CN110969355A - 增量风险事件的筛选方法、装置及计算机可读介质 - Google Patents
增量风险事件的筛选方法、装置及计算机可读介质 Download PDFInfo
- Publication number
- CN110969355A CN110969355A CN201911219380.7A CN201911219380A CN110969355A CN 110969355 A CN110969355 A CN 110969355A CN 201911219380 A CN201911219380 A CN 201911219380A CN 110969355 A CN110969355 A CN 110969355A
- Authority
- CN
- China
- Prior art keywords
- risk
- incremental
- fault event
- fault
- event
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 48
- 238000012216 screening Methods 0.000 title claims abstract description 46
- 238000004364 calculation method Methods 0.000 claims abstract description 59
- 230000005540 biological transmission Effects 0.000 claims abstract description 35
- 239000010410 layer Substances 0.000 claims description 53
- 230000009467 reduction Effects 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 13
- 239000011159 matrix material Substances 0.000 claims description 8
- 239000002356 single layer Substances 0.000 claims description 7
- 238000006243 chemical reaction Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 5
- NTSBMKIZRSBFTA-AIDOXSFESA-N Digoxigenin bisdigitoxoside Chemical compound C1[C@H](O)[C@H](O)[C@@H](C)O[C@H]1O[C@@H]1[C@@H](C)O[C@@H](O[C@@H]2C[C@@H]3[C@]([C@@H]4[C@H]([C@]5(CC[C@@H]([C@@]5(C)[C@H](O)C4)C=4COC(=O)C=4)O)CC3)(C)CC2)C[C@@H]1O NTSBMKIZRSBFTA-AIDOXSFESA-N 0.000 claims description 4
- 238000004590 computer program Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 4
- 238000005457 optimization Methods 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 2
- 239000000523 sample Substances 0.000 description 2
- 238000010276 construction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- Tourism & Hospitality (AREA)
- Pure & Applied Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Mathematical Physics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Health & Medical Sciences (AREA)
- Computational Mathematics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- General Health & Medical Sciences (AREA)
- Algebra (AREA)
- Water Supply & Treatment (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供了一种增量风险事件的筛选方法、装置及计算机可读介质，其方法包括：通过获取输电系统的原始数据中的多个故障事件；然后将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险；最后，将所述每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。达到了对高阶风险事件识别的目的。
Description
技术领域
本发明涉及电力工程技术领域，特别涉及一种增量风险事件的筛选方法、装置及计算机可读介质。
背景技术
