CN112434468A - 一种配电网可靠性评估方法 - Google Patents
一种配电网可靠性评估方法 Download PDFInfo
- Publication number
- CN112434468A CN112434468A CN202011390641.4A CN202011390641A CN112434468A CN 112434468 A CN112434468 A CN 112434468A CN 202011390641 A CN202011390641 A CN 202011390641A CN 112434468 A CN112434468 A CN 112434468A
- Authority
- CN
- China
- Prior art keywords
- outage
- fault
- reliability
- power distribution
- simulation
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 16
- 239000002245 particle Substances 0.000 claims abstract description 28
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 238000004364 calculation method Methods 0.000 claims abstract description 16
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 12
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000012423 maintenance Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims abstract description 8
- 230000001133 acceleration Effects 0.000 claims description 3
- NCYVXEGFNDZQCU-UHFFFAOYSA-N nikethamide Chemical compound CCN(CC)C(=O)C1=CC=CN=C1 NCYVXEGFNDZQCU-UHFFFAOYSA-N 0.000 claims description 3
- 238000009434 installation Methods 0.000 claims description 2
- 230000002085 persistent effect Effects 0.000 description 4
- 238000005070 sampling Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000007423 decrease Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000002459 sustained effect Effects 0.000 description 1
Images
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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- General Physics & Mathematics (AREA)
- Power Engineering (AREA)
- Biomedical Technology (AREA)
- Computer Hardware Design (AREA)
- Medical Informatics (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Geometry (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开一种配电网可靠性评估方法,包括:步骤S1,将检修停运、持续性故障停运和瞬时故障停运情况下的停运率和停运时间,以及模拟年限输入预设的序贯蒙特卡罗SMC仿真模型;步骤S2,所述SMC仿真模型根据设备状态建立故障曲线,并根据威布尔分布产生随机概率分布;步骤S3,通过粒子群优化算法估计系统后验概率密度函数;步骤S4,重复执行步骤S2‑步骤S3,直到仿真年限大于模拟年限时,输出最后的可靠性指标。本发明全面考虑设备停运叠加可以保证可靠性指标的计算时效和精度,可以得出元件可靠性参数变化对系统可靠性的影响,由此得出的评估结果更加全面准确,提高了系统寻找薄弱环节及制定运行规划的效率。
Description
技术领域
本发明涉及配电网技术领域,尤其涉及一种配电网可靠性评估方法。
