基于历史故障记录数据的电网连锁故障规模概率分布研究
基于大数据的电网故障预测研究
基于大数据的电网故障预测研究近年来，随着电力行业的不断发展，电网故障问题也受到了越来越多的关注。
电网故障不仅会对生产和生活带来不良影响，还会对社会造成重大损失。
因此，如何提高电网故障的预测能力，成为电力行业研究的热点之一。
随着信息技术的不断发展，大数据成为预测电网故障的可行方案，电力企业开始采用基于大数据的电网故障预测模型，以提高预测精度和效率。
本文将探讨基于大数据的电网故障预测研究。
一、基本概念大数据指的是规模庞大、复杂度高、数据类型繁多的数据集合。
对于电力行业而言，大数据包括各种实时数据、月度、季度和年度数据，涉及机组运行状态、负荷、电网特性、天气、市场价格等多种方面。
这些数据不仅对电力企业的经营决策、行业政策制定、能源安全保障等方面产生影响，还可以用于电网故障预测和维护。
电网故障是指在电力系统运行过程中，由于各种原因导致电力系统发生不正常运行的情况。
电网故障可以分为短路故障、接地故障、断路故障、过电压故障、低电压故障等多种类型。
电网故障的发生不仅会导致停电事故，还会对电网设备造成损害，增加设备维护和修理的成本，甚至还会对周边环境造成影响。
二、基于大数据的电网故障预测模型的构建基于大数据的电网故障预测模型主要包括数据采集和处理、特征提取、模型构建等环节。
1. 数据采集和处理首先需要收集电力行业内的各种数据，包括历史数据、实时数据和预测数据等，这些数据来自电力设备、天气、市场、用户使用情况等多个领域。
以历史数据为例，其主要包括电力系统中所有设备的运行状况、用电负荷、市场价格、天气等信息。
数据的采集有多种方式，如传感器、数采系统、监控设备等，可以通过物联网技术实现数据自动化采集。
对于采集到的数据，需要进行清洗和预处理。
清洗是指将不合规范的数据删除或进行修正，排除干扰因素，保证数据的准确性和可靠性。
预处理是指将数据进行预处理，如特征选择、归一化等，以便于后续建模和分析。
2. 特征提取特征提取是指从原始数据中提取有用但不等同于原始数据的特征，以便于后续的建模和分析。
基于大数据分析的电力系统故障分析研究
基于大数据分析的电力系统故障分析研究电力系统是现代社会不可或缺的基础设施，它为人们提供了电能供应，支撑了社会经济的发展。
在电力系统运行的过程中，时常会发生故障，给人们生活和生产带来不便和损失。
对电力系统故障进行准确快速的分析，可以帮助及时排除故障，维护系统的稳定运行。
传统的电力系统故障分析方法主要依靠人工经验和专家知识，这种分析方法效率低下、容易出错。
而随着大数据技术的快速发展，利用大数据分析方法来进行电力系统故障分析变得更加可行和有效。
大数据分析技术可以快速处理庞大的电力系统运行数据，通过对数据进行挖掘和分析，找出故障的原因和规律，从而改进电力系统运行策略和提高故障预测的准确性。
大数据分析可以通过收集和整理电力系统的运行数据，建立完整、准确的故障数据库。
通过对历史故障数据的分析，可以发现故障的共性和趋势，为故障分析提供有力的支持。
大数据分析可以将电力系统的运行数据与其他相关数据进行关联分析，例如天气、供需关系等，从而找到故障发生的潜在原因。
大数据分析可以通过对电力系统故障数据进行模式识别和异常检测，及时发现和诊断故障。
利用机器学习和人工智能算法，可以对大量的电力系统数据进行训练和学习，建立故障预测模型。
通过对实时数据的监测和分析，可以预测故障的发生，及时采取措施，避免故障的扩大和影响。
大数据分析可以帮助电力系统进行故障原因分析和故障树分析。
通过对电力系统故障数据的挖掘和分析，可以找出故障的主要原因和关键环节，进而改进系统的设计和运维策略，提高系统的可靠性和稳定性。
通过对故障数据的交叉分析和综合评价，可以建立电力系统的故障树模型，从而对故障进行深入的分析和评估。
基于历史故障记录数据的电网连锁故障规模概率分布研究
Power System Protection and Control
电力系统保护与控制
Vol.42 No.7 Apr.1, 2014
基于历史故障记录数据的电网连锁故障规模概率分布研究
任 惠 1，熊 吉 1，David Watts2，陈 曦 3
