配電網自愈控制領域，裝置故障機率和電網執行風險的差異控制方法

隨著智慧電網的迅速發展，分散式電源的大量不確定接入，配電網的結構越來越複雜，配電網執行風險的評估和預測以及故障的快速診斷和恢復越來越困難。近年來，國內外學者從不同的角度，提出了一系列的自愈控制方法，雖然這方面的研究工作取得了一些進展和成果，但仍然存在不足。

傳統的電網執行風險評估採用的都是機率和故障後果的乘積，這雖然考慮了發生機率小、後果嚴重的故障，但是卻忽略了發生機率大，但是後果不嚴重的故障，相比較而言，這種故障發生的可能性卻更大，因此依據這種方法得出的電網執行風險評估並不能令人滿意。目前電網自愈的目標，主要以提高電網執行可靠性為目標，並沒有充分考慮電網經濟執行和可靠性的關係，得出的最佳化方案往往不能兼顧經濟性和可靠性。

問題拆分

包括：1、採集執行資料以及天氣資料並計算各配電網裝置各自對應的綜合故障機率；

2、確定出風險閾值；

3、判斷綜合故障機率是否超過該配電網裝置對應的風險閾值，若是則基於第一多目標函式，最佳化電網執行方式；否則基於第二多目標函式，最佳化電網執行方式；同時設定電網執行方式優先順序；

4、基於多分類迴歸樹演算法預測電網下一時刻的負荷大小並計算下一時刻裝置的綜合停運機率和綜合故障風險；

5、確定是否執行最佳化措施。本發明充分考慮了裝置故障機率和電網的執行風險，同時採用差異自愈控制，實現了在儘量不甩負荷的情況下保證了電網的經濟可靠執行。

問題解決

鑑於已有技術存在的缺陷，本發明的目的是要提供一種基於裝置故障機率和電網執行風險的差異自愈控制方法，本發明充分考慮了裝置故障機率和電網的執行風險，同時採用差異自愈控制，實現了在儘量不甩負荷的情況下保證了電網的經濟可靠執行。

為了實現上述目的，本發明的技術方案：

一種基於裝置故障機率和電網執行風險的差異自愈控制方法，其特徵在於，包括如下步驟：

步驟1、採集電網內各配電網裝置的執行資料以及所述電網所在區域對應的天氣資料，基於所設定的裝置停運機率模型計算各配電網裝置各自對應的綜合故障機率；

步驟2、確定出各配電網裝置進行評估所需的風險閾值；

步驟3、判斷所計算出的綜合故障機率是否超過該配電網裝置對應的風險閾值，若是則基於第一多目標函式，最佳化電網執行方式；否則基於第二多目標函式，最佳化電網執行方式；同時設定電網執行方式優先順序，以使得電網處於所設定的突發大故障時，能夠優先採用基於多次尋優方法的電網執行方式進行快速網路重構；

步驟4、基於多分類迴歸樹演算法預測電網下一時刻的負荷大小，並計算下一時刻裝置的綜合停運機率和綜合故障風險，所述綜合故障風險具體是指所述綜合停運機率和故障後果的乘積；

步驟5：根據步驟3確定的電網執行方式和步驟4預測的下一時刻的綜合執行機率和綜合故障風險確定是否執行最佳化措施。

進一步優選的，所述裝置停運機率模型是指t時刻配電網裝置Xi發生故障停電的風險值，具體是指某一時刻t，該配電網裝置Xi發生故障的機率與故障停電影響程度相乘所確定的模型，對應的公式形式如下式所示

