一种电力系统连锁故障关键节点辨识方法及系统与流程

1.本发明涉及电力系统技术领域，具体涉及一种电力系统连锁故障关键节点辨识方法及系统。


背景技术：

2.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。
3.风电等新能源在被广泛利用的同时，也对我国电网安全稳定运行带来了新的挑战。截止2020年底，我国新能源装机已达5亿千瓦，未来风光新能源发电的比例还将继续升高。伴随着新能源容量的快速增长，国内外电力系统发生了多次因电压问题导致的大规模风机脱网事故。风电大规模脱网导致的功率缺额可能会引起全系统频率稳定问题，影响电力的稳定供应。辨识连锁故障传播中的关键节点对于确保电网安全稳定运行条件至关重要，一旦辨识出关键节点，就可以采取有针对性的预防保护措施，比如重新调度发电机出力，加强输电线路稳定性检测，增加储能容量等。
4.因此，研究高比例风电接入下的电力系统连锁故障问题，并对连锁故障传播中的关键节点进行辨识，对于保障电网安全稳定运行有着重要意义。


技术实现要素：

5.本发明的目的在于提供一种电力系统连锁故障关键节点辨识方法及系统，以解决上述背景技术中存在的至少一项技术问题。
6.为了实现上述目的，本发明采取了如下技术方案：
7.本发明的第一个方面提供一种电力系统连锁故障关键节点辨识方法，包括：
8.获取电力系统中的历史故障数据，将历史故障数据进行量化得到初始故障数据和最终故障规模数据；
9.提取从初始故障数据到最终故障规模的高度非线性映射关系；
10.基于从初始故障数据到最终故障规模的高度非线性映射关系量化电力系统所有节点在不同故障类型下的连锁故障风险；
11.根据所有节点在不同故障类型下的连锁故障风险，利用量化指标识别关键节点。
12.本发明的第二个方面提供一种电力系统连锁故障关键节点辨识系统，包括：
13.数据获取模块，被配置为获取电力系统中的历史故障数据，将历史故障数据进行量化得到初始故障数据和最终故障规模数据；
14.数据处理模块，被配置为提取从初始故障数据到最终故障规模的高度非线性映射关系；
15.连锁故障风险计算模块，被配置为基于从初始故障数据到最终故障规模的高度非线性映射关系量化电力系统所有节点在不同故障类型下的连锁故障风险；
16.关键节点识别模块，被配置为根据所有节点在不同故障类型下的连锁故障风险，
利用量化指标识别关键节点。
17.本发明的第三个方面提供一种计算机可读存储介质。
18.一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上述第一个方面所述的一种电力系统连锁故障关键节点辨识方法中的步骤。
19.本发明的第四个方面提供一种计算机设备。
20.一种计算机设备，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上述第一个方面所述的一种电力系统连锁故障关键节点辨识方法中的步骤。
21.本发明有益效果：
22.本发明的连锁故障关键节点辨识方法，通过lm优化后的bp神经网络提取了历史故障中初始故障与最终故障规模间的高度非线性映射关系，并基于这种映射关系根据初始故障预测最终故障规模，进一步提出连锁故障风险指标，基于这一指标识别关键节点。本发明考虑了在连锁故障关键节点辨识方法，对保障电力系统安全稳定运行有着重要意义。
23.本发明附加的方面和优点将在下面的描述中部分给出，这些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
24.为了更清楚地说明本发明实施例的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
25.图1为本发明实施例一所述的算例系统示意图；
26.图2为本发明实施例一初始故障矩阵为[16 19 1.0 1.0]时的的最终故障规模预测和实际故障规模的对比图；
[0027]
图3为本发明实施例一中初始故障矩阵为[19 20 1.0 1.0]时的的最终故障规模预测和实际故障规模的对比图；
[0028]
图4为本发明实施例一故障风险指标计算和关键节点识别结果图。
具体实施方式
[0029]
下面详细叙述本发明的实施方式，所述实施方式的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过附图描述的实施方式是示例性的，仅用于解释本发明，而不能解释为对本发明的限制。
[0030]
本技术领域技术人员可以理解，除非另外定义，这里使用的所有术语(包括技术术语和科学术语)具有与本发明所属领域中的普通技术人员的一般理解相同的意义。
[0031]
还应该理解的是，诸如通用字典中定义的那些术语应该被理解为具有与现有技术的上下文中的意义一致的意义，并且除非像这里一样定义，不会用理想化或过于正式的含义来解释。
[0032]
本技术领域技术人员可以理解，除非特意声明，这里使用的单数形式“一”、“一个”、“所述”和“该”也可包括复数形式。应该进一步理解的是，本发明的说明书中使用的措
