CN114254818A - 一种基于风险评估模型的低压配电网连锁故障预警方法 - Google Patents

一种基于风险评估模型的低压配电网连锁故障预警方法 Download PDF

Info

Publication number
CN114254818A
CN114254818A CN202111502122.7A CN202111502122A CN114254818A CN 114254818 A CN114254818 A CN 114254818A CN 202111502122 A CN202111502122 A CN 202111502122A CN 114254818 A CN114254818 A CN 114254818A
Authority
CN
China
Prior art keywords
data
fault
distribution network
line
low
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.)
Pending
Application number
CN202111502122.7A
Other languages
English (en)
Inventor
周顺
刘继
曹康栖
孟亚宏
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Binhai County Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
State Grid Jiangsu Electric Power Co Ltd
Yancheng Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Original Assignee
Binhai County Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
State Grid Jiangsu Electric Power Co Ltd
Yancheng Power Supply Co of State Grid Jiangsu Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Binhai County Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd, State Grid Jiangsu Electric Power Co Ltd, Yancheng Power Supply Co of State Grid Jiangsu Electric Power Co Ltd filed Critical Binhai County Power Supply Branch Of State Grid Jiangsu Electric Power Co ltd
Priority to CN202111502122.7A priority Critical patent/CN114254818A/zh
Publication of CN114254818A publication Critical patent/CN114254818A/zh
Pending legal-status Critical Current

Links

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
    • G06F30/00—Computer-aided design [CAD]
    • G06F30/20—Design optimisation, verification or simulation
    • G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
    • 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
    • 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
    • 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

Landscapes

  • Business, Economics & Management (AREA)
  • Engineering & Computer Science (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • General Physics & Mathematics (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Evolutionary Computation (AREA)
  • Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Public Health (AREA)
  • Artificial Intelligence (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Medical Informatics (AREA)
  • Software Systems (AREA)
  • Computer Hardware Design (AREA)
  • Geometry (AREA)
  • General Engineering & Computer Science (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Remote Monitoring And Control Of Power-Distribution Networks (AREA)

Abstract

本发明公开了一种基于风险评估模型的低压配电网连锁故障预警方法，所述方法包括：数据采集及处理：对低压配电网的负荷数据、天气数据和故障数据进行采集，并对采集到的数据进行数据预处理；故障特征选择：采用改进的G‑ReliefF算法进行低压配电网故障特征的最优化选择；连锁故障搜索：根据线路停运模型和关键线路模型进行后续故障搜索，生成事故链并对其进行评价；故障预警：计算元件与线路的风险评估系数，通过风险评估系数确定故障发生概率，最终对故障进行综合风险评估，计算风险等级。本发明用于预测和掌握低压配电网的安全运行状态、发现潜在的危险及判断故障发展趋势，以提高故障预警的准确性，进而避免大面积停电的发生。

