CN113962461A - 一种基于环境数据预测的配电网韧性提升策略 - Google Patents
一种基于环境数据预测的配电网韧性提升策略 Download PDFInfo
- Publication number
- CN113962461A CN113962461A CN202111234941.8A CN202111234941A CN113962461A CN 113962461 A CN113962461 A CN 113962461A CN 202111234941 A CN202111234941 A CN 202111234941A CN 113962461 A CN113962461 A CN 113962461A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- power distribution
- power
- line
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 166
- 230000007613 environmental effect Effects 0.000 title claims abstract description 68
- 230000006872 improvement Effects 0.000 title claims abstract description 22
- 238000000034 method Methods 0.000 claims abstract description 71
- 230000007123 defense Effects 0.000 claims abstract description 47
- 230000008569 process Effects 0.000 claims abstract description 36
- 238000011084 recovery Methods 0.000 claims abstract description 25
- 238000011156 evaluation Methods 0.000 claims abstract description 17
- 230000008859 change Effects 0.000 claims abstract description 15
- 238000013210 evaluation model Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 4
- 238000004146 energy storage Methods 0.000 claims description 20
- 230000008439 repair process Effects 0.000 claims description 14
- 230000005540 biological transmission Effects 0.000 claims description 12
- 230000004044 response Effects 0.000 claims description 12
- 238000012216 screening Methods 0.000 claims description 11
- 230000006870 function Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 9
- 230000000694 effects Effects 0.000 claims description 8
- 230000008901 benefit Effects 0.000 claims description 7
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000012546 transfer Methods 0.000 claims description 6
- 238000005516 engineering process Methods 0.000 claims description 5
- 238000000605 extraction Methods 0.000 claims description 5
- 238000013507 mapping Methods 0.000 claims description 5
- 239000000463 material Substances 0.000 claims description 4
- 238000012360 testing method Methods 0.000 claims description 4
- 230000007547 defect Effects 0.000 claims description 3
- 238000011161 development Methods 0.000 claims description 3
- 230000018109 developmental process Effects 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000009471 action Effects 0.000 claims description 2
- 230000032683 aging Effects 0.000 claims description 2
- 210000004027 cell Anatomy 0.000 claims description 2
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 230000003247 decreasing effect Effects 0.000 claims description 2
- 238000007599 discharging Methods 0.000 claims description 2
- 238000005286 illumination Methods 0.000 claims description 2
- 238000013178 mathematical model Methods 0.000 claims description 2
- 238000010248 power generation Methods 0.000 claims description 2
- 230000005855 radiation Effects 0.000 claims description 2
- 230000006641 stabilisation Effects 0.000 claims description 2