辞“包括”是指存在所述特征、整数、步骤、操作、元件和/或组件，但是并不排除存在或添加一个或多个其他特征、整数、步骤、操作、元件和/或它们的组。
[0033]
在本说明书的描述中，参考术语“一个实施例”、“一些实施例”、“示例”、“具体示例”、或“一些示例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施例或示例中。而且，描述的具体特征、结构、材料或者特点可以在任一个或多个实施例或示例中以合适的方式结合。此外，在不相互矛盾的情况下，本领域的技术人员可以将本说明书中描述的不同实施例或示例以及不同实施例或示例的特征进行结合和组合。
[0034]
为便于理解本发明，下面结合附图以具体实施例对本发明作进一步解释说明，且具体实施例并不构成对本发明实施例的限定。
[0035]
本领域技术人员应该理解，附图只是实施例的示意图，附图中的部件并不一定是实施本发明所必须的。
[0036]
实施例一
[0037]
如图1-4所示，本实施例提供一种电力系统连锁故障关键节点辨识方法，包括：
[0038]
获取电力系统中的历史故障数据，将历史故障数据进行量化得到初始故障数据和最终故障规模数据；
[0039]
提取从初始故障数据到最终故障规模的高度非线性映射关系；
[0040]
基于从初始故障数据到最终故障规模的高度非线性映射关系量化电力系统所有节点在不同故障类型下的连锁故障风险；
[0041]
根据所有节点在不同故障类型下的连锁故障风险，利用量化指标识别关键节点。
[0042]
如图1所示，本文采用ieee39节点系统对所提方法的有效性进行仿真验证。在图1所示系统中，负荷总量为6254mw。在39系统中10-16，19-20，22-24节点各加装175台装机容量为1.5mw的风机，风电渗透率约为50％。为模拟弱电网下的连锁故障，将39系统中各线路长度增加至1.5倍。初始故障设置为n-2三相平衡的随机线路随机故障程度的短路故障，故障线路在10-11、11-12、12-13、13-14、14-15、15-16、16-24、16-19、19-20、22-23、23-24中等概率选取，故障程度以节点电压降低程度表征，在0-100％间按照均匀概率设置。
[0043]
1、故障数据量化及神经网络构造：
[0044]
1)将仿真获得的故障数据特征化数字化：
[0045]
11)初始故障量化：
[0046]
将包含初始故障信息的向量f
om
作为输入，将包含最终故障规模分布概率的向量f
em
作为输出。f
om
表征初始故障发生的节点号和初始故障严重程度，
[0047]fom
＝[im,jm,δu
im
,δu
jm
]
t
ꢀꢀꢀꢀ
(1)
[0048]
其中，im、jm为第m次模拟初始n-2的三相平衡短路故障时的故障位置所在节点号，将向量[im,jm]记为s
om
；δu
im
、δu
jm
为第m次模拟初始n-2的三相平衡短路故障时节点im、jm处电压下降程度，将向量[δu
im
，δu
jm
]记为l
om
。
[0049]
lo＝[δu
im
,δu
jm
]
t
ꢀꢀꢀ
(2)
[0050]
12)最终故障规模量化
[0051]
用最终失负荷占总负荷的比例表征事故的规模，记
[0052][0053]
其中，p
loss
为最终失负荷，p
all
为总负荷，通过多次模拟结果得到re的概率分布矩阵。
[0054]
2)神经网络构造及训练：
[0055]
21)利用lm算法优化后的bp神经网络取代传统bp神经网络：
[0056]
传统bp神经网络的误差反向传播中，通常采用梯度下降法调整权值以减小误差，存在收敛速度慢、效率低等问题。为解决上述问题，通常采用levenberg-marquardt(lm)算法对bp神经网络进行改进。与传统bp神经网络相比，lm优化的bp神经网络采用求误差函数e的极小值方法来迭代网络权值和阈值，其迭代过程可表示为：
[0057]
w(k+1)＝w(k)-[j
t
j+μi]-1jteꢀꢀꢀ
(4)
[0058]
b(k+1)＝b(k)-[j
t
j+μi]-1jteꢀꢀꢀ
(5)
[0059]
其中，k表示迭代次数，b(k)、w(k)分别表示第k次迭代时网络的权重矩阵和偏置矩阵，μ表示为学习率，i表示单位矩阵，e为误差函数为网络输出的向量f
em
与真值re的概率分布矩阵的差值，j表示误差函数的雅可比矩阵。
[0060]
22)利用优化后的bp神经网络提取输入输出关系：
[0061]
将预处理后的向量f
om
作为神经网络的输入，向量f
em
作为输出，利用神经网络得到输入输出间的非线性映射关系，利用这一映射关系可以估计任意初始故障[so,lo]
t
发生后的最终故障规模分布概率矩阵fe。
[0062]
基于提连锁故障分析模型，将0.7
×
106次的仿真结果作为训练样本,将0.15
×
106作为验证样本对深度神经网络训练结果进行验证，将剩余的0.15
×
106作为测试样本最终测试深度神经网络的准确程度。
