CN111027879B - 一种基于som-fat的电力系统连锁故障预测方法 - Google Patents

一种基于som-fat的电力系统连锁故障预测方法 Download PDF

Info

Publication number
CN111027879B
CN111027879B CN201911302179.5A CN201911302179A CN111027879B CN 111027879 B CN111027879 B CN 111027879B CN 201911302179 A CN201911302179 A CN 201911302179A CN 111027879 B CN111027879 B CN 111027879B
Authority
CN
China
Prior art keywords
branch
fault
node
branches
steps
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
Application number
CN201911302179.5A
Other languages
English (en)
Other versions
CN111027879A (zh
Inventor
宋玉琴
赵攀
周琪玮
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Baoding Jeddah Power Design Co ltd
Shenzhen Wanzhida Technology Co ltd
Original Assignee
Xian Polytechnic University
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Xian Polytechnic University filed Critical Xian Polytechnic University
Priority to CN201911302179.5A priority Critical patent/CN111027879B/zh
Publication of CN111027879A publication Critical patent/CN111027879A/zh
Application granted granted Critical
Publication of CN111027879B publication Critical patent/CN111027879B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
    • G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/23—Clustering techniques
    • G06F18/232—Non-hierarchical techniques
    • G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
    • 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)
  • Human Resources & Organizations (AREA)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Probability & Statistics with Applications (AREA)
  • Artificial Intelligence (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • General Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Evolutionary Biology (AREA)
  • General Engineering & Computer Science (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于SOM‑FAT的电力系统连锁故障预测方法，包括：建立初始故障支路集，检测初始故障支路集中的支路是否为故障支路，若为故障支路，记录该支路路径，并计算发生概率，若为正常支路，计算该支路与其他支路间的关联性大小，并建立下级故障支路集合；依次检测下级故障支路集合中的支路是否为故障支路，若为故障支路，记录该支路路径，并计算发生概率，若为正常支路，计算该支路与其他支路间的关联性大小；完成对初始故障支路集中的每条支路的检测，得到准确的故障支路集。