Description

一种基于风险评估模型的低压配电网连锁故障预警方法
技术领域
本发明属于低压配电网故障预警技术领域，涉及一种基于风险评估模型的低压配电网连锁故障预警方法。
背景技术
随着经济社会的快速发展，对低压配电网的供电可靠性提出了更为苛刻的要求。但随着电网的大规模互联，在提高***可靠性与经济性的同时，也使得电网的动态行为更加复杂，局部电网的某些故障也可能波及相邻区域电网，引发连锁故障，进而导致停电事故甚至是电网的崩渍。低压配电网的大面积停电事故几乎都是由连锁故障造成的，即***发生原发性故障后，潮流的大范围转移导致其他元件相继故障，***运行状态不断恶化，最后发生大停电事故。虽然连锁故障发生的概率较小，但是其给***带来的后果相当严重。针对低压配电网故障带来的风险，本发明提出了一种基于风险评估模型的低压配电网连锁故障预警方法，该方法可有效预警及监测天气因素带来的故障，并对低压配电网故障进行实时风险评估和安全预警，方便工作人员更加准确有效地了解低压配电网的实时安全运行水平。
发明内容
本发明的目的在于提供一种基于风险评估模型的低压配电网连锁故障预警方法，用于预测和掌握低压配电网的安全运行状态、发现潜在的危险及判断故障发展趋势，以提高故障预警的准确性，进而避免大面积停电的发生。
本发明具体为一种基于风险评估模型的低压配电网连锁故障预警方法，所述方法包括以下步骤：
步骤1、数据采集及处理：对低压配电网的负荷数据、天气数据和故障数据进行采集，并对采集到的数据进行数据预处理，数据预处理包括数据清洗、数据变换、数据集成和离群样本剔除；
步骤2、故障特征选择：采用改进的G-ReliefF算法进行低压配电网故障特征的最优化选择；
步骤3、连锁故障搜索：为了更好地搜索连锁故障，将线路开断设为初始故障，然后根据线路停运模型和关键线路模型进行后续故障搜索，最终生成事故链并对其进行评价；
步骤4、故障预警：低压配电网的风险评估模型计算元件与线路的风险评估系数，通过风险评估系数确定故障发生概率，最终对故障进行综合风险评估，计算风险等级。
进一步的，所述步骤1具体包括如下内容：
a.数据清洗：包含数据空缺值处理、数据异常值处理、数据重复值处理；数据空缺值处理是对原始数据中记录缺失和记录中的某个缺失字段缺失进行剔除或补充；数据异常值处理是根据原始数据的特点，制定相应的规则对偏差过大的数据进行剔除或替换；数据重复值处理是根据数据自身的特点，对重复的数据进行剔除；
b.数据变换：将原有的数据转换为易于分析和应用的形式，包含特征构造、数据分级及数据量化；
c.数据集成：进行数据统计，将数据合并到某个统一的数据库中，馈线故障风险预警所需数据来自于不同的配电信息管理***，需要对原始数据进行统计分析与合并；
d.离群样本剔除：经过前述预处理的原始数据中会包含异常的样本，与同一数据集中的绝大部分数据差异很大，这种数据称之为离群样本；采用基于统计的、基于邻近值或基于聚类的方法，加以识别和剔除。
进一步的，由于各特征变量的影响程度与其取值范围有密切关系，所有变量都预先按式(1)进行归一化处理：
Figure BDA0003402151290000021
其中，x为归一化前的数据，xmax、xmin分别为原始数据中同类数据的最大值和最小值。
进一步的，所述步骤2中采用改进的G-ReliefF算法进行低压配电网故障特征的最优化选择具体包括如下内容：
1)样本近邻的计算公式为
Figure BDA0003402151290000022
式中：特征A、B分别用n维数组表示，A＝{a1,a2,…,an}，B＝{b1,b2,…,bn}每个样本为n维空间的一个点；
2)样本特征差计算公式为
Figure BDA0003402151290000023
式中样本R1和样本R2在特征A上的差用diff(A,R1,R2)表示；
3)特征权重计算公式为
Figure BDA0003402151290000031
式中：diff(A,R1,Hj)代表样本R和Hj关于特征A的差异；Hj与Mj分别代表训练集中与样本R距离最近的同类样本与不同类样本；m代表抽样次数；K代表近邻样本数；P(C)是第C类样本数占样本总数的比例；
4)配电网主要故障特征矩阵
Figure BDA0003402151290000032
配电网主要故障特征种类为m*，每个评价对象包含的评价指标个数为n；特征矩阵中选择XTm*作为“参考序列”，剩余特征分别作为“比较序列”；
5)关联相关系数
第k时刻比较序列XTi与参考序列XTo的相对差值作为XTi对XTo在k时刻的关联相关系数，记为
Figure BDA0003402151290000033
