CN112865090B - 一种基于生物体免疫机制的智能配电网故障恢复方法 - Google Patents

一种基于生物体免疫机制的智能配电网故障恢复方法 Download PDF

Info

Publication number
CN112865090B
CN112865090B CN202110131777.1A CN202110131777A CN112865090B CN 112865090 B CN112865090 B CN 112865090B CN 202110131777 A CN202110131777 A CN 202110131777A CN 112865090 B CN112865090 B CN 112865090B
Authority
CN
China
Prior art keywords
fault
distribution network
power distribution
load
power
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
CN202110131777.1A
Other languages
English (en)
Other versions
CN112865090A (zh
Inventor
李振坤
何苗
季亮
苏向敬
符杨
田书欣
米阳
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.)
Shanghai University of Electric Power
Original Assignee
Shanghai University of Electric Power
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 Shanghai University of Electric Power filed Critical Shanghai University of Electric Power
Priority to CN202110131777.1A priority Critical patent/CN112865090B/zh
Publication of CN112865090A publication Critical patent/CN112865090A/zh
Application granted granted Critical
Publication of CN112865090B publication Critical patent/CN112865090B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Classifications

    • 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
    • H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
    • 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
    • G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
    • 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]
    • 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
    • G06Q10/00—Administration; Management
    • G06Q10/20—Administration of product repair or maintenance
    • 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
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Tourism & Hospitality (AREA)
  • Health & Medical Sciences (AREA)
  • General Business, Economics & Management (AREA)
  • Evolutionary Computation (AREA)
  • General Engineering & Computer Science (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • General Health & Medical Sciences (AREA)
  • Quality & Reliability (AREA)
  • Operations Research (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Computational Linguistics (AREA)
  • Mathematical Physics (AREA)
  • Evolutionary Biology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Biomedical Technology (AREA)
  • Computing Systems (AREA)
  • Molecular Biology (AREA)
  • Software Systems (AREA)
  • Biophysics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Development Economics (AREA)
  • Educational Administration (AREA)
  • Game Theory and Decision Science (AREA)
  • Power Engineering (AREA)

Abstract

本发明涉及一种基于生物体免疫机制的智能配电网故障恢复方法，具体包括以下：S1、免疫识别模块通过监测获取配电网信息，判断故障状态，提取特征量；S2、免疫匹配模块将特征量与免疫记忆模块中的配电网故障特征库中记录的故障状态的特征量进行匹配，若匹配成功则转至S3，否则转至S4；S3、免疫应答模块进行二次电网故障应答，执行对应的故障恢复方案；S4、免疫应答模块进行初次电网故障应答，判断故障下游负荷是否有联络开关进行转供，若是则进行负荷转供并校验潮流，否则对故障下游区域进行孤岛划分；S5、根据S4中的故障处理流程生成故障恢复方案，记录到配电网故障特征库。与现有技术相比，本发明具有提高电网故障恢复的响应速度等优点。

