背景技术
自上世纪60年代以来,电网大面积停电事故时有发生,造成了巨大的经济损失,世界各国开始对电力系统的安全性给予了足够的重视,电力系统安全性分析成为了非常活跃的研究领域。对系统安全性的分析涉及到系统故障后的稳态行为和暂态行为,相应的安全分析也分为静态安全分析和动态安全分析。电力系统的静态安全分析仅考虑事故后稳态运行状况的安全性,即研究系统中的元件开断是否引起支路过载及母线电压越限,并且对应一定的过载和越限给出可供选择的电网调整策略。
电力系统处于正常安全状态下,对给定预想事故进行筛选和严重度排序是静态安全分析的基础内容,故障排序已成为系统预警、制定预防、校正等安全控制措施的依据。目前比较常见的网络安全运行要求是N-1检验,但严格的N-1检验需要对全部线路进行N次断线分析,计算工作量很大。随着电网规模的扩大,运行状况越来越复杂,因此进行在线安全分析也变得日益重要。在线安全分析中,预想事故分析对计算速度和分析精度要求较高,然而,在大型电力系统中,信息量巨大,计算复杂使得要对所有的预想事故进行计算是不实际的。
对于一个确定的电力网络,事先分析潜在的事故对系统可能造成的破坏是预想事故分析的主要内容。预想事故分析的一般思路是根据系统的实际运行情况确定相应的预想事故集,然后逐一进行安全性的评定。由于现代电网不断增大的规模,再考虑到所有单一及复合事故的发生使得预想事故的数量非常庞大,且其中多数的预想事故不会对系统的安全运行造成严重的危害。因此预想事故的自动选择成为预想事故分析的首要任务。预想事故自动选择就是在系统的某种运行方式下自动选出那些会引起支路潮流过载、电压违限等危及系统安全运行的预想事故,并用行为指标PI(Performance Index)表示它们对系统造成危害的严重程度,按其由重至轻的顺序排队,给出一览表,以便对排在前面的预想事故进行详尽的完全潮流分析。
目前,国内外学者已定义了多种行为指标进行故障排序,引入这些指标都是用以表征预想事故对系统所致后果的严重程度,不同的预想事故自动选择算法评判事故的标准各不相同,其行为指标有不同的表达形式。以往的基于常规潮流模型的灵敏度法不需要进行反复迭代,计算速度快,但该方法常常存在较大的误差,难以满足在线静态安全分析的精度要求。
发明内容
本发明的目的是针对利用基于常规潮流模型的灵敏度法进行故障排序时计算精度低的缺点,采用二次潮流模型的系统潮流方程,通过求取状态变量对开断控制变量的灵敏度进而得到行为指标的变化量,将行为指标的变化量作为评价标准进行故障排序,适用于电力系统在线静态安全分析。
本发明的目的是由以下技术方案来实现的:
一种用于电力系统在线静态安全分析的故障排序方法,其特征在于包括如下步骤:
(1)选取一种故障行为指标,该指标为线路电流指标
或为电压指标
或为无功指标
其中w
j为权重因子,I
j为流过线路j电流模值,I
jmax为线路j的电流极限,L为网络线路总数,n为指数参数,V
j为节点j电压幅值,
为额定电压,常取
V
jmax、V
jmin分别为节点电压的最大值和最小值,V
j,tol为电压偏差容许值,取
N为PQ节点数,Q
j为节点j的无功注入,
Q
jmax、Q
jmin为无功注入的最大值和最小值,Q
j,tol为无功偏差容许值,
(2)由电力系统的数据采集系统得到全网相关数据,进行状态估计得到电网当前运行点x0;
(3)定义预想事故集,读取一预想事故;
(4)设定一开断控制变量c,将其引入发生故障的支路参数,并对系统节点导纳阵进行相应修改,所述一开断控制变量c定义为
若线路i-j发生断线故障,在支路参数中引入开断控制变量c,支路导纳为y
ij=c(g
ij+jb
ij)、对地电纳为jcb
c,并在节点导纳阵中对与该支路相关联节点的导纳作相应修改;
(5)计算对应于当前运行点x
0的雅克比矩阵
及矩阵
进而得到系统状态变量对开断控制变量c的灵敏度
其中g(x,c)为引入开断控制参数后基于二次潮流模型的系统潮流方程式;
(7)重复进行上述步骤(3)至(6),根据预想事故集中的各个故障情况下行为指标变化量ΔJ的数值,由大到小对各个故障进行排序。
所述步骤(3)中的预想事故集包括单一支路断线故障及多个支路断线故障;
所述步骤(5)中的基于二次潮流模型的系统潮流方程是指根据基尔霍夫电流定律KCL,对网络中各节点列写直角坐标下的电流型潮流方程,选定待求解的变量,用向量x表示,
为节点i电压相量,Q
gk为PV节点k的发电机无功输出量;当节点j接有负荷或发电机时,将相量
的实部
和虚部
作为待求解的变量加入x中,用公式表示为
将直角坐标下的电流型潮流方程写成如下形式:
g(x,c)=A[x,c]T+[x,c]B[x,c]T+b=0
其中,g(x,c)即为基于二次潮流模型的系统潮流方程式,A、B为常数矩阵,b为常向量。
