CN113609637A - 一种考虑故障连锁的多灾害配电网弹性评估方法 - Google Patents
一种考虑故障连锁的多灾害配电网弹性评估方法 Download PDFInfo
- Publication number
- CN113609637A CN113609637A CN202110702083.9A CN202110702083A CN113609637A CN 113609637 A CN113609637 A CN 113609637A CN 202110702083 A CN202110702083 A CN 202110702083A CN 113609637 A CN113609637 A CN 113609637A
- Authority
- CN
- China
- Prior art keywords
- fault
- disaster
- state
- probability
- index
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 45
- 238000011156 evaluation Methods 0.000 title claims abstract description 34
- 238000000034 method Methods 0.000 claims abstract description 46
- 230000008569 process Effects 0.000 claims abstract description 25
- 230000008859 change Effects 0.000 claims abstract description 16
- 230000008878 coupling Effects 0.000 claims abstract description 16
- 238000010168 coupling process Methods 0.000 claims abstract description 16
- 238000005859 coupling reaction Methods 0.000 claims abstract description 16
- 239000002131 composite material Substances 0.000 claims abstract description 9
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 230000005540 biological transmission Effects 0.000 claims abstract description 4
- 101000679575 Homo sapiens Trafficking protein particle complex subunit 2 Proteins 0.000 claims abstract 3
- 102100022613 Trafficking protein particle complex subunit 2 Human genes 0.000 claims abstract 3
- 238000005070 sampling Methods 0.000 claims description 25
- 239000011159 matrix material Substances 0.000 claims description 17
- 230000009471 action Effects 0.000 claims description 14
- 230000005489 elastic deformation Effects 0.000 claims description 14
- 238000012512 characterization method Methods 0.000 claims description 13
- 230000008439 repair process Effects 0.000 claims description 13
- 238000004088 simulation Methods 0.000 claims description 13
- 208000025274 Lightning injury Diseases 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 12
- 230000001052 transient effect Effects 0.000 claims description 9
- 239000011248 coating agent Substances 0.000 claims description 8
- 238000000576 coating method Methods 0.000 claims description 8
- 239000004020 conductor Substances 0.000 claims description 8
- 238000012937 correction Methods 0.000 claims description 8
- 230000002159 abnormal effect Effects 0.000 claims description 7
- 238000013461 design Methods 0.000 claims description 6
- 238000005315 distribution function Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000005452 bending Methods 0.000 claims description 4
- 238000001816 cooling Methods 0.000 claims description 4
- 238000005520 cutting process Methods 0.000 claims description 4
- 238000011084 recovery Methods 0.000 claims description 4
- 239000000725 suspension Substances 0.000 claims description 4
- 230000002776 aggregation Effects 0.000 claims description 3
- 238000004220 aggregation Methods 0.000 claims description 3
- 238000000137 annealing Methods 0.000 claims description 3
- 230000000704 physical effect Effects 0.000 claims description 3