(1.华北电力大学电气与电子工程学院，河北 保定 071003；2.Pontificia Universidad Catolica de Chile, PUC, Vicuna Mackena 4860, Macul, Santiago, Chile；3.西安理工大学水电学院，陕西 西安 710048) 摘要：连锁故障规模的概率分布描述了电网连锁故障的传播特点，是衡量电网发生大规模停电故障概率的有效方法之一。针 对历史故障统计数据进行计算，是传统电力系统可靠性评估方法之一。将其与分支过程模型结合，用于区域电网的连锁故障 分析。采用某区域电网 14 年历史故障数据为样本数据，针对多种概率模型进行比较分析，提出采用波雷-坦尔分支过程模型 计算该区域电网连锁故障规模的概率分布，并采用误差分析研究了波雷-坦尔模型应用于实际电网风险管理的有效性和可能 性。结果表明，波雷-坦尔模型能够很好地估计线路故障规模的概率分布。在相同置信度要求下，基于波雷-坦尔模型估计故 障概率分布所需样本数据比直接根据实际故障数据计算所得概率分布所需样本数据降低一个数量级。 关键词：连锁故障； 分支过程； 波雷-坦尔； 误差析； 概率分布； 历史故障记录数据
- 24 -
电力系统保护与控制
着眼于： 1） 从宏观的角度研究连锁故障的特点及演 化[4-7]；2）连锁故障干预，研究某一类扰动在连锁 故障演化过程中的作用或识别故障链[8-12]；3）对传 统风险管理方法进行补充，采用概率模型，基于仿 真数据和实际故障记录数据，估计连锁故障停电规 模的概率分布[10-14]。例如，文献[4-6]从自组织临界 角度研究连锁故障的动力学成因，针对连锁故障的 幂律特性进行了验证；文献[7]基于我国电网重大停 电事故的统计资料，研究了我国各大电网发生连锁 故障的特征。 文献[8-10]从电力系统脆弱性评估角度 研究影响电网安全的关键区域和薄弱环节，为连锁 故障的预防和控制提供依据。文献[11]基于继电保 护隐性故障模型和电力系统风险理论，提出了连锁 故障产生和评估的方法。文献[12]通过分析影响连 锁故障过程的因素，确定不同因素组合下的连锁故 障关联度函数并用于连锁故障发展方向的实时预 测。文献[13-14]采用集群模型，分别基于实际电网 历史故障记录数据和仿真数据，采用概率方法估计 连锁故障的概率分布以用于风险管理。文献[15]提 出了基于分支过程理论的波雷坦尔模型对电网进行 连锁故障分析， 通过和实际故障数据拟合比较,验证 了这种方法的有效性。 文献[16]将文献[15]中不变的 分支系数用变化的分支系数代替，给出了改进分支 过程模型的连锁故障风险分析方法。上述研究均获 得了有益的研究成果。 对连锁故障进行分析和风险评估需要确定停 电规模的概率分布。由上述研究模型估计的大停电 事故规模的概率分布都存在不能由独立故障产生的 幂率区域，这个结果与一些国家和地区的历史故障 统计数据观察所得结论相一致。针对历史故障统计 数据进行计算，一直是传统电力系统可靠性评估的 重要组成部分。 然而统计计算需要大量的样本数据， 尤其是计算停电规模的概率分布，则必须使用多年 的历史故障数据，限制了其在年度风险管理方面的 应用。 不同电网在拓扑结构、电网规模、装机容量、 内在关联度、 负荷水平以及其他一些物理/技术特征 等方面存在很大区别。同样，不同电网间电力系统 或电力市场的规划和运行也有所不同，尤其是国家 与国家之间，运行机制不同。不同来源的故障记录 数据，反映了不同系统的充裕性和安全性，其分析 显示各电网的可靠性特征，既有不同，又都显示出 相似的故障规模概率分布特征 [7,13,15-16]。不同的电 网，适用的概率方法有可能不尽相同。 本文拟在文献[15]基础上，通过对某区域南网 14 年的历史故障统计数据进行分析， 比较两种分支
基于量化分析的电网连锁故障事故链识别方法
基于量化分析的电网连锁故障事故链识别方法电网连锁故障是指一起故障引发了其他故障的连锁反应，导致整个电网系统发生大面积事故。
连锁故障不仅给电网系统带来严重的安全风险，也给人们的生活和生产带来了极大的不便。
研究电网连锁故障事故链识别方法对于确保电网安全运行具有重要意义。
传统的电网连锁故障事故链识别方法主要是基于经验和专家判断，缺乏定量分析和科学依据。
由于电网系统是一个高度复杂的动态网络系统，很难准确预测和识别连锁故障事故链的发生。
基于量化分析的电网连锁故障事故链识别方法具有重要的研究价值。
第一步，建立电网系统模型。
将电网系统分为多个区域，每个区域包括多个节点和多个支路。
