CN112989129A - 一种基于图论的输电网重点感知断面识别方法及系统 - Google Patents

一种基于图论的输电网重点感知断面识别方法及系统 Download PDF

Info

Publication number
CN112989129A
CN112989129A CN202110290564.3A CN202110290564A CN112989129A CN 112989129 A CN112989129 A CN 112989129A CN 202110290564 A CN202110290564 A CN 202110290564A CN 112989129 A CN112989129 A CN 112989129A
Authority
CN
China
Prior art keywords
module
section
power transmission
line
equal
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
Application number
CN202110290564.3A
Other languages
English (en)
Other versions
CN112989129B (zh
Inventor
王紫琪
罗劲瑭
谷松林
辛培哲
张祥龙
陈炜
申洪明
刘颖
王玉东
曾鉴
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.)
State Grid Corp of China SGCC
State Grid Economic and Technological Research Institute
Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
State Grid Economic and Technological Research Institute
Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd
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 State Grid Corp of China SGCC, State Grid Economic and Technological Research Institute, Economic and Technological Research Institute of State Grid Sichuan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202110290564.3A priority Critical patent/CN112989129B/zh
Priority claimed from CN202110290564.3A external-priority patent/CN112989129B/zh
Publication of CN112989129A publication Critical patent/CN112989129A/zh
Application granted granted Critical
Publication of CN112989129B publication Critical patent/CN112989129B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/90Details of database functions independent of the retrieved data types
    • G06F16/901Indexing; Data structures therefor; Storage structures
    • G06F16/9024Graphs; Linked lists
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06FELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10Complex mathematical operations
    • G06F17/16Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Mathematical Physics (AREA)
  • Business, Economics & Management (AREA)
  • Databases & Information Systems (AREA)
  • Data Mining & Analysis (AREA)
  • Health & Medical Sciences (AREA)
  • Pure & Applied Mathematics (AREA)
  • Economics (AREA)
  • Mathematical Optimization (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Analysis (AREA)
  • Public Health (AREA)
  • Computing Systems (AREA)
  • Algebra (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Primary Health Care (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及一种基于图论的输电网重点感知断面识别方法及系统,其包括:将电网结构抽象为拓扑结构图,得到关联矩阵F;选取断面重点感知初始线路,并组成集合S;基于关联矩阵F和集合S对重点感知断面进行识别,得到断面识别结果集合Hx;对断面识别结果集合Hx中的断面输电线路进行筛选及排序,得到输电网重点感知断面。本发明能准确辨识输电网中的重点感知断面,可以广泛在输电断面识别及监测技术领域中应用。

