一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法与流程

1.本发明涉及地磁暴防灾治理技术领域，具体说是一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法。


背景技术：

2.太阳活动引起地球磁场的变化称为地磁暴。地磁暴在电网中引发的地磁暴感应电流会对电网的安全稳定运行造成威胁。随着我国高电压、大容量和远距离输电网的建设，越来越多的高电压长距离输电系统都受到地磁暴感应电流(geomagnetically induced current，gic)的影响，而计算gic的关键在于发生地磁暴时作用在输电线路上的等效直流电压源。gic流过变压器引起半波饱和，无功损耗(q
gic
)增加，影响电压稳定性。地磁暴的防灾治理装置通常分为两种：改变网络结构(开断线路)和在变压器中性点安装治理装置(接地电阻或电容)。常见的治理思路是利用某一感应地电场的假设值或者某一次具体的地磁暴事件的感应地电场(induced geoelectric field，igf)幅值计算gic，然后以gic最小为目标函数，通过优化算法最终确定治理装置的安装位置。
3.实际上，发生地磁暴时感应地电场的幅值和方向是实时变化的，并非某一定值，并且不同大小或方向的igf会对系统造成不同程度的影响，仅针对最严重的情况进行治理，针对性过强，必然要安装更多的阻隔装置，导致治理成本的增加，容易导致“过治理”，即安装设备无法得到充分利用，当感应地电场发生变化时，无法得到最优的治理效果。对于已经考虑igf不确定性的优化治理方案，往往通过随机模拟得到多组igf样本，然后计算q
gic
的期望值，以期望值最小作为目标函数优化配置阻隔装置。但这种方法一方面需要大量的igf样本数据，另一方面并没有考虑地磁扰动(geomagnetic disturbance，gmd)对系统运行特性的影响。


技术实现要素：

4.针对现有技术中存在的缺陷，本发明的目的在于提供一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法。本方法提出结合多次地磁暴事件建立感应地电场概率分布模型，利用拉丁超立方采样获得感应地电场样本，计算电压/gic灵敏度，构建灵敏度特征空间并进行场景聚类，得到联合灵敏度场景，最后基于灵敏度场景进行阻隔装置优化配置。
5.为达到以上目的，本发明采取的技术方案是：
6.一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法，其特征在于，包括如下步骤：
7.s1：基于多次地磁暴事件，利用三参数t分布方法拟合感应地电场的南北分量e
x
和东西分量ey；
8.s2：利用拉丁超立方采样得到igfs样本；
9.s3：利用s2得到的igfs样本，计算电压灵敏度s1和gif灵敏度s2，构建灵敏度特征空间并进行场景聚类，得到联合灵敏度场景；
10.s4：根据s3得到的联合灵敏度场景，优化阻隔装置安装位置，如下式所示：
[0011][0012]
式中，t为场景数量；ps为场景s的比重；nb为节点数量；ng为发电机数量；p
l
为有功负荷；δp
l
为有功损耗；ui为节点i的电压；p
gi
，分别为发电机输出有功功率，有功最小值和最大值；q
gi
，分别为发电机输出无功功率，有功最小值和最大值；ui，分别为节点电压，节点电压最小值和最大值；i
gici
为流过变压器中性点gic的阈值；f为目标函数值；minfs为场景s的优化结果。q
gici
为节点i的q
gic
；p
di
为节点i的有功功率不平衡量。uj为节点j的电压；g
ij
和b
ij
分别为节点ij之间的电导和电纳；δ
ij
为节点ij之间的相角差。
[0013]
在上述方案的基础上，s2具体为：
[0014]
对于e
x
和ey，将其概率分布分为n个区间，对这n个区间进行逆变换得到对应的变量值；生成1～n随机排列的矩阵，计算矩阵中每行元素的相关系数，进而形成相关系数矩阵；对相关系数矩阵进行cholesky分解得到单位矩阵，对单位矩阵中每行元素进行重新排列，得到独立的样本。
