CN111651889B - 输电系统高风险事件筛选方法、装置、设备及存储介质 - Google Patents
输电系统高风险事件筛选方法、装置、设备及存储介质 Download PDFInfo
- Publication number
- CN111651889B CN111651889B CN202010499450.5A CN202010499450A CN111651889B CN 111651889 B CN111651889 B CN 111651889B CN 202010499450 A CN202010499450 A CN 202010499450A CN 111651889 B CN111651889 B CN 111651889B
- Authority
- CN
- China
- Prior art keywords
- event
- root
- subspace
- risk
- screening
- 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
- 238000012216 screening Methods 0.000 title claims abstract description 237
- 230000005540 biological transmission Effects 0.000 title claims abstract description 148
- 238000000034 method Methods 0.000 title claims abstract description 100
- 238000003860 storage Methods 0.000 title claims abstract description 13
- 230000000295 complement effect Effects 0.000 claims abstract description 120
- 238000004364 calculation method Methods 0.000 claims abstract description 97
- 230000009467 reduction Effects 0.000 claims abstract description 28
- 238000013138 pruning Methods 0.000 claims abstract description 22
- 239000010410 layer Substances 0.000 claims description 80
- 230000006870 function Effects 0.000 claims description 68
- 230000009977 dual effect Effects 0.000 claims description 16
- 239000002356 single layer Substances 0.000 claims description 10
- 238000004590 computer program Methods 0.000 claims description 9
- 230000001502 supplementing effect Effects 0.000 claims description 6
- 230000001131 transforming effect Effects 0.000 claims 1
- 230000008569 process Effects 0.000 description 17
- 238000004422 calculation algorithm Methods 0.000 description 12
- 238000006243 chemical reaction Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 7
- 230000035945 sensitivity Effects 0.000 description 4
- 230000009471 action Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 2
- 230000008901 benefit Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 239000011159 matrix material Substances 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 238000012614 Monte-Carlo sampling Methods 0.000 description 1
- 238000005054 agglomeration Methods 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- OEYIOHPDSNJKLS-UHFFFAOYSA-N choline Chemical compound C[N+](C)(C)CCO OEYIOHPDSNJKLS-UHFFFAOYSA-N 0.000 description 1
- 229960001231 choline Drugs 0.000 description 1
- 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
- 230000007423 decrease Effects 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009776 industrial production Methods 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012886 linear function Methods 0.000 description 1
- 238000013486 operation strategy Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 238000010248 power generation Methods 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
- 239000013598 vector Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Water Supply & Treatment (AREA)
- Game Theory and Decision Science (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Public Health (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Computer Hardware Design (AREA)
- Primary Health Care (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种输电系统高风险事件筛选方法、装置、设备及存储介质,包括:获取输电系统的原始数据中的多个故障事件;通过空间修剪准则将根事件的空间分为子空间和补集子空间;将故障事件输入至根事件子空间状态筛选双层风险计算模型中,找出最小负荷削减量时损失高于根事件的高风险事件;将故障事件输入至根事件补集子空间状态筛选双层风险计算模型中,通过忽略潮流约束的模型找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件,通过包含潮流约束的模型找出不满足潮流约束引起的高风险事件。这样实现对高风险事件的识别,对N‑k空间内高风险事件的损失和风险进行有效表征,及缩减故障空间的时间筛选规模和计算时间。
Description
技术领域
本发明涉及电力工程技术领域,特别是涉及一种输电系统高风险事件筛选方法、装置、设备及存储介质。
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输电系统而言,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。
