CN105225167B - 一种连锁故障序列识别系统及方法 - Google Patents
一种连锁故障序列识别系统及方法 Download PDFInfo
- Publication number
- CN105225167B CN105225167B CN201510670629.1A CN201510670629A CN105225167B CN 105225167 B CN105225167 B CN 105225167B CN 201510670629 A CN201510670629 A CN 201510670629A CN 105225167 B CN105225167 B CN 105225167B
- Authority
- CN
- China
- Prior art keywords
- probability
- line flow
- line
- circuit
- malfunction
- 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
- 238000000034 method Methods 0.000 title claims description 35
- 230000007257 malfunction Effects 0.000 claims abstract description 31
- 238000004458 analytical method Methods 0.000 claims abstract description 23
- 238000001514 detection method Methods 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims description 10
- 230000008569 process Effects 0.000 claims description 10
- 230000008439 repair process Effects 0.000 claims description 5
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000013508 migration Methods 0.000 claims description 2
- 230000005012 migration Effects 0.000 claims description 2
- 230000007613 environmental effect Effects 0.000 abstract description 3
- 238000010586 diagram Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 4
- 238000012549 training Methods 0.000 description 3
- 230000001186 cumulative effect Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000010291 electrical method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 210000002569 neuron Anatomy 0.000 description 2
- 238000004804 winding Methods 0.000 description 2
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 210000005036 nerve Anatomy 0.000 description 1
- 210000004218 nerve net Anatomy 0.000 description 1
- 230000001537 neural effect Effects 0.000 description 1
- 230000001314 paroxysmal effect Effects 0.000 description 1
- 230000000644 propagated effect Effects 0.000 description 1
- 230000001681 protective effect Effects 0.000 description 1
- 230000001105 regulatory effect Effects 0.000 description 1
- 238000007634 remodeling Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000000518 rheometry Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