[0015]
在上述方案的基础上，s3具体为：
[0016]
s31：对于具有nb个节点的系统，将以极坐标表示的潮流方程线性化，如下式(2)所示：
[0017][0018]
式中，j
pθ
,j
pv
,j
qθ
和j
qv
为增广雅克比矩阵中的分块矩阵；δp，δq，δθ，δv分别为有功不平衡量，无功不平衡量，电压相角不平衡量和电压幅值不平衡量；下标p,q代表节点有功和无功功率；下标v,θ代表节点电压幅值和相角；
[0019]
忽略有功功率的影响，δv可以表示为式(3)：
[0020]
δv＝s
vq
δq
ꢀꢀꢀ
(3)；
[0021]
式中s
vq
为电压/无功灵敏度矩阵，
[0022]
对s
vq
每列中的元素进行求和处理，获得电压灵敏度s1，如下式(4)所示：
[0023][0024]
上式中，s为场景编号，取值1...t；
[0025]
s32：线路感应电压u计算公式如下式(5)所示：
[0026]
u＝e
x
l
x
+eylyꢀꢀꢀ
(5)；
[0027]
式中，l
x
和ly分别为由接地点经纬度坐标计算得到的线路北向长度和东向长度；
[0028]
节点gic的矩阵方程为：
[0029]
i＝(1+yz)-1 ae＝ge
ꢀꢀꢀ
(6)；
[0030]
则，gif灵敏度s2如下式(7)所示：
[0031][0032]
上两式中，i为各节点流入地下的gic向量；y为n
×
n的网络导纳矩阵，其元素为y
ij
＝-1/r
ij
,i≠j，i＝j；z为n
×
n的网络接地阻抗矩阵；a为α与β合并而成的n
×
2m的矩阵，α与β分别为n
×
m的矩阵，其元素分别为：e为e
x
与ey合并而成的2m
×
1矩阵；
[0033]
其中，y
ij
为节点i与j之间的互导纳；y
jj
为节点j的自导纳；r
ij
为节点i与j之间的电阻；r
jk
为节点j与k之间的互导纳；n为等效网络中节点数量；l
x
和ly分别为输电线路南北走向长度和东西走向长度；r
im
为节点i与m之间的电阻；
[0034]
s33：将s1和s2拼成矩阵[s
1,1
,s
1,2
,l,s
1,n
,s
2,1
,s
2,2
,l,s
2,n
]，对每一列去均值处理后计算上述矩阵的协方差矩阵，如下式(8)所示：
[0035][0036][0037]
计算上述协方差矩阵的特征值和对应的特征向量，选取最大的前s个特征值和对应的特征向量并进行投影；
[0038]
对于主成分分析得到的需要聚类的数据zk×m；另t＝1，选择l个初始凝聚点zj(t),j＝1,2,l l，计算每个样本与凝聚点之间的欧式距离d(zi,zj(t))，i＝1,2,l n，求得m满足式(9)：
[0039]
d(zi,zm(t))＝min{d(zi,zj(t)),j＝1,2,ln} m∈[1,l]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；
[0040]
当zj(t+1)＝zj(t)时，聚类结束。
[0041]
本发明所述的一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法，其有益效果为：
[0042]
提出了igf灵敏度场景的概率模型，并基于此模型进行阻隔装置优化配置。从模型本身，灵敏度场景除了反映igf本身的不确定特性外，还能有效反映地磁暴对系统运行特性的影响。从治理结果可以看出，相比于恒定igf场景和变化igf强度场景，基于灵敏度场景的阻隔装置优化配置能够更好的起到对幅值和方向随机变化的igf抵抗作用。
附图说明
[0043]
本发明有如下附图：
[0044]
图1为n节点gic电网等效模型图；
[0045]
图2为ex的三参数t分布拟合曲线；
[0046]
图3为ey的三参数t分布拟合曲线；
[0047]
图4为基于灵敏度场景的阻隔装置优化配置流程图；
[0048]
图5为k
dbi
和聚类数之间的关系图。
具体实施方式
[0049]
