CN108090623B - 一种电网停电事故的危险性评估方法 - Google Patents
一种电网停电事故的危险性评估方法 Download PDFInfo
- Publication number
- CN108090623B CN108090623B CN201711482479.7A CN201711482479A CN108090623B CN 108090623 B CN108090623 B CN 108090623B CN 201711482479 A CN201711482479 A CN 201711482479A CN 108090623 B CN108090623 B CN 108090623B
- Authority
- CN
- China
- Prior art keywords
- accident
- load loss
- power grid
- grade
- particles
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000012502 risk assessment Methods 0.000 title claims abstract description 12
- 239000002245 particle Substances 0.000 claims abstract description 53
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 28
- 230000008569 process Effects 0.000 claims abstract description 18
- 230000002068 genetic effect Effects 0.000 claims abstract description 14
- 238000011156 evaluation Methods 0.000 claims abstract description 12
- 238000005457 optimization Methods 0.000 claims description 13
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000001174 ascending effect Effects 0.000 claims description 6
- 238000012545 processing Methods 0.000 claims description 5
- FFBHFFJDDLITSX-UHFFFAOYSA-N benzyl N-[2-hydroxy-4-(3-oxomorpholin-4-yl)phenyl]carbamate Chemical compound OC1=C(NC(=O)OCC2=CC=CC=C2)C=CC(=C1)N1CCOCC1=O FFBHFFJDDLITSX-UHFFFAOYSA-N 0.000 claims description 3
- 230000008859 change Effects 0.000 claims description 3
- 238000005315 distribution function Methods 0.000 claims description 3
- 238000012804 iterative process Methods 0.000 claims description 3
- 238000013178 mathematical model Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 238000004458 analytical method Methods 0.000 description 4
- 230000007547 defect Effects 0.000 description 3
- 239000011159 matrix material Substances 0.000 description 3
- 101100326726 Flaveria trinervia PPCC gene Proteins 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000007476 Maximum Likelihood Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000013210 evaluation model Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 230000005484 gravity Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