Description

一种基于生物体免疫机制的智能配电网故障恢复方法
技术领域
本发明涉及配电网发生故障后恢复供电技术领域，尤其是涉及一种基于生物体免疫机制的智能配电网故障恢复方法。
背景技术
随着经济的发展，用户对供电可靠性的要求越来越高，配电网故障占据了电力系统故障的80％，而且配电网是负荷和上级电网承接的关键环节，保证配电网安全可靠运行至关重要。生物体的免疫机制可快速有效处理外界入侵病原，配电网故障的处理和生物体对于病原的免疫应答具有很高的相似性，其应答过程迅速、精准、高效的特点也和故障恢复的要求相契合。
现有技术中已有大量关于配电网故障后的供电恢复问题的研究，供电恢复方法主要有两种：集中式方法和分布式方法。分布式供电恢复方法无需配电自动化主站参与，通过配电终端间对等通信交换信息便可进行分布式供电恢复操作。该方法的优势是降低了对通信带宽的需求，避免了信息逐层上传引起的时间延迟，可以有效提高非故障区段的恢复速度；但其架构设计和运维管理复杂度会因为服务器变多而变得很高，成本和运维因素是采用分布式供电恢复时需要考量的问题。集中式供电恢复方法架构设计相对简单，无需多个节点之间分布式协作，部署容易，投入成本更少，运维相较方便，但是系统对通信依赖较大，供电恢复时间相对变长。
现有技术中对于免疫理论的研究更多的侧重于人工免疫算法的研究，通过人工免疫算法求解供电恢复的数学模型，或是将免疫的概念引入配电网自愈体系，建立了免疫系统与供电恢复二者的对应关系，但如何将免疫机制应用于集中式方式下的供电恢复过程，结合其高效、快速、准确特性，建立智能配电网故障免疫机制尚无成熟研究成果。
目前研究中对于智能配电网故障恢复的处理更侧重于“事中和事后”环节，对“事前”环节支持不够，而智能配电网的发展目标之一是实现电网对概率性故障事件预判，加强对事前的关注。当前配电网故障后，由配电自动化快速进行故障定位和隔离，并将具备负荷转移条件的停电负荷进行快速转供，实现了较高的供电可靠性。但对复杂的有源配电网，尤其不具备转供条件需孤岛运行时，则需要在线决策得到相应的故障恢复方案。随着配电网规模的增大，内部电源类型的增多，在线决策方案的生成速度难以达到故障快速恢复的要求。
发明内容
本发明的目的就是为了克服上述现有技术存在的缺陷而提供一种基于生物体免疫机制的智能配电网故障恢复方法，将生物体免疫理论和预想事故集的构建和决策集的调用相结合，通过免疫记忆模型去构建预想事故集，仿真建立高风险故障的预恢复方案，经免疫识别和匹配实现同类故障的配对，直接调用已有的恢复方案，从而实现更为快速的供电恢复。
本发明的目的可以通过以下技术方案来实现：
一种基于生物体免疫机制的智能配电网故障恢复方法，具体包括以下步骤：
S1、免疫识别模块通过监测获取配电网信息，根据配电网信息判断配电网的故障状态，提取所述故障状态的特征量；
S2、免疫匹配模块将所述特征量与免疫记忆模块中的配电网故障特征库中记录的故障状态的特征量进行匹配，若匹配成功则转至步骤S3，否则匹配失败转至步骤S4；
S3、免疫应答模块进行二次电网故障应答，执行匹配成功的特征量对应的故障恢复方案；
S4、免疫应答模块进行初次电网故障应答，判断故障下游负荷是否有联络开关进行转供，若是则进行负荷转供并校验潮流，否则对故障下游区域进行孤岛划分；
S5、根据步骤S4中的故障处理流程生成所述初次电网故障应答的故障恢复方案，将所述故障恢复方案与对应的特征量记录到配电网故障特征库。
所述配电网信息包括保护装置的过电流信息、断路器的动作信息、监控终端和无线传输终端的过电流信息。
所述故障状态的特征量包括故障参数、配电网网络结构的参数、配电网运行参数和故障程度水平。
进一步地，所述故障参数包括故障位置、故障停电时间，配电网网络结构具体指故障发生时刻配电网络的运行方式，配电网运行状态参数包括分布式电源功率、负荷功率以及储能荷电状态。
进一步地，所述免疫匹配模块进行匹配的过程具体如下：
S31、获取当前故障状态对应的故障位置和配电网网络结构进行匹配，若匹配成功转至步骤S32，否则判定为匹配失败；