在现代社会中,电力系统的供电可靠性对于工业生产和社会生活有着重要意义。输电系统的多条线路同时停运已经诱发多次大停电事故,如“8.14”美加大停电,“7.30”印度大停电等。线路停运可能对系统输电能力产生不可忽视的影响,甚至造成大规模负荷被切除。因此,在电力系统规划或运行中,准确辨识输电系统中关键的N-k阶停电事件,是在电力系统规划或运行中进行可靠性管控、预防大规模停电事件发生的重要举措。然而,针对大规模电力系统而言,随着故障阶数的增加,N-k事件数将出现“组合爆炸”问题,导致事件筛选极其困难。
因此,如何提高对输电系统中关键的N-k阶停电事件的筛选效率,是本领域技术人员亟待解决的技术问题。
发明内容
有鉴于此,本发明的目的在于提供一种输电系统高风险事件筛选方法、装置、设备及存储介质,用于对高阶风险事件识别,以达到显著缩减N-k阶故障空间的时间筛选规模和计算时间的目的。其具体方案如下:
一种输电系统高风险事件筛选方法,包括:
获取输电系统的原始数据中的多个故障事件;
通过空间修剪准则将作为根事件的N-k故障事件的空间解析地表示为每个根事件的子空间和补集子空间;
将所述输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件;
将所述输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从所述第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件;
将所述输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从所述第二根事件补集子空间内找出不满足潮流约束引起的高风险事件。
优选地,在本发明实施例提供的上述输电系统高风险事件筛选方法中,将所述输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件,具体包括:
将所述根事件子空间状态筛选双层风险计算模型中的上层模型中第一目标函数的非线性计算公式转化为线性公式,得到线性的所述第一目标函数;所述第一目标函数包含惩罚项的指数函数;
将具有线性的所述第一目标函数的上层模型和所述根事件子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第一混合整数线性规划模型;
将所述输电系统中每个故障事件输入至所述第一混合整数线性规划模型中,筛选出根事件及根事件子空间的事件;
将所述根事件子空间内的事件的损失与所述根事件的损失进行比较,从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件。
优选地,在本发明实施例提供的上述输电系统高风险事件筛选方法中,将具有线性的所述第一目标函数的上层模型和所述根事件子空间状态筛选双层风险计算模型中的下层模型进行转换,具体包括:
通过KKT或对偶定理将具有线性的所述第一目标函数的上层模型和所述根事件子空间状态筛选双层风险计算模型中的下层模型进行转换。
优选地,在本发明实施例提供的上述输电系统高风险事件筛选方法中,在从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件之前,还包括:
当通过辨识的风险事件的损失不高于所述根事件损失时,停止对所述根事件子空间进行搜索。
优选地,在本发明实施例提供的上述输电系统高风险事件筛选方法中,将所述输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从所述第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件,具体包括:
将忽略潮流约束的所述根事件补集子空间状态筛选双层风险计算模型中的上层模型中目标函数的非线性计算公式转化为线性公式,得到线性的第二目标函数;所述第二目标函数忽略惩罚项的指数函数;
将具有线性的所述第二目标函数的上层模型和所述根事件补集子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第二混合整数线性规划模型;
将所述输电系统中每个故障事件输入至所述第二混合整数线性规划模型中,筛选出第一根事件补集子空间的事件;
从所述第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件。
优选地,在本发明实施例提供的上述输电系统高风险事件筛选方法中,将所述输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从所述第二根事件补集子空间内找出不满足潮流约束引起的高风险事件,具体包括:
将包含潮流约束的所述根事件补集子空间状态筛选双层风险计算模型中的上层模型中目标函数的非线性计算公式转化为线性公式,得到线性的第三目标函数;所述第三目标函数忽略惩罚项的指数函数;
将具有线性的所述第三目标函数的上层模型和所述根事件补集子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第三混合整数线性规划模型;
将所述输电系统中每个故障事件输入至所述第三混合整数线性规划模型中,筛选出第二根事件补集子空间的事件;
从所述第二根事件补集子空间内找出所有的最小负荷削减量时的不满足潮流约束引起的高风险事件。
优选地,在本发明实施例提供的上述输电系统高风险事件筛选方法中,还包括:
获取小于或等于故障阶数的最大值或事件风险阈值的增量风险的故障事件集合。
本发明实施例还提供了一种输电系统高风险事件筛选装置,包括:
事件获取模块,用于获取输电系统的原始数据中的多个故障事件;
空间解析模块,用于通过空间修剪准则将作为根事件的N-k故障事件的空间解析地表示为每个根事件的子空间和补集子空间;
第一筛选模块,用于将所述输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件;
第二筛选模块,用于将所述输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从所述第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件;
第三筛选模块,用于将所述输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从所述第二根事件补集子空间内找出不满足潮流约束引起的高风险事件。
本发明实施例还提供了一种输电系统高风险事件筛选设备,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如本发明实施例提供的上述输电系统高风险事件筛选方法。
本发明实施例还提供了一种计算机可读存储介质,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如本发明实施例提供的上述输电系统高风险事件筛选方法。
从上述技术方案可以看出,本发明所提供的一种输电系统高风险事件筛选方法、装置、设备及存储介质,包括:获取输电系统的原始数据中的多个故障事件;通过空间修剪准则将作为根事件的N-k故障事件的空间解析地表示为每个根事件的子空间和补集子空间;将输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从根事件子空间内找出最小负荷削减量时,损失高于根事件的高风险事件;将输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件;将输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从第二根事件补集子空间内找出不满足潮流约束引起的高风险事件。
本发明达到了对高风险事件的识别,对N-k空间内高风险事件的损失和风险进行有效表征,显著缩减N-k阶故障空间的时间筛选规模和计算时间的目的,提高了双层风险计算模型对N-k关键停电事件的筛选效率。
附图说明
为了更清楚地说明本发明实施例或相关技术中的技术方案,下面将对实施例或相关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输电系统高风险事件筛选方法的流程图之一;
图2为本发明实施例提供的RBTS系统的结构示意图;
图3为本发明实施例提供的N-3状态空间的示意图;
图4为本发明实施例提供的步骤S103的具体过程的方法流程图;
