CN114266370A - 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 - Google Patents
一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 Download PDFInfo
- Publication number
- CN114266370A CN114266370A CN202111603132.XA CN202111603132A CN114266370A CN 114266370 A CN114266370 A CN 114266370A CN 202111603132 A CN202111603132 A CN 202111603132A CN 114266370 A CN114266370 A CN 114266370A
- Authority
- CN
- China
- Prior art keywords
- fault
- power grid
- equipment
- information
- typhoon
- 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
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质，方法包括以下步骤：基于大数据的台风气象环境电网设备故障量化评估和故障预案在线智能生成，通过样本数据生成、基于机器学习算法的风险预测模型训练、风险预测模型持久化、电网设备风险在线量化预警、基于气象信息的N‑m动态故障集生成、初始化方式数据合格率检查、准稳态时域仿真和潮流信息输出、安控动作和辅助决策信息输出、在线形成故障预案。本发明的方法可为电网调度运行风险预控提供重要决策支持。
Description
技术领域
本发明涉及一种台风气象环境电网设备故障处置预案在线生成方法，属于电网调度技术领域。
背景技术
电网设备易受台风恶劣气象环境影响发生跳闸或非计划强迫停运，国内外开展了大量灾害性气象环境下判断输电线路的停运概率大小的研究。现有的研究已经考虑到要将静态的电网模型转换成动态电网运行模式集成到运行风险方法中，但此类研究只能根据电网设备典型模型进行停运概率的估计，并未考虑处于户外运行的输变电设备所处的微气象、地理环境、设备环境性能、设备疲劳特性均是在不断变化的，也未考虑高风险概率故障后电网中的各类安全自动装置的响应情况和需要采取的控制措施。编制电网故障处置预案是帮助电网调度员处置电网故障异常事件、理清故障处理思路的重要措施。原有的故障处置预案编制主要依赖调度员根据运行经验基于若干电网典型运行方式人工编制而成，且预案编制故障集采用穷举法事前对系统中所有可能遭受恶劣气象环境影响的设备发生N-1、N-2、N-m预想故障进行编制，难以做到实时跟踪大面积恶劣气象环境做出有针对性地滚动更新，导致离线编制预案存在经验化、定性化和可执行性不足等缺点。
发明内容
本发明所要解决的技术问题是：现有的电网故障处置预案编制主要依赖调度员根据运行经验基于若干电网典型运行方式人工编制而成，存在经验化、定性化和可执行性不足。
为解决上述技术问题，本发明提供一种台风气象环境电网设备故障处置预案在线生成方法，包括以下步骤：
对台风气象环境电网设备进行故障量化评估，包括以下步骤：
11)生成样本数据；
12)利用样本数据生成若干训练集，采用机器学习算法对风险预测模型进行训练；
13)实时获取台风预报与实测信息，输入训练好的风险预测模型，在线生成电网设备风险预警信息；
14)根据步骤13)得到的电网设备风险预警信息，包括风险设备及风险等级信息，生成基于气象信息的N-m预想故障集；
在线生成故障预案，包括如下步骤：
21)选取初始运行方式数据，并进行数据检查，判断数据的可用性；
22)将初始运行方式数据、N-m预想故障集作为输入数据，采用电力时域仿真系统进行故障预案的中长期仿真分析，确定故障后受影响设备的范围；
23)根据N-m预想故障集信息，确定预想故障发生后安控装置应采取的控制措施及控制量；根据步骤22)中设备故障后的稳态潮流信息及故障后受影响设备的范围，如果存在设备潮流不安全情况，则输出辅助决策调控信息；
24)将步骤23)得到的安控装置动作和辅助决策调控信息按照设定标准输出形成可读取的故障预案。
一种台风气象环境电网设备故障处置预案在线生成系统，包括以下功能模块：
