CN110796368A - 基于贝叶斯网络的社区配电网动态风险评估方法及装置 - Google Patents
基于贝叶斯网络的社区配电网动态风险评估方法及装置 Download PDFInfo
- Publication number
- CN110796368A CN110796368A CN201911037637.7A CN201911037637A CN110796368A CN 110796368 A CN110796368 A CN 110796368A CN 201911037637 A CN201911037637 A CN 201911037637A CN 110796368 A CN110796368 A CN 110796368A
- Authority
- CN
- China
- Prior art keywords
- community
- node
- power distribution
- phase
- power failure
- 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.)
- Granted
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 721
- 238000012502 risk assessment Methods 0.000 title claims abstract description 204
- 238000000034 method Methods 0.000 title claims abstract description 78
- 238000003745 diagnosis Methods 0.000 claims abstract description 87
- 238000012549 training Methods 0.000 claims description 31
- 230000008439 repair process Effects 0.000 claims description 24
- 238000004422 calculation algorithm Methods 0.000 claims description 23
- 238000004364 calculation method Methods 0.000 claims description 22
- 238000011156 evaluation Methods 0.000 claims description 22
- 230000008859 change Effects 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 6
- 238000010586 diagram Methods 0.000 description 19
- 238000005070 sampling Methods 0.000 description 15
- 230000006870 function Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 8
- 230000032683 aging Effects 0.000 description 5
- 238000004458 analytical method Methods 0.000 description 5
- 238000004891 communication Methods 0.000 description 4
- 238000012423 maintenance Methods 0.000 description 3
- 238000013507 mapping Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000012790 confirmation Methods 0.000 description 2
- 230000002349 favourable effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000003287 optical effect Effects 0.000 description 2
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000005299 abrasion Methods 0.000 description 1
- 230000002457 bidirectional effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000008878 coupling Effects 0.000 description 1
- 238000010168 coupling process Methods 0.000 description 1
- 238000005859 coupling reaction Methods 0.000 description 1
- 238000013144 data compression Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000006866 deterioration Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 238000005457 optimization Methods 0.000 description 1
- 102000054765 polymorphisms of proteins Human genes 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 230000001012 protector Effects 0.000 description 1
- 238000005295 random walk Methods 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012546 transfer 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明实施例提供一种基于贝叶斯网络的社区配电网动态风险评估方法及装置,该方法包括:构建社区配电网动态风险评估指标体系及贝叶斯网络;将采集的电流电压预设数据输入配电馈线短路故障诊断贝叶斯网络模型得到配电馈线短路状态信息;将天气信息、社区配电***元器件运行年限信息及配电馈线短路状态信息输入到社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果。本发明实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法及装置,通过利用提出的适用于社区配电网动态风险评估的指标体系建立贝叶斯网络模型,并通过实时数据进行动态风险评估,实现了社区配电网停电风险的实时动态评估,并提高了动态评估的可靠性和准确性。
Description
技术领域
本发明涉及电力风险监控技术领域,具体涉及一种基于贝叶斯网络的社区配电网动态风险评估方法及装置。
背景技术
社区配电网是电力***中二次降压变电所低压侧向用户供电的部分,是连接主网和用户的核心。社区配电网大多深入市中心和居民密集点,具有结构复杂、负荷变化频繁、网损较大等特点。据不完全统计,社区电力***中80%以上的故障来自于社区配电网。对社区配电网停电风险进行准确的风险评估,及时发现其存在的安全隐患,不仅可以为社区配电网的规划建设和计划检修提供重要依据,还可以保证配电网的安全稳定运行。因此,对社区配电网进行风险评估具有重要意义。
当前针对大电网的风险评估指标体系已经成熟,但是该指标体系侧重于历史停电规律的统计,偏重从***可靠性层面对电网的运行风险水平进行评估,没有深入到元器件运行状态层面进行全面的风险评估。然而影响社区配电网停电风险的因素繁多,各个影响因素之间又具有相互关联的特点,传统的电力***风险评估指标体系无法从本质上对社区配电网进行全面的实时动态的风险评估。另外,当前的风险评估方法偏重于静态评估,难以反映风险的实时动态变化、风险因子之间的影响关系,难以对可能发生的风险事故提供有效预警。
发明内容
为解决现有技术中的问题,本发明实施例提供一种基于贝叶斯网络的社区配电网动态风险评估方法及装置。
第一方面,本发明实施例提供一种基于贝叶斯网络的社区配电网动态风险评估方法,包括:构建用于社区配电网动态风险评估的指标体系,基于所述指标体系构建配电馈线短路故障诊断贝叶斯网络模型和构建社区配电网停电风险评估贝叶斯网络模型;其中,所述指标体系中社区配电网停电风险水平为最上层指标,所述社区配电网停电风险水平的下一级指标包括社区配电网馈电线路风险水平、社区配电网外部风险水平、社区配电网线路元器件风险水平、社区配电网负荷点风险水平及社区配电网***风险水平;所述社区配电网停电风险水平的下一级指标包括单相接地短路、两相短路、两相接地短路及三相短路,所述单相接地短路、所述两相短路、所述两相接地短路及所述三相短路的下一级指标包括三相电流大小、三相电流相位、三相电压大小、三相电流正负零三序大小及三相电压相位;所述社区配电网外部风险水平的下一级指标包括年限老化和天气;所述社区配电网线路元器件风险水平的下一级指标包括变压器、断路器、隔离开关、熔断器及馈电线路,所述变压器、所述断路器、所述隔离开关、所述熔断器及所述馈电线路的下一级指标包括年故障率、平均修复时间、年检修率及检修时间;所述社区配电网负荷点风险水平的下一级指标包括社区配电网负荷点年故障停运率、社区配电网负荷点平均停电持续时间及社区配电网负荷点年平均停电时间;所述社区配电网***风险水平的下一级指标包括社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标;将采集的电流电压预设数据输入到所述配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点;将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到所述社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果;所述社区配电***元器件包括隔离开关、熔断器、变压器、断路器及配电馈线;所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括元器件故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点;所述元器件故障率节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点;所述天气信息节点和所述运行年限信息节点分别连接各个所述元器件故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,所述元器件故障率节点连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。