S32、获取配电网故障特征库中记录的故障状态的故障停电时间、分布式电源功率和负荷功率，根据预设的初始聚类中心数进行K均值聚类，得到K个初始聚类中心；
S33、获取当前故障状态的故障停电时间、分布式电源功率和负荷功率，计算与初始聚类中心的欧式距离，判断欧式距离是否小于预设的距离阈值，若是则转至步骤S34，否则判定为匹配失败；
S34、判断当前故障状态的储能荷电状态是否大于对应的初始聚类中心的储能荷电状态，若是则匹配成功，当前故障状态划入相应聚类中心所在的聚类域，更新聚类中心，否则判定为匹配失败。
进一步地，所述K均值聚类的终止条件为误差平方和局部最小，误差平方和的计算公式如下：
其中，J为误差平方和，xu为第u个新聚类对象，Nsamp表示新聚类对象数，mj是K个聚类中心所对应的矢量集合，具体如下：
其中，NDG表示孤岛内分布式电源的数量，Td为T时段的故障停电时间，为T时段的分布式电源功率，/>为T时段的负荷功率；
欧式距离的计算公式如下：
其中，D为欧式距离，为距离阈值。
所述故障程度水平根据故障后的失负荷量和故障后的电压越限水平计算得到，所述故障后失负荷量的计算公式如下：
其中，T为故障发生时刻，Td为故障停电时间，从故障发生开始，直到故障修复系统重新回到正常状态为止，Td可划分为多个时段，为故障后的失负荷量，C是故障后失电负荷的集合，ωi为第i个负荷的权重系数；/>为第i个负荷在t时段的有功需求；
所述故障后的电压越限水平的计算公式如下：
其中，是节点i在t时段的电压，Nup是电压越上限的节点数，Ndown为电压越下限的节点数。
进一步地，所述免疫应答模块设有目标函数和约束条件，目标函数具体如下：
其中，Nnode为停电区域负荷节点数，xi为状态标志位，xi＝1表示第i个负荷划入孤岛运行范围，xi＝0表示节点i被切除；
所述约束条件包括网络运行约束、储能与分布式电源运行约束和网络的辐射状约束，所述网络运行约束包括功率平衡约束、节点电压上下限约束和支路功率上限约束。
进一步地，所述免疫记忆模块中的配电网故障特征库的构建过程具体为：
S21、获取配电网各段支路的历史故障率数据和线路长度，计算得到各支路的故障率数据；
S22、基于未来24小时的分布式电源和负荷的预测数据，计算平均失负荷损失和电压平均越限水平；
S23、根据故障率数据、平均失负荷损失、电压平均越限水平计算故障风险并排序，根据排序结果得到故障风险较高的支路，确立预想故障集；
S24、假定配电网相应的支路发生故障，通过仿真得出故障恢复方案并记录。
进一步地，所述平均失负荷损失的计算公式如下：
所述电压平均越限水平的计算公式如下：
其中，Ploadloss为平均失负荷损失，Vlevel为电压平均越限水平；
所述故障风险包括故障失负荷风险和故障电压越限风险，计算公式如下：
KLLR,i,j＝λi,jPloadloss
KVVR,i,j＝λi,jVlevel
其中，KLLR,i,j为故障失负荷风险，KVVR,i,j为故障电压越限风险，为λi,j支路i-j的故障率。
所述步骤S4中进行校验潮流时判断电压是否越限，若是则进行电压主动管理，电压主动管理包括调节变压器变比、电容器无功补偿，否则直接输出故障恢复方案。
与现有技术相比，本发明具有以下有益效果：
本发明将生物体免疫理论和预想事故集的构建和决策集的调用相结合，通过免疫记忆模型去构建预想事故集，仿真建立高风险故障的预恢复方案，经免疫识别和匹配实现同类故障的配对，直接调用已有的恢复方案，提高了电网故障恢复的响应速度，有效解决了随着配电网规模的增大，内部电源类型的增多，在线决策方案的生成速度难以达到故障快速恢复需求的问题。
附图说明
图1为本发明的流程示意图；
图2为本发明免疫应答模块的流程示意图；
图3为本发明免疫匹配模块的匹配逻辑示意图；
图4为本发明实施例中配电网测试算例的结构示意图；
图5为本发明实施例中各馈线的风光荷功率曲线的示意图，其中图5(a)为馈线一的风光荷功率曲线，图5(b)为馈线二的风光荷功率曲线，图5(c)为馈线三的风光荷功率曲线；