Description

一种基于图论的输电网重点感知断面识别方法及系统
技术领域
本发明涉及一种输电断面识别及监测技术领域,特别是关于一种基于图论的输电网重点感知断面识别方法及系统。
背景技术
随着电网规模化及整体化的逐步发展,区域间电网互联逐渐增强,大规模电力系统逐步形成,电力系统的结构和运行方式越来越复杂。电力系统的复杂性直接威胁着系统的安全稳定运行,某些局部扰动就可能导致电力系统大停电事故的发生。专家学者对大停电事故开展广泛研究,研究表明,大停电事故通常由运行在接近极限边缘的输电网络,因若干低概率事故(如检修期间发生局部故障等)引发的连锁性事件引起的。且在事故发展最初阶段,连锁性事件往往发生在同一组输电断面内。准确识别电力系统中的关键输电断面,并对相关断面进行重点监控、实时感知,可及时了解断面线路的运行状况,并在事故发生后有效降低故障情况分析时间,保证后续一系列紧急措施的有效进行,避免事故的发展、蔓延。
输电断面为在基态潮流下,有功功率方向相同且电气距离相近的一组输电线路集合,其往往为电网的最小割集,且构成断面的支路联系紧密,相互之间开断灵敏度较大。当前,输电网中的重点感知断面识别方法主要包括聚类方法、潮流转移因子类识别方法、拓扑识别方法。聚类方法主要基于线路功率介数、线路功率构成等相关因素进行线路聚类,计算得到送受(电源/负荷)区相同、功率组成相似、电气联系紧密的线路,将其作为输电断面;潮流转移因子类识别方法,通过分析输电网络中支路切除后的潮流转移分配情况,寻找回路中潮流变化较大的支路,构成一组输电断面集合;拓扑识别方法将输电网抽象为网络拓扑结构,并基于系统拓扑模型,确定关联紧密的输电线路组。当前,输电网重点感知断面识别过程中,断面线路多选及遗漏问题矛盾突出,断面实时感知实现难度较大。
发明内容
针对上述问题,本发明的目的是提供一种基于图论的输电网重点感知断面识别方法及系统,其能准确辨识输电网中的重点感知断面。
为实现上述目的,本发明采取以下技术方案:一种基于图论的输电网重点感知断面识别方法,其包括:步骤1、将电网结构抽象为拓扑结构图,得到关联矩阵F;步骤2、选取断面重点感知初始线路,并组成集合S;步骤3、基于关联矩阵F和集合S对重点感知断面进行识别,得到断面识别结果集合Hx;步骤4、对断面识别结果集合Hx中的断面输电线路进行筛选及排序,得到输电网重点感知断面。
进一步,所述步骤1中,采用图论方法,将电网结构抽象为拓扑结构图G(V,E);V为网络节点集合,V={v1,v2,v3...va},v1,v2,v3...va表示a个电网节点;E为边集合,E={e1,e2...eb},e1,e2...eb表示b条输电线路。
进一步,将所述拓扑结构图G(V,E)中的节点与边的连接关系定义为关联矩阵F,所述关联矩阵F中的元素Fij为:
Figure BDA0002982370950000021
进一步,所述步骤2中,选择大区联络线及重载线路作为重点感知初始线路,将选取的初始线路组成集合S,S={s1,s2...sm},s1,s2...sm表示m条初始线路。
进一步,所述步骤3中,识别方法包括以下步骤:
步骤31、初始化变量x、n,令x=n=1;
步骤32、提取初始线路集合S中第x条线路sx,将sx作为初始线路进行断面搜索;
步骤33、基于关联矩阵F,搜索与线路sx相连的首末节点vp和vq,并删除x所在列元素;
步骤34、提取关联矩阵F中任意n列元素,进行二进制列求和,得到
Figure BDA0002982370950000022
个列向量;
步骤35、在
Figure BDA0002982370950000023
个列向量中,判断是否存在p行、q行元素值为1,其他行元素值为0的列;
步骤36、令n=n+1,判断n是否大于等于b:若n≥b,则进入步骤37;若n<b,返回步骤34;
步骤37、令x=x+1,判断x是否大于等于m+1:若x≥m+1,计算停止;若x<m+1,返回步骤32,完成识别。
进一步,所述步骤35中,如果存在,则将相应的n列对应线路,以线路组形式保存至断面识别结果集合Hx中,并进入步骤36;如果不存在,则直接进入步骤36。
进一步,所述步骤4中,筛选方法为:对断面识别结果集合Hx中的各条重复线路进行筛选;对于n条线路构成的线路组,判断其是否覆盖某一个或多个n-1、n-2....1条线路构成的线路组,如果覆盖,则删除该线路组。
进一步,所述步骤4中,排序方法为:对筛选后的断面识别结果集合Hx进行排序;对于n条线路构成的线路组,其内部各元素权重值为1/n,将处于不同线路组内的相同线路权重值相加,作为线路最终权重;选取权重值最大的线路,将其中线路纳入x所在断面,直至达到该断面监测点上限。
一种基于图论的输电网重点感知断面识别系统,其包括:抽象模块、断面选取模块、识别模块和筛选排序模块;
所述抽象模块,将电网结构抽象为拓扑结构图,得到关联矩阵F;
所述断面选取模块,选取断面重点感知初始线路,并组成集合S;
所述识别模块,基于关联矩阵F和集合S对重点感知断面进行识别,得到断面识别结果集合Hx