随着科技的发展，电源装机的增长和坚强输电网的建设使现代电力系统的可靠性得到了很大的改善。但由于对多数当前的发、输电组合系统而言，传统的N-1准则的可靠性无法满足目前的高可靠性供电的需求，N-k准则在重要负荷点供电中显得越来越重要。
目前，由于不同于低阶元器件故障事件，元器件高阶故障事件数量随着系统规模的增长呈指数增长，无法逐一枚举识别，N-k准则在实施的过程中，N-k准则不仅要考虑低阶元器件故障事件中所有的风险事件，同时需要考虑高阶故障中的高阶风险事件。所以无法利用传统的风险事件的筛选方法对高阶风险事件进行筛选，限制了对高阶风险事件的识别。
发明内容
有鉴于此，本发明实施例提供一种增量风险事件的筛选方法、装置及计算机可读介质，用于对高阶风险事件的识别。
为实现上述目的，本发明实施例提供如下技术方案：
一种增量风险事件的筛选方法，其特征在于，包括：
获取输电系统的原始数据中的多个故障事件；
将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险；
将所述每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。
可选的，所述将所述每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件，包括：
将所述双层风险计算模型中的上层模型中的非线性计算公式转化为线性公式，得到线性的上层模型；
将所述线性的上层模型和所述双层风险计算模型中的下层模型进行转换得到单层的混合整数线性规划模型；
将所述每一个故障事件的增量风险输入至所述混合整数线性规划模型中，得到在最小负荷削减量时，增量风险最高的故障事件。
可选的，所述将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险之后，还包括：
获取大于或等于预设的增量风险阈值的所有的增量风险的故障事件；
在所述大于或等于预设的增量风险阈值的所有的增量风险的故障事件中，获取小于或等于故障阶数的最大值的增量风险的故障事件集合。
可选的，所述将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险，包括：
利用预设的公式对每一个故障事件进行计算，得到所述每一个故障事件的增量风险，所述预设的公式如下所示：
其中，ΔRiskE为故障事件E的增量风险，LossE'为故障事件E的增量负荷削减值，ΔProbE为故障事件E中所有故障元器件的不可用率ui的乘积，NE为故障事件E的阶数，Ω(E,i)为故障事件E的i阶故障子事件集合。
可选的，所述将所述双层风险计算模型中的上层模型中的非线性计算公式转化为线性公式，得到线性的上层模型，包括：
将所述双层风险计算模型中的非线性公式
转化为线性公式；所述转化过程如下所示：
其中，Ω(T,i)为输电系统T中增量负荷削减不为0的i阶元器件故障事件集合，i＝1,2,…,NE-1；zE”为辅助0-1变量，用于等效约束上述公式。
可选的，所述将所述每一个故障事件的增量风险输入至所述混合整数线性规划模型中，得到在最小负荷削减量时，增量风险最高的故障事件，包括：
利用预设的公式对每一个故障事件的增量风险进行计算，得到增量风险最高的故障事件，所述预设的公式如下所示：
其中，ΔRiskE为故障事件E的增量风险，ΔDb为节点b上的负荷削减量，NE为故障事件E的阶数，NT为输电系统T的线路总数，xl为所有线路状态，ui为故障元器件的不可用率；
利用预设的公式对每一个故障事件的增量风险的负荷削减量进行计算，得到在最小负荷削减量时，增量风险最高的故障事件，所述预设的公式如下所示：
ΓPg-KFl+ΔDb＝Db；
Fl-bl(θls-θle)≤M(1-xl) l∈Ωl；
Fl-bl(θls-θle)≥-M(1-xl) l∈Ωl；
-Fl,maxxl≤Fl≤Fl,maxxl l∈Ωl；
Pg,min≤Pg≤Pg,max g∈Ωg；
0≤ΔDb≤Db b∈Ωb；
θb,min≤θb≤θb,max b∈Ωb；其中，θ1＝0；
其中，Γ为节点-机组联接矩阵，K为节点-线路联接矩阵，Pg为机组g的有功出力，Fl为线路l流过的有功功率，Db为节点b上的负荷；Ωl为线路集合M，为一个足够大的正数，bl为线路l的电纳，θb为节点b的电压相角，θls为线路l的首个节点的电压相角，θle为线路l的末尾节点的电压相角。
一种增量风险事件的筛选装置，包括：
第一获取单元，用于获取输电系统的原始数据中的多个故障事件；
第一计算单元，用于将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险；
第二计算单元，用于将所述每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。
可选的，所述第二计算单元，包括：
转化单元，用于将所述双层风险计算模型中的上层模型中的非线性计算公式转化为线性公式，得到线性的上层模型；
转换单元，用于将所述线性的上层模型和所述双层风险计算模型中的下层模型进行转换得到单层的混合整数线性规划模型；
第二计算子单元，用于将所述每一个故障事件的增量风险输入至所述混合整数线性规划模型中，得到在最小负荷削减量时，增量风险最高的故障事件。
可选的，所述增量风险事件的筛选装置，还包括：
第二获取单元，用于获取大于或等于预设的增量风险阈值的所有的增量风险的故障事件；
第三获取单元，用于在所述大于或等于预设的增量风险阈值的所有的增量风险的故障事件中，获取小于或等于故障阶数的最大值的增量风险的故障事件集合。
