CN112487590B - 一种优化智能电网鲁棒性的方法及装置 - Google Patents
一种优化智能电网鲁棒性的方法及装置 Download PDFInfo
- Publication number
- CN112487590B CN112487590B CN202011424402.6A CN202011424402A CN112487590B CN 112487590 B CN112487590 B CN 112487590B CN 202011424402 A CN202011424402 A CN 202011424402A CN 112487590 B CN112487590 B CN 112487590B
- Authority
- CN
- China
- Prior art keywords
- node
- structure entropy
- entropy
- grid
- information
- 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
- 238000000034 method Methods 0.000 title claims abstract description 18
- 230000008878 coupling Effects 0.000 claims abstract description 119
- 238000010168 coupling process Methods 0.000 claims abstract description 119
- 238000005859 coupling reaction Methods 0.000 claims abstract description 119
- 230000001419 dependent effect Effects 0.000 claims abstract description 44
- 238000012545 processing Methods 0.000 claims abstract description 13
- 230000008569 process Effects 0.000 claims abstract description 3
- 239000011159 matrix material Substances 0.000 claims description 28
- 238000012804 iterative process Methods 0.000 claims description 9
- 238000004891 communication Methods 0.000 claims description 5
- 238000005259 measurement Methods 0.000 claims description 4
- 238000012544 monitoring process Methods 0.000 claims description 4
- 239000002356 single layer Substances 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 abstract description 12
- 238000010586 diagram Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 230000001808 coupling effect Effects 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000009466 transformation 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]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- 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
-
- 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
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Geometry (AREA)
- Computer Hardware Design (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Computation (AREA)
- Computational Mathematics (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computer Networks & Wireless Communication (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供的一种优化智能电网鲁棒性方法及装置,该方法通过相依耦合关系对初始结构熵进行更新,获取更新结构熵;将更新结构熵与初始结构熵进行比较,当更新结构熵小于最小结构熵,则对更新结构熵进行迭代处理,选取迭代处理过程中最小的结构熵作为目标结构熵;当更新结构熵大于等于初始结构熵时,则将初始结构熵作为目标结构熵;基于目标结构熵确定节点重要性排序,并根据节点重要性排序,得到有效耦合关系,以更合理的确定网络中节点重要度排序,从而提升智能电网的鲁棒性。