式中：Δ0i(min)＝min(i)min(k)|XTo(k)-XTi(k)|称为两级最小差，即XTo与所有XTi的最小绝对差值中再选出一个最小的差值；Δ0i(max)＝max(i)max(k)|XTo(k)-XTi(k)|称为两级最大差，即XTo与所有XTi的最大绝对差值中再选出一个最大的差值；|XTo(k)-XTi(k)|＝Δ0i(k)称为参考序列与比较序列在第k时刻的绝对差值；P为分辨系数，主观上体现研究者对Δ0i(max)的重视程度，在客观上反映***各个因子对关联度的间接影响程度；
6)故障特征评价指标
综合考虑特征的重要性与冗余性，定义如下的特征评价指标：
L＝Wfi-tρij (7)
其中，Wfi∈[0,1]为归一化后的Relief权重，该值越大，表示该特征与配电网故障之间的关系越密切；ρi,j∈[0,1]为序列之间的相关性指标，ρi,j的值越大，表示特征fi与已选特征集s中的特征越冗余；t为相关性指标所占的惩罚因子，当t的值较大时，相当于加重了由相关系数描述的冗余性的惩罚力度，使冗余度越小的特征综合权重越大，越容易被选中。
进一步的，所述步骤3中连锁故障事故链搜索的具体实现步骤如下：
1)对研究***内的线路从1开始编号，如1、2、3、....，总数为N；令n＝1，并开断该线路；
2)判断***是否解列，若解列，则转入3)进行孤岛处理，否则转入4)；
3)对每个满足条件的孤岛重选平衡机；
4)进行常规潮流计算并判断收敛性，若不收敛则转入5)，否则转入6)；
5)对不收敛的***进行甩负荷操作，从最低电压负荷节点集合甩起，每甩一个集合后都进行一次常规潮流计算，若不收敛则甩次低电压负荷节点集合直至收敛为止；
6)展开后续故障搜索，若有新故障，则转入2)，否则转入7)；
7)保存潮流数据，进行评价指标计算；
8)生成一条事故链；
9)令n＝n+1，若n>N，则整个***的连锁故障事故链搜索过程结束，否则开断第n条线路，然后转入2)，进行下一条事故链搜索。
进一步的，所述步骤3中后续故障搜索的流程可分为如下步骤：
1)设第j层为待开断层，根据潮流结果，对***中的剩余线路分别求取线路停运概率p，并将p>ph的线路确定为待开断线路集合，其中，ph为线路开断概率阈值；
2)对待开断线路集合内的线路进行编号，如1、2、3、总数为K，若K>0，则令k＝1，并进入3)，否则转入7)；
3)根据关键线路搜索的数学模型，求该线路的有向电气边介数值B(k)，根据线路停运模型，求该线路的开断风险值R(k,j)；
4)令k＝k+1，若k>K，则进入5)，否则转入3)；
5)对待开断线路集合内的所有线路，分别求解各个线路的开断风险值R(k,j)；
6)选取Tmax(k,j)，以确定下一层开断线路；
7)搜索结束。
进一步的，所述步骤4具体包括如下内容：
将步骤3中搜索到的故障作为风险评估模型的输入量Xi，确定风险评估系数，风险评估系数还需考虑雷击、外力、鸟害、设备、台风原因，风险评估系数公式如下所示：
Figure BDA0003402151290000051
式中，λi为低压配电网的停运率，ND为对应该类别设备总数，NGWR为大风大雨(雷击)引致的此类设备故障停电次数，NGS为线路老化程度；
λi＝λthunderi+λwindi+λdevicei+λbirdi+λforcei+λbase (9)
式中，λthunderi为雷电引起的输配电线停运率；λdevicei为输电设备引起的输配电线停运率；λwindi为台风(大风)引起的输配电线停运率；λbirdi为鸟害引起的输配电线停运率；λforcei为外力引起的输配电线停运率；λbase为其他输配电线的输配基础停运率。
通过风险评估系数确定故障发生概率，公式如下所示：
Figure BDA0003402151290000052
PTH为自然气象引发的故障概率；PS为人为因素导致施工破坏引发的故障概率；TCi为连续故障阶段最短的故障间隔时间；Ni为发生连锁故障时两元件的最短路径长度；TDi为连锁故障阶段的持续时间；
对故障进行综合风险评估需在进行风险评估前得到一个能够覆盖所有危险点的故障集，使得风险评估的结果具有实用性；故障集的生成需对电网进行拓扑分析，通过对电网分区确定故障的影响域；在影响域中，通过建立电气节点支路连通图，确定故障集Ui，故障集用矩阵进行表示，即
Figure BDA0003402151290000053
式中，vijk(i＝1,2,…,m；j＝1,2,…,n；k＝1,2,…,p)为Ui的第j个支路中第k个节点的故障。
获得的综合评价集为
S＝ωUi＝(s1,s2,…,sp) (12)
式中，ω为发生连锁故障的权重因子，sk(1,2,…,p)为综合考虑所有因素时故障在支路中的隶属度；
最终得到综合风险评估的严重程度N，公式如下所示：
Figure BDA0003402151290000061
进一步的，根据综合风险评估的严重程度N将故障分为五个等级：忽略、考虑、严重、很严重、灾难性。
本发明的有益效果是：
