CN112967154A - 一种电力系统Well-being的评估方法及装置 - Google Patents
一种电力系统Well-being的评估方法及装置 Download PDFInfo
- Publication number
- CN112967154A CN112967154A CN202110443080.8A CN202110443080A CN112967154A CN 112967154 A CN112967154 A CN 112967154A CN 202110443080 A CN202110443080 A CN 202110443080A CN 112967154 A CN112967154 A CN 112967154A
- Authority
- CN
- China
- Prior art keywords
- state
- well
- calculating
- index
- eens
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000009826 distribution Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 32
- 238000004364 calculation method Methods 0.000 claims abstract description 31
- 238000005070 sampling Methods 0.000 claims description 19
- 238000010248 power generation Methods 0.000 claims description 6
- 230000009467 reduction Effects 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 4
- 150000001875 compounds Chemical class 0.000 claims description 3
- 230000006870 function Effects 0.000 description 26
- 238000010586 diagram Methods 0.000 description 11
- 238000004590 computer program Methods 0.000 description 7
- 238000000342 Monte Carlo simulation Methods 0.000 description 5
- 238000005457 optimization Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 4
- 238000003860 storage Methods 0.000 description 3
- 238000004422 calculation algorithm Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000036541 health Effects 0.000 description 1
- 230000003862 health status Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000004576 sand Substances 0.000 description 1
Images
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
- 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
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力系统Well‑being的评估方法及装置,所述方法包括:迭代计算出针对风险指标PR的元件失效的最优分布参数vR;迭代计算出针对临界指标PM的元件失效的最优分布参数vM;设置权重α,计算综合最优分布参数v=α×vM+(1‑α)×vR;基于所述综合最优分布参数v抽取元件状态,计算出电力系统的Well‑being指标,完成电力系统的Well‑being评估。本发明通过采用综合最优分布参数进行元件状态抽样,保证了多指标均能满足收敛要求,进一步提高了电力系统Well‑being评估的计算效率。
Description
技术领域
本发明属于电力系统分析技术领域,具体涉及一种电力系统Well-being的评估方法及装置。
背景技术
