电力系统关键环节的识别方法、装置、设备及存储介质与流程

专利2023-07-15  98



1.本发明涉及电力系统技术领域,尤其涉及一种电力系统关键环节的识别方法、装置、设备及存储介质。


背景技术:

2.电力系统通过给其他设施提供电力来源以维持其他基础设施的正常运作,从而不仅需要满足正常情况下的可靠运行,还需要在极端事件发生时维持必要功能,向重要负荷提供符合质量要求的电力。但是随着近年来,台风、地震和冰雪等极端事件对电力系统造成严重破坏,社会各界逐渐意识到增强电力系统对小概率-高损失极端事件应对能力的重要性。
3.电力系统弹性是指电力系统抵御和适应极端事件以及恢复到预期状态的能力。随着日益频发的自然灾害、网络攻击和人为袭击正威胁着电力系统的可靠运行,提升电力系统的弹性已经成为电力系统发展的必然要求。因此,亟需一种针对电力系统关键环节的识别方法,以研究弹性电力系统的灾害防御和强化能力,为电力系统在后续应对极端事件提供技术支持。


技术实现要素:

4.本发明提供了一种电力系统关键环节的识别方法、装置、设备及存储介质,以研究弹性电力系统的灾害防御和强化能力,为电力系统在后续应对极端事件提供技术支持。
5.为了解决上述技术问题,第一方面,本发明提供了一种电力系统关键环节的识别方法,包括:
6.获取电力系统在极端事件时的灾害强度特征数据和元件拓扑数据;
7.根据所述灾害强度特征数据,预测所述电力系统的元件故障率数据;
8.利用蒙特卡洛抽样法,根据所述元件故障率数据,确定所述电力系统的故障规模;
9.利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路。
10.作为优选,所述根据所述灾害强度特征数据,预测所述电力系统的元件故障率数据,包括:
11.利用预设随机森林模型,根据所述灾害强度特征数据,预测所述电力系统的所述元件故障率数据。
12.作为优选,所述利用蒙特卡洛抽样法,根据所述元件故障率数据,确定所述电力系统的故障规模,包括:
13.利用蒙特卡洛抽样法,抽取预设数据空间内均匀分布的随机数;
14.将每次抽取的所述随机数与所述元件故障率数据对比,确定所述电力系统的元件状态,并记录元件状态为故障状态的故障元件数量;
15.根据所述故障元件数量,确定所述电力系统的故障规模。
16.作为优选,所述将每次抽取的所述随机数与所述元件故障率数据对比,确定所述电力系统的元件状态,包括:
17.基于预设对比函数,对比每次抽取的所述随机数与所述元件故障率数据,以确定所述电力系统的元件状态,所述预设对比函数为:
[0018][0019]
pi表示第i个元件的元件故障率数据,ξ

