CN110533291A - 一种基于风险评估的中压配电网薄弱环节辨识方法 - Google Patents
一种基于风险评估的中压配电网薄弱环节辨识方法 Download PDFInfo
- Publication number
- CN110533291A CN110533291A CN201910674512.9A CN201910674512A CN110533291A CN 110533291 A CN110533291 A CN 110533291A CN 201910674512 A CN201910674512 A CN 201910674512A CN 110533291 A CN110533291 A CN 110533291A
- Authority
- CN
- China
- Prior art keywords
- load
- model
- fuzzy
- degree
- distribution
- 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 38
- 238000012502 risk assessment Methods 0.000 title claims abstract description 19
- 238000004364 calculation method Methods 0.000 claims description 16
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000005070 sampling Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 6
- 238000004458 analytical method Methods 0.000 claims description 5
- 230000008439 repair process Effects 0.000 claims description 5
- 238000000342 Monte Carlo simulation Methods 0.000 claims description 3
- OFHCOWSQAMBJIW-AVJTYSNKSA-N alfacalcidol Chemical compound C1(/[C@@H]2CC[C@@H]([C@]2(CCC1)C)[C@H](C)CCCC(C)C)=C\C=C1\C[C@@H](O)C[C@H](O)C1=C OFHCOWSQAMBJIW-AVJTYSNKSA-N 0.000 claims description 3
- 230000015556 catabolic process Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000010276 construction Methods 0.000 abstract description 4
- 238000011156 evaluation Methods 0.000 abstract description 4
- 230000001131 transforming effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000008901 benefit Effects 0.000 description 1
- 230000009194 climbing Effects 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 230000007257 malfunction Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000005215 recombination Methods 0.000 description 1
- 230000006798 recombination Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
Abstract
本发明属于配电风险评估评价与配电风险辨识技术领域,具体涉及一种基于风险评估的中压配电网薄弱环节辨识方法。相比传统风险评估方法,本发明创新性地提出了结合模糊模型与传统概率分布模型的新建模方法。针对配网中压线路重过载、台区配变重过载等问题提出了***峰值负荷的混合模糊概率模型,并在此传统蒙特卡洛模拟法的基础上提出了风险指标模糊隶属函数的构建方法和风险指标去模糊化,通过风险指标的去模糊化后的具体量值来衡量配网***风险程度,从而实现对配网薄弱环节的辨识。本发明所提方法能帮助供电公司分析城市配网***风险程度,辨识配网***薄弱环节,从而为配网生成决策提供有价值的理论依据。
Description
技术领域
本发明属于配电风险评估评价与配电风险辨识技术领域,具体涉及一种基于风险评估的 中压配电网薄弱环节辨识方法。
背景技术
在整个电力***中,配电网作为直接与电力客户相连的环节,直接影响电力客户的电力 供应,因此电力***运行状态评价与风险评估成为了供电企业和电力客户关注的焦点。以往 常用的电力***风险评估方法是基于统计分析理论概率的电力***风险概率评估,其最基本 的特征是对电力***中随机因素的建模,包括***元件的故障停电的随机性和负荷的不确定 变化。实际上,电力***存在两种不确定性:随机性和模糊性。概率模型可以用于随机性,但 不能用于模糊性。在传统的风险评估方法中,故障数据(如故障频率、修复时间和故障概率) 通常由一个值建模。从理论上讲,相比平均值,故障数据的概率分布能更好地衡量。然而, 由于统计记录有限,单独建模并不容易。此外,这种模糊性可能存在于无法用概率分布表示 的原始故障数据中,没有足够的统计记录,但可能电网公司对故障参数的范围有很好的判断。 对于所有的情况,都需要一个模糊模型。