加拿大著名学者Billinton于1994年提出了Well-being模型,该模型在电力系统概率评估的基础上,通过引入N-1准则将电力系统运行状态划分为健康、临界和风险三种状态。Well-being模型的建立,架起了确定性方法和概率性方法的桥梁,对电力系统的规划和运营具有重要意义。同概率评估方法相比,Well-being评估同样需要计算风险概率(probability of risk,PR)和期望缺供电量(expected energy not supplied,EENS),还需要通过N-1准则计算临界概率(probability of margin,PM)。蒙特卡洛模拟(montecarlo simulation,MCS)在电力系统Well-being评估中得到了较多应用,然而MCS存在计算精度与计算速度的矛盾,因此有必要研究基于改进MCS的电力系统Well-being评估方法。
方差减小技术能够有效的提高稀有事件的抽样概率,从而克服MCS收敛速度过慢的问题。在方差减小技术中,交叉熵算法(cross entropy method,CEM)能够根据目标指标的收敛特性计算合适的抽样概率密度函数,使目标指标出现的概率大幅增加,因此在电力系统可靠性评估中得到大量应用。然而,在将CEM应用到系统Well-being评估时,发现可能存在临界指标PM和风险指标PR收敛速度差异较大的现象,风险指标PR的收敛并不能保证临界指标PM也达到收敛要求。由此可见,有必要进一步研究适用于电力系统Well-being评估的改进交叉熵方法。
发明内容
针对上述问题,本发明提出一种电力系统Well-being的评估方法及装置,通过采用综合最优分布参数进行元件状态抽样,保证了多指标均能满足收敛要求,进一步提高了电力系统Well-being评估的计算效率。
为了实现上述技术目的,达到上述技术效果,本发明通过以下技术方案实现:
第一方面,本发明提供了一种电力系统Well-being的评估方法,包括:
迭代计算出针对风险指标PR的元件失效的最优分布参数vR;
迭代计算出针对临界指标PM的元件失效的最优分布参数vM;
设置权重α,计算综合最优分布参数v=α×vM+(1-α)×vR;
基于所述综合最优分布参数v抽取元件状态,计算出电力系统的Well-being指标,完成电力系统的Well-being评估。
可选地,所述最优分布参数vR的计算方法包括以下步骤:
步骤1-1,初始化参数:设置每次迭代的预抽样次数为n,系统元件最优失效分布参数为vR=u,u为元件实际失效分布参数,分位数为ρ,元件总数为N,j为元件索引(j=1,2,…,N),迭代次数上限为I;
步骤1-2,迭代次数初始化:iR=0;
步骤1-3,iR=iR+1;
步骤1-4,根据vR进行随机抽样,生成n组系统状态样本{Xk;k=1,2,…,n},其中Xk=[Xk(1),Xk(2),...,Xk(N)],Xk(j)表示第k个系统状态的第j个元件状态,对生成的系统状态样本Xk进行负荷削减分析,判断系统状态Xk是否存在切负荷;
步骤1-6:根据公式计算各系统状态对应的发电容量裕度序列G(Xk),式中NC为节点集合,l为节点索引(l=1,2,…,NC),PG总为系统状态Xk总发电容量,PD总为总负荷,为总切负荷量,其中Cl表示第l个节点切负荷量;
步骤1-7:将发电容量裕度序列G(Xk)按照从小到大的顺序进行排列,得到M=[M[1],M[2],…,M[n]],若M[ρn]>0,则阈值参数r=M[ρn];若M[ρn]≤0,则r=0,其中,ρn表示ρ与n相乘;
步骤1-8:获取指示函数HR(Xk):首先利用阈值参数r对G(Xk)进行修正得到G’(Xk):G’(Xk)=G(Xk)-r;其次,根据G’(Xk)得到相应的指示函数HR(Xk):若G’(Xk)>0,则HR(Xk)=0;若G’(Xk)≤0,则HR(Xk)=1;
步骤1-10:如果阈值参数r=0或iR=I,则输出vR;否则,返回步骤1-3。
可选地,所述最优分布参数vM的计算方法包括以下步骤:
步骤2-1:初始化参数:设置每次迭代的预抽样次数为n,系统元件最优失效分布参数为vM=u,u为元件实际失效分布参数,元件总数为N,j为元件索引(j=1,2,…,N),迭代次数上限为I;
步骤2-2:迭代次数初始化:iM=0;
步骤2-3:iM=iM+1;
步骤2-4:根据vM进行随机抽样,生成n组系统状态样本{Xk;k=1,2,…,n},其中Xk=[Xk(1),Xk(2),...,Xk(N)],Xk(j)表示第k个系统状态的第j个元件状态,对生成的系统状态样本Xk进行Well-being评估,判断系统状态Xk的所属状态类型:若系统状态Xk存在切负荷,则Xk为风险状态;若系统状态Xk不存在切负荷但不满足N-1准则,则Xk为临界状态;若系统状态Xk满足N-1准则,则Xk为健康状态;
步骤2-6:获取指示函数HM(Xk):若系统状态Xk为临界状态,则HM(Xk)=1;否则,HM(Xk)=0;
步骤2-8:如果iM=I,则输出vM;如果iM<I,则返回步骤2-3。
可选地,所述权重α的取值范围为[0.5,0.7]。
可选地,所述电力系统的Well-being指标的计算方法包括以下步骤:
步骤4-1,参数初始化:设置方差系数收敛条件βmax;
步骤4-2,抽样次数初始化:s=0;
步骤4-3,s=s+1;
步骤4-4,根据步骤3中得到的最优分布参数v生成系统状态Xs,判断系统状态类型;
步骤4-5,计算似然比W(Xs);
步骤4-6,计算Xs的Well-being指标指示函数并计算风险指标PR,临界指标PM,期望缺供电量EENS;
步骤4-7,计算PR,PM,EENS对应的方差系数βR,βM,βEENS;
步骤4-8,判断方差系数βR,βM,βEENS是否满足收敛条件:如果βR≤βmax且βM≤βmax且βEENS≤βmax,则输出Well-being指标;否则,返回步骤4-3。
可选地,所述步骤4-4中系统状态Xs的生成方式及状态类型判别方法为:生成N维的[0,1]区间随机数ζ与v进行比较确定系统元件状态Xs(j):对系统状态Xs进行Well-being评估,判断系统状态Xs的所属状态类型:若系统状态Xs存在切负荷,则Xs为风险状态;若系统状态Xs不存在切负荷但不满足N-1准则,则Xs为临界状态;若系统状态Xs满足N-1准则,则Xs为健康状态。
可选地,所述步骤4-5系统状态Xs的似然比W(Xs)计算方式为:
可选地,所述步骤4-6中,Well-being指标指示函数F(Xs)计算方式为:
如果Xs为健康状态,则FR(Xs)=0,FM(Xs)=0,FEENS(Xs)=0;
Well-being指标的计算公式为:
可选地,所述步骤4-7中,PR,PM,EENS对应的方差系数βR,βM,βEENS分别为:
式中,表示各指标对应指示函数的期望估计值,分别表示PR,PM,EENS对应指示函数的期望估计值;表示各指标对应指示函数期望估计值的方差,分别表示PR,PM,EENS对应指示函数期望估计值的方差;V(F)表示指标对应指示函数的方差,V(FR),V(FM),V(FEENS)分别表示PR,PM,EENS对应指示函数的方差。
第二方面,本发明提供了一种电力系统Well-being的评估装置,包括:
第一计算模块,用于迭代计算出针对风险指标PR的元件失效的最优分布参数vR;
第二计算模块,用于迭代计算出针对临界指标PM的元件失效的最优分布参数vM;
第三计算模块,用于设置权重α,计算综合最优分布参数v=α×vM+(1-α)×vR;
第四计算模块,用于基于所述综合最优分布参数v抽取元件状态,计算出电力系统的Well-being指标,完成电力系统的Well-being评估与现有技术相比,本发明的有益效果:
本发明通过分别计算PM和PR指标的最优分布参数,并引入权重系数进行修正计算,从而获取了兼顾PM和PR指标收敛特性的综合最优分布参数。与CEM相比,本发明通过采用综合最优分布参数进行元件状态抽样,保证了多指标均能满足收敛要求,进一步提高了电力系统Well-being评估的计算效率。
附图说明
为了使本发明的内容更容易被清楚地理解,下面根据具体实施例并结合附图,对本发明作进一步详细的说明,其中:
图1是一种电力系统Well-being的评估算法流程示意图。
图2是计算针对风险指标PR的元件失效的最优分布参数vR的流程示意图;
图3是计算针对临界指标PM的元件失效的最优分布参数vM的流程示意图;
图4是基于综合最优分布参数v抽取元件状态,计算系统Well-being指标的流程示意图。
具体实施方式
为了使本发明的目的、技术方案及优点更加清楚明白,以下结合实施例,对本发明进行进一步详细说明。应当理解,此处所描述的具体实施例仅仅用以解释本发明,并不用于限定本发明的保护范围。
下面结合附图对本发明的应用原理作详细的描述。
实施例1
如图1所示,本发明实施例中提供了一种电力系统Well-being的评估方法,该评估方法是一种多目标优化交叉熵方法(cross entropy method with multi-objectiveoptimization,CEM-MO),具体包括以下步骤:
步骤(1)迭代计算针对风险指标(probability of risk,PR)的元件失效的最优分布参数vR;
步骤(2)迭代计算针对临界指标(probability of margin,PM)的元件失效的最优分布参数vM;
步骤(3)设置权重α,计算综合最优分布参数v=α×vM+(1-α)×vR;
步骤(4)基于综合最优分布参数v抽取元件状态,计算系统Well-being指标,完成电力系统的well-being评估。
如图2所示,在本发明实施例的一种具体实施方式中,所述步骤(1)具体步骤包括:
步骤1-1:初始化参数:设置每次迭代的预抽样次数为n,系统元件最优失效分布参数为vR=u,u为元件实际失效分布参数,分位数为ρ,元件总数为N,j为元件索引(j=1,2,…,N),l为节点索引,迭代次数上限为I;
步骤1-2:迭代次数初始化:iR=0;
步骤1-3:iR=iR+1;
