CN114741822A - 一种自然灾害下配电网停电概率预测方法、系统及装置 - Google Patents
一种自然灾害下配电网停电概率预测方法、系统及装置 Download PDFInfo
- Publication number
- CN114741822A CN114741822A CN202210320079.0A CN202210320079A CN114741822A CN 114741822 A CN114741822 A CN 114741822A CN 202210320079 A CN202210320079 A CN 202210320079A CN 114741822 A CN114741822 A CN 114741822A
- Authority
- CN
- China
- Prior art keywords
- node
- power
- value
- load
- power distribution
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000004088 simulation Methods 0.000 claims abstract description 34
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000006870 function Effects 0.000 claims description 64
- 239000011159 matrix material Substances 0.000 claims description 38
- 238000012216 screening Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 21
- 230000005540 biological transmission Effects 0.000 claims description 18
- 238000010248 power generation Methods 0.000 claims description 13
- 230000008569 process Effects 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 8
- 150000001875 compounds Chemical class 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 6
- 238000013016 damping Methods 0.000 claims description 6
- 238000001514 detection method Methods 0.000 claims description 6
- 238000005259 measurement Methods 0.000 claims description 6
- 230000009466 transformation Effects 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 4
- 238000013179 statistical model Methods 0.000 abstract description 4
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 239000013598 vector Substances 0.000 description 2
- 241001391944 Commicarpus scandens Species 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000011524 similarity measure Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/10—Geometric CAD
- G06F30/18—Network design, e.g. design based on topological or interconnect aspects of utility systems, piping, heating ventilation air conditioning [HVAC] or cabling
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
-
- 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
- G06F30/27—Design optimisation, verification or simulation using machine learning, e.g. artificial intelligence, neural networks, support vector machines [SVM] or training a model
-
- 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
- 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
- G06F2111/08—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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Human Resources & Organizations (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Medical Informatics (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Optimization (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Computer Networks & Wireless Communication (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