Description
技术领域
本发明涉及智能电网安全可靠运行保障领域,具体涉及一种优化智能电网鲁棒性的方法及装置。
背景技术
现如今,智能电网在电力系统中的应用越来越普遍,但智能电网中的电力网与信息网的深度耦合也给它的鲁棒性带来了灾难性影响,即电力网或信息网中某个节点的故障可能触发另一网络中与之具有耦合关系的节点的故障,从而产生连锁故障。为提升智能电网的鲁棒性,优化电力网与信息网间的相依耦合关系,一般通过单侧网络的结构异构性实现,而单侧网络的结构异构性可以通过结构熵予以定量评价。目前,已有诸多研究各自从不同的角度定义了网络结构熵。例如,度分布结构熵以度值为主体,依据拥有不同度值的节点数量之间的差异,对网络的异构性进行了刻画,但该方法仅将邻居节点纳入评价体系,未考虑非邻居节点的影响,因而刻画网络全局特性的能力较弱,且对“桥”连接节点的重视程度不足;基于点和边差异性的网络结构熵,虽然将“点差异性”与“边差异性”进行加权求和,但其本质仍是从网络局部特性的角度出发,且加权系数是人为设置的,结果较为主观;为充分利用网络的全局特性,节点/边介数熵以节点介数/边介数为判据,定量地评价了网络的异构性,但介数虽然突出了桥节点的重要性,但对网络拓扑中包含有环型或星型结构的部分解释不足。
发明内容
本发明要解决的技术问题是现有用于评价单侧网络的结构异构性的方法无法综合考虑网络全局特性和局部特性,导致节点的重要性排序不准确,使得智能电网相依耦合结构不够优化,鲁棒性较差,因此,本发明提供一种优化智能电网鲁棒性的方法及装置,考虑各节点重要性在各单侧网络内与网络间的不均衡性,设计更合理的网络结构异构性度量方法,从而确定合理的节点重要性排序,优化设计智能电网相依耦合结构,以最大限度地提升智能电网鲁棒性。
本发明通过下述技术方案实现:
一种优化智能电网鲁棒性方法,包括:
获取电力网和信息网的初始网络模型,并计算所述初始网络模型对应的最小结构熵作为初始结构熵;
获取所述电力网和信息网的相依耦合关系,并基于所述相依耦合关系对所述初始结构熵进行更新,获取更新结构熵;
将所述更新结构熵与所述初始结构熵进行比较,当所述更新结构熵大于等于所述初始结构熵时,则将所述初始结构熵作为目标结构熵;
当所述更新结构熵小于所述初始结构熵时,则对所述更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵;
基于所述目标结构熵确定节点重要性排序,并根据所述节点重要性排序,得到有效耦合关系。
进一步地,所述初始网络模型中包括电力网节点和信息网节点;
所述基于所述相依耦合关系对所述初始结构熵进行更新,获取更新结构熵,包括:
获取所述电力网和信息网的相依耦合邻接矩阵;
基于所述相依耦合邻接矩阵,更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数;
将更新后的所述电力网节点的M-阶邻居数和更新后的所述信息网节点的M-阶邻居数,输入到信息熵计算公式中,得到更新结构熵。
进一步地,所述对所述更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵,包括:
按照遍历步长遍历最小等值阻抗至最大等值阻抗之间的所有阻抗值,并根据遍历到的阻抗值计算所有节点对应的M-阶邻居数;
基于所述M-阶邻居数计算对应的M-阶结构熵作为更新结构熵,选择最小的所述更新结构熵作为目标结构熵。
进一步地,所述基于所述目标结构熵确定节点重要性排序,包括:
基于所述目标结构熵对应的M-阶邻居数确定节点重要性排序。
进一步地,所述根据所述节点重要性排序,得到有效耦合关系,包括:
根据所述节点重要性排序,得到有效相依耦合集;
采用同配耦合的方式连接所述有效相依耦合集中的各节点,得到有效耦合关系。
进一步地,所述更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数,包括:
当所述计算需求中携带有待评估节点,则更新所述初始模型中待评估节点的M-阶邻居数;
当所述计算需求中没有携带待评估节点,则无需更新所述初始网络模型中各节点的结构熵。
进一步地,所述获取电力网和信息网的初始网络模型,包括:
将电力网中的发电厂、变电站和负荷作为节点,电力线作为节点连接线生成电力网拓扑;
将信息网中的广域量测系统、数据采集系统、监视控制系统、相位量测器和调度中心作为节点,通信线作为节点连接线生成信息网拓扑;
将所述电力网拓扑和所述信息网拓扑作为初始网络模型。
一种优化智能电网鲁棒性装置,包括:
初始结构熵获取模块,用于获取电力网和信息网的初始网络模型,并计算所述初始网络模型对应的最小结构熵作为节点的初始结构熵;
更新结构熵获取模块,用于获取所述电力网和信息网的相依耦合关系,并基于所述相依耦合关系对所述初始结构熵进行更新,获取更新结构熵;
第一目标结构熵获取模块,用于将所述更新结构熵与所述初始结构熵进行比较,当所述更新结构熵大于等于所述初始结构熵时,则将所述初始结构熵作为目标结构熵;