- 238000011105 stabilization Methods 0.000 claims description 2
- 239000000126 substance Substances 0.000 claims description 2
- 238000001308 synthesis method Methods 0.000 claims description 2
- 238000005457 optimization Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008447 perception Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- XMBWDFGMSWQBCA-UHFFFAOYSA-N hydrogen iodide Chemical group I XMBWDFGMSWQBCA-UHFFFAOYSA-N 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 230000002194 synthesizing effect Effects 0.000 description 1
- 238000012795 verification Methods 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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/06—Power analysis or power optimisation
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Strategic Management (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Computer Hardware Design (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种基于环境数据预测的配电网韧性提升策略。对配电网运行工况进行综合环境数据预测分析和预测配电网脆弱环节,提升灾害风险的预警能力;建立基于环境数据预判的配电网脆弱度预测模型,提升故障率预测水平;提出基于环境数据的配电网故障承载力评估方法,提出配电网故障承载力评估方法;利用系统性能的变化来反映冰灾对配电网韧性的影响,建立配电网韧性评估模型;旨在灾变防御阶段和灾后恢复阶段分别实施提升配电网韧性的规划和调度措施,进而提出环境数据预判下的配电网韧性提升策略。本发明显著提高配电网韧性,从故障发生前的主动防御,到灾后的故障恢复,通过两种手段的协调配合实现配电网韧性在灾时过程和灾后过程的全方位提升。
Description
技术领域
本发明属于电力系统的运行控制技术领域,尤其涉及一种基于环境数据预测的配电网韧性提升策略。
背景技术
配电网作为直接服务于用户的关键环节,在极端天气情况下的正常运行,对保障人们生产生活、抵御灾害事故、推动社会发展具有重要意义,配电网的灾害应对能力由此受到了广泛的关注。在此基础上,配电网引入韧性的概念,来评估配电网在极端天气条件下减小故障造成的损失并尽快恢复到正常供电状态的能力。为避免极端天气灾害下所造成的大规模停电事故的发生,无法从根本上解决极端天气灾害下电力系统的稳定性和经济性问题,必须发掘新的资源和方法。目前,已经有一些有关电网韧性评估的研究,Francis和Bekera引入了工程系统的韧性评估框架,Yodo和Wang提出了利用性能函数三角形来衡量韧性指数的方法,通过韧性三角形计算影响性能损失和恢复时间。但总的来看,这些工作尚处于探索起步阶段,研究缺乏完善的故障场景的优化与筛选过程,不利于配电网韧性恢复策略的评估。
针对东北极端天气灾害下电网实际运行中的一系列问题。通过分析面对极端事件的配电网韧性恢复原理,基于环境数据预测,增强网络物理强度,提高电网运行能力和手动维修,最终完善灾害应急防御体系,达到有效抵御外部环境的冲击,实现主动韧性恢复。增强配电网抵御极端天气事件的能力,进一步提升配电网韧性。
发明内容
针对上述现有技术中存在的不足之处,本发明提供了一种基于环境数据预测的配电网韧性提升策略。本发明其目的是基于环境数据预测能够显著的提高配电网韧性,从故障发生前的主动防御,到灾后的故障恢复,通过两种手段的协调配合实现配电网韧性在灾时过程和灾后过程的全方位提升。
本发明为实现上述目的所采用的技术方案是:
一种基于环境数据预测的配电网韧性提升策略,包括以下步骤:
步骤1.多源环境数据要素感知,基于配电网运行数据、故障演化等异构数据进行配电网故障恢复的知识要素的动态提取与知识映射技术。对配电网内外部运行工况进行综合环境数据预测能够更为准确地分析和预测配电网脆弱环节,进而显著提升灾害风险的预警能力;
步骤2.建立基于环境数据预判的配电网脆弱度预测模型,提升故障率预测水平;
步骤3.提出基于环境数据的配电网故障承载力评估方法,提出基于气象、时间等环境数据的配电网故障承载力评估方法;
步骤4.利用系统性能的变化来反映冰灾对配电网韧性的影响,根据系统性能曲线变化过程将冰灾全过程划分为三个阶段,即灾前预警阶段、灾时防御阶段和灾后修复阶段,建立配电网韧性评估模型;
步骤5.提出的配电网韧性评估模型旨在灾变防御阶段和灾后恢复阶段两个时期分别实施提升配电网韧性的规划和调度措施,进而提出环境数据预判下的配电网韧性提升策略。
本发明具有以下有益效果及优点:
本发明考虑多源环境数据要素感知,基于配电网运行数据、故障演化等异构数据进行配电网故障恢复的知识要素的动态提取与知识映射技术。对配电网内外部运行工况进行综合环境数据预测能够更为准确地分析和预测配电网脆弱环节,进而显著提升灾害风险的预警能力;建立基于环境数据预判的配电网脆弱度预测模型,提升故障率预测水平;提出基于环境数据的配电网故障承载力评估方法,提出基于气象、时间等环境数据的配电网故障承载力评估方法;利用系统性能的变化来反映冰灾对配电网韧性的影响,根据系统性能曲线变化过程将灾害全过程划分为三个阶段,即灾前预警阶段、灾时防御阶段和灾后修复阶段,建立配电网韧性评估模型;提出的配电网韧性评估模型旨在灾变防御阶段和灾后恢复阶段两个时期分别实施提升配电网韧性的规划和调度措施,进而提出环境数据预判下的配电网韧性提升策略。
本发明能够基于环境数据预测能够显著的提高配电网韧性,从故障发生前的主动防御,到灾后的故障恢复,通过两种手段的协调配合实现配电网韧性在灾时过程和灾后过程的全方位提升。
附图说明
本发明的上述和/或附加的方面和优点从结合下面附图对实施例的描述中将变得明显和容易理解,其中:
图1是本发明某时刻故障场景筛选流程;
图2是本发明灾害全过程筛选流程;
图3是本发明中极端事件下的配电系统性能曲线;
图4是本发明中孤岛运行的功率曲线示例图;
图5是本发明韧性提升防御策略流程图;
图6是本发明配电网韧性评估模型。
具体实施方式