一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至6中任意一项所述的方法。
由以上方案可知，本发明提供的一种增量风险事件的筛选方法、装置及计算机可读介质中，通过获取输电系统的原始数据中的多个故障事件；然后将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险；最后，将所述每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。达到了对高阶风险事件识别的目的。
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，下面将对实施例或现有技术描述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的前提下，还可以根据提供的附图获得其他的附图。
图1为本发明实施例提供的一种增量风险事件的筛选方法的具体流程图；
图2为本发明另一实施例提供的一种增量风险事件的筛选方法的具体流程图；
图3为本发明另一实施例提供的一种增量风险事件的筛选方法的具体流程图；
图4为本发明实施例提供的一种增量风险事件的筛选装置的示意图；
图5为本发明另一实施例提供的一种增量风险事件的筛选装置的示意图；
图6为本发明另一实施例提供的一种增量风险事件的筛选装置的示意图；
图7为本发明另一实施例提供的一种增量风险事件的筛选装置的示意图；
图8为本发明实施例提供的一种三阶高风险事件的LossE与△LossE对比的示意图；
图9为本发明实施例提供的一种三阶高风险事件的RiskE与△RiskE对比的示意图。
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。
本发明实施例提供的一种增量风险事件的筛选方法，如图1所示，包括：
S101、获取输电系统的原始数据中的多个故障事件。
其中，输电系统的原始数据包括IEEERTS-79系统负荷数据，系统拓扑结构、电气参数、元器件的对应故障事件，可靠性参数等；可靠性参数包括元器件的故障率、修复时间等。
需要说明的是，故障事件是一个具体故障元器件的集合，若一个故障事件中由一些线路发生故障，这个故障事件即这些故障线路的集合。
S102、将输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到每一个故障事件的增量风险。
由于，电力系统属于复杂人工系统，其不同故障事件的后果之间存在耦合性；以元器件a和元器件b的二阶故障{a,b}和一阶故障{a}和{b}为例，其造成的负荷损失可能出现如下两种关系：
(1)若Lossab≤Lossa+Lossb，则元器件a和b同时故障的停电后果没有扩大，只需要分别单独考虑两个一阶事件的失0负荷损失即可覆盖二阶故障{a,b}的失负荷损失；
(2)若Lossab>Lossa+Lossb，则元器件a和b同时故障会带来额外损失，该额外损失意味着故障{a,b}具有增量风险；
所以，对于运行和规划人员，在高阶事件风险筛选辨识中，若已经求取低阶事件的失负荷风险，则只需要筛选辨识高增量风险事件即可，勿需直接筛选高风险事件。
可选的，本发明的另一实施例中，步骤S102的一种实施方式，包括：
利用预设的公式对每一个故障事件进行计算，得到每一个故障事件的增量风险，预设的公式如下所示：
其中，ΔRiskE为故障事件E的增量风险，LossE'为故障事件E的增量负荷削减值，ΔProbE为故障事件E中所有故障元器件的不可用率ui的乘积，NE为故障事件E的阶数，Ω(E,i)为故障事件E的i阶故障子事件集合。
由于增量风险评估的系统总风险指标等于传统风险评估中的系统总风险指标时的，所以可以利用上述预设的公式对故障事件的增量风险进行计算。
需要说明的是，利用传统风险筛选辨识不仅要考虑低阶元器件故障事件，同时需要考虑高阶故障事件。然而，元器件高阶故障事件数量随着系统规模的增长呈指数增长，传统风险筛选辨识要逐一枚举识别，几乎无法实现。而在高阶事件风险筛选辨识中，若已经求取低阶事件的失负荷风险，则只需要筛选辨识高增量风险事件即可，不需逐一枚举识别。所以，增量风险筛选辨识相对于传统风险筛选辨识更高效快速。
还需要说明的是，上述计算公式中的ΔProbE可以通过现有的计算公式
推导得出，此处不再赘述。
还需要说明的是，传统风险中的ΔProbE可以包括正常元器件可用率，也有故障元器件不可用率。而增量风险中的ΔProbE只有故障元器件的不可用率。并且，增量发生概率ΔProbE为事件E中所有故障元器件的不可用率ui的乘积，而不需要考虑传统风险发生概率ΔProbE中可用元器件的可用率。
可选的，本发明的另一实施例中，步骤S102之后的一种实施方式，如图2所示，还包括：
S201、获取大于或等于预设的增量风险阈值的所有的增量风险的故障事件。
S202、在大于或等于预设的增量风险阈值的所有的增量风险的故障事件中，获取小于或等于故障阶数的最大值的增量风险的故障事件集合。
在本发明实施例的具体实现过程中，考虑到运行和规划人员不仅仅关注增量风险最高的单个事件，而是高于某个阈值的所有事件集合。现对本发明实施例进行举例说明：
由于IEEERTS79系统满足N-1准则，本文假定所有的2阶故障已经评估完成，即k＝2，需要筛选最高为4阶的高增量风险事件，即
设Riskthr为5.0e-11MW，,其中，Riskthr为预设的增量风险阈值，如表1所示，表1列出了不同峰值负荷水平下分别采用传统模型和本文模型的风险事件筛选结果：
表1