Description

一种基于SOM-FAT的电力系统连锁故障预测方法
技术领域
本发明属于电力故障检测方法技术领域，涉及一种基于SOM-FAT的电力系统连锁故障预测方法。
背景技术
电力是国民经济发展的基础，是社会进步、工业发展、国家安全的重要保障。近年来电网结构日益复杂、互联性逐步提高，给电网的运行分析和运行稳定性带来了极大的挑战和难题，电网的互联使系统更加复杂，导致发生连锁故障的概率大大增加，局部很小的某些故障极可能迅速蔓延波及附近电网乃至整个互联网络，最终导致电网解列、崩溃，给社会、人民带来巨大的损失和影响。所以，确保电力系统稳定运行，预防大型连锁故障的发生极其重要。研究分析这些大停电事故可知；大停电事故往往从系统中某一元件或线路的故障开始，继而引发系列线路故障，然后连锁故障迅速传播最终导致电力系统大面积停电崩溃。偶然故障引发的连锁故障进而演化为大范围电力灾难的过程，具体过程可划分为缓慢连锁开断、快速连锁开断、短暂震荡、雪崩和漫长恢复五个阶段，其中缓慢连锁开断阶段时间最为漫长。目前并为出现对于电力系统连锁故障的预测方法，以避免发生系统范围的大停电事件。
发明内容
本发明的目的是提供一种基于SOM-FAT的电力系统连锁故障预测方法，能避免发生系统范围的大停电事件。
本发明所采用的技术方案是，一种基于SOM-FAT的电力系统连锁故障预测方法，包括：建立初始故障支路集，检测初始故障支路集中的支路是否为故障支路，若为故障支路，记录该支路路径，并计算发生概率，若为正常支路，计算该支路与其他支路间的关联性大小，并建立下级故障支路集合；依次检测下级故障支路集合中的支路是否为故障支路，若为故障支路，记录该支路路径，并计算发生概率，若为正常支路，计算该支路与其他支路间的关联性大小；完成对初始故障支路集中的每条支路的检测，得到故障支路集。
本发明的特点还在于：
包括以下步骤：
步骤1、设计故障集评价指标，选择故障集评价指标较大的支路组成初始故障支路集；
步骤2、断开初始故障支路集中的支路，判断系统是否解列失稳，如果解列失稳，则记录该条支路路径，并计算发生概率；若系统稳定，则根据上下级支路关联性指标，计算该支路与其他支路间的关联性大小；
步骤3、对上下级支路关联性指标进行分类，将上下级支路关联性指标较高的支路作为下级故障支路集合，并计算每条下级支路发生故障的概率；
步骤4、依次断开下级故障支路集合中的支路，判断系统是否解列失稳，如果解列失稳，则记录该条支路路径，并计算发生概率；若系统稳定，则根据上下级支路关联性指标，计算该支路与其他支路间的关联性大小，直至搜索完下级故障支路集合中的每条支路；
步骤5、重复步骤2-4，完成初始故障支路集中的每条支路检测，得到故障支路集。
步骤1中故障集评价指标El为：
El＝η1Cl×η2Tl×η3λl (1)；
上式中，Cl为节点扰动对支路的潮流冲击性，Tl为支路在电力系统中的重要性，λl为支路自身故障概率，η1、η2、η3均为阈值。
节点扰动对支路的潮流冲击性Cl计算过程如下：
系统处于平衡状态时支路的潮流为Pl0，当某节点a负荷突增，支路1的潮流改变为Pla，则节点a对支路l的潮流冲击Ela为：
ΔEla＝Pla-Pl0 (2)；
则节点a对系统的潮流冲击ΔEa为：
上式中：S为系统支路数量；
则支路l的潮流冲击率ηla为：
结合公式1-3，节点a在系统的潮流分布熵HD(a)为：
所以，节点a扰动对支路1的潮流冲击Cla为：
步骤2中上下级支路关联性指标Ml为：
Ml＝Sl×Dl×Bl (9)；
上式中，Bl为上级支路潮流转移熵对下级支路冲击性，Sl为上级支路故障切除后对下级支路的影响度，表示如下：
上式中，Fl j为支路l在故障发生后的传输功率，Fl j-1为支路1在故障发生前的传输功率，为支路1-1在故障发生前的传输功率；
Dl为支路在电网运行中的负载率指标，表示如下：
上式中，Flmax为支路l的最大传输功率。
上级支路潮流转移熵对下级支路冲击性Bl的计算过程如下：
支路l-1断开对支路l传输裕度影响的潮流转移熵Hl,l-1为：
Hl,l-1＝-ηl,l-1lnηl,l-1 (12)；
上式中，ηl,l-1为支路l-1开断对支路l的传输裕度影响值；
则支路l-1潮流转移熵对于支路l的冲击性Bl为：
步骤3具体包括：