第二目标结构熵获取模块,用于当所述更新结构熵小于所述初始结构熵时,则对所述更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵;
有效耦合关系生成模块,用于基于所述目标结构熵确定节点重要性排序,并根据所述节点重要性排序,得到有效耦合关系。
进一步地,所述更新结构熵获取模块包括:
相依耦合邻接矩阵获取单元,用于获取所述电力网和信息网的相依耦合邻接矩阵;
M-阶邻居数更新单元,用于基于所述相依耦合邻接矩阵,更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数;
更新结构熵计算单元,用于将更新后的所述电力网节点的M-阶邻居数和更新后的所述信息网节点的M-阶邻居数,输入到信息熵计算公式中,得到更新结构熵。
进一步地,所述第二目标结构熵获取模块,包括:
迭代计算单元,用于按照遍历步长遍历最小等值阻抗至最大等值阻抗之间的所有阻抗值,并根据遍历到的阻抗值计算所有节点对应的M-阶邻居数;
结构熵更新计算单元,用于基于所述M-阶邻居数计算对应的M-阶结构熵作为更新结构熵,选择最小的所述更新结构熵作为目标结构熵。
本发明提供的一种优化智能电网鲁棒性方法及装置,通过相依耦合关系对初始结构熵进行更新,获取更新结构熵;将更新结构熵与初始结构熵进行比较,当更新结构熵小于最小结构熵,则对更新结构熵进行迭代处理,选取迭代处理过程中最小的结构熵作为目标结构熵;当更新结构熵大于等于初始结构熵时,则将初始结构熵作为目标结构熵;基于目标结构熵确定节点重要性排序,并根据节点重要性排序,得到有效耦合关系,以更合理的确定网络中节点重要度排序,从而提升智能电网的鲁棒性。
附图说明
此处所说明的附图用来提供对本发明实施例的进一步理解,构成本申请的一部分,并不构成对本发明实施例的限定。在附图中:
图1为本发明一种优化智能电网鲁棒性方法的流程图。
图2为图1中步骤S20的一具体流程图。
图3为图1中步骤S30的一具体流程图。
图4为图1中步骤S50的一具体流程图。
图5本发明一种优化智能电网鲁棒性装置的原理框图。
图6为本发明一具体实施例中相依耦合网络模型示意图。
图7耦合关系作用后的电力网节点分布扩展拓扑图。
图8耦合关系作用后的信息网节点分布扩展拓扑图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚明白,下面结合实施例和附图,对本发明作进一步的详细说明,本发明的示意性实施方式及其说明仅用于解释本发明,并不作为对本发明的限定。
实施例1
如图1所示,本发明提供一种优化智能电网鲁棒性方法,具体包括如下步骤:
S10:获取电力网和信息网的初始网络模型,并计算初始网络模型对应的最小结构熵作为初始结构熵。
其中,初始网络模型指对没有建立耦合关系的电力网和信息网建立的模型。初始结构熵指根据初始网络模型中电力网的M-阶邻居数和信息网的M-阶邻居数计算的最小的结构熵。
本实施例中,电力网的M-阶邻居数表示电力网中的节点在一定等值阻抗域值内可达的节点总数,以表征电力网中各节点间联系的紧密型。阶数M表示电力网中节点之间的等值阻抗。其中,等值阻抗的计算公式为R表示电力网中节点之间线路上的阻抗值,X表示电力网中节点之间线路上的电抗值。
其中,m表示电力网中节点的总数,|Z|kj表示节点vk到vj最小路径的等值阻抗值;|Z|表示预设的等值阻抗阀值。I1(·)表示指示函数,当节点vk到节点vj最小路径的等值阻抗值小于等值阻抗阀值|Z|时,I2(·)=1,否则I2(·)=0。
信息网的M-阶邻居数表示信息网中的节点在一定路径长度内可达的节点总数,以表征信息网中各节点之间的联系的紧密度。阶数M表示信息网中节点之间的路径长度。由于信息网中各节点的电能供应是受制于电力网中节点的局部影响力。因此,信息网的阶数M可由电力网中节点的局部影响力(即等值阻抗阈值)决定,具体计算为:
其中,|Z|表示预设的等值阻抗阀值,|Z|0表示等值阻抗最小值,即某节点到联系最紧密的相邻节点的等值阻抗,Δ|Z|表示等值阻抗阈值的步长增量。
其中,n表示信息网中节点的总数,I2(·)表示指示函数,即当节点uk与uj之间的最短路径长度lkj≤M时,I2(·)=1,否则I2(·)=0。
具体地,将信息网中的广域量测系统、数据采集系统、监视控制系统、相位量测器和调度中心作为节点,通信线作为节点连接线生成信息网拓扑GA=(VA,EA),其中,VA={u1,u2,u3...,un}是信息网的节点集,ui∈VA,(i=1,2...,n)表示信息网中的一个节点,(ui,uj)∈EA表示节点ui到节点uj的一条边;将电力网中的发电厂、变电站和负荷作为节点,电力线作为节点连接线生成电力网拓扑GB=(VB,EB),其中,VB={v1,v2,v3...,vm}是电力网的节点集,vi∈VB,(i=1,2...,m)表示网络中的一个节点,(vi,vj)∈EB表示节点vi到节点vj的一条边。在得到信息网拓扑和电力网拓扑后,将信息网拓扑和电力网拓扑作为一个整体,形成初始网络模型。
在得到初始网络模型后,计算初始网络模型对应的结构熵,并选取最小的结构熵作为初始结构熵minHM。
本实施例中计算初始网络模型的结构熵的计算公式为:
S20:获取电力网和信息网的相依耦合关系,并基于相依耦合关系对初始结构熵进行更新,获取更新结构熵。