本发明涉及配电网技术领域,公开了一种自然灾害下配电网停电概率预测方法、系统及装置。本发明通过采用模糊C均值聚类算法对待测区域的各用户电表进行聚类,根据得到的各用户电表与各配电变电站之间的隶属关系信息构建电网拓扑模型,并从中筛选重要节点进行留存,进而得到配电网规划模型,再基于脆弱性曲线对配电网规划模型进行停电模拟,以得到各自然灾害场景下每个用户电表对应的用户负荷的停电概率。本发明结合了统计模型和脆弱性评估模型的优点,仅利用基础的配电网数据生成所测区域的综合电力系统布局,并利用脆弱性曲线模拟单个建筑物在危险负荷水平下的停电概率,能够在实现建筑层面的停电估计的同时提高停电概率预测的效率及精度。
Description
技术领域
本发明涉及配电网技术领域,尤其涉及一种自然灾害下配电网停电概率预测方法、系统及装置。
背景技术
配电网容易在极端自然灾害条件下容易发生故障而导致停电,从而造成重大的经济损失。为提高配电网的供电可靠性,有必要对由自然灾害引起的配电网停电的概率进行预测。
现有技术中主要基于统计模型或者脆弱性评估模型来实现对配电网故障概率的分析。基于统计模型进行配电网故障概率分析的方法在实践中已经成功实现,能够在空间单位尺度上提供由于预报天气事件而导致的停电的准确率估计。然而迄今为止,这种方法还没有提供建筑层面的估计,无法实现对单个建筑物停电概率的预测。基于脆弱性评估模型进行配电网故障概率分析的方法虽然提供了建筑层面的停电估计,然而,其估计过程依赖于电力系统布局数据,这些数据往往难以获取且准确性低,使得配电网故障概率的分析过程存在运行效率及精度较低的问题。
发明内容
本发明提供了一种自然灾害下配电网停电概率预测方法、系统及装置,解决了现有自然灾害下配电网停电概率预测方法在进行建筑层面的停电估计时存在运行效率及精度较低的缺陷的技术问题。
本发明第一方面提供一种自然灾害下配电网停电概率预测方法,包括:
获取待测区域的配电网数据,所述配电网数据包括所述待测区域的各用户电表及各配电变电站的位置信息;
根据所述配电网数据,采用模糊C均值聚类算法对所述各用户电表进行聚类,得到各所述用户电表与各所述配电变电站之间的隶属关系信息;
以各所述用户电表及各所述配电变电站作为节点,根据所述隶属关系信息构建对应的电网拓扑模型;
确定所述电网拓扑模型中的重要节点,根据所述重要节点建立相应的配电网规划模型;
获取所述待测区域的脆弱性曲线,基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,输出各自然灾害场景下每个用户电表对应的用户负荷的停电概率。
根据本发明第一方面的一种能够实现的方式,所述采用模糊C均值聚类算法对所述各用户电表进行聚类,包括:
用0~1之间的随机数初始化隶属度矩阵,以各所述配电变电站作为聚类中心,所述隶属度矩阵用于确定每个用户电表隶属于各聚类中心的程度,其中0表示完全不隶属,1表示完全隶属,隶属度矩阵中一个用户电表隶属于各聚类中心的隶属度的总和为1;
以用户电表到聚类中心的距离作为相似性度量,设置相应的聚类损失函数,构建在满足归一化要求的条件下使所述聚类损失函数最小的目标函数,并对所述目标函数进行拉格朗日变换,得到带条件极值的价值函数;
将待分类的用户电表代入所述价值函数,计算出当前的聚类中心和隶属度矩阵;若当前目标函数的值大于预设的迭代停止阈值,将当前的聚类中心和隶属度矩阵代入所述价值函数进行重新计算;否则停止计算,输出聚类结果。
根据本发明第一方面的一种能够实现的方式,所述确定所述电网拓扑模型中的重要节点,包括:
采用PageRank算法计算所述电网拓扑模型中各节点的PR值,根据所述PR值筛选出重要节点。
根据本发明第一方面的一种能够实现的方式,所述采用PageRank算法计算所述电网拓扑模型中各节点的PR值,包括:
根据所述电网拓扑模型的支路连接关系建立电网拓扑邻接矩阵,并进行潮流计算,根据计算得到的潮流流向结果建立电网有向拓扑模型;
根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值;
根据所述电网有向拓扑模型确定各节点的入度节点集和出度节点集,计算各节点的考虑入度节点的影响系数、考虑出度节点的影响系数及节点间传输功率影响系数:
式中,vi为节点v的第i个入度节点,ω1(vi→v)表示节点vi的考虑入度节点的影响系数,为节点vi的初始PR值,δin(v)为节点v的入度节点数量,ω2(vi→v)表示节点vi的考虑出度节点的影响系数,为节点vi的第j个出度节点的初始PR值,δout(vi)为节点vi的出度节点数量,ω3(vi→v)为节点vi与v之间的传输功率影响系数,PL(vi→v)为节点vi传输给节点v的功率值,为节点vi的第j个出度节点与v之间的传输功率影响系数;
按照下式迭代计算各节点的PR值:
式中,PRv表示节点v的PR值,q为阻尼指数,N为电网有向拓扑模型中的节点数量。
根据本发明第一方面的一种能够实现的方式,所述根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值,包括:
根据负荷重要性和负荷容量计算节点的基于负荷特性的PR值:
式中,PRLa为节点a的基于负荷特性的PR值,La为节点a的负荷量,Lmin为各节点的负荷的最小值,Lmax为各节点的负荷的最大值,LT为预置的一级负荷的负荷量,k1、k2皆为预置的权重系数,满足k1+k2=1;
根据发电机出力计算节点的基于发电特性的PR值:
式中,PRGa为节点a的基于发电特性的PR值,Ga为节点a的发电机出力大小,Gmax为各节点的发电机出力大小的最大值,Gmin为各节点的发电机出力大小的最小值;
根据所述基于负荷特性的PR值及所述基于发电特性的PR值,计算节点的初始PR值:
根据本发明第一方面的一种能够实现的方式,所述基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,包括:
对所述配电网规划模型进行待测自然灾害条件下的停电模拟,重复多次以使每个用户负荷的停电概率收敛于所述脆弱性曲线;
在停电模拟过程中,通过切除易受灾害影响的基础设施来改变配电网规划模型的拓扑结构;
在每次所述拓扑结构被改变时,检测各用户负荷是否与对应配电变电站断开连接,或者对应配电变电站是否受损;若用户负荷与对应配电变电站断开连接,和/或对应配电变电站受损,判定用户负荷在待测自然灾害条件下发生停电;
根据得到的停电检测结果计算每个用户负荷的停电概率。
本发明第二方面提供一种自然灾害下配电网停电概率预测系统,包括:
获取模块,用于获取待测区域的配电网数据,所述配电网数据包括所述待测区域的各用户电表及各配电变电站的位置信息;
