CN109636209A - 一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法 - Google Patents

Abstract

本发明提供了一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法，结合智能隔离断路器内部各组成部分数据、当前电网运行状态数据、电网风险数据、环境数据得到智能隔离断路器的马尔科夫瞬时状态概率模型，构造状态分布曲线，采用拉丁超立方算法对状态概率模型抽样获得智能隔离断路器的状态，并采用Cholesky分解对矩阵重新排列，降低初始采样的相关性。使用以切负荷最小为目标函数的OPF算法，计算发生故障后切负荷的最小值以及风险指标。针对智能隔离断路器内部发生不同故障，通过计算灵敏度得到不同部件故障对电网风险程度影响的大小，为差异性运维提供参考。

Description

一种基于大数据分析的智能隔离断路器对电网影响的在线风 险评估方法

技术领域

本发明属于电网的在线风险评估领域，具体为一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法。

背景技术

智能隔离断路器是智能电网中一类重要设备，设备集成了常规断路器、接地开关、集成式电子互感器及监测通信等，并配用智能模块，实现对智能隔离断路器的智能控制。智能隔离断路器是在正常回路条件下能够关合、承载和开断电流以及在规定的异常回路条件(例如短路情况下的回路条件)下能够关合、在规定的时间内承载和开断电流的机械开关装置。智能隔离断路器作为新一代智能变电站的关键设备，目前在国内的应用较少。智能隔离断路器带来安装方便和运行维护方便等优势时，设备的结构也变得很复杂。在复杂结构下的智能隔离断路器整体的可靠性水平如何，以及当智能隔离断路器接入电网，会对电网风险产生什么影响，这些问题都尚待解决。为了简化变电站的设计及占地面积，使设备更加智能化，降低设备的故障率和误动作概率，优化设备的检修策略，需要科学评估其运维。

智能隔离断路器故障直接影响电网安全运行。目前的电网风险评估方法是通过统计以往历史电网中设备的可靠性数据，确定元件的停运模型，选择系统状态以及系统状态的概率，估计当前运行状态时系统后果，最后计算风险指标。但并未结合历史数据、当前电网运行状态数据、电网风险数据来评估设备的状态概率。

同时智能隔离断路器结构复杂，多种状态，且动态变化。智能隔离断路器内部各个部件都有可能发生故障，对电网造成风险。因此在含有智能隔离断路器的电网在线风险评估中，利用大数据获得设备的瞬时状态概率，针对内部不同部件故障率的灵敏度，分析整个设备的故障概率，为差异性运维提供参考，具体针对某个部件，可以进行有针对性运维。

发明内容

为解决上述问题，本发明提供一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法，可以对智能隔离断路器实现有针对性的运维，为差异性运维提供参考。

本发明的技术方案：

一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法，包括以下具体步骤：

步骤1，结合所述智能隔离断路器的各组成部分的运行状态历史数据、当前电网运行状态数据、电网风险数据、环境数据，获得所述含有智能隔离断路器的电网各状态之间的转移率；

步骤2，采用马尔可夫方法，利用步骤1所述含有智能隔离断路器的电网各状态之间的转移率，获得所述智能隔离断路器瞬时状态概率，包含所述智能隔离断路器的线路运行状态概率记为p_oi(x_i)，停运状态概率记为p_ci(x_i)；

步骤3，确定抽样规模N，采用拉丁超立方抽样的方法，获得所述智能隔离断路器抽样状态，状态集合记为S＝{s₁、s₂、s₃…s_N}，将状态集合写为矩阵形式，获得N×K阶的原始采样矩阵，记为：X_NK＝[X₁、X₂、X₃…X_k…X_K]，其中向量X_k为含有智能断路器的第k条线路的采样向量，向量X_k记为X_k＝[x₁、x₂、x₃…x_N]^T，K的值为含有智能断路器的线路条数n，抽样状态s_m＝[x₁、x₂、x₃...x_K]；

步骤4，采用Cholesky分解的方法对步骤3所述的抽样矩阵X_NK重排列，将重排后的采样矩阵记为H_NK＝[H₁、H₂、H₃…H_K]；

步骤5，当系统发生故障时，判断系统的状态、发电机出力、输电线路传输的有功功率和无功功率以及节点电压的是否超过电网的约束，如果超过约束，则采用最优潮流算法求解最优的切除负荷量，利用步骤4所述重排列采样矩阵H_NK计算步骤3所述各状态下发生故障后切负荷的最小值从而得到风险评估指标；

步骤6，针对智能隔离断路器内部发生不同故障结合步骤5中的风险评估指标，计算灵敏度得到不同部件故障对电网风险程度影响的大小。

所述含有智能隔离断路器的电网各状态之间的转移率包括第k条线路的断路器第i个组成成分的故障率λ_ki。

所述步骤5中风险评估指标为对第m个抽样状态计算的最优切负荷量，记为L_m，第m个状态发生的概率P_m。

所述步骤6中灵敏度计算公式为其中第m个抽样状态的风险值为R_m＝L_mP_m，λ_ki为断路器k第i个组成成分的故障率，P_m为第m个状态发生的概率。

与现有技术相比，本发明的有益效果是：结合所述智能隔离断路器的各组成部分的运行状态历史数据、当前电网运行状态数据、电网风险数据等，进行大数据分析，得到结合智能隔离断路器各组成部分的故障率的瞬时状态概率；计算不同智能隔离断路器部件故障率的灵敏度，获得不同部件故障对电网风险程度影响的大小，可以对智能隔离断路器实现有针对性的运维，为差异性运维提供参考。