一种连锁故障序列识别系统,包括:潮流故障检测分析模块、天气因素故障检测分析模块、线路综合故障概率模块,所述潮流故障检测分析模块用于分析计算线路潮流影响下的线路潮流故障概率;所述天气因素故障检测分析模块用于分析计算天气因素影响下的天气因素故障率;所述线路综合故障概率模块,用于综合所述线路潮流故障概率与所述天气因素故障率,计算线路综合故障概率。本发明的连锁故障序列识别系统,综合考虑内部时变运行状态以及外界环境因素,提出了一个搜索出电网中故障路径的方案。
Description
本案要求了2015年4月20日提交的中国实用新型专利,申请号为20152037178.8的优先权。
技术领域
本发明涉及电网故障识别领域,特别涉及一种连锁故障序列识别系统及方法。
技术背景
当前我国电网设计水准与发达国家相比,仍存在着结构较薄弱、设备与线路故障概率较高、继电保护装置不完善等缺点。特别是近几年由冰灾、雷暴等恶劣气象引起的电网连锁故障事故时有发生,保障方法的安全运行、防止电网连锁故障事故已经成为保障我国电网安全的艰巨任务。电力方法的安全、稳定运行是提高电力方法可靠性和电能质量的基本要求,其已经成为了国内外电力企业的共同要求和准则。电网规划、设计和运行方式都非常严格的遵守N-1或者N-k规则,这能够有效保障电网的安全、稳定运行。但随着电网的互联互通,可能威胁电网安全稳定运行的原因不断增加,某些突发性的事故相互影响会存在超出电力企业预测和调节能力的可能性。
传统的连锁故障研究中线路故障概率一般采用长期统计数据的平均值,忽视了方法中的不确定性因素对于连锁故障的影响。有的文献直接根据统计次数将线路率取为某个常数,使得故障评估方法不够精确。因此采用传统可靠性分析方法难以真实反映处于故障状态时的电网可靠性水平。
发明内容
为了解决上述潜在问题,本发明在于克服现有技术所存在的不足,提供一种能够真实反映处于故障状态时的电网可靠性、精确识别电网故障的连锁故障识别系统。
为了实现上述发明目的,本发明采用的技术方案是:
一种连锁故障序列识别系统,包括:潮流故障检测分析模块、天气因素故障检测分析模块、线路综合故障概率模块,所述潮流故障检测分析模块用于分析计算线路潮流影响下的线路潮流故障概率;所述天气因素故障检测分析模块用于分析计算天气因素影响下的天气因素故障率;所述线路综合故障概率模块,用于综合所述线路潮流故障概率与所述天气因素故障率,计算线路综合故障概率。
进一步地,所述潮流故障检测分析模块中线路潮流故障概率计算如下:
当线路潮流在正常范围内时,取线路潮流故障概率P(L)为统计平均值,
当线路潮流在正常值上限与极限值Lmax之间时,线路潮流故障概率为:
当线路潮流大于等于极限值时,线路潮流故障概率为1;
其中,是线路潮流正常值下限,是线路潮流正常值上限。
进一步地,所述天气因素故障检测分析模块中,天气因素线路故障率采用神经网络对不同天气下线路故障率进行预测。
进一步地,所述线路综合故障概率模块中,线路综合故障概率计算如下:
1)将不同天气下天气因素故障率与根据式转换而来的线路潮流故障概率λs进行比较,取两者较大值为最终支路故障率,其中,μ为修复率;
2)根据1)中最终支路故障率,通过两状态马尔柯夫状态转移过程,得到考虑线路潮流、天气因素的线路综合故障概率P:
当t→∞时,得到平稳状态概率:
其中,P(t)=[p(t),q(t)],p(t)、q(t)为线路正常与故障概率,μ为修复率,λ为最终支路故障率。
一种连锁故障序列识别方法,连锁故障序列识别步骤为:
步骤1:选取初始故障线路并断开所选故障线路;
步骤2:更新当前电网网络参数,根据当前电网网络参数计算线路潮流故障概率和天气因素线路故障率,选取两者的较大值,对于所述较大值利用马尔柯夫过程得到当前网络线路综合故障概率;
步骤3:判断是否线路过载而断开,若是,则返回步骤2,若否则执行步骤4;
步骤4:判断是否有线路接近潮流上限值,若是,则断开此处线路,返回步骤2;若否,则执行步骤5;
步骤5:判断当前电网是否出现潮流不收敛或方法解列为孤岛的情况,
若是,则记录当前搜索路径,并输出连锁故障开断序列;若否,则返回步骤3。
与现有技术相比,本发明的有益效果
1、本发明的一种连锁故障序列识别系统,采用运行可靠性理论,分析潮流变化对线路停运的影响并建立了线路停运概率方法,在该方法下线路故障概率不仅随流经线路的潮流变化而变化,同时还计及了线路潮流从正常运行状态到功率极限过程的累积效应,相比于传统运行可靠性方法,更加符合实际。
2、本发明的一种连锁故障序列识别系统,根据不断变化的天气因素,经过分析不通过线路所处环境因素(如天气、气温等)的基础上进行统计分类,进而通过神经网络得到故障率与外界因素的变化关系,预测当前外界环境下线路故障率,最后,综合考虑电网实际运行状态、外界环境因素情况,提出综合的连锁故障预测方法,并预测连锁故障序列,相比现有技术其识别精确度更高。
附图说明
图1是本发明的一个具体实施例示出的连锁故障序列识别系统模块框图。
图2是本发明的一个具体实施例示出的线路潮流故障概率变化曲线图。
图3是本发明的一个具体实施例示出的基于神经网络的天气因素线路故障率预测原理图。
图4是本发明的一个具体实施例示出的连锁故障序列识别方法流程图。
具体实施方式
下面结合具体实施方式对本发明作进一步的详细描述。但不应将此理解为本发明上述主题的范围仅限于以下的实施例,凡基于本发明内容所实现的技术均属于本发明的范围。