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
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Biophysics (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Evolutionary Biology (AREA)
- General Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Physiology (AREA)
- Genetics & Genomics (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力***风险评估技术领域,更具体地,涉及一种电网停电事故的危险性评估方法。包括以下步骤:S1:提取负荷损失的样本数据;S2:选用合适的极值分布模型;S3:利用基于有效群体的粒子群遗传算法进行广义极值分布模型参数估计,得出广义极值分布模型;S4:对负荷损失的事故概率进行分析;S5:建立评价指标,利用层次分析法计算权重向量;S6:计算负荷损失的危险性指标。此方法能有效对不同区域发生的同类事故进行横向对比,建立明确的事故后果严重性等级评价指标。
Description
技术领域
本发明涉及电力***风险评估技术领域,更具体地,涉及一种电网停电事故的危险性评估方法。
背景技术
极值理论是一门研究一旦发生即产生极大影响事故的统计分析理论。目前,极值理论已逐步应用于电力***分析当中。包括以下方面:利用不同的极值分布法对地区电网覆冰重现期进行计算;以极值模型为基础,分析输电线路不同时期下的故障概率。而电网负荷损失事故一旦发生,不仅对供电公司及社会产生重大的影响,而且大范围的停电事故服从幂律分布,与极值理论具有相似性。所以,可以将极值理论应用于负荷损失评估当中,科学分析负荷损失的严重性,总结停电事故中的经验与启示。
进一步分析发现,在已有研究方法中,根据极值理论中“多年重现期”的概念进行危险事故的极值分析,即计算在规定年和概率下指定区域内可能发生的相关事故的极大值。此方法不能有效对不同区域发生的同类事故进行横向对比,缺乏明确的事故后果严重性的等级划分。
发明内容
本发明为克服上述现有技术所述的至少一种缺陷,提出一种基于广义极值理论和层次分析法的电网停电事故的危险性评估方法,能有效对不同区域发生的同类事故进行横向对比,明确事故后果严重性的等级划分。
为解决上述技术问题,本发明采用的技术方案是:一种电网停电事故的危险性评估方法,包括以下步骤:
S1:提取负荷损失的样本数据;
S2:选用合适的极值分布模型;
S3:利用基于有效群体的粒子群遗传算法进行广义极值分布模型参数估计,得出广义极值分布模型;
S4:对负荷损失的事故概率进行分析;
S5:建立评价指标,利用层次分析法计算权重向量;
S6:计算负荷损失的危险性指标。
本发明结合广义极值理论和层次分析法对电网进行事故负荷损失的危险性评估。首先,为了有效提高广义极值模型的拟合精度,提出一种改进粒子群算法进行参数优化,该算法有效改变粒子数目,并在进化后期引入遗传算法,提高了收敛精度。然后采用层次分析法对停电事故损失的负荷数据进行处理,建立一种用于评估负荷损失的危险性指标的方法。
进一步地,步骤S1的具体步骤为:在《中国南方电网有限责任公司电力事故事故调查规程》中对电网事故等级按照严重程度划分等级,评定方法为事故时电网的减供负荷与事故前电网负荷的比值。故负荷损失的样本数据以相对值M'的方法来提取:
式中:M为电网事故负荷损失值,M0为事故发生年当前地区电网的最大负荷值。
步骤S2的具体步骤为:为了提高极值分布的拟合精度,选用具有普遍适应性的广义极值分布模型(GEV)。其分布函数为:
式中:1+ε·(x-μ)/σ>0,σ>0;μ,σ,ε分别为位置参数、尺度参数和形状参数。
步骤S3的具体步骤为:在模型参数估计方面,提出一种改进粒子群算法进行参数优化。首先构造目标函数:当对一组数据的总体分布形式没有多少认识时,样本经验分布可作为一种较好的选择。即假定xj是原样本重新按升序排列的数据,Pj为与xj对应的经验概率值,定义Pj为:
式中:j为xj按升序排列中排第j的位置,m为样本数据的个数。
令Pj=Gε(xj'),并对其进行变换得:
定义目标函数F为样本数据xj与理论数据xj'之间误差的平方和,令F最小,其数学模型为:
基于有效群体的粒子群遗传(EPSOGA)算法是一种有效改变粒子数目的改进型算法。采用粒子群算法对广义极值模型的三个参数进行求解,首先对μ,σ,ε初始化为一群三维的随机粒子,然后对目标函数进行迭代寻优。在每次迭代过程中,粒子通过跟随个体最优解Pbest及全局最优解Gbest两个极值来更新自己。设初始种群规模为N,总的迭代次数为maxgen。在迭代过程中,粒子更新自己的速度和位置。
利用群体的全局最优解Gbest变化来有效改变粒子的数目,具体规则如下:
(a)若在连续两次迭代过程中Gbest均未更新,则在群体中加入一个粒子,其对应的位置为:
式中,a1和a2为当前群体中随机抽取的两个粒子。
(b)若在连续两次迭代过程中Gbest得到更新,对当前群体的个体最优解Pbest进行排序,其中个体最优解为最大值所对应的粒子为适应度最差的粒子,因种群规模已足够,去除该适应度最差的粒子。此时的种群规模更新为N'。
在进化到pmaxgen代时,求当代的个体最优解的均值Pav:
pmaxgen为在一次迭代寻优中设定的粒子群迭代次数;
对不同个体最优值进行处理,规则如下:(a)若共有M个Pbest<Pav,则此M个个体直接进入下一次迭代;(b)余下的N'-M个个体则进入遗传进化,得到一组新的N'-M个个体,对2(N'-M)个个体进行重新排序,选取最优的前N'-M个个体进入下一次迭代。
步骤S4的具体为:若电网停电事故样本数据满足广义极值分布模型的模型分布时,定义未来T年内负荷损失超过xT的事故概率为:Pl(x>xT)=1-(Gε(xT))T或者T年内发生负荷损失不超过xT的概率为:Pl(x≤xT)=(Gε(xT))T
采用区间概率计算特定区域(xT1,xT2]的概率值:Pl(xT1<x≤xT2)=(Gε(xT2))T-(Gε(xT1))T。
步骤S5的具体为:文献《广义极值理论在大停电事故损失负荷预测中的应用》指出全国电网事故负荷损失相对值范围在0~0.06之间。因此,结合专家经验知识,将事故等级后果分为I、II、III、IV等4类后果,具体取值如表1所示。
表1事故等级后果分级标准
事故后果评价指标有四个,分别为I级、II级、III级、IV级等四个指标,对指标的重要性程度排序为:I级>II级>III级>IV级,并对其进行两两对比。利用层次分析法确定事故等级对应的权重系数b1、b2、b3、b4。
步骤S6的具体为:结合步骤S4和步骤S5中所确定的分类方法,计算不同负荷损失事故等级后果所占的比例Pl1、Pl2、Pl3、Pl4。根据事故等级后果比例及其对应的权重系数,预测未来T年内电网负荷损失危险性概率值R,计算公式为:
R=b1·Pl1+b2·Pl2+b3·Pl3+b4·Pl4。
与现有技术相比,有益效果是:
(1)与传统算法相比,具有改变粒子群数目及遗传算法的优点,该算法克服了粒子群算法易陷入局部最优解的缺点,具备较大概率地寻找全局最优解的特点,为电网负荷损失的危险性指标评估模型提供依据。
(2)针对现有的电网负荷损失危险性评估方法的不足,提出了基于层次化分析法(AHP)的危险性评估模型,利用极值理论计算在规定年和事故损失负荷最大相对值下的概率值,对不同的事故后果等级进行权重值的计算,进而获得危险性概率值。
附图说明
图1是本发明整体流程示意图。
具体实施方式
附图仅用于示例性说明,不能理解为对本专利的限制;为了更好说明本实施例,附图某些部件会有省略、放大或缩小,并不代表实际产品的尺寸;对于本领域技术人员来说,附图中某些公知结构及其说明可能省略是可以理解的。附图中描述位置关系仅用于示例性说明,不能理解为对本专利的限制。
如图1所示,一种电网停电事故的危险性评估方法,包括以下步骤:
S1:提取负荷损失的样本数据;
S2:选用合适的极值分布模型;
S3:利用基于有效群体的粒子群遗传算法进行广义极值分布模型参数估计,得出广义极值分布模型;
S4:对负荷损失的事故概率进行分析;
S5:建立评价指标,利用层次分析法计算权重向量;
S6:计算负荷损失的危险性指标。
本发明结合广义极值理论和层次分析法对电网进行事故负荷损失的危险性评估。首先,为了有效提高广义极值模型的拟合精度,提出一种改进粒子群算法进行参数优化,该算法有效改变粒子数目,并在进化后期引入遗传算法,提高了收敛精度。然后采用层次分析法对停电事故损失的负荷数据进行处理,建立一种用于评估负荷损失的危险性指标的方法。
进一步地,步骤S1的具体步骤为:在《中国南方电网有限责任公司电力事故事故调查规程》中对电网事故等级按照严重程度划分等级,评定方法为事故时电网的减供负荷与事故前电网负荷的比值。故负荷损失的样本数据以相对值M'的方法来提取:
式中:M为电网事故负荷损失值,M0为事故发生年当前地区电网的最大负荷值。
步骤S2的具体步骤为:为了提高极值分布的拟合精度,选用具有普遍适应性的广义极值分布模型(GEV)。其分布函数为:
式中:1+ε·(x-μ)/σ>0,σ>0;μ,σ,ε分别为位置参数、尺度参数和形状参数。
步骤S3的具体步骤为:在模型参数估计方面,提出一种改进粒子群算法进行参数优化。首先构造目标函数:当对一组数据的总体分布形式没有多少认识时,样本经验分布可作为一种较好的选择。即假定xj是原样本重新按升序排列的数据,Pj为与xj对应的经验概率值,定义Pj为:
式中:j为xj按升序排列中排第j的位置,m为样本数据的个数。
令Pj=Gε(xj'),并对其进行变换得:
定义目标函数F为样本数据xj与理论数据xj'之间误差的平方和,令F最小,其数学模型为:
基于有效群体的粒子群遗传(EPSOGA)算法是一种有效改变粒子数目的改进型算法。采用粒子群算法对广义极值模型的三个参数进行求解,首先对μ,σ,ε初始化为一群三维的随机粒子,然后对目标函数进行迭代寻优。在每次迭代过程中,粒子通过跟随个体最优解Pbest及全局最优解Gbest两个极值来更新自己。设初始种群规模为N,总的迭代次数为maxgen。在迭代过程中,粒子更新自己的速度和位置。
利用群体的全局最优解Gbest变化来有效改变粒子的数目,具体规则如下:
(a)若在连续两次迭代过程中Gbest均未更新,则在群体中加入一个粒子,其对应的位置为:
式中,a1和a2为当前群体中随机抽取的两个粒子。
(b)若在连续两次迭代过程中Gbest得到更新,对当前群体的个体最优解Pbest进行排序,其中个体最优解为最大值所对应的粒子为适应度最差的粒子,因种群规模已足够,去除该适应度最差的粒子。此时的种群规模更新为N'。
在进化到pmaxgen代时,求当代的个体最优解的均值Pav:
pmaxgen为在一次迭代寻优中设定的粒子群迭代次数;
对不同个体最优值进行处理,规则如下:(a)若共有M个Pbest<Pav,则此M个个体直接进入下一次迭代;(b)余下的N'-M个个体则进入遗传进化,得到一组新的N'-M个个体,对2(N'-M)个个体进行重新排序,选取最优的前N'-M个个体进入下一次迭代。
步骤S4的具体为:若电网停电事故样本数据满足广义极值分布模型的模型分布时,定义未来T年内负荷损失超过xT的事故概率为:Pl(x>xT)=1-(Gε(xT))T或者T年内发生负荷损失不超过xT的概率为:Pl(x≤xT)=(Gε(xT))T
采用区间概率计算特定区域(xT1,xT2]的概率值:Pl(xT1<x≤xT2)=(Gε(xT2))T-(Gε(xT1))T。
步骤S5的具体为:参照文献《广义极值理论在大停电事故损失负荷预测中的应用》指出全国电网事故负荷损失相对值范围在0~0.06之间。因此,结合专家经验知识,将事故等级后果分为I、II、III、IV等4类后果,具体取值如表1所示。
表1事故等级后果分级标准
事故后果评价指标有四个,分别为I级、II级、III级、IV级等四个指标,对指标的重要性程度排序为:I级>II级>III级>IV级,并对其进行两两对比。利用层次分析法确定事故等级对应的权重系数b1、b2、b3、b4。
步骤S6的具体为:结合步骤S4和步骤S5中所确定的分类方法,计算不同负荷损失事故等级后果所占的比例Pl1、Pl2、Pl3、Pl4。根据事故等级后果比例及其对应的权重系数,预测未来T年内电网负荷损失危险性概率值R,计算公式为:
R=b1·Pl1+b2·Pl2+b3·Pl3+b4·Pl4。
结合以下的具体案例进行阐述本方法:
(1)统计了地区三个区域的年负荷损失极值,以便对不同区域的电网负荷损失危险性进行比较,每个区域选取了1997年至2016年共20组的样本数据,具体如表2所示,数据以时间顺序进行排列。
表2三个区域的年负荷损失极大值
(2)选用具有普遍适应性的广义极值分布模型
(3)利用EPSOGA求解三个区域的(μ,σ,ε)的值分别为:(0.062002,0.016000,-0.718860)、(0.034465,0.011221,-0.201970)、(0.048854,0.011782,-0.308570)。三个区域的形状参数均为负数,模型服从极值III型分布,证明区域负荷损失极值不能超过对应区域负荷的总额,即负荷损失是有上限值的,符合负荷损失的实际规律。为了验证EPSOGA算法针对电网负荷损失极值参数优化的有效性,将EPSOGA法与极大似然法、PSO法(粒子群算法)及GA法(遗传算法)进行对比实验。
表3区域1计算结果比较
表4区域2计算结果比较
表5区域3计算结果比较