为了能够更清楚地理解本发明的上述目的、特征和优点,下面将结合附图和具体实施方式对本发明进行进一步的详细描述。需要说明的是,在不冲突的情况下,本申请的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是,本发明还可以采用其他不同于在此描述的其他方式来实施,因此,本发明的保护范围并不受下面公开的具体实施例的限制。
下面参照图1-图6描述本发明一些实施例的技术方案。
实施例1
本发明是一种基于环境数据预测的配电网韧性提升策略,包括如下步骤:
步骤1:多源环境数据要素感知,基于配电网运行数据、故障演化等异构数据进行配电网故障恢复的知识要素的动态提取与知识映射技术。对配电网内外部运行工况进行综合环境数据预测能够更为准确地分析和预测配电网脆弱环节,进而显著提升灾害风险的预警能力:
步骤(1)将环境数据预测分为网络拓扑结构、电网供电设备和网络防御资源等内容,与配电网韧性提升息息相关。
其中,环境数据预测满足以下条件:
第1.提出网络拓扑结构态势预测:该指标反映线路段在拓扑中的重要程度,采用线路含权介数表征线路段的重要程度。设区域内电源数量为c1,第k条线路上的负荷数量为c2,区域内负荷总量为c3,定义Zk表示线路段k的阻抗,Nst表示电源s到负荷t之间的最优路径数目,Nst(k)表示电源s到负荷t之间最优路径经过线路段k的次数,线路k含权介数描述网络拓扑态势,用来量化线路段对全网潮流传播的贡献,其值越大,表明该线路段的枢纽作用越大;
式中:c1——为区域内电源数量;
k——为第k条线路;
c2——为第k条线路上的负荷数量;
c3——为区域内负荷总量;
Zk——表示线路段k的阻抗;
Nst——表示电源s到负荷t之间的最优路径数目;
s——表示电源;
t——表示负荷;
Nst(k)——表示电源s到负荷t之间最优路径经过线路段k的次数;
第2.提出供电稳定性态势预测:该指标反映供电稳定性对线路段运行的影响。配电网供电设备包含常规供电设备和各类分布式能源设备等,外部环境对二者运行情况的影响有所区别,下面分析如下。
(1)供电设备日常磨损因素
受折损率影响,变压器等常规电力元件大多随着投入年限的增加损耗情况越加明显,供电风险也随之加大。用威布尔函数描述电力元件的折损故障率,若损耗期设备检修间隔为Δt,检修后故障率由li下降为基础故障率的μi倍,则设备折损故障率lz为:
式中:Δt——表示损耗期设备检修间隔时间;
τ2i——为尺度参数;
li——表示检修前故障率;
μi——为倍数;
lz——表示设备折损故障率;
β2i——为形状参数,表示第i次检修后对基础故障率的影响和元件老化的快慢。
(2)考虑环境影响的分布式DG设备
特殊天气对分布式电源的出力影响很大。光照强度、受光面积、环境温度等因素与光伏出力具有较强相关性,此处以风电和光伏为例,风力分布式DG的时序出力模型如下:
式中:Pr——为风机的额定功率;
vr——为额定风速;
vq——为切入风速;
vt——为切出风速。
光伏发电出力模型如下:
式中:A——为光伏组件个数;
S——为单个光伏板面积;
T——为环境温度,单位为℃。
则线路k的分布式DG供电指数为:
(3)储能系统作为主电源时,其出力模型如下:
ηch、ηdis——是充电和放电效率;
D——表示0-1变量;
T——是持续时间;
NT——是时间间隔的总数;
Nbus——是主动配电网中的节点数。
线路k的分布式储能系统供电指数为:
为区别不同供电设备的供电状态对线路段运行的影响,由潮流追踪可得变压器、风电光伏设备和储能装置对线路段的有功贡献系数εm.g、εm.dg、εm.ess。设线路k上变压器、风电光伏设备数量和分布式储能装置分别为a1,k、a2,k、a3,k,配电网区域内变压器、风电光伏设备数量和分布式储能装置分别为b1、b2、b3,以标准测试条件(1000W/m2、25℃)的风电光伏出力为基准折算实际风电输出功率,则线路段的供电设备风险态势指标可表示为:
式中:υ1、υ2、υ3——表示权重。
第3.提出抵御风险态势预测:该指标反映电网内外部抵御风险的防御能力,涉及人力、物力、财力各个方面。假设某线路拥有的防御资源为u。考虑边际效益的递减性,该线路段防御风险态势为:
式中:Ut——表示t时刻配电网内实时可用的防御资源及其水平量;
s——表示线路上用户的保电级别,可按照重要程度从高到低设定4个等级,1≥s1>s2>s3>s4>0。
第4.提出潮流分布态势预测:在冰灾环境下发生断线倒塔或舞动闪络等故障会引发线路潮流的重新分配,而潮流的转移可能导致系统中的一些元件因过载或严重偏离正常工作条件退出运行。在配电系统中下,线路故障率与线路潮流存在如下关系:
式中:l——为线路潮流大小;
Lnor——为线路额定传输功率大小;
Lmax——为线路传输极限;
该数学模型表明若有功未达到额定容量则线路正常运行,线路故障的可能性稳定在一个很小的概率值上;若有功功率在额定容量至最大容量之间,其故障概率呈现线性增长的趋势;若有功超过线路传输的极限则故障率为1。
第5.提出连锁故障易发态势预测:配电线路在冰灾环境下的连锁故障不得不考虑潮流变化影响,线路的潮流扰动在一定条件下会使得系统中的某些线路处于自组织临界状态,根据复杂系统理论,电力系统在自组织临界状态是发生连锁故障的关键因素。
判断一条线路是否为临界线路的约束标准如下:
式中:K——表示线路临界系数;
Li,max——为线路i的额定输送功率;
Li——为输电线路i实际输送功率;
Pli——为支路有功潮流;
Pli,max——为支路额定有功输送容量;
I——表示由所有线路和变压器组成的集合;
ε——为临界参考系数,一般取经验值为1.05。
设区域内线路总数为N,定义第k条临界线路的连锁故障传播度为:
式中:NCount——为计数函数;
定义环境数据预测的平均故障率为R=n2/na2,其中n2为该线路段灾害故障次数,na2为区域a灾害故障的总次数,则路段k考虑潮流扰动的连锁故障易发态势由平均故障率和故障传播度组成:
步骤(2)利用对数合成的方法,同时引入均方差共同描述配电网内部运行态势,当均方差大于临界值σ0时,可忽略较小的指标值,取剩余指标值计算,即:
步骤2:建立基于环境数据预判的配电网脆弱度预测模型,提升故障率预测水平:
利用环境数据预测方法对自然环境下配电网内外部运行态势进行分析,定义网络拓扑态势预测、供电设备态势预测、防御资源态势预测、潮流分布态势预测和连锁故障传播态势预测等概念,共同建立基于环境数据预判的配电网脆弱度预测模型,提升故障率预测水平。综合考虑两部分可得到主动配电网基于环境数据预测的灾害条件下的脆弱度预测模型为:
F(k,i,t)——表示t时刻第k条线路的i节点脆弱度。
步骤3:提出基于环境数据的配电网故障承载力评估方法,提出基于气象、时间等环境数据的配电网故障承载力评估方法:
步骤3.1.基于环境数据的配电网联络线效能分析和承载力评估方法,从场景发生概率方面分析配电网承载力和安全转供负荷的能力。
uhi=FhFi
uhij=FhFiFj
uhijk=FhFiFjFk
