CN117745084A - 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 - Google Patents
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 Download PDFInfo
- Publication number
- CN117745084A CN117745084A CN202410189989.9A CN202410189989A CN117745084A CN 117745084 A CN117745084 A CN 117745084A CN 202410189989 A CN202410189989 A CN 202410189989A CN 117745084 A CN117745084 A CN 117745084A
- Authority
- CN
- China
- Prior art keywords
- hurricane
- power system
- probability
- model
- risk
- 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 35
- 238000012502 risk assessment Methods 0.000 title claims abstract description 35
- 238000011084 recovery Methods 0.000 claims abstract description 31
- 238000011156 evaluation Methods 0.000 claims abstract description 10
- 230000005540 biological transmission Effects 0.000 claims description 56
- 238000004422 calculation algorithm Methods 0.000 claims description 12
- 230000003068 static effect Effects 0.000 claims description 10
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 5
- 239000004020 conductor Substances 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 4
- 238000005315 distribution function Methods 0.000 claims description 4
- 230000007935 neutral effect Effects 0.000 claims description 4
- 230000002459 sustained effect Effects 0.000 claims description 4
- 238000013519 translation Methods 0.000 claims description 4
- 101100283966 Pectobacterium carotovorum subsp. carotovorum outN gene Proteins 0.000 claims description 3
- 238000004088 simulation Methods 0.000 claims description 3
- 230000006870 function Effects 0.000 description 12
- 238000000342 Monte Carlo simulation Methods 0.000 description 6
- 238000004590 computer program Methods 0.000 description 4
- 238000003064 k means clustering Methods 0.000 description 4
- 238000012614 Monte-Carlo sampling Methods 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 238000013210 evaluation model Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000005520 cutting process Methods 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000009826 distribution Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 239000002689 soil Substances 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012876 topography Methods 0.000 description 1
- 238000009827 uniform distribution Methods 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明属于电力系统可靠性评估与运行风险分析领域,提供了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,首先以飓风为极端气象事件典型代表对气象强度进行建模,同时综合考虑了电力系统在极端气象下可能同时出现倒杆和线路断线的情况,结合杆塔和输电线路脆性曲线建立了系统故障概率模型并采用蒙特卡洛采样方式生成故障集。最后采用基于条件风险价值理论建立了电力系统风险评估模型,可划分为快照恢复能力评估及综合恢复能力评估两个阶段。本发明能够进行对极端气象下的电力系统进行风险评估,并检验电力系统的韧性表现,可以被实际应用。
