Fehlerkettenbasierte Präventions- und Kontrollmethode für eine Taifunkatastrophe

Summary

Eine auf Fehlerkette basierende Präventions- und Kontrollmethode für Taifunkatastrophen wird vorgeschlagen. Durch die Modellierung von Taifunwindfeldern kann die Berechnung der Ausfallwahrscheinlichkeit von Übertragungszweigen durchgeführt werden. Anschließend können Hochrisiko-Zweige für die Fehlerkettenanalyse und die Umsetzung von Präventions- und Kontrollmaßnahmen für Stromnetze unter Taifunbedingungen durchgeführt werden.

Abstract

Extreme Katastrophen wie Taifune stellen eine große Bedrohung für die Betriebsintegrität und Stabilität der Stromnetze dar, weshalb Präventions- und Kontrollmaßnahmen vor der Katastrophe immer wichtiger werden. Motiviert durch die Einschränkungen konventioneller N-1- und N-2-Sicherheitskriterien bei der Bewältigung räumlich korrelierter und wahrscheinlichkeitsbedingter Ausfälle schlägt dieses Papier eine fehlerkettenbasierte Präventions- und Kontrollmethode für Taifunkatastrophen vor. Ein Taifun-Windfeldmodell wird mit einem Verwundbarkeitsmodell für Übertragungszweige kombiniert, um die räumlich-zeitlichen Ausfallwahrscheinlichkeiten von Übertragungszweigen zu quantifizieren, basierend auf denen Hochrisiko-Zweige unter prognostizierten Taifunszenarien identifiziert werden. Unter Annahme dieser Zweige als Anfangsbedingungen wird eine systematische Fehlerkettensuche durchgeführt, um kritische Kaskadenpfade zu ermitteln, und ein Risikoindex wird erstellt, indem die Ausfallwahrscheinlichkeiten in jeder Phase mit dem entsprechenden Lastabwurf integriert werden. Auf dieser Grundlage wird ein risikoorientiertes präventives Steuerungsoptimierungsmodell formuliert, bei dem Generatorausgaben und Lastabwürfe koordiniert werden, um die erwarteten Folgen von Hochrisiko-Fehlerketten zu minimieren und gleichzeitig betriebliche Einschränkungen zu erfüllen. Fallstudien zum IEEE 39-Bus-Testsystem und zum Hainan-Stromnetz unter Taifun Yagi bestätigen, dass die vorgeschlagene Methode effektiv typhoonbedingte Ausfalleigenschaften erfassen, die erwartete Lastbegrenzung deutlich reduzieren und übermäßige Kontrollkosten im Vergleich zu traditionellen deterministischen Kriterien verringern kann. Die Ergebnisse zeigen, dass die vorgeschlagene Methode ein praktisches und wirtschaftliches Entscheidungsunterstützungsinstrument für den Online-Betrieb von Stromnetzen unter extremen Taifunbedingungen bietet.

Introduction

Starke Winde, starker Regen, Gewitter und andere mit Taifunen verbundene Faktoren können zu Geräteausfällen in städtischen Stromsystemen führen, eine ernsthafte Bedrohung für die regionale Energiesicherheit darstellen und großen Schaden^{an den} städtischen Volkswirtschaften verursachen. Extremwetter wie Taifune können ebenfalls Kettenausfälle im Stromsystem auslösen, was zu großflächigen Stromausfällen^führt. Der Supertaifun Lekima 2019 traf in der chinesischen Provinz Zhejiang mit starken Regenfällen, wodurch 72 Umspannwerke und mehr als 4.000 Leitungen des lokalen Stromnetzes außer Betrieb waren und 7,72 Millionen Nutzer ohne Strom^waren. Im Februar 2021 erlebte der Bundesstaat Texas in den Vereinigten Staaten einen langwierigen und weit verbreiteten Stromausfall in der Region aufgrund eines Wintersturms, der zur Vereisung der Übertragungsleitungen und zu Ausfällen der Übertragungsanlagen^führte. Statistiken zufolge werden mehr als 80 % der weltweiten Stromnetzausfälle durch extreme Wetterkatastrophen wie Taifune und Regenstürme ausgelöst, was direkte wirtschaftliche Verluste für das Stromnetz in Höhe von mehr als 30 Milliarden Dollar pro Jahr verursacht und einen steigenden Trend von Jahr^{zu Jahr 5} zeigt. Es ist notwendig, die Fähigkeiten des Stromnetzes zu stärken, um mit schweren Unfällen umzugehen. Unter anderem ist die präventive Kontrolle ein wichtiges Mittel, um die Wahrscheinlichkeit von Kaskadenausfällen in Stromsystemen^zu verringern. Vorbeugende Maßnahmen können Verriegelungsfehler effektiv blockieren, den Umfang von Ausfällen und die Wiederherstellungszeit verringern, und der Aufwand in die Prävention ist deutlich geringer als die Reparatur- und Entschädigungskosten nach einem Fehler.

Taifune sind in drei Hauptteile unterteilt: das Auge des Taifuns, die Wand des Auges und das spiralförmige Regenband, dessen Radius üblicherweise in zig Kilometern⁷ variiert. Die radiale Verteilung der Taifunwindgeschwindigkeit zeigt einen starken Anstieg in der Nähe des Auges, erreicht einen Höhepunkt in einer bestimmten Entfernung und nimmt dann rasch weiter nach außen ab. Eine genaue Darstellung der Schlüsselmerkmale eines Taifunwindfeldes erfordert die Erstellung eines Windfeldmodells, das auf den strukturellen Parametern des Taifuns⁸ basiert. Die Modellierung von Taifun-Windfeldern spielt eine entscheidende Rolle bei der Analyse der Auswirkungen von Taifun-induzierten Gefahren auf Übertragungsnetze, und das gewählte Taifun-Windfeldmodell sollte die Anforderungen an Simulationsgenauigkeit sowie Recheneffizienz erfüllen. In ingenieurtechnischen Anwendungen muss die Berechnung des Modells die starke Kopplung zwischen den Druck- und Geschwindigkeitsfeldern⁹ berücksichtigen, und die Erzielung einer genauen nichtlinearen Lösung dieses Modells ist oft rechnerisch herausfordernd, sodass es in praktischen Berechnungen oft notwendig ist, nur die approximative Lösung zu erhalten. In den 1970er Jahren war Russell der Erste, der einen stohastischen Ansatz zur Simulation des Entwicklungsprozesses von Taifunen¹⁰ einführte, und weltweit wurden umfangreiche Anstrengungen von Forschern unternommen, um Taifun-Windfeldmodelle sowie zugehörige Rechenmethoden zu entwickeln und zu verfeinern, und es sind zahlreiche Modellierungsmethoden entstanden. Das Batts-Taifunmodell geht davon aus, dass der Taifun nach Landfall in einer geraden Linie bewegt, was nicht mit der Realität vereinbar ist. Holland und andere Taifunmodelle simulieren den Taifun mit hoher Genauigkeit, aber es bleibt eine Herausforderung, die praktischen technischen Anforderungen^{vollständig zu erfüllen 11,12}. In diesem Artikel wird das Jelesnianski-Windfeldmodell verwendet, um den Bewegungs- und Abfallprozess einer Taifunkatastrophe zu simulieren und die Stärke der Windgeschwindigkeiten an verschiedenen Orten innerhalb des Einschlagsbereichs der Taifunkatastrophe¹³ zu bestimmen.

In der aktuellen Forschung zu verketteten Verwerfungen wird im Hinblick auf die Fehlerkettensuche der Zweig mit dem größten Risikoindex üblicherweise als unterer offener Ast der Störungskette ausgewählt, aber es ist möglich, einige der Fehlerkettenwege mit schwerwiegenderen Folgen¹⁴ zu übersehen. Bei der präventiven Kontrolle der Fehlerkette wird das präventive Kontrollschema meist aus der Perspektive des Relaisschutzes gegeben, mit dem Ziel, die Sicherheitsmarge des Netzes zu maximieren, aber es kann die Risikofolgen der Fehlerkette auf das^{Netz 15} nicht widerspiegeln. Einige Studien kombinieren die präventive Kontrolle der Fehlerkette und die Blockierungskontrolle zur koordinierten Optimierung und geben gleichzeitig das Vorfehler-Präventionskontrollschema und das Blockierungskontrollschema für die spezifizierte Fehlerkette^16,17 an. Der Optimierungsprozess berücksichtigt jedoch nur die Fehlerwahrscheinlichkeit der Leitungen innerhalb des Kettenfehlerpfads und vernachlässigt die Fehlerwahrscheinlichkeit, die mit Übertragungsleitungen außerhalb des kaskadierenden Ausfallpfads verbunden ist, was zu dem Problem führen kann, dass das Steuerungsschema den Ausbreitungspfad der Fehlerkette ändert, wodurch das vorgeschlagene Steuerungsschema ungültig wird, und das etablierte koordinierte Optimierungsmodell ist in der Regel schwer zu lösen^18,19.

