极端天气下电网故障预警及风险评估模型

2022-12-01黄红伟薛艳军

机械与电子 2022年11期

张颖，黄红伟，薛艳军

(1.国网陕西省电力公司，陕西西安 710048；2.北京清大科越股份有限公司，北京 100102)

0 引言

电力网络受到极端天气以及自然灾害事件的影响十分严重，需要提升电网韧性。针对极端天气事件对网络的影响进行建模分析，以提升电网可靠性为根本，对重点电力设备元件、电力网络节点进行稳定性提升，同时需要结合电力系统潮流分布确定在极端天气影响下的系统稳定性。为此，本文对极端天气下的电网故障预警及风险评估进行建模分析。

在已有研究中，文献[1]提出了电力系统受极端天气的影响分析及其适应策略；文献[2]提出了考虑故障连锁的多灾害输电网弹性评估及关键弹性提升元件辨识；文献[3]提出了极端天气下含移动储能车的海岛微电网应急能量管理方法；文献[4]分析了极端天气下智能配电网的弹性评估方法；文献[5]提出了极端天气下基于泛在物联网的配电系统紧急控制策略。但上述文献提出的可靠性分析并未结合系统潮流分布，而在某节点故障后的网络潮流发生改变会引起全网故障。因此，本文结合潮流分布对极端天气下的网络可靠性进行分析。

综上所述，本文针对极大风和雷电2种极端天气进行分析，建立了计及网络潮流的故障模型、可靠性评估模型，分析了极端气象对系统的影响，并利用仿真分析验证了本文模型的有效性。

1 极端气象环境对电力系统影响分析

1.1 对发电侧的影响

气象条件对于电力系统发电侧的影响主要体现在风电和光伏太阳能等高度依赖外界自然环境发电的设备，通过对于历史数据、实时气象数据和环境影响因素的分析可以判断气象因素对于发电量的影响。在大多数风电预测模型中，主要需要与电力系统的运行成本和环境影响温度等相关联。另外，在气象环境条件的耦合作用研究过程中，也需要同时考虑局部气象量测以及不同风电场、光伏电站之间的空间关联导致的气象相关性。而传统发电机组主要受到温度、压力和降水等因素的影响，从而影响机组的实际可用容量以及发电效率。一般需要利用卡诺模型研究发电机在温度影响条件下的发电效率[6]。

1.2 对用户负荷的影响

电力负荷主要受到时间、季节和用户行为的影响，而用电行为又受到气象条件湿度、温度和降水的关联，在极端气象条件下，用户的用电负荷具有突变的特性，因此在用户负荷行为的分析和用户负荷特性预测方面需要依靠气象条件等历史数据进行学习。一般需要利用数据驱动方法进行负荷预测[7]。针对极高温和极低温等气象条件，也需要分析历史数据在时间尺度方面的影响，从而确定负荷需求在不同时间段的概率分布以及针对各种气象变量的灵敏度。

1.3 对设备寿命的影响

大部分电网电力设备的运行年限按照50年为标准进行设计，因此，电力变压器、断路器和架空线路等的运行寿命均与气象条件有关。在沙尘暴、极端降雨和高温高热天气的影响因素作用下，电力设备在正常运行环境下的相应参数会发生改变，这些突然的改变会影响设备的运行稳定性以及可靠性，给电力系统的运行带来一定恶劣的影响。

a.在日常运行状况下，由于电力变压器的长期老化，其剩余时间随着气象条件逐渐变化，而在极端条件下，这种变化会更加剧烈，会导致变压器内的变压器油、硅钢片发生性质改变，不仅会对相应的电池关系造成影响，还会对周围环境造成一定影响。目前，需要利用相应的人工神经网络进行机器学习从而判断电力变压器在极端条件下的性能变化机理。

b.输电线路相比其他电力设备更易受到气象条件以及极端情况的影响。受到导线舞动和覆冰等引起的导线拉力剧烈变化、绝缘配合水平下降会增加输电线路发生故障的可能性。尤其是按照最大风速进行设计的输电线路杆塔以及线路不能够完全抵御突发气象条件的影响，造成断线和短路放电等情况，从而影响系统的稳定运行，如在大风条件下，杆塔的基础稳定性以及杆塔的结构稳定性是影响杆塔以及线路能够承担最大风荷载的重要因素。因此，在极端条件下，需要确定其对最大输送容量、线路和转移容量、线路潮流、状态估计以及其他线路参数的影响。