利用数字仿真和网络拓扑分析方法，建立电网系统的动态模型，考虑到节点之间的相互关系和支路之间的传输特性。
第二步，识别起始故障。
通过监测电网系统中的各节点和支路的状态参数，例如电压、电流和频率等指标，可以实时获得电网系统的工作状态。
当某个节点或支路的状态发生异常时，可以判定为起始故障。
第三步，分析故障扩散路径。
根据电网系统的动态模型和状态参数数据，利用网络分析方法计算起始故障扩散到其他节点和支路的路径和传输特性。
通过分析节点之间的连接关系和电力传输的效率，可以确定故障发展的路径和方向。
第四步，评估故障传播风险。
通过量化分析节点和支路的状态参数，计算故障传播的概率和风险。
将电网系统的各种故障模式和概率统计数据结合起来，综合评估不同故障扩散路径的风险程度和影响范围。
第五步，识别故障爆发点。
通过综合评估故障传播风险，找出最可能成为故障爆发点的节点和支路。
利用统计分析和机器学习方法，识别故障事故链中的关键节点和故障扩散路径。
基于量化分析的电网连锁故障事故链识别方法可以从数学和物理的角度对电网系统进行全面的分析和评估。
通过建立电网系统的动态模型，结合实时监测数据和统计分析方法，可以高效地识别和预测电网连锁故障事故链的发生。
这不仅可以提高电网系统的安全性和可靠性，也为电力部门的运维和管理提供了重要的科学依据。
基于大数据分析的电力系统故障分析研究
基于大数据分析的电力系统故障分析研究随着电力系统规模的不断扩大和电网运行的复杂性增加，电力系统故障的发生频率也逐渐增加。
电力系统故障不仅会导致电网停电，还可能引发设备损坏、电力质量问题以及安全事故等严重后果。
对电力系统故障进行准确快速的分析和诊断具有重要意义。
传统的电力系统故障分析方法主要依靠人工经验和专家知识，这种方法存在主观性强、效率低等问题。
随着大数据技术的发展，基于大数据分析的电力系统故障分析逐渐被广泛应用。
大数据分析可以快速处理大量的数据，并通过数据挖掘和机器学习算法发现数据中的潜在模式和关联规律，从而为电力系统故障提供准确的分析结果和预测模型。
1. 数据采集与处理：电力系统故障分析需要大量的实时监测数据和历史故障数据。
数据采集与处理是电力系统故障分析的基础，通过采集和处理数据，可以建立电力系统的数据仓库，为后续的故障分析提供数据支持。
2. 特征提取和选择：电力系统的数据维度庞大，往往包含大量无关和冗余的信息。
特征提取和选择是从原始数据中提取有用特征的过程，可以通过统计分析、频谱分析、小波变换等方法对数据进行处理，提取故障特征，忽略无关信息和冗余信息，从而减少后续分析的时间和计算负担。
3. 故障分类和诊断：通过对采集到的故障数据进行分析和建模，可以利用机器学习和数据挖掘算法进行故障分类和诊断。
常见的方法包括支持向量机、神经网络、决策树等，这些方法可以通过学习历史故障数据的模式和规律，实现对新故障的自动识别和分类。
4. 故障预测与预警：除了对已经发生的故障进行分析和诊断，大数据分析还可以用来对未来可能发生的故障进行预测和预警。
预测和预警可以通过建立故障的时间序列模型，分析故障的趋势和规律，从而提前采取措施，减少故障对电网运行的影响。
基于大数据分析的电力系统故障分析研究可以提高电力系统故障的诊断准确性和效率，减少电网故障导致的损失和风险。
随着大数据技术的不断发展和完善，相信电力系统故障分析将在今后得到更广泛的应用和研究。
基于大数据分析的电力系统故障预测与诊断研究
基于大数据分析的电力系统故障预测与诊断研究随着电力系统规模的不断扩大和复杂性的增加，电力系统故障的预测和诊断成为了重要的研究领域。
传统的基于经验和规则的故障预测方法难以满足复杂电力系统的需求，因此，基于大数据分析的故障预测与诊断研究逐渐引起了广泛关注。
基于大数据分析的电力系统故障预测与诊断研究可以利用海量的历史数据和实时数据来识别潜在的故障风险和异常情况。
首先，从大量的电力系统运行数据中提取特征，如电压、频率、电流等，然后通过数据挖掘和机器学习等方法对这些特征进行分析和建模，以实现故障预测和诊断的目标。
在电力系统故障预测方面，大数据分析可以帮助识别电力系统中潜在的故障风险。
通过对历史数据的分析，可以发现故障前兆信号，如电压波动、频率偏移等。
基于这些特征，可以建立预测模型来预测电力系统的故障概率和故障类型。
同时，结合实时采集的数据，可以及时发现故障的发生并进行预警，提前做好应对措施，确保电力系统的安全稳定运行。
