CN106355308B - 一种基于决策树辨识风电接入系统关键设备的方法 - Google Patents
一种基于决策树辨识风电接入系统关键设备的方法 Download PDFInfo
- Publication number
- CN106355308B CN106355308B CN201610715878.2A CN201610715878A CN106355308B CN 106355308 B CN106355308 B CN 106355308B CN 201610715878 A CN201610715878 A CN 201610715878A CN 106355308 B CN106355308 B CN 106355308B
- Authority
- CN
- China
- Prior art keywords
- probability
- failure
- value
- power failure
- wind power
- 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 abstract description 68
- 238000003066 decision tree Methods 0.000 title claims abstract description 50
- 230000010354 integration Effects 0.000 title claims abstract description 13
- 238000012502 risk assessment Methods 0.000 claims abstract description 4
- 238000004088 simulation Methods 0.000 claims description 20
- 230000009467 reduction Effects 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 5
- 238000012216 screening Methods 0.000 claims description 5
- 238000012549 training Methods 0.000 claims description 4
- 238000004458 analytical method Methods 0.000 abstract description 44
- 230000005540 biological transmission Effects 0.000 abstract description 10
- 238000009826 distribution Methods 0.000 description 23
- 230000005611 electricity Effects 0.000 description 17
- 230000000694 effects Effects 0.000 description 13
- 230000008859 change Effects 0.000 description 8
- 238000000354 decomposition reaction Methods 0.000 description 8
- 230000005684 electric field Effects 0.000 description 8
- 208000003443 Unconsciousness Diseases 0.000 description 6
- 230000035699 permeability Effects 0.000 description 6
- 230000007423 decrease Effects 0.000 description 5
- 230000000875 corresponding effect Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 235000013399 edible fruits Nutrition 0.000 description 3
- 238000009434 installation Methods 0.000 description 3
- 230000007257 malfunction Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 3
- 230000008901 benefit Effects 0.000 description 2
- 230000015572 biosynthetic process Effects 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 238000012850 discrimination method Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001737 promoting effect Effects 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000006641 stabilisation Effects 0.000 description 2
- 238000011105 stabilization Methods 0.000 description 2
- 230000001360 synchronised effect Effects 0.000 description 2
- 235000006508 Nelumbo nucifera Nutrition 0.000 description 1
- 240000002853 Nelumbo nucifera Species 0.000 description 1
- 235000006510 Nelumbo pentapetala Nutrition 0.000 description 1
- 230000009471 action Effects 0.000 description 1
- 239000012141 concentrate Substances 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 230000002596 correlated effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 230000003247 decreasing effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 238000000227 grinding Methods 0.000 description 1