Diese Arbeit prüft die Hypothese, dass ein fehlerkettenbasiertes präventives Kontrollsystem, das explizit die Eigenschaften von Taifunwindfeldern, die Verwundbarkeit von Übertragungsverzweigungen und kaskadierende Ausfallmechanismen in ein einheitliches, risikoorientiertes Optimierungsmodell integriert, eine effektivere und wirtschaftlichere Entscheidungsunterstützung für den Betrieb eines Stromnetzes unter extremen Taifunbedingungen bieten kann als traditionelle deterministische N-1/N-2-Kriterien. Konkret wird die Hypothese vermutet, dass durch 1) die Quantifizierung von Verzweigungsausfallwahrscheinlichkeiten, die durch räumlich korrelierte Taifunlasten verursacht werden, 2) die Identifizierung kritischer Fehlerketten und die Bewertung ihres damit verbundenen Risikos in Bezug auf erwarteten Lastverlust, und 3) die Optimierung von Pre-Contingenz-Generator-Outputs und Lastabschaltungen in Bezug auf diese Fehlerkettenrisiken, die vorgeschlagene Methode das katastrophenbedingte Ausfallverhalten genauer erfassen kann, Reduzieren die erwartete Lastbegrenzung und das Stromausfallrisiko erheblich und vermeiden übermäßige oder unnötige Präventionsmaßnahmen im Vergleich zu herkömmlichen Sicherheitsstandards.

In diesem Artikel werden die Äste mit hoher Ausfallwahrscheinlichkeit unter extremem Wetter durch das Taifunwindfeldmodell und das Transmissionsbranch-Verwundbarkeitsmodell aussortiert. Der Hochrisiko-Ast bei extremem Wetter wird als erster offener Ast genutzt, um alle möglichen Störungsketten zu durchsuchen. Durch Anpassung der Ausgangsleistung der Stromsystemeinheiten und der abschaltenden Lasten können die erwarteten Folgen jeder Fehlerkette gemindert werden.

Die vorgeschlagene Methode erfordert Eingaben, einschließlich Taifunwindfelddaten, Gittertopologie und Betriebsparametern. Typische Annahmen umfassen einen konstanten maximalen Windradius und vereinfachte Serienstruktur-Zuverlässigkeitsmodellierung für Übertragungszweige. Allerdings kann die Recheneffizienz bei Anwendung auf sehr großräumige Systeme aufgrund der kombinatorischen Natur der Fehlerkettenaufzählung infrage gestellt werden.

Protocol

Berechnung der Ausfallwahrscheinlichkeit der Leitung bei einer Taifunkatastrophe

Oberleitungen und von Türmen unterstützte Stromkreise sind äußerst anfällig für die räumlich variierenden Windlasten, die durch einen sich überschreitenden Taifun²⁰ verursacht werden. Wenn die Windgeschwindigkeit eines Taifuns zu hoch ist, ist es sehr leicht, dass Getriebeausrüstung^21,22 ausfällt. Empirische Windfeldformulierungen, wie das Jelesnianski-Windfeldmodell, ermöglichen die Rekonstruktion zeitlich variierender Windgeschwindigkeitsfelder über den Fußabdruck des Sturms. Wenn diese Windfeldausgaben mit den Verwundbarkeitsmodellen einzelner Linienabschnitte oder Türme gekoppelt werden, wird es möglich, raumzeitliche Windlasten in kumulative Störungswahrscheinlichkeiten²³ umzuwandeln.

Taifun-Windfeldmodell

Die Simulation im Jelesnianski-Modell wurde in zwei Schritte unterteilt: Erstens wurde das axisymmetrische Windfeld des Taifuns auf Basis einer vordefinierten analytischen Formulierung abgeleitet, und das translationale Windfeld, das mit der Bewegung des Taifuns verbunden ist, wurde überlagert, um das resultierende Windfeld zu erhalten. Dieses Taifunmodell nutzte Parameter wie die höchste Windgeschwindigkeit des Taifuns und den Radius der höchsten Windgeschwindigkeit, um die tangentiale Windkomponente der zyklonischen Zirkulation zu schätzen, die in folgender Formel angegeben war:

(1)

wobei V_s die tangentiale Windgeschwindigkeit der Taifunzirkulation in einer Entfernung r vom Taifunzentrum ist; V_Max ist die höchste Windgeschwindigkeit; R₀ ist der Radius der höchsten Windgeschwindigkeit.

Das bewegte Windfeld des Taifunmodells wurde dann mit folgender Gleichung berechnet:

(2)

Wobei V_d die Geschwindigkeit des Taifuns in einer Entfernung r von seinem Zentrum ist; V_c ist die Bewegungsgeschwindigkeit des Taifunzentrums.

Wenn Daten zum Windkreis der 7. Ebene verfügbar waren, wurde der maximale Windradius typischerweise auf 1/10 des Radius des Beaufort-Skala-Level-Sieben-Windfeldes geschätzt. Für Taifune ohne Beobachtungsdaten zum Radius des Stufe-sieben-Sturmwindfeldes wurde der höchste Windradius durch die empirische Beziehungsgleichung²¹ berechnet:

(3)

Dabei ist R_k eine empirische Konstante, üblicherweise zwischen 30 und 60; P₀ ist der Druck im Zentrum des Taifuns.

Die Windfeldgeschwindigkeitsformel für das Taifunmodell wurde erhalten, indem die tangentiale Windgeschwindigkeit V_s und die Bewegungsgeschwindigkeit V_d überlagert wurden:

Wenn 0 ≤ r ≤ R₀

(4)

(5)

Wenn R₀ ≤ r ≤ ∞

(6)

(7)

Wobei V_x die Geschwindigkeitskomponente des Taifuns auf der x-Achse in einem Abstand r vom Taifunzentrum ist; V_y ist die Geschwindigkeitskomponente des Taifuns auf der y-Achse in einem Abstand r vom Zentrum des Taifuns; V_dx und V_dy sind die beiden Komponenten der Geschwindigkeit des Taifunzentrums auf der x- und y-Achse; x₀ und y₀ sind die beiden Koordinatenwerte des Taifunzentrums auf der x- und y-Achse; x und y sind die beiden Koordinatenwerte auf der x- und y-Achse in einer Entfernung r vom Taifunzentrum; θ ist der Zuflusswinkel des Taifuns.

Abbildung 1 zeigt ein Schema des Bewegungsprozesses des Taifuns nach Landfall. Aus dem Taifun-Windfeldmodell lässt sich erkennen, dass die horizontale Windgeschwindigkeit des Taifuns von der Mitte nach außen zunimmt und dann abnimmt. Nimmt man zum Beispiel die Position O auf dem Übertragungszweig, so beträgt der maximale Windradius des Taifuns zum Zeitpunkt von t₁ r_max(t₁), und der Abstand zwischen dem Zentrum des Taifuns und O ist d(t₁). Diesmal ist d(t₁) größer als r_max(t₁), und wenn der Taifun sich bewegt, verringert sich der Abstand zwischen O und dem Taifunzentrum, sodass die Windgeschwindigkeit bei O zunimmt. Im Moment von t₂ ist d(t₂) kleiner als r_max(t₂) und d(t₂) nimmt ab, sodass die Windgeschwindigkeit bei O abnimmt. Im Moment t₃ nimmt d(t₃) weiter zu, ist aber kleiner als r_max(t₃), sodass die Windgeschwindigkeit bei O zunimmt. Ähnlich nimmt bei t₄ d(t₄) weiter zu und ist größer als r_max(t₄), sodass die Windgeschwindigkeit bei O abnimmt, wenn sich das Taifunzentrum entfernt. Man sieht, dass sich die Windgeschwindigkeit an jeder Stelle auf dem Getriebezweig mit der Zeit ändert, und selbst auf demselben Triebzweig sind die Windgeschwindigkeitsänderungen an verschiedenen Stellen nicht gleich.

Übertragungsbranch-Schwachstellenmodell

Die starken Auswirkungen von Taifunkatastrophen auf das Übertragungsnetz können zu Ausfällen bei Übertragungszweigstellen führen und möglicherweise regionale oder weitverbreitete Stromausfälle auslösen.²⁴. Die Ausfallwahrscheinlichkeit in verschiedenen Segmenten desselben Getriebezweigs ist nicht gleich. Aufgrund der großen Größe und komplexen Struktur des Übertragungsnetzes kann die Modellierung der Verwundbarkeit von Übertragungszweigen zu enormen Berechnungen führen, wenn jedes darin befindliche Übertragungsgerät modelliert und analysiert wird²⁵. Daher konzentriert sich dieser Abschnitt ausschließlich auf Übertragungsleitungssegmente und -türme, um ein Verwundbarkeitsmodell der Übertragungszweigstelle zu etablieren, das die Kartierungsbeziehung zwischen der Ausfallwahrscheinlichkeit des Übertragungszweigs und der Taifunwindgeschwindigkeit widerspiegelt. Sowohl zeitliche als auch räumliche Dimensionen werden verwendet, um die probabilistische Verwundbarkeit von Ausfällen von Übertragungszweigungen zu modellieren, was die Auswirkungen von Taifunkatastrophen widerspiegelt. Sie nimmt die Windgeschwindigkeitsinformationen, die sich im Taifun-Windfeld im Taifun-Windfeld verändern, als Eingabegröße, und das kumulierte Ausfallrisiko von oberen Komponenten (einschließlich Liniensegmente und Stützstrukturen unter Taifuneinwirkungen) wird anhand lokaler Windgeschwindigkeitsschwankungen bewertet. Anschließend wird die Fehlerwahrscheinlichkeit jedes Übertragungspfads durch die Anwendung eines Serienstrukturmodells unter etablierten Zuverlässigkeitsbewertungsrahmen bestimmt.