发明内容
为了解决上述问题,本发明提供了一种基于风险评估的中压配电网薄弱环节辨识方法, 具体技术方案如下:
一种基于风险评估的中压配电网薄弱环节辨识方法,包括以下步骤:
S1:根据历史统计数据建立配网元件故障参数的模糊模型;所述配网元件故障参数的模糊模 型包括维修时间的模糊模型、故障率的模糊模型、不可用度的模糊模型;
S2:结合传统模糊模型和概率分布模型构建配网***负荷模糊概率混合模型;所述配网*** 负荷模糊概率混合模型包括***峰值负荷的模糊模型和基于负荷持续曲线的组合概率模型;
S3:采用蒙特卡洛模拟法对给定的隶属度对应的风险指标值进行评估,建立风险指标的隶属 函数,根据所提负荷离散概率分布模型及蒙特卡洛模拟所得的所有负荷水平计算总风险指标;
S4:将风险指标隶属函数去模糊化得到风险指标具体值。
优选地,所述步骤S1包括以下步骤:
S11:建立维修时间的模糊模型:
故障持续时间的样本平均值可通过如下公式得到:
其中,是故障持续时间的平均值,也是故障持续时间的点估计值;ri是第i次故障的故 障持续时间;n是停电数据中的故障次数;利用t-分布可估计出期望故障持续时间的置信区 间:
假设μ代表实际期望故障持续时间,s代表故障持续时间的样本标准差,对于给定显著 水平α,可以确定随机变量在区间[-tα/2(n-1),tα/2(n-1)]内的概率为1-α,其中 tα/2(n-1)为一个有着n-1自由度的t-分布密度函数从tα/2(n-1)到∞的积分值,其值为α/2,因此可 以得到:
也可以等效表示为:
由公式(3)可知,实际期望故障持续时间的取值区间可由样本故障持续时间的上下界确 定;
S12:建立故障率模糊模型:
平均故障率可通过如下公式计算:
其中,为平均故障率,也是故障率的点估计值;λi是第i个负荷点的故障持续时间;m 是负荷点个数;
利用x2分布估计期望故障率的置信区间,x2分布满足如下关系:
x2(2F)=2λT;(5)
其中,λ为期望故障率,T为周期,F为周期T内故障总数;根据方程(5)可以得到对于给定的显著水平α,可以确定故障率λ落在以下随机置信区间内的概率为1-α,即有:
公式(6)用来估计故障率的上下界;
S13:建立不可用度的模糊模型:
***元件的不可用度可用以下频率和修复时间计算:
其中,f为元件故障频率,单位:次/年;r为故障维修时间,单位为小时/次;假设故障 频率的区间为[a,b],故障修复时间的区间为[c,d],则不可用度U的取值区间可由下式计算得 到:
优选地,建立基于负荷持续曲线的组合概率模型的步骤如下:
(1)采用历史负荷数据,构建负荷持续曲线;设有N个负荷点,所创建的负荷持续曲线被 划分为n个负荷水平,根据负荷与峰值负荷的百分比确定负荷水平,并计算每个负荷水平的 概率,各负荷水平间的负荷点为:
其中,Ni是负荷水平第i级和下一级之间的负荷点的数量;
负荷曲线的离散概率分布可用下式表示:
p(Li)=pi,i=1,2,…,n;(10)
其中,Li表示元件的第i个负荷水平;
(2)用聚类方法计算各元件负荷水平Li及样本标准差,步骤如下:
1)选择计算初始聚类平均值Ci,其中Ci表示第i个聚类,i=1,2,……,n;
2)计算负荷点聚类中各负荷点到聚类平均值Ci间的距离,计算公式如下:
Dki=|Ci-Lk|;(11)
其中,Lk为第k个负荷点,k=1,2,……,N;Ci为第i个聚类平均值;Dki为第k个负荷点到 第i个聚类平均值间的距离;
3)将负荷点按距离进行重新分配,分配到最近的聚类,计算新的聚类如下:
其中,N’i为新聚类中第i个聚类中的负荷点数量;C’i为迭代后产生的新聚类中第i个聚
类平均值;
4)重复步骤2)和3),迭代直到所有聚类均不再发生变化;
5)计算负荷水平,计算公式如下:
其中,Lpeak为负荷持续曲线中的负荷峰值,即负荷最大值;
6)计算各负荷水平的样本标准差,计算公式如下:
7)负荷持续时间曲线采样组合概率模型来建模,即对负荷持续时间曲线的多个阶段建立 离散概率分布模型,每个阶段采用均值及其样本标准差正态分布进行建模。
优选地,所述步骤S3包括以下步骤:
S31:按照步骤S1构建配网***所有元件的维修时间的模糊隶属函数、故障率的模糊隶属函 数,并计算不可用度的模糊隶属函数;
S32:建立***峰值负荷的模糊模型和基于负荷持续时间曲线的组合概率模型;
S33:针对***元件不可用度模糊模型中隶属度相同的情况,计算各元件不可用度隶属函数 μj(U)的两个反函数值,确定不可用度该隶属度对应的上下界:
S34:对于***峰值负荷模糊模型中给定的隶属度,计算峰值负荷下隶属度函数μ(L)的两个反 函数值,确定***峰值负荷该隶属度对应的上下界;
S35:针对负荷持续时间曲线的组合概率模型,计算各负荷水平对应的具体数值,单位MW, 计算公式如下:
L′i=Li·μ-1(μ(L));(16)
其中,L’i为第i个负荷水平对应的具体负荷数值,单位为MW;μ(L)为峰值负荷的模糊 隶属函数;Li为相对于峰值负荷的第i个负荷水平;
S36:采用蒙特卡洛模拟法对步骤S35所得各负荷水平进行概率风险评估,则第l次采样时系 统负载的采样值为:
Lil=Xlσi+L′i;(17)