本发明的一种用于电力系统在线静态安全分析的故障排序方法,先选定一种故障行为指标,该指标为线路电流指标或为电压指标或为无功指标,采用二次潮流模型的系统潮流方程,通过求取状态变量对开断控制变量的灵敏度进而得到行为指标的变化量,并以此变化量作为排序标准对预想事故进行排序。该方法能够克服基于常规潮流模型的灵敏度法进行故障排序时计算精度低的缺点,计算速度快,能够满足在线静态安全分析的需要。
具体实施方式
参见图1,一种用于电力系统在线静态安全分析的故障排序方法,包括如下步骤:
(1)选定一种故障行为指标J,该指标为线路电流指标
或为电压指标
或为无功指标
其中w
j为权重因子,0<w
j<1,I
j为流过线路j电流模值,I
jmax为线路j的电流极限,L为网络线路总数,n为指数参数,V
j为节点j电压幅值,
为额定电压,常取
V
jmax、V
jmin分别为节点电压的最大值和最小值,V
j,tol为电压偏差容许值,可以取
N为PQ节点数,Q
j为节点j的无功注入,
Q
jmax、Q
jmin为无功注入的最大值和最小值,Q
j,tol为无功偏差容许值,
(2)由电力系统的数据采集系统SCADA,英文全称Supervi sory Control AndData Acquisition得到全网相关数据,如网络结构、节点电压、注入功率等,并由状态估计进行数据处理得到电网当前运行状态x0;
(3)定义预想事故集,读取一预想事故;
(4)设定一开断控制变量c,定义为
将其引入发生故障的支路,如图2所示,支路导纳变为y
ij=c(g
ij+jb
ij)、对地电纳变为jcb
c,并在节点导纳阵中对与该支路相关联节点的导纳作相应修改;
(5)根据基尔霍夫电流定律KCL,对网络中各节点列写直角坐标下的电流型潮流方程,具体形式如下:
其中
为与节点i相连的发电机注入电流相量
的实部和虚部,P
Gi、Q
Gi分别为与节点i相连的发电机输出的有功功率和无功功率,
为节点i的电压相量,
与节点i的负荷电流相量
的实部和虚部,P
Di、Q
Di分别为节点i的负荷吸收的有功功率和无功功率,e
j、f
j分别为节点j电压相量
的实部和虚部,G
ij′+jB
ij′为引入开断控制变量c后系统节点导纳阵中的元素,n为节点总数,上角标*为共轭标志。
当节点i为PV节点时,需在潮流方程中引入等式
V
spec为PV节点电压设定值。
选定待求解的变量,用向量x表示,
为节点i电压相量,Q
Gk为PV节点k的发电机无功输出量。当节点j接有负荷或发电机时,将相量
的实部
和虚部
也作为待求解的变量加入x中,用公式表示为
将直角坐标下的电流型潮流方程写成如下形式:
g(x,c)=A[x,c]T+[x,c]B[x,c]T+b=0
其中,g(x,c)即为基于二次潮流模型的系统潮流方程式,A、B为常数矩阵,b为常向量。
计算对应于当前运行点x
0的雅克比矩阵
及矩阵
进而得到系统状态变量对开断控制变量c的灵敏度
(6)计算该故障下行为指标的变化量ΔJ,
其中J(x
0,c=1)为正常运行时对应当前运行点的行为指标值,
发生预想故障后对应新的运行点下的行为指标值;
(7)重复进行上述步骤(3)至(6),根据预想事故集中的各个故障情况下行为指标变化量ΔJ的数值,由大到小对各个故障进行排序。
实施例1:参见图3,为4节点电力系统,母线1为松弛节点,每条线路的热极限为1.2pu,母线3和4的电压幅值上下限值分别为1.05pu和0.95pu,母线1和2所联发电机的无功输出上下限分别为0.65pu和-0.55pu。
考虑三种行为指标,预想事故仅考虑单一支路断线故障,采用三种方法进行故障排序,基于线路电流指标的故障排序结果见表1-3,其中:方法1为基于常规潮流模型的灵敏度法,方法2为本发明的方法,方法3为完全交流潮流计算法。
表1基于线路电流指标的故障排序结果
表2基于电压指标的故障排序结果
表3基于无功指标的故障排序结果
见表2,当选取电压指标作为故障排序标准时,三种方法的排序结果完全相同,说明传统灵敏度法和本发明方法的排序结果都是准确的。见表1和表3,而当选取线路电流指标或无功指标作为故障排序标准时,传统灵敏度法的排序结果存在一定的误差,而本发明的排序结果仍然准确无误。
实施例2:参见图4的IEEE-24RTS系统,选取电压指标作为故障排序标准,预想事故仅考虑单一支路断线故障,应用三种方法进行故障排序,方法1为基于常规潮流模型的灵敏度法,方法2为本发明的方法,方法3为完全交流潮流计算法,选取应用方法3排序得到的前10个故障用于比较,见表4。
表4基于电压指标的故障排序结果
如表4所示,传统的灵敏度法排序出现了很多错误,其中有三处严重的错误将三种断线故障6-10、15-24、3-24进行了乐观的估计,将它们排在了前十种最严重故障之外。而本发明的方法仅有一处较严重的错误,对3-24的断线故障估计较为乐观。除此之外,本方法捕获了前十种最严重故障的九种故障,显示出了良好的计算精度。