CN114386753A - 一种基于主变负载状况的设备风险综合分析预警方法 - Google Patents
一种基于主变负载状况的设备风险综合分析预警方法 Download PDFInfo
- Publication number
- CN114386753A CN114386753A CN202111474346.1A CN202111474346A CN114386753A CN 114386753 A CN114386753 A CN 114386753A CN 202111474346 A CN202111474346 A CN 202111474346A CN 114386753 A CN114386753 A CN 114386753A
- Authority
- CN
- China
- Prior art keywords
- main transformer
- evaluation
- factor
- load
- transformer
- 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
- 238000000034 method Methods 0.000 title claims abstract description 57
- 238000004458 analytical method Methods 0.000 title claims abstract description 34
- 238000000556 factor analysis Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 22
- 238000012502 risk assessment Methods 0.000 claims abstract description 8
- 238000011156 evaluation Methods 0.000 claims description 473
- 238000013210 evaluation model Methods 0.000 claims description 181
- 230000007547 defect Effects 0.000 claims description 55
- 238000007726 management method Methods 0.000 claims description 33
- 238000012423 maintenance Methods 0.000 claims description 25
- 230000009471 action Effects 0.000 claims description 24
- 238000004804 winding Methods 0.000 claims description 17
- 230000006870 function Effects 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 15
- 230000032683 aging Effects 0.000 claims description 14
- 238000012937 correction Methods 0.000 claims description 14
- 239000011159 matrix material Substances 0.000 claims description 12
- 238000012544 monitoring process Methods 0.000 claims description 12
- 238000010606 normalization Methods 0.000 claims description 9
- 238000012545 processing Methods 0.000 claims description 8
- 230000001932 seasonal effect Effects 0.000 claims description 8
- 238000005259 measurement Methods 0.000 claims description 7
- 239000013598 vector Substances 0.000 claims description 6
- 239000002028 Biomass Substances 0.000 claims description 5
- XEEYBQQBJWHFJM-UHFFFAOYSA-N Iron Chemical group [Fe] XEEYBQQBJWHFJM-UHFFFAOYSA-N 0.000 claims description 5
- 238000004587 chromatography analysis Methods 0.000 claims description 5
- 238000001816 cooling Methods 0.000 claims description 5
- 238000004146 energy storage Methods 0.000 claims description 5
- 238000005286 illumination Methods 0.000 claims description 5
- 238000001556 precipitation Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 claims description 4
