【技術實現步驟摘要】
本申請涉及電力系統故障風險診斷，具體公開了一種電力系統故障風險診斷方法及系統。
技術介紹
1、隨著全球氣候變化的加劇，自然災害頻發，給電力系統帶來頻繁的停電事故和嚴重的經濟損失。通過診斷電力系統在自然災害下的故障風險，評估其在極端事件中的抗災性能以實現減少故障損失的方式，來提前預警，成為了提升電力系統在極端自然災害下的抗災能力和減少電力系統停電事故的發生的常用手段。
2、而通過人工智能技術的發展，深度學習和強化學習為極端風險建模帶來了新的突破。深度學習和強化學習能對存在多種高度的非線性關系復雜因素、且缺乏完備物理模型的電力系統的風險評估提供一種數據驅動的有效方法。
3、但是，現有的基于深度學習和強化學習所建立的風險診斷模型在多場景適用性方面存在局限性，尤其在極端天氣情境下，通常僅依賴歷史數據擬合氣象強度，而不能進行自主的對不同災害情境的通用精確數學建模，難以全面反映災害對電力系統的多重影響。
4、本專利技術提供了一種電力系統故障風險診斷方法及系統，以便解決上述問題。
技術實現思路
1、本專利技術的目的在于解決傳統的風險診斷模型，存在缺乏對不同災害情境的通用精確數學建模，難以全面反映災害對電力系統的多重影響的問題。
2、為了達到上述目的，本專利技術的基礎方案提供一種電力系統故障風險診斷方法，包括如下步驟：
3、步驟s1：實時采集多源數據并進行預處理，獲得系統故障發生時段災害數據信息集，包括氣象數據信息、設備監測數據，構建得到
4、步驟s2：根據受災前及受災后的系統電網拓撲圖識別節點與線路狀態變化，得到各個節點狀態和各個線路狀態，并對各節點狀態與線路邊屬性進行標注處理得到標注結果，獲得標注結果集，并將其劃分為標注結果訓練集和標注結果測試集；
5、步驟s3：構建時空動態模型，基于標注結果訓練集對時空動態模型進行訓練，并基于標準結果測試集對訓練好的時空動態模型進行測試，測試合格后保存為新的時空動態模型；
6、步驟s4：基于步驟s3所獲得的新的時空動態模型，將系統運行的各個節點狀態和各個線路當前時刻的狀態，以各節點的狀態向量作為輸入，對下一時刻的系統故障進行多維度分析；
7、步驟s41：基于步驟s1中所采集到的系統故障發生時段災害數據信息集，以各節點的故障概率為結果，構建節點故障風險計算模型；
8、步驟s42：基于步驟s41中的節點故障風險計算模型，以各線路故障概率為結果，構建線路故障風險計算模型；
9、步驟s5：基于步驟s41所建立的節點故障風險計算模型，計算節點對災害因子的敏感度，獲得綜合敏感度因子；
10、步驟s6：設立災害預警敏感因子，當綜合敏感度因子的大小超過災害預警敏感因子時，基于節點故障風險計算模型、線路故障風險計算模型及氣象信息系統對下一時刻的氣象災害預測信息，對電力系統故障風險量化指標進行計算獲得系統故障概率，并根據系統故障概率的大小對系統管理人員進行風險反饋預警以及故障大小。
11、進一步，所述步驟s2的實施包括如下具體步驟：
12、步驟s21：通過受災前后的電網拓撲圖提取線路和節點的受災情況，并對節點與線路狀態變化進行識別，得到各個節點狀態和各個線路狀態的結果；
13、步驟s211：計算受災前的鄰接矩陣與受災后的鄰接矩陣之間的差異，識別線路狀態變化，并對其狀態進行分析提取；
14、步驟s212：計算受災前節點狀態向量和受災后節點狀態向量，識別節點狀態變化，并對其狀態進行分析提取；
15、步驟s213：通過節點狀態變化的相關性計算獲得節點之間的依賴強度；
16、步驟s22：根據所得結果對各節點狀態與線路邊屬性進行標注處理，得到標注結果；
17、步驟s221：根據節點狀態分析判別結果，對各節點狀態進行標注；
18、步驟s222：根據線路狀態分析判別結果，對各線路狀態進行標注；
19、步驟s23：基于步驟s221和步驟s222的標注結果得到標注結果集，并將其劃分為標注結果訓練集和標注結果測試集進行保存。
20、進一步，所述步驟s3的實施包括如下具體步驟：
21、步驟s31：搭建sdm-gnn的網絡機構，生成模型結構編程得到時空動態模型；
22、步驟s32：建立基于時序的狀態轉移函數；
23、步驟s33：進行空間特征提取來學習拓撲結構中的節點狀態變化關系；
24、步驟s34：進行時間特征提取，用時間序列模型捕捉節點隨時間的狀態演化；
25、步驟s35：進行融合特征更新，將空間特征和時間特征有效結合，以捕捉時空動態信息；
26、步驟s36：基于步驟s2所得到的標注結果集，通過訓練集進行時空動態模型訓練，根據迭代結果與實際值之間的節點狀態誤差預測節點狀態預測誤差，并更新模型權重，直到達到節點狀態預測誤差值最小時，結束循環訓練，并基于標準結果測試集對訓練好的時空動態模型進行測試，測試合格后并保存為新的時空動態模型。
