台风气象环境电网设备风险量化预警及其N-m故障处置预案在线生成方法

doi:10.16183/j.cnki.jsjtu.2021.S2.004

台风气象环境电网设备风险量化预警及其N-m故障处置预案在线生成方法

周毅¹, 秦康平¹, 孙近文¹, 范栋琦^,¹, 郑义明²

1.国家电网有限公司华东分部, 上海 200120

2.国电南瑞科技股份有限公司, 南京 211106

Real-Time Risk Evaluation Method of Power System Equipment and N-m Fault Contingency Plan Generation Under Typhoon Meteorological Environment

ZHOU Yi¹, QIN Kangping¹, SUN Jinwen¹, FAN Dongqi^,¹, ZHENG Yiming²

1. East Branch of State Grid Corporation of China, Shanghai 200120, China

2. Nari Technology Co., Ltd., Nanjing 211106, China

通讯作者: 范栋琦,男,工程师,电话(Tel.):15902110746;E-mail:dqfan@foxmail.com.

责任编辑: 石易文

收稿日期: 2021-10-21

基金资助:

国家电网有限公司华东分部科技项目(SGHD0000DKJS100235)

Received: 2021-10-21

作者简介 About authors

周毅(1982-),男,上海市人,高级工程师,从事电网调度、电力系统自动化研究.

摘要

为提升台风等灾害性气候下电网运行的风险预警预控能力,将气象环境数据、地理环境、输变电设备状态与电网实时状态结合,通过机器学习技术提取电网历史故障特征,将数字化输电通道的气象风险概率量化研判,实现台风气象环境下电网高风险故障的超前量化预警,并根据当时的电网状态实时生成当前和未来态N-m故障处置预案,显著增强故障预想的及时性与针对性.该方法克服了气象风险模型需要不断根据实际情况修正的困难,考虑了高风险概率设备故障后电网中的各类安全自动装置的响应情况和需要采取的控制措施.实际应用表明, 该方法可为电网调度运行风险预控提供重要决策支持.

关键词： 气象风险; 机器学习; 量化预警; 预案在线生成; 在线安全分析

Abstract

In order to improve the power grid operation risk early warning and pre-control capabilities in typhoon and other disastrous climates, the historical fault features of power grid are extracted by utilizing the machine learning technology based on the meteorological environment data, geographic environment, and the status of power transmission and transformation equipment. The meteorological risk probability of digital transmission channel is quantified to realize the advanced quantitative warning of high-risk faults in the power grid under typhoon weather environment. The proposed method can genarate the current and future N-m fault handling plans based on the current power grid status and significantly enhance the timeliness and pertinence of fault prediction. This method overcomes the difficulty that the meteorological risk model needs to be continuously revised according to the actual situation, and takes into account the response of various safety automatic devices in the power grid after a high-risk equipment failure and the control measures that need to be taken. The practical application shows that this method can provide significant decision supports for risk pre-control in the power grid dispatching operation.

Keywords： meteorological risk; machine learning; quantitative warning; fault contingency plan generation; online dynamic security analysis

PDF (12182KB) 元数据多维度评价相关文章导出 EndNote| Ris| Bibtex 收藏本文

本文引用格式

周毅, 秦康平, 孙近文, 范栋琦, 郑义明. 台风气象环境电网设备风险量化预警及其N-m故障处置预案在线生成方法[J]. 上海交通大学学报, 2021, 55(S2): 22-30 doi:10.16183/j.cnki.jsjtu.2021.S2.004

ZHOU Yi, QIN Kangping, SUN Jinwen, FAN Dongqi, ZHENG Yiming. Real-Time Risk Evaluation Method of Power System Equipment and N-m Fault Contingency Plan Generation Under Typhoon Meteorological Environment[J]. Journal of shanghai Jiaotong University, 2021, 55(S2): 22-30 doi:10.16183/j.cnki.jsjtu.2021.S2.004