背景技术
为提高供电可靠性,配电网多采用多回线路相联络的接线形式,系统节点规模较大、元件较多,以往配电网可靠性评估为了提高评估时效,简化了评估模型,通常只考虑配电网元件单独停运这种理想情况,忽略了元件不同停运模式叠加的情况,虽然缩短了评估时间,但导致了评估结果全面性不足,无法准确反映真实的可靠性水平。
粒子群算法以其收敛快、精度高等特点被诸多专家学者结合到序贯蒙特卡罗(Sequential Monte Carlo,SMC)法中,以提高传统SMC的收敛速度,且进一步提高了评估时效。但是,其忽略配电网元件停运叠加的情况,由此得出的评估结果仍比较片面,无法准确反映配电网的真实可靠性水平。
发明内容
本发明所要解决的技术问题在于,提供一种配电网可靠性评估方法,以在保证评估时效性的前提下得到更全面准确的结果。
为了解决上述技术问题,本发明实施例提供一种配电网可靠性评估方法,包括:
步骤S1,将检修停运、持续性故障停运和临时故障停运情况下的停运率和停运时间,以及模拟年限输入预设的序贯蒙特卡罗SMC仿真模型;
步骤S2,所述SMC仿真模型根据设备状态建立故障曲线,并根据威布尔分布产生随机概率分布;
步骤S3,通过粒子群优化算法估计系统后验概率密度函数;
步骤S4,重复执行步骤S2-步骤S3,直到仿真年限大于模拟年限时,输出最后的可靠性指标。
进一步地,所述步骤S1中,持续性故障停运情况下的停运率λii和停运时间tii的计算方式为:
λii=λi1λi2(ti1+ti2)
其中,λi1,λi2分别为设备元件1、2的持续性故障停运率;ti1,ti2分别为设备元件1、2的持续性故障停运时间。
进一步地,所述步骤S1中,检修停运和持续性故障停运叠加情况下的停运率Pip和停运时间tip的计算方式为:
其中,λp1,λp2为设备元件1、2的检修停运率,tp1,tp2为设备元件1、2的检修停运时间。
进一步地,所述步骤S1中,检修停运和临时性故障停运叠加情况下的停运率λpq和停运时间tpq的计算方式为:
λpq=λp1λq2tq1+λp2λq1tq2
其中,λq1,λq2分别为设备元件1、2的临时故障停运率,tq1,tq2分别为设备元件1、2的临时故障停运时间。
进一步地,所述步骤S1中,持续故障停运和临时性故障停运叠加的停运率λiq和停运时间tiq的计算方式为:
λiq=λq2λi1tp1+λq1λi2tp2
进一步地,所述步骤S3中,粒子群优化算法具体为:
设粒子m的种群为X=(x1,x2,…,xm)T,则第i个粒子位置和速度分别为Xi=(xi1,xi2,…,xim)T,v=(vi1,vi2,…,vin)T,由目标函数计算出第i个粒子位置的适应度;pi=(pi1,pi2,…,pin)T,pz=(pz1,pz2,…,pzn)T分别是粒子i的个体极值和种群的全局极值,迭代时粒子根据这两个极值更新位置和速度:
w=wmax-t·(wmax-wmin)/Tmax
本发明实施例的有益效果在于:利用改进的SMC-PSO算法得出配电网的可靠性指标,全面考虑设备停运叠加可以保证可靠性指标的计算时效和精度,可以得出元件可靠性参数变化对系统可靠性的影响,由此得出的评估结果更加全面准确,提高了系统寻找薄弱环节及制定运行规划的效率。
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的前提下,还可以根据这些附图获得其他的附图。
图1是本发明实施例一种配电网可靠性评估方法的流程示意图。
具体实施方式
以下各实施例的说明是参考附图,用以示例本发明可以用以实施的特定实施例。
请参照图1所示,本发明实施例提供一种配电网可靠性评估方法,包括:
步骤S1,将检修停运、持续性故障停运和临时故障停运情况下的停运率和停运时间,以及模拟年限输入预设的序贯蒙特卡罗SMC仿真模型;
步骤S2,所述SMC仿真模型根据设备状态建立故障曲线,并根据威布尔分布产生随机概率分布;
步骤S3,通过粒子群优化算法估计系统后验概率密度函数;
步骤S4,重复执行步骤S2-步骤S3,直到仿真年限大于模拟年限时,输出最后的可靠性指标。
具体地,本发明实施例中,将配电网设备元件停运状态分为三种:检修停运、持续性故障停运和临时故障停运。在实际多联络的配电网接线中,设备元件必定会发生检修或故障导致元件停运模式叠加的情况。
本实施例先搭建停运叠加情况下元件的持续停运时间和等效故障率模型。
1、第一停运叠加模型——元件持续性故障停运叠加
设λi1,λi2,λii为设备元件1、2及系统的持续性故障停运故障率;ti1,ti2,tii分别为设备元件1、2及系统的持续性故障停运时间。公式如下所示:
λii=λi1λi2(ti1+ti2) (1)
2、第二停运叠加模型——检修停运和持续性故障停运叠加
设λp1,λp2为设备元件1、2的检修停运率;tp1,tp2为设备元件的检修停运时间;tip为停运叠加情况下的停运时间;λip表示停运叠加情况下的停运率。公式如下所示:
λip=λp1λi1tp1+λp2λi2tp2 (3)