Bei der Berechnung der Ausfallwahrscheinlichkeit einer bestimmten Getriebeausrüstung war es möglich, zuerst die Ausfallrate zu bestimmen und dann ein geeignetes stachastisches Prozessmodell basierend auf den Ausfalleigenschaften auszuwählen, um die Ausfallwahrscheinlichkeit während des vom Taifununglück betroffenen Zeitraums zu bestimmen. Die Ausfallrate wurde definiert als die Anzahl der Ausfälle von Getriebegeräten pro^{Zeiteinheit 26}, was die durchschnittliche Intensität ihrer Ausfälle während der Taifuneinschlagszeit widerspiegelte. Zur Erleichterung der Berechnung wurde angenommen, dass die Übertragungsleitungsabschnitte zwischen jedem Sendemast derselben Windgeschwindigkeit ausgesetzt waren, und die Gesamtdauer T_w der Taifunkatastrophe wurde in T-Zeitintervalle der Länge Δt unterteilt, wobei die Windgeschwindigkeit während jedes Zeitintervalls konstant blieb. Das schematische Diagramm des m Übertragungszweigs wurde in Abbildung 2 dargestellt, in dem die Ausfallrate des l Übertragungsleitungsabschnitts t zum Zeitintervall mit folgender Gleichung berechnet werden konnte:

(8)

Wobei v_m,l(t) die Taifunwindgeschwindigkeit ist, die vom I-Übertragungsleitungsabschnitt des m-Übertragungszweigs im t-Zeitintervall aufrechterhalten wird; V_D,Linie ist die Auslegungswindgeschwindigkeit dieses Übertragungsleitungsabschnitts, die in dieser Arbeit mit 30 m/s angegeben wurde; Δl ist die Länge dieses Übertragungsleitungsabschnitts in Kilometern. Da die Windgeschwindigkeit des Taifuns über die Längen jedes Übertragungsleitungsabschnitts und über die für Taifuneinschläge ausgewählten Zeitintervalle konstant blieb, blieb die Ausfallrate der einzelnen Übertragungslinienabschnitte konstant. Dementsprechend könnte das angesammelte Ausfallrisiko für das Segment l innerhalb des Übertragungspfads m während der Taifunexpositionsperiode T_w mit folgendem Ausdruck bewertet werden:

(9)

Ähnlich könnte die Ausfallrate des k Sendeturms des m Übertragungszweigs im t-Zeitintervall der Taifun-Einschlagszeit T_w mit folgender Gleichung berechnet werden:

(10)

Wobei v_m,k(t) die Taifunwindgeschwindigkeit ist, der der k Sendeturm des m Übertragungszweigs im t-Zeitintervall ausgesetzt ist; γ ein Modellparameter ist, lag der Wertbereich zwischen 0 und 0,4, in dieser Studie wurde γ auf 0,2 gesetzt; V_D,Tower ist die strukturelle Windlastschwelle des Übertragungsturms, die anhand des Zerstörungstests bestimmt werden kann; Diese Arbeit benötigte 35 m/s.

Dementsprechend wurde die kumulative Ausfallwahrscheinlichkeit des k-Sendeturms des m Sendezweigs während der Taifuneinschlagszeit T_w als folgt bezeichnet:

(11)

Übertragungszweige wurden als Serienmodell betrachtet, bestehend aus mehreren Übertragungsleitungsabschnitten in Reihe mit mehreren Sendetürmen. Nach der Methode zur Berechnung der Ausfallwahrscheinlichkeit des Serienmodells in der Zuverlässigkeitsbewertungstheorie, unter der Annahme, dass die Ausfälle jedes Übertragungsleitungsabschnitts und jedes Mastmasts unabhängig voneinander sind, könnte das Versagen eines Übertragungsleitungsabschnitts oder Mastturms zur Unterbrechung der elektrischen Energieübertragung des gesamten Übertragungsstromkreises^{führen 27}. Daher wurde die Ausfallwahrscheinlichkeit des m-Getriebezweigs mit folgender Gleichung berechnet:

(12)

Dabei ist L die Anzahl der Übertragungsleitungssegmente, die in der m Übertragungszweigstrecke enthalten sind; K ist die Anzahl der Sendemasten, die im m Transmissionszweig enthalten sind.

Präventions- und Kontrollmaßnahmen basierend auf Fehlerketten

Um das Risiko von Kaskadenausfällen und großflächigen Stromausfällen, die durch Störungen an hochriskanten Übertragungsleitungen bei extremen Katastrophen ausgelöst werden, zu mindern, benötigt das Stromsystem eine vorbeugende Kontrolle. Basierend auf dem vorherigen Abschnitt wurde jede Linie mit hoher Ausfallwahrscheinlichkeit bei extremen Katastrophen ermittelt. Jeder Hochrisiko-Zweig wurde nacheinander als erster offener Zweig für die Fehlerkettensuche verwendet. Basierend auf allen Fehlerketten wurde die Präventions- und Kontrollmethode angewandt, mit dem Ziel, die Auswirkungen von Kaskadenausfällen zu minimieren und Entscheidungsunterstützung für Netzdispatcher^{bereitzustellen}.

Vorgeschlagene Methode

Abbildung 3 skizzierte den Schritt-für-Schritt-Rahmen der vorgeschlagenen Präventions- und Kontrollmethode, die Fehlerketten unter extremen Wetterszenarien adressierte.

Datenladen und anfängliche Fehlerkettenidentifikation

Laden Sie zunächst alle grundlegenden Eingabedaten ein, wie das Stromnetzmodell, den normalen Betriebsmodus und meteorologische Informationen bei extremen Katastrophen. Das Stromnetzmodell erfolgte im MATPOWER-(.m)-Format und enthielt Busparameter, Generatorspezifikationen, Verzweigungsparameter und Netzwerktopologie. Die meteorologischen Vorhersagedaten für die extreme Katastrophe waren im JSON-Format und lieferten die Koordinaten des Taifunzentrums, die Translationsgeschwindigkeit, den maximalen Windradius und den zentralen Druck.

Als Nächstes werden Hochrisiko-Übertragungsleitungen überprüft, indem die Ausfallwahrscheinlichkeit für alle Zweige berechnet wird. Dieser Prozess umfasste zwei zentrale rechnergestützte Modelle. Das Jelesnianski-Taifun-Windfeldmodell wurde erstmals durchgeführt, um die zeitlich variierende Windgeschwindigkeit zu berechnen. Anschließend wurde das Verwundbarkeitsmodell des Übertragungszweigs angewendet, um die Ausfallrate für jedes Leitungssegment und jeden Turm basierend auf der lokalen Windgeschwindigkeit zu berechnen.

Wählen Sie schließlich einen oder mehrere Hochrisiko-Zweige aus dem initialen Notfallset als erste Ausfall-Zweige aus, um die Fehlerkettensuche einzuleiten. Trennen Sie den ausgewählten Zweig, ändern Sie die Gittertopologieparameter, führen Sie eine Gleichstromberechnung im Zielnetz durch, identifizieren Sie überlastete Zweige als nachfolgende Ausfallverzweigungen und wiederholen Sie diesen Vorgang. Die Fehlerkettensuche endete, als der Systemkollaps auftrat, die voreingestellte maximale Suchtiefe erreicht wurde oder keine weiteren überlasteten Äste gefunden wurden.

Fehlerkettenbewertung und Optimierungsmodelllösung

Diese Phase etablierte das Optimierungsrahmen, löste das Modell und validierte die durch folgendes Verfahren.

Zuerst wird eine stückweise lineare Funktion festgelegt, die den Einfluss von Übertragungsleitungsausfällen auf die Stromströme der Zweigstrecken darstellt. Berechnen Sie den Risikowert jeder Fehlerkette anhand von DC-Leistungsflussberechnungen. Konkret wurden die Risikowerte durch Multiplikation der Wahrscheinlichkeit jeder Fehlerkette mit dem minimalen Lastabschaltwert ermittelt, der zur Gewährleistung der Sicherheit des Stromflusses von Zweiglen erforderlich ist. Wählen Sie Fehlerketten mit höheren Risikowerten aus und integrieren Sie sie in das Kandidaten-Fehlerkettenset.

Als Nächstes führen Sie die beiden vorherigen Schritte für jede Zeile im initialen Kontingenzsatz aus, bis alle Verzweigungen verarbeitet sind. Diese systematische Iteration gewährleistete eine umfassende Abdeckung aller potenziellen Fehlereinleitungspunkte, was zu einem vollständigen Kandidaten-Fehlerkettenset führte, das die Vereinigung aller identifizierten Hochrisiko-Fehlerwege darstellt.