聚类模块,用于根据所述配电网数据,采用模糊C均值聚类算法对所述各用户电表进行聚类,得到各所述用户电表与各所述配电变电站之间的隶属关系信息;
拓扑模型构建模块,用于以各所述用户电表及各所述配电变电站作为节点,根据所述隶属关系信息构建对应的电网拓扑模型;
规划模型建立模块,用于确定所述电网拓扑模型中的重要节点,根据所述重要节点建立相应的配电网规划模型;
概率预测模块,用于获取所述待测区域的脆弱性曲线,基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,输出各自然灾害场景下每个用户电表对应的用户负荷的停电概率。
根据本发明第二方面的一种能够实现的方式,所述聚类模块包括:
初始化单元,用于用0~1之间的随机数初始化隶属度矩阵,以各所述配电变电站作为聚类中心,所述隶属度矩阵用于确定每个用户电表隶属于各聚类中心的程度,其中0表示完全不隶属,1表示完全隶属,隶属度矩阵中一个用户电表隶属于各聚类中心的隶属度的总和为1;
函数构建单元,用于以用户电表到聚类中心的距离作为相似性度量,设置相应的聚类损失函数,构建在满足归一化要求的条件下使所述聚类损失函数最小的目标函数,并对所述目标函数进行拉格朗日变换,得到带条件极值的价值函数;
计算单元,用于将待分类的用户电表代入所述价值函数,计算出当前的聚类中心和隶属度矩阵;若当前目标函数的值大于预设的迭代停止阈值,将当前的聚类中心和隶属度矩阵代入所述价值函数进行重新计算;否则停止计算,输出聚类结果。
根据本发明第二方面的一种能够实现的方式,所述规划模型建立模块包括:
重要节点筛选单元,用于采用PageRank算法计算所述电网拓扑模型中各节点的PR值,根据所述PR值筛选出重要节点。
根据本发明第二方面的一种能够实现的方式,所述重要节点筛选单元采用PageRank算法计算所述电网拓扑模型中各节点的PR值时,具体用于:
根据所述电网拓扑模型的支路连接关系建立电网拓扑邻接矩阵,并进行潮流计算,根据计算得到的潮流流向结果建立电网有向拓扑模型;
根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值;
根据所述电网有向拓扑模型确定各节点的入度节点集和出度节点集,计算各节点的考虑入度节点的影响系数、考虑出度节点的影响系数及节点间传输功率影响系数:
式中,vi为节点v的第i个入度节点,ω1(vi→v)表示节点vi的考虑入度节点的影响系数,为节点vi的初始PR值,δin(v)为节点v的入度节点数量,ω2(vi→v)表示节点vi的考虑出度节点的影响系数,为节点vi的第j个出度节点的初始PR值,δout(vi)为节点vi的出度节点数量,ω3(vi→v)为节点vi与v之间的传输功率影响系数,PL(vi→v)为节点vi传输给节点v的功率值,为节点vi的第j个出度节点与v之间的传输功率影响系数;
按照下式迭代计算各节点的PR值:
式中,PRv表示节点v的PR值,q为阻尼指数,N为电网有向拓扑模型中的节点数量。
根据本发明第二方面的一种能够实现的方式,所述重要节点筛选单元根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值时,具体用于:
根据负荷重要性和负荷容量计算节点的基于负荷特性的PR值:
式中,PRLa为节点a的基于负荷特性的PR值,La为节点a的负荷量,Lmin为各节点的负荷的最小值,Lmax为各节点的负荷的最大值,LT为预置的一级负荷的负荷量,k1、k2皆为预置的权重系数,满足k1+k2=1;
根据发电机出力计算节点的基于发电特性的PR值:
式中,PRGa为节点a的基于发电特性的PR值,Ga为节点a的发电机出力大小,Gmax为各节点的发电机出力大小的最大值,Gmin为各节点的发电机出力大小的最小值;
根据所述基于负荷特性的PR值及所述基于发电特性的PR值,计算节点的初始PR值:
根据本发明第二方面的一种能够实现的方式,所述概率预测模块基于所述脆弱性曲线对所述配电网规划模型进行停电模拟时,具体用于:
对所述配电网规划模型进行待测自然灾害条件下的停电模拟,重复多次以使每个用户负荷的停电概率收敛于所述脆弱性曲线;
在停电模拟过程中,通过切除易受灾害影响的基础设施来改变配电网规划模型的拓扑结构;
在每次所述拓扑结构被改变时,检测各用户负荷是否与对应配电变电站断开连接,或者对应配电变电站是否受损;若用户负荷与对应配电变电站断开连接,和/或对应配电变电站受损,判定用户负荷在待测自然灾害条件下发生停电;
根据得到的停电检测结果计算每个用户负荷的停电概率。
本发明第三方面提供了一种自然灾害下配电网停电概率预测装置,包括:
存储器,用于存储指令;其中,所述指令为用于实现如上任意一项能够实现的方式所述的自然灾害下配电网停电概率预测方法;
处理器,用于执行所述存储器中的指令。
本发明第四方面一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任意一项能够实现的方式所述的自然灾害下配电网停电概率预测方法。
从以上技术方案可以看出,本发明具有以下优点:
本发明通过采用模糊C均值聚类算法对待测区域的各用户电表进行聚类,根据得到的各用户电表与各配电变电站之间的隶属关系信息构建对应的电网拓扑模型,并从电网拓扑模型中筛选重要节点进行留存,进而得到配电网规划模型,再基于脆弱性曲线对所述配电网规划模型进行停电模拟,以得到各自然灾害场景下每个用户电表对应的用户负荷的停电概率;本发明结合了统计模型和脆弱性评估模型的优点,仅利用基础的配电网数据生成所测区域的综合电力系统布局,并利用已有的脆弱性曲线模拟单个用户负荷(即单个建筑物)在危险负荷水平下的停电概率,能够在实现建筑层面的停电估计的同时提高停电概率预测的效率及精度。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。
图1为本发明一个可选实施例提供的一种自然灾害下配电网停电概率预测方法的流程图;
图2为本发明一个可选实施例提供的一种自然灾害下配电网停电概率预测系统的原理框图。
附图标记:
1-获取模块;2-聚类模块;3-拓扑模型构建模块;4-规划模型建立模块;5-概率预测模块。
具体实施方式
本发明实施例提供了一种自然灾害下配电网停电概率预测方法、系统及装置,用于解决现有自然灾害下配电网停电概率预测方法在进行建筑层面的停电估计时存在运行效率及精度较低的缺陷的技术问题。
为使得本发明的发明目的、特征、优点能够更加的明显和易懂,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,下面所描述的实施例仅仅是本发明一部分实施例,而非全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例,都属于本发明保护的范围。
本发明提供了一种自然灾害下配电网停电概率预测方法。
请参阅图1,图1示出了本发明实施例提供的一种自然灾害下配电网停电概率预测方法的流程图。
本发明实施例提供的一种自然灾害下配电网停电概率预测方法,包括步骤S1-S5。
步骤S1,获取待测区域的配电网数据,所述配电网数据包括所述待测区域的各用户电表及各配电变电站的位置信息。
各城市的电力系统布局数据不是公开数据,但可以获得用户的电表位置,因此,本申请将用户电表位置假设为建筑位置,将配电变电站位置假设为供电点,由此进行电网拓扑模型的构建。
步骤S2,根据所述配电网数据,采用模糊C均值聚类算法对所述各用户电表进行聚类,得到各所述用户电表与各所述配电变电站之间的隶属关系信息。
模糊C均值聚类算法是一种柔性的聚类划分方法,实际上是在硬C均值聚类算法的准则函数中引入了模糊因子。硬C均值聚类算法的基础是误差平方和准则,即以欧氏距离作为相似性度量。
模糊C均值的基本思想是依据每个具体样本相对于各个聚类中心的隶属度大小进行划分。隶属度函数表示为一个具体对象Y隶属于集合A的程度。对于n个样本组成的样本集合,设x为预定的类别数目,m1,m2,…,mx为每个聚类的中心,以μj(yi)代表第i个样本对于第j类的隶属度函数,则用隶属度函数定义的n个样本的聚类损失函数可以写成:
式中,Jf表示聚类损失函数,b可以控制聚类结果的模糊程度的常数,b>1,b的取值通常为2;‖yi-mi‖2表示第i个样本与聚类中心mi间的误差平方和。
在模糊C均值聚类算法中,可以将聚类后生成的所有类看成一个模糊集合,每个样本点隶属于每一类的隶属度就是区间0~1中的值,写成矩阵的形式,即对于每个给定的特征变量向量用区间0~1中的隶属度值来确定其隶属于各类的程度。在用户的样本筛选中,模糊C均值聚类算法将多个典型样本的特征向量分为若干类,然后求每类的聚类中心,使聚类相似性指标的聚类损失函数达到最小。
为了能够应用模糊划分方法,在一种能够实现的方式中,所述采用模糊C均值聚类算法对所述各用户电表进行聚类,包括:
用0~1之间的随机数初始化隶属度矩阵,以各所述配电变电站作为聚类中心,所述隶属度矩阵用于确定每个用户电表隶属于各聚类中心的程度,其中0表示完全不隶属,1表示完全隶属,隶属度矩阵中一个用户电表隶属于各聚类中心的隶属度的总和为1;
以用户电表到聚类中心的距离作为相似性度量,设置相应的聚类损失函数,构建在满足归一化要求的条件下使所述聚类损失函数最小的目标函数,并对所述目标函数进行拉格朗日变换,得到带条件极值的价值函数;
将待分类的用户电表代入所述价值函数,计算出当前的聚类中心和隶属度矩阵;若当前目标函数的值大于预设的迭代停止阈值,将当前的聚类中心和隶属度矩阵代入所述价值函数进行重新计算;否则停止计算,输出聚类结果。
其中,该归一化要求即隶属度矩阵中一个用户电表隶属于各聚类中心的隶属度的总和为1。
为了表示方便,将聚类损失函数用范数表示的误差写成距离的形式,在满足归一化要求的条件下,构建使所述聚类损失函数最小的目标函数设置为:
式中,Dij表示第i个样本和第j类聚类中心的距离。
根据上述聚类方法可以为每个用户电表找到最近的配电变电站作为隶属的配电变电站,一般一个用户电表仅依赖于一个配电变电站,每个配电变电站对应一个基本用户集群。对于网络距离与多个配电变电站相近的用户电表,允许这些用户电表位于不同的用户集群中。
步骤S3,以各所述用户电表及各所述配电变电站作为节点,根据所述隶属关系信息构建对应的电网拓扑模型。
涉及电网拓扑时,一般只考虑节点或边的邻居数量或特性,而忽略了自身质量和邻居质量的影响,即忽略了拓扑上各元素之间质量的相互影响。电网拓扑结构决定电网的物理本质,深刻地影响着电网的功能。在电网拓扑模型中,以实际电网中的配电线路为模型的节点、以实际电网中配电线路间通过节点形成的关系为模型的边。因此,模型中的节点数等于实际电网中的线路数目。可以采用现有的电网拓扑模型构建方法进行该电网拓扑模型的构建,本发明实施例不限定于此。
步骤S4,确定所述电网拓扑模型中的重要节点,根据所述重要节点建立相应的配电网规划模型。
本实施例在对城市电力布局进行建模时,不是对每个组件都进行建模,而是将重点放在被自然灾害破坏的可能性较大的电力基础设施上,以重要节点建立配电网规划模型,能够简化配电网规划模型的构建过程,提高模型运行效率。
在一种能够实现的方式中,所述确定所述电网拓扑模型中的重要节点,包括:
采用PageRank算法计算所述电网拓扑模型中各节点的PR值,根据所述PR值筛选出重要节点。
在一种能够实现的方式中,所述采用PageRank算法计算所述电网拓扑模型中各节点的PR值,包括:
根据所述电网拓扑模型的支路连接关系建立电网拓扑邻接矩阵,并进行潮流计算,根据计算得到的潮流流向结果建立电网有向拓扑模型;
根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值;
根据所述电网有向拓扑模型确定各节点的入度节点集和出度节点集,计算各节点的考虑入度节点的影响系数、考虑出度节点的影响系数及节点间传输功率影响系数:
式中,vi为节点v的第i个入度节点,ω1(vi→v)表示节点vi的考虑入度节点的影响系数,为节点vi的初始PR值,δin(v)为节点v的入度节点数量,ω2(vi→v)表示节点vi的考虑出度节点的影响系数,为节点vi的第j个出度节点的初始PR值,δout(vi)为节点vi的出度节点数量,ω3(vi→v)为节点vi与v之间的传输功率影响系数,PL(vi→v)为节点vi传输给节点v的功率值,为节点vi的第j个出度节点与v之间的传输功率影响系数;
按照下式迭代计算各节点的PR值:
式中,PRv表示节点v的PR值,q为阻尼指数,N为电网有向拓扑模型中的节点数量。
在一种能够实现的方式中,所述根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值,包括:
根据负荷重要性和负荷容量计算节点的基于负荷特性的PR值:
式中,PRLa为节点a的基于负荷特性的PR值,La为节点a的负荷量,Lmin为各节点的负荷的最小值,Lmax为各节点的负荷的最大值,LT为预置的一级负荷的负荷量,k1、k2皆为预置的权重系数,满足k1+k2=1;
根据发电机出力计算节点的基于发电特性的PR值:
式中,PRGa为节点a的基于发电特性的PR值,Ga为节点a的发电机出力大小,Gmax为各节点的发电机出力大小的最大值,Gmin为各节点的发电机出力大小的最小值;
根据所述基于负荷特性的PR值及所述基于发电特性的PR值,计算节点的初始PR值:
在建立配电网规划模型时,重要节点的有效选择是决定规划性能的前提条件。本实施例对重要节点的筛选过程不仅考虑了网络拓扑特性,还考虑了节点电气性能,包括负荷节点重要性、负荷容量和发电节点出力大小。通过本实施例的方法来评估配电网节点的重要度,能够保障重要节点的筛选精度。
步骤S5,获取所述待测区域的脆弱性曲线,基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,输出各自然灾害场景下每个用户电表对应的用户负荷的停电概率。
脆弱性曲线是一个概率函数,它给出在基础设施或建筑物达到或超过给定量化灾害强度时,基础设施或建筑物可能损坏的概率。在建立好配电网模型后,本发明实施例通过使用基础设施或建筑物的脆弱性曲线来估算可能由于自然灾害导致的断电概率。
作为一种能够实现的方式,所述基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,包括:
对所述配电网规划模型进行待测自然灾害条件下的停电模拟,重复多次以使每个用户负荷的停电概率收敛于所述脆弱性曲线;
在停电模拟过程中,通过切除易受灾害影响的基础设施来改变配电网规划模型的拓扑结构;
在每次所述拓扑结构被改变时,检测各用户负荷是否与对应配电变电站断开连接,或者对应配电变电站是否受损;若用户负荷与对应配电变电站断开连接,和/或对应配电变电站受损,判定用户负荷在待测自然灾害条件下发生停电;
根据得到的停电检测结果计算每个用户负荷的停电概率。
本发明根据给定的危险场景进行配电网规划模型的停电模拟,能够估算出每个用户点的停电概率,实现了对建筑层面的停电概率估计。
本发明还提供了一种自然灾害下配电网停电概率预测系统。
请参阅图2,图2示出了本发明实施例提供的一种自然灾害下配电网停电概率预测系统的原理框图。
本发明实施例提供的一种自然灾害下配电网停电概率预测系统,包括:
获取模块1,用于获取待测区域的配电网数据,所述配电网数据包括所述待测区域的各用户电表及各配电变电站的位置信息;
聚类模块2,用于根据所述配电网数据,采用模糊C均值聚类算法对所述各用户电表进行聚类,得到各所述用户电表与各所述配电变电站之间的隶属关系信息;
拓扑模型构建模块3,用于以各所述用户电表及各所述配电变电站作为节点,根据所述隶属关系信息构建对应的电网拓扑模型;
规划模型建立模块4,用于确定所述电网拓扑模型中的重要节点,根据所述重要节点建立相应的配电网规划模型;
概率预测模块5,用于获取所述待测区域的脆弱性曲线,基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,输出各自然灾害场景下每个用户电表对应的用户负荷的停电概率。
在一种能够实现的方式中,所述聚类模块2包括:
初始化单元,用于用0~1之间的随机数初始化隶属度矩阵,以各所述配电变电站作为聚类中心,所述隶属度矩阵用于确定每个用户电表隶属于各聚类中心的程度,其中0表示完全不隶属,1表示完全隶属,隶属度矩阵中一个用户电表隶属于各聚类中心的隶属度的总和为1;
函数构建单元,用于以用户电表到聚类中心的距离作为相似性度量,设置相应的聚类损失函数,构建在满足归一化要求的条件下使所述聚类损失函数最小的目标函数,并对所述目标函数进行拉格朗日变换,得到带条件极值的价值函数;
计算单元,用于将待分类的用户电表代入所述价值函数,计算出当前的聚类中心和隶属度矩阵;若当前目标函数的值大于预设的迭代停止阈值,将当前的聚类中心和隶属度矩阵代入所述价值函数进行重新计算;否则停止计算,输出聚类结果。
在一种能够实现的方式中,所述规划模型建立模块4包括:
重要节点筛选单元,用于采用PageRank算法计算所述电网拓扑模型中各节点的PR值,根据所述PR值筛选出重要节点。
在一种能够实现的方式中,所述重要节点筛选单元采用PageRank算法计算所述电网拓扑模型中各节点的PR值时,具体用于:
根据所述电网拓扑模型的支路连接关系建立电网拓扑邻接矩阵,并进行潮流计算,根据计算得到的潮流流向结果建立电网有向拓扑模型;
根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值;
根据所述电网有向拓扑模型确定各节点的入度节点集和出度节点集,计算各节点的考虑入度节点的影响系数、考虑出度节点的影响系数及节点间传输功率影响系数:
式中,vi为节点v的第i个入度节点,ω1(vi→v)表示节点vi的考虑入度节点的影响系数,为节点vi的初始PR值,δin(v)为节点v的入度节点数量,ω2(vi→v)表示节点vi的考虑出度节点的影响系数,为节点vi的第j个出度节点的初始PR值,δout(vi)为节点vi的出度节点数量,ω3(vi→v)为节点vi与v之间的传输功率影响系数,PL(vi→v)为节点vi传输给节点v的功率值,为节点vi的第j个出度节点与v之间的传输功率影响系数;
按照下式迭代计算各节点的PR值:
式中,PRv表示节点v的PR值,q为阻尼指数,N为电网有向拓扑模型中的节点数量。
在一种能够实现的方式中,所述重要节点筛选单元根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值时,具体用于:
根据负荷重要性和负荷容量计算节点的基于负荷特性的PR值:
式中,PRLa为节点a的基于负荷特性的PR值,La为节点a的负荷量,Lmin为各节点的负荷的最小值,Lmax为各节点的负荷的最大值,LT为预置的一级负荷的负荷量,k1、k2皆为预置的权重系数,满足k1+k2=1;
根据发电机出力计算节点的基于发电特性的PR值:
式中,PRGa为节点a的基于发电特性的PR值,Ga为节点a的发电机出力大小,Gmax为各节点的发电机出力大小的最大值,Gmin为各节点的发电机出力大小的最小值;
根据所述基于负荷特性的PR值及所述基于发电特性的PR值,计算节点的初始PR值:
在一种能够实现的方式中,所述概率预测模块5基于所述脆弱性曲线对所述配电网规划模型进行停电模拟时,具体用于:
对所述配电网规划模型进行待测自然灾害条件下的停电模拟,重复多次以使每个用户负荷的停电概率收敛于所述脆弱性曲线;
在停电模拟过程中,通过切除易受灾害影响的基础设施来改变配电网规划模型的拓扑结构;
在每次所述拓扑结构被改变时,检测各用户负荷是否与对应配电变电站断开连接,或者对应配电变电站是否受损;若用户负荷与对应配电变电站断开连接,和/或对应配电变电站受损,判定用户负荷在待测自然灾害条件下发生停电;
根据得到的停电检测结果计算每个用户负荷的停电概率。
本发明还提供了一种自然灾害下配电网停电概率预测装置,包括:
存储器,用于存储指令;其中,所述指令为可实现如上任意一项实施例所述的自然灾害下配电网停电概率预测方法的指令;
处理器,用于执行所述存储器中的指令。
本发明还提供了一种计算机可读存储介质,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如上任意一项实施例所述的自然灾害下配电网停电概率预测方法。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和模块的具体工作过程,可以参考前述方法实施例中的对应过程,,上述描述的系统、装置和模块的具体有益效果,可以参考前述方法实施例中的对应有益效果,在此不再赘述。
在本申请所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述模块的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个模块或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或模块的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的,作为模块显示的部件可以是或者也可以不是物理模块,即可以位于一个地方,或者也可以分布到多个网络模块上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能模块可以集成在一个处理模块中,也可以是各个模块单独物理存在,也可以两个或两个以上模块集成在一个模块中。上述集成的模块既可以采用硬件的形式实现,也可以采用软件功能模块的形式实现。
所述集成的模块如果以软件功能模块的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (14)
1.一种自然灾害下配电网停电概率预测方法,其特征在于,包括:
获取待测区域的配电网数据,所述配电网数据包括所述待测区域的各用户电表及各配电变电站的位置信息;
根据所述配电网数据,采用模糊C均值聚类算法对所述各用户电表进行聚类,得到各所述用户电表与各所述配电变电站之间的隶属关系信息;
以各所述用户电表及各所述配电变电站作为节点,根据所述隶属关系信息构建对应的电网拓扑模型;
确定所述电网拓扑模型中的重要节点,根据所述重要节点建立相应的配电网规划模型;
获取所述待测区域的脆弱性曲线,基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,输出各自然灾害场景下每个用户电表对应的用户负荷的停电概率。
2.根据权利要求1所述的自然灾害下配电网停电概率预测方法,其特征在于,所述采用模糊C均值聚类算法对所述各用户电表进行聚类,包括:
用0~1之间的随机数初始化隶属度矩阵,以各所述配电变电站作为聚类中心,所述隶属度矩阵用于确定每个用户电表隶属于各聚类中心的程度,其中0表示完全不隶属,1表示完全隶属,隶属度矩阵中一个用户电表隶属于各聚类中心的隶属度的总和为1;
以用户电表到聚类中心的距离作为相似性度量,设置相应的聚类损失函数,构建在满足归一化要求的条件下使所述聚类损失函数最小的目标函数,并对所述目标函数进行拉格朗日变换,得到带条件极值的价值函数;
将待分类的用户电表代入所述价值函数,计算出当前的聚类中心和隶属度矩阵;若当前目标函数的值大于预设的迭代停止阈值,将当前的聚类中心和隶属度矩阵代入所述价值函数进行重新计算;否则停止计算,输出聚类结果。
3.根据权利要求1所述的自然灾害下配电网停电概率预测方法,其特征在于,所述确定所述电网拓扑模型中的重要节点,包括:
采用PageRank算法计算所述电网拓扑模型中各节点的PR值,根据所述PR值筛选出重要节点。
4.根据权利要求3所述的自然灾害下配电网停电概率预测方法,其特征在于,所述采用PageRank算法计算所述电网拓扑模型中各节点的PR值,包括:
根据所述电网拓扑模型的支路连接关系建立电网拓扑邻接矩阵,并进行潮流计算,根据计算得到的潮流流向结果建立电网有向拓扑模型;
根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值;
根据所述电网有向拓扑模型确定各节点的入度节点集和出度节点集,计算各节点的考虑入度节点的影响系数、考虑出度节点的影响系数及节点间传输功率影响系数:
式中,vi为节点v的第i个入度节点,ω1(vi→v)表示节点vi的考虑入度节点的影响系数,为节点vi的初始PR值,δin(v)为节点v的入度节点数量,ω2(vi→v)表示节点vi的考虑出度节点的影响系数,为节点vi的第j个出度节点的初始PR值,δout(vi)为节点vi的出度节点数量,ω3(vi→v)为节点vi与v之间的传输功率影响系数,PL(vi→v)为节点vi传输给节点v的功率值,为节点vi的第j个出度节点与v之间的传输功率影响系数;
按照下式迭代计算各节点的PR值:
式中,PRv表示节点v的PR值,q为阻尼指数,N为电网有向拓扑模型中的节点数量。
5.根据权利要求4所述的自然灾害下配电网停电概率预测方法,其特征在于,所述根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值,包括:
根据负荷重要性和负荷容量计算节点的基于负荷特性的PR值:
式中,PRLa为节点a的基于负荷特性的PR值,La为节点a的负荷量,Lmin为各节点的负荷的最小值,Lmax为各节点的负荷的最大值,LT为预置的一级负荷的负荷量,k1、k2皆为预置的权重系数,满足k1+k2=1;
根据发电机出力计算节点的基于发电特性的PR值:
式中,PRGa为节点a的基于发电特性的PR值,Ga为节点a的发电机出力大小,Gmax为各节点的发电机出力大小的最大值,Gmin为各节点的发电机出力大小的最小值;
根据所述基于负荷特性的PR值及所述基于发电特性的PR值,计算节点的初始PR值:
6.根据权利要求1所述的自然灾害下配电网停电概率预测方法,其特征在于,所述基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,包括:
对所述配电网规划模型进行待测自然灾害条件下的停电模拟,重复多次以使每个用户负荷的停电概率收敛于所述脆弱性曲线;
在停电模拟过程中,通过切除易受灾害影响的基础设施来改变配电网规划模型的拓扑结构;
在每次所述拓扑结构被改变时,检测各用户负荷是否与对应配电变电站断开连接,或者对应配电变电站是否受损;若用户负荷与对应配电变电站断开连接,和/或对应配电变电站受损,判定用户负荷在待测自然灾害条件下发生停电;
根据得到的停电检测结果计算每个用户负荷的停电概率。
7.一种自然灾害下配电网停电概率预测系统,其特征在于,包括:
获取模块,用于获取待测区域的配电网数据,所述配电网数据包括所述待测区域的各用户电表及各配电变电站的位置信息;
聚类模块,用于根据所述配电网数据,采用模糊C均值聚类算法对所述各用户电表进行聚类,得到各所述用户电表与各所述配电变电站之间的隶属关系信息;
拓扑模型构建模块,用于以各所述用户电表及各所述配电变电站作为节点,根据所述隶属关系信息构建对应的电网拓扑模型;
规划模型建立模块,用于确定所述电网拓扑模型中的重要节点,根据所述重要节点建立相应的配电网规划模型;
概率预测模块,用于获取所述待测区域的脆弱性曲线,基于所述脆弱性曲线对所述配电网规划模型进行停电模拟,输出各自然灾害场景下每个用户电表对应的用户负荷的停电概率。
8.根据权利要求7所述的自然灾害下配电网停电概率预测系统,其特征在于,所述聚类模块包括:
初始化单元,用于用0~1之间的随机数初始化隶属度矩阵,以各所述配电变电站作为聚类中心,所述隶属度矩阵用于确定每个用户电表隶属于各聚类中心的程度,其中0表示完全不隶属,1表示完全隶属,隶属度矩阵中一个用户电表隶属于各聚类中心的隶属度的总和为1;
函数构建单元,用于以用户电表到聚类中心的距离作为相似性度量,设置相应的聚类损失函数,构建在满足归一化要求的条件下使所述聚类损失函数最小的目标函数,并对所述目标函数进行拉格朗日变换,得到带条件极值的价值函数;
计算单元,用于将待分类的用户电表代入所述价值函数,计算出当前的聚类中心和隶属度矩阵;若当前目标函数的值大于预设的迭代停止阈值,将当前的聚类中心和隶属度矩阵代入所述价值函数进行重新计算;否则停止计算,输出聚类结果。
9.根据权利要求7所述的自然灾害下配电网停电概率预测系统,其特征在于,所述规划模型建立模块包括:
重要节点筛选单元,用于采用PageRank算法计算所述电网拓扑模型中各节点的PR值,根据所述PR值筛选出重要节点。
10.根据权利要求9所述的自然灾害下配电网停电概率预测系统,其特征在于,所述重要节点筛选单元采用PageRank算法计算所述电网拓扑模型中各节点的PR值时,具体用于:
根据所述电网拓扑模型的支路连接关系建立电网拓扑邻接矩阵,并进行潮流计算,根据计算得到的潮流流向结果建立电网有向拓扑模型;
根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值;
根据所述电网有向拓扑模型确定各节点的入度节点集和出度节点集,计算各节点的考虑入度节点的影响系数、考虑出度节点的影响系数及节点间传输功率影响系数:
式中,vi为节点v的第i个入度节点,ω1(vi→v)表示节点vi的考虑入度节点的影响系数,为节点vi的初始PR值,δin(v)为节点v的入度节点数量,ω2(vi→v)表示节点vi的考虑出度节点的影响系数,为节点vi的第j个出度节点的初始PR值,δout(vi)为节点vi的出度节点数量,ω3(vi→v)为节点vi与v之间的传输功率影响系数,PL(vi→v)为节点vi传输给节点v的功率值,为节点vi的第j个出度节点与v之间的传输功率影响系数;
按照下式迭代计算各节点的PR值:
式中,PRv表示节点v的PR值,q为阻尼指数,N为电网有向拓扑模型中的节点数量。
11.根据权利要求10所述的自然灾害下配电网停电概率预测系统,其特征在于,所述重要节点筛选单元根据负荷重要性、负荷容量及发电机出力计算各节点的初始PR值时,具体用于:
根据负荷重要性和负荷容量计算节点的基于负荷特性的PR值:
式中,PRLa为节点a的基于负荷特性的PR值,La为节点a的负荷量,Lmin为各节点的负荷的最小值,Lmax为各节点的负荷的最大值,LT为预置的一级负荷的负荷量,k1、k2皆为预置的权重系数,满足k1+k2=1;
根据发电机出力计算节点的基于发电特性的PR值:
式中,PRGa为节点a的基于发电特性的PR值,Ga为节点a的发电机出力大小,Gmax为各节点的发电机出力大小的最大值,Gmin为各节点的发电机出力大小的最小值;
根据所述基于负荷特性的PR值及所述基于发电特性的PR值,计算节点的初始PR值:
12.根据权利要求7所述的自然灾害下配电网停电概率预测系统,其特征在于,所述概率预测模块基于所述脆弱性曲线对所述配电网规划模型进行停电模拟时,具体用于:
对所述配电网规划模型进行待测自然灾害条件下的停电模拟,重复多次以使每个用户负荷的停电概率收敛于所述脆弱性曲线;
在停电模拟过程中,通过切除易受灾害影响的基础设施来改变配电网规划模型的拓扑结构;
在每次所述拓扑结构被改变时,检测各用户负荷是否与对应配电变电站断开连接,或者对应配电变电站是否受损;若用户负荷与对应配电变电站断开连接,和/或对应配电变电站受损,判定用户负荷在待测自然灾害条件下发生停电;
根据得到的停电检测结果计算每个用户负荷的停电概率。
13.一种自然灾害下配电网停电概率预测装置,其特征在于,包括:
存储器,用于存储指令;其中,所述指令用于实现如权利要求1-6任意一项所述的自然灾害下配电网停电概率预测方法;
处理器,用于执行所述存储器中的指令。
14.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质上存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1-6任意一项所述的自然灾害下配电网停电概率预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320079.0A CN114741822A (zh) | 2022-03-29 | 2022-03-29 | 一种自然灾害下配电网停电概率预测方法、系统及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210320079.0A CN114741822A (zh) | 2022-03-29 | 2022-03-29 | 一种自然灾害下配电网停电概率预测方法、系统及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114741822A true CN114741822A (zh) | 2022-07-12 |
Family
ID=82276429
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210320079.0A Pending CN114741822A (zh) | 2022-03-29 | 2022-03-29 | 一种自然灾害下配电网停电概率预测方法、系统及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114741822A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132025A (zh) * | 2023-10-26 | 2023-11-28 | 国网山东省电力公司泰安供电公司 | 一种基于多源数据融合的用电监测预警系统 |
-
2022
- 2022-03-29 CN CN202210320079.0A patent/CN114741822A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117132025A (zh) * | 2023-10-26 | 2023-11-28 | 国网山东省电力公司泰安供电公司 | 一种基于多源数据融合的用电监测预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Xu et al. | Probabilistic load forecasting for buildings considering weather forecasting uncertainty and uncertain peak load | |
CN113762625B (zh) | 一种基于图卷积网络的配电网状态评估方法和系统 | |
CN111814342B (zh) | 一种复杂设备可靠性混合模型及其构建方法 | |
CN108919059A (zh) | 一种电网故障诊断方法、装置、设备及可读存储介质 | |
AU2021236470B2 (en) | Adaptive robust state estimation method for power systems | |
de Souza et al. | Optimal metering systems for monitoring power networks under multiple topological scenarios | |
CN112288172A (zh) | 台区线损率的预测方法、装置 | |
CN117744916A (zh) | 储能容量的预测方法、装置、计算机设备及可读存储介质 | |
CN115603320A (zh) | 一种基于广域量测数据的实时感知与在线评估方法及系统 | |
CN114741822A (zh) | 一种自然灾害下配电网停电概率预测方法、系统及装置 | |
Salgado et al. | A short-term bus load forecasting system | |
Ghassemi et al. | Optimal surrogate and neural network modeling for day-ahead forecasting of the hourly energy consumption of university buildings | |
Mugerwa et al. | Data-driven consumer-phase identification in low-voltage distribution networks considering prosumers | |
Ma et al. | Hd-Deep-EM: Deep Expectation Maximization for Dynamic Hidden State Recovery Using Heterogeneous Data | |
CN113298296A (zh) | 一种自下而上的输电变电站日前负荷概率预测方法 | |
Lin et al. | Hpt-rl: Calibrating power system models based on hierarchical parameter tuning and reinforcement learning | |
KR102410052B1 (ko) | 클라우드 기반 마이크로그리드 분산 전원을 관리하기 위한 장치 및 이를 위한 방법 | |
CN115859765A (zh) | 城市扩张的预测方法、装置、设备及存储介质 | |
Beydoun et al. | Comparative analysis of time series and artificial intelligence algorithms for short term load forecasting | |
Moradzadeh et al. | Image processing-based data integrity attack detection in dynamic line rating forecasting applications | |
CN109657160B (zh) | 基于随机游走访问频数的入度信息估计方法及系统 | |
JP6950647B2 (ja) | データ判定装置、方法、及びプログラム | |
Alamaniotis et al. | Multiobjective unfolding of shared power consumption pattern using genetic algorithm for estimating individual usage in smart cities | |
Matsumoto et al. | Connection Phase Estimation of Pole Mounted Distribution Transformers by Integer Form of Population Based Incremental Learning Considering Measurement Errors and Outliers by Correntropy | |
Zhang et al. | Prediction of Power Outages in Distribution Network with Grey Theory |
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 |