CN112052980A - 变电站配网线路故障分析预测方法 - Google Patents
变电站配网线路故障分析预测方法 Download PDFInfo
- Publication number
- CN112052980A CN112052980A CN202010711364.6A CN202010711364A CN112052980A CN 112052980 A CN112052980 A CN 112052980A CN 202010711364 A CN202010711364 A CN 202010711364A CN 112052980 A CN112052980 A CN 112052980A
- Authority
- CN
- China
- Prior art keywords
- fault
- distribution network
- data
- monthly
- urban
- 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.)
- Pending
Links
- 238000004458 analytical method Methods 0.000 title claims abstract description 27
- 238000000034 method Methods 0.000 title claims abstract description 20
- 238000007405 data analysis Methods 0.000 claims abstract description 8
- 238000004140 cleaning Methods 0.000 claims abstract description 4
- 230000008859 change Effects 0.000 claims description 24
- 238000004364 calculation method Methods 0.000 claims description 20
- 238000010586 diagram Methods 0.000 claims description 7
- 230000002159 abnormal effect Effects 0.000 claims description 6
- 238000011161 development Methods 0.000 claims description 5
- 238000013500 data storage Methods 0.000 claims description 3
- 230000005856 abnormality Effects 0.000 claims description 2
- 238000012937 correction Methods 0.000 claims description 2
- 238000013075 data extraction Methods 0.000 claims description 2
- 230000008901 benefit Effects 0.000 abstract description 6
- 238000012795 verification Methods 0.000 abstract description 5
- 230000009286 beneficial effect Effects 0.000 abstract description 4
- 238000007418 data mining Methods 0.000 abstract description 3
- 238000003306 harvesting Methods 0.000 description 6
- 238000010276 construction Methods 0.000 description 5
- 239000013078 crystal Substances 0.000 description 3
- 239000010453 quartz Substances 0.000 description 3
- 239000011435 rock Substances 0.000 description 3
- VYPSYNLAJGMNEJ-UHFFFAOYSA-N silicon dioxide Inorganic materials O=[Si]=O VYPSYNLAJGMNEJ-UHFFFAOYSA-N 0.000 description 3
- 230000009466 transformation Effects 0.000 description 3
- 238000012423 maintenance Methods 0.000 description 2
- 238000005192 partition Methods 0.000 description 2