电网设备易受强对流天气、台风等恶劣气象环境影响发生跳闸或非计划强迫停运.国内外开展了大量灾害性气象环境下判断输电线路的停运概率大小的研究.现有的研究已经考虑到要将静态的电网模型转换成动态电网运行模式集成到运行风险方法中^[1,2,3,4],且国内也制定了关于输电通道及其受外部气象影响因素的关联程度的相关原理标准^{[5,6,7,8,9,10]}.文献[11]提出了一种基于雷电流幅值累计概率分布的雷击风险评估方法和风雨荷载下线路风偏放电风险评估的方法.文献[12]研究了不同天气状况下输电线路故障的概率,对存在故障风险的线路集,对N-m故障风险进行评估,其中,N为电网中输变电设备总数,m为电网中因故障等原因失去的输变电设备个数.文献[13]采用短时距预报和台风中心及台风网格风速描述台风影响,依据线路设计风速,采用逐个网格分析判断方法给出台风中线路的风险.文献[14]建立了计及不同气象等级和不同气象因素的输电线路故障率模型, 提出一种基于灰色模糊理论的多气象因素组合的输电线路风险分析方法,为输电线路风险预警及维修决策提供依据.文献[15]分析了输电线路污闪和风偏闪络的机理, 建立了基于气象参数的特高压输电线路污闪、风偏风险实时评估与预警模型, 得到特高压输电线路在不同气象条件下的污闪和风偏闪络的风险等级.但此类研究只能根据电网设备典型模型进行停运概率的估计,并未考虑处于户外运行的输变电设备所处的微气象、地理环境、设备环境性能、设备疲劳特性均是在不断变化的,也未考虑高风险概率故障后电网中的各类安全自动装置的响应情况和需要采取的控制措施.编制电网故障处置预案是帮助电网调度员处置电网故障异常事件、理清故障处理思路的重要措施.原有的故障处置预案编制主要依赖调度员根据运行经验基于若干电网典型运行方式人工编制而成,且预案编制故障集采用穷举法,事前对系统中所有可能遭受恶劣气象环境影响的设备发生N-1、N-2、N-m预想故障进行编制,难以做到实时跟踪大面积恶劣气象环境做出有针对性地滚动更新,导致离线编制预案存在经验化、定性化和可执行性不足等缺点.本文方法首先通过对实际发生的户外运行输变电设备停运情况进行统计分析,通过输电设备内部特征及外部气象要素信息的抽取,采用机器学习训练回测不断修正恶劣气象环境影响模型,克服气象风险模型需要不断根据实际情况修正的困难.其次,考虑发生高风险概率设备故障后电网的实际响应情况,对电网第一、二、三道防线的动作情况进行模拟,随后根据故障后电网关键参数越限情况,考虑电网各类运行约束条件后,自动计算需要进行校正控制的电源及无功设备,最后将辅助决策结果自动展示给各级相关的调度机构及变电运维人员,实现电网台风气象环境风险量化预警及其N-m故障处置预案的在线生成和滚动校核更新.此方法在2021年“烟花”台风影响电网过程中,自动生成了准确及时且实用的故障处置预案,基于此方法开发的功能已在华东电网投入实际应用.

1 基于大数据的台风气象环境电网设备故障量化评估方法

在电力系统中,涉及到高分辨率网格化“微气象”风险量化评估方法时,需要将观测尺度缩小至逐基杆塔与线档的维度,将输电通道细及其地理气象环境细分,构建线路小段风险串联与整体风险辨识模型.本文从“微观角度”对电力系统及其所处微气象环境重新认识,对海量分散、语义不一致的历史日志信息筛选提取获得训练故障样本,利用机器学习训练学习台风气象导致电网设备故障的规律和特点,构建基于大数据的台风气象环境电网设备故障量化评估模型方法,系统架构如图1所示.

图1

新窗口打开| 下载原图ZIP| 生成PPT

图1 基于历史故障案例的设备突发故障风险量化辨识总体架构

Fig.1 Overall structure of equipment sudden failure risk quantitative identification based on historical failure cases

1.1 训练样本数据生成

1.1.1 训练样本数据构成训练样本数据由故障样本和非故障样本构成.其中,故障样本信息包含台风期间引起的故障线路信息和对应的台风等气象信息;非故障样本信息包含非故障线路信息和对应的台风等气象信息.基础数据情况如表1所示.

表1 台风气象辨识特征与时空分辨率

Tab.1 Characteristics of typhoon meteorological identification and spatial-temporal resolution

气象类型	数据类型	具体数据	时空分辨率
台风	中心预报	台风中心经纬度、移动速度、中心最低气压	台风生成时即开始发布,48 h警戒线外每3~6 h 1次; 24 h警戒线外每3 h 1次; 24 h警戒线内每1 h 1次
	中心实测	台风中心经纬度、台风中心风速、台风中心气压、7级风圈半径、10级风圈半径、台风中心移动速度、台风中心移动方向	台风中心实时数据1h发布1次,台风进入预报范围后,整点发布
	网格预报	台风网格风速、台风网格风向	9 km×9 km 台风期间每日8:00、20:00时各发布1次,共计12789个网格

