CN106373032B - 基于大数据的配网故障高发区域辨识方法 - Google Patents
基于大数据的配网故障高发区域辨识方法 Download PDFInfo
- Publication number
- CN106373032B CN106373032B CN201610814151.XA CN201610814151A CN106373032B CN 106373032 B CN106373032 B CN 106373032B CN 201610814151 A CN201610814151 A CN 201610814151A CN 106373032 B CN106373032 B CN 106373032B
- Authority
- CN
- China
- Prior art keywords
- failure
- grid
- fault
- distribution
- geographic
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 93
- 238000012850 discrimination method Methods 0.000 title claims abstract description 14
- 238000013507 mapping Methods 0.000 claims abstract description 7
- 238000003745 diagnosis Methods 0.000 claims abstract description 5
- 230000001131 transforming effect Effects 0.000 claims description 21
- 238000000034 method Methods 0.000 claims description 14
- 230000032683 aging Effects 0.000 claims description 7
- 230000015556 catabolic process Effects 0.000 claims description 5
- 230000004888 barrier function Effects 0.000 claims description 4
- 238000007689 inspection Methods 0.000 claims description 4
- 230000003014 reinforcing effect Effects 0.000 claims description 4
- 230000005540 biological transmission Effects 0.000 claims description 3
- 238000004364 calculation method Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 claims description 3
- 238000010276 construction Methods 0.000 claims description 3
- 238000005520 cutting process Methods 0.000 claims description 3
- 230000006378 damage Effects 0.000 claims description 3
- 230000014509 gene expression Effects 0.000 claims description 3
- 238000011835 investigation Methods 0.000 claims description 3
- 238000004519 manufacturing process Methods 0.000 claims description 3
- 230000011664 signaling Effects 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 238000009966 trimming Methods 0.000 claims description 3
- 230000007547 defect Effects 0.000 claims description 2
- 230000011218 segmentation Effects 0.000 claims 1
- 238000013139 quantization Methods 0.000 abstract description 4
- 238000012423 maintenance Methods 0.000 abstract description 2