表示第i次抽取的随机数,当x

=1时表示第i个元件的元件状态为故障状态,当x

=0时表示第i个元件的元件状态为正常状态。
[0020]
作为优选,所述利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路,包括:
[0021]
利用所述关键环节识别模型,预测所述电力系统在所述故障规模时所有故障元件组合对应的负载节点供电状态,所述故障元件组合基于所述元件拓扑数据确定得到;
[0022]
根据所述负载节点供电状态,计算每种所述故障元件组合的弹性指标数据;
[0023]
对所述弹性指标数据进行排序,并确定所述弹性指标数据最小的目标故障元件组合为所述关键环节,所述目标故障元件组合包括所述关键节点和所述关键线路。
[0024]
作为优选,所述弹性指标数据为供电负载数据,所述根据所述负载节点供电状态,计算每种所述故障元件组合的弹性指标数据,包括:
[0025]
对于每种所述故障元件组合,基于预设弹性指标计算函数,根据所述负载节点供电状态,计算所述故障元件组合的弹性指标数据,所述预设弹性指标计算函数为:
[0026]
f(t)=∑
i∈n
pi(t);
[0027]
f(t)表示在t时刻的供电负载数据,n表示故障元件组合中的负载节点集合,pi(t)表示第i个负载节点在t时刻的消耗功率,其中第i个负载节点的负载节点供电状态为停止供电时,pi(t)=0。
[0028]
作为优选,所述利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路之前,还包括:
[0029]
根据标准电网元件拓扑数据,对预设神经网络进行训练,直至所述预设神经网络达到预设收敛条件,得到所述关键环节识别模型,所述关键环节识别模型描述所述标准电网元件拓扑数据与负载节点供电状态之间的关联关系。
[0030]
第二方面,本发明还提供一种电力系统关键环节的识别装置,包括:
[0031]
获取模块,用于获取电力系统在极端事件时的灾害强度特征数据和元件拓扑数据;
[0032]
预测模块,用于根据所述灾害强度特征数据,预测所述电力系统的元件故障率数据;
[0033]
确定模块,用于利用蒙特卡洛抽样法,根据所述元件故障率数据,确定所述电力系统的故障规模;
[0034]
识别模块,用于利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路。
[0035]
第三方面,本发明还提供一种计算机设备,包括处理器和存储器,所述存储器用于
存储计算机程序,所述计算机程序被所述处理器执行时实现如第一方面所述的电力系统关键环节的识别方法。
[0036]
第四方面,本发明还提供一种计算机可读存储介质,其存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面所述的电力系统关键环节的识别方法。
[0037]
与现有技术相比,本发明具备以下有益效果:
[0038]
通过获取电力系统在极端事件时的灾害强度特征数据和元件拓扑数据,并根据灾害强度特征数据,预测电力系统的元件故障率数据,以描述灾害强度与电力系统元件故障率的关联关系;再利用蒙特卡洛抽样法,根据元件故障率数据,确定电力系统的故障规模,以及利用预设的关键环节识别模型,根据故障规模和元件拓扑数据,识别电力系统的关键环节,得到电力系统的关键节点和关键线路,通过机器学习模型刻画了灾害强度与元件故障率,元件故障状态(元件拓扑数据)与负载节点供电状态之间的关联关系,有效避免了复杂函数的显示表达,从而研究弹性电力系统的灾害防御和强化能力,为电力系统在后续应对极端事件提供技术支持。
附图说明
[0039]
图1为本发明实施例示出的方法的流程示意图;
[0040]
图2为本发明实施例示出的随机森林算法原理的示意图;
[0041]
图3为本发明实施例示出的负载节点供电状态类型的示意图;
[0042]
图4为本发明实施例示出的预设神经网络模型的示意图;
