CN113343467A - 一种极端灾害条件下的电力系统弹性评估方法和系统 - Google Patents
一种极端灾害条件下的电力系统弹性评估方法和系统 Download PDFInfo
- Publication number
- CN113343467A CN113343467A CN202110659995.2A CN202110659995A CN113343467A CN 113343467 A CN113343467 A CN 113343467A CN 202110659995 A CN202110659995 A CN 202110659995A CN 113343467 A CN113343467 A CN 113343467A
- Authority
- CN
- China
- Prior art keywords
- model
- disaster
- power system
- establishing
- fault
- 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
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
-
- 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
-
- 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
-
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- 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
-
- 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
Abstract
本发明实施例公开了一种极端灾害条件下的电力系统弹性评估方法和系统,包括:获取灾害参数数据、电力系统参数和地理位置参数数据;建立灾害影响时域模型,并根据灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;根据电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;根据故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。相对于现有技术而言,本发明的技术方案可以较为准确地对灾害条件下的电力系统弹性进行分析,合理评估电力系统弹性,为电网安全稳定运行提供有力支撑。
Description
本发明涉及电力系统技术领域,尤其涉及一种极端灾害条件下的电力系统弹性评估方法和系统。
背景技术
极端灾害天气始终是电网安全稳定运行的不可估量威胁,雪灾、风灾、洪水等均会对电网造成严重影响,不仅影响用户的安全可靠用电,同时也给电网的经济运行带来重大损失。
电力系统的弹性是指在极端灾害条件下,系统对于自然不可抗力扰动的预防抵抗能力大小。根据现有技术的研究可以获知,与传统可靠性评估相比,可靠性评估主要针对高概率小风险的典型故障,关注扰动对用户侧的停电影响,而弹性评估针对的是小概率高风险事件,不仅关注对用户侧造成影响,而且关注系统的恢复能力。电网的弹性的影响因素较多,然而当前的研究对于电力系统弹性分析尚处于初期阶段,对于空间问题关注较少,难以准确评估出电力系统的弹性状况。
综上所述,当前现有技术缺少能够准确地对灾害条件下的电力系统弹性进行分析,合理评估电力系统弹性的分析方法。
发明内容
有鉴于此,本发明实施例提出一种极端灾害条件下的电力系统弹性评估方法和系统,可以较为准确地对灾害条件下的电力系统弹性进行分析,合理评估电力系统弹性,为电网安全稳定运行提供有力支撑。
第一方面,本发明实施例提供了一种极端灾害条件下的电力系统弹性评估方法,包括:
获取灾害参数数据、电力系统参数和地理位置参数数据;
建立灾害影响时域模型,并根据所述灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;
根据所述电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;
根据所述故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方案,其中,所述建立灾害影响时域模型,并根据所述灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率包括:
建立灾害强度时空模型;
根据所述灾害强度时空模型建立电力系统组件脆弱性模型;
将所述灾害参数数据、电力系统参数和地理位置参数数据代入所述电力系统组件脆弱性模型计算得到不同灾害场景下各组件故障概率。
结合第一方面的第一种可能的实施方案,本发明实施例提供了第一方面的第二种可能的实施方案,其中,所述根据所述电力系统各组件的故障概率建立故障模型包括:
根据所述电力系统各组件的故障概率建立系统故障场景及发生概率;
建立系统状态故障集;
根据所述系统状态故障集建立所述故障模型。
结合第一方面的第三种可能的实施方案,本发明实施例提供了第一方面的第四种可能的实施方案,其中,所述根据调度策略和恢复策略建立响应模型和恢复模型包括:
根据所述调度策略得到系统实际弹性运行曲线,根据所述恢复策略计算系统恢复时间;
利用所述系统实际弹性运行曲线和所述系统恢复时间建立所述响应模型和恢复模型。
结合第一方面的第四种可能的实施方案,本发明实施例提供了第一方面的第一种可能的实施方案,其中,所述灾害参数数据为气象灾害预报信息。
结合第一方面的第四种可能的实施方案,本发明实施例提供了第一方面的第五种可能的实施方案,其中,所述建立系统状态故障集包括:
确定气象灾害强度;
根据所述气象灾害强度建立元件故障模型;
判断是否发生故障,若是,则利用元件修复模型生成修复时间;
若不是,则更新元件状态。
生成所述系统状态故障集。
第二方面,本发明实施例提供了一种极端灾害条件下的电力系统弹性评估系统,包括:
获取单元,用于获取灾害参数数据、电力系统参数和地理位置参数数据;
计算单元,用于建立灾害影响时域模型,并根据所述灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;