...
式中:ψh——表示该区域配电网中仅有元件h故障的场景发生概率;
ψhi——表示该区域配电网中仅有元件h及元件i故障的场景发生概率;
ψhij——表示该区域配电网中仅有元件h、元件i及元件j故障的场景发生概率;
uh——表示元件h故障的发生概率;
uhi——表示元件h和元件i同时故障的发生概率;
uhij——表示元件h、i、j同时故障的场景发生概率;
uhijk——表示元件h、i、j、k同时故障的发生概率;
F为相应架空线路元件的薄弱率。
m∈[a,b]
步骤3.2.从信息熵值方面分析配电网承载力和安全转供负荷的能力。
故障数置信区间可以观测某类场景的可信程度,但无法针对具体场景做出判断,而信息熵可以从不确定性的角度分析任意场景的合理性。因此利用信息熵原理从过渡场景集中再次筛选。信息熵(informationentropy)用于描述信源的不确定度,C.E.Shannon从热力学中借用这一概念并利用数学语言阐明了随机事件概率与信息冗余度的关系,由此可以计算某随机场景下的信息熵值H(si)。
式中,为线路k在t时刻的薄弱率,为线路k在t时刻的状态。当故障数m一定时,线路薄弱率越小,故障场景发生概率越小,信息熵值越大,表明发生这种场景的不确定度越小,场景模拟效果越符合典型故障场景,反之亦然。可借助数学拟合的方法将离散点集合拟合对数曲线,数学表达式为:
ft,m:H(si)=-KlnP(si)-L,K>0,L>0
其中,K和L为系数。可以看出拟合函数严格遵循单调递减,合理的场景必须保证场景发生概率和信息熵值处于一定范围内,即
Pmin≤P≤Pmax
Hmin≤H≤Hmax
式中,Pmin和Pmax代表场景概率阈值,Hmin和Hmax代表信息熵上下限。取值范围是根据场景坐标的概率分布决定的。若场景坐标值大部分落在某一区域内,则将约束围成的区域作为典型场景区域,属于该区域的坐标[P(si),H(si)]对应的场景组成典型的场景集,用表示。因此,t时刻的典型场景可求解:
上述过程只能根据灾害某时刻的系统运行状态做出预测,无法适用于整个时间尺度内,因而预测结果具有明显缺陷,缺乏说服力。为了实现灾害全过程的故障场景筛选,需要确定场景预测初始时刻和灾害结束时刻。本文规定若某条线路的覆冰厚度R>1mm则开始故障场景预测与筛选流程。然后设置合适的步长,求解各时刻的结果,最后求出它们的并集作为最终的预测结果,用sGTFS表示。由于针对全局的防御计划具有惟一性,所选场景应包含尽可能多的线路,这意味着可以尽可能多的对这些高风险线路采取防御措施:
故障场景筛选流程如图1和2所示。
步骤4:利用系统性能的变化来反映冰灾对配电网韧性的影响,根据系统性能曲线变化过程将冰灾全过程划分为三个阶段,即灾前预警阶段、灾时防御阶段和灾后修复阶段,建立配电网韧性评估模型。
步骤4.1:系统功能曲线图3描述了配电网在某个具体灾害中的响应情况,所以由此定义的指标,也只能够描述配电网在此灾害下的韧性。其中,Ql是较低的性能变化曲线,Qn是正常情况下的性能曲线,Qh是较高的性能变化曲线。ts表示灾害初始时刻,t0表示扰动时刻,此时薄弱率开始逐渐增大,系统性能开始降低。tr表示真实故障发生时刻,tm表示系统状态稳定时刻,tn表示灾害结束时刻,te表示完成修复时刻。QN表示系统正常性能值,Q(tr)、Q(tm)、Q(tn)分别是故障时刻、系统稳定、灾害结束时的性能。
系统性能函数模型如下式所示:
式中:qk(t)——表示节点的负荷水平;
Fk(t)——表示配电线路的薄弱率;
ρ(t)——表示恢复能力因子;
恢复能力因子是指系统通过操作可以恢复的百分比,计算公式为:
式中:ΔQ(t)——为单位时间内负荷量的变化值;
Qr(t)——为通过操作可以被提升的负荷量,本文认为只有当系统不进行调度和操作时Qr(t)=0成立。
响应速度因子与恢复响应速度和人工修复的时长有关,计算公式为:
D1——表示未发生故障的线路集合,它包含正常运行的线路、通过防御计划被保护的线路以及未被保护的停电线路;
D2——表示发生故障的线路集合,其中D1∪D2=D。
步骤4.2:建立考虑经济因素的配电网韧性评估指标计算模型,它可以从鲁棒性、充裕性和快速性三个方面综合表衡量韧性恢复力提升策略的效果。表达式为:
式中,REERT是配电网韧性指数,REERT值越大表明提升效果越好;Px为场景发生的概率,ι为系数。
步骤5:提出的配电网韧性评估模型旨在灾变防御阶段和灾后恢复阶段两个时期分别实施提升配电网韧性的规划和调度措施,进而提出环境数据预判下的配电网韧性提升策略。
其中,策略步骤包括:
步骤1.利用气象预报估计灾害的严重程度和持续时间,预测灾害过程中可能发生的故障并启动储备资源使配电网处于主动防御状态。储备资源包括备用联络线、分布式电源(DGs)、储能系统(ESS)以及后备电源等。DGs和ESS可以极大地促进具有内置灵活性的配电网的发展,是提升韧性的关键手段;负荷转供因其操作简便、响应速度快和低成本的优点也在主动防御过程中占据重要作用。
步骤1.1:在整个防御周期内,DG的输出功率、负载功率会随着时间的变化而波动,因而ESS的运行状态也会发生变化,对应图4所示的两种孤岛运行模式A和B。
建立孤岛的具体过程如下:
(1)在进行孤岛划分前,根据故障场景预测结果确定预估失电区。
(2)寻找DER(Distributed Energy Resources,分布式能源系统)系统在所有无分支供电路径中的最大供电范围,找出失电区内包含DES的连通区域,缩小搜索空间提高搜索效率。
(3)将节点分层,与DER直接相连的负荷节点为第一层,与第一层节点直接相连的负荷点为第二层节点,依此类推,并且计算各负荷点的OiLi的值,各层节点按OiLi降序排列。
(4)从DER出发,访问所有第一层负荷点,在满足约束条件的前提下,找出使OiLi的和最大的节点,存入孤岛负荷节点集合中,继续访问下一层节点,找出与孤岛负荷节点集合中相连的负荷节点,在满足约束条件的前提下,用OiLi值较大的负荷节点代替上一层OiLi值较小的负荷节点,按上述方法,直至搜索到最后一层节点,即可得出初始孤岛划分方案,重复步骤(2)至(4)得到所有区域的孤岛方案。
(5)在得到的单个孤岛划分方案中,若某2个或者多个孤岛内含有同一负荷点,说明孤岛区域有重叠,按照孤岛划分原则中孤岛个数尽可能少的原则,需要将有负荷节点重叠的孤岛进行融合,输出最终孤岛方案。
此外需要说明的是,步骤(4)中校验孤岛是否满足约束条件的方法如下:首先判断连入孤岛的负荷总和是否超过DER的功率和容量,即要满足孤岛平衡约束,然后校验其连通性约束,最后针对方案对应的孤岛进行潮流计算求出各节点电压及各支路功率,判断是否满足节点电压约束和支路功率约束。
步骤1.2:孤岛划分方案确定后,针对无法纳入孤岛的失电节点,根据启发式算法对网络重构,将剩余负荷转移到正常供电的区域。其目标函数如下:
式中:α1、α2和α3分别为一、二、三级负荷供电中断的等效惩罚系数,可根据实际需要取值,其中α1>α2>α3。L1,u、L2,v和L3,w分别为未被供电的一、二、三级负荷。