所述筛选排序模块,对断面识别结果集合Hx中的断面输电线路进行筛选及排序,得到输电网重点感知断面。
进一步,所述识别模块中,包括:初始化模块、搜索模块、删除模块、求和模块、第一判断模块、第二判断模块和第三判断模块;
所述初始化模块,初始化变量x、n,令x=n=1;
所述搜索模块,提取初始线路集合S中第x条线路sx,将sx作为初始线路进行断面搜索;
所述删除模块,基于关联矩阵F,搜索与线路sx相连的首末节点vp和vq,并删除x所在列元素;
所述求和模块,提取关联矩阵F中任意n列元素,进行二进制列求和,得到
Figure BDA0002982370950000031
个列向量;
所述第一判断模块,在
Figure BDA0002982370950000032
个列向量中,判断是否存在p行、q行元素值为1,其他行元素值为0的列;
所述第二判断模块,令n=n+1,判断n是否大于等于b:若n≥b,则进入所述第三判断模块;若n<b,返回所述求和模块;
所述第三判断模块,令x=x+1,判断x是否大于等于m+1:若x≥m+1,计算停止;若x<m+1,返回所述搜索模块,完成识别。
本发明由于采取以上技术方案,其具有以下优点:
1、本发明采用图论方法进行输电网重点感知断面识别,仅采用矩阵处理方法即可得到需重点感知的断面线路,无需引入电气量,方法直观简单。
2、本发明可对系统进行整体分析,并实现多组重点感知断面的批处理,实用性强。
附图说明
图1是本发明实施例中的方法流程示意图;
图2是本发明实施例中的15节点系统结构示意图;
图3是本发明实施例中的15节点系统拓扑结构图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例的附图,对本发明实施例的技术方案进行清楚、完整地描述。显然,所描述的实施例是本发明的一部分实施例,而不是全部的实施例。基于所描述的本发明的实施例,本领域普通技术人员所获得的所有其他实施例,都属于本发明保护的范围。
在本发明的第一实施方式中,提供一种基于图论的输电网重点感知断面识别方法,其包括以下步骤:
步骤1、将电网结构抽象为拓扑结构图,得到关联矩阵F;
在本实施例中,采用图论方法,将电网结构抽象为拓扑结构图G(V,E)。图论可以将复杂的网络抽象为节点、边的集合,并建立针对该网络的拓扑图及矩阵;通过矩阵描述节点与节点、节点与边之间的连接关系。其中,V为网络节点集合,V={v1,v2,v3...va},v1,v2,v3...va表示a个电网节点;E为边集合,E={e1,e2...eb},e1,e2...eb表示b条输电线路。
将拓扑结构图G(V,E)中的节点与边的连接关系定义为关联矩阵F,关联矩阵F中的元素Fij可表示为:
Figure BDA0002982370950000041
步骤2、选取断面重点感知初始线路,并组成集合S。
具体为:选择大区联络线及重载线路作为重点感知初始线路,其中重载线路选择正常运行情况下,电流达到额定值95%及以上线路。将选取的初始线路组成集合S,S={s1,s2...sm},s1,s2...sm表示m条初始线路。
步骤3、基于关联矩阵F和集合S对重点感知断面进行识别,得到断面识别结果集合Hx
在本实施例中,如图1所示,识别方法包括以下步骤:
步骤31、初始化变量x、n,令x=n=1。
步骤32、提取初始线路集合S中第x条线路sx,将sx作为初始线路进行断面搜索。
步骤33、基于关联矩阵F,搜索与线路sx相连的首末节点vp和vq,并删除x所在列元素。
步骤34、提取关联矩阵F中任意n列元素,进行二进制列求和,得到
Figure BDA0002982370950000042
个列向量;
优选的,求和法则为逢二进0。
步骤35、在
Figure BDA0002982370950000051
个列向量中,判断是否存在p行、q行元素值为1,其他行元素值为0的列;
具体为:如果存在,则将相应的n列对应线路,以线路组形式保存至断面识别结果集合Hx中,并进入步骤36;如果不存在,则直接进入步骤36。
步骤36、令n=n+1,判断n是否大于等于b:若n≥b,则进入步骤37;若n<b,返回步骤34。
步骤37、令x=x+1,判断x是否大于等于m+1:若x≥m+1,计算停止;若x<m+1,返回步骤32,完成识别。
步骤4、对断面识别结果集合Hx中的断面输电线路进行筛选及排序,得到输电网重点感知断面;
筛选方法为:对断面识别结果集合Hx中的各条重复线路进行筛选。对于n条线路构成的线路组,判断其是否覆盖某一个或多个n-1、n-2....1条线路构成的线路组,如果覆盖,则删除该线路组。如:线路组{e1 e2 e3 e4}覆盖线路组{e1 e2 e3},可删除线路组{e1 e2 e3e4}。
排序方法为:对筛选后的断面识别结果集合Hx进行排序。对于n条线路构成的线路组,其内部各元素权重值为1/n,将处于不同线路组内的相同线路权重值相加,作为线路最终权重。优先选取权重值最大的线路,将其中线路纳入x所在断面,直至达到该断面监测点上限。
经筛选和排序处理后的各组断面线路,即为输电网重点感知断面。