图6为本发明实施例中支路的故障风险指标曲线的示意图，其中图6(a)为失负荷量风险指标曲线，图6(b)为压越限风险指标曲线；
图7为本发明实施例中故障位置及划分结果的示意图。
具体实施方式
下面结合附图和具体实施例对本发明进行详细说明。本实施例以本发明技术方案为前提进行实施，给出了详细的实施方式和具体的操作过程，但本发明的保护范围不限于下述的实施例。
如图1所示，一种基于生物体免疫机制的智能配电网故障恢复方法，具体包括以下步骤：
S1、免疫识别模块通过监测获取配电网信息，根据配电网信息判断配电网的故障状态，提取故障状态的特征量；
S2、免疫匹配模块将特征量与免疫记忆模块中的配电网故障特征库中记录的故障状态的特征量进行匹配，若匹配成功则转至步骤S3，否则匹配失败转至步骤S4；
S3、免疫应答模块进行二次电网故障应答，执行匹配成功的特征量对应的故障恢复方案；
S4、如图2所示，免疫应答模块进行初次电网故障应答，判断故障下游负荷是否有联络开关进行转供，若是则进行负荷转供并校验潮流，否则对故障下游区域进行孤岛划分；
S5、根据步骤S4中的故障处理流程生成初次电网故障应答的故障恢复方案，将故障恢复方案与对应的特征量记录到配电网故障特征库。
配电网信息包括保护装置的过电流信息、断路器的动作信息、监控终端和无线传输终端的过电流信息。
故障状态的特征量包括故障参数、配电网网络结构的参数、配电网运行参数和故障程度水平。
故障参数包括故障位置、故障停电时间，配电网网络结构具体指故障发生时刻配电网络的运行方式，配电网运行状态参数包括分布式电源功率、负荷功率以及储能荷电状态。
免疫匹配模块进行匹配的匹配逻辑图如图3所示，当以下三个条件都为真时，则认为匹配成功，条件A：故障位置和网络结构匹配；条件B：故障停电时间、DG功率、负荷功率匹配；条件C：当前故障的SOC大于等于匹配向量SOC，其中的过程具体如下：
S31、获取当前故障状态对应的故障位置和配电网网络结构进行匹配，若匹配成功转至步骤S32，否则判定为匹配失败；
S32、获取配电网故障特征库中记录的故障状态的故障停电时间、分布式电源功率和负荷功率，根据预设的初始聚类中心数进行K均值聚类，得到K个初始聚类中心；
S33、获取当前故障状态的故障停电时间、分布式电源功率和负荷功率，计算与初始聚类中心的欧式距离，判断欧式距离是否小于预设的距离阈值，若是则转至步骤S34，否则判定为匹配失败；
S34、判断当前故障状态的储能荷电状态是否大于对应的初始聚类中心的储能荷电状态，若是则匹配成功，当前故障状态划入相应聚类中心所在的聚类域，更新聚类中心，否则判定为匹配失败。
K均值聚类的终止条件为误差平方和局部最小，误差平方和的计算公式如下：
其中，J为误差平方和，xu为第u个新聚类对象，Nsamp表示新聚类对象数，mj是K个聚类中心所对应的矢量集合，具体如下：
其中，NDG表示孤岛内分布式电源的数量，Td为T时段的故障停电时间，为T时段的分布式电源功率，/>为T时段的负荷功率；
欧式距离的计算公式如下：
其中，D为欧式距离，为距离阈值。
故障程度水平根据故障后的失负荷量和故障后的电压越限水平计算得到，故障后失负荷量的计算公式如下：
其中，T为故障发生时刻，Td为故障停电时间，从故障发生开始，直到故障修复系统重新回到正常状态为止，Td可划分为多个时段，为故障后的失负荷量，C是故障后失电负荷的集合，ωi为第i个负荷的权重系数；/>为第i个负荷在t时段的有功需求；
故障后的电压越限水平的计算公式如下：
其中，是节点i在t时段的电压，Nup是电压越上限的节点数，Ndown为电压越下限的节点数。
免疫应答模块设有目标函数和约束条件，目标函数具体如下：
其中，Nnode为停电区域负荷节点数，xi为状态标志位，xi＝1表示第i个负荷划入孤岛运行范围，xi＝0表示节点i被切除；
约束条件包括网络运行约束、储能与分布式电源运行约束和网络的辐射状约束，网络运行约束包括功率平衡约束、节点电压上下限约束和支路功率上限约束。
免疫记忆模块中的配电网故障特征库的构建过程具体为：