本实施例通过电力网和信息网的相依耦合邻接矩阵P表示电力网和信息网的相依耦合关系。相依耦合邻接矩阵具体为:其中,n表示电力网中第n个节点,m表示信息网中第m个节点。当矩阵中的元素为1,则表示电力网中的节点与信息网中的节点存在相依耦合关系;当矩阵中的元素为0,则表示电力网中的节点与信息网中的节点不存在相依耦合关系。
为便于理解,以图6为例对电力网和信息网的相依耦合关系进行说明。其中,实线指内连边,即将信息通信网(即信息网)A内部连接各节点的边和物理电力网(即电力网)B内部连接各节点之间的边,内连边通过连接各单层网络内的节点构成具有某种功能的网络,例如:电力网中发电节点、变电节点和负荷节点通过输电线路实现了电能的产生、输送、消耗;虚线指耦合边,即连接电力网与信息网的边,用来表示电力网与信息网间的相依耦合关系。EA-B表示耦合边集合,表示为:EA-B={(u,v)|u∈VA,v∈VB}。若信息网中节点u与电力网中节点v相依耦合,则EA-B(u,v)=1,否则EA-B(u,v)=0。
具体地,初始网络模型中的电力网和信息网存在相依耦合关系后,则形成了相依耦合网络模型。获取电力网和信息网的相依耦合邻接矩阵,并基于相依耦合邻接矩阵对初始结构熵进行更新,获取更新结构熵。其中,更新结构熵指通过相依耦合邻接矩阵对初始结构熵更新后得到的值。
进一步地,更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数时,本实施例需要考虑计算需求中是否存在待评估节点,当计算需求中携带有待评估节点,则更新初始网络模型中待评估节点的M-阶邻居数;当计算需求中没有携带待评估节点,则无需更新初始网络模型中节点的M-阶邻居数。其中,待评估节点指电力网和信息网中存在相依耦合关系的的节点。
S30:将更新结构熵与初始结构熵进行比较,当更新结构熵大于等于初始结构熵时,则将初始结构熵作为目标结构熵。
其中,目标结构熵指在相依耦合作用下优化后的结构熵,该目标结构熵用于确定相依耦合网络模型中电力网对应的节点和信息网对应的节点的重要性。
S40:当更新结构熵小于初始结构熵时,则对更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵。
S50:基于目标结构熵确定节点重要性排序,并根据节点重要性排序,得到有效耦合关系。
具体地,目标结构熵越小,表示节点重要性分化程度越明显。
进一步地,若minHM>HM′,则认为电力网与信息网的部分节点发生耦合关系后,网络中节点重要性分化更不明显了,节点重要性排序应做相应调整。因此,需要重新计算当前时刻智能电网中所有节点的邻居数及其所对应的网络结构熵HM′。首先,在电力网侧取等值阻抗阈值|Z0|,计算该等值阻抗阈值下的电力网侧节点的邻居数,信息网侧取相应等值阻抗阈值|Z0|下的M阶来计算信息网侧节点的邻居数,并计算对应的网络结构熵,根据此时网络中各节点的邻居数,更新网络中节点的重要性排序,调整耦合关系;然后,电力网侧取步长Δ|Z|迭代计算节点在不同等值阻抗阀值|Z|下的电力网侧节点的邻居数,信息网侧取相应等值阻抗阈值|Z|下的M阶来计算信息网侧节点的邻居数,并计算对应的网络结构熵HM′,根据当前时刻网络中节点的邻居数,更新网络中节点的重要性排序,调整耦合关系。
经过多次迭代后,网络结构熵HM′最小时所对应的节点邻居数为最合理的节点重要性排序参数,然后再采用同配耦合的方式连接相依耦合集合X中的节点,最终输出相依耦合作用下优化后的相依耦合关系,以此达到提升网络鲁棒性的目的。
进一步地,若minHM≤HM′,则认为电力网与信息网的部分节点发生耦合关系后,其各单侧网络内节点重要性排序并未改变,可直接采用同配耦合的方式连接相依耦合集合X中的节点,以此输出优化后的相依耦合关系。
耦合关系作用后的电力网节点分布扩展拓扑图如图7所示,耦合关系作用后的信息网节点分布扩展拓扑图如图8所示。
进一步地,本实施例中初始网络模型中包括电力网节点和信息网节点,如图2所示,步骤S20中,基于相依耦合关系对初始结构熵进行更新,获取更新结构熵,具体包括如下步骤:
S21:获取电力网和信息网的相依耦合邻接矩阵。
具体地,电力网与信息网之间的相依耦合关系邻接矩阵P可表示为:
其中,元素puv表示信息网中节点u与电力网中节点v之间的耦合关系,若信息网中节点u与电力网中节点v相依耦合,则puv=1,否则puv=0。由相依耦合关系矩阵P可知,电力网中各节点具有耦合边的数量可表示为信息网中各节点具有耦合边的数量可表示为
S22:基于相依耦合邻接矩阵,更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数。
其中,|Z|kj表示电力网节点vk到vj的阻抗最小路径的等值阻抗值;|Z|表示预设的等值阻抗阀值;由电力网的等值阻抗阈值|Z|决定;若电力网节点vk存在耦合边,I0·记为1,否则记为0;当电力网节点vk与电力网节点vj的阻抗最小路径的阻抗小于阀值|Z|时,I1·记为1,否则记为0;当电力网节点vk与信息网节点ui之间的最短路径长度lik≤M时,I2·记为1,否则记为0。
在考虑耦合作用后,信息网中节点的M-阶邻居数发生了改变,其中,|Z|kj表示信息网节点uk的电力网耦合节点vk到vi的阻抗最小路径的等值阻抗值;|Z|表示预设的等值阻抗阀值;由电力网侧的等值阻抗阈值|Z|决定;若信息网节点uk存在耦合边,把耦合节点vk看作节点uk的直接邻居,I0·记为1,否则记为0;当电力网节点vk与电力网节点vi的阻抗最小路径的阻抗小于阀值|Z|时,I1·记为1,否则记为0;当信息网节点uk与信息网节点uj之间的最短路径长度lkj≤M时,I2·记为1,否则记为0。