- 230000009471 action Effects 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 238000007621 cluster analysis Methods 0.000 description 1
- 238000010835 comparative analysis Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- HVCNNTAUBZIYCG-UHFFFAOYSA-N ethyl 2-[4-[(6-chloro-1,3-benzothiazol-2-yl)oxy]phenoxy]propanoate Chemical compound C1=CC(OC(C)C(=O)OCC)=CC=C1OC1=NC2=CC=C(Cl)C=C2S1 HVCNNTAUBZIYCG-UHFFFAOYSA-N 0.000 description 1
- 230000003631 expected effect Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012163 sequencing technique Methods 0.000 description 1
- 230000008685 targeting Effects 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
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明涉及变电站配网线路故障分析预测方法，它包括以下步骤：数据提取；数据存储；数据清洗；数据分析；建模预测；模型准确性验证；本发明通过多种数据挖掘手段科学分析配网线路故障情况、构建预测模型、实验验证结论，并根据预测记过做好事前把控，从而降低配电线路故障率，提高配电网络供电可靠性提供强力支撑，配网线路故障预测有助于减少配网线路故障次数，降低配网运行风险，提高用户供电可靠性和企业优质服务水平，增加企业经营效益，是一种基于数据分析的科学化、新型化、动态化、常态化解决方式；本发明具有可靠性高、降低配电线路故障率的优点。
Description
技术领域
本发明涉及变电站线路故障分析预测技术领域，具体涉及一种变电站配网线路故障分析预测方法。
背景技术
近年来，随着地区经济和社会建设的不断发展，人民生活水平日益提高，社会用电负荷逐年增加，配电网络结构愈加复杂。配电网络作为电力***的末端网络，直接与用户相连，电力***约80％的供电负荷通过配电网络送到用户，一旦发生故障，就会造成用户供电的中断，用户对电力***供电可靠性的要求越来越高。配电网络可靠性是电力***可靠性的一个重要组成部分，电力***约80％的故障发生在配电网络，其中又以配电线路故障为主，分析配电线路故障的主要原因，变被动为主动，成为降低配电线路故障率，提高配电网络供电可靠性的关键；因此，提供一种可靠性高、降低配电线路故障率的变电站配网线路故障分析预测方法是非常有必要的。
发明内容
本发明的目的是为了克服现有技术的不足，而提供一种可靠性高、降低配电线路故障率的变电站配网线路故障分析预测方法。
本发明的目的是这样实现的：变电站配网线路故障分析预测方法，它包括以下步骤：
步骤1)：数据提取，针对供电公司主城区2014年01月01日到2017年12月31日间的城区10千伏配网线路故障情况进行分析，重点挖掘外力、异物、温度、雨雪、雷电、投运时间、经济增长与故障次数之间的内在联系及变化规律；
步骤2)：数据存储，根据数据规模，使用具有界面友好、易于操作特点的Access进行数据存储，同时可实现与SPSS、Excle间的数据互导；
步骤)3：数据清洗，选择使用SPSS进行数据清洗，核查数据的完整性，异常数据主要存在数值异常、录入或编码错误以及逻辑错误三种情况；
步骤4)：数据分析，数据分析包括故障线路类型分析、故障次数与外力关系、故障次数与异物关系、故障次数与温度关系、故障次数与雨雪关系、故障次数与风力关系、故障次数与线路运行时间、故障次数与月份关系、高频故障线路、高频故障变电站；
步骤5)：建模预测，建立故障次数与年份的拟合关系模型图，计算拟合度R2,根据数据拟合计算得出城区配网线路月度故障次数预测模型，再将城区配网线路月度故障次数乘上各变电站占比，得出城区变电站月度故障次数预测模型，再根据裕度系数得出城区变电站月度故障次数综合预测模型；
步骤6)：模型准确性验证，根据城区变电站月度故障次数综合预测模型，分别计算各变电站2018年1月至6月故障次数，将各站出线故障次数降序排序与实际故障情况对比。
步骤3)中的数值异常，发现异常值后，对原始资料进行核查、判定并进行数据修正；针对录入错误和编码错误数据，进行判定后进行修正；针对逻辑错误数据，再次查询***和有关记录予以确定。
步骤5)根据故障次数与年份拟合关系得出拟合度R2为0.763，并根据各月故障次数占比，进行数据拟合计算，得出城区配网线路月度故障次数预测模型：
y＝234.93α(x-2013)-0.531
其中x为预测年份，α为月占比，y为故障次数。
城区配网线路月度故障次数乘上各变电站占比，得出城区变电站月度故障次数预测模型：
y＝234.93αβ(x-2013)-0.531