- 238000007405 data analysis Methods 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 230000001105 regulatory effect Effects 0.000 claims description 3
- 238000006243 chemical reaction Methods 0.000 claims description 2
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 239000000945 filler Substances 0.000 claims description 2
- 230000007787 long-term memory Effects 0.000 claims description 2
- 238000013507 mapping Methods 0.000 claims description 2
- 230000009466 transformation Effects 0.000 claims description 2
- 238000003672 processing method Methods 0.000 claims 1
- 230000005855 radiation Effects 0.000 claims 1
- 238000001228 spectrum Methods 0.000 claims 1
- 230000001131 transforming effect Effects 0.000 claims 1
- 238000011161 development Methods 0.000 description 3
- 230000018109 developmental process Effects 0.000 description 3
- 208000027418 Wounds and injury Diseases 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000004880 explosion Methods 0.000 description 2
- 208000014674 injury Diseases 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000007774 longterm Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000000306 recurrent effect Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 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
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- 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
- H02J3/003—Load forecast, e.g. methods or systems for forecasting future load demand
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid 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]
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Health & Medical Sciences (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Primary Health Care (AREA)
Abstract
本发明公开了一种基于主变负载状况的设备风险综合分析预警方法,该方法为:采用基于主变负载状况的设备风险综合分析预警***收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,将信息传送至主变负载综合分析预警***,结合电力***风险评估理论,构建基于主变负载状况的风险评估模型,如下所示:R=P*F*C;F=Πifi;根据主变负载风险值的大小,将主变负载风险分为三级,高风险、中风险和低风险。本发明全面收集主变负载影响因素,利用主变负载影响因素分析模型全面主变负载预测输入变量来提升主变负荷预测精度,以解决主变负荷预测精度受输入变量未完全涵盖数据特征的影响、训练得到的主变负荷预测模型精度低等问题。
Description
技术领域
本发明涉及电力设备监控分析技术领域,具体涉及一种基于主变负载状况的设备风险综合分析预警方法。
背景技术
随着电网的快速发展,用电需求量不断增加,电网的用电负荷也逐年攀升。变压器作为核心电气设备,对电能的经济传输、灵活分配、安全稳定等具有重要意义。数据规模日益扩大,复杂程度不断增长。如何运用数据分析技术及时发现、总结变压器重过载运行的主要影响因素,对即将发生的重过负载变压器进行有效预测,对提高供电质量、供电可靠率和优质服务水平显得尤为重要。