(1)本发明采用了改进的G-ReliefF算法进行低压配电网故障特征的最优化选择，通过计算故障特征评价指标可以对低压配电网面临的不确定性因素，给出可能性与严重性的综合量度，可以比较全面地反映故障对低压配电网的影响，提高了低压配电网连锁故障预警效率，改进了ReliefF算法不能有效剔除冗余的特点。
(2)本发明通过连锁故障搜索通过后续故障搜索继续可对连续参数、不确定因素以及多重故障进行处理，节省了大量时间，且适合在线应用。
(3)本发明采用基于风险评估模型的低压配电网连锁故障预警方法，该方法通过对低压配电网进行分区有利于减小每次故障后果分析的计算规模，也能够有效过滤大量的预想开断后果可以近似线性叠加的故障，快速得到安全的故障集。该方法能够实现低压配电网故障的实时预警，更加准确有效地反映低压配电网的实时安全运行水平。
附图说明
图1为本发明一种基于风险评估模型的低压配电网连锁故障预警方法的流程图。
图2为本发明连锁故障事故链搜索流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本申请的保护范围。
如图1所示，本发明的通过采用如下方法进行实现，包括：
步骤1：数据采集及处理
对低压配电网的负荷数据、天气数据和故障数据进行采集，并对采集到的数据进行数据预处理，数据预处理包括数据清洗、数据变换、数据集成和离群样本剔除4个步骤。
a.数据清洗：包含数据空缺值处理、数据异常值处理、数据重复值处理。数据空缺值处理主要是对原始数据中记录缺失和记录中的某个缺失字段缺失进行剔除或补充；数据异常值处理是根据原始数据的特点，制定相应的规则对偏差过大的数据进行剔除或替换；数据重复值处理是根据数据自身的特点，对重复的数据进行剔除。
b.数据变换：将原有的数据转换为易于分析和应用的形式，主要内容包含特征构造、数据分级及数据量化等，如特征属性、天气数据的分级分析等。以月降水量为例，可将月降水量分成3个等级，同样地，月雷暴日数和月大风日数也分成3个等级。从数据分析的结果可知，低压配电网的故障情况与温度、降雨、大风和雷击等环境条件密切相关，且在一年四季中是随时间而变化的。
c.数据集成：进行数据统计，将数据合并到某个统一的数据库中，馈线故障风险预警所需数据来自于不同的配电信息管理***，因此需要对原始数据进行统计分析与合并。
d.离群样本剔除：经过前述预处理的原始数据中还可能包含异常的样本，与同一数据集中的绝大部分数据差异很大，这种数据称之为离群样本。可采用基于统计的、基于邻近值或基于聚类的方法，加以识别和剔除。
由于各特征变量的影响程度与其取值范围有密切关系，所以所有变量都预先按式(1)进行归一化处理。
Figure BDA0003402151290000071
其中，x为归一化前的数据，xmax、xmin分别为原始数据中同类数据的最大值和最小值。
步骤2：故障特征选择
本发明采用了改进的G-ReliefF算法进行低压配电网故障特征的最优化选择，具体步骤如下所示：
1)样本近邻的计算公式为
Figure BDA0003402151290000072
式中：特征A、B分别用n维数组表示，A＝{a1,a2,…,an}，B＝{b1,b2,…,bn}每个样本为n维空间的一个点。
3)样本特征差计算公式为
Figure BDA0003402151290000081
式中样本R1和样本R2在特征A上的差用diff(A,R1,R2)表示。
3)特征权重计算公式为
Figure BDA0003402151290000082
式中：diff(A,R1,Hj)代表样本R和Hj关于特征A的差异；Hj与Mj分别代表训练集中与样本R距离最近的同类样本与不同类样本；m代表抽样次数；K代表近邻样本数；P(C)是第C类样本数占样本总数的比例
4)配电网主要故障特征矩阵。
Figure BDA0003402151290000083
配电网主要故障特征种类为m*，每个评价对象包含的评价指标个数为n；特征矩阵中选择XTm*作为“参考序列”，剩余特征分别作为“比较序列”。
6)关联相关系数。
第k时刻比较序列XTi与参考序列XTo的相对差值作为XTi对XTo在k时刻的关联相关系数，记为
Figure BDA0003402151290000084
式中：Δ0i(min)＝min(i)min(k)|XTo(k)-XTi(k)|称为两级最小差，即XTo与所有XTi的最小绝对差值中再选出一个最小的差值；Δ0i(max)＝max(i)max(k)|XTo(k)-XTi(k)|称为两级最大差，即XTo与所有XTi的最大绝对差值中再选出一个最大的差值；|XTo(k)-XTi(k)|＝Δ0i(k)称为参考序列与比较序列在第k时刻的绝对差值；P为分辨系数，主观上体现研究者对Δ0i(max)的重视程度，在客观上反映***各个因子对关联度的间接影响程度。
6)故障特征评价指标
综合考虑特征的重要性与冗余性，定义如下的特征评价指标：
L＝Wfi-tρij (7)