启发式规则优先选择靠近失电区域和容量裕度大的联络开关进行供电,每闭合的一个联络开关进行一次潮流计算,校验当前状态是否满足约束条件。若满足,则供电恢复结束;若不满足,则从线路末端开始向前搜索,断开相应的分段开关,直至满足约束条件。统计其他失电负荷,继续执行开关操作直至所有负荷都被转移或者没有可以闭合的联络开关,负荷转供结束,输出最终的主动防御供电方案。综合孤岛划分过程和负荷转供过程可得出主动防御优化模型。基于故障场景预测的主动防御优化策略流程如图5所示。
需要注意的是,当真实故障发生后应立即生成供电恢复计划。如果主动防御计划存在遗漏,应根据供电恢复计划做出相应的调整和校正,形成新的防御计划。
步骤2.综合考虑抢修物资、地理位置与维修人员分配方案,在故障发生后调动抢修资源恢复故障区域。
步骤2.1:灾害结束以后开始维修实际发生故障的线路。图3中的(tn,te)是故障修复过程,受灾地区故障设备的状态分为可修复和不可修复两种。不可修复的元件采用更换方式处理,可修复元件在由抢修人员进行修复的同时优先恢复失电程度高的区域,同时应急发电车也可以为部分重要负荷维持供电。综合考虑效率折扣系数、车程代价系数,并参考社会期望缺失量(Expected Energy Not Serve,EENS)的概念构建配电网故障经济损失模型:
式中:aij——表示第i个小队修复第j个故障的抢修效率;
bij——表示第i个小队到达第j个故障的交通车程代价系数;
m、n——分别表示维修队伍数量和故障数量;
Nj——为第j个故障所引起的失电负荷节点集合;
Ok——表示由用户的重要程度决定的负荷量,是负荷的功率;
Lk——为纳入孤岛的负荷量。
步骤2.2:考虑典型故障场景的冰灾配电网的韧性恢复力提升与评估具体包含三个环节,脆弱度预测环节、故障场景选取环节和对比验证环节,流程图如图5所示。
第一环节负责预测脆弱度并记录数据;第二环节利用提出的方法选取典型的故障场景;第三环节负责实施灾变防御计划和灾后故障恢复,利用韧性评估模型分析韧性提升策略的效果。具体步骤为:
(1)输入气象数据和网络数据,结合冰灾模拟参数预测配电系统时变薄弱率。其中气象数据包括各时刻的气象参数,如风速;网络数据包括线路各种电气参数;
(2)根据防御计划,更新防御计划直到灾害结束。依据真实故障情况求解得到人工维修方案,输出系统功能曲线并进入步骤(3);
(3)分析预测结果与真实故障情况之间的差异,比较利用建议的韧性评估模型验证现有策略和拟议策略韧性提升效果。
Claims (6)
1.一种基于环境数据预测的配电网韧性提升策略,其特征是:包括以下步骤:
步骤1.多源环境数据要素感知,基于配电网运行数据、故障演化等异构数据进行配电网故障恢复的知识要素的动态提取与知识映射技术。对配电网内外部运行工况进行综合环境数据预测能够更为准确地分析和预测配电网脆弱环节,进而显著提升灾害风险的预警能力;
步骤2.建立基于环境数据预判的配电网脆弱度预测模型,提升故障率预测水平;
步骤3.提出基于环境数据的配电网故障承载力评估方法,提出基于气象、时间等环境数据的配电网故障承载力评估方法;
步骤4.利用系统性能的变化来反映冰灾对配电网韧性的影响,根据系统性能曲线变化过程将冰灾全过程划分为三个阶段,即灾前预警阶段、灾时防御阶段和灾后修复阶段,建立配电网韧性评估模型;
步骤5.提出的配电网韧性评估模型旨在灾变防御阶段和灾后恢复阶段两个时期分别实施提升配电网韧性的规划和调度措施,进而提出环境数据预判下的配电网韧性提升策略。
2.根据权利要求1所述的一种基于环境数据预测的配电网韧性提升策略,其特征是:步骤1所述的多源环境数据要素感知,基于配电网运行数据、故障演化等异构数据进行配电网故障恢复的知识要素的动态提取与知识映射技术。对配电网内外部运行工况进行综合环境数据预测能够更为准确地分析和预测配电网脆弱环节,进而显著提升灾害风险的预警能力:
步骤(1)将环境数据预测分为网络拓扑结构、电网供电设备和网络防御资源等内容,与配电网韧性提升息息相关。
其中,环境数据预测满足以下条件:
第1.提出网络拓扑结构态势预测:该指标反映线路段在拓扑中的重要程度,采用线路含权介数表征线路段的重要程度。设区域内电源数量为c1,第k条线路上的负荷数量为c2,区域内负荷总量为c3,定义Zk表示线路段k的阻抗,Nst表示电源s到负荷t之间的最优路径数目,Nst(k)表示电源s到负荷t之间最优路径经过线路段k的次数,线路k含权介数描述网络拓扑态势,用来量化线路段对全网潮流传播的贡献,其值越大,表明该线路段的枢纽作用越大;
式中:c1——为区域内电源数量;
k——为第k条线路;
c2——为第k条线路上的负荷数量;
c3——为区域内负荷总量;
Zk——表示线路段k的阻抗;
Nst——表示电源s到负荷t之间的最优路径数目;
s——表示电源;
t——表示负荷;
Nst(k)——表示电源s到负荷t之间最优路径经过线路段k的次数;
第2.提出供电稳定性态势预测:该指标反映供电稳定性对线路段运行的影响。配电网供电设备包含常规供电设备和各类分布式能源设备等,外部环境对二者运行情况的影响有所区别,下面分析如下。
(1)供电设备日常磨损因素
受折损率影响,变压器等常规电力元件大多随着投入年限的增加损耗情况越加明显,供电风险也随之加大。用威布尔函数描述电力元件的折损故障率,若损耗期设备检修间隔为Δt,检修后故障率由下降为基础故障率的μi倍,则设备折损故障率为:
式中:Δt——表示损耗期设备检修间隔时间;
τ2i——为尺度参数;
μi——为倍数;
β2i——为形状参数,表示第i次检修后对基础故障率的影响和元件老化的快慢。
(2)考虑环境影响的分布式DG设备
特殊天气对分布式电源的出力影响很大。光照强度、受光面积、环境温度等因素与光伏出力具有较强相关性,此处以风电和光伏为例,风力分布式DG的时序出力模型如下:
式中:Pr——为风机的额定功率;
vr——为额定风速;
vq——为切入风速;
vt——为切出风速。
光伏发电出力模型如下:
式中:A——为光伏组件个数;
S——为单个光伏板面积;
T——为环境温度,单位为℃。
则线路k的分布式DG供电指数为:
(3)储能系统作为主电源时,其出力模型如下:
ηch、ηdis——是充电和放电效率;
D——表示0-1变量;
T——是持续时间;
NT——是时间间隔的总数;
Nbus——是主动配电网中的节点数。
线路k的分布式储能系统供电指数为:
为区别不同供电设备的供电状态对线路段运行的影响,由潮流追踪可得变压器、风电光伏设备和储能装置对线路段的有功贡献系数εm.g、εm.dg、εm.ess。设线路k上变压器、风电光伏设备数量和分布式储能装置分别为a1,k、a2,k、a3,k,配电网区域内变压器、风电光伏设备数量和分布式储能装置分别为b1、b2、b3,以标准测试条件(1000W/m2、25℃)的风电光伏出力为基准折算实际风电输出功率,则线路段的供电设备风险态势指标可表示为:
式中:υ1、υ2、υ3——表示权重。