S23:将更新后的电力网节点的M-阶邻居数和更新后的信息网节点的M-阶邻居数,输入到信息熵计算公式中,得到更新结构熵。
进一步地,如图3所示,步骤S40中,对更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵,具体包括如下步骤:
S41:按照遍历步长遍历最小等值阻抗至最大等值阻抗之间的所有阻抗值,并根据遍历到的阻抗值计算所有节点对应的M-阶邻居数。
S42:基于M-阶邻居数计算对应的M-阶结构熵作为更新结构熵,选择最小的更新结构熵作为目标结构熵。
具体地,在电力网侧,首先取Z=|Z0|,然后以遍历步长Δ|Z|作为增量,循环计算节点在不同等值阻抗阀值|Z|下的M-阶邻居数;由电力网侧的等值阻抗阈值|Z|决定,以此计算M值所对应的M-阶邻居数。基于各单侧网络的M-阶邻居数,计算此时对应的M-阶结构熵HM。若存在一个阶数M,使与之对应的M-阶结构熵为最小值minHM,minHM用于反映网络能够达到的最强异构性,则minHM的阶数M所对应的节点邻居数作为节点重要性排序的参数是最为合理的。
进一步地,如图4所示,步骤S50中,根据节点重要性排序,得到有效耦合关系,具体包括如下步骤:
S51:根据节点重要性排序,得到有效相依耦合集。
S52:采用同配耦合的方式连接有效相依耦合集中的各节点,得到有效耦合关系。
具体地,将电力网中各节点的重要性按照从小到大或者从大到小的顺序排列,并将信息网中各节点的重要性以电力网相同的排序方式按照从小到大或者从大到小的顺序排列,得到有效相依耦合集。即若电力网的排序方式为由小到大则信息网的排序方式为由小到大;若电力网的排序方式为由大到小则信息网的排序方式为由大到小。
在排序完成后,按照顺序将电力网中各节点与信息网中各节点一一连接,即电力网中排序第一个与信息网中排序第一个连接,电力网中排序第二个与信息网中排序第二个连接,依次类推,电力网中排序最后一个与信息网中排序最后一个连接,以此建立信息网与电力网的相依耦合关系。
实施例2
如图5所示,本实施例与实施例1的区别在于,提供一种优化智能电网鲁棒性装置,包括:
初始结构熵获取模块10,用于获取电力网和信息网的初始网络模型,并计算初始网络模型对应的最小结构熵作为初始结构熵。
更新结构熵获取模块20,用于获取电力网和信息网的相依耦合关系,并基于相依耦合关系对初始结构熵进行更新,获取更新结构熵。
第一目标结构熵获取模块30,用于将更新结构熵与初始结构熵进行比较,当更新结构熵大于等于初始结构熵时,则将初始结构熵作为目标结构熵。
第二目标结构熵获取模块40,用于当更新结构熵小于初始结构熵时,则对更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵。
有效耦合关系生成模块50,用于基于目标结构熵确定节点重要性排序,并根据节点重要性排序,得到有效耦合关系。
进一步地,更新结构熵获取模块20包括相依耦合邻接矩阵获取单元、M-阶邻居数更新单元和更新结构熵计算单元。
相依耦合邻接矩阵获取单元,用于获取电力网和信息网的相依耦合邻接矩阵。
M-阶邻居数更新单元,用于基于相依耦合邻接矩阵,更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数。
更新结构熵计算单元,用于将更新后的电力网节点的M-阶邻居数和更新后的信息网节点的M-阶邻居数,输入到信息熵计算公式中,得到更新结构熵。
进一步地,第二目标结构熵获取模块40包括迭代计算单元和结构熵更新计算单元。
迭代计算单元,用于按照遍历步长遍历最小等值阻抗至最大等值阻抗之间的所有阻抗值,并根据遍历到的阻抗值计算所有节点对应的M-阶邻居数。
结构熵更新计算单元,用于基于M-阶邻居数计算对应的M-阶结构熵作为更新结构熵,选择最小的更新结构熵作为目标结构熵。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。
以上所述的具体实施方式,对本发明的目的、技术方案和有益效果进行了进一步详细说明,所应理解的是,以上所述仅为本发明的具体实施方式而已,并不用于限定本发明的保护范围,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (5)
1.一种优化智能电网鲁棒性方法,其特征在于,包括:
获取电力网和信息网的初始网络模型,并计算所述初始网络模型对应的最小结构熵作为初始结构熵;
获取所述电力网和信息网的相依耦合关系,并基于所述相依耦合关系对所述初始结构熵进行更新,获取更新结构熵;
将所述更新结构熵与所述初始结构熵进行比较,当所述更新结构熵大于等于所述初始结构熵时,则将所述初始结构熵作为目标结构熵;
当所述更新结构熵小于所述初始结构熵时,则对所述更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵;
基于所述目标结构熵确定节点重要性排序,并根据所述节点重要性排序,得到有效耦合关系;
所述初始网络模型中包括电力网节点和信息网节点;