其中x为预测年份，α为月占比，β为变电站占比，y为故障次数。
裕度系数包括：
温度裕度系数：
风力裕度系数：
雨雪裕度系数：
投运时间裕度系数：
雷电裕度系数：
外力裕度系数：
异物裕度系数：
经济发展裕度系数：Ke＝平均增长率
得出城区变电站月度故障次数综合预测模型：
本发明的有益效果：本发明通过多种数据挖掘手段科学分析配网线路故障情况、构建预测模型、实验验证结论，并根据预测记过做好事前把控，从而降低配电线路故障率，提高配电网络供电可靠性提供强力支撑，配网线路故障预测有助于减少配网线路故障次数，降低配网运行风险，提高用户供电可靠性和企业优质服务水平，增加企业经营效益，是一种基于数据分析的科学化、新型化、动态化、常态化解决方式；本发明具有一种可靠性高、降低配电线路故障率的优点。
附图说明
图1是本发明流程图。
图2和图3是本发明数据存储过程示意图。
图4是本发明故障次数与外力关系图。
图5是本发明故障次数与异物关系图。
图6是本发明故障次数与温度关系图。
图7是本发明故障次数与雨雪关系图。
图8是本发明故障次数与风力关系图。
图9是本发明故障次数与线路运行时间关系图。
图10是本发明故障次数与月份关系图。
图11是本发明高频故障线路图。
图12是本发明高频故障变电站图。
图13是本发明故障次数与年份关系图。
图14是本发明故障次数与年份拟合关系图。
图15是本发明温度裕度系数计算图。
图16是本发明风力裕度系数计算图。
图17是本发明雨雪裕度系数计算图。
图18是本发明投运时间裕度系数计算图。
图19是本发明故障次数聚类图图。
图20是本发明焦作市各区GDP情况图。
图21是本发明2018年不同因素作用下的预测结果图。
图22是本发明7月份预测次数与实际故障次数对比分析图。
图23是本发明7月份实际故障具体情况图。
具体实施方式
下面结合附图对本发明做进一步的说明。
实施例
本发明以城区10千伏配网故障线路为研究对象，统计整合2014年01月01日到2017年12月31日共4年时间周期内OMS、PMS等***以及气象部门的相关数据信息，重点挖掘外力、异物、温度、雨雪、风力、雷电、投运时间、经济增长等因素与故障次数之间的内在联系及变化规律，本次分析涉及内部数据和外部数据共计11310个数据。
1、数据分析
1.1、故障线路类型分析
表1故障线路类型
如表1所示，分析发现，架空线故障次数多于电缆故障次数，符合实际。
1.2、故障次数与外力关系
如图4所示，分析数据发现：外力是影响配网线路故障的重要因素之一，且外力中主要是由施工挖断引起的。
1.3、故障次数与异物关系
如图5所示，分析数据发现：异物是影响配网线路故障的重要因素之一，且重点在树障与鸟害。
1.4、故障次数与温度关系
如图6所示，分析数据发现，温度高会导致配网线路故障次数增多。
1.5、故障次数与雨雪关系
如图7所示，分析数据发现，随着雨雪增大，线路发生故障的概率增大。
1.6、故障次数与风力关系
如图8所示，分析数据发现，随着风力增大，线路发生故障的概率增大。
1.7、故障次数与线路运行时间
如图9所示，分析数据发现，线路运行时间越长，越容易跳闸。
1.8、故障次数与月份关系
如图10所示，分析数据发现，每年的4、5、7三个月为故障高发月。
1.9、高频故障线路
如图11所示，分析数据后，明确故障高频线路情况，重点把控。
1.10、高频故障变电站
如图12所示，分析数据发现，高频故障变电站主要集中在经济发展中心和厂区附近。
2、建模预测
2.1、城区配网线路月度故障次数初始预测模型
由图14可知，拟合度R2达到0.763，满足预测要求，具体见图13。
表2各月故障次数占比
如表2所示，根据数据拟合计算，得出城区配网线路月度故障次数预测模型：
y＝234.93α(x-2013)-0.531
x为预测年份，α为月占比，y为故障次数。
2.2、城区变电站月度故障次数初始预测模型
表3各变电站故障次数占比
| 编号 | 变电站 | 次數 | 变占比(β) | 编号 | 变电站 | 次數 | 变占比(β) | 编号 | 变电站 | 次數 | 变占比(β) |
| 11 | 北郊变 | 86 | 11.4 | 21 | 群英变 | 48 | 6.4 | 20 | 滨湖变 | 11 | 1.5 |
| 14 | 建业变 | 72 | 9.5 | 9 | 石河变 | 47 | 6.2 | 16 | 清化变 | 3 | 0.4 |
| 7 | 牛庄变 | 71 | 9.4 | 3 | 山后变 | 47 | 6.2 | 4 | 马村变 | 8 | 1.1 |
| 1 | 于村变 | 68 | 9.0 | 13 | 许衡变 | 46 | 6.1 | 18 | 廉桥变 | 1 | 0.1 |
| 15 | 待王变 | 57 | 7.6 | 10 | 东郊变 | 39 | 5.2 | 6 | 中兴变 | 8 | 1.1 |
| 17 | 焦南变 | 49 | 6.5 | 8 | 月季变 | 27 | 3.6 | 12 | 冯封变 | 5 | 0.7 |
| 5 | 丰收变 | 48 | 6.4 | 19 | 新河变 | 12 | 1.6 | 2 | 万铝变 | 1 | 0.1 |
如表3所示，将城区配网线路月度故障次数乘上各变电站占比，得出城区变电站月度故障次数预测模型：