第3.提出抵御风险态势预测:该指标反映电网内外部抵御风险的防御能力,涉及人力、物力、财力各个方面。假设某线路拥有的防御资源为u。考虑边际效益的递减性,该线路段防御风险态势为:
式中:Ut——表示t时刻配电网内实时可用的防御资源及其水平量;
s——表示线路上用户的保电级别,可按照重要程度从高到低设定4个等级,1≥s1>s2>s3>s4>0。
第4.提出潮流分布态势预测:在冰灾环境下发生断线倒塔或舞动闪络等故障会引发线路潮流的重新分配,而潮流的转移可能导致系统中的一些元件因过载或严重偏离正常工作条件退出运行。在配电系统中下,线路故障率与线路潮流存在如下关系:
式中:l——为线路潮流大小;
Lnor——为线路额定传输功率大小;
Lmax——为线路传输极限;
该数学模型表明若有功未达到额定容量则线路正常运行,线路故障的可能性稳定在一个很小的概率值上;若有功功率在额定容量至最大容量之间,其故障概率呈现线性增长的趋势;若有功超过线路传输的极限则故障率为1。
第5.提出连锁故障易发态势预测:配电线路在冰灾环境下的连锁故障不得不考虑潮流变化影响,线路的潮流扰动在一定条件下会使得系统中的某些线路处于自组织临界状态,根据复杂系统理论,电力系统在自组织临界状态是发生连锁故障的关键因素。
判断一条线路是否为临界线路的约束标准如下:
式中:K——表示线路临界系数;
Li,max——为线路i的额定输送功率;
Li——为输电线路i实际输送功率;
Pli——为支路有功潮流;
Pli,max——为支路额定有功输送容量;
I——表示由所有线路和变压器组成的集合;
ε——为临界参考系数,一般取经验值为1.05。
设区域内线路总数为N,定义第k条临界线路的连锁故障传播度为:
式中:NCount——为计数函数;
定义环境数据预测的平均故障率为R=n2/na2,其中n2为该线路段灾害故障次数,na2为区域a灾害故障的总次数,则路段k考虑潮流扰动的连锁故障易发态势由平均故障率和故障传播度组成:
步骤(2)利用对数合成的方法,同时引入均方差共同描述配电网内部运行态势,当均方差大于临界值σ0时,可忽略较小的指标值,取剩余指标值计算,即:
4.根据权利要求1所述的一种基于环境数据预测的配电网韧性提升策略,其特征是:步骤3所述的提出基于环境数据的配电网故障承载力评估方法,提出基于气象、时间等环境数据的配电网故障承载力评估方法:
第1.基于环境数据的配电网联络线效能分析和承载力评估方法,从场景发生概率方面分析配电网承载力和安全转供负荷的能力。
uhi=FhFi
uhij=FhFiFj
uhijk=FhFiFjFk
...
式中:ψh——表示该区域配电网中仅有元件h故障的场景发生概率;
ψhi——表示该区域配电网中仅有元件h及元件i故障的场景发生概率;
ψhij——表示该区域配电网中仅有元件h、元件i及元件j故障的场景发生概率;
uh——表示元件h故障的发生概率;
uhi——表示元件h和元件i同时故障的发生概率;
uhij——表示元件h、i、j同时故障的场景发生概率;
uhijk——表示元件h、i、j、k同时故障的发生概率;
F为相应架空线路元件的薄弱率。
m∈[a,b]
第2.从信息熵值方面分析配电网承载力和安全转供负荷的能力。
故障数置信区间可以观测某类场景的可信程度,但无法针对具体场景做出判断,而信息熵可以从不确定性的角度分析任意场景的合理性。因此利用信息熵原理从过渡场景集中再次筛选。信息熵(informationentropy)用于描述信源的不确定度,C.E.Shannon从热力学中借用这一概念并利用数学语言阐明了随机事件概率与信息冗余度的关系,由此可以计算某随机场景下的信息熵值H(si)。
式中,为线路k在t时刻的薄弱率,为线路k在t时刻的状态。当故障数m一定时,线路薄弱率越小,故障场景发生概率越小,信息熵值越大,表明发生这种场景的不确定度越小,场景模拟效果越符合典型故障场景,反之亦然。可借助数学拟合的方法将离散点集合拟合对数曲线,数学表达式为:
ft,m:H(si)=-K ln P(si)-L,K>0,L>0
其中,K和L为系数。可以看出拟合函数严格遵循单调递减,合理的场景必须保证场景发生概率和信息熵值处于一定范围内,即
Pmin≤P≤Pmax
Hmin≤H≤Hmax
式中,Pmin和Pmax代表场景概率阈值,Hmin和Hmax代表信息熵上下限。取值范围是根据场景坐标的概率分布决定的。若场景坐标值大部分落在某一区域内,则将约束围成的区域作为典型场景区域,属于该区域的坐标[P(si),H(si)]对应的场景组成典型的场景集,用表示。因此,t时刻的典型场景可求解:
上述过程只能根据灾害某时刻的系统运行状态做出预测,无法适用于整个时间尺度内,因而预测结果具有明显缺陷,缺乏说服力。为了实现灾害全过程的故障场景筛选,需要确定场景预测初始时刻和灾害结束时刻。本文规定若某条线路的覆冰厚度R>1mm则开始故障场景预测与筛选流程。然后设置合适的步长,求解各时刻的结果,最后求出它们的并集作为最终的预测结果,用sGTFS表示。由于针对全局的防御计划具有惟一性,所选场景应包含尽可能多的线路,这意味着可以尽可能多的对这些高风险线路采取防御措施:
故障场景筛选流程如图1和2所示。
5.根据权利要求1所述的一种基于环境数据预测的配电网韧性提升策略,其特征是:步骤4所述利用系统性能的变化来反映冰灾对配电网韧性的影响,根据系统性能曲线变化过程将冰灾全过程划分为三个阶段,即灾前预警阶段、灾时防御阶段和灾后修复阶段,建立配电网韧性评估模型;
第1.系统功能曲线图3描述了配电网在某个具体灾害中的响应情况,所以由此定义的指标,也只能够描述配电网在此灾害下的韧性。其中,Ql是较低的性能变化曲线,Qn是正常情况下的性能曲线,Qh是较高的性能变化曲线。ts表示灾害初始时刻,t0表示扰动时刻,此时薄弱率开始逐渐增大,系统性能开始降低。tr表示真实故障发生时刻,tm表示系统状态稳定时刻,tn表示灾害结束时刻,te表示完成修复时刻。QN表示系统正常性能值,Q(tr)、Q(tm)、Q(tn)分别是故障时刻、系统稳定、灾害结束时的性能。
系统性能函数模型如下式所示:
式中:qk(t)——表示节点的负荷水平;
Fk(t)——表示配电线路的薄弱率;
ρ(t)——表示恢复能力因子;
恢复能力因子是指系统通过操作可以恢复的百分比,计算公式为:
式中:ΔQ(t)——为单位时间内负荷量的变化值;
Qr(t)——为通过操作可以被提升的负荷量,本文认为只有当系统不进行调度和操作时Qr(t)=0成立。
响应速度因子与恢复响应速度和人工修复的时长有关,计算公式为:
D1——表示未发生故障的线路集合,它包含正常运行的线路、通过防御计划被保护的线路以及未被保护的停电线路;
D2——表示发生故障的线路集合,其中D1∪D2=D。
第2.建立考虑经济因素的配电网韧性评估指标计算模型,它可以从鲁棒性、充裕性和快速性三个方面综合表衡量韧性恢复力提升策略的效果。表达式为:
式中,REERT是配电网韧性指数,REERT值越大表明提升效果越好;Px为场景发生的概率,ι为系数。