S21、获取配电网各段支路的历史故障率数据和线路长度，计算得到各支路的故障率数据；
S22、基于未来24小时的分布式电源和负荷的预测数据，计算平均失负荷损失和电压平均越限水平；
S23、根据故障率数据、平均失负荷损失、电压平均越限水平计算故障风险并排序，根据排序结果得到故障风险较高的支路，确立预想故障集；
S24、假定配电网相应的支路发生故障，通过仿真得出故障恢复方案并记录。
平均失负荷损失的计算公式如下：
电压平均越限水平的计算公式如下：
其中，Ploadloss为平均失负荷损失，Vlevel为电压平均越限水平；
故障风险包括故障失负荷风险和故障电压越限风险，计算公式如下：
KLLR,i,j＝λi,jPloadloss
KVVR,i,j＝λi,jVlevel
其中，KLLR,i,j为故障失负荷风险，KVVR,i,j为故障电压越限风险，为λi,j支路i-j的故障率。
步骤S4中进行校验潮流时判断电压是否越限，若是则进行电压主动管理，电压主动管理包括调节变压器变比、电容器无功补偿，否则直接输出故障恢复方案。
实施例
在某实际配电网基础上通过增加分布式电源，构建了如图4所示仿真算例，共包含3条馈线，31个节点，分布式电源具体接入位置和容量如表2所示：
表2分布式电源接入位置与容量
其中节点13、15和28均配有额定容量1.2MW·h，最大充放电功率为0.6MW的储能系统。
馈线一和馈线三主要是居民负荷，总户数分别为120和90户，馈线二为工业负荷，总户数为30户，负荷等级见表3所示：
表3节点负荷等级参数
馈线一各支路采用架空线连接，阻抗0.63+j0.368Ω/km，架空线允许载流量为210A，故障率为0.23次/kma，故障修复时间取1小时；馈线二和三为电缆，阻抗0.15+j0.12Ω/km，电缆允许载流量为509A，故障率为0.031次/kma，故障修复时间为2小时，各条支路长度数据见表4，表4具体如下：
表4算例支路数据
各馈线的负荷与风光有功出力如图5所示。
本实施例中，各支路故障率及故障风险数据详见表5，馈线一下游负荷不能通过联络线转供，存在失负荷风险，其故障失负荷量指标见表5(a)和图6(a)；馈线二、馈线三发生故障时，可以通过联络开关连接，所以当两条馈线内支路发生故障时，均可以通过闭合联络开关，实现负荷的转供，由于增加了转供馈线的负荷，可能会导致电压越下限，各支路故障电压越限风险指标见表5(b)和图6(b)，表5(a)和表5(b)具体如下所示：
表5(a)馈线一中支路故障率及故障失负荷风险
表5(b)馈线二和三中支路故障率及故障电压越限风险
通过图6(a)和表5(a)中数据可以发现支路5-6、7-8和9-10的故障失负荷量指标排序均靠前，支路4-14、14-15、7-11等发生故障后，故障下游的负荷分别通过接在节点13或15的储能和风机孤岛运行供电，故障失负荷量指标接近为零。
由图6(b)和表5(b)显示，支路17-18、25-26、27-28的故障电压越限风险指标靠前，支路22-23、23-24故障时，平均电压越限水平基本为零，这是由于故障位置位于馈线末端，转供的负荷量较小，转供馈线基本可以承受转供负荷。
通过建立的故障排序指标，构建预想故障集，并通过仿真建立决策集。将指标排序靠前的故障指定其故障决策表。为了考虑不同分布式电源对于孤岛划分结果的影响，以下以支路5-6、支路1-2故障情况为例，建立其故障决策表，考虑到风光电源出力和负荷的波动性，本实施例中建立24h决策表，见表6，部分时段孤岛划分区域如图7所示，表6具体如下：
表6支路故障决策表
/>
从上述决策表可以看出，当支路5-6在1:00-18:00或20:00-21:00期间故障时，孤岛范围相对较大；而在部分时段孤岛较小，如19:00-20:00期间，孤岛范围仅包含节点11～13，这是由负荷和分布式电源(DG)的功率波动以及储能荷电状态的变化所导致的。当支路1-2发生故障时，下游的停电区域较大，在1:00-13:00点期间孤岛范围最大，包含节点(2-16)；在部分时段分为两个孤岛运行，如18:00-19:00、21:00-22:00期间，因为该类时段负荷相对较大，而分布式电源功率偏小，不足以恢复大范围负荷的供电。
