一种连锁故障事故链搜索方法与流程
本发明涉及电网运行管理，特别是涉及一种连锁故障事故链搜索方法。
背景技术：
近年来经济社会的快速发展，使得人们对电能的依赖越来越大。同时，随着电力技术的进步，电网出现了超高压、远距离大容量送电以及区域联网等新特点。相应地，电网大停电的事故后果也越来越严重，对电网安全稳定的要求也不断提高。据统计，从2000年至今已有超过10起负荷损失在1gw以上的大停电事故，例如2012年7月30日和31日发生在印度的两起大停电事故，共计影响超过6亿人，负荷损失达48gw，经济损失难以估量。
大停电事故的不断发生引发了学者们对电网安全的重视。研究发现，大停电事故往往是由连锁故障所引发。连锁故障引发大停电的方式大致是：系统受到扰动发生了初始n-k故障，由于该故障导致系统状态的变化会进一步引发相继性事件……直到采取合理措施控制或者发生大停电事故为止，形式上故障的形式为n-k-1-1-…-1，而且前后故障间一般有较强的关联性。此外，在连锁故障的发展过程中，少数薄弱环节的故障实际上对大停电的传播有着重要的影响。因此，开展对电网中关键线路的识别研究对防治电网发生大停电事故有着重要的现实意义。
到目前为止，国内外学者对连锁故障的研究主要涉及产生机理、物理过程、关键环节等。从使用的方法来看，目前的研究可大致分为两种：其一是基于电力系统分析理论的研究方法，即使用电力系统的有关理论(如潮流、稳定计算等)对连锁故障发生的可能过程(如线路跳闸、继保装置正常以及不正常动作、系统安稳措施等)进行描述，常见的方法包括opa模型、马尔科夫模型、cascade模型、事故链搜索策略以及继电保护隐故障的有关研究等；另一类是基于复杂网络理论的拓扑学方法，其将电力系统抽象成拓扑网络并对其对应特征进行识别，不同特征的拓扑网络所发展的连锁故障过程也有所不同，此外还有部分研究结合电网实际对拓扑指标进行了一定的修改及延伸，常见的方法包括小世界网络模型、无标度网络模型等。
总结起来，现有的连锁故障分析方法主要围绕着电网运行状态和电网拓扑结构分析进行。近年来也有部分针对电网关键线路识别的研究，这些研究一般设计出基于系统后果的指标对系统和关键线路进行评价，并且多使用一种因素(大多仅考虑拓扑因素如潮流介数等)，可以在一定情况下对系统的关键线路进行识别。但这些方法提出的因素一般较为单一，对于提出的因素没有从机理上进行证明，而且大多仅对电网初始状态进行考虑，无法考虑电网状态变化后关键线路可能的变化情况，在实际应用中仍有较强的局限性。
技术实现要素：
本发明的主要目的在于克服现有连锁故障事故链搜索方法中关键线路识别的不足，提供一种加入关键线路识别的连锁故障事故链搜索方法。
为实现上述目的，本发明采用以下技术方案：
一种连锁故障事故链搜索方法，所述方法在系统严重事故链搜索过程中加入关键线路识别部分，包括：搜索可能成为后续故障的线路加入后续故障线路集中，对后续故障线路集的线路使用人工神经网络(ann)进行分类，将分类得到的关键线路加入关键线路集，从关键线路集中选取一条线路作为后续故障线路，优选随机选取，进行事故链搜索；若关键线路集为空，则直接从后续故障线路集中选取一条线路，优选随机选取；
其中关键线路按照以下分类方式识别得到：使用人工神经网络方法，输入考察线路的无向电气边介数、线路的当前传输功率以及系统状态三方面因素，基于线路故障造成的后果的严重性对输出的结果进行分类，结果分类在预定类别的故障线路为关键线路。
进一步地：
取负荷损失作为评价指标，在发生连锁故障情形下，对得到所有可能的事故链进行评价，评价指标按照下式确定：
式中，i为得到的评价指标；
