CN115173413A - 一种基于新型电气介数的电网脆弱线路辨识方法 - Google Patents

Abstract

本发明提供了一种基于新型电气介数的电网脆弱线路辨识方法，包括将电网构建为网络图，依次移除所述网络图中的线路，对每条线路的新型电气介数从大到小进行排序；构建考虑过载和加权边的复杂网络级联失效非线性模型，对排序后的所述新型电气介数分别进行两种移除线路方式，分别是依次移除预设比例线路和依次移除全部线路，直至所述网络图中无新线路被移除；获取每次移除线路前后发电机‑负荷功率的变化，基于所述发电机‑负荷功率的变化评价电网故障的严重程度，完成电网脆弱线路辨识。本发明显著降低了计算成本，能较好的兼顾准确性和效率。

Description

一种基于新型电气介数的电网脆弱线路辨识方法

技术领域

本发明属于复杂网络领域，尤其涉及一种基于新型电气介数的电网脆弱线路辨识方法。

背景技术

随着大电网的互联程度不断增加，大停电事故愈发增多。2003年8月，美国加拿大发生了大面积停电。同年9月，意大利发生了电力/通信相依网络连锁大停电事故。根据事故起因分析，大停电事故是一般是由个别输电线跳线导致的，而其中大部分输送功率大和极少部分在电网拓扑中的特殊位置而对***产生重大影响的线路是电网发生级联失效的重要诱因。在这一过程中，电网中的脆弱线路往往在电网稳定性上起着关键性作用。因此，辨识电网脆弱线路对研究级联失效产生和传播具有重要的理论和现实意义。

传统电气介数为克服以往方法假设电气潮流只沿最短路径流动的不足，使用了所有路径算法来搜索电网中的“发电-负荷”节点对，虽能在一定程度上提高脆弱线路识别准确度，但所用时间成本过高，不宜用于节点数目偏大的***。已有模型引入了“连通性水平”或“失负荷百分比”指标来反映***故障后的破坏程度，连通性水平未考虑到解列后各子***内部功率的自我平衡能力，失负荷百分比忽视了破坏发电机对电网的损害程度，故有待加以补充。可见，如何在已有模型基础上建立兼顾准确性和效率的脆弱线路识别方法和符合物理背景的评价指标，是一个亟待解决的问题。

发明内容

为解决上述技术问题，本发明提出了一种基于新型电气介数的电网脆弱线路辨识方法，显著降低了计算成本，能较好的兼顾准确性和效率。

为实现上述目的，本发明提供了一种基于新型电气介数的电网脆弱线路辨识方法，包括：

将电网构建为网络图，依次移除所述网络图中的线路，对每条线路的新型电气介数从大到小进行排序；

构建考虑过载和加权边的复杂网络级联失效非线性模型，根据所述复杂网络级联失效非线性模型对排序后的所述新型电气介数分别进行两种移除线路方式，分别是依次移除预设比例线路和依次移除全部线路，直至所述网络图中无新线路被移除；其中，移除预设比例线路是测试在所述复杂网络级联失效非线性模型下，不同参数对新型电气介数线路辨识的影响，移除全部线路是测试在固定参数下的新型电气介数线路辨识效果；

获取每次移除线路前后发电机-负荷功率的变化，基于所述发电机-负荷功率的变化评价电网故障的严重程度，完成电网脆弱线路辨识。

可选地，对每条线路的新型电气介数进行排序包括：

获取所述网络图中全部线路的所述新型电气介数，将最大值的所述新型电气介数进行保存；

移除所述最大值的所述新型电气介数的线路，重新获取剩余线路的新型电气介数，将重新获取的新型电气介数的最大值进行保存，重复操作，直至所有线路被移除，最后，将保存下来的每条线路的新型电气介数从大到小进行排序。

可选地，根据排序后的所述新型电气介数进行依次移除预设比例线路包括：

每次只改变所述复杂网络级联失效非线性模型中的一个参数，其余参数不变，按照新型排序后的所述新型电气介数的大小排序，依次移除所述预设比例线路，其中，在每次移除一条线路后重复一次预设处理，直至所述预设比例线路全部被移除出所述网络图。

可选地，根据排序后的所述新型电气介数依次移除全部线路包括：

固定所述复杂网络级联失效非线性模型中的参数不变，按照排序后的所述新型电气介数排序，依次从大到小移除所述网络图中的线路，每次移除一条线路重复一次所述预设处理，直至所述网络图无线路。

可选地，所述预设处理包括：

依次将排序后的所述新型电气介数最大的线路从所述网络图中移除，模拟所述线路移除后所导致的级联故障，直至所述级联故障终止。

可选地，依次将所述新型电气介数最大的线路从网络中移除包括：

在所述复杂网络级联失效非线性模型上，将所述新型电气介数最大的线路从所述网络图中进行移除，根据预设邻边过载概率，判断此线路的邻边或次邻边是否过载或失效。

可选地，直至所述级联故障终止包括：

依次移除列表中最大的所述新型电气介数的线路，每当所述线路被移除后，则根据预设公式进行线路失效或过载，直至所述网络图中无线路失效，则对应的移除列表中新型电气介数最大的线路所造成的级联故障停止。

可选地，所述预设公式为：

其中，P_o为邻边过载概率，P_o′为次邻边过载概率，p_im为失效边缘e_im的分布，p_mk为失效边缘e_mk的分布，L_im为e_im的负荷，C_im为e_im的容量，e_im为边e_ij的邻边，L_mk为e_mk的负荷，C_mk为e_mk的容量，e_mk为边e_im的邻边，δ为超载系数。

可选地，移除线路前后发电机-负荷功率变化的获取方式为：

P_GL＝(∑P′P)×100％

其中，P′为故障后所有连通子图的总有功功率和，P为故障前连通网络的总有功功率和，P_GL为发电机-负荷功率百分比。

与现有技术相比，本发明具有如下优点和技术效果：

本发明提出的新型电气介数的脆弱线路辨识方法，该方法显著降低了计算成本，能较好的兼顾准确性和效率。其次，针对原有指标的不足，提出的发电机-负荷功率百分比指标用于电网级联故障传播机制分析的具体流程，并考虑了线路故障对***的动态影响。

附图说明

构成本申请的一部分的附图用来提供对本申请的进一步理解，本申请的示意性实施例及其说明用于解释本申请，并不构成对本申请的不当限定。在附图中：

图1为本发明实施例的方法流程示意图；

图2为本发明实施例的线路过载示意图；

图3为本发明实施例的IEEE39***接线图；

图4为本发明实施例的IEEE118***接线图；

图5为本发明实施例的移除10％线路后的IEEE39节点***的P_GL变化图(所有路径算法搜索)，其中，(a)当θ＝0.6，ω＝1，δ＝1.12时，移除10％线路后的P_GL变化图(b)当θ＝0.6，ω＝1，δ＝1.12时，移除10％线路后的P_GL变化图(c)当α＝0.45，ω＝1，δ＝1.12时，移除10％线路后的P_GL变化图(d)当α＝0.45，θ＝0.5，δ＝1.12时，移除10％线路后的P_GL变化图(e)当α＝0.45，ω＝1，θ＝1时，移除10％线路后的P_GL变化图；

图6为本发明实施例的移除10％线路后的IEEE39节点***的P_GL变化图(最短路径算法搜索)，其中，(a)当θ＝0.6，ω＝1，δ＝1.12时，移除10％线路后的P_GL变化图(b)当θ＝0.6，ω＝1，δ＝1.12时，移除10％线路后的P_GL变化图(c)当α＝0.45，ω＝1，δ＝1.12时，移除10％线路后的P_GL变化图(d)当α＝0.45，θ＝0.5，δ＝1.12时，移除10％线路后的P_GL变化图(e)当α＝0.45，ω＝1，θ＝1时，移除10％线路后的P_GL变化图；

图7为本发明实施例的移除10％线路后的IEEE118节点***的P_GL变化图(最短路径算法搜索)，其中，(a)为当θ＝0.6，ω＝1，δ＝1.05时，移除10％线路后的P_GL变化图，(b)为当θ＝0.6，ω＝1，δ＝1.05时，移除10％线路后的P_GL变化图，(c)为当α＝0.45，ω＝1，δ＝1.05时，移除10％线路后的P_GL变化图，(d)为当α＝0.45，θ＝0.5，δ＝1.05时，移除10％线路后的P_GL变化图，(e)为当α＝0.45，ω＝1，θ＝1时，移除10％线路后的P_GL变化图；

图8为本发明实施例的依次移除所有线路后的IEEE39节点***的P_GL变化图(所有路径算法搜索)；

图9为本发明实施例的依次移除所有线路后的IEEE39节点***的P_GL变化图(最短路径算法搜索)；

图10为本发明实施例的依次移除所有线路后的IEEE118节点***的P_GL变化图(最短路径算法搜索)。

具体实施方式

需要说明的是，在不冲突的情况下，本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。

需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机***中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。

实施例

本实施例提供了一种基于新型电气介数的电网脆弱线路辨识方法，包括：

将电网构建为网络图，依次移除网络图中的线路，对每条线路的新型电气介数从大到小进行排序；

构建考虑过载和加权边的复杂网络级联失效非线性模型，对排序后的新型电气介数分别进行两种移除线路方式，分别是依次移除预设比例线路和依次移除全部线路，直至网络图中无新线路被移除；其中，移除预设比例线路是测试在复杂网络级联失效非线性模型下，不同参数对新型电气介数线路辨识的影响，移除全部线路是测试在固定参数下的新型电气介数线路辨识效果；(考虑过载和加权边的复杂网络级联失效非线性模型为现有技术，是为了使级联故障模型更接近实际网络，过载系数用于描述边缘的冗余能力，权重系数用于描述节点之间的作用强度，分布系数用于描述故障的不确定性，容量参数用于描述不同比例的非线性关系)。

获取每次移除线路前后发电机-负荷功率的变化，基于发电机-负荷功率的变化评价电网故障的严重程度，完成电网脆弱线路辨识。

进一步地，对每条线路的新型电气介数进行排序包括：

获取网络图中全部线路的新型电气介数，将最大值的新型电气介数进行保存；

移除最大值的新型电气介数的线路，重新获取剩余线路的新型电气介数，将重新获取的新型电气介数的最大值进行保存，重复操作，直至所有线路被移除，最后，将保存下来的每条线路的新型电气介数从大到小进行排序。

进一步地，根据排序后的新型电气介数进行依次移除预设比例线路包括：

考虑过载和加权边的复杂网络级联失效非线性模型包括5个参数，分别为α、β、θ、ω和δ，每次只改变一个参数，其余参数不变，按照新型排序后的新型电气介数的大小排序，依次移除预设比例线路，其中，在每次移除一条线路后重复一次预设处理，直至预设比例线路全部被移除出网络图。

进一步地，根据排序后的新型电气介数依次移除全部线路包括：

固定考虑过载和加权边的复杂网络级联失效非线性模型的参数不变，按照排序后的新型电气介数排序，依次从大到小移除网络图中的线路，每次移除一条线路重复一次预设处理，直至网络图无线路。

进一步地，预设处理包括：

依次将排序后的新型电气介数最大的线路从网络图中移除，模拟线路移除后所导致的级联故障，直至级联故障终止。

进一步地，依次将新型电气介数最大的线路从网络中移除包括：

在复杂网络级联失效非线性模型上，将新型电气介数最大的线路从网络图中进行移除，根据预设邻边过载概率，判断此线路的邻边或次邻边是否过载或失效。当邻边过载概率越大时，此邻边越容易过载，相反，此邻边越容易失效。

进一步地，直至级联故障终止包括：

依次移除列表中最大的新型电气介数的线路，每当线路被移除后，则根据预设公式进行线路失效或过载，直至网络图中无线路失效，则对应的移除列表中新型电气介数最大的线路所造成的级联故障停止。

进一步地，预设公式为：

其中，P_o为邻边过载概率，P_o′为次邻边过载概率，p_im为失效边缘e_im的分布，p_mk为失效边缘e_mk的分布，L_im为e_im的负荷，C_im为e_im的容量，e_im为边e_ij的邻边，L_mk为e_mk的负荷，C_mk为e_mk的容量，e_mk为边e_im的邻边，δ为超载系数。

进一步地，S5中移除线路前后发电机-负荷功率变化的获取方式为：

P_GL＝(∑P′P)×100％

其中，P′为故障后所有连通子图的总有功功率和，P为故障前连通网络的总有功功率和，P_GL为发电机-负荷功率百分比。

如图1所示，本实施例提出了一种基于新型电气介数的电网脆弱线路辨识方法，包括以下步骤：

1)构建电网的网络图的S1阶段：对电网进行复杂网络建模，将电网构建成包含n个节点和m条边的网络图；

2)计算各线路新型电气介数的S2阶段：根据步骤1)所构建的网络图，每次移除一条线路，并动态计算各线路新型电气介数；

具体方法如下：

首先，对IEEE39和118节点***进行复杂网络建模，将电网构建成包含n个节点和m条边的网络图，IEEE39***接线路如图3所示，IEEE118***接线路如图4所示。然后，计算每条线路的新型电气介数，取最大值，并保存。接着，移除新型电气介数最大值的线路，然后重新计算每条线路的新型电气介数，取最大值，并保存，重复以上步骤，直至所有线路被移除。最后，将保存下来的每条线路的新型电气介数从大到小排序存入列表。

3)移除单条线路所造成整个网络的级联故障的S3阶段：在考虑过载和加权边的复杂网络级联失效非线性模型上，有目的地选择新型电气介数最大的线路从网络中移除，根据预设邻边过载概率，判断此线路的邻边或次邻边是否过载或失效。模拟移除该条线路所导致的一次级联故障，直至该次级联故障终止；当邻边过载概率越大时，此邻边越容易过载，相反，此邻边越容易失效。

具体方法如下：

构建考虑过载和加权边的复杂网络级联失效非线性模型。为了描述现实网络中负荷与容量的关系，表征其非线性分布，假设负荷与容量的关系如下：

其中，α≥0和β≥0，当α＝1时，该模型降为ML模型；k_i和k_j是边e_ij顶点的度数；θ是调整载荷的参数。通过调整负荷参数，可以模拟不同的网络负荷分布。

ΔL_im+L_im＞δC_im

其中，δ是超载系数，用来描述边缘处理额外负载的能力。e_im为边e_ij的邻边，L_im为e_im的负荷，C_im为e_im的容量，e_im可分担的负荷比例为ΔL_im。边缘上的负载大于最大容量，e_im将失效，其上的负载将再次重新分配，直到级联故障停止。

每条边都有不同的处理额外负载的能力。有时，边在小范围内对过载更敏感，失效概率迅速增加，但也存在失效概率增长缓慢的情况。通过ω调整失效边e_im的分布，其中p_im的计算如下：

α和β呈负相关关系，其关系为：

β＝0.14^[2θ(α-1)]

每条边的失效会导致邻边和次临边过载或失效，满足下列公式：

其中，P_o为邻边过载概率，P_o′为次邻边过载概率，取值范围0到1。当p_im小于P_o或p_mk小于P_o′时，线路e_im或e_mk过载；反之，线路e_im或e_mk失效，图2为线路过载示意图。

构建考虑过载和加权边的复杂网络级联失效非线性模型后，根据网络大小设置P_o和P_o′，IEEE39节点***P_o为0.6，P_o′为0.8，IEEE118节点***P_o为0.4，P_o′为0.6。移除列表中新型电气介数最大的线路，每当一条线路被移除，则根据上述公式进行线路失效或过载，直至无线路失效，则这次移除列表中新型电气介数最大的线路所造成的级联故障停止。

4)进行依次移除一定比例线路的S4阶段：为测试新型电气介数攻击在不同参数下对***影响的严重程度，每次只改变一个参数，其余参数不变，按照新型电气介数大小排序，依次移除一定比例线路，转入步骤3)；无新线路被移除时，停止依次移除线路操作；

具体方法如下：

为测试新型电气介数攻击在不同参数下对***影响的严重程度，使用传统电气介数方法对比其效果，传统电气介数方法如下：

其中，I^ij(m,n)为在“发电-负荷”节点对(i,j)间加上单位注入电流元后，在线路(m,n)上引起的电流；W_i为发电节点i的权重，取发电机额定容量或实际出力；W_j为负荷节点j的权重，取实际或峰值负荷；G和L为所有发电和负荷节点的集合。

IEEE39节点***移除10％线路，为4条。IEEE118节点***移除10％线路，为18条。重复移除列表中大小排序前10％线路，每次移除线路重复一次步骤3)；无新线路被移除时，停止依次移除线路操作；

5)进行依次移除所有线路的S5阶段：为反映新型电气介数攻击对***影响的严重程度，故障线路按照新型电气介数从大到小依次移除，转入步骤3)；无新线路被移除时，停止依次移除线路操作；

具体方法如下：

IEEE39和118节点***均依次移除所有线路，故障线路按照新型电气介数从大到小依次移除，每次移除线路重复一次步骤3)；无新线路被移除时，停止依次移除线路操作；

6)测试新型电气介数辨识效果的S6阶段：计算每次移除线路前后发电机-负荷功率P_GL的变化，并评价故障的严重程度。

具体方法如下：

考虑到连通性水平或失负荷程度来衡量电网故障前后过程具有一定的局限性，因此本文提出发电机-负荷功率百分比P_GL描述网络被破坏的程度：

P_GL＝(∑P′P)×100％

其中，P′为故障后所有连通子图的总有功功率和，连通子图至少包含一组“发电-负荷”节点对；P为故障前连通网络的总有功功率和。

每次移除线路造成的级联故障会导致网络中的发电机-负荷功率P_GL发生变化，将每次变化的发电机-负荷功率存入列表。

在本实施例中，为了验证本发明方法的效果，还进行了如下实验验证：

一、评估不同参数下新型电气介数与传统方法的时间成本和准确性：

由于传统电气介数使用所有路径算法搜索“发电-负荷”节点对(i,j)，在对比两种方法的识别脆弱线路的效果时，为确保实验的严谨性，新型电气介数暂时改用所有路径算法搜索节点对(i,j)。主动移除B_e(m,n)和NB_e(m,n)排序前10％的线路，为4条，考虑到该节点***较小，将直接邻边过载概率P_o设为0.6，间接邻边过载概率P_o′设为0.8。为测试B_e(m,n)和NB_e(m,n)在不同参数下对***影响的严重程度，每次只改变一个参数，其余参数不变，故障前后P_GL的变化如图5(所有路径算法搜索)所示。其中，图5(a)θ＝0.6，ω＝1，δ＝1.12，图5(b)θ＝0.6，ω＝1，δ＝1.12，图5(c)α＝0.45，ω＝1，δ＝1.12，图5(d)α＝0.45，θ＝0.5，δ＝1.12，图5(e)α＝0.45，ω＝1，θ＝1，综合图5(a)-(e)来看，可以看到在不同参数下，除了图5(c)中θ＝1.1-1.5这一段外，新型电气介数移除10％线路的效果要比传统电气介数好。为克服以往方法假设电气潮流沿最短路径流动的局限性，使用所有路径算法搜索“发电-负荷”节点对(i,j)，考虑了实际电网特性。但使用所有路径算法搜索太消耗时间，在IEEE39节点***中搜索“发电-负荷”所存在的所有路径多达7599条，在更多的节点***中搜索时间会更长，因此接下来的仿真实验均用最短路径算法搜索“发电-负荷”节点对(i,j)。