其中,Xl为利用近似逆变换所得的一个标准正态分布随机数;σi为由公式(14)所得的第i 个负荷水平的样本标准差;Lil为第l次采样时***负载的采样值;
S37:根据步骤S36分析所得各负荷水平的风险指标及对应概率,结合步骤S35隶属概率分 布模型所得的所有负荷水平,计算配网***总风险指标,计算公式如下:
S38:对峰值负荷和不可用度隶属函数重复步骤S33-S37,得到风险指标的隶属函数。
优选地,所述步骤S4中对风险指标隶属函数采用采用重心法去模糊化,具体如下:
其中,RIaverage为风险指标均值;RIm为风险指标隶属函数中的第m个域点值;μ(RIm)为该域 点的隶属度;G为所考虑在内的域点集。
本发明的有益效果为:相比传统风险评估方法,本发明创新性地提出了结合模糊模型与 传统概率分布模型的新建模方法。针对配网中压线路重过载、台区配变重过载等问题提出了 ***峰值负荷的混合模糊概率模型,并在此传统蒙特卡洛模拟法的基础上提出了风险指标模 糊隶属函数的构建方法和风险指标去模糊化,通过风险指标的去模糊化后的具体量值来衡量 配网***风险程度,从而实现对配网薄弱环节的辨识。本发明所提方法能帮助供电公司分析 城市配网***风险程度,辨识配网***薄弱环节,从而为配网生成决策提供有价值的理论依 据。
附图说明
图1为故障修复时间模糊隶属函数示意图;
图2为故障率模糊隶属函数示意图;
图3为不可用度模糊隶属函数示意图;
图4为峰值负荷的模糊隶属函数示意图。
具体实施方式
为了更好的理解本发明,下面结合附图和具体实施例对本发明作进一步说明:
一种基于风险评估的中压配电网薄弱环节辨识方法,包括以下步骤:
S1:根据历史统计数据建立配网元件故障参数的模糊模型;所述配网元件故障参数的模糊模 型包括维修时间的模糊模型、故障率的模糊模型、不可用度的模糊模型;具体步骤包括:
S11:建立维修时间的模糊模型:
故障持续时间的样本平均值可通过如下公式得到:
其中,是故障持续时间的平均值,也是故障持续时间的点估计值;ri是第i次故障的故 障持续时间;n是停电数据中的故障次数;利用t-分布可估计出期望故障持续时间的置信区 间:
假设μ代表实际期望故障持续时间,s代表故障持续时间的样本标准差,对于给定显著 水平α,可以确定随机变量在区间[-tα/2(n-1),tα/2(n-1)]内的概率为1-α,其中 tα/2(n-1)为一个有着n-1自由度的t-分布密度函数从tα/2(n-1)到∞的积分值,其值为α/2,因此可 以得到:
也可以等效表示为:
由公式(3)可知,实际期望故障持续时间的取值区间可由样本故障持续时间的上下界确 定;根据故障持续时间的点估计值和估计区间,可以创建一个如图1所示故障持续时间的三 角形隶属函数。
S12:建立故障率模糊模型:
平均故障率可通过如下公式计算:
其中,为平均故障率,也是故障率的点估计值;λi是第i个负荷点的故障持续时间;m 是负荷点个数;
利用x2分布估计期望故障率的置信区间,x2分布满足如下关系:
x2(2F)=2λT;(5)
其中,λ为期望故障率,T为周期,F为周期T内故障总数;根据方程(5)可以得到对于给定的显著水平α,可以确定故障率λ落在以下随机置信区间内的概率为1-α,即有:
公式(6)用来估计故障率的上下界;利用故障率的点估计值和估计的区间范围可以建立 如图2所示的故障率的三角形隶属函数,故障率的隶属度函数是非对称的,一般情况下,由 公式(6)得出的点估计值与其上限值之间的距离远大于点估计值与其下限值之间的距离,另 外上下界限也可以根据气象环境、运行状态等对故障率的影响进行调整。此外,在电力*** 实际工程计算时,故障频率和故障率在数值上非常接近,可以相互替代,因此可通过故障率 的模糊隶属函数得到故障频率的模糊隶属函数,同时可用故障率代替故障频率参与***元件 不可用度计算当中。
S13:建立不可用度的模糊模型:
***元件的不可用度可用以下频率和修复时间计算:
其中,f为元件故障频率,单位:次/年;r为故障维修时间,单位为小时/次;不可用度 的模糊隶属函数可通过图1和图2中的故障频率f和故障修复时间r模糊隶属函数进行模糊 运算得到。假设故障频率的区间为[a,b],故障修复时间的区间为[c,d],则不可用度U的取值 区间可由下式计算得到:
通过两个三角形隶属函数的乘法运算,不可用度的隶属函数不再是一个严格的三角形, 而是会向左偏移,形成如图3所示的隶属函数。
S2:结合传统模糊模型和概率分布模型构建配网***负荷模糊概率混合模型;所述配网*** 负荷模糊概率混合模型包括***峰值负荷的模糊模型和基于负荷持续曲线的组合概率模型; 具体包括以下步骤:
S21:建立***峰值负荷的模糊模型:
对于基于风险辨识的配电网薄弱环节辨识来说,所关注的重点在于配网***的峰值负荷, 因此要解决配网***负荷水平波动的模糊性,只需给出峰值负荷的区间的上下限,可参考步 骤S1所提模糊模型构建方法构建峰值负荷的模糊模型,因此可得如图4所示的峰值负荷的非 对称三角形隶属函数,其中隶属度为1.0时对应***最大可能峰值的极大值,以及隶属度为0 时对应***最大可能峰值的极小值。
S22:建立基于负荷持续曲线的组合概率模型,步骤如下:
(1)采用历史负荷数据,构建负荷持续曲线;设有N个负荷点,中压配电网线路负荷数据 每5min采集一个点,中压配电网低压台区配变每15min一个点;所创建的负荷持续曲线被划 分为n个负荷水平,根据负荷与峰值负荷的百分比确定负荷水平,并计算每个负荷水平的概 率,各负荷水平间的负荷点为:
其中,Ni是负荷水平第i级和下一级之间的负荷点的数量;