在电网中,主变之间由于用电性质、负荷变化趋势、网架结构变化等等信息特点不尽相同,因此现有主变负荷预测中未能全面考虑主变所受因素影响情况,现有技术中缺少全面的统一主变负载多源数据信息采集及分析***和平台,来收集和分析影响主变负载的数据和信息,而且主变负载分析时大多考虑如用电性质、用电时间特征等少量固定输入变量,缺少主变负载影响因素分析模型全面主变负载预测输入变量来提升主变负荷预测精度,造成主变负荷预测精度受输入变量未完全涵盖数据特征的影响、训练得到的主变负荷预测模型精度低等问题。同时在现有技术中,如何利用采集到主变负载多源数据信息实现主变负载风险评估,未见考虑因主变负载情况导致主变负载风险的量化评估;主变负载风险发生概率无有效评价依据,无法有效评价主变负载风险评估;主变负载预测未全面考虑影响因素,导致主变负载预测精度低。
发明内容
本发明要解决的技术问题是:提供一种基于主变负载状况的设备风险综合分析预警方法,全面收集主变负载影响因素,利用主变负载影响因素分析模型全面主变负载预测输入变量来提升主变负荷预测精度,以解决主变负荷预测精度受输入变量未完全涵盖数据特征的影响、训练得到的主变负荷预测模型精度低等问题。
本发明采取的技术方案为:一种基于主变负载状况的设备风险综合分析预警方法,该方法为:采用基于主变负载状况的设备风险综合分析预警***收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,将信息传送至主变负载综合分析预警***,结合电力***风险评估理论,构建基于主变负载状况的风险评估模型,如下所示:
R=P*F*C (1)
F=Πifi (3)
式中:
R为主变负载风险值;
P为负载因子,为主变负载率在时间区间T上的积分,β(t)为预测在时间区间内的各时点的负载率的值;
F为负载相关因子,为在主变负载率的基础上其它导致负载风险因素的因子fi的乘积;fi包括老化因子、告警因子、缺陷因子、历史重载、过载因子及过载修正因子;C为主变负载风险导致的后果严重度值;
根据主变负载风险值的大小,将主变负载风险分为三级,高风险、中风险和低风险。
基于主变负载状况的设备风险综合分析预警***包括主变负载综合分析预警***和与其连接的互联网***、气象信息监测***、电网调度运行管理***、电网调度能量管理***、设备缺陷管理***和设备资产管理***、电网调度能量管理***和设备缺陷管理***均依次连接到厂站端后台监控***、保护及测控装置和信号采集回路,互联网***用于实现时间季节特性、关键日期情况,构建考虑典型时间的主变负载影响因素评价模型;气象信息监测***用于实现主变所在区域的气象信息收集工作,构建考虑气象信息的主变负载影响因素评价模型;电网调度运行管理***,用于实现收集主变所在变电站及有网络拓扑联系的相邻变电站、电厂的主设备检修停电计划,构建计划性停电评价模型;电网调度能量管理***用于实现收集主变所在变电站及有网络拓扑联系的相邻变电站及电厂的继电保护及安全稳定自动装置动作信息,主设备数量、电厂装机容量的信息,构建临时性停电评价模型、考虑电网拓扑结构的主变负载影响因素评价模型和与主变所在变电站相邻的发电厂装机容量评价模型;设备缺陷管理***,用于实现收集主变设备的紧急缺陷、重要缺陷、一般缺陷;构建主变运行参数评价模型;设备资产管理***,用于实现收集主变基本数据信息,构建主变本体参数评价模型、主变所在变电站的运行主变数量评价模型、主变所在变电站的运行母线数量评价模型和主变所在变电站的运行出线数量评价模型;通过各***收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,将信息传送至主变负载综合分析预警***,构建主变负载影响因素评价数据库。
考虑典型时间的主变负载影响因素评价模型包括考虑典型时间的主变负载影响因素评价模型包括长时间模型,短时间评价模型,其中,长时间评价模型包括春季评价因子、夏季评价因子、秋季评价因子、冬季评价因子;短时间评价模型包括节日评价因子、双休日评价因子、工作日评价因子、特殊时期(如国庆、高考、重大会议等时期)保供电评价因子。
考虑气象信息的主变负载影响因素评价模型包括主变所在区域的温度评价因子、湿度评价因子、大气压力评价因子、海拔高度评价因子、风速评价因子、风向评价因子、光照强度评价因子、净辐射量评价因子、降水量评价因子。
计划性停电评价模型包括该主变检修停电评价因子、主变所在变电站的其他主变检修停电评价因子、主变所在变电站母线检修停电评价因子、主变所在变电站出线检修停电评价因子、主变所在变电站的相邻变电站(主变、母线、出线)停电评价因子、主变所在变电站的相邻的发电厂(机组、主变、母线、出线)检修停电评价因子。
临时性停电评价模型,包括主变所在变电站的所有断路器合位信号评价因子、主变所在变电站的保护装置动作信息评价因子、主变所在变电站的稳控装置动作信息评价因子、主变所在变电站的相邻变电站内所有断路器合位信号评价因子、主变所在变电站的相邻变电站内保护装置动作信息评价因子、主变所在变电站的相邻变电站内稳控装置动作信息评价因子。
考虑电网拓扑结构的主变负载影响因素评价模型包括主变所在变电站的运行主变数量评价模型、主变所在变电站的运行母线数量评价模型、主变所在变电站的运行出线数量评价模型、与主变所在变电站相邻的变电站数量评价模型、与主变所在变电站相邻的发电厂装机容量评价模型、与主变所在变电站相邻的储能装置容量评价模型。
与主变所在变电站相邻的发电厂装机容量评价模型包括火电厂装机容量评价因子、水电厂装机容量评价因子、风电场装机容量评价因子、光伏电站装机容量评价因子、燃气电站装机容量评价因子、垃圾电站装机容量评价因子、生物质装机容量评价因子。