图5为本发明实施例提供的步骤S104的具体过程的方法流程图;
图6为本发明实施例提供的步骤S105的具体过程的方法流程图;
图7为本发明实施例提供的输电系统高风险事件筛选方法的流程图之二;
图8为本发明实施例提供的Case1和Case4的事件的损失和风险之间的关系示意图;
图9为本发明实施例提供的Case1和Case4的kmax的灵敏度示意图;
图10为本发明实施例提供的Case1和Case4的Riskthr的灵敏度示意图;
图11为本发明实施例提供的Case1和Case4中所辨识事件的损失和风险之间的关系示意图;
图12为本发明实施例提供的输电系统高风险事件筛选装置的结构示意图。
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。
本发明提供一种输电系统高风险事件筛选方法,如图1所示,包括以下步骤:
S101、获取输电系统的原始数据中的多个故障事件;
需要说明的是,输电系统的原始数据包括IEEE RTS-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;其中,可靠性参数包括元器件的故障率、修复时间等;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、通过空间修剪准则将作为根事件的N-k故障事件的空间解析地表示为每个根事件的子空间和补集子空间;
需要说明的是,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;
在本发明中,当一个N-k故障事件(即失负荷事件)中k个故障元件均对事件风险具有贡献时,将N-k故障事件定义为根事件,即一个根事件可以代表多个N-k故障事件的负荷损失原因,因此在可靠性分析中具有更重要的参考价值。
如图2所示,当线路L9故障后,BUS6形成孤岛,节点上的负荷全部被削减。当线路L5故障时,BUS5和BUS6可以由线路L8供给负荷,不会发生削减负荷。而当L9与L5同时发生故障时,BUS6的节点负荷削减和L9单独故障时相同。显然,N-2事件{L5,L9}的风险仅来源于L9的故障,与L5的故障无关。由于{L5,L9}中并不是所有的故障元件均贡献风险,所以N-1事件{L9}是一个根事件,而{L5,L9}不是。
所以,对于运行和规划人员,在事件高风险筛选辨识中,对于一个给定的N-r(r<k)根事件Eroot而言,可以通过增加(k-r)个故障元件产生一个N-k事件。在N-k空间内最多可由一个N-r根事件产生个N-k事件。这些N-k事件组成了该N-r根事件在N-k空间的子空间,若考虑了根事件,则不需要考虑子空间内损失小于根事件的事件,但当这些N-k事件中某个N-k事件损失大于根事件N-r的损失,则该N-k事件中除了N-r中元件以外的另一个故障元件也贡献了风险,因此该事件需要被标记为新的根事件,并进行特殊考虑。
还需要说明的是,当具有多个根事件时,需要将事件空间划分为不同的子空间。为此,本发明提出以下空间修剪准则,分为两部分:
第一准则:每个N-k事件最多仅隶属于一个根事件的子空间。当一个N-k事件可由多个根事件拓展生成时,该事件仅隶属于损失最大的根事件。若存在多个损失相等的根事件,则随机选取一个根事件。
第二准则:当N-k空间被全部根事件修剪后,剩余的N-k事件组成一个补集子空间。即,如果当前存在Nroot个根事件,则产生Nroot+1个子空间。
还需要说明的是,由以上准则可知,N-k空间由N-r(r=1,2…,k-1)根事件划分为不同的子空间。而且子空间的空间划分结果随着N-r根事件集合的变化而动态调整。以图3为例,假设当前存在3个根事件{La},{La,Lb}和{Lb,Lc},对应的事件损失分别30MW,100MW和60MW。图中的3个椭圆分别表示各个根事件的子空间。在N-3状态空间中,N-3事件{La,Lb,Lc}可以通过在3个根事件中叠加新的故障元件得到。但是根据第一准则,由于{La,Lb}的损失大于{La}和{Lb,Lc}的损失,因此上图中3个椭圆的交集,即{La,Lb,Lc},隶属于{La,Lb}的子空间。其次,根据第二准则,除了3个椭圆所示的根事件子空间外,该N-3空间内剩余的N-3事件构成了1个补集子空间。即整个N-3空间被修剪为4个子空间;
S103、将输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从根事件子空间内找出最小负荷削减量时,损失高于根事件的高风险事件;即在计算得到根事件及根事件子空间的事件后,在根事件子空间中损失超过根事件的事件中可筛选出风险最高的事件;
S104、将输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件;需要注意的是,补集子空间的事件不可以在任何根事件中增加故障元件形成。如果一个事件的损失大于0,那么每个故障元件均有贡献。因此补集子空间筛选时需要考虑所有的高风险事件;
S105、将输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从第二根事件补集子空间内找出不满足潮流约束引起的高风险事件。
在实际应用中,步骤S104和步骤S105可以理解为:将所述电力系统中的每一个根事件输入至根事件补集子空间状态筛选双层风险计算模型中,首先通过提出的仅考虑线路可用容量约束而忽略潮流约束的松弛化的根事件补集子空间状态筛选双层风险计算模型,找出所有的最小负荷削减量时的孤岛,输电线路容量不足而引起的风险最高事件,然后通过考虑潮流约束的根事件补集子空间状态筛选双层风险计算模型,找出不满足潮流约束引起的风险最高事件。
在本发明实施例提供的上述输电系统高风险事件筛选方法中,达到了对高风险事件的识别,对N-k空间内高风险事件的损失和风险进行有效表征,显著缩减N-k阶故障空间的时间筛选规模和计算时间的目的,提高了双层风险计算模型对N-k关键停电事件的筛选效率。
进一步地,在具体实施时,在本发明实施例提供的上述输电系统高风险事件筛选方法中,步骤S103将输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从根事件子空间内找出最小负荷削减量时,损失高于根事件的高风险事件,如图4所示,具体可以包括以下步骤:
S401、将根事件子空间状态筛选双层风险计算模型中的上层模型中第一目标函数的非线性计算公式转化为线性公式,得到线性的第一目标函数;第一目标函数包含惩罚项的指数函数;
具体地,第一目标函数的非线性计算公式如下:
其中,X为传输系统中的意外事件,N1×1矢量;xl为传输线路l的二进制状态变量;ul,al分别为输电线路l的不可用性和可用性;I(LossX)为惩罚项的指数函数;M为一个足够大的正数;LossX为事件X的负荷削减。
将式(1)转化为线性公式,该转化过程如下所示:
第一步、式(1)中第一项的线性化;
通过对第一项取对数进行等效变换,变换后的第一目标函数如下式所示:
其中,式(2)最后一项可采用分段线性化(3)进行表征,如下所示:
其中,y为分段线性化的辅助变量,tp为分段线性化的分段插值点,Ω(tp)为所有分段差值点的集合。
第二步、第一目标函数中指数函数的线性化;
为了线性化惩罚项的指数函数I(LossX),引入两个二进制辅助变量z1,z2,且z1,z2满足如下约束:
I(LossX)=z1 (4)
z1+z2=1 (5)
当时,在上述四个约束中z2只能取0,而z1取1。而当/>时,则z1取0,而z2取1。因此可以采用z1替代第一目标函数中的指示函数I(LossX)。
通过以上两个步骤,第一目标函数可以等效表示为一个线性函数;
S402、将具有第一目标函数的上层模型和根事件子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第一混合整数线性规划模型;
在具体实施时,可以通过KKT或对偶定理将具有第一目标函数的上层模型和根事件子空间状态筛选双层风险计算模型中的下层模型进行转换;
S403、将输电系统中每个故障事件输入至第一混合整数线性规划模型中,筛选出根事件及根事件子空间的事件;也就是说,第一混合整数线性规划模型为线性化后的根事件子空间状态筛选双层风险计算模型;
S404、将根事件子空间内的事件的损失与根事件的损失进行比较,从根事件子空间内找出最小负荷削减量时,损失高于根事件的高风险事件。
具体地,利用预设的公式对根事件子空间内的事件的损失与根事件的损失进行比较,得到根事件子空间内损失高于根事件的高风险事件,所述预设的公式如下所示:
1TX=Nl-k (10)
其中,式(1)中的第一目标函数中第一项表示事件X的风险,即事件概率和损失的乘积,第二项中M为一个足够大的正数,I(LossX)为惩罚项的指数函数。当时,I(LossX)取1,否则取0。Nl表示线路数。因此第一目标函数表示在损失超过根事件子空间事件中筛选风险最高的事件;
其中,式(8)表示根事件中的所有故障元件在事件X均处于故障状态。即根事件/>子空间内的事件X均可由根事件/>添加故障元件形成;式(9)表示对于集合Ω(Xroot)中排序高于/>即损失高于/>的根事件/>至少有1个故障元件在事件X中处于可用状态;即事件X不可以由根事件/>添加故障元件形成。这保证了空间修剪准则I所要求的每个事件X最多仅隶属于一个根事件的子空间;上述式(8)、式(9)和式(10)共同描述了第i个根事件/>在N-k空间内确定的子空间;式(11)表示优选故障事件X造成的失负荷量;
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,该预设的公式如下:
ΓPg-KFl+ΔDb=Db:λ (13)
Fl-diag(X)Bθ=0:α (14)
-Fl,max≤Fl≤Fl,max:β (15)
Pg,min≤Pg≤Pg,max:γ (16)
0≤ΔDb≤Db:σ (17)
θb,min≤θb≤θb,max:μ (18)
θ1=0 (19)
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;θb为节点b的电压相角。
其中,式(12)表示下层优化目标为最小切负荷运行策略;式(13)为节点的功率平衡约束;式(14)为直流潮流约束;式(15)和式(16)分别表示线路、机组的功率范围约束;式(17)表示节点负荷削减量约束;式(18)为节点的相角取值约束;式(19)表示节点1为参考节点,其相角为0。
由于下层模型的最小切负荷问题为线性规划问题,因此可以通过KKT或者对偶定理将双层模型转化为单层的MILP模型求解。考虑到对偶定理的效率优势,本发明在转化过程中采用下层模型的对偶问题:
其中,λl,αl,依次为式(13)-式(18)中原线性化后的第一目标函数和潮流约束的对偶变量。其中/>的上标“-”为左不等式约束的对偶变量,而“+”则为右不等式约束的对偶变量。式(23)中二进制变量xl与连续变量αl的乘积为非线性性项,可以通过大M法线性化表示,如下式(26)-式(28)。
τl=xlαl (26)
-xlM≤τl≤xlM (27)
-(1-xl)M≤τl-αl≤(1-xl)M (28)
综上,在采用下层问题的对偶模型后,本发明提出根事件子空间状态筛选双层风险计算MILP模型P1如下:
P1:
DSP子空间约束:
1TX=Nl-k (10)
线性化约束:
z1+z2=1 (5)
对偶问题约束:
LossX=g1 (30)
在具体实施时,在本发明实施例提供的上述输电系统高风险事件筛选方法中,在执行步骤S404从根事件子空间内找出最小负荷削减量时,损失高于根事件的高风险事件之前,还可以包括:当通过辨识的风险事件的损失不高于根事件损失时,停止对根事件子空间进行搜索。
具体地,将所述输电系统中的每一个事件输入至根事件子空间状态筛选双层风险计算模型中,通过该双层模型,筛选出根事件及根事件子空间的事件,可以通过辨识的风险事件X*的损失不大于根事件损失,无论X*的风险是否高于阈值Riskthr,均停止对该子空间的进一步搜索,从而可在满足最小削减负荷量的前提下,在根事件子空间内损失大于根事件的事件中筛选出风险最高的事件。
在具体实施时,在本发明实施例提供的上述输电系统高风险事件筛选方法中,步骤S104将输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件,如图5所示,具体可以包括以下步骤:
S501、将忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中的上层模型中第二目标函数的非线性计算公式转化为线性公式,得到线性的第二目标函数;第二目标函数忽略惩罚项的指数函数;具体转化过程可参考步骤S201的具体过程,但需要忽略惩罚项的指数函数;
S502、将具有第二目标函数的上层模型和根事件补集子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第二混合整数线性规划模型;
S503、将输电系统中每个故障事件输入至第二混合整数线性规划模型中,筛选出第一根事件补集子空间的事件;也就是说,第二混合整数线性规划模型为线性化后的忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型;
S504、从第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件。
另外,在具体实施时,在本发明实施例提供的上述输电系统高风险事件筛选方法中,步骤S105将输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从第二根事件补集子空间内找出不满足潮流约束引起的高风险事件,如图6所示,具体可以包括以下步骤:
S601、将包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中的上层模型中目标函数的非线性计算公式转化为线性公式,得到线性的第三目标函数;第三目标函数忽略惩罚项的指数函数;具体转化过程可参考步骤S201的具体过程,但需要忽略惩罚项的指数函数;
S602、将具有第三目标函数的上层模型和根事件补集子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第三混合整数线性规划模型;
S603、将输电系统中每个故障事件输入至第三混合整数线性规划模型中,筛选出第二根事件补集子空间的事件;也就是说,第三混合整数线性规划模型为线性化后的包含潮流约束的根事件补集子空间状态筛选双层风险计算模型;
S604、从第二根事件补集子空间内找出所有的最小负荷削减量时的不满足潮流约束引起的高风险事件。
具体地,包含潮流约束和忽略惩罚项的指数函数的根事件补集子空间状态筛选双层风险计算MILP模型P2如下:
P2:
DSP子空间约束:
1TX=Nl-k (10)
线性化约束:
-xlM≤τl≤xlM (27)
-(1-xl)M≤τl-αl≤(1-xl)M (28)
对偶问题约束:
LossX=g1 (30)
由于输电系统故障引起切负荷的原因可以分为三类:第一种是由于线路停运造成孤岛,孤岛内最大发电容量小于负荷需求;第二类是线路停运导致从电源节点到负荷节点的输电路径上线路容量不足;第三类则是由于线路潮流约束无法满足而必须切除部分负荷。直接求解P2模型可以辨识补集子空间内的全部三类高风险事件。但是在第一类和第二类故障事件的筛选中,有效约束为线路的可用容量约束,而直流潮流约束属于未起到作用的冗余约束。如果忽略潮流约束,P2模型的复杂度将得到明显下降,使事件筛选速率有效提升。
因此,本发明提出了可忽略潮流约束的松弛筛选模型,该松弛筛选模型如下:
1TX=Nl-k (10)
ΓPg-KFl+ΔDb=Db:λ (13)
-diag(X)Fl,max≤Fl≤diag(X)Fl,max:β (33)
Pg,min≤Pg≤Pg,max:γ (16)
0≤ΔDb≤Db:σ (17)
θb,min≤θb≤θb,max:μ (18)
θ1=0 (19)
其中,在松弛筛选模型中,仅考虑了线路故障对可用输电容量的影响,而忽略系统的潮流约束。
在双层模型中下层模型的约束被修改后,其对偶问题也随之改变。松弛筛选模型的下层模型的对偶问题如下:
其中,第二目标函数(34)中二进制变量xl与连续变量βl的乘积为非线性性项,同样可以通过大M法线性化表示,如式(26)-式(28)。
具体地,根据松弛筛选模型的对偶问题,可得到的忽略潮流约束的根事件补集子空间状态筛选双层风险计算MILP模型P3如下:
P3:
DSP子空间约束:
1TX=Nl-k (10)
线性化约束:
τl=xlαl (26)
-xlM≤τl≤xlM (27)
-(1-xl)M≤τl-αl≤(1-xl)M (28)
对偶问题约束:
LossX=g2 (40)
/>
优选地,针对补集子空间进行状态筛选时,首先求解P3模型辨识由孤岛或输电容量不足导致的高风险事件,然后基于求解P2模型辨识不满足潮流约束的高风险事件。
在具体实施时,在本发明实施例提供的上述输电系统高风险事件筛选方法中,如图7所示,还可以包括以下步骤:
S701、获取根事件子空间内损失大于根事件的风险最高的事件;
S702、获取由孤岛,线路容量不足或者线路潮流约束无法满足而引起的高风险事件;
S703、在基于DSP的输电风险事件筛选算法中,获取小于或等于故障阶数的最大值或事件风险阈值的增量风险的故障事件集合。需要说明的是,整个“面向补集子空间的状态筛选”和“面向根事件子空间的状态筛选”组合而成基于DSP的输电风险事件筛选算法。
基于P1,P2和P3这三个筛选模型,可以分别辨识各个子空间中风险最高的事件。为了按照风险从高到低递推筛选每个子空间高于阈值Riskthr的所有高风险事件集合,需要在MILP中额外增加约束,公式如下:
其中,Ω(X*,i)表示在i个子空间已经辨识的N-k高风险事件集合。约束(36)保证事件包含的k个故障元件在X中不能同时处于故障状态。所以/>中的所有事件都不再是筛选模型的可行解。
在每次求解筛选模型P1,P2和P3之前,根据第i个子空间已经辨识的N-k事件集合Ω(X*,i)生成约束,如式(41)。求解计及约束的筛选模型后,将辨识的N-k事件加入Ω(X*,i)以更新约束。重复该过程,直至第i个子空间所发现的高风险事件低于风险阈值Riskthr时便停止筛选过程。
下面给出基于DSP的输电风险事件筛选算法的伪代码:
/>
需要说明的是,本发明将终止判据设定为运行规划中所考虑的最大故障阶数kmax和事件风险阈值Riskthr。
第3行至第15行描述了通过P1筛选每个根事件子空间的过程。如果P1模型所辨识的风险事件X*的损失不大于根事件损失,无论X*的风险是否高于阈值Riskthr,均停止对该子空间的进一步搜索。第16行至第37行描述了筛选补集子空间的过程。其中首先在第18行至第27行通过P3确定孤岛或输电容量不足引起的高风险事件。然后第29行至第37行通过P2筛选不满足潮流约束的高风险事件。补集子空间筛选的终止指标为P2或P3所辨识的高风险事件X*的风险低于阈值Riskthr。需要注意的是每次求解P3模型后,应该针对辨识的高风险事件X*求解完整的最优削负荷模型,来量化准确的削负荷量。当求解一次P3和一次最优削负荷的复杂度,小于求解一次P2的复杂度时,计算复杂度则可以被缩减。由于最小削负荷模型属于线性规划模型,求解复杂度远低于P2和P3的MILP,而P3求解复杂度低于P2,因此计算复杂度一般均可有效缩减。
需要说明的是,在对N-k状态空间的所有子空间筛选完成后,将辨识的N-k高风险事件加入根事件集合Ω(Xroot),并对所有根事件Xroot按照损失从大到小排序。更新后的根事件集合将在更高阶的故障空间筛选时使用。
另外,还需要说明的是,计算不同N-k子空间的时候,各个子空间的求解模型是互相独立的,因此该算法框架为在将来应用于大规模输电网时设计并行计算算法提供了可能。
在本发明实施例的具体实现过程中,实际工程中,运行和规划人员需要关注高于某个阈值Riskthr的所有高风险事件集合。现对本发明实施例进行举例说明:
IEEE-RTS系统包括32台发电机、33回输电线路和5台变压器(即38条支路),系统总装机容量3405MW,年最大峰荷2850MW。
为了分析本发明所提出的DSP技术和松弛筛选模型P3的效果,考虑以下4个场景:
Case1:不采用动态修剪技术和松弛筛选模型P3,即直接采用模型P2筛选N-k空间的全部高风险事件。这种情况类似与文献X的事件排序模型。
Case2:仅采用动态修剪技术,不采用松弛筛选模型P3,即采用模型P1和P2筛选N-k空间的全部根事件。
Case3:仅采用松弛筛选模型P3,不采用动态修剪技术,即采用模型P2和P3筛选N-k空间的全部高风险事件。
Case4:同时采用动态修剪技术和松弛筛选模型P3,即采用模型P1、P2和P3筛选N-k空间的全部根事件。
4个场景中均考虑在IEEE RTS-79峰荷水平下最高为4阶的输电系统故障事件,筛选事件的风险阈值Riskthr为5.0×10-11。表一中对比了4个场景中筛选事件规模和求解时间。其中NP1,NP2,NP3分别表示通过P1、P2和P3模型辨识的高风险事件数量。NTotal为辨识的高风险事件总数。
表一
由表一,对比Case1和Case2可知,动态空间修剪技术将需要筛选的高风险事件个数从689缩减到158,这表明通过根事件的子空间等效考虑了531高风险事件。而筛选耗时缩减了90.37%,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。
为了更明显地说明根事件在高风险事件中的分布。图8分别以事件的损失和风险为横坐标和纵坐标展示了Case1和Case4的事件。需要注意的是如果多个事件具有同样的损失和风险,则对应的Case1数据点按照横坐标方向进行错位展示。而对于Case1和Case4重叠的事件集合,即两者对应的数据点重合的情况,仅保留Case4表示的根事件。
从图8可见,在同样的横坐标下,Case4表示的根事件更多地占据了较高的纵坐标。这是因为对于根事件及其子空间的高风险事件而言,其损失相同,即横坐标相同。但根事件的故障阶数低于子空间内的高风险事件,因此根事件的事件概率更高。考虑到风险为事件损失和概率的乘积,根事件具有更高的风险,即更高的纵坐标。此外,从图8可见,Case1表示的高风险事件存在明显的团聚现象。这是因为一个根事件在其子空间内产生了多个高风险事件。这些高风险事件的损失相同,因此横坐标相同。一个N-2根事件同时具有N-3子空间和N-4子空间,多数N-3事件的概率大于N-4事件。不同元件的故障率也存在一定差异,子空间内不同事件的概率可能存在一定差异。因此风险纵坐标存在一定差异。
从表一中的Case 3可以发现,在IEEE RTS79输电系统中,Case1中通过模型P2确定的689个高风险事件中有639个高风险事件可以通过模型P3辨识。这说明大多数的高风险事件不是由潮流约束无法满足造成的。而负荷削减的主要原因是由于系统发生了解列导致孤岛电源不足或者从电源节点到负荷节点没有足够的可用线路容量。由于P3中仅考虑了线路容量约束,而忽略了潮流约束,求解复杂度低于P2,因此相较于Case1,Case3筛选耗时缩减了62.89%。类似地,Case 4的求解时间也相较于Case 2得到了缩减。
为了分析算法对终止判据kmax的灵敏度,图9给出了当风险阈值Riskthr为5.0×10-11MW时,kmax从2到4变化的时候,Case4和Case1的筛选结果变化。当kmax取2时,Case1和Case4的总筛选事件数相同。这是因为IEEE RTS满足N-1准则。对于N-2的故障空间,没有根事件形成子空间,补集子空间即为全部的N-2事件空间。但是当kmax增加时,系统高风险事件数目随之迅速增长,因此Case1的计算复杂度迅速增加。然而,由于本发明通过根事件间接考虑了根事件子空间内部的高风险事件,因此在考虑高阶事件空间时,Case4的计算复杂度得到了更合理的控制。
类似地,为了分析算法对终止判据Riskthr的灵敏度,图10给出了kmax取4时,采用5个不同的风险阈值Riskthr时的筛选结果。从结果中可见,当风险阈值Riskthr降低时,Case1和Case4均需要考虑更多的风险事件。但是,在5个不同的风险阈值Riskthr中,相较于Case1,Case4中事件规模缩减比例为76.74%到82.51%,而筛选耗时缩减比例为87.07%到96.61%。因此由于采用了动态修剪技术和松弛筛选模型P3,Case4筛选事件规模和计算时间均明显低于Case1。
最后,分别在负荷水平为80%和120%的情况下重复Case4的事件筛选,结果如表二所示。将不同负荷水平下IEEE RTS-79事件进行筛选对比,从表二中可见,当系统负荷水平的降低时,输电系统的高风险事件数量也随之下降。因此系统可靠性越高,本发明的计算效率越高。这一点明显不同于蒙特卡洛法。对于蒙特卡洛法而言,系统的停电发生概率与蒙特卡洛的样本数近似呈现反比关系。即系统可靠性水平越高,蒙特卡洛法搜索效率越差,因此,本发明算法应用于可靠性水平较高的输电系统具有更加明显的优势。
表二
现对本发明另一实施例进行举例说明:
采用中国的一个省级电网川渝电网对所提出的算法进一步地进行验证。该系统包括97个节点,64台机组和191条输电线路。系统总装机为10,684MW,峰值负荷为9,732MW。当考虑故障阶数最高为3阶时,系统的故障事件总数为通过枚举法和蒙特卡洛抽样法均较难在较短时间内准确辨识系统的高风险事件集合。设定筛选终止判据kmax和Riskthr分别为3和1.0×10-5,表三中给出了按照4.1节中4个Case对川渝电网的故障筛选结果。
表三
