正量为0.01，则第k次修正的修正系数为α1＝|0.01+0.01*k|；
其中，α1的正负按照如下规则选取：
a)当节点1的暂降指标与故障信息呈正相关时，暂降指标随故障信息的增大而增大，若ε1为正，则预估暂降指标大于实测暂降指标，故障信息修正系数α1为负；若ε1为负，则预估暂降指标小于实测暂降指标，故障信息修正系数α1为正；
b)当节点1的暂降指标与故障信息呈负相关时，暂降指标随故障信息的增大而减小，若ε1为正，则预估暂降指标大于实测暂降指标，故障信息修正系数α1为正；若ε1为负，则预估暂降指标小于实测暂降指标，故障信息修正系数α1为负。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810738766.8A CN109034461B (zh) | 2018-07-06 | 2018-07-06 | 一种基于实际电网监测信息的电压暂降随机预估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810738766.8A CN109034461B (zh) | 2018-07-06 | 2018-07-06 | 一种基于实际电网监测信息的电压暂降随机预估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN109034461A true CN109034461A (zh) | 2018-12-18 |
| CN109034461B CN109034461B (zh) | 2021-04-20 |
Family
ID=64640581
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810738766.8A Active CN109034461B (zh) | 2018-07-06 | 2018-07-06 | 一种基于实际电网监测信息的电压暂降随机预估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN109034461B (zh) |
Cited By (10)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135659A (zh) * | 2019-05-29 | 2019-08-16 | 南京亿顺弘信息技术有限公司 | 一种基于最小二乘法的电压暂降平均强度的预测方法 |
| CN110442939A (zh) * | 2019-07-25 | 2019-11-12 | 国网山西省电力公司电力科学研究院 | 一种基于网络等值的直流配用电***可靠性评估方法 |
| CN110795866A (zh) * | 2019-11-18 | 2020-02-14 | 国网青海省电力公司 | 一种基于极限故障点的电压暂降区域预测方法 |
| CN111007357A (zh) * | 2019-12-18 | 2020-04-14 | 广东电网有限责任公司 | 一种考虑负荷电压暂降耐受能力曲线的暂降域识别方法 |
| CN111506878A (zh) * | 2020-04-08 | 2020-08-07 | 国网湖北省电力有限公司电力科学研究院 | 基于暂降***指标随机样本估计的节点数量选择装置及方法 |
| CN113011026A (zh) * | 2021-03-19 | 2021-06-22 | 福州大学 | 一种电网电压暂降仿真方法 |
| CN113281584A (zh) * | 2021-04-21 | 2021-08-20 | 东南大学溧阳研究院 | 一种基于修正参数的电压暂降源定位方法 |
| CN113609681A (zh) * | 2021-08-06 | 2021-11-05 | 四川大学 | 基于电能质量实测数据修正的电压暂降幅值评估方法 |
| CN113919162A (zh) * | 2021-10-15 | 2022-01-11 | 福州大学 | 基于仿真与多源实测数据融合的电压暂降风险预警方法 |
| CN118209823A (zh) * | 2024-05-20 | 2024-06-18 | 国网山西省电力公司营销服务中心 | 基于电力大数据的电网***异常节点定位方法及*** |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101504437B (zh) * | 2009-03-06 | 2011-06-15 | 华南理工大学 | 一种寻找导致电压暂降的电网薄弱环节的方法 |
| US20150051749A1 (en) * | 2011-12-16 | 2015-02-19 | Schneider Electric Usa Inc. | Co-location electrical architecture |
| CN106093638A (zh) * | 2016-06-06 | 2016-11-09 | 国网天津市电力公司 | 一种电压跌落均方根值与跌落频次估计的模式识别方法 |
| CN106372812A (zh) * | 2016-09-23 | 2017-02-01 | 广东工业大学 | 一种电压暂降风险评估方法及*** |
| CN108181527A (zh) * | 2017-12-30 | 2018-06-19 | 国网天津市电力公司电力科学研究院 | 一种基于能量指标的电压暂降综合严重程度的评估方法 |
-
2018
- 2018-07-06 CN CN201810738766.8A patent/CN109034461B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101504437B (zh) * | 2009-03-06 | 2011-06-15 | 华南理工大学 | 一种寻找导致电压暂降的电网薄弱环节的方法 |
| US20150051749A1 (en) * | 2011-12-16 | 2015-02-19 | Schneider Electric Usa Inc. | Co-location electrical architecture |
| CN106093638A (zh) * | 2016-06-06 | 2016-11-09 | 国网天津市电力公司 | 一种电压跌落均方根值与跌落频次估计的模式识别方法 |
| CN106372812A (zh) * | 2016-09-23 | 2017-02-01 | 广东工业大学 | 一种电压暂降风险评估方法及*** |
| CN108181527A (zh) * | 2017-12-30 | 2018-06-19 | 国网天津市电力公司电力科学研究院 | 一种基于能量指标的电压暂降综合严重程度的评估方法 |
Non-Patent Citations (2)
| Title |
|---|
| CHENYI LI，YONGHAI XU，JIALI YANG，YAPEN WU: ""CLASSIFICATION OF VOLTAGE SAG DISTURBANCE SOURCES USING FUZZY COMPREHENSIVE EVALUATION METHOD"", 《24TH INTERNATIONAL CONFERENCE & EXHIBITION ON ELECTRICITY DISTRIBUTION (CIRED) 》 * |