步骤1-4:根据vR进行随机抽样,生成n组系统状态样本{Xk;k=1,2,…,n},其中Xk=[Xk(1),Xk(2),...,Xk(N)],Xk(j)表示第k个系统状态的第j个元件状态;对生成的系统状态样本Xk进行负荷削减分析,判断系统状态Xk是否存在切负荷;
步骤1-6:根据式计算各系统状态对应的发电容量裕度序列G(Xk),式中NC为节点集合,l为节点索引(l=1,2,…,NC),PG总为系统状态Xk总发电容量,PD总为总负荷,为总切负荷量,其中Cl表示第l个节点切负荷量。
步骤1-7:将发电容量裕度序列G(Xk)按照从小到大的顺序进行排列,得到M=[M[1],M[2],…,M[n]],若M[ρn]>0,则阈值参数r=M[ρn];若M[ρn]≤0,则r=0;其中,ρn表示ρ与n相乘;
步骤1-8:获取指示函数HR(Xk):首先利用阈值参数r对G(Xk)进行修正得到G’(Xk):G’(Xk)=G(Xk)-r;其次,根据G’(Xk)得到相应的指示函数HR(Xk):若G’(Xk)>0,则HR(Xk)=0;若G’(Xk)≤0,则HR(Xk)=1;
步骤1-10:如果阈值参数r=0或iR=I,则输出vR;否则,返回步骤1-3。
如图3所示,在本发明实施例的一种具体实施方式中,所述步骤(2)具体步骤包括;
步骤2-1:初始化参数:设置每次迭代的预抽样次数为n,系统元件最优失效分布参数为vM=u,u为元件实际失效分布参数;元件总数为N,j为元件索引(j=1,2,…,N),迭代次数上限为I;
步骤2-2:迭代次数初始化:iM=0。
步骤2-3:iM=iM+1;
步骤2-4:根据vM进行随机抽样,生成n组系统状态样本{Xk;k=1,2,…,n},其中Xk=[Xk(1),Xk(2),...,Xk(N)],Xk(j)表示第k个系统状态的第j个元件状态,对生成的系统状态样本Xk进行Well-being评估,判断系统状态Xk的所属状态类型:若系统状态Xk存在切负荷,则Xk为风险状态;若系统状态Xk不存在切负荷但不满足N-1准则,则Xk为临界状态;若系统状态Xk满足N-1准则,则Xk为健康状态;
步骤2-6:获取指示函数HM(Xk):若系统状态Xk为临界状态,则HM(Xk)=1;否则,HM(Xk)=0;
步骤2-8:如果iM=I,则输出vM;如果iM<I,则返回步骤2-3。
在本发明实施例的一种具体实施方式中,所述步骤(3)中的权重α的取值范围为[0.5,0.7]。
如图4所示,在本发明实施例的一种具体实施方式中,所述步骤(4)具体步骤包括:
步骤4-1:参数初始化:设置方差系数收敛条件βmax;
步骤4-2:抽样次数初始化:s=0;
步骤4-3:s=s+1;
步骤4-4:根据步骤3中得到的v生成系统状态Xs,判断系统状态类型:生成N维的[0,1]区间随机数ζ与v进行比较确定系统元件状态Xs(j):对系统状态Xs进行Well-being评估,判断系统状态Xs的所属状态类型:若系统状态Xs存在切负荷,则Xs为风险状态;若系统状态Xs不存在切负荷但不满足N-1准则,则Xs为临界状态;若系统状态Xs满足N-1准则,则Xs为健康状态;
步骤4-5:计算系统状态Xs的似然比W(Xs):
步骤4-6:计算Xs的Well-being指标指示函数F(Xs)并计算指标:如果Xs为风险状态,则FR(Xs)=W(Xs),FM(Xs)=0,如果Xs为临界状态,则FR(Xs)=0,FM(Xs)=W(Xs),FEENS(Xs)=0;如果Xs为健康状态,则FR(Xs)=0,FM(Xs)=0,FEENS(Xs)=0;Well-being指标的计算公式为:
步骤4-7:计算PR,PM,EENS对应的方差系数βR,βM,βEENS:
式中,表示各指标对应指示函数的期望估计值,分别表示PR,PM,EENS对应指示函数的期望估计值;分别表示各指标对应指示函数期望估计值的方差,分别表示PR,PM,EENS对应指示函数期望估计值的方差;V(F)表示各指标指示函数的方差,V(FR),V(FM),V(FEENS)分别表示PR,PM,EENS对应指示函数的方差;
步骤4-8:判断方差系数βR,βM,βEENS是否满足收敛条件:如果βR≤βmax且βM≤βmax且βEENS≤βmax,则输出Well-being指标;否则,返回步骤4-3。
实施例2
基于与实施例1相同的发明构思,本发明实施例中提供了一种电力系统Well-being的评估装置,其特征在于,包括:
第一计算模块,用于迭代计算出针对风险指标PR的元件失效的最优分布参数vR;
第二计算模块,用于迭代计算出针对临界指标PM的元件失效的最优分布参数vM;
第三计算模块,用于设置权重α,计算综合最优分布参数v=α×vM+(1-α)×vR;
第四计算模块,用于基于所述综合最优分布参数v抽取元件状态,计算出电力系统的Well-being指标,完成电力系统的Well-being评估。
其余部分均与实施例1相同。