在电力系统故障诊断方面，大数据分析可以帮助准确定位和分析故障原因。
通过对故障发生时的实时数据进行分析，可以利用机器学习和人工智能等技术，对故障类型进行识别和分类，并分析故障的根本原因。
这些分析结果可以帮助维修人员快速定位故障点，并采取相应的修复措施。
此外，还可以通过对历史数据进行统计分析，挖掘故障产生的规律和趋势，为故障诊断提供更加准确和可靠的依据。
然而，基于大数据分析的电力系统故障预测与诊断面临一些挑战。
首先，数据质量的问题可能影响预测和诊断的准确性，包括数据的缺失、噪声和异常值等。
因此，在进行数据分析之前，需先对数据进行清洗和预处理，确保数据的质量。
其次，电力系统的复杂性导致了特征提取和模型建立的复杂性。
因此，需要结合领域知识和数据挖掘技术，构建适合电力系统故障的特征和模型。
此外，电力系统的实时性要求对算法的响应和计算能力提出了更高的要求，因此需要采用高效的算法和计算平台。
总的来说，基于大数据分析的电力系统故障预测与诊断研究具有重要的意义和应用前景。
基于大数据分析的电力系统故障分析研究
基于大数据分析的电力系统故障分析研究随着社会经济的不断发展和电力需求的日益增长，电力系统的安全稳定运行变得越来越重要。
由于电力系统复杂性和多变性，故障的发生仍然是不可避免的。
目前，基于大数据分析的电力系统故障分析研究成为了解决电力系统故障挑战的一种新方法。
一、大数据对电力系统故障分析的意义大数据技术是指用于采集、存储、处理和分析大规模数据的技术。
在电力系统方面，大数据技术可以帮助电力系统管理者更准确地了解系统运行情况和故障发生原因，从而提高故障的预测能力和处理效率。
通过对电力系统各个环节的大数据进行采集和分析，可以帮助管理者及时发现潜在的故障风险，提前进行预防和维护，降低电力系统的故障率，保障电力系统的安全稳定运行。
二、基于大数据的电力系统故障分析方法1. 数据采集和处理在电力系统中，大数据可以来自各种传感器、监测设备、智能仪表等，包括电压、电流、温度、湿度等多种数据。
通过对这些数据进行采集和处理，可以获得电力系统的实时运行状态和相关参数。
2. 数据挖掘和分析通过大数据技术，可以对电力系统运行数据进行挖掘和分析，发现其中的规律和特征。
通过对历史故障数据的分析，可以找出故障的发生规律和敏感因素，为故障的预测提供依据。
大数据分析还可以帮助发现故障的隐患和原因，帮助管理者及时采取措施进行处理。
三、基于大数据的电力系统故障分析案例近年来，国内外许多电力系统已经开始探索基于大数据的故障分析方法，并取得了一些成果。
某地的电力公司利用大数据技术对其电网运行数据进行分析，发现了一些导致电力系统故障的规律，并提出了一些改进建议，从而有效地降低了故障率。
某电力设备制造商则利用大数据技术对其设备运行数据进行分析，发现了一些设备故障的特征，提前预测出了故障的发生，并采取了相应的维护措施，保障了设备的安全运行。
四、基于大数据的电力系统故障分析发展趋势随着大数据技术的不断发展和应用，基于大数据的电力系统故障分析将会有更广阔的发展前景。
基于大数据分析的电力系统故障分析研究
基于大数据分析的电力系统故障分析研究电力系统作为现代社会不可缺少的基础设施之一，其安全运行对经济发展和社会稳定至关重要。
然而，电力系统故障是不可避免的，一旦发生故障不仅会损失财产，更会给社会和人民带来不可估量的危害。
因此，对电力系统故障的分析和解决具有重要的现实意义和理论价值。
随着社会科技的发展和数据技术的成熟，大数据分析在电力系统故障分析中的应用也越来越广泛。
大数据分析技术结合传感器技术、物联网技术、云计算技术等多种技术手段，实现了对电力系统的实时监测和精准分析，为电力系统故障分析提供了强有力的支撑。
首先，大数据分析技术可以实现电力系统的实时监测和预测。
电力系统一旦出现故障，可能会导致广泛的影响，因此及时监测和预测是必不可少的。
利用大数据分析技术，可以获取实时的电力系统状态数据，并通过数据挖掘技术和机器学习技术实现对电力系统的故障预测。
通过实时监测和预测，可以快速发现潜在故障，并采取相应的措施避免故障发生。
其次，大数据分析技术可以实现电力系统故障的快速定位和分析。
当电力系统出现故障时，需要快速定位故障点，并进行深入分析，以便尽快采取措施解决故障。
大数据分析技术可以利用历史数据、实时数据和其他相关数据，实现对电力系统故障的快速定位和分析。