可以看到,表三的结果类似于表一,但Case 4的缩减效果更加明显。对于IEEERTS,相较于Case 1,Case 4的事件规模和筛选时间分别缩减77.07%和96.61%。而对于川渝电网,Case 4的事件规模和筛选时间分别缩减了83.13%和97.99%。这是因为在N-k空间内最多可由一个N-r根事件产生个N-k事件。对于给定的k和r,/>的取值随着输电系统的元件数目N增大而增大。例如,一个N-2根事件的子空间,在IEEE RTS的N-3空间内最多代表/>个事件,而在川渝电网中则最多可以代表/>个事件。因此系统规模N越大时,通过一个根事件的子空间内可以代表更多的高阶事件,即相较于Case1,Case 4缩减了更多的风险事件。此外,注意到表三中Case 1为了筛选1091个高风险事件耗时接近30h,这表明如果不采用动态空间修剪和松弛筛选模型P2,直接对N-3状态空间进行故障筛选在计算上不可接受的。
图11对比了Case1和Case4中所辨识事件的损失和风险。从图8可见根事件子空间所包含的高风险事件,呈现出明显的聚集现象。图11中根事件按横轴方向排列成行的原因是,川渝电网中一些线路采用相同的故障率数据,对于同一个根事件的子空间内,较多事件具有相同的概率。而这些事件的损失均与根事件相同,因此事件风险也相同。由于这些事件的数据点在图11中坐标重合,因此被沿横轴方向错位展示。
需要说明的是,利用传统风险筛选辨识风险事件时,针对大规模电力系统而言,随着故障阶数的增加,N-k事件数将出现“组合爆炸”问题,导致事件筛选极其困难。传统风险筛选辨识要逐一枚举识别,几乎无法实现。而在故障事件筛选过程中,对于每个根事件子空间,仅筛选失负荷损失超过根事件的高风险事件,无需筛选与根事件损失相同的高风险事件;对于补集子空间,需要筛选所有的高风险事件,从而实现了状态空间的修剪。进一步地,为了加速对补集子空间的搜索效率,发明了一种仅考虑线路可用容量约束而忽略潮流约束的松弛化筛选模型(即忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型),不需逐一枚举识别。所以,基于根事件的动态状态空间修剪的输电系统高风险事件筛选辨识方法相对于传统风险筛选辨识更高效快速。
基于同一发明构思,本发明实施例还提供了一种输电系统高风险事件筛选装置,由于该输电系统高风险事件筛选装置解决问题的原理与前述一种输电系统高风险事件筛选方法相似,因此该输电系统高风险事件筛选装置的实施可以参见输电系统高风险事件筛选方法的实施,重复之处不再赘述。
在具体实施时,本发明实施例提供的输电系统高风险事件筛选装置,如图12所示,具体可以包括:
事件获取模块11,用于获取输电系统的原始数据中的多个故障事件;
空间解析模块12,用于通过空间修剪准则将作为根事件的N-k故障事件的空间解析地表示为每个根事件的子空间和补集子空间;
第一筛选模块13,用于将输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从根事件子空间内找出最小负荷削减量时,损失高于根事件的高风险事件;
第二筛选模块14,用于将输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件;
第三筛选模块15,用于将输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从第二根事件补集子空间内找出不满足潮流约束引起的高风险事件。
在本发明实施例提供的上述输电系统高风险事件筛选装置中,可以通过上述五个模块的相互作用,达到了对高风险事件识别,对N-k空间内高风险事件的损失和风险进行有效表征,大幅降低高风险事件的筛选规模的目的。
在具体实施时,在本发明实施例提供的上述输电系统高风险事件筛选装置中,第一筛选模块13可以包括转化单元,转换单元,第一计算单元;该第一计算单元可包括根事件子空间筛选单元,负荷削减计算单元和高风险事件找出单元;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。
同理,第二筛选模块14可以包括转化单元,转换单元,第二计算单元;该第二计算单元可包括第一根事件补集子空间筛选单元,第一负荷削减计算单元和第一高风险事件找出单元;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。
同理,第三筛选模块15可以包括转化单元,转换单元,第三计算单元;该第三计算单元可包括第二根事件补集子空间筛选单元,第二负荷削减计算单元和第二高风险事件找出单元;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。
关于上述各个模块更加具体的工作过程可以参考前述实施例公开的相应内容,在此不再进行赘述。
相应的,本发明实施例还公开了一种输电系统高风险事件筛选设备,包括处理器和存储器;其中,处理器执行存储器中保存的计算机程序时实现前述实施例公开的输电系统高风险事件筛选方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
进一步的,本发明还公开了一种计算机可读存储介质,用于存储计算机程序;计算机程序被处理器执行时实现前述公开的输电系统高风险事件筛选方法。
关于上述方法更加具体的过程可以参考前述实施例中公开的相应内容,在此不再进行赘述。
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它实施例的不同之处,各个实施例之间相同或相似部分互相参见即可。对于实施例公开的装置、设备、存储介质而言,由于其与实施例公开的方法相对应,所以描述的比较简单,相关之处参见方法部分说明即可。
专业人员还可以进一步意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、计算机软件或者二者的结合来实现,为了清楚地说明硬件和软件的可互换性,在上述说明中已经按照功能一般性地描述了各示例的组成及步骤。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
结合本发明中所公开的实施例描述的方法或算法的步骤可以直接用硬件、处理器执行的软件模块,或者二者的结合来实施。软件模块可以置于随机存储器(RAM)、内存、只读存储器(ROM)、电可编程ROM、电可擦除可编程ROM、寄存器、硬盘、可移动磁盘、CD-ROM、或技术领域内所公知的任意其它形式的存储介质中。
本发明实施例提供的一种输电系统高风险事件筛选方法、装置、设备及存储介质,包括:获取输电系统的原始数据中的多个故障事件;通过空间修剪准则将作为根事件的N-k故障事件的空间解析地表示为每个根事件的子空间和补集子空间;将输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从根事件子空间内找出最小负荷削减量时,损失高于根事件的高风险事件;将输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件;将输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从第二根事件补集子空间内找出不满足潮流约束引起的高风险事件。这样达到了对高风险事件的识别,对N-k空间内高风险事件的损失和风险进行有效表征,显著缩减N-k阶故障空间的时间筛选规模和计算时间的目的,提高了双层风险计算模型对N-k关键停电事件的筛选效率。
最后,还需要说明的是,在本发明中,诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来,而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。
以上对本发明所提供的输电系统高风险事件筛选方法、装置、设备及存储介质进行了详细介绍,本发明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 (10)
1.一种输电系统高风险事件筛选方法,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;
通过空间修剪准则将作为根事件的N-k故障事件的空间解析地表示为每个根事件的子空间和补集子空间;所述空间修剪准则分为两部分:第一准则和第二准则;所述第一准则是每个N-k事件最多仅隶属于一个根事件的子空间;当一个N-k事件由多个根事件拓展生成时,该事件仅隶属于损失最大的根事件;若存在多个损失相等的根事件,则随机选取一个根事件;所述第二准则是当N-k空间被全部根事件修剪后,剩余的N-k事件组成一个补集子空间;