Description
技术领域
本发明属于电力系统可靠性评估与运行风险分析领域,尤其涉及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。
背景技术
本部分的陈述仅仅是提供了与本发明相关的背景技术信息,不必然构成在先技术。
目前,电力系统已成为现代社会不可或缺的基础设施,电力系统停电是包括电力工业和消费者在内利益相关者面临的最严峻挑战之一,极端气象如飓风、暴雨等高影响低概率事件(High Impact and Low Probability,HILP)作为电力系统停电的主要原因正受到越来越广泛的关注。而随着气候变化的加剧,全球范围内的天气模式和气象事件受到显著影响,极端气象现象不仅在频率上呈现增加趋势,而且在强度和持续时间上也呈现出不断加剧的趋势。这些极端气象事件对电力系统的可靠性和稳定性构成了严峻的挑战,因此,开展极端气象下的电力系统风险评估显得尤为重要。当前的评估方法主要存在以下两个问题:
首先,在故障集生成过程中,对于极端气象事件的建模过于粗糙。一是往往仅通过对历史数据进行拟合反映气象强度,缺乏对气象强度的数学建模。二是往往假设电力系统在遭遇极端气象事件后仅出现倒杆或仅出现线路断线,而在实际中,这两种情况是完全可能同时发生的,仅考虑一种则缺乏合理性。
其次,当前的评估方法往往仅考虑电力系统在遭遇极端气象时的短期韧性表现,即仅对电力系统的快照恢复能力进行评估,而没有考虑到电力系统在遭遇极端气象后可以通过切换线路开关等手段重构网络拓扑来应对气象灾害,即没有对电力系统的综合恢复能力进行评估。
发明内容
为了解决上述背景技术中存在的至少一项技术问题,本发明提供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,其以飓风为极端气象代表事件建立了系统的故障概率模型并生成典型故障集,同时,针对所生成的典型故障集提出了一种两阶段电力系统风险评估方法,实现极端气象下电力系统风险和韧性表现的有效评估,填补极端气象下电力系统运行风险评估的空白之处。
为了实现上述目的,本发明采用如下技术方案:
本发明的第一方面提供一种极端气象下两阶段电力系统运行风险评估方法,包括如下步骤:
以飓风为极端气象事件典型代表,结合静态飓风和动态飓风对飓风强度建模得到飓风模型;
基于飓风模型,考虑输电导线和杆塔在遭遇极端气象时同时出现损坏的情况,建立系统故障概率模型;
根据飓风下的系统故障概率模型,生成系统典型故障集,对故障场景进行削减,获得具有代表性的典型故障集;
基于典型故障集构建两阶段电力系统风险评估模型,来评估系统快照恢复能力及系统综合恢复能力。
进一步地,静态飓风风速模型由输电导线或输电杆塔到飓风眼的距离的函数来表示,为:
,
式中:为风速拟合参数,/>表示飓风的最大持续风速,/>表示飓风眼与输电导线或输电杆塔之间的距离,/>表示最大风速的半径,/>表示受飓风影响区域的半径,/>表示指定飓风边界的拟合因子。
进一步地,动态飓风风速模型的构建过程包括:
基于飓风最初登陆地点,根据飓风预报给定的路径数据和飓风平移速度,计算每个时间点的飓风眼位置;
根据历史飓风气象数据,模拟N 0个飓风登陆时的情况,计算飓风登陆时的压力参数;
取N 0个对数正态分布样本,设置概率分布函数参数来模拟地面衰减因子,对于每一个地面衰减因子,结合每个时间点的飓风眼位置,计算每个飓风眼位置下的压力参数;
结合飓风登陆时的压力参数和每个飓风眼位置下的压力参数得到飓风眼轨迹上每一点的飓风最大风速。
进一步地,所述系统故障概率模型为:
,
,
,
其中,杆塔k在t时段的风速,为杆塔k在t时刻因飓风而损坏的概率,/>代表两杆塔间的输电导线k在t时刻损坏的概率,/>为中值阻尼,/>为杆塔强度指数的对数标准差,/>为直接由飓风导致的导线损坏概率,/>为因飓风所致的树木倾倒引起的导线损坏概率,/>代表导线k埋在地下的概率,α代表导线的平均树致损坏概率。
进一步地,所述根据飓风下的系统故障概率模型,生成系统典型故障集,包括:
对于每条输电线路,将每条线路的损坏概率与相应的随机数进行比较,若损坏概率小于相应随机数,则该输电线路会因飓风而停电,而概率高于相应随机数的输电线路则在遭遇飓风时仍能与电网保持连接;
通过将所有线路的停电概率与其对应的随机数进行比较,可生成一个由为所有输电线路估计的一组状态所组成的场景,构成系统典型故障集。
进一步地,所述对故障场景进行削减,获得具有代表性的典型故障集,包括如下步骤:
步骤1:随机的从典型故障集中选取样本,并将之作为第一个数据中心,随后将样本从典型故障集中删除;
步骤2:从典型故障集中选取某一样本,计算该样本到已生成的数据中心之间的距离,若该距离小于设置的第二距离阈值,则将之添加至Canopy中并从数据集合List中删除;
若Q与已生成的数据中心Canopy之间的距离大于设置的第一距离阈值,则将之增添为另一个数据中心并从典型故障集中删除;
若Q与已生成的数据中心Canopy之间的距离介于第一距离阈值和第二距离阈值之间,则将其添加至数据中心但并不从典型故障集中删除以参与后续的距离计算;
步骤3:对典型故障集中的所有其他样本点均进行步骤2直至典型故障集为空集合,此时即完成对原始数据的粗聚类,此时所生成的数据中心数目和样本点即可代入K-means算法中进行进一步聚类,得到具有代表性的典型故障集。
进一步地,在评估系统快照恢复能力时,将故障后负荷损失作为系统快照恢复能力的评估指标,将电力系统负荷被划分为两个等级,即临界负荷和非临界负荷,来确定电力系统负荷的优先级。
进一步地,在评估系统综合恢复能力时,采用最优传输开断策略,为每条传输线分配一个二元变量,用以指示其线路开关在拓扑重构时的状态。