[0043]
图5为本发明实施例示出的基于状态空间分类的负载节点状态预测的示意图;
[0044]
图6为本发明实施例示出的电力系统在扰动事件前后反映示意图;
[0045]
图7为本发明实施例示出的装置的结构示意图;
[0046]
图8为本发明实施例示出的计算机设备的结构示意图。
具体实施方式
[0047]
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,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
[0048]
请参照图1,图1为本发明实施例提供的一种电力系统关键环节的识别方法的流程示意图。本发明实施例的电力系统关键环节的识别方法可应用于计算机设备,该计算机设备包括但不限于智能手机、笔记本电脑、平板电脑、桌上型计算机、物理服务器和云服务器等设备。如图1所示,本实施例的电力系统关键环节的识别方法包括步骤s101至步骤s104,详述如下:
[0049]
步骤s101,获取电力系统在极端事件时的灾害强度特征数据和元件拓扑数据。
[0050]
在本步骤中,灾害强度特征数据如台风的风速、半径,地震的烈度,洪水的水位等。元件拓扑数据为电网元件之间的拓扑关系数据,包括节点的度、介数以及连边介数。
[0051]
步骤s102,根据所述灾害强度特征数据,预测所述电力系统的元件故障率数据。
[0052]
在本步骤中,利用预设随机森林模型,根据所述灾害强度特征数据,预测所述电力
系统的所述元件故障率数据。
[0053]
可选地,收集历史灾害强度特征与元件故障率的数据,采用数据驱动的方式,将样本集中数据输入随机森林模型进行训练,描述灾害强度特征与元件故障率之间的关联关系。
[0054]
请参阅图2,随机森林(randomforest)算法是一种由多棵基决策树组合而成的集成机器学习算法,利用bootstrap重抽样方法从原始样本中随机抽取k个训练集样本来生成决策树,集合k个决策树的结果,通过投票(因变量为分类变量)或者求均值(因变量为连续变量)获得预测结果。
[0055]
随机森林是k棵树{t1(x),t2(x),...,tk(x)}的集合,其中x={x1,x2,...,xm}是灾害的m维特征向量,对于回归预测,集合将会产生k个结果{y1=t1(x),y2=t2x,...,yk=tkx,最后的预测值是所有树预测的平均值;
[0056]
给定一系列数据进行训练,d={(xi,yi),i=1,2,...,n},其中xi,i=1,2,...n表示灾害的特征向量,yi,i=1,2,...n表示灾害可能导致的元件故障率。
[0057]
随机森林回归算法实现的流程为:
[0058]
1)原始数据样本量为n,利用bootstrap重抽样方法从原始样本中随机抽取k个采样集来生成k棵决策树,且每个采样集的样本容量都与原始数据集相同,每次抽样没被抽到的样本组成了k个袋外数据(out-of-bag,oob),用作随机森林的测试样本;
[0059]
2)对每棵决策树的每个节点来说,从全部m个特征变量中随机选取m个作为备选分枝特征变量,然后根据最优分枝规则选取最优分枝,同时通过限制树的深度来防止树的过大生长可能导致的过拟合问题。
[0060]
步骤s103,利用蒙特卡洛抽样法,根据所述元件故障率数据,确定所述电力系统的故障规模。
[0061]
在本步骤中,利用蒙特卡洛抽样法,抽取预设数据空间内均匀分布的随机数;将每次抽取的所述随机数与所述元件故障率数据对比,确定所述电力系统的元件状态,并记录元件状态为故障状态的故障元件数量;根据所述故障元件数量,确定所述电力系统的故障规模。
[0062]
本实施例中,蒙特卡洛抽样法为非时序蒙特卡洛抽样法。可选地,基于预设对比函数,对比每次抽取的所述随机数与所述元件故障率数据,以确定所述电力系统的元件状态,所述预设对比函数为:
[0063][0064]
pi表示第i个元件的元件故障率数据,ξ