通过分析已有的数据，可以发现故障发生的原因，为下一步采取措施提供重要的依据。
最后，大数据分析技术可以实现电力系统故障的预防和优化。
通过对历史数据的分析，可以发现一些潜在的问题，进而采取响应的措施进行优化。
例如，通过对历史故障的分析，可以发现某个部件的寿命较短，需要更换为更加耐用的材料。
通过对电力系统的优化，可以预防故障的发生，保证电力系统运行的连续性和稳定性。
综上所述，基于大数据分析的电力系统故障分析具有非常重要的意义。
通过大数据分析技术，可以实现电力系统的实时监测、快速定位、深入分析、预测预防等多种功能，从而提高电力系统的运行效率和安全性，为经济社会的健康发展保驾护航。
- 1、下载文档前请自行甄别文档内容的完整性，平台不提供额外的编辑、内容补充、找答案等附加服务。
- 2、"仅部分预览"的文档,不可在线预览部分如存在完整性等问题,可反馈申请退款(可完整预览的文档不适用该条件!)。
- 3、如文档侵犯您的权益，请联系客服反馈,我们会尽快为您处理(人工客服工作时间：9:00-18:30)。
0
Hale Waihona Puke 引言当今电力系统正在向大容量、 超高压、 长距离、 大范围互联等方向不断发展，由此带来良好经济效
基 金 项 目 ： 国 家 自 然 科 学 基金 资 助 项 目 （ 51107040） ； Fondecyt 项目（1110527）
益的同时也对电网的安全可靠运行提出了挑战。近 年来国内外不断发生的大停电事故给各国造成了难 引起了国际社会 以估量的经济损失和社会影响[1-3]， 的广泛关注。 2001 年开始，国内外学者（涉及电力系统，数 学，统计物理，非线性动态等多个领域）从不同角 度开始研究连锁故障的演化及干预。这些研究主要
Study on the historical outage data based probability distribution of cascading line failures in a regional power grid
REN Hui1, XIONG Ji1, David Watts2, CHEN Xi3 (1. School of Electrical and Electronic Engineering, North China Electric Power University, Baoding 071003, China; 2. Pontificia Universidad Catolica de Chile, PUC, Vicuna Mackena 4860, Macul, Santiago, Chile; 3. College of Water and Electricity Engineering, Xi’an University of Technology, Xi’an 710048, China) Abstract: The probabilistic distribution of cascading outages is one of the main measures to describe the propagation of cascading outages, and to evaluate the risk of the large scale outages of the power system. Historical outage data has always been used for power system reliability evaluation, and by combined with the branching process model, it is used for cascading outage analysis for a regional power grid. Based on the 14-year utility historical outage data from a regional power grid in China, several known probabilistic models are tested and compared, and a Borel-Tanner branching process model is proposed to estimate the