样本模块：生成样本数据；
模型训练模块：利用样本数据生成若干训练集，采用机器学习算法对风险预测模型进行训练；
风险预警信息模块：实时获取台风预报与实测信息，输入训练好的风险预测模型，在线生成电网设备风险预警信息；
模块：根据得到的电网设备风险预警信息，包括风险设备及风险等级信息，生成基于气象信息的N-m预想故障集；
初始化数据模块：选取初始运行方式数据，并进行数据检查，判断数据的可用性；
仿真分析模块：将初始运行方式数据、N-m预想故障集作为输入数据，采用电力时域仿真系统进行故障预案的中长期仿真分析，确定故障后受影响设备的范围；
辅助决策调控模块：根据N-m预想故障集信息，确定预想故障发生后安控装置应采取的控制措施及控制量；根据设备故障后的稳态潮流信息及故障后受影响设备的范围，如果存在设备潮流不安全情况，则输出辅助决策调控信息；
故障预案生成模块：将得到的安控装置动作和辅助决策信息按照设定标准输出形成可读取的故障预案。
一种计算机可读存储介质，用于存储上述的台风气象环境电网设备故障处置预案在线生成系统及方法。
本发明所达到的有益效果：本发明的方法使用机器学习技术训练学习台风恶劣灾害气象导致电网设备故障的规律和特点，建立风险预测模型，克服了气象风险模型需要不断根据实际情况修正的困难，实时跟踪大面积恶劣气象环境并进行电网设备风险量化预警，有针对性地滚动更新电网故障预案，考虑了高风险概率设备故障后电网中的各类安全自动装置的响应情况和需要采取的控制措施，实际应用表明,本发明的方法可提升台风灾害天气下电网运行风险预警预控能力，为电网调度运行风险预控提供重要决策支持。
附图说明
图1是本发明台风气象环境电网设备风险量化预警及其N-m故障处置预案在线生成方法的示意图；
图2是训练样本数据使用的台风气象信息基础数据组成图；
图3是电网设备风险在线量化预警待预测线路监测点的确定方法示意图。
具体实施方式
下面结合附图对本发明作更进一步的说明。
实施例1
如图1所示，本发明提供一种台风气象环境电网设备故障处置预案在线生成方法，包括以下步骤：
对台风气象环境电网设备进行故障量化评估，具体包括以下步骤：
11)生成样本数据；
12)利用样本数据生成若干训练集，采用机器学习算法对风险预测模型进行训练；
13)实时获取台风预报与实测信息，输入训练好的风险预测模型，在线生成电网设备风险预警信息；
14)根据步骤13)得到的电网设备风险预警信息，包括风险设备及风险等级等信息，生成基于气象信息的N-m预想故障集；
在线生成故障预案，具体包括如下步骤：
21)选取初始运行方式数据，并进行数据检查，判断数据的可用性；
22)将初始运行方式数据、N-m预想故障集作为输入数据，采用电力时域仿真系统进行故障预案的中长期仿真分析，确定故障后受影响设备的范围；
23)根据N-m预想故障集信息，确定预想故障发生后安控装置应采取的控制措施及控制量；根据步骤22)中设备故障后的稳态潮流信息及故障后受影响设备的范围，如果存在设备潮流不安全情况，则输出辅助决策调控信息；
24)将步骤23)得到的安控装置动作和辅助决策信息按照设定标准输出形成可读取的故障预案。
在所述步骤11)中，样本数据包含故障样本数据和非故障样本数据，所述故障样本信息包括台风期间引起的故障线路信息和对应的台风等气象信息；所述非故障样本信息包括非故障线路信息和对应的台风等气象信息。
如图2所示，实施例中针对2012～2020年华东主网历次输电通道设备的故障提取机器学习使用的正负样本特征：故障点/非故障点经纬度、台风中心经纬度、监测点到台风中心距离、中心气压、风速、风向、7级风圈、10级风圈、移动速度、移动方向、台风网格风速、台风网格风向，根据提取的样本特征信息，通过数据清洗、预处理及特征量数据转换，排除非台风灾害导致的故障案例，台风灾害的故障线路还要进一步排除因漂浮物等非台风直接原因导致的故障案例，生成机器学习使用的训练样本数据。
在步骤12)中，采用机器学习算法对风险预测模型训练，包括如下步骤：从样本数据中有召回地随机抽样生成若干训练集，采用机器学习算法进行风险预测模型的训练和参数调优，利用准确确率和召回率两个指标对风险预测模型训练结果进行评判，生成准确率在设定值一(如90％)以上、召回率在设定值二(如50％)以上的风险预测模型。