在本发明的第二实施方式中,提供一种基于图论的输电网重点感知断面识别系统,其包括:抽象模块、断面选取模块、识别模块和筛选排序模块;
抽象模块,将电网结构抽象为拓扑结构图,得到关联矩阵F;
断面选取模块,选取断面重点感知初始线路,并组成集合S。
识别模块,基于关联矩阵F和集合S对重点感知断面进行识别,得到断面识别结果集合Hx
筛选排序模块,对断面识别结果集合Hx中的断面输电线路进行筛选及排序,得到输电网重点感知断面。
上述实施例中,在识别模块中,包括初始化模块、搜索模块、删除模块、求和模块、第一判断模块、第二判断模块和第三判断模块;
初始化模块,初始化变量x、n,令x=n=1;
搜索模块,提取初始线路集合S中第x条线路sx,将sx作为初始线路进行断面搜索;
删除模块,基于关联矩阵F,搜索与线路sx相连的首末节点vp和vq,并删除x所在列元素;
求和模块,提取关联矩阵F中任意n列元素,进行二进制列求和,得到
Figure BDA0002982370950000062
个列向量;
第一判断模块,在
Figure BDA0002982370950000063
个列向量中,判断是否存在p行、q行元素值为1,其他行元素值为0的列;
第二判断模块,令n=n+1,判断n是否大于等于b:若n≥b,则进入第三判断模块;若n<b,返回求和模块;
第三判断模块,令x=x+1,判断x是否大于等于m+1:若x≥m+1,计算停止;若x<m+1,返回搜索模块,完成识别。
实施例:
通过将该识别方法应用到如图2所示的电力系统中对本发明进行详细的介绍。
步骤1、将图2所示系统抽象为节点、边的拓扑图,如图3所示,并建立相应的关联矩阵如下:
Figure BDA0002982370950000061
步骤2、选取断面初始线路,各线路负载率(本发明取实际运行电流与电流额定值比值)如表1所示;
表1线路负载率
Figure BDA0002982370950000071
图2中系统从区域电网中抽取,不包含大区联络线。重载线路为e4、e10和e18。选取上述三条线路作为初始线路。初始线路组成集合S,S={s1,s2,s3},其中s1对应线路e4,s2对应线路e10,s3对应线路e18
步骤3、在初始线路e4、e10、e18的基础上,进行重点感知断面识别。
步骤31、初始化变量x、n,令x=n=1。
步骤32、提取初始线路集合S中线路s1,将s1作为初始线路进行断面搜索。
步骤33、基于关联矩阵F,搜索s1即线路e4相连的首末节点v2和v6,删除e4所在列元素,即关联矩阵F中的方框内部分元素:
Figure BDA0002982370950000072
步骤34、提取矩阵F中1列元素,无2行、6行元素值为1,其他行元素值为0的列;令n=n+1=2,提取F中任意2列元素进行二进制求和,无2行、6行元素值为1,其他行元素值为0的和列;令n=n+1=3,提取F中任意3列元素进行二进制求和,其中e2、e5、e8相加结果如下:
Figure BDA0002982370950000081
第2行和第6行元素值为1,其他行元素值为0,将e2、e5、e8以线路组形式保存至断面识别结果集合H4中;令n=n+1=4,提取F中任意4列元素进行二进制求和....重复上述过程,直至n=17+1=18=b。H1最终包含集合为:({e2,e5,e8}{e1,e3,e6,e7}{e2,e5,e8,e10,e11,e12}{e2,e5,e8,e13,e15,e16,e17,e18}{e1,e3,e6,e7,e10,e11,e12}{e1,e3,e6,e7,e13,e15,e16,e17,e18})
步骤35、令x=x+1=2,搜索s2即线路e10的断面识别结果集合H2同步骤33、34;x=x+1=3,搜索s3即线路e18的断面识别结果集合H3同步骤33、34。
步骤4、对断面识别结果集合H1、H2、H3中进行线路组筛选和线路排序。
H1中线路组{e2,e5,e8,e10,e11,e12}{e2,e5,e8,e13,e15,e16,e17,e18}{e1,e3,e6,e7,e10,e11,e12}{e1,e3,e6,e7,e13,e15,e16,e17,e18}分别完全包含{e2,e5,e8}{e1,e3,e6,e7},可删除相应线路组,删除后识别结果为{e2,e5,e8}{e1,e3,e6,e7}。对断面识别结果进行排序,设同组断面监测线路条数上限为8。优先选取线路e2、e5、e8,再次选取e1、e3、e6、e7纳入线路e4所在断面集合,即该组断面组成为:(e1、e2、e3、e4、e5、e6、e7、e8)。
对H2进行筛选和线路排序,得到断面组成为:(e10、e11、e12)。
对H2进行筛选和线路排序,得到断面组成为:(e13、e15、e16、e17、e18)。
经本发明,识别重点感知断面3组,断面组成线路如下:(e1、e2、e3、e4、e5、e6、e7、e8)(e10、e11、e12)(e13、e15、e16、e17、e18)。
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。