实施例1:
图1是本发明的一个具体实施例示出的连锁故障序列识别系统模块框图,包括:潮流故障检测分析模块1、天气因素故障检测分析模块2、线路综合故障概率模块3,所述潮流故障检测分析模块用于分析计算线路潮流影响下的线路潮流故障概率;所述天气因素故障检测分析模块用于分析计算天气因素影响下的天气因素故障率;所述线路综合故障概率模块,用于综合所述线路潮流故障概率与所述天气因素故障率,计算线路综合故障概率。
本发明的一种连锁故障序列识别系统,采用运行可靠性理论,分析潮流变化对线路停运的影响并建立了线路停运概率方法,在该方法下线路故障概率不仅随流经线路的潮流变化而变化,同时还计及了线路潮流从正常运行状态到功率极限过程的累积效应,相比于传统运行可靠性方法,更加符合实际。
图2是本发明的一个具体实施例示出的线路潮流故障概率变化曲线图。
当线路潮流在正常范围内时,取线路潮流故障概率P(L)为统计平均值,
当线路潮流在正常值上限与极限值Lmax之间时,线路潮流故障概率为:
当线路潮流大于等于极限值时,线路潮流故障概率为1;
其中,是线路潮流正常值下限,是线路潮流正常值上限。
图3是本发明的一个具体实施例示出的基于神经网络的天气因素线路故障率预测原理图。
所述潮流故障检测分析模块中线路潮流故障概率计算如下:
具体的,所述天气因素线路故障率采用神经网络方法对不同天气下线路故障率进行预测。预测当前天气下线路故障率神经网络包括正向输入信号传播和反向误差传播两个过程。输入信号正向传播时,信号从输入层进入网络,经过隐层逼近后,从输出层输出。通过比较输出层输出与期望值,若有误差较大,则进入误差反向传播过程。误差反向传播过程是从输出层向输入层逐层反传误差,并将误差交给每一层所有神经元,进而得到每一层神经元的误差信号,将其作为各神经元权值的修正依据。经过不断的训练神经网络,即信号正向传播和误差反向传播过程不断交替出现,逐渐对每一层正向传播与反向传播的权值进行调整,直到该神经网络训练次数达到预先设定的次数或输出的误差满足预先规定的要求为止。训练完成后,该神经网络会对每一给定输入行预测或分类出相应的输出。
本发明采用现有的BP神经网络进行故障预测,在此不在赘述。
所述线路综合故障概率模块中,线路综合故障概率计算如下:
1)将基于神经网络得到的不同天气因素影响下的天气因素线路故障率λc与根据转换而来的基于支路潮流运的线路故障率λs进行比较,取两者较大值为最终支路故障率:
λ=max{λs,λc}
2)利用两状态齐次马尔柯夫过程,可得:
转移密度矩阵A为:
得到考虑线路潮流、天气因素的线路综合故障概率P:
当t→∞时,得到平稳状态概率:
其中,P(t)=[p(t),q(t)],p(t)、q(t)为线路正常与故障概率,μ为修复率,λ为最终支路故障率。
本发明的一种连锁故障序列识别系统,根据不断变化的天气因素,经过分析不通过线路所处环境因素(如天气、气温等)的基础上进行统计分类,进而通过神经网络得到故障率与外界因素的变化关系,预测当前外界环境下线路故障率,最后,综合考虑电网实际运行状态、外界环境因素情况,提出综合的连锁故障预测方法,并预测连锁故障序列,相比现有技术其识别精确度更高。
图4是本发明的一个具体实施例示出的连锁故障序列识别方法流程图。
具体的,所述连锁故障序列识别步骤为:
步骤1:选取初始故障线路并断开所选故障线路;
步骤2:更新当前电网网络参数,根据当前电网网络参数计算线路潮流故障概率和天气因素线路故障率,选取两者的较大值,对于所述较大值利用马尔柯夫过程得到当前网络线路综合故障概率;
步骤3:判断是否线路过载而断开,若是,则返回步骤2,若否则执行步骤4;
步骤4:判断是否有线路接近潮流上限值,若是,则断开此处线路,返回步骤2;若否,则执行步骤5;
步骤5:判断当前电网是否出现潮流不收敛或方法解列为孤岛的情况,
若是,则记录当前搜索路径,并输出连锁故障开断序列;若否,则返回步骤3。
上面结合附图对本发明的具体实施方式进行了详细说明,但本发明并不限制于上述实施方式,在不脱离本申请的权利要求的精神和范围情况下,本领域的技术人员可以作出各种修改或改型。
Claims (4)
1.一种连锁故障序列识别系统,其特征在于,包括:潮流故障检测分析模块、天气因素故障检测分析模块、线路综合故障概率模块,所述潮流故障检测分析模块用于分析计算线路潮流影响下的线路潮流故障概率;所述天气因素故障检测分析模块用于分析计算天气因素影响下的天气因素故障率;所述线路综合故障概率模块,用于综合所述线路潮流故障概率与所述天气因素故障率,计算线路综合故障概率;
其中,所述线路综合故障概率模块中,线路综合故障概率计算如下:
1)将不同天气下天气因素故障率与根据式转换而来的线路潮流故障概率λs进行比较,取两者较大值为最终支路故障率,其中,μ为修复率;
2)根据1)中最终支路故障率,通过两状态马尔柯夫状态转移过程,得到考虑线路潮流、天气因素的线路综合故障概率P;
当t→∞时,得到平稳状态概率:
其中,P(t)=[p(t),q(t)],p(t)、q(t)为线路正常与故障概率,μ为修复率,λ为最终支路故障率。
2.根据权利要求1所述的一种连锁故障序列识别系统,其特征在于,所述潮流故障检测分析模块中线路潮流故障概率计算如下:
当线路潮流在正常范围内时,取线路潮流故障概率P(L)为统计平均值
当线路潮流在正常值上限与极限值Lmax之间时,线路潮流故障概率为:
当线路潮流大于等于极限值时,线路潮流故障概率为1;
其中,是线路潮流正常值下限,是线路潮流正常值上限。
3.根据权利要求1所述的一种连锁故障序列识别系统,其特征在于,所述天气因素故障检测分析模块中,天气因素线路故障率采用神经网络对不同天气下线路故障率进行预测。
4.一种连锁故障序列识别方法,其特征在于,连锁故障序列识别步骤为:
步骤1:选取初始故障线路并断开所选故障线路;
步骤2:更新当前电网网络参数,根据当前电网网络参数计算线路潮流故障概率和天气因素线路故障率,选取两者的较大值,对于所述较大值利用马尔柯夫过程得到当前网络线路综合故障概率;
步骤3:判断是否线路过载而断开,若是,则返回步骤2,若否则执行步骤4;
步骤4:判断是否有线路达到潮流上限值,若是,则断开此处线路,返回步骤2;若否,则执行步骤5;
步骤5:判断当前电网是否出现潮流不收敛或方法解列为孤岛的情况,若是,则记录当前搜索路径,并输出连锁故障开断序列;若否,则返回步骤3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201510670629.1A CN105225167B (zh) | 2015-04-20 | 2015-10-13 | 一种连锁故障序列识别系统及方法 |
Applications Claiming Priority (3)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN2015202371788 | 2015-04-20 | ||
CN201520237178 | 2015-04-20 | ||
CN201510670629.1A CN105225167B (zh) | 2015-04-20 | 2015-10-13 | 一种连锁故障序列识别系统及方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN105225167A CN105225167A (zh) | 2016-01-06 |
CN105225167B true CN105225167B (zh) | 2018-09-14 |
Family
ID=54994120
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201510670629.1A Active CN105225167B (zh) | 2015-04-20 | 2015-10-13 | 一种连锁故障序列识别系统及方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN105225167B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106684468B (zh) * | 2016-07-08 | 2018-11-13 | 上海电力学院 | 一种蓄电池阵列多目标优化设计方法 |
CN109787834B (zh) * | 2019-01-25 | 2021-10-22 | 广西电网有限责任公司电力科学研究院 | 计及电网运行参数的核电机组非独立故障概率的计算方法 |
CN109768625A (zh) * | 2019-03-29 | 2019-05-17 | 国网山东省电力公司费县供电公司 | 一种电力系统检修管理终端及方法 |
CN113553547A (zh) * | 2021-07-15 | 2021-10-26 | 广西电网有限责任公司电力科学研究院 | 一种架空线路时变故障概率计算系统及方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7444677B2 (en) * | 2004-03-05 | 2008-10-28 | Microsoft Corporation | Intentional cascade failure |
CN101592700A (zh) * | 2009-06-25 | 2009-12-02 | 江西省电力科学研究院 | 基于事故链的大电网连锁故障分析方法 |
CN102222890A (zh) * | 2011-06-10 | 2011-10-19 | 河南省电力公司 | 一种计及恶劣天气因素的复杂电网连锁故障分析方法 |
-
2015
- 2015-10-13 CN CN201510670629.1A patent/CN105225167B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7444677B2 (en) * | 2004-03-05 | 2008-10-28 | Microsoft Corporation | Intentional cascade failure |
CN101592700A (zh) * | 2009-06-25 | 2009-12-02 | 江西省电力科学研究院 | 基于事故链的大电网连锁故障分析方法 |