Schließlich wird das Optimierungsmodell mit kommerziellen Solvern wie GUROBI gelöst und bewertet, ob nach der Optimierung neue schwere Fehlerketten auftreten. Diese Validierung erfolgte durch erneutes Ausführen des Fehlerkettensuchprozesses mit dem optimierten Generierungsdispatch. Wenn neue Fehlerketten entstehen, integrieren Sie diese in den Kandidaten-Fehlerkettensatz und wiederholen Sie den Optimierungsprozess. Wenn keine schwerwiegenden Fehlerketten entstanden sind, wird der optimierte Generatorleistungs- und Lastabschaltplan ausgegeben, um das Risiko von Kaskadenausfällen zu verringern.

Endgültige Ausgaben und Archivierung

Liefern Sie den optimierten Generator-Leistungsausgab und den Lastabschaltplan aus. Systematisch alle relevanten Eingabedaten, Konfigurationsdateien, Zwischenergebnisse und das endgültige Ausgabeschema zur Dokumentation und Reproduzierbarkeit archivieren. Diese umfassende Archivierungspraxis gewährleistete vollständige Reproduzierbarkeit, erleichterte die Analyse nach dem Ereignis und lieferte Referenzfälle für zukünftige Projekte zur Verbesserung der Netzresilienz.

Fehlerkettensuche

Ein oder mehrere Zweige mit hoher Fehlerwahrscheinlichkeit wurden für die Fehlerkettensuche ausgewählt. Nehmen Sie die ausgewählten Hochrisiko-Zweige als die anfänglichen offenen Zweige der Fehlerkette, trennen Sie sie, ändern Sie die Netzwerkparameter, führen Gleichstromberechnungen für das Zielnetz durch, nehmen alle überlasteten Zweige nacheinander als die nächsten offenen Phasen der Fehlerkette und wiederholen den Prozess. Die Fehlerkettensuche endete, als die Stoppbedingung erfüllt war. Dann wurden alle Fehlerketten, beginnend mit diesem Hochrisiko-Zweig, erfasst.

Abgesehen vom Einfluss der externen Umgebung war die Wahrscheinlichkeit, dass ein Übertragungsleitungsfehler auslöst, wenn der Stromfluss der Leitung nicht seine Leistungsgrenze überschritt, die Wahrscheinlichkeit eines Übertragungsleitungsfehlers für den Schutz des Relaisschutzes mit nahe 0. Im Prozess der Entwicklung und Ausbreitung der Fehlerkette neigen die Netzdispatcher dazu, die entsprechenden Blockierungsmaßnahmen zu ergreifen, sodass die Suchtiefe der Fehlerkette die festgelegte maximale Tiefe (meist 4) nicht überschreitet. Das durch eine Störungskette ausgelöste Gitterinsulanerung führt meist zu einem großen Stromausfall. Daher wurde in diesem Artikel die Stoppbedingung der Fehlerkettensuche wie folgt festgelegt: 1) die Grid Islanding trat auf; 2) die Fehlerkettensuche erreichte die maximale Suchtiefe; und 3) eine bestimmte Phase der Fehlerkettensuche führte nicht zu einer Überlastung von Ästen. Die Fehlerkettensuche wurde eingestellt, sobald eine der Bedingungen erfüllt war.

Verwenden Sie eine stückweise lineare Funktion, um die Beziehung zwischen der Fehlerwahrscheinlichkeit der Übertragungsleitung und dem Stromfluss der Leitung zu beschreiben, gegeben durch:

(13)

Wobei p_l die Wahrscheinlichkeit für das Auftreten eines Fehlers auf l ist; p_l ist der reelle Leistungsfluss auf l; P _l,max ist die Übertragungskapazitätsgrenze von l; P_H ist die Wahrscheinlichkeit eines versteckten Schutzversagens; B ist der Überlastschwellen-Multiplikator, typischerweise auf 1,4 gesetzt, was bedeutet, dass wenn der von einer Leitung übertragene Leistungsfluss das 1,4-fache ihrer Nennkapazität übersteigt, Schutzvorrichtungen funktionieren und die Leitung auslösen, was zu einer Fehlerwahrscheinlichkeit von 1 führt.

Berechnung des Risikowerts für die Fehlerkette

Angenommen, eine bestimmte Fehlerkette beinhaltet Fehler an k Übertragungsleitungen. Nach der Entfernung dieser k-Leitungen wurde das Mindestniveau der Lastbegrenzung berechnet, das eine sichere Gleichstromübertragung im Netz gewährleistet. Die Zielfunktion wurde dann wie folgt definiert:

(14)

wobei n_B die Gesamtzahl der Busse im Stromnetz darstellt; D_{i_cut} ist die Menge der Lastabschaltung am Knoten i. Die zu erfüllenden Einschränkungen umfassen:

Knoten-Lastabschaltungsbeschränkungen

(15)

Wobei S_N die Menge der Busse im Stromsystem ist; D_i ist die ursprüngliche Last am Knoten i.

Ausgangsbedingungen des Generators

(16)

Wobei S_G die Menge der Generatorknoten im Energiesystem ist; PG_i bezeichnet die Leistung des Generators am Knoten i; PG_{i_min} und PG_{i_max} stellen jeweils die minimalen und maximalen technischen Generierungsgrenzen am Knoten i dar.

Sicherheitsbeschränkungen für den Stromfluss der Leitung

(17)

Wobei S_L die Menge der Übertragungsleitungen im Stromsystem ist; P_ij ist der Leistungsfluss auf Linie ij; P_{ij_max} ist die Übertragungskapazitätsgrenze für die Leitung ij.

Leistungsbilanz-Einschränkungen des Knotens

(18)

DC-Leistungsflussbeschränkungen

(19)

Wobei θ_i und θ_j die Spannungswinkel an den Bussen i und j bezeichnen, x_ij die Reaktanz der Leitung ij.

Für eine gegebene Fehlerkette L mit v Stufen ist die Wahrscheinlichkeit ihres Auftretens P_L :

(20)

Wobei p_l0 die Wahrscheinlichkeit für das anfängliche Ausfallereignis der Ereigniskette ist; P_l1 ~ P_lv sind die Wahrscheinlichkeiten für das Auftreten jeder Stufe in der Fehlerkette. Der Risikowert R_L für die Fehlerkette L ist definiert als:

(21)

Dabei ist D_L die Menge an Lastabschaltungen, die nach dem Auftreten der Fehlerkette L verursacht wird.

Die Fehlerkettensuche ermöglichte es, mehrere Hochrisiko-Zweige gleichzeitig als Erstausfälle auszuwählen. Unter der Annahme der Unabhängigkeit zwischen anfänglichen Zweigversagen, war die gemeinsame Wahrscheinlichkeit des Anfangsereignisses das Produkt der unabhängigen Ausfallwahrscheinlichkeiten jedes Hochrisikozweigs.

Modell der Präventions- und Kontrolloptimierung

Basierend auf der erhaltenen Menge von Fehlerketten wird ein Präventions- und Kontrolloptimierungsmodell konstruiert. Die Zielfunktion wurde wie folgt formuliert:

(22)

wobei n_G die Gesamtzahl der Generatorknoten darstellt; a_i und ΔPG_i repräsentieren den Kostenkoeffizienten bzw. die Leistungsanpassungsmenge des Generatorknotens i; ΔL_j repräsentiert die Menge an Lastabschaltungen am Knoten j. n_R bezeichnet die Anzahl der Fehlerketten; R_k bezeichnet den Risikowert der Fehlerkette k; und b ist der Kostenkoeffizient von Lastabschaltungen.

Die Einschränkungen sind wie folgt:

Leistungsbilanz-Einschränkung

(23)

Generator-Ausgangsanpassungsbedingungen

(24)

Sicherheitsbeschränkungen für den Stromfluss der Leitung

(25)

Wobei PTDF die Leistungsübertragungsverteilungsfaktormatrix des Netzes ist; P ist der Leistungsinjektionsvektor; ΔPG ist der Erzeugungsanpassungsvektor; und F_Max ist der Vektor der Grenzwerte der Leitungsübertragungskapazität.

Betrachten wir die Ausbreitungsstufe t in einer Störungskette (1 ≤ t ≤ v), nehmen wir an, dass der vorangehende Ausfallzweig km beträgt. Die Auswirkungen des Ausfalls des KM-Zweigs auf die Durchflussumverteilung im verbleibenden Netz wurden mit dem DC-Stromflussmodell bewertet. Der Netzbetrieb erfüllte die folgenden Bedingungen vor dem Ausfall des Zweigkilometers

(26)

Nach dem Ausfall der Zweigstrecke km

(27)

Wenn man die kleinen Terme zweiter Ordnung vernachlässigt, wird es:

(28)

Durch die Kombination der Gleichungen (26) und (28) erhält man Folgendes:

(29)

Eine weitere Vereinfachung führt zu:

(30)

Wobei P_km den aktiven Stromfluss auf Ast-km bezeichnet; ist ein Zeilenvektor, bei dem der k-te Eintrag 1 ist, der m-te Eintrag -1 und alle verbleibenden Komponenten null sind.