新窗口打开| 下载CSV

1.1.2 故障样本信息构建针对2012—2020年华东主网历次输电通道设备的故障提取机器学习使用的正负样本特征:故障点/非故障点经纬度、台风中心经纬度、监测点至台风中心的距离、中心气压、风速、风向、7级风圈、10级风圈、移动速度、移动方向、台风网格风速、台风网格风向,根据提取的样本特征信息,通过数据清洗、预处理及特征量数据转换,排除非台风灾害导致的故障案例,台风灾害的故障线路还要进一步排除因漂浮物等非台风直接原因导致的故障案例,生成机器学习使用的训练样本数据.

1.2 风险预测模型训练算法

结合基于历史台风气象数据和电网设备故障历史数据所构建的训练样本特点,采用随机森林算法进行样本的训练学习并生成风险预测模型.针对电网中台风气象原因导致故障的小样本,随机森林算法具有比较好的抗过拟合能力和泛化能力,随机森林算法的分类流程如图2所示,其中:K为训练集和分类模型的编号;y为训练集中选取的特征个数.

图2

新窗口打开| 下载原图ZIP| 生成PPT

图2 随机森林分类算法过程

Fig.2 Process of random forest classification algorithm

随机森林算法将输电通道的台风故障风险预测作为二分类的机器学习任务,从所有特征样本中抽取一定比例的样本作为训练集进行模型的训练和参数调优.在输电通道台风天气故障风险预测场景中,由于故障点正样本明显少于非故障点负样本,正负样本数据集存在分类不均衡的问题,机器学习常用的准确率指标并不能全面反映模型预测能力.在极端情况下,机器学习模型将所有样本都预测为负样本也能获得很高的得分,因此在本研究中使用精确率和召回率两个指标来评判模型的成绩,如下式所示:

(1)

\{\begin{array}{l} η_{1} = \frac{TP}{TP + FP} \\ η_{2} = \frac{TP}{TP + FN} \end{array}

式中:η₁为精确率;η₂为召回率;TP为真故障点;FP为假故障点;FN为假非故障点.在对华东电网原始故障样本进行特征优化、集采训练的情况下,通过迭代调参优化,数据特征度训练成绩,初步模型的精确率和召回率指标均较低,其中,平均召回率指标仅为6.81%,精确率指标仅为32.67%, 须对已有的样本特征进一步提取优化.首先,梳理历史故障时刻的台风数据,针对风速、风圈半径等关键特征数据缺失的情况,采取多数据源查询、插值计算等方法进行补全,提高训练样本的完整性.进一步结合历史台风数据对故障样本进行仔细梳理、排除与台风天气没有明显关联的故障案例.针对原始样本中相互之间有关联关系的特征,通过特征组合的方式增加特征的维度,合理扩充机器学习的样本特征量.具体来说,根据7级风圈半径、监测点到台风中心的距离,以两者的比值作为组合特征,反映7级风圈对监测点的影响因素:比值小于1,说明监测点在7级风圈外;比值大于1,说明监测点在7级风圈内.根据台风中心经纬度、监测点经纬度及监测点杆塔线路的走向计算出台风风力与线路水平走向之间的夹角α,获得线路垂直方向风力因子s,进一步采用台风风速v与风力因子s相乘进行特征组合获得监测点处的垂直于线路走向的风力特征V_ps, 即V_ps = vs.

在优化后的样本集上进行模型训练,训练结果有了较大的提升,精确率指标由原先的32.67%提高到了94.61%,召回率指标则由6.81%提高到了53.41%,如图3所示.

图3

新窗口打开| 下载原图ZIP| 生成PPT

图3 华东全网数据特征强化训练模型

Fig.3 Intensified training model for data features of entire East China network

1.3 电网设备风险在线量化预警

在线预警数据集主要使用当前的实时台风预报与实测信息、线路位置等信息按照之前训练样本数据特征进行数据提取和特征处理,然后将生成的预测样本数据输入训练好的预测模型进行在线风险设备的预测与告警.对于待预测的线路扫描按线路杆塔分为逐个监测点(如:1条线路由杆塔 G₁~G₄组成,则将这些杆塔的中间位置e₂~e₄作为风险监测点),同时考虑两端厂站即A、B位置,将e₁和e₅一起组成1条线路的完整监测点,最终由每个监测点处的特征数据构成预测数据集,如图4所示.