- 241001391944 Commicarpus scandens Species 0.000 claims description 2
- 230000005484 gravity Effects 0.000 claims description 2
- 230000017525 heat dissipation Effects 0.000 claims description 2
- 238000001556 precipitation Methods 0.000 claims description 2
- 230000001629 suppression Effects 0.000 claims description 2
- 230000008719 thickening Effects 0.000 claims description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 2
- 230000002596 correlated effect Effects 0.000 claims 1
- 230000000875 corresponding effect Effects 0.000 claims 1
- 238000010586 diagram Methods 0.000 description 4
- 230000010354 integration Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 3
- 239000000284 extract Substances 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003064 k means clustering Methods 0.000 description 2
- 230000001133 acceleration Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 238000004146 energy storage Methods 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 239000002184 metal Substances 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 239000000126 substance Substances 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/06—Multi-objective optimisation, e.g. Pareto optimisation using simulated annealing [SA], ant colony algorithms or genetic algorithms [GA]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Health & Medical Sciences (AREA)
- Economics (AREA)
- General Health & Medical Sciences (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Geometry (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑故障连锁的多灾害配电网弹性评估方法，步骤如下：步骤S1、对多种灾害特征故障率建模；步骤S2、基于序贯蒙特卡洛模拟保留元件在灾害过程中的时序特性，建立基础范围故障率和特征故障率构成的元件运行状态模型；步骤S3、通过灰色理论分析线路和节点在N‑1和N‑2场景集下等趋势状态表征量序列的非线性关联度，建立故障场景间的耦合关系；步骤S4、建立综合考虑了负荷损失程度和有功不平衡初始瞬间的频率最大变化率的LLD指标、SEDT指标以及经济性指标，构成加权弹性‑经济空间评估体系，通过衡量场景集点簇中心与完美弹性点的复合熵权欧式距离进行弹性评估；可预防和抑制灾害过程中的故障连锁，提高输电网在极端天气下的弹性。
Description
技术领域
本发明涉及电网指标评估技术领域，具体的，涉及一种考虑故障连锁的多灾害配电网弹性评估方法。
背景技术
弹性是***对扰动事件抵御、适应以及快速恢复的能力。随着全球自然灾害逐渐增多，构建对极端扰动事件具有恢复力的“弹性电网”受到越来越多关注。配电网作为输送电力的关键环节，其相对复杂的结构和较大的规模在极端天气导致电气元件高故障率的背景下，故障连锁的隐患尤为凸显。目前的弹性评估方法往往忽略故障连锁的风险，通过概率加权场景后果提高评估的速度，而配电网电压等级较高，规模较大，在灾害导致元件高故障率的情况下忽略凸显的故障连锁隐患是不合理的。在弹性提升策略方面，配电网往往利用大量可配置资源如：储能的选址定容、负荷投切、用户需求侧响应、网架重构等提升电网弹性，配电网结构复杂，规模较大，上述对于配电网的弹性提升策略无法直接迁移。
目前的配电网弹性评估指标在一定程度上局限于弹性梯形面积与时间指标的结合，缺少对故障连锁的考虑，所以，如何考虑故障场景耦合，建立更加完善的多灾害配电网弹性指标评估体系成为一个亟待解决的问题。
发明内容
本发明的目的是提出一种考虑故障连锁的多灾害配电网弹性评估方法，该技术方案可以构成加权弹性-经济空间评估体系，通过衡量场景集点簇中心与完美弹性点的复合熵权欧式距离进行弹性评估，来预防和抑制灾害过程中的故障连锁，提高配电网在极端天气下的弹性。
为实现上述目的，本发明采用如下技术方案：一种考虑故障连锁的多灾害配电网弹性评估方法，包括如下步骤：
步骤S1、对多种灾害特征故障率建模：
步骤S2、基于序贯蒙特卡洛模拟保留元件在灾害过程中的时序特性，建立基础范围故障率和特征故障率构成的元件运行状态模型；
步骤S3、通过灰色理论分析线路和节点在N-1和N-2场景集下等趋势状态表征量序列的非线性关联度，建立故障场景间的耦合关系；
步骤S4、建立综合考虑了负荷损失程度和有功不平衡初始瞬间的频率最大变化率的LLD指标、考虑灾害过程中***性能恢复特性的SEDT指标以及经济性指标，以此构成加权弹性-经济空间评估体系，通过衡量场景集点簇中心与完美弹性点的复合熵权欧式距离进行弹性评估。
作为优选，多种灾害特征包括台风、冰雪、雷电三种灾害；分别对台风、冰雪、雷电三种灾害进行特征故障率建模；
其中，台风特征故障率建模包括如下步骤：
利用Batts模型来模拟台风风圈影响范围内各点的风速和风向，公式如下：
式中Vw为风速，方向为风圈模拟范围处逆时针切线方向，Vmax为最强烈风带处风速，Rmax为台风风圈中心到最大风速处的距离，r为范围作用点到台风中心的距离；由此可以计算台风作用于***元件的风载荷Nw如下：
载荷与作用处风速和风向有关，V1为作用处风速；D1为作用处导线外径；θ1为风向与导线的夹角。