为使本技术的目的、技术方案和优点更加清楚，下面将结合实施例中的附图，对本技术的技术方案进行清楚、完整地描述。所描述的实施例是本技术的一部分实施例，而不是全部的实施例。基于本技术中的实施例，本领域普通技术人员在没有做出创造性劳动的前提下所获得的所有其他实施例，都属于本技术保护的范围。下面结合附图和实施例对本发明进行详细的描述。
[0050]
s1、感应地电场概率密度分布函数拟合；
[0051]
发生地磁暴时感应地电场的不确定性使q
gic
具有波动性，确定感应地电场的概率分布函数是研究多次地磁暴事件对系统稳定性影响的基础。对于多次地磁暴，本发明将第23太阳活动周期内dst指数小于等于100nt的特大磁暴和大磁暴事件作为典型案例，用以评估地磁暴对电力系统小扰动稳定性的影响。利用分层大地电导率模型和平面波法计算得到感应地电场，对其按区间进行频率统计；
[0052]
基于多次地磁暴事件拟合igf的南北分量e
x
和东西分量ey；
[0053]
定义评估拟合效果的指标，如下式所示。
[0054][0055]
式中，m为频率分布直方图中直方柱数量；式中，m为频率分布直方图中直方柱数量；和分别为第i个直方柱的高度及中心位置；f(
·
)为拟合的概率密度函数；yi为中心位置上拟合概率密度函数值。拟合指标i越小，拟合精度越高。
[0056]
利用正态分布，柯西分布，三参数t分布和对数正态分布函数拟合29次地磁暴事件感应地电场分量得到拟合指标值，其平均值，最大值，最小值。利用三参数t分布拟合效果最好，其本身的“尖峰厚尾”性也验证了使用三参数t分布的合理性。
[0057]
s2、感应地电场采样；
[0058]
由于感应地电场概率分布已知，同时为避免重复采样，采用拉丁超立方采样(latin hypercube sampling,lhs)。lhs包含采样和排序两个步骤，采样可以使模型所得值能均匀覆盖全体，排序使变量之间的相关性得到解决。
[0059]
首先对于ex和ey将其概率分布分为n个区间，对这n个区间进行逆变换得到对应的变量值。此lhs采样便覆盖了所有信息。为打破随机变量的相关性，需进行排序。生成的1～n随机排列的矩阵，计算矩阵中每行元素的相关系数，进而形成相关系数矩阵。对相关系数矩阵进行cholesky分解得到单位矩阵，对单位矩阵中每行元素进行重新排列，得到独立的样
本。
[0060]
s3、构建联合灵敏度空间；
[0061]
对于具有nb个节点的系统，将以极坐标表示的潮流方程线性化，由于电压幅值与有功功率增量之间的弱耦合关系，故忽略有功功率的影响。电压灵敏度反映了系统节点电压和无功功率之间的线性增量关系，矩阵的每列反映了每个节点对系统电压的影响。因此，对每列中的元素进行求和处理，获得一组1
×
(n
b-1)维向量，称为灵敏度向量，用于测量每个节点无功注入对系统电压的影响；
[0062]
根据gic计算中的矩阵形式，将gic对感应地电场求导，得到gic对感应地电场的灵敏度。gic对感应地电场的灵敏度中包含了输电线路走向和长度，电网拓扑结果，电网参数等信息。
[0063]
将感应地电场样本代入系统，并计算电压稳定灵敏度s1和gic灵敏度s2。通过主成分分析(principal component analysis，pca)获得贡献率大于某一设定值的前s主成分，构成电压和gic的联合灵敏度特征空间。然后通过聚类分析生成与系统电压稳定性相关的灵敏度场景。将获得的场景映射到igfs聚类，以获得igfs灵敏度场景。结合k-means聚类方法和联合敏感性信息，建立了灵敏度场景模型。将得到的灵敏度场景再映射到igf聚类，得到igf灵敏度场景。
[0064]
具体地：
[0065]
电压灵敏度是指无功功率引起的节点电压变化。对于具有nb个节点的系统，以极坐标表示的潮流方程可以线性化，如式(1)所示。
[0066][0067]
式中，j
pθ
,j
pv
,j
qθ
和j
qv
为增广雅克比矩阵中的分块矩阵。
[0068]
由于电压幅值与有功功率增量之间的弱耦合关系，故忽略有功功率的影响，如式(2)所示。
[0069]
δv＝s
vq
δq
ꢀꢀꢀ
(2)
[0070]
式中，s
vq
为电压/无功灵敏度矩阵，
[0071]svq
反映了系统节点电压和无功功率之间的线性增量关系，矩阵的每列反映了每个节点对系统电压的影响。因此，对每列中的元素进行求和处理，获得一组1