从表1可以看出，在不同峰值负荷水平下，不管是3阶事件或是4阶事件，本文所提MILP模型筛选出的高增量风险事件均相对于传统筛选出的高风险事件数量大幅减少，减少幅度均超过80％。需要指出的是，由于每筛选1个事件即代表求解一次MILP，因此本发明所提筛选方法的计算复杂性相对于传统筛选方法大幅降低。
需要说明的是，在筛选满足事件阶数
且增量风险△RiskE≥Riskthr的所有高增量风险事件的过程中，可以利用表2所示的算法伪代码进行计算。
表2
S103、将每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。
可选的，本发明的另一实施例中，步骤S103的一种实施方式，如图3所示，包括：
S301、将双层风险计算模型中的上层模型中的非线性计算公式转化为线性公式，得到线性的上层模型。
可选的，本发明的另一实施例中，步骤S301的一种实施方式，包括：
将双层风险计算模型中的非线性公式
转化为线性公式；转化过程如下所示：
针对ΔLossE求解的范式表征为：
首先，针对
进行线性化：
然后，对
与ΔLossE的乘积进行线性化，并通过对目标函数取对数进行等效变换，得到如下函数：
其中，Ω(T,i)为输电系统T中增量负荷削减不为0的i阶元器件故障事件集合，i＝1,2,…,NE-1；zE”为辅助0-1变量，用于等效约束上述公式。
需要说明的是，由于在求取NE阶事件的增量负荷削减量时假设所有低阶元器件故障事件削负荷量已知，即Ω(T,i)，i＝1,2,…,NE-1已知，所以可以直接利用公式
S302、将线性的上层模型和双层风险计算模型中的下层模型进行转换得到单层的混合整数线性规划模型。
在本发明实施例的具体实现过程中，可以采用采用KKT(Karush-Kuhn-Tucher)条件或对偶理论将双层模型转换为单层的混合整数线性规划模型(mixed integer linearprogramming，MILP)。
S303、将每一个故障事件的增量风险输入至混合整数线性规划模型中，得到在最小负荷削减量时，增量风险最高的故障事件。
可选的，本发明的另一实施例中，步骤S303的一种实施方式，包括：
利用预设的公式对每一个故障事件的增量风险进行计算，得到增量风险最高的故障事件，预设的公式如下所示：
其中，ΔRiskE为故障事件E的增量风险，ΔDb为节点b上的负荷削减量，NE为故障事件E的阶数，NT为输电系统T的线路总数，xl为所有线路状态，ui为故障元器件的不可用率。
需要说明的是，
表示将元器件故障事件增量风险作为目标函数，表示优化目标为增量风险最高；
表示限制模型优化的增量风险事件的阶数为NE；
表示优选故障事件造成的失负荷量。
还需要说明的是，模型控制变量为所有线路状态xl，xl可表示为列向量形式
利用预设的公式对每一个故障事件的增量风险的负荷削减量进行计算，得到在最小负荷削减量时，增量风险最高的故障事件，预设的公式如下所示：
ΓPg-KFl+ΔDb＝Db；
Fl-bl(θls-θle)≤M(1-xl) l∈Ωl；
Fl-bl(θls-θle)≥-M(1-xl) l∈Ωl；
-Fl,maxxl≤Fl≤Fl,maxxl l∈Ωl；
Pg,min≤Pg≤Pg,max g∈Ωg；
0≤ΔDb≤Db b∈Ωb；
θb,min≤θb≤θb,max b∈Ωb；其中，θ1＝0；
其中，Γ为节点-机组联接矩阵，K为节点-线路联接矩阵，Pg为机组g的有功出力，Fl为线路l流过的有功功率，Db为节点b上的负荷；Ωl为线路集合，M为一个足够大的正数，bl为线路l的电纳，θb为节点b的电压相角，θls为线路l的首个节点的电压相角，θle为线路l的末尾节点的电压相角。
需要说明的是，min∑ΔDb表示优化目标为最小切负荷运行策略；ΓPg-KFl+ΔDb＝Db表示节点的功率平衡约束；Fl-bl(θls-θle)≤M(1-xl)，Fl-bl(θls-θle)≥-M(1-xl)，l∈Ωl表示直流潮流约束，并采用了大M法进行了线性化处理；Pg,min≤Pg≤Pg,max，g∈Ωg表示对机组的功率范围进行约束；-Fl,maxxl≤Fl≤Fl,maxxl，l∈Ωl表示对线路的功率范围进行约束；0≤ΔDb≤Db，b∈Ωb表示对节点负荷削减量进行约束；θb,min≤θb≤θb,max表示对节点的相角取值进行约束。
现对本发明实施例中的增量风险事件和一般的高风险事件的区别进行举例说明：表3分别列出了3种典型高风险的三阶故障事件：
它们在基于传统筛选过程中的排序依次为1st、194th和6th。下面对三个事件分别简要分析：
(1)三阶事件{L5,L7,L10}排序第一，即其是风险最高的三阶故障事件。但是，其导致的负荷损失量与二阶故障{L5,L10}相同，均为136MW。因此，该事件无增量风险，即基于本文所提筛选方法该事件将被忽略。原因是，三阶事件{L5,L7,L10}对系统整体风险的影响可以通过防治二阶事件{L5,L10}的发生来消除，因此对系统规划或运行人员而言可以只考虑事件{L5,L10}的影响，不考虑事件{L5,L7,L10}的影响。
(2)三阶事件{L2,L7,L27}失负荷损失为5MW，而二阶事件{L2,L7}和事件{L2,L27}的负荷损失均为5MW，即事件{L2,L7,L27}的故障损失小于其子事件失负荷损失之和，因此{L2,L7,L27}的增量风险为负。显然，基于本文所提筛选方法该事件也将被忽略。
(3)事件{L2,L16,L17}不仅是排序第6的高风险事件，同时也是排序第1的高增量风险事件，基于传统筛选和本文所提筛选模型均会筛选到该事件。对于该事件而言，L2,L16和L17中任意一个元器件未发生故障时，系统都不会削减负荷，只有三个元器件同时故障才会导致22.05MW的负荷削减。
表3