27、進一步，在步驟s4的實施過程中，在對系統故障進行多維度分析后，包括診斷得出的單節點故障、多節點同時故障、單線路故障、多線路故障和節點與線路組合故障。
28、進一步，在步驟s41的實施過程中，基于節點故障風險計算模型進行節點受損概率的計算過程包括如下步驟：
29、步驟s411：基于氣象數據信息以及災害數據信息，獲得特征參數：災害強度、影響范圍和持續時間，對于特征參數進行標準化；
30、驟s412：進行對特征參數的統計分析，構建各類災害的典型特征分布函數；
31、步驟s413：基于各類災害的典型特征分布函數，構建災害特征的聯合分布函數；
32、步驟s414：建立基于災害特征的聯合分布函數融合元件隨時間演變的綜合受損模型，計算并求得節點的綜合受損概率。
33、進一步，在步驟s414的實施過程中，在進行計算節點的受損概率時，向受損概率引入有時間影響因子，以描述節點脆弱性隨時間演變對受損概率的影響，并結合災害強度、影響范圍、持續時間、時間和節點老化影響構建針對節點的綜合受損模型以求得節點的綜合受損概率。
34、進一步，在步驟s42的實施過程中，基于線路故障風險計算模型進行對各線路受損概率的計算，包括對單線路不連鎖傳播的故障概率、以及對多線路連鎖傳播路徑的故障概率的計算。
35、進一步，在進行步驟s6的實施過程中，電力系統故障風險量化指標的計算包括如下步驟：
36、步驟s61：計算并求得單節點故障概率，基于單節點故障概率計算并求得多節點同時故障概率；
37、步驟s62：計算并求得單線路故障改路，基于單線路故障概率計算并求得多線路故障概率；
38、步驟s63：基于多節點同時故障概率和本文檔來自技高網...
【技術保護點】
1.一種電力系統故障風險診斷方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種電力系統故障風險診斷方法，其特征在于，所述步驟S2的實施包括如下具體步驟：
3.根據權利要求2所述的一種電力系統故障風險診斷方法，其特征在于，所述步驟S3的實施包括如下具體步驟：
4.根據權利要求1所述的一種電力系統故障風險診斷方法，其特征在于，在步驟S4的實施過程中，在對系統故障進行多維度分析后，包括診斷得出的單節點故障、多節點同時故障、單線路故障、多線路故障和節點與線路組合故障。
5.根據權利要求4所述的一種電力系統故障風險診斷方法，其特征在于，在步驟S41的實施過程中，基于節點故障風險計算模型進行節點受損概率的計算過程包括如下步驟：
6.根據權利要求5所述的一種電力系統故障風險診斷方法，其特征在于，在步驟S414的實施過程中，在進行計算節點的受損概率時，向受損概率引入有時間影響因子，以描述節點脆弱性隨時間演變對受損概率的影響，并結合災害強度、影響范圍、持續時間、時間和節點老化影響構建針對節點的綜合受損模型以求得節點的綜合受損概
7.根據權利要求6所述的一種電力系統故障風險診斷方法，其特征在于，在步驟S42的實施過程中，基于線路故障風險計算模型進行對各線路受損概率的計算，包括對單線路不連鎖傳播的故障概率、以及對多線路連鎖傳播路徑的故障概率的計算。
8.根據權利要求7所述的一種電力系統故障風險診斷方法，其特征在于，在進行步驟S6的實施過程中，電力系統故障風險量化指標的計算包括如下步驟：
9.根據權利要求8所述的一種電力系統故障風險診斷方法，其特征在于，在進行步驟S6的實施過程中，建立有兩個根據歷史數據和專家經驗進行調整的風險分類閾值，分別為風險分類閾值一和風險分類閾值二，其中，風險分類閾值一大于風險分類閾值二；
10.一種電力系統故障風險診斷系統，用于實現如權利要求1至9任一項所述的一種電力系統故障風險診斷方法，其特征在于，包括：
...【技術特征摘要】
1.一種電力系統故障風險診斷方法，其特征在于，包括如下步驟：
2.根據權利要求1所述的一種電力系統故障風險診斷方法，其特征在于，所述步驟s2的實施包括如下具體步驟：
3.根據權利要求2所述的一種電力系統故障風險診斷方法，其特征在于，所述步驟s3的實施包括如下具體步驟：
4.根據權利要求1所述的一種電力系統故障風險診斷方法，其特征在于，在步驟s4的實施過程中，在對系統故障進行多維度分析后，包括診斷得出的單節點故障、多節點同時故障、單線路故障、多線路故障和節點與線路組合故障。
5.根據權利要求4所述的一種電力系統故障風險診斷方法，其特征在于，在步驟s41的實施過程中，基于節點故障風險計算模型進行節點受損概率的計算過程包括如下步驟：
6.根據權利要求5所述的一種電力系統故障風險診斷方法，其特征在于，在步驟s414的實施過程中，在進行計算節點的受損概率時，向受損概率引入有時間影響因子，以描述節點脆弱性隨時間演變對受損...
還沒有人留言評論。發表了對其他瀏覽者有用的留言會獲得科技券。