- 238000007619 statistical method Methods 0.000 abstract description 2
- 230000008859 change Effects 0.000 description 5
- 230000005611 electricity Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000003780 insertion Methods 0.000 description 2
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000004087 circulation Effects 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000007812 deficiency Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000019580 granularity Nutrition 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000011002 quantification Methods 0.000 description 1
- 230000002787 reinforcement Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/29—Geographical information databases
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Public Health (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Geometry (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Computer Hardware Design (AREA)
- Remote Sensing (AREA)
- Data Mining & Analysis (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
- Locating Faults (AREA)
Abstract
本发明公开了基于大数据的配网故障高发区域辨识方法,包括以下几个步骤：基于多源数据对配网故障位置进行模糊识别；基于历史负荷数据、气象监测数据进行配网故障停电负荷损失评估；对地理视图进行网格划分，并实现故障与地理网格的映射；计算给定时间段内各个地理网格的故障影响统计指标，对各网格区域内故障影响进行量化；根据各网格故障影响统计指标进行着色，从而生成故障影响色斑图；对于故障高发区域提出相应的辅助决策建议。本发明通过对海量的配网故障进行了停电损失量化与模糊定位，并与地理网格进行了映射，进而针对地理网格的故障影响进行统计分析，形成故障影响色斑图，从而为配网调度、运维、检修提供精细化和定制化的辅助决策建议。
Description
技术领域
本发明涉及一种基于大数据的配网故障高发区域辨识方法，属于配网安全性与可靠性分析领域。
背景技术
在传统配网故障管理工作中，往往只是针对单条故障进行研判，并在此基础上进行区域维度(省、市、县)和时间维度(年、月、日)配网故障数量统计。这些统计结果粒度较粗，无法对配网调度运检提供有效的辅助决策。
单个电网故障的发生具有一定的偶然性，然而从一段较长时间来看，配网网架薄弱或运维落后的区域的故障率高于平均水平，并呈现出一定的规律性。因此，通过对历史故障进行大数据分析，有效识别出故障频发的高风险区域，并采取相应的技术或管理手段来降低故障风险发生的概率，对于提高配网供电可靠性具有十分重要的意义。
随着智能电网建设的不断推进，配电网的信息化水平不断提升，目前江苏电网已逐步实现了EMS(能量管理***)、PMS(生产管理***)、DMS(配网管理***)和用电采集***的全面覆盖。
发明内容
针对现有技术存在的不足，本发明目的是提供一种基于大数据的配网故障高发区域辨识方法，通过对海量的配网故障进行了停电损失量化与模糊定位，并与地理网格进行了映射，进而针对地理网格的故障影响进行统计分析，形成故障影响色斑图，从而为配网调度、运维、检修提供精细化和定制化的辅助决策建议。
为了实现上述目的，本发明是通过如下的技术方案来实现：
本发明的基于大数据的配网故障高发区域辨识方法,包括以下几个步骤：
(1)针对每一起故障，基于多源数据对配网故障位置进行模糊识别；基于历史负荷数据、气象监测数据进行配网故障停电负荷损失评估；