其中，Wfi∈[0,1]为归一化后的Relief权重，该值越大，表示该特征与配电网故障之间的关系越密切；ρi,j∈[0,1]为序列之间的相关性指标，ρi,j的值越大，表示特征fi与已选特征集s中的特征越冗余；t为相关性指标所占的惩罚因子，当t的值较大时，相当于加重了由相关系数描述的冗余性的惩罚力度，使冗余度越小的特征综合权重越大，越容易被选中。
步骤3：连锁故障搜索
为了更好得进行搜索连锁故障，本发明将线路开断设为初始故障，然后根据线路停运模型和关键线路模型进行后续故障搜索，最终生成事故链并对其进行评价的方式来开展整个连锁故障发生、发展过程的研究。连锁故障事故链搜索框架的流程如图2所示。
该框架的具体实现步骤如下：
1)对研究***内的线路从1开始编号，如1、2、3、....，总数为N。令n＝1,并开断该线路。
2)判断***是否解列，若解列，则转入3)进行孤岛处理，否则转入4)。
3)对每个满足条件的孤岛(既有负荷节点也有发电机节点)重选平衡机。
4)进行常规潮流计算并判断收敛性，若不收敛则转入5)，否则转入6)。
5)对不收敛的***进行甩负荷操作，从最低电压负荷节点集合甩起，每甩一个集合后都进行一次常规潮流计算，若不收敛则甩次低电压负荷节点集合直至收敛为止。
6)展开后续故障搜索，若有新故障，则转入2)，否则转入7)。
7)保存潮流数据，进行评价指标计算。
8)生成一条事故链。
9)令n＝n+1,若n>N,则整个***的连锁故障事故链搜索过程结束，否则开断第n条线路，然后转入2)，进行下一条事故链搜索。
根据以上流程，可对***内N条线路搜索出与之对应的N条连锁故障事故链。后续故障搜索的流程可分为如下7个步骤:
1)设第j层为待开断层。根据潮流结果，对***中的剩余线路分别求取线路停运概率p，并将p>ph的线路确定为待开断线路集合，其中，ph为线路开断概率阈值。
2)对待开断线路集合内的线路进行编号，如1、2、3、总数为K，若K>0,则令k＝1，并进入3)，否则转入7)。
3)根据关键线路搜索的数学模型，求该线路的有向电气边介数值B(k)，根据线路停运模型，求该线路的开断风险值R(k,j)。
4)令k＝k+1,若k>K,则进入5)，否则转入3)。
5)对待开断线路集合内的所有线路，分别由B(k)和R(k,j)求解各个线路的开断风险值R(k,j)。
6)选取Tmax(k,j),，以确定下一层开断线路。
7)搜索结束。
步骤4：故障预警
低压配电网的风险评估模型首先计算元件与线路的风险评估系数，通过风险评估系数确定故障发生概率，最终对故障进行综合风险评估，计算风险等级。
将步骤3中搜索到的故障作为风险评估模型的输入量Xi，确定风险评估系数，风险评估系数还需考虑雷击、外力(包括基建)、鸟害、设备、台风和其他原因，风险评估系数公式如下所示：
Figure BDA0003402151290000101
式中，λi为低压配电网的停运率，ND为对应该类别设备总数，NGWR为大风大雨(雷击)引致的此类设备故障停电次数，NGS为线路老化程度。
λi＝λthunderi+λwindi+λdevicei+λbirdi+λforcei+λbase (9)
式中，λthunderi为雷电引起的输配电线停运率；λdevicei为输电设备引起的输配电线停运率；λwindi为台风(大风)引起的输配电线停运率；λbirdi为鸟害引起的输配电线停运率；λforcei为外力引起的输配电线停运率；λbase为其他输配电线的输配基础停运率。
通过风险评估系数确定故障发生概率，公式如下所示：
Figure BDA0003402151290000102
PTH为自然气象引发的故障概率；PS为人为因素导致施工破坏引发的故障概率；TCi为连续故障阶段最短的故障间隔时间；Ni为发生连锁故障时两元件的最短路径长度；TDi为连锁故障阶段的持续时间。
对故障进行综合风险评估需在进行风险评估前得到一个可以覆盖所有危险点的故障集，使得风险评估的结果具有实用性。故障集的生成需对电网进行拓扑分析，通过对电网分区确定故障的影响域。在影响域中，通过建立电气节点支路连通图，确定故障集Ui，故障集用矩阵进行表示，即
Figure BDA0003402151290000111
式中，vijk(i＝1,2,…,m；j＝1,2,…,n；k＝1,2,…,p)为Ui的第j个支路中第k个节点的故障。
获得的综合评价集为
S＝ωUi＝(s1,s2,…,sp) (12)
式中，ω为发生连锁故障的权重因子，sk(1,2,…,p)为综合考虑所有因素时故障在支路中的隶属度。
最终得到综合风险评估的严重程度N，公式如下所示：
Figure BDA0003402151290000112
故障严重程度如下表所示：
Figure BDA0003402151290000113
故障预警方法主要通过风险评估模型进行故障预测，预测电力数据的变化趋势，实现故障监测、预警等。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (8)