模型建立单元,用于根据所述电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;
评估单元,用于根据所述故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。
本发明实施例公开了一种极端灾害条件下的电力系统弹性评估方法和系统,包括:获取灾害参数数据、电力系统参数和地理位置参数数据;建立灾害影响时域模型,并根据灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;根据电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;根据故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。相对于现有技术而言,本发明的技术方案可以较为准确地对灾害条件下的电力系统弹性进行分析,合理评估电力系统弹性,为电网安全稳定运行提供有力支撑。
附图说明
为了更清楚地说明本发明的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,应当理解,以下附图仅示出了本发明的某些实施例,因此不应被看作是对本发明保护范围的限定。在各个附图中,类似的构成部分采用类似的编号。
图1为本发明实施例提供的一种极端灾害条件下的电力系统弹性评估方法流程图;
图2为本发明实施例提供的电力系统组件的一般脆弱性曲线示意图;
图3为本发明实施例提供的一种极端灾害条件下的电力系统弹性评估系统示意图。
符号说明:
10-获取单元;20-计算单元;30-模型建立单元;40-评估单元。
具体实施方式
下面将结合本发明实施例中附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。
参照图1,一种极端灾害条件下的电力系统弹性评估方法,包括:
步骤S101,获取灾害参数数据、电力系统参数和地理位置参数数据;
步骤S102,建立灾害影响时域模型,并根据灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;
步骤S103,根据电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;
步骤S104,根据故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。
具体地,本发明实施例的方法思路在于:考虑到系统性能的时间相关性,一种分析弹性的实用方法是通过时域模拟(例如,顺序蒙特卡罗方法)。在每个模拟步骤中,代表组件功能的概率密度函数通过利用专家知识或数据驱动方法获得,并考虑极端事件沿其路径的发展。单个组件的功能分析结果共同决定了系统基础设施的完整性级别。同时,运营商的响应被完全建模,包括措施(例如,紧急调度、电力恢复)及其顺序。因此,系统性能通过基础设施完整性和运营商响应的复杂组合来评估。系统性能被连续记录,直到恢复到正常水平。系统性能的演化曲线表明了系统在极端事件之后的行为,并为恢复能力评估奠定了基础。最终,通过测量系统性能的缺点来评估弹性。当考虑极端事件中的多个场景时,首先对每个场景的实现进行弹性评估,并按照预定义的程序合并结果。
根据本发明的示例性实施例,步骤S102包括:
建立灾害强度时空模型;
根据灾害强度时空模型建立电力系统组件脆弱性模型;
将灾害参数数据、电力系统参数和地理位置参数数据代入电力系统组件脆弱性模型计算得到不同灾害场景下各组件故障概率。
具体地,极端天气强度的时空模型包括致灾因子模型、台风风场模型、冰灾覆冰模型。电网脆弱性模型首先对台风风场进行修正,对环流风速rankine模型修正,对移行风场综合Miyazaki模型和Jelesnianski模型,对环流风场和移行风场进行矢量合成,上述相关模型可通过现有技术得到,本发明实施例不再赘述。
极端天气下,电力系统的故障概率取决于极端天气强度、系统组件的设计标准以及极端天气发生时组件的状况。电力系统组件脆弱性模型是随机的,不同的应力水平和持续时间对应着不同给的故障概率。电力系统组件的一般脆弱性曲线如图2所示,表示组件的故障概率与极端天气强度的关系,常用来评估天气时间或自然灾害对电力系统弹性的影响。在每个模拟时刻,将天气强度映射到这些脆弱性曲线上,以得到电力系统组件在该极端天气下的故障概率,进而模拟出该时刻下组件的状态,也可根据天气强度的预报信息预测未来时刻组件的状态。
根据本发明的示例性实施例,根据电力系统各组件的故障概率建立故障模型包括:
根据电力系统各组件的故障概率建立系统故障场景及发生概率;
建立系统状态故障集;
根据系统状态故障集建立所述故障模型。
根据本发明的示例性实施例,根据调度策略和恢复策略建立响应模型和恢复模型包括:
根据调度策略得到系统实际弹性运行曲线,根据恢复策略计算系统恢复时间;
利用系统实际弹性运行曲线和系统恢复时间建立响应模型和恢复模型。
具体地,故障模型是指在天气建模过程中,通过极端天气强度的时空模型得到组件的故障概率模型,并运用蒙特卡洛模拟法得到系统的故障集,包括各种故障场景及其概率。恢复模型是指根据面向不同极端天气条件下采取的恢复策略,得到系统的恢复时间,进而衡量系统的恢复能力。当仿真时间差大于恢复时间时,认为组件修复完成。响应模型是指为了得到系统在极端天气期间的弹性状态曲线,需要根据系统运行时调度策略得到不同时段的负荷削减,进而得到系统的运行曲线。
根据本发明的示例性实施例,灾害参数数据为气象灾害预报信息。
根据本发明的示例性实施例,建立系统状态故障集包括:
确定气象灾害强度;
根据气象灾害强度建立元件故障模型;
判断是否发生故障,若是,则利用元件修复模型生成修复时间;
若不是,则更新元件状态。
生成系统状态故障集。
图3是一种极端灾害条件下的电力系统弹性评估系统,包括:
获取单元10,用于获取灾害参数数据、电力系统参数和地理位置参数数据;
计算单元20,用于建立灾害影响时域模型,并根据所述灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;
模型建立单元30,用于根据所述电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;