进一步地,在评估系统快照恢复能力及系统综合恢复能力,构建目标函数时,基于条件风险价值理论,引入了加权参数描述目标函数的风险水平,决策者承担风险的欲望越低,加权参数的取值就越小,若加权参数设置为0,则意味着决策者是风险中性的。
本发明的第二方面提供一种极端气象下两阶段电力系统运行风险评估系统,包括:
飓风强度模型构建模块,被配置为:以飓风为极端气象事件典型代表,结合静态飓风和动态飓风对飓风强度建模得到飓风强度模型;
故障集生成模块,被配置为:基于飓风强度模型,考虑输电导线和杆塔在遭遇极端气象时出现损坏的情况,建立电力系统故障概率模型;根据飓风下的电力系统故障概率模型,生成电力系统典型故障集,对故障场景进行削减,获得具有代表性的典型故障集;
风险评估模块,被配置为:基于典型故障集构建两阶段电力系统风险评估模型,来评估系统快照恢复能力及系统综合恢复能力。
与现有技术相比,本发明的有益效果是:
本发明首先以飓风为极端气象事件典型代表对气象强度进行建模,同时综合考虑了电力系统在极端气象下可能同时出现倒杆和线路断线的情况,结合杆塔和输电线路脆性曲线建立了系统故障概率模型并采用蒙特卡洛采样方式生成故障集。最后采用基于条件风险价值(Conditional Value at Risk, CVaR)理论建立了电力系统风险评估模型,可划分为快照恢复能力评估及综合恢复能力评估两个阶段。本发明方法能够进行对极端气象下的电力系统进行风险评估,并检验电力系统的韧性表现,可以被实际应用。
本发明附加方面的优点将在下面的描述中部分给出,部分将从下面的描述中变得明显,或通过本发明的实践了解到。
附图说明
构成本发明的一部分的说明书附图用来提供对本发明的进一步理解,本发明的示意性实施例及其说明用于解释本发明,并不构成对本发明的不当限定。
图1是本发明实施例提供的一种极端气象下两阶段电力系统运行风险评估方法流程图;
具体实施方式
下面结合附图与实施例对本发明作进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本发明提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本发明所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本发明的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
针对背景技术中提及的电力系统评估存在的问题,本发明首先以飓风为极端气象事件典型代表对气象强度进行建模,同时综合考虑了电力系统在极端气象下可能同时出现倒杆和线路断线的情况,结合杆塔和输电线路脆性曲线建立了系统故障概率模型并采用蒙特卡洛采样方式生成故障集。最后采用基于条件风险价值(Conditional Value at Risk,CVaR)理论建立了电力系统风险评估模型,可划分为快照恢复能力评估及综合恢复能力评估两个阶段。本发明方法能够进行对极端气象下的电力系统进行风险评估,并检验电力系统的韧性表现,可以被实际应用。
实施例一
如图1所示,本实施提供一种极端气象下两阶段电力系统运行风险评估方法,包括如下步骤:
S101:以飓风为极端气象代表事件建立系统故障概率模型;
首先对飓风强度进行建模,随后结合杆塔和输电线路脆性曲线建立了系统故障概率模型;
具体包括如下步骤:
S1011:构建静态飓风风速模型。
当不考虑飓风的平动时,其静态风速模型可由输电导线或输电杆塔到飓风眼的距离的函数来表示:
(1),
式中:为风速拟合参数,取/>=1.14;/>表示飓风的最大持续风速(单位为每小时海里);/>表示飓风眼与输电导线或输电杆塔(i,j)之间的距离;/>表示最大风速的半径(单位为海里);/>表示受飓风影响区域的半径(以海里为单位);/>表示指定飓风边界的拟合因子,在这里假设/>=10。
S1012:构建动态飓风风速模型。
动态飓风风速模型可以看作把时间切片并计算出单一时间段内飓风的参数,将该参数代入(1)即可得当前杆塔所受风速,其具体包括如下步骤:
S10121:飓风的动力梯度风场是一个具有平动运动的时变场,可以建模如下:
(2),
式中:表示飓风登陆时的建模参数集。本质上,/>是静态飓风风速场的广义表示,具有时变的建模参数和飓风眼的位置。
S10122:在不失一般性的条件下,本实施例提出一种算法来模拟飓风沿路径移动时的动态风场,每两小时指定一次飓风眼的位置,总共持续12小时,其具体步骤如下:
1)假设飓风最初登陆地点为,NP为可能的轨迹线而NT 2-h为模拟时间步长;
2)根据飓风预报给定的路径数据和飓风平移速度,使用步骤1)中的数据计算每个时间点的飓风眼位置,即;
3)根据历史飓风气象数据,模拟N 0个飓风登陆时的情况;
4)取N 0个对数正态分布样本,设置概率分布函数参数和/>来模拟地面衰减因子/>;
5)记场景索引;
6)从步骤3)中提取;
7)采用下式计算登陆时的:
(3),
8)采用下式计算飓风登陆时的Holland压力参数B,即:
(4),
9)对于步骤4)中每一个地面衰减因子,计算飓风眼位于l(在飓风登陆时段后;可沿可能的轨迹p进行追踪)的/>:
(5),
式中:代表每一个飓风眼的位置索引;
10)利用如下表达式和飓风眼的位置,计算飓风眼到达l时的最大风速半径:
(6),
11)计算每个飓风眼位置下的Holland压力参数:
(7),
12)计算飓风眼轨迹上每一点的飓风最大风速:
(8)。
S10123:构建系统故障概率模型。具体包括:
首先定义杆塔损坏概率如下表达式,其可被表达为以风速为自变量的正态累积分布函数:
(9),
式中:为杆塔k在t时刻因飓风而损坏的概率,/>为杆塔k在t时段的风速,其可由式(1)计算得来,/>为中值阻尼,/>为杆塔强度指数的对数标准差。
然后定义导线损坏概率如下表达式:
(10),
式中:代表两杆塔间的输电导线k在t时刻损坏的概率,/>为直接由飓风导致的导线损坏概率,/>为因飓风所致的树木倾倒引起的导线损坏概率,/>代表导线k埋在地下的概率(不受极端天气的影响),设定为/>=0.32,α代表导线的平均树致损坏概率。
直接由飓风导致的导线损坏概率可被定义为:
(11),
式中:施加在导线k上的风力,/>代表导线k所能承受的最大垂直风力。
由树木倾倒引起的导线损坏概率可被定义为:
(12),
(13),
式中:D H为树高处的树径,为局部地形因子,其基于导体k附近的土壤覆盖信息来选择,/>、/>和/>为与树种相关的参数。
综上所述,假设输电线路不同部件的脆弱性是独立的,输电线路在遭遇飓风时的故障概率可以表示如下:
(14),
式中:为输电线路(i,j)在飓风天气下的故障概率。
S102:根据飓风下的系统故障概率模型,生成系统典型故障集,对故障场景进行削减,获得具有代表性的典型故障集;具体步骤如下:
S201:在飓风发生的情况下,输电线路的状态可以通过一组场景进行随机建模。生成这种场景的一种方法是使用蒙特卡罗模拟(MCS)技术。然而电力系统中的输电线路数量越高,输电线路故障情况的数量就越大。因此,大容量电力系统产生的故障场景数量极高。
其具体步骤如下:
S2011:假设电力系统中所有输电线路在遭遇飓风前均处于连接状态。
S2012:如S101中所述,利用飓风模型及输电导线和杆塔的脆弱性曲线,确定系统中各输电线路在飓风气象条件下的损坏概率。
S2013:假设随机数在区间(0,1)之间满足均匀分布,生成总计n个这样的随机数。实质上,在这一步骤中,对于要生成的每一个故障场景,生成的随机树数目应当与电力系统中输电线路的数目相对应。
S2014:对于每条输电线路,将使用式(14)获得的每条线路的损坏概率与相应的随机数进行比较。若损坏概率小于相应随机数,则该输电线路会因飓风而停电,而概率高于相应随机数来的输电线路则在遭遇飓风时仍能与电网保持连接。通过这种方式,每条线路的状态可由数字0或1表示,其中0反映该线路损坏,1反映该线路仍保持连接。通过将所有线路的停电概率与其对应的随机数进行比较,可生成一个由为所有输电线路估计的一组状态所组成的场景。
S2015:当假设输电线路的数目为n时,基于所有输电线路的状态可以生成的场景数目为,然而遍历所有的场景是没有必要的,通过蒙特卡罗模拟(MCS)技术可生成相对有限数目的场景。事实上,这样的采样和场景生成的过程会重复几次,以生成给定数量的场景。因此需要根据需求合理设定MCS中生成的场景数量。
S202:对故障场景进行削减,获得具有代表性的典型故障集;
为减小计算负担提高计算效率,针对由MCS技术所生成的大量系统故障场景,本发明采用一种基于Canopy算法改进的K-means聚类算法进行场景削减,从而获得若干具有代表性的典型故障场景,每一个典型故障场景被标记为s,其出现的概率记作。
K-means聚类算法是一种经典的聚类算法。其基本原理是预先将数据划分为K组,然后随机选择K个对象作为初始聚类中心,接着计算每个对象和每个聚类中心之间的距离,并将每个对象分配给离它最近的聚类中心,聚类中心和分配给它们的对象表示一个簇类,随后重复此过程,直到满足某个终止条件为止。K-means聚类算法具有极高的计算效率,但其聚类结果的准确程度依赖于聚类中心数目的设置和初始聚类中心的选取;
因此,本实施例中,采用Canopy算法对传统的K-means聚类算法进行改进,首先进行粗聚类,以获取合适的聚类中心数目和可参考的初始聚类中心,其具体步骤如下:
S2021:输入由原始数据组成的数据集合List,设置样本间距离阈值T1和T2,且令T1>T2。应注意,Canopy算法无需预先设置聚类中心。
S2022:随机的从数据集合List中选取样本P,并将之作为第一个数据中心Canopy,随后将样本P从数据集合List中删除。
S2023:从数据集合List中选取某一样本Q,计算Q到已生成的数据中心Canopy之间的距离,若该距离小于S2021中设置的距离阈值T2,则将之添加至Canopy中并从数据集合List中删除(即认为该样本Q距离已有的Canopy足够近,不会再成为新的数据中心)。若Q与已生成的数据中心Canopy之间的距离大于S2021中设置的距离阈值T1,则将之增添为另一个数据中心并从数据集合List中删除。若Q与已生成的数据中心Canopy之间的距离介于T1和T2之间,则将其添加至Canopy中但并不从数据集合List中删除使其能够参与后续的距离计算。
S2024:对数据集合List中的所有其他样本点均进行S2023直至数据集合List为空集合,此时即完成对原始数据的粗聚类,此时所生成的数据中心数目和样本点即可代入K-means算法中进行进一步聚类。
S103:构建两阶段极端气象下电力系统风险评估模型,其可被划分为快照恢复能力评估阶段及综合恢复能力评估阶段,具体步骤如下:
S301:构建电力系统快照恢复能力评估模型,该模型包括约束条件和目标函数。
其中,当电力系统遭遇极端气象时,系统发生甩负荷是不可避免的,因此,在本实施例中故障后负荷损失(Value of Lost Load, VoLL)被采纳为系统快照恢复能力的评估指标。且在本实施例中,电力系统负荷被划分为两个等级,即临界(一级)负荷和非临界(二级)负荷,来确定电力系统负荷的优先级,因此前者的故障后负荷损失将大于后者,即VoLL1 >VoLL2。目标函数的数学形式如下:
(15),
式中G,K和L分别代表发电机组集合、母线集合及输电线路集合,表示场景s发生的概率,/>为场景s下t时刻母线k的切负荷量。
基于条件风险价值理论,目标函数式(15)可转化为如下形式:
(16),
式中:加权参数描述了目标函数的风险水平,决策者承担风险的欲望越低,参数/>的取值就越小,若/>设置为0,则意味着决策者是风险中性的。参数/>代表置信水平。
其中,约束条件包括:
切负荷约束,分别限制一级及二级负荷的切负荷量:
(17),
(18),
节点功率平衡约束:
(19),
式中:代表节点i和j之间线路l的导纳,/>代表场景s下t时段节点k处的功角,/>为场景s下线路l的开断状态,/>代表场景s下t时段线路l的有功潮流。
系统功率平衡约束:
(20),
式中:为时段t节点k处的有功需求,/>为场景s下发电机组g在t时段的有功出力。
发电机组出力约束:
(21),
式中:和/>为发电机组g的出力上下限。
输电线路容量约束:
(22),
式中:和/>为输电线路l的潮流容量上下限。
有功功角约束:
(23),
式中:和/>为节点有功功角偏移上下限。
节点切负荷量约束:
(24),
该式限制了切负荷量不得超过节点有功负荷量。
条件风险价值约束:
(25),
(26),
式中:为辅助变量,/>为式/>的最大值。
S302:构建电力系统综合恢复能力评估模型,该模型包括约束条件和目标函数;
其中,所述电力系统综合恢复能力评估模型的目标函数为:
当电力系统遭遇极端气象后,可采用操作输电线路开关开断的方式来重构电网拓扑结构以减少极端气象带来的停电影响,这一操作被成为最优传输开断策略(OptimalTransmission Switching,OTS)。在OTS建模中,可为每条传输线分配一个二元变量,用以指示其线路开关在拓扑重构时的状态(断开或闭合)。因此,该优化问题实际上是一个混合整数线性规划模型,其目标函数如下:
(27),
式中:加权参数描述了目标函数的风险水平,决策者承担风险的欲望越低,参数/>的取值就越小,若/>设置为0,则意味着决策者是风险中性的。参数/>代表置信水平。
其中,所述电力系统综合恢复能力评估模型的约束条件为:
切负荷约束,分别限制一级及二级负荷的切负荷量:
(28),
(29),
节点功率平衡约束:
(30),
(31),
式中:代表节点i和j之间线路l的导纳,/>代表场景s下t时段节点k处的功角,/>为场景s下线路l的开断状态,/>代表场景s下t时段线路l的有功潮流,/>为代表场景s下线路l所配备的断路器开断状态的二元变量,其值为0时代表线路断开,值为1时代表线路闭合。
系统功率平衡约束:
(32),
式中:为时段t节点k处的有功需求,/>为场景s下发电机组g在t时段的有功出力。
发电机组出力约束:
(33),
式中:和/>为发电机组g的出力上下限。
输电线路容量约束:
(34),
式中:和/>为输电线路l的潮流容量上下限。
有功功角约束:
(35),
式中:和/>为节点有功功角偏移上下限。
节点切负荷量约束:
(36),
输电线路断路器开断约束:
(37),
(38),
式中:为可操作的输电线路断路器总数目。
实施例二
本实施例提供一种极端气象下两阶段电力系统运行风险评估系统,包括:
飓风强度模型构建模块,被配置为:以飓风为极端气象事件典型代表,结合静态飓风和动态飓风对飓风强度建模得到飓风强度模型;
故障集生成模块,被配置为:基于飓风强度模型,考虑输电导线和杆塔在遭遇极端气象时出现损坏的情况,建立电力系统故障概率模型;根据飓风下的电力系统故障概率模型,生成电力系统典型故障集,对故障场景进行削减,获得具有代表性的典型故障集;
风险评估模块,被配置为:基于典型故障集构建两阶段电力系统风险评估模型,来评估系统快照恢复能力及系统综合恢复能力。
本实施例中,上述各个模块的具体的实施过程,参照实施例一。
实施例三
本实施例提供了一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如实施例一所述的一种极端气象下两阶段电力系统运行风险评估方法中的步骤。
实施例四
本实施例提供了一种计算机设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述程序时实现如实施例一所述的一种极端气象下两阶段电力系统运行风险评估方法中的步骤。
实施例五
本实施例提供了一种程序产品,所述程序产品为计算机程序产品,包括计算机程序,所述计算机程序被处理器执行时实现如实施例一所述的一种极端气象下两阶段电力系统运行风险评估方法中的步骤。
以上所述仅为本发明的优选实施例而已,并不用于限制本发明,对于本领域的技术人员来说,本发明可以有各种更改和变化。凡在本发明的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
Claims (10)
1.一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,包括如下步骤:
以飓风为极端气象事件典型代表,结合静态飓风和动态飓风对飓风强度建模得到飓风模型;
基于飓风模型,考虑输电导线和杆塔在遭遇极端气象时同时出现损坏的情况,建立系统故障概率模型;
根据飓风下的系统故障概率模型,生成系统典型故障集,对故障场景进行削减,获得具有代表性的典型故障集;
基于典型故障集构建两阶段电力系统风险评估模型,来评估系统快照恢复能力及系统综合恢复能力。
2.如权利要求1所述的一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,静态飓风风速模型由输电导线或输电杆塔到飓风眼的距离的函数来表示,为:
,
式中:为风速拟合参数,/>表示飓风的最大持续风速,/>表示飓风眼与输电导线或输电杆塔之间的距离,/>表示最大风速的半径,/>表示受飓风影响区域的半径,/>表示指定飓风边界的拟合因子。
3.如权利要求1所述的一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,动态飓风风速模型的构建过程包括:
基于飓风最初登陆地点,根据飓风预报给定的路径数据和飓风平移速度,计算每个时间点的飓风眼位置;
根据历史飓风气象数据,模拟N 0个飓风登陆时的情况,计算飓风登陆时的压力参数;
取N 0个对数正态分布样本,设置概率分布函数参数来模拟地面衰减因子,对于每一个地面衰减因子,结合每个时间点的飓风眼位置,计算每个飓风眼位置下的压力参数;
结合飓风登陆时的压力参数和每个飓风眼位置下的压力参数得到飓风眼轨迹上每一点的飓风最大风速。
4.如权利要求1所述的一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,所述系统故障概率模型为:
,
,
,
其中,杆塔k在t时段的风速,为杆塔k在t时刻因飓风而损坏的概率,/>代表两杆塔间的输电导线k在t时刻损坏的概率,/>为中值阻尼,/>为杆塔强度指数的对数标准差,为直接由飓风导致的导线损坏概率,/>为因飓风所致的树木倾倒引起的导线损坏概率,/>代表导线k埋在地下的概率,α代表导线的平均树致损坏概率。
5.如权利要求1所述的一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,所述根据飓风下的系统故障概率模型,生成系统典型故障集,包括:
对于每条输电线路,将每条线路的损坏概率与相应的随机数进行比较,若损坏概率小于相应随机数,则该输电线路会因飓风而停电,而概率高于相应随机数的输电线路则在遭遇飓风时仍能与电网保持连接;
通过将所有线路的停电概率与其对应的随机数进行比较,可生成一个由为所有输电线路估计的一组状态所组成的场景,构成系统典型故障集。
6.如权利要求1所述的一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,所述对故障场景进行削减,获得具有代表性的典型故障集,包括如下步骤:
步骤1:随机的从典型故障集中选取样本,并将之作为第一个数据中心,随后将样本从典型故障集中删除;
步骤2:从典型故障集中选取某一样本,计算该样本到已生成的数据中心之间的距离,若该距离小于设置的第二距离阈值,则将之添加至Canopy中并从数据集合List中删除;
若Q与已生成的数据中心Canopy之间的距离大于设置的第一距离阈值,则将之增添为另一个数据中心并从典型故障集中删除;
若Q与已生成的数据中心Canopy之间的距离介于第一距离阈值和第二距离阈值之间,则将其添加至数据中心但并不从典型故障集中删除以参与后续的距离计算;
步骤3:对典型故障集中的所有其他样本点均进行步骤2直至典型故障集为空集合,此时即完成对原始数据的粗聚类,此时所生成的数据中心数目和样本点即可代入K-means算法中进行进一步聚类,得到具有代表性的典型故障集。
7.如权利要求1所述的一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,在评估系统快照恢复能力时,将故障后负荷损失作为系统快照恢复能力的评估指标,将电力系统负荷被划分为两个等级,即临界负荷和非临界负荷,来确定电力系统负荷的优先级。
8.如权利要求1所述的一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,在评估系统综合恢复能力时,采用最优传输开断策略,为每条传输线分配一个二元变量,用以指示其线路开关在拓扑重构时的状态。
9.如权利要求1所述的一种极端气象下两阶段电力系统运行风险评估方法,其特征在于,在评估系统快照恢复能力及系统综合恢复能力,构建目标函数时,基于条件风险价值理论,引入了加权参数描述目标函数的风险水平,决策者承担风险的欲望越低,加权参数的取值就越小,若加权参数设置为0,则意味着决策者是风险中性的。
10.一种极端气象下两阶段电力系统运行风险评估系统,其特征在于,包括:
飓风强度模型构建模块,被配置为:以飓风为极端气象事件典型代表,结合静态飓风和动态飓风对飓风强度建模得到飓风强度模型;
故障集生成模块,被配置为:基于飓风强度模型,考虑输电导线和杆塔在遭遇极端气象时出现损坏的情况,建立电力系统故障概率模型;根据飓风下的电力系统故障概率模型,生成电力系统典型故障集,对故障场景进行削减,获得具有代表性的典型故障集;
风险评估模块,被配置为:基于典型故障集构建两阶段电力系统风险评估模型,来评估系统快照恢复能力及系统综合恢复能力。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410189989.9A CN117745084B (zh) | 2024-02-21 | 2024-02-21 | 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 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202410189989.9A CN117745084B (zh) | 2024-02-21 | 2024-02-21 | 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 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117745084A true CN117745084A (zh) | 2024-03-22 |
CN117745084B CN117745084B (zh) | 2024-05-31 |
Family
ID=90261298
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202410189989.9A Active CN117745084B (zh) | 2024-02-21 | 2024-02-21 | 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 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117745084B (zh) |
Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070168155A1 (en) * | 2006-01-13 | 2007-07-19 | Sai Ravela | Statistical-deterministic approach to natural disaster prediction |
US20160154061A1 (en) * | 2014-11-28 | 2016-06-02 | State Grid Corporation Of China | Method of assessing risk of power system with high penetration of wind power |
CN111027855A (zh) * | 2019-12-10 | 2020-04-17 | 国网湖南省电力有限公司 | 考虑输电线路气象灾害故障概率的电力系统风险控制方法 |
CN111507509A (zh) * | 2020-03-27 | 2020-08-07 | 东南大学 | 一种电力系统极端事件的风险评估方法 |
CN112580870A (zh) * | 2020-12-17 | 2021-03-30 | 广东电网有限责任公司电力科学研究院 | 一种受灾杆塔确定方法及装置 |
CN113554266A (zh) * | 2021-06-08 | 2021-10-26 | 国网湖南省电力有限公司 | 一种台风条件下强风导致电网受损风险预警方法和系统 |
CN113962461A (zh) * | 2021-10-22 | 2022-01-21 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于环境数据预测的配电网韧性提升策略 |
CN114186849A (zh) * | 2021-12-10 | 2022-03-15 | 国网江苏省电力有限公司 | 一种计及二次系统影响的电力系统连锁故障风险评估方法及其系统 |
WO2022135473A1 (zh) * | 2020-12-22 | 2022-06-30 | 国网上海市电力公司 | 城市配电网对电动汽车的接纳能力评估方法 |
CN114707796A (zh) * | 2022-02-23 | 2022-07-05 | 国网浙江省电力有限公司温州供电公司 | 一种弹性配电网运行风险的滚动评估方法 |
CN115587649A (zh) * | 2022-09-16 | 2023-01-10 | 国网黑龙江省电力有限公司 | 一种极端冰雪灾害下输电线路检修顺序优化决策方法 |
CN115619216A (zh) * | 2022-10-18 | 2023-01-17 | 浙江大学 | 极端冷天气下考虑多重不确定性的系统节点风险评估方法 |
CN116167477A (zh) * | 2022-09-08 | 2023-05-26 | 广东电网有限责任公司广州供电局 | 考虑气象条件影响的电力系统风险评估方法 |
CN117236030A (zh) * | 2023-09-21 | 2023-12-15 | 太原理工大学 | 台风灾害下考虑级联过载故障发生的电力系统韧性评估建模方法 |
-
2024
- 2024-02-21 CN CN202410189989.9A patent/CN117745084B/zh active Active
Patent Citations (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070168155A1 (en) * | 2006-01-13 | 2007-07-19 | Sai Ravela | Statistical-deterministic approach to natural disaster prediction |
US20160154061A1 (en) * | 2014-11-28 | 2016-06-02 | State Grid Corporation Of China | Method of assessing risk of power system with high penetration of wind power |
CN111027855A (zh) * | 2019-12-10 | 2020-04-17 | 国网湖南省电力有限公司 | 考虑输电线路气象灾害故障概率的电力系统风险控制方法 |
CN111507509A (zh) * | 2020-03-27 | 2020-08-07 | 东南大学 | 一种电力系统极端事件的风险评估方法 |
CN112580870A (zh) * | 2020-12-17 | 2021-03-30 | 广东电网有限责任公司电力科学研究院 | 一种受灾杆塔确定方法及装置 |
WO2022135473A1 (zh) * | 2020-12-22 | 2022-06-30 | 国网上海市电力公司 | 城市配电网对电动汽车的接纳能力评估方法 |
CN113554266A (zh) * | 2021-06-08 | 2021-10-26 | 国网湖南省电力有限公司 | 一种台风条件下强风导致电网受损风险预警方法和系统 |
CN113962461A (zh) * | 2021-10-22 | 2022-01-21 | 国网辽宁省电力有限公司抚顺供电公司 | 一种基于环境数据预测的配电网韧性提升策略 |
CN114186849A (zh) * | 2021-12-10 | 2022-03-15 | 国网江苏省电力有限公司 | 一种计及二次系统影响的电力系统连锁故障风险评估方法及其系统 |
CN114707796A (zh) * | 2022-02-23 | 2022-07-05 | 国网浙江省电力有限公司温州供电公司 | 一种弹性配电网运行风险的滚动评估方法 |
CN116167477A (zh) * | 2022-09-08 | 2023-05-26 | 广东电网有限责任公司广州供电局 | 考虑气象条件影响的电力系统风险评估方法 |
CN115587649A (zh) * | 2022-09-16 | 2023-01-10 | 国网黑龙江省电力有限公司 | 一种极端冰雪灾害下输电线路检修顺序优化决策方法 |
CN115619216A (zh) * | 2022-10-18 | 2023-01-17 | 浙江大学 | 极端冷天气下考虑多重不确定性的系统节点风险评估方法 |
CN117236030A (zh) * | 2023-09-21 | 2023-12-15 | 太原理工大学 | 台风灾害下考虑级联过载故障发生的电力系统韧性评估建模方法 |
Non-Patent Citations (4)
Title |
---|
何嘉兴;张行;王红斌;方健;郑欣;覃煜;赖单宏;: "极端灾害下考虑应急转供的配网停电过程仿真方法", 智慧电力, no. 04, 20 April 2020 (2020-04-20) * |
唐文虎;杨毅豪;李雅晶;陆佳政;吴青华;: "极端气象灾害下输电系统的弹性评估及其提升措施研究", 中国电机工程学报, no. 07, 13 March 2020 (2020-03-13) * |
李振坤;王法顺;郭维一;米阳;季亮;: "极端天气下智能配电网的弹性评估", 电力系统自动化, no. 09, 10 May 2020 (2020-05-10) * |
邓创;刘友波;刘俊勇;黄丹青;: "考虑降雨诱发次生地质灾害的电网风险评估方法", 电网技术, no. 12, 5 December 2016 (2016-12-05) * |
Also Published As
Publication number | Publication date |
---|---|
CN117745084B (zh) | 2024-05-31 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Taheri et al. | Distribution system resilience enhancement via mobile emergency generators | |
CN109118098B (zh) | 高比例风电并网的连锁故障风险评估方法及系统 | |
CN110232642B (zh) | 一种面向停电风险预防的拓扑规划与优化方法及装置 | |
CN109687458A (zh) | 考虑区域配电网风险承受能力差异的网架规划方法 | |
Ranjbar et al. | Resiliency-oriented planning of transmission systems and distributed energy resources | |
Mitchell et al. | Using a neural network to predict the dynamic frequency response of a power system to an under-frequency load shedding scenario | |
EP2562901B1 (en) | Unit commitment for wind power generation | |
CN115879833B (zh) | 考虑灾害响应和恢复的双层配电网韧性评估方法及系统 | |
CN107292478A (zh) | 一种灾害对配电网影响态势的获取方法 | |
Shen et al. | A two-stage resilience enhancement for distribution systems under hurricane attacks | |
CN110148937A (zh) | 一种基于贝叶斯网络的大面积停电事件智能推演方法 | |
CN114696351A (zh) | 一种电池储能系统动态优化方法、装置、电子设备和存储介质 | |
Ciapessoni et al. | An integrated platform for power system security assessment implementing probabilistic and deterministic methodologies | |
GB2596115A (en) | Estimating the effect of risks on a technical system | |
Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
WO2022020409A1 (en) | Spatial power outage estimation for natural hazards leveraging optimal synthetic power networks | |
JP4020201B2 (ja) | 電力系統の供給信頼度評価方法とその装置 | |
Cai et al. | Cause-effect modeling and spatial-temporal simulation of power distribution fault events | |
Bahrami et al. | A novel pre-storm island formation framework to improve distribution system resilience considering tree-caused failures | |
CN117745084B (zh) | 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 | |
Hatziargyriou | Machine learning applications to power systems | |
CN115514001A (zh) | 一种配电网光伏接纳能力计算方法、装置、设备及介质 | |
CN114254470A (zh) | 一种配电网可靠性提升方法、装置及存储介质 | |
CN113095578A (zh) | 变电站最优通信路径的设计方法、装置、终端及介质 | |
Bernabeu et al. | Cascading Trees & Power System Resiliency |
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 |