Claims (10)

1.一种基于图论的输电网重点感知断面识别方法,其特征在于,包括:
步骤1、将电网结构抽象为拓扑结构图,得到关联矩阵F;
步骤2、选取断面重点感知初始线路,并组成集合S;
步骤3、基于关联矩阵F和集合S对重点感知断面进行识别,得到断面识别结果集合Hx
步骤4、对断面识别结果集合Hx中的断面输电线路进行筛选及排序,得到输电网重点感知断面。
2.如权利要求1所述基于图论的输电网重点感知断面识别方法,其特征在于,所述步骤1中,采用图论方法,将电网结构抽象为拓扑结构图G(V,E);V为网络节点集合,V={v1,v2,v3...va},v1,v2,v3...va表示a个电网节点;E为边集合,E={e1,e2...eb},e1,e2...eb表示b条输电线路。
3.如权利要求2所述基于图论的输电网重点感知断面识别方法,其特征在于,将所述拓扑结构图G(V,E)中的节点与边的连接关系定义为关联矩阵F,所述关联矩阵F中的元素Fij为:
Figure FDA0002982370940000011
4.如权利要求1所述基于图论的输电网重点感知断面识别方法,其特征在于,所述步骤2中,选择大区联络线及重载线路作为重点感知初始线路,将选取的初始线路组成集合S,S={s1,s2...sm},s1,s2...sm表示m条初始线路。
5.如权利要求1所述基于图论的输电网重点感知断面识别方法,其特征在于,所述步骤3中,识别方法包括以下步骤:
步骤31、初始化变量x、n,令x=n=1;
步骤32、提取初始线路集合S中第x条线路sx,将sx作为初始线路进行断面搜索;
步骤33、基于关联矩阵F,搜索与线路sx相连的首末节点vp和vq,并删除x所在列元素;
步骤34、提取关联矩阵F中任意n列元素,进行二进制列求和,得到
Figure FDA0002982370940000012
个列向量;
步骤35、在
Figure FDA0002982370940000013
个列向量中,判断是否存在p行、q行元素值为1,其他行元素值为0的列;
步骤36、令n=n+1,判断n是否大于等于b:若n≥b,则进入步骤37;若n<b,返回步骤34;
步骤37、令x=x+1,判断x是否大于等于m+1:若x≥m+1,计算停止;若x<m+1,返回步骤32,完成识别。
6.如权利要求5所述基于图论的输电网重点感知断面识别方法,其特征在于,所述步骤35中,如果存在,则将相应的n列对应线路,以线路组形式保存至断面识别结果集合Hx中,并进入步骤36;如果不存在,则直接进入步骤36。
7.如权利要求1所述基于图论的输电网重点感知断面识别方法,其特征在于,所述步骤4中,筛选方法为:对断面识别结果集合Hx中的各条重复线路进行筛选;对于n条线路构成的线路组,判断其是否覆盖某一个或多个n-1、n-2....1条线路构成的线路组,如果覆盖,则删除该线路组。
8.如权利要求1所述基于图论的输电网重点感知断面识别方法,其特征在于,所述步骤4中,排序方法为:对筛选后的断面识别结果集合Hx进行排序;对于n条线路构成的线路组,其内部各元素权重值为1/n,将处于不同线路组内的相同线路权重值相加,作为线路最终权重;选取权重值最大的线路,将其中线路纳入x所在断面,直至达到该断面监测点上限。
9.一种基于图论的输电网重点感知断面识别系统,其特征在于,包括:抽象模块、断面选取模块、识别模块和筛选排序模块;
所述抽象模块,将电网结构抽象为拓扑结构图,得到关联矩阵F;
所述断面选取模块,选取断面重点感知初始线路,并组成集合S;
所述识别模块,基于关联矩阵F和集合S对重点感知断面进行识别,得到断面识别结果集合Hx
所述筛选排序模块,对断面识别结果集合Hx中的断面输电线路进行筛选及排序,得到输电网重点感知断面。
10.如权利要求9所述基于图论的输电网重点感知断面识别系统,其特征在于,所述识别模块中,包括:初始化模块、搜索模块、删除模块、求和模块、第一判断模块、第二判断模块和第三判断模块;
所述初始化模块,初始化变量x、n,令x=n=1;
所述搜索模块,提取初始线路集合S中第x条线路sx,将sx作为初始线路进行断面搜索;
所述删除模块,基于关联矩阵F,搜索与线路sx相连的首末节点vp和vq,并删除x所在列元素;
所述求和模块,提取关联矩阵F中任意n列元素,进行二进制列求和,得到
Figure FDA0002982370940000031
个列向量;
所述第一判断模块,在
Figure FDA0002982370940000032
个列向量中,判断是否存在p行、q行元素值为1,其他行元素值为0的列;
所述第二判断模块,令n=n+1,判断n是否大于等于b:若n≥b,则进入所述第三判断模块;若n<b,返回所述求和模块;
所述第三判断模块,令x=x+1,判断x是否大于等于m+1:若x≥m+1,计算停止;若x<m+1,返回所述搜索模块,完成识别。
CN202110290564.3A 2021-03-18 一种基于图论的输电网重点感知断面识别方法及系统 Active CN112989129B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110290564.3A CN112989129B (zh) 2021-03-18 一种基于图论的输电网重点感知断面识别方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110290564.3A CN112989129B (zh) 2021-03-18 一种基于图论的输电网重点感知断面识别方法及系统