将设备检修停运和持续故障停运叠加的概率设为Pip,则有:
设备检修停运和持续故障停运叠加情况下的停运时间tip为:
3、第三停运叠加模型——检修停运和临时性故障停运叠加
设λq1,λq2为设备元件1、2的临时故障停运率;tq1,tq2为设备元件1、2的临时故障停运时间;λpq为检修停运和临时性故障停运叠加情况下的停运率,tpq为叠加情况下的停运时间,各自的计算公式如下:
λpq=λp1λq2tq1+λp2λq1tq2 (6)
4、第四停运叠加模型——持续故障停运和临时性故障停运叠加
设λiq叠加情况下的停运率,tiq为叠加情况下的停运时间,则公式如下:
λiq=λq2λi1tp1+λq1λi2tp2 (8)
本实施例为深入展现电网可靠性与设备元件可靠性之间的关联,先设设备元件可靠性为特定参数,设备元件的状态服从韦布尔分布。将前述设备元件的停运模型加入到SMC仿真中,进一步推算出配电网停运叠加状态下的可靠性指标。
通过SMC选取Ns个系统状态样本,SMC的可靠性指标及计算精度如下式所示,计算精度常用估计值的相对不确定性来度量,并作为抽样判据。
其中,Ns为系统所有可能状态的集合,F(xi)为可靠性标志函数,xi为随机抽样系统中的第i个状态样本;为标志函数的期望估计值。从公式(11)可以看到用于计算的样本数Ns与系统复杂度和规模没有联系,但与计算精度、样本方差以及系统的可靠性水平有关。在确定收敛判定标准下,计算效率随着抽样次数减少而提高。基于SMC的粒子滤波有着在抽样过程中误差较小的特点,适用于非高斯非线性系统,因此本实施例采用粒子群优化算法(Particle Swarm Optimization,PSO)来提升SMC的收敛速度。粒子群优化算法的关键是使用一组带权值的粒子集以及带有噪声的观测值估计系统状态的后验密度函数,从而实现对系统状态的估计。
该算法的描述为:设粒子m的种群为X=(x1,x2,…,xm)T,则第i个粒子位置和速度分别为Xi=(xi1,xi2,…,xim)T,v=(vi1,vi2,…,vin)T,可由目标函数计算出第i个粒子位置的适应度。pi=(pi1,pi2,…,pin)T,pz=(pz1,pz2,…,pzn)T分别是粒子i的个体极值和种群的全局极值,迭代时粒子可根据这两个极值更新位置和速度:
w=wmax-t·(wmax-wmin)/Tmax
其关键编码如下:
Xmean_pf=mean(Xpf);%后验均值估计
Xstd_pf(1.k)=std(Xpf(:,k)—X(k,1));%后验误差标准差估计
通过上述说明可知,本发明实施例的有益效果在于:利用改进的SMC-PSO算法得出配电网的可靠性指标,全面考虑设备停运叠加可以保证可靠性指标的计算时效和精度,可以得出元件可靠性参数变化对系统可靠性的影响,由此得出的评估结果更加全面准确,提高了系统寻找薄弱环节及制定运行规划的效率。
以上所揭露的仅为本发明较佳实施例而已,当然不能以此来限定本发明之权利范围,因此依本发明权利要求所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种配电网可靠性评估方法,其特征在于,包括:
步骤S1,将检修停运、持续性故障停运和临时故障停运情况下的停运率和停运时间,以及模拟年限输入预设的序贯蒙特卡罗SMC仿真模型;
步骤S2,所述SMC仿真模型根据设备状态建立故障曲线,并根据威布尔分布产生随机概率分布;
步骤S3,通过粒子群优化算法估计系统后验概率密度函数;
步骤S4,重复执行步骤S2-步骤S3,直到仿真年限大于模拟年限时,输出最后的可靠性指标。
6.根据权利要求1所述的配电网可靠性评估方法,其特征在于,所述步骤S3中,粒子群优化算法具体为:
设粒子m的种群为X=(x1,x2,…,xm)T,则第i个粒子位置和速度分别为Xi=(xi1,xi2,…,xim)T,v=(vi1,vi2,…,vin)T,由目标函数计算出第i个粒子位置的适应度;pi=(pi1,pi2,…,pin)T,pz=(pz1,pz2,…,pzn)T分别是粒子i的个体极值和种群的全局极值,迭代时粒子根据这两个极值更新位置和速度:
w=wmax-t·(wmax-wmin)/Tmax
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390641.4A CN112434468A (zh) | 2020-12-02 | 2020-12-02 | 一种配电网可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011390641.4A CN112434468A (zh) | 2020-12-02 | 2020-12-02 | 一种配电网可靠性评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112434468A true CN112434468A (zh) | 2021-03-02 |
Family
ID=74698924