×
(n
b-1)维向量，称为灵敏度向量，用于测量每个节点无功注入对系统电压的影响，如(3)所示。
[0072][0073]
s1中的元素越大，节点的无功功率对系统电压的影响就越大。
[0074]
对于如图1所示的nb个节点(变电站)gic电网等效模型，任意两个节点j和k之间的等效电阻为r
jk
。根据感应地电场的作用机制，线路感应电压值为感应地电场沿着该线路走向的积分值，由于感应地电场恒定，该积分值只与线路两端点的地理位置有关，故将积分运算简化为叠加运算，如式(4)所示。
[0075]
u＝e
x
l
x
+eylyꢀꢀ
(4)
[0076]
式中，l
x
和ly分别为由接地点经纬度坐标计算得到的线路北向长度和东向长度。
[0077]
各节点的入地gici＝[i1,i2,
…
,in]
t
与各节点电压u＝[u1,u2,
…
,un]
t
的关系如式(5)所示。
[0078]
u＝zi
ꢀꢀ
(5)
[0079]
式中，z为n
×
n的网络接地阻抗矩阵。
[0080]
图1中的电路变量关系如式(6)所示。
[0081]rjkijk
+u
k-u
j-v
jk
＝0
ꢀꢀ
(6)
[0082]
根据基尔霍夫定理可得式(7)。
[0083][0084]
将式(6)代入式(7)得到式(8)。
[0085][0086]
引入n
×
n网络导纳矩阵y，其元素如式(9)和式(10)所示。
[0087]yij
＝-1/r
ij
,i≠j
ꢀꢀ
(9)
[0088][0089]
定义向量j＝[j1,j2,
…
,jn]
t
，其中的元素如式(11)所示。
[0090][0091]
流入地下的gic向量i＝[i1,i2,
…
,in]
t
如式(12)所示。
[0092]
i＝(1+yz）-1jꢀꢀ
(12)
[0093]
式中，1为n
×
n的单位矩阵。
[0094]
将式(11)代入式(12)，得到式(13)。
[0095][0096]
定义n
×
m的矩阵α和β，其中的元素如式(14)和(15)所示。
[0097][0098]
基于式(13)可得式(16)。
[0099]
j＝αe
x
+βeyꢀꢀ
(16)
[0100]
将两个n
×
m的矩阵α和β合并为一个n
×
2m的矩阵a＝[α,β]，将m
×
1矩阵e
x
和ey合并成2m
×
1矩阵e＝[e
x
,ey]
t
，将式(16)改写为式(17)。
[0101]
j＝ae
ꢀꢀ
(17)
[0102]
将式(17)代入式(12)中，得到变电站gic的矩阵方程，如式(18)所示。
[0103]
i＝(1+yz)-1
ae＝ge
ꢀꢀ
(18)
[0104]
将节点流过的gic对感应地电场的灵敏度如式(19)所示。
[0105][0106]
矩阵g(即s2中)中包含了输电线路走向和长度，电网拓扑结果，电网参数等信息。
[0107]
将s1和s2拼成矩阵[s
1,1
,s
1,2
,l,s
1,n
,s
2,1
,s
2,2
,l,s
2,n
]，对每一列进行去均值处理，然后计算矩阵的协方差矩阵，如式(20)所示。
[0108][0109]
计算协方差矩阵的特征值和对应的特征向量，选取最大的前k个特征值和对应的特征向量并进行投影，即完成降维过程。
[0110]
然后进行k-mean聚类，对于主成分分析得到的需要聚类的数据zk×m。另t＝1，选择l个初始凝聚点zj(t),j＝1,2,l l。计算每个样本与凝聚点之间的欧式距离d(zi,zj(t))，i＝1,2,l n，求得m满足式(21)。
[0111]
d(zi,zm(t))＝min{d(zi,zj(t)),j＝1,2,l n} m∈[1,l]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(21)
[0112]
当zj(t+1)＝zj(t)时，聚类结束。
[0113]
以江苏电网为例，主成分分析结果如表1所示。
[0114]
表1主成分分析结果
[0115][0116]
采用同样的方法对感应地电场强度进行聚类分析，并根据david bouldin指数k