Nach Gleichung (30) wurde in der Ausbreitungsstufe t der Ereigniskette L, wenn der Zweig km getrennt war, der inkrementelle aktive Leistungsfluss in den nachfolgenden Zweigen als lineare Funktion repräsentiert, die mit dem aktiven Leistungsfluss der Zweig-km zusammenhängt. Darüber hinaus wurde dieses Inkrement, basierend auf Gleichung (13), direkt auf die Verwerfungswahrscheinlichkeiten nachfolgender Zweige abgebildet.

Im in diesem Abschnitt etablierten Leistungsflussoptimierungsmodell umfasste die Zielfunktion das Produkt der Fehlerwahrscheinlichkeiten jeder Stufe der Ereigniskette. Unter Berücksichtigung der Ausfallwahrscheinlichkeit in jeder Phase der Fehlerkette als Variablen war das Modell schwierig zu lösen, wenn die Multiplikationsordnung der Variablen zu groß ist. Der Einsatz heuristischer Algorithmen wie der Teilchenschwarmoptimierung oder genetischer Algorithmen erschwert es typischerweise, globale optimale Lösungen zu erhalten. Daher behandelte diese Arbeit das Multiplikationsprodukt der Ausfallwahrscheinlichkeiten verschiedener Stufen der Fehlerkette als eine einzige neue Variable und reduzierte damit effektiv die Multiplikationsreihenfolge der Variablen in der Zielfunktion. Anschließend wurden kommerzielle Optimierungslöser wie CPLEX und GUROBI verwendet, um Lösungen zu erhalten.

Results

Fallanalyse des Taifunwindfeldmodells

Dieser Abschnitt präsentiert eine Fallstudie basierend auf Taifun Yagi, der 2024 in der Provinz Hainan, China, auf Land traf. Die für die Modellierung verwendeten Windfelddaten werden aus Wetterstationsvorhersagen extrahiert, die 24 Stunden vor dem Ereignis veröffentlicht wurden. Mit dem Jelesnianski-Modell kann die räumliche Verteilung der Windgeschwindigkeit zu jedem beliebigen Zeitpunkt berechnet werden. In Kombination mit dem Übertragungsbranch-Schwachstellenmodell ermöglicht dies die Bewertung der Ausfallwahrscheinlichkeiten für einzelne Zweige im Hainan-Netz. Die Dauer T_w ist auf 1 Stunde gesetzt. Die Windgeschwindigkeit bleibt während dieses Zeitraums T_w konstant, daher gilt Δt = T_w = 1 h.

Stundendaten zur Windgeschwindigkeit in Haikou wurden zusammen mit der entsprechenden Anzahl beschädigter Leitungen analysiert, wobei die Ergebnisse in Abbildung 4 dargestellt sind. Es wird eine klare positive Korrelation beobachtet: Mit zunehmender Windintensität steigt die Anzahl der Leitungsausfälle entsprechend an. Durch die Integration der vorhergesagten meteorologischen Bedingungen mit dem hier vorgeschlagenen Windfeldmodellierungsrahmen erfasst die Methode das tatsächliche Netzausfallrisiko effektiver.

Typische Routen wurden aus vier Städten ausgewählt – Haikou, Danzhou, Sanya und Qionghai, die jeweils 10 km lang und 500 m lang waren. Mit der in diesem Artikel vorgeschlagenen Methode wurde die Wahrscheinlichkeit eines Linienausfalls bei maximalen Windgeschwindigkeiten berechnet und mit dem Verhältnis der ausgefallenen Linien zu den Gesamtlinien während tatsächlicher Taifunereignisse verglichen, wie in Abbildung 5 dargestellt. Die Ergebnisse zeigen eine gute Konsistenz zwischen der berechneten Ausfallwahrscheinlichkeit und der beobachteten Ausfallquote: Die Ausfallwahrscheinlichkeit steigt, wenn die maximale Windgeschwindigkeit in den betreffenden Städten steigt, was die Praktikabilität des in diesem Paper entwickelten Modells in Kombination mit Taifunvorhersageinformationen weiter bestätigt.

Präventions- und Kontrolloptimierung basierend auf den Fehlerketten

Die Wirksamkeit des vorgeschlagenen Ansatzes wird durch eine Simulation auf dem IEEE 39 Bus-Testsystem demonstriert. Die Zweige 1-2, 2-3 und 4-5 gelten unter extremen Katastrophenbedingungen als Hochrisiko, wie in Abbildung 6 dargestellt. Die Aktivleistungsgrenze jedes Zweigs ist auf 0,9-fache ihrer thermischen Durchflusskapazität gesetzt, und die vorhergesagte Tiefe d_{der Fehlerkette} ist auf 3 gesetzt. Kostenkoeffizienten für den Erzeugerdispatch, Ausgangsgrenzen und weitere Informationen sind in Tabelle 1 aufgeführt. Der Risiko-Kosten-Koeffizient b beträgt 100/MW, und die Ausfallwahrscheinlichkeit des zunächst ausgelösten Zweigs wird mit 1 angenommen. Die Wahrscheinlichkeit eines versteckten Schutzausfalls P_H wird auf 0,01 gesetzt. Nach der Formulierung des Modells verwendete der Redakteur MATLAB R2022b, um den GUROBI-Solver aufzurufen. Lösungszeit: 0,14 s, Lücke: 0,0000 %.

Durch die Durchführung der Ereigniskettensuche stellte sich heraus, dass das Öffnen der Leitungen 2-3 oder 4-5 keine verbleibenden Leitungen überlastet und daher keine Ereignisketten aus diesen Ausfällen hervorgehen. Wenn jedoch die Linien 1-2 getrennt sind, können vier mögliche Ereignisketten auftreten: [1-2, 2-3, 26-27], [1-2, 2-3, 25-26], [1-2, 2-3, 17-18, 26-27], [1-2, 2-3, 17-18, 25-26].

Das Suchergebnis der Fehlerkette beginnend mit Ast 1-2 ist in Abbildung 7 dargestellt. Unter diesen verursacht die Fehlerkette [1-2, 2-3, 25-26] keine Lastabschaltung, und das Risiko der Fehlerkette [1-2, 2-3, 17-18, 25-26] ist deutlich geringer als das der beiden anderen Fehlerketten. Daher werden nur die Fehlerketten [1-2, 2-3, 26-27] und [1-2, 2-3, 17-18, 26-27] für die spätere Präventions- und Kontrolloptimierung beibehalten.

Tabelle 2 zeigt die Ergebnisse der Präventions- und Kontrolloptimierung, während Abbildung 8 die entsprechenden optimierten Fehlerketten zeigt, die von Zweig 1 bis 2 initiiert wurden. Nach Anpassung der Generatorleistungen wird die erwartete Lastabschaltung infolge der zugehörigen Fehlerketten von 11,835 MW auf 0,670 MW reduziert, was zeigt, dass das Risiko des IEEE-39-Bus-Systems erheblich abnimmt. Die Validierung nach der Optimierung bestätigt, dass keine weiteren Fehlerketten auftreten, was darauf hinweist, dass die Präventions- und Kontrolllösung direkt an unterstützende Systemdispatcher implementiert werden kann.

Fallstudie zu einem realen Stromnetz: Hainan-System unter Taifun Yagi

Um die praktische Anwendbarkeit der vorgeschlagenen Methode weiter zu validieren, wurde 2024 eine Fallstudie basierend auf dem Hainan-Stromnetz in China während des Taifuns Yagi durchgeführt. Dieser Fall konzentriert sich auf die Wirksamkeit der Methode in großflächigen Systemen und ihre Vorteile gegenüber den herkömmlichen Sicherheitskriterien N-1 und N-2.

Präventions- und Kontrollmethoden im Vergleich zu den Sicherheitskriterien N-2

Unter dem Einfluss des Taifuns Capricorn erlebten mehrere Leitungen im Hainan-Stromnetz Ausfälle. Die Stromflussverteilung des regionalen Netzes um 19:50 Uhr am 6. September ist in Abbildung 9 dargestellt. In der Abbildung zeigt Rot den 500-kV-Spannungspegel an, Schwarz den 220-kV-Spannungspegel an, Blau den 110-kV-Spannungspegel, Durchgezogene Leitungen stehen für Betriebsleitungen und gestrichelte Leitungen für Ausfallleitungen.

Zu diesem Zeitpunkt waren die Linien LQ-JD und YZU-WQ Hochrisikolinien. Unter Berücksichtigung des Kaskadenausfallsprozesses, der durch den Ausfall dieser beiden Leitungen ausgelöst wird, ist die Stromverteilung des regionalen Netzes nach den Ausfällen der Leitungen LQ-JD und YZU-WQ in Abbildung 9 dargestellt. Der Stromfluss auf der Leitung DL-WC steigt auf 173,9 MW und übersteigt damit die langfristige Stromkapazität von 82 MW deutlich. Mit einem Auslastungsfaktor von 214 % wird ein Kettenauslösen der Leitung unvermeidbar. Dies führt zum isolierten Betrieb von WQ, JD, DL und ihren zugehörigen 110-kV-Umspannwerken. Da die Last unter der minimalen technischen Leistung der Einheiten von WQ Plant liegt, wird es schwierig, die Frequenzstabilität während des isolierten Betriebs aufrechtzuerhalten, was letztlich zu einem Stromausfall führt.

