[发明专利]考虑故障连锁的关键弹性提升元件辨识及故障恢复方法

权利要求书

1.考虑故障连锁的关键弹性提升元件辨识及故障恢复方法，其特征在于，包括步骤如下：

步骤S1、获取故障场景集并提取故障链；

步骤S2、基于改进SALSA算法分析故障链，得到各元件的Hub值和Authority值，并结合元件的负荷关键程度和拓扑关键程度得到元件的弹性提升关键程度；

步骤S3、利用分析得到的节点元件的弹性提升关键程度结合负荷自身的关键程度对节点负荷加权，线路元件弹性提升关键程度对线路网损进行加权，并结合开关动作次数最少为目标得到故障恢复的目标函数；

步骤S4、建立分布式能源的数学模型，设定约束条件，利用蚁群算法优化进行孤岛划分，实现系统的故障恢复。

2.根据权利要求1所述的考虑故障连锁的关键弹性提升元件辨识及故障恢复方法，其特征在于：评估故障链节的Hub值和Authority值的改进SALSA模型建立步骤如下：

时间顺序连续的故障链L_F表达式如下：

为第j故障场景下，元件集合i_j处于故障状态，i_j表示发生故障元件的编号集合；以i_j故障集为当前故障集，集合i_j-1∩i_j中的节点为当前故障新增元件，作为发起节点定义为Hub元件，集合i_j∩i_j+1为下一次故障新增元件，作为被引节点定义为Authority元件；即以i_j故障集合作为当前故障集有：

H_j＝i_j-(i_j-1∩i_j)

A_j＝i_j+1-(i_j∩i_j+1)

H_i，A_i分别为当前故障集合下的Hub集合和Authority集合，由此分析整个故障链L_F扩充得到Hub集合H与Authority集合A的有向图连接关系矩阵W；由于故障连锁的指向关系并不像网页链接那样明确，无法保证下一次的故障就是由上一次的故障导致，连锁故障元件间的链接为概率链接W_mn＝η，η为Hub元件n指向Authority元件m的次数与Hub元件n总出链次数的比值；

根据因果理论自身发生概率越高的事件由其他事件引起的概率越低，部分高频被引的Authority元件可能是由于自身的高故障概率而非其他元件影响导致，由此得到：

为修正后W矩阵的第i行向量，W_i为W矩阵的第i行向量，利用Authority元件i自身故障次数与所有元件总故障次数比值，来对元件间的概率链接强度做出修正；由此建立有向图概率连接关系矩阵，完成二分图的转化；

随机游走概率矩阵的计算方式如下：

W_r＝[diag(We)]^-1W

W_c＝{[diag(W^Te)]^-1W^T}^T

W_r为除以每个非零矩阵W行元素所有项之和；同样，W_c为除以矩阵W按其列中各项之和；其中e＝[1,1,1,...,1]^T；忽略完全由零组成的行和列，计算得到随机游走概率矩阵和

度中心性能够反映节点周围的拓扑情况，更多事件的链接节点的影响越大，利用邻接矩阵W计算度中心性来计算初始权限：

d_c(i)为元件i的度中心度分数；N为节点数；E_a和E_h是二分图中的边数；充分考虑全局拓扑结构，迭代至Authority分值和Hub分值收敛：

综合考虑元件自身的脆弱性即Authority分数和导致其他元件故障的能力即Hub分数，得到元件i在故障连锁中的关键度分值：

由于，故障链中的关键节点对于系统弹性的提升不一定关键，部分节点的故障对于系统弹性的影响并不一定大，故需综合考虑节点在系统中的地位，提出负荷重要度和拓扑重要度的复合分值：

D_i为当前元件的负荷，D为系统总负荷；对于节点元件来说定义为注入有功功率，对于线路来说定义为承载潮流有功功率；Nt和Nt_i'分别表示为删除元件前后网络的最大元件连接簇的大小，用以表示元件的拓扑价值；将故障连锁关键度归一化后得到利用元件自身在系统中的负荷重要度和拓扑重要度进行修正，由此得到元件在系统弹性提升中的关键程度：