综上可见,本发明提供的一种电力系统Well-being的评估方法即为多目标优化交叉熵方法(cross entropy method with multi-objective optimization,CEM-MO),该方法将CEM单目标寻优扩展为多目标寻优,分别以独立的寻优过程计算风险指标PR的最优分布参数和临界指标PM的最优分布参数,然后引入权重系数进行修正计算得到兼顾多指标收敛特性的综合最优分布参数,最后基于所获得的综合最优分布参数进行系统状态抽样并计算Well-being指标。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
以上结合附图对本发明的实施例进行了描述,但是本发明并不局限于上述的具体实施方式,上述的具体实施方式仅仅是示意性的,而不是限制性的,本领域的普通技术人员在本发明的启示下,在不脱离本发明宗旨和权利要求所保护的范围情况下,还可做出很多形式,这些均属于本发明的保护之内。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解,本发明不受上述实施例的限制,上述实施例和说明书中描述的只是说明本发明的原理,在不脱离本发明精神和范围的前提下,本发明还会有各种变化和改进,这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (10)
1.一种电力系统Well-being的评估方法,其特征在于,包括:
迭代计算出针对风险指标PR的元件失效的最优分布参数vR;
迭代计算出针对临界指标PM的元件失效的最优分布参数vM;
设置权重α,计算综合最优分布参数v=α×vM+(1-α)×vR;
基于所述综合最优分布参数v抽取元件状态,计算出电力系统的Well-being指标,完成电力系统的Well-being评估。
2.根据权利要求1所述的一种电力系统Well-being的评估方法,其特征在于,所述最优分布参数vR的计算方法包括以下步骤:
步骤1-1,初始化参数:设置每次迭代的预抽样次数为n,系统元件最优失效分布参数为vR=u,u为元件实际失效分布参数,分位数为ρ,元件总数为N,j为元件索引(j=1,2,…,N),迭代次数上限为I;
步骤1-2,迭代次数初始化:iR=0;
步骤1-3,iR=iR+1;
步骤1-4,根据vR进行随机抽样,生成n组系统状态样本{Xk;k=1,2,…,n},其中Xk=[Xk(1),Xk(2),...,Xk(N)],Xk(j)表示第k个系统状态的第j个元件状态,对生成的系统状态样本Xk进行负荷削减分析,判断系统状态Xk是否存在切负荷;
步骤1-6:根据公式计算各系统状态对应的发电容量裕度序列G(Xk),式中NC为节点集合,l为节点索引(l=1,2,…,NC),PG总为系统状态Xk总发电容量,PD总为总负荷,为总切负荷量,其中Cl表示第l个节点切负荷量;
步骤1-7:将发电容量裕度序列G(Xk)按照从小到大的顺序进行排列,得到M=[M[1],M[2],…,M[n]],若M[ρn]>0,则阈值参数r=M[ρn];若M[ρn]≤0,则r=0,其中,ρn表示ρ与n相乘;
步骤1-8:获取指示函数HR(Xk):首先利用阈值参数r对G(Xk)进行修正得到G’(Xk):G’(Xk)=G(Xk)-r;其次,根据G’(Xk)得到相应的指示函数HR(Xk):若G’(Xk)>0,则HR(Xk)=0;
若G’(Xk)≤0,则HR(Xk)=1;
步骤1-10:如果阈值参数r=0或iR=I,则输出vR;否则,返回步骤1-3。
3.根据权利要求1所述的一种电力系统Well-being的评估方法,其特征在于:所述最优分布参数vM的计算方法包括以下步骤:
步骤2-1:初始化参数:设置每次迭代的预抽样次数为n,系统元件最优失效分布参数为vM=u,u为元件实际失效分布参数,元件总数为N,j为元件索引(j=1,2,…,N),迭代次数上限为I;
步骤2-2:迭代次数初始化:iM=0;
步骤2-3:iM=iM+1;
步骤2-4:根据vM进行随机抽样,生成n组系统状态样本{Xk;k=1,2,…,n},其中Xk=[Xk(1),Xk(2),...,Xk(N)],Xk(j)表示第k个系统状态的第j个元件状态,对生成的系统状态样本Xk进行Well-being评估,判断系统状态Xk的所属状态类型:若系统状态Xk存在切负荷,则Xk为风险状态;若系统状态Xk不存在切负荷但不满足N-1准则,则Xk为临界状态;若系统状态Xk满足N-1准则,则Xk为健康状态;
步骤2-6:获取指示函数HM(Xk):若系统状态Xk为临界状态,则HM(Xk)=1;否则,HM(Xk)=0;
步骤2-8:如果iM=I,则输出vM;如果iM<I,则返回步骤2-3。
4.根据权利要求1所述的一种电力系统Well-being的评估方法,其特征在于:所述权重α的取值范围为[0.5,0.7]。
5.根据权利要求1所述的一种电力系统Well-being的评估方法,其特征在于:所述电力系统的Well-being指标的计算方法包括以下步骤:
步骤4-1,参数初始化:设置方差系数收敛条件βmax;