Eine präventive Steuerungsoptimierung des regionalen Netzes wird durchgeführt. Die optimierte Leistungsflussverteilung ist in Abbildung 10 dargestellt. Eine Einheit im WQ-Kraftwerk wird abgeschaltet, und die Leistung der verbleibenden Einheit wird auf 221,3 MW angepasst. Nachdem die LQ-JD- und YZU-WQ-Leitungen ausgelöst wurden, beträgt der Stromfluss auf der DL-WC-Leitung nur noch 58,8 MW, wodurch Kaskadenfehler vermieden werden. Unter Berücksichtigung des N-2-Sicherheitskriteriums, wenn nur N-2-Fehler an WQ-Umspannwerkszuleitungen berücksichtigt werden, wäre eine Anpassung der WQ-Kraftwerksleistung auf 133,5 MW erforderlich, um einen sicheren Stromfluss auf DL-WC sicherzustellen. Dieser Kontrollansatz verursacht übermäßig hohe Kosten.

Präventions- und Kontrollmethoden im Vergleich zu den Sicherheitskriterien N-2

Die Stromverteilung des regionalen Netzes um 19:58 Uhr am 6. September ist in Abbildung 11 dargestellt. Im Moment sind beide Linien LQ-JD und YZU-WQ aufgrund von Taifunschäden geöffnet. Die Linien YZG-DY (Ausfallwahrscheinlichkeit P₁=0,1) und DY-YZU (Ausfallwahrscheinlichkeit P₂=0,7) sind in den Hochrisiko-Zeilensatz enthalten. Die Stromtragkapazität der Übertragungsleitung TP-PT beträgt 82 MW.

Angesichts des kaskadierenden Ausfallprozesses, der durch eine einzelne Zweigtrennung ausgelöst wird, würde die Trennung der YZG-DY- oder DY-YZU-Leitung zu einer starken Überlastung der TP-PT-Leitung führen. Dies führte zwangsläufig zu einer Kaskadenauslösung der TP-PT-Leitung, was letztlich zu einer Systemverbindung führte. Die Ergebnisse der Fehlerkettensuche sind in Abbildung 11 dargestellt. Nach den Sicherheitskriterien N-1 erfordert die Sicherstellung der Leistungsstabilität nach dem Auslösen der Leitung YZG-DY allein eine Belastung von 213 MW. Nach den Sicherheitskriterien N-2 erfordert die Sicherstellung der Leistungsstabilität nach dem Auslösen beider Leitungen YZG-DY und DY-YZU eine Belastung von 213 MW. Die Lastabschaltgrößen der drei Methoden werden in Tabelle 3 verglichen.

Die Ergebnisse zeigen, dass die vorgeschlagene Methode, indem sie die Ausfallwahrscheinlichkeiten jedes Hochrisikozweigs und die Ausfallwahrscheinlichkeiten in jeder Phase der Fehlerkettenausbreitung berücksichtigt, die hohen Kontrollkosten im Zusammenhang mit den Sicherheitskriterien N-1 und N-2 erheblich senken kann. Im Vergleich zu den Sicherheitskriterien N-1 und N-2 erfüllt die vorgeschlagene Methode besser die Anforderungen an die Online-Kontrolle bei Katastrophen.

Datenverfügbarkeit:

Das IEEE 39-Bus-Testsystem, das in Fallstudie I verwendet wird, basiert auf dem öffentlich verfügbaren Benchmark-Netzwerk, das mit MATPOWER und zugehörigen Repositorien verteilt wird, und kann auf der Website des MATPOWER-Projekts abgerufen werden. Die durch die vorgeschlagene Methode für dieses Benchmark-System generierten Eingabedaten und Simulationsergebnisse (einschließlich identifizierter Fehlerketten und entsprechender Risikoindizes) stehen dem korrespondierenden Autor auf angemessene Anfrage zur Verfügung.

Die in Fallstudie II verwendeten realen Systemdaten stammen aus dem Hainan-Stromnetz und umfassen detaillierte Netztopologie, Geräteparameter und Betriebsaufzeichnungen. Diese Daten befinden sich im Besitz des lokalen Energieversorgers und unterliegen vertraglichen Vertraulichkeitspflichten sowie Vorschriften zum Schutz kritischer Infrastrukturen. Daher können der rohe Hainan-Gitterdatensatz und die vollständige Modellausgabe, die direkt mit diesem Datensatz verknüpft sind, nicht öffentlich zugänglich gemacht werden. Im Artikel werden nur aggregierte und anonymisierte Ergebnisse bereitgestellt, die zur Untermauerung der Ergebnisse dieser Studie notwendig sind. Forscher, die für legitime akademische Zwecke auf die zugrunde liegenden Hainan-Systemdaten zugreifen möchten, können den korrespondierenden Autor kontaktieren; Jede mögliche Datenfreigabe erfordert eine vorherige schriftliche Genehmigung des Dateninhabers und, falls erforderlich, die Unterzeichnung einer entsprechenden Geheimhaltungsvereinbarung.

Das allgemeine Modellierungsrahmenwerk, die Algorithmen und die Parametereinstellungen werden im Haupttext und den unterstützenden Informationen so detailliert beschrieben, dass andere Forscher die vorgeschlagene Methode auf öffentlich zugänglichen Testsystemen oder auf ihren eigenen Datensätzen implementieren und validieren können.