y＝234.93αβ(x-2013)-0.531
x为预测年份，α为月占比，β为变占比，y为故障次数。
2.3、相关因素裕度系数计算
(1)温度裕度系数计算
温度裕度系数：
通过计算得出，不同温度范围条件下温度裕度系数如图15所示。
(2)风力裕度系数计算
风力裕度系数：
通过计算得出，不同风力范围条件下风力裕度系数如图16所示。
(3)雨雪裕度系数计算
雨雪裕度系数：
通过计算得出，不同雨雪程度条件下雨雪裕度系数如图17所示。
(4)投运时间裕度系数计算
投运时间裕度系数：
通过计算得出，不同投运时间条件下投运时间裕度系数如图18所示。
(5)雷电裕度系数计算
雷电裕度系数：
计算得出，不同雷电条件下雷电裕度系数如表4所示。
表4雷电裕度系数计算
(6)外力与异物裕度系数计算
各变电站出线受外力、异物侵害与故障次数如表5所示。
表5故障次数
| 序号 | 编号 | 变电站 | 外力(c) | 故障次数(m) | 序号 | 编号 | 变电站 | 异物(d) | 故障次数(m) |
| 1 | 1 | 于村变 | 10 | 68 | 1 | 1 | 于村变 | 11 | 68 |
| 2 | 5 | 丰收变 | 10 | 48 | 2 | 7 | 牛庄变 | 10 | 71 |
| 3 | 21 | 群英变 | 9 | 48 | 3 | 13 | 许衡变 | 10 | 46 |
| 4 | 15 | 待王变 | 7 | 57 | 4 | 11 | 北郊变 | 9 | 86 |
| 5 | 14 | 建业变 | 5 | 72 | 5 | 15 | 待王变 | 9 | 57 |
| 6 | 17 | 焦南变 | 4 | 49 | 6 | 3 | 山后变 | 6 | 47 |
| 7 | 10 | 东郊变 | 4 | 39 | 7 | 5 | 丰收变 | 6 | 48 |
| 8 | 7 | 牛庄变 | 3 | 71 | 8 | 14 | 建业变 | 6 | 72 |
| 9 | 8 | 月季变 | 3 | 27 | 9 | 17 | 焦南变 | 6 | 49 |
| 10 | 11 | 北郊变 | 3 | 86 | 10 | 21 | 群英变 | 5 | 48 |
| 11 | 19 | 新河变 | 3 | 12 | 11 | 9 | 石河变 | 4 | 47 |
| 12 | 13 | 许衡变 | 2 | 46 | 12 | 8 | 月季变 | 3 | 27 |
| 13 | 3 | 山后变 | 1 | 47 | 13 | 10 | 东郊变 | 3 | 4 |
| 14 | 9 | 石河变 | 1 | 47 | 14 | 20 | 滨湖变 | 1 | 11 |
| 15 | 20 | 滨湖变 | 1 | 11 | 15 | 4 | 马村变 | 1 | 8 |
| 16 | 4 | 马村变 | 1 | 8 | 16 | 12 | 冯封变 | 1 | 8 |
| 17 | 12 | 冯封变 | 1 | 5 | 17 | 19 | 新河变 | 0 | 12 |
| 18 | - | 其他 | 0 | 13 | 18 | - | 其他 | 1 | 45 |
根据表中变电站故障次数，经过SPSS聚类分析，输入分区个数为10，分区结果如图19所示。
外力裕度系数：
异物裕度系数：
通过计算得出，不同区域条件下外力裕度系数和异物裕度系数如表6所示。
表6外力与异物裕度系数计算
| 区域编号(i) | 外力系数(k<sub>wi</sub>) | 异物系数(k<sub>yi</sub>) | 区域编号(i) | 外力系数(k<sub>wi</sub>) | 异物系数(k<sub>yi</sub>) |
| 1 | 0.147 | 0.120 | 6 | 0.176 | 0.163 |
| 2 | 0.147 | 0.065 | 7 | 0.029 | 0.076 |
| 3 | 0.103 | 0.098 | 8 | 0.103 | 0.098 |
| 4 | 0.059 | 0.033 | 9 | 0.059 | 0.163 |
| 5 | 0.044 | 0.098 | 10 | 0.132 | 0.076 |
(7)考虑经济发展趋势的裕度系数计算
根据焦作市2014年至2017年各区GDP增长情况，分析经济增长与故障次数的关系。
如图20所示，分析得出，不同区域条件下经济发展裕度系数如表7所示
表7经济性裕度系数计算
2.4、城区变电站月度故障次数综合预测模型
3、模型准确性验证
根据城区变电站月度故障次数综合预测模型，分别计算各变电站2018年1月至6月故障次数，将各站出线故障次数降序排序与实际故障情况对比，如表8所示。
表8模型验证效果
分析上表，预测情况与实际情况对比发现，故障次数排在前五的变电站与实际故障次数前五的变电站一致。证明通过本项目的预测，可获取未来一定时间内，配电线路发生故障概率较高的变电站范围，通过高频故障线路排序表，做到有的放矢，提前防控，降低配网线路故障次数。
4、预期成效
2018年不同因素作用下的预测结果，如图21所示，根据7月份各变电站出线故障次数的预测结果，我们针对故障次数较高的变电站及配电线路，加大设备及线路运维频率，对配网运行方式做出相应调整，对相关重点设备进行调控。