评估单元40,用于根据所述故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。
本发明实施例公开了一种极端灾害条件下的电力系统弹性评估方法和系统,包括:获取灾害参数数据、电力系统参数和地理位置参数数据;建立灾害影响时域模型,并根据灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;根据电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;根据故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。相对于现有技术而言,本发明的技术方案可以较为准确地对灾害条件下的电力系统弹性进行分析,合理评估电力系统弹性,为电网安全稳定运行提供有力支撑。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。
Claims (7)
1.一种极端灾害条件下的电力系统弹性评估方法,其特征在于,包括:
获取灾害参数数据、电力系统参数和地理位置参数数据;
建立灾害影响时域模型,并根据所述灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;
根据所述电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;
根据所述故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。
2.根据权利要求1所述的一种极端灾害条件下的电力系统弹性评估方法,其特征在于,所述建立灾害影响时域模型,并根据所述灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率包括:
建立灾害强度时空模型;
根据所述灾害强度时空模型建立电力系统组件脆弱性模型;
将所述灾害参数数据、电力系统参数和地理位置参数数据代入所述电力系统组件脆弱性模型计算得到不同灾害场景下各组件故障概率。
3.根据权利要求2所述的一种极端灾害条件下的电力系统弹性评估方法,其特征在于,所述根据所述电力系统各组件的故障概率建立故障模型包括:
根据所述电力系统各组件的故障概率建立系统故障场景及发生概率;
建立系统状态故障集;
根据所述系统状态故障集建立所述故障模型。
4.根据权利要求3所述的一种极端灾害条件下的电力系统弹性评估方法,其特征在于,所述根据调度策略和恢复策略建立响应模型和恢复模型包括:
根据所述调度策略得到系统实际弹性运行曲线,根据所述恢复策略计算系统恢复时间;
利用所述系统实际弹性运行曲线和所述系统恢复时间建立所述响应模型和恢复模型。
5.根据权利要求4所述的一种极端灾害条件下的电力系统弹性评估方法,其特征在于,所述灾害参数数据为气象灾害预报信息。
6.根据权利要求5所述的一种极端灾害条件下的电力系统弹性评估方法,其特征在于,所述建立系统状态故障集包括:
确定气象灾害强度;
根据所述气象灾害强度建立元件故障模型;
判断是否发生故障,若是,则利用元件修复模型生成修复时间;
若不是,则更新元件状态生成所述系统状态故障集。
7.一种极端灾害条件下的电力系统弹性评估系统,其特征在于,包括:
获取单元,用于获取灾害参数数据、电力系统参数和地理位置参数数据;
计算单元,用于建立灾害影响时域模型,并根据所述灾害影响时域模型计算不同灾害场景下电力系统各组件的故障概率;
模型建立单元,用于根据所述电力系统各组件的故障概率建立故障模型,并根据调度策略和恢复策略建立响应模型和恢复模型;
评估单元,用于根据所述故障模型、响应模型和恢复模型进行弹性评估,得到电力系统弹性指标。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659995.2A CN113343467A (zh) | 2021-06-15 | 2021-06-15 | 一种极端灾害条件下的电力系统弹性评估方法和系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110659995.2A CN113343467A (zh) | 2021-06-15 | 2021-06-15 | 一种极端灾害条件下的电力系统弹性评估方法和系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113343467A true CN113343467A (zh) | 2021-09-03 |
Family
ID=77477242
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110659995.2A Pending CN113343467A (zh) | 2021-06-15 | 2021-06-15 | 一种极端灾害条件下的电力系统弹性评估方法和系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113343467A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330559A (zh) * | 2022-10-17 | 2022-11-11 | 国网浙江余姚市供电有限公司 | 一种信息数据时空协同的配电网弹性评估方法和装置 |
CN115374654A (zh) * | 2022-10-24 | 2022-11-22 | 国网四川省电力公司电力科学研究院 | 一种评估电力系统弹性的方法和系统 |
-
2021
- 2021-06-15 CN CN202110659995.2A patent/CN113343467A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330559A (zh) * | 2022-10-17 | 2022-11-11 | 国网浙江余姚市供电有限公司 | 一种信息数据时空协同的配电网弹性评估方法和装置 |
CN115374654A (zh) * | 2022-10-24 | 2022-11-22 | 国网四川省电力公司电力科学研究院 | 一种评估电力系统弹性的方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Trakas et al. | Spatial risk analysis of power systems resilience during extreme events | |