Abbildung 1: Schematische Bewegung des Taifuns nach Landfall. Basierend auf dem Taifun-Windfeldmodell nimmt die horizontale Windgeschwindigkeit vom Auge aus zu und nimmt anschließend mit der radialen Entfernung ab. Nimmt man die Position O auf dem Übertragungszweig als Beispiel: Zum Zeitpunkt von t₁ beträgt der maximale Windradius des Taifuns r_max(t₁), und der Abstand zwischen dem Mittelpunkt des Taifuns und O ist d(t₁). Diesmal ist d(t₁) größer als r_max(t₁), und wenn der Taifun sich bewegt, verringert sich der Abstand zwischen O und dem Taifunzentrum, sodass die Windgeschwindigkeit bei O zunimmt. Im Moment von t₂ ist d(t₂) kleiner als r_max(t₂) und d(t₂) nimmt ab, sodass die Windgeschwindigkeit bei O abnimmt. Im Moment t₃ nimmt d(t₃) weiter zu, ist aber kleiner als r_max(t₃), sodass die Windgeschwindigkeit bei O zunimmt. Ähnlich nimmt bei t₄ d(t₄) weiter zu und ist größer als r_max(t₄), sodass die Windgeschwindigkeit bei O abnimmt, wenn sich das Taifunzentrum entfernt. Man sieht, dass sich die Windgeschwindigkeit an jeder Stelle auf dem Getriebezweig mit der Zeit ändert, und selbst auf demselben Triebzweig sind die Windgeschwindigkeitsänderungen an verschiedenen Stellen nicht gleich. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 2: Schaltplan des Übertragungszweigs m. Diese Abbildung zeigt einen einzelnen Übertragungszweig, der aus aufeinanderfolgenden Türmen (bezeichnet als Turm m bis Turm k) und Leitungen (beschriftet als Linie m bis Linie k) besteht. Jedes benachbarte Turmpaar bildet eine Leiterbrücke. Ein Turm ist ein diskreter Auswertungspunkt für meteorologische Last und Bauteilzustand, und eine Leitung bezeichnet den Leiterspann zwischen zwei benachbarten Türmen auf demselben Zweig. Der Zustand von Ast m wird ermittelt, indem die Zustände seiner Türme und Linien unter einer Serienstrukturannahme aggregiert werden. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 3: Verfahren für Präventions- und Kontrollmaßnahmen basierend auf Fehlerketten. Dieses Flussdiagramm zeigt den verwendeten Arbeitsablauf. Zweige, die unter extremen Katastrophen als hochrisikofähig identifiziert werden, werden zuerst in den ursprünglichen Fehlersatz aufgenommen. Für jeden Kandidaten wird eine Verzweigung als anfänglicher auslösender Zweig gewählt, der Auslöser wird ausgelöst und die Netzwerkparameter werden aktualisiert. Wenn System-Islanding auftritt oder die voreingestellte maximale Tiefe erreicht wird, wird die Suche nach dieser Fehlerkette eingestellt. Wenn überlastete Zweige auftreten, wird jeder überlastete Ast nacheinander als nächster Tripping-Ast übernommen und die Trip-Update-Check-Schleife setzt sich fort. Wenn keine Überlastung auftritt, wird der Risikoindex der Fehlerkette berechnet. Nachdem alle Anfangsfehler verarbeitet wurden, werden die Fehlerkettenpfade mit relativ hohen Risikowerten identifiziert und anschließend werden präventive Maßnahmen auf das Zielnetzwerk angewendet. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 4: Beziehung zwischen Taifunwindgeschwindigkeit und Anzahl fehlerhafter Leitungen in Haikou-Stadt. Diese Abbildung zeigt die stündliche Taifunwindgeschwindigkeit in der Stadt Haikou (linke y-Achse) und die Anzahl der fehlerhaften Linien, die in der entsprechenden Stunde erfasst wurden (rechte y-Achse). Wenn die Windgeschwindigkeit von 10 m/s auf über 50 m/s steigt, steigt die Anzahl der fehlerhaften Leitungen entsprechend an, erreicht ihr Maximum um 19:00–20:00 Uhr und nimmt dann ab, wenn der Wind nachlässt. Die synchrone Variation zeigt eine klare positive Verbindung zwischen lokaler Windintensität und Leitungsfehlern, was mit der hier gemachten Annahme übereinstimmt, dass das Ausfallrisiko von Getriebekomponenten mit zunehmender Windgeschwindigkeit steigt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 5: Vergleich der Ausfallwahrscheinlichkeit der Leitung und des tatsächlichen Ausfallverhältnisses. Diese Abbildung vergleicht das Verhältnis tatsächlicher fehlerhafter Linien zu Gesamtlinien (linke y-Achse) mit der Wahrscheinlichkeit eines Linienausfalls (rechte y-Achse) in vier Städten. Beide Indikatoren folgen demselben räumlichen Muster: Haikou ist der höchste, Danzhou folgt, Sanya der niedrigste und Qionghai zeigt eine moderate Erholung. Die beiden Kurven folgen eng und weisen auf eine starke positive Verbindung zwischen der modellierten Ausfallwahrscheinlichkeit und der beobachteten Fehlerinzidenz hin, was die Interpretation stützt, dass Städte mit höherem geschätztem Risiko auch höhere tatsächliche Ausfallquoten aufweisen. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 6: IEEE 39-Bus-System. Diese Abbildung zeigt das IEEE 39-Bus-Testsystem, das in der Fallstudie verwendet wird. Die Busse sind nummeriert, die Generatorbusse sind mit G markiert und Übertragungszweige verbinden die Busse. Rot hervorgehobene Zweigsegmente kennzeichnen Hochrisiko-Zweige, die für das Extremkatastrophenszenario durch das hier beschriebene Risikobewertungsverfahren identifiziert wurden; Diese Zweige bilden die anfängliche Fehlermenge zur Konstruktion von Fehlerketten in der nachfolgenden Analyse. Das Diagramm ist schaltplanmäßig und dient dazu, die Testsystemtopologie sowie die Standorte der identifizierten Hochrisikozweige zu klären. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 7: Fehlerkettensuchergebnisse. Diese Abbildung listet die im IEEE 39-Bus-Fall erhaltenen Fehlerketten auf. Ausgehend vom anfänglichen Trip-Ast 1-2 setzt sich die Kette zu 2-3 fort und verzweigt sich dann zu Kandidaten für Next-Level-Tripping-Zweige (26-27, 25-26, 17-18). Die Zahlen auf den Pfeilen zeigen die Etappenwahrscheinlichkeit für den nächsten getrippten Ast an. Der Text an den Endknoten meldet die resultierende minimale Lastabschaltung für diese Kette (z. B. 73,73 MW, 39,36 MW) oder weist darauf hin, dass keine Lastabschaltung stattfindet. Das Diagramm liefert eine kompakte Aufzeichnung der Fehlerkettenpfade und deren Ergebnisse. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 8: Optimierte Fehlerketten. Diese Abbildung listet die optimierten Fehlerketten im IEEE 39-Bus-Fall auf. Ausgehend vom anfänglichen Trip-Ast 1-2 setzt sich die Kette zu 2-3 fort und folgt dann einem von zwei nächsten Trip-Asts: direkt zu 26-27 oder durch 17-18 und dann zu 26-27. Die Zahlen auf den Pfeilen (z. B. 0,01, 0,9) zeigen die Stufenwahrscheinlichkeit für den nächsten ausgelösten Ast auf jedem Weg an. Das Diagramm liefert eine kompakte Aufzeichnung der optimierten Fehlerkettenpfade und ihrer Stufenwahrscheinlichkeiten. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 9: Ergebnisse der Stromflusssimulation für ein regionales Netz am 19:50 Uhr am 6. September und Leistungsverteilung im regionalen Netz nach der Trennung der Leitungen LQ-JD und YZU-WQ. Die obige Abbildung zeigt die Ergebnisse der Leistungsflusssimulation für ein regionales Netz am 19:50 Uhr am 6. September. Basisstrom des regionalen Netzes unter Taifuneinfluss. Die Farben geben Spannungspegel an (500/220/110 kV). Derzeit werden die Linien LQ-JD und YZU-WQ als Hochrisikoelemente identifiziert. Die folgende Abbildung zeigt die Leistungsverteilung im regionalen Netz nach der Trennung der Leitungen LQ-JD und YZU-WQ. Wenn die beiden Hochrisikoleitungen ausgelöst werden, wird der Strom umverteilt und die Leitung DL-WC wird stark überlastet, was den WQ-JD-DL-Korridor in eine mögliche Insulanerung der angeschlossenen 110-kV-Umspannstationen und mögliche Ausfälle führt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 10: Verteilung des Stromflusses im regionalen Netz nach Präventions- und Kontrollmaßnahmen. Mit der vorgeschlagenen präventiven Kontrolle wird eine Einheit in WQ abgeschaltet und die verbleibende Erzeugung neu geplant. Die Überlastungen werden entlastet und das Kaskadenrisiko deutlich reduziert, wodurch Sicherheit mit deutlich geringerer Einschränkung als das konventionelle N-2-Kriterium erreicht wird. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Abbildung 11: Ergebnisse der Stromflusssimulation für ein regionales Netz am 6. September 19:58 Uhr und Fehlerkettensuchergebnisse für das Hainan-Stromnetz. Die obige Abbildung zeigt die Ergebnisse der Stromflusssimulation für ein regionales Netz am 6. September um 19:58. Das System arbeitet mit geöffneten LQ-JD und YZU-WQ. Das Screening weist YZG-DY und DY-YZU als die nächstkritischsten Linien an, während der 110 kV TP-PT-Korridor in diesem Bereich zur bindenden thermischen Einschränkung wird. Die folgende Abbildung zeigt die Fehlerkettensuchergebnisse für das Hainan-Stromnetz. Die Suche identifiziert zwei dominante Ein-Schritt-Ketten, die von Hochrisikolinien initiiert werden: LQ-JD (anfängliche Ausfallwahrscheinlichkeit 0,1) und DY-YZU (anfängliche Fehlerwahrscheinlichkeit 0,7). In beiden Fällen zwingt die Überlastung TP-PT zum Auslösen (Stufenwahrscheinlichkeit ≈ 1), was zu einer Systemaufteilung mit geschätzter Lastabschaltung von 295 MW bzw. 144 MW führt. Bitte klicken Sie hier, um eine größere Version dieser Abbildung anzusehen.

Generatorbus	Anfängliche aktive Leistung (MW)	Untergrenze der aktiven Leistung (MW)	Obere Ausgangsgrenze der aktiven Leistung (MW)	Anpassungskosten (1/MW)
30	250	0	1040	1
31	677.87	0	976	1.1
32	650	0	725	1.1
33	632	0	652	1.2
34	508	0	508	1.2
35	650	0	687	1.3
36	560	0	580	1.3
37	540	0	564	1.1
38	830	0	865	1.1
39	1000	0	1200	1.5

Tabelle 1: Informationen zum IEEE 39-Bus-System. Diese Tabelle zeigt generatorseitige Parameter für das IEEE 39-Bus-Gehäuse. Für jeden Generatorbus listet er die anfängliche aktive Leistung an, den zulässigen Bereich der unteren/oberen Bereiche der aktiven Leistung und die Anpassungskosten. Diese Einträge geben die anfängliche Verteilung, zulässige Anpassungsgrenzen und den Pro-MW-Anpassungskoeffizienten für jeden in der Fallstudie verwendeten Generator an.

Nein.	Generatorbus	Ausgangsanpassung (MW)
1	30	32.64
2	31	-32.64

Tabelle 2: Ergebnisse der Leistungsflussoptimierung. Diese Tabelle listet die generatorseitigen Anpassungen auf, die durch die Leistungsflussoptimierung entstehen. Für jeden Generatorbus gibt die Spalte Ausgangsanpassung die Änderung relativ zur anfänglichen aktiven Leistung an; positive Werte bedeuten eine Zunahme, negative Werte eine Abnahme. In diesem Fall wird Bus 30 um +32,64 MW und Bus 31 um -32,64 MW angepasst.

Methode	Lastabschaltung (MW)
Präventive Kontrollmethode	62
N-1-Sicherheitskriterium	>213
N-2-Sicherheitskriterium	>>213

Tabelle 3: Vergleich der Lastabschaltmengen für die drei Methoden. Diese Tabelle vergleicht die durch die drei Methoden erforderlichen Lastabschaltmengen. Die vorgeschlagene präventive Kontrollmethode erfordert nur 62 MW Lastabschaltung, während sowohl die Sicherheitskriterien N-1 als auch N-2 mehr als 213 MW erfordern, was eine deutliche Senkung der Kontrollkosten durch den vorgeschlagenen Ansatz zeigt.