负荷曲线的离散概率分布可用下式表示:
p(Li)=pi,i=1,2,…,n;(10)
其中,Li表示元件的第i个负荷水平;
(2)用聚类方法计算各元件负荷水平Li及样本标准差,步骤如下:
1)选择计算初始聚类平均值Ci,其中Ci表示第i个聚类,i=1,2,……,n;
2)计算负荷点聚类中各负荷点到聚类平均值Ci间的距离,计算公式如下:
Dki=|Ci-Lk|;(11)
其中,Lk为第k个负荷点,k=1,2,……,N;Ci为第i个聚类平均值;Dki为第k个负荷点到 第i个聚类平均值间的距离;
3)将负荷点按距离进行重新分配,分配到最近的聚类,计算新的聚类如下:
其中,N’i为新聚类中第i个聚类中的负荷点数量;C’i为迭代后产生的新聚类中第i个聚
类平均值;
4)重复步骤2)和3),迭代直到所有聚类均不再发生变化;
5)计算负荷水平,计算公式如下:
其中,Lpeak为负荷持续曲线中的负荷峰值,即负荷最大值;
6)计算各负荷水平的样本标准差,计算公式如下:
7)负荷持续时间曲线采样组合概率模型来建模,即对负荷持续时间曲线的多个阶段建立离散 概率分布模型,每个阶段采用均值及其样本标准差正态分布进行建模。
S3:采用蒙特卡洛模拟法对给定的隶属度对应的风险指标值进行评估,建立风险指标的隶属 函数,根据所提负荷离散概率分布模型及蒙特卡洛模拟所得的所有负荷水平计算总风险指标; 具体步骤如下:
S31:按照步骤S1构建配网***所有元件的维修时间的模糊隶属函数、故障率的模糊隶属函 数,并计算不可用度的模糊隶属函数;
S32:建立***峰值负荷的模糊模型和基于负荷持续时间曲线的组合概率模型;
S33:针对***元件不可用度模糊模型中隶属度相同的情况,计算各元件不可用度隶属函数 μj(U)的两个反函数值,确定不可用度该隶属度对应的上下界:
S34:对于***峰值负荷模糊模型中给定的隶属度,计算峰值负荷下隶属度函数μ(L)的两个反 函数值,确定***峰值负荷该隶属度对应的上下界;
S35:针对负荷持续时间曲线的组合概率模型,计算各负荷水平对应的具体数值,单位MW, 计算公式如下:
L′i=Li·μ-1(μ(L));(16)
其中,L’i为第i个负荷水平对应的具体负荷数值,单位为MW;μ(L)为峰值负荷的模糊 隶属函数;Li为相对于峰值负荷的第i个负荷水平;
S36:采用蒙特卡洛模拟法对步骤S35所得各负荷水平进行概率风险评估,其中在采用蒙特卡 洛进行分析采样***负载状态时,考虑负荷水平的随机性,因此对负荷曲线的多个阶段建立 离散概率分布,每个阶段采用均值及其样本标准差正态分布进行建模。则第l次采样时*** 负载的采样值为:
Lil=Xlσi+L′i;(17)
其中,Xl为利用近似逆变换所得的一个标准正态分布随机数;σi为由公式(14)所得的第i 个负荷水平的样本标准差;Lil为第l次采样时***负载的采样值;
S37:根据步骤S36分析所得各负荷水平的风险指标及对应概率,结合步骤S35隶属概率分 布模型所得的所有负荷水平,计算配网***总风险指标,计算公式如下:
S38:对峰值负荷和不可用度隶属函数重复步骤S33-S37,得到风险指标的隶属函数。
S4:将风险指标隶属函数去模糊化得到风险指标具体值,对风险指标隶属函数采用采用重心 法去模糊化,所采用的重心法与概率论中的加权平均值概念非常相似,通过计算模糊隶属度 函数的加权平均值来寻找平衡点,具体如下:
其中,RIaverage为风险指标均值;RIm为风险指标隶属函数中的第m个域点值;μ(RIm)为该域 点的隶属度;G为所考虑在内的域点集。
本发明所提方法采用某地区配网作为实例进行分析,该配网***有104个节点、167条 支线。首先根据历史统计数据(故障率、故障修复时间统计数据)采取步骤S1所提方法建立 了该配网所有***元件(线路、变压器)的频率和维修时间的模糊隶属函数。然后,采取步 骤S2所提方法构如图4所示的建峰值负荷的模糊模型,根据配网***的负荷预测所提供的峰 值负荷及其上下取值区间范围可得到模糊模型的最大隶属度即1.0所对应的峰值负荷Lpeak及 隶属度为0时所对应的上下界限L1和L3,两点确定一线,根据L1及Lpeak可确定模糊模型三角 形隶属函数的左侧边,即形如y=kx+b的线性函数,同理根据及可确定模糊模型三角形隶属函 数的右侧边。并根据历史统计数据采用聚类方法建立了基于负荷持续时间曲线的组合概率模 型。模型构建完成后,为了方便对比分析验证本发明的效果,本发明研究分析以下三个场景:
场景1:只考虑了***元件故障参数的模糊模型,而负荷曲线采用复合概率分布模型表 示,不考虑峰值负荷的模糊模型。
场景2:只考虑负载的模糊和概率混合模型,而所有***元件的故障参数仍然使用传统 方法(故障频率和修复时间的固定平均值)建模。
场景3:考虑本发明所提包括负荷和***元件故障参数的模糊和概率模型。
本发明风险评估指标选取常用风险指标预期缺电量(EENS)和切负荷概率(PLC)两项风 险指标进行风险评价。
采用本发明后所得结果如下表1和表2所示,其中表1和表2分别为五个隶属度置信等 级对应的EENS和PLC指标的取值。
表1风险指标EENS分析结果(MWh/年)
表2风险指标PLC分析结果(百分比)
同时考虑随机性(概率模型)和模糊性(模糊模型)的EENS和PLC指标的均值如表3所示。 表3中还包括了仅使用传统概率方法而不使用任何模糊模型得到的均值,对应于隶属函数的 置信度为1.0的点,用于与本发明所提方法所得结果进行比较。
表3风险指数平均值
风险指标 | 场景1 | 场景2 | 场景2 | 非模糊化处理 |