图4

新窗口打开| 下载原图ZIP| 生成PPT

图4 待预测的线路监测点确定方法

Fig.4 Method for determining line monitoring points to be predicted

1.4 基于气象信息的N-m动态故障集生成

根据输变电设备气象环境风险量化评估给出的风险设备及风险等级等信息,根据风险类型采用不同的规则,生成用于在线安全分析使用的预想故障集.对故障集的量化评估按气象预报时间周期滚动进行,形成未来一个周期时段气象风险故障的预想故障集,综合考虑台风气象现象(强风、暴雨、冰雹等)影响的故障设备,形成风险设备N-m预想故障集.为在线安全分析提供实时下一时段各时间断面点(以15 min为间隔)的预想故障集.

2 故障预案在线智能生成

根据预测出的台风气象环境电网风险设备N-m故障集,通过选择电网实时或未来运行方式数据,对数据进行数据检查处理,自主选择或设置开展预案分析的故障集,采用时域仿真分析并进行故障后稳态判定以获取故障后的稳态潮流及稳态频率,提取故障后电网潮流方式及其影响;进一步针对设备/断面过载、频率越限等不安全问题,结合机组、容抗器、直流及负荷等调整措施的控制性能指标,筛选有效的控制措施,枚举组合成措施调整序列,求取控制代价最小且满足安全要求的故障后处置要点,最终在线形成故障预案.

2.1 初始化方式数据合格率检查

通过图形化交互操作选取电网状态估计实时或未来态断面数据作为特定方式/临时故障在线预案计算的初始运行方式数据,并开展数据检查,主要包括单个节点有功/无功平衡误差检查、全网节点有功/无功平衡检查、发电机机端电压合格率检查等,从严检查初始运行方式数据的可用性,明确数据可用时统计全网典型区域的发电及负荷水平,用于后续预案文件的初始运行方式说明.可由下式计算节点j的有功功率偏差ΔP_j(如100 MW)和无功功率ΔQ_j偏差(如100 MVar):

(2)ΔP_j=P_G_j-P_L_j-P_p_j

U_{j}^{2}

-∑_k_∈_ΩP_jk

(3) ΔQ_j=Q_G_j-Q_L_j-Q_v_j

U_{j}^{2}

-∑_k_∈_ΩQ_jk

式中:U_j为节点j电压幅值;P_G_j为节点j的发电机有功功率;Q_G_j为节点j的发电机无功功率;P_L_j为节点j的负荷有功功率;Q_L_j为节点j的负荷无功功率;P_p_j为节点j的并联导纳负荷的有功功率;Q_v_j为节点i的并联导纳负荷的无功功率;P_jk为设备j~k中由j侧流向k侧的有功功率值;Q_jk为设备j~k中由j侧流向k侧的无功功率值;Ω为与节点j直接相联的设备集合.

发电机机端的电压数据合格率(0.9 p.u.≤Δρ_i≤1.05 p.u.),可由下式计算:

(4)Δρ_i=

\frac{U_{G i}}{U_{Gba}}

式中:Δρ_i为机组i机端电压合格率;U_G_i为数据中给出机组i的机端电压;U_Gba为机组的基准电压值.检查初始运行方式数据的可用性后,进一步需将实时或未来态方式数据与电网智能调度技术支持系统建立的在线设备模型关联映射,统计数据中全网典型区域的发电及负荷水平,用于后续预案文件的初始运行方式说明.

2.2 准稳态时域仿真和潮流信息输出

结合初始运行方式数据、预案故障集,采用电力时域仿真技术开展故障预案的中长期仿真分析.其中,在计算过程计及机组一次调频特性,直流输电系统动态响应模型,无功电压控制及保护模型,灵活交流输电系统(FACTS)装置动态模型,第二、三道防线控制策略及风电,光伏新能源频率、电压保护定值等电力自动装置响应过程.