为了进一步阐述高风险事件和高增量风险事件的区别和联系，图8和图9以表1中系统100％负荷水平下317个三阶故障事件为例对比了风险与增量风险。
从图8可以看出，与表1类似，仅有少量高风险事件造成了增量削负荷。从图9可以看出，虽然事件风险是从大到小排列的，但是事件对应的增量风险是波动离散的，大部分高风险事件的增量风险都为0。换句话说，若通过筛选高风险事件来确定这些高增量风险事件，需要筛选大量无效的低增量风险事件，显然本文所提增量风险事件筛选MILP模型可以有效避免这些无效筛选，提高高阶事件风险的筛选效率。
由以上方案可知，本发明提供的一种增量风险事件的筛选方法中，通过获取输电系统的原始数据中的多个故障事件；然后将输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到每一个故障事件的增量风险；最后，将每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。达到了对高阶风险事件识别的目的。
本发明实施例提供的一种增量风险事件的筛选装置，如图4所示，包括：
第一获取单元401，用于获取输电系统的原始数据中的多个故障事件。
第一计算单元402，用于将输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到每一个故障事件的增量风险。
可选的，本发明的另一实施例中，第一计算单元402的一种实施方式，包括：
第一计算子单元，用于利用预设的公式对每一个故障事件进行计算，得到每一个故障事件的增量风险，预设的公式如下所示：
其中，ΔRiskE为故障事件E的增量风险，LossE'为故障事件E的增量负荷削减值，ΔProbE为故障事件E中所有故障元器件的不可用率ui的乘积，NE为故障事件E的阶数，Ω(E,i)为故障事件E的i阶故障子事件集合。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
第二计算单元403，用于将每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图1所示，此处不再赘述。
可选的，本发明的另一实施例中，第二计算单元403的一种实施方式，如图5所示，包括：
转化单元501，用于将双层风险计算模型中的上层模型中的非线性计算公式转化为线性公式，得到线性的上层模型。
可选的，本发明的另一实施例中，转化单元501的一种实施方式，包括：
转化子单元，用于将双层风险计算模型中的
转化为线性公式；转化过程如下所示：
其中，Ω(T,i)为输电系统T中增量负荷削减不为0的i阶元器件故障事件集合，i＝1,2,…,NE-1；zE”为辅助0-1变量，用于等效约束上述公式。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
转换单元502，用于将线性的上层模型和双层风险计算模型中的下层模型进行转换得到单层的混合整数线性规划模型。
第二计算子单元503，用于将每一个故障事件的增量风险输入至混合整数线性规划模型中，得到在最小负荷削减量时，增量风险最高的故障事件。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图3所示，此处不再赘述。
可选的，本发明的另一实施例中，第二计算子单元503一种实施方式，如图6所示，包括：
增量风险计算单元601，用于利用预设的公式对每一个故障事件的增量风险进行计算，得到增量风险最高的故障事件，预设的公式如下所示：
其中，ΔRiskE为故障事件E的增量风险，ΔDb为节点b上的负荷削减量，NE为故障事件E的阶数，NT为输电系统T的线路总数，xl为所有线路状态，ui为故障元器件的不可用率。
负荷削减计算单元602，用于利用预设的公式对每一个故障事件的增量风险的负荷削减量进行计算，得到在最小负荷削减量时，增量风险最高的故障事件，预设的公式如下所示：
ΓPg-KFl+ΔDb＝Db；
Fl-bl(θls-θle)≤M(1-xl) l∈Ωl；
Fl-bl(θls-θle)≥-M(1-xl) l∈Ωl；
-Fl,maxxl≤Fl≤Fl,maxxl l∈Ωl；
Pg,min≤Pg≤Pg,max g∈Ωg；
0≤ΔDb≤Db b∈Ωb；
θb,min≤θb≤θb,max b∈Ωb；其中，θ1＝0；
其中，Γ为节点-机组联接矩阵，K为节点-线路联接矩阵，Pg为机组g的有功出力，Fl为线路l流过的有功功率，Db为节点b上的负荷；Ωl为线路集合M，为一个足够大的正数，bl为线路l的电纳，θb为节点b的电压相角，θls为线路l的首个节点的电压相角，θle为线路l的末尾节点的电压相角。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，此处不再赘述。
可选的，本发明的另一实施例中，增量风险事件的筛选装置的一种实施方式，如图7所示，还包括：
第二获取单元701，用于获取大于或等于预设的增量风险阈值的所有的增量风险的故障事件。
第三获取单元702，用于在大于或等于预设的增量风险阈值的所有的增量风险的故障事件中，获取小于或等于故障阶数的最大值的增量风险的故障事件集合。
本发明上述实施例公开的单元的具体工作过程，可参见对应的方法实施例内容，如图2所示，此处不再赘述。
本发明另一实施例提供一种计算机可读介质，其上存储有计算机程序，其中，所述程序被处理器执行时实现如上述实施例中任意一项方法。