假设线路材料相近，则线路长度正比于线路阻抗。利用BFS算法遍历生成***随机拓扑树，长度比例正比于线路阻抗，角度随机生长。在***拓扑覆盖范围生成散点并利用k-means聚类生成不同时刻的台风作用范围，利用埃尔米特插值法对随机聚类中心以及散点平均距离分别插值得到台风中心轨迹及作用半径变化。
架空导线在最高悬挂点容易发生断线，导线截面受到的应力σ与导线风载荷及重力载荷的和成正比，线杆根部所受的弯矩MT为杆身风载荷与杆根风载荷的矢量和。从而通过功能函数计算外部荷载下的元件可靠运行概率，当函数取值大于0时，元件能够可靠运行，概率为：
λn＝P{R-S＞0}
S为风载荷引起的弯矩；R为元件强度；由此可以得到线路的导线和电杆故障率。
将线路等效为杆塔和导线的串联模型，由此得到台风下线路的故障率：
冰雪特征故障率建模包括如下步骤
考虑结冰问题的电力线设计关键是科学地估算返回期间的结冰极值，即预测线路在运行期间可能出现的最大结冰厚度，利用广义极值(GEV)分布描述线路结冰厚度的极值概率，其标准化分布函数为：
其中αi是位置参数；βi是位置参数；ki是形状参数。在广义极值分布的参数估计中采用L矩估计方法，得到GEV分布的参数估计公式。
结合线路自身特性不同线路的架设高度不同，正常工作时的工作温度也不同所以其结冰厚度的极值也有所不同，加入修正因子：
Fi(x)＝ktikhikdiF(x)
khi＝(hi/h0)α
kdi＝1-0.126ln(d0/di)
其中Fi(x)为第i条线路的结冰厚度极值分布，khi、kdi分别为覆冰增厚随导线架设高度、直径变化的系数；h0、d0为导线的设计悬挂高度和设计直径；、di为第i条线路的实际悬挂高度和直径。N为线路总条数，假设线路损耗能量主要转变为热量耗散，线路的温度修正系数可由线损定义。piloss为第i条线路的线损功率。
架空线路表面出现覆冰的天气条件为气温及设备表面温度在0℃以下，空气相对湿度在85％以上，风速大于1m/s。基于降雨、风速等气象数据，建立覆冰预测模型，并利用覆冰极值分布进行预测修正：
其中
为覆冰增厚量；ρ为覆冰密度；θ为水密度；p为降水量，mm/h，V为风速，m/s。τ为抑冰判断值，在采样时刻生成随机数判断采样间隔时间段内覆冰厚度是否增加，使之更符合实际增速。
根据金属形变理论，当塔或线的承载力达到极限，随着应变力的增加，其承载力成倍下降，线路的破坏率与承载力成反比，成倍增加。根据传输线物理作用分析得线路故障率函数如下：
其中x为覆冰厚度；d是线路设计冰厚。
雷电特征故障率建模包括如下步骤
建立雷击判断模型，当雷电流幅值达到15kA且雷击侧距离为50米时，雷电绕击概率达80％，雷击电流幅值估计是雷击闪络计算的重要参数；IEEE Std推荐的分布函数和概率密度如下：
假设雷击侧距离的概率密度函数是均匀分布的，可得雷击侧的距离密度函数如下：
f(C)＝1/L
其中，L为雷击侧距离；以雷电绕击概率为80％时的雷电流幅值和雷击侧距离为标准，取一段阈值，判断当雷电流幅值为10kA至20kA，雷击侧距离为35m至55m时发生雷电绕击；雷击失效率λt一般视强度取0.1、0.5、1次/小时*100公里。
作为优选，基于序贯蒙特卡洛的元件运行状态建模包括如下步骤：
上述部分描述了灾害特征故障率的建模方法，基于此建立元件的运行状态模型：假设一个元件仅具有正常和故障两种运行状态，根据Chapman-Kolmogorov方程，元件的瞬时状态概率可通过下式计算：
其中PW(TL)，PF(TL)分别表示TL时刻元件处于工作和失效两种运行状态的概率。λ为故障率，μ为修复率；
选择指数Weibull(EW)分布作为修复时间模型，这是一个广泛用于数据分析和可靠性研究的参数模型，累积分布函数(CDF)的定义如下：
通过选择不同的形状参数和比例参数，使用该分布来拟合不同条件下的修复时间模型。由于本文中由灾害引起的故障可以在一定程度上归因为大气作用引起的故障，故选择αr＝8.4298，kr＝8.4298，λr＝0.1210作为拟合参数。在此估计参数下能够获得大气因素作用期间的维修时间(MTTR)，普通设备故障下MTTR为1.550，大气环境故障下MTTR为3.017，可见较为正常的维修条件下和存在客观天气因素影响的维修条件下扩大一倍是较为合理的一个数值，所以假设在恶劣天气、灾害、大灾难等级下，MTTR分别增大一倍；
修复概率分布使用了效果更好的指数Weibull分布，故在忽略μ的情况下可得：
可得灾害背景下，某一时间断面下的元件停运更换率为：
PF＝PFB+PFS
PF为采样时刻元件瞬时故障概率，PFB为灾害通过大气作用造成范围性影响导致该时间断面下的元件停运更换率，PFS为灾害自身物化特征影响导致该时间断面下的元件停运更换率。
本方案中，两者的决定性因素差异在于多数灾害在发生时通过大气环境导致范围性天气恶化来对作用区域内的电气元件造成范围型影响，如雷电、台风、冰雪天气带来的强降雨，范围性降温等，这些是此类灾害的共性，同时灾害结合自身的物化特性来对电气元件造成特征性影响。通过抽离出一般灾害具有的共同特征和各自独有的特征建立基础范围故障率和灾害特征故障率，并由Chapman-Kolmogorov方程计算抽样瞬间时间断面下的元件停运率得到PFB和PFS。
灾害特征故障率建模如上所述，利用负二项回归分析巴西电网故障信息和当地气象的统计数据，拟合得到大气风速和大气放电次数与设备故障率之间的关系，建立基础范围故障率如下：
λb(nt,wg)＝λ0exp(0.0011nt+0.0275wg)
其中λ0为标称故障率，nt为发生雷声/大气放电次数，wg为大气阵风速度。按照IEEE标准将灾害强度分为恶劣天气(wg＝50,nt＝30)、灾害(wg＝3000,nt＝50)、大灾难(wg＝5500,nt＝80)三级。
由于线路的状态，会影响到节点处元件如发电机、变压器和负荷设备的工作状态，且灾害过程中节点的灾害作用强度与连接线路相近，故节点的瞬时故障概率定义为拓扑直连线路故障率的均值：
其中PN为节点瞬时故障概率，PLi为第i条线路瞬时故障概率，m为节点物理拓扑直连线路数量。利用退火过程的降温系数模拟灾害过程的强度变化：
作为优选，N-K场景集下的故障场景耦合关系建模包括如下步骤：
电气元件通常工作在其额定状态时故障率较低，例如线路、发电机组经常处于超载工作状态或机组经常参与调频工作导致其有功输出长时间低于额定值，其工作寿命会远远低于处于正常运行的元件，基于此提出等趋势状态表征量s：
其中si为i元件的等趋势状态表征量，m为i元件状态量个数，γikr为i元件第k个状态量的当前数值，γikn为i元件第k个状态量正常工作状态数值，N为元件总个数，γxkn为元件x第k个状态变量正常工作状态数值，元件状态量选取能够表征元件运行状态且耦合度较低的变量，最好是线性无关变量，如线路可以选取输入潮流有功功率、潮流无功功率等变量，节点可以选取节点电压、节点相角或是注入有功功率、注入无功功率等变量。由于各特征量的有效信息价值均为该元件偏离正常工作状态的程度，因而利用乘积聚合特征，得到元件的异常工作状态程度；
计算***的N-1、N-2故障场景形成等趋势状态表征量矩阵
M为***元件总数，N为故障场景数。
利用灰色理论计算不同元件的等趋势状态表征量序列的非线性关联度：
N为故障场景数，提出序列i作为母序列，序列j作为参考序列，si(k)为元件i在第k个场景下的等趋势状态表征值，ρ为分辨系数。依次提取相应元件序列作为母序列计算与其他元件序列的非线性关联度，得到关联度矩阵CM×M，该矩阵为对称矩阵，其中元素ζij为元件i与元件j的关联系数。在每次采样后计算各元件的等趋势状态表征量，利用关联系数以及当前各元件的等趋势状态表征量，即根据其他元件与该元件的关联程度以及自身和其他元件处于异常工作状态的程度，对下一次采样的瞬时故障概率做出修正：
其中kic为第i个元件的关联修正系数，S1×M为当前场景下各元件的等趋势状态表征量构成的向量，
为关联度矩阵第i行向量的转置矩阵，结合当前状态采样结果，利用自身和其他元件的异常工作状态及各元件之间的关联对于下一次采样的瞬时故障概率做出修正，修正后的
从而建立采样过程中不同故障场景间的耦合。
作为优选，由于传统弹性评估通过考虑单个场景的“弹性梯形”特性以及各个场景出现的概率，来计算***弹性，本发明在极端天气事件集单个事件的仿真中考虑了事件发生过程中各故障场景间的耦合，单个事件在采样时间断面出现的概率会随时序在其之前场景的改变而改变，直接考虑所有马尔科夫状态概率会导致“维数灾”。在元件的修复时间模型上考虑了极端天气条件下的修复速度，在极端天气事件过程中各元件具备一定的修复能力，所以单个元件故障的子事件是具备自身弹性的。当考虑各个故障事件在时序上的耦合关联以及灾害过程中的修复能力时，可以得到以下的***性能结果：
***弹性评估的性能缺失面积指标如下：
式中：resilience(y)为***y的弹性；Fs,0为***y在正常情况下的性能Fs,i(t)为***y在极端事件i下的性能曲线，φ为极端事件集合；可以理解为***在极端天气条件下相对于正常条件下的***性能损失面积。
在序贯蒙特卡洛模拟下可将积分转化成蒙特卡洛积分处理：
resiliencei(y)为φ事件集中i事件的y***弹性指标。Fs,i,l为序贯蒙特卡洛模拟第l次采样的***性能瞬时值。当采样频率足够高，即n足够大时可以不用取无穷极限来近似积分结果。可以看到性能缺失面积指标即为稳健性指标和快速性时间指标的乘积，在性能缺失面积指标的基础上加以稳健性指标和快速性指标辅助进行评估是一种冗余的指标建立方式，利用乘法聚合较为关键的低维特征会使得低维特征信息丢失严重。
本发明单独抽离出***负荷损失程度并引入暂态故障状态指标ξRCF构建负荷损失度指标(LLD)、***弹性形变时间(SEDT)以及经济损失度(ELD)建立弹性-经济空间；
损失度指标公式定义如下：
LLD指标能够反映灾害过程中***负荷变化的幅度情况，ξRCF为***的频率最大变化率，其出现在有功不平衡的初始瞬间，为电网运行人员较为关心的暂态故障状态指标[24]。考虑该指标的原因为不同程度的负荷损失，在有功功率不平衡瞬间对于***的暂态稳定影响并不相同，所以利用该指标对负荷损失指标加权，使得指标兼顾***的稳态特性和暂态特性。
ξRCF的计算方式如下：
式中：ΔPim为***有功不平衡量的绝对值；NG为在运行发电机数；Hn与
为第n台发电机的惯性常数与出力上限；f0为***额定频率；
***弹性形变时间指标公式定义如下：
经济损失度指标公式定义如下：
SEDT指标能够反映***处于弹性形变过程的时间，tgap为两次采样之间的时间间隔，tdura为灾害持续时间，σd为弹性形变状态判断参数，当Fs,i,l＜Fs,0-ξ时σd＝1即判断***处于弹性形变状态，反之σd＝0。ξ为裕度参数。经济损失度指标(ELD)由切负荷惩罚、元件修复费用(如机组起停费用)建立，其中ND为负荷元件数量，mci为i元件切去单位负荷费用，通常与负荷的重要度有关，PcDi为切去负荷量，Nb为起停机组数量，Cbk为k机组起停费用，PDi为i元件总负荷量；由此建立弹性-经济空间，将其定义为***以稳健性、快速性和经济性等目标下所有事件弹性评估表现的集合。根据***所处的气象环境，按照实际比例生成相应等级类型的极端天气事件集。弹性空间中单个点对应于整个仿真事件集中单个极端天气事件，其坐标分别为利用整个事件集归一化后的三种指标，完美弹性点处于空间原点，计算某一事件场景下***所处空间位置与完美弹性点的加权欧式距离并利用整个仿真事件集的平均距离得到***性能点簇中心与完美弹性点的加权欧式距离，将其映射到[0，100]区间计算***的弹性：
其中LLDi，SEDTi，ELDi分别为***y在i事件下的弹性-经济坐标，σ1，σ2，σ3分别为三个指标的复合熵权计算值。其计算方式为仿真3000个极端天气事件，台风、冰雪、雷电灾害等比例生成，由于研究主体为灾害事件，所以恶劣天气、灾害、大灾难三种等级按照2:5:3的比例生成，计算得到弹性-经济空间坐标序列，并将各指标进行标准化，以σ1为例：
其中m为指标数量，
为第i组指标序列包含的信息熵，
Yij为第j项指标下，第i个样本所占比重，n为单个指标下的样本数量，k1为调节因子，反映对于该指标的关注程度，起微调作用，一般情况下取1，如大灾难下，虽然经济指标的信息熵较高，但是此时经济性并非优先考虑的因素，可利用该系数适当降低经济指标的权重。
本发明的有益效果是：本发明提出了一种考虑故障连锁的多灾害配电网弹性评估方法，进行了多灾害配电网性能仿真，使用序贯蒙特卡洛模拟保留元件在灾害过程中的时序特性，通过灰色理论分析线路和节点在N-1和N-2场景集下等趋势状态表征量序列的非线性关联度建立故障场景间的耦合关系，建立综合考虑了负荷损失程度和有功不平衡初始瞬间的频率最大变化率的LLD指标、考虑灾害过程中***性能恢复特性的SEDT指标以及经济性指标，以此构成加权弹性-经济空间评估体系，通过衡量场景集点簇中心与完美弹性点的复合熵权欧式距离进行弹性评估；预防和抑制灾害过程中的故障连锁，提高配电网在极端天气下的弹性。
附图说明
图1为本发明的一种考虑故障连锁的多灾害配电网弹性评估方法的流程图。
图2为考虑故障场景耦合的电力***状态示意图。
图3为随机台风场景图。
图4为大灾难下冰雪、雷电、台风***性能仿真结果图。
图5为IEEE118节点***极端天气事件集在弹性-经济空间坐标分布图。
具体实施方式
为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
实施例：如图1所示，一种考虑故障连锁的多灾害配电网弹性评估方法的流程图，包括如下步骤：
步骤S1、对多种灾害特征故障率建模：多种灾害特征包括台风、冰雪、雷电三种灾害；分别对台风、冰雪、雷电三种灾害进行特征故障率建模；
利用Batts模型来模拟台风风圈影响范围内各点的风速和风向，在***拓扑覆盖范围生成散点并利用k-means聚类生成不同时刻的台风作用范围，利用埃尔米特插值法对随机聚类中心以及散点平均距离分别插值得到台风中心轨迹及作用半径变化。将线路等效为杆塔和导线的串联模型，由此得到台风下线路的故障率：
冰雪特征故障率：
根据传输线物理作用分析得线路故障率函数如下：
其中x为覆冰厚度；d是线路设计冰厚。
雷电特征故障率：
分布函数和概率密度如下：
假设雷击侧距离的概率密度函数是均匀分布的，可得雷击侧的距离密度函数如下：
f(C)＝1/L
以台风为例，台风模拟场景图如图3所示。
步骤S2、基于序贯蒙特卡洛模拟保留元件在灾害过程中的时序特性，建立基础范围故障率和特征故障率构成的元件运行状态模型；