输电线路故障率，不仅与其寿命、自身健康状况和天气状态等因素有关，还与线路负载率相关。当输电线路负载率较高时，其故障概率也随之上升。因此，从运行可靠性理论出发，考虑系统运行状态对线路故障率的影响，建立基于潮流变化的支路故障概率模型[8]为

P(l)=

(1)

1.4 对电力市场的影响

气象条件也影响着电力市场交易，受到气象因素的影响，交易时段的成交电量会有一定波动，同时考虑到电力市场模型的作用，发电和负荷预测的波动也会增加市场模型的不确定性，因此，在利用含有安全约束机组组合模型进行电力市场交易判断的同时需要考虑气象因素的影响。在极端气象条件下，交易电量的波动与以往的正常波动不同，尤其是针对受到气象条件影响较为严重的光伏和风电等电量的成交水平会发生明显变化。因此，有必要针对这类状态发生改变的概率进行研究分析。可以通过点估计、蒙特卡罗模拟来分析输入数据和输出数据在不同气象条件波动下的影响效果。

2 极端天气条件下电网故障评估模型

电力系统可以利用图G来表示，其中，i为节点，(i，j)为节点i和j之间的线路。NL为负荷数，Nl为线路数，Ng为机组数。最优潮流方法用于求解网络潮流最优分布，进而确定机组调度。在这种方法中，负荷可以根据实际情况进行削减。但在实际操作中，成本较高，仅当不能够获得系统最小成本时才使用这种方法，如负荷需求超过机组容量或超过架空输电线路的热极限，数学表示为

F=minf(Pg,PC)

(2)

Pg为机组出力；PC为负荷削减。

2.1 电网韧性指标

期望缺供电量是通常衡量电力系统在给定时间内因发电容量短缺或电网约束造成负荷需求削减的期望数。通常被用作可靠性指标，本文利用这一指标体现电网韧性，其表达式为

(3)

Di为节点i的期望缺供电量；Ns为削减负荷节点数。

2.2 气象条件与故障率

在本文中，气象条件可触发电网故障。网络状态因此受到相应一般气象条件的故障模式以及极端气象条件故障模式的组合的影响。一般气象条件模型代表与气象条件相关性不是很大的事件，包括自然老化和设备故障等。极端气象条件故障描述在极端气象条件下，有绝缘介质击穿、风速过大导致设备损坏等情况。高速风暴以及雷暴等是主要研究的极端气象条件。在一般气象条件下，故障出现的随机概率利用HPP分布，即

(4)

λn为正常气象条件下线路故障率；k为第k个故障；Nf(t)为时间t内每公里线路故障次数。

极端气象条件包括极大风和雷暴等不确定因素影响，在气象条件改变以及固有特性发生改变时会出现。通常，这类气象事件主要发生在1年内的某个时段。而极端气象条件的发生利用NHPP模型，即

(5)

Ve(t)为极端气象事件的时间独立出现率，即

(6)

ve(t′)为极端气象事件的时变发生率。

一旦极端气象事件发生，其强度和持续时间需要利用与历史数据较为契合的特性进行表示，通过选择合适的概率分布函数可以实现这一目标。风暴强度表达式为

Ww(t)=Wc(t)+Δw(t)

(7)