Rt（Xi）＝P（Xi|t）L（Xi）

其中，P（Xi|t）是t時刻配電網裝置Xi發生故障的機率；L（Xi）是配電網裝置Xi的故障停電影響程度。

更進一步優選的，t時刻配電網裝置Xi發生故障的機率P（Xi|t）等於不同風險源所對應的該裝置故障機率之和，如下式所示

其中，Pk（Xi|t）是在t時刻，風險源k使裝置Xi發生故障的機率；M是風險源的個數；

所述風險源至少包括下述所列的幾種或者全部的故障因素：

（1）配電裝置自身的故障率λ，其對應的函式公式為λ（Y），具體如下式所示

其中，Y表示使用年限，0≤β≤1；p表示固定故障率，t1表示屬於裝置下降區域所對應的年限，t2表示屬於裝置屬於上升區域所對應的年限；

（2）裝置過負荷的故障率P，P即過負荷引發裝置故障的機率，具體為基於效用函式，在配電裝置自身的故障率λ的基礎上引入裝置的過負荷值LOD，對應的函式公式如下式所示

其中，L是流過配電裝置的電流佔其額定電流的比例，a是使用者自由設定的額定電流比例閾值；

（3）外部因素導致的裝置故障率，所述外部因素至少包括大風大雨因素、雷擊因素及施工破壞因素；

則大風大雨因素所對應的裝置故障停電機率PWR對應的函式公式如下式所示

PWR＝NGWR/（NDNWR）

其中，NGWR為大風大雨因素所導致的此類裝置故障停電次數，ND為配電網中某類裝置總數，NWR為所設定的統計期內配電網發生大風大雨次數；

則雷擊因素所對應的裝置故障停電機率PTH對應的函式公式如下式所示

PTH＝NGTH/（NDNTH）

其中，NGTH為雷擊因素所導致的此類裝置故障停電次數，ND為配電網中某類裝置總數，NTH為所設定的統計期內配電網發生雷擊次數；

則雷擊因素所對應的裝置故障停電機率PS對應的函式公式如下式所示

PS＝NGS/NS

其中，NGS為因附近施工而發生該類裝置故障停電的次數，NS為所設定的統計期內發現配電網某類裝置附近施工總次數。

進一步優選的，所述故障停電影響程度L（Xi），對應的裝置故障停電影響程度的指標包括損失負荷LL、損失電量EL、停電使用者小時數hPOU、停電使用者級別加權戶數WPOU指標；

損失負荷LL是指配電網任意裝置發生故障後，負荷集S內各負荷停電的損失負荷，其用該負荷配變年度平均負荷表示，計算公式如下式所示

其中，Ai是負荷集S內負荷i對應的配變年度抄見電量，TA是配電網中配變的年度平均執行時間，

損失電量EL是指該裝置所屬類別的裝置的平均修復時間TR期間，負荷集S內負荷持續停電所對應的電量資料，計算公式如下式所示

EL＝LLTR

停電使用者小時數hPOU的計算公式如下式所示

其中，WLUi是負荷集S內負荷i對應的使用者數；

停電使用者級別加權戶數WPOU的計算公式如下式所示

其中，αm表示負荷集S內負荷節點i中第m個使用者在某一負荷級別下所對應的取值；

本文采用層次分析法（AHP）確定各評估指標權重，最後確定各裝置故障停電影響程度；

進一步優選的，所述步驟2包括下述步驟：

步驟21、選取n組歷史資料di，基於所設定的裝置停運機率模型計算配電網中每一裝置各自對應的綜合故障機率樣本資料；

步驟22、分別對各所述綜合故障機率樣本資料設定權重範圍和權重的分佈函式，並基於蒙特卡羅模擬確定出所對應的權重，對各所述確定的權重進行歸一化處理得各年的權重，對應的公式為並計算所對應的模擬閾值即：

步驟23、將模擬閾值中的均值確定為所需的風險閾值。

進一步優選的步驟3中基於多次尋優方法的電網執行方式進行快速網路重構具體包括下述步驟：

步驟31、確定電網中負荷重要程度、以電力失負荷價值即失電所造成的經濟損失以及對社會的影響程度來衡量負荷重要程度，並將斷電會嚴重影響社會經濟執行負荷定義為不可失電負荷；

步驟32、進行第一次尋優：若發生嚴重故障不能恢復所有負荷時，則選取出負荷所直接連線的開關，並對開關進行編號；同時根據列舉法對所有不可失電負荷開關進行搜尋，計算出滿足發電量的所有開關組合狀態並將所計算的負荷重要程度總值進行降序排列；

步驟33進行第二次尋優：根據得到降序排列的負荷重要程度總值，依次進行潮流計算，並判斷是否滿足約束條件，優先恢復對不可失電負荷的供電；所述約束條件包括用非線性潮流方程表示的等式約束條件以及不等式約束條件；

所述等式約束，即下式所述公式

式中：PGi、QDi分別為節點i的發電機有功出力和無功出力；QGi、QDi分別為節點i有功負荷和無功負荷；θij為節點i和j間的電壓相角差；Gij、Bij分別為支路i-j的電導和電納；所述不等式約束包括控制變數約束和狀態變數約束，即下式所述公式

式中：Qi為發電機i的無功出力；Pimin、Pimax分別為發電機有功出力下限和上限，Qimin、Qimax分別為發電機無功出力下限和上限，Ti、Timax分別為支路i傳輸的功率及其容量極限，SD、SL分別為負荷母線集合和支路集合；

步驟34進行第三次尋優：將上述已經確定的供應不可失電負荷直接連線的開關閉鎖，並對剩餘開關進行重新最佳化；在最佳化過程中計算滿足發電量的所有開關組合狀態，並計算負荷重要程度總值降序排列；

步驟35進行第四次尋優：根據得到的降序排列的負荷重要程度總值，進行潮流計算，判斷是否滿足約束條件，滿足時，即為能夠滿足恢復條件的最大值，確定為最優解。

進一步優選的，所述步驟4包括：

步驟41、採集歷史樣本資料，所述歷史樣本資料選擇包含有影響電力負荷的因素的資料，即其至少包括氣象因素資訊、日型別、負荷資訊、大使用者生產計劃資料，設定第i天的樣本的特徵向量為：

Yi＝［yi1 yi2 … yiM］ i＝1，2，…，n

式中：n為歷史樣本總數；yiM為第i個樣本的第M個影響因素值；

步驟42、構建灰色關聯判斷矩陣，以待預測的日向量為矩陣的母序列，且使得各行除以第一行的資料，以初始化所述灰色關聯判斷矩陣；

步驟43、採用熵權法確定各影響因素的權重，則權向量為W＝［w1 w2 … wm］，得到加權灰色關聯決策矩陣

步驟44、將加權灰色關聯決策矩陣F′中的第一行視為一個行向量，則第1行為待預測日行向量，記為A0，其他每個歷史樣本行向量記為Ai，每個樣本Ai與A0向量間的夾角即為該樣本的灰色投影角；則各個歷史日行向量與待預測日行向量的灰色關聯投影值為：

式中：Di表示第i個樣本向量在待預測日向量上的投影值；i＝1，2，…，n，wj表示第j個影響因素所對應的權重，j＝1，2，…，m，Fij表示第i個樣本中第j個影響因素與母序列所對應的關聯度；

步驟45、將各個歷史日向量的灰色投影值按從大到小排序，並設定投影值閾值，並從大到小依次選擇部分樣本組成相似日樣本集；

步驟46、將上述相似日樣本集作為原始訓練資料集，假定其資料總量為X，並從原始訓練資料集中抽樣生成k個訓練樣本集，假定每個訓練樣本集中資料為x，則每個樣本集即為多分類迴歸樹演算法中每棵分類樹的全部訓練資料；同時判斷所抽取的k個訓練樣本集中資料總量是否沒有超過原始訓練資料集中的資料總量，是則不對抽取的訓練樣本集做處理；否則檢測是否所有資料都能被抽中，若存在未被抽中的資料，則執行覆蓋操作即以未被抽中的資料隨機覆蓋掉已經抽中的資料，覆蓋數量為（k·x）/X，並重新檢測是否所有資料都能被抽中，否則重複覆蓋操作；

步驟47、使得每棵訓練樣本集生長成為一顆不剪枝葉的分類樹，在樹的節點處從M個特徵中隨機挑選m個特徵，並在每個節點上從m個特徵中依據基尼指數選取最優特徵進行分支生長；同時檢測是否有未被選中而且權重超過閾值的特徵，此時將這些未選中的特徵隨機覆蓋已選中的特徵，覆蓋數量為（m×k）/M，並檢測是否所有重要特徵都被選中，否則重複覆蓋操作，所述重要特徵即使用者所確定的在所有的特徵中對預測負荷有一定影響因素所對應的特徵；

本演算法所採用的基尼指數（Gini index）是指假設資料集D包含m個類別，那麼基尼指數GD的計算公式為：

式中：pj為j類元素出現的頻率；同時基尼指數需要考慮每個屬性的二元劃分，則假定屬性A的二元劃分將資料集D劃分成D1和D2，則此次在子節點以某屬性A劃分樣本集D的基尼指數表示為：

其中，表示在資料集D1上的基尼指數，表示在資料集D2上的基尼指數，本步驟實際上是要獲得兩個基尼指數的加權平均值；

對於每個屬性，考慮每種可能的二元劃分，最終選擇該屬性產生的最小基尼指數的子集作為其分裂子集；在此規則下，由上至下不斷分裂，直到整棵決策樹生長完成；

步驟48、根據生成的所有樹預測值均值得到預測結果。

進一步優選的，所述步驟5：根據步驟3確定的電網執行方式和步驟4預測的下一時刻的綜合執行機率和綜合故障風險確定是否執行最佳化措施。

進一步優選的，判斷是否執行當前最佳化措施有以下幾個判據：

（51）當給出的最佳化措施不甩負荷，只需要增加電源出力和網路重構，直接採用當前最佳化措施；

（52）當最佳化措施需要甩負荷時，此時需要比較下一時刻的綜合執行風險和裝置綜合故障機率是否超過閾值：

（521）當預測的裝置停運機率超過閾值，此時執行甩負荷操作；

（522）當預測的裝置停運機率沒有超過閾值，並且當實時綜合故障風險f1<預測下一時刻的綜合故障風險，此時執行甩負荷等操作；

（523）當預測的裝置停運機率沒有超過閾值，並且當實時綜合故障風險f1>預測下一時刻的綜合執行風險，不執行甩負荷措施，以增加電源出力和網路重構為主要措施減小電網風險。

與現有技術相比，本發明的有益效果：

本發明充分考慮裝置故障機率和電網的執行風險，不僅考慮發生機率低、後果嚴重的故障，而且也充分的考慮了發生機率大，後果不嚴重的故障；同時差異自愈控制，實現在電網不同執行狀況下采用不同的目標函式，儘量不甩負荷的情況下保證電網的經濟可靠執行；因此，基於裝置故障機率和電網執行風險的差異自愈控制方法，具有一定的現實意義。