- 230000005764 inhibitory process Effects 0.000 description 1
- 230000000977 initiatory effect Effects 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 239000011159 matrix material Substances 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000000630 rising effect Effects 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 230000009897 systematic effect Effects 0.000 description 1
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
- G06Q10/06—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
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种基于决策树辨识风电接入系统关键设备的方法。该方法包括：通过计算N次连锁故障的概率和N次连锁故障的停电规模，确定VaR指标的目标阈值，然后将N次连锁故障仿真数据采用递归方式生成决策树并分析，筛选决策树中符合要求的叶子节点，选取叶子节点所在的路径中的一个属性变量作为待定关键属性变量，对应的控制设备为待定关键设备，通过待定关键设备减少待定关键属性变量在所述路径中出现的概率，对进行控制后的系统进行停电风险评估，风险指标值满足要求，控制完成，仿真停止，证实该属性变量为关键设备。采用本发明方法可以分析除系统传输线路以外的关键停电因素，从分析结果中可以得到“关键故障集”，适用于含风电场的电力系统。
Description
技术领域
本发明涉及电力领域，特别是涉及一种基于决策树辨识风电接入系统关键 设备的方法。
背景技术
电力系统的安稳运行是维持人类社会正常运转与持续发展的重要保障，为 了保证电力系统的安全性，根据时间段与安全分析要求的不同，需要在多场景 中评估系统的运行状态并采取不同的方式控制系统的风险。为了降低系统的停 电风险，通常要在分析停电过程的基础上，识别系统最容易导致大规模停电事 故的薄弱环节或关键设备即关键停电因素，通过对该环节或设备采取相应的控 制手段以降低引发严重后果的可能性。
经查阅文献可知，一种是采用改进k核方法来识别电力系统中的脆弱线路。 首先利用N-1校验得到线路开断造成的潮流转移功率增量，依此得到线路的相 关性网络，并将线路看作虚拟的“节点”，利用相关性网络信息求取节点的加权 度。在此基础上，运用改进k核方法，即移除加权度最小的节点并在相关节点 的加权度中减去受该移除节点影响的加权分量，循环直至相关性网络中所有节 点的度都比最初移除的度更大为止，此时该批次移除的所有节点的k核值定为 最初被移除的节点的度。依此循环直至得出所有节点的k核值，而k核值的大 小可以指明线路的脆弱程度。
但是，在脆弱线路的分析中，一般会得到线路的重要程度排序。但在实际 系统中，会导致较为严重的停电后果的或许是几条关键线路的连锁开断，即“关 键故障集”，此时单一的重要线路不足以反映这部分信息。而且，目前系统停 电因素的分析方法针对不含风电的电力系统，系统关键停电因素的分析对象仅 为系统的传输线路。在含风电场的系统内，引发停电的原因除了线路故障外， 还包括风电场的相关状态，而目前的分析方法没有涉及风电影响分析这方面。
发明内容
本发明的目的是提供一种基于决策树辨识风电接入系统关键设备的方法， 以解决传统的研究方法对含风电场的电力系统关键停电设备与薄弱环节的分 析辨识不适用问题，进而准确的确定出关键停电设备，降低关键停电设备意外 故障的概率。
为实现上述目的，本发明提供了如下方案：
一种基于决策树辨识风电接入系统关键设备的方法，所述方法包括：
对电力系统进行仿真，根据仿真结果计算系统产生初始故障的概率和风电 场风电机组的状态转换概率，计算第i次连锁故障的概率pi，i取值范围为 1≤i≤N，得到N次连锁故障的概率；计算第i次连锁故障的停电规模 xi,1≤i≤N，得到N次连锁故障的停电规模；确定停电风险指标VaR的目标阈 值；
将连锁故障仿真结果得到的训练样本N次连锁故障的停电规模按照样本 属性、样本类别采用递归方式生成决策树；
所述样本属性包括仿真结束时每条线路的运行状态和风电场的脱网功率， 所述线路的运行状态为离散属性变量，取值第一变量值代表线路断开状态，取 值第二变量值代表线路运行状态；所述风电场脱网功率为连续属性变量，取值 为脱网功率值，将所述线路运行状态按线路标号排序，所述风电场脱网功率排 在最后一个线路运行状态之后；所述样本类别包括两类：一类为“当次仿真失 负荷量低于或等于VaR指标的目标阈值”，类别变量取值为第一变量值；另一类 是“当次仿真失负荷量高于VaR指标的目标阈值”，类别变量取值为第二变量值；
筛选所述决策树中类别变量值为第二变量值且概率高于设定值的叶子节 点，所述概率为所述叶子节点内的样本的概率和；
所述叶子节点所在的路径有多个属性变量，从所述路径中根据特定原则选 取一个属性变量作为待定关键属性变量，所述待定关键属性变量对应的控制设 备为待定关键设备；
减少所述待定关键属性变量在所述路径中出现的概率；对减少所述待定关 键属性变量在所述路径中出现的概率后的系统进行仿真，根据仿真结果进行停 电风险评估，风险指标值未满足要求，返回执行“筛选所述决策树中类别变量 值为第二变量值且第i次连锁故障的概率高的叶子节点”的步骤；否则控制完 成，所述仿真停止，将所述待定关键设备确定为关键设备。
可选的，所述计算第i次连锁故障的概率pi具体包括：利用公式 pi＝p(Ki0)p(Ki1|Ki0)p(Ki2|Ki1)…计算第i次连锁故障的概率pi，i取值范围为 1≤i≤N；
其中，Kij为第i次连锁故障仿真中第j阶段的系统状态变量集合，p(Ki0)为 所述系统产生初始故障的概率，p(Ki1|Ki0)是在初始故障条件下风电场风电机组 并网的状态转换概率，在j≥2时，p(Kij|Ki(j-1))为系统因外界或/和自身变化原因 造成的状态转换概率。
可选的，所述第i次连锁故障的停电规模xi具体包括：
利用公式计算第i次连锁故障的停电规模xi,1≤i≤N，其中，xi表 示第i次连锁故障的停电规模，Cij为第i次连锁故障仿真中第j阶段的停电规 模。
可选的，所述VaR目标阈值在置信水平σ下，VaR满足其中p(x) 为仿真样本的风险密度函数。
可选的，所述VaR目标阈值具体为：l＝0.1。
可选的，所述决策树中在计算所述信息熵、所述信息增益与所述信息增益 率指标时，用到的概率为综合自身出现概率和外界影响进行折算得到的真实概 率。