6.根据权利要求1所述的一种基于环境数据预测的配电网韧性提升策略,其特征是:步骤5所述提出的配电网韧性评估模型旨在灾变防御阶段和灾后恢复阶段两个时期分别实施提升配电网韧性的规划和调度措施,进而提出环境数据预判下的配电网韧性提升策略。
其中,策略步骤包括:
步骤a.利用气象预报估计灾害的严重程度和持续时间,预测灾害过程中可能发生的故障并启动储备资源使配电网处于主动防御状态。储备资源包括备用联络线、分布式电源(DGs)、储能系统(ESS)以及后备电源等。DGs和ESS可以极大地促进具有内置灵活性的配电网的发展,是提升韧性的关键手段;负荷转供因其操作简便、响应速度快和低成本的优点也在主动防御过程中占据重要作用。
步骤b.综合考虑抢修物资、地理位置与维修人员分配方案,在故障发生后调动抢修资源恢复故障区域。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111234941.8A CN113962461A (zh) | 2021-10-22 | 2021-10-22 | 一种基于环境数据预测的配电网韧性提升策略 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111234941.8A CN113962461A (zh) | 2021-10-22 | 2021-10-22 | 一种基于环境数据预测的配电网韧性提升策略 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113962461A true CN113962461A (zh) | 2022-01-21 |
Family
ID=79466396
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111234941.8A Pending CN113962461A (zh) | 2021-10-22 | 2021-10-22 | 一种基于环境数据预测的配电网韧性提升策略 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113962461A (zh) |
Cited By (12)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330244A (zh) * | 2022-08-26 | 2022-11-11 | 天津大学 | 考虑电网支路故障概率变化韧性指标快速修正方法 |
CN115528686A (zh) * | 2022-11-24 | 2022-12-27 | 东方电子股份有限公司 | 基于边缘计算的分布式配电故障处理系统及方法 |
CN115809836A (zh) * | 2023-02-09 | 2023-03-17 | 华南理工大学 | 考虑分布式储能应急供电能力的配电网韧性规划的方法 |
CN116245269A (zh) * | 2023-04-28 | 2023-06-09 | 华北电力大学 | 一种在暴雨灾害下的城市配电网韧性提升方法 |
CN116308887A (zh) * | 2023-05-12 | 2023-06-23 | 北京迅巢科技有限公司 | 一种智能配电集成平台模型构建方法 |
CN116471124A (zh) * | 2023-06-19 | 2023-07-21 | 长通智能(深圳)有限公司 | 基于大数据信息进行分析的计算机网络安全预测系统 |
CN117394311A (zh) * | 2023-09-26 | 2024-01-12 | 国网宁夏电力有限公司经济技术研究院 | 一种基于多源信息融合的配电网韧性评估及紧急控制方法 |
CN117571056A (zh) * | 2023-11-22 | 2024-02-20 | 江苏腾丰环保科技有限公司 | 一种基于物联网的环境保护监测方法、系统 |
CN117688475A (zh) * | 2024-02-04 | 2024-03-12 | 山东电工时代能源科技有限公司 | 基于灾害预测的能源网评估方法、系统、终端及存储介质 |
CN117745084A (zh) * | 2024-02-21 | 2024-03-22 | 国网山东省电力公司东营供电公司 | 一种极端气象下两阶段电力系统运行风险评估方法及系统 |
CN117878926A (zh) * | 2024-03-11 | 2024-04-12 | 国网上海市电力公司 | 一种韧性电网的监测预警和应急处理方法和系统 |
CN117745084B (zh) * | 2024-02-21 | 2024-05-31 | 国网山东省电力公司东营供电公司 | 一种极端气象下两阶段电力系统运行风险评估方法及系统 |
-
2021
- 2021-10-22 CN CN202111234941.8A patent/CN113962461A/zh active Pending
Cited By (17)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115330244A (zh) * | 2022-08-26 | 2022-11-11 | 天津大学 | 考虑电网支路故障概率变化韧性指标快速修正方法 |
CN115528686A (zh) * | 2022-11-24 | 2022-12-27 | 东方电子股份有限公司 | 基于边缘计算的分布式配电故障处理系统及方法 |
CN115809836A (zh) * | 2023-02-09 | 2023-03-17 | 华南理工大学 | 考虑分布式储能应急供电能力的配电网韧性规划的方法 |
CN115809836B (zh) * | 2023-02-09 | 2023-05-23 | 华南理工大学 | 考虑分布式储能应急供电能力的配电网韧性规划的方法 |
CN116245269A (zh) * | 2023-04-28 | 2023-06-09 | 华北电力大学 | 一种在暴雨灾害下的城市配电网韧性提升方法 |
CN116308887B (zh) * | 2023-05-12 | 2023-08-11 | 北京迅巢科技有限公司 | 一种智能配电集成平台模型构建方法 |
CN116308887A (zh) * | 2023-05-12 | 2023-06-23 | 北京迅巢科技有限公司 | 一种智能配电集成平台模型构建方法 |
CN116471124B (zh) * | 2023-06-19 | 2023-11-21 | 国信金宏(成都)检验检测技术研究院有限责任公司 | 基于大数据信息进行分析的计算机网络安全预测系统 |
CN116471124A (zh) * | 2023-06-19 | 2023-07-21 | 长通智能(深圳)有限公司 | 基于大数据信息进行分析的计算机网络安全预测系统 |
CN117394311A (zh) * | 2023-09-26 | 2024-01-12 | 国网宁夏电力有限公司经济技术研究院 | 一种基于多源信息融合的配电网韧性评估及紧急控制方法 |