(2)对地理视图进行网格划分，并实现故障与地理网格的映射；
(3)计算给定时间段[ts,te]内各个地理网格的故障影响统计指标，对各网格区域内故障影响进行量化；
(4)根据各网格故障影响统计指标值对地理网格进行着色，从而生成故障影响色斑图；
(5)对于故障高发区域，提出相应的辅助决策建议。
步骤(1)中，对所述配网故障位置进行模糊识别的方法如下：
(1a)根据正则表达式，从电网故障统计上报***中对地市专职填报的故障位置文本信息进行解析，识别出设备编号及设备名称，并到生产管理***PMS中查找对应设备，从而确定故障位置(pos_x,pos_y)，并标记故障位置类型为0，如果无法识别，则转到步骤(2a)；
(2a)从配网管理***DMS中查找故障线路的分段开关遥信分位记录，如果该线路所有分段开关安装了配电自动化装置，找出线路故障时间范围内最先分闸的两个分段开关ss1、ss2，并标记故障位置类型为1；如果线路未安装配电自动化装置，则转到步骤(3a)；
(3a)从用电信息采集***中查找故障馈线下辖所有配电变压器的负荷数据，根据电流掉零的持续时长，确定各配变的停电时长，将停电时长最长的配变加入到配变集合pb_set中，并标记故障位置类型为2。
步骤(2)中，对所述地理视图进行网格划分的方法如下：
地理区域基于第一象限坐标系，将地理区域用边长为len的正方形进行切分，假设共计m列n行正方形覆盖了给定的地理区域，其中，m>3,n>3，将左下角的网格编号为g(0,0)，则位于第x列、y行位置的网格编号为g(x,y)。
步骤(2)中，所述故障与地理网格的映射方法如下：
定义地理网格g(x,y)的故障事件列表ft_list(x,y)，用于存储发生在该网格内的故障事件，每一条记录包含以下属性：故障发生时间occure_time、故障馈线feeder_info、故障位置GPS坐标x轴pos_x、故障位置GPS坐标y轴pos_y、故障停电损失负荷loss、故障类型type、故障位置模糊度amb和故障损失权重值weight；
对配网故障进行遍历，对于故障fti,
Case1：该故障的位置类型为0，如果其故障发生位置(pos_xi,pos_yi)∈g(x,y)，则将记录fti***ft_list(x,y)，其中，fti。amb＝0,fti。weight＝1,fti.pos_x＝pos_xi,fti.pos_y＝pos_yi；
Case2:该故障的位置类型为1，
Case2.1:如果两个分段开关ss1、ss2以及它们之间的线路都位于g(x,y)之中，则将记录fti***ft_list(x,y)，其中，fti。amb＝0,fti。weight＝1；
Case2.2:将两个分段开关ss1、ss2以及它们之间的线路称为ft_section，如果ft_section位于不同的地理网格g(x1,y1)～g(xn,yn)中，将故障按照不同的权重***到这些地理网格的故障列表中；对于地理网格g(xj,yj)，将记录fti***ft_list(xj,yj)，其中，fti。amb＝1,fti。
Case3:该故障的位置类型为2，
Case3.1:如果pb_set以及它们之间的线路都位于g(x,y)之中，则将记录fti***ft_list(x,y)，其中，fti。amb＝0,fti。weight＝1；
Case3.2:将pb_set以及连接这些配变的线路区段称为ft_section，如果ft_section位于不同的地理网格g(x1,y1)～g(xn,yn)中,将故障按照不同的权重***到这些地理网格的故障列表中；对于地理网格g(xj,yj),将记录fti***ft_list(xj,yj)，其中，fti。amb＝1,fti。
步骤(3)中，所述故障影响统计指标包括故障发生次数、故障停电影响累加值、故障停电影响线路长度均值和故障停电影响10kV配变容量均值；
对于网格g(x,y)，所述故障影响统计指标的计算方法如下：
(1b)故障发生次数
其中，n′为发生在网格内的原始故障次数；
(2b)故障停电影响累加值
(3b)故障停电影响线路长度均值
其中，length_grid(linej)为线路j在网格g(x,y)内的长度；
m′为网格内包含的配变的总数或与网格交错的馈线的总数，linej为网格内第j条馈线；
(4b)故障停电影响10kV配变容量均值
其中，volumn(trj)为配电变压器j的容量，其中，trj为网格内第j台配变。
步骤(4)中，所述故障影响色斑图的生成方法如下：
选定统计区域、统计时段、故障类型、统计指标后，计算各地理网格的故障统计值二维数组g_stat[x][y]；
统计得到该数组的95概率值、85概率值与30概率值，分别作为高危、严重、普通和较低区域划分的阈值；
将各地理网格按照相应的等级进行着色，从而形成故障影响色斑图。
步骤(5)中，所述辅助决策建议如下：