为了验证本发明的有效性，本实施例中设置了两种情形，其中情形一：支路20-21在9:00发生永久性故障，记忆细胞库中有相应记忆细胞；情形二：支路5-6在19:00发生永久性故障，记忆细胞库中有相应记忆细胞。如图7所示，情形一故障发生在馈线二上，支路20-21下游有联络开关，可以进行负荷转供，之后对馈线的潮流进行校验是否有节点电压越限。对越限节点进行电压主动管理，调节配电网内的电容器组或者变压器变比等资源。由于相应的免疫记忆细胞已经仿真生成，即可以直接通过免疫匹配，识别当前故障状态的特征量，聚类确定所属类别，然后调用该聚类域中的决策方案。快速动作相应的分段开关和联络开关，快速实现负荷转供，实现高效二次免疫应答。
情形二故障发生在支路5-6，故障恢复策略已经生成并存储在配电网故障特征库中，故障发生时，对故障进行免疫识别和匹配，匹配成功之后直接调用特征库中的故障恢复方案，快速清除故障，实现高效免疫应答。
免疫匹配过程：计算发生故障和免疫记忆细胞库中的聚类中心的欧氏距离，调用免疫匹配成功的聚类域决策表。支路5-6在19:00时段故障时，基于免疫匹配策略，首先在选择该运行方式下支路5-6故障时的细胞样本，然后利用该故障剩余特征向量值(1，0.863，1.688)进行聚类匹配，该向量值表示该故障维修时间约为1h的故障，且此时系统DG功率为0.863，负荷值为1.688。该向量与部分聚类中心的欧氏距离如表7所示，表7具体如下：
表7部分聚类中心欧氏距离
/>
从该表可以看出，该故障与聚类中心12的欧式距离最小，为0.0188，并判断储能荷电状态，故障时节点13储能荷电状态(SOC)为0.69，大于聚类中心12对应的储能SOC值0.68，满足要求，因此调用聚类中心12所对应的决策集，进行下一步免疫应答。
免疫应答过程：经过上述匹配支路5-6故障时找到相应的决策集，该决策集包含在前文表6中，根据免疫匹配结果直接调用聚类中心12所对应的19:00-20:00的决策方案，得到孤岛划分结果如图7中虚线所示。
本实施例中对三条馈线计算了以下两种情况下的可靠性指标：1)采用传统配电自动化方法进行供电恢复，2)采用本发明所提免疫机制进行供电恢复方法。采用本发明免疫机制计算仿真时假设75％的故障可匹配成功，进行二次免疫应答，共选择了四种可靠性指标：平均供电可用率ASAI、系统平均停电频率SAIFI、系统平均停电持续时间SAIDI和缺供电期望EENS，计算结果如表8所示：
表8可靠性指标对比
由计算结果可以看出馈线一的可靠性指标得到了大幅度的提升，平均停电时间SAIDI由原来的3.488h降为2.006h，供电可用率ASAI指标也由原来的99.96％提升为99.978％。馈线二和三的可靠性指标则基本没有变化。这是因为馈线二和三为手拉手环形网络，基于传统配电自动化已经可以实现较高的可靠性水平；但馈线一为辐射状配电网，配电自动化需要根据故障位置和停电区域在线决策孤岛范围，耗时较长，使得可靠性指标偏低；但是采用本发明所提免疫机制进行供电恢复时，馈线一的可靠性指标也没有提升到馈线二和馈线三的水平，这是因为故障类型较多，不能所有故障完全匹配成功，而且分布式电源有限，基于孤岛难以恢复全部负荷。随着设备利用率要求和分布式电源渗透率的提高，分布式电源孤岛运行将作为提高可靠性的重要手段，本发明所提方法在这种场景下优势更加明显，能够有效缩短恢复时间，减少故障失负荷损失，提高供电可靠率。
此外，需要说明的是，本说明书中所描述的具体实施例，所取名称可以不同，本说明书中所描述的以上内容仅仅是对本发明结构所做的举例说明。凡依据本发明构思的构造、特征及原理所做的等效变化或者简单变化，均包括于本发明的保护范围内。本发明所属技术领域的技术人员可以对所描述的具体实例做各种各样的修改或补充或采用类似的方法，只要不偏离本发明的结构或者超越本权利要求书所定义的范围，均应属于本发明的保护范围。

