一种基于并联局域模型与数值仿真的电网严重故障筛选方法

1.本发明属于电网故障筛选领域，特别是涉及一种基于并联局域模型与数值仿真的电网严重故障筛选方法。


背景技术：

2.严重故障筛选是在给定的电网运行状态、电网参数和控制系统参数条件下，对电网在预想故障下的暂态电压安全性进行分析，进而筛选出对电网暂态电压安全有威胁的严重故障，可以表达为如下形式：
[0003][0004]
其中，s
flt
是预想故障集，s
sflt
是严重故障集。x0、para和ctrl分别是电网运行状态、电网参数和控制系统参数；c是故障严重性判据。
[0005]
现有数据驱动和模型驱动方法难以满足大规模电网在线应用中对严重故障筛选速度和准确性的双重要求。


技术实现要素：

[0006]
本发明的目的是提供一种基于并联局域模型与数值仿真的电网严重故障筛选方法，以解决上述现有技术存在的问题。
[0007]
为此，本发明基于并联局域模型与数值仿真提出了一种用于严重故障筛选的混合式方法，其主要思路为：首先基于并联局域模型初步判定预想故障的严重性，并给出判定结果的置信度，然后基于数值仿真对严重性判定结果置信度低的故障进行二次判定。该方法有效结合了并联局域模型的计算速度优势和数值仿真的计算准确性优势，可以在确保故障筛选结果准确性的前提下减少故障筛选的耗时。
[0008]
为实现上述目的，本发明提供了一种基于并联局域模型与数值仿真的电网严重故障筛选方法，包括以下步骤：
[0009]
s1、基于并联局域模型判定预想故障的严重性，得到故障严重性判定结果；
[0010]
s2、基于所述并联局域模型的输出误差概率密度函数，得到所述故障严重性判定结果的置信度信息β；
[0011]
s3、基于所述置信度信息β与置信度阈值信息β
th
的比较信息，确定是否对所述故障严重性判定结果进行二次判定；
[0012]
s4、基于所述比较信息和所述二次判定的结果，得到最终故障严重性判定结果。
[0013]
可选的，步骤s1中，所述得到故障严重性判定结果的具体步骤为：
[0014]
1)基于tvsi指标定义故障严重性判据c，表达式如下：
[0015][0016]
其中，tvsi1、tvsi2和tvsi3分别是tvsi指标的三个分量，和分别是所述tvsi指标的三个分量的阈值，∨是布尔代数中的“或”运算；
[0017]
2)对于故障进行判定，如果所述判据c为“真”，则所述故障严重性判定结果为严重故障；否则，所述故障严重性判定结果为非严重故障。
[0018]
可选的，步骤s2中，得到所述故障严重性判定结果的置信度信息β的具体为：
[0019]
基于所述输出误差概率密度函数计算所述故障严重性判定结果的置信度信息β，表达式为：
[0020][0021]
其中，
[0022][0023]
和分别为tvsi指标第t个分量的真实值和估计值；为所述故障严重性判据中tvsi指标第t个分量的阈值；为tvsi指标第t 个分量的误差概率密度函数。
[0024]
可选的，步骤s2中，得到所述故障严重性判定结果的置信度信息还包括以下步骤：
[0025]
1)针对所述并联区域模型的重点区域和其他区域分别建立不同的所述输出误差概率密度函数；
[0026]
2)基于所述并联局域模型的输出tvsi指标tvsi
pred
与所述故障严重性判据中的tvsi指标的阈值tvsi
th
，得到所述故障严重性判定结果；基于tvsi
pred
、 tvsi
th
和tvsi
pred
所在区域的所述输出误差概率密度函数利用式(3)，计算得到所述故障严重性判定结果的置信度信息。
[0027]
可选的，步骤1)所述分别建立不同的所述输出误差概率密度函数的步骤具体为：
[0028]
(1)基于所述tvsi指标的取值区间，将所述并联局域模型的输入特征空间划分成三个区域，表达式如下：
[0029][0030]
其中，sd
1,t
、sd
2,t
和sd
3,t
分别为所述tvsi指标第t个分量对应的三个区域；sd
2,t
为所述tvsi指标第t个分量tvsi
t
(x)对应的重点区域；为很小的正数，取值为0.001；为很小的正数，取值为0.001；
[0031]
(2)计算所述并联局域模型在测试样本上的输出误差，然后分别计算各个区域对应的所述输出误差概率密度函数和
[0032]
可选的，所述置信度阈值信息β
th
为99％。
[0033]
可选的，步骤s3中，所述确定是否对所述故障严重性判定结果进行二次判定的具体为：
[0034]
如果所述故障严重性判定结果的置信度信息大于等于所述置信度阈值信息，则无需对所述故障严重性判定结果进行二次判定，所述故障严重性判定结果即为所述最终故障
严重性判定结果；
[0035]