(1c)高危区域，且以架空线路为主，则建议进行绝缘化、电缆化改造或进行配电自动化升级改造；
(2c)高危区域，且以电缆为主但配电自动化程度低，则建议对线路进行配电自动化升级改造；
(3c)中高危区域，且统计指标为故障停电影响线路长度均值，则建议增加该区域的线路分段；
(4c)中高危区域，且故障类型为外力破坏，则建议加强与施工单位的沟通，并加大该区域巡视巡检的力度；
(5c)中高危区域，且故障类型为设备老化，则建议加强该区域设备排查，及时更新缺陷或老化设备；
(6c)中高危区域，且故障类型为树线矛盾，则建议定期开展该区域树木修剪。
本发明可以实现配网故障区域定位，并对故障造成的停电损失进行准确评估。在此基础上，将配网故障与地理网格进行映射，实现基于地理网格的故障损失值累计量化，并利用色斑图的方式渲染地理网格进行提示，从而为调度、运检等部门提供升级、改造、加强特巡等精确化和定制化的辅助决策建议。
附图说明
图1是本发明的基于大数据的配网故障高发区域辨识方法工作流程图；
图2是本发明地理网格划分与位置标记的示意图。
具体实施方式
为使本发明实现的技术手段、创作特征、达成目的与功效易于明白了解，下面结合具体实施方式，进一步阐述本发明。
参见图1，基于大数据的配网故障高发域辨识方法,对配网故障进行模糊定位，并对故障造成的停电损失进行准确评估；在此基础上，将配网故障与地理网格进行映射，实现基于地理网格的故障损失值累计量化，并利用色斑图的方式渲染地理网格进行提示，为调度、运检等部门提供升级、改造、加强特巡等精确化和定制化的辅助决策支撑。
为了有效地运用本方法，应保证具备某区域的地理视图、配电网拓扑结构、配网故障事件列表、配网故障上报信息、馈线及配变台帐信息、馈线及配变负荷数据、气象监测数据等。
本方法包括以下五个步骤：
(1)配网故障位置的智能模糊识别与故障停电损失精确评估。
配网故障位置智能模糊识别，具体为：
(1a)根据正则表达式，从电网故障上报***中根据地市专职填报的故障位置文本信息进行解析，模式包括：“#xx环网柜”、“#xx杆”、“#xx柱上开关”、“#xx电缆段”、“#xx配变”、“#xx分支箱”等，识别出关键信息(如设备编号、名称等)，并到PMS中进行查找对应设备，从而确定故障大致位置(pos_x,pos_y)，并标记故障位置类型为0。如果无法识别，转到步骤(2a)；
(2a)从DMS中查找故障线路的分段开关遥信分位记录，如果该线路所有分段开关安装了二遥(或三遥)装置，假设线路故障时间范围为[t1,t2],找出该时间段内最先分闸的两个分段开关ss1、ss2，并标记故障位置类型为1。如果线路未安装配电自动化装置，则转到步骤(3a)；
(3a)从用电信息采集***中查找该馈线下辖所有配电变压器的负荷数据，根据电流为零的持续时长确定其停电时长，将停电时长最长的配变加入到配变集合pb_set中，并标记故障位置类型为2。除了根据电流掉零来判断停电时长，也可根据配变停复电事件来确定停电时长(如果具备事件采集与上报机制)。
配网故障停电负荷损失评估具体为：
利用历史配变负荷、历史天气实况数据，根据基于人体舒适度的相似日算法构建配变负荷短期预测模型；根据故障发生时段的气象监测数据，估算出故障时段各配变损失的负荷曲线，并积分算出停电损失电量。将各配变损失负荷累加，得到馈线停电负荷损失值。具体可参照专利：计及分布式新能源的配网故障停电损失评估方法，申请号为：201610151200.6。
(2)地理视图进行网格划分及地理网格与故障关联映射。
地理视图网格划分，具体为：
将地理区域用边长为len的正方形进行切分，可根据实际需要进行动态调整，建议值为1km～10km。假设共计m列n行正方形覆盖了给定的地理区域(m>3,n>3)，将左下角的网格编号为g(0,0)。对于地理区域g(x,y)，x∈(0,m)，y∈(0,n),其直接相邻的八个网格可以依次表示为g(x-1,y),grid(x-1,y-1),g(x,y-1),g(x-1,y+1),g(x+1,y),grid(x+1,y-1),g(x,y+1),g(x+1,y+1)，具体如图2所示。地理视图可使用国网GIS平台或百度地图、高德地图等社会化开放地图平台。
基于地理网格的故障映射，具体为：
首先定义地理网格g(x,y)的故障事件列表ft_list(x,y)，它存储发生在该网格内的故障事件，每一条记录包含以下属性：
1)故障发生时间occure_time；
2)故障馈线feeder_info；
3)故障位置GPS坐标x轴pos_x
4)故障位置GPS坐标y轴pos_y
5)故障停电损失负荷loss；
6)故障类型type。备注：包含恶劣天气、树线矛盾、设备老化、外力破坏、用户原因、设计安装不当、原因不明等类型
7)故障位置模糊度amb，取值范围0,1两种
8)故障损失权重值weight，取值范围0～1。
对配网故障进行遍历，对于故障fti,