通过时域仿真技术获取故障后的稳态潮流信息,取时域仿真过程尾段时间t(如5 s内开展准稳态判别,在每个时间间隔Δt(1 s)内同时满足下式3个条件,则满足准稳态判别要求:

(5)Δε_G≥

|δ_{G i_\max} - δ_{G i_\min}|

=Δδ i=1, 2, …, S_G

(6)Δε_f≥

|f_{D i_\max} - f_{D i_\min}|

=Δf i=1, 2, …, S_D

(7)Δε_u≥

|U_{D i_\max} - U_{D i_\min}|

=ΔU i=1, 2, …, S_D

式中:δ_G_i_{_max}、δ_G_i_{_min}分别为机组i在Δt内功角的最大值、最小值;S_G为机组数目;Δδ为最大功角差;Δε_G为设定的机组功角波动幅度准稳态判断门槛值(如0.5);f_D_i_{_max}、f_D_i_{_min}分别为母线D在Δt内频率的最大值、最小值;S_D为母线数目;Δf为最大频率差;Δε_f为设定的频率波动幅度准稳态判断门槛值(如0.05 Hz);U_D_i_{_max}、U_D_i_{_min}分别为母线D在Δt内电压的最大值、最小值;ΔU为最大电压差;Δε_u为设定的电压波动幅度准稳态判断门槛值(如0.03 p.u.).

基于故障后的稳态潮流开展故障后的运行方式及其影响分析,通过计算故障后的电网设备潮流转移、安全裕度,确定故障后密切影响设备范围.设定潮流转移门槛、安全裕度门槛进行故障后影响信息输出.

2.3 安控动作和辅助决策信息输出

根据预想故障信息,从指定的电网运行方式中获取电网设备的潮流和可控设备状态,查找控制策略表,匹配运行方式,确定预想故障发生后装置应采取的控制措施及控制量,在故障时域仿真过程计及第二、三道防线策略,模拟实际电网自动装置动作过程,经过在线模拟输出的安控策略结果.

根据稳态安全稳定评估结果,针对存在设备潮流不安全情况通过调整发电机有功/无功出力、直流功率、负荷及容抗器等措施,分析处置措施性能指标.其中,设备过载/断面越限处置措施性能指标计算如下式所示:

(8)O_p_u=

\frac{\sum_{w = 1}^{w_{k}} \{[s_{p uw} (1 - η_{w})] / P_{cr w}\}}{w}

/C_p_u u=1, 2, …G_p

式中:O_p_u为第u个调整措施对于设备过载/断面越限的控制性能指标;w_k为故障发生后稳态设备过载/断面越限的薄弱设备数;s_p_uw为第u个可选措施稳态下对第w个设备/断面有功的灵敏度;η_w为稳态下第w个设备/断面的过载/越限裕度;P_cr_w稳态下中第w个设备/断面安全有功门槛值;G_p为设备过载/断面越限可控措施最大数;C_p_u为第u个可选措施单位功率的控制代价.

控制措施调整对于电压不安全(包含越上限和越下限)的控制性能指标计算公式如下:

(9)O_q_x=ω{

\frac{\sum_{y = 1}^{y_{k 1}} [s'_{q xy} (1 - η_{H y})] / U_{H y}}{y_{k 1}}

\frac{\sum_{y = 1}^{y_{k 2}} [s_{q xy} (1 - η_{L y})] / U_{L y}}{y_{k 2}}

} x=1, 2, …G_q

式中:O_q_x为其中第x个调整措施对于电压越限的控制性能指标;y_k1为故障发生后稳态下电压越下限的薄弱节点数;η_L_y为故障发生后稳态下中第y个薄弱节点的电压越下限裕度;s_q_xy为第x个无功调节措施对第y个薄弱节点电压的灵敏度;U_L_y为第y个节点稳态电压距下限安全门槛值;U_H_y为第y个节点稳态电压距上限安全门槛值;y_k2为故障发生后稳态下电压越上限的薄弱节点数;η_H_y为故障发生后稳态下中第y个节点的电压越上限裕度;s'_q_xy为第x个无功调节措施对第y个薄弱节点电压的灵敏度;G_q为电压不安全可控措施最大数;ω为电压控制方向调节因子,若第y个节点是投电容器或退电抗器,则ω取值为 -1,若第y个节点是退电容器或投电抗器,则ω取值为1.

控制措施调整对于频率安全(包含越上限和越下限)的控制性能指标计算公式如下:

(10)O_f_a=φ

[\frac{s'_{Lf a} (1 - η_{fH})}{f_{HM}} - \frac{s_{Lf a} (1 - η_{fL})}{f_{LM}}]

/C_g_a a=1, 2, …, G_f

式中:O_f_a为其中第a个调整措施对于频率越限的控制性能指标;s_L_a为a个可选措施对电网低频的控制灵敏度;η_fL为稳态频率越下限裕度;f_LM为频率下限控制门槛;f_HM为频率上限控制门槛;s'_Lf_a为第a个可选措施对电网高频的控制灵敏度;η_fH为稳态频率越上限裕度,G_f为频率安全可控措施最大数;C_g_a为第a个可选措施单位功率的控制代价;φ为频率控制方向调节因子.当频率越上限时,φ取值为1;当频率越下限时,φ取值为 -1.