步骤3.1、采用生成随机数的方式对输入层的上下级支路关联性指标Ml和竞争层节点的值Wj(j＝1，2，…，N)进行初始化，随机数的取值范围为[0,1]，如下式：
并对学习率η(0)以及迭代次数进行初始化，学习率的取值范围为0＜η(0)＜1；
步骤3.2、寻找获胜节点；
步骤3.3、确定优胜邻域，并通过下式调整获胜节点及优胜邻域内节点的权值：
上式中，dj表示优胜邻域内节点与获胜节点的欧氏距离，N(dj)为邻域函数，
步骤3.3、循环学习直至迭代结束，获得聚类结果；
步骤3.4、将聚类结果中上下级支路关联性指标最高的一类支路作为下级故障支路集合，并计算每条下级支路发生故障的概率。
优胜邻域为：
r(t)＝Ce-t/T (19)；
上式中，r(t)表示t次迭代时邻域范围的半径，C为竞争层维度的1/2，T为总迭代次数。
步骤3.2寻找获胜节点的方法为欧氏距离法或余弦法。
步骤3.2中采用自适应的方式来调整学习率，学习率与迭代次数成反比：
η(t+1)＝η(0)e-t/T (22)。
本发明的有益效果是：
本发明的基于SOM-FAT的电力系统连锁故障预测方法，在传统故障树预测的基础上，以节点扰动对支路的潮流冲击性、支路在电力系统中的重要性、支路自身故障概率为初始故障集评价指标，以上级支路潮流转移熵对下级支路冲击性、上级支路故障切除后对下级支路的影响度及支路在电网运行中的负载率为上下级支路关联性指标，能更准确的确定初始故障集、下级故障支路，得到故障支路集，以避免发生系统范围的大停电事件；对SOM聚类算法进行改进，提出用自适应的方式来解决算法中学习率难以确定的问题，使得聚类结果更加准确。
附图说明
图1是本发明一种基于SOM-FAT的电力系统连锁故障预测方法的流程图。
具体实施方式
下面结合附图和具体实施方式对本发明进行详细说明。
本发明一种基于SOM-FAT的电力系统连锁故障预测方法，包括：
建立初始故障支路集，检测初始故障支路集中的支路是否为故障支路，若为故障支路，记录该支路路径，并计算发生概率，若为正常支路，计算该支路与其他支路间的关联性大小，并建立下级故障支路集合；依次检测下级故障支路集合中的支路是否为故障支路，若为故障支路，记录该支路路径，并计算发生概率，若为正常支路，计算该支路与其他支路间的关联性大小；完成对初始故障支路集中的每条支路的检测，得到故障支路集。
如图1所示，具体包括以下步骤：
步骤1、设计故障集评价指标，建立初始故障支路集；
故障集评价指标El为：
El＝η1Cl×η2Tl×η3λl (1)；
上式中，Cl为节点扰动对支路的潮流冲击性，Tl为支路在电力系统中的重要性，λl为支路自身故障概率，λl可查阅《电力系统安全运行导则》得到，η1、η2、η3分别为三个指标的阈值，可根据支路实际运行情况，设定适当的阈值。综合三个指标因素，选取故障集评价指标El较大的支路组成初始故障支路集。
节点扰动对支路的潮流冲击性Cl，该指标考虑电网节点由于负荷突然变化造成的扰动对于电网的冲击问题，计算过程如下：
系统处于平衡状态时支路的潮流为Pl0，当某节点a负荷突增，引起系统扰动，支路l的潮流改变为Pla，节点a受到扰动后，则节点a对支路l的潮流冲击Ela(即支路l的潮流增加量)为：
ΔEla＝Pla-Pl0 (2)；
则节点a对系统的潮流冲击ΔEa为：
上式中：S为系统支路数量；
则采用支路l的潮流冲击率ηla，表示支路l在节点a对系统的潮流冲击中所占的比例：
结合公式1-3，节点a在系统的潮流分布熵HD(a)，HD(a)反映了节点在发生扰动后系统所受到的潮流冲击的分布特性，表示如下：
所以，支路l在系统节点受到扰动后，自身所承担的潮流冲击的大小Cla(即节点a扰动对支路l的潮流冲击)为：
支路在电力系统中的重要性Tl计算过程如下：
一般情况下，在发电机Gm向负荷Ln传送功率的过程中，支路Pmn承担的部分越多，表明该支路在电力系统中占有比较重要的位置，表明其在电力系统中的重要性比较高，定义单一发电负荷对(m,n)的支路潮流介数为：
式中：Pij(m,n)为总传输功率Pm,n在支路i,j上的分量，Pij(m,n)/Pmn为支路i,j对发电负荷对(m,n)的输电贡献比例因子，min(Sm,Sn)为该发电负荷对的权重，该权重取实际发电量和实际负荷消耗量中的较小值，表征了输电支路所传输的最大可用功率。