具体地，梳理历史故障时刻的台风数据，针对风速、风圈半径等关键特征数据缺失的情况，采取多数据源查询、插值计算等方法进行补全，提高训练样本的完整性，进一步结合历史台风数据对故障样本进行仔细梳理、排除与台风天气没有明显关联的故障案例，针对原始样本中相互之间有关联关系的特征，通过特征组合的方式增加特征的维度，合理扩充机器学习的样本特征量。使用精确率和召回率两个指标评判模型训练的成绩，生成精确率在90％以上且召回率在50％以上的风险预测模型。
在输电通道台风天气故障风险预测场景中，由于故障点正样本明显少于非故障点负样本，正负样本数据集存在分类不均衡的问题，机器学习常用的准确率指标并不能全面反映模型预测能力，在极端情况下，机器学习模型将所有样本都预测为负样本也能获得很高的得分，因此在本发明中使用准确率和召回率两个指标来评判模型的成绩，如下式所示：
式中，η1为准确率；η2为召回率；TP为真故障点；FP为假故障点；FN为假非故障点。
为实现风险预测模型持久化，将训练后的风险预测模型输出保存到本地存储设备或者内存中，可以采用基于python的pickle模块或者sklearn内部的joblib模块将训练好的风险预测模型保存到本地存储设备或者内存中。
在步骤13)中，对电网设备风险进行在线量化预警过程中,包括如下步骤：
a.实时获取台风预报与实测信息，获取台风中心设定(如200kM)范围内的电网设备信息；
b.加载保存的训练好的风险预测模型；
c.将台风预报与实测信息、台风中心设定范围内的电网设备信息作为输入参数，传入到风险预测模型中进行风险预测，生成电网设备风险预警信息。
如图3所示，对于待预测的线路扫描按线路杆塔分为逐个的监测点，如：一条线路由多个杆塔G1～G4组成，则将这些杆塔位置的中间位置e2～e4作为风险监测点，同时考虑两端厂站位置(即A、B位置)将e1和e5一起组成一条线路的完整监测点，最终由每个监测点处的特征数据构成预测数据集。
在步骤14)中，在生成基于气象信息的N-m预想故障集过程中，步骤13)得到的电网设备风险预警信息中包括风险设备及风险等级等信息，根据预设的风险类型采用不同的规则，生成用于实时在线安全分析使用的预想故障集，如电力系统中共有N个设备，有m个设备发生故障，则称为N-m故障，进一步对预想故障集的风险量化评估按气象预报时间周期滚动进行，形成未来一个周期时段气象风险故障的预想故障集，综合考虑台风气象影响的故障设备，则形成风险设备N-m预想故障集，实现实时下一时段各时间断面点的在线安全分析。
在步骤21)中，通过初始化方式检查数据合格率过程中，选取电网状态估计实时或未来态断面数据作为特定方式(特定方式是选定的电网初始化方式)或临时故障在线故障预案计算的初始运行方式数据，并进行数据检查，包括单个节点有功/无功平衡误差检查、全网节点有功/无功平衡检查、发电机机端电压合格率检查等，检查初始运行方式数据的可用性，如果数据可用，则进一步统计全网典型区域的发电及负荷水平，用于确定后续故障预案文件的初始运行方式，在电力系统中，故障预案文件是针对N-m故障制定的处置方案，N-m预想故障集中每一条记录都有对应的故障预案文件。
在步骤22)中，在进行准稳态时域仿真、输出潮流信息过程中，将初始运行方式数据、N-m预想故障集作为输入数据，采用电力时域仿真系统进行故障预案的中长期仿真分析，获取设备故障后的稳态潮流信息，基于故障后稳态潮流，通过计算故障后电网设备潮流转移、安全裕度，确定故障后受影响设备的范围。
在步骤23)中，在安控装置动作、输出辅助决策信息过程中，具体包括以下步骤：
根据N-m预想故障集信息，从指定的电网运行方式中获取电网设备的潮流和可控设备状态，查找控制策略表匹配运行方式，确定预想故障发生后安控装置应采取的控制措施及控制量；所述控制策略表是电力系统中针对可能发生的故障提前制定的电网稳控装置控制策略表。
在电力故障时域仿真过程中满足第二道防线、三道防线控制方案，模拟实际电网自动装置动作过程，在线模拟输出安控装置应采取的控制措施及控制量，根据稳态安全稳定评估结果，即步骤22)中设备故障后的稳态潮流信息及故障后受影响设备的范围，如果存在设备潮流不安全情况，则输出辅助决策调控信息，包括调整发电机有功/无功出力、直流功率、负荷及容抗器。
在步骤24)中，在线形成故障预案过程中,将步骤23)得到的安控装置动作和辅助决策信息按照设定标准输出形成可读取的故障预案，所述设定标准可以为《电网故障处置预案编制与校核技术规范》企业标准。
一种台风气象环境电网设备故障处置预案在线生成系统，包括以下功能模块：
样本模块：生成样本数据；