probabilities of cascading line outages. Statistical error analysis is performed to study the effectiveness of applying the Borel-Tanner model to practical grid risk management. Results indicate that the empirical distribution of the total number of line outages is approximated well by the Borel-Tanner model. For the same confidential level, the estimation of the probability distribution of the larger cascades by the Borel-Tanner branching process model requires significantly fewer recorded outage data than empirical estimation by a factor of 10-1. This work is supported by National Natural Science Foundation of China (No. 51107040) and Fondecyt Project (No. 1110527). Key words：cascading failure; branching process; Borel-Tanner; error analysis; probability distribution; historical outage data 中图分类号： TM71 文献标识码：A 文章编号： 1674-3415(2014)07-0023-08
过程模型—广义泊松模型和波雷坦尔模型，以及另 外两种被普遍使用的模型—泊松模型和幂率模型。 最后，通过改变历史故障记录数据覆盖时段分析利 用短期故障记录数据及波雷坦尔模型估计连锁故障 概率分布的精度，研究其应用于实际电网的可能性。
1
历史故障数据特点分析
大停电事故的普遍特征之一是输电线路的相继 故障，因此，在一定程度上，可以利用线路故障数 目衡量大停电事故的严重程度并表征大停电事故的 发展过程。因此，本文只针对所研究的目标电网的 线路故障进行分析，而不考虑其他类型故障，例如 发电机故障，变压器故障等。 故障数据给出了目标电网 1997 年至 2011 年初 约 14 年共 762 个线路故障记录数据。 其中， 110 kV 及以下故障所占比例为 3.8%，96.2%的故障线路电 压等级在 220 kV 及以上。由于 110 kV 及以下线路 故障数所占比例较小， 且某些 110 kV 线路故障未提 供准确的时标信息，因此，本文分析中仅针对 220 kV 及以上的线路故障数据， 共 733 起故障。 数据中 线路故障存在不同故障形式，包括三相短路、单相 短路，自动重合闸重合于故障线路后的加速跳闸故 障。由于高电压等级线路发生故障对电网的危害较 大，同样，三相接地故障对系统的危害高于单相接 地故障，则高危害的线路故障更可能引发其他线路 上发生的后续故障。由于本文分析针对初始故障引 发的后续多起故障这样一个故障的传播过程， 因此， 在故障处理中可以忽略故障电压等级及故障形式的 区别，忽略线路故障的具体原因（线路断开、母线 故障、 继电保护误动和拒动等） ， 而不同危害程度的 故障对电网的影响在故障的传播过程中体现。 针对连锁故障分阶段传播的特点，本研究根据 线路故障发生的时间将不同的故障归至不同连锁故 障阶段。本研究方法假设，调度员的调度行为一般 发生在 1 h以内，据此可以认为故障间隔时间在 1 h 内的相邻故障属于同一连锁故障；而故障的暂态或 自动重合闸的动作一般在 1 min内结束，据此可以 认为故障间隔时间在 1 min内的相邻故障属于同一 连锁故障的同一阶段[15]。第一阶段发生的故障成为 初始故障。 根据这种方法， 733 个故障被细分成 459 个连锁故障。表 1 给出了这些连锁故障各个阶段的 故障总数。从表 1 中可以看出故障传播阶段数最多 达到 14。 图 1 图示了按上述划分方法进行阶段和连 锁过程分析后的结果。纵坐标表示所有 459 个连锁 故障，横坐标表示从该连锁故障开始（初始故障） 至连锁故障结束的时间。图中每一点代表一个线路
第 42 卷 第 7 期 2014 年 4 月 1 日
电力系统保护与控制
Power System Protection and Control
Vol.42 No.7 Apr.1, 2014
基于历史故障记录数据的电网连锁故障规模概率分布研究
任 惠 1，熊 吉 1，David Watts2，陈 曦 3
(1.华北电力大学电气与电子工程学院，河北 保定 071003；2.Pontificia Universidad Catolica de Chile, PUC, Vicuna Mackena 4860, Macul, Santiago, Chile；3.西安理工大学水电学院，陕西 西安 710048) 摘要：连锁故障规模的概率分布描述了电网连锁故障的传播特点，是衡量电网发生大规模停电故障概率的有效方法之一。针 对历史故障统计数据进行计算，是传统电力系统可靠性评估方法之一。将其与分支过程模型结合，用于区域电网的连锁故障 分析。采用某区域电网 14 年历史故障数据为样本数据，针对多种概率模型进行比较分析，提出采用波雷-坦尔分支过程模型 计算该区域电网连锁故障规模的概率分布，并采用误差分析研究了波雷-坦尔模型应用于实际电网风险管理的有效性和可能 性。结果表明，波雷-坦尔模型能够很好地估计线路故障规模的概率分布。在相同置信度要求下，基于波雷-坦尔模型估计故 障概率分布所需样本数据比直接根据实际故障数据计算所得概率分布所需样本数据降低一个数量级。 关键词：连锁故障； 分支过程； 波雷-坦尔； 误差分析； 概率分布； 历史故障记录数据
- 24 -
电力系统保护与控制
着眼于： 1） 从宏观的角度研究连锁故障的特点及演 化[4-7]；2）连锁故障干预，研究某一类扰动在连锁 故障演化过程中的作用或识别故障链[8-12]；3）对传 统风险管理方法进行补充，采用概率模型，基于仿 真数据和实际故障记录数据，估计连锁故障停电规 模的概率分布[10-14]。例如，文献[4-6]从自组织临界 角度研究连锁故障的动力学成因，针对连锁故障的 幂律特性进行了验证；文献[7]基于我国电网重大停 电事故的统计资料，研究了我国各大电网发生连锁 故障的特征。 文献[8-10]从电力系统脆弱性评估角度 研究影响电网安全的关键区域和薄弱环节，为连锁 故障的预防和控制提供依据。文献[11]基于继电保 护隐性故障模型和电力系统风险理论，提出了连锁 故障产生和评估的方法。文献[12]通过分析影响连 锁故障过程的因素，确定不同因素组合下的连锁故 障关联度函数并用于连锁故障发展方向的实时预 测。文献[13-14]采用集群模型，分别基于实际电网 历史故障记录数据和仿真数据，采用概率方法估计 连锁故障的概率分布以用于风险管理。文献[15]提 出了基于分支过程理论的波雷坦尔模型对电网进行 连锁故障分析， 通过和实际故障数据拟合比较,验证 了这种方法的有效性。 文献[16]将文献[15]中不变的 分支系数用变化的分支系数代替，给出了改进分支 过程模型的连锁故障风险分析方法。上述研究均获 得了有益的研究成果。 对连锁故障进行分析和风险评估需要确定停 电规模的概率分布。由上述研究模型估计的大停电 事故规模的概率分布都存在不能由独立故障产生的 幂率区域，这个结果与一些国家和地区的历史故障 统计数据观察所得结论相一致。针对历史故障统计 数据进行计算，一直是传统电力系统可靠性评估的 重要组成部分。 然而统计计算需要大量的样本数据， 尤其是计算停电规模的概率分布，则必须使用多年 的历史故障数据，限制了其在年度风险管理方面的 应用。 不同电网在拓扑结构、电网规模、装机容量、 内在关联度、 负荷水平以及其他一些物理/技术特征 等方面存在很大区别。同样，不同电网间电力系统 或电力市场的规划和运行也有所不同，尤其是国家 与国家之间，运行机制不同。不同来源的故障记录 数据，反映了不同系统的充裕性和安全性，其分析 显示各电网的可靠性特征，既有不同，又都显示出 相似的故障规模概率分布特征[7,13,15-16]。不同的电 网，适用的概率方法有可能不尽相同。 本文拟在文献[15]基础上，通过对某区域南网 14 年的历史故障统计数据进行分析， 比较两种分支