所述基于所述相依耦合关系对所述初始结构熵进行更新,获取更新结构熵,包括:
获取所述电力网和信息网的相依耦合邻接矩阵;
基于所述相依耦合邻接矩阵,更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数;
将更新后的所述电力网节点的M-阶邻居数和更新后的所述信息网节点的M-阶邻居数,输入到信息熵计算公式中,得到更新结构熵;
所述获取电力网和信息网的初始网络模型,包括:
将电力网中的发电厂、变电站和负荷作为节点,电力线作为节点连接线生成电力网拓扑;
将信息网中的广域量测系统、数据采集系统、监视控制系统、相位量测器和调度中心作为节点,通信线作为节点连接线生成信息网拓扑;
将所述电力网拓扑和所述信息网拓扑作为初始网络模型;
所述相依耦合邻接矩阵具体为:其中,n表示电力网中第n个节点,m表示信息网中第m个节点;当矩阵中的元素为1,则表示电力网中的节点与信息网中的节点存在相依耦合关系;当矩阵中的元素为0,则表示电力网中的节点与信息网中的节点不存在相依耦合关系;
电力网和信息网的内连边,即将信息网内部连接各节点的边和电力网内部连接各节点之间的边,内连边通过连接各单层网络内的节点构成具有某种功能的网络;电力网和信息网之间的耦合边,即连接电力网与信息网的边,用来表示电力网与信息网间的相依耦合关系;
所述基于所述目标结构熵确定节点重要性排序,包括:
基于所述目标结构熵对应的M-阶邻居数确定节点重要性排序;
所述根据所述节点重要性排序,得到有效耦合关系,包括:
根据所述节点重要性排序,得到有效相依耦合集;
采用同配耦合的方式连接所述有效相依耦合集中的各节点,得到有效耦合关系;
初始网络模型的结构熵的计算公式为:
2.根据权利要求1所述的优化智能电网鲁棒性方法,其特征在于,所述对所述更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵,包括:
按照遍历步长遍历最小等值阻抗至最大等值阻抗之间的所有阻抗值,并根据遍历到的阻抗值计算所有节点对应的M-阶邻居数;
基于所述M-阶邻居数计算对应的M-阶结构熵作为更新结构熵,选择最小的所述更新结构熵作为目标结构熵。
3.根据权利要求1所述的优化智能电网鲁棒性方法,其特征在于,所述更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数,包括:
当计算需求中携带有待评估节点,则更新所述初始网络模型中待评估节点的M-阶邻居数;
当计算需求中没有携带待评估节点,则无需更新所述初始网络模型中节点的M-阶邻居数。
4.一种优化智能电网鲁棒性装置,其特征在于,包括:
初始结构熵获取模块,用于获取电力网和信息网的初始网络模型,并计算所述初始网络模型对应的最小结构熵作为初始结构熵;
更新结构熵获取模块,用于获取所述电力网和信息网的相依耦合关系,并基于所述相依耦合关系对所述初始结构熵进行更新,获取更新结构熵;
第一目标结构熵获取模块,用于将所述更新结构熵与所述初始结构熵进行比较,当所述更新结构熵大于等于所述初始结构熵时,则将所述初始结构熵作为目标结构熵;
第二目标结构熵获取模块,用于当所述更新结构熵小于所述初始结构熵时,则对所述更新结构熵进行迭代处理,取迭代过程中最小的更新结构熵作为目标结构熵;
有效耦合关系生成模块,用于基于所述目标结构熵确定节点重要性排序,并根据所述节点重要性排序,得到有效耦合关系;
所述更新结构熵获取模块包括:
相依耦合邻接矩阵获取单元,用于获取所述电力网和信息网的相依耦合邻接矩阵;
M-阶邻居数更新单元,用于基于所述相依耦合邻接矩阵,更新电力网节点的M-阶邻居数和信息网节点的M-阶邻居数;
更新结构熵计算单元,用于将更新后的所述电力网节点的M-阶邻居数和更新后的所述信息网节点的M-阶邻居数,输入到信息熵计算公式中,得到更新结构熵;
所述获取电力网和信息网的初始网络模型,包括:
将电力网中的发电厂、变电站和负荷作为节点,电力线作为节点连接线生成电力网拓扑;
将信息网中的广域量测系统、数据采集系统、监视控制系统、相位量测器和调度中心作为节点,通信线作为节点连接线生成信息网拓扑;
将所述电力网拓扑和所述信息网拓扑作为初始网络模型;
所述相依耦合邻接矩阵具体为:其中,n表示电力网中第n个节点,m表示信息网中第m个节点;当矩阵中的元素为1,则表示电力网中的节点与信息网中的节点存在相依耦合关系;当矩阵中的元素为0,则表示电力网中的节点与信息网中的节点不存在相依耦合关系;
电力网和信息网的内连边,即将信息网内部连接各节点的边和电力网内部连接各节点之间的边,内连边通过连接各单层网络内的节点构成具有某种功能的网络;电力网和信息网之间的耦合边,即连接电力网与信息网的边,用来表示电力网与信息网间的相依耦合关系;
所述有效耦合关系生成模块的执行过程为:
基于所述目标结构熵对应的M-阶邻居数确定节点重要性排序;
根据所述节点重要性排序,得到有效相依耦合集;
采用同配耦合的方式连接所述有效相依耦合集中的各节点,得到有效耦合关系;
初始网络模型的结构熵的计算公式为:
5.根据权利要求4所述的优化智能电网鲁棒性装置,其特征在于,所述第二目标结构熵获取模块,包括:
迭代计算单元,用于按照遍历步长遍历最小等值阻抗至最大等值阻抗之间的所有阻抗值,并根据遍历到的阻抗值计算所有节点对应的M-阶邻居数;