如果所述故障严重性判定结果的置信度信息小于所述置信度阈值信息，则需要对所述故障严重性判定结果进行二次判定，所述二次判定的结果即为所述最终故障严重性判定结果。
[0036]
本发明的技术效果为：
[0037]
该方法有效结合了并联局域模型的计算速度优势和数值仿真的计算准确性优势，可以在确保故障筛选结果准确性的前提下减少故障筛选的耗时。
附图说明
[0038]
构成本技术的一部分的附图用来提供对本技术的进一步理解，本技术的示意性实施例及其说明用于解释本技术，并不构成对本技术的不当限定。在附图中：
[0039]
图1为本发明实施例中的基于并联局域模型与数值仿真的电网严重故障筛选方法的总体流程图；
[0040]
图2为本发明实施例中的基于tvsi指标取值划分输入特征空间的示意图；
[0041]
图3为本发明实施例中的故障严重性判定结果的置信度信息示意图；
[0042]
图4为本发明实施例中的严重故障筛选的过程示意图。
具体实施方式
[0043]
需要说明的是，在不冲突的情况下，本技术中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本技术。
[0044]
需要说明的是，在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行，并且，虽然在流程图中示出了逻辑顺序，但是在某些情况下，可以以不同于此处的顺序执行所示出或描述的步骤。
[0045]
如图1-4所示，本实施例中提供一种基于并联局域模型与数值仿真的电网严重故障筛选方法，包括：
[0046]
并联局域模型与数值仿真相结合的严重故障筛选方法
[0047]
严重故障筛选是在给定的电网运行状态、电网参数和控制系统参数条件下，对电网在预想故障下的暂态电压安全性进行分析，进而筛选出对电网暂态电压安全有威胁的严重故障，可以表达为如下形式：
[0048][0049]
其中，s
flt
是预想故障集，s
sflt
是严重故障集。x0、para和ctrl分别是电网运行状态、电网参数和控制系统参数；c是故障严重性判据。
[0050]
现有数据驱动和模型驱动方法难以满足大规模电网在线应用中对严重故障筛选速度和准确性的双重要求。为此，本发明基于并联局域模型与数值仿真提出了一种用于严重故障筛选的混合式方法，其主要思路为：首先基于并联局域模型初步判定预想故障的严重性，并给出判定结果的置信度，然后基于数值仿真对严重性判定结果置信度低的故障进行二次判定。该方法有效结合了并联局域模型的计算速度优势和数值仿真的计算准确性优势，可以在确保故障筛选结果准确性的前提下减少故障筛选的耗时。
[0051]
基于并联局域模型，判定故障严重性，并且计算判定结果的置信度：
[0052]
首先，基于tvsi指标定义故障严重性判据c，表达式如下：
[0053][0054]
其中，tvsi1、tvsi2和tvsi3分别是tvsi指标的三个分量，和分别是tvsi指标三个分量的阈值，是布尔代数中的“或”运算。对于某一故障，如果判据c为“真”，则判定为严重故障；否则，判定为非严重故障。
[0055]
由于并联局域模型的输出存在误差，因此如果并联局域模型输出的 tvsi指标与判据c中的tvsi指标阈值接近，则故障严重性判定结果出错概率较大。例如，如果判据c＝(tvsi1≥1)∨(tvsi2≥1)∨(tvsi3≥1)，某一故障下并联局域模型的输出为tvsi1＝1.001,tvsi2＝0.1,tvsi2＝0.1。根据判据c，该故障是严重故障。然而，由于并联局域模型输出tvsi1的误差可能大于0.001，因而该故障的tvsi1真实值可能小于1。即该故障实际上可能是非严重故障，基于并联局域模型的故障严重性判定结果出错。
[0056]
仅基于并联局域模型输出的tvsi指标，无法得出故障严重性判定结果的置信度，因而无法判断是否需要基于数值仿真对故障严重性进行二次判定。为此，基于并联局域模型输出误差概率密度函数提出了故障严重性判定结果置信度的计算方法：
[0057]
首先假设并联局域模型的输出误差在输入特征空间内相同。基于输出误差概率密度函数计算故障严重性判定结果的置信度，表达式为：
[0058][0059]
其中，
[0060][0061]
和分别是tvsi指标第t个分量的真实值和估计值，分别是样本数据和并联局域模型的输出。是故障严重性判据中tvsi指标第t 个分量的阈值。是tvsi指标第t个分量的误差概率密度函数。β即为故障严重性判定结果的置信度。
[0062]
实际上，由于重点区域内的样本密度更高，因此并联局域模型在重点区域内的输出误差更小，有必要针对重点区域和其他区域分别建立不同的输出误差概率密度函数。基于tvsi指标的取值区间，把输入特征空间划分成三个区域，表达式如下：