由于电网中每条支路都承担了不同发电负荷对之间的功率传送任务，从而一条支路可能被多个发电负荷对的功率传输路径经过，其被经过的次数也反映了该支路在电网当前运行方式下的重要程度，即电网中所有发电负荷对的累加效果，定义支路的重要性指标如下：
式中：G为支路提供功率的所有发电机节点集合，L为消耗支路功率的所有负荷节点集合。
步骤2、断开初始故障支路集中的支路，判断系统是否解列失稳，如果解列失稳，则记录该条支路路径，并计算发生概率；若系统稳定，则根据上下级支路关联性指标，计算该支路与其他支路间的关联性大小；
上下级支路关联性指标Ml为：
Ml＝Sl×Dl×Bl (9)；
上式中，Bl为上级支路潮流转移熵对下级支路冲击性，Sl为上级支路故障切除后对下级支路的影响度，即在上级故障支路l-1发生故障前后，下级支路l的传输功率变化与上级支路l-1在故障前的传输功率的比值表示如下：
上式中，Fl j为支路l在故障发生后的传输功率，Fl j-1为支路l在故障发生前的传输功率，为支路l-1在故障发生前的传输功率；
Dl为支路在电网运行中的负载率指标，定义为支路l在支路l-1发生故障且将要传播到下一级时，其传输功率与其所承担的最大传输功率的比值，表示如下：
上式中，Flmax为支路l的最大传输功率。
上级支路潮流转移熵对下级支路冲击性Bl的计算过程如下：
支路l-1断开对支路l传输裕度影响的潮流转移熵Hl,l-1为：
Hl,l-1＝-ηl,l-1lnηl,l-1 (12)；
上式中，ηl,l-1为支路l-1开断对支路l的传输裕度影响值，表示如下：
则支路l-1潮流转移熵对于支路l的冲击性Bl(即支路潮流转移熵冲击性)为：
步骤3、对上下级支路关联性指标进行分类，将上下级支路关联性指标较高的支路作为下级故障支路集合，并计算每条下级支路发生故障的概率；
步骤3.1、采用生成随机数的方式对输入层的上下级支路关联性指标Ml和竞争层节点的值Wj(j＝1，2，…，N)进行初始化，随机数的取值范围为[0,1]，如下式：
并对学习率η(0)以及迭代次数进行初始化，学习率的取值范围为0＜η(0)＜1；
步骤3.2、寻找获胜节点；
输入层的一个输入向量为一个样本数据。对于当前输入的样本数据，在竞争层中寻找与之最匹配的节点(即获胜节点，通常使用相近性来度量)；采用欧氏距离法或余弦法寻找获胜点，欧氏距离法采用两个向量间的欧氏距离来度量，距离越小，相近性越高，欧氏距离法表示如下；
余弦法使用两个向量间的夹角来度量，夹角越小，余弦越大，相近性越高，表示如下：
竞争层的所有节点中除最匹配的节点输出为1，其余节点的输出均为0：
步骤3.3、确定优胜邻域(即优胜节点的一个邻域范围)，该邻域范围的原则是邻域半径与迭代次数成反比，以在保证相邻节点差异性的同时保证一定的相似性，优胜邻域为：
r(t)＝Ce-t/T (19)；
上式中，r(t)表示t次迭代时邻域范围的半径，C为竞争层维度的1/2，T为总迭代次数；
并通过下式调整获胜节点及优胜邻域内节点的权值：
上式中，dj表示优胜邻域内节点与获胜节点的欧氏距离；N(dj)为邻域函数，
采用自适应的方式来调整学习率，学习率与迭代次数成反比：
η(t+1)＝η(0)e-t/T (22)；
步骤3.3、当前样本数据学习过程结束后，输入层传入下一个样本数据，迭代上述过程，直至t＝T；或者定义最小的学习率min(η)，当η(t)＜min(η)时，结束迭代，聚类结束，获得聚类结果；
步骤3.4、将聚类结果中上下级支路关联性指标最高的一类支路作为下级故障支路集合，并计算每条下级支路发生故障的概率。
步骤4、依次断开下级故障支路集合中的支路，判断系统是否解列失稳，如果解列失稳，则记录该条支路路径，并计算发生概率；若系统稳定，则根据上下级支路关联性指标，计算该支路与其他支路间的关联性大小，直至搜索完下级故障支路集合中的每条支路；
步骤5、重复步骤2-4，完成初始故障支路集中的每条支路检测，得到故障支路集，预测结束。
通过以上方式，本发明的基于SOM-FAT的电力系统连锁故障预测方法，在传统故障树预测的基础上，以节点扰动对支路的潮流冲击性、支路在电力系统中的重要性、支路自身故障概率为初始故障集评价指标，以上级支路潮流转移熵对下级支路冲击性、上级支路故障切除后对下级支路的影响度及支路在电网运行中的负载率为上下级支路关联性指标，能更准确的确定初始故障集、下级故障支路；对SOM聚类算法进行改进，提出用自适应的方式来解决算法中学习率难以确定的问题，使得聚类结果更加准确。