结构熵更新计算单元,用于基于所述M-阶邻居数计算对应的M-阶结构熵作为更新结构熵,选择最小的所述更新结构熵作为目标结构熵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424402.6A CN112487590B (zh) | 2020-12-08 | 2020-12-08 | 一种优化智能电网鲁棒性的方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011424402.6A CN112487590B (zh) | 2020-12-08 | 2020-12-08 | 一种优化智能电网鲁棒性的方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112487590A CN112487590A (zh) | 2021-03-12 |
CN112487590B true CN112487590B (zh) | 2022-07-29 |
Family
ID=74940583
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011424402.6A Active CN112487590B (zh) | 2020-12-08 | 2020-12-08 | 一种优化智能电网鲁棒性的方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112487590B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107248047A (zh) * | 2017-08-01 | 2017-10-13 | 西安交通大学 | 基于加工过程状态熵动态计算的加工过程状态评价方法 |
CN107423493A (zh) * | 2017-07-02 | 2017-12-01 | 国电南瑞科技股份有限公司 | 一种基于关联矩阵的电力信息物理耦合建模方法 |
CN108280775A (zh) * | 2017-12-22 | 2018-07-13 | 国电南瑞科技股份有限公司 | 电力信息物理系统的分层分布混成计算架构体系及方法 |
CN108985563A (zh) * | 2018-06-12 | 2018-12-11 | 西安交通大学 | 一种基于自组织特征映射的机电系统服役动态标记方法 |
CN109191326A (zh) * | 2018-08-23 | 2019-01-11 | 东北大学 | 基于攻击方视角的配电网cps相依存系统网络攻击风险评估方法 |
CN110035090A (zh) * | 2019-05-10 | 2019-07-19 | 燕山大学 | 一种智能电网虚假数据注入攻击检测方法 |
CN112003734A (zh) * | 2020-07-28 | 2020-11-27 | 长沙理工大学 | 一种基于改进结构熵的信息物理系统关键节点辨识方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9430499B2 (en) * | 2014-02-18 | 2016-08-30 | Environmental Systems Research Institute, Inc. | Automated feature extraction from imagery |
US11029871B2 (en) * | 2019-05-15 | 2021-06-08 | EMC IP Holding Company LLC | Deduplication using nearest neighbor cluster |
CN110598894A (zh) * | 2019-07-22 | 2019-12-20 | 新奥数能科技有限公司 | 用于能源互联网的数据处理方法、装置和电子设备 |
CN111581725B (zh) * | 2020-05-11 | 2022-07-29 | 河海大学 | 一种水下机理模型适应性学习的航行器前视探测方法 |
-
2020
- 2020-12-08 CN CN202011424402.6A patent/CN112487590B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN107423493A (zh) * | 2017-07-02 | 2017-12-01 | 国电南瑞科技股份有限公司 | 一种基于关联矩阵的电力信息物理耦合建模方法 |
CN107248047A (zh) * | 2017-08-01 | 2017-10-13 | 西安交通大学 | 基于加工过程状态熵动态计算的加工过程状态评价方法 |
CN108280775A (zh) * | 2017-12-22 | 2018-07-13 | 国电南瑞科技股份有限公司 | 电力信息物理系统的分层分布混成计算架构体系及方法 |
CN108985563A (zh) * | 2018-06-12 | 2018-12-11 | 西安交通大学 | 一种基于自组织特征映射的机电系统服役动态标记方法 |
CN109191326A (zh) * | 2018-08-23 | 2019-01-11 | 东北大学 | 基于攻击方视角的配电网cps相依存系统网络攻击风险评估方法 |