dbi
确定场景数量。k
dbi
和聚类数之间的关系如图5所示。对于感应电场强度场景和联合灵敏度场景，当聚类数量分别为13和9时，k
dbi
取得最小值。不同场景的聚类中心及其比例如表2所示。
[0117]
表2感应地电场强度场景和灵敏度场景聚类场景
[0118]
[0119][0120]
s4、基于灵敏度场景的阻隔装置优化配置；
[0121]
以系统总的q
gic
最小为目标函数，在节点电压，功率平衡等约束下，对于每一种igf灵敏度场景进行优化配置，结合各igf灵敏度场景的概率得到最优配置方案。
[0122]
基于联合灵敏度场景的阻隔装置优化问题可以描述为：在所有变电站的gic小于限制值(18a)的约束下，确定阻隔装置的位置并使bds的数量最少。采用二进制编码遗传算法优化阻隔装置的安装位置。染色体上的0元素表示未安装阻隔装置，1表示已安装阻隔装置。目标函数是最小化q
gic
，如式(22)所示。约束条件包括功率平衡、有功/无功功率输出、电压限制和节点流过gic最大限制。
[0123][0124]
式中，t为场景数量；ps为场景s的比重；nb为节点数量；ng为发电机数量；p
l
为有功负荷；δp
l
为有功损耗；ui为节点i的电压；p
gi
，分别为发电机输出有功功率，有功最小值和最大值；q
gi
，分别为发电机输出无功功率，有功最小值和最大值；ui，分别为节点电压，节点电压最小值和最大值；i
gici
为流过变压器中性点gic的阈值；f为目标函数值；minfs为场景s的优化结果。q
gici
为节点(变电站)i的q
gic
。p
di
为节点i的有功功率不平衡量。uj为节点j的电压。g
ij
和b
ij
分别为节点ij之间的电导和电纳。δ
ij
为节点ij之间的相角差。
[0125]
对于江苏电网，在遗传算法中，初始种群大小为100，交叉概率为0.9，变异概率为0.2，最大进化代数为100。最小适应度定义为在所有变电站的最大gic小于30a的条件下，每次进化中所有种群中安装阻隔装置(blocking devices,bds)的最小数量，平均适应度定义为每次进化中所有种群中安装bds的平均数量。对于恒定感应地电场景(e
x
＝1v/km)，根据优化安装位置结果，bds分别安装在安吉站、东明变、茅山变、晋陵变和梦溪变。对于时变感应电场强度场景，bds分别安装在节点安吉站、天目湖变、访仙变和西津渡边。对于灵敏度场景，bds分别安装在节点阳羡边、访仙变、天目湖变和岷珠变。为验证bds对于不确定性gmds的治理效果，重新生成100组感应电场样本，计算安装bds前后总q
gic
的变化情况如表3所示。
[0126]
表3安装bds前后q
gic
比较
[0127][0128]
基于三种场景优化bds安装位置均使q
gic
减小，提高了电压稳定性。但对于不同幅值和方向的igfs，基于灵敏度场景进行bds优化安装后q
gic
平均值最小。因此，灵敏度场景更适用于解决优化bds安装位置问题。
[0129]
本说明书中未作详细描述的内容属于本领域专业技术人员公知的现有技术。

技术特征：
1.一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法，其特征在于，包括如下步骤：s1：基于多次地磁暴事件，利用三参数t分布方法拟合感应地电场的南北分量e
x
和东西分量e
y
；s2：利用拉丁超立方采样得到igfs样本；s3：利用s2得到的igfs样本，计算电压灵敏度s1和gif灵敏度s2，构建灵敏度特征空间并进行场景聚类，得到联合灵敏度场景；s4：根据s3得到的联合灵敏度场景，优化阻隔装置安装位置，如下式所示：式中，t为场景数量；p
s
为场景s的比重；n
b
为节点数量；n
g
为发电机数量；p
l
为有功负荷；dp
l
为有功损耗；u
i
为节点i的电压；p
gi
，分别为发电机输出有功功率，有功最小值和最大值；q
gi
，分别为发电机输出无功功率，有功最小值和最大值；u
i
，分别为节点电压，节点电压最小值和最大值；i
gici
为流过变压器中性点gic的阈值；f为目标函数值；minf
s
为场景s的优化结果；q