可选的，所述减少所述待定关键属性变量在所述路径中出现的概率具体包 括：所述待定关键属性变量包括风电场脱网和线路运行状态，采用引入风电机 组虚拟惯量和增设无功补偿的方式减小风电场脱网在所述路径中出现的概率； 采用增加设备容量的方法减小线路运行状态在所述路径中出现的概率。
根据本发明提供的具体实施例，本发明的有益效果为：
1、可以分析除系统传输线路以外的关键停电因素，如本发明中的“风电脱 网功率”。解决了目前已有的分析方法中对系统关键停电因素的分析对象仅为 系统的传输线路的问题，在含风电场的系统内，引发停电的原因除了线路故障 外，还包括风电场的相关状态，而目前的分析方法没有涉及风电影响分析这方 面，已有的系统停电因素的分析方法大多针对不含风电的电力系统。本发明则 改善了这一问题。
2、对传统决策树分析进行一定改进，使之成为适应于含风电场的电力系 统关键停电因素辨识的方法，且在分析结果中可以得到“关键故障集”。解决了 以下问题：传统的脆弱线路分析方法中，得到线路的重要程度排序，而在实际 系统中，会导致较为严重的停电后果的或许是几条关键线路的连锁开断，即“关 键故障集”，导致单一的重要线路不足以反映这部分信息。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施 例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是 本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性 的前提下，还可以根据这些附图获得其他的附图。
图1为本发明基于决策树辨识风电接入系统关键设备的方法流程图；
图2为本发明基于决策树辨识风电接入系统关键设备的方法采用的算例 系统的结构图；
图3为实施例1在90％风电出力下进行仿真分析后得到决策树结构图；
图4为实施例1在90％风电出力下的引入虚拟惯量前后停电概率分布图；
图5为实施例1在90％风电出力下的增设无功补偿前后停电概率分布图；
图6为实施例1在90％风电出力下的两种控制方法后停电概率分布图；
图7a1为实施例2在20％风电出力下的容量升级前后停电概率分布图；
图7a2为实施例2在60％风电出力下的容量升级前后停电概率分布图；
图7a3为实施例2在90％风电出力下的容量升级前后停电概率分布图；
图8a1为实施例2在20％风电出力下的两种控制方法后停电概率分布图；
图8a2为实施例2在60％风电出力下的两种控制方法后停电概率分布图；
图8a3为实施例2在90％风电出力下的两种控制方法后停电概率分布图。
具体实施方式
下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清 楚、完整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是 全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造 性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
本发明的目的是提供一种基于决策树辨识风电接入系统关键设备的方法， 以解决传统的研究方法中对风电场的电力系统停电因素与薄弱环节分析研究 不足的问题。
为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和 具体实施方式对本发明作进一步详细的说明。
图1为本发明基于决策树辨识风电接入系统关键设备的方法流程图，如图 1所示，该方法包括：
步骤101：通过公式计算第i次连锁故障的停电规模xi，得到N次 连锁故障的停电规模；
其中，xi表示连锁故障仿真的停电规模，Cij为第i次连锁故障仿真中第j阶 段的停电规模；造成停电损失的原因同样有系统拓扑变化、潮流分布变化、频 率变化、电压变化、设备运行状态变化等，也受到系统分岛情况、各岛频率状 况、各节点电压水平、各线路传输功率水平等因素的影响。
步骤102：通过计算第i次连锁故障的概率pi，得到N次连锁故障的概率；
首先对电力系统进行仿真，由于连锁故障过程中系统的状态变化具有马尔 科夫性，即该阶段系统的最终状态取决于该阶段系统的初始状态，则该阶段的 系统状态变化概率可以用条件概率表示。根据条件概率的递推方式，可以得到 当次连锁故障的概率pi，因此根据仿真结果计算系统产生初始故障的概率和风 电场风电机组的状态转换概率，利用公式pi＝p(Ki0)p(Ki1|Ki0)p(Ki2|Ki1)…计算第i 次连锁故障的概率pi，i取值范围为1≤i≤n；
其中，Kij为第i次连锁故障仿真中第j阶段的系统状态变量集合，p(Ki0)为 所述系统产生初始故障的概率，p(Ki1|Ki0)是在初始故障条件下风电场风电机组 并网的所述状态转换概率，在j≥2时，p(Kij|Ki(j-1))为系统因拓扑变化、潮流分 布变化、频率变化、电压变化、设备运行状态变化等原因造成的状态转化概率， 根据状态转化机制的不同，该概率可能受到系统分岛情况、各岛频率状况、各 节点电压水平、各线路传输功率水平等因素的影响。
步骤103：确定停电风险指标VaR的目标阈值；由于仿真样本的离散型使 得其风险密度函数p(x)离散化，则在置信水平σ下，VaR满足
为降低系统的VaR指标，需为VaR指标设定目标阈值l。要使VaR指标低于目 标阈值，需令停电规模大于该阈值的概率和低于1-σ。由前述分析可知，当次 连锁故障的概率与停电规模均需要对整个连锁故障进行完整模拟后才能得到， 因此需要从仿真结果中得到概率与停电规模数据，并筛选满足停电规模x≥l的 样本进行分析。如果能够使得这些事故的概率下降或是停电规模下降，则有可 能使得VaR下降至要求水平，且同时使得系统的停电风险降低。
不失一般性，本文认为失负荷规模达到10％的停电事故为严重事故，因 此将VaR指标的目标阈值设定为l＝0.1，并在此基础上进行分析。
值得说明的是，本发明对步骤101、步骤102和步骤103三个步骤完成的 先后顺序不做限定，待三个步骤全部完成后即可执行后续步骤内容。
步骤104：将连锁故障仿真结果得到的训练样本N次连锁故障的停电规模 按照样本属性、样本类别采用递归方式生成决策树；
所述样本属性包括仿真结束时每条线路的运行状态和风电场的脱网功率， 所述线路的运行状态为离散属性变量，取值可以为0代表线路断开状态，取值 可以为1代表线路运行状态；所述风电场脱网功率为连续属性变量，取值为脱 网功率值，将所述线路运行状态按线路标号排序，所述风电场脱网功率排在最 后一个线路运行状态之后，例如，在IEEE30节点系统中有41条传输线路， 因此样本属性1-41代表标号为1-41的线路的运行状态，样本属性42代表风 电场脱网功率；所述样本类别包括两类：一类为“当次仿真失负荷量低于或等 于VaR指标的目标阈值”，类别变量取值可以为0；另一类是“当次仿真失负荷 量高于VaR指标的目标阈值”，类别变量取值可以为1。