EENS(MWh/年) | 825.18 | 861.55 | 895.30 | 823.34 |
PLC(百分比) | 0.277% | 0.315% | 0.308% | 0.282% |
以EENS的方差系数为收敛准则,置信区间取0.05,即5%。从计算的角度看,考虑峰值 负荷的五个隶属函数等级(隶属度),与峰值负荷正态分布的九区间模型计算量相比,计算精 度相当。可用发现以下结果:1)输入数据创建具有不同隶属函数的模糊风险指数。在给定的 实例中,负荷模糊性对风险指标模糊范围的影响要大于***各元件故障数据的模糊性,同时 两者共同导致了风险指数的最大模糊范围;2)虽然峰值负荷的隶属函数是对称的,但风险指 标的相应隶属函数是不对称的,风险指标的取值上界要大得多;3)考虑负荷模糊和***元件 故障参数的模型性时,它们对风险指标的综合影响不是简单的线性叠加;4)去模糊化后各风 险指标的均值均接近1.0的隶属度对应的点值,但指标的模糊范围相当大。三个场景的EENS 指数的均值位于隶属度为1.0的点值的右侧,场景2和3的PLC指数的均值位于右侧,而场 景1位于左侧。对于PLC指标,其隶属度为1.0时,均值与点值之间的接近程度不一定与指 标的模糊范围成正比。场景3的PLC指标的模糊范围比场景2的大,但是在隶属度等级1.0 时,场景3的PLC指标的均值比场景2更接近于点值。
本发明不局限于以上所述的具体实施方式,以上所述仅为本发明的较佳实施案例而已, 并不用以限制本发明,凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等, 均应包含在本发明的保护范围之内。
Claims (5)
1.一种基于风险评估的中压配电网薄弱环节辨识方法,其特征在于:包括以下步骤:
S1:根据历史统计数据建立配网元件故障参数的模糊模型;所述配网元件故障参数的模糊模型包括维修时间的模糊模型、故障率的模糊模型、不可用度的模糊模型;
S2:结合传统模糊模型和概率分布模型构建配网***负荷模糊概率混合模型;所述配网***负荷模糊概率混合模型包括***峰值负荷的模糊模型和基于负荷持续曲线的组合概率模型;
S3:采用蒙特卡洛模拟法对给定的隶属度对应的风险指标值进行评估,建立风险指标的隶属函数,根据所提负荷离散概率分布模型及蒙特卡洛模拟所得的所有负荷水平计算总风险指标;
S4:将风险指标隶属函数去模糊化得到风险指标具体值。
2.根据权利要求1所述的一种基于风险评估的中压配电网薄弱环节辨识方法,其特征在于:所述步骤S1包括以下步骤:
S11:建立维修时间的模糊模型:
故障持续时间的样本平均值可通过如下公式得到:
其中,是故障持续时间的平均值,也是故障持续时间的点估计值;ri是第i次故障的故障持续时间;n是停电数据中的故障次数;利用t-分布可估计出期望故障持续时间的置信区间:
假设μ代表实际期望故障持续时间,s代表故障持续时间的样本标准差,对于给定显著水平α,可以确定随机变量在区间[-tα/2(n-1),tα/2(n-1)]内的概率为1-α,其中tα/2(n-1)为一个有着n-1自由度的t-分布密度函数从tα/2(n-1)到∞的积分值,其值为α/2,因此可以得到:
也可以等效表示为:
由公式(3)可知,实际期望故障持续时间的取值区间可由样本故障持续时间的上下界确定;
S12:建立故障率模糊模型:
平均故障率可通过如下公式计算:
其中,为平均故障率,也是故障率的点估计值;λi是第i个负荷点的故障持续时间;m是负荷点个数;
利用x2分布估计期望故障率的置信区间,x2分布满足如下关系:
x2(2F)=2λT; (5)
其中,λ为期望故障率,T为周期,F为周期T内故障总数;根据方程(5)可以得到对于给定的显著水平α,可以确定故障率λ落在以下随机置信区间内的概率为1-α,即有:
公式(6)用来估计故障率的上下界;
S13:建立不可用度的模糊模型:
***元件的不可用度可用以下频率和修复时间计算:
其中,f为元件故障频率,单位:次/年;r为故障维修时间,单位为小时/次;假设故障频率的区间为[a,b],故障修复时间的区间为[c,d],则不可用度U的取值区间可由下式计算得到:
3.根据权利要求1所述的一种基于风险评估的中压配电网薄弱环节辨识方法,其特征在于:建立基于负荷持续曲线的组合概率模型的步骤如下:
(1)采用历史负荷数据,构建负荷持续曲线;设有N个负荷点,所创建的负荷持续曲线被划分为n个负荷水平,根据负荷与峰值负荷的百分比确定负荷水平,并计算每个负荷水平的概率,各负荷水平间的负荷点为:
其中,Ni是负荷水平第i级和下一级之间的负荷点的数量;
负荷曲线的离散概率分布可用下式表示:
p(Li)=pi,i=1,2,…,n; (10)
其中,Li表示元件的第i个负荷水平;
(2)用聚类方法计算各元件负荷水平Li及样本标准差,步骤如下:
1)选择计算初始聚类平均值Ci,其中Ci表示第i个聚类,i=1,2,……,n;
2)计算负荷点聚类中各负荷点到聚类平均值Ci间的距离,计算公式如下:
Dki=|Ci-Lk|; (11)
其中,Lk为第k个负荷点,k=1,2,……,N;Ci为第i个聚类平均值;Dki为第k个负荷点到第i个聚类平均值间的距离;
3)将负荷点按距离进行重新分配,分配到最近的聚类,计算新的聚类如下:
其中,N’i为新聚类中第i个聚类中的负荷点数量;C’i为迭代后产生的新聚类中第i个聚类平均值;
4)重复步骤2)和3),迭代直到所有聚类均不再发生变化;
5)计算负荷水平,计算公式如下:
其中,Lpeak为负荷持续曲线中的负荷峰值,即负荷最大值;
6)计算各负荷水平的样本标准差,计算公式如下:
7)负荷持续时间曲线采样组合概率模型来建模,即对负荷持续时间曲线的多个阶段建立离散概率分布模型,每个阶段采用均值及其样本标准差正态分布进行建模。
4.根据权利要求1所述的一种基于风险评估的中压配电网薄弱环节辨识方法,其特征在于:所述步骤S3包括以下步骤:
S31:按照步骤S1构建配网***所有元件的维修时间的模糊隶属函数、故障率的模糊隶属函数,并计算不可用度的模糊隶属函数;
S32:建立***峰值负荷的模糊模型和基于负荷持续时间曲线的组合概率模型;
S33:针对***元件不可用度模糊模型中隶属度相同的情况,计算各元件不可用度隶属函数μj(U)的两个反函数值,确定不可用度该隶属度对应的上下界:
S34:对于***峰值负荷模糊模型中给定的隶属度,计算峰值负荷下隶属度函数μ(L)的两个反函数值,确定***峰值负荷该隶属度对应的上下界;
S35:针对负荷持续时间曲线的组合概率模型,计算各负荷水平对应的具体数值,单位MW,计算公式如下:
L′i=Li·μ-1(μ(L)); (16)
其中,L’i为第i个负荷水平对应的具体负荷数值,单位为MW;μ(L)为峰值负荷的模糊隶属函数;Li为相对于峰值负荷的第i个负荷水平;
S36:采用蒙特卡洛模拟法对步骤S35所得各负荷水平进行概率风险评估,则第l次采样时***负载的采样值为:
Lil=Xlσi+L′i; (17)
其中,Xl为利用近似逆变换所得的一个标准正态分布随机数;σi为由公式(14)所得的第i个负荷水平的样本标准差;Lil为第l次采样时***负载的采样值;
S37:根据步骤S36分析所得各负荷水平的风险指标及对应概率,结合步骤S35隶属概率分布模型所得的所有负荷水平,计算配网***总风险指标,计算公式如下:
S38:对峰值负荷和不可用度隶属函数重复步骤S33-S37,得到风险指标的隶属函数。
5.根据权利要求4所述的一种基于风险评估的中压配电网薄弱环节辨识方法,其特征在于:
所述步骤S4中对风险指标隶属函数采用采用重心法去模糊化,具体如下:
其中,RIaverage为风险指标均值;RIm为风险指标隶属函数中的第m个域点值;μ(RIm)为该域点的隶属度;G为所考虑在内的域点集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674512.9A CN110533291B (zh) | 2019-07-25 | 2019-07-25 | 一种基于风险评估的中压配电网薄弱环节辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910674512.9A CN110533291B (zh) | 2019-07-25 | 2019-07-25 | 一种基于风险评估的中压配电网薄弱环节辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110533291A true CN110533291A (zh) | 2019-12-03 |
CN110533291B CN110533291B (zh) | 2022-07-22 |
Family
ID=68661832
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910674512.9A Active CN110533291B (zh) | 2019-07-25 | 2019-07-25 | 一种基于风险评估的中压配电网薄弱环节辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110533291B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612289A (zh) * | 2020-03-31 | 2020-09-01 | 国网宁夏电力有限公司经济技术研究院 | 基于新能源多场景风险特征导向的电力***风险评估方法 |
CN111861141A (zh) * | 2020-06-29 | 2020-10-30 | 国网上海市电力公司 | 一种基于模糊故障率预测的配电网可靠性评估方法 |
CN114372693A (zh) * | 2021-12-31 | 2022-04-19 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599189A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 一种计入电力***运行方式的电网规划方案风险评估方法 |
CN105976257A (zh) * | 2015-12-17 | 2016-09-28 | 国家电网公司 | 基于隶属度函数的模糊综合评价法的电网脆弱性评估方法 |
CN106228248A (zh) * | 2016-07-18 | 2016-12-14 | 广西电网有限责任公司电力科学研究院 | 一种基于模糊fmea分析的***自动故障诊断方法 |
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*** |
CN108053149A (zh) * | 2018-01-05 | 2018-05-18 | 东南大学 | 一种考虑气象因素的光伏电站并网风险评估方法 |
CN108470233A (zh) * | 2018-02-01 | 2018-08-31 | 华北电力大学 | 一种智能电网的需求响应能力评估方法和计算设备 |