对比三个区域的RMSE、PPCC指标,EPSOGA算法结果的RMSE值最小、PPCC值最大,说明拟合效果最优。
(4)对三个区域2017年及2021年事故发生的概率比重进行计算,得出表6、表7所示的计算结果。
表6 2017年负荷损失的概率比重
表7 2021年负荷损失的概率比重
(5)对指标的重要性程度排序为:I级>II级>III级>IV级,并对其进行两两对比,得到以下判断矩阵:
最大特征值λmax=4.1170,对应的特征向量为B=[0.8880,0.4121,0.1847,0.0869],并对判断矩阵进行一致性检验:当n=4时,RI=0.89,得出CR=0.0438,满足CR<0.1的一致要求,判断矩阵合理。
(6)2017年的危险性结果为:R1=71.47%,R2=30.45%,R3=51.08%;2021年的危险性结果为:R1'=88.68%,R2'=50.11%,R3'=79.34%。从不同年份的危险性评估值看出,区域1负荷损失的危险性指标均为最高。在实际运行经验中,区域1位于多雷区,且区域电网结构较薄弱,常发生线路跳闸导致负荷损失的情况,与运行情况相符。区域指标值均随时间的推移而增大,其中区域1及区域3均为II级及以上的事故后果,说明若不及时对区域的电网结构进行优化调整及建设,区域将会发生较大的危险事故。
显然,本发明的上述实施例仅仅是为清楚地说明本发明所作的举例,而并非是对本发明的实施方式的限定。对于所属领域的普通技术人员来说,在上述说明的基础上还可以做出其它不同形式的变化或变动。这里无需也无法对所有的实施方式予以穷举。凡在本发明的精神和原则之内所作的任何修改、等同替换和改进等,均应包含在本发明权利要求的保护范围之内。
Claims (3)
1.一种电网停电事故的危险性评估方法,其特征在于,包括以下步骤:
S1:提取负荷损失的样本数据;
S2:选用合适的极值分布模型;
为了提高极值分布的拟合精度,选用具有普遍适应性的广义极值分布模型,其分布函数为:
式中:(1+ε·(x-μ)/σ)>0,σ>0;μ,σ,ε分别为位置参数、尺度参数和形状参数;
S3:利用基于有效群体的粒子群遗传算法进行广义极值分布模型参数估计,得出广义极值分布模型;
在模型参数估计方面,提出一种改进粒子群算法进行参数优化,首先构造目标函数:当未确定一组数据的总体分布形式时,选择样本经验分布方法,即设xj是原样本重新按升序排列的数据,Pj为与xj对应的经验概率值,定义Pj为:
式中:j为xj按升序排列中排第j的位置,m为样本数据的个数;
令Pj=Gε(xj'),并对其进行变换得:
定义目标函数F为样本数据xj与理论数据xj'之间误差的平方和,令F最小,其数学模型为:
基于有效群体的粒子群遗传算法是一种有效改变粒子数目的改进型算法;采用粒子群算法对广义极值模型的三个参数进行求解,首先对μ,σ,ε初始化为一群三维的随机粒子,然后对目标函数进行迭代寻优;在每次迭代过程中,粒子通过跟随个体最优解Pbest及全局最优解Gbest两个极值来更新自己;设初始种群规模为N,总的迭代次数为maxgen;在迭代过程中,粒子更新自己的速度和位置;
利用群体的全局最优解Gbest变化来有效改变粒子的数目,具体规则如下:
(a)若在连续两次迭代过程中Gbest均未更新,则在群体中加入一个粒子,其对应的位置为:
式中,a1和a2为当前群体中随机抽取的两个粒子;d是指d维空间;
(b)若在连续两次迭代过程中Gbest得到更新,对当前群体的个体最优解Pbest进行排序,其中个体最优解为最大值所对应的粒子为适应度最差的粒子,因种群规模已足够,去除该适应度最差的粒子;此时的种群规模更新为N';
在进化到pmaxgen代时,求当代个体最优解的均值Pav:
pmaxgen为在一次迭代寻优中设定的粒子群迭代次数;
对不同个体最优值进行处理,规则如下:(a)若共有M个Pbest<Pav,则此M个个体直接进入下一次迭代;(b)余下的N'-M个个体则进入遗传进化,得到一组新的N'-M个个体,对2(N'-M)个个体进行重新排序,选取最优的前N'-M个个体进入下一次迭代;
S4:对负荷损失的事故概率进行分析;
若电网停电事故样本数据满足广义极值分布模型的模型分布时,定义未来T年内负荷损失超过xT的事故概率为:Pl(x>xT)=1-(Gε(xT))T
或者T年内发生负荷损失不超过xT的概率为:Pl(x≤xT)=(Gε(xT))T
采用区间概率计算特定区域(xT1,xT2]的概率值:Pl(xT1<x≤xT2)=(Gε(xT2))T-(Gε(xT1))T;
S5:建立评价指标,利用层次分析法计算权重向量;