1.一种基于风险评估模型的低压配电网连锁故障预警方法，其特征在于，所述方法包括以下步骤：
步骤1、数据采集及处理：对低压配电网的负荷数据、天气数据和故障数据进行采集，并对采集到的数据进行数据预处理，数据预处理包括数据清洗、数据变换、数据集成和离群样本剔除；
步骤2、故障特征选择：采用改进的G-ReliefF算法进行低压配电网故障特征的最优化选择；
步骤3、连锁故障搜索：为了更好地搜索连锁故障，将线路开断设为初始故障，然后根据线路停运模型和关键线路模型进行后续故障搜索，最终生成事故链并对其进行评价；
步骤4、故障预警：低压配电网的风险评估模型计算元件与线路的风险评估系数，通过风险评估系数确定故障发生概率，最终对故障进行综合风险评估，计算风险等级。
2.根据权利要求1所述的一种基于风险评估模型的低压配电网连锁故障预警方法，其特征在于，所述步骤1具体包括如下内容：
a.数据清洗：包含数据空缺值处理、数据异常值处理、数据重复值处理；数据空缺值处理是对原始数据中记录缺失和记录中的某个缺失字段缺失进行剔除或补充；数据异常值处理是根据原始数据的特点，制定相应的规则对偏差过大的数据进行剔除或替换；数据重复值处理是根据数据自身的特点，对重复的数据进行剔除；
b.数据变换：将原有的数据转换为易于分析和应用的形式，包含特征构造、数据分级及数据量化；
c.数据集成：进行数据统计，将数据合并到某个统一的数据库中，馈线故障风险预警所需数据来自于不同的配电信息管理***，需要对原始数据进行统计分析与合并；
d.离群样本剔除：经过前述预处理的原始数据中会包含异常的样本，与同一数据集中的绝大部分数据差异很大，这种数据称之为离群样本；采用基于统计的、基于邻近值或基于聚类的方法，加以识别和剔除。
3.根据权利要求2所述的一种基于风险评估模型的低压配电网连锁故障预警方法，其特征在于，由于各特征变量的影响程度与其取值范围有密切关系，所有变量都预先按式(1)进行归一化处理：
Figure FDA0003402151280000011
其中，x为归一化前的数据，xmax、xmin分别为原始数据中同类数据的最大值和最小值。
4.根据权利要求1所述的一种基于风险评估模型的低压配电网连锁故障预警方法，其特征在于，所述步骤2中采用改进的G-ReliefF算法进行低压配电网故障特征的最优化选择具体包括如下内容：
1)样本近邻的计算公式为
Figure FDA0003402151280000021
式中：特征A、B分别用n维数组表示，A＝{a1,a2,…,an}，B＝{b1,b2,…,bn}每个样本为n维空间的一个点；
2)样本特征差计算公式为
Figure FDA0003402151280000022
式中样本R1和样本R2在特征A上的差用diff(A,R1,R2)表示；
3)特征权重计算公式为
Figure FDA0003402151280000023
式中：diff(A,R1,Hj)代表样本R和Hj关于特征A的差异；Hj与Mj分别代表训练集中与样本R距离最近的同类样本与不同类样本；m代表抽样次数；K代表近邻样本数；P(C)是第C类样本数占样本总数的比例；
4)配电网主要故障特征矩阵
Figure FDA0003402151280000024
配电网主要故障特征种类为m*，每个评价对象包含的评价指标个数为n；特征矩阵中选择
Figure FDA0003402151280000025
作为“参考序列”，剩余特征分别作为“比较序列”；
5)关联相关系数
第k时刻比较序列XTi与参考序列XTo的相对差值作为XTi对XTo在k时刻的关联相关系数，记为
Figure FDA0003402151280000031
式中：Δ0i(min)＝min(i)min(k)|XTo(k)-XTi(k)|称为两级最小差，即XTo与所有XTi的最小绝对差值中再选出一个最小的差值；Δ0i(max)＝max(i)max(k)|XTo(k)-XTi(k)|称为两级最大差，即XTo与所有XTi的最大绝对差值中再选出一个最大的差值；|XTo(k)-XTi(k)|＝Δ0i(k)称为参考序列与比较序列在第k时刻的绝对差值；P为分辨系数，主观上体现研究者对Δ0i(max)的重视程度，在客观上反映***各个因子对关联度的间接影响程度；
6)故障特征评价指标
综合考虑特征的重要性与冗余性，定义如下的特征评价指标：
Figure FDA0003402151280000032
其中，
Figure FDA0003402151280000033
为归一化后的Relief权重，该值越大，表示该特征与配电网故障之间的关系越密切；ρi,j∈[0,1]为序列之间的相关性指标，ρi,j的值越大，表示特征fi与已选特征集s中的特征越冗余；t为相关性指标所占的惩罚因子，当t的值较大时，相当于加重了由相关系数描述的冗余性的惩罚力度，使冗余度越小的特征综合权重越大，越容易被选中。
5.根据权利要求1所述的一种基于风险评估模型的低压配电网连锁故障预警方法，其特征在于，所述步骤3中连锁故障事故链搜索的具体实现步骤如下：
1)对研究***内的线路从1开始编号，如1、2、3、....，总数为N；令n＝1，并开断该线路；
2)判断***是否解列，若解列，则转入3)进行孤岛处理，否则转入4)；
3)对每个满足条件的孤岛重选平衡机；
4)进行常规潮流计算并判断收敛性，若不收敛则转入5)，否则转入6)；
5)对不收敛的***进行甩负荷操作，从最低电压负荷节点集合甩起，每甩一个集合后都进行一次常规潮流计算，若不收敛则甩次低电压负荷节点集合直至收敛为止；
6)展开后续故障搜索，若有新故障，则转入2)，否则转入7)；
7)保存潮流数据，进行评价指标计算；
8)生成一条事故链；
9)令n＝n+1，若n>N，则整个***的连锁故障事故链搜索过程结束，否则开断第n条线路，然后转入2)，进行下一条事故链搜索。
6.根据权利要求5所述的一种基于风险评估模型的低压配电网连锁故障预警方法，其特征在于，所述步骤3中后续故障搜索的流程可分为如下步骤：
1)设第j层为待开断层，根据潮流结果，对***中的剩余线路分别求取线路停运概率p，并将p>ph的线路确定为待开断线路集合，其中，ph为线路开断概率阈值；
2)对待开断线路集合内的线路进行编号，如1、2、3、总数为K，若K>0，则令k＝1，并进入3)，否则转入7)；
3)根据关键线路搜索的数学模型，求该线路的有向电气边介数值B(k)，根据线路停运模型，求该线路的开断风险值R(k,j)；
4)令k＝k+1，若k>K，则进入5)，否则转入3)；
5)对待开断线路集合内的所有线路，分别求解各个线路的开断风险值R(k,j)；
6)选取Tmax(k,j)，以确定下一层开断线路；
7)搜索结束。
7.根据权利要求1所述的一种基于风险评估模型的低压配电网连锁故障预警方法，其特征在于，所述步骤4具体包括如下内容：
将步骤3中搜索到的故障作为风险评估模型的输入量Xi，确定风险评估系数，风险评估系数还需考虑雷击、外力、鸟害、设备、台风原因，风险评估系数公式如下所示：
Figure FDA0003402151280000041
式中，λi为低压配电网的停运率，ND为对应该类别设备总数，NGWR为大风大雨(雷击)引致的此类设备故障停电次数，NGS为线路老化程度；
λi＝λthunderi+λwindi+λdevicei+λbirdi+λforcei+λbase (9)
式中，λthunderi为雷电引起的输配电线停运率；λdevicei为输电设备引起的输配电线停运率；λwindi为台风(大风)引起的输配电线停运率；λbirdi为鸟害引起的输配电线停运率；λforcei为外力引起的输配电线停运率；λbase为其他输配电线的输配基础停运率。
通过风险评估系数确定故障发生概率，公式如下所示：
Figure FDA0003402151280000051
PTH为自然气象引发的故障概率；PS为人为因素导致施工破坏引发的故障概率；TCi为连续故障阶段最短的故障间隔时间；Ni为发生连锁故障时两元件的最短路径长度；TDi为连锁故障阶段的持续时间；
对故障进行综合风险评估需在进行风险评估前得到一个能够覆盖所有危险点的故障集，使得风险评估的结果具有实用性；故障集的生成需对电网进行拓扑分析，通过对电网分区确定故障的影响域；在影响域中，通过建立电气节点支路连通图，确定故障集Ui，故障集用矩阵进行表示，即
Figure FDA0003402151280000052
式中，vijk(i＝1,2,…,m；j＝1,2,…,n；k＝1,2,…,p)为Ui的第j个支路中第k个节点的故障。
获得的综合评价集为
S＝ωUi＝(s1,s2,…,sp) (12)
式中，ω为发生连锁故障的权重因子，sk(1,2,…,p)为综合考虑所有因素时故障在支路中的隶属度；
最终得到综合风险评估的严重程度N，公式如下所示：
Figure FDA0003402151280000053
8.根据权利要求7所述的一种基于风险评估模型的低压配电网连锁故障预警方法，其特征在于，根据综合风险评估的严重程度N将故障分为五个等级：忽略、考虑、严重、很严重、灾难性。
CN202111502122.7A 2021-12-09 2021-12-09 一种基于风险评估模型的低压配电网连锁故障预警方法 Pending CN114254818A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202111502122.7A CN114254818A (zh) 2021-12-09 2021-12-09 一种基于风险评估模型的低压配电网连锁故障预警方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202111502122.7A CN114254818A (zh) 2021-12-09 2021-12-09 一种基于风险评估模型的低压配电网连锁故障预警方法