Claims (5)

1.一种基于生物体免疫机制的智能配电网故障恢复方法，其特征在于，具体包括以下步骤：
S1、免疫识别模块通过监测获取配电网信息，根据配电网信息判断配电网的故障状态，提取所述故障状态的特征量；
S2、免疫匹配模块将所述特征量与免疫记忆模块中的配电网故障特征库中记录的故障状态的特征量进行匹配，若匹配成功则转至步骤S3，否则匹配失败转至步骤S4；
S3、免疫应答模块进行二次电网故障应答，执行匹配成功的特征量对应的故障恢复方案；
S4、免疫应答模块进行初次电网故障应答，判断故障下游负荷是否有联络开关进行转供，若是则进行负荷转供并校验潮流，否则对故障下游区域进行孤岛划分；
S5、根据步骤S4中的故障处理流程生成所述初次电网故障应答的故障恢复方案，将所述故障恢复方案与对应的特征量记录到配电网故障特征库；
所述配电网信息包括保护装置的过电流信息、断路器的动作信息、监控终端和无线传输终端的过电流信息；
所述故障状态的特征量包括故障参数、配电网网络结构的参数、配电网运行参数和故障程度水平；
所述故障参数包括故障位置、故障停电时间，配电网网络结构具体指故障发生时刻配电网络的运行方式，配电网运行状态参数包括分布式电源功率、负荷功率以及储能荷电状态；
所述故障程度水平根据故障后的失负荷量和故障后的电压越限水平计算得到，所述故障后失负荷量的计算公式如下：
其中，T为故障发生时刻，Td为故障停电时间，从故障发生开始，直到故障修复系统重新回到正常状态为止，Td可划分为多个时段，为故障后的失负荷量，C是故障后失电负荷的集合，ωi为第i个负荷的权重系数；/>为第i个负荷在t时段的有功需求；
所述故障后的电压越限水平的计算公式如下：
其中，Vi t是节点i在t时段的电压，Nup是电压越上限的节点数，Ndown为电压越下限的节点数；
所述免疫应答模块设有目标函数和约束条件，目标函数具体如下：
其中，Nnode为停电区域负荷节点数，xi为状态标志位，xi＝1表示第i个负荷划入孤岛运行范围，xi＝0表示节点i被切除；
所述约束条件包括网络运行约束、储能与分布式电源运行约束和网络的辐射状约束，所述网络运行约束包括功率平衡约束、节点电压上下限约束和支路功率上限约束。
2.根据权利要求1所述的一种基于生物体免疫机制的智能配电网故障恢复方法，其特征在于，所述免疫匹配模块进行匹配的过程具体如下：
S31、获取当前故障状态对应的故障位置和配电网网络结构进行匹配，若匹配成功转至步骤S32，否则判定为匹配失败；
S32、获取配电网故障特征库中记录的故障状态的故障停电时间、分布式电源功率和负荷功率，根据预设的初始聚类中心数进行K均值聚类，得到K个初始聚类中心；
S33、获取当前故障状态的故障停电时间、分布式电源功率和负荷功率，计算与初始聚类中心的欧式距离，判断欧式距离是否小于预设的距离阈值，若是则转至步骤S34，否则判定为匹配失败；
S34、判断当前故障状态的储能荷电状态是否大于对应的初始聚类中心的储能荷电状态，若是则匹配成功，当前故障状态划入相应聚类中心所在的聚类域，更新聚类中心，否则判定为匹配失败。
3.根据权利要求2所述的一种基于生物体免疫机制的智能配电网故障恢复方法，其特征在于，所述K均值聚类的终止条件为误差平方和局部最小，误差平方和的计算公式如下：
其中，J为误差平方和，xu为第u个新聚类对象，Nsamp表示新聚类对象数，mj是K个聚类中心所对应的矢量集合，具体如下：
其中，NDG表示孤岛内分布式电源的数量，Td为T时段的故障停电时间，为T时段的分布式电源功率，/>为T时段的负荷功率；
欧式距离的计算公式如下：
其中，D为欧式距离，为距离阈值。
4.根据权利要求1所述的一种基于生物体免疫机制的智能配电网故障恢复方法，其特征在于，所述免疫记忆模块中的配电网故障特征库的构建过程具体为：
S21、获取配电网各段支路的历史故障率数据和线路长度，计算得到各支路的故障率数据；
S22、基于未来24小时的分布式电源和负荷的预测数据，计算平均失负荷损失和电压平均越限水平；
S23、根据故障率数据、平均失负荷损失、电压平均越限水平计算故障风险并排序，根据排序结果得到故障风险较高的支路，确立预想故障集；
S24、假定配电网相应的支路发生故障，通过仿真得出故障恢复方案并记录。
5.根据权利要求4所述的一种基于生物体免疫机制的智能配电网故障恢复方法，其特征在于，所述平均失负荷损失的计算公式如下：
所述电压平均越限水平的计算公式如下：
其中，P1oadloss为平均失负荷损失，Vlevel为电压平均越限水平；
所述故障风险包括故障失负荷风险和故障电压越限风险，计算公式如下：
KLLR,i,j＝λi,jPloadloss
KVVR,i,j＝λi,jVlevel
其中，KLLR,i,j为故障失负荷风险，KVVR,i,j为故障电压越限风险，为λi,j支路i-j的故障率。
CN202110131777.1A 2021-01-30 2021-01-30 一种基于生物体免疫机制的智能配电网故障恢复方法 Active CN112865090B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110131777.1A CN112865090B (zh) 2021-01-30 2021-01-30 一种基于生物体免疫机制的智能配电网故障恢复方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110131777.1A CN112865090B (zh) 2021-01-30 2021-01-30 一种基于生物体免疫机制的智能配电网故障恢复方法

Publications (2)

Publication Number Publication Date
CN112865090A CN112865090A (zh) 2021-05-28
CN112865090B true CN112865090B (zh) 2023-09-26

Family

ID=75987216

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110131777.1A Active CN112865090B (zh) 2021-01-30 2021-01-30 一种基于生物体免疫机制的智能配电网故障恢复方法

Country Status (1)

Country Link
CN (1) CN112865090B (zh)

Families Citing this family (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113449966B (zh) * 2021-06-03 2023-04-07 湖北北新建材有限公司 一种石膏板设备巡检方法及系统
CN113507116B (zh) * 2021-07-08 2022-07-22 国网河北省电力有限公司电力科学研究院 一种配电网负荷转供方法、装置、设备及存储介质

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104701831A (zh) * 2015-03-30 2015-06-10 国家电网公司 配电网自愈控制方法
CN105552860A (zh) * 2015-12-29 2016-05-04 国家电网公司 一种基于储能和分布式电源的配电网孤岛运行划分方法
CN108631298A (zh) * 2018-03-30 2018-10-09 国电南瑞科技股份有限公司 一种基于负荷均衡分配的单元制配电网恢复策略生成方法
CN111082401A (zh) * 2019-11-15 2020-04-28 国网河南省电力公司郑州供电公司 基于自学习机制的配电网故障恢复方法

Family Cites Families (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105069535B (zh) * 2015-08-19 2020-07-24 中国电力科学研究院 一种基于arima模型的配电网运行可靠性的预测方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104701831A (zh) * 2015-03-30 2015-06-10 国家电网公司 配电网自愈控制方法
CN105552860A (zh) * 2015-12-29 2016-05-04 国家电网公司 一种基于储能和分布式电源的配电网孤岛运行划分方法
CN108631298A (zh) * 2018-03-30 2018-10-09 国电南瑞科技股份有限公司 一种基于负荷均衡分配的单元制配电网恢复策略生成方法
CN111082401A (zh) * 2019-11-15 2020-04-28 国网河南省电力公司郑州供电公司 基于自学习机制的配电网故障恢复方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
免疫机制在智能配电网安全防御控制中的应用研究;王增平 等;《智慧电力》;第47卷(第08期);18-24 *

Also Published As

Publication number Publication date
CN112865090A (zh) 2021-05-28

Similar Documents

Publication Publication Date Title
CN107749620B (zh) 一种含分布式电源配电网供电恢复方法
CN112865090B (zh) 一种基于生物体免疫机制的智能配电网故障恢复方法
CN107332236B (zh) 一种基于全局搜索的电网负荷转供方法
CN113241738B (zh) 一种配电网的拓扑重构故障恢复及设备部署方法
CN111431173A (zh) 考虑负荷互补特性的中压配电网环网结构确定方法及系统
Xiao et al. Flexible distribution network: definition, configuration, operation, and pilot project
CN113364045A (zh) 一种移动式储能参与的主动配电网故障恢复方法
CN115693755A (zh) 一种基于孤岛划分的含分布式电源的配电网故障恢复方法
CN107947183B (zh) 基于微分进化的含三端snop的配电网自适应优化方法
Gao et al. Field exploration and analysis of power grid side battery energy storage system
CN116014790A (zh) 一种含分布式能源的配电网弹性评估方法
CN113657619B (zh) 考虑故障连锁的关键弹性提升元件辨识及故障恢复方法
CN117543561A (zh) 一种协同虚拟电厂的柔性配电系统保供方法
Wang et al. Early warning of distribution transformer based on bp neural network considering the influence of extreme weather
CN107370182B (zh) 一种主动配电网三元规划体系分布式电源接入规划方法
CN116169673A (zh) 配电网的弹性评估方法、系统、电子设备及可读存储介质
CN115719967A (zh) 一种用于提高供电可靠性的有源配电网储能装置优化配置方法
CN115549075A (zh) 一种含微电网的配电网供电恢复方法及系统
CN115292869A (zh) 考虑大规模光伏储能接入的钻石型配电网可靠性计算方法
CN111106622B (zh) 一种基于rmpc的主动配电网供电恢复方法
CN114552579A (zh) 计及低压台区柔性互联的配电网最大供电能力计算方法
CN111541275A (zh) 基于分布式储能系统多参数动态调整柔性充放电控制系统
Lan et al. Fault recovery strategy for urban distribution networks using soft open points
CN103840456A (zh) 一种考虑网络自动收缩的输电断面搜索方法
CN109038587A (zh) 一种两站单级多元件供电系统功率损耗平均值的计算方法

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
GR01 Patent grant
GR01 Patent grant