Bialek et al. | Benchmarking and validation of cascading failure analysis tools | |
Panteli et al. | Power system resilience to extreme weather: Fragility modeling, probabilistic impact assessment, and adaptation measures | |
Liu et al. | A planning-oriented resilience assessment framework for transmission systems under typhoon disasters | |
Guikema et al. | Hybrid data mining-regression for infrastructure risk assessment based on zero-inflated data | |
Panteli et al. | Assessment of the resilience of transmission networks to extreme wind events | |
Dong et al. | Frequency prediction of power systems in FNET based on state-space approach and uncertain basis functions | |
CN107220775B (zh) | 一种考虑信息系统作用的有源配电网多视角协同脆弱性评估方法 | |
CN113343467A (zh) | 一种极端灾害条件下的电力系统弹性评估方法和系统 | |
Yang et al. | Failure probability estimation of overhead transmission lines considering the spatial and temporal variation in severe weather | |
US10097000B2 (en) | Tool employing homotopy-based approaches in finding the controlling unstable equilibrium point in the electric power grid | |
Ju et al. | Simulation and analysis of cascading failures on an NPCC power system test bed | |
US10361907B2 (en) | System for networking and analyzing geospatial data, human infrastructure, and natural elements | |
Ferrario et al. | Goal Tree Success Tree–Dynamic Master Logic Diagram and Monte Carlo simulation for the safety and resilience assessment of a multistate system of systems | |
Kandaperumal et al. | AWR: Anticipate, withstand, and recover resilience metric for operational and planning decision support in electric distribution system | |
KR20190079124A (ko) | 전력설비의 수명 예측 장치 및 그 방법 | |
Panteli et al. | Operational resilience assessment of power systems under extreme weather and loading conditions | |
Haseltine et al. | Prediction of power grid failure using neural network learning | |
Zhang et al. | Assessment method and metrics of power system resilience after disasters | |
Trakas et al. | A severity risk index for high impact low probability events in transmission systems due to extreme weather | |
Jiang et al. | Synchrophasor measurement‐based correlation approach for dominant mode identification in bulk power systems | |
JP2022115061A (ja) | 気象関連架空配電線路故障オンライン予測 | |
Hosur et al. | Subspace-driven output-only based change-point detection in power systems | |
Poudel et al. | Probabilistic quantification of power distribution system operational resilience | |
Rust et al. | Confidence intervals for flood return level estimates assuming long-range dependence |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication |