CN114358638A - 含风电交直流混联电网连锁故障事故链辨识方法 - Google Patents
含风电交直流混联电网连锁故障事故链辨识方法 Download PDFInfo
- Publication number
- CN114358638A CN114358638A CN202210030597.9A CN202210030597A CN114358638A CN 114358638 A CN114358638 A CN 114358638A CN 202210030597 A CN202210030597 A CN 202210030597A CN 114358638 A CN114358638 A CN 114358638A
- Authority
- CN
- China
- Prior art keywords
- index
- formula
- wolf
- representing
- value
- 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
Links
- 238000000034 method Methods 0.000 title claims abstract description 53
- 241000282461 Canis lupus Species 0.000 claims abstract description 74
- 230000005540 biological transmission Effects 0.000 claims abstract description 44
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims description 27
- 238000012545 processing Methods 0.000 claims description 22
- 239000013598 vector Substances 0.000 claims description 18
- 238000004364 calculation method Methods 0.000 claims description 9
- 238000005457 optimization Methods 0.000 claims description 7
- 238000013139 quantization Methods 0.000 claims description 6
- 230000000694 effects Effects 0.000 claims description 5
- 238000013459 approach Methods 0.000 claims description 3
- 230000003247 decreasing effect Effects 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 238000012546 transfer Methods 0.000 claims description 3
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 claims description 2
- 230000008878 coupling Effects 0.000 claims description 2
- 238000010168 coupling process Methods 0.000 claims description 2
- 238000005859 coupling reaction Methods 0.000 claims description 2
- 230000003993 interaction Effects 0.000 claims description 2
- 241000282421 Canidae Species 0.000 description 5
- 238000011160 research Methods 0.000 description 4
- 238000010276 construction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000001010 compromised effect Effects 0.000 description 2
- 230000002265 prevention Effects 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 238000005094 computer simulation Methods 0.000 description 1
- 230000001808 coupling effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 238000012216 screening 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
- G06Q10/06—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
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
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
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,Zi表示风光汇集点i的交流系统等值阻抗,Pius表示新能源汇集点i的总出力,Piup表示风光汇集点i的总出力,Uius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:
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,Pki为支路i断开后支路k的有功潮流;Pk0为支路k的初始有功潮流;Pkmax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Bw,按照如下式确定:
式(6)中,VG是发电机节点集合,VL是负荷节点集合;Sk,p和Sk,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,SG,i和SL,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(Sk,n/SG,i,Sk,m/SL,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;Tl表示线路l的回路数;μij,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/μij,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Xj作为参考值,对四个指标进行数据的无纲化处理:
式(7)中,rij表示对无量纲化的数据的处理,Rij表示第i个研究对象的指标j的值大小,Xj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Xj,为评价对象比较的基准,记录为:
Xj=xj(j=1,2,3,...,n)
步骤3.1.3、关联度系数计算:把序列{Rij}经过无量纲化的处理之后,来计算关联度系数:
式(8)中,ζi(j)表示关联度系数,miniminjΔi(j)表示原始的数值和得到的参考值Xj进行无纲量化处理之后,其得到的绝对差值的最小值,maximaxjΔi(j)为原始数值和得到的参考值Xj,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,wj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{Rij},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,Rij表示第i个研究对象的指标j的大小,Rmax表示第i个研究对象j的评价指标的最大值,Rmin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,yij表示第i个研究对象j指标的所占的比重大小,其中yij[0,1];ej表示为信息熵;当yij=0时,定义ej=0;
步骤3.2.3、得到指标j的权重系数:
式(13)中,wj表示j指标的权重系数大小,wj∈[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Xα、Xβ、Xδ;
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:
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tmax,则停止计算,得到最优的适应度函数,输出最优位置Xα,对应Xα=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,Zi表示风光汇集点i的交流系统等值阻抗,Pius表示新能源汇集点i的总出力,Piup表示风光汇集点i的总出力;Uius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:
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,Pki为支路i断开后支路k的有功潮流;Pk0为支路k的初始有功潮流;Pkmax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Bw,按照如下式确定:
公式中,VG是发电机节点集合,VL是负荷节点集合;Sk,p和Sk,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,SG,i和SL,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(Sk,n/SG,i,Sk,m/SL,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;Tl表示线路l的回路数;μij,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/μij,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Xj作为参考值,对他们进行数据的无纲化处理
公式中:rij表示对无量纲化的数据的处理,Rij表示第i个研究对象的指标j的值大小,Xj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Xj,它是评价对象比较的基准,记录为:
Xj=xj(j=1,2,3,...,n)
(3)关联度系数计算:
这里把评价的序列{Rij}经过无量纲化的处理之后,来计算关联度系数。
公式中;ζi(j)表示关联度系数,miniminjΔi(j)表示原始的数值和得到的参考值Xj进行无纲量化处理之后,其得到的绝对差值的最小值,maximaxjΔi(j)为原始数值和我们得到的参考值Xj,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:wj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wj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{Rij},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:Rij表示第i个研究对象的指标j的大小,Rmax表示第i个研究对象j的评价指标的最大值,Rmin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:yij表示第i个研究对象j指标的所占的比重大小,其中yij[0,1];ej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yij=0时,定义ej=0。
(3)得到指标j的权重系数:
公式中:wj表示j指标的权重系数大小,wj∈[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Xα、Xβ、Xδ;
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:
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tmax,则停止计算,得到最优的适应度函数,输出最优位置Xa,对应Xα=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,Zi表示风光汇集点i的交流系统等值阻抗,Pius表示新能源汇集点i的总出力,Piup表示风光汇集点i的总出力,Uius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:
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,Pki为支路i断开后支路k的有功潮流;Pk0为支路k的初始有功潮流;Pkmax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Bw,按照如下式确定:
式(6)中,VG是发电机节点集合,VL是负荷节点集合;Sk,p和Sk,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,SG,i和SL,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(Sk,n/SG,i,Sk,m/SL,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;Tl表示线路l的回路数;μij,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/μij,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Xj作为参考值,对四个指标进行数据的无纲化处理:
式(7)中,rij表示对无量纲化的数据的处理,Rij表示第i个研究对象的指标j的值大小,Xj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Xj,为评价对象比较的基准,记录为:
Xj=xj(j=1,2,3,...,n)
步骤3.1.3、关联度系数计算:把序列{Rij}经过无量纲化的处理之后,来计算关联度系数:
式(8)中,ζi(j)表示关联度系数,miniminjΔi(j)表示原始的数值和得到的参考值Xj进行无纲量化处理之后,其得到的绝对差值的最小值,maximaxjΔi(j)为原始数值和得到的参考值Xj,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,wj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{Rij},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,Rij表示第i个研究对象的指标j的大小,Rmax表示第i个研究对象j的评价指标的最大值,Rmin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,yij表示第i个研究对象j指标的所占的比重大小,其中yij[0,1];ej表示为信息熵;当yij=0时,定义ej=0;
步骤3.2.3、得到指标j的权重系数:
式(13)中,wj表示j指标的权重系数大小,wj∈[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Xα、Xβ、Xδ;
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:
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tmax,则停止计算,得到最优的适应度函数,输出最优位置Xα,对应Xα=X(x1、x2);否则,重复执行步骤5.1-步骤5.3。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210030597.9A CN114358638B (zh) | 2022-01-11 | 2022-01-11 | 含风电交直流混联电网连锁故障事故链辨识方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210030597.9A CN114358638B (zh) | 2022-01-11 | 2022-01-11 | 含风电交直流混联电网连锁故障事故链辨识方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN114358638A true CN114358638A (zh) | 2022-04-15 |
CN114358638B CN114358638B (zh) | 2024-09-06 |
Family
ID=81109586
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210030597.9A Active CN114358638B (zh) | 2022-01-11 | 2022-01-11 | 含风电交直流混联电网连锁故障事故链辨识方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114358638B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116979511A (zh) * | 2023-07-11 | 2023-10-31 | 武汉大学 | 考虑风机低穿特性的连锁故障关键线路辨识方法及系统 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284747A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
CN110675043A (zh) * | 2019-09-17 | 2020-01-10 | 深圳供电局有限公司 | 基于连锁故障模型确定电网停电关键线路的方法及系统 |
CN112736876A (zh) * | 2020-12-29 | 2021-04-30 | 西安理工大学 | 一种交直流混联电网连锁故障序列辨识方法 |
-
2022
- 2022-01-11 CN CN202210030597.9A patent/CN114358638B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20180284747A1 (en) * | 2016-05-09 | 2018-10-04 | StrongForce IoT Portfolio 2016, LLC | Methods and systems for optimization of data collection and storage using 3rd party data from a data marketplace in an industrial internet of things environment |
CN110675043A (zh) * | 2019-09-17 | 2020-01-10 | 深圳供电局有限公司 | 基于连锁故障模型确定电网停电关键线路的方法及系统 |
CN112736876A (zh) * | 2020-12-29 | 2021-04-30 | 西安理工大学 | 一种交直流混联电网连锁故障序列辨识方法 |
Non-Patent Citations (2)
Title |
---|
EISENBERG D A等: "Linking Cascading Failure Models and Organizational Networks to Manage Large-Scale Blackouts in South Korea", JOURNAL OF MANAGEMENT IN ENGINEERING, vol. 36, no. 5, 31 May 2020 (2020-05-31), pages 52 - 67 * |
王海峰: "含风电的交直流混联电网连锁故障序列辨识及其博弈演化研究", 中国优秀硕士学位论文全文数据库, 1 July 2024 (2024-07-01), pages 1 - 20 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116979511A (zh) * | 2023-07-11 | 2023-10-31 | 武汉大学 | 考虑风机低穿特性的连锁故障关键线路辨识方法及系统 |
CN116979511B (zh) * | 2023-07-11 | 2024-01-30 | 武汉大学 | 考虑风机低穿特性的连锁故障关键线路辨识方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN114358638B (zh) | 2024-09-06 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN106850254B (zh) | 一种电力通信网中关键节点识别方法 | |
CN107516170B (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 | |
CN108551167B (zh) | 一种基于XGBoost算法的电力系统暂态稳定判别方法 | |
CN105184415B (zh) | 一种配电网络重构设计方法 | |
CN110350522B (zh) | 一种基于加权h指数的电力系统脆弱线路辨识方法 | |
CN113722980B (zh) | 海洋浪高预测方法、系统、计算机设备、存储介质、终端 | |
CN109034676B (zh) | 不完备指标权重信息下的配电网故障恢复方案区间评估方法 | |
CN109670611A (zh) | 一种电力信息系统故障诊断方法及装置 | |
CN107169655A (zh) | 一种优选配电网方案适应性的方法及装置 | |
Chen et al. | A social beetle swarm algorithm based on grey target decision-making for a multiobjective distribution network reconfiguration considering partition of time intervals | |
CN114358638B (zh) | 含风电交直流混联电网连锁故障事故链辨识方法 | |
CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
Mishra et al. | Tree Based Fault Classification in Underground Cable | |
CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
CN112736876A (zh) | 一种交直流混联电网连锁故障序列辨识方法 | |
CN113591322A (zh) | 一种基于极端梯度提升决策树的低压台区线损率预测方法 | |
CN117272825A (zh) | 一种基于多元线性回归和改进遗传算法的电压暂降监测点优化配置方法 | |
CN112241812B (zh) | 基于单边优化与遗传算法协作的低压配电网拓扑识别方法 | |
CN110365006B (zh) | 一种基于nwbbo算法的电网分区方法 | |
CN104360948A (zh) | 基于模糊算法的iec 61850配置文件工程化一致性测试方法 | |
Li et al. | Critical clearing time prediction of power system fault based on machine learning | |
CN108521138B (zh) | 一种直流系统对交流故障换相失败整体免疫能力评价方法 | |
CN111092425B (zh) | 一种基于拓扑特性的网架聚类分析方法及系统 | |
Jiang et al. | Design of Line Loss Rate Calculation Method for Low-Voltage Desk Area Based on GA-LMBP Neural Network Model | |
CN109242308B (zh) | 计及负荷不确定性的配电网故障恢复方案区间评估方法 |
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 | ||
GR01 | Patent grant |