第二方面,本发明实施例提供一种于贝叶斯网络的社区配电网动态风险评估装置,该装置包括:社区配电网动态风险评估的指标体系及贝叶斯模型构建模块,用于:构建用于社区配电网动态风险评估的指标体系,基于所述指标体系构建配电馈线短路故障诊断贝叶斯网络模型和构建社区配电网停电风险评估贝叶斯网络模型;其中,所述指标体系中社区配电网停电风险水平为最上层指标,所述社区配电网停电风险水平的下一级指标包括社区配电网馈电线路风险水平、社区配电网外部风险水平、社区配电网线路元器件风险水平、社区配电网负荷点风险水平及社区配电网***风险水平;所述社区配电网停电风险水平的下一级指标包括单相接地短路、两相短路、两相接地短路及三相短路,所述单相接地短路、所述两相短路、所述两相接地短路及所述三相短路的下一级指标包括三相电流大小、三相电流相位、三相电压大小、三相电流正负零三序大小及三相电压相位;所述社区配电网外部风险水平的下一级指标包括年限老化和天气;所述社区配电网线路元器件风险水平的下一级指标包括变压器、断路器、隔离开关、熔断器及馈电线路,所述变压器、所述断路器、所述隔离开关、所述熔断器及所述馈电线路的下一级指标包括年故障率、平均修复时间、年检修率及检修时间;所述社区配电网负荷点风险水平的下一级指标包括社区配电网负荷点年故障停运率、社区配电网负荷点平均停电持续时间及社区配电网负荷点年平均停电时间;所述社区配电网***风险水平的下一级指标包括社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标;配电馈线短路状态信息获取模块,用于:将采集的电流电压预设数据输入到所述配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点;社区停电风险评估模块,用于:将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到所述社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果;所述社区配电***元器件包括隔离开关、熔断器、变压器、断路器及配电馈线;所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括元器件故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点;所述元器件故障率节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点;所述天气信息节点和所述运行年限信息节点分别连接各个所述元器件故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,所述元器件故障率节点连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。
第三方面,本发明实施例提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现如第一方面所提供的方法的步骤。
第四方面,本发明实施例提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所提供的方法的步骤。
本发明实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法及装置,通过利用提出的适用于社区配电网动态风险评估的指标体系建立贝叶斯网络模型,并通过采集的实时数据进行动态风险评估,实现了社区配电网停电风险的实时动态评估,并提高了动态评估的可靠性和准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法流程图;
图2是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中指标体系的示意图;
图3是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中各层指标的依赖关系示意图;
图4是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中配电馈线短路故障诊断贝叶斯网络模型的结构示意图;
图5是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中社区配电网停电风险评估贝叶斯网络模型的结构示意图;
图6是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中故障树和贝叶斯网络的映射关系示意图;
图7是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中用于配电馈线短路故障诊断的故障树的结构示意图;
图8是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法的流程图;
图9是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中五种元器件在不同天气条件下的故障率的曲线图;
图10是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中负荷点故障率的曲线图;
图11是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中负荷点的平均停电时间的曲线图;
图12是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中停电风险值曲线图;
图13是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估装置结构示意图;
图14是本发明一实施例提供的电子设备的实体结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整的描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有作出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
图1是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法流程图。如图1所示,所述方法包括:
步骤101、社区配电网动态风险评估的指标体系及贝叶斯模型构建模块,用于:构建用于社区配电网动态风险评估的指标体系,基于所述指标体系构建配电馈线短路故障诊断贝叶斯网络模型和构建社区配电网停电风险评估贝叶斯网络模型;其中,所述指标体系中社区配电网停电风险水平为最上层指标,所述社区配电网停电风险水平的下一级指标包括社区配电网馈电线路风险水平、社区配电网外部风险水平、社区配电网线路元器件风险水平、社区配电网负荷点风险水平及社区配电网***风险水平;所述社区配电网停电风险水平的下一级指标包括单相接地短路、两相短路、两相接地短路及三相短路,所述单相接地短路、所述两相短路、所述两相接地短路及所述三相短路的下一级指标包括三相电流大小、三相电流相位、三相电压大小、三相电流正负零三序大小及三相电压相位;所述社区配电网外部风险水平的下一级指标包括年限老化和天气;所述社区配电网线路元器件风险水平的下一级指标包括变压器、断路器、隔离开关、熔断器及馈电线路,所述变压器、所述断路器、所述隔离开关、所述熔断器及所述馈电线路的下一级指标包括年故障率、平均修复时间、年检修率及检修时间;所述社区配电网负荷点风险水平的下一级指标包括社区配电网负荷点年故障停运率、社区配电网负荷点平均停电持续时间及社区配电网负荷点年平均停电时间;所述社区配电网***风险水平的下一级指标包括社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标;(因图片大小原因,图1中此步骤有省略)。
步骤102、将采集的电流电压预设数据输入到配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点;
步骤103、将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果;所述社区配电***元器件包括隔离开关、熔断器、变压器、断路器及配电馈线;所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括元器件故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点;所述元器件故障率节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点;所述天气信息节点和所述运行年限信息节点分别连接各个所述元器件故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,所述元器件故障率节点连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。
图2是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中指标体系的示意图。图3是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中各层指标的依赖关系示意图。如图2、如图3所示,本发明实施例在传统电力***风险评估指标体系基础上综合考虑影响社区配电网停电风险的多重因素(配电馈线风险、外部因素风险、元器件风险、负荷点风险、***可靠性风险等等),提出一种适用于社区配电网停电风险评估的指标体系。
本发明实施例利用两个串联的贝叶斯网络模型实现社区配电网动态风险评估,这两个贝叶斯网络分别是配电馈线短路故障诊断贝叶斯网络模型和社区配电网停电风险评估贝叶斯网络模型。通过构建用于社区配电网动态风险评估的指标体系,进而根据指标体系之间的约束关系分别建立配电馈线短路故障诊断贝叶斯网络模型和社区配电网停电风险评估贝叶斯网络模型。
其中,所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点、所述预设短路类型节点、所述配电馈线短路状态信息节点对应的指标分别为电流电压预设数据、预设短路类型及配电馈线短路状态信息。所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点。也即,根据电流电压预设数据的采集值可以获知发生何种短路类型,根据预设短路类型可以获取配电馈线短路状态信息。
所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点。所述天气信息节点、所述运行年限信息节点、所述配电馈线短路状态信息节点、隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点、负荷点可靠性指标节点以及***可靠性指标节点对应的指标分别为天气信息、运行年限信息、配电馈线短路状态信息、隔离开关故障率、熔断器故障率、配电馈线故障率、断路器故障率、变压器故障率、负荷点可靠性指标及***可靠性指标。
所述天气信息节点和所述运行年限信息节点分别连接隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点分别连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。因此,根据天气信息、运行年限信息、配电馈线短路状态信息可以得到隔离开关、熔断器、配电馈线、断路器及变压器五个社区配电网基本元器件的故障率,根据隔离开关、熔断器、配电馈线、断路器及变压器的故障率可以得到不同负荷点类型的负荷点可靠性指标,根据负荷点可靠性指标可以得到***可靠性指标,根据***可靠性指标可以得到停电风险值,根据停电风险值可以对社区配电网进行动态风险评估。
可见,配电馈线短路故障诊断贝叶斯网络模型的输入为电流电压预设数据、输出为配电馈线短路状态信息;社区配电网停电风险评估贝叶斯网络模型的输入为天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息,输出为停电风险值。因此,将采集的电流电压预设数据输入到配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到社区配电网停电风险评估贝叶斯网络模型,可以得到停电风险值,根据停电风险值得到社区停电风险评估结果。社区停电风险评估结果可以为风险高、风险低、无风险等。