Ww(t)为在该气象条件下时间t内风速的强度；Wc(t)为关键风速；Δw(t)为关键风速随机阈值。

雷电强度利用地闪密度进行表示，是在一定时间单位内和面积上地面落雷次数。地闪密度的变化服从对数分布，其参数与历史特性有关。

风速的水平可以直接或间接的影响设备的稳定性，而雷电活动可以直接影响设备的绝缘水平。考虑到架空输电线路主要的机械特性和电学特性，假设总的故障率为

λ(t)=λn+λw(Ww(t))+λlg(Ng(t))

(8)

λw为风速在时间t内对单位长度线路总故障率的贡献水平；λlg为雷电活动的贡献率。同时，需要考虑到设备一同遭受雷电和大风天气的影响。受到雷电和大风天气的影响下线路的故障率表达式为：

(9)

λl(Ng(t))=λnβlNg(t)

(10)

2.3 设备修复概率

在极端气象条件下，设备发生故障后的修复会出现一定延迟，这是考虑到在所有信息通讯中断或发生受阻情况下导致的。本文假设故障抢修人员可及时到达故障点进行抢修任务，故障线路修复后网络可达到正常运行水平，并且故障时间与修复时间相比极短可忽略不计。显然，如果故障抢修人员在极端条件下进行故障抢修所需要修复时间会更久。另外，如果大风或雷电气象事件发生，平均修复速度也会根据气象条件的强度进行变化。修复速度表达式为

vr=

(11)

ψ和η为正参数；vn、Wcr分别为额定风速、关键风速参数。本文中，抢修过程中的线路不会再发生其他类型故障。

2.4 负荷需求概率

负荷需求随着时间和空间尺度变化，并且是时空二维特性相关联的物理量，负荷的随机模型可用来解释时间相关性。本文主要考虑平均负荷水平的变动，并且忽略季节和节假日的影响。节点i的总负荷在时间t可以利用正态分布进行表示，分布的参数取决于历史数据，即

(12)

μ为均值；σ为标准差；θ为分布函数参数。

3 可靠性评估模型

电力网络可靠性评估的传统方法是概率模型。该模型需要大量经验信息来确定相应参数的概率分布，在极端天气条件的情况下并不适用，因为参数的不确定性和随机性模型，在这种气象条件下的精确度不够。贝叶斯方法和集合论方法是处理这种具有较强不确定性模型的主要方法。贝叶斯模型基于概率理论，利用概率分布描述未知条件下的事件。集合论模型是利用基于集合描述的模型，对不确定间隔、随机集合或者模糊集合进行建模。利用相应的间隔实现对变量上下阈值的判断，模糊集合用于同时分析不同界限的集合。因此，在上下边界不清时主要利用这种方法。本文利用Credal集合对不确定参数进行概率分析。

3.1 Credal集合

Credal集合C定义为概率分布函数的集合，超参数p定义为联合概率密度分布，并且在集合中给定相应的区间。Credal集合定义为

C={HD(η;p)|p-

(13)

η为随机变量；p为超参数。

3.2 广义不确定模型期望

当确定了概率模型输入，便可确定输出，即概率分布和期望。期望定义为

(14)

当不确定因素影响模型时，期望变为

(15)

3.3 基于ANN的潮流计算

利用期望供缺电量进行可靠性估计需要大量仿真，也就是说，需要在模拟时间T内进行多次仿真并且求解多次最优潮流，每次潮流都假设1种故障。通常来说，需要求解最优潮流的时间与网络结构较为密切。通常可以利用相应的并行求解策略缩短求解时间。但是，优化问题无法线性化的同时需要利用多次求解，这种情况较为耗时。为解决这一问题，利用人工神经网络训练机制模拟电力系统潮流求解。人工神经网络包括输入层、隐藏层和输出层。其中，隐藏层可以是1个或者多个。每层都包括若干人工神经元，也称之为节点，与邻近层的神经元通过加权关系进行链接。在每个神经元中，首先对输入进行加权，再进行求和。