步骤4-2,抽样次数初始化:s=0;
步骤4-3,s=s+1;
步骤4-4,根据步骤3中得到的最优分布参数v生成系统状态Xs,判断系统状态类型;
步骤4-5,计算似然比W(Xs);
步骤4-6,计算Xs的Well-being指标指示函数并计算风险指标PR,临界指标PM,期望缺供电量EENS;
步骤4-7,计算PR,PM,EENS对应的方差系数βR,βM,βEENS;
步骤4-8,判断方差系数βR,βM,βEENS是否满足收敛条件:如果βR≤βmax且βM≤βmax且βEENS≤βmax,则输出Well-being指标;否则,返回步骤4-3。
10.一种电力系统Well-being的评估装置,其特征在于,包括:
第一计算模块,用于迭代计算出针对风险指标PR的元件失效的最优分布参数vR;
第二计算模块,用于迭代计算出针对临界指标PM的元件失效的最优分布参数vM;
第三计算模块,用于设置权重α,计算综合最优分布参数v=α×vM+(1-α)×vR;
第四计算模块,用于基于所述综合最优分布参数v抽取元件状态,计算出电力系统的Well-being指标,完成电力系统的Well-being评估。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443080.8A CN112967154B (zh) | 2021-04-23 | 2021-04-23 | 一种电力系统Well-being的评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110443080.8A CN112967154B (zh) | 2021-04-23 | 2021-04-23 | 一种电力系统Well-being的评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112967154A true CN112967154A (zh) | 2021-06-15 |
CN112967154B CN112967154B (zh) | 2024-05-28 |
Family
ID=76281189
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110443080.8A Active CN112967154B (zh) | 2021-04-23 | 2021-04-23 | 一种电力系统Well-being的评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112967154B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239999A (zh) * | 2021-12-30 | 2022-03-25 | 重庆大学 | 基于交叉熵重要抽样的元件可靠性参数优化解析方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968864A (zh) * | 2010-11-17 | 2011-02-09 | 山东电力研究院 | 以电力系统运行可靠性为中心的设备重要性评价方法 |
CN104332996A (zh) * | 2014-11-18 | 2015-02-04 | 国家电网公司 | 一种评估电力系统可靠性的方法 |
CN105207211A (zh) * | 2015-10-20 | 2015-12-30 | 河海大学 | 一种风储混合电力系统充裕度评估方法 |
CN106874607A (zh) * | 2017-02-23 | 2017-06-20 | 华北电力大学 | 基于多层级变权理论的电网自组织临界态定量评估方法 |
CN106934242A (zh) * | 2017-03-16 | 2017-07-07 | 杭州安脉盛智能技术有限公司 | 基于交叉熵法的多模式下设备的健康度评估方法及系统 |
CN109102132A (zh) * | 2017-06-20 | 2018-12-28 | 中国电力科学研究院 | 一种基于概率论的微电网脆弱性评估方法及装置 |
CN109214708A (zh) * | 2018-10-08 | 2019-01-15 | 国网甘肃省电力公司电力科学研究院 | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 |
CN109472428A (zh) * | 2018-01-24 | 2019-03-15 | 国网浙江省电力公司湖州供电公司 | 一种基于损失期望法的配电网运行风险评估方法 |
CN110046365A (zh) * | 2018-01-16 | 2019-07-23 | 复旦大学 | 一种基于非高斯采样的sram电路良率分析方法 |
CN110334817A (zh) * | 2019-03-20 | 2019-10-15 | 华北电力大学 | 一种继电保护维修性评估指标体系及评估方法 |