其中,配电馈线短路故障诊断贝叶斯网络模型和社区配电网停电风险评估贝叶斯网络模型中各节点对应的指标构成用于社区配电网动态风险评估的指标体系。
本发明实施例通过利用提出的适用于社区配电网动态风险评估的指标体系建立贝叶斯网络模型,并通过采集的实时数据进行动态风险评估,实现了社区配电网停电风险的实时动态评估,并提高了动态评估的可靠性和准确性。
进一步地,基于上述实施例,所述电流电压预设数据节点对应的指标为电流电压预设数据,所述电流电压预设数据包括三相电压大小、三相电压相位、三相电流大小、三相电流相位以及三相正负零三序电流大小;所述预设短路类型节点对应的指标为预设短路类型,所述预设短路类型包括单相短路、两相短路、两相接地短路及三相短路。
所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点。所述电流电压预设数据节点对应的指标为电流电压预设数据,所述电流电压预设数据包括三相电压大小、三相电压相位、三相电流大小、三相电流相位以及三相正负零三序电流大小,每种类型的电流电压预设数据对应于一个根节点;所述预设短路类型节点对应的指标为预设短路类型,所述预设短路类型包括单相短路、两相短路、两相接地短路及三相短路,每种预设短路类型对应一个中间节点。
在上述实施例的基础上,本发明实施例通过设定合理的电流电压预设数据节点及预设短路类型节点,进一步提高了动态评估的可靠性和准确性。
图4是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中配电馈线短路故障诊断贝叶斯网络模型的结构示意图。如图4所示,所述单相短路发生时,具有如下特征:两相电流为0、单相电压为0、电流零负序相等、相电流零序分量存在、a相电压降落、 a相电流变化、b相电流变化;所述两相短路发生时,具有如下特征:两相电流相位差180、两相电流模制相等、两相电压绝对值相等、两相电压同相位、a相电压降落、a相电流变化、b相电压降落、a相正负序电流相等;所述两相接地短路发生时,具有如下特征:两相电压为0、单相电流为0、电流零序分量存在、a相电流变化、b相电压降落、c 相电压降落;所述三相短路发生时,具有如下特征:电压为0、电压降落、电流变化。
社区配电馈线主要故障有单相接地短路、两相短路、两相接地短路和三相短路这4种故障,每种故障发生对应的电流电压的变化特征也有所不同。
(1)单相短路故障时特征:两相电流为0、单相电压为0、电流零负序相等、相电流零序分量存在、a相电压降落、a相电流变化、b 相电流变化。
(2)两相短路故障时特征:两相电流相位差180、两相电流模制相等、两相电压绝对值相等、两相电压同相位、a相电压降落、a相电流变化、b相电压降落、a相正负序电流相等。
(3)两相接地短路:两相电压为0、单相电流为0、电流零序分量存在、a相电流变化、b相电压降落、c相电压降落。
(4)三相短路故障:电压为0、电压降落、电流变化。
为便于分析,也可将电流电压预设数据节点直接设置为上述各特征指标对应的节点,如图2所示。
在上述实施例的基础上,本发明实施例通过将电流电压预设数据的不同取值情况与预设短路类型相对应,提高了根据电流电压数据进行短路故障类型判断的能力,由此进一步提高了动态评估的可靠性和准确性。
图5是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中社区配电网停电风险评估贝叶斯网络模型的结构示意图。如图5所示,所述负荷点可靠性指标节点包括负荷点年故障停运率节点及负荷点年平均停电时间节点;所述***可靠性指标节点包括社区配电***平均停电频率节点、社区配电***平均停电持续时间节点、社区电力用户平均停电持续时间节点、社区配电***平均供电可用率节点、社区配电***电量不足指标节点及社区配电***平均缺电指标节点。
负荷点年故障停运率节点、负荷点年平均停电时间节点、社区配电***平均停电频率节点、社区配电***平均停电持续时间节点、社区电力用户平均停电持续时间节点、社区配电***平均供电可用率节点、社区配电***电量不足指标节点、社区配电***平均缺电指标节点对应的指标分别为负荷点年故障停运率、负荷点年平均停电时间、社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标、社区配电***平均缺电指标。
社区配电***用户可以分为居民用户、建筑用户、商业用户、政府用户及工业用户五类。相应地,每种负荷点可靠性指标节点也进行社区配电***用户的区分。
在社区配电网风险评估过程中,首先通过元器件的故障率计算出负荷点可靠性指标,主要包括负荷点年故障停运率、负荷点年平均停电时间。但是负荷点可靠性指标具有一定的局限性,只能反映出单类负荷点的供电可靠性,而***可靠性指标可以从宏观方面来反映***的运行水平,为***性能提供全面的评估。所以通过综合计算各个负荷点可靠性指标,可以得出表征***可靠性运行水平的一系列指标,主要包括社区配电***平均停电频率CSAIFI、社区配电***平均停电持续时间CSAIDI、社区电力用户平均停电持续时间CCAIDI、社区配电***平均供电可用率CASAI、社区配电***电量不足指标CENS、社区配电***平均缺电指标CAENS。最后利用***可靠性指标得到社区配电网的停电风险值,实现对社区配电网运行风险的实时动态评估。
在上述实施例的基础上,本发明实施例通过设置合理的负荷点可靠性指标节点及***可靠性指标节点,进一步提高了动态评估的可靠性和准确性。
进一步地,基于上述实施例,所述元器件故障率节点对应的指标是元器件故障率,所述元器件故障率的计算公式为:
其中,表示所述元器件故障率(次/年),t表示运行年限,μ表示比例参数,ω表示形状参数,ε表示尺度参数,Pstate m表示配电馈线短路故障对元器件的影响程度,Pstate为配电馈线短路实时故障诊断结果,配电馈线正常Pstate取值为1,配电馈线单相短路Pstate取值为2,配电馈线两相短路Pstate取值为3,配电馈线两相接地短路Pstate取值为4,配电馈线三相短路Pstate取值为5;m为短路故障因子;τ为经验值,σ表示天气影响因子;
上式中,各个参数的取值如表1所示。
表1
μ | ω | ε | m | |
馈电线路 | -0.14324 | -1.22232 | 0.15875 | 0.484 |
断路器 | -0.05656 | -0.67989 | 0.2174 | 0 |
变压器 | -0.05656 | -0.67989 | 0.16556 | 0 |
隔离开关 | -0.26525 | -1.4867 | 0.21739 | 0 |
熔断器 | 2.884932E-6 | 4.509812 | 0.047021 | 0 |
所述负荷点年故障停运率节点对应的指标是负荷点年故障停运率,所述负荷点年故障停运率表示一年时间内由于元件发生故障引发的社区配电网负荷点断电的频次,计算公式为:
其中,λC i表示第i类负荷点的年故障停运率(次/年),J表示某元器件故障导致第i类负荷点停电的所有元器件的集合,j表示元件序号,λC j表示由于第j个元器件故障导致的第i类负荷点的年故障停运率;
所述负荷点年平均停电时间节点对应的指标为负荷点年平均停电时间,所述负荷点年平均停电时间表示一年内社区某负荷点停电时间总数,计算公式为:
其中,UC i第i类负荷点的年平均停电时间(小时/年),rC j表示第 j个元器件发生故障时负荷点平均停运持续时间(次/时),所述负荷点平均停运持续时间表示从断电时刻起到恢复供给电能的时长平均值;
所述社区配电***平均停电频率节点对应的指标为社区配电***平均停电频率,所述社区配电***平均停电频率表示社区配电***中运行的用户一年中平均停电次数,计算公式为:
其中,CSAIFI表示所述社区配电***平均停电频率,单位:次/(用户.年);NC i表示第i类负荷点的用户数;
所述社区配电***平均停电持续时间节点对应的指标为社区配电***平均停电持续时间,所述社区配电***平均停电持续时间表示社区配电***中运行的用户在一年时间中经受的平均停电持续时间,计算公式为:
其中,CSAIDI表示所述社区配电***平均停电持续时间,单位:小时/(用户.年);
所述社区电力用户平均停电持续时间节点对应的指标为社区电力用户平均停电持续时间,所述社区电力用户平均停电持续时间表示一年中被停电的用户经受的平均停电持续时间,计算公式为:
其中,CCAIDI表示所述社区电力用户平均停电持续时间,单位小时/(停电用户.年);
所述社区配电***平均供电可用率节点对应的指标为社区配电***平均供电可用率,所述社区配电***平均供电可用率表示用户在一年中可以利用的小时数与用户要求的总供电小时数的比值,计算公式为:
其中,CASAI表示所述社区配电***平均供电可用率(%),8760 为一年的总小时数;
所述社区配电***电量不足指标节点对应的指标为社区配电***电量不足指标,所述社区配电***电量不足指标表示电力***一年中由于停电事故而造成用户损失电量,计算公式为:
CENS=∑UC iLai C
其中,CENS表示所述社区配电***电量不足指标(KW.h/年),Lai C为连接在每个负荷点上的平均负荷;
所述社区配电***平均缺电指标节点对应的指标为社区配电***平均缺电指标,所述社区配电***平均缺电指标的计算公式为:
其中,CAENS表示所述社区配电***平均缺电指标(MW.h/用户. 年);Lpi C为社区配电网第i类负荷点的峰值负荷;fi C为社区某负荷点的负荷百分比系数;
所述停电风险值节点对应的指标为停电风险值,计算公式为:
其中,RISKC表示所述停电风险值;表示第i类负荷点的故障停电损失(元/kwh),居民用户取值为3.43,工业用户取值为64.74,商业用户取值为60.94,政府用户取值为10.63,医院用户取值为149.82。
上述各式中,上标C为表示社区的符号。
在上述实施例的基础上,本发明实施例通过设定社区配电网停电风险评估贝叶斯网络模型中中间节点和顶节点的计算公式,为训练社区配电网停电风险评估贝叶斯网络模型及利用社区配电网停电风险评估贝叶斯网络模型进行社区配电网动态风险评估提供了基础。
进一步地,基于上述实施例,所述方法还包括构建所述配电馈线短路故障诊断贝叶斯网络模型及构建所述社区配电网停电风险评估贝叶斯网络模型;其中:
所述构建所述配电馈线短路故障诊断贝叶斯网络模型具体包括:建立用于配电馈线短路故障诊断的故障树;基于所述用于配电馈线短路故障诊断的故障树构建配电馈线短路故障诊断贝叶斯网络初始模型;以所述配电馈线短路故障诊断贝叶斯网络初始模型中各节点的数据构成的数据集为训练样本,利用MCMC算法对所述配电馈线短路故障诊断贝叶斯网络初始模型进行训练,得到所述配电馈线短路故障诊断贝叶斯网络模型;并且,通过对训练样本的计数得到所述配电馈线短路故障诊断贝叶斯网络模型中每个节点的条件概率表;
所述构建所述社区配电网停电风险评估贝叶斯网络模型,具体包括:建立用于社区配电网停电风险评估的故障树;基于所述用于社区配电网停电风险评估的故障树构建社区配电网停电风险评估贝叶斯网络初始模型;以所述社区配电网停电风险评估贝叶斯网络初始模型中各节点的数据构成的数据集为训练样本,利用MCMC算法对所述社区配电网停电风险评估贝叶斯网络初始模型进行训练,得到所述社区配电网停电风险评估贝叶斯网络模型;并且,通过对训练样本的计数得到所述社区配电网停电风险评估贝叶斯网络模型中每个节点的条件概率表。
要利用配电馈线短路故障诊断贝叶斯网络模型和社区配电网停电风险评估贝叶斯网络模型进行社区配电网停电风险评估,首先需要构建配电馈线短路故障诊断贝叶斯网络模型和社区配电网停电风险评估贝叶斯网络模型。可以通过结合故障树和MCMC算法构建配电馈线短路故障诊断贝叶斯网络模型和社区配电网停电风险评估贝叶斯网络模型。