Claims (4)

1.一种基于SOM-FAT的电力系统连锁故障预测方法，其特征在于，包括以下步骤：
步骤1、设计故障集评价指标，选择故障集评价指标较大的支路组成初始故障支路集；
步骤2、断开所述初始故障支路集中的支路，判断系统是否解列失稳，如果解列失稳，则记录该条支路路径，并计算发生概率；若系统稳定，则根据上下级支路关联性指标，计算该支路与其他支路间的关联性大小；
步骤3、对所述上下级支路关联性指标进行分类，将上下级支路关联性指标较高的支路作为下级故障支路集合，并计算每条下级支路发生故障的概率；
步骤4、依次断开所述下级故障支路集合中的支路，判断系统是否解列失稳，如果解列失稳，则记录该条支路路径，并计算发生概率；若系统稳定，则根据所述上下级支路关联性指标，计算该支路与其他支路间的关联性大小，直至搜索完所述下级故障支路集合中的每条支路；
步骤5、重复步骤2-4，完成所述初始故障支路集中的每条支路检测，得到故障支路集；
步骤1中所述故障集评价指标El为：
El＝η1Cl×η2Tl×η3λl (1)；
上式中，Cl为节点扰动对支路的潮流冲击性，Tl为支路在电力系统中的重要性，λl为支路自身故障概率，η1、η2、η3均为阈值；
所述节点扰动对支路的潮流冲击性Cl计算过程如下：
系统处于平衡状态时支路的潮流为Pl0，当某节点a负荷突增，支路l的潮流改变为Pla，则节点a对支路l的潮流冲击Ela为：
ΔEla＝Pla-Pl0 (2)；
则节点a对系统的潮流冲击ΔEa为：
上式中：S为系统支路数量；
则支路l的潮流冲击率ηla为：
结合公式1-3，节点a在系统的潮流分布熵HD(a)为：
所以，节点a扰动对支路l的潮流冲击Cla为：
步骤2中上下级支路关联性指标Ml为：
Ml＝Sl×Dl×Bl (9)；
上式中，Bl为上级支路潮流转移熵对下级支路冲击性，Sl为上级支路故障切除后对下级支路的影响度，表示如下：
上式中，Fl j为支路l在故障发生后的传输功率，Fl j-1为支路l在故障发生前的传输功率，为支路l-1在故障发生前的传输功率；
Dl为支路在电网运行中的负载率指标，表示如下：
上式中，Flmax为支路1的最大传输功率；
所述上级支路潮流转移熵对下级支路冲击性Bl的计算过程如下：
支路1-1断开对支路1传输裕度影响的潮流转移熵Hl，l-1为：
Hl，l-1＝-ηl，l-1lnηl，l-1 (12)；
上式中，ηl，l-1为支路1-1开断对支路1的传输裕度影响值；
则支路l-1潮流转移熵对于支路1的冲击性Bl为：
步骤3具体包括：
步骤3.1、采用生成随机数的方式对输入层的上下级支路关联性指标M1和竞争层节点的值Wj(j＝1，2，...，N)进行初始化，随机数的取值范围为[0，1]，如下式：
并对学习率η(0)以及迭代次数进行初始化，所述学习率的取值范围为0＜η(0)＜1；
步骤3.2、寻找获胜节点；
步骤3.3、确定优胜邻域，并通过下式调整获胜节点及优胜邻域内节点的权值：
Wij(t+1)＝Wij(t)+ΔWij
＝Wij(r)+η(t)*N(dj)*(Ml-Wij) (20)；
上式中，dj表示优胜邻域内节点与获胜节点的欧氏距离，N(dj)为邻域函数，
步骤3.3、循环学习直至迭代结束，获得聚类结果；
步骤3.4、将所述聚类结果中上下级支路关联性指标最高的一类支路作为下级故障支路集合，并计算每条下级支路发生故障的概率。
2.根据权利要求1所述的一种基于SOM-FAT的电力系统连锁故障预测方法，其特征在于，所述优胜邻域为：
r(t)＝Ce-t/T (19)；
上式中，r(t)表示t次迭代时邻域范围的半径，C为竞争层维度的1/2，T为总迭代次数。
3.根据权利要求1所述的一种基于SOM-FAT的电力系统连锁故障预测方法，其特征在于，步骤3.2所述寻找获胜节点的方法为欧氏距离法或余弦法。
4.根据权利要求1所述的一种基于SOM-FAT的电力系统连锁故障预测方法，其特征在于，步骤3.2中采用自适应的方式来调整学习率，所述学习率与迭代次数成反比：
η(t+1)＝η(0)e-t/T (22)。
CN201911302179.5A 2019-12-17 2019-12-17 一种基于som-fat的电力系统连锁故障预测方法 Active CN111027879B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201911302179.5A CN111027879B (zh) 2019-12-17 2019-12-17 一种基于som-fat的电力系统连锁故障预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201911302179.5A CN111027879B (zh) 2019-12-17 2019-12-17 一种基于som-fat的电力系统连锁故障预测方法

Publications (2)

Publication Number Publication Date
CN111027879A CN111027879A (zh) 2020-04-17
CN111027879B true CN111027879B (zh) 2023-08-22