CN109103874A (zh) * | 2017-11-27 | 2018-12-28 | 广东电网有限责任公司佛山供电局 | 考虑负荷特性与分布式电源接入的配电网可靠性评估方法 |
CN109510201A (zh) * | 2018-12-20 | 2019-03-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数***的配电网可靠性评估方法 |
-
2019
- 2019-07-25 CN CN201910674512.9A patent/CN110533291B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104599189A (zh) * | 2014-12-25 | 2015-05-06 | 国家电网公司 | 一种计入电力***运行方式的电网规划方案风险评估方法 |
CN105976257A (zh) * | 2015-12-17 | 2016-09-28 | 国家电网公司 | 基于隶属度函数的模糊综合评价法的电网脆弱性评估方法 |
CN106228248A (zh) * | 2016-07-18 | 2016-12-14 | 广西电网有限责任公司电力科学研究院 | 一种基于模糊fmea分析的***自动故障诊断方法 |
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*** |
CN109103874A (zh) * | 2017-11-27 | 2018-12-28 | 广东电网有限责任公司佛山供电局 | 考虑负荷特性与分布式电源接入的配电网可靠性评估方法 |
CN108053149A (zh) * | 2018-01-05 | 2018-05-18 | 东南大学 | 一种考虑气象因素的光伏电站并网风险评估方法 |
CN108470233A (zh) * | 2018-02-01 | 2018-08-31 | 华北电力大学 | 一种智能电网的需求响应能力评估方法和计算设备 |
CN109510201A (zh) * | 2018-12-20 | 2019-03-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数***的配电网可靠性评估方法 |
Non-Patent Citations (7)
Title |
---|
JHAN YHEE CHAN等: "Generic Failure-Risk Assessment of Industrial Processes due to Voltage Sags", 《IEEE TRANSACTIONS ON POWER DELIVERY 》 * |
LIANGSHUO等: "Application of STATCOM in 10 kV Distribution Lines", 《WATER RESOURCES AND POWER》 * |
周雨奇: "基于风险评估的配电网状态检修策略研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
梁朔等: "基于风险评估的配电设备状态检修决策方法", 《电力***及其自动化学报》 * |
温秀峰: "基于云理论的电力***运行风险评估的研究", 《中国优秀博硕士学位论文全文数据库(硕士)工程科技Ⅱ辑》 * |
甘明: "计及元件故障的电力***输电阻塞评估和辨识的方法", 《中国优秀博硕士学位论文全文数据库(博士)工程科技Ⅱ辑》 * |
盛万兴等: "基于负荷持续曲线的配电网运行效率评价", 《电网技术》 * |
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111612289A (zh) * | 2020-03-31 | 2020-09-01 | 国网宁夏电力有限公司经济技术研究院 | 基于新能源多场景风险特征导向的电力***风险评估方法 |
CN111612289B (zh) * | 2020-03-31 | 2023-05-30 | 国网宁夏电力有限公司经济技术研究院 | 基于新能源多场景风险特征导向的电力***风险评估方法 |
CN111861141A (zh) * | 2020-06-29 | 2020-10-30 | 国网上海市电力公司 | 一种基于模糊故障率预测的配电网可靠性评估方法 |
CN111861141B (zh) * | 2020-06-29 | 2024-02-13 | 国网上海市电力公司 | 一种基于模糊故障率预测的配电网可靠性评估方法 |
CN114372693A (zh) * | 2021-12-31 | 2022-04-19 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
CN114372693B (zh) * | 2021-12-31 | 2024-05-14 | 新疆大学 | 一种基于云模型和改进ds证据理论的变压器故障诊断方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110533291B (zh) | 2022-07-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Li et al. | Power system risk assessment using a hybrid method of fuzzy set and Monte Carlo simulation | |