故障树分析法是分析***故障原因的最常用的工具,是一种自上而下、逐层演绎的***故障分析方法,具有强大的诊断功能,其最大的特点是从故障本身出发,逐级深入的分析引起故障特定的原因以及各级之间的逻辑功能关系。故障树分析法以一个不希望的***故障作为顶级事件,严格对各层之间的故障因果逻辑进行剖析,通过对各个底事件重要度进行计算,从而可以推断出底事件对***的影响程度。本发明实施例通过对社区配电网停电风险进行分析,以社区停电事故作为顶事件,各环节风险因素作为底事件构建出社区配电网停电风险故障树模型。
但是,FTA(故障树)也受到自身局限的限制,主要体现在:(1) 故障树中的事件表示只有故障和正常两种状态,无法表示具有多态性的故障事件,在社区配电网的风险评估过程中事件通常都具有多态性; (2)故障树中的逻辑门所描述的都是确定性的逻辑关系,各层事件之间具有明确的因果联系,对于社区配电网的风险评估这种复杂多因素的***,上一事件与下级事件之间的因果关系往往无法确定,所以采用概率的方法就显得尤为重要,但是FTA中的逻辑门不具有表示概率的特性;(3)故障树中假定各个事件之间是相互独立的,但事实上他们之间或多或少会存在一定的逻辑联系。
贝叶斯网络是以图形化的方式来表达不确定性信息的概率模型,使得节点间的条件独立关系得到更直观的表示。一般而言,贝叶斯网络由有向无环图(DAG)和条件概率表(CPT)两部分组成。利用DAG 和CPT能表达所有形式的不确定性及描述事件的多态性。有向无环图模型由代表变量的节点和代表变量间关系的节点连接弧构成。可以直观地表明各随机变量间的逻辑关系,其条件概率表则说明了节点间的具体的关系程度。贝叶斯网络以概率推理为基础,结合其节点变量本身的条件独立性,应用其概率推理算法对事件进行正反双向推理计算,在识别***风险评估薄弱环节和可靠性评估等方面具有巨大优势。
对于社区配电网风险评估,运用FTA方法虽然易于建模,便于考虑各类风险因素的内在逻辑,但是该方法有较强的假设性且计算效率较低。贝叶斯网络虽然可融合多源信息,比FTA方法具有更强的建模推理能力,但直接构造完善的BN(贝叶斯网络)模型是一个NP-hard (NP难)问题。本发明实施例主要针对社区配电网停电风险因素之间存在的耦合关系和不确定性的特点,综合FTA和贝叶斯网络结构学习算法的优点,从社区配电网五大基本元器时变故障率入手建立能够实时动态反应社区配电网停电风险的贝叶斯网络。
从网络构造和推理机制方面分析,故障树和贝叶斯网络具有很大的相似之处,故障树是由事件集和逻辑门构成,贝叶斯网络主要由有向无环图和条件概率表两部分组成,所以两者之间具有一一映射的关系。
图6是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中故障树和贝叶斯网络的映射关系示意图。如图6所示,在FTA向BN转换的过程中,首先将故障树模型中的变量转移到贝叶斯网络中,故障树中的基本事件(主事件)与贝叶斯每个根节点一一对应、故障树中的中间事件与贝叶斯每个中间节点一一对应、故障树的顶事件与贝叶斯网络的叶子节点(顶节点)一一对应。故障树中多次出现的相同事件类型,在贝叶斯网络中只需建立一个节点。从而得到初始贝叶斯网络结构。
然后,基于社区配电网训练数据集D和结构学习算法对贝叶斯网络进行迭代训练,并结合评分函数P得到最优的贝叶斯网络结构。
因为构建社区配电网停电风险评估贝叶斯网络模型时需要用到配电馈线短路故障诊断贝叶斯网络模型的输出结果,因此,需要首先构建配电馈线短路故障诊断贝叶斯网络模型。
图7是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中用于配电馈线短路故障诊断的故障树的结构示意图。如图7所示,首先建立用于配电馈线短路故障诊断的故障树,其中的母线即配电馈线。基于所述用于配电馈线短路故障诊断的故障树构建配电馈线短路故障诊断贝叶斯网络初始模型。贝叶斯网络结构学习就是根据训练数据集来找出结构最恰当的贝叶斯网络,评分搜索是解决这个问题的常用方法。首先定义一个评分函数,以此来评估贝叶斯网络与训练数据的契合程度,训练数据即贝叶斯网络中各个节点的数据构成的数据集,然后基于这个评分函数来寻求结构最优的贝叶斯网络。从初始结构出发,每次调整一条边(增加、删除或调整方向)得到新的贝叶斯网络结构,当评分函数值不再下降即找到最优贝叶斯网络结构。
常用评分函数通常基于信息论准则,此类准则将学习问题看作一个数据压缩任务,学习的目标是找到一个能以最短编码长度描述训练数据的模型,此时编码的长度包括了描述模型自身所需的字节长度和使用该模型描述数据所需的字节长度。对贝叶斯网络结构学习而言,模型就是一个贝叶斯网络,同时,每个贝叶斯网络描述了一个在训练数据上的概率分布,自有一套编码机制能使那些经常出现的样本有更短的编码。于是,可以选择那个综合编码长度(包括描述网络和编码数据)最短的贝叶斯网络,这就是“最小描述长度”(Minimal Description Length,简称MDL)准则。给定训练集D={x1,x2,...,xm},贝叶斯网络B在 D上的评分函数为P(Bs|D)。于是,学习任务就转化为一个优化任务,即寻找一个贝叶斯网络B使评分函数P(Bs|D)最小。
从所有可能的网络结构空间搜索最优贝叶斯网络结构是一个NP 难问题,本发明实施例选用MCMC算法(马尔可夫链蒙特卡罗算法) 解决结构搜索问题。首先构造一个马尔可夫链,使其极限分布收敛于配电馈线短路故障诊断贝叶斯网络的后验分布P(Bfault|Dcommunity);Bfault是指配电馈线短路故障诊断贝叶斯网络的结构;Dcommunity指需要采集的配电馈线的电流电压相关数据;然后使用蒙特卡洛方法对此马尔可夫链进行抽样,得到社区配电网配电馈线短路故障诊断贝叶斯网络结构的样本序列,即最后从此序列中挑出具有最大后验概率的网络结构,来近似社区配电网配电馈线短路故障诊断贝叶斯网络的最优结构。算法中从第i个网络结构转移到新网络结构Bfault′的接受概率为:
其中,表示由和那些对实行一次边的简单操作 (删除边、增加边、改变边的方向)得到的图构成的集合,称为G的邻近域。为的邻近域中元素的个数。若由生成的新的网络结构Bfault'具有较大的后验概率,则Rα=1,使得否则仍是最终网络结构抽样序列向网络结构模型空间中具有较大后验的模型逼近,得出最优的配电馈线短路故障诊断贝叶斯网络模型。另一方面,贝叶斯网络结构已知即节点间的依赖关系已知,通过对训练样本的计数即可计算出每个节点的条件概率表,完成对整个贝叶斯网络的训练。
类似地,完成社区配电网停电风险评估贝叶斯网络模型的构建。建立用于社区配电网停电风险评估的故障树,将多次出现的事件合并为贝叶斯网络中的一个节点,构建社区配电网停电风险评估贝叶斯网络初始模型。将配电馈线短路状态、五种元器件的故障率、社区配电网各负荷点的故障率和CSAIFI、CSAIDI、CCAIDI、CASAI、CENS、CAENS 六种社区配电***可靠性评估指标和社区配电网的故障停电风险值输入数据库供社区配电网故障停电风险评估贝叶斯网络进行结构学习和参数学习。结合专家经验和贝叶斯网络结构学习算法确定社区配电网故障停电风险评估的贝叶斯网络结构,基于MCMC贝叶斯结构学习算法在节点之间添加有意义的补充弧从而得到完整的社区配电网停电风险评估的贝叶斯网络结构。并通过对训练样本的计数即可计算出每个节点的条件概率表,完成对整个贝叶斯网络的训练。
贝叶斯网训练好之后就能用来回答“查询”(query),即通过一些属性变量的观测值来推测其他属性变量的取值。例如在配电馈线短路故障诊断问题中,若检测到三相电压为零、电流激增,想知道配电馈线短路故障的概率如何变化。这样通过已知变量观测值来推测待查询变量的过程称为“推断”(inference),已知变量观测值称为“证据” (evidence)。最理想的是直接根据贝叶斯网定义的联合概率分布来精确计算后验概率,但是这样的“精确推断”已被证明是NP难的;换言之, 当网络节点较多、连接稠密时,难以进行精确推断,此时需借助“近似推断”;通过降低精度要求,在有限时间内求得近似解.在现实应用中,贝叶斯网的近似推断常使用吉布斯采样(Gibbs sampling)来完成,这是一种随机采样方法。
令Q={Q1,Q2,...,Qn}表示待查询变量,E={E1,E2,...,En}为证据变量,已知其取值为e={e1,e2,...,en}.目标是计算后验概率P(Q=q|E=e),其中 q={q1,q2,...,qn}是待查询变量的一组取值。吉布斯采样算法先随机产生一个与证据E=e一致的样本q0作为初始点,然后每步从当前样本出发产生下一个样本。在第t次采样中,算法先假设qt=qt-1,然后对非证据变量逐个进行采样改变其取值,采样概率根据贝叶斯网B和其他变量的当前取值(即Z=z)计算获得.假定经过T次采样得到的与q一致的样本共有nq个,则可近似估算出后验概率实质上,吉布斯采样是在贝叶斯网所有变量的联合状态空间与证据E=e一致的子空间中进行“随机漫步”。每一步仅依赖于前一步的状态,这是一个“马尔可夫链”(Markov chain)。在一定条件下,如论从什么初始状态开始,马尔可夫链第t步的状态分布在t→∞时必收敛于一个平稳分布(stationary distribution);对于吉布斯采样来说,这个分布恰好是P(Q|E=e).因此,在T 很大时,吉布斯采样相当于根据P(Q|E=e)采样,从而保证了上式收敛于P(Q=q|E=e)。
查询有关程序如下:
输入:贝叶斯网络B;
采样次数T;
证据变量E及其取值e;
待查询变量Q及其取值q。
过程:
比如,当传感器采集数据发现三相电压为零、电流激增,该配电馈线短路故障诊断贝叶斯网络模型能判断出发生了三相短路故障;以此类推,两相短路和单相短路都可由此判断。当传感器采集数据发现灾害气候时老旧配电馈线发生三相短路概率增大时,由社区配电网停电风险评估贝叶斯网络模型可观察出各元器件的故障率增大、社区各负荷点故障率和年平均停电时长增大、CSAIFI、CSAIDI、CCAIDI、 CASAI、CENS、CAENS6个社区配电***可靠性指标在降低、整个社区配电网的故障停电风险RISK在上升。
在上述实施例的基础上,本发明实施例通过结合故障树和MCMC 算法构建配电馈线短路故障诊断贝叶斯网络模型及社区配电网停电风险评估贝叶斯网络模型,提高了用于社区配电网动态风险评估的贝叶斯网络的准确度,从而进一步提高了风险评估的准确性和可靠性。
进一步地,基于上述实施例,所述方法还包括根据所述社区停电风险评估结果,利用所述条件概率表计算所述配电馈线短路故障诊断贝叶斯网络模型及所述社区配电网停电风险评估贝叶斯网络模型中每个节点的后验概率,从而得到故障发生的区域及相应的元器件。
若获知停电风险较高,则贝叶斯网络可以利用条件概率表计算所述配电馈线短路故障诊断贝叶斯网络模型及所述社区配电网停电风险评估贝叶斯网络模型中每个节点的后验概率,根据后验概率的大小确定故障发生的区域及相应的元器件。比如,获知是哪类负荷点的风险值较大,则可圈定相应的负荷点所在区域;获知那种元器件的故障率较高,则可进一步确定相应负荷点发生故障的具体元器件。
在上述实施例的基础上,本发明实施例通过利用所述条件概率表计算所述配电馈线短路故障诊断贝叶斯网络模型及所述社区配电网停电风险评估贝叶斯网络模型中每个节点的后验概率,从而得到故障发生的区域及相应的元器件,有利于提供检修建议。
图8是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法的流程图。下面结合图8,进一步说明本发明实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法。如图8所示,本发明实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法包括如下步骤:
1、分析社区配电网停电风险水平的影响因素并结合专家经验建立层次型评价指标体系。