模型训练模块：利用样本数据生成若干训练集，采用机器学习算法对风险预测模型进行训练；
风险预警信息模块：实时获取台风预报与实测信息，输入训练好的风险预测模型，在线生成电网设备风险预警信息；
模块：根据得到的电网设备风险预警信息，包括风险设备及风险等级信息，生成基于气象信息的N-m预想故障集；
初始化数据模块：选取初始运行方式数据，并进行数据检查，判断数据的可用性；
仿真分析模块：将初始运行方式数据、N-m预想故障集作为输入数据，采用电力时域仿真系统进行故障预案的中长期仿真分析，确定故障后受影响设备的范围；
辅助决策调控模块：根据N-m预想故障集信息，确定预想故障发生后安控装置应采取的控制措施及控制量；根据设备故障后的稳态潮流信息及故障后受影响设备的范围，如果存在设备潮流不安全情况，则输出辅助决策调控信息；
故障预案生成模块：将得到的安控装置动作和辅助决策信息按照设定标准输出形成可读取的故障预案。
一种计算机可读存储介质，用于存储上述的台风气象环境电网设备故障处置预案在线生成系统及方法。
实施例2
在步骤23)中，处置措施性能指标，用于评价预想故障发生后安控装置控制措施及控制量、辅助决策调控措施的性能指标，包括：
设备过载/断面越限处置措施性能指标，计算如下式：
式中：PIp.j.s为第j个调整措施对于设备过载/断面越限的控制性能指标；ik1为故障发生后稳态设备过载/断面越限的薄弱设备数；sp.j.i为第j个可选措施稳态下对第i个设备/断面有功的灵敏度；λi为稳态下第i个设备/断面的过载/越限裕度；Pcr.i稳态下中第i个设备/断面安全有功门槛值；Gp为可控措施最大数；Cp.j为第j个可选措施单位功率的控制代价。
所述第二道防线、三道防线控制方案为公知技术方案，所述第二道防线为采用稳定控制装置及切杋、切负荷等措施，实现在发生大扰动情况下电力系统的稳定性；所述第三道防线为当电力系统遇到多重严重故障而稳定破坏时，依靠失步解列装置将失步的电网解列，并由频率及电压紧急控制装置保持解列后两部分电网功率的平衡，防止事故扩大、防止大面积停电；
控制措施调整对于电压不安全(包含越上限和越下限)的控制性能指标计算公式如下：
j＝1,2,...,Gq (9)
式中：PIq.j.s为其中第j个调整措施对于电压越限的控制性能指标，ik2为故障发生后稳态下电压越下限的薄弱节点数，ηL.i为故障发生后稳态下中第i个薄弱节点的电压越下限裕度，sq.j.i为第j个无功调节措施对第i个薄弱节点电压的灵敏度，VL.i为第i个节点稳态电压距下限安全门槛值，VH.i为第i个节点稳态电压距上限安全门槛值，ik3为故障发生后稳态下电压越上限的薄弱节点数，ηH.i为故障发生后稳态下中第i个节点的电压越上限裕度，s'q.j.i为第j个无功调节措施对第i个薄弱节点电压的灵敏度，ω用于确定调节方向，Gq为可控措施最大数；若第j个节点是投电容器或退电抗器，则ω取值为-1，若第j个节点是退电容器或投电抗器，则ω取值为1。
控制措施调整对于频率安全(包含越上限和越下限)的控制性能指标计算公式如下：
式中：PIf.j.s为其中第j个调整措施对于频率越限的控制性能指标，kL.f.j为第j个可选措施对电网低频的控制灵敏度；ηf.L为稳态频率越下限裕度；fL.M为频率上限控制门槛；fH.M为频率下限控制门槛，k'L.f.j为第j个可选措施对电网高频的控制灵敏度，ηf.H为稳态频率越上限裕度；Gf为可控措施最大数；Cg.j为第j个可选措施单位功率的控制代价；
用于确定调节方向，当频率越上限时
取值1，当频率越上限时
取值-1。
其它技术特征与实施例1相同。
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。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。
Claims (11)
1.一种台风气象环境电网设备故障处置预案在线生成方法，其特征在于，包括以下步骤：
对台风气象环境电网设备进行故障量化评估，具体包括以下步骤：
11)生成样本数据；
12)利用样本数据生成若干训练集，采用机器学习算法对风险预测模型进行训练；
13)实时获取台风预报与实测信息，并输入训练好的风险预测模型，在线生成电网设备风险预警信息；
14)根据步骤13)得到的电网设备风险预警信息，生成基于气象信息的N-m预想故障集；
在线生成故障预案，具体包括如下步骤：
21)选取初始运行方式数据，并进行数据检查，判断数据的可用性；