对多类安全问题的综合决策(见图5),优先进行设备过载/断面越限有功调整优化决策,在此基础上进行母线电压越限无功调整优化决策,最后进行稳态频率越限辅助决策.在稳态频率越限辅助决策中,优先剔除与设备过载/断面越限调整方向互斥的可控措施,在剩余的可控措施空间中再进行稳态频率越限优化决策,并通过仿真校核确定是否引发新的设备过载/断面越限、母线电压越限问题,通过循环迭代的方法实现多类安全问题的综合协调决策.

图5

新窗口打开| 下载原图ZIP| 生成PPT

图5 在线故障预案生成流程

Fig.5 Online failure plan generation process

3 应用情况

3.1 气象风险量化预警应用

2021年“烟花”台风来袭期间,分别截取7月24日20:00、7月25日10:00、7月26日10:00的气象风险量化预警界面,如图6~8所示.由图6可以看出,7月24日20:00“烟花”尚在东海海域盘旋,离岸边较远,故障概率较高线路为洛晓5496线、洛春5495线等.同时,系统自动生成了相关网-省联合预案.

图6

新窗口打开| 下载原图ZIP| 生成PPT

图6 7月24日20:00外部气象风险预警界面

Fig.6 External weather risk warning interface at 20:00, July 24th

图7

新窗口打开| 下载原图ZIP| 生成PPT

图7 7月25日10:00外部气象风险预警界面

Fig.7 External weather risk warning interface at 10:00, July 25th

图8

新窗口打开| 下载原图ZIP| 生成PPT

图8 7月26日10:00外部气象风险预警界面

Fig.8 External weather risk warning interface at 10:00, July 26th

由图7可知,7月25日10:00“烟花”台风登陆前,“烟花”台风影响范围扩大,台风等级达13级,浙东南沿海地区均在风圈范围内.随着“烟花”台风中心的逐渐逼近舟山群岛,洛晓5496线、洛春5495线故障概率进一步提高,达到0.98,同时洛威5497线、洛远5498线故障概率也提升至0.96.

由图8可知,7月26日10:00“烟花”台风从浙江省平湖市沿海再次登陆.此时,台风等级已降至10级.从线路故障概率上来看,受影响较大线路为方翔5808线、方云5809线、汾翔5829线、汾云5830线等,均为嘉兴地区线路.且由于台风等级降低,相比于第一次登陆期间,线路故障跳闸概率也有所降低,降低至0.77~0.82不等.

3.2 N-m故障处置预案在线生成应用

以7月25日17:02预测数据为例,气象风险量化预警给出了风险预测数据,风险设备洛春5495线故障概率最高为0.98.经系统功能自动分析和处理,依据N-1故障概率门槛0.95、N-m故障概率门槛0.91、电气距离门槛15 Ω,群发了包含N-1、N-2、N-3、N-4的16个故障集.N-m故障处置预案在线生成系统根据生成的故障集,准确迅速生成对应的故障预案,结果如图9所示.所生成的故障预案具有全面和标准化的优势,及时做好电网薄弱环节的预警,有效提升电网安全运行底线.

图9

新窗口打开| 下载原图ZIP| 生成PPT

图9 气象风险故障集预案信息自动生成结果

Fig.9 Results of automatic generation of plan information of meteorological risk failure sets

4 结语

通过实际“烟花”台风登录过程的应用,验证了所提电网台风气象环境风险量化预警及其N-m故障处置预案的在线生成方法的有效性.本次“烟花”台风路径不确定性强、登陆地点频繁变更,在台风不断北移过程中,气象风险预警系统自动准确预警并滚动校核了浙南、浙中、浙北电网的台风气象承载能力,电网N-m故障预案在线生成方法根据气象承载能力,自动、准确地生成了故障预案,有效帮助华东电网调控中心与省市调控中心预控电网风险,健全完善了电网运行风险和薄弱环节防御体系,保障了大电网安全稳定运行,为经济社会发展提供了安全可靠的电力保障.

参考文献

原文顺序

文献年度倒序

文中引用次数倒序

被引期刊影响因子

[1]

肖杭, 张秀彬.

基于分层模型与本体映射的异构电力信息系统集成

[J]. 上海交通大学学报, 2009, 43(8): 1238-1242.