图2是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中指标体系的示意图。图3是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中各层指标的依赖关系示意图。如图2、如图3所示,本发明实施例在传统电力***风险评估指标体系基础上综合考虑影响社区配电网停电风险的多重因素(配电馈线风险、外部因素风险、元器件风险、负荷点风险、***可靠性风险等等),提出一种适用于社区配电网停电风险评估的指标体系。
在社区配电网风险评估过程中,首先通过元器件的故障率计算出负荷点可靠性指标,主要包括负荷点平均故障率、年平均停电持续时间、平均停电持续时间。但是负荷点可靠性指标具有一定的局限性,只能反映出单个用户的供电可靠性,而***可靠性指标可以从宏观方面来反映***的运行水平,为***性能提供全面的评估。所以通过综合计算各个负荷点可靠性指标,可以得出表征***可靠性运行水平的一系列指标,主要包括社区配电***平均停电频率CSAIFI、社区配电***平均停电持续时间CSAIDI、社区电力用户平均停电持续时间 CCAIDI、社区配电***平均供电可用率CASAI、社区配电***电量不足指标CENS、社区配电***平均缺电指标CAENS。最后利用***可靠性指标得到社区配电网的停电风险值,实现对社区配电网运行风险的实时动态评估。
社区配电网***是由大量不同类型的元器件构成,基本元器件主要包括变压器、断路器、隔离开关、熔断器和配电馈线。社区配电网中单个或多个部件发生故障都会给***运行可靠性带来影响,所以本发明实施例综合考虑在社区配电网实际运行过程中天气变化、运行年限以及短路故障等因素对元器件故障率的影响。将元器件故障率纳入到***可靠性评估范畴中。根据IEEE Std 859-1987标准将天气状态划分为正常天气、恶劣天气和灾害天气3种状态。同时自身的年限老化也影响着设备故障率的全生命周期的运行。一般情况下,设备的有效寿命期大致在30年左右,在设备运行的初期,由于设备尚处于磨合期,可能会因为设计、加工以及安装等缺陷,设备不正常工作的几率较高;在设备的持续运行过程中,设备的故障率随之降低,直到下降到一个相对稳定的状态,此阶段被认为是平稳期,在这一阶段设备的故障率趋于恒定;在设备寿命周期的后期,由于设备的老化、磨损程度等,设备的故障率明显增加,迅速上升到一个较高的水平,此阶段也为设备的衰耗期。社区配电网的停电事故大部分都是由于配电馈线的短路故障造成的,短路故障类型分为单相接地短路、两相短路、两相接地短路、三相短路。不同类型下的短路对社区配电网配电馈线故障率影响程度不同,在配电网运行过程中,单相接地短路故障虽然易于发生,但是对线路的损耗影响较低,而三相短路故障虽然发生概率小,但是一旦发生对配电馈线的损耗却是不可修复的。
图9是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中五种元器件在不同天气条件下的故障率的曲线图。图 10是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中负荷点故障率的曲线图。图11是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中负荷点的平均停电时间的曲线图。图12是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法中停电风险值曲线图。在不同天气状态下,元器件故障率会随着运行年限的增加而上升,整体趋势满足浴盆曲线,如图9所示;与此同时,由于元器件故障率的上升,负荷点的故障率和年平均停电时间也会不断的增加,如图10、图11所示;当负荷点变化时,***可靠性指标(CSAIFI、CSAIDI)也会发生改变,其变化趋势如图所示;最后,图12反映的是随着***可靠性指标的变化社区配电网的运行风险趋势变化曲线。
2、通过传感器采集社区配电网配电馈线上电流电压相关数据集供故障诊断模型的构建提供依据。
社区配电馈线主要故障有单相接地短路、两相短路、两相接地短路和三相短路这4种故障,每种故障发生对应的电流电压的变化特征也有所不同。
(1)单相短路故障时特征:两相电流为0、单相电压为0、电流零负序相等、相电流零序分量存在、a相电压降落、a相电流变化、b 相电流变化。
(2)两相短路故障时特征:两相电流相位差180、两相电流模制相等、两相电压绝对值相等、两相电压同相位、a相电压降落、a相电流变化、b相电压降落、a相正负序电流相等。
(3)两相接地短路:两相电压为0、单相电流为0、电流零序分量存在、a相电流变化、b相电压降落、c相电压降落。
(4)三相短路故障:电压为0、电压降落、电流变化。
根据以上特征,通过传感器采集社区配电网配电馈线上三相电流电压大小、相位和三相电流的正负零三序的大小形成数据集,供社区配电网配电馈线短路故障诊断贝叶斯网络学习。
结合专家经验和贝叶斯网络结构学习算法确定配电馈线短路故障诊断的贝叶斯网络结构。如前所述,可以利用故障树和MCMC算法确定配电馈线短路故障诊断的贝叶斯网络结构,此处不再赘述。
3、考虑天气、年限、短路故障因素的实时元器件故障率计算
社区配电网每个负荷点的配电馈线包含开关、变压器、熔断器、配电馈线和断路器这5种元器件。元器件的故障率受实时外部天气、年限老化的影响,其中配电馈线的故障率还受实时短路故障状态的影响。可以利用前述公式计算五种元器件的故障率,此处不再赘述。
4、通过对线路上元器件故障率信息的采集后输入ETAP(一种电力分析软件)实时计算负荷点的可靠性指标。
社区配电网负荷点可靠性评估指标能定量反映在规定时间内社区内每个负荷点的可靠性水平,主要包括负荷点年故障停运率(次/年)、负荷点年平均停电时间(小时/年)、负荷点平均停运持续时间(小时/次) 等指标。其中,负荷点平均停运持续时间指断电时刻起到恢复供给电能的时长平均值,如果社区配电***存在备用元件或电源,其故障恢复时间将会减少。各指标计算公式如前所述。
5、由负荷点故障率等指标实时计算***可靠性指标。
社区配电***可靠性指标表明元件以及整体运行状况和工作特性,能够定量表示停电对可靠性造成的影响。在社区配电网结构与社区负荷点故障数据己知的情况下,采用社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标等可靠性指标来研究社区配电***的可靠性。各指标计算公式如前所述。
6、由社区配电网各负荷点平均故障率和负荷点停电损失计算社区配电网的停电风险值。
社区配电网故障停电风险损失由故障停电导致的各类负荷点社区配电***电量不足指标CENS和故障停电造成的各类负荷点的损失两部分组成。各指标计算公式如前所述。
7、结合专家经验和贝叶斯网络结构学习算法确定社区配电网停电风险评估贝叶斯网络模型。
以外部天气恶化、年限老化和配电馈线短路概率增大作为底事件,五种元器件的故障率升高、五类负荷点的故障率升高和六种***可靠性指标下降作为中间事件,整体社区配电网停电风险值升高作为顶事件构建社区配电网停电风险评估的故障树,根据故障树构建社区配电网停电风险评估贝叶斯初始网络模型。进而利用MCMC算法得到社区配电网停电风险评估贝叶斯网络模型,此处不再赘述。
8、利用社区配电网停电风险评估贝叶斯网络模型进行社区配电网动态风险评估。
本发明实施例提供的基于贝叶斯网络的社区配电网动态风险评估方法具有如下优点:第一、目前针对社区配电网的风险评估指标体系尚未出现,本发明实施例结合贝叶斯网络与故障树建立了完整的动态实时社区配电网风险评估的评价指标体系,该指标体系可量化、实时反映社区配电网状态。指标体系具体可以由配电馈线短路故障诊断贝叶斯网络模型和社区配电网停电风险评估贝叶斯网络模型各节点所对应的指标来体现。第二,本发明实施例利用配电网配电馈线电流电压实时数据构建了短路故障诊断的贝叶斯网络,实现了对配电馈线故障的实时诊断。最后,通过实时采集考虑到外部天气、年限老化、配电馈线故障状态的馈线元器件故障率计算负荷点和***的可靠性指标实现了对整个社区配电网故障停电风险值的计算并构建社区配电网故障停电风险的贝叶斯网络达成对社区配电网的动态实时的综合风险评估。
图13是本发明一实施例提供的基于贝叶斯网络的社区配电网动态风险评估装置结构示意图。如图13所示,所述装置包括指标体系及贝叶斯模型构建模块10、配电馈线短路状态信息获取模块20和社区停电风险评估模块30,其中:指标体系及贝叶斯模型构建模块10用于构建用于社区配电网动态风险评估的指标体系,基于所述指标体系构建配电馈线短路故障诊断贝叶斯网络模型和构建社区配电网停电风险评估贝叶斯网络模型;其中,所述指标体系中社区配电网停电风险水平为最上层指标,所述社区配电网停电风险水平的下一级指标包括社区配电网馈电线路风险水平、社区配电网外部风险水平、社区配电网线路元器件风险水平、社区配电网负荷点风险水平及社区配电网***风险水平;所述社区配电网停电风险水平的下一级指标包括单相接地短路、两相短路、两相接地短路及三相短路,所述单相接地短路、所述两相短路、所述两相接地短路及所述三相短路的下一级指标包括三相电流大小、三相电流相位、三相电压大小、三相电流正负零三序大小及三相电压相位;所述社区配电网外部风险水平的下一级指标包括年限老化和天气;所述社区配电网线路元器件风险水平的下一级指标包括变压器、断路器、隔离开关、熔断器及馈电线路,所述变压器、所述断路器、所述隔离开关、所述熔断器及所述馈电线路的下一级指标包括年故障率、平均修复时间、年检修率及检修时间;所述社区配电网负荷点风险水平的下一级指标包括社区配电网负荷点年故障停运率、社区配电网负荷点平均停电持续时间及社区配电网负荷点年平均停电时间;所述社区配电网***风险水平的下一级指标包括社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标;配电馈线短路状态信息获取模块 20用于:将采集的电流电压预设数据输入到所述配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点;社区停电风险评估模块20用于:将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到所述社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果;所述社区配电***元器件包括隔离开关、熔断器、变压器、断路器及配电馈线;所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括元器件故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点;所述元器件故障率节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点;所述天气信息节点和所述运行年限信息节点分别连接各个所述元器件故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,所述元器件故障率节点连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。
本发明实施例通过利用提出的适用于社区配电网动态风险评估的指标体系建立贝叶斯网络模型,并通过采集的实时数据进行动态风险评估,实现了社区配电网停电风险的实时动态评估,并提高了动态评估的可靠性和准确性。
进一步地,基于上述实施例,所述指标体系及贝叶斯模型构建模块10在用于构建所述配电馈线短路故障诊断贝叶斯网络模型时,具体用于:建立用于配电馈线短路故障诊断的故障树;基于所述用于配电馈线短路故障诊断的故障树构建配电馈线短路故障诊断贝叶斯网络初始模型;以所述配电馈线短路故障诊断贝叶斯网络初始模型中各节点的数据构成的数据集为训练样本,利用MCMC算法对所述配电馈线短路故障诊断贝叶斯网络初始模型进行训练,得到所述配电馈线短路故障诊断贝叶斯网络模型;并且,通过对训练样本的计数得到所述配电馈线短路故障诊断贝叶斯网络模型中每个节点的条件概率表。所述指标体系及贝叶斯模型构建模块10在用于构建所述社区配电网停电风险评估贝叶斯网络模型时,具体用于:建立用于社区配电网停电风险评估的故障树;基于所述用于社区配电网停电风险评估的故障树构建社区配电网停电风险评估贝叶斯网络初始模型;以所述社区配电网停电风险评估贝叶斯网络初始模型中各节点的数据构成的数据集为训练样本,利用MCMC算法对所述社区配电网停电风险评估贝叶斯网络初始模型进行训练,得到所述社区配电网停电风险评估贝叶斯网络模型;并且,通过对训练样本的计数得到所述社区配电网停电风险评估贝叶斯网络模型中每个节点的条件概率表。