CN110429648A (zh) * | 2019-08-12 | 2019-11-08 | 南京理工大学 | 考虑风速随机波动的小干扰稳定裕度概率评估方法 |
CN111160772A (zh) * | 2019-12-30 | 2020-05-15 | 苏州电力设计研究院有限公司 | 一种大电网风险快速评估方法 |
CN111241479A (zh) * | 2020-01-10 | 2020-06-05 | 河海大学 | 基于交叉熵及客观熵权法的电-热互联综合能源系统风险评估方法 |
CN112632794A (zh) * | 2020-12-30 | 2021-04-09 | 苏州电力设计研究院有限公司 | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 |
US20210109959A1 (en) * | 2019-10-10 | 2021-04-15 | International Business Machines Corporation | Automatic keyphrase extraction from text using the cross-entropy method |
-
2021
- 2021-04-23 CN CN202110443080.8A patent/CN112967154B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101968864A (zh) * | 2010-11-17 | 2011-02-09 | 山东电力研究院 | 以电力系统运行可靠性为中心的设备重要性评价方法 |
CN104332996A (zh) * | 2014-11-18 | 2015-02-04 | 国家电网公司 | 一种评估电力系统可靠性的方法 |
CN105207211A (zh) * | 2015-10-20 | 2015-12-30 | 河海大学 | 一种风储混合电力系统充裕度评估方法 |
CN106874607A (zh) * | 2017-02-23 | 2017-06-20 | 华北电力大学 | 基于多层级变权理论的电网自组织临界态定量评估方法 |
CN106934242A (zh) * | 2017-03-16 | 2017-07-07 | 杭州安脉盛智能技术有限公司 | 基于交叉熵法的多模式下设备的健康度评估方法及系统 |
CN109102132A (zh) * | 2017-06-20 | 2018-12-28 | 中国电力科学研究院 | 一种基于概率论的微电网脆弱性评估方法及装置 |
CN110046365A (zh) * | 2018-01-16 | 2019-07-23 | 复旦大学 | 一种基于非高斯采样的sram电路良率分析方法 |
CN109472428A (zh) * | 2018-01-24 | 2019-03-15 | 国网浙江省电力公司湖州供电公司 | 一种基于损失期望法的配电网运行风险评估方法 |
CN109214708A (zh) * | 2018-10-08 | 2019-01-15 | 国网甘肃省电力公司电力科学研究院 | 基于交叉熵理论优化支持向量机的电力系统风险评估方法 |
CN110334817A (zh) * | 2019-03-20 | 2019-10-15 | 华北电力大学 | 一种继电保护维修性评估指标体系及评估方法 |
CN110429648A (zh) * | 2019-08-12 | 2019-11-08 | 南京理工大学 | 考虑风速随机波动的小干扰稳定裕度概率评估方法 |
US20210109959A1 (en) * | 2019-10-10 | 2021-04-15 | International Business Machines Corporation | Automatic keyphrase extraction from text using the cross-entropy method |
CN111160772A (zh) * | 2019-12-30 | 2020-05-15 | 苏州电力设计研究院有限公司 | 一种大电网风险快速评估方法 |
CN111241479A (zh) * | 2020-01-10 | 2020-06-05 | 河海大学 | 基于交叉熵及客观熵权法的电-热互联综合能源系统风险评估方法 |
CN112632794A (zh) * | 2020-12-30 | 2021-04-09 | 苏州电力设计研究院有限公司 | 基于交叉熵参数子集模拟优化的电网可靠性评估方法 |
Non-Patent Citations (5)
Title |
---|
