[发明专利]一种电力系统连锁故障关键节点辨识方法及系统

权利要求书

1.一种电力系统连锁故障关键节点辨识方法，其特征在于，包括：

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；

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；

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；

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。

2.根据权利要求1所述的一种电力系统连锁故障关键节点辨识方法，其特征在于，所述初始故障数据f_om表示为：

f_om＝[S_om,l_om]^T

S_om＝[i_m,…,j_m]表示第m次故障时故障位置所在节点号的集合，l_om表示第m次故障时不同节点处故障严重程度的集合。

3.根据权利要求1所述的一种电力系统连锁故障关键节点辨识方法，其特征在于，所述最终故障规模数据为初始故障数据下的最终故障规模的概率分布，具体如下：

先将最终故障规模量化为初始故障数据下最终失负荷占总负荷的比例：

其中，P_loss为最终失负荷，P_all为总负荷；

再根据历史故障数据统计获得初始故障数据下最终故障规模的概率分布。

4.根据权利要求1所述的一种电力系统连锁故障关键节点辨识方法，其特征在于，所述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，具体包括：

利用LM算法优化BP神经网络，得到改进后的BP神经网络；

将初始故障数据作为改进后的BP神经网络的输入，预测的最终故障规模的概率分布向量作为输出，利用神经网络得到输入输出间的非线性映射关系；

利用这一映射关系估计任意初始故障发生后的最终故障规模分布概率矩阵。

5.根据权利要求1所述的一种电力系统连锁故障关键节点辨识方法，其特征在于，采用离散型数学期望来定义节点i的严重故障风险量化指标：

R_i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S_o处故障严重程度向量；索引函数I(S_o,l_o,r_e)定义为：

α为严重故障的定义值，r_e值高于为α即视为严重故障，p(S_o,l_o,r_e)为初始故障[S_o,l_o]发生后演变至最终故障规模r_e的概率，p(S_o,l_o)为初始故障[S_o,l_o]发生的概率；

比较各节点R_i的值即可，从而较各节点在连锁故障传播过程中的关键程度。

6.根据权利要求4所述的一种电力系统连锁故障关键节点辨识方法，其特征在于，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：

w(k+1)＝w(k)-[J^TJ+μI]^-1J^Te

b(k+1)＝b(k)-[J^TJ+μI]^-1J^Te

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r_e的概率分布矩阵的差值，J表示误差函数的雅可比矩阵。