Publications (2)

Publication Number Publication Date
CN112989129A true CN112989129A (zh) 2021-06-18
CN112989129B CN112989129B (zh) 2024-05-24

Family

ID=

Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093097A (zh) * 2013-01-15 2013-05-08 天津大学 基于规范切的电力系统脆弱断面识别方法
CN103701122A (zh) * 2014-01-06 2014-04-02 华北电力大学 基于关联矩阵与回路矩阵的电网拓扑分析系统及其方法
CN105469316A (zh) * 2014-08-29 2016-04-06 华北电力大学 配电网任意两点间理论线损计算方法及系统
CN106602548A (zh) * 2016-11-25 2017-04-26 国电南瑞科技股份有限公司 一种基于eeac的暂态稳定关键输电断面识别方法
CN107769191A (zh) * 2016-08-18 2018-03-06 中国电力科学研究院 基于网络拓扑和潮流数据的关键输电断面自动识别方法
CN109217317A (zh) * 2017-07-06 2019-01-15 华北电力大学(保定) 一种基于近似折返矩阵的多支路断开潮流转移识别方法
CN109638838A (zh) * 2019-01-21 2019-04-16 广东电网有限责任公司 电网关键断面识别方法、装置及电子设备
CN111697579A (zh) * 2020-06-30 2020-09-22 广东电网有限责任公司梅州供电局 一种电力系统关键输电断面的确定方法、系统及介质