原始决策树方法中，认为所有训练样本的出现概率是相等的，因此用子集 中的样本数目占样本集样本数目的比例来近似该子集的比重，但这在连锁故障 结果分析中并不适用。连锁故障仿真中，每次仿真的结果都包含自身出现概率， 这个概率由初始故障率、保护动作条件概率等共同决定。而且，由于连锁故障 仿真采样采用调整后的故障概率，如果不将样本概率修改为折算后的概率，在 不同区域中的不同采样密度会影响最后得到的决策树结构。因此，在计算信息 熵、信息增益与信息增益率指标时，用到的概率为综合自身出现概率和外界影 响进行折算得到的真实概率。
步骤105：筛选所述决策树中类别变量值为1且概率高于设定值的叶子节 点；
由决策树的生成过程可知，叶子节点的概率为归属到该类中所有样本的概 率和，也就是本文中划分到该类中的样本停电规模的概率和。
此外，决策树的生成过程中，在进行分裂时，优先选择信息增益率最高即 让样本的有序程度提升最多的属性，因此如果一个属性所对应的分裂节点越靠 近树的根部，说明这个属性对于样本分类的作用越明显，也表明这个属性与样 本类别之间的关系越密切，那么这个属性对于类别分界而言关键度越高。另外， 决策树由根部到叶节点的路径表明了样本属性影响样本类别的方式，路径上的 节点属性值组合说明了相应属性是怎样通过共同作用导致了当前样本的归属 的。
由于在决策树构建过程中考虑了样本的出现概率，因此每个叶节点的出现 概率即为该节点样本集合中元素的概率和。不同的叶节点的出现概率不同，反 映了从根部到不同叶节点的路径重要程度的不同。
结合停电风险的分析控制思路，我们需要关注基于仿真结果数据所构建的 决策树中类别为1且具有高概率的叶子节点，使其概率或停电规模尽量减少。 这些叶节点的路径分支给出了影响该样本集合的关键属性状态。认为这些变量 状态与系统失负荷规模达到目标阈值这一现象关系密切，则应该针对这些环节 采取控制手段，尽量减少这些变量状态出现的概率；
步骤106：所述叶子节点所在的路径有多个属性变量，一般为靠近根节点 的路径，从所述路径中根据一定原则选取一个属性变量做为待定关键属性变 量；
根据决策树的内涵，可知路径上的属性变量与该路径指向的类别关系密 切，且该路径指向的类别由路径上的属性变量值共同决定。当该路径上有多个 属性变量，说明该叶子节点中样本以这几个因素处于当前状态为主要的共同特 征，也说明这些样本的停电结果是在这几个处于该状态的因素的共同作用下形 成的。因此，可以把这些与停电事故有紧密联系的因素组合称为“关键故障集”， 并从这些“关键故障集”入手对系统采取控制措施。
在选择属性变量时，可以通过相关性矩阵等方法简单判断路径中各因素的 因果关系后选择性质偏于“原因”的属性，也可以通过粗略评估经济性进行选 择。在没有辅助信息的情况下，一般选择更靠近根节点的属性变量。
步骤107：待定关键属性变量对应的控制设备为待定关键设备，对待定关 键设备进行控制，减少所述待定关键属性变量在所述路径中出现的概率；
由于仿真样本受到“关键故障集”的共同作用而引发连锁故障失负荷后果， 因此可以考虑调整系统参数以减小其中某个因素的该状态的出现概率，以此破 坏关键故障集中的因素组合，从而达到消除这一连锁模式、降低停电风险的目 的。
步骤108：对进行所述控制后的系统进行仿真，根据仿真结果进行停电风 险评估，判断风险指标值是否满足要求；若满足要求，则执行步骤109；否则， 执行步骤105。
步骤109：控制完成，所述仿真停止，将所述待定关键设备确定为关键设 备；从而对关键设备采取控制措施降低系统的停电风险。
图2为本发明基于决策树辨识风电接入系统关键设备的方法采用的算例 系统的结构图，采用IEEE30节点系统作为算例系统。该系统共含6个同步发 电单元，总装机容量240MW，负荷为234.98MW，为了充分评估风电场接入 对系统停电风险的影响，本申请设计了包含12台风电机组的风电场，并接入 系统节点5。
针对不同分析目的，以下进行仿真分析的两个实施例均基于此系统，但参 数有所不同。
实施例1：风电场总装机容量为120MW；风电不发时，电网侧线路平均 负载率为0.2280；系统通过N-1安全校验。该系统特征为高风电渗透率、高线 路容量裕度。
实施例2：风电场总装机容量为48MW；风电不发时，电网侧线路平均负 载率为0.3879；系统通过N-1安全校验。该系统特征为低风电渗透率、低线路 容量裕度。
图3为实施例1在90％风电出力下进行仿真分析后得到决策树结构图，该 图是以风电场出力90％的场景为例得到的决策树，由图中可见，该决策树的第 一个分裂属性为风电场脱网功率。当风电场的脱网功率超过阈值，系统的失负 荷量将有很高可能达到10％。而且该路径的出现概率高达0.9％，可见风电场 风电机组大量脱网是导致系统停电风险过高的关键因素。
系统的停电风险的首要影响因素之所以是风电脱网功率，主要是由于该系 统的风电场装机容量较高，风电渗透率达到50％。当短路故障导致风电机组脱 网，系统容易出现较大的功率缺额，会导致系统动态频率急剧跌落，引发频率 稳定控制动作采取切负荷操作，并进一步因系统运行条件恶劣而造成后续故 障。另外，该系统的停电风险之所以随着风电场出力水平的上升而上升，是因 为风电场处于高发状态时，短路故障后电压跌落程度更深，且风电机组脱网后 损失的发电功率更大。
根据以上分析，可以考虑从两方面采取控制降低系统的停电风险：(1)减 小风电机组脱网对系统的影响程度；(2)降低风电机组的脱网概率。
由于风电机组发生脱网后，首先受到影响的是系统的频率稳定，因此尝试 在系统中引入风电机组虚拟惯量来缓解功率缺额的冲击。
图4为实施例1在90％风电出力下的引入虚拟惯量前后停电概率分布图， 表1为实施例1在90％风电出力下的引入虚拟惯量前后停电风险指标值对比 表，如表1所示:
表1
对比不含虚拟惯量与含虚拟惯量的指标结果，可以看出各项指标尤其是VaR有明显减小，可见在高风电渗透率系统中加入风电机组的虚拟惯量十分必 要。另外，风电出力越高的系统指标值下降得越快，说明虚拟惯量在高风电出 力情况下对停电风险的抑制效果更强。
风电机组脱网的原因，除风电机组自身质量缺陷或配置不当，其余原因电 压保护直接起动、Crowbar保护投入导致电压进一步下降、风电组超速等都与 电压跌落程度有关，且电压跌落越多概率越大。因此，可以从两方面入手降低 风电机组的脱网概率：(1)改进风电机组的制造工艺与控制技术来降低其意外 脱网的可能性；(2)在风电场内加装无功补偿装置，在故障期间为系统提供一 定的无功支撑，从而抬升短路电压。
图5为实施例1在90％风电出力下的增设无功补偿前后停电概率分布图， 表2为实施例1在90％风电出力下的增设无功补偿前后停电风险指标值对比 表，如表2所示：
表2
可见，在风电场内增设无功补偿后，当前系统的VaR指标大幅下降达到 要求，CVaR指标与Risk指标也有所降低。这说明在风电场内增设无功补偿能 够降低当前系统的停电风险。