| 章雪萌: ""电压暂降源的定位与暂降经济性研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (15)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN110135659A (zh) * | 2019-05-29 | 2019-08-16 | 南京亿顺弘信息技术有限公司 | 一种基于最小二乘法的电压暂降平均强度的预测方法 |
| CN110442939A (zh) * | 2019-07-25 | 2019-11-12 | 国网山西省电力公司电力科学研究院 | 一种基于网络等值的直流配用电***可靠性评估方法 |
| CN110442939B (zh) * | 2019-07-25 | 2022-08-09 | 国网山西省电力公司电力科学研究院 | 一种基于网络等值的直流配用电***可靠性评估方法 |
| CN110795866A (zh) * | 2019-11-18 | 2020-02-14 | 国网青海省电力公司 | 一种基于极限故障点的电压暂降区域预测方法 |
| CN110795866B (zh) * | 2019-11-18 | 2024-04-23 | 国网青海省电力公司 | 一种基于极限故障点的电压暂降区域预测方法 |
| CN111007357A (zh) * | 2019-12-18 | 2020-04-14 | 广东电网有限责任公司 | 一种考虑负荷电压暂降耐受能力曲线的暂降域识别方法 |
| CN111007357B (zh) * | 2019-12-18 | 2021-12-24 | 广东电网有限责任公司 | 一种考虑负荷电压暂降耐受能力曲线的暂降域识别方法 |
| CN111506878A (zh) * | 2020-04-08 | 2020-08-07 | 国网湖北省电力有限公司电力科学研究院 | 基于暂降***指标随机样本估计的节点数量选择装置及方法 |
| CN111506878B (zh) * | 2020-04-08 | 2022-05-03 | 国网湖北省电力有限公司电力科学研究院 | 基于暂降***指标随机样本估计的节点数量选择装置及方法 |
| CN113011026B (zh) * | 2021-03-19 | 2022-06-17 | 福州大学 | 一种电网电压暂降仿真方法 |
| CN113011026A (zh) * | 2021-03-19 | 2021-06-22 | 福州大学 | 一种电网电压暂降仿真方法 |
| CN113281584A (zh) * | 2021-04-21 | 2021-08-20 | 东南大学溧阳研究院 | 一种基于修正参数的电压暂降源定位方法 |
| CN113609681A (zh) * | 2021-08-06 | 2021-11-05 | 四川大学 | 基于电能质量实测数据修正的电压暂降幅值评估方法 |
| CN113919162A (zh) * | 2021-10-15 | 2022-01-11 | 福州大学 | 基于仿真与多源实测数据融合的电压暂降风险预警方法 |
| CN118209823A (zh) * | 2024-05-20 | 2024-06-18 | 国网山西省电力公司营销服务中心 | 基于电力大数据的电网***异常节点定位方法及*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN109034461B (zh) | 2021-04-20 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN109034461A (zh) | 一种基于实际电网监测信息的电压暂降随机预估方法 | |
| CN102175922B (zh) | 基于pmu量测数据的电力线路参数的辨识与估计方法 | |
| CN104156892A (zh) | 一种有源配电网电压跌落仿真与评估方法 | |
| CN105098763A (zh) | 一种基于wams和ems的暂态电压稳定在线评估方法 | |
| CN106503886A (zh) | 一种对电力设备进行健康状态评估的建模方法 | |
| CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
| Guo et al. | Evidence-based approach to power transmission risk assessment with component failure risk analysis | |
| CN104300532A (zh) | 一种基于矩阵因子的电压暂降评估流程 | |
| CN113904322A (zh) | 一种基于电流+电压的低压配网拓扑生成方法 | |
| CN106356846A (zh) | 一种基于时间的初期电网连锁故障模拟仿真方法 | |
| CN114336628A (zh) | 基于随机潮流的光伏电源接入配电网安全性评估方法 | |
| CN112070413A (zh) | 一种基于小样本条件下牵引供电***的可靠性研究方法 | |
| Li et al. | A line-fault cause analysis method for distribution network based on decision-making tree and machine learning | |
| Wei et al. | Online distribution system topology monitoring with limited smart meter communication | |
| Jiang et al. | PMU-aided voltage security assessment for a wind power plant | |
| CN104732107A (zh) | 以介质参数为评估参量的变压器套管剩余寿命预测方法 | |
| CN110580578A (zh) | 一种智能变电站二次***运行质量多分层评价方法 | |
| CN113780775B (zh) | 一种电网理论线损计算结果评价方法及*** | |
| CN113158382B (zh) | 一种电网规划计算机辅助决策支持*** | |
| Wu et al. | A power flow tracing based load curtailment technique | |
| CN114156865A (zh) | 一种考虑状态感知的低压配电网拓扑生成及故障预测方法 | |
| CN112001073A (zh) | 一种牵引供电***的可靠性分析研究方法 | |
| CN108334990B (zh) | 一种大电网无功补偿选址及容量优化方法及*** | |
| Siddappaji et al. | Reliability indices evaluation and optimal placement of distributed generation for loss reduction in distribution system by using fast decoupled method | |
| Codjo et al. | Impact of the line resistance statistical distribution on a probabilistic load flow computation |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |