CN114124728B - 电网控制***与电力一次设备间脆弱性耦合链路识别方法 - Google Patents
电网控制***与电力一次设备间脆弱性耦合链路识别方法 Download PDFInfo
- Publication number
- CN114124728B CN114124728B CN202111332380.5A CN202111332380A CN114124728B CN 114124728 B CN114124728 B CN 114124728B CN 202111332380 A CN202111332380 A CN 202111332380A CN 114124728 B CN114124728 B CN 114124728B
- Authority
- CN
- China
- Prior art keywords
- node
- power
- centrality
- information
- power grid
- 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.)
- Active
Links
- 230000008878 coupling Effects 0.000 title claims abstract description 100
- 238000010168 coupling process Methods 0.000 title claims abstract description 100
- 238000005859 coupling reaction Methods 0.000 title claims abstract description 100
- 238000000034 method Methods 0.000 title claims abstract description 59
- 230000001419 dependent effect Effects 0.000 claims abstract description 16
- 238000005259 measurement Methods 0.000 claims abstract description 15
- 238000011156 evaluation Methods 0.000 claims description 37
- 230000005540 biological transmission Effects 0.000 claims description 15
- 238000002347 injection Methods 0.000 claims description 8
- 239000007924 injection Substances 0.000 claims description 8
- 238000010248 power generation Methods 0.000 claims description 4
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000005457 optimization Methods 0.000 description 10
- 238000004891 communication Methods 0.000 description 7
- 238000012544 monitoring process Methods 0.000 description 6
- 238000011160 research Methods 0.000 description 6
- 230000002829 reductive effect Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 230000001808 coupling effect Effects 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010606 normalization Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000000243 solution Substances 0.000 description 2
- 230000003068 static effect Effects 0.000 description 2
- 230000002411 adverse Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000000969 carrier Substances 0.000 description 1
- 230000015556 catabolic process Effects 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000012217 deletion Methods 0.000 description 1
- 230000037430 deletion Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000013209 evaluation strategy Methods 0.000 description 1
- 230000036039 immunity Effects 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000000691 measurement method Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 230000006855 networking Effects 0.000 description 1
- 230000036961 partial effect Effects 0.000 description 1
- 230000010399 physical interaction Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000013468 resource allocation Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000005570 vertical transmission Effects 0.000 description 1
- 238000012038 vulnerability analysis Methods 0.000 description 1
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- 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"
- G06Q10/047—Optimisation of routes or paths, e.g. travelling salesman 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
- 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
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/12—Discovery or management of network topologies
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Environmental & Geological Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及智能电网安全可靠运行保障领域,公开了一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法,包括如下步骤:步骤1、建立智能电网控制***与电力一次设备相依耦合的网络模型,所述网络模型电力网和信息网;步骤2、构建基于节点中心性的脆弱点辨识方法,从而得出所述电力网中各节点之间的节点电气中心性指标、所述信息网中各节点之间的有效信息长度的接近中心性指标;步骤3、计算出基于电力网‑信息网的综合风险度量指标DLCC(Pi,Ci);步骤4、计算所述综合风险度量指标DLCC(Pi,Ci),找出所述电力网‑信息网的关键脆弱性耦合链路并移除。本发明以最大限度地提升智能电网控制***鲁棒性,减少级联故障发生的概率。
Description
技术领域
本发明涉及智能电网安全可靠运行保障领域,具体涉及一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法。
背景技术
智能电网现已发展成了由信息网(即:电力通信专网和电力设备监测/控制信息***合称)和电力网(即:电力一次***)深度融合而成的电网信息物理***(cyber-physicalpower system,CPPS)。随着通信和控制技术在电力***中应用范围不断扩大,信息网与电力网间的相互依存关系不断加深,主要表现为:电力网节点为控制网节点提供能量支持,电力网的运行不仅受制于自身设备可靠性,电力网络结构和潮流分布的影响,还受制于施加其上的诸多监视和控制功能。控制网节点为电力网节点提供3C(通信、计算、控制)支持,控制***运行不仅受制于自身设备可靠性,控制***网络结构和数据流分布,还受到物理电网电气特性的约束。这种相依耦合关系一方面不仅完善了数据采集种类和通信效率,还增加了***运行实时控制能力,使我们通过信息网对电力一次***的量测、控制与调度更加灵活高效。然而另一方面它在某种程度上却让智能电网变得更加脆弱,为CPPS的安全性带来了隐患,如电力网或信息网的故障可能波及对方网络,产生相互之间的连锁故障传播,从而严重影响CPPS的安全运行。智能电网连锁故障一般由个别元件(输配电线路,变压器,移相器,开关等)故障开始并最终导致全***崩溃。因此如何寻找这些薄弱点并优化电网拓扑结构,对保障电力***安全和稳定运行具有重要的理论现实意义和研究价值。
针对智能电网中脆弱性耦合链路辨识的问题,国内外学者已经进行了一定研究。依据分析角度的不同可将研究方法大致分为两方面。第一方面主要从电网拓扑结构出发,利用复杂网络理论统计特性(度数、介数等)应用到智能电网中,建立其静态或动态模型,进而评估智能电网中的脆弱性耦合链路。如有的学者采用节点及支路的介数来辨识节点或耦合链路的脆弱性,并以此分析电力***级联故障的演变过程;有的则通过分析北美电网和意大利电网拓扑特征,得到智能电网在高介数节点或者支路遭受蓄意攻击时十分脆性的结论。第二方面主要从物理电网特性出发,通过定义相关的指标来表征智能电网节点的脆弱程度。如有的研究者根据电力网中两节点之间的电气距离,从节点局部出发提出了节点电气耦合连接度的量化指标。有的学者从单侧电力网的功率传输特性出发,提出了互补性脆弱度指标,分别从无功和有功评估了线路故障对电力***静态稳定性的影响。以上研究虽然具有一定的借鉴意义,但是没有兼顾耦合链路的全局和局部电力网运行状态特性。目前智能电网控制***和电力网耦合程度不断加深,且相依耦合结构不尽合理,致使智能电网控制***结构脆弱性和连锁故障日趋严重。
发明内容
鉴于上述问题,本发明提出一种智能电网控制***与电力一次设备间脆弱性耦合链路辨识方法,在智能电网控制***和电力网间普遍存在相依耦合作用的背景下,准确地辨识智能电网控制***与电力网之间的脆弱性耦合链路,以便能及时调整和优化智能电网控制***与电力设备之间的量测控制关系,提升智能电网控制***对电网的可控、可测、可视能力,从而最大限度的保证智能电网安全、稳定运行。本发明拟解决主要技术问题如下:一是如何依据电气特性和拓扑结构特性,构建能真实反映计及电力一次设备潮流分布特性的脆弱性输电链路辨识方法;二是如何依据控制***中信息设备重要性,构建能真实反映智能电网控制***节点重要度的脆弱性控制链路辨识方法;三是如何综合考虑智能电网控制***与电力一次设备间相依耦合作用,构建能真实反映其不良影响在对侧网络相互传递的智能电网脆弱性耦合链路辨识方法。
本发明通过下述技术方案实现:
一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法,包括如下步骤:
步骤1、建立智能电网控制***与电力一次设备相依耦合的网络模型,所述网络模型包括电力网和信息网,所述电力网包括若干电力网节点,所述信息网包括若干信息网节点,且所述电力网节点和信息网节点一一对应;
步骤2、根据所述电力网的电气约束特性和拓扑特性对所述智能电网控制***的影响,构建基于节点中心性的脆弱点辨识方法,从而得出所述电力网中各节点之间的节点电气中心性指标、所述信息网中各节点之间的有效信息长度的接近中心性指标;
步骤3、根据所述节点电气中心性指标和有效信息长度的接近中心性指标构建物理域和信息域的综合脆弱性评估模型,计算出基于电力网-信息网的综合风险度量指标DLCC(Pi,Ci);
步骤4、计算所述综合风险度量指标DLCC(Pi,Ci),并根据所述综合风险度量指标DLCC(Pi,Ci)找出所述电力网-信息网的关键脆弱性耦合链路并移除。
作为优化,步骤2中,构建基于节点中心性的脆弱点辨识方法的具体方法如下:
步骤2.1、在所述电力网中,构建所述电力一次设备潮流分布特性和结构特性的脆弱性输电链路辨识方法;
步骤2.2、在所述信息网中,构建所述智能电网控制***的节点重要度的脆弱性控制链路辨识方法。
作为优化,步骤2.1中,构建所述电力一次设备潮流分布特性和结构特性的脆弱性输电链路辨识方法的具体方法如下:
步骤2.1.1、对电力一次设备的全局性节点的重要度进行评估,计算出各个所述电力网节点之间的电气介数中心性评估指标;
步骤2.1.2、对电力一次设备的局部性节点的重要度进行评估,计算出各个所述电力网节点之间的特征向量中心性评估指标;
步骤2.1.3、根据所述电力网节点的电气介数中心性评估指标和特征向量中心性评估指标,计算出所述各个电力网节点之间的电气中心性综合评估指标。
作为优化,步骤2.1.1中,所述电力网节点之间的节点电气介数Beb(n)为:
其中,G为发电节点集合;L为负荷节点集合;(i,j)为“发电-负荷”节点对;Wi为发电机节点i的权重,即取发电机额定容量或实际出力;Wj为负荷节点j的权重,即取实际或峰值负荷;Beb,ij(n)为(i,j)间加上单位注入电流源后在节点n上产生的电气介数,Beb,ij(n)具体为:
其中Iij(m,n)为在(i,j)间加上单位注入电流源后在线路m-n上引起的电流,m为所有与n有支路直接相连的节点;
对所述节点电气介数进行归一化处理得到电气介数中心性评估指标Ceb(n):
作为优化,步骤2.1.2中,所述电力网节点之间的特征向量中心性评估指标Ei为:
其中M(i)是直接与节点i相连的节点集合,n是电力网中总节点数,λ是一个常数,Wij表示直接与节点i相连的节点集合。
作为优化,步骤2.1.3中,所述电力网节点的电气中心性综合评估指标Cne(i)为:
Cne(i)=μCbe(i)+(1-μ)Ei;
其中,μ为电力网节点的电气中心性中电气介数中心性和特征向量中心性的权重的分配系数,i为电力网中的节点;μ的表达式为:
式中,avg(·)为平均值函数,var(·)为方差函数。
作为优化,步骤2.2中,构建所述智能电网控制***的节点重要度的脆弱性控制链路辨识方法的具体方法如下:
步骤2.2.1、构建所述信息网中各个节点之间的有效信息长度指标;
步骤2.2.2、根据所述有效信息长度指标,构建所述信息网中各节点之间有效信息长度的接近中心性指标。
作为优化,所述有效信息长度指标Dpq为节点p指向节点q的最小有效路径之和,所述最小有效路径为节点p指向节点q的所有路径中,经过的边的有效长度之和为最小的路径,所述有效长度dpq为:
dpq=1-lnRpq;
其中dpq为节点p到节点q的边的有效长度,Fp为从节点p流出的所有信息流之和,H为节点p到节点h的集合,Fpq为从节点p流向节点q的信息流,主要用表示全局流动性网络的传播流量,Rpq为从节点p流向节点q的信息流比例,取值范围为[0,1];
所述有效信息长度的接近中心性指标Ceff(p)为:
其中Ceff(p)是所求信息网节点p的有效信息长度的接近中心性指标,V是信息网中节点的集合,Dpq是信息网节点p到信息网节点q的有效信息长度指标。
作为优化,所述综合风险度量指标为DLCC(Pi,Ci)为耦合链路中心性指标,其表达式为:
DLCC(Pi,Ci)=Cne(Pi)×Ceff(Ci);
其中,Cne(i)为节点i的电气中心性综合评估指标;Ceff(i)为节点i的有效信息长度的接近中心性指标。
作为优化,步骤4的具体实施步骤包括:
步骤4.1、计算所述网络模型中每个耦合链路的耦合链路中心性指标,然后根据所述耦合链路中心性指标对所述网络模型的所有耦合链路进行排序;
步骤4.2、将大于给定阈值的所述耦合链路中心性指标的耦合链路定义为关键脆弱性耦合链路;
步骤4.3、在所述网络模型中删除被定义为关键脆弱性耦合链路的耦合链路。
本发明与现有技术相比,具有如下的优点和有益效果:
(1)本发明基于的物理电网运行状态的节点中心性的脆弱点辨识方法,不仅考虑了电力网自身的拓扑结构特征,还有效结合了电力***潮流分布特性,使得到的脆弱性辨识指标更符合电力网的实际运行状态;
(2)本发明基于智能电网控制***中各节点(信息设备)重要性的有效信息长度脆弱性辨识指标,不仅考虑了信息网自身的网络特征,还有效结合了信息***中信息设备在信息流的控制和传输过程中所起的重要性,从而使得到的脆弱性辨识指标更符合信息网的实际运行状态;
(3)本发明基于信息流特征、能量流特征和耦合网络拓扑结构相结合的耦合链路脆弱性辨识指标,不仅综合考虑了信息网和电力网之间的交互特征,还结合了耦合网络自身结构特性,从而使得到的脆弱性辨识指标更符合智能电网的实际运行状态;
(4)本发明还基于在不破坏耦合网络完整性和功能性的情况下,采用去除关键脆弱性的耦合边策略,以最大限度地提升智能电网控制***鲁棒性,减少级联故障发生的概率。
附图说明
为了更清楚地说明本发明示例性实施方式的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对范围的限定,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相关的附图。在附图中:
图1为本发明所述的一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法的方法流程图;
图2为本发明所述的一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法的智能电网控制***的相依耦合网络模型的结构示意图。
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明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
本发明实施方式提供一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法,该方法由四部分组成:(1)根据实际情况建立智能电网控制***与一次电力***相依耦合网络模型;(2)依据物理电网电气约束特性和拓扑特性对智能电网控制***可观性和可控性影响,构建基于节点中心性的脆弱点辨识方法;(3)构建一种基于“物理域-信息域”综合风险度量指标,以便能***性或整体性地评估智能电网控制***固有脆弱性和扰动免疫力;(4)根据脆弱性辨识方法,准确找出对智能电网控制***客观性和可控性影响较大的控制***节点或耦合链路,然后将其删除并对智能电网控制***组网结构进行优化,已最大限度提升智能电网控制***的鲁棒性和连锁故障防控能力。
本发明提供的相依耦合作用下计及智能电网控制***与电力一次设备间脆弱性耦合链路辨识方法流程图如图1所示,包括:
步骤1、建立智能电网控制***与电力一次设备相依耦合的网络模型,所述网络模型包括电力网和信息网,所述电力网包括若干电力网节点,所述信息网包括若干信息网节点,且所述电力网节点和信息网节点一一对应。
采用“一一对应”的相依耦合模型即电力网节点与信息网节点是一一对应的关系,一个电力网节点为一个信息网节点提供电能供应,一个信息网节点为一个电力网节点提供控制功能。为简化分析,将电力网、信息网及其耦合边抽象为无权无向图G(GP,GC,EP-C)。其中GP=(Vp,Ep)表示为电力网(power grid)的抽象网络模型,GC=(VC,EC)表示为信息网(communication network)的抽象网络模型。EP-C表示信息网和电力网耦合边的集合。
步骤1.1:通常情况下,我们将电力网中的发电厂、变电站和负荷看作节点,电力线看作边。可将电力网抽象为网络图GP=(Vp,Ep),其中,VP={u1,u2,...,un}是电力网的节点集合,ui∈VP,(i=1,2...,n)表示电力网中的第i个节点,是电力网内部节点之间连接边集合。
步骤1.2:通常情况下,我们将信息网中的广域监测***(WAMS)、数据采集与监视控制(SCADA)***、相位量测装置(PMU)和调度中心看作节点,通信线看作边。可将信息网抽象为网络图GC=(VC,EC),其中,VC={v1,v2,...,vm}是信息网的节点集合,vi∈VC,(i=1,2…,m)表示信息网中的第i个节点,是信息网内部节点之间连接边集合。
步骤1.3:耦合边可以用来描述电力网与信息网间的相依耦合关系即电力网节点u的正常运行需要信息网节点v提供的数据采集、控制、计算等功能,信息网节点v的正常工作需要电力网节点u提供的电能供应。EP-C表示耦合边集合,表示为:EP-C={(u,v)|u∈VP,v∈VC}。若信息网中节点u与电力网中节点v相依耦合,则EP-C(u,v)=1,否则EP-C(u,v)=0。
步骤2、根据所述电力网的电气约束特性和拓扑特性对所述智能电网控制***的影响,构建基于节点中心性的脆弱点辨识方法,从而得出所述电力网中各节点之间的节点电气中心性指标、所述信息网中各节点之间的有效信息长度的接近中心性指标。
本实施例中,步骤2中,构建基于节点中心性的脆弱点辨识方法的具体方法如下:
步骤2.1、在所述电力网中,构建所述电力一次设备基于潮流分布特性和结构特性的脆弱性输电链路辨识方法。
构建智能电网脆弱性辨识指标的目的是识别出容易出现故障的节点或边,可减少停电事故的发生概率,提高智能电网运行的稳定性。在物理电力网脆弱性辨识的研究中,已有许多评估策略,例如:文献[韩平平.加权拓扑模型下的小世界电网脆弱性辨识[J].中国电机工程学报,2008]中基于线路电抗的加权电网拓扑模型,提出一种加权电网平均距离的算法,并采用随机攻击和基于节点度数、介数的蓄意攻击方式,能较好地识别加权电力网中的脆弱节点,且考虑了节点容量的影响。但现有的加权模型大多假设母线间功率只按最短路径流动,并在计算介数时忽略了其他可能传输路径的作用。由于该假设与电力***潮流实际分布特征不相符合,所以计算结果与实际相差较大。因此,如何在已有模型基础上构建符合电力***潮流分布的脆弱性辨识方法是一个急需解决的问题。
针对上述问题,本发明首先从全局性节点重要度评估出发,计算物理电网节点的电气介数中心性评估指标,然后从局部性节点重要度评估出发,计算电力网节点特征向量中心性评估指标,最后将全局性与局部性相结合,计算电力网节点电气中心性综合评估指标。
具体方法如下:
步骤2.1.1、对电力一次设备的全局性节点的重要度进行评估,计算出各个所述电力网节点之间的电气介数中心性评估指标;
在电力网潮流分布特性中,潮流不仅只沿着母线间阻抗最小的路径传播,还会沿所有可能的路径传播的物理事实,所以用最初的介数指标来衡量节点在智能电网控制***结构中的主要程度明显是不合理的。为能真实的反映出各节点在全网功率传播中所起的作用及其故障对CPPS***的影响,并且使物理背景更符合电力***的实际情况,本发明提出了节点电气介数中心性的指标,该指标能够体现出“发电-负荷”节点对之间功率传输对各条支路的占用情况,并考虑不同节点发电容量和负荷水平的影响。
节点n的节点电气介数(electric betweenness)Beb(n)为:
其中,G为发电节点集合;L为负荷节点集合;(i,j)为“发电-负荷”节点对;Wi为发电机节点i的权重,即取发电机额定容量或实际出力;Wj为负荷节点j的权重,即取实际或峰值负荷;Beb,ij(n)为(i,j)间加上单位注入电流源后在节点n上产生的电气介数,Beb,ij(n)具体为:
其中Iij(m,n)为在(i,j)间加上单位注入电流源后在线路m-n上引起的电流,m为所有与n有支路直接相连的节点。公式(5-2)中的第一个式子之所以除以2,是因为对无注入电流节点其流入电流和流出电流大小相等方向相反。第二个式子则说明对有单位注入电流的节点流过其的电流恰好为1。公式(5-2)相当于求出在“发电-负荷”节点对(i,j)间注入电流源后节点n上通过电流的大小,即反映了(i,j)间功率传输对节点n的占用情况。公式(5-1)则是对电力网所有的“发电-负荷”节点进行了加权求和。所有电力网节点电气介数能够较好的反映出全网不同母线间功率传输对各节点的占用情况,同时也量化了电力网各节点在全网功率传输中的地位,比假设潮流只沿母线间阻抗最小流动的加权介数流动方式更符合电力***实际。
节点电气介数,无法用于不同网络间的比较,需要进行归一化处理,对所述节点电气介数进行归一化处理得到电气介数中心性评估指标Ceb(n):
步骤2.1.2、对电力一次设备的局部性节点的重要度进行评估,计算出各个所述电力网节点之间的特征向量中心性评估指标;
在电力网的拓扑结构中,特征向量中心性评估指标综合考虑了与评估节点相连的节点的数量以及这些节点的重要性,认为某个节点的中心性与其相邻节节点的中心性有关,节点i的特征向量中心性评估指标Ei表达式为:
其中M(i)是直接与节点i相连的节点集合,n是电力网中总节点数,λ是一个常数,Wij表示直接与节点i相连的节点集合。
步骤2.1.3、根据所述电力网节点的电气介数中心性评估指标和特征向量中心性评估指标,计算出所述各个电力网节点之间的电气中心性综合评估指标。
通过将电气介数中心性和特征向量中心性相结合,即将电力网的结构特性与潮流分布相结合,得到节点电气中心性的指标,它不仅能够反映各节点在全网功率传播中的占有率,而且也表明了节点在拓扑结构中的重要性。
所述电力网节点中节点i的电气中心性综合评估指标Cne(i)为:
Cne(i)=μCbe(i)+(1-μ)Ei; (5-5)
其中,μ为电气中心性中两个指标(电力网节点的电气中心性中电气介数中心性和特征向量中心性)的权重的分配系数;进一步表明了节点显著性分析中电气特性和拓扑特性的权重,μ的值是通过这两个指标的统计特性计算得到的,μ的表达式为:
式(5-6)中,avg(·)为平均值函数,var(·)为方差函数。
综上,本发明定义了如何在电力网中基于潮流分布特性和结构特性的链路脆弱性辨识方法,上述的电气中心性综合评估指标越大,则表明该链路在电力网中越重要即脆弱性越高。
步骤2.2、在所述信息网中,构建所述智能电网控制***的节点重要度的脆弱性控制链路辨识方法。
信息网是保证智能电网可观性和可控性的基础,调度中心通过远程终端单元(Remote Terminal Unit,RTU)等获取电力一次***信息,经过态势感知得到电力一次***运行状态,进行电网优化调度,并将决策信息反馈到电力一次***,实现“闭环控制”。若信息网受损,出现孤立信息节点,造成调度中心与孤立节点通信中断,信息可达性降低,影响信息***监视与控制功能的实现。同时,信息网受损也将导致调度中心无法获取对应电力节点的运行信息,***可观性降低。另外,信息网受损导致调度指令无法传送至相关节点,***可控性降低。因此,信息网链路脆弱性辨识对智能电网安全运行具有重要的意义。
在传统的信息网链路脆弱性度量方法的研究中,大都是基于复杂网络的统计特性进行评估,例如:有的学者利用节点度数指标从纯拓扑角度,用节点连接度评价节点的局部重要性,但未考虑信息网功能属性的影响。信息节点是信息物理交互作用点和实现监控功能的载体,信息节点的耦合对象不同,其对电力网的局部功能影响力不同,以信息节点的耦合资源来度量节点的局部功能重要性。有的学者利用介数指标从纯拓扑角度分析信息网络中链路脆弱性,但是未考虑信息网实际特点。信息网具有典型的垂直传输特性,监测信息由电力节点处采集,经信息网上传至调度中心处理,调度中心生成控制指令,经信息网下发到电力节点处执行。因此,从信息网的调度与控制过程可以看出,不同的信息设备在网络中具有不同的重要程度。鉴于此,本发明综合考虑结构特性和信息设备功能属性,提出了一种考虑有效信息长度接近中心性的信息设备重要度评估方法。克服了单一指标的片面性,并为优化耦合网络结构奠定了基础。
为了有效地评估CPPS***中重要的信息设备,为后续的连锁故障风险控制打下基础,本发明提出了一种考虑有效信息长度接近中心性的信息设备重要度评估方法。计算信息***拓扑图中各个节点的有效信息长度接近中心性,以此从能量损失角度评估信息***设备重要性,从而识别信息***薄弱节点。
具体方法如下:
步骤2.2.1、构建所述智能电网控制***信息网中各个节点之间的有效信息长度指标。
为了准确分析信息***运行状态,即信息设备在信息网中承担的重要性,解决直观的地理位置距离和最短路径边数,无法有效衡量出信息网节点之间固有特征,本发明分别从信息网结构和信息网设备功能角度展开。信息网设备功能重要性取决于信息节点与调度中心的有效长度,因此,本发明采用有效信息长度接近中心性方法来评估脆弱性节点,设节点p到节点q之间存在连接边,则表达式为:
dpq=1-lnRpq;(5-7)
其中dpq为节点p到节点q的边的有效长度,Fp为从节点p流出的所有信息流之和,H为节点p到节点h的集合,Fpq为从节点p流向节点q的信息流,主要用表示全局流动性网络的传播流量。Rpq为从节点p流向节点q的信息流比例,取值范围为[0,1]。
在信息网中,从任意的节点p指向节点q的所有路径中,经过的边的有效长度之和最小的路径称为最小有效路径,则最小有效路径经过的边的有效长度之和称为节点p到节点q的有效信息长度Dpq。若在加权网络中,Fpq即为边的权重。由于权重系数及拓扑结构的原因,节点p到节点q的有效信息长度与节点q到节点p的有效信息长度经常是不相等的,即Dpq≠Dqp。
步骤2.2.2、根据所述有效信息长度指标,构建所述智能电网控制***信息网中各节点之间有效信息长度的接近中心性指标。
复杂网络中的接近中心性为节点与网络中其它所有节点的最短距离之和的倒数,即一个节点与其它节点的平均距离越小,则该节点的接近中心性就越大。但是接近中心性在有单向边的有向网络中,由于其它节点到具有单向边的节点的距离是无穷大,这就会导致所有节点各自的距离之和都为无穷大,从而使得所有节点的接近中心性都为0。因此针对上述问题本发明采用基于有效信息长度的接近中心性指标,由于它是利用自身节点的流入流量和邻居节点的总流出流量来获得的,因此它比其它一般中心性更好的承载了节点邻居的信息。它不但考虑了网络全局的结构,还考虑了周围邻居的局部信息。
所述有效信息长度的接近中心性指标Ceff(p)为:
其中Ceff(p)是所求信息网节点p的有效信息长度的接近中心性指标,V是信息网中节点的集合,Dpq是信息网节点p到信息网节点q的有效信息长度指标。
综上,基于有效信息长度的接近中心性指标实际上综合了计算节点流出的信息流、相邻节点总的信息流和网络结构三部分内容,因此,能够更好的综合反映信息网整体特性和计算节点局部特性。当计算得到的信息网节点的有效信息长度中心性指标越大,则表明该信息网节点在信息网中越关键。
步骤3、根据所述节点电气中心性指标和有效信息长度的接近中心性指标构建物理域和信息域的综合脆弱性评估模型,计算出基于电力网-信息网的综合风险度量指标DLCC(Pi,Ci)。
耦合网络脆弱性分析一直是智能电网领域的研究热点之一,然而传统研究常将信息***和电力***割裂开来,分别对其脆弱性分析,未考虑两者的相依耦合关系(电力网为信息网提供电力供应,信息网对电力网进行监视与控制)。与此同时,耦合链路的存在会加剧级联故障的规模,不同属性的耦合链路也会导致不同严重程度的级联故障,耦合链路的脆弱性与两端的耦合节点密切相关。
然而,在信息网和电力网相依耦合的智能电网中,耦合链路的存在会加剧级联故障的规模,不同属性的耦合链路也会导致不同严重程度的级联故障。耦合链路的脆弱性与两端的耦合节点密切相关。在图论和网络分析中,节点中心性是节点在网络中重要性的指标,反映了这些节点在网络中的作用和影响。
本发明从整体视角出发综合考虑信息物理之间的耦合网络的结构特性,基于网络节点的中心性,提出了一种计及信息流特征、能量流特征和耦合网络拓扑结构相综合的耦合链路脆弱性辨识方法,即耦合链路中心性指标(dependency link centrality index,DLC),该耦合链路中心性指标用来衡量耦合链路脆弱性。其表达式为:
其中Pi和Ci分别为电力网P和信息网C中的第i个节点,和/>分别为电力节点Pi和信息节点Ci的中心性。
在步骤2.2.1和步骤2.2.2中分别根据网络的实际情况求出电力网中节点电气中心性Cne(i)和信息网中基于有效信息长度的接近中心性Ceff(i),将其代入公式(5-11)可得,相依耦合网络中耦合链路中心性指标,其表达式为:
DLCC(Pi,Ci)=Cne(Pi)×Ceff(Ci) (5-12)
通常情况下,节点的中心性值越高表明该节点在网络中的影响较大,即它在网络故障传播和资源分配中起着重要的作用。公式(5-12)中表明了电力网中的高中心性节点和信息网中高中心性节点相互依赖,由于耦合网络的相互依赖特性,当其中一个高中心性节点发生故障时,另一个耦合的高中心性节点将被破坏,从而导致更严重的级联故障。从这个角度来看,两端具有高中心性节点的依赖链接导致耦合网络的鲁棒性较差。而当耦合网络出现级联故障时,由于关键脆弱耦合链路的脆弱性,将导致网络大规模级联故障甚至完全崩溃。
步骤4、设计增强智能电网鲁棒性的脆弱性耦合链路移除策略:计算所述综合风险度量指标DLCC(Pi,Ci),并根据所述综合风险度量指标DLCC(Pi,Ci)找出所述电力网-信息网的关键脆弱性耦合链路并移除。
在信息网和电力网相依耦合的智能电网中,当电力网中的一个节点出现故障停止运行时,由于相互依赖关系,则对应的信息网中的节点也将不能正常工作,反之亦然。针对上述问题,有的学者采用随机删除大量的耦合链路策略,从而使耦合网络的结构得到提升,但是这样破坏了网络的完整性和整体功能。本发明采用删除少量的关键的脆弱性耦合连接方法,不仅保证了网络的完整性,还提高了网络结构的鲁棒性。首先利用公式(5-12)中的关键脆弱性耦合指标进行计算得到的耦合链路的DLC指标值,因此,可以找到CPPS耦合网络中关键脆弱性耦合链路。
具体步骤为:
步骤4.1、计算所述网络模型(耦合网络)中每个耦合链路的耦合链路中心性指标(DLC值),然后根据所述耦合链路中心性指标(DLC值)对所述网络模型的所有耦合链路进行排序;
步骤4.2、将大于给定阈值的所述耦合链路中心性指标的耦合链路定义为关键脆弱性耦合链路;阈值可以根据实际情况来定,
步骤4.3、在所述网络模型中删除被定义为关键脆弱性耦合链路的耦合链路。
如果不同耦合链路的多个DLC值最大或相同,则可以任意排序。因此,耦合链路在根据DLC值降序排列的列表中具有不同的排名位置。删除关键脆弱耦合链路时,可以根据排名位置和比例从高到低进行删除,即通过排名位置和比例,大于给定阈值的进行删除。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (4)
1.一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法,其特征在于,包括如下步骤:
步骤1、建立智能电网控制***与电力一次设备相依耦合的网络模型,所述网络模型包括电力网和信息网,所述电力网包括若干电力网节点,所述信息网包括若干信息网节点,且所述电力网节点和信息网节点一一对应;
步骤2、根据所述电力网的电气约束特性和拓扑特性对所述智能电网控制***的影响,构建基于节点中心性的脆弱点辨识方法,从而得出所述电力网中各节点之间的节点电气中心性指标、所述信息网中各节点之间的有效信息长度的接近中心性指标;
构建基于节点中心性的脆弱点辨识方法的具体方法如下:
步骤2.1、在所述电力网中,构建所述电力一次设备潮流分布特性和结构特性的脆弱性输电链路辨识方法;
具体步骤如下:
步骤2.1.1、对电力一次设备的全局性节点的重要度进行评估,计算出各个所述电力网节点之间的电气介数中心性评估指标;
所述电力网节点之间的节点电气介数Beb(n)为:
其中,G为发电节点集合;L为负荷节点集合;(i,j)为“发电-负荷”节点对;Wi为发电机节点i的权重,即取发电机额定容量或实际出力;Wj为负荷节点j的权重,即取实际或峰值负荷;Beb,ij(n)为(i,j)间加上单位注入电流源后在节点n上产生的电气介数,Beb,ij(n)具体为:
其中Iij(m,n)为在(i,j)间加上单位注入电流源后在线路m-n上引起的电流,m为所有与n有支路直接相连的节点;
对所述节点电气介数进行归一化处理得到电气介数中心性评估指标Ceb(n):
步骤2.1.2、对电力一次设备的局部性节点的重要度进行评估,计算出各个所述电力网节点之间的特征向量中心性评估指标;
所述电力网节点之间的特征向量中心性评估指标Ei为:
其中M(i)是直接与节点i相连的节点集合,n是电力网中总节点数,λ是一个常数,Wij表示直接与节点i相连的节点集合,ej表示与节点i相连的节点j的特征向量中心性评估指标;
步骤2.1.3、根据所述电力网节点的电气介数中心性评估指标和特征向量中心性评估指标,计算出所述各个电力网节点之间的电气中心性综合评估指标;
所述电力网节点的电气中心性综合评估指标Cne(i)为:
Cne(i)=μCbe(i)+(1-μ)Ei;
其中,μ为电力网节点的电气中心性中电气介数中心性和特征向量中心性的权重的分配系数,i为电力网中的节点;μ的表达式为:
式中,avg(·)为平均值函数,var(·)为方差函数;
步骤2.2、在所述信息网中,构建所述智能电网控制***的节点重要度的脆弱性控制链路辨识方法得到所述信息网中各节点之间的有效信息长度的接近中心性指标;
所述有效信息长度的接近中心性指标Ceff(p)为:
其中Ceff(p)是所求信息网节点p的有效信息长度的接近中心性指标,V是信息网中节点的集合,Dpq是信息网节点p到信息网节点q的有效信息长度指标;
步骤3、根据所述节点电气中心性指标和有效信息长度的接近中心性指标构建物理域和信息域的综合脆弱性评估模型,计算出基于电力网-信息网的综合风险度量指标DLCC(Pi,Ci);所述综合风险度量指标为DLCC(Pi,Ci)为耦合链路中心性指标,其表达式为:
DLCC(Pi,Ci)=Cne(Pi)×Ceff(Ci);
其中,Cne(i)为节点i的电气中心性综合评估指标;Ceff(i)为节点i的有效信息长度的接近中心性指标;
步骤4、计算所述综合风险度量指标DLCC(Pi,Ci),并根据所述综合风险度量指标DLCC(Pi,Ci)找出所述电力网-信息网的关键脆弱性耦合链路并移除。
2.根据权利要求1所述的一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法,其特征在于,步骤2.2中,构建所述智能电网控制***的节点重要度的脆弱性控制链路辨识方法的具体方法如下:
步骤2.2.1、构建所述信息网中各个节点之间的有效信息长度指标;
步骤2.2.2、根据所述有效信息长度指标,构建所述信息网中各节点之间有效信息长度的接近中心性指标。
3.根据权利要求2所述的一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法,其特征在于,所述有效信息长度指标Dpq为节点p指向节点q的最小有效路径之和,所述最小有效路径为节点p指向节点q的所有路径中,经过的边的有效长度之和为最小的路径,所述有效长度dpq为:
dpq=1-lnRpq;
其中dpq为节点p到节点q的边的有效长度,Fp为从节点p流出的所有信息流之和,H为节点p到节点h的集合,Fpq为从节点p流向节点q的信息流,主要用表示全局流动性网络的传播流量,Rpq为从节点p流向节点q的信息流比例,取值范围为[0,1]。
4.根据权利要求1所述的一种电网控制***与电力一次设备间脆弱性耦合链路辨识方法,其特征在于,步骤4的具体实施步骤包括:
步骤4.1、计算所述网络模型中每个耦合链路的耦合链路中心性指标,然后根据所述耦合链路中心性指标对所述网络模型的所有耦合链路进行排序;
步骤4.2、将大于给定阈值的所述耦合链路中心性指标的耦合链路定义为关键脆弱性耦合链路;
步骤4.3、在所述网络模型中删除被定义为关键脆弱性耦合链路的耦合链路。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332380.5A CN114124728B (zh) | 2021-11-11 | 2021-11-11 | 电网控制***与电力一次设备间脆弱性耦合链路识别方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111332380.5A CN114124728B (zh) | 2021-11-11 | 2021-11-11 | 电网控制***与电力一次设备间脆弱性耦合链路识别方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114124728A CN114124728A (zh) | 2022-03-01 |
CN114124728B true CN114124728B (zh) | 2024-06-25 |
Family
ID=80378285
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111332380.5A Active CN114124728B (zh) | 2021-11-11 | 2021-11-11 | 电网控制***与电力一次设备间脆弱性耦合链路识别方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114124728B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114598612B (zh) * | 2022-03-18 | 2022-12-06 | 西华大学 | 电力通信融合网络级联失效模型及节点脆弱性评估方法 |
CN115242429B (zh) * | 2022-06-09 | 2023-07-04 | 北京航空航天大学 | 一种基于耦合加权度偏差的指挥信息相依网络瓦解方法 |
CN115497012B (zh) * | 2022-10-28 | 2023-03-10 | 中国电子科技集团公司第五十四研究所 | 一种无人集群***目标融合拣选方法及装置 |
CN115829144B (zh) * | 2022-12-16 | 2023-07-07 | 华北电力大学 | 电网业务优化模型的建立方法及电子设备 |
CN116343487B (zh) * | 2023-05-19 | 2023-08-01 | 武汉理工大学 | 兼顾全局效率与局部错位的城市交通路网韧性评估方法 |
Family Cites Families (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10097240B2 (en) * | 2013-02-19 | 2018-10-09 | Astrolink International, Llc | System and method for inferring schematic and topological properties of an electrical distribution grid |
CN105389629A (zh) * | 2015-11-10 | 2016-03-09 | 国网四川省电力公司经济技术研究院 | 一种结合电网结构脆弱性的电网规划方法 |
CN107274110A (zh) * | 2017-07-06 | 2017-10-20 | 广东电网有限责任公司电力调度控制中心 | 在信息层网络影响下的电力网络脆弱性评估方法 |
CN107871216A (zh) * | 2017-12-20 | 2018-04-03 | 广东电网有限责任公司惠州供电局 | 一种配电网脆弱节点的识别方法 |
CN112615365B (zh) * | 2020-12-08 | 2022-04-19 | 国网四川省电力公司经济技术研究院 | 一种智能电网脆弱性关键点识别方法及装置 |
CN113344743B (zh) * | 2021-07-26 | 2022-05-17 | 国网四川省电力公司经济技术研究院 | 一种智能电网的故障危害指数计算与脆弱性评估方法 |
-
2021
- 2021-11-11 CN CN202111332380.5A patent/CN114124728B/zh active Active
Non-Patent Citations (2)
Title |
---|
基于复杂网络理论的大电网脆弱性研究综述;陈超洋等;《控制与决策》;全文 * |
基于效用风险熵的复杂电网连锁故障脆弱性辨识;丁明;过羿;张晶晶;;电力***自动化(第17期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN114124728A (zh) | 2022-03-01 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114124728B (zh) | 电网控制***与电力一次设备间脆弱性耦合链路识别方法 | |
WO2022134596A1 (zh) | 一种计及新能源影响的主动配电网脆弱节点辨识方法 | |
CN102368610B (zh) | 一种基于配电***安全域的评价方法 | |
CN110969347B (zh) | 一种输电网结构形态评估方法 | |
CN103607320B (zh) | 电力通信网抗毁性评价方法 | |
CN109145428A (zh) | 一种连锁故障模式下信息物理融合***脆弱性评估方法 | |
CN107769191A (zh) | 基于网络拓扑和潮流数据的关键输电断面自动识别方法 | |
CN105224760A (zh) | 一种基于风电场的vsc-hvdc并网***可靠性计算方法 | |
CN110350522B (zh) | 一种基于加权h指数的电力***脆弱线路辨识方法 | |
CN102570450B (zh) | 一种适用于复杂电网的静态可靠性评估方法 | |
CN106548265B (zh) | 一种基于连锁故障事故链搜索的输电网可靠性评估方法 | |
Mohammadi et al. | Synthetic benchmarks for power systems | |
CN115037054A (zh) | 基于三相自平衡、低压故障定位隔离的换相开关智能终端 | |
Su et al. | Identification of critical nodes for cascade faults of grids based on electrical PageRank | |
Tang et al. | Resilience enhancement of active distribution networks under extreme disaster scenarios: A comprehensive overview of fault location strategies | |
CN111369388B (zh) | 用于城市电网的对抗脆弱性评估方法及*** | |
CN111191867B (zh) | 电力***复杂网络的可靠性评估方法 | |
Zheng et al. | A real-time searching system for cascading failures based on small-world network | |
CN116667336A (zh) | 台区光伏配电网信息网络节点评估方法、***与电子设备 | |
Wang et al. | Vulnerability assessment method of electrical cyber–physical interdependent network considering node heterogeneity | |
Qi et al. | Vulnerability assessment based on operational reliability weighted and preventive planning | |
CN113270871A (zh) | 基于配电网n-1安全评估的柔性互联装置容量配置优化方法 | |
Zhou et al. | Construction of distribution network topology identification model based on voltage correlation coefficient | |
Luo et al. | Critical node identification of power wireless private communication network based on complex network | |
Wei et al. | Resilience Assessment Using Simulation System of Distribution Network under Extreme Weather |
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 |