由以上方案可知，本发明提供的一种增量风险事件的筛选装置中，通过第一获取单元401获取输电系统的原始数据中的多个故障事件；然后利用第一计算单元402将输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到每一个故障事件的增量风险；最后，将每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。达到了对高阶风险事件识别的目的。
对所公开的实施例的上述说明，使本领域专业技术人员能够实现或使用本发明。对这些实施例的多种修改对本领域的专业技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下，在其它实施例中实现。因此，本发明将不会被限制于本文所示的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。
Claims (10)
1.一种增量风险事件的筛选方法，其特征在于，包括：
获取输电系统的原始数据中的多个故障事件；
将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险；
将所述每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。
2.根据权利要求1的方法，其特征在于，所述将所述每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件，包括：
将所述双层风险计算模型中的上层模型中的非线性计算公式转化为线性公式，得到线性的上层模型；
将所述线性的上层模型和所述双层风险计算模型中的下层模型进行转换得到单层的混合整数线性规划模型；
将所述每一个故障事件的增量风险输入至所述混合整数线性规划模型中，得到在最小负荷削减量时，增量风险最高的故障事件。
3.根据权利要求1所述的方法，其特征在于，所述将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险之后，还包括：
获取大于或等于预设的增量风险阈值的所有的增量风险的故障事件；
在所述大于或等于预设的增量风险阈值的所有的增量风险的故障事件中，获取小于或等于故障阶数的最大值的增量风险的故障事件集合。
4.根据权利要求1所述的方法，其特征在于，所述将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险，包括：
利用预设的公式对每一个故障事件进行计算，得到所述每一个故障事件的增量风险，所述预设的公式如下所示：
其中，ΔRiskE为故障事件E的增量风险，LossE'为故障事件E的增量负荷削减值，ΔProbE为故障事件E中所有故障元器件的不可用率ui的乘积，NE为故障事件E的阶数，Ω(E,i)为故障事件E的i阶故障子事件集合。
5.根据权利要求2所述的方法，其特征在于，所述将所述双层风险计算模型中的上层模型中的非线性计算公式转化为线性公式，得到线性的上层模型，包括：
将所述双层风险计算模型中的非线性公式
转化为线性公式；所述转化过程如下所示：
其中，Ω(T,i)为输电系统T中增量负荷削减不为0的i阶元器件故障事件集合，i＝1,2,…,NE-1；zE”为辅助0-1变量，用于等效约束上述公式。
6.根据权利要求2所述的方法，其特征在于，所述将所述每一个故障事件的增量风险输入至所述混合整数线性规划模型中，得到在最小负荷削减量时，增量风险最高的故障事件，包括：
利用预设的公式对每一个故障事件的增量风险进行计算，得到增量风险最高的故障事件，所述预设的公式如下所示：
其中，ΔRiskE为故障事件E的增量风险，ΔDb为节点b上的负荷削减量，NE为故障事件E的阶数，NT为输电系统T的线路总数，xl为所有线路状态，ui为故障元器件的不可用率；
利用预设的公式对每一个故障事件的增量风险的负荷削减量进行计算，得到在最小负荷削减量时，增量风险最高的故障事件，所述预设的公式如下所示：
ΓPg-KFl+ΔDb＝Db；
Fl-bl(θls-θle)≤M(1-xl) l∈Ωl；
Fl-bl(θls-θle)≥-M(1-xl) l∈Ωl；
-Fl,maxxl≤Fl≤Fl,maxxl l∈Ωl；
Pg,min≤Pg≤Pg,max g∈Ωg；
0≤ΔDb≤Db b∈Ωb；
θb,min≤θb≤θb,max b∈Ωb；其中，θ1＝0；
其中，Γ为节点-机组联接矩阵，K为节点-线路联接矩阵，Pg为机组g的有功出力，Fl为线路l流过的有功功率，Db为节点b上的负荷；Ωl为线路集合M，为一个足够大的正数，bl为线路l的电纳，θb为节点b的电压相角，θls为线路l的首个节点的电压相角，θle为线路l的末尾节点的电压相角。
7.一种增量风险事件的筛选装置，其特征在于，包括：
第一获取单元，用于获取输电系统的原始数据中的多个故障事件；
第一计算单元，用于将所述输电系统中的每一个故障事件输入至增量风险计算模型中，计算得到所述每一个故障事件的增量风险；
第二计算单元，用于将所述每一个故障事件的增量风险输入至双层风险计算模型中，计算得到在最小负荷削减量时，增量风险最高的故障事件。
8.根据权利要求7所述的装置，其特征在于，所述第二计算单元，包括：
转化单元，用于将所述双层风险计算模型中的上层模型中的非线性计算公式转化为线性公式，得到线性的上层模型；
转换单元，用于将所述线性的上层模型和所述双层风险计算模型中的下层模型进行转换得到单层的混合整数线性规划模型；
第二计算子单元，用于将所述每一个故障事件的增量风险输入至所述混合整数线性规划模型中，得到在最小负荷削减量时，增量风险最高的故障事件。
9.根据权利要求7所述的装置，其特征在于，还包括：
第二获取单元，用于获取大于或等于预设的增量风险阈值的所有的增量风险的故障事件；