本实施例选择指数Weibull(EW)分布作为修复时间模型，可得灾害背景下，某一时间断面下的元件停运更换率为：
PF＝PFB+PFS
通过抽离出一般灾害具有的共同特征和各自独有的特征建立基础范围故障率和灾害特征故障率，建立基础范围故障率如下：
λb(nt,wg)＝λ0exp(0.0011nt+0.0275wg)
由于线路的状态，会影响到节点处元件如发电机、变压器和负荷设备的工作状态，且灾害过程中节点的灾害作用强度与连接线路相近，故节点的瞬时故障概率定义为拓扑直连线路故障率的均值：
其中PN为节点瞬时故障概率，PLi为第i条线路瞬时故障概率，m为节点物理拓扑直连线路数量。利用退火过程的降温系数模拟灾害过程的强度变化：
大灾难下冰雪、雷电、台风***性能仿真结果如图4所示。
步骤S3、通过灰色理论分析线路和节点在N-1和N-2场景集下等趋势状态表征量序列的非线性关联度，建立故障场景间的耦合关系；
计算***的N-1、N-2故障场景形成等趋势状态表征量矩阵
利用灰色理论计算不同元件的等趋势状态表征量序列的非线性关联度；
根据其他元件与该元件的关联程度以及自身和其他元件处于异常工作状态的程度，对下一次采样的瞬时故障概率做出修正：
结合当前状态采样结果，利用自身和其他元件的异常工作状态及各元件之间的关联对于下一次采样的瞬时故障概率做出修正，修正后的
从而建立采样过程中不同故障场景间的耦合；如图2所示，是***性能与不同故障场景间的耦合关系图。
步骤S4、建立综合考虑了负荷损失程度和有功不平衡初始瞬间的频率最大变化率的LLD指标、考虑灾害过程中***性能恢复特性的SEDT指标以及经济性指标，以此构成加权弹性-经济空间评估体系，通过衡量场景集点簇中心与完美弹性点的复合熵权欧式距离进行弹性评估；
本实施例单独抽离出***负荷损失程度并引入暂态故障状态指标ξRCF构建负荷损失度指标(LLD)、***弹性形变时间(SEDT)以及经济损失度(ELD)建立弹性-经济空间，指标定义如下：
由此建立弹性-经济空间，将其定义为***以稳健性、快速性和经济性等目标下所有事件弹性评估表现的集合：
大灾害下不同类型极端天气单次仿真下各指标评估结果如表1所示：
表1.不同强度、不同类型极端天气单次仿真下各指标归一化前的结果
弹性-经济空间评估体系能够将事件集合利用加权数学距离直观的表示在空间内，如图5所示，通过事件评估结果的分布来为***进一步提升提供指导。
以上所述之具体实施方式为本发明一种考虑故障连锁的多灾害配电网弹性评估方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。
Claims (9)
1.一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，包括如下步骤：
步骤S1、对多种灾害特征故障率建模；
步骤S2、基于序贯蒙特卡洛模拟保留元件在灾害过程中的时序特性，建立基础范围故障率和特征故障率构成的元件运行状态模型；
步骤S3、通过灰色理论分析线路和节点在N-1和N-2场景集下等趋势状态表征量序列的非线性关联度，建立故障场景间的耦合关系；
步骤S4、建立综合考虑了负荷损失程度和有功不平衡初始瞬间的频率最大变化率的LLD指标、考虑灾害过程中***性能恢复特性的SEDT指标以及经济性指标，以此构成加权弹性-经济空间评估体系，通过衡量场景集点簇中心与完美弹性点的复合熵权欧式距离进行弹性评估。
2.根据权利要求1所述的一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，步骤S1中，多种灾害特征包括台风、冰雪、雷电三种灾害；分别对台风、冰雪、雷电三种灾害进行特征故障率建模。
3.根据权利要求2所述的一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，台风特征故障率建模包括如下步骤：
利用Batts模型来模拟台风风圈影响范围内各点的风速和风向，公式如下：
式中Vw为风速，方向为风圈模拟范围处逆时针切线方向，Vmax为最强烈风带处风速，Rmax为台风风圈中心到最大风速处的距离，r为范围作用点到台风中心的距离；
计算台风作用于***元件的风载荷Nw如下：
载荷与作用处风速和风向有关，V1为作用处风速；D1为作用处导线外径；θ1为风向与导线的夹角；
架空导线在最高悬挂点容易发生断线，导线截面受到的应力σ与导线风载荷及重力载荷的和成正比，线杆根部所受的弯矩MT为杆身风载荷与杆根风载荷的矢量和；通过功能函数计算外部荷载下的元件可靠运行概率，当函数取值大于0时，元件能够可靠运行，概率公式为：
λn＝P{R-S＞0}
S为风载荷引起的弯矩；R为元件强度；
将线路等效为杆塔和导线的串联模型，由此得到台风下线路的故障率：
4.根据权利要求2所述的一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，冰雪特征故障率建模包括如下步骤：
利用广义极值分布描述线路结冰厚度的极值概率，其标准化分布函数为：
其中αi是位置参数；βi是位置参数；ki是形状参数；在广义极值分布的参数估计中采用L矩估计方法，得到GEV分布的参数估计公式；
结合线路自身特性不同线路的架设高度不同，正常工作时的工作温度也不同所以其结冰厚度的极值也有所不同，加入修正因子：
Fi(x)＝ktikhikdiF(x)
khi＝(hi/h0)α
kdi＝1-0.126ln(d0/di)
其中Fi(x)为第i条线路的结冰厚度极值分布，khi、kdi分别为覆冰增厚随导线架设高度、直径变化的系数；h0、d0为导线的设计悬挂高度和设计直径；di为第i条线路的实际悬挂高度和直径；N为线路总条数，假设线路损耗能量主要转变为热量耗散，线路的温度修正系数可由线损定义；piloss为第i条线路的线损功率；
基于降雨、风速等气象数据，建立覆冰预测模型，并利用覆冰极值分布进行预测修正
其中
为覆冰增厚量；ρ为覆冰密度；θ为水密度；p为降水量，mm/h，V为风速，m/s；τ为抑冰判断值；
根据传输线物理作用分析得线路故障率函数如下：
其中x为覆冰厚度；d是线路设计冰厚。
5.根据权利要求2所述的一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，雷击特征故障率建模包括如下步骤：
由于雷击电流幅值估计是雷击闪络计算的重要参数；采用IEEE Std推荐的分布函数和概率密度如下：
雷击侧距离的概率密度函数是均匀分布的，可得雷击侧的距离密度函数如下：
f(C)＝1/L
其中，L为雷击侧距离；以雷电绕击概率为80％时的雷电流幅值和雷击侧距离为标准，取一段阈值，判断当雷电流幅值为10kA至20kA，雷击侧距离为35m至55m时发生雷电绕击；
雷击失效率λt一般视强度取0.1、0.5、1次/小时*100公里。
6.根据权利要求1或2所述的一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，步骤S2包括如下子步骤：
设定一个元件仅具有正常和故障两种运行状态，根据Chapman-Kolmogorov方程，元件的瞬时状态概率可通过下式计算：
其中PW(TL)，PF(TL)分别表示TL时刻元件处于工作和失效两种运行状态的概率；λ为故障率，μ为修复率；修复概率分布使用指数Weibull分布，因此在忽略μ的情况下可得：