为了确定决策树分析在辨识系统关键停电因素方面的准确度以及所采取 控制措施的有效性，需采用其他脆弱元件辨识方法分析该系统的薄弱环节且进 行控制，并对比两种方法的控制效果。
改进型K核分解方法是一种有效且高效的系统脆弱元件辨识方法，该方 法首先建立基于N-1安全校验、考虑潮流转移量与线路容量裕度的相关性网 络，其后根据相关性网络的边权计算系统中各个节点的加权度，之后不断移除 相关型网络中加权度最小的节点并按照规则赋予各节点K核值，最后通过K 核值判断各元件的脆弱程度。该方法虽然局限于评估系统中的脆弱线路，但同 时考虑了系统的潮流分布特性与网架结构特性，且不依赖连锁故障评估，在快 速搜索的基础上保证了一定的准确度。
表3为实施例1在90％风电出力下改进型K核分解方法分析结果表，如 表3所示：
表3
利用改进型K核方法对90％风电出力水平下的实施例1进行脆弱线路评 估，并将K核值排名靠前的线路排列。为风电机组增设虚拟惯量的成本包括 虚拟惯量控制方式的研发费用、控制器改造费用、控制器安装费用等，此处保 守估计该部分成本与扩建两条线路的成本相当，因此升级两条线路的容量后仿 真对比系统的停电风险。综合表3信息，选择K核值最高的线路16(12-13) 与8(5-7)升级为2倍原容量的新线路。
图6为实施例1在90％风电出力下的两种控制方法后停电概率分布图，表 4为实施例1在90％风电出力下的两种控制方法后停电风险指标值对比表，如 表4所示：
表4
从以上对比可以看出，相比增设虚拟惯量的系统，升级K核值高的线路 对降低系统停电风险的作用甚微，其中，对VaR指标的影响尤甚。这证明了 引入虚拟惯量对当前系统风险控制的有效性，也进一步印证了决策树分析辨识 系统关键停电因素的正确性，表明系统中引发大量失负荷的关键因素确实是风 电机组脱网后因功率缺额导致系统频率维稳措施启动。
改进型K核分解方法虽然在分析系统脆弱元件上有自身的良好特性，但 由于其分析对象局限于系统的传输线路，不适用于其他类型导致连锁故障停电 事故，因此在该系统中基本失效，而这也是这一类方法不满足分析需求的明证。
将实施例2在20％风电出力、60％风电出力和90％风电出力下进行仿真， 得到仿真数据，根据仿真数据对上述系统进行决策树分析，结果显示较为接近 根部的分叉属性均为线路运行状态，说明系统中的造成高停电风险的主因并非 风电机组因短路故障脱网而是传输线路因容量不足而断开。
系统中风电接入功率较低，发生同样的短路故障时，风电机组机端的短路 电压相对较高，脱网概率有所降低。另外，也由于风电场的装机容量较低，脱 网产生的功率缺额在当前系统惯量作用下仅使得少量负荷被切除，对后续故障 发展影响较小。而系统线路过载断开的现象较为严重，会导致明显的潮流转移 并引发后续的相继故障。该系统的停电风险之所以随着风电场出力水平的降低 而升高，是因为风电场出力水平低时，负荷主要由系统内的同步发电机组供应， 这部分功率的传输使得系统侧线路负载率增加，在扰动发生后更容易因保护动 作而断开，而风电场出力水平高时，风电能较充分地供应风电场附近的负荷， 从而减少系统侧线路的传输功率使得停电风险降低。
为了降低此时系统的停电风险，考虑采取提升线路容量的方式。
由决策树分析的基础知识可知，类别为1的叶子节点代表造成失负荷规模 大于10％的样本集合，叶子节点(其路径)的概率代表集合中所有样本的出现 概率之和，因此我们需要关注类别为1且概率较高的叶子节点。
根据决策树分析结果，可以得到几种风电出力水平下的具有较高出现概率 且类别为1的叶子节点路径，如表5所示：
表5
表5为实施例2决策树高概率路径信息表。这些路径上有多条线路运行状 态变量值为0，说明这些样本的停电结果在这几条线路断开的共同作用下形 成。因此，“关键故障集”由这些线路的开断组合形成，可以考虑调整其中某条 线路的容量以减小该条线路的开断概率，以此破坏关键故障集中线路的开断组 合，从而实现连锁模式消除与停电风险降低的目标。
表5中，不同风电出力水平下的关键故障集并不完全相同，由此可知，当 风电出力改变，系统运行状态的差异可能会导致系统的连锁故障模式发生改 变，并使得产生停电的连锁路径有所变化。综合表5，针对不同风电出力水平 的系统选择调整线路。在90％出力水平下，调整线路10(6-8)与36(28-27)。 在60％出力水平下，调整线路10(6-8)与4(3-4)。在20％出力水平下，调 整线路36(28-27)与6(2-6)。提升上述线路的容量至2倍，对系统进行连 锁故障仿真。
图7a1为实施例2在20％风电出力下的容量升级前后停电概率分布图，表 6为实施例2在20％风电出力下的容量升级前后停电风险指标值对比表，如表 6所示：
表6
图7a2为实施例2在60％风电出力下的容量升级前后停电概率分布图，表 7为实施例2在60％风电出力下的容量升级前后停电风险指标值对比表，如表 7所示：
表7
图7a3为实施例2在90％风电出力下的容量升级前后停电概率分布图，表 8为实施例2在90％风电出力下的容量升级前后停电风险指标值对比表，如表 8所示：
表8
调整后系统的VaR指标明显下降，满足系统安全性要求，此外，CVaR与 风险指标也一并降低。可见，对于当前系统而言，提升线路容量是有效地降低 停电风险的方法。
同样地，为验证决策树分析方法所得到的关键停电因素辨识结果的合理 性，需要对比基于决策树分析的控制方法与基于改进型K核分解分析的控制 方法的控制效果。
表9为实施例2在20％、60％和90％风电出力下改进型K核分解方法分 析结果，如表9所示：
表9
利用改进型K核方法对90％风电出力水平下的实施例2进行脆弱线路评 估，并将K核值排名靠前的线路排列。与实施例1的改进型K核分解结果不 同，当风电出力水平变化时，实施例2中K核值最高的几条线路的排序基本 不变。这是由于高风电渗透率系统中，高装机容量的风电场出力变化会造成 系统初始潮流分布的巨大变化，导致依赖初始潮流分布的改进型K核方法得 到的分析结果出现明显差异。而低风电渗透率系统中，风电场出力变化对初始 潮流分布的影响相对较小，因而改进型K核方法得到的线路脆弱度排序仅由微小变化。
为在同等条件下进行对比，取排名最高的两条线路进行升级，使其容量提 升为原容量的两倍，并保证扩充的容量之和与基于决策树分析的控制方法中的 扩容总量相等。此后仿真得到停电风险分布图与停电风险指标对比图，并与基 于决策树分析控制后的系统对比。
图8a1为实施例2在20％风电出力下的两种控制方法后停电概率分布图， 表10为实施例2在20％风电出力下的两种控制方法后停电风险指标值对比表， 如表10所示：
表10
图8a2为实施例2在60％风电出力下的两种控制方法后停电概率分布图， 表11为实施例2在60％风电出力下的两种控制方法后停电风险指标值对比表， 如表11所示：
表11
图8a3为实施例2在90％风电出力下的两种控制方法后停电概率分布图， 表12为实施例2在90％风电出力下的两种控制方法后停电风险指标值对比表， 如表12所示：
表12