如图22和23所示，为7月份预测次数与实际故障次数对比分析图，通过该月的实际数据对比，由于提前采取了应对措施，城区配网线路故障次数由预测38.4次降低至21次，高频故障变电站各出线由于提前防控，发生故障后，相关部门及时响应，有效缩短故障处置时间，供电水平得到提升。
本发明通过多种数据挖掘手段科学分析配网线路故障情况、构建预测模型、实验验证结论，并根据预测记过做好事前把控，从而降低配电线路故障率，提高配电网络供电可靠性提供强力支撑，配网线路故障预测有助于减少配网线路故障次数，降低配网运行风险，提高用户供电可靠性和企业优质服务水平，增加企业经营效益，是一种基于数据分析的科学化、新型化、动态化、常态化解决方式；本发明具有一种可靠性高、降低配电线路故障率的优点。
Claims (5)
1.变电站配网线路故障分析预测方法，其特征在于：它包括以下步骤：
步骤1)：数据提取，针对供电公司主城区2014年01月01日到2017年12月31日间的城区10千伏配网线路故障情况进行分析，重点挖掘外力、异物、温度、雨雪、雷电、投运时间、经济增长与故障次数之间的内在联系及变化规律；
步骤2)：数据存储，根据数据规模，使用具有界面友好、易于操作特点的Access进行数据存储，同时可实现与SPSS、Excle间的数据互导；
步骤)3：数据清洗，选择使用SPSS进行数据清洗，核查数据的完整性，异常数据主要存在数值异常、录入或编码错误以及逻辑错误三种情况；
步骤4)：数据分析，数据分析包括故障线路类型分析、故障次数与外力关系、故障次数与异物关系、故障次数与温度关系、故障次数与雨雪关系、故障次数与风力关系、故障次数与线路运行时间、故障次数与月份关系、高频故障线路、高频故障变电站；
步骤5)：建模预测，建立故障次数与年份的拟合关系模型图，计算拟合度R2,根据数据拟合计算得出城区配网线路月度故障次数预测模型，再将城区配网线路月度故障次数乘上各变电站占比，得出城区变电站月度故障次数预测模型，再根据裕度系数得出城区变电站月度故障次数综合预测模型；
步骤6)：模型准确性验证，根据城区变电站月度故障次数综合预测模型，分别计算各变电站2018年1月至6月故障次数，将各站出线故障次数降序排序与实际故障情况对比。
2.如权利要求1所述的变电站配网线路故障分析预测方法，其特征在于：所述步骤3)中的数值异常，发现异常值后，对原始资料进行核查、判定并进行数据修正；针对录入错误和编码错误数据，进行判定后进行修正；针对逻辑错误数据，再次查询***和有关记录予以确定。
3.如权利要求1所述的变电站配网线路故障分析预测方法，其特征在于：所述步骤5)根据故障次数与年份拟合关系得出拟合度R2为0.763，并根据各月故障次数占比，进行数据拟合计算，得出城区配网线路月度故障次数预测模型：
y＝234.93α(x-2013)-0.531
其中x为预测年份，α为月占比，y为故障次数。
4.如权利要求3所述的变电站配网线路故障分析预测方法，其特征在于：所述城区配网线路月度故障次数乘上各变电站占比，得出城区变电站月度故障次数预测模型：
y＝234.93αβ(x-2013)-0.531
其中x为预测年份，α为月占比，β为变电站占比，y为故障次数。
5.如权利要求1所述的变电站配网线路故障分析预测方法，其特征在于：所述裕度系数包括：
温度裕度系数：
风力裕度系数：
雨雪裕度系数：
投运时间裕度系数：
雷电裕度系数：
外力裕度系数：
异物裕度系数：
经济发展裕度系数：Ke＝平均增长率
得出城区变电站月度故障次数综合预测模型：
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010711364.6A CN112052980A (zh) | 2020-07-22 | 2020-07-22 | 变电站配网线路故障分析预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202010711364.6A CN112052980A (zh) | 2020-07-22 | 2020-07-22 | 变电站配网线路故障分析预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN112052980A true CN112052980A (zh) | 2020-12-08 |
Family
ID=73602500
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202010711364.6A Pending CN112052980A (zh) | 2020-07-22 | 2020-07-22 | 变电站配网线路故障分析预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN112052980A (zh) |
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033889A (zh) * | 2021-03-19 | 2021-06-25 | 国网河北省电力有限公司邢台供电分公司 | 高压输电线路故障预测方法、装置及终端设备 |