可得灾害背景下，某一时间断面下的元件停运更换率为：
PF＝PFB+PFS
PF为采样时刻元件瞬时故障概率，PFB为灾害通过大气作用造成范围性影响导致该时间断面下的元件停运更换率，PFS为灾害自身物化特征影响导致该时间断面下的元件停运更换率；
节点的瞬时故障概率定义为拓扑直连线路故障率的均值：
其中PN为节点瞬时故障概率，PLi为第i条线路瞬时故障概率，m为节点物理拓扑直连线路数量；利用退火过程的降温系数模拟灾害过程的强度变化：
7.根据权利要求1或2或6所述的一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，
步骤S3中，由等趋势状态表征量的关联耦合故障场景并通过序贯蒙特卡洛模拟得到场景耦合故障集：
提出等趋势状态表征量s；
其中si为i元件的等趋势状态表征量，m为i元件状态量个数，γikr为i元件第k个状态量的当前数值，γikn为i元件第k个状态量正常工作状态数值，N为元件总个数，γxkn为元件x第k个状态变量正常工作状态数值，由于各特征量的有效信息价值均为该元件偏离正常工作状态的程度，因而利用乘积聚合特征，得到元件的异常工作状态程度；
计算***的N-1、N-2故障场景形成等趋势状态表征量矩阵
M为***元件总数，N为故障场景数；利用灰色理论计算不同元件的等趋势状态表征量序列的非线性关联度，关联系数ζij计算公式如下：
N为故障场景数，提出序列i作为母序列，序列j作为参考序列，si(k)为元件i在第k个场景下的等趋势状态表征值，ρ为分辨系数；依次提取相应元件序列作为母序列计算与其他元件序列的非线性关联度，得到关联度矩阵CM×M，该矩阵为对称矩阵，其中元素ζij为元件i与元件j的关联系数；在每次采样后计算各元件的等趋势状态表征量，利用关联系数以及当前各元件的等趋势状态表征量对下一次采样的瞬时故障概率做出修正：
其中kic为第i个元件的关联修正系数，S1×M为当前场景下各元件的等趋势状态表征量构成的向量，
为关联度矩阵第i行向量的转置矩阵，结合当前状态采样结果，利用自身和其他元件的异常工作状态及各元件之间的关联对于下一次采样的瞬时故障概率做出修正，修正后的
从而建立采样过程中不同故障场景间的耦合。
8.根据权利要求1所述的一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，步骤S4包括如下步骤：
损失度指标公式定义如下：
ξRCF为***的频率最大变化率，计算方式如下：
式中：ΔPim为***有功不平衡量的绝对值；NG为在运行发电机数；Hn与
为第n台发电机的惯性常数与出力上限；f0为***额定频率；
***弹性形变时间指标公式定义如下：
经济损失度指标公式定义如下：
SEDT指标能够反映***处于弹性形变过程的时间，tgap为两次采样之间的时间间隔，tdura为灾害持续时间，σd为弹性形变状态判断参数，当Fs,i,l＜Fs,0-ξ时σd＝1即判断***处于弹性形变状态，反之σd＝0；ξ为裕度参数；ELD指标由切负荷惩罚、元件修复费用建立，其中ND为负荷元件数量，mci为i元件切去单位负荷费用，PcDi为切去负荷量，Nb为起停机组数量，Cbk为k机组起停费用，PDi为i元件总负荷量。
9.根据权利要求1或8所述的一种考虑故障连锁的多灾害配电网弹性评估方法，其特征在于，建立加权弹性-经济空间评估体系，通过衡量场景集点簇中心与完美弹性点的复合熵权欧式距离进行弹性评估包括如下步骤：
弹性空间中单个点对应于整个仿真事件集中单个极端天气事件，其坐标分别为利用整个事件集归一化后的三种指标，完美弹性点处于空间原点，计算某一事件场景下***所处空间位置与完美弹性点的加权欧式距离并利用整个仿真事件集的平均距离得到***性能点簇中心与完美弹性点的加权欧式距离，将其映射到[0，100]区间计算***的弹性，公式如下：
其中LLDi，SEDTi，ELDi分别为***y在i事件下的弹性-经济坐标，σ1，σ2，σ3分别为三个指标的复合熵权计算值。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110702083.9A CN113609637B (zh) | 2021-06-24 | 2021-06-24 | 一种考虑故障连锁的多灾害配电网弹性评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110702083.9A CN113609637B (zh) | 2021-06-24 | 2021-06-24 | 一种考虑故障连锁的多灾害配电网弹性评估方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113609637A true CN113609637A (zh) | 2021-11-05 |
| CN113609637B CN113609637B (zh) | 2023-10-27 |
Family
ID=78303674
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110702083.9A Active CN113609637B (zh) | 2021-06-24 | 2021-06-24 | 一种考虑故障连锁的多灾害配电网弹性评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113609637B (zh) |
Cited By (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254878A (zh) * | 2021-12-01 | 2022-03-29 | 国网浙江省电力有限公司经济技术研究院 | 一种考虑极端灾害发生频率的配电网弹性评估方法及装置 |
| CN114444862A (zh) * | 2021-12-24 | 2022-05-06 | 国网浙江省电力有限公司温州供电公司 | 一种综合多类指标阈值的配电网灾害预警分级方法 |
| CN114707796A (zh) * | 2022-02-23 | 2022-07-05 | 国网浙江省电力有限公司温州供电公司 | 一种弹性配电网运行风险的滚动评估方法 |
| CN115409427A (zh) * | 2022-10-28 | 2022-11-29 | 国网江西省电力有限公司供电服务管理中心 | 居民负荷可用调节容量多状态的评估方法及装置 |
| CN115409372A (zh) * | 2022-08-30 | 2022-11-29 | 南方电网调峰调频发电有限公司西部检修试验分公司 | 一种基于数据分析的风险评估方法及*** |
Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1724717A2 (en) * | 2001-03-08 | 2006-11-22 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