基于后果的严重性对结果分为i～iv共4类，其中类标号越小，结果越严重，结果分类在i类和ii类对应的故障线路为所述关键线路。
ω1和ω2通过层次分析法(ahp)得到。
线路的无向电气边介数按照下式确定：
式中，pgi是发电机i的有功出力；pli是负荷j的实际负荷；pij(l)表示发电机i向负荷j传输的有功功率途经线路l的部分；pij表示发电机i向负荷j传输的有功功率；g表示发电机节点集合；l表示负荷节点集合。
pij和pij(l)使用潮流追踪的方法求解。
线路的当前传输功率为其有功部分。
系统状态指标用于对当前的系统状态进行衡量，按照下式确定：
s＝ω1pt+ω2bt
式中，s为系统状态指标；pt和bt分别为当前系统的总负荷量和总的无向电气边介数，ω1和ω2为权重系数。
ω1和ω2通过层次分析法(ahp)得到。
所述方法包括以下步骤：
(1)初始化：将系统初始化为正常运行工况；
(2)神经网络训练：利用预先得到的数据进行训练得到适用于本系统的神经网络；
(3)发生初始故障：对系统中考察线路等概率发生初始故障；
(4)潮流收敛判断与甩负荷：对系统进行潮流计算，如果潮流不收敛则采取甩负荷措施，直到系统潮流收敛为止；
若甩负荷措施结束后系统潮流仍不收敛或系统已无负荷，则进入步骤(7)；
(5)后续故障搜索：搜索可能成为后续故障的线路加入后续故障线路集中，若当层没有符合条件的线路，或者搜索到达了规定的层数，则本次连锁故障搜索结束，进入步骤(7)；
(6)关键线路选取：对后续故障线路集的线路使用步骤(2)中得到的神经网络进行分类，将分类得到的关键线路加入关键线路集，从关键线路集中随机选取一条线路作为后续故障，回到步骤(4)，继续事故链搜索；
若关键线路集为空，则直接从后续故障线路集中随机选取一条线路；
(7)本次连锁故障循环结束，记录该连锁故障事故链的有关信息。
后续故障线路集中的线路满足下列两个条件之一：
(a)过载故障：线路的当前传输有功超过其额定有功的预定倍数，优选地，倍数取1.2；
(b)相关性故障：与上一层故障线路在预定距离以内，且潮流转移比超过预定比例，其中潮流转移比为潮流转移量与上一层故障线路功率的比值；优选地，距离在2以内且潮流转移比超过20％。
本发明的有益效果：
本发明综合考虑了系统状态和拓扑因素，提出了一种加入关键线路识别的连锁故障事故链搜索方法，关键线路识别考虑了线路无向电气边介数、线路传输功率和系统状态三个因素，并通过神经网络加以分类，最后将关键线路识别应用到连锁故障事故链搜索方法中得到连锁故障的严重事故链。本发明对于严重事故链的搜索效果好，对工程实践具有有效的指导作用。
附图说明
图1为本发明连锁故障事故链搜索方法的原理框架；
图2为开环系统单线图；
图3为闭环系统单线图；
图4为本发明连锁故障事故链搜索方法实施例的流程图；
图5为ieee10机39节点系统单线图。
具体实施方式
以下对本发明的实施方式作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。
参阅图1至图4，在一种实施例中，一种连锁故障事故链搜索方法，所述方法在系统严重事故链搜索过程中加入关键线路识别部分，包括：搜索可能成为后续故障的线路加入后续故障线路集中，对后续故障线路集的线路使用人工神经网络(ann)进行分类，将分类得到的关键线路加入关键线路集，从关键线路集中选取一条线路作为后续故障线路，优选随机选取，进行事故链搜索；若关键线路集为空，则直接从后续故障线路集中选取一条线路，优选随机选取；其中关键线路按照以下分类方式识别得到：使用人工神经网络方法，输入考察线路的无向电气边介数、线路的当前传输功率以及系统状态三方面因素，基于线路故障造成的后果的严重性对输出的结果进行分类，结果分类在预定类别的故障线路为关键线路。