表示第i次抽取的随机数,当x

=1时表示第i个元件的元件状态为故障状态,当x

=0时表示第i个元件的元件状态为正常状态。
[0065]
示例性地,获取[0,1]空间均匀分布的随机数ξ

,得到元件在极端灾害来临时的状态:
[0066][0067]
重复n次抽样,记录每次抽样过程中故障元件个数,最后求平均得到一定灾害强度下元件的故障规模。
[0068]
步骤s104,利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路。
[0069]
在本步骤中,示例性地,参见图3,电力系统的负载节点供电状态被分为四类,如下:
[0070]
类型1:负载停电,停电时间等于隔离故障所需时间;
[0071]
类型2:负载停电,停电时间等于切换供电路径所需时间;
[0072]
类型3:负载停电,停电时间等于修复故障所需时间;
[0073]
类型4:负载正常,停电时间等于零。
[0074]
1)采用哑变量编码的方式,利用三个二进制数字组成的序列描述负载节点j的状态,电力系统负载节点的供电状态可以由下式表示:
[0075][0076]
式中:n
l
表示电力系统中负载节点的个数;
[0077]
本发明对于电力系统负载节点供电状态类型的定义如下:该系统中共有38个负载节点,96个易损元件(包括29个变压器和67条输电线);当系统中32,35号线路故障时,对于负载节点lp1,通过打开f1主线路上的断路器,然后断开lp1与32号线路之间的隔离开关,最后重合断路器可以实现由f1主线路重新供电,故其停电时间为隔离故障所需时间,将该类型负载节点供电状态定义为类型1;对于负载节点lp2,通过打开f1主线路上的断路器,然后断开lp2与32号线路之间的隔离开关,最后合上与f7主线路之间的联络开关可以实现重新供电,故其停电时间为切换供电路径所需时间,将该类型负载节点供电状态定义为类型2;对于负载节点lp3,因为其与35号故障元件之间仅有一个熔断器,当故障发生时熔断器熔断,故其停电时间为故障修复所需时间,将该类型负载节点供电状态定义为类型3;而对于lp4、lp5这类的负载,它们不受到故障元件的影响,因此将该类型负载节点供电状态定义为类型4(即正常状态)。
[0078]
可选地,根据标准电网元件拓扑数据,对预设神经网络进行训练,直至所述预设神经网络达到预设收敛条件,得到所述关键环节识别模型,所述关键环节识别模型描述所述标准电网元件拓扑数据与负载节点供电状态之间的关联关系。
[0079]
在本实施例中,请参阅图4,预设神经网络是由多个神经元(neuron)按照一定的结构层次组合连接起来的网络,神经网络的学习过程就是基于训练集的网络权重的更新过程;权重的更新过程包括输入信号在神经网络中的前向传递过程和误差信号在神经网络中的反向传递过程,具体如下:
[0080]
1)前馈过程:不同的特征数据被输入后,在神经网络中的前向传递过程如下:输入信号通过神经键输入到神经元,每条神经键上对应不同的参数,通过对神经元中的输入进行求和并经过激活函数的变化得到最终输出;输入信号在单层神经元模型中的传递数学模型如下:
[0081][0082]
yk=f(vk);
[0083]
式中pj是神经元的第j个输入信号;wj为连接权重;bk为偏置项;vk是输入信号线性组合并加上偏置后的输出;f为激活函数,包括有恒等函数(identifyfunction),relu函数以及softplus函数等;yk是神经元的最终输出;
[0084]
2)反馈过程:
[0085]
对于训练集(x,y),若当前第k个神经元的输出为则误差信号在神经网络中的反向传递过程如下:
[0086]wk,i
←wk,i
+δw
k,i

[0087][0088]
式中:w
k,i
表示第i个输入神经元与第k个输出神经元之间的权重;η∈(0,1)表示学习率(learningrate);xi是x对应于第i个输入神经元的分量。
[0089]
在一些实施例中,所述步骤s104,包括:
[0090]
利用所述关键环节识别模型,预测所述电力系统在所述故障规模时所有故障元件组合对应的负载节点供电状态,所述故障元件组合基于所述元件拓扑数据确定得到;
[0091]
根据所述负载节点供电状态,计算每种所述故障元件组合的弹性指标数据;
[0092]
对所述弹性指标数据进行排序,并确定所述弹性指标数据最小的目标故障元件组合为所述关键环节,所述目标故障元件组合包括所述关键节点和所述关键线路。
[0093]
在本实施例中,请参阅图5,神经网络输入层神经元以及输出层神经元的个数是根据研究所要预测的内容以及训练集样本的数量而确定的;
[0094]
1)首先根据待评估配电系统的规模,构建一个对应规模的神经网络,其中输入层中的神经元数量等于电力系统中容易发生故障的元件数量,输出层中的神经元数量是电力系统中负载节点数量的三倍(哑变量编码方式使用三个二进制数字组成的序列来描述负载节点供电状态),神经网络相应的连接权重(weights)矩阵的大小为[易损元件,负荷节点个数x3],偏置(bias)矩阵的大小为[负荷节点个数x3]。
[0095]
2)基于上述的神经网络模型以及电力系统负载节点供电状态类型定义,电力系统元件故障时负载节点供电状态类型判断可以转化为一个基于状态空间的二进制分类问题;
[0096]
3)将电力系统元件故障状态定义为场景,将负载节点状态定义为其标签,场景集及其标签集由下式表示:
[0097][0098][0099]
式中:n
x
表示故障场景;nc表示易损元件数;n
l
表示负载节点数;
[0100]
4)对每个场景下的标签集进行类型判断即可得到负载节点的状态;得到负载节点的供电状态之后结合恢复措施就可以计算电力系统的弹性指标。
[0101]
可选地,对于每种所述故障元件组合,基于预设弹性指标计算函数,根据所述负载节点供电状态,计算所述故障元件组合的弹性指标数据,所述预设弹性指标计算函数为:
[0102]
f(t)=∑
i∈n
pi(t);
[0103]
f(t)表示在t时刻的供电负载数据,n表示故障元件组合中的负载节点集合,pi(t)表示第i个负载节点在t时刻的消耗功率,其中第i个负载节点的负载节点供电状态为停止供电时,pi(t)=0。
[0104]
在本实施例中,图6展示了电力系统从初始状态遭遇扰动到最后恢复的示意图;电力系统弹性的具体体现是:在极端扰动事件发生之前(t1之前),系统性能保持稳定,该阶段可对可能出现的灾害进行准备和预防;灾害发生过程中(t1-t2),多个元件可能同时故障,进而导致电力系统性能下降;当电力系统进入故障状态后(t2-t3),管理调度人员制定有效的恢复措施(t3-t4),对故障元件进行修复,使系统性能恢复到正常期望状态(t4以后);
[0105]
为了反映电力系统在小概率-高损失扰动事件来临时抵御、适应灾害事件以及恢复到预期状态的能力,本发明中将电力系统弹性指标量化为图1中电力系统实际性能曲线fr(t)在灾害发生时刻t1到系统恢复到预期状态时刻t4时间内的积分与期望性能曲线fe(t)积分的比值:
[0106][0107]
系统的性能指标在不同的研究目的中有着不同的定义,本发明将系统的性能指标定义为系统的总供电负载,如下式所示:
[0108]
f(t)=∑
i∈n
pi(t);
[0109]
f(t)表示在t时刻的供电负载数据,单位mw,n表示故障元件组合中的负载节点集合,pi(t)表示第i个负载节点在t时刻的消耗功率,单位mw,其中第i个负载节点的负载节点供电状态为停止供电时,pi(t)=0。
[0110]
为了执行上述方法实施例对应的电力系统关键环节的识别方法,以实现相应的功能和技术效果。参见图7,图7示出了本发明实施例提供的一种电力系统关键环节的识别装置的结构框图。为了便于说明,仅示出了与本实施例相关的部分,本发明实施例提供的电力系统关键环节的识别装置,包括:
[0111]
获取模块,用于获取电力系统在极端事件时的灾害强度特征数据和元件拓扑数据;
[0112]
预测模块,用于根据所述灾害强度特征数据,预测所述电力系统的元件故障率数据;
[0113]
确定模块,用于利用蒙特卡洛抽样法,根据所述元件故障率数据,确定所述电力系统的故障规模;
[0114]
识别模块,用于利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路。
[0115]
在一些实施例中,所述预测模块,用于:
[0116]
利用预设随机森林模型,根据所述灾害强度特征数据,预测所述电力系统的所述元件故障率数据。
[0117]
在一些实施例中,所述确定模块,用于:
[0118]
利用蒙特卡洛抽样法,抽取预设数据空间内均匀分布的随机数;
[0119]
将每次抽取的所述随机数与所述元件故障率数据对比,确定所述电力系统的元件状态,并记录元件状态为故障状态的故障元件数量;
[0120]
根据所述故障元件数量,确定所述电力系统的故障规模。
[0121]
在一些实施例中,所述确定模块,还用于:
[0122]
基于预设对比函数,对比每次抽取的所述随机数与所述元件故障率数据,以确定所述电力系统的元件状态,所述预设对比函数为:
[0123][0124]
pi表示第i个元件的元件故障率数据,ξ

表示第i次抽取的随机数,当x

=1时表示第i个元件的元件状态为故障状态,当x

=0时表示第i个元件的元件状态为正常状态。
[0125]
在一些实施例中,所述识别模块,用于:
[0126]
利用所述关键环节识别模型,预测所述电力系统在所述故障规模时所有故障元件组合对应的负载节点供电状态,所述故障元件组合基于所述元件拓扑数据确定得到;
[0127]
根据所述负载节点供电状态,计算每种所述故障元件组合的弹性指标数据;
[0128]
对所述弹性指标数据进行排序,并确定所述弹性指标数据最小的目标故障元件组合为所述关键环节,所述目标故障元件组合包括所述关键节点和所述关键线路。
[0129]
在一些实施例中,所述识别模块,还用于:
[0130]
对于每种所述故障元件组合,基于预设弹性指标计算函数,根据所述负载节点供电状态,计算所述故障元件组合的弹性指标数据,所述预设弹性指标计算函数为:
[0131]
f(t)=∑
i∈n
pi(t);
[0132]
f(t)表示在t时刻的供电负载数据,n表示故障元件组合中的负载节点集合,pi(t)表示第i个负载节点在t时刻的消耗功率,其中第i个负载节点的负载节点供电状态为停止供电时,pi(t)=0。
[0133]
在一些实施例中,所述装置,还包括:
[0134]
训练模块,用于根据标准电网元件拓扑数据,对预设神经网络进行训练,直至所述预设神经网络达到预设收敛条件,得到所述关键环节识别模型,所述关键环节识别模型描述所述标准电网元件拓扑数据与负载节点供电状态之间的关联关系。
[0135]
上述的电力系统关键环节的识别装置可实施上述方法实施例的电力系统关键环节的识别方法。上述方法实施例中的可选项也适用于本实施例,这里不再详述。本发明实施例的其余内容可参照上述方法实施例的内容,在本实施例中,不再进行赘述。
[0136]
图8为本发明一实施例提供的计算机设备的结构示意图。如图8所示,该实施例的计算机设备8包括:至少一个处理器80(图8中仅示出一个)处理器、存储器81以及存储在所述存储器81中并可在所述至少一个处理器80上运行的计算机程序82,所述处理器80执行所述计算机程序82时实现上述任意方法实施例中的步骤。
[0137]
所述计算机设备8可以是智能手机、平板电脑、桌上型计算机和云端服务器等计算设备。该计算机设备可包括但不仅限于处理器80、存储器81。本领域技术人员可以理解,图8仅仅是计算机设备8的举例,并不构成对计算机设备8的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如还可以包括输入输出设备、网络接入设备等。
[0138]
所称处理器80可以是中央处理单元(central processing unit,cpu),该处理器80还可以是其他通用处理器、数字信号处理器(digital signal processor,dsp)、专用集成电路(application specific integrated circuit,asic)、现成可编程门阵列(field-programmable gate array,fpga)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
[0139]
所述存储器81在一些实施例中可以是所述计算机设备8的内部存储单元,例如计算机设备8的硬盘或内存。所述存储器81在另一些实施例中也可以是所述计算机设备8的外部存储设备,例如所述计算机设备8上配备的插接式硬盘,智能存储卡(smart media card,smc),安全数字(secure digital,sd)卡,闪存卡(flash card)等。进一步地,所述存储器81还可以既包括所述计算机设备8的内部存储单元也包括外部存储设备。所述存储器81用于存储操作系统、应用程序、引导装载程序(bootloader)、数据以及其他程序等,例如所述计算机程序的程序代码等。所述存储器81还可以用于暂时地存储已经输出或者将要输出的数据。
[0140]
另外,本发明实施例还提供一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现上述任意方法实施例中的步骤。
[0141]
本发明实施例提供了一种计算机程序产品,当计算机程序产品在计算机设备上运行时,使得计算机设备执行时实现上述各个方法实施例中的步骤。
[0142]
在本发明所提供的几个实施例中,可以理解的是,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意的是,在有些作为替换的实现方式中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。
[0143]
所述功能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终端设备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-only memory)、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。
[0144]
以上所述的具体实施例,对本发明的目的、技术方案和有益效果进行了进一步的详细说明,应当理解,以上所述仅为本发明的具体实施例而已,并不用于限定本发明的保护范围。特别指出,对于本领域技术人员来说,凡在本发明的精神和原则之内,所做的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。

技术特征:
1.一种电力系统关键环节的识别方法,其特征在于,包括:获取电力系统在极端事件时的灾害强度特征数据和元件拓扑数据;根据所述灾害强度特征数据,预测所述电力系统的元件故障率数据;利用蒙特卡洛抽样法,根据所述元件故障率数据,确定所述电力系统的故障规模;利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路。2.如权利要求1所述的电力系统关键环节的识别方法,其特征在于,所述根据所述灾害强度特征数据,预测所述电力系统的元件故障率数据,包括:利用预设随机森林模型,根据所述灾害强度特征数据,预测所述电力系统的所述元件故障率数据。3.如权利要求1所述的电力系统关键环节的识别方法,其特征在于,所述利用蒙特卡洛抽样法,根据所述元件故障率数据,确定所述电力系统的故障规模,包括:利用蒙特卡洛抽样法,抽取预设数据空间内均匀分布的随机数;将每次抽取的所述随机数与所述元件故障率数据对比,确定所述电力系统的元件状态,并记录元件状态为故障状态的故障元件数量;根据所述故障元件数量,确定所述电力系统的故障规模。4.如权利要求3所述的电力系统关键环节的识别方法,其特征在于,所述将每次抽取的所述随机数与所述元件故障率数据对比,确定所述电力系统的元件状态,包括:基于预设对比函数,对比每次抽取的所述随机数与所述元件故障率数据,以确定所述电力系统的元件状态,所述预设对比函数为:p
i
表示第i个元件的元件故障率数据,ξ

表示第i次抽取的随机数,当x

=1时表示第i个元件的元件状态为故障状态,当x

=0时表示第i个元件的元件状态为正常状态。5.如权利要求1所述的电力系统关键环节的识别方法,其特征在于,所述利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路,包括:利用所述关键环节识别模型,预测所述电力系统在所述故障规模时所有故障元件组合对应的负载节点供电状态,所述故障元件组合基于所述元件拓扑数据确定得到;根据所述负载节点供电状态,计算每种所述故障元件组合的弹性指标数据;对所述弹性指标数据进行排序,并确定所述弹性指标数据最小的目标故障元件组合为所述关键环节,所述目标故障元件组合包括所述关键节点和所述关键线路。6.如权利要求1所述的电力系统关键环节的识别方法,其特征在于,所述弹性指标数据为供电负载数据,所述根据所述负载节点供电状态,计算每种所述故障元件组合的弹性指标数据,包括:对于每种所述故障元件组合,基于预设弹性指标计算函数,根据所述负载节点供电状态,计算所述故障元件组合的弹性指标数据,所述预设弹性指标计算函数为:f(t)=∑
i∈n
p
i
(t);f(t)表示在t时刻的供电负载数据,n表示故障元件组合中的负载节点集合,p
i
(t)表示
第i个负载节点在t时刻的消耗功率,其中第i个负载节点的负载节点供电状态为停止供电时,p
i
(t)=0。7.如权利要求1所述的电力系统关键环节的识别方法,其特征在于,所述利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路之前,还包括:根据标准电网元件拓扑数据,对预设神经网络进行训练,直至所述预设神经网络达到预设收敛条件,得到所述关键环节识别模型,所述关键环节识别模型描述所述标准电网元件拓扑数据与负载节点供电状态之间的关联关系。8.一种电力系统关键环节的识别装置,其特征在于,包括:获取模块,用于获取电力系统在极端事件时的灾害强度特征数据和元件拓扑数据;预测模块,用于根据所述灾害强度特征数据,预测所述电力系统的元件故障率数据;确定模块,用于利用蒙特卡洛抽样法,根据所述元件故障率数据,确定所述电力系统的故障规模;识别模块,用于利用预设的关键环节识别模型,根据所述故障规模和所述元件拓扑数据,识别所述电力系统的关键环节,得到所述电力系统的关键节点和关键线路。9.一种计算机设备,其特征在于,包括处理器和存储器,所述存储器用于存储计算机程序,所述计算机程序被所述处理器执行时实现如权利要求1至7任一项所述的电力系统关键环节的识别方法。10.一种计算机可读存储介质,其特征在于,其存储有计算机程序,所述计算机程序被处理器执行时实现如权利要求1至7任一项所述的电力系统关键环节的识别方法。

技术总结
本发明公开了一种电力系统关键环节的识别方法、装置、设备及存储介质,通过获取电力系统在极端事件时的灾害强度特征数据和元件拓扑数据,并根据灾害强度特征数据,预测电力系统的元件故障率数据;利用蒙特卡洛抽样法,根据元件故障率数据,确定电力系统的故障规模,以及利用预设的关键环节识别模型,根据故障规模和元件拓扑数据,识别电力系统的关键环节,得到电力系统的关键节点和关键线路,通过机器学习模型刻画了灾害强度与元件故障率,元件故障状态与负载节点供电状态之间的关联关系,有效避免了复杂函数的显示表达,从而研究弹性电力系统的灾害防御和强化能力,为电力系统在后续应对极端事件提供技术支持。续应对极端事件提供技术支持。续应对极端事件提供技术支持。


技术研发人员:朱誉 向丽玲 杨银国 于珍 伍双喜 陆秋瑜 骆晓明 华威 杨璧瑜
受保护的技术使用者:广东电网有限责任公司电力调度控制中心
技术研发日:2022.07.21
技术公布日:2022/11/1
转载请注明原文地址: https://tieba.8miu.com/read-3923.html

最新回复(0)