[0063][0064]
其中，sd
1,t
、sd
2,t
和sd
3,t
分别为tvsi指标第t个分量对应的三个区域。 sd
2,t
是tvsi指标第t个分量tvsi
t
(x)对应的重点区域；为很小的正数，取值为0.001；为很小的正数，取值为0.001。
[0065]
可见，tvsi指标的三个分量分别对应一种输入特征空间划分，每种划分都是把输入特征空间分成了三个区域。计算并联局域模型在测试样本上的输出误差，然后根据式
(9)-式(14)分别计算各个子区域对应的输出误差概率密度函数，示意图如图1所示。
[0066]
其中，左侧、中间和右侧区域分别为输入特征空间的三个子区域，即 sd
1,t
、sd
2,t
和sd
3,t
。和分别为子区域sd
1,t
、sd
2,t
和sd
3,t
对应的输出误差概率密度函数。基于并联局域模型输出tvsi指标tvsi
pred
与故障严重性判据中的tvsi指标阈值tvsi
th
，可以得出故障严重性判定结果；基于tvsi
pred
、tvsi
th
和tvsi
pred
所在区域的输出误差概率密度函数可以得出故障严重性判定结果的置信度β。
[0067]
其中，计算各个区域对应的输出误差概率密度函数的具体过程如下：
[0068]
φ(i)(x)是标准正态分布φ(x)的第i阶导数。φ(x)的表达式为：
[0069][0070]gi
是x的第i阶中心矩，定义为：
[0071][0072]
f(x)是x的概率密度函数，μ是x的均值。
[0073]
标准正态分布φ(x)的第i阶导数φ(i)(x)可以基于埃尔米特多项式进行计算。在概率论领域，埃尔米特多项式的定义为：
[0074][0075]
采用4阶gram-charlier级数逼近随机变量x的概率密度函数f(x)，则表达式为：
[0076][0077]
其中，φ(x)、h3(x)和h4(x)都是固定的，待求量是g3和g4。
[0078]
首先，计算测试样本上并联局域模型输出的误差，表达式为：
[0079][0080]
其中，和分别是第n个测试样本tvsi指标第t个分量的误差、真实值和估计值。tvsi指标估计值是并联局域模型的输出，tvsi指标真实值是测试样本的输出。
[0081]
然后，对tvsi指标误差进行标准化处理：
[0082][0083]
其中，是标准化后的第n个测试样本tvsi指标第t个分量的误差，n
test
是测试样本数量。的均值为0，方差和标准差为1。
[0084]
最后，计算标准化后tvsi指标误差δtvsi
pred
的中心矩，表达式如下：
[0085][0086]
其中，g
i,t
是tvsi指标第t个分量误差的第i阶中心矩。对于式(9)，只需要计算第3、4阶中心矩即可。
[0087]
把基于式(12)计算得到的中心矩g
i,t
代入式(9)，可以得出标准化后 tvsi指标误差的概率密度函数，表达式为：
[0088][0089]
其中，f
tδtvsi
(x)是标准化后tvsi指标第t个分量误差的概率密度函数，g
3,t
和g
4,t
分别是标准化后tvsi指标第t个分量误差的第3阶和第4阶中心矩。
[0090]
基于式(13)和式(11)，可以进一步得出标准化前tvsi指标的概率密度函数，也即为并联局域模型输出误差的概率密度函数，表达式为：
[0091][0092]
其中，是并联局域模型输出tvsi指标第t个分量误差的概率密度函数。
[0093]
计算基于并联局域模型判定故障严重性的置信度的步骤如表1所示。
[0094]
表1计算基于并联局域模型判定故障严重性的置信度的步骤
[0095][0096]
在得到故障严重性判定结果的置信度之后，判段是否需要基于数值仿真对故障严重性进行二次判定：
[0097]
在本发明提出的严重故障筛选方法中，数值仿真的作用是对基于并联局域模型判定故障严重性置信度低的故障进行二次判定。因此，二次判定中判据的关键是置信度阈值β
th
。
[0098]
基于表1中的方法，可以得出故障严重性判定结果的置信度β。如果β＜β
th
，说明基于并联局域模型判定故障严重性的置信度不足，需要基于数值仿真对故障严重性进行二次判定；否则，说明不需要基于数值仿真进行二次判定，示意图如图2所示。其中，黑色点表示并联局域模型输出的tvsi 指标tvsi
pred
。可见，由于a、b和c与tvsi
th
之间的距离不同，导致故障严重性判定结果的置信度不同。a与tvsi
th
之间的距离最远，故障严重性判定结果的置信度最高；c与tvsi
th
之间的距离最近，故障严重性判定结果的置信度最低。如果β
th
＝99％，则故障a的严重性判定结果置信度达标，不需要基于数值仿真进行二次判定；故障b和c需要基于数值仿真进行二次判定。