从以上结果可见，虽然改进型K核分解方法得到的系统脆弱线路与决策 树分析得到的关键线路有所不同，但按照两种方法升级线路均能够降低系统的 停电风险。但相比之下，按决策树分析结果进行线路升级对降低系统的停电风 险有更显著作用。以上结果证明了按照决策树分析结果采取控制措施的有效 性，肯定了决策树在辨识系统停电成因方面的作用。以上结果同时证实了线路 容量不足而发生断线是引发该系统停电的关键因素。
虽然改进型K核分解方法能够考虑线路的潮流转移特性与结构特性使得 分析结果通常具有较好的指导意义，但它没有评估多级连锁故障的后续影响， 也无法计及频率稳定控制与电压稳定控制等机制的影响，因此升级按此方法得 到的关键线路的控制效果不如决策树分析方法。
本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是 与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施 例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的 一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变 之处。综上所述，本说明书内容不应理解为对本发明的限制。
Claims (7)
1.一种基于决策树辨识风电接入系统关键设备的方法，其特征在于，所述方法包括：
对电力系统进行仿真，根据仿真结果计算系统产生初始故障的概率和风电场风电机组的状态转换概率，计算第i次连锁故障的概率pi，i取值范围为1≤i≤N，得到N次连锁故障的概率；计算第i次连锁故障的停电规模xi,1≤i≤N，得到N次连锁故障的停电规模；确定停电风险指标VaR的目标阈值；
将连锁故障仿真结果得到的训练样本N次连锁故障的停电规模按照样本属性、样本类别采用递归方式生成决策树；
所述样本属性包括仿真结束时每条线路的运行状态和风电场的脱网功率，所述线路的运行状态为离散属性变量，取值第一变量值代表线路断开状态，取值第二变量值代表线路运行状态；所述风电场脱网功率为连续属性变量，取值为脱网功率值；所述样本类别包括两类：一类为“当次仿真失负荷量低于或等于VaR指标的目标阈值”，类别变量取值为第一变量值；另一类是“当次仿真失负荷量高于VaR指标的目标阈值”，类别变量取值为第二变量值；
筛选所述决策树中类别变量值为第二变量值且节点概率高于设定值的叶子节点，所述节点概率为归属到所述叶子节点内的所有样本的概率和；
所述叶子节点所在的路径有多个属性变量，从所述路径中根据特定原则选取一个属性变量作为待定关键属性变量，所述待定关键属性变量对应的控制设备为待定关键设备；
减少所述待定关键属性变量在所述路径中出现的概率；对减少所述待定关键属性变量在所述路径中出现的概率后的系统进行仿真，根据仿真结果进行停电风险评估，风险指标值未满足要求，返回执行“筛选所述决策树中类别变量值为第二变量值且第i次连锁故障的概率高于设定值的叶子节点”的步骤；否则控制完成，所述仿真停止，将所述待定关键设备确定为关键设备。
2.根据权利要求1所述的方法，其特征在于，所述计算第i次连锁故障的概率pi具体包括：利用公式pi＝p(Ki0)p(Ki1|Ki0)p(Ki2|Ki1)…计算第i次连锁故障的概率pi，i取值范围为1≤i≤N；
其中，Kij为第i次连锁故障仿真中第j阶段的系统状态变量集合，p(Ki0)为所述电力系统产生初始故障的概率，p(Ki1|Ki0)是在初始故障条件下风电场风电机组并网的状态转换概率，在j≥2时，p(Kij|Ki(j-1))为系统因外界或/和自身变化原因造成的状态转换概率。
3.根据权利要求1所述的方法，其特征在于，所述第i次连锁故障的停电规模xi具体包括：
利用公式计算第i次连锁故障的停电规模xi,1≤i≤N，其中，xi表示第i次连锁故障的停电规模，Cij为第i次连锁故障仿真中第j阶段的停电规模。
4.根据权利要求1所述的方法，其特征在于，所述VaR目标阈值在置信水平σ下，VaR满足其中p(x)为仿真样本的风险密度函数。
5.根据权利要求1所述的方法，其特征在于，所述VaR目标阈值具体为：l＝0.1。
6.根据权利要求1所述的方法，其特征在于，所述决策树中在计算信息熵、信息增益与信息增益率指标时，用到的概率为综合自身出现概率和外界影响进行折算得到的真实概率。
7.根据权利要求1所述的方法，其特征在于，所述减少所述待定关键属性变量在所述路径中出现的概率具体包括：所述待定关键属性变量包括风电场脱网和线路运行状态，采用引入风电机组虚拟惯量和增设无功补偿的方式减小风电场脱网在所述路径中出现的概率；采用增加设备容量的方法减小线路运行状态在所述路径中出现的概率。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610715878.2A CN106355308B (zh) | 2016-08-24 | 2016-08-24 | 一种基于决策树辨识风电接入系统关键设备的方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610715878.2A CN106355308B (zh) | 2016-08-24 | 2016-08-24 | 一种基于决策树辨识风电接入系统关键设备的方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106355308A CN106355308A (zh) | 2017-01-25 |
| CN106355308B true CN106355308B (zh) | 2019-09-24 |
Family
ID=57844215
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610715878.2A Active CN106355308B (zh) | 2016-08-24 | 2016-08-24 | 一种基于决策树辨识风电接入系统关键设备的方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106355308B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US10534798B2 (en) * | 2017-06-13 | 2020-01-14 | Oracle International Corporation | Computer system and method to update data aggregation configurations and control data aggregation |
| CN107301296B (zh) * | 2017-06-27 | 2020-09-04 | 西安电子科技大学 | 基于数据的断路器故障影响因素定性分析方法 |
| CN109583664B (zh) * | 2018-12-21 | 2022-04-12 | 国网山西省电力公司电力科学研究院 | 一种含新能源发电的跨区电网机组组合分散协调优化方法 |