在上述实施例的基础上,本发明实施例通过结合故障树和MCMC 算法构建配电馈线短路故障诊断贝叶斯网络模型及社区配电网停电风险评估贝叶斯网络模型,提高了贝叶斯网络的准确度,从而进一步提高了风险评估的准确性和可靠性。
进一步地,基于上述实施例,所述装置还包括故障确认模块,所述故障确认模块具体用于:根据所述社区停电风险评估结果,利用所述条件概率表计算所述配电馈线短路故障诊断贝叶斯网络模型及所述社区配电网停电风险评估贝叶斯网络模型中每个节点的后验概率,从而得到故障发生的区域及相应的元器件。
在上述实施例的基础上,本发明实施例通过利用所述条件概率表计算所述配电馈线短路故障诊断贝叶斯网络模型及所述社区配电网停电风险评估贝叶斯网络模型中每个节点的后验概率,从而得到故障发生的区域及相应的元器件,有利于提供检修建议。
本发明实施例提供的装置是用于上述方法的,具体功能可参照上述方法流程,此处不再赘述。
图14是本发明一实施例提供的电子设备的实体结构示意图。如图 14所示,该电子设备可以包括:处理器(processor)810、通信接口(Communications Interface)820、存储器(memory)830和通信总线840,其中,处理器810,通信接口820,存储器830通过通信总线840完成相互间的通信。处理器810可以调用存储器830中的逻辑指令,以执行如下方法:构建用于社区配电网动态风险评估的指标体系,基于所述指标体系构建配电馈线短路故障诊断贝叶斯网络模型和构建社区配电网停电风险评估贝叶斯网络模型;其中,所述指标体系中社区配电网停电风险水平为最上层指标,所述社区配电网停电风险水平的下一级指标包括社区配电网馈电线路风险水平、社区配电网外部风险水平、社区配电网线路元器件风险水平、社区配电网负荷点风险水平及社区配电网***风险水平;所述社区配电网停电风险水平的下一级指标包括单相接地短路、两相短路、两相接地短路及三相短路,所述单相接地短路、所述两相短路、所述两相接地短路及所述三相短路的下一级指标包括三相电流大小、三相电流相位、三相电压大小、三相电流正负零三序大小及三相电压相位;所述社区配电网外部风险水平的下一级指标包括年限老化和天气;所述社区配电网线路元器件风险水平的下一级指标包括变压器、断路器、隔离开关、熔断器及馈电线路,所述变压器、所述断路器、所述隔离开关、所述熔断器及所述馈电线路的下一级指标包括年故障率、平均修复时间、年检修率及检修时间;所述社区配电网负荷点风险水平的下一级指标包括社区配电网负荷点年故障停运率、社区配电网负荷点平均停电持续时间及社区配电网负荷点年平均停电时间;所述社区配电网***风险水平的下一级指标包括社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标;将采集的电流电压预设数据输入到所述配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点;将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到所述社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果;所述社区配电***元器件包括隔离开关、熔断器、变压器、断路器及配电馈线;所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括元器件故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点;所述元器件故障率节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点;所述天气信息节点和所述运行年限信息节点分别连接各个所述元器件故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,所述元器件故障率节点连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。
此外,上述的存储器830中的逻辑指令可以通过软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
另一方面,本发明实施例还提供一种非暂态计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现以执行上述各实施例提供的方法,例如包括:构建用于社区配电网动态风险评估的指标体系,基于所述指标体系构建配电馈线短路故障诊断贝叶斯网络模型和构建社区配电网停电风险评估贝叶斯网络模型;其中,所述指标体系中社区配电网停电风险水平为最上层指标,所述社区配电网停电风险水平的下一级指标包括社区配电网馈电线路风险水平、社区配电网外部风险水平、社区配电网线路元器件风险水平、社区配电网负荷点风险水平及社区配电网***风险水平;所述社区配电网停电风险水平的下一级指标包括单相接地短路、两相短路、两相接地短路及三相短路,所述单相接地短路、所述两相短路、所述两相接地短路及所述三相短路的下一级指标包括三相电流大小、三相电流相位、三相电压大小、三相电流正负零三序大小及三相电压相位;所述社区配电网外部风险水平的下一级指标包括年限老化和天气;所述社区配电网线路元器件风险水平的下一级指标包括变压器、断路器、隔离开关、熔断器及馈电线路,所述变压器、所述断路器、所述隔离开关、所述熔断器及所述馈电线路的下一级指标包括年故障率、平均修复时间、年检修率及检修时间;所述社区配电网负荷点风险水平的下一级指标包括社区配电网负荷点年故障停运率、社区配电网负荷点平均停电持续时间及社区配电网负荷点年平均停电时间;所述社区配电网***风险水平的下一级指标包括社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标;将采集的电流电压预设数据输入到所述配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点;将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到所述社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果;所述社区配电***元器件包括隔离开关、熔断器、变压器、断路器及配电馈线;所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括元器件故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点;所述元器件故障率节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点;所述天气信息节点和所述运行年限信息节点分别连接各个所述元器件故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,所述元器件故障率节点连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。
以上所描述的装置实施例仅仅是示意性的,其中所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部模块来实现本实施例方案的目的。本领域普通技术人员在不付出创造性的劳动的情况下,即可以理解并实施。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加必需的通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对现有技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行各个实施例或者实施例的某些部分所述的方法。
最后应说明的是:以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (10)
1.一种基于贝叶斯网络的社区配电网动态风险评估方法,其特征在于,包括:
构建用于社区配电网动态风险评估的指标体系,基于所述指标体系构建配电馈线短路故障诊断贝叶斯网络模型和构建社区配电网停电风险评估贝叶斯网络模型;其中,所述指标体系中社区配电网停电风险水平为最上层指标,所述社区配电网停电风险水平的下一级指标包括社区配电网馈电线路风险水平、社区配电网外部风险水平、社区配电网线路元器件风险水平、社区配电网负荷点风险水平及社区配电网***风险水平;所述社区配电网停电风险水平的下一级指标包括单相接地短路、两相短路、两相接地短路及三相短路,所述单相接地短路、所述两相短路、所述两相接地短路及所述三相短路的下一级指标包括三相电流大小、三相电流相位、三相电压大小、三相电流正负零三序大小及三相电压相位;所述社区配电网外部风险水平的下一级指标包括年限老化和天气;所述社区配电网线路元器件风险水平的下一级指标包括变压器、断路器、隔离开关、熔断器及馈电线路,所述变压器、所述断路器、所述隔离开关、所述熔断器及所述馈电线路的下一级指标包括年故障率、平均修复时间、年检修率及检修时间;所述社区配电网负荷点风险水平的下一级指标包括社区配电网负荷点年故障停运率、社区配电网负荷点平均停电持续时间及社区配电网负荷点年平均停电时间;所述社区配电网***风险水平的下一级指标包括社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标;
将采集的电流电压预设数据输入到所述配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点;
将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到所述社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果;所述社区配电***元器件包括隔离开关、熔断器、变压器、断路器及配电馈线;所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括元器件故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点;所述元器件故障率节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点;所述天气信息节点和所述运行年限信息节点分别连接各个所述元器件故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,所述元器件故障率节点连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。
2.根据权利要求1所述的基于贝叶斯网络的社区配电网动态风险评估方法,其特征在于,所述电流电压预设数据节点对应的指标为电流电压预设数据,所述电流电压预设数据包括三相电压大小、三相电压相位、三相电流大小、三相电流相位以及三相正负零三序电流大小;所述预设短路类型节点对应的指标为预设短路类型,所述预设短路类型包括单相短路、两相短路、两相接地短路及三相短路。
