智能电网拓扑安全研究现状.docxVIP

智能电网拓扑安全研究现状 智能电网在进行调度控制时，通常被分为多个子区域，对子区域进行“分而治之”，可以有效降低电网状态分析及调度策略制定的复杂度。通常电网子区域划分依据工作人员的经验或者所属地域，但这类方法无法适应电网愈发多变的运行状态。在电网发生故障后，难以及时排除故障，故障极有可能逐步蔓延，造成电网瘫痪，从而造成严重的社会及经济问题。为了预防电网连锁故障的发生，对电力系统的关键节点进行准确识别并加以保护对电网安全稳定有非常重要的意义。 Bazgan等人将加权图与网络建模结合，采取关键节点识别策略寻找易令电网失效的子图。Wehmuth等人在研究中提出完全分布式的网络分布方式，可在寻找核心节点的同时展现网络的健壮性。Wang等人在其研究中提出了一种新的电力中心化的标准，用其来衡量节点的重要性，并提出级联失效的脆弱性度量方法，目的是识别核心组件，借助能够识别的组件来对智能电网的损坏程度加以估计。谭玉东等人改善了经典网络模型，在累加原理的基础上研究电网特征参数，结合电网节点间的电气距离重新定义了电网耦合连接度，对存在于智能电网中的关键节点，能够借助复杂网络特性辨识度模型完成基本的识别。刘威等人从熵理论角度出发，依据随机矩阵理论，对电压和相角统计数据完成理论分析，并在与电网特征对比之后创建识别薄弱节点的模型，最后通过实验仿真检验了该方法的可用性。然而在实际生活中，故障的发生并不总来自于关键节点，由于电网内部联系紧密，往往一个小故障处理不及时就可能造成大停电事故，因此如何为电网节点进行更合理的分区成为了电网拓扑保护的一个研究热点。 电力系统是人为构建的一种复杂网络，体现出典型的复杂网络特性，比如网络规模庞大，节点数目众多，节点间连线交互密集等。Watts等于1998年在他们的研究中发现小世界效应存在于美国电力网络中，易俊等人也证明了我国华北、东北电网同样具备复杂网络特性。自此之后，在世界范围内，很多研究人员证实了多区域电网中的这一特性。当前研究复杂网络的热点之一就是社团结构的挖掘，网络的社团结构是指一类具有高耦合性低连接度的节点。社团挖掘的算法可分为层次聚类算法、图分割算法和标签传播算法等。层次聚类算法包括划分的算法和凝聚算法，如 GN 算法是典型的划分算法。KL算法是典型的图分割算法，该算法在网络中设定试探函数Q，计算完成准社团中内部边与社团间边的差值后，寻找最大的差值划分算法。在变换完所有的节点后，该网络中理想的社团结构是与 Q 值相对应的最大社团结构。标签传播算法是在信息传播的基础上，认定社团内部节点信息交流量高于社团之间的节点。初始时，网络中的每个节点都有自己唯一的标签，随着网络迭代，节点的标签逐步更新为其邻居节点最多的标签。当前网络中的节点编号若是不再出现迭代变化，意味着迭代过程结束。这样具有相同标号的节点组成一个社团，社团的数目等于当前网络中标号的种类数。 在电力网络中，吴茜等以不同类型节点之间的电气距离为依据，运用改进GN算法实现网络划分。郑吉祥等人根据电网黑启动并行恢复分区的技术对GN算法进行适应性改良，将线路进行加权处理，利用 GN 算法实现社团发现。然而，该方法不仅无法确定最优社团数量，而且不适用于大规模电力网络。罗钢等人为了实现电网的解列断面辨识，以局部拓展 LCM(Least Common Multiple)函数为基础，改进局部函数，从而完成电网聚类。和敬涵等在对标签传播算法适应性改良后，实现电网子区域划分。