第三获取单元，用于在所述大于或等于预设的增量风险阈值的所有的增量风险的故障事件中，获取小于或等于故障阶数的最大值的增量风险的故障事件集合。
10.一种计算机可读介质，其特征在于，其上存储有计算机程序，其中，所述程序被处理器执行时实现如权利要求1至6中任意一项所述的方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219380.7A CN110969355B (zh) | 2019-12-03 | 2019-12-03 | 增量风险事件的筛选方法、装置及计算机可读介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201911219380.7A CN110969355B (zh) | 2019-12-03 | 2019-12-03 | 增量风险事件的筛选方法、装置及计算机可读介质 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN110969355A true CN110969355A (zh) | 2020-04-07 |
| CN110969355B CN110969355B (zh) | 2023-06-09 |
Family
ID=70032712
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201911219380.7A Active CN110969355B (zh) | 2019-12-03 | 2019-12-03 | 增量风险事件的筛选方法、装置及计算机可读介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110969355B (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651889A (zh) * | 2020-06-04 | 2020-09-11 | 重庆大学 | 输电系统高风险事件筛选方法、装置、设备及存储介质 |
Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120284790A1 (en) * | 2006-09-11 | 2012-11-08 | Decision-Zone Inc. | Live service anomaly detection system for providing cyber protection for the electric grid |
| CN102968556A (zh) * | 2012-11-08 | 2013-03-13 | 重庆大学 | 一种基于概率分布的配网可靠性判断方法 |
| CN103985066A (zh) * | 2014-05-20 | 2014-08-13 | 天津大学 | 一种基于混合潮流的电力系统静态风险评估方法 |
| CN105117839A (zh) * | 2015-08-20 | 2015-12-02 | 国家电网公司 | 一种基于连锁故障的电力系统薄弱环节辨识方法 |
| CN109886834A (zh) * | 2019-01-25 | 2019-06-14 | 重庆大学 | 一种基于最大风险分析的发输电系统可靠性跟踪算法 |
-
2019
- 2019-12-03 CN CN201911219380.7A patent/CN110969355B/zh active Active
Patent Citations (5)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20120284790A1 (en) * | 2006-09-11 | 2012-11-08 | Decision-Zone Inc. | Live service anomaly detection system for providing cyber protection for the electric grid |
| CN102968556A (zh) * | 2012-11-08 | 2013-03-13 | 重庆大学 | 一种基于概率分布的配网可靠性判断方法 |
| CN103985066A (zh) * | 2014-05-20 | 2014-08-13 | 天津大学 | 一种基于混合潮流的电力系统静态风险评估方法 |
| CN105117839A (zh) * | 2015-08-20 | 2015-12-02 | 国家电网公司 | 一种基于连锁故障的电力系统薄弱环节辨识方法 |
| CN109886834A (zh) * | 2019-01-25 | 2019-06-14 | 重庆大学 | 一种基于最大风险分析的发输电系统可靠性跟踪算法 |
Non-Patent Citations (2)
| Title |
|---|
| 曹茂森等: "考虑电-气耦合系统连锁故障的多阶段信息物理协同攻击策略", 《电力自动化设备》 * |
| 雷云凯: "基于影响增量的电力系统及综合能源系统可靠性评估方法", 《博士学位论文》 * |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111651889A (zh) * | 2020-06-04 | 2020-09-11 | 重庆大学 | 输电系统高风险事件筛选方法、装置、设备及存储介质 |