Case1：该故障的位置类型为0，说明该故障位置是精准可靠的，如果其故障发生位置(pos_xi,pos_yi)∈g(x,y)，则将记录fti***ft_list(x,y)，其中，fti。amb＝0,fti。weight＝1；
Case2:该故障的位置类型为1，说明该故障位置是模糊的，对于所有包含故障线路区段所属网格，根据长度占比赋予各网格相应的权重：
Case2.1:如果两个分段开关ss1、ss2以及它们之间的线路(含分支)都位于g(x,y)之中，则将记录fti***ft_list(x,y)，
其中，fti。amb＝0,fti。weight＝1；
Case2.2:如果两个分段开关ss1、ss2以及它们之间的线路(含分支，称为ft_section)位于不同的地理网格g(x1,y1)～g(xn,yn)中，以其中的地理网格g(xj,yj)为例,将记录fti***ft_list(xj,yj)，
其中fti。amb＝1,fti。
Case3:该故障的位置类型为2，
Case3.1:如果pb_set以及它们之间的线路(含分支)都位于g(x,y)之中，则将记录fti***ft_list(x,y)，其中，fti。amb＝0,fti。weight＝1；
Case3.2:如果pb_set以及连接这些配变的线路区段(含分支，称为ft_section)位于不同的地理网格g(x1,y1)～g(xn,yn)中。以其中的地理网格g(xj,yj)为例,将记录fti***ft_list(xj,yj)，
其中fti。amb＝1,fti。
(3)地理网格故障影响统计量化，具体为：
首先，选定统计的时间段[ts,te]，建议时长为1年或以上。时长不宜超过3年，因为时间过长，配网网架拓扑可能发生较大改变
其次，对各网格区域内故障影响进行量化。对于网格g(x,y)，统计指标如下所示：
(1b)故障发生次数
其中，n′为发生在网格内的原始故障次数；
(2b)故障停电影响累加值
(3b)故障停电影响线路长度均值
其中，length_grid(linej)为线路j在网格g(x,y)内的长度；
其中，m′为网格内包含的配变的总数或与网格交错的馈线的总数，linej为网格内第j条馈线；
(4b)故障停电影响10kV配变容量均值
其中，volumn(trj)为配电变压器j的容量，其中，trj为网格内第j台配变。
值得注意的是，上述指标为不分故障类型的总指标。还可以在故障分类的基础上，进行上述指标的统计，以利于更为精细的故障分析与辅助决策。
(4)根据各网格故障影响统计值生成故障影响色斑图：
选定统计区域、统计时段、故障类型、统计指标后，***根据步骤1～3运算生成各地理网格的故障统计值二维数组g_stat[x][y](计算方法为分两个循环依次计算每个网格的数值，即从g_stat[0][0]一直计算到g_stat[m][n]，为现有方法此处不再赘述)。统计得到该数组的95概率值、85概率值与30概率值，分别作为高危、严重、普通、较低等区域划分的阈值(对应方法为：统计值高于95概率值为高危，大于85概率值且小于95概率值为严重，大于30概率值且小于85概率值为普通，低于30概率值为较低)。区域颜色定义如下：高危——红色，中危——橙色，普通——黄色，较低——绿色。将各地理网格按照相应的等级进行着色，从而形成故障影响色斑图。当用户鼠标点击某地理网格时，以列表方式弹出该区域所有(或某类)故障信息，点击具体故障信息后显示其详细信息。
(5)针对故障影响程度较高的区域提出相应的辅助决策建议
(1c)高危区域，且以架空线路为主，建议进行绝缘化、电缆化改造或进行配电自动化升级改造；
(2c)高危区域，且以电缆为主但配电自动化程度低，建议对线路进行配电自动化升级改造；
(3c)中高危区域(统计指标为：故障停电影响线路长度均值)，建议增加该区域的线路分段；
(4c)中高危区域(故障类型为：外力破坏)，建议加强与施工单位的沟通，并加大该区域巡视巡检的力度；
(5c)中高危区域(故障类型为：设备老化)，建议加强该区域设备排查，及时更新缺陷或老化设备；
(6c)中高危区域(故障类型为：树线矛盾)，建议定期开展该区域树木修剪。
以上显示和描述了本发明的基本原理和主要特征和本发明的优点。本行业的技术人员应该了解，本发明不受上述实施例的限制，上述实施例和说明书中描述的只是说明本发明的原理，在不脱离本发明精神和范围的前提下，本发明还会有各种变化和改进，这些变化和改进都落入要求保护的本发明范围内。本发明要求保护范围由所附的权利要求书及其等效物界定。
Claims (6)
1.基于大数据的配网故障高发区域辨识方法,其特征在于，包括以下几个步骤：
(1)针对每一起故障，基于多源数据对配网故障位置进行模糊识别；基于历史负荷数据、气象监测数据进行配网故障停电负荷损失评估；
(2)对地理视图进行网格划分，并实现故障与地理网格的映射；
(3)计算给定时间段[ts,te]内各个地理网格的故障影响统计指标，对各网格区域内故障影响进行量化；
(4)根据各网格故障影响统计指标值对地理网格进行着色，从而生成故障影响色斑图；
(5)对于故障高发区域，提出相应的辅助决策建议；
步骤(1)中，对所述配网故障位置进行模糊识别的方法如下：
(1a)根据正则表达式，从电网故障统计上报***中对地市专职填报的故障位置文本信息进行解析，识别出设备编号及设备名称，并到生产管理***PMS中查找对应设备，从而确定故障位置(pos_x,pos_y)，并标记故障位置类型为0，如果无法识别，则转到步骤(2a)；
(2a)从配网管理***DMS中查找故障线路的分段开关遥信分位记录，如果该线路所有分段开关安装了配电自动化装置，找出线路故障时间范围内最先分闸的两个分段开关ss1、ss2，并标记故障位置类型为1；如果线路未安装配电自动化装置，则转到步骤(3a)；
(3a)从用电信息采集***中查找故障馈线下辖所有配电变压器的负荷数据，根据电流掉零的持续时长，确定各配变的停电时长，将停电时长最长的配变加入到配变集合pb_set中，并标记故障位置类型为2。
2.根据权利要求1所述的基于大数据的配网故障高发区域辨识方法,其特征在于，步骤(2)中，对所述地理视图进行网格划分的方法如下：
地理区域基于第一象限坐标系，将地理区域用边长为len的正方形进行切分，假设共计m列n行正方形覆盖了给定的地理区域，其中，m>3,n>3，将左下角的网格编号为g(0,0)，则位于第x列、y行位置的网格编号为g(x,y)。
3.根据权利要求2所述的基于大数据的配网故障高发区域辨识方法,其特征在于，步骤(2)中，所述故障与地理网格的映射方法如下：
定义地理网格g(x,y)的故障事件列表ft_list(x,y)，用于存储发生在该网格内的故障事件，每一条记录包含以下属性：故障发生时间occure_time、故障馈线feeder_info、故障位置GPS坐标x轴pos_x、故障位置GPS坐标y轴pos_y、故障停电损失负荷loss、故障类型type、故障位置模糊度amb和故障损失权重值weight；
对配网故障进行遍历，对于故障fti,
Case1：该故障的位置类型为0，如果其故障发生位置(pos_xi,pos_yi)∈g(x,y)，则将记录fti***ft_list(x,y)，其中，fti.amb＝0,fti.weight＝1,fti.pos_x＝pos_xi,fti.pos_y＝pos_yi；
Case2:该故障的位置类型为1，
Case2.1:如果两个分段开关ss1、ss2以及它们之间的线路都位于g(x,y)之中，则将记录fti***ft_list(x,y)，其中，fti.amb＝0,fti.weight＝1；
Case2.2:将两个分段开关ss1、ss2以及它们之间的线路称为ft_section，如果ft_section位于不同的地理网格g(x1,y1)～g(xn,yn)中，将故障按照不同的权重***到这些地理网格的故障列表中；对于地理网格g(xj,yj)，将记录fti***ft_list(xj,yj)，其中，fti.amb＝1,
Case3:该故障的位置类型为2，
Case3.1:如果pb_set以及它们之间的线路都位于g(x,y)之中，则将记录fti***ft_list(x,y)，其中，fti.amb＝0,fti.weight＝1；
Case3.2:将pb_set以及连接这些配变的线路区段称为ft_section，如果ft_section位于不同的地理网格g(x1,y1)～g(xn,yn)中,将故障按照不同的权重***到这些地理网格的故障列表中；对于地理网格g(xj,yj),将记录fti***ft_list(xj,yj)，其中，fti.amb＝1,
4.根据权利要求3所述的基于大数据的配网故障高发区域辨识方法,其特征在于，步骤(3)中，所述故障影响统计指标包括故障发生次数、故障停电影响累加值、故障停电影响线路长度均值和故障停电影响10kV配变容量均值；
对于网格g(x,y)，所述故障影响统计指标的计算方法如下：
(1b)故障发生次数
其中，n′为发生在网格内的原始故障次数；
(2b)故障停电影响累加值
(3b)故障停电影响线路长度均值
其中，length_grid(linej)为线路j在网格g(x,y)内的长度；
m′为网格内包含的配变的总数或与网格交错的馈线的总数，linej为网格内第j条馈线；
(4b)故障停电影响10kV配变容量均值
其中，volumn(trj)为配电变压器j的容量，其中，trj为网格内第j台配变。
5.根据权利要求1所述的基于大数据的配网故障高发区域辨识方法,其特征在于，步骤(4)中，所述故障影响色斑图的生成方法如下：
选定统计区域、统计时段、故障类型、统计指标后，计算各地理网格的故障统计值二维数组g_stat[x][y]；
统计得到该数组的95概率值、85概率值与30概率值，分别作为高危、严重、普通和较低区域划分的阈值；