Family

ID=70210215

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201911302179.5A Active CN111027879B (zh) 2019-12-17 2019-12-17 一种基于som-fat的电力系统连锁故障预测方法

Country Status (1)

Country Link
CN (1) CN111027879B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN111860959B (zh) * 2020-06-19 2024-03-29 齐丰科技股份有限公司 一种电力系统连锁故障预测方法
CN112434832B (zh) * 2020-12-09 2021-08-17 广州瑞修得信息科技有限公司 基于贝叶斯网络的车辆故障检测方案的智能推荐方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166880A (zh) * 2013-05-31 2014-11-26 贵州电网公司电力调度控制中心 电力系统连锁故障模式预测方法
CN109375050A (zh) * 2018-08-22 2019-02-22 山东科技大学 一种基于初始故障线路割集的电力系统关键断面辨识方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104166880A (zh) * 2013-05-31 2014-11-26 贵州电网公司电力调度控制中心 电力系统连锁故障模式预测方法
CN109375050A (zh) * 2018-08-22 2019-02-22 山东科技大学 一种基于初始故障线路割集的电力系统关键断面辨识方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
何晔等.基于模糊聚类的连锁故障事故链模型研究.《电气自动化》.2018,第40卷(第6期),第56-58页第3-4节以及附图1. *

Also Published As

Publication number Publication date
CN111027879A (zh) 2020-04-17

Similar Documents

Publication Publication Date Title
Liu et al. A comparative study of network robustness measures
Delvenne et al. Centrality measures and thermodynamic formalism for complex networks
CN100438251C (zh) 一种大型电力系统脆弱线路辨识的方法
Rahmatian et al. Transient stability assessment via decision trees and multivariate adaptive regression splines
Amraee Loss‐of‐field detection in synchronous generators using decision tree technique
CN110034581B (zh) 风电并网下电力系统的区间电气介数脆弱性评估方法
CN106529791B (zh) 一种电力系统中支路重要度的评估方法
CN111027879B (zh) 一种基于som-fat的电力系统连锁故障预测方法
Qu et al. False data injection attack detection in power systems based on cyber-physical attack genes
CN106093713A (zh) 一种含分布式电源的配电网区段故障定位方法及系统
Klocke et al. Topological order and entanglement dynamics in the measurement-only XZZX quantum code
CN107317704A (zh) 一种基于紧密度和结构洞的复杂网络重要节点排序方法
CN110417011A (zh) 一种基于互信息与迭代随机森林的在线动态安全评估方法
CN113722868B (zh) 一种融合结构洞特征的多指标电网节点脆弱性评估方法
CN106405319A (zh) 一种基于启发式信息的粗糙集电力系统故障诊断方法
CN103823837A (zh) 基于模糊聚类和最短路径的关键输电断面搜索方法
CN113507389B (zh) 一种电网关键节点识别方法及系统
CN109375050A (zh) 一种基于初始故障线路割集的电力系统关键断面辨识方法
CN113422695A (zh) 一种提高物联网拓扑结构鲁棒性能的优化方法
CN115130375A (zh) 一种岩爆烈度预测方法
CN104463369A (zh) 一种分布式电源选址与定容优化方法及系统
CN117175548B (zh) 一种基于随机潮流的连锁故障紧急控制方法
CN111814394B (zh) 一种基于相关性和冗余性检测的电力系统安全评估方法
Cai et al. Modelcoder: A fault model based automatic root cause localization framework for microservice systems
CN113448319A (zh) 基于快速自适应优化脉冲神经膜系统的故障诊断方法

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
TR01 Transfer of patent right

Effective date of registration: 20240102

Address after: No. 138, sunny north street, Baoding, Hebei Province, Hebei

Patentee after: Baoding Jeddah Power Design Co.,Ltd.

Address before: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee before: Shenzhen Wanzhida Technology Co.,Ltd.

Effective date of registration: 20240102

Address after: 518000 1002, Building A, Zhiyun Industrial Park, No. 13, Huaxing Road, Henglang Community, Longhua District, Shenzhen, Guangdong Province

Patentee after: Shenzhen Wanzhida Technology Co.,Ltd.

Address before: 710048 Shaanxi province Xi'an Beilin District Jinhua Road No. 19

Patentee before: XI'AN POLYTECHNIC University

TR01 Transfer of patent right