CN102222890A (zh) * | 2011-06-10 | 2011-10-19 | 河南省电力公司 | 一种计及恶劣天气因素的复杂电网连锁故障分析方法 |
Non-Patent Citations (1)
Title |
---|
基于运行可靠性和结构重要度的连锁故障预测;贺强 等;《电测与仪表》;20150110;第52卷(第1期);正文第1-4节 * |
Also Published As
Publication number | Publication date |
---|---|
CN105225167A (zh) | 2016-01-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Basnet et al. | An intelligent fault detection model for fault detection in photovoltaic systems | |
CN105225167B (zh) | 一种连锁故障序列识别系统及方法 | |
CN109118098A (zh) | 高比例风电并网的连锁故障风险评估方法及系统 | |
CN102663412B (zh) | 基于最小二乘支持向量机的电力设备载流故障趋势预测方法 | |
CN105425768B (zh) | 一种电力二次设备监测装置及方法 | |
Zaki et al. | Deep‐learning–based method for faults classification of PV system | |
CN105467971B (zh) | 一种电力二次设备监测系统及方法 | |
CN106327033B (zh) | 一种基于马尔可夫过程的电力系统连锁故障解析方法 | |
CN103279808B (zh) | 恶劣天气下的电力系统线路状态转移概率预测分析方法 | |
CN105954616B (zh) | 基于外特性电气参数的光伏组件故障诊断方法 | |
CN105719094A (zh) | 一种输电设备状态评估方法 | |
Mustafa et al. | Fault identification for photovoltaic systems using a multi-output deep learning approach | |
Tang et al. | Securing microgrid optimal energy management using deep generative model | |
Zhang et al. | Online power system dynamic security assessment with incomplete PMU measurements: A robust white‐box model | |
Poudel et al. | Circuit topology estimation in an adaptive protection system | |
CN113486291B (zh) | 一种基于深度学习的石油钻机微电网故障预测方法 | |
He et al. | Detection of false data injection attacks leading to line congestions using Neural networks | |
CN102005743A (zh) | 基于径向基神经网络的自适应继电保护装置 | |
CN107064745B (zh) | 基于暂态电流信息和小波熵的分级式故障诊断方法 | |
CN117236030A (zh) | 台风灾害下考虑级联过载故障发生的电力系统韧性评估建模方法 | |
CN117526561A (zh) | 基于数字孪生的变电站设备异常监控和预警方法及系统 | |
Mei et al. | A data‐driven approach to state assessment of the converter valve based on oversampling and Shapley additive explanations | |
CN116189802A (zh) | 一种基于气体浓度时序数据的变压器故障预警方法 | |
Liu et al. | Dynamic security assessment of western Danish power system based on ensemble decision trees | |
CN104659917A (zh) | 一种基于多约简和可信度的故障诊断方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
C06 | Publication | ||
PB01 | Publication | ||
C10 | Entry into substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
GR01 | Patent grant | ||
GR01 | Patent grant |