本发明的具体实施包括关键线路识别以及系统严重事故链搜索两部分，如图1所示。其中关键线路识别主要涉及关键线路的定义、关键线路识别的有关因素以及识别关键线路的方法；系统严重事故链搜索则是在关键线路识别和已有的连锁故障事故链搜索方法的基础上，对系统中较为严重的事故链进行快速识别的方法。
首先是关键线路的定义，本发明中关键线路的定义为：在连锁故障发展过程中的某个时刻(情形)，如果某线路及其引发其后几层(一般在2层以内)的故障造成的后果较为严重，则称该线路为此时刻(情形)下的关键线路。
为了便于对关键线路进行判定，本发明中取负荷损失作为评价指标，在所研究系统发生连锁故障情形下，对考察线路设置跳闸故障并搜索其随后一层的连锁故障，对得到所有可能的事故链进行评价，指标为：
式中，i为得到的评价指标；
得到评价指标后，本发明采取分类的方式，基于后果的严重性对结果分为i～iv共4类，其中类标号越小，结果越严重(即i类代表最严重后果，iv为最轻后果)。一般而言，后果分类在i类和ii类即可视对应的故障线路为关键线路。
本发明中，关键线路识别考虑线路无向电气边介数、线路当前传输功率以及系统状态这三个因素，分别确定如下：
线路的无向电气边介数，考虑的是线路的拓扑重要度，按下式确定：
式中，pgi是发电机i的有功出力；pli是负荷j的实际负荷；pij(l)表示发电机i向负荷j传输的有功功率途经线路l的部分；pij表示发电机i向负荷j传输的有功功率；g表示发电机节点集合；l表示负荷节点集合。其中pij和pij(l)可以使用潮流追踪的方法求解。
线路当前传输功率：本发明中考虑其有功部分，即p(l)，目的是考察线路断开引发的潜在潮流转移风险和其他线路过载风险。
系统状态指标，用来对当前的系统状态进行衡量，按下式确定：
s＝ω1pt+ω2bt
式中，s为系统状态指标；pt和bt分别为当前系统的总负荷量和总的无向电气边介数；ω1和ω2为本式中的权重系数，可通过层次分析法(ahp)得到。
这里需要说明的是，系统状态指标只对相同系统及其后续变化适用，更换系统后需单独重新计算学习。
在这三个指标中，后两个指标对线路及系统的影响较为明显，因此本发明对无向电气边介数和线路传输功率指标与线路的关系就简单系统进行了理论推导，如下所示：
首先是开环系统，本发明选取了一个两端供电系统，系统单线图如图2所示，在这里假设g1>p1>p2>g2，则可得到pl2＝g1-p1，因此可得：
根据系统图可看出，当线路l1断开后损失负荷量为g1，后果最严重，其对应的线路也是无向电气边介数最大的一个，另外，线路l3与l5以及l2与l4的比较同样可说明这一点，而线路l4与l5的无向电气边介数大小相对难以判断，此时可借助线路传输功率的大小来判断，得到线路l4断开时后果相对严重，与实际结果一致。
闭环系统选取了一个两机四节点系统，系统单线图如图3所示，假设g2>p4>p1>g3，根据计算可以得到如下潮流追踪结果：
有功注入系数分配矩阵结果为(即两台发电机对各节点的功率分配比例)：
有功流出系数分配矩阵结果为(即各节点对负荷的功率分配比例)：
式中pij指线路lij中节点i流向j的有功功率(具有方向性，其中上面两个矩阵中的值均为正值)
由此可得各线路潮流追踪结果及介数：
从得到的介数值首先可以看出，线路l21和l34的介数值较另外两条线路更大，实际上，这两条线路是发电机直接连接负荷的出线，断开它们(其中的一个)其他线路的潮流路径都会发生变化，对系统带来很大的潮流转移和过载风险，因此仍可以得到无向电气边介数大的线路在系统中更为重要的结论。