事故后果评价指标有四个,分别为I级、II级、III级、IV级等四个指标,I类的相对值范围为0.06~+∞,II类的相对值范围为0.04~0.06,III类的相对值范围为0.02~0.04,IV类的相对值范围为0~0.02;对指标的重要性程度排序为:I级>II级>III级>IV级,并对其进行两两对比;利用层次分析法确定事故等级对应的权重系数b1、b2、b3、b4,其中b1=0.8880,b2=0.4121、b3=0.1847、b4=0.0869;
S6:计算负荷损失的危险性指标。
3.根据权利要求1所述的一种电网停电事故的危险性评估方法,其特征在于,步骤S6的具体步骤为:
结合步骤S4和S5中所确定的分类方法,计算不同负荷损失事故等级后果所占的比例Pl1、Pl2、Pl3、Pl4,根据事故等级后果比例及其对应的权重系数,预测未来T年内电网负荷损失危险性概率值R,计算公式为:
R=b1·Pl1+b2·Pl2+b3·Pl3+b4·Pl4。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711482479.7A CN108090623B (zh) | 2017-12-29 | 2017-12-29 | 一种电网停电事故的危险性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201711482479.7A CN108090623B (zh) | 2017-12-29 | 2017-12-29 | 一种电网停电事故的危险性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN108090623A CN108090623A (zh) | 2018-05-29 |
CN108090623B true CN108090623B (zh) | 2021-07-16 |
Family
ID=62180903
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201711482479.7A Active CN108090623B (zh) | 2017-12-29 | 2017-12-29 | 一种电网停电事故的危险性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108090623B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108694472B (zh) * | 2018-06-15 | 2020-07-31 | 清华大学 | 预测误差极值分析方法、装置、计算机设备和存储介质 |
CN110648247B (zh) * | 2019-03-22 | 2022-06-10 | 清华大学 | 电力***输电线路重要性的评价方法及装置 |
CN111862557B (zh) * | 2019-04-24 | 2022-08-16 | 广州煜煊信息科技有限公司 | 一种基于物联网监测方式的家庭事故处理方法 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013200338A1 (de) * | 2012-01-18 | 2013-07-18 | Ford Global Technologies, Llc | Nichtintrusive Abgassensorüberwachung |
CN105426955A (zh) * | 2015-08-20 | 2016-03-23 | 武汉科技大学 | 一种基于扰动的精英反向学习粒子群优化的实现方法 |
CN106327006A (zh) * | 2016-08-09 | 2017-01-11 | 国网四川省电力公司经济技术研究院 | 一种基于综合效益分析的微电网优化配置方法 |
CN107085152A (zh) * | 2017-04-13 | 2017-08-22 | 国网天津市电力公司 | 一种基于广义极值分布的变压器寿命概率评价方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
GB2491564A (en) * | 2011-05-24 | 2012-12-12 | Isis Innovation | Method of system monitoring |
-
2017
- 2017-12-29 CN CN201711482479.7A patent/CN108090623B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
DE102013200338A1 (de) * | 2012-01-18 | 2013-07-18 | Ford Global Technologies, Llc | Nichtintrusive Abgassensorüberwachung |
CN105426955A (zh) * | 2015-08-20 | 2016-03-23 | 武汉科技大学 | 一种基于扰动的精英反向学习粒子群优化的实现方法 |
CN106327006A (zh) * | 2016-08-09 | 2017-01-11 | 国网四川省电力公司经济技术研究院 | 一种基于综合效益分析的微电网优化配置方法 |
CN107085152A (zh) * | 2017-04-13 | 2017-08-22 | 国网天津市电力公司 | 一种基于广义极值分布的变压器寿命概率评价方法 |
Non-Patent Citations (2)
Title |
---|
广义极值分布函数的粒子群算法估计;卢飞霞;《中国优秀所示学位论文全文数据库 基础科学辑》;20170315(第3期);正文第3-25页 * |
广义极值理论在大停电事故损失负荷预测中的应用;于群 等;《电力***自动化》;20160425;正文第71-77页 * |
Also Published As
Publication number | Publication date |
---|---|
CN108090623A (zh) | 2018-05-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107169628B (zh) | 一种基于大数据互信息属性约简的配电网可靠性评估方法 | |
CN110503245B (zh) | 一种机场航班大面积延误风险的预测方法 | |
CN111950918B (zh) | 一种基于电力交易数据的市场风险评估方法 | |
CN108090623B (zh) | 一种电网停电事故的危险性评估方法 | |
Minglei et al. | Classified real-time flood forecasting by coupling fuzzy clustering and neural network | |
CN107730395B (zh) | 一种针对低压用户的基于用电量偏差率的用电异常检测方法 | |
CN105956779A (zh) | 电力变压器运行状态评估方法和装置 | |
CN104820771B (zh) | 一种航天工程制造成熟度等级确定方法 | |
CN104834994A (zh) | 基于svm的小样本继电保护可靠性参数估计方法 | |
CN111179592B (zh) | 基于时空数据流融合分析的城市交通预测方法和*** | |
CN104021304A (zh) | 一种变压器在线监测装置安装优先级评估方法 | |
CN111178585A (zh) | 基于多算法模型融合的故障接报量预测方法 | |
CN109299208B (zh) | 一种台风灾害下输电杆塔智能可视化风险评估方法 | |
CN114966233A (zh) | 基于深度神经网络的雷电预报***及方法 | |
CN108461150A (zh) | 一种职业卫生预测研究方法 | |
CN115953252A (zh) | 一种建工安责险保费的确定方法 | |
CN110689266A (zh) | 一种基于多源数据的用地潜力研判方法 | |
CN109284901A (zh) | 一种输电塔线的金属监督评价方法 | |
CN110489893B (zh) | 一种基于可变权值的母线负荷预测方法及*** | |
CN116629605A (zh) | 一种面向木质古建筑的火灾风险预测方法 | |
CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 | |
CN106709522B (zh) | 一种基于改进模糊三角数的高压电缆施工缺陷分级方法 | |
Wang et al. | A Novel Multi‐Input AlexNet Prediction Model for Oil and Gas Production | |
CN113919162A (zh) | 基于仿真与多源实测数据融合的电压暂降风险预警方法 | |
CN115099636B (zh) | 基于复杂网络理论的文物安防***效能评估方法和*** |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | 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 |