CN117394311B (zh) * | 2023-09-26 | 2024-05-24 | 国网宁夏电力有限公司经济技术研究院 | 一种基于多源信息融合的配电网韧性评估及紧急控制方法 |
CN117571056A (zh) * | 2023-11-22 | 2024-02-20 | 江苏腾丰环保科技有限公司 | 一种基于物联网的环境保护监测方法、系统 |
CN117571056B (zh) * | 2023-11-22 | 2024-05-24 | 山东兰陵经济开发区管理委员会 | 一种基于物联网的环境保护监测方法、系统 |
CN117688475A (zh) * | 2024-02-04 | 2024-03-12 | 山东电工时代能源科技有限公司 | 基于灾害预测的能源网评估方法、系统、终端及存储介质 |
CN117745084A (zh) * | 2024-02-21 | 2024-03-22 | 国网山东省电力公司东营供电公司 | 一种极端气象下两阶段电力系统运行风险评估方法及系统 |
CN117745084B (zh) * | 2024-02-21 | 2024-05-31 | 国网山东省电力公司东营供电公司 | 一种极端气象下两阶段电力系统运行风险评估方法及系统 |
CN117878926A (zh) * | 2024-03-11 | 2024-04-12 | 国网上海市电力公司 | 一种韧性电网的监测预警和应急处理方法和系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113962461A (zh) | 一种基于环境数据预测的配电网韧性提升策略 | |
Guo et al. | A multi-state model for transmission system resilience enhancement against short-circuit faults caused by extreme weather events | |
CN111539566B (zh) | 一种考虑灾前预调度的配电网多故障抢修恢复方法及系统 | |
CN107516170A (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN107292478B (zh) | 一种灾害对配电网影响态势的获取方法 | |
CN109214552A (zh) | 基于集成学习光伏预测的智能运维方法 | |
Ge et al. | Evaluation of the situational awareness effects for smart distribution networks under the novel design of indicator framework and hybrid weighting method | |
Liu et al. | Research on fault scenario prediction and resilience enhancement strategy of active distribution network under ice disaster | |
Song et al. | Resilient power grid for smart city | |
Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
CN114117730A (zh) | 一种在台风灾害下配电网弹性评估方法 | |
CN113657619A (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 | |
Zhang et al. | Data-driven risk assessment early-warning model for power system transmission congestions | |
Wang et al. | Early warning of distribution transformer based on bp neural network considering the influence of extreme weather | |
CN114004550B (zh) | 自然灾害下电网应急抢修与恢复调度协同决策方法及系统 | |
CN116014790A (zh) | 一种含分布式能源的配电网弹性评估方法 | |
Mu et al. | Cascading Fault Early Warning and Location Method of Transmission Networks Based on Wide Area Time-Series Power System State | |
Li et al. | A three-dimensional resilience index evaluation system for the distribution network under flood disaster | |
Liu et al. | A resilience enhancement scheme of cyber-physical power system for extreme natural disasters | |
Lin et al. | A Resilience-based Comprehensive Evaluation Framework for All-Electric Ship | |
Kumar et al. | Evaluation of loss of load expected in an integrated energy system | |
Latorre et al. | A stochastic-robust approach to hierarchical generation-transmission expansion planning | |
Qi et al. | Vulnerability assessment based on operational reliability weighted and preventive planning | |
Zhu et al. | Cascading Failure Chains Screening Model of AC-DC hybrid Power System | |
de Luján Latorre et al. | A stochastic-robust approach to hierarchical generation-transmission expansion planning |
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 |