在比较线路l21和l34的后果时，使用传输功率并不方便判断，又由于初始大小假设可得b21>b34，同时也可得到断开l21的风险更大一些(因为断开这两个线路任一条后相应发电机出力仅能通过线路l23传输，而g2的出力值更大，故对系统的影响也更大一些)，同样佐证了该结论。
然后是关键线路的识别方法，本发明使用人工神经网络(ann)方法，输入为前面介绍的三方面因素，输出为得到的关键线路评价指标分类(i～iv)。使用ann需要预先生成一部分数据进行学习(训练)，待学习完毕后即可进行直接分类。
这里需要说明的是，针对每个系统需要单独训练ann，因为不同系统中关键线路的分类标准和系统状态参量均不同。
系统的严重事故链搜索部分为关键线路识别的应用，即在已有的连锁故障事故链方法中加入关键线路识别部分以搜索较为严重的事故链，具体流程如图4所示，主要包含以下步骤：
(1)初始化：将系统初始化为正常运行工况。
(2)神经网络训练：利用预先得到的数据进行训练得到适用于本系统的神经网络。
(3)初始故障：对系统中考察线路等概率发生初始故障。
(4)潮流收敛判断与甩负荷：对系统进行潮流计算，如果潮流不收敛则采取甩负荷措施，直到系统潮流收敛为止。
若甩负荷措施结束后系统潮流仍不收敛或系统已无负荷，则发生大停电事故，进入步骤(7)。
(5)后续故障搜索：搜索可能成为后续故障的线路加入后续故障线路集中，后续故障线路集中的线路应满足下列两个条件之一：
(a)过载故障：线路的当前传输有功超过其额定有功的一定倍数(优选取1.2)
(b)相关性故障：与上一层故障线路距离优选在2以内且潮流转移比(潮流转移量与上一层故障线路功率的比值)优选超过20％的。
若当层没有符合条件的线路，或者搜索到达了规定的层数，则本次连锁故障搜索结束，进入步骤(7)。
(6)关键线路选取：对后续故障线路集的线路使用步骤(2)中得到的神经网络进行分类，将分类得到的关键线路(分类结果为i类或ii类)加入关键线路集，从关键线路集中随机选取一条线路作为后续故障，回到步骤(4)，继续事故链搜索。
若关键线路集为空，为保证连锁故障能继续发展，则直接从后续故障线路集中随机选取一条线路。
(7)本次连锁故障循环结束，记录该连锁故障事故链的有关信息。
本发明综合考虑了系统状态和拓扑因素，提出了一种连锁故障事故链搜索的关键线路识别方法。关键线路识别考虑了线路无向电气边介数、线路传输功率和系统状态三个因素，并通过神经网络加以分类，最后将关键线路识别应用到连锁故障事故链搜索方法中得到连锁故障的严重事故链，对工程实践具有很好的指导意义。
实例
以ieee10机39节点系统作为实施算例进行分析。该系统单线图如图5所示，通过仿真对神经网络的学习情况和严重事故链的搜索情况进行评估。
最终结果如下所示：
神经网络分类准确率为80.3％，关键线路识别准确率为88.6％。
对严重事故链的评估采用对比的方式进行，即分别对系统进行严重事故链搜索(s1)和普通事故链搜索(s2)，结果如下表(表中只对出现负荷损失的事故链进行了统计)：
此外，所有s2中大停电事故对应的事故链均在s1中被搜索到，由此可说明本发明方法的有效性。
以上内容是结合具体/优选的实施方式对本发明所作的进一步详细说明，不能认定本发明的具体实施只局限于这些说明。对于本发明所属技术领域的普通技术人员来说，在不脱离本发明构思的前提下，其还可以对这些已描述的实施方式做出若干替代或变型，而这些替代或变型方式都应当视为属于本发明的保护范围。
- 还没有人留言评论。精彩留言会获得点赞！