CN103050971A - 一种基于运行极限匹配模型的电网连锁故障抑制方法 - Google Patents

Abstract

本发明涉及基于运行极限匹配模型的电网连锁故障规模抑制方法，本发明提出了可调节控制系数的运行极限匹配模型，综合考虑电力网络的故障传播特性与负荷分布，通过加大对于高聚类支路的投入减少故障在高聚类区域的累积现象。仿真实验结果证明，在小世界电力网络中适当提高对于高聚类支路的投资，即提高优化匹配模型中的控制参数，可以减少故障在高聚类区域的累积，使得电网的资源得到合理利用，有效抑制连锁故障。

Description

一种基于运行极限匹配模型的电网连锁故障抑制方法

技术领域

本发明涉及一种电网连锁故障规模抑制方法，尤其是涉及一种基于运行极限匹配模型的电网连锁故障抑制方法。

背景技术

近年来．电力系统大停电事故的频发引起了人们的关注，不少研究基于复杂网络理论对于电力网络的结构脆弱性进行了分析。其结果显示大型的电力网络中普遍存在一些长程连接，这些长程连接为电能的高效率输送提供了有利条件，但同时也会承担更多的电能输送任务，致使电网的负荷分布出现异质特性。当这些传输负荷较高的支路发生故障时会引发低负荷支路上负荷的剧烈波动，从而导致更多支路出现过负荷现象引发连锁故障。

为此，不少研究提出了相应的运行极限匹配模型～，期望通过合理规划电网投资，提升重要支路或节点的运行极限抑制故障在电力网络中的传播，降低故障的规模。其中文献提出了一种按支路负荷大小设置其运行极限的匹配模型（即ML模型），该模型以支路的初始负荷作为依据，按照统一比率提升其运行极限，为高负荷的支路匹配更高的运行极限，预防高负荷支路上出现过负荷现象，有效保护了电网中的长程连接。文献则在ML模型的基础上综合考虑节点的度数大小，提出按节点度数分配的匹配模型（即LW模型），在保护高负荷支路的同时也提升高度数节点的运行极限，兼顾了电力网络中的负荷分布的异质特性与节点度数分布的无标度特性。但是大量的仿真实验结果证明，以上两种匹配模型不能适用于所有类型的电力网络。

目前，ML和LW模型可以很好的适用于无标度电网，但在聚类系数较高的小世界电网中不能取得较好的收益。按照ML或LW模型规划小世界电网投资时，连锁故障的规模与电网投资之间的函数关系存在明显的阈值，当电网投资有限时，小故障的规模不能得到有效抑制。

发明内容

本发明主要是解决现有技术所存在的技术问题；提供了一种减少故障在高聚类区域的累积，使得电网的资源得到合理利用，有效抑制连锁故障的一种基于运行极限匹配模型的电网连锁故障抑制方法。

本发明的上述技术问题主要是通过下述技术方案得以解决的：

一种基于运行极限匹配模型的电网连锁故障抑制方法，其特征在于，包括以下步骤：

步骤1，将电力系统抽象成带权重的网络模型,采用输电线路的阻抗大小作网络模型中边的权重，将电力系统抽象成带权重的网络模型；

步骤2，根据抽象得到出的网络模型，计算实际电网中各条输电线路在网络模型中的聚类系数

并统计网络的特征参数，包括网络节点总数N、网络总边数m、网络的平均聚类系数

步骤3，对电网的各种工况进行稳态潮流计算，得出电网中各条输电线路潮流可以达到的最大值，记做L(e_ij),

步骤4，根据步骤1、2得出输电线路的聚类系数，以及步骤3得出的潮流最大值L(e_ij)，对电网的每条输电线路进行基于运行极限匹配模型的极限匹配，基于以下公式：

$\left\{\begin{array}{c}C\left(e_{\mathrm{ij}}\right)=(1+\mathrm{\&alpha;}(1-\mathrm{\&rho;}+\mathrm{\&rho;}\frac{{\mathrm{\&gamma;}}_{i,j}^e}{<{\mathrm{\&gamma;}}^e>}))L\left(e_{\mathrm{ij}}\right)\\ <{\mathrm{\&gamma;}}^e>=\frac{1}{m}\mathrm{\&Sigma;}{\mathrm{\&gamma;}}_{i,j}^e\end{array}\right.$ 式一；

式一中C(e_ij)、L(e_ij)分别为输电线路e_ij的运行极限和初始潮流大小，α＞0为运行极限系数；

为网络模型中支路的聚类系数，<γ^e>为所有支路聚类系数的均值，m为网络的输电线路总数（即网络模型中的支路数），0＜ρ≤1为控制运行极限匹配异质性的一个控制参数，表示电网投入在高聚类支路上的比重；

步骤5，根据步骤2得到的网络特征参数，确定匹配模型中的控制参数ρ的取值范围，根据上式一得出电网中各条输电线路运行极限的取值范围。

在上述的一种基于运行极限匹配模型的电网连锁故障抑制方法，所述的步骤1中，带权重的网络模型基于以下公式：

式二；

w_ij＝X_ij    式三。

在上述的一种基于运行极限匹配模型的电网连锁故障抑制方法，所述的步骤2中，聚类系数

作为反应支路对于网络冗余连接结构的重要程度评价指标，其数学表达式如下式四所示：

${\mathrm{\&gamma;}}_{i,j}^e=\frac{2{\mathrm{\&delta;}}_{i,j}^e}{{\mathrm{\&Lambda;}}_{i,j}^e}$ 式四；

式中

为网络中以支路e_ij为边的三角形的个数，

为网络中以支路e_ij为边的三角元的个数，其大小为：

${\mathrm{\&Lambda;}}_{i,j}^e=(d_i-1)+(d_j-1)$ 式五；

d_i、d_j分别为支路两个端点i、j的度数。支路的聚类系数

大小取决于包含支路的三角形个数以及支路端点的度数大小，在支路两端节点度数固定的情况下，以支路为边的三角形越多，则表示与该支路存在冗余连接关系的通路越多，故障在网络局部累积时，负荷向该支路转移的几率也越高；当该支路发生故障时需要转移的负荷在局部可选择的替代通路也更多，造成故障在局部反复传播的可能性也越大。

在上述的一种基于运行极限匹配模型的电网连锁故障抑制方法，所述的步骤5中，控制参数ρ的取值范围为ρ∈[0,0.3],其具体的最优取值会根据网络特征参数发生小幅变化,对应网络的节点总数与边数越多、聚类系数越低，则控制参数的取值相应越低。

因此，本发明具有如下优点：减少故障在高聚类区域的累积，使得电网的资源得到合理利用，有效抑制连锁故障。

附图说明

图1是小世界电网与普通无标度电网脆弱性对比图。

图2a是高聚类子网对于电力网络故障传播特性影响示意图。

图2b是低聚类子网对于电力网络故障传播特性影响示意图。

图3是实施例1中网络最大连通比率与运行极限系数关系图。

图4是实施例1中连通比率随控制参数的变化曲线。

图5是运行极限系数与控制参数最优取值关系。

图6是本发明的方法流程示意图。

具体实施方式

下面通过实施例，并结合附图，对本发明的技术方案作进一步具体的说明。

1.首先，介绍一下现有的ML和LW模型。

目前基于复杂网络理论的电力网络研究中均采用负荷匹配模型（ML）设置每条支路的运行极限。即假设电网投资只以支路的结构负荷（以下简称负荷）大小作为投资依据，网络初始状态下负荷高的支路将匹配更高的运行极限，各条支路能够传输的负荷极限与其初始负荷大小成统一比率，其具体形式如下式（4）所示：

C_ij＝(1+α)L_ij(0)    （4）

式中C_ij、L_ij(0)分别为支路e_ij的运行极限和初始负荷大小，α＞0为运行极限系数。当初始故障发生后，网络中各支路与节点所传输的负荷将发生变化，若支路出现过负荷现象，即L_ij＞C_ij，则被切除进入下一轮迭代，如此循环直至网络中所有支路的负荷都低于运行极限为止。这一连锁故障的迭代模型可以表示为：

$\left\{\begin{array}{cc}{w}_{\mathrm{ij}}(t+1)=w_{\mathrm{ij}}\left(t\right)& L_{\mathrm{ij}}\left(t\right)\&le;C_i\\ w_{\mathrm{ij}}(t+1)=\&infin;& L_{\mathrm{ij}}\left(t\right)>C_i\\ w_{\mathrm{ij}}\left(0\right)=X_{\mathrm{ij}}& \end{array}\right.---\left(5\right)$

式（5）中t为迭代次数，L_ij(t)为t次迭代时线路e_ij的负荷大小，w_ij(t)和w_ij(t+1)分别为支路e_ij在t和t+1次迭代时的权重，w_ij(0)为网络模型初始状态下支路e_ij的权重，其大小为支路的电抗。

基于上述的运行极限匹配模型与连锁故障模型，不少研究分析了无标度电网与小世界电网的脆弱性。下表1为两类网络的几何特征对比，图1为两类网络中高负荷支路发生故障时，网络的连通比率与运行极限系数之间函数关系的特性曲线。

表1不同类型网络间的拓扑结构特征差异对比

表1中l、γ分别为现实网络的平均距离与平均聚类系数，l_r、γ_r则分别表示与现实网络同等规模随机网络（即与现实网络具有相同节点数和边数的随机网络）的平均距离与聚类系数。

图1中SF（scale-free network）为低聚类的普通无标度电网、SW（small-world network）为高聚类的小世界电网，横轴为运行极限系数对应于电网投资的大小，纵轴为网络的连通比率G％。其计算公式为：

G%＝(N(t)/N(0))×100%    （6）

图1中的具体数值可见文献～。

由以上对比可以发现，由于网络结构聚类特性的差异，小世界电网和普通无标度电网的脆弱性具有相同点同时也存在差异。相同点在于负荷最高的线路发生故障时都容易引发故障的大范围传播，当运行极限系数较低时故障规模将得不到有效抑制。不同点在于连锁故障规模对于运行极限系数的响应情况，在无标度电网中网络连通比率G％与运行极限系数α间的关系较为平滑，随着系统运行极限系数的逐步提高，无标度电网的连通比率将逐渐上升。而小世界电网的故障规模与运行极限系数间存在明显的阈值，当运行极限系数低于阈值时小世界电网的连通比率不会有明显的改善。

综上所述，基于现有的运行极限匹配模型，即式（4），进行电网的规划设计，不能够在电网冗余容量有限的情况下有效抑制小世界电网连锁故障规模。

2.下面，介绍一下现在电力网络中故障的传播过程。

以连锁故障模型中的迭代次数作为时间尺度，以具有小世界特性的IEEE300节点系统与无标度特性的IEEE57节点系统为例，设置系统的运行极限系数α＝0.3，攻击网络中负荷最高的节点触发连锁故障，统计小世界电网故障传播过程中网络拓扑结构特征以及故障规模随时序的变化情况。其结果如下表2所示。表中γ与l分别为故障传播过程中剩余子网的平均聚类系数与平均距离，用于表征网络拓扑结构特征的变化；G％、E％为网络的连通比率与失负荷比率用于表征故障传播的广度与深度，其计算公式为：

G%＝(N(t)/N(0))×100%    （7）

$E\%=\frac{(\underset{j\&Element;G\left(0\right)}{\mathrm{\&Sigma;}}{L}_j-\underset{j\&Element;G\left(t\right)}{\mathrm{\&Sigma;}}{L}_i)}{\underset{j\&Element;G\left(0\right)}{\mathrm{\&Sigma;}}{L}_j}\&times;100\%---\left(8\right)$

N(0)、G(0)为网络初始状态下的节点总数和节点集合；N(t)、G(t)为t次迭代后剩余网络的节点总数和节点集合，L_i、L_j分别为对应节点的初始负荷大小。

表2迭代过程参数统计

由以上结果可以发现，无标度电网的连锁故障是广度与深度的持续扩散，随着迭代次数的增加故障的传播深度和广度都会持续增加；而小世界电网的连锁故障是局部累积而后大范围传播的过程。在连锁故障的初期，如表2中IEEE118节点系统的1～4次迭代过程，连通比率缓慢下降失负荷比率缓慢上升，即在这期间出现过负荷故障的支路较少且故障支路的负荷不高；与之相应的网络结构特征参数的变化是平均距离缓慢上升、网络平均聚类系数明显跌落。平均距离变化不大说明故障支路的负荷没有大范围的转移，相反是在故障点的局部继续传播。而聚类系数明显跌落则说明故障在传播初期更倾向于在高聚类区域传播。

高聚类特性对故障传播特性的影响

为了从机理上分析小世界电网与无标度电网故障传播特性存在差异的原因，本发明构造了一个高聚类子网和一个低聚类子网，通过对比说明聚类特性对于电力网络故障传播特性的影响。图2a、（b）分别为高聚类和低聚类的子网。其中图（a）所示的子网（以下简称子网A）聚类系数较高，每个节点的聚类系数均为0.5，网络的连接结构存在冗余，如图2a中1-2、1-3、2-3的三条支路，其中任意一条相对于其他两条支路皆为冗余，在子网A中连通任意两个节点的通路都不止一条。图（b）所示的子网（以下简称子网B）的聚类系数为0，不存在结构上的冗余连接，任意两点间的连接通路都只有一条。

如图2中所示，在子网B中任意支路出现过负荷的情况会导致该支路被切除，由于缺少可替代的传输通路，该支路所传输的负荷将转移出该区域，即故障在该区域的传播结束。而在子网A中，当某一条支路出现过负荷被切除后，由于结构上的冗余连接，故障支路的负荷会在局部可替代的传输通路上继续传输，引发冗余连接支路出现过负荷故障。由聚类系数的定义可知，网络的聚类系数越高冗余连接也将越多，因此在高聚类的小世界电网中故障线路的负荷更倾向于在局部转移，而低聚类的无标度电网中故障线路的负荷更倾向于大范围的转移。

这样的故障传播特性便造成了图1所示的脆弱性的差异。当小世界电网的运行极限系数足够高时，由于网络中存在大量的冗余连接，故障将被限制于局部传播，负荷不会大范围转移造成其他区域的连锁故障，如图1（SW曲线）中运行极限系数超过阈值的状态。然而当小世界电网的运行极限系数没有超过阈值，承载故障分量的冗余连接出现过负荷故障时，由于连接结构上的冗余反而会促使故障在高聚类区域中反复感染，使得更多支路出现过负荷故障，造成故障在局部区域的累积，如图2a所示，从而导致故障传播深度的提升（即失负荷比率增加），故障规模对运行极限系数的变化不敏感。相比之下低聚类的无标度电网在结构上的冗余连接较少，因此无论运行极限系数的高低，在普通无标度电网中很少会出现故障在局部累积的现象，故障规模与运行极限系数间的函数关系也更为平滑，如图1（SF曲线）所示，与之相应的是，无论运行极限系数的高低，故障始终会在较大的范围进行传播。

由以上分析可知，要抑制小世界电网的连锁故障，使得电网投资能够得到有效的利用，则需要减少故障在局部区域的累积、防止故障在高聚类区域的反复感染，即维持网络结构的聚类特性、保持连接上的冗余。然而传统的负荷匹配模型只是根据网络中的负荷分布进行投资，小世界电网的高聚类特性得不到有效的保护。因此本发明提出一种改进电力网络的运行极限匹配模型，综合考虑支路对于网络连接结构冗余的重要程度以及支路负荷大小设置各支路的运行极限，以期减少小世界电网中局部的故障累积现象，在电网投资有限的情况下抑制连锁故障的规模。

3.下面，是本发明的方法流程原理。

本发明采用支路的聚类系数

作为反应支路对于网络冗余连接结构的重要程度评价指标，其数学表达式如下式（9）所示：

${\mathrm{\&gamma;}}_{i,j}^e=\frac{2{\mathrm{\&delta;}}_{i,j}^e}{{\mathrm{\&Lambda;}}_{i,j}^e}---\left(9\right)$

式中

为网络中以支路e_ij为边的三角形的个数，为网络中以支路e_ij为边的三角元的个数，其大小为：

${\mathrm{\&Lambda;}}_{i,j}^e=(d_i-1)+(d_j-1)---\left(10\right)$

d_i、d_j分别为支路两个端点i、j的度数。支路的聚类系数大小取决于包含支路的三角形个数以及支路端点的度数大小。在支路两端节点度数固定的情况下，以支路为边的三角形越多，则表示与该支路存在冗余连接关系的通路越多，故障在网络局部累积时，负荷向该支路转移的几率也越高；当该支路发生故障时需要转移的负荷在局部可选择的替代通路也更多，造成故障在局部反复传播的可能性也越大。

本发明在负荷匹配模型的基础上进行改进提出新的运行极限匹配模型，设置每个节点能够传输的负荷极限为：

$\left\{\begin{array}{c}C\left(e_{\mathrm{ij}}\right)=(1+\mathrm{\&alpha;}(1-\mathrm{\&rho;}+\mathrm{\&rho;}\frac{{\mathrm{\&gamma;}}_{i,j}^e}{<{\mathrm{\&gamma;}}^e>}))L\left(e_{\mathrm{ij}}\right)\\ <{\mathrm{\&gamma;}}^e>=\frac{1}{m}\mathrm{\&Sigma;}{\mathrm{\&gamma;}}_{i,j}^e\end{array}\right.---\left(11\right)$

式（11）中为支路的聚类系数，<γ^e>为网络中所有支路聚类系数的均值，m为网络的总边数，ρ∈[0,1]为控制运行极限匹配异质性的参数，即电网投入在高聚类支路上的比重，当ρ＝0时，改进模型将退化成负荷匹配模型，支路的初始负荷大小将成为配置其运行极限的唯一标准；当ρ＞0时聚类系数较高的支路将被匹配更高的运行极限；当ρ＝1时，表示极端的高聚类匹配，只有高聚类的支路才会得到保护。在改进模型中支路的运行极限不仅与支路的初始负荷有关，而且与支路的聚类系数相关，高负荷高聚类的支路将被赋予更高的传输极限。

提升支路的运行极限势必会增加电网的投资，支路的运行极限越高则需要投入的资金越多。投入函数～一般用作系统中支路的运行极限改变时所需要投资的近似计算，其计算公式为：

$E=\frac{1}{m}\underset{e\&Element;G}{\mathrm{\&Sigma;}}\frac{C\left(e\right)-L\left(e\right)}{L\left(e\right)}---\left(12\right)$

将式（4）和（11）分别代入式（12）则分别可以得到负荷匹配模型和改进匹配模型所对应的投入函数的值：

$E_{\mathrm{ML}}=\frac{1}{m}\underset{e\&Element;G}{\mathrm{\&Sigma;}}\frac{\mathrm{\&alpha;L}\left(e\right)}{L\left(e\right)}=\mathrm{\&alpha;}---\left(13\right)$

$E_{\mathrm{MC}}=(1-\mathrm{\&rho;})\mathrm{\&alpha;}+\frac{\mathrm{\&alpha;\&rho;}}{m\&CenterDot;<{\mathrm{\&gamma;}}^e>}\mathrm{\&Sigma;}{\mathrm{\&gamma;}}_{i,j}^e=\mathrm{\&alpha;}---\left(14\right)$

式（13）～（14）中的E_ML、E_MC分别为负荷匹配模型和改进后的匹配模型所对应的投入函数的值。由两式对比可以发现，采用优化匹配模型配置各节点的运行极限，其投入的总费用与传统的负荷匹配模型相同，其投入函数的大小均为电网的运行极限系数。

综上所述，本发明对传统的ML模型（即负荷匹配模型）进行改进，通过加强对特定节点或支路的保护，削弱网络结构脆弱性对于故障传播的影响，从而间接的抑制连锁故障规模。不仅适用于无标度电网，也适用于小世界电网。

4.下面，是采用本发明的方法的两个具体实施例。

实施例1

对于IEEE300节点系统，采用本发明的方法，根据式（5），按照支路的初始负荷大小和聚类系数分配对每个节点的投入，支路聚类系数越高、初始负荷越大，分配的投入越大，支路聚类系数越低、初始负荷越小，分配的投入越少。

由于不能直接进行实验，我们采用文献所提出的SOC-PF模型模拟电力系统连锁故障的动态过程以获得网络最大连通比率与运行极限系数的关系，如图3所示。相对于传统的负荷匹配模型即ρ＝0的状态，在改进模型中随着控制参数ρ的提升，即在高聚类支路上投入比重的增加，小世界电网的连通比率与运行极限系数间的函数关系逐渐变得平滑，当控制参数ρ＝0.2时故障规模与运行极限系数间的函数关系不再具有明显的阈值。但是随着控制参数的进一步提升，网络连通比率随运行极限系数上升阶段的斜率会开始下降，即电网投资的收益反而会逐步减低，当ρ＝1时，即极端的高聚类配置方式下，电网的连通比率将始终维持在30%以下。

出现以上现象的原因在于，高聚类支路上过多的投入会削弱对于低聚类支路的保护，从而促使低聚类的支路发生过负荷的故障引发负荷的大范围转移，使得更多的低聚类支路发生过负荷现象。低聚类的支路不存在网络连接结构上的冗余，这些支路的断开会破坏网络整体的连通。因此，当控制参数的取值过高时，故障会在低聚类的支路上传播，导致电网被分割成多个具有高聚类特性的孤岛，整个电网发生解列。图4为IEEE300节点系统中连通比率随控制参数的变化曲线，由图中可以更直观的看出控制参数对网络脆弱性的影响，图中纵轴为网络的最大连通比率，横轴为控制参数。由图4可以发现，在IEEE300节点系统中控制参数的取值在ρ∈[0.17,0.21]时，网络的连通比率会达到最大值，偏离该区域时连锁故障的抑制效果都会下降。

实施例2

以IEEE118节点、IEEE145节点、IEEE162节点、IEEE300节点等不同规模类型的电网，以及北美电网这一实际网络为对象。依照本发明的方法进行匹配，统计不同网络中控制参数的最优取值。表3为网络的拓扑结构特征参数，图5为各个网络中控制参数最优取值随运行极限系数的变化曲线。

表3力网络拓扑结构特征参数

模型	N	K	l	γ
					IEEE118	118	3.02	6.33	0.16
IEEE145	145	5.82	4.39	0.54
					IEEE162	162	3.46	5.66	0.10
IEEE300	300	2.73	9.94	0.09
					北美电网	4941	2.67	18.7	0.08

由图5可以发现，以上5个网络的控制参数最优取值均在[0.09,0.30]的范围内。在同一网络中控制参数的最优取值将随着运行极限系数的提高缓慢下降，而在不同网络中控制参数的具体取值范围将受到网络聚类特性以及网络本身规模大小的影响在小范围内波动。网络的规模越大、聚类系数越低，则网络结构中的冗余连接会相对较少，控制参数的取值相应也会较低。在以上网络中，北美实际电网的规模最大而聚类系数最低，对应的控制参数取值最低，其控制参数的取值范围为ρ∈[0.09,0.13]。而IEEE145节点系统的网络规模较小聚类系数最高，控制参数的取值也相对较高，其取值范围为ρ∈[0.21,0.26]。

本文中所描述的具体实施例仅仅是对本发明精神作举例说明。本发明所属技术领域的技术人员可以对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，但并不会偏离本发明的精神或者超越所附权利要求书所定义的范围。

Claims (4)

1.一种基于运行极限匹配模型的电网连锁故障抑制方法，其特征在于，包括以下步骤：

步骤1，将电力系统抽象成带权重的网络模型,采用输电线路的阻抗大小作网络模型中边的权重，将电力系统抽象成带权重的网络模型；

步骤2，根据抽象得到出的网络模型，计算实际电网中各条输电线路在网络模型中的聚类系数

并统计网络的特征参数，包括网络节点总数N、网络总边数m、网络的平均聚类系数

步骤3，对电网的各种工况进行稳态潮流计算，得出电网中各条输电线路潮流可以达到的最大值，记做L(e_ij),

步骤4，根据步骤1、2得出输电线路的聚类系数，以及步骤3得出的潮流最大值L(e_ij)，对电网的每条输电线路进行基于运行极限匹配模型的极限匹配，基于以下公式：

$\left\{\begin{array}{c}C\left(e_{\mathrm{ij}}\right)=(1+\mathrm{\&alpha;}(1-\mathrm{\&rho;}+\mathrm{\&rho;}\frac{{\mathrm{\&gamma;}}_{i,j}^e}{<{\mathrm{\&gamma;}}^e>}))L\left(e_{\mathrm{ij}}\right)\\ <{\mathrm{\&gamma;}}^e>=\frac{1}{m}\mathrm{\&Sigma;}{\mathrm{\&gamma;}}_{i,j}^e\end{array}\right.$ 式一；

式一中C(e_ij)、L(e_ij)分别为输电线路e_ij的运行极限和初始潮流大小，α＞0为运行极限系数；为网络模型中支路的聚类系数，<γ^e>为所有支路聚类系数的均值，m为网络的输电线路总数（即网络模型中的支路数），0＜ρ≤1为控制运行极限匹配异质性的一个控制参数，表示电网投入在高聚类支路上的比重；

步骤5，根据步骤2得到的网络特征参数，确定匹配模型中的控制参数ρ的取值范围，根据上式一得出电网中各条输电线路运行极限的取值范围。

2.根据权利要求1所述的一种基于运行极限匹配模型的电网连锁故障抑制方法，其特征在于，所述的步骤1中，带权重的网络模型基于以下公式：

式二；

w_ij＝X_ij    式三。

3.根据权利要求1所述的在上述的一种基于运行极限匹配模型的电网连锁故障抑制方法，其特征在于，所述的步骤2中，聚类系数作为反应支路对于网络冗余连接结构的重要程度评价指标，其数学表达式如下式四所示：

${\mathrm{\&gamma;}}_{i,j}^e=\frac{2{\mathrm{\&delta;}}_{i,j}^e}{{\mathrm{\&Lambda;}}_{i,j}^e}$ 式四；

式中为网络中以支路e_ij为边的三角形的个数，

为网络中以支路e_ij为边的三角元的个数，其大小为：

${\mathrm{\&Lambda;}}_{i,j}^e=(d_i-1)+(d_j-1)$ 式五；

d_i、d_j分别为支路两个端点i、j的度数，支路的聚类系数大小取决于包含支路的三角形个数以及支路端点的度数大小，在支路两端节点度数固定的情况下，以支路为边的三角形越多，则表示与该支路存在冗余连接关系的通路越多，故障在网络局部累积时，负荷向该支路转移的几率也越高；当该支路发生故障时需要转移的负荷在局部可选择的替代通路也更多，造成故障在局部反复传播的可能性也越大。

4.根据权利要求1所述的一种基于运行极限匹配模型的电网连锁故障抑制方法，其特征在于，所述的步骤5中，控制参数ρ的取值范围为ρ∈[0,0.3],其具体的最优取值会根据网络特征参数发生小幅变化,对应网络的节点总数与边数越多、聚类系数越低，则控制参数的取值相应越低。

Images