将所述输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件;所述根事件子空间状态筛选双层风险计算模型为用于在根事件子空间中损失超过根事件的事件中筛选出风险最高事件的模型;
将所述输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从所述第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件;所述忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型为仅考虑线路可用容量约束而忽略潮流约束,用于找出所有的最小负荷削减量时的孤岛,输电线路容量不足而引起的风险最高事件的模型;
将所述输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从所述第二根事件补集子空间内找出不满足潮流约束引起的高风险事件;所述包含潮流约束的根事件补集子空间状态筛选双层风险计算模型为考虑潮流约束,用于找出不满足潮流约束引起的风险最高事件的模型。
2.根据权利要求1所述的输电系统高风险事件筛选方法,其特征在于,将所述输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件,具体包括:
将所述根事件子空间状态筛选双层风险计算模型中的上层模型中第一目标函数的非线性计算公式转化为线性公式,得到线性的所述第一目标函数;所述第一目标函数包含惩罚项的指数函数;
将具有线性的所述第一目标函数的上层模型和所述根事件子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第一混合整数线性规划模型;
将所述输电系统中每个故障事件输入至所述第一混合整数线性规划模型中,筛选出根事件及根事件子空间的事件;
将所述根事件子空间内的事件的损失与所述根事件的损失进行比较,从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件。
3.根据权利要求2所述的输电系统高风险事件筛选方法,其特征在于,将具有线性的所述第一目标函数的上层模型和所述根事件子空间状态筛选双层风险计算模型中的下层模型进行转换,具体包括:通过KKT或对偶定理将具有线性的所述第一目标函数的上层模型和所述根事件子空间状态筛选双层风险计算模型中的下层模型进行转换。
4.根据权利要求3所述的输电系统高风险事件筛选方法,其特征在于,在从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件之前,还包括:
当通过辨识的风险事件的损失不高于所述根事件损失时,停止对所述根事件子空间进行搜索。
5.根据权利要求1所述的输电系统高风险事件筛选方法,其特征在于,将所述输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从所述第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件,具体包括:
将忽略潮流约束的所述根事件补集子空间状态筛选双层风险计算模型中的上层模型中第二目标函数的非线性计算公式转化为线性公式,得到线性的所述第二目标函数;所述第二目标函数忽略惩罚项的指数函数;
将具有线性的所述第二目标函数的上层模型和所述根事件补集子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第二混合整数线性规划模型;
将所述输电系统中每个故障事件输入至所述第二混合整数线性规划模型中,筛选出第一根事件补集子空间的事件;
从所述第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件。
6.根据权利要求1所述的输电系统高风险事件筛选方法,其特征在于,将所述输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从所述第二根事件补集子空间内找出不满足潮流约束引起的高风险事件,具体包括:
将包含潮流约束的所述根事件补集子空间状态筛选双层风险计算模型中的上层模型中第三目标函数的非线性计算公式转化为线性公式,得到线性的所述第三目标函数;所述第三目标函数忽略惩罚项的指数函数;
将具有线性的所述第三目标函数的上层模型和所述根事件补集子空间状态筛选双层风险计算模型中的下层模型进行转换,得到单层的第三混合整数线性规划模型;
将所述输电系统中每个故障事件输入至所述第三混合整数线性规划模型中,筛选出第二根事件补集子空间的事件;
从所述第二根事件补集子空间内找出所有的最小负荷削减量时的不满足潮流约束引起的高风险事件。
7.根据权利要求1所述的输电系统高风险事件筛选方法,其特征在于,还包括:
获取小于或等于故障阶数的最大值或事件风险阈值的增量风险的故障事件集合。
8.一种输电系统高风险事件筛选装置,其特征在于,包括:
事件获取模块,用于获取输电系统的原始数据中的多个故障事件;
空间解析模块,用于通过空间修剪准则将作为根事件的N-k故障事件的空间解析地表示为每个根事件的子空间和补集子空间;所述空间修剪准则分为两部分:第一准则和第二准则;所述第一准则是每个N-k事件最多仅隶属于一个根事件的子空间;当一个N-k事件由多个根事件拓展生成时,该事件仅隶属于损失最大的根事件;若存在多个损失相等的根事件,则随机选取一个根事件;所述第二准则是当N-k空间被全部根事件修剪后,剩余的N-k事件组成一个补集子空间;
第一筛选模块,用于将所述输电系统中的每个故障事件输入至根事件子空间状态筛选双层风险计算模型中,筛选出根事件及根事件子空间的事件,从所述根事件子空间内找出最小负荷削减量时,损失高于所述根事件的高风险事件;所述根事件子空间状态筛选双层风险计算模型为用于在根事件子空间中损失超过根事件的事件中筛选出风险最高事件的模型;
第二筛选模块,用于将所述输电系统中的每个故障事件输入至忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第一根事件补集子空间的事件,从所述第一根事件补集子空间内找出所有的最小负荷削减量时的由孤岛或输电线路容量不足而引起的高风险事件;所述忽略潮流约束的根事件补集子空间状态筛选双层风险计算模型为仅考虑线路可用容量约束而忽略潮流约束,用于找出所有的最小负荷削减量时的孤岛,输电线路容量不足而引起的风险最高事件的模型;
第三筛选模块,用于将所述输电系统中的每个故障事件输入至包含潮流约束的根事件补集子空间状态筛选双层风险计算模型中,筛选出第二根事件补集子空间的事件,从所述第二根事件补集子空间内找出不满足潮流约束引起的高风险事件;所述包含潮流约束的根事件补集子空间状态筛选双层风险计算模型为考虑潮流约束,用于找出不满足潮流约束引起的风险最高事件的模型。
9.一种输电系统高风险事件筛选设备,其特征在于,包括处理器和存储器,其中,所述处理器执行所述存储器中保存的计算机程序时实现如权利要求1至7任一项所述的输电系统高风险事件筛选方法。
10.一种计算机可读存储介质,其特征在于,用于存储计算机程序,其中,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的输电系统高风险事件筛选方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010499450.5A CN111651889B (zh) | 2020-06-04 | 2020-06-04 | 输电系统高风险事件筛选方法、装置、设备及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010499450.5A CN111651889B (zh) | 2020-06-04 | 2020-06-04 | 输电系统高风险事件筛选方法、装置、设备及存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111651889A CN111651889A (zh) | 2020-09-11 |
CN111651889B true CN111651889B (zh) | 2024-04-26 |
Family
ID=72344655