Publications (1)

Publication Number Publication Date
CN114254818A true CN114254818A (zh) 2022-03-29

Family

ID=80794348

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202111502122.7A Pending CN114254818A (zh) 2021-12-09 2021-12-09 一种基于风险评估模型的低压配电网连锁故障预警方法

Country Status (1)

Country Link
CN (1) CN114254818A (zh)

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115268350A (zh) * 2022-09-27 2022-11-01 江苏永鼎股份有限公司 一种稳压变压器的故障预警方法及***
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***
CN116562693A (zh) * 2023-05-11 2023-08-08 华北电力大学 一种配电网可靠性评估方法及计算机设备
CN117350548A (zh) * 2023-12-04 2024-01-05 国网浙江省电力有限公司宁波供电公司 一种配电设备安全隐患排查方法
CN117424901A (zh) * 2023-10-13 2024-01-19 国网湖北省电力有限公司荆州供电公司 一种基于ims的核心网云化技术信息管理***

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633320A (zh) * 2017-08-17 2018-01-26 广东电网有限责任公司惠州供电局 一种基于气象预测和风险评估的电网线路重要度评估方法
CN109118098A (zh) * 2018-08-21 2019-01-01 山东大学 高比例风电并网的连锁故障风险评估方法及***
CN111144638A (zh) * 2019-12-24 2020-05-12 东南大学 一种基于大数据的配电网运行态势预测方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN107633320A (zh) * 2017-08-17 2018-01-26 广东电网有限责任公司惠州供电局 一种基于气象预测和风险评估的电网线路重要度评估方法
CN109118098A (zh) * 2018-08-21 2019-01-01 山东大学 高比例风电并网的连锁故障风险评估方法及***
CN111144638A (zh) * 2019-12-24 2020-05-12 东南大学 一种基于大数据的配电网运行态势预测方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
刘科研;吴心忠;石琛;贾东梨;: "基于数据挖掘的配电网故障风险预警", 电力自动化设备, no. 05, 4 May 2018 (2018-05-04) *
林文贵;刘民培;黄超艺;陈云;许舒冰;黄桂兰;: "有源中压配电网故障实时风险评估及安全预警", 电器与能效管理技术, no. 20, 30 October 2018 (2018-10-30) *

Cited By (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
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***
CN115268350A (zh) * 2022-09-27 2022-11-01 江苏永鼎股份有限公司 一种稳压变压器的故障预警方法及***
CN116562693A (zh) * 2023-05-11 2023-08-08 华北电力大学 一种配电网可靠性评估方法及计算机设备
CN116562693B (zh) * 2023-05-11 2024-02-06 华北电力大学 一种配电网可靠性评估方法及计算机设备
CN117424901A (zh) * 2023-10-13 2024-01-19 国网湖北省电力有限公司荆州供电公司 一种基于ims的核心网云化技术信息管理***
CN117350548A (zh) * 2023-12-04 2024-01-05 国网浙江省电力有限公司宁波供电公司 一种配电设备安全隐患排查方法
CN117350548B (zh) * 2023-12-04 2024-04-16 国网浙江省电力有限公司宁波供电公司 一种配电设备安全隐患排查方法

Similar Documents

Publication Publication Date Title
CN114254818A (zh) 一种基于风险评估模型的低压配电网连锁故障预警方法
CN111539550B (zh) 光伏阵列工作状态的确定方法、装置、设备及存储介质
CN106019084B (zh) 基于配用电数据关联的中压配电网断线故障诊断方法
CN110807550B (zh) 基于神经网络的配变重过载识别预警方法及终端设备
CN109858140B (zh) 一种基于信息熵离散型贝叶斯网络冷水机组故障诊断方法
CN107843816B (zh) 一种考虑负载率影响的变压器绝缘缺陷状态评估方法
CN109583520B (zh) 一种云模型与遗传算法优化支持向量机的状态评估方法
CN107831300B (zh) 一种基于三维梯形概率模糊集的变压器绝缘油劣化评估方法
CN112561251B (zh) 配电网异常点检测方法、装置、计算机设备及存储介质
CN112632148B (zh) 一种考虑极端气候条件下配电网元器件智能预警方法
CN110580492A (zh) 一种基于小幅波动检测的轨道电路故障前兆发现方法
CN112464439A (zh) 基于三层数据挖掘的电力***故障类型分析方法及装置
CN113191585A (zh) 一种输电线路的台风致灾风险评估方法
CN111999591B (zh) 一种配电网一次设备异常状态的识别方法
McGrail et al. Data mining techniques to assess the condition of high voltage electrical plant
CN116677570A (zh) 基于海上风电机组机舱温度监测的故障预警方法及***
CN110794254A (zh) 一种基于强化学习的配电网故障预测方法及***
Li et al. A line-fault cause analysis method for distribution network based on decision-making tree and machine learning
CN117200060A (zh) 基于新能源电厂的智能巡检方法及***
CN112016739A (zh) 故障检测方法、装置、电子设备及存储介质
CN106655181A (zh) 电网节点的优先级设置方法和***
CN115796832A (zh) 基于多维参量的变电设备健康状态综合评估方法
CN114265837A (zh) 一种站端交互数据特征提取方法
CN115224684A (zh) 基于免疫危险理论的智能配电网风险状态辨识方法及***
CN111489077A (zh) 一种用于电力通讯***的可靠性评估方法

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