3.根据权利要求2所述的基于贝叶斯网络的社区配电网动态风险评估方法,其特征在于,所述单相短路发生时,具有如下特征:两相电流为0、单相电压为0、电流零负序相等、相电流零序分量存在、a相电压降落、a相电流变化、b相电流变化;所述两相短路发生时,具有如下特征:两相电流相位差180、两相电流模制相等、两相电压绝对值相等、两相电压同相位、a相电压降落、a相电流变化、b相电压降落、a相正负序电流相等;所述两相接地短路发生时,具有如下特征:两相电压为0、单相电流为0、电流零序分量存在、a相电流变化、b相电压降落、c相电压降落;所述三相短路发生时,具有如下特征:电压为0、电压降落、电流变化。
4.根据权利要求3所述的基于贝叶斯网络的社区配电网动态风险评估方法,其特征在于,所述负荷点可靠性指标节点包括负荷点年故障停运率节点及负荷点年平均停电时间节点;所述***可靠性指标节点包括社区配电***平均停电频率节点、社区配电***平均停电持续时间节点、社区电力用户平均停电持续时间节点、社区配电***平均供电可用率节点、社区配电***电量不足指标节点及社区配电***平均缺电指标节点。
5.根据权利要求4所述的基于贝叶斯网络的社区配电网动态风险评估方法,其特征在于,所述元器件故障率节点对应的指标是元器件故障率,所述元器件故障率的计算公式为:
其中,表示所述元器件故障率(次/年),t表示运行年限,μ表示比例参数,ω表示形状参数,ε表示尺度参数,Pstate m表示配电馈线短路故障对元器件的影响程度,Pstate为配电馈线短路实时故障诊断结果,配电馈线正常Pstate取值为1,配电馈线单相短路Pstate取值为2,配电馈线两相短路Pstate取值为3,配电馈线两相接地短路Pstate取值为4,配电馈线三相短路Pstate取值为5;m为短路故障因子;τ为经验值,σ表示天气影响因子;
所述负荷点年故障停运率节点对应的指标是负荷点年故障停运率,所述负荷点年故障停运率表示一年时间内由于元件发生故障引发的社区配电网负荷点断电的频次,计算公式为:
其中,λC i表示第i类负荷点的年故障停运率(次/年),J表示某元器件故障导致第i类负荷点停电的所有元器件的集合,j表示元件序号,λC j表示由于第j个元器件故障导致的第i类负荷点的年故障停运率;
所述负荷点年平均停电时间节点对应的指标为负荷点年平均停电时间,所述负荷点年平均停电时间表示一年内社区某负荷点停电时间总数,计算公式为:
其中,UC i第i类负荷点的年平均停电时间(小时/年),rC j表示第j个元器件发生故障时负荷点平均停运持续时间(次/时),所述负荷点平均停运持续时间表示从断电时刻起到恢复供给电能的时长平均值;
所述社区配电***平均停电频率节点对应的指标为社区配电***平均停电频率,所述社区配电***平均停电频率表示社区配电***中运行的用户一年中平均停电次数,计算公式为:
其中,CSAIFI表示所述社区配电***平均停电频率,单位:次/(用户.年);NC i表示第i类负荷点的用户数;
所述社区配电***平均停电持续时间节点对应的指标为社区配电***平均停电持续时间,所述社区配电***平均停电持续时间表示社区配电***中运行的用户在一年时间中经受的平均停电持续时间,计算公式为:
其中,CSAIDI表示所述社区配电***平均停电持续时间,单位:小时/(用户.年);
所述社区电力用户平均停电持续时间节点对应的指标为社区电力用户平均停电持续时间,所述社区电力用户平均停电持续时间表示一年中被停电的用户经受的平均停电持续时间,计算公式为:
其中,CCAIDI表示所述社区电力用户平均停电持续时间,单位小时/(停电用户.年);
所述社区配电***平均供电可用率节点对应的指标为社区配电***平均供电可用率,所述社区配电***平均供电可用率表示用户在一年中可以利用的小时数与用户要求的总供电小时数的比值,计算公式为:
其中,CASAI表示所述社区配电***平均供电可用率(%),8760为一年的总小时数;
所述社区配电***电量不足指标节点对应的指标为社区配电***电量不足指标,所述社区配电***电量不足指标表示电力***一年中由于停电事故而造成用户损失电量,计算公式为:
CENS=∑UC iLai C
其中,CENS表示所述社区配电***电量不足指标(KW.h/年),Lai C为连接在每个负荷点上的平均负荷;
所述社区配电***平均缺电指标节点对应的指标为社区配电***平均缺电指标,所述社区配电***平均缺电指标的计算公式为:
其中,CAENS表示所述社区配电***平均缺电指标(MW.h/用户.年);Lpi C为社区配电网第i类负荷点的峰值负荷;fi C为社区某负荷点的负荷百分比系数;
所述停电风险值节点对应的指标为停电风险值,计算公式为:
上述各式中,C为表示社区的符号。
6.根据权利要求5所述的基于贝叶斯网络的社区配电网动态风险评估方法,其特征在于,所述构建所述配电馈线短路故障诊断贝叶斯网络模型具体包括:建立用于配电馈线短路故障诊断的故障树;基于所述用于配电馈线短路故障诊断的故障树构建配电馈线短路故障诊断贝叶斯网络初始模型;以所述配电馈线短路故障诊断贝叶斯网络初始模型中各节点的数据构成的数据集为训练样本,利用MCMC算法对所述配电馈线短路故障诊断贝叶斯网络初始模型进行训练,得到所述配电馈线短路故障诊断贝叶斯网络模型;并且,通过对训练样本的计数得到所述配电馈线短路故障诊断贝叶斯网络模型中每个节点的条件概率表;
所述构建所述社区配电网停电风险评估贝叶斯网络模型,具体包括:建立用于社区配电网停电风险评估的故障树;基于所述用于社区配电网停电风险评估的故障树构建社区配电网停电风险评估贝叶斯网络初始模型;以所述社区配电网停电风险评估贝叶斯网络初始模型中各节点的数据构成的数据集为训练样本,利用MCMC算法对所述社区配电网停电风险评估贝叶斯网络初始模型进行训练,得到所述社区配电网停电风险评估贝叶斯网络模型;并且,通过对训练样本的计数得到所述社区配电网停电风险评估贝叶斯网络模型中每个节点的条件概率表。
7.根据权利要求6所述的基于贝叶斯网络的社区配电网动态风险评估方法,其特征在于,所述方法还包括根据所述社区停电风险评估结果,利用所述条件概率表计算所述配电馈线短路故障诊断贝叶斯网络模型及所述社区配电网停电风险评估贝叶斯网络模型中每个节点的后验概率,从而得到故障发生的区域及相应的元器件。
8.一种基于贝叶斯网络的社区配电网动态风险评估装置,其特征在于,包括:
指标体系及贝叶斯模型构建模块,用于:构建用于社区配电网动态风险评估的指标体系,基于所述指标体系构建配电馈线短路故障诊断贝叶斯网络模型和构建社区配电网停电风险评估贝叶斯网络模型;其中,所述指标体系中社区配电网停电风险水平为最上层指标,所述社区配电网停电风险水平的下一级指标包括社区配电网馈电线路风险水平、社区配电网外部风险水平、社区配电网线路元器件风险水平、社区配电网负荷点风险水平及社区配电网***风险水平;所述社区配电网停电风险水平的下一级指标包括单相接地短路、两相短路、两相接地短路及三相短路,所述单相接地短路、所述两相短路、所述两相接地短路及所述三相短路的下一级指标包括三相电流大小、三相电流相位、三相电压大小、三相电流正负零三序大小及三相电压相位;所述社区配电网外部风险水平的下一级指标包括年限老化和天气;所述社区配电网线路元器件风险水平的下一级指标包括变压器、断路器、隔离开关、熔断器及馈电线路,所述变压器、所述断路器、所述隔离开关、所述熔断器及所述馈电线路的下一级指标包括年故障率、平均修复时间、年检修率及检修时间;所述社区配电网负荷点风险水平的下一级指标包括社区配电网负荷点年故障停运率、社区配电网负荷点平均停电持续时间及社区配电网负荷点年平均停电时间;所述社区配电网***风险水平的下一级指标包括社区配电***平均停电频率、社区配电***平均停电持续时间、社区电力用户平均停电持续时间、社区配电***平均供电可用率、社区配电***电量不足指标及社区配电***平均缺电指标;
配电馈线短路状态信息获取模块,用于:将采集的电流电压预设数据输入到所述配电馈线短路故障诊断贝叶斯网络模型,得到配电馈线短路状态信息;所述配电馈线短路故障诊断贝叶斯网络模型的根节点为所述电流电压预设数据节点、中间节点为预设短路类型节点、顶节点为所述配电馈线短路状态信息节点;所述电流电压预设数据节点连接所述预设短路类型节点,所述预设短路类型节点连接所述配电馈线短路状态信息节点;
社区停电风险评估模块,用于:将天气信息、社区配电***元器件的运行年限信息及所述配电馈线短路状态信息输入到所述社区配电网停电风险评估贝叶斯网络模型,得到社区停电风险评估结果;所述社区配电***元器件包括隔离开关、熔断器、变压器、断路器及配电馈线;所述社区配电网停电风险评估贝叶斯网络模型的根节点包括天气信息节点、运行年限信息节点及所述配电馈线短路状态信息节点;所述社区配电网停电风险评估贝叶斯网络模型的中间节点包括元器件故障率节点、负荷点可靠性指标节点以及***可靠性指标节点;所述社区配电网停电风险评估贝叶斯网络模型的顶节点为停电风险值节点;所述元器件故障率节点包括隔离开关故障率节点、熔断器故障率节点、配电馈线故障率节点、断路器故障率节点及变压器故障率节点;所述天气信息节点和所述运行年限信息节点分别连接各个所述元器件故障率节点,所述配电馈线短路状态信息节点连接所述配电馈线故障率节点,所述元器件故障率节点连接所述负荷点可靠性指标节点,所述负荷点可靠性指标节点连接所述***可靠性指标节点,所述***可靠性指标节点连接所述停电风险值节点。
9.一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至7任一项所述基于贝叶斯网络的社区配电网动态风险评估方法的步骤。
10.一种非暂态计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1至7任一项所述基于贝叶斯网络的社区配电网动态风险评估方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911037637.7A CN110796368B (zh) | 2019-10-23 | 2019-10-23 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911037637.7A CN110796368B (zh) | 2019-10-23 | 2019-10-23 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110796368A true CN110796368A (zh) | 2020-02-14 |
CN110796368B CN110796368B (zh) | 2020-06-02 |
Family
ID=69441781
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911037637.7A Active CN110796368B (zh) | 2019-10-23 | 2019-10-23 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110796368B (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476371A (zh) * | 2020-06-24 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 对服务方面临的特定风险进行评估的方法及装置 |
CN111932122A (zh) * | 2020-08-11 | 2020-11-13 | 广东电网有限责任公司广州供电局 | 一种配电网防灾物资调配方法、装置、终端及存储介质 |
CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
CN111985708A (zh) * | 2020-08-17 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
