(19)中华 人民共和国 国家知识产权局 (12)发明 专利 (10)授权公告 号 (45)授权公告日 (21)申请 号 202110682815.2 (22)申请日 2021.06.18 (65)同一申请的已公布的文献号 申请公布号 CN 113452025 A (43)申请公布日 2021.09.28 (73)专利权人 华中科技大 学 地址 430074 湖北省武汉市洪山区珞喻路 1037号 专利权人 国网湖北省电力有限公司电力科 学研究院 (72)发明人 俞耀文　韩东海　舒欣　曹侃　 姚伟　何顶新　 (74)专利代理 机构 华中科技大 学专利中心 42201 代理人 祝丹晴(51)Int.Cl. H02J 3/06(2006.01) G06F 30/27(2020.01) G06K 9/62(2022.01) G06Q 10/00(2012.01) G06Q 50/06(2012.01) G06F 111/10(2020.01) G06F 113/04(2020.01) 审查员 赵烨 (54)发明名称 一种模型-数据混合驱动的电网预想故障评 估方法和系统 (57)摘要 本发明公开了一种模 型‑数据混合驱动的电 网预想故障评估 方法和系统， 属于电力系统安全 性领域。 包括： 获取电网结构参数和历史负荷数 据样本； 对于每个历史负荷数据样本， 根据电网 结构参数建立CSCOPF模型， 通过故障筛选算法求 解CSCOPF模型得到有效预想故障集； 以历史负荷 数据作为特征， 预想故障的有效状态作为标签， 建立多标签分类kNN算法的训练集； 采用多标签 分类kNN算法， 对实时负荷数据样本的预想故障 有效状态进行在线评估。 本发明通过故障筛选算 法求解CSCOPF问题生成与节点负荷量对应的有 效预想故障集， 采用多标签分类kNN算法发掘负 荷数据和预想故障之间的联系， 根据实时负荷直 接评估预想故障的有效情况， 高准确率的同时大 大加快了求 解速度。 权利要求书3页 说明书7页 附图3页 CN 113452025 B 2022.03.18 CN 113452025 B 1.一种模型 ‑数据混合驱动的电网预想故障评估方法， 其特 征在于， 包括以下步骤： 获取电网结构参数和历史负荷数据样本； 对于每个历史负荷数据样本， 根据所述电网结构参数建立CSCOPF模型， 基于故障筛选 算法求解CSCOPF模型得到有效预想故障集； 其中， 所述有效预想故 障集之内的预想故障为 有效预想故障， 其 余预想故障为无效预想故障； 以历史负荷数据作为特征， 预想故障的有效状态作为标签， 建立多标签分类kNN算法的 训练集； 采用多标签分类k NN算法， 对实时负荷数据样本的预想故障有效状态进行在线评估。 2.如权利 要求1所述的电网预想故障评估方法， 其特征在于， 求解CSCOPF模型得到有效 预想故障集包括： 步骤2‑1： 建立CSCOPF模型； 所述CSCOPF模型包括一个主问题和多个子问题， 每个子问 题各自对应一种预想故障， 所有预想故障对应的子问题构成子问题集 合； 步骤2‑2： 计算主问题， 得到最优解对应的正常工况 下的机组发电量； 步骤2‑3： 将主问题中求出的所述正常工况下的机组发电量代入子问题， 求解所述子问 题集合中所有的子问题的目标函数； 步骤2‑4： 判断所有子问题的目标函数是否都为0或者所述子问题集合为空， 若是， 则模 型求解完成， 添加到主问题中的预想故障的集 合就是有效预想故障集； 否则， 将目标函数不为0的子问题从子问题集合中移除， 对应的预想故障加入到有效预 想故障集中， 返回步骤2 ‑2。 3.如权利要求2所述的电网预想故障评估方法， 其特征在于， 所述主问题以正常工况下 的总发电成本为目标函数， 约束 条件为传输线容量、 机组发电量上下限、 节点潮流平衡和机 组爬坡变化 量。 4.如权利要求3所述的电网预想故障评估方法， 其特征在于， 主问题的目标函数描述 为： 其中， Cg(·)表示机组g的发电成本函数， pg,0表示正常运行工况 下的机组g发电量； 传输线容 量约束为： fl,c表示传输线l在预想故障c下的功率， 表示传输线l在预想故障c下的最大传输 功率， Xl是传输线l的阻抗； θα(l),c、 θβ(l),c分别表示在传 输线l上输出潮流和接收潮流的节点 在预想故障c下的电压相角； Sa表示加入主问题的有效预想故障集， 初始状态下Sa为空集； c ＝0时表示无故障工况， c＝1,2,...,L时表示传输线断路， c＝L+1,L+2,..L.,+时表示机组 掉线； 机组发电量上 下限约束为： 权　利　要　求　书 1/3 页 2 CN 113452025 B 2pg,c表示发电机组g在预想故障c下的发电量， 分别表示机组开启时的发电量 下限和上限； 节点潮流平衡约束为： 其中Di表示节点i上的负荷， 表示节点i上的所有发电机 组在预想故障 c下的总发电量， 表示预想故障c下从节点i输出的潮流， 表示预 想故障c下输入节点 i的潮流； 机组g在预想故障c下的爬坡上升约束和爬坡下降约束为： tc表示对预想故障c下的机组发电量进行调整的最大允许时间， Rg表示机组g的最大爬 坡速率。 5.如权利要求4所述的电网预想故障评估方法， 其特征在于， 所述子问题的目标函数 为： 子问题的约束条件为： 其中， 子问题的优化目标是最小化松弛变量， 分别表示松弛机组g爬坡上升 和爬坡下降约束的松弛变量。 6.如权利要求1所述的电网预想故障评估方法， 其特征在于， 采用多标签分类kNN算法， 对实时负荷数据样本的预想故障有效状态进行在线评估 包括如下步骤： 步骤4‑1： 计算预测样本与所有训练样本之间的欧式距离；权　利　要　求　书 2/3 页 3 CN 113452025 B 3