将各地理网格按照相应的等级进行着色，从而形成故障影响色斑图。
6.根据权利要求1所述的基于大数据的配网故障高发区域辨识方法,其特征在于，步骤(5)中，所述辅助决策建议如下：
(1c)高危区域，且以架空线路为主，则建议进行绝缘化、电缆化改造或进行配电自动化升级改造；
(2c)高危区域，且以电缆为主但配电自动化程度低，则建议对线路进行配电自动化升级改造；
(3c)中高危区域，且统计指标为故障停电影响线路长度均值，则建议增加该区域的线路分段；
(4c)中高危区域，且故障类型为外力破坏，则建议加强与施工单位的沟通，并加大该区域巡视巡检的力度；
(5c)中高危区域，且故障类型为设备老化，则建议加强该区域设备排查，及时更新缺陷或老化设备；
(6c)中高危区域，且故障类型为树线矛盾，则建议定期开展该区域树木修剪。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610814151.XA CN106373032B (zh) | 2016-09-09 | 2016-09-09 | 基于大数据的配网故障高发区域辨识方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201610814151.XA CN106373032B (zh) | 2016-09-09 | 2016-09-09 | 基于大数据的配网故障高发区域辨识方法 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN106373032A CN106373032A (zh) | 2017-02-01 |
| CN106373032B true CN106373032B (zh) | 2019-07-19 |
Family
ID=57900280
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201610814151.XA Active CN106373032B (zh) | 2016-09-09 | 2016-09-09 | 基于大数据的配网故障高发区域辨识方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN106373032B (zh) |
Families Citing this family (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN108051725B (zh) * | 2017-10-31 | 2019-12-06 | 国网浙江省电力有限公司检修分公司 | 换流站阀塔晶闸管定位***及其工作方法 |
| CN108182194A (zh) * | 2017-11-22 | 2018-06-19 | 国电南瑞科技股份有限公司 | 一种基于电网gis的网格化划分的管理方法 |
| CN109344219A (zh) * | 2018-10-26 | 2019-02-15 | 苏州百卓网络技术有限公司 | 基于空间网格技术分析事故高发区域的方法及装置 |
| CN110555532A (zh) * | 2019-07-18 | 2019-12-10 | 国网浙江台州市椒江区供电有限公司 | 用电客户内部故障抢修服务*** |
| CN110990792B (zh) * | 2019-12-05 | 2023-05-16 | 国网湖南省电力有限公司 | 考虑气象因素的电网设备覆冰故障率计算方法 |
| CN112421767B (zh) * | 2020-09-30 | 2023-04-07 | 云南电网有限责任公司西双版纳供电局 | 电网防灾应急全景监视方法及装置 |
Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728536A (zh) * | 2013-12-11 | 2014-04-16 | 国家电网公司 | 多源数据电网故障辨识方法 |
| CN104504525A (zh) * | 2014-12-26 | 2015-04-08 | 国家电网公司 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
| CN105762793A (zh) * | 2016-03-16 | 2016-07-13 | 国网江苏省电力公司电力科学研究院 | 计及分布式新能源的配网故障停电损失评估方法 |
-
2016
- 2016-09-09 CN CN201610814151.XA patent/CN106373032B/zh active Active