Ilic et al. | Modeling future cyber-physical energy systems | |
CN110533291A (zh) | 一种基于风险评估的中压配电网薄弱环节辨识方法 | |
Hippert et al. | Estimating temperature profiles for short-term load forecasting: neural networks compared to linear models | |
CN110288208A (zh) | 一种辐射型配电网可靠性与经济性的综合评估方法 | |
Qiu et al. | A probabilistic transmission planning framework for reducing network vulnerability to extreme events | |
Casolino et al. | Smart modeling and tools for distribution system management and operation | |
CN106096779A (zh) | 一种输配电成本分析、风险评估模型及风险结构优化方法 | |
Toubeau et al. | Statistical load and generation modelling for long term studies of low voltage networks in presence of sparse smart metering data | |
Eltohamy et al. | Power system flexibility metrics evaluation and power ramping analysis for high variable renewable generation shares | |
CN112100784A (zh) | 基于聚类网架拓扑和可靠性估算关联模型的配电网规划方法 | |
Jiang et al. | A bottom-up method for probabilistic short-term load forecasting based on medium voltage load patterns | |
Javadi | Incidence matrix-based LMP calculation: algorithm and applications | |
Wallnerstrom et al. | Investigation of the robustness of the Swedish network performance assessment model | |
Alarcon-Rodriguez et al. | Multi-objective planning of distributed energy resources with probabilistic constraints | |
Methaprayoon et al. | Neural network-based short term load forecasting for unit commitment scheduling | |
Bapin et al. | Estimation of operating reserve capacity in interconnected systems with variable renewable energy using probabilistic approach | |
Milhorance et al. | Risk assessment for the amount of transmission system usage penalties via probabilistic load flow | |
Iachini et al. | Agent based simulation of incentive mechanisms on photovoltaic adoption | |
Yuill et al. | Management of short term load forecasting in South African power networks | |
Piotrowski et al. | Forecasting of photovoltaic power generation using deep learning AI | |
Xiaoqun et al. | Optimal location and capacity of distributed generation based on scenario probability | |
Liu | A value-at-risk based approach for PMU placement in distribution systems | |
Gao et al. | Monte Carlo simulation based available transmission capability calculation | |
CN110879335B (zh) | 一种配电网线路重过载情况评估的方法 |
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 |