CN114358638A - 含风电交直流混联电网连锁故障事故链辨识方法 - Google Patents

Abstract

本发明公开的含风电交直流混联电网连锁故障事故链辨识方法，综合考虑了从风电出力水平、交直流相互影响的稳定状态、潮流运行情况和网络全局拓扑结构角度四个方面衡量线路重要程度的基本指标，通过用关联度系数和熵权法计算风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标获得主客观权重作为基本权重，将两种基本权重进行线性组合，得到综合权重；运用灰狼算法求解，获得组合系数，得到各指标的综合权重，根据综合指标值大小排序，辨识关键输电线路作为连锁故障下一级事故链；根据结束连锁故障预测的判据确定连锁事故链。本发明有助于连锁事故链的预测，对工程实践具有有效的指导作用。

Description

含风电交直流混联电网连锁故障事故链辨识方法

技术领域

本发明属于电力系统安全运行技术领域，具体涉及一种含风电交直流混联电网连锁故障事故链辨识方法。

背景技术

我国的能源资源地理分布与区域经济发展呈现非均衡特性，随着“双碳”目标的提出，新能源的大规模接入，为促进能源资源的合理、高效利用，我国电网逐渐发展成为长距离、大容量、大规模含新能源的交直流混联电网。若混联电网中存在一个小扰动，故障蔓延，引发连锁故障，则会发展成为大停电等事故。因此，研究含新能源的交直流混联电网连锁故障序列预测方法，对避免含新能源的交直流混联电网发生大停电事故和提高电力系统安全运行可靠运行有重要的应用价值。

目前，关于连锁故障模拟模型的研究大多针对纯交流系统，考虑直流输电系统影响的停电模型较少。例如：一种基于Manchester模型的连锁故障序列预测方法，通过加入直流输电线路故障判断、交直流潮流计算和系统慢动态过程等环节，使之适用于交直流混联电网。基于BPA动态潮流的交直流连锁故障模式搜索法，通过多馈入有效短路比选择多重故障的第一重故障，构建加权综合脆弱度指标辨识重要的交流线路作为第二重故障，最后通过时域仿真计算完成大停电事故集的构建。但是，现有的含新能源的交直流混联系统连锁故障停电模型很多是基于仿真软件的动态仿真过程，搜索过程耗时长，对连锁故障链的特点不能掌握全面，且未对连锁故障演化模式进行完整、系统地归纳考虑，不能全面分析其特点。

发明内容

本发明的目的在于提供一种含风电交直流混联电网连锁故障事故链辨识方法，解决了现有方法不能全面掌握和分析连锁故障特点的问题。

本发明所采用的技术方案是：含风电交直流混联电网连锁故障事故链辨识方法，包括以下步骤：

步骤1、初始故障选取；

步骤2、构建指标；从风电出力水平、交直流相互影响状态、潮流运行情况和网络全局拓扑结构角度方面，构建风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标四项指标；

步骤3、计算四项指标的主客观权重；利用关联度系数计算主观权重，利用熵权法计算客观权重；

步骤4、将两种基本权重进行线性组合，得到综合权重W，即W＝x₁W₁+x₂W₂，其中，x₁、x₂为组合系数；通过主观权重与各基本权重之间的各自偏差极小化，如式(1)，使不同权重之间达到一致或妥协；

步骤5、利用灰狼算法求解式(1)，根据求得的x₁、x₂，求解式W＝x₁W₁+x₂W₂，x₁、x₂进行归一化处理，将归一化后的组合系数代入W＝x₁W₁+x₂W₂中的线性组合，得到四项指标的综合权重ω₁、ω₂、ω₃、ω₄，带入式(2)得到线路综合指标ZL如下：

KL＝ω₁M+ω₂K+ω₃F+ω₄B (2)

根据综合指标值大小排序，辨识关键输电线路作为连锁故障下一级事故链；

步骤6、结束交直流混联电网连锁故障序列预测条件：若是满足电网发生解列或连锁故障序列达到最大时，结束预测；若不满足，则重复步骤2-5，直到符合条件。

本发明的特点还在于，

步骤2中，采取衡量风电出力水平与系统相对强弱程度对比的指标，风电接入比例短路比指标M按照下式确定：

式(3)中，N表示风电的汇集点的数目，Z_i表示风光汇集点i的交流系统等值阻抗，P_ius表示新能源汇集点i的总出力，P_iup表示风光汇集点i的总出力，U_ius为风电汇集点i的母线电压；

步骤2中，根据交直流连接关系，多馈入短路比K是母线处的短路容量和额定容量的比值，按照下式确定：

式(4)中，S_aci表示直流i换流母线的短路容量，P_di、P_dj分别表示直流i和j的传输功率，

表示换流母线i处的无功扰动引起换流母线j与换流母线i的电压变化之比，其反映了直流之间的耦合影响；

步骤2中，根据潮流运行情况，考虑断开故障支路后其他线路的潮流转移冲击比率，用支路负载率与支路个数取对数的倒数的乘积对潮流熵函数进行加权，再乘以表征交直流线路不同的系数，能全面表征交直流混联电网的潮流运行情况，加权潮流熵F按照下式确定：

式(5)中，P_ki为支路i断开后支路k的有功潮流；P_k0为支路k的初始有功潮流；P_kmax为支路k的最大有功传输容量；σ是系数，当线路i为直流线路时σ＝1，当线路i为交流线路时σ＝0.5；

步骤2中，从网络全局拓扑结构角度衡量边在网络信息流通路径中的重要性，并引入发电机输出容量与负荷大小，将其作为发电机与负荷节点间可能传输路径的权重因子，定义具有电气特性的线路传输介数B_w，按照如下式确定：

式(6)中，V_G是发电机节点集合，V_L是负荷节点集合；S_k,p和S_k,q分别是发电机节点i与负荷节点j之间第k条传输路径中发电机直连线路p的潮流值和负荷直连线路q的潮流值，S_G,i和S_L,j分别是发电机节点i的输出功率值与负荷节点j的大小，min(S_k,n/S_G,i,S_k,m/S_L,j)表示发电机节点i与负荷节点j之间第k条传输路径的最大可传输功率比值；T_l表示线路l的回路数；μ_ij,k表示发电机节点i到负荷节点j之间第k条传输路径包含的线路数目，1/μ_ij,k表示线路l出现在发电机节点i与负荷节点j之间第k条传输路径的概率。

步骤3中，利用关联度系数计算主观权重的具体步骤为：

步骤3.1.1、对所得数据序列进行无纲量的处理：采用风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标四个指标的最大值X_j作为参考值，对四个指标进行数据的无纲化处理：

式(7)中，r_ij表示对无量纲化的数据的处理，R_ij表示第i个研究对象的指标j的值大小，X_j表示为j指标的最大值；

步骤3.1.2、取四个指标的最优值组成的参考序列X_j，为评价对象比较的基准，记录为：

X_j＝x_j(j＝1，2，3，...，n)

步骤3.1.3、关联度系数计算：把序列{R_ij}经过无量纲化的处理之后，来计算关联度系数：

式(8)中，ζ_i(j)表示关联度系数，min_imin_jΔ_i(j)表示原始的数值和得到的参考值X_j进行无纲量化处理之后，其得到的绝对差值的最小值，max_imax_jΔ_i(j)为原始数值和得到的参考值X_j，对其进行无纲量化的处理之后其绝对差的最大值，ρ表示分辨系数，取0.5；

步骤3.1.4、利用子序列中四个指标的关联度系数计算主观权重：

式(9)中，w_j表示第j指标的权重系数大小。

步骤3中，利用熵权法计算客观权重的具体步骤为：

假设系统中有m个对象，每个研究对象中有n个对应的评价指标，那么利用系统得到的原始数据行成一个评价的序列{R_ij}，其中i＝1，2，3....m；j＝1，2，3，4；

步骤3.2.1、进行标准化的处理，采用极值法对原始数据进行标准化的数据处理如下所示：

式(10)中，R_ij表示第i个研究对象的指标j的大小，R_max表示第i个研究对象j的评价指标的最大值，R_min表示第i个对象j评价指标的最小值，R表示第i个对象评价指标j的标准值大小；

步骤3.2.2、得到评价指标j的信息熵：

式(11)和(12)中，y_ij表示第i个研究对象j指标的所占的比重大小，其中y_ij[0,1]；e_j表示为信息熵；当y_ij＝0时，定义e_j＝0；

步骤3.2.3、得到指标j的权重系数：

式(13)中，w_j表示j指标的权重系数大小，w_j∈[0,1]。

步骤5中利用灰狼算法求解式(1)计算步骤为：

步骤5.1、初始化灰狼优化算法相关参数；定义式(1)目标函数作为每个狼群的适应度函数，计算每一个灰狼个体的适应度值；

步骤5.2、将狼群群体按照适应度大小分成4组，分别为α、β、δ、ω，位置优先级α>β>δ>ω；利用下式(15)-(21)不断更新除这三个灰狼以外的其它个体位置，灰狼的个体位置为一个2维矢量X(x₁、x₂)；根据适应度值最小选择排名前三个最的灰狼，并保存它们的位置向量为X_α、X_β、X_δ；

灰狼优化算法在搜索过程中，ω受α、β、δ的引导，向目标接近，其搜索的过程通过如下方程进行表示：

式(14)和(15)中，

为灰狼个体与目标之间的距离向量；j为当前的迭代次数；

代表出现目标猎物的位置向量，由处于领导层的α、β、δ狼确定ω；

代表跟踪过程中灰狼的当前位置向量；

和

为系数向量，C决定了新位置相对于目标灰狼的方位，表示狼所在的位置对猎物影响的随机权重，A决定新位置向目标靠近还是远离目标灰狼，通过下式获得：

式(16)中，a为算法的收敛因子影响整个搜索过程中灰狼个体位置的更新，随着迭代次数的增加值从最初的2线性递减至0，

和

为0到1之间的随机变量；

根据α、β、δ的位置预估出待求解可能存在的区域，然后对狼群中所有灰狼个体的位置进行更新，具体更新的过程如下：

式(14)-(19)分别定义了狼群中ω个体朝向α、β和δ前进的距离和方向，式(20)定义了ω的最终位置。

步骤5.3、选择前三个最好位置的灰狼作为下代，让其他灰狼依据排名前三的灰狼继续寻找，检验是否达到了算法的结束条件，若达到预定的最大迭代次数t_max，则停止计算，得到最优的适应度函数，输出最优位置X_α，对应X_α＝X(x₁、x₂)；否则，重复执行步骤5.1-步骤5.3。

本发明的有益效果是：本发明的含风电交直流混联电网连锁故障事故链辨识方法，具有从风电出力水平、交直流相互影响的稳定状态、潮流运行情况和网络全局拓扑结构角度方面分别建立风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标来辨识含风电的交直流混联电网连锁故障的下一级重要线路的特点，形成连锁故障事故链序列，有助于连锁事故链的预测与提前预防控制，对工程实践具有有效的指导作用。

附图说明

图1是本发明的含风电交直流混联电网连锁故障事故链辨识方法的流程示意图。

具体实施方式

下面结合附图以及具体实施方式对本发明进行详细说明。

本发明提供了一种含风电交直流混联电网连锁故障事故链辨识方法，在含新能源的交直流混联电网连锁故障线路辨识的过程中对下一级关键故障线路辨识部分，包括：首先，考虑风电的出力对系统的稳定水平，直流输电的特性对交直流系统的影响，然后通过从风电出力水平、交直流相互影响状态、潮流运行情况和网络全局拓扑结构角度方面，构建风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标；通过将关联度系数和熵权法获得的主客观权重作为基本权重，将两种基本权重进行线性组合，得到综合权重W；通过综合权重与各基本权重之间的各自偏差极小化，使不同权重之间达到一致或妥协；利用灰狼算法求解偏差极小化函数如式(1)，求得组合系数，获得各指标的综合权重，根据综合指标值KL的大小排序，辨识关键输电线路作为连锁故障下一级线路，形成连锁故障事故链。结束含风电的交直流混联电网连锁故障事故链辨识的条件为含新风电的交直流混联电网发生解列或者连锁故障序列深度达到最大时；最终输出含风电的交直流混联电网连锁故障事故链。

本发明的具体实施包括综合指标KL的构建和连锁故障事故链辨识结束判据两部分，如图1所示。其中含新风电的交直流混联电网连锁故障事故链辨识综合指标KL的构建主要包括风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标的构建、运用基于关联度系数-熵权法-灰狼算法的综合加权方法方法构建含风电的交直流混联电网连锁故障序列辨识综合指标KL；含风电的交直流混联电网连锁故障序列辨识结束判据是对连锁故障事故链序列结束预测的条件。具体按照以下步骤实施：

步骤1、初始故障选取；

步骤2、构建指标，从风电出力水平、交直流相互影响状态、潮流运行情况和网络全局拓扑结构角度方面，构建风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标；

步骤2中，采取衡量风电出力水平与系统相对强弱程度对比的指标，按照下式确定：

公式中，N表示风电的汇集点的数目，Z_i表示风光汇集点i的交流系统等值阻抗，P_ius表示新能源汇集点i的总出力，P_iup表示风光汇集点i的总出力；U_ius为风电汇集点i的母线电压。衡量风电出力水平与系统相对强弱程度，M值越大，说明送端系统等值惯量越大，短路容量越大，送端系统发生连锁故障的概率越低；

步骤2中，根据交直流连接关系，多馈入短路比K是母线处的短路容量和额定容量的比值，按照下式确定：

公式中：S_aci表示直流i换流母线的短路容量；P_di、P_dj分别表示直流i和j的传输功率；

表示换流母线i处的无功扰动引起换流母线j与换流母线i的电压变化之比，其反映了直流之间的耦合影响。

步骤2中，根据潮流运行情况，考虑断开故障支路后其他线路的潮流转移冲击比率，用支路负载率与支路个数取对数的倒数的乘积对潮流熵函数进行加权，再乘以表征交直流线路不同的系数，即可全面表征交直流混联电网的潮流运行情况，加权潮流熵F，按照下式确定：

公式中，P_ki为支路i断开后支路k的有功潮流；P_k0为支路k的初始有功潮流；P_kmax为支路k的最大有功传输容量；σ是系数，当线路i为直流线路时σ＝1，当线路i为交流线路时σ＝0.5。当加权潮流熵越小，表明线路i断开对系统的潮流冲击越大，由支路i转移到其余线路的潮流分布越不均匀，且这些线路的负载率较大，易出现过载，不利于系统的安全运行。

步骤2中，从网络全局拓扑结构角度衡量边在网络信息流通路径中的重要性，并引入发电机输出容量与负荷大小，将其作为发电机与负荷节点间可能传输路径的权重因子，定义具有电气特性的线路传输介数B_w，按照如下式确定：

公式中，V_G是发电机节点集合，V_L是负荷节点集合；S_k,_p和S_k,_q分别是发电机节点i与负荷节点j之间第k条传输路径中发电机直连线路p的潮流值和负荷直连线路q的潮流值，S_G,i和S_L,_j分别是发电机节点i的输出功率值与负荷节点j的大小，min(S_k,n/S_G,i,S_k,m/S_L,j)表示发电机节点i与负荷节点j之间第k条传输路径的最大可传输功率比值；T_l表示线路l的回路数；μ_ij,k表示发电机节点i到负荷节点j之间第k条传输路径包含的线路数目，1/μ_ij,k表示线路l出现在发电机节点i与负荷节点j之间第k条传输路径的概率。

步骤3、计算指标的主客观权重；利用关联度系数计算主观权重W₁＝[w₁₁ w₁₂ w₁₃w₁₄]；利用熵权法计算客观权重W₂＝[w₂₁ w₂₂ w₂₃ w₂₄]；

步骤3中，利用关联度系数计算主观权重，其表达式步骤为：

(1)对所得数据序列进行无纲量的处理

通过上述给了4个评价指标，来用它们每个评价指标的最大值X_j作为参考值，对他们进行数据的无纲化处理

公式中：r_ij表示对无量纲化的数据的处理，R_ij表示第i个研究对象的指标j的值大小，X_j表示为j指标的最大值。

(2)取各评价指标的最优值组成的参考序列X_j，它是评价对象比较的基准，记录为：

X_j＝x_j(j＝1，2，3，...，n)

(3)关联度系数计算：

这里把评价的序列{R_ij}经过无量纲化的处理之后，来计算关联度系数。

公式中；ζ_i(j)表示关联度系数，min_imin_jΔ_i(j)表示原始的数值和得到的参考值X_j进行无纲量化处理之后，其得到的绝对差值的最小值，max_imax_jΔ_i(j)为原始数值和我们得到的参考值X_j，对其进行无纲量化的处理之后其绝对差的最大值，ρ表示分辨系数，取经验值为0.5带入公式中进行计算。

(4)利用子序列中各个指标的关联度系数计算主观权重：

公式中：w_j表示第j指标的权重系数大小；这个权重系数体现了指标j和研究对象i做出互相之间的对比和比较，体现了在第i个被评价的对象与评价的理想指标j的关联程度。主观权重w_j越大，表明此对象与理想值越接近，对应指标属性就越重要。

步骤3中，利用熵权法计算客观权重，其表达式步骤为：

假设研究这个系统中有m个对象，其中每个研究对象中有n个对应的评价指标，那么利用系统的得到原始数据，我们可以行成一个评价的序列{R_ij}，其中i＝1，2，3....m；j＝1，2，3…n；在本研究中，n＝4，即4个影响因子。

(1)进行标准化的处理

因为对原始数据存在量纲的不一样，因此需要对这些得到的数据进行标准化的处理方式，来消除掉他们的量纲影响。在这里我们采用的是极值法，来给原始数据进行一系列的标准化的数据处理，由于我们在前面的筛选的评价指标实际上都为正向的指标，因此对其进行标准化的处理，如下所示：

式中：R_ij表示第i个研究对象的指标j的大小，R_max表示第i个研究对象j的评价指标的最大值，R_min表示第i个对象j评价指标的最小值，R表示第i个对象评价指标j的标准值大小。

(2)得到评价指标j的信息熵

公式中：y_ij表示第i个研究对象j指标的所占的比重大小，其中y_ij[0,1]；e_j表示为信息熵，如果被评价的研究对象中，他的相同的一个指标所占比重几乎相等时，那么这个指标的信息熵近似等于1；当y_ij＝0时，定义e_j＝0。

(3)得到指标j的权重系数：

公式中：w_j表示j指标的权重系数大小，w_j∈[0,1]；这个权重系数体现了各个指标在计算所要得到的评价结果的过程中，体现了各个指标在计算评价结果的时这些影响因子的竞争激烈程度。

步骤4、将两种基本权重进行线性组合，得到综合权重W，即W＝x₁W₁+x₂W₂，其中，x₁、x₂为组合系数；通过主观权重与各基本权重之间的各自偏差极小化，如式(1)，使不同权重之间达到一致或妥协；

步骤5、利用灰狼算法求解式(1)，根据求得的x₁、x₂，求解式W＝x₁W₁+x₂W₂，x₁、x₂进行归一化处理，将归一化后的组合系数代入W＝x₁W₁+x₂W₂中的线性组合，得到指标的综合权重ω₁、ω₂、ω₃、ω₄，带入式(2)得到线路综合指标ZL如下：

KL＝ω₁M+ω₂K+ω₃F+ω₄B (2)

根据综合指标值大小排序，辨识关键输电线路作为连锁故障下一级事故链；

步骤5中，灰狼算法求解式(1)计算步骤为：

1)初始化灰狼优化算法相关参数；定义式(1)目标函数作为每个狼群的适应度函数，计算每一个灰狼个体的适应度值；

2)将狼群群体按照适应度大小分成4组，分别为α、β、δ、ω(位置优先级α>β>δ>ω)。利用(15)-(21)不断更新除这三个灰狼以外的其它个体位置,灰狼的个体位置为一个2维矢量X(x₁、x₂)；根据适应度值最小选择排名前三个最的灰狼，并保存它们的位置向量为X_α、X_β、X_δ；

灰狼优化算法在搜索过程中，ω受α、β、δ的引导，向目标接近。其搜索的过程可以通过如下方程进行表示：

式中，

为灰狼个体与目标之间的距离向量；j为当前的迭代次数；

代表出现目标猎物的位置向量，由处于领导层的α、β、δ狼确定ω；

代表跟踪过程中灰狼的当前位置向量。

和

为系数向量，C主要决定了新位置相对于目标灰狼的方位，表示狼所在的位置对猎物影响的随机权重，而A则决定新位置向目标靠近还是远离目标灰狼。可通过下式获得：

式中a为算法的收敛因子影响整个搜索过程中灰狼个体位置的更新，随着迭代次数的增加值从最初的2线性递减至0，

和

为0到1之间的随机变量这里与粒子群优化算法中的随机变量类似，主要是保证灰狼种群的多样性。

根据α、β、δ的位置预估出待求解可能存在的区域，然后对狼群中所有灰狼个体的位置进行更新，具体更新的过程如下：

式(14)-(19)分别定义了狼群中ω个体朝向α、β和δ前进的距离和方向，式(20)定义了ω的最终位置。

3)选择前三个最好位置的灰狼作为下代，让其他灰狼依据排名前三的灰狼继续寻找，检验是否达到了算法的结束条件，若达到预定的最大迭代次数t_max，则停止计算，得到最优的适应度函数，输出最优位置X_a，对应X_α＝X(x₁、x₂)；否则，重复执行1)-3)。

步骤6、结束交直流混联电网连锁故障序列预测条件：若是满足电网发生解列或连锁故障序列达到最大时，结束预测；若不满足，则重复步骤2-5，直到符合条件。

步骤6中，判断基于判断含风电的交直流混联电网的连锁故障序列辨识结束考虑以下情况：

情况1：判定发电机运行状态，若输电网络发生解列并且发电机处于不安全运行状态，则停止预测，输出连锁故障序列；

情况2：连锁故障序列的故障级数已达到可预测的最大序列个数5，则停止预测，输出连锁故障序列；

这两个情况不需要同时满足只需要满足其中一个就可以结束含风电的交直流混联电网连锁故障事故链序列的辨识。

通过上述方式，本发明综合考虑了含风电的交直流混联电网中的构建指标，从风电出力水平、交直流相互影响状态、潮流运行情况和网络全局拓扑结构角度方面，构建风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标；通过将关联度系数和熵权法获得的主客观权重作为基本权重，通过综合权重与各基本权重之间的各自偏差极小化，使不同权重之间达到一致或妥协；再基于灰狼算法对主客观权重之间的偏差极小化目标函数求解后得到组合系数x₁、x₂，即可得到指标的综合权重ω₁、ω₂、ω₃、ω₄，进一步得到线路综合辨识指标KL；根据综合指标值KL的大小排序，辨识关键输电线路作为连锁故障下一级线路，形成连锁故障事故链序列。有助于连锁事故链的预测与提前预防控制，对工程实践具有有效的指导作用。

Claims (5)

1.含风电交直流混联电网连锁故障事故链辨识方法，其特征在于，包括以下步骤：

步骤1、初始故障选取；

步骤2、构建指标；从风电出力水平、交直流相互影响状态、潮流运行情况和网络全局拓扑结构角度方面，构建风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标四项指标；

步骤3、计算四项指标的主客观权重；利用关联度系数计算主观权重，利用熵权法计算客观权重；

步骤4、将两种基本权重进行线性组合，得到综合权重W，即W＝x₁W₁+x₂W₂，其中，x₁、x₂为组合系数；通过主观权重与各基本权重之间的各自偏差极小化，如式(1)，使不同权重之间达到一致或妥协；

步骤5、利用灰狼算法求解式(1)，根据求得的x₁、x₂，求解式W＝x₁W₁+x₂W₂，x₁、x₂进行归一化处理，将归一化后的组合系数代入W＝x₁W₁+x₂W₂中的线性组合，得到四项指标的综合权重ω₁、ω₂、ω₃、ω₄，带入式(2)得到线路综合指标ZL如下：

KL＝ω₁M+ω₂K+ω₃F+ω₄B (2)

根据综合指标值大小排序，辨识关键输电线路作为连锁故障下一级事故链；

步骤6、结束交直流混联电网连锁故障序列预测条件：若是满足电网发生解列或连锁故障序列达到最大时，结束预测；若不满足，则重复步骤2-5，直到符合条件。

2.如权利要求1所述的含风电交直流混联电网连锁故障事故链辨识方法，其特征在于，所述步骤2中，采取衡量风电出力水平与系统相对强弱程度对比的指标，风电接入比例短路比指标M按照下式确定：

式(3)中，N表示风电的汇集点的数目，Z_i表示风光汇集点i的交流系统等值阻抗，P_ius表示新能源汇集点i的总出力，P_iup表示风光汇集点i的总出力，U_ius为风电汇集点i的母线电压；

步骤2中，根据交直流连接关系，多馈入短路比K是母线处的短路容量和额定容量的比值，按照下式确定：

式(4)中，S_aci表示直流i换流母线的短路容量，P_di、P_dj分别表示直流i和j的传输功率，

表示换流母线i处的无功扰动引起换流母线j与换流母线i的电压变化之比，其反映了直流之间的耦合影响；

步骤2中，根据潮流运行情况，考虑断开故障支路后其他线路的潮流转移冲击比率，用支路负载率与支路个数取对数的倒数的乘积对潮流熵函数进行加权，再乘以表征交直流线路不同的系数，能全面表征交直流混联电网的潮流运行情况，加权潮流熵F按照下式确定：

式(5)中，P_ki为支路i断开后支路k的有功潮流；P_k0为支路k的初始有功潮流；P_kmax为支路k的最大有功传输容量；σ是系数，当线路i为直流线路时σ＝1，当线路i为交流线路时σ＝0.5；

步骤2中，从网络全局拓扑结构角度衡量边在网络信息流通路径中的重要性，并引入发电机输出容量与负荷大小，将其作为发电机与负荷节点间可能传输路径的权重因子，定义具有电气特性的线路传输介数B_w，按照如下式确定：

式(6)中，V_G是发电机节点集合，V_L是负荷节点集合；S_k,p和S_k,q分别是发电机节点i与负荷节点j之间第k条传输路径中发电机直连线路p的潮流值和负荷直连线路q的潮流值，S_G,i和S_L,j分别是发电机节点i的输出功率值与负荷节点j的大小，min(S_k,n/S_G,i,S_k,m/S_L,j)表示发电机节点i与负荷节点j之间第k条传输路径的最大可传输功率比值；T_l表示线路l的回路数；μ_ij,k表示发电机节点i到负荷节点j之间第k条传输路径包含的线路数目，1/μ_ij,k表示线路l出现在发电机节点i与负荷节点j之间第k条传输路径的概率。

3.如权利要求2所述的含风电交直流混联电网连锁故障事故链辨识方法，其特征在于，所述步骤3中，利用关联度系数计算主观权重的具体步骤为：

步骤3.1.1、对所得数据序列进行无纲量的处理：采用风电接入比例短路比指标、多馈入短路比指标、加权潮流熵指标、线路传输介数指标四个指标的最大值X_j作为参考值，对四个指标进行数据的无纲化处理：

式(7)中，r_ij表示对无量纲化的数据的处理，R_ij表示第i个研究对象的指标j的值大小，X_j表示为j指标的最大值；

步骤3.1.2、取四个指标的最优值组成的参考序列X_j，为评价对象比较的基准，记录为：

X_j＝x_j(j＝1，2，3，...，n)

步骤3.1.3、关联度系数计算：把序列{R_ij}经过无量纲化的处理之后，来计算关联度系数：

式(8)中，ζ_i(j)表示关联度系数，min_imin_jΔ_i(j)表示原始的数值和得到的参考值X_j进行无纲量化处理之后，其得到的绝对差值的最小值，max_imax_jΔ_i(j)为原始数值和得到的参考值X_j，对其进行无纲量化的处理之后其绝对差的最大值，ρ表示分辨系数，取0.5；

步骤3.1.4、利用子序列中四个指标的关联度系数计算主观权重：

式(9)中，w_j表示第j指标的权重系数大小。

4.如权利要求3所述的含风电交直流混联电网连锁故障事故链辨识方法，其特征在于，所述步骤3中，利用熵权法计算客观权重的具体步骤为：

假设系统中有m个对象，每个研究对象中有n个对应的评价指标，那么利用系统得到的原始数据行成一个评价的序列{R_ij}，其中i＝1，2，3....m；j＝1，2，3，4；

步骤3.2.1、进行标准化的处理，采用极值法对原始数据进行标准化的数据处理如下所示：

式(10)中，R_ij表示第i个研究对象的指标j的大小，R_max表示第i个研究对象j的评价指标的最大值，R_min表示第i个对象j评价指标的最小值，R表示第i个对象评价指标j的标准值大小；

步骤3.2.2、得到评价指标j的信息熵：

式(11)和(12)中，y_ij表示第i个研究对象j指标的所占的比重大小，其中y_ij[0,1]；e_j表示为信息熵；当y_ij＝0时，定义e_j＝0；

步骤3.2.3、得到指标j的权重系数：

式(13)中，w_j表示j指标的权重系数大小，w_j∈[0,1]。

5.如权利要求4所述的含风电交直流混联电网连锁故障事故链辨识方法，其特征在于，所述步骤5中利用灰狼算法求解式(1)计算步骤为：

步骤5.1、初始化灰狼优化算法相关参数；定义式(1)目标函数作为每个狼群的适应度函数，计算每一个灰狼个体的适应度值；

步骤5.2、将狼群群体按照适应度大小分成4组，分别为α、β、δ、ω，位置优先级α>β>δ>ω；利用下式(15)-(21)不断更新除这三个灰狼以外的其它个体位置，灰狼的个体位置为一个2维矢量X(x₁、x₂)；根据适应度值最小选择排名前三个最的灰狼，并保存它们的位置向量为X_α、X_β、X_δ；

灰狼优化算法在搜索过程中，ω受α、β、δ的引导，向目标接近，其搜索的过程通过如下方程进行表示：

式(14)和(15)中，

为灰狼个体与目标之间的距离向量；j为当前的迭代次数；

代表出现目标猎物的位置向量，由处于领导层的α、β、δ狼确定ω；

代表跟踪过程中灰狼的当前位置向量；

和

为系数向量，C决定了新位置相对于目标灰狼的方位，表示狼所在的位置对猎物影响的随机权重，A决定新位置向目标靠近还是远离目标灰狼，通过下式获得：

式(16)中，a为算法的收敛因子影响整个搜索过程中灰狼个体位置的更新，随着迭代次数的增加值从最初的2线性递减至0，

和

为0到1之间的随机变量；

根据α、β、δ的位置预估出待求解可能存在的区域，然后对狼群中所有灰狼个体的位置进行更新，具体更新的过程如下：

式(14)-(19)分别定义了狼群中ω个体朝向α、β和δ前进的距离和方向，式(20)定义了ω的最终位置。

步骤5.3、选择前三个最好位置的灰狼作为下代，让其他灰狼依据排名前三的灰狼继续寻找，检验是否达到了算法的结束条件，若达到预定的最大迭代次数t_max，则停止计算，得到最优的适应度函数，输出最优位置X_α，对应X_α＝X(x₁、x₂)；否则，重复执行步骤5.1-步骤5.3。

Images