[0063]
在神经网络训练过程中，出于在过拟合与欠拟合间的平衡考虑，最终选取隐藏层数为10层，epoch最终取值为40，mini-batch最终取值为128。
[0064]
2、系统最终故障规模预测：
[0065]
图2和图3分别是初始故障矩阵为[16 19 1.0 1.0]和[19 20 1.0 1.0]时的最终故障规模预测和实际故障规模的对比图。如图2所示，连锁故障的事故规模与事故概率之间存在明显的自组织临界现象。当初始故障发生在16和19节点时，事故规模超过20％时的发生概率将会快速降低；而当初始故障发生在19和20节点时，事故规模超过25％时的发生概率将会快速降低。
[0066]
训练结果与测试结果对比表明，训练结果与测试结果基本吻合，改进bp神经网络能够很好地捕捉连锁故障的高度非线性关系。
[0067]
3、连锁故障风险指标与关键节点识别
[0068]
根据所得预测结果，可以计算各节点ri值如图3所示。
[0069][0070]ri
为节点i的严重故障风险量化值；s为包含节点i的所有可能发生的初始故障位置向量；l为所有可能的在so处初始电压下降程度向量；索引函数i(so,lo,re)定义为：
[0071][0072]
α为严重故障的定义值，本实施例取值为0.25，re值高于为α即视为严重故障。p(so,lo,re)为初始故障[so,lo]发生后演变至最终故障规模re的概率，p(so,lo)为初始故障[so,lo]发生的概率，可以由电力系统历史故障数据计算得来，在本实施例中假设各初始故障发生概率相同。
[0073]
比较各节点ri的值即可比较各节点在连锁故障传播过程中的关键程度，ri值越高表示对应的节点i在连锁故障的发生和传播中越关键。
[0074]
如图4所示，根据节点ri值的不同，可将节点分为三群，分别为最关键节点群(包括节点16，19，20)、次关键节点群(包括节点15，23，24)和非关键节点群(10,11,12,13,14,22)。其中，关键节点群满足ri≥30，次关键节点群满足3≤ri《30，非关键节点群满足ri《3，即将节点处发生随机程度初始故障导致的最终故障规模为严重故障的数学期望高于30％的节点定义为关键节点。
[0075]
对辨识的关键节点采取有针对性的预防保护措施，比如重新调度发电机出力，加强输电线路稳定性检测，增加储能容量等，可以确保电网安全稳定运行。
[0076]
实施例二
[0077]
本实施例提供了一种电力系统连锁故障关键节点辨识系统，包括：
[0078]
数据获取模块，被配置为获取电力系统中的历史故障数据，将历史故障数据进行量化得到初始故障数据和最终故障规模数据；
[0079]
数据处理模块，被配置为提取从初始故障数据到最终故障规模的高度非线性映射关系；
[0080]
连锁故障风险计算模块，被配置为基于从初始故障数据到最终故障规模的高度非线性映射关系量化电力系统所有节点在不同故障类型下的连锁故障风险；
[0081]
关键节点识别模块，被配置为根据所有节点在不同故障类型下的连锁故障风险，利用量化指标识别关键节点。
[0082]
此处需要说明的是，上述模块与对应的步骤所实现的示例和应用场景相同，但不限于上述实施例一所公开的内容。需要说明的是，上述模块作为系统的一部分可以在诸如一组计算机可执行指令的计算机系统中执行。
[0083]
实施例三
[0084]
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上述实施例一所述的一种电力系统连锁故障关键节点辨识方法中的步骤。
[0085]
实施例四
[0086]
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上述实施例一所述的一种电力系统连锁故障关键节点辨识方法中的步骤。
[0087]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用硬件实施例、软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储
介质(包括但不限于磁盘存储器和光学存储器等)上实施的计算机程序产品的形式。
[0088]
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
[0089]
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
[0090]
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
[0091]
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
[0092]
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明公开的技术方案的基础上，本领域技术人员在不需要付出创造性劳动即可做出的各种修改或变形，都应涵盖在本发明的保护范围之内。