| CN111651889B (zh) * | 2020-06-04 | 2024-04-26 | 重庆大学 | 输电系统高风险事件筛选方法、装置、设备及存储介质 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN110969355B (zh) | 2023-06-09 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| US20230009681A1 (en) | Optimal dispatching method and system for wind power generation and energy storage combined system | |
| CN113011670B (zh) | 配电网故障应急抢修调度-故障恢复协同方法及装置 | |
| US20220037883A1 (en) | Power distribution network reliability index calculation method and apparatus based on mixed integer linear programming, and medium | |
| Yodo et al. | Enabling resilience of complex engineered systems using control theory | |
| CN106026092A (zh) | 一种用于含分布式电源的配电网孤岛划分方法 | |
| CN107132762A (zh) | 基于预想故障集自动筛选的在线静态安全评估方法 | |
| Lan et al. | Stochastic optimization for AC optimal transmission switching with generalized Benders decomposition | |
| CN107301479B (zh) | 基于自然灾害风险的输电系统多场景规划方法 | |
| CN115115251A (zh) | 考虑净负荷最优可接纳域的配电网电源规划方法及系统 | |
| CN110969355A (zh) | 增量风险事件的筛选方法、装置及计算机可读介质 | |
| CN111651889B (zh) | 输电系统高风险事件筛选方法、装置、设备及存储介质 | |
| Pan et al. | Reliability-constrained economic dispatch with analytical formulation of operational risk evaluation | |
| Morquecho et al. | Security constrained AC dynamic transmission expansion planning considering reactive power requirements | |
| Gautam et al. | Post-Disaster Microgrid Formation for Enhanced Distribution System Resilience | |
| Junjie et al. | Coordination of preventive and emergency dispatch in renewable energy integrated power systems under extreme weather | |
| CN116131339A (zh) | 基于通信网络和随机切换拓扑的孤岛微电网的鲁棒二级控制方法 | |
| CN109063253B (zh) | 一种基于贝叶斯网络的航空电源系统可靠性建模方法 | |
| Chin et al. | Formation of ad hoc microgrids for prompt critical load pickup during blackouts by leveraging stochastic distributed energy resources | |
| CN115907140A (zh) | 电力现货出清方案优化方法、装置、计算机设备和介质 | |
| CN115238943A (zh) | 一种主动配电网规划方法及系统 | |
| CN110098754B (zh) | 一种考虑备用冗余的mmc冗余子模块有效利用率计算方法 | |
| CN112733450A (zh) | 一种电力网络中节点故障的分析方法及装置 | |
| Yuan et al. | Enhancement in reliability‐constrained unit commitment considering state‐transition‐process and uncertain resources | |
| Liu et al. | Correctability of fault-tolerant stochastic discrete-event systems | |
| Wang et al. | Measurement of Power Grid Resilience Based on a Dynamic Inoperability Input–Output Model |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | 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 |