| CN117895659A (zh) * | 2024-03-14 | 2024-04-16 | 山东理工大学 | 一种智能电网自动化调度方法及*** |
-
2020
- 2020-07-22 CN CN202010711364.6A patent/CN112052980A/zh active Pending
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN113033889A (zh) * | 2021-03-19 | 2021-06-25 | 国网河北省电力有限公司邢台供电分公司 | 高压输电线路故障预测方法、装置及终端设备 |
| CN117895659A (zh) * | 2024-03-14 | 2024-04-16 | 山东理工大学 | 一种智能电网自动化调度方法及*** |
| CN117895659B (zh) * | 2024-03-14 | 2024-05-31 | 山东理工大学 | 一种智能电网自动化调度方法及*** |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| Taheri et al. | Distribution system resilience enhancement via mobile emergency generators | |
| WO1995030266A1 (en) | Method for performing a voltage stability security assessment for a power transmission system | |
| CN108695846B (zh) | 一种单元制配电网运行风险评估方法 | |
| CN112052980A (zh) | 变电站配网线路故障分析预测方法 | |
| CN107181253B (zh) | 一种基于电网动态可靠性概率指标的电网规划方法 | |
| CN103679294A (zh) | 一种基于差异化的输电网抗灾能力规划方法 | |
| CN102097805A (zh) | 一种用于城乡配电网综合节能降损技术的优化决策方法 | |
| Ghasemi et al. | A stochastic planning model for improving resilience of distribution system considering master-slave distributed generators and network reconfiguration | |
| CN114841533B (zh) | 水电机组顶盖排水***综合赋权健康评估方法及*** | |
| CN115409264A (zh) | 基于馈线故障预测的配电网抢修驻点位置优化方法 | |
| CN106684917A (zh) | 分布式电源的位置动态优化及准入容量计算方法及*** | |
| CN111244924B (zh) | 基于风险的高维多目标复杂电网故障限流器最优配置方法 | |
| CN105322460A (zh) | 一种雷暴天气下架空配电线路抗雷击规划方法 | |
| CN106845821B (zh) | 一种防覆冰舞动技改项目综合评价方法和*** | |
| CN114977185A (zh) | 一种基于ap聚类算法的电网分区与电网关键断面识别方法 | |
| CN110210714B (zh) | 基于电网脆弱点辨识的储能电池选址方法 | |
| CN111160746B (zh) | 基于风险评估的智能配电网规划评价方法 | |
| CN113780775A (zh) | 一种电网理论线损计算结果评价方法及*** | |
| Heo et al. | Maintenance priority index of overhead transmission lines for reliability centered approach | |
| Niu et al. | Multistage Condition-Based Resilient Maintenance Scheduling for Power Systems during Ice Storms | |
| CN115049259B (zh) | 一种基于多因素影响的预安排停运率测算方法 | |
| CN113505967B (zh) | 一种基于实时故障率的配电网韧性提升方法 | |
| CN118432106A (zh) | 含电动车充电负荷模型的区域电网管理方法 | |
| CN117575710A (zh) | 架空线路工程造价数据分析*** | |
| Bettiol et al. | Identification of Atypical Billings of Consumer Units by Artificial Intelligence Techniques to Reduce Non-Technical Losses in Distribution Networks |
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 |