CN113627655A - 一种配电网灾前故障场景模拟预测方法及装置 - Google Patents
一种配电网灾前故障场景模拟预测方法及装置 Download PDFInfo
- Publication number
- CN113627655A CN113627655A CN202110808856.1A CN202110808856A CN113627655A CN 113627655 A CN113627655 A CN 113627655A CN 202110808856 A CN202110808856 A CN 202110808856A CN 113627655 A CN113627655 A CN 113627655A
- Authority
- CN
- China
- Prior art keywords
- fault
- scene
- power distribution
- distribution network
- clustering
- 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 214
- 238000000034 method Methods 0.000 title claims abstract description 74
- 238000004088 simulation Methods 0.000 title claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 17
- 238000011084 recovery Methods 0.000 claims description 16
- 230000005540 biological transmission Effects 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 12
- 230000008569 process Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 8
- 230000002776 aggregation Effects 0.000 claims description 5
- 238000004220 aggregation Methods 0.000 claims description 5
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 claims description 3
- 239000000126 substance Substances 0.000 claims description 3
- 238000005457 optimization Methods 0.000 abstract description 4
- 238000004364 calculation method Methods 0.000 description 9
- 230000000694 effects Effects 0.000 description 9
- 238000004422 calculation algorithm Methods 0.000 description 8
- 238000010586 diagram Methods 0.000 description 5
- 239000011159 matrix material Substances 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 238000000342 Monte Carlo simulation Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000008030 elimination Effects 0.000 description 2
- 238000003379 elimination reaction Methods 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000012417 linear regression Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Data Mining & Analysis (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种配电网灾前故障场景模拟预测方法及装置，包括：建立配电网故障概率模型；根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；在配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型；处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；根据故障损失对故障场景聚类，得到多个第一场景聚类结果；在每个第一场景聚类结果根据拓扑相似度聚类，得到多个第二场景聚类结果；根据第二场景聚类结果得到配电网灾前故障场景模拟预测结果。根据灾害预报信息进行场景生成，并利用场景的故障损失和拓扑相似度进行场景聚类，为基于场景进行的优化决策提供基础，以在灾前分析灾害对配电网的影响。
Description
技术领域
本发明涉及配电网韧性恢复技术领域，尤其涉及一种配电网灾前故障场景模拟预测方法及装置。
背景技术
电力***韧性是指电网在遭受重大灾害、人为攻击等极端情况下，改变自身状态减少故障损失，并尽快恢复正常供电水平的能力。配电网需要针对灾害做出提前部署与预防，合理考虑灾害不确定性进行灾前部署决策。
韧性研究关注极端自然灾害，这类小概率时间很难通过历史数据得到未来灾害造成的影响，不能简单采用概率模型衡量灾害结果。在这种情况下，场景抽样是一种常见的分析场景不确定性的方法，通过对场景聚类得出各场景的发生概率，从而为基于场景进行的优化决策提供基础。然而现有的场景聚类方法往往应用于连续变量的不确定性(如风电、光伏出力的不确定性)，鲜有针对配电网故障场景的聚类方法，因此有必要建立一种配电网故障场景聚类方法，为配电网灾前韧性决策提供依据。
发明内容
本发明提供一种配电网灾前故障场景模拟预测方法及装置，用以解决现有技术中缺少配电网故障场景聚类研究的缺陷，实现基于配电网故障场景进行聚类，为配电网灾前韧性决策提供依据。
本发明提供一种配电网灾前故障场景模拟预测方法，包括：
建立配电网故障概率模型；
基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；
在所述配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型；
在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；
根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；
在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；
根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
根据本发明提供的一种配电网灾前故障场景模拟预测方法，所述配电网为拓扑结构，包括多条输电线路；所述基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合，具体包括：
将预设灾害信息输入所述配电网故障概率模型，得到所述配电网故障概率模型输出的配电网各条输电线路故障的概率，其中，所述预设的灾害信息包括灾害持续时间；
根据各输电线路故障概率，对各输电线路进行灾害持续时间范围内的一次故障场景随机生成，得到一个故障场景；
重复进行随机生成的过程，得到预设生成场景总数的故障场景，形成所述配电网故障场景集合。
根据本发明提供的一种配电网灾前故障场景模拟预测方法，其特征在于，所述在所述配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型，具体包括：所述故障拓扑重构模型的目标函数为：
其中，
表示配电网中第i节点t时刻的电荷恢复量，ωi表示第i节点的负荷重要度，
表示配电网中所有节点集合，T表示故障场景中灾害持续时间。
根据本发明提供的一种配电网灾前故障场景模拟预测方法，所述在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度，具体包括：
配电网在单个故障场景中单个节点的负荷损失量为：
其中，ωi表示第i节点的负荷重要度，
表示配电网中第i节点t时刻的电荷恢复量，
表示配电网中第i节点电荷恢复量上限，
表示配电网中所有节点集合；
单个故障场景下故障损失表示为节点故障损失向量PLoss：
根据本发明提供的一种配电网灾前故障场景模拟预测方法，所述在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度，具体包括：
应用树编辑距离(TED,Tree Edit Distance)衡量配电网故障场景的拓扑相似度；
两故障场景T1,T2之间的TED为：
其中，Dist(T1,T2)表示T1,T2之间的TED，Z＝{z1，z2,…,zn}表示将故障场景从T1转换为T2的一系列树编辑操作，|Z|表示序列的操作总数，
表示可完成故障场景T1,T2转换的操作序列集合，C(zi)表示操作zi的代价。
根据本发明提供的一种配电网灾前故障场景模拟预测方法，所述根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景，具体包括：
将通过配电网拓扑重构可消除的故障场景以及无故障场景归为一类第一场景聚类结果；
在剩余的故障场景中选取k个聚类中心为初始聚类中心，k为大于零的正整数；
以各初始聚类中心为中心分别进行至少一次故障场景聚集，将故障场景聚集后的各结果设为中间聚类结果；
计算各中间聚类结果的中心：当各中间聚类结果的中心分别与对应的初始聚类中心一致时，停止聚类，各中间聚类结果分别为所述第一场景聚类结果；当各中间聚类结果的中心分别与对应的初始聚类中心不一致时，继续聚类，直至各中间聚类结果的中心分别与对应的初始聚类中心一致。
根据本发明提供的一种配电网灾前故障场景模拟预测方法，所述在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景，具体包括：
确定第一场景聚类结果中各故障场景的类间距离；
确定第三数量的数值；
按照第一场景聚类结果中各故障场景每次合并形成类簇时，选取故障场景合并后的类簇与其他类簇类间距离最大的方式进行聚类，形成第三数量的第二场景聚类结果。
本发明还一种配电网灾前故障场景模拟预测装置，包括：
故障概率建模单元，用于建立配电网故障概率模型；
故障场景生成单元，用于基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；
故障拓扑重构单元，用于在所述配电网故障场景集合中对每个故障场景建立故障拓扑重构模型；
故障损失及场景拓扑相似度处理单元，用于在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；
第一聚类单元，用于根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；
第二聚类单元，用于在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；
输出单元，用于根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
本发明还提供一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现如上述任一种所述配电网灾前故障场景模拟预测方法的步骤。
本发明还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，所述计算机程序被处理器执行时实现如上述任一种所述配电网灾前故障场景模拟预测方法的步骤。
本发明提供的配电网灾前故障场景模拟预测方法及装置，针对配电网韧性恢复中灾害不确定性问题，本发明通过场景生成-场景聚类方法，通过建立配电网元件在灾害下的故障概率模型，根据灾害预报信息进行场景生成，并利用场景的故障损失和拓扑相似度进行场景聚类，为基于场景进行的优化决策提供基础，以在灾前分析灾害对配电网的影响。
附图说明
为了更清楚地说明本发明或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍，显而易见地，下面描述中的附图是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1是本发明提供的配电网灾前故障场景模拟预测方法流程图；
图2是图1中步骤120的具体流程图；
图3是图1中步骤150的具体流程图；
图4是图1中步骤160的具体流程图；
图5是应用本发明方法进行仿真实验的配电网节点分布结构示意图；
图6是应用本发明方法进行仿真实验的拓扑聚类后仿真实验效果示意图；
图7是发明提供的配电网灾前故障场景模拟预测装置结构示意图；
图8是本发明提供的电子设备的结构示意图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚，下面将结合本发明中的附图，对本发明中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有作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。
在韧性相关的应用中往往涉及自然灾害这一不确定性因素，无法在事前获得灾害造成的配电网故障信息。为了减小灾害损失，配电网需要针对灾害做出提前部署与预防，合理考虑灾害不确定性进行灾前部署决策。本发明实施例中，通过建立配电网元件在灾害下的故障概率模型，根据灾害预报信息进行场景生成，并利用场景的故障损失和拓扑相似度进行场景聚类，为后文基于场景进行的优化决策提供基础。
韧性研究关注极端自然灾害，这类小概率时间很难通过历史数据得到未来灾害造成的影响，不能简单采用概率模型衡量灾害结果。本发明实施例建立一种配电网故障场景聚类方法，为灾前韧性决策提供依据。配电网故障场景聚类主要有以下难点：
(1)故障场景涉及拓扑变化，需要考虑拓扑相似度对场景聚类的影响；
(2)考虑故障损失和拓扑相似度的情况下，如何依据多维度的场景距离进行聚类。
为解决以上问题，本发明实施例提供的场景聚类方法包含场景生成、场景聚类两个步骤。场景生成中，假设配电网元件的故障概率模型已知；在场景聚类中，引入树编辑距离衡量拓扑相似度，并在聚类过程中采用先依据故障损失聚类、再依据拓扑相似度聚类的两阶段方式进行聚类。
如图1所示，本发明实施例提供一种配电网灾前故障场景模拟预测方法，包括：
步骤110：建立配电网故障概率模型；
由于配电网故障概率模型的建模在现有技术中已有研究，本发明实施例中，在现有故障概率模型的基础上进行一定简化，因此本发明实施例中，主要考虑台风这类灾害天气对配电网产生的影响。配电网元件中，假设故障由配电网线路中的杆塔造成，线路上的杆塔受风速和结冰影响而故障。
基于以上假设和现有技术中模型，可以得到如下配电网线路故障概率模型：
(1)式中pf,pole,t表示t时刻某杆塔在风速wt(m/s)下的损坏概率，(2)式中
表示t时刻某线路因风速导致的损坏概率，其由线路内的杆塔损坏概率和杆塔数量决定，(3)式中pf,line,t表示综合风力和结冰影响导致的损坏概率。
本发明实施例中应用的故障概率模型中，为简化起见，配电网内的杆塔参数设定一致，线路的损坏概率差异只受线路上杆塔数量影响。在其他实施例中，可根据需要替换更精确的配电网故障概率模型。
步骤120：基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；
本步骤中，根据配电网在灾害下的故障概率模型进行场景生成，获得一定数量的灾害故障场景。
本步骤中，在配电网故障概率模型确定后，应用蒙特卡洛模拟方法生成故障场景。
步骤130：在所述配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型；
衡量不同配电网故障场景的相似度是进行故障场景聚类的先决条件。针对配电网的灾害场景进行了聚类，其中故障场景的相似度以配电网各个节点的故障损失作为依据，相似的故障场景造成的各个节点的损失也相似。这一出发点是从故障影响角度出发，能一定程度上反映场景相似度。然而，在配电网的故障场景中，仅从故障损失角度进行聚类存在不足。配电网恢复时，根据故障情况会产生不同的拓扑重构结果，而拓扑结构影响电源与负荷供电路径，故障严重时会划分为孤岛，因而拓扑结构对具体的恢复决策影响很大。不同的拓扑重构结果可能导致相似的故障损失，而这会产生本质上不同的配电网韧性恢复决策，因而本发明实施例中，在进行聚类前需要先对故障场景集合建立配电网拓扑重构结构。
步骤140：在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；
本发明实施例从场景故障损失与场景拓扑相似度两方面衡量场景的相似度，以场景的故障损失及场景间的拓扑相似度作为基础进行场景聚类。
步骤150：根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；
本发明实施例中，进行故障损失聚类时，先将可通过配电网重构消除故障影响或无故障的场景归为一类，减少后续聚类的计算量。
步骤160：在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；
本发明实施例中，拓扑相似度聚类采用层次聚类方法，层次聚类法适合在给定样本间距离的情况下使用，其基本思想是，首先合并相似度最高或距离最近的两个样本为一类，并按照此原则不断对剩余样本进行合并，直至最终所有样本合为一类或达到终止条件。
步骤170：根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
本发明实施例中，配电网为拓扑结构，包括多条输电线路，多个节点。
具体地，如图2所示，步骤120具体包括：
步骤121：将预设灾害信息输入所述配电网故障概率模型，得到所述配电网故障概率模型输出的配电网各条输电线路故障的概率，其中，所述预设的灾害信息包括灾害持续时间；
灾害信息包括台风强度、线路结冰概率、持续时间等。
步骤122：根据各输电线路故障概率，对各输电线路进行灾害持续时间范围内的一次故障场景随机生成，得到一个故障场景；
步骤123：重复进行随机生成的过程，得到预设生成场景总数的故障场景，形成所述配电网故障场景集合。
根据预设生成场景总数进行与预设生成场景总数数量一致的k次模拟生成，一次模拟生成的场景是灾害持续时间T的时长范围内的各线路的故障情况；
将每次灾害持续时间T划分为t个时段，在每个时段内根据故障概率模型计算配电网每条线路的故障概率，T≥0，t≥0；在每个时段内对每条线路生成0-1范围的随机数，若随机数小于该时段计算出的线路故障概率，且该时段之前该线路没有故障，则认为此时段该线路故障；
重复上述每个时段的故障场景生成过程t次，完成每次灾害持续时间T的一次故障场景生成过程；
重复上述一次故障场景生成过程k次，完成预设生成场景总数数量的故障场景生成。
本发明实施例中，故障拓扑重构模型使用来自主网的电力进行自主恢复，因此步骤130中故障拓扑重构模型的目标函数为：
其中，
表示配电网中第i节点t时刻的电荷恢复量，ωi表示第i节点的负荷重要度，
表示配电网中所有节点集合，T表示故障场景中灾害持续时间。
本发明实施例中，步骤140中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，具体包括：
在步骤130建立的故障拓扑重构模型进行求解，得到配电网在单个故障场景中单个节点的负荷损失量为：
其中，ωi表示第i节点的负荷重要度，
表示配电网中第i节点t时刻的电荷恢复量，
表示配电网中第i节点电荷恢复量上限，
表示配电网中所有节点集合；
单个故障场景下故障损失表示为节点故障损失向量PLoss：
本发明实施例中，步骤140中得到各故障场景之间的场景拓扑相似度，具体包括：
为了衡量配电网故障重构后的拓扑相似度，本发明实施例应用树编辑距离(TED，Tree Edit Distance)进行计算。这一概念指一个树状结构的图转化为另一树状结构的图的最小操作代价。在配电网领域，将这一概念应用在配电网规划领域，本发明实施例中，应用TED衡量配电网故障场景的拓扑相似度。
两故障场景T1，T2之间的TED为：
其中，Dist(T1，T2)表示T1，T2之间的TED，Z＝{z1，z2，…，zn}表示将故障场景从T1转换为T2的一系列树编辑操作，|Z|表示序列的操作总数，
表示可完成故障场景T1，T2转换的操作序列集合，C(zi)表示操作zi的代价，优选地每次操作的代价均设置为1。
对于任意树T1，T2，T3，TED应满足如下性质：
(1)Dist(T1，T2)≥0且Dist(T1，T1)＝0；
(2)Dist(T1，T2)＝Dist(T2，T1)；
(3)Dist(T1，T3)≤Dist(T1，T2)+Dist(T2，T3)
本步骤中在进行拓扑相似度计算时，配电网某一场景的拓扑结构通过步骤130建立的故障拓扑重构模型计算得到。本发明实施例中，在故障拓扑重构模型构建中引入了“虚拟节点”概念，即使配电网经过重构后形成多个孤岛，孤岛的根节点也需与“虚拟节点”相连，因此所有配电网重构结果均可生成一个以“虚拟节点”为根节点的树，方便进行拓扑相似度计算。因此本发明实施例中，采用Zhang-Shasha算法进行TED计算，该算法可以通过在python平台调用zss库使用。
本发明实施例中，通过步骤140的计算结果进行场景聚类的过程，分别包括按照计算的故障损失进行第一阶段聚类及按照拓扑相似度进行第二阶段聚类。
第一阶段聚类，如图3所示，步骤150是具体包括：
步骤151：将通过配电网拓扑重构可消除的故障场景以及无故障场景归为一类第一场景聚类结果；
本步骤中，故障损失聚类时，首先将可通过配电网重构消除故障影响或无故障的场景归为一类，减少后续计算量。
对剩余的故障场景聚类时本发明实施例采用k均值(k-means)聚类算法：
步骤152：在剩余的故障场景中选取k个聚类中心为初始聚类中心，k为大于零的正整数；
步骤153：以各初始聚类中心为中心分别进行至少一次故障场景聚集，将故障场景聚集后的各结果设为中间聚类结果；
步骤154：计算各中间聚类结果的中心：当各中间聚类结果的中心分别与对应的初始聚类中心一致时，停止聚类，各中间聚类结果分别为所述第一场景聚类结果；当各中间聚类结果的中心分别与对应的初始聚类中心不一致时，继续聚类，直至各中间聚类结果的中心分别与对应的初始聚类中心一致。
在步骤152-154中进行聚类时，各场景中的距离指的是欧式距离(EuclideanMetric)，这一距离要求输入数据为连续数据，故障损失符合k-means对输入数据为连续数据的要求。本发明实施例中，k-means聚类算法中的k值需要提前设定，在步骤160中需要应用TED计算场景拓扑距离，因此希望第一场景聚类结果中包括故障场景每类场景的数量较小，以减小后续计算量，因此在选取k值时根据不同k值的聚类效果，在较好的聚类结果中选取一个较大的k值进行聚类。在应用k-means聚类算法时，可以在python平台调用scikit-learn库使用。
第二阶段聚类，如图4所示，步骤160具体包括：
步骤161：确定第一场景聚类结果中各故障场景的类间距离；
通过TED计算k-means聚类算法后第一场景聚类结果内场景两两之间的距离，可以得到一个类内的距离矩阵ED：
(8)式中n为第二数量，矩阵中的元素为对应位置的灾后场景间的TED，根据TED性质，该矩阵为一对称矩阵，实际只需计算n(n-1)/2次即可。
得到距离矩阵后，本发明实施例中的拓扑相似度聚类采用层次聚类方法。层次聚类法适合在给定样本间距离的情况下使用，其基本思想是，首先合并相似度最高或距离最近的两个样本为一类，并按照此原则不断对剩余样本进行合并，直至最终所有样本合为一类或达到终止条件。进行层次聚类时需要选取出差异尽量大的若干代表场景，因此终止条件设置为：给定聚层次聚类数，使用ward法进行层次聚类。
步骤162：确定第三数量的数值；
确定第三数量即为在每个第一景聚类结果中要得到第三数量类的第二场景聚类结果。
步骤163：按照第一场景聚类结果中各故障场景每次合并形成类簇时，选取故障场景合并后的类簇与其他类簇类间距离最大的方式进行聚类，形成第三数量的第二场景聚类结果。
本步骤应用的ward法层次聚类的类间距离与常用的single，complete，average等方法不同，其引入下式定义类间距离，作为判断类簇合并的依据：
(9)式中u为类簇s和t合并后的类簇，v为其他未使用的类簇。|*|表示类簇内的样本个数，S＝|v|+|s|+|t|。每次合并类簇时，选取合并后与其他类簇距离最大的类簇。这本质上是在衡量合并时误差平方和(ESS,Error Sum of Squares)的变化情况，其定义如下式：
(10)式中xi为样本的值，所有样本整体的ESS为样本各类簇的ESS之和。根据ward法进行层次聚类时，每次合并的类簇是使得整体ESS增加最少的两个类簇，这实质上是在要求合并的两个类簇合并后类内样本要尽量相似，类且与其他类簇尽量不相近。这一方法能有效得到互相之间差异最大的类簇，体现场景的代表性。
层次聚类终止时的类簇数量对于聚类效果影响很大，在单次聚类时，可根据需求和经验设置类簇数量，而在本发明实施例中，需对故障损失聚类后每个类进行层次聚类，对每个类单独设置类簇数量并不现实。因此本发明实施例中，层次聚类的聚类数使用L法确定：
通常认为较好的聚类效果较好时，聚类数量和聚类的类间距离在拐点附近效果较好。L法对“类簇数-类间距离”图上靠近左侧和右侧的点分别进行线性回归进行拟合，综合拟合误差最小时得到最终的类簇数。综合拟合误差定义如下式：
c*＝argmincRMSEc (12)
(11)式中c表示“类簇数-类间距离”图进行左侧和右侧划分的类簇数；b表示最大类簇数；RMSE(Lc),RMSE(Rc)分别表示左侧直线和右侧直线拟合的根均方误差，其中直线Lc包含类数为2至c的点，直线Rc包含类数c+1至b的点。在求(12)式中的最优聚类数c*时，分别将c设置为3至b-2进行计算，即可得到最终的c*。
本发明实施例中，步骤170具体包括：在步骤160得到的各个第二场景聚类结果中，随机选取一个故障场景作为该类的故障场景，并将该类第二场景聚类结果中的故障场景数量与预设生成场景总数的比值作为该类第二场景聚类结果的生成概率。
为验证聚类方法效果，设置以下算例进行测试。本算例使用的配电网拓扑如图5所示，节点1连接电网主网，图中虚线为配电网联络线，配电网中，节点15、节点20有电动公交充电站，节点9、节点18、节点29有分布式电源。
在场景生成阶段，假定台风灾害持续72小时，模拟台风过境：风力从2级变化至15级，再从15级变化回4级。共生成场景1000个。配电网韧性恢复持续6个时段，每个时段1h。
故障损失聚类：
对生成的1000个场景依次计算故障损失，得到其中216个场景重构后无损失，可进行合并；另外784个场景需要进行故障损失聚类。取k-means算法聚类数为11，得到聚类结果。为了检验聚类效果，使用t-SNE方法对聚类结果进行可视化。t-SNE是一种非线性降维算法，可以有效将高维数据降维至2-3维空间，观察聚类效果。
拓扑聚类：
根据故障损失聚类结果，对故障损失每一类进行层次聚类。以故障损失第9类场景的层次聚类结果为例，结果如图6所示。
如图6可看出，第9类故障场景共有30个场景，并根据L法最终聚为4类，从每类中随机选取一个场景，得到第9类的聚类结果。图中每类代表场景对应概率自左向右分别为1.1％，0.6％，0.3％，1.0％，由聚类场景数除以场景总数1000得到。其他类别的故障场景也进行同样的聚类处理。
最终，1000个场景聚类结果如下：无故障损失场景216个，聚类为1个场景；有故障损失场景784个，聚类为100个场景，每一类的聚类结果汇总与表1中。
表1有故障损失场景聚类结果汇总
由表1可看出1000个场景最终聚类为101个场景。
下面对本发明实施例提供的配电网灾前故障场景模拟预测装置进行描述，下文描述的配电网灾前故障场景模拟预测装置与上文描述的配电网灾前故障场景模拟预测方法可相互对应参照，如图7所示，本发明实施例提供的一种配电网灾前故障场景模拟预测装置，包括：
故障概率建模单元710，用于建立配电网故障概率模型；
由于配电网故障概率模型的建模在现有技术中已有研究，本发明实施例中，在现有故障概率模型的基础上进行一定简化，因此本发明实施例中，主要考虑台风这类灾害天气对配电网产生的影响。配电网元件中，假设故障由配电网线路中的杆塔造成，线路上的杆塔受风速和结冰影响而故障。
故障场景生成单元720，用于基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；
在配电网故障概率模型确定后，应用蒙特卡洛模拟方法生成故障场景。
故障拓扑重构单元730，用于在所述配电网故障场景集合中对每个故障场景建立故障拓扑重构模型；
故障损失及场景拓扑相似度处理单元740，用于在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；
衡量不同配电网故障场景的相似度是进行故障场景聚类的先决条件。针对配电网的灾害场景进行了聚类，其中故障场景的相似度以配电网各个节点的故障损失作为依据，相似的故障场景造成的各个节点的损失也相似。这一出发点是从故障影响角度出发，能一定程度上反映场景相似度。然而，在配电网的故障场景中，仅从故障损失角度进行聚类存在不足。配电网恢复时，根据故障情况会产生不同的拓扑重构结果，而拓扑结构影响电源与负荷供电路径，故障严重时会划分为孤岛，因而拓扑结构对具体的恢复决策影响很大。不同的拓扑重构结果可能导致相似的故障损失，而这会产生本质上不同的配电网韧性恢复决策，因而本发明实施例中，在进行聚类前需要先对故障场景集合建立配电网拓扑重构结构。
第一聚类单元750，用于根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；
本发明实施例中，进行故障损失聚类时，先将可通过配电网重构消除故障影响或无故障的场景归为一类，减少后续聚类的计算量。
第二聚类单元760，用于在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；
本发明实施例中，拓扑相似度聚类采用层次聚类方法，层次聚类法适合在给定样本间距离的情况下使用，其基本思想是，首先合并相似度最高或距离最近的两个样本为一类，并按照此原则不断对剩余样本进行合并，直至最终所有样本合为一类或达到终止条件。
输出单元770，用于根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
本发明实施例中，故障场景生成单元720具体包括：
预设信息确定子单元，用于将预设灾害信息输入所述配电网故障概率模型，得到所述配电网故障概率模型输出的配电网各条输电线路故障的概率，其中，所述预设的灾害信息包括灾害持续时间；
单次场景生成子单元，用于根据各输电线路故障概率，对各输电线路进行灾害持续时间范围内的一次故障场景随机生成，得到一个故障场景；
循环子单元，用于控制单次场生成子单元重复进行随机生成的过程，得到预设生成场景总数的故障场景，形成所述配电网故障场景集合。
本发明实施例中，第一聚类单元750具体包括：
无故障聚类子单元，用于将通过配电网拓扑重构可消除的故障场景以及无故障场景归为一类第一场景聚类结果；
聚类中心确定子单元，用于在剩余的故障场景中选取k个聚类中心为初始聚类中心，k为大于零的正整数；
中间聚类子单元，用于以各初始聚类中心为中心分别进行至少一次故障场景聚集，将故障场景聚集后的各结果设为中间聚类结果；
聚类终止子单元，用于计算各中间聚类结果的中心：当各中间聚类结果的中心分别与对应的初始聚类中心一致时，停止聚类，各中间聚类结果分别为所述第一场景聚类结果；当各中间聚类结果的中心分别与对应的初始聚类中心不一致时，继续聚类，直至各中间聚类结果的中心分别与对应的初始聚类中心一致。
本发明实施例中，第二聚类单元760具体包括：
类间距确定子单元，用于确定第一场景聚类结果中各故障场景的类间距离；
类簇数确定子单元，用于确定第三数量的数值；
类簇聚类子单元，用于按照第一场景聚类结果中各故障场景每次合并形成类簇时，选取故障场景合并后的类簇与其他类簇类间距离最大的方式进行聚类，形成第三数量的第二场景聚类结果。
下面结合图8描述本发明实施例提供的一种电子设备的实体结构示意图，如图8所示，该电子设备可以包括：处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840，其中，处理810，通信接口820，存储830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令，以执行配电网灾前故障场景模拟预测方法，该方法包括：建立配电网故障概率模型；基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；在所述配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型；在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
此外，上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实施例的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面，本发明实施例还提供一种计算机程序产品，所述计算机程序产品包括存储在非暂态计算机可读存储介质上的计算机程序，所述计算机程序包括程序指令，当所述程序指令被计算机执行时，计算机能够执行上述各方法所提供的配电网灾前故障场景模拟预测方法，该方法包括：建立配电网故障概率模型；基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；在所述配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型；在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
又一方面，本发明实施例还提供一种非暂态计算机可读存储介质，其上存储有计算机程序，该计算机程序被处理器执行时实现以执行上述各提供的配电网灾前故障场景模拟预测方法：建立配电网故障概率模型；基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；在所述配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型；在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
以上所描述的装置实施例仅仅是示意性的，其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的，作为单元显示的部件可以是或者也可以不是物理单元，即可以位于一个地方，或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下，即可以理解并实施。
通过以上的实施方式的描述，本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现，当然也可以通过硬件。基于这样的理解，上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来，该计算机软件产品可以存储在计算机可读存储介质中，如ROM/RAM、磁碟、光盘等，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是：以上实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种配电网灾前故障场景模拟预测方法，其特征在于，包括：
建立配电网故障概率模型；
基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；
在所述配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型；
在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；
根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；
在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；
根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
2.根据权利要求1所述的配电网灾前故障场景模拟预测方法，其特征在于，所述配电网为拓扑结构，包括多条输电线路；所述基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合，具体包括：
将预设灾害信息输入所述配电网故障概率模型，得到所述配电网故障概率模型输出的配电网各条输电线路故障的概率，其中，所述预设的灾害信息包括灾害持续时间；
根据各输电线路故障概率，对各输电线路进行灾害持续时间范围内的一次故障场景随机生成，得到一个故障场景；
重复进行随机生成的过程，得到预设生成场景总数的故障场景，形成所述配电网故障场景集合。
3.根据权利要求2所述的配电网灾前故障场景模拟预测方法，其特征在于，所述在所述配电网故障场景集合中进行拓扑重构建立故障拓扑重构模型，具体包括：所述故障拓扑重构模型的目标函数为：
其中，
表示配电网中第i节点t时刻的电荷恢复量，ωi表示第i节点的负荷重要度，
表示配电网中所有节点集合，T表示故障场景中灾害持续时间。
4.根据权利要求3所述的配电网灾前故障场景模拟预测方法，其特征在于，所述在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度，具体包括：
配电网在单个故障场景中单个节点的负荷损失量为：
其中，ωi表示第i节点的负荷重要度，
表示配电网中第i节点t时刻的电荷恢复量，
表示配电网中第i节点电荷恢复量上限，
表示配电网中所有节点集合；
单个故障场景下故障损失表示为节点故障损失向量PLoss：
5.根据权利要求4所述的配电网灾前故障场景模拟预测方法，其特征在于，所述在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度，具体包括：
应用树编辑距离(TED，Tree Edit Distance)衡量配电网故障场景的拓扑相似度；
两故障场景T1，T2之间的TED为：
其中，Dist(T1，T2)表示T1，T2之间的TED，Z＝{z1，z2，…，zn}表示将故障场景从T1转换为T2的一系列树编辑操作，|Z|表示序列的操作总数，
表示可完成故障场景T1，T2转换的操作序列集合，C(zi)表示操作zi的代价。
6.根据权利要求5所述的配电网灾前故障场景模拟预测方法，其特征在于，所述根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景，具体包括：
将通过配电网拓扑重构可消除的故障场景以及无故障场景归为一类第一场景聚类结果；
在剩余的故障场景中选取k个聚类中心为初始聚类中心，k为大于零的正整数；
以各初始聚类中心为中心分别进行至少一次故障场景聚集，将故障场景聚集后的各结果设为中间聚类结果；
计算各中间聚类结果的中心：当各中间聚类结果的中心分别与对应的初始聚类中心一致时，停止聚类，各中间聚类结果分别为所述第一场景聚类结果；当各中间聚类结果的中心分别与对应的初始聚类中心不一致时，继续聚类，直至各中间聚类结果的中心分别与对应的初始聚类中心一致。
7.根据权利要求6所述的配电网灾前故障场景模拟预测方法，其特征在于，所述在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景，具体包括：
确定第一场景聚类结果中各故障场景的类间距离；
确定第三数量的数值；
按照第一场景聚类结果中各故障场景每次合并形成类簇时，选取故障场景合并后的类簇与其他类簇类间距离最大的方式进行聚类，形成第三数量的第二场景聚类结果。
8.一种配电网灾前故障场景模拟预测装置，其特征在于，包括：
故障概率建模单元，用于建立配电网故障概率模型；
故障场景生成单元，用于基于所述配电网故障概率模型，根据预设灾害信息及预设生成场景总数，生成配电网故障场景集合；
故障拓扑重构单元，用于在所述配电网故障场景集合中对每个故障场景建立故障拓扑重构模型；
故障损失及场景拓扑相似度处理单元，用于在所述配电网故障场景集合中根据所述故障拓扑重构模型处理得到每个故障场景的故障损失，以及各故障场景之间的场景拓扑相似度；
第一聚类单元，用于根据各个故障场景的故障损失按照第一预设规则进行聚类，得到第一数量的第一场景聚类结果，其中每个所述第一场景聚类结果中包括第二数量个故障场景；
第二聚类单元，用于在每个第一场景聚类结果中根据各故障场景之间的场景拓扑相似度按照第二预设规则进行聚类，得到第三数量的第二场景聚类结果，其中每个所述第二场景聚类结果包括第四数量个故障场景；
输出单元，用于根据所述第二场景聚类结果得到配电网灾前故障场景模拟预测结果。
9.一种电子设备，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现如权利要求1至7任一项所述配电网灾前故障场景模拟预测方法的步骤。
10.一种非暂态计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现如权利要求1至7任一项所述配电网灾前故障场景模拟预测方法的步骤。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110808856.1A CN113627655B (zh) | 2021-07-16 | 2021-07-16 | 一种配电网灾前故障场景模拟预测方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202110808856.1A CN113627655B (zh) | 2021-07-16 | 2021-07-16 | 一种配电网灾前故障场景模拟预测方法及装置 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN113627655A true CN113627655A (zh) | 2021-11-09 |
| CN113627655B CN113627655B (zh) | 2024-03-05 |
Family
ID=78380017
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202110808856.1A Active CN113627655B (zh) | 2021-07-16 | 2021-07-16 | 一种配电网灾前故障场景模拟预测方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN113627655B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522501A (zh) * | 2023-05-05 | 2023-08-01 | 中国船级社上海规范研究所 | 基于安全返港的实船验证*** |
Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103426056A (zh) * | 2013-07-18 | 2013-12-04 | 清华大学 | 基于风险评估的电力***薄弱环节辨识方法 |
| US20140207301A1 (en) * | 2013-01-18 | 2014-07-24 | General Electric Company | Methods and systems for restoring power based on forecasted loads |
| CN106329516A (zh) * | 2015-07-09 | 2017-01-11 | 中国电力科学研究院 | 一种基于典型场景识别的配电网动态重构方法 |
| CN109002924A (zh) * | 2018-07-23 | 2018-12-14 | 山东鲁能软件技术有限公司 | 一种配网故障抢修预测分析***及方法 |
| CN109523095A (zh) * | 2018-12-21 | 2019-03-26 | 合肥工业大学 | 基于负荷预测和场景聚类的城市配电网规划方法 |
| CN112564108A (zh) * | 2020-12-15 | 2021-03-26 | 贵州电网有限责任公司 | 一种考虑复电效益的配电网自适应重构策略 |
| CN112884270A (zh) * | 2020-12-31 | 2021-06-01 | 国网山东省电力公司聊城供电公司 | 一种考虑不确定性因素的多场景配电网规划方法及*** |
-
2021
- 2021-07-16 CN CN202110808856.1A patent/CN113627655B/zh active Active
Patent Citations (7)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20140207301A1 (en) * | 2013-01-18 | 2014-07-24 | General Electric Company | Methods and systems for restoring power based on forecasted loads |
| CN103426056A (zh) * | 2013-07-18 | 2013-12-04 | 清华大学 | 基于风险评估的电力***薄弱环节辨识方法 |
| CN106329516A (zh) * | 2015-07-09 | 2017-01-11 | 中国电力科学研究院 | 一种基于典型场景识别的配电网动态重构方法 |
| CN109002924A (zh) * | 2018-07-23 | 2018-12-14 | 山东鲁能软件技术有限公司 | 一种配网故障抢修预测分析***及方法 |
| CN109523095A (zh) * | 2018-12-21 | 2019-03-26 | 合肥工业大学 | 基于负荷预测和场景聚类的城市配电网规划方法 |
| CN112564108A (zh) * | 2020-12-15 | 2021-03-26 | 贵州电网有限责任公司 | 一种考虑复电效益的配电网自适应重构策略 |
| CN112884270A (zh) * | 2020-12-31 | 2021-06-01 | 国网山东省电力公司聊城供电公司 | 一种考虑不确定性因素的多场景配电网规划方法及*** |
Non-Patent Citations (1)
| Title |
|---|
| 李博达 等: "台风期间考虑配电终端功能可用性的配电网重构方法", 电力***自动化, vol. 45, no. 4, 25 February 2021 (2021-02-25), pages 38 - 44 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116522501A (zh) * | 2023-05-05 | 2023-08-01 | 中国船级社上海规范研究所 | 基于安全返港的实船验证*** |
| CN116522501B (zh) * | 2023-05-05 | 2024-02-13 | 中国船级社上海规范研究所 | 基于安全返港的实船验证*** |
Also Published As
| Publication number | Publication date |
|---|---|
| CN113627655B (zh) | 2024-03-05 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN111124840B (zh) | 业务运维中告警的预测方法、装置与电子设备 | |
| CN111652496B (zh) | 基于网络安全态势感知***的运行风险评估方法及装置 | |
| CN107591800B (zh) | 基于场景分析的含分布式电源配电网运行状态预测方法 | |
| CN109102146B (zh) | 基于多参数线性规划的电力***风险评估加速方法 | |
| CN111191918A (zh) | 一种智能电网通信网的业务路由规划方法及装置 | |
| CN110968512B (zh) | 软件质量评估方法、装置、设备及计算机可读存储介质 | |
| CN115510042A (zh) | 基于生成对抗网络的电力***负荷数据填补方法及装置 | |
| CN105471647A (zh) | 一种电力通信网故障定位方法 | |
| CN114490065A (zh) | 一种负载预测方法、装置及设备 | |
| Lee et al. | Probabilistic wind power forecasting based on the laplace distribution and golden search | |
| CN111900713A (zh) | 网源协调下考虑负荷和风电随机性多场景输电网规划方法 | |
| Du et al. | Applying deep convolutional neural network for fast security assessment with N-1 contingency | |
| CN115185804A (zh) | 服务器性能预测方法、***、终端及存储介质 | |
| CN114202174A (zh) | 一种电价风险等级预警方法、装置及存储介质 | |
| CN113506186B (zh) | 电力***受扰轨迹筛选方法、装置、电子设备和存储介质 | |
| CN114492742A (zh) | 神经网络结构搜索、模型发布方法、电子设备和存储介质 | |
| CN113627655A (zh) | 一种配电网灾前故障场景模拟预测方法及装置 | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN116662307A (zh) | 一种基于多源数据融合的智能预警方法、***及设备 | |
| CN116933860A (zh) | 暂态稳定评估模型更新方法、装置、电子设备及存储介质 | |
| CN115936926A (zh) | 一种基于smote-gbdt的不平衡窃电数据分类方法、装置、计算机设备和存储介质 | |
| Mao et al. | QoS trust rate prediction for Web services using PSO-based neural network | |
| CN117350549B (zh) | 计及出力相关性的配电网电压风险识别方法、装置及设备 | |
| CN113435113B (zh) | 一种电力***暂态稳定评估方法及装置 | |
| CN114418194B (zh) | 基于数据驱动和模型驱动的杆塔损毁预测方法及装置 |
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 |