Patent Citations (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN103728536A (zh) * | 2013-12-11 | 2014-04-16 | 国家电网公司 | 多源数据电网故障辨识方法 |
| CN104504525A (zh) * | 2014-12-26 | 2015-04-08 | 国家电网公司 | 通过大数据挖掘技术实现电网设备故障预警的方法 |
| CN105762793A (zh) * | 2016-03-16 | 2016-07-13 | 国网江苏省电力公司电力科学研究院 | 计及分布式新能源的配网故障停电损失评估方法 |
Non-Patent Citations (1)
| Title |
|---|
| 气象灾害风险智能分析及预警***;杨笑宇等;《山东电力技术》;20160725;第21-24页 |
Also Published As
| Publication number | Publication date |
|---|---|
| CN106373032A (zh) | 2017-02-01 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106373032B (zh) | 基于大数据的配网故障高发区域辨识方法 | |
| CN100466416C (zh) | 城市电网事故智能决策支持*** | |
| CN105005827B (zh) | 一种基于电力突发事件的应急响应预警方法 | |
| Pant et al. | Vulnerability assessment framework for interdependent critical infrastructures: case-study for Great Britain’s rail network | |
| CN112070286B (zh) | 复杂地形流域的降水预报预警*** | |
| CN109215347A (zh) | 一种基于众包轨迹数据的交通数据质量控制方法 | |
| CN106980071B (zh) | 基于电网gis可视化抢修***及其工作方法 | |
| CN113189451B (zh) | 配电网故障定位研判方法、***、计算机设备和存储介质 | |
| CN104778263B (zh) | 一种电动车充电站***仿真数据挖掘方法 | |
| CN109828182A (zh) | 一种基于故障分类处理的电网***故障分析预警方法 | |
| CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
| CN105069690A (zh) | 一种电网运行数据处理方法 | |
| CN107290623A (zh) | 一种基于自动匹配的输电线路故障原因识别方法 | |
| CN106814286B (zh) | 基于多元故障采集的配电网故障定位***、方法及服务器 | |
| CN112381321B (zh) | 一种基于网格化划分的配电网运行状态感知方法 | |
| CN102700576A (zh) | 城市轨道交通线网客流监测方法 | |
| CN110380514A (zh) | 一种智能变电站继电保护二次回路故障诊断方法 | |
| CN110690699B (zh) | 一种基于泛在电力物联网的变电站智慧检测*** | |
| CN106250570A (zh) | 一种地下排水管网智能管理*** | |
| CN113177858B (zh) | 一种多维度的电网抗台风评价方法 | |
| CN106846168A (zh) | 输电线路交叉跨越的处理装置以及*** | |
| CN102289582A (zh) | 一种配电网风险状态辨识方法 | |
| CN110334127A (zh) | 一种配电网线路故障规律挖掘方法、***及存储介质 | |
| CN113902583A (zh) | 利用低压网络设备数据的配网侧运维方法及*** | |
| CN114141008A (zh) | 一种基于手机信令数据的新型共享公共交通服务区域选取方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| C06 | Publication | ||
| PB01 | Publication | ||
| SE01 | Entry into force of request for substantive examination | ||
| SE01 | Entry into force of request for substantive examination | ||
| GR01 | Patent grant | ||
| GR01 | Patent grant |