| CN110336280B (zh) * | 2019-07-31 | 2022-07-01 | 国网河南省电力公司经济技术研究院 | 一种基于字典集加速的电力系统连锁故障分析方法 |
| CN112003734B (zh) * | 2020-07-28 | 2022-06-07 | 长沙理工大学 | 一种基于改进结构熵的信息物理系统关键节点辨识方法 |
| CN113689072B (zh) * | 2021-07-16 | 2024-03-08 | 中国绿发投资集团有限公司 | 一种基于马尔科夫链的海上风电机组运行状态评估方法 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093559A (zh) * | 2007-06-12 | 2007-12-26 | 北京科技大学 | 一种基于知识发现的专家系统构造方法 |
| CN102928720A (zh) * | 2012-11-07 | 2013-02-13 | 广东电网公司 | 油浸式主变压器的缺陷率检测方法 |
| CN103618638A (zh) * | 2013-10-29 | 2014-03-05 | 国家电网公司 | 评估电力通信网检修方案的方法 |
| CN103714348A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于决策树的轨道交通故障诊断方法和系统 |
| CN104155596A (zh) * | 2014-08-12 | 2014-11-19 | 北京航空航天大学 | 一种基于随机森林的模拟电路故障诊断系统 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US8346516B2 (en) * | 2008-11-05 | 2013-01-01 | Accenture Global Services Limited | Predictive modeling |
-
2016
- 2016-08-24 CN CN201610715878.2A patent/CN106355308B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN101093559A (zh) * | 2007-06-12 | 2007-12-26 | 北京科技大学 | 一种基于知识发现的专家系统构造方法 |
| CN102928720A (zh) * | 2012-11-07 | 2013-02-13 | 广东电网公司 | 油浸式主变压器的缺陷率检测方法 |
| CN103618638A (zh) * | 2013-10-29 | 2014-03-05 | 国家电网公司 | 评估电力通信网检修方案的方法 |
| CN103714348A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于决策树的轨道交通故障诊断方法和系统 |
| CN104155596A (zh) * | 2014-08-12 | 2014-11-19 | 北京航空航天大学 | 一种基于随机森林的模拟电路故障诊断系统 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106355308A (zh) | 2017-01-25 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106355308B (zh) | 一种基于决策树辨识风电接入系统关键设备的方法 | |
| Guo et al. | A multi-state model for transmission system resilience enhancement against short-circuit faults caused by extreme weather events | |
| Zhang et al. | A hierarchical self-adaptive data-analytics method for real-time power system short-term voltage stability assessment | |
| CN109118098B (zh) | 高比例风电并网的连锁故障风险评估方法及系统 | |
| Chen et al. | Robust restoration decision-making model for distribution networks based on information gap decision theory | |
| Xu et al. | Assessing short-term voltage stability of electric power systems by a hierarchical intelligent system | |
| Liu et al. | A systematic approach for dynamic security assessment and the corresponding preventive control scheme based on decision trees | |
| Orfanos et al. | Transmission expansion planning of systems with increasing wind power integration | |
| CN102934312B (zh) | 能量产生系统及其控制 | |
| CN108876163A (zh) | 综合因果分析与机器学习的暂态功角稳定快速评估方法 | |
| CN109934437A (zh) | 一种配电网停电风险评估方法及系统 | |
| CN110783913B (zh) | 基于群的计及预想事故集最佳电网拓扑在线优化方法 | |
| CN111753420A (zh) | 面向电力信息物理系统级联故障仿真方法、系统和存储介质 | |
| Rajalwal et al. | Recent trends in integrity protection of power system: A literature review | |
| Ciapessoni et al. | An integrated platform for power system security assessment implementing probabilistic and deterministic methodologies | |