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011390641.4A Pending CN112434468A (zh) | 2020-12-02 | 2020-12-02 | 一种配电网可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112434468A (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701120A (zh) * | 2013-12-23 | 2014-04-02 | 华北电力大学 | 一种含风电场的大电网可靠性的评估方法 |
-
2020
- 2020-12-02 CN CN202011390641.4A patent/CN112434468A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103701120A (zh) * | 2013-12-23 | 2014-04-02 | 华北电力大学 | 一种含风电场的大电网可靠性的评估方法 |
Non-Patent Citations (2)
Title |
---|
李世光等: "蚁群与小波粒子群算法结合优化配电网重构", 现代电子技术 * |
李逸琳等: "考虑停运叠加的主动配电网可靠性评估", 现代电子技术 * |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107194055B (zh) | 考虑电转气装置的电-气互联系统可靠性建模及其评估方法 | |
Xu et al. | Response-surface-based Bayesian inference for power system dynamic parameter estimation | |
CN110417011B (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 | |
CN110299762B (zh) | 基于pmu准实时数据的主动配电网抗差估计方法 | |
CN111293686A (zh) | 基于armax系统辨识的电力系统惯量实时评估方法 | |
CN106655190A (zh) | 一种求解风电场概率最优潮流的方法 | |
CN103971175A (zh) | 一种多级变电站的短期负荷预测方法 | |
CN112288326A (zh) | 一种适用于输电系统韧性评估的故障场景集削减方法 | |
CN115549187A (zh) | 一种风电并网的稳定性评估方法 | |
Zhou et al. | Local sequential ensemble Kalman filter for simultaneously tracking states and parameters | |
CN109066651A (zh) | 风电-负荷场景的极限传输功率的计算方法 | |
CN112365053B (zh) | 负荷区域内分布式光伏发电总功率的预测方法、系统与计算机可读介质 | |
Panigrahi et al. | Probablistic load flow of a distributed generation connected power system by two point estimate method | |
CN112434468A (zh) | 一种配电网可靠性评估方法 | |
Li et al. | Meta-heuristic approach for validation and calibration of cascading failure analysis | |
CN111756031B (zh) | 一种电网运行趋势估算方法和系统 | |
CN109583779B (zh) | 一种电-气互联系统的薄弱元件确定方法 | |
CN105095659B (zh) | 基于云计算的省地协调分布式状态估计方法 | |
CN110532711A (zh) | 一种定期检修条件下大规模电源系统可靠性仿真方法 | |
CN114910737A (zh) | 一种基于电力大数据节点故障诊断方法 | |
CN114069611A (zh) | 一种面向综合能源系统的混合状态估计方法和装置 | |
CN113177717B (zh) | 一种基于影响增量灵敏度的输电系统韧性快速评估方法 | |
CN116502024A (zh) | 一种基于模型驱动的配电网线路参数辨识方法 | |
CN111756035B (zh) | 基于不确定度的双因子抗差贝叶斯配电网状态估计方法 | |
CN107947179A (zh) | 一种考虑风电调度策略的多点线性化随机潮流计算方法 |
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 |