Discussion

In diesem Artikel wird eine fehlerkettenbasierte Präventions- und Kontrollmethode für Taifunkatastrophen vorgeschlagen, die zunächst die Hochrisiko-Zweige unter Taifunkatastrophen abschirmt und anschließend die Ausgangsleistung der Netzaggregate sowie die Leitungslast entsprechend den Fehlerketten anpasst, mit dem Ziel, das Ausfallausbreitungsrisiko zu mindern. Im Vergleich zu Online-Kontrollmethoden, die auf den Sicherheitskriterien N-1 und N-2 basieren, während Katastrophen reduziert die in diesem Artikel vorgeschlagene Methode die Kontrollkosten nach den Sicherheitskriterien N-1 und N-2 erheblich, indem sie die Fehlerwahrscheinlichkeit jeder Leitung bei Taifunkatastrophen und die kaskadierende Fehlerwahrscheinlichkeit von Leitungsüberlastungen^29,30 berücksichtigt.

Die vorgeschlagene Forschung trägt in mehreren Bereichen zur Weiterentwicklung der Resilienzanalyse von Energiesystemen bei. Erstens erfasst er die räumlich korrelierten und zeitlich veränderten Auswirkungen von Taifunlasten auf die Übertragungsinfrastruktur, die in der traditionellen Notfallanalyse oft vereinfacht oder vernachlässigt werden. Zweitens konzentriert die Methode durch das Screening von Hochrisiko-Zweigen und die Erstellung entsprechender Fehlerketten die präventiven Ressourcen auf eine begrenzte Reihe kritischer Kaskadenpfade, wodurch die erwartete Lastabfälle effektiv reduziert und übermäßig konservative Präventionspläne im Vergleich zu klassischen N-1/N-2-basierten Kontrollen vermieden werden. Drittens bietet der einheitliche Risikoindex, definiert durch die Kombination von Fehlerwahrscheinlichkeiten und Lastverlustfolgen, eine praktische Kennzahl für Betreiber, um Sicherheit und Kostenkontrolle in Echtzeit-Entscheidungsunterstützung auszubalancieren.

Dennoch sollten einige Einschränkungen anerkannt werden. Das Verwundbarkeitsmodell konzentriert sich auf Liniensegmente und Türme und verwendet eine Serienstrukturannahme, die in der Praxis möglicherweise nicht vollständig komplexe Komponenteninteraktionen und korrelierte Ausfälle repräsentiert. Die Fehlerkettenanalyse basiert auf Gleichstromstrom und vereinfachten Kaskadieren, und Parameterunsicherheiten in Taifunprognosen und Fragilitätskurven können die Genauigkeit der Risikoquantifizierung beeinflussen. Darüber hinaus konzentriert sich der Optimierungsrahmen hauptsächlich auf präventive Kontrolle; Koordinierte Blockierungen oder Sanierungsmaßnahmen während der Fehlerkettenausbreitung werden in dieser Arbeit nicht explizit modelliert.

Alternative Ansätze zur Untersuchung derselben Hypothese umfassen robuste oder zufällig begrenzte optimale Leistungsflussformulierungen unter Berücksichtigung von Taifunszenarien, umfassende N-k- oder Monte-Carlo-basierte Kaskadenfehlersimulationen sowie koordinierte präventive Blockierkontrollmodelle, die gemeinsam die Vor-Kontingenz-Dispatch- und Nach-Kontingenz-Korrektur- oder Islanding-Maßnahmen entlang bestimmter Fehlerketten optimieren³¹. Diese Methoden bieten ergänzende Perspektiven und könnten mit dem vorgeschlagenen Rahmen kombiniert werden, um die Modellierungstreue zu verbessern.

Die vorgeschlagene Methode hat wichtige potenzielle Anwendungen im katastrophenresistenten Betrieb und in der Planung von Stromsystemen in typhoangefährdeten und Küstenregionen. Es kann in Online-Entscheidungsunterstützungsplattformen eingebettet werden, um risikoinformierte Präventionskontrollstrategien vor dem Taifun zu erstellen, Betreiber bei der Priorisierung der Überwachung und Verstärkung von Hochrisikokorridoren zu unterstützen und mittelfristige bis langfristige Planungen zur Verstärkung kritischer Übertragungszweige zu unterstützen. Mit angemessener Anpassung der Verwundbarkeits- und Gefahrenmodelle kann das Rahmenwerk auch auf andere wetterbedingte und natürliche Gefahren wie schwere Windstürme, Vereisungsereignisse und Waldbrände ausgeweitet werden und so ein allgemeines Werkzeug zur Verbesserung der Widerstandsfähigkeit moderner Stromnetze³² bieten.

Modifikationen und Fehlerbehebung

Obwohl die vorgeschlagene Methode sowohl im IEEE-39-Bus- als auch im Hainan-Stromnetz validiert wurde, müssen Praktiker sie möglicherweise anpassen oder stoßen bei der Implementierung auf Herausforderungen. Dieser Abschnitt bietet Hinweise zu möglichen Modifikationen und Fehlerbehebungen bei häufigen Problemen.

Modifikationen für bestimmte Szenarien:

Die in diesem Artikel vorgeschlagene Methode beschränkt sich nicht nur auf Taifunkatastrophen. Sie kann an andere Katastrophen wie Eisstürme und Waldbrände angepasst werden, indem die entsprechenden Gefahren- und Verwundbarkeitsmodelle angepasst werden. In der praktischen Umsetzung sollte das Jelesnianski-Taifun-Windfeldmodell durch geeignete gefahrspezifische Modelle ersetzt werden, und das Verwundbarkeitsmodell der Übertragungsleitung sollte basierend auf den unterschiedlichen Ausfallmechanismen der Komponenten unter den neuen Katastrophenbedingungen neu kalibriert werden.

In Systemen mit hoher Durchdringung erneuerbarer Energien wird der Betriebspunkt vor der Katastrophe variabler. Die Methode kann zu einem stochastischen oder robusten Optimierungsrahmen angepasst werden. Die Risikobewertung der Fehlerkette müsste dann mehrere Szenarien erneuerbarer Erzeugung berücksichtigen, wodurch die Anzahl der Kandidaten-Fehlerketten und die Gesamtrechenlast erhöht werden.

Fehlerbehebung häufiger Implementierungsprobleme:

Die vorgeschlagene Methode kann bei Anwendung auf großräumige Systeme auf unerschwinglich lange Berechnungszeiten stoßen. Dies wird auf die kombinatorische Komplexität des Fehlerkettensuchprozesses zurückgeführt. In extragroßen Systemen mit zahlreichen Hochrisiko-Anfangslinien steigt die Anzahl potenzieller Fehlerketten dramatisch an, insbesondere wenn eine große Suchtiefe konfiguriert wird, was folglich zu einer übermäßigen Rechendauer führt. Um dieses Problem zu lösen, können folgende Minderungsstrategien in Betracht gezogen werden: Erstens kann der anfängliche Notfallsatz angemessen reduziert werden, indem die Ausfallwahrscheinlichkeitsschwelle für die Aufnahme erhöht wird und so Hochrisikolinien strenger gescreent werden. Priorität sollte den Linien eingeräumt werden, die sich innerhalb des prognostizierten Kernkatastrophengebiets befinden. Zweitens kann die Suchtiefe begrenzt werden. Basierend auf technischem Ermessen und der typischen Ausbreitungslänge historischer Kaskadenfehler im Zielgitter kann die maximale Suchtiefe von 4 auf 3 oder sogar 2 reduziert werden. Darüber hinaus kann die vorgeschlagene Methode auf die Undurchführbarkeit des Optimierungsmodells stoßen. Angesichts der angegangenen schwerwiegenden Kontingenzszenarien können die Einschränkungen – wie N-1-Sicherheitskriterien und Generator-Ausgangsgrenzen – übermäßig restriktiv sein, sodass keine praktikable Generation-Dispatch-Lösung besteht, die alle Hochrisiko-Fehlerketten gleichzeitig abmildern kann. Um solche Probleme zu lösen, können folgende Ansätze in Betracht gezogen werden: Erstens können die Sicherheitsbeschränkungen gelockert werden, indem strenge N-1-Sicherheitsbeschränkungen innerhalb der Zielfunktion in weiche Beschränkungen umgewandelt werden, was kleinere und temporäre Verstöße ermöglicht, um das Gesamtrisiko des Systems zu verringern. Zweitens: Untersuchen Sie die Menge der Kandidatenfehlerketten erneut. Es ist möglich, dass einige sehr geringe, aber konsequenzhohe Ketten die Undurchführbarkeit vorantreiben. Eine risikobasierte Kürzung der Kandidatengruppe könnte notwendig sein.

Materials

List of materials used in this article

Name	Company	Catalog Number	Comments
GUROBI	Gurobi Optimierung, LLC	10.0.1	Kommerzieller Löser für das Optimierungsmodell verwendet
MATLAB	MathWorks	2020b	Kernumgebung für alle Simulationen
Notebook PC	Lenovo	X1 Carbon Gen 9	CPU: Intel Core i7-1165G7; RAM: 16 GB; SSD: 512 GB; Betriebssystem: Windows 11
Selbst entwickelte MATLAB-Skripte	Selbstentwickelt	v1.0	Implementiert die Fehlerkettensuch- und Optimierungsroutinen