Patent Citations (8)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103093097A (zh) * 2013-01-15 2013-05-08 天津大学 基于规范切的电力系统脆弱断面识别方法
CN103701122A (zh) * 2014-01-06 2014-04-02 华北电力大学 基于关联矩阵与回路矩阵的电网拓扑分析系统及其方法
CN105469316A (zh) * 2014-08-29 2016-04-06 华北电力大学 配电网任意两点间理论线损计算方法及系统
CN107769191A (zh) * 2016-08-18 2018-03-06 中国电力科学研究院 基于网络拓扑和潮流数据的关键输电断面自动识别方法
CN106602548A (zh) * 2016-11-25 2017-04-26 国电南瑞科技股份有限公司 一种基于eeac的暂态稳定关键输电断面识别方法
CN109217317A (zh) * 2017-07-06 2019-01-15 华北电力大学(保定) 一种基于近似折返矩阵的多支路断开潮流转移识别方法
CN109638838A (zh) * 2019-01-21 2019-04-16 广东电网有限责任公司 电网关键断面识别方法、装置及电子设备
CN111697579A (zh) * 2020-06-30 2020-09-22 广东电网有限责任公司梅州供电局 一种电力系统关键输电断面的确定方法、系统及介质

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
王增平等: "基于前K最短路径的输电断面搜索新算法", 电工技术学报, vol. 27, no. 4, pages 196 - 199 *

Similar Documents

Publication Publication Date Title
CN105512799B (zh) 一种基于海量在线历史数据的电力系统暂态稳定评估方法
CN101763502B (zh) 一种高效的敏感图像检测方法及其系统
CN103995215B (zh) 一种基于多层次反馈调整的智能电网故障诊断方法
CN106897821A (zh) 一种暂态评估特征选择方法及装置
CN109800660B (zh) 一种基于大数据聚类的电压暂降源识别方法和系统
CN105930347A (zh) 基于文本分析的停电原因识别系统
CN112215722B (zh) 主导失稳模式判别模型构建方法、主导失稳模式判别方法
CN108011367A (zh) 一种基于深度决策树算法的电力负荷特性挖掘方法
CN109214527A (zh) 一种变压器故障早期诊断预警方法和系统
CN109993665B (zh) 电力系统在线安全稳定评估方法、装置及系统
CN112149873A (zh) 一种基于深度学习的低压台区线损合理区间预测方法
Hu et al. Hierarchical fault diagnosis for power systems based on equivalent-input-disturbance approach
CN110783913B (zh) 基于群的计及预想事故集最佳电网拓扑在线优化方法
CN115659833A (zh) 基于bp神经网络的电力网络节点脆弱性评估方法
CN110427958A (zh) 一种融合无监督学习和监督学习的反馈式分类方法
CN111062569A (zh) 一种基于bp神经网络的小电流故障判别方法
CN112989129A (zh) 一种基于图论的输电网重点感知断面识别方法及系统
CN112989129B (zh) 一种基于图论的输电网重点感知断面识别方法及系统
CN115983714A (zh) 边图神经网络电力系统静态安全评估方法及系统
CN112101708A (zh) 一种融合专家知识的电网短路安全智能决策方法及系统
CN108647275A (zh) 孤岛检测状态的识别方法及装置、存储介质、处理器
CN108899905B (zh) 一种复杂电网中关键节点的辨识方法及装置
CN114500229A (zh) 基于时空信息的网络告警定位及分析方法
Borges et al. Methodology based on adaboost algorithm combined with neural network for the location of voltage sag disturbance
CN106888112A (zh) 一种基于快速分裂算法的节点迁移网络分块优化方法

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