[0099]
置信度阈值了本发明方法对计算速度和准确性之间的平衡。如果β
th
较大，则需要进行较多的数值仿真，计算速度较慢，但是计算结果置信度较高；否则，计算速度较快，但是计算结果置信度较低。本发明中，默认β
th
＝99％。
[0100]
严重故障筛选方法的步骤：
[0101]
本发明方法的总体思路为：首先基于计算速度较快、计算精度较差的并联局域模型对预想故障的严重性进行初步判定；然后基于计算速度较慢、计算精度较高的数值仿真对置信度不达标故障的严重性进行二次判定，方法整体流程如图1所示。
[0102]
并联局域模型与数值仿真相结合的严重故障筛选方法的步骤如表2所示。
[0103]
表2并联局域模型与数值仿真相结合的严重故障筛选方法
[0104]
[0105][0106]
下面结合具体实施例展示基于并联局域模型判定故障严重性置信度的计算结果和严重故障筛选的过程。
[0107]
其中，通用边界条件如下：负荷模型是由感应电动机与恒阻抗负荷组合成的综合负荷，其中感应电动机占比60％。
[0108]
实施例一：基于并联局域模型判定故障严重性的置信度
[0109]
采用ieee39节点模型。考虑线路“bus15-bus16”上的三相n-1故障，故障持续时间为250ms，考虑初始的电网拓扑参数和电网运行状态，初始运行场景数量为1。
[0110]
为了便于说明，考虑一个简单判据c＝(tvsi1≥100)∨(tvsi2≥0.3)∨(tvsi3≥100)。由于tvsi1和tvsi3的值不会超过100，所以上述判据等效于c＝(tvsi2≥0.3)。于是，把输入特征空间划分成如下3个子区域：
[0111]
sd1＝{x|tvsi2(x)∈[0,0.2)}
[0112]
sd2＝{x|tvsi2(x)∈[0.2,0.4]}(15)，
[0113]
sd3＝{x|tvsi2(x)∈(0.4, ∞]}
[0114]
其中，sd2是重点区域。
[0115]
分别评估3个不同电网运行场景下线路“bus15-bus16”三相n-1故障的严重性。这3个运行场景的参数配置如表3所示。
[0116]
表3运行场景信息
[0117]
序号故障线路故障时间拓扑参数运行状态1bus15-bus16250ms无线路停运负荷水平80％
2bus15-bus16250ms无线路停运负荷水平100％3bus15-bus16250ms无线路停运负荷水平120％
[0118]
置信度阈值β
th
＝99％，上述运行场景下故障严重性的判定结果如表4所示。
[0119]
表4不同运行场景下故障严重性的判定结果
[0120][0121]
可见，在负荷水平为80％和100％时，所考虑的故障是非严重故障；在负荷水平为120％时，所考虑的故障是严重故障。3个运行场景下故障严重性判定结果的置信度都很高，都超过了99％。
[0122]
实施例二：严重故障筛选
[0123]
采用陕西电网模型。考虑330kv电压等级以上交流线路上的三相n-1 故障，预想故障总数为263，故障持续时间为150ms，考虑初始的电网拓扑参数和电网运行状态，初始运行场景数量为263。
[0124]
考虑判据c＝(tvsi1≥10)∨(tvsi2≥0.3)∨(tvsi3≥10)，置信度阈值β
th
＝99％。
[0125]
首先，基于并联局域模型对预想故障进行初步筛选。结果表明，其中 25个故障的置信度小于99％，需要基于数值仿真对故障严重性进行二次判定；另外238个故障的置信度达标，不需要进行二次判定。在这238个故障中，有231个非严重故障，7个严重故障。这一步骤耗时0.13s。然后，基于数值仿真对25个置信度小于99％的故障的严重性进行二次判定。结果表明，其中有19个非严重故障，6个严重故障。这一步骤耗时48.66s。可见，严重故障筛选共耗时48.79s，共得到13个严重故障和250个非严重故障，其中严重故障如表5所示，严重故障筛选的过程如图4所示。
[0126]
表5 13个严重故障的信息
[0127]
[0128][0129]
作为对比，本实施例还基于纯数值仿真进行了严重故障筛选。结果表明，该方法耗时524.23s，得到了同样的13个严重故障和250个非严重故障。相比之下，本发明提出的严重故障筛选方法耗时减少了90.7％，而且能够得到正确的严重故障筛选结果。
[0130]
以上所述，仅为本技术较佳的具体实施方式，但本技术的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本技术揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本技术的保护范围之内。因此，本技术的保护范围应该以权利要求的保护范围为准。