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010499450.5A Active CN111651889B (zh) | 2020-06-04 | 2020-06-04 | 输电系统高风险事件筛选方法、装置、设备及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111651889B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115049270B (zh) * | 2022-06-20 | 2023-04-07 | 长沙理工大学 | 考虑变电站网络攻击成功概率的电力系统风险评估方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069701A (zh) * | 2015-08-10 | 2015-11-18 | 国网上海市电力公司 | 基于蒙特卡洛法的输电系统风险评估方法 |
CN109583779A (zh) * | 2018-12-06 | 2019-04-05 | 重庆大学 | 一种电-气互联系统的薄弱元件确定方法 |
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 |
CN110969355A (zh) * | 2019-12-03 | 2020-04-07 | 重庆大学 | 增量风险事件的筛选方法、装置及计算机可读介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US8266165B2 (en) * | 2008-12-25 | 2012-09-11 | Avaya Inc. | Adaptive parameterized search algorithm |
-
2020
- 2020-06-04 CN CN202010499450.5A patent/CN111651889B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105069701A (zh) * | 2015-08-10 | 2015-11-18 | 国网上海市电力公司 | 基于蒙特卡洛法的输电系统风险评估方法 |
CN109583779A (zh) * | 2018-12-06 | 2019-04-05 | 重庆大学 | 一种电-气互联系统的薄弱元件确定方法 |
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 |
CN110969355A (zh) * | 2019-12-03 | 2020-04-07 | 重庆大学 | 增量风险事件的筛选方法、装置及计算机可读介质 |
Also Published As
Publication number | Publication date |
---|---|
CN111651889A (zh) | 2020-09-11 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Mousavizadeh et al. | Resiliency analysis of electric distribution networks: A new approach based on modularity concept | |
Min et al. | A stochastic machine learning based approach for observability enhancement of automated smart grids | |
Chen et al. | Mitigation of cascading outages using a dynamic interaction graph-based optimal power flow model | |
CN103310296A (zh) | 一种基于扰动评估和趋势分析的操作票安全校核方法 | |
CN111651889B (zh) | 输电系统高风险事件筛选方法、装置、设备及存储介质 | |
Pérez‐Rúa et al. | Reliability‐based topology optimization for offshore wind farm collection system | |
Pinto et al. | Reliability‐constrained robust expansion planning of active distribution networks | |
CN114186858A (zh) | 一种配电网储能规划节点重要度评估方法及系统 | |
Hosseinzadeh et al. | Fast restoration of microgrids using online evaluation metrics considering severe windstorms | |
Barrios et al. | A network reinforcement method based on bottleneck indicators | |
Gautam et al. | Post-Disaster Microgrid Formation for Enhanced Distribution System Resilience | |
Han et al. | A deducing-based reliability optimization for electrical equipment with constant failure rate components duration their mission profile | |
Liu et al. | A novel acceleration strategy for nl contingency screening in distribution system | |
Sadeghi et al. | Fully decentralized multi-agent coordination scheme in smart distribution restoration: Multilevel consensus | |
Ali et al. | Online assessment of voltage stability using Newton‐Corrector algorithm | |
CN110969355A (zh) | 增量风险事件的筛选方法、装置及计算机可读介质 | |
CN112152210A (zh) | 一种配电网系统的优化方法及装置 | |
Kisengeu et al. | Under Voltage Load Shedding using Hybrid Metaheuristic Algorithms for Voltage Stability Enhancement: A Review | |
Jiang et al. | Security-constrained unit commitment with flexible uncertainty set for wind power generation | |
Santoni et al. | Improving distribution system resiliency using distributed energy resources | |
CN115411740B (zh) | 一种基于场景削减的自主供电网络拓扑优化方法 | |
WO2024089997A1 (ja) | 将来系統断面作成システム、将来系統断面作成方法 | |
Zhou et al. | Wind Power Penetration Limit Calculation of Black-Start Based on Copula Theory | |
JP7496286B2 (ja) | 電力系統の構成を変更する系統計画の作成を支援するシステム | |
Shi et al. | Association rules analysis between power system operating states and transient stability margin |
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 |