| EP1752898A2 (en) * | 2001-03-08 | 2007-02-14 | California Institute Of Technology | Exception analysis for multimissions |
| US20130211871A1 (en) * | 2012-02-09 | 2013-08-15 | International Business Machines Corporation | Assessment and rationalization of resiliency of data center strategies |
| CN104462837A (zh) * | 2014-12-17 | 2015-03-25 | 国家电网公司 | 由综合故障率和经济性评估确定输电线路加强方案的方法 |
| WO2016184451A1 (de) * | 2015-05-21 | 2016-11-24 | Kastanienbaum GmbH | Verfahren und vorrichtung zur steuerung/regelung eines aktorisch angetriebenen robotergelenks |
| CN107230015A (zh) * | 2017-05-25 | 2017-10-03 | 天津大学 | 一种基于***信息熵的配电网韧性评估方法 |
| CN107634519A (zh) * | 2017-10-11 | 2018-01-26 | 湘潭大学 | 一种考虑风险的电网线路分段差异化规划方法 |
| JP2018057118A (ja) * | 2016-09-28 | 2018-04-05 | 株式会社日立製作所 | 電力系統縮約装置及び方法、電力系統安定化装置 |
| CN108631306A (zh) * | 2018-05-21 | 2018-10-09 | 西安交通大学 | 一种电力***灾后恢复能力的评估方法 |
| CN108629078A (zh) * | 2018-03-23 | 2018-10-09 | 国网浙江省电力有限公司杭州供电公司 | 基于监控信息的输电网雷击灾害可靠性评估方法 |
| CN108876194A (zh) * | 2018-07-16 | 2018-11-23 | 国网福建省电力有限公司 | 一种台风灾害场景下配电网风险评估方法 |
| US20190228777A1 (en) * | 2004-06-14 | 2019-07-25 | Wanda Papadimitriou | Stress engineering assessment of risers and riser strings |
| WO2019238140A1 (zh) * | 2019-01-08 | 2019-12-19 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种变电站或换流站耦连回路地震风险评估方法 |
| WO2020083091A1 (zh) * | 2018-10-25 | 2020-04-30 | 国网湖南省电力有限公司 | 电网故障的风险分析方法及*** |
| CN111210102A (zh) * | 2019-11-22 | 2020-05-29 | 国家电网有限公司 | 一种极端灾害条件下电网故障建模方法 |
| CN112736923A (zh) * | 2020-12-08 | 2021-04-30 | 华南理工大学 | 一种考虑电网故障影响的天然气网连锁故障评估控制方法 |
-
2021
- 2021-06-24 CN CN202110702083.9A patent/CN113609637B/zh active Active
Patent Citations (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| EP1752898A2 (en) * | 2001-03-08 | 2007-02-14 | California Institute Of Technology | Exception analysis for multimissions |
| EP1724717A2 (en) * | 2001-03-08 | 2006-11-22 | California Institute Of Technology | Real-time spatio-temporal coherence estimation for autonomous mode identification and invariance tracking |
| US20190228777A1 (en) * | 2004-06-14 | 2019-07-25 | Wanda Papadimitriou | Stress engineering assessment of risers and riser strings |
| US20130211871A1 (en) * | 2012-02-09 | 2013-08-15 | International Business Machines Corporation | Assessment and rationalization of resiliency of data center strategies |
| CN104462837A (zh) * | 2014-12-17 | 2015-03-25 | 国家电网公司 | 由综合故障率和经济性评估确定输电线路加强方案的方法 |
| WO2016184451A1 (de) * | 2015-05-21 | 2016-11-24 | Kastanienbaum GmbH | Verfahren und vorrichtung zur steuerung/regelung eines aktorisch angetriebenen robotergelenks |
| JP2018057118A (ja) * | 2016-09-28 | 2018-04-05 | 株式会社日立製作所 | 電力系統縮約装置及び方法、電力系統安定化装置 |
| CN107230015A (zh) * | 2017-05-25 | 2017-10-03 | 天津大学 | 一种基于***信息熵的配电网韧性评估方法 |
| CN107634519A (zh) * | 2017-10-11 | 2018-01-26 | 湘潭大学 | 一种考虑风险的电网线路分段差异化规划方法 |
| CN108629078A (zh) * | 2018-03-23 | 2018-10-09 | 国网浙江省电力有限公司杭州供电公司 | 基于监控信息的输电网雷击灾害可靠性评估方法 |
| CN108631306A (zh) * | 2018-05-21 | 2018-10-09 | 西安交通大学 | 一种电力***灾后恢复能力的评估方法 |
| CN108876194A (zh) * | 2018-07-16 | 2018-11-23 | 国网福建省电力有限公司 | 一种台风灾害场景下配电网风险评估方法 |