CN110035090A (zh) * | 2019-05-10 | 2019-07-19 | 燕山大学 | 一种智能电网虚假数据注入攻击检测方法 |
CN112003734A (zh) * | 2020-07-28 | 2020-11-27 | 长沙理工大学 | 一种基于改进结构熵的信息物理系统关键节点辨识方法 |
Non-Patent Citations (3)
Title |
---|
Juan S. Ochoa 等.Random-Space Dimensionality Reduction for Expedient Yield Estimation of Passive Microwave Structures.《IEEE Transactions on Microwave Theory and Techniques》.2013,第61卷(第12期), * |
莫一夫 等.基于多维结构熵的智能电网信息管理系统复杂性评估.《电力自动化设备》.2018,第38卷(第5期), * |
蒋卓臻 等.配电网信息物理系统可靠性评估关键技术探讨.《电力自动化设备》.2017,第37卷(第12期), * |
Also Published As
Publication number | Publication date |
---|---|
CN112487590A (zh) | 2021-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112615365B (zh) | 一种智能电网脆弱性关键点识别方法及装置 | |
CN112966219B (zh) | 识别户表与表箱关系的方法及系统、设备、介质 | |
US10128658B2 (en) | Autonomous methods, systems, and software for self-adjusting generation, demand, and/or line flows/reactances to ensure feasible AC power flow | |
CN112930504B (zh) | 用于联网微电网的安全分布式状态估计 | |
CN116505665B (zh) | 一种电网配电线路的故障监测方法及系统 | |
Elyas et al. | Improved synthetic power grid modeling with correlated bus type assignments | |
Tai et al. | A new distributed state estimation technique for power networks | |
Xie et al. | Cooperative distributed state estimation: Local observability relaxed | |
Rao et al. | An 18 kW solar array research facility for fault detection experiments | |
CN115174416B (zh) | 一种网络规划系统、方法、装置及电子设备 | |
CN114646839A (zh) | 基于图卷积神经网络的配电网故障区段定位方法及装置 | |
CN115663886A (zh) | 一种用于分布式电源配电网的故障识别处理的方法及系统 | |
CN110412417B (zh) | 基于智能电力监测仪表的微电网数据故障诊断方法 | |
CN112487590B (zh) | 一种优化智能电网鲁棒性的方法及装置 | |
CN113139295A (zh) | 电力系统综合状态估计方法及系统 | |
CN105977968B (zh) | 一种环状多源配电网的电能质量监测器优化配置方法 | |
CN109886306B (zh) | 一种电网故障诊断数据清洗方法 | |
Migov | New index for wireless sensor network reliability analysis | |
CN110571791B (zh) | 一种新能源接入下的输电网规划的优化配置方法 | |
KR20220117432A (ko) | 전력 계통 클러스터링 방법 및 장치 | |
Verma et al. | Dynamic line rating considering short term reliability and convergence time | |
Cheung et al. | Leveraging Spatial Information in Smart Grids using STGCN for Short-Term Load Forecasting | |
CN113901619A (zh) | 一种基于偏相关分析的配电网网状拓扑识别方法 | |
CN115883334B (zh) | 一种基于软件定义功能的智能配电箱 | |
CN117879064A (zh) | 采用综合性能指标的有源配电网动态区域划分方法及装置 |
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 |