CN112700144A (zh) * | 2020-12-31 | 2021-04-23 | 广东电网有限责任公司韶关供电局 | 变电站运行状态风险评估方法、装置、设备以及存储介质 |
CN113256152A (zh) * | 2021-06-15 | 2021-08-13 | 河北农业大学 | 基于贝叶斯网络的气电耦合***可靠性评估方法及*** |
CN114117786A (zh) * | 2021-11-24 | 2022-03-01 | 国网北京市电力公司 | 一种场馆供电***维护方法、***、设备及介质 |
CN116170283A (zh) * | 2023-04-23 | 2023-05-26 | 湖南开放大学(湖南网络工程职业学院、湖南省干部教育培训网络学院) | 基于网络通信故障体系的处理方法 |
CN116739345A (zh) * | 2023-06-08 | 2023-09-12 | 南京工业大学 | 一种危化品道路运输事故发生可能性实时评估方法 |
CN117691743A (zh) * | 2023-12-07 | 2024-03-12 | 南京金绿汇成信息科技有限公司 | 考虑深度效应的配网停电判断方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010097392A (ja) * | 2008-10-16 | 2010-04-30 | Chugoku Electric Power Co Inc:The | 設備劣化予測システムおよび設備劣化予測方法 |
CN106226654A (zh) * | 2016-08-12 | 2016-12-14 | 北京中恒博瑞数字电力科技有限公司 | 一种基于多源数据的高温天气下配电网故障线路定位方法 |
CN106971255A (zh) * | 2017-02-16 | 2017-07-21 | 广西电网有限责任公司电力科学研究院 | 一种配网自动化方案综合评估*** |
CN108985546A (zh) * | 2018-05-30 | 2018-12-11 | 广东工业大学 | 一种考虑天气因素的电力变压器时变停运风险评估方法 |
CN109510201A (zh) * | 2018-12-20 | 2019-03-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数***的配电网可靠性评估方法 |
-
2019
- 2019-10-23 CN CN201911037637.7A patent/CN110796368B/zh active Active
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010097392A (ja) * | 2008-10-16 | 2010-04-30 | Chugoku Electric Power Co Inc:The | 設備劣化予測システムおよび設備劣化予測方法 |
CN106226654A (zh) * | 2016-08-12 | 2016-12-14 | 北京中恒博瑞数字电力科技有限公司 | 一种基于多源数据的高温天气下配电网故障线路定位方法 |
CN106971255A (zh) * | 2017-02-16 | 2017-07-21 | 广西电网有限责任公司电力科学研究院 | 一种配网自动化方案综合评估*** |
CN108985546A (zh) * | 2018-05-30 | 2018-12-11 | 广东工业大学 | 一种考虑天气因素的电力变压器时变停运风险评估方法 |
CN109510201A (zh) * | 2018-12-20 | 2019-03-22 | 烟台东方威思顿电气有限公司 | 一种基于梯形模糊数***的配电网可靠性评估方法 |
Cited By (18)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111476371B (zh) * | 2020-06-24 | 2020-09-18 | 支付宝(杭州)信息技术有限公司 | 对服务方面临的特定风险进行评估的方法及装置 |
WO2021259150A1 (zh) * | 2020-06-24 | 2021-12-30 | 支付宝(杭州)信息技术有限公司 | 对服务方面临的特定风险进行评估的方法及装置 |
CN111476371A (zh) * | 2020-06-24 | 2020-07-31 | 支付宝(杭州)信息技术有限公司 | 对服务方面临的特定风险进行评估的方法及装置 |
CN111985701A (zh) * | 2020-07-31 | 2020-11-24 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
CN111985701B (zh) * | 2020-07-31 | 2024-03-01 | 国网上海市电力公司 | 一种基于供电企业大数据模型库的用电预测方法 |
CN111932122A (zh) * | 2020-08-11 | 2020-11-13 | 广东电网有限责任公司广州供电局 | 一种配电网防灾物资调配方法、装置、终端及存储介质 |
CN111932122B (zh) * | 2020-08-11 | 2024-05-28 | 广东电网有限责任公司广州供电局 | 一种配电网防灾物资调配方法、装置、终端及存储介质 |
CN111985708B (zh) * | 2020-08-17 | 2023-09-22 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
CN111985708A (zh) * | 2020-08-17 | 2020-11-24 | 云南电网有限责任公司电力科学研究院 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
CN112700144A (zh) * | 2020-12-31 | 2021-04-23 | 广东电网有限责任公司韶关供电局 | 变电站运行状态风险评估方法、装置、设备以及存储介质 |
CN112700144B (zh) * | 2020-12-31 | 2023-04-28 | 广东电网有限责任公司韶关供电局 | 变电站运行状态风险评估方法、装置、设备以及存储介质 |
CN113256152A (zh) * | 2021-06-15 | 2021-08-13 | 河北农业大学 | 基于贝叶斯网络的气电耦合***可靠性评估方法及*** |
CN114117786A (zh) * | 2021-11-24 | 2022-03-01 | 国网北京市电力公司 | 一种场馆供电***维护方法、***、设备及介质 |
CN116170283B (zh) * | 2023-04-23 | 2023-07-14 | 湖南开放大学(湖南网络工程职业学院、湖南省干部教育培训网络学院) | 基于网络通信故障体系的处理方法 |
CN116170283A (zh) * | 2023-04-23 | 2023-05-26 | 湖南开放大学(湖南网络工程职业学院、湖南省干部教育培训网络学院) | 基于网络通信故障体系的处理方法 |
CN116739345A (zh) * | 2023-06-08 | 2023-09-12 | 南京工业大学 | 一种危化品道路运输事故发生可能性实时评估方法 |
CN116739345B (zh) * | 2023-06-08 | 2024-03-22 | 南京工业大学 | 一种危化品道路运输事故发生可能性实时评估方法 |
CN117691743A (zh) * | 2023-12-07 | 2024-03-12 | 南京金绿汇成信息科技有限公司 | 考虑深度效应的配网停电判断方法及*** |
Also Published As
Publication number | Publication date |
---|---|
CN110796368B (zh) | 2020-06-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110796368B (zh) | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 | |
CN109596913B (zh) | 充电桩故障原因诊断方法及装置 | |
CN106054104B (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
WO2020185990A1 (en) | Method and apparatus for composite load calibration for a power system | |
CN109933953B (zh) | 基于概率图模型的配电网开关状态辨识方法 | |
CN104376504A (zh) | 一种基于解析法的配电***概率可靠性评估方法 | |
JP2013538543A (ja) | 送電網用の機械学習 | |
CN110009208B (zh) | 一种基于混合智能算法的柱上开关成套设备健康状态评估方法及装置 | |
CN110222897A (zh) | 一种配电网可靠性分析方法 | |
CN106548265B (zh) | 一种基于连锁故障事故链搜索的输电网可靠性评估方法 | |
CN110287543B (zh) | 一种继电保护装置寿命预测方法 | |
Cai et al. | Bayesian networks for reliability engineering | |
CN109993665B (zh) | 电力***在线安全稳定评估方法、装置及*** | |
CN109657913B (zh) | 一种考虑分布式电源的输配电网联合风险评估方法 | |
Guo et al. | Evidence-based approach to power transmission risk assessment with component failure risk analysis | |
CN112379325A (zh) | 一种用于智能电表的故障诊断方法及*** | |
CN111784020A (zh) | 一种智能变电站继电保护装置寿命预测方法 | |
CN106548284A (zh) | 一种面向运行调控的自适应模块化电网安全预警评价方法 | |
Zhang et al. | Risk assessment for substation operation based on triangular fuzzy number AHP and cloud model | |
CN116151099A (zh) | 一种低压配电网负荷状态估计终端 | |
Ding et al. | Reliability evaluation of direct current distribution system for intelligent buildings based on big data analysis | |
CN114186756A (zh) | 一种配电网终端蓄电池储能容量预测方法 | |
Sawhney et al. | On-line transient stability assessment using artificial neural network | |
CN114118759A (zh) | 一种配变台区负荷过载状态评估方法及装置 | |
Asheibi et al. | Identification of load power quality characteristics using data mining |
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 |