何伟;陈凡;缪晗;侯继海;张子恒;何天豪;: "电力系统充裕度评估中的交叉熵蒙特卡洛方法", 电力学报, no. 03, pages 235 - 245 * |
杨杰明;李兆成;郭彤;: "改进的蒙特卡洛算法在变电站风险评估中的应用", 黑龙江电力, no. 05, pages 423 - 426 * |
王少伟;罗萍萍;: "基于混合模型和交叉熵重要性抽样的发电系统可靠性评估", 电测与仪表, no. 03, pages 35 - 41 * |
王景辰;李孝全;杨洋;刘进;孙安全;王君;: "基于交叉熵的蒙特卡洛法在发电系统充裕度评估中的应用", 电力系统保护与控制, no. 20, pages 75 - 79 * |
陈凡等: "适用于发电系统Well-being评估的改进交叉熵方法", 《电力系统及其自动化学报》, pages 68 - 76 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114239999A (zh) * | 2021-12-30 | 2022-03-25 | 重庆大学 | 基于交叉熵重要抽样的元件可靠性参数优化解析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112967154B (zh) | 2024-05-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107591800B (zh) | 基于场景分析的含分布式电源配电网运行状态预测方法 | |
CN107391385B (zh) | 一种软件测试用例生成技术的构建方法 | |
CN108804334B (zh) | 一种基于自适应抽样的离散型软件可靠性增长测试与评估方法 | |
CN109599866B (zh) | 一种预测辅助的电力系统状态估计方法 | |
Hong et al. | Pathwise estimation of probability sensitivities through terminating or steady-state simulations | |
CN112967154A (zh) | 一种电力系统Well-being的评估方法及装置 | |
CN106056305A (zh) | 一种基于状态聚类的发电系统可靠性快速评估方法 | |
CN112332420B (zh) | 电力系统风险评估中的分层负荷削减量确定装置及方法 | |
CN110991741A (zh) | 一种基于深度学习的断面约束概率预警方法及系统 | |
Steiger et al. | ASAP2: An improved batch means procedure for simulation output analysis | |
CN113484818B (zh) | 基于滑动窗口的抗高频采集异常电能表精准定位方法 | |
CN106529805B (zh) | 一种基于发电机重要度的发电系统可靠性评估方法 | |
CN113807019A (zh) | 基于改进场景分类和去粗粒化的mcmc风电模拟方法 | |
Ulloa et al. | The extended kalman filter in the dynamic state estimation of electrical power systems | |
CN112600208A (zh) | 一种区域分布式能源系统的多能流潮流计算方法及系统 | |
CN109390946B (zh) | 一种基于多参数规划理论的最优概率潮流快速计算方法 | |
CN112667957A (zh) | 一种基于深度神经网络的智能电能表失效率预测方法 | |
CN111626472A (zh) | 一种基于深度混合云模型的场景趋势判断指标计算系统及方法 | |
CN110969340A (zh) | 一种确定智能电能表质量技术基础能力的方法和系统 | |
Dhulipala et al. | Bayesian Inference with Latent Hamiltonian Neural Networks | |
Petryshyn | Modeling of the TIF processes in binary numeral systems based on the vector-branching diagrams | |
CN112653131B (zh) | 暂态电压安全稳定裕度估算方法、装置及系统 | |
CN113343407B (zh) | 一种大规模储能电池等效优化方法及系统 | |
CN112085459B (zh) | 一种风电项目投资估算方法及装置 | |
Patki et al. | Application of MCMC in failure sampling |
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 |