gici
为节点i的q
gic
；p
di
为节点i的有功功率不平衡量；u
j
为节点j的电压；g
ij
和b
ij
分别为节点ij之间的电导和电纳；δ
ij
为节点ij之间的相角差。2.如权利要求1所述的一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法，其特征在于：s2具体为：对于e
x
和e
y
，将其概率分布分为n个区间，对这n个区间进行逆变换得到对应的变量值；生成1～n随机排列的矩阵，计算矩阵中每行元素的相关系数，进而形成相关系数矩阵；对相关系数矩阵进行cholesky分解得到单位矩阵，对单位矩阵中每行元素进行重新排列，得到独立的样本。3.如权利要求1所述的一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法，其特征在于：s3具体为：s31：对于具有n
b
个节点的系统，将以极坐标表示的潮流方程线性化，如下式(2)所示：
式中，j
pθ
,j
pv
,j
qθ
和j
qv
为增广雅克比矩阵中的分块矩阵；δp，δq，δθ，δv分别为有功不平衡量，无功不平衡量，电压相角不平衡量和电压幅值不平衡量；下标p,q代表有功和无功功率；下标v,θ代表节点电压幅值和相角；忽略有功功率的影响，δv可以表示为式(3)：δv＝s
vq
δq
ꢀꢀꢀꢀꢀꢀ
(3)；式中s
vq
为电压/无功灵敏度矩阵，对s
vq
每列中的元素进行求和处理，获得电压灵敏度s1，如下式(4)所示：上式中，s为场景编号，取值1
…
t；s32：线路感应电压u计算公式如下式(5)所示：u＝e
x
l
x
+e
y
l
y
ꢀꢀꢀꢀꢀ
(5)；式中，l
x
和l
y
分别为由接地点经纬度坐标计算得到的线路北向长度和东向长度；节点gic的矩阵方程为：i＝(1+yz)-1
ae＝ge
ꢀꢀꢀꢀꢀꢀ
(6)；则，gif灵敏度s2如下式(7)所示：上两式中，i为各节点流入地下的gic向量；y为n
×
n的网络导纳矩阵，其元素为y
ij
＝-1/r
ij
,i≠j，z为n
×
n的网络接地阻抗矩阵；a为α与β合并而成的n
×
2m的矩阵，α与β分别为n
×
m的矩阵，其元素分别为：e为e
x
与e
y
合并而成的2m
×
1矩阵；其中，y
ij
为节点i与j之间的互导纳；y
jj
为节点j的自导纳；r
ij
为节点i与j之间的电阻；r
jk
为节点j与k之间的互导纳；n为等效网络中节点数量；l
x
和l
y
分别为输电线路南北走向长度和东西走向长度；r
im
为节点i与m之间的电阻；s33：将s1和s2拼成矩阵[s
1,1
,s
1,2
,l,s
1,n
,s
2,1
,s
2,2
,l,s
2,n
]，对每一列去均值处理后计算上述矩阵的协方差矩阵，如下式(8)所示：计算上述协方差矩阵的特征值和对应的特征向量，选取最大的前s个特征值和对应的特征向量并进行投影；对于主成分分析得到的需要聚类的数据z
k
×
m
；另t＝1，选择l个初始凝聚点z
j
(t),j＝1,2,l l，计算每个样本与凝聚点之间的欧式距离d(z
i
,z
j
(t))，i＝1,2,l n，求得m满足式(9)：d(z
i
,z
m
(t))＝min{d(z
i
,z
j
(t)),j＝1,2,l n}m∈[1,l]
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(9)；当z
j
(t+1)＝z
j
(t)时，聚类结束。

技术总结
本发明涉及一种基于灵敏度场景的地磁暴防灾阻隔装置优化配置方法。本发明本申请中建立的IGF灵敏度模型除了反映IGF的不确定性外，还能有效反映地磁暴度系统运行特性的影响。依据IGF灵敏度场景概率模型进行阻隔装置优化配置，不仅可以减小安装装置的数量，而且可以更好的应对IGF幅值或方向变化导致的治理效果变差的问题。差的问题。差的问题。


技术研发人员：王胜权 蔚超 李建生 陆云才 吴鹏 王同磊 马勇
受保护的技术使用者：国家电网公司 北京天和本安电力科技有限公司
技术研发日：2023.05.23
技术公布日：2023/10/19