下面分别用最短路径算法对比两种识别脆弱线路方法的准确性，主动移除B_e(m,n)和NB_e(m,n)排序前10％的线路，直接邻边过载概率P_o设为0.6，间接邻边过载概率P_o′设为0.8。为测试B_e(m,n)和NB_e(m,n)在不同参数下对***影响的严重程度，每次只改变一个参数，其余参数不变，故障前后P_GL的变化如图6(最短路径算法搜索)所示。其中，(a)θ＝0.6，ω＝1，δ＝1.12，(b)θ＝0.6，ω＝1，δ＝1.12，(c)α＝0.45，ω＝1，δ＝1.12，(d)α＝0.45，θ＝0.5，δ＝1.12，(e)α＝0.45，ω＝1，θ＝1，综合图6来看，在给定参数下，改变α或ω，两种方法移除10％线路的效果一样，而改变其他参数，新型电气介数主动移除10％线路的效果明显优于传统电气介数。

为测试B_e(m,n)和NB_e(m,n)在不同参数下对IEEE118节点***影响的严重程度，按照电气介数和新型电气介数排序，移除排序前10％线路，约18条边。IEEE118节点***的节点线路比39节点***多，不用考虑一条边的失效会引起网络大规模失效，因此直接邻边过载概率P_o设为0.4，间接邻边过载概率P_o′设为0.6。每次只改变一个参数，其余参数不变，故障前后P_GL的变化如图7所示。其中，(a)θ＝0.6，ω＝1，δ＝1.05，(b)θ＝0.6，ω＝1，δ＝1.05，(c)α＝0.45，ω＝1，δ＝1.05，(d)α＝0.45，θ＝0.5，δ＝1.05，(e)α＝0.45，ω＝1，θ＝1，从图7(b)、(c)和(e)可以看出，在给定参数下，β＝0.16-0.22，θ＝0.1-0.45，δ＝1.18处，传统电气介数造成电网失功率效果好于新型电气介数，而从图7(a)和(d)可以看出，新型电气介数造成网络失功率效果整体上优于传统电气介数。从整体上来说，新型电气介数识别方法在IEEE118节点***上移除10％线路造成失功率效果优于传统电气介数。

仿真发现，通过改变级联故障模型中的各项参数，会对模型鲁棒性产生一定的影响，例如：降低α或提高β、θ、ω和δ，能在一定程度上提高电网的鲁棒性，相反，提高α或降低β、θ、ω和δ，能在一定程度上降低电网的鲁棒性。

二、评估新型电气介数攻击对***影响的严重程度：

为反映新型电气介数攻击对***影响的严重程度，故障线路分别按照电气介数和新型电气介数从大到小依次移除，对应的P_GL变化如图8(所有路径算法搜索)所示。当α＝0.45，ω＝1，θ＝0.6，δ＝1.18时，由图8可知，新型电气介数攻击在前段造成电网失功率效果好于传统电气介数攻击，在中段识别脆弱线路效果不佳，其他段效果齐平。通过对比图5、6、8和9，显然两种方法基于所有路径算法搜索脆弱线路效果更好，而在IEEE39节点***中搜索“发电-负荷”所存在的最短路径只有218条，虽然降低了准确度，但在一定程度上了兼顾准确度和效率。

为对比两种方法攻击对***影响的严重程度，将故障线路分别按照电气介数和新型电气介数从大到小依次移除，对应的P_GL变化如图10所示。当α＝0.45，ω＝1，θ＝0.6，δ＝1.12时，由图10可以看出，在识别脆弱线路排名40-55这一段，新型电气介数识别脆弱线路效果要略差于传统电气介数外，其余部分效果明显要好于传统电气介数。通过对比图9(最短路径算法搜索)和图10，传统电气介数识别脆弱线路效果通常在中段优于新型电气介数，而在其余部分识别效果差于新型电气介数。

以上，仅为本申请较佳的具体实施方式，但本申请的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。因此，本申请的保护范围应该以权利要求的保护范围为准。