22)将初始运行方式数据、N-m预想故障集作为输入数据，采用电力时域仿真系统进行故障预案的中长期仿真分析，确定故障后受影响设备的范围；
23)根据N-m预想故障集信息，确定预想故障发生后安控装置应采取的控制措施及控制量；根据步骤22)中设备故障后的稳态潮流信息及故障后受影响设备的范围，如果存在设备潮流不安全情况，则输出辅助决策调控信息；
24)将步骤23)得到的安控装置动作和辅助决策信息按照设定标准输出形成可读取的故障预案。
2.根据权利要求1所述的台风气象环境电网设备故障处置预案在线生成方法，其特征在于：在所述步骤11)中，样本数据包含故障样本数据和非故障样本数据，所述故障样本信息包括台风期间引起的故障线路信息和对应的台风气象信息；所述非故障样本信息包括非故障线路信息和对应的台风气象信息。
3.根据权利要求1所述的台风气象环境电网设备故障处置预案在线生成方法，其特征在于：在步骤12)中包括如下步骤：从样本数据中有召回地随机抽样生成若干训练集，采用机器学习算法进行风险预测模型的训练和参数调优，利用准确确率和召回率两个指标对风险预测模型训练结果进行评判，生成准确率在设定值一以上、召回率在设定值二以上的风险预测模型。
4.根据权利要求1所述的台风气象环境电网设备故障处置预案在线生成方法，其特征在于：在步骤13)中，对电网设备风险进行在线量化预警过程中,包括如下步骤：
a.实时获取台风预报与实测信息，获取台风中心设定范围内的电网设备信息；
b.加载保存的训练好的风险预测模型；
c.将台风预报与实测信息、台风中心设定范围内的电网设备信息作为输入参数，传入到风险预测模型中进行风险预测，生成电网设备风险预警信息。
5.根据权利要求1所述的台风气象环境电网设备故障处置预案在线生成方法，其特征在于：在步骤14)中，将步骤13)得到的电网设备风险预警信息，包括风险设备及风险等级，根据预设的风险类型采用不同的规则，生成用于实时在线安全分析使用的预想故障集，如电力系统中共有N个设备，有m个设备发生故障，则称为N-m故障，则形成风险设备N-m预想故障集。
6.根据权利要求1所述的台风气象环境电网设备故障处置预案在线生成方法，其特征在于：在步骤21)中，通过初始化方式检查数据合格率过程中，选取电网状态估计实时或未来态断面数据作为特定方式或临时故障在线故障预案计算的初始运行方式数据，并进行数据检查，包括单个节点有功/无功平衡误差检查、全网节点有功/无功平衡检查、发电机机端电压合格率检查；检查初始运行方式数据的可用性，如果数据可用，则进一步统计全网典型区域的发电及负荷水平，用于确定后续故障预案文件的初始运行方式。
7.根据权利要求1所述的台风气象环境电网设备故障处置预案在线生成方法，其特征在于：在步骤22)中，将初始运行方式数据、N-m预想故障集作为输入数据，采用电力时域仿真系统进行故障预案的中长期仿真分析，获取设备故障后的稳态潮流信息，基于故障后稳态潮流，通过计算故障后电网设备潮流转移、安全裕度，确定故障后受影响设备的范围。
8.根据权利要求1所述的台风气象环境电网设备故障处置预案在线生成方法，其特征在于,在步骤23)中包括以下步骤：根据N-m预想故障集信息，从指定的电网运行方式中获取电网设备的潮流和可控设备状态，查找控制策略表匹配运行方式，确定预想故障发生后安控装置应采取的控制措施及控制量；
在电力故障时域仿真过程中满足第二道防线、三道防线控制方案，模拟实际电网自动装置动作过程，在线模拟输出安控装置应采取的控制措施及控制量，根据步骤22)中设备故障后的稳态潮流信息及故障后受影响设备的范围，如果存在设备潮流不安全情况，则输出辅助决策调控信息，包括调整发电机有功/无功出力、直流功率、负荷及容抗器。
9.根据权利要求8所述的台风气象环境电网设备故障处置预案在线生成方法，其特征在于：处置措施性能指标包括：
设备过载/断面越限处置措施性能指标，计算如下式：
式中：PIp.j.s为第j个调整措施对于设备过载/断面越限的控制性能指标；ik1为故障发生后稳态设备过载/断面越限的薄弱设备数；sp.j.i为第j个可选措施稳态下对第i个设备/断面有功的灵敏度；λi为稳态下第i个设备/断面的过载/越限裕度；Pcr.i稳态下中第i个设备/断面安全有功门槛值；Gp为可控措施最大数；Cp.j为第j个可选措施单位功率的控制代价；
控制措施调整对于电压不安全的控制性能指标计算公式如下：
式中：PIq.j.s为其中第j个调整措施对于电压越限的控制性能指标，ik2为故障发生后稳态下电压越下限的薄弱节点数，ηL.i为故障发生后稳态下中第i个薄弱节点的电压越下限裕度，sq.j.i为第j个无功调节措施对第i个薄弱节点电压的灵敏度，VL.i为第i个节点稳态电压距下限安全门槛值，VH.i为第i个节点稳态电压距上限安全门槛值，ik3为故障发生后稳态下电压越上限的薄弱节点数，ηH.i为故障发生后稳态下中第i个节点的电压越上限裕度，s'q.j.i为第j个无功调节措施对第i个薄弱节点电压的灵敏度，ω用于确定调节方向，Gq为可控措施最大数；
控制措施调整对于频率安全的控制性能指标计算公式如下：
式中：PIf.j.s为其中第j个调整措施对于频率越限的控制性能指标，kL.f.j为第j个可选措施对电网低频的控制灵敏度；ηf.L为稳态频率越下限裕度；fL.M为频率上限控制门槛；fH.M为频率下限控制门槛，k'L.f.j为第j个可选措施对电网高频的控制灵敏度，ηf.H为稳态频率越上限裕度；Gf为可控措施最大数；Cg.j为第j个可选措施单位功率的控制代价；
用于确定调节方向。
10.一种台风气象环境电网设备故障处置预案在线生成系统，其特征在于，包括以下功能模块：
样本模块：生成样本数据；
模型训练模块：利用样本数据生成若干训练集，采用机器学习算法对风险预测模型进行训练；
风险预警信息模块：实时获取台风预报与实测信息，输入训练好的风险预测模型，在线生成电网设备风险预警信息；
模块：根据得到的电网设备风险预警信息，包括风险设备及风险等级信息，生成基于气象信息的N-m预想故障集；
初始化数据模块：选取初始运行方式数据，并进行数据检查，判断数据的可用性；
仿真分析模块：将初始运行方式数据、N-m预想故障集作为输入数据，采用电力时域仿真系统进行故障预案的中长期仿真分析，确定故障后受影响设备的范围；
辅助决策调控模块：根据N-m预想故障集信息，确定预想故障发生后安控装置应采取的控制措施及控制量；根据设备故障后的稳态潮流信息及故障后受影响设备的范围，如果存在设备潮流不安全情况，则输出辅助决策调控信息；
故障预案生成模块：将得到的安控装置动作和辅助决策信息按照设定标准输出形成可读取的故障预案。
11.一种计算机可读存储介质，用于存储上权利要求1-9中任一项所述的台风气象环境电网设备故障处置预案在线生成方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111603132.XA CN114266370A (zh) | 2021-12-24 | 2021-12-24 | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202111603132.XA CN114266370A (zh) | 2021-12-24 | 2021-12-24 | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN114266370A true CN114266370A (zh) | 2022-04-01 |
Family
ID=80830224
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202111603132.XA Pending CN114266370A (zh) | 2021-12-24 | 2021-12-24 | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN114266370A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350548A (zh) * | 2023-12-04 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
-
2021
- 2021-12-24 CN CN202111603132.XA patent/CN114266370A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117350548A (zh) * | 2023-12-04 | 2024-01-05 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
| CN117350548B (zh) * | 2023-12-04 | 2024-04-16 | 国网浙江省电力有限公司宁波供电公司 | 一种配电设备安全隐患排查方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN105117602B (zh) | 一种计量装置运行状态预警方法 | |
| CN103744850B (zh) | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 | |
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN111191832A (zh) | 一种台风灾害配电网杆塔故障预测方法及系统 | |
| CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
| CN111126672A (zh) | 一种基于分类决策树的高压架空输电线路台风灾害预测方法 | |
| CN111209535B (zh) | 一种电力设备相继故障风险识别方法及系统 | |
| CN112821424A (zh) | 一种基于数据-模型融合驱动的电力系统频率响应分析方法 | |
| CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
| CN114266370A (zh) | 一种台风气象环境电网设备故障处置预案在线生成方法、系统及存储介质 | |
| Lin et al. | An online data-driven risk assessment method for resilient distribution systems | |
| Li et al. | A line-fault cause analysis method for distribution network based on decision-making tree and machine learning | |
| CN113159503B (zh) | 一种远程遥控智能安全评估系统和方法 | |
| CN113837473A (zh) | 基于bp神经网络的充电设备故障率分析系统和方法 | |
| CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
| CN106655181A (zh) | 电网节点的优先级设置方法和系统 | |
| Min et al. | Fault prediction for distribution network based on CNN and LightGBM algorithm | |
| CN112001073B (zh) | 一种牵引供电系统的可靠性分析研究方法 | |
| Mu et al. | Cascading Fault Early Warning and Location Method of Transmission Networks Based on Wide Area Time-Series Power System State | |
| CN115660893A (zh) | 一种基于负荷特性的变电站母线负荷预测方法 | |
| CN114417732A (zh) | 强台风下配电网多元源荷灾损自适应辨识方法及系统 | |
| CN111458143A (zh) | 一种风电机组主轴承温度故障诊断方法 | |
| Qingfa et al. | Research on demand forecast of power grid emergency materials based on CBR method improved by information update | |
| Wang et al. | Reliability Assessment Study of Typical Connection Mode Medium Voltage Distribution Networks using Neural Network based on MIV and MEA | |
| CN117113267B (zh) | 基于大数据的预测模型训练方法、光伏发电性能检测方法 |
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 |