气候条件下以模糊建模为基础电力系统风险评估.docVIP

气候条件下以模糊建模为基础的电力系统风险评 摘要——天气状况的模糊性和周边气候区之间的边界对架空线路故障率的建模有很大的影响。本文还介绍了故障率乘数（FRM)对天气影响的估计，并建立了一个用LW、LI作为输入逻辑变量的模糊推理系统。在次基础上，FRM和时变故障率是通过马丹尼的最大最小质心法获得。然后，时变恢复时间和故障率用来模拟一条线横贯几个气候区域考虑模糊边界的情况。最后，与天气相关的故障率和恢复时间、被应用与电力系统静态安全的风险评估。在新英格兰39路测试系统的模拟结果证明了将天气因素并入风险评估的重要性，并证明了此提出方法的可行性和有效性。 关键词——天气状况、模糊推理、风险、静态安全 Ⅰ.介绍 对于过去的十年来说，由于严重的飓风和冰暴的影响，美国和加拿大发生了几次大规模的停电和网络中断事故【1】，【2】。在2008年初，冰雨、暴雪等灾难性的恶劣天气袭击中国南部地区，大范围的电力系统遭受电线断裂、冰冻、塔倒塌、停电、设备损坏等事故【3】。不利的天气状况不仅挑战着安全和电气系统的可靠操作，也导致了严重的经济损失和社会影响。 户外组建是天气状况影响的主体。在不利天气因素下的故障率明显高于平时【4】。近几年，大多注意力被吸引到如何将天气影响纳入到电力系统安全评估中这个问题上。 将天气分类为不利和普通两种状态下的双状态模型在[4]中提出。纳入极端天气状况的三状态模型和多状态模型分别在【5】、【6】中被介绍。等效电路模型被用于传输线遍历几个经历【7】中不同天气状态的地区。这些方法为确定的天气状况分配了一个确定的故障率。实际上，传统模型忽略了天气的模糊特性。一方面，语言的模糊性。用来描述天气决定了的模糊分类天气的状态。另一方面，当一个传输电线遍历了几个气候区，一个比通常会在各个地区得到指示线，而不存在明显的边界与气候地区。基于历史数据和统计理论，【8】获得故障率的三角型隶属度函数和确定天气状况下的恢复时间。然而，这种方法任然不能跟踪、天气的连续变化。 本文提出考虑两种模糊性的影响这种新颖的方法。FRM被用于故障率对变化天气的影响对应于LW与FRM之间。LI与FRM之间的是构建一个模糊推理系统。通过时变故障率和回复时间、超载和低压风险指标由对气候区之间的模糊边界而获得。 本文的其余部分组织如下。第2节通过LW和LI作为输入变量建立了一个马丹尼模糊系统的推论。第3节提出了时变恢复时间模型。第4节对一个传输电线遍历气候区的情形下的模型进 行了描述。第5节中描述了电力系统静态安全风险评估的原则。第6节中给出个例研究，把天气相关故障率和恢复时间用于风险评估。随之而来，结论在第7节中给出。 Ⅱ.基于天气状况的故障率建模。 天气状况由各种天气因素构成。历史数据表明。影响故障率的因素主要包括风力、霜冻、降水等。 A.时变故障率模型 这里介绍FRM，用于估计天气因素对故障率的影响。时变故障率λ(t)可以在下面公式中使用。 （1） λavg是故障率的平均值。 B、双输入变量马丹尼模糊推论。 电气系统存在两种形式的不确定性、随机性和模糊性。由于缺乏统计数据，通过可能的模型来证明天气状况对故障率的影响是十分可取的。然而，在模糊语言中，天气状况可以被很好的描述。因此，用天气因素作为输入变量来建立一个模糊推理系统应该是个合理的选择。此处，利用马丹尼最大最小质心法【10】，FRM可以通过规定的模糊法则获得。 1)天气状况对FRM的影响。 【11】中建立了LW和LI的模型，通过历史数据分别得出LW和LI与故障率之间的联系。在此基础上，如表Ⅰ、Ⅱ所示，通过以λavg（LW、L2不同等级之间的关系）划分故障率，从而得到相应的FRM。从而，通过隶属函数将LW、LI对FRM的影响表示出来。 表ⅠFRM作为LW的隶属函数 LW [0,0.9] (0.9,1] (1,1.1] (1.1,1.2] (1.2,1.5] (1.5,+∞) FMR 0.0025 0.2 1.25 1.5 7.5 10 LW的单位是dLW（风负载的设定