Claims (9)

1.一种基于新型电气介数的电网脆弱线路辨识方法，其特征在于，包括：

将电网构建为网络图，依次移除所述网络图中的线路，对每条线路的新型电气介数从大到小进行排序；

构建考虑过载和加权边的复杂网络级联失效非线性模型，根据所述复杂网络级联失效非线性模型对排序后的所述新型电气介数分别进行两种移除线路方式，分别是依次移除预设比例线路和依次移除全部线路，直至所述网络图中无新线路被移除；

获取每次移除线路前后发电机-负荷功率的变化，基于所述发电机-负荷功率的变化评价电网故障的严重程度，完成电网脆弱线路辨识。

2.根据权利要求1所述的基于新型电气介数的电网脆弱线路辨识方法，其特征在于，对每条线路的新型电气介数进行排序包括：

获取所述网络图中全部线路的所述新型电气介数，将最大值的所述新型电气介数进行保存；

移除所述最大值的所述新型电气介数的线路，重新获取剩余线路的新型电气介数，将重新获取的新型电气介数的最大值进行保存，重复操作，直至所有线路被移除，最后，将保存下来的每条线路的新型电气介数从大到小进行排序。

3.根据权利要求1所述的基于新型电气介数的电网脆弱线路辨识方法，其特征在于，根据排序后的所述新型电气介数进行依次移除预设比例线路包括：

每次只改变所述复杂网络级联失效非线性模型中的一个参数，其余参数不变，按照新型排序后的所述新型电气介数的大小排序，依次移除所述预设比例线路，其中，在每次移除一条线路后重复一次预设处理，直至所述预设比例线路全部被移除出所述网络图。

4.根据权利要求3所述的基于新型电气介数的电网脆弱线路辨识方法，其特征在于，根据排序后的所述新型电气介数依次移除全部线路包括：

固定所述复杂网络级联失效非线性模型中的参数不变，按照排序后的所述新型电气介数排序，依次从大到小移除所述网络图中的线路，每次移除一条线路重复一次所述预设处理，直至所述网络图无线路。

5.根据权利要求4所述的基于新型电气介数的电网脆弱线路辨识方法，其特征在于，所述预设处理包括：

依次将排序后的所述新型电气介数最大的线路从所述网络图中移除，模拟所述线路移除后所导致的级联故障，直至所述级联故障终止。

6.根据权利要求5所述的基于新型电气介数的电网脆弱线路辨识方法，其特征在于，依次将所述新型电气介数最大的线路从网络中移除包括：

在所述复杂网络级联失效非线性模型上，将所述新型电气介数最大的线路从所述网络图中进行移除，根据预设邻边过载概率，判断此线路的邻边或次邻边是否过载或失效。

7.根据权利要求6所述的基于新型电气介数的电网脆弱线路辨识方法，其特征在于，直至所述级联故障终止包括：

依次移除列表中最大的所述新型电气介数的线路，每当所述线路被移除后，则根据预设公式进行线路失效或过载，直至所述网络图中无线路失效，则对应的移除列表中新型电气介数最大的线路所造成的级联故障停止。

8.根据权利要求7所述的基于新型电气介数的电网脆弱线路辨识方法，其特征在于，所述预设公式为：

其中，P_o为邻边过载概率，P_o′为次邻边过载概率，p_im为失效边缘e_im的分布，p_mk为失效边缘e_mk的分布，L_im为e_im的负荷，C_im为e_im的容量，e_im为边e_ij的邻边，L_mk为e_mk的负荷，C_mk为e_mk的容量，e_mk为边e_im的邻边，δ为超载系数。

9.根据权利要求1所述的基于新型电气介数的电网脆弱线路辨识方法，其特征在于，移除线路前后发电机-负荷功率变化的获取方式为：

P_GL＝(∑P′/P)×100％

其中，P′为故障后所有连通子图的总有功功率和，P为故障前连通网络的总有功功率和，P_GL为发电机-负荷功率百分比。

Images