| Su et al. | Identification of critical nodes for cascade faults of grids based on electrical PageRank | |
| CN107947156A (zh) | 基于改进Softmax回归的电网故障临界切除时间判别方法 | |
| CN112994011B (zh) | 考虑电压风险约束的多源电力系统日前优化调度方法 | |
| CN111969658B (zh) | 考虑风电的发输电系统防御性-常规协调规划方法 | |
| CN112436542B (zh) | 计及稳控策略的稳态安全紧急控制在线预决策方法 | |
| CN106022594B (zh) | 基于极值理论的电力系统在线运行安全风险评估方法 | |
| Wang et al. | A fast load-shedding algorithm for power system based on artificial neural network | |
| El-Werfelli et al. | Backbone-network reconfiguration for power system restoration using genetic algorithm and expert system | |
| Anh et al. | Load shedding apply neural network and voltage electrical distance | |
| Qi et al. | Vulnerability assessment based on operational reliability weighted and preventive planning |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant | ||
| CP01 | Change in the name or title of a patent holder | ||
| CP01 | Change in the name or title of a patent holder |
Address after: 100000 west main building, Tsinghua University, Beijing, Haidian District 3-107 Patentee after: Zhang Xuemin Patentee after: STATE GRID ECONOMIC AND TECHNOLOGICAL RESEARCH INSTITUTE CO. LTD.B412, STATE GRID OFFICE Patentee after: STATE GRID TIANJIN ELECTRIC POWER Co. Patentee after: Zhong Yuxin Patentee after: Han Feng Patentee after: Wang Shuai Patentee after: Li Hui Patentee after: Wang Zhidong Patentee after: Huang Yi Patentee after: TSINGHUA University Patentee after: STATE GRID CORPORATION OF CHINA Address before: 100000 west main building, Tsinghua University, Beijing, Haidian District 3-107 Patentee before: Zhang Xuemin Patentee before: STATE POWER ECONOMIC Research Institute Patentee before: STATE GRID TIANJIN ELECTRIC POWER Co. Patentee before: Zhong Yuxin Patentee before: Han Feng Patentee before: Wang Shuai Patentee before: Li Hui Patentee before: Wang Zhidong Patentee before: Huang Yi Patentee before: TSINGHUA University Patentee before: State Grid Corporation of China |
|
| TR01 | Transfer of patent right | ||
| TR01 | Transfer of patent right |
Effective date of registration: 20201123 Address after: 102209 5th and 6th floors, building a, No. 18, Binhe Avenue, future science and Technology City, Changping District, Beijing Patentee after: STATE GRID ECONOMIC AND TECHNOLOGICAL RESEARCH INSTITUTE CO. LTD.B412, STATE GRID OFFICE Patentee after: STATE GRID CORPORATION OF CHINA Patentee after: TSINGHUA University Patentee after: STATE GRID TIANJIN ELECTRIC POWER Co. Address before: 100000 west main building, Tsinghua University, Beijing, Haidian District 3-107 Patentee before: Zhang Xuemin Patentee before: STATE GRID ECONOMIC AND TECHNOLOGICAL RESEARCH INSTITUTE CO. LTD.B412, STATE GRID OFFICE Patentee before: STATE GRID TIANJIN ELECTRIC POWER Co. Patentee before: Zhong Yuxin Patentee before: Han Feng Patentee before: Wang Shuai Patentee before: Li Hui Patentee before: Wang Zhidong Patentee before: Huang Yi Patentee before: TSINGHUA University Patentee before: STATE GRID CORPORATION OF CHINA |