| WO2020083091A1 (zh) * | 2018-10-25 | 2020-04-30 | 国网湖南省电力有限公司 | 电网故障的风险分析方法及*** |
| WO2019238140A1 (zh) * | 2019-01-08 | 2019-12-19 | 中国南方电网有限责任公司超高压输电公司检修试验中心 | 一种变电站或换流站耦连回路地震风险评估方法 |
| CN111210102A (zh) * | 2019-11-22 | 2020-05-29 | 国家电网有限公司 | 一种极端灾害条件下电网故障建模方法 |
| CN112736923A (zh) * | 2020-12-08 | 2021-04-30 | 华南理工大学 | 一种考虑电网故障影响的天然气网连锁故障评估控制方法 |
Non-Patent Citations (4)
| Title |
|---|
| 何嘉兴;张行;王红斌;方健;郑欣;覃煜;赖单宏;: "极端灾害下考虑应急转供的配网停电过程仿真方法", 智慧电力, no. 04 * |
| 唐文虎;杨毅豪;李雅晶;陆佳政;吴青华;: "极端气象灾害下输电***的弹性评估及其提升措施研究", 中国电机工程学报, no. 07 * |
| 李振坤;王法顺;郭维一;米阳;季亮;: "极端天气下智能配电网的弹性评估", 电力***自动化, no. 09 * |
| 郭金鹏;黄少伟;梅生伟;刘锋;魏巍;丁理杰;: "基于序贯重要性采样的电力***连锁故障负荷损失分析方法", 电网技术, no. 10 * |
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN114254878A (zh) * | 2021-12-01 | 2022-03-29 | 国网浙江省电力有限公司经济技术研究院 | 一种考虑极端灾害发生频率的配电网弹性评估方法及装置 |
| CN114444862A (zh) * | 2021-12-24 | 2022-05-06 | 国网浙江省电力有限公司温州供电公司 | 一种综合多类指标阈值的配电网灾害预警分级方法 |
| CN114707796A (zh) * | 2022-02-23 | 2022-07-05 | 国网浙江省电力有限公司温州供电公司 | 一种弹性配电网运行风险的滚动评估方法 |
| CN115409372A (zh) * | 2022-08-30 | 2022-11-29 | 南方电网调峰调频发电有限公司西部检修试验分公司 | 一种基于数据分析的风险评估方法及*** |
| CN115409372B (zh) * | 2022-08-30 | 2023-07-04 | 南方电网调峰调频发电有限公司西部检修试验分公司 | 一种基于数据分析的风险评估方法及*** |
| CN115409427A (zh) * | 2022-10-28 | 2022-11-29 | 国网江西省电力有限公司供电服务管理中心 | 居民负荷可用调节容量多状态的评估方法及装置 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113609637B (zh) | 2023-10-27 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN113609637B (zh) | 一种考虑故障连锁的多灾害配电网弹性评估方法 | |
| Rios et al. | Value of security: modeling time-dependent phenomena and weather conditions | |
| CN107292478B (zh) | 一种灾害对配电网影响态势的获取方法 | |
| CN108921410B (zh) | 一种配电网弹性恢复力指标构建及提升方法 | |
| CN111210102B (zh) | 一种极端灾害条件下电网故障建模方法 | |
| CN116167609A (zh) | 基于神经网络模型的电力***风险评估方法 | |
| CN113569411A (zh) | 一种面向灾害天气的电网运行风险态势感知方法 | |
| CN111209535B (zh) | 一种电力设备相继故障风险识别方法及*** | |
| CN115130378A (zh) | 一种台风灾害下基于蒙特卡洛算法的配电网韧性评估方法 | |
| CN116014790A (zh) | 一种含分布式能源的配电网弹性评估方法 | |
| CN114580177A (zh) | 一种基于连锁故障预防的电力***调度方法 | |
| CN114840982A (zh) | 台风灾害下考虑连锁故障演化的电力***弹性评估方法 | |
| Cheng et al. | A multi-state model for wind farms considering operational outage probability | |
| CN110581554B (zh) | 基于影响增量的电网N-k故障分析与筛选方法及装置 | |
| CN112613676A (zh) | 一种高分辨度电网弹性评估方法 | |
| Liu | Short-term operational reliability evaluation for power systems under extreme weather conditions | |
| CN117236030A (zh) | 台风灾害下考虑级联过载故障发生的电力***韧性评估建模方法 | |
| Beyza et al. | Evaluation of Reliability and Robustness of Electric Power Systems with Renewable Energies | |
| CN115204713A (zh) | 极端气象灾害下电力***稳定控制与辅助决策方法和*** | |
| CN111146779B (zh) | 一种电力设备相继故障的大电网柔性安全控制方法及*** | |
| Wei et al. | Resilience Assessment Using Simulation System of Distribution Network under Extreme Weather | |
| Ciapessoni et al. | A risk-based resilience assessment tool to anticipate critical system conditions in case of natural threats | |
| CN113346541A (zh) | 一种台风灾害下风电预防控制优化方法 | |
| CN112670991A (zh) | 一种基于敏感用户暂降损失的电网防雷治理优化方法 | |
| CN112182952A (zh) | 一种提升电力***弹性的多目标优化调度方法 |
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 |