附图说明

图1为本发明的方法流程图；

图2为本发明实施例湖北省某地电网分布图。

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。

如图1所示，本发明实施例所述的一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法，包括以下具体步骤：

步骤1：假定在某电网中，共包含n条线路，并假定每条线路上都装有一台智能断路器(共n台)，结合所述智能断路器的各组成部分的运行状态历史数据、当前电网运行状态数据、电网风险数据，获得第i台智能断路器的潜在故障率λ_ci和修复率μ_ci，以及第i条线路的的实时故障率λ_li和修复率μ_li。

步骤2，采用马尔可夫方法，利用含有智能断路器的电网各状态之间的转移率，获得瞬时状态概率，包含所述智能断路器的线路运行状态概率记为p_oi(x_i)，停运状态概率记为p_ci(x_i)。

步骤3，确定抽样规模N，采用拉丁方超立方抽样的方法，获得所述智能断路器抽样状态，状态集合记为S＝{s₁、s₂、s₃…s_m…s_N}。将状态集合写为矩阵形式，获得N×K阶的原始采样矩阵，记为：X_NK＝[X₁、X₂、X₃…X_k...X_K]，其中向量X_k为含有智能断路器的第k条线路的采样向量，向量X_k记为X_k＝[x₁、x₂、x₃…x_N]^T，K的值为含有智能断路器线路n，状态s_m＝[x₁、x₂、x₃...x_K]。

步骤4，采用Cholesky分解的方法对抽样矩阵X_NK重排列，重排列只改变初始采样矩阵列元素的位置而不改变采样值的大小和矩阵元素的个数，这样可以降低矩阵列之间的相关性，将重排后的采样矩阵记为H_NK＝[H₁、H₂、H₃...H_K]。

步骤5，当系统发生故障时，判断系统的状态、发电机出力、输电线路传输的有功功率和无功功率以及节点电压的是否超过电网的约束，如果超过约束，则采用OPF算法求解最优的切除负荷量。对第m个状态s_m计算的最优切负荷量，记为L_m，第m个状态发生的概率P_m。

步骤6，计算不同断路器部件故障率的灵敏度。针对智能断路器内部发生不同故障，按照公式计算灵敏度，得到不同部件故障对电网风险程度影响的大小，其中第m个抽样状态的风险值为R_m＝L_mP_m，λ_ki为断路器k第i个组成成分的故障率，P_m为第m个状态发生的概率。

计算实例：

算例采样规模为2000，智能断路器安装在线路7到线路44，共38台具体分布如图2所示，

表1断路器故障后电网风险值

以8号智能断路器故障为例，计算各组成成分的灵敏度如表2所示。

表2智能断路器灵敏度分析

尽管已经示出和描述了本发明的实施例，对于本领域的普通技术人员而言，可以理解在不脱离本发明的原理和精神的情况下可以对这些实施例进行多种变化、修改、替换和变型，本发明的范围由所附权利要求及其等同物限定。

Claims (4)

1.一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法，其特征在于，包括以下具体步骤：

步骤1，结合所述智能隔离断路器的各组成部分的运行状态历史数据、当前电网运行状态数据、电网风险数据、环境数据，获得所述含有智能隔离断路器的电网各状态之间的转移率；

步骤2，采用马尔可夫方法，利用步骤1所述含有智能隔离断路器的电网各状态之间的转移率，获得所述智能隔离断路器瞬时状态概率，包含所述智能隔离断路器的线路运行状态概率记为p_oi(x_i)，停运状态概率记为p_ci(x_i)；

步骤3，确定抽样规模N，采用拉丁超立方抽样的方法，获得所述智能隔离断路器抽样状态，状态集合记为S＝{s₁、s₂、s₃...s_N}，将状态集合写为矩阵形式，获得N×K阶的原始采样矩阵，记为：X_NK＝[X₁、X₂、X₃...X_k...X_K]，其中向量X_k为含有智能断路器的第k条线路的采样向量，向量X_k记为X_k＝[x₁、x₂、x₃...x_N]^T，K的值为含有智能断路器的线路条数n，抽样状态s_m＝[x₁、x₂、x₃...x_K]；

步骤4，采用Cholesky分解的方法对步骤3所述的抽样矩阵X_NK重排列，将重排后的采样矩阵记为H_NK＝[H₁、H₂、H₃...H_K]；

步骤5，当系统发生故障时，判断系统的状态、发电机出力、输电线路传输的有功功率和无功功率以及节点电压的是否超过电网的约束，如果超过约束，则采用最优潮流算法求解最优的切除负荷量，利用步骤4所述重排列采样矩阵H_NK计算步骤3所述各状态下发生故障后切负荷的最小值从而得到风险评估指标；

步骤6，针对智能隔离断路器内部发生不同故障结合步骤5中的风险评估指标，计算灵敏度得到不同部件故障对电网风险程度影响的大小。

2.根据权利要求1所述的一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法，其特征在于：所述含有智能隔离断路器的电网各状态之间的转移率包括第k条线路的断路器第i个组成成分的故障率λ_ki。

3.根据权利要求2所述的一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法，其特征在于：所述步骤5中风险评估指标为对第m个抽样状态计算的最优切负荷量，记为L_m，第m个状态发生的概率P_m。

4.根据权利要求3所述的一种基于大数据分析的智能隔离断路器对电网影响的在线风险评估方法，其特征在于：所述步骤6中灵敏度计算公式为其中第m个抽样状态的风险值为R_m＝L_mP_m，λ_ki为断路器k第i个组成成分的故障率，P_m为第m个状态发生的概率。