主变运行参数评价模型包括油温高告警信息评价因子、绕温高告警信息评价因子、轻瓦斯告警信息评价因子、油位低告警信息评价因子、主变状态评价结果评价因子、绕组缺陷信息评价因子、铁芯缺陷信息评价因子、箱壳缺陷信息评价因子、风冷控制***缺陷信息评价因子、变压器漏油缺陷信息评价因子。
主变本体参数评价模型包括主变容量评价因子、主变投运年限评价因子、主变老化评价因子,同时收集主变所在变电站主设备参数及信息,构建的主变所在变电站的运行主变数量评价模型包括单主变评价因子、双主变评价因子、三主变评价因子、四主变评价因子、五台及以上多主变评价因子;构建的主变所在变电站的运行母线数量评价模型包括高压侧母线数量评价因子、中压侧母线数量评价因子、低压侧母线数量评价因子;构建的主变所在变电站的运行出线数量评价模型,包括高压侧出线数量评价因子、中压侧出线数量评价因子、低压侧出线数量评价因子。
预测在时间区间内的各时点的负载率的值β(t)由以下步骤取得:
步骤1:收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,构建主变负载影响因素评价数据库;
步骤2:利用步骤1得到的主变负载影响因素评价数据库,建立考虑典型时间的主变负载影响因素评价模型ξ1;
步骤3:利用步骤1得到的主变负载影响因素评价数据库,建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2;
步骤4:利用步骤1得到的主变负载影响因素评价数据库,建立考虑停电计划的主变负载影响因素评价模型ξ3;
步骤5:利用步骤1得到的主变负载影响因素评价数据库,建立考虑主变参数的主变负载影响因素评价模型ξ4;
步骤6利用步骤1得到的主变负载影响因素评价数据库,建立考虑气象信息的主变负载影响因素评价模型ξ5;
步骤7:利用步骤1得到的主变负载影响因素评价数据库,分析主变的过载特性,建立考虑主变过载特性的主变负载影响因素评价模型ξ6;
步骤8:利用步骤1得到的主变负载影响因素评价数据库,分析主变的重载特性,建立考虑主变重载特性的主变负载影响因素评价模型ξ7;
步骤9:利用步骤1得到的主变负载影响因素评价数据库,分析主变的负荷特性,建立考虑主变负荷特性的主变负载影响因素评价模型ξ8;
步骤10:利用步骤1得到的主变负载影响因素评价数据库,分析主变的季节特性,建立考虑季节特性的主变负载影响因素评价模型ξ9;
步骤11:结合步骤2-10,构建主变负载影响因素分析模型ψ={ξ1,ξ2,ξ3,ξ4,ξ5,ξ6,ξ7,ξ8,ξ9};
步骤12:对主变负载影响因素分析模型ψ={ξ1,ξ2,ξ3,ξ4,ξ5,ξ6,ξ7,ξ8,ξ9}中的缺失值进行处理;
步骤13:利用步骤12得到处理后完整的主变负载影响因素分析模型ψaf={ξ1af,ξ2af,ξ3af,ξ4af,ξ5af,ξ6af,ξ7af,ξ8af,ξ9af}进行归一化处理;
步骤14:计算步骤1中的主变负载数据信息RLO以及步骤13得到的归一化后得到的主变负载影响因素分析模型ψnorm的相关系数;
步骤15:对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子,记作第i台主变负载重要影响因素数据集θi;
步骤16:将步骤2-10的构建主变负载影响因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9内包含的所有评价因子进行分类,即分为计划性影响因素评价因子和非计划性影响因素评价因子。将计划性影响因素评价因子计入ψjh={ξ1jh,ξ2jh,ξ3jh,ξ4jh,ξ5jh,ξ6jh,ξ7jh,ξ8jh,ξ9jh},将非计划数据类影响因素评价因子计入ψfj={ξ1fj,ξ2fj,ξ3fj,ξ4fj,ξ5fj,ξ6fj,ξ7fj,ξ8fj,ξ9fj};
步骤17:结合步骤15得到的对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子,按照ψjh和ψfj进行计划性影响因素评价因子和非计划性影响因素评价因子分类,得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中计划性影响因素评价因子ψitjh,得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中非计划性影响因素评价因子ψitfj;
步骤18:将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中,计划性影响因素评价因子预测数据计入ψitjhyc;计划性影响因素评价因子预测数据ψitjhyc,即为计划性影响因素评价因子的计划数据;
步骤19:将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中,非计划性影响因素评价因子预测数据计入ψitfjyc;
步骤20:结合步骤18和19,获得预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc={ψitjhyc,ψitfjyc};
步骤21:结合步骤15得到的第i台主变负载重要影响因素数据集θi,利用DTW对主变负载影响因素分析模型进行聚类,聚类后得到第i台主变负载重要影响因素聚类数据集θijl;
步骤22:结合步骤21得到聚类后得到第i台主变负载重要影响因素聚类数据集θijl,训练LSTM主变负载预测模型;
步骤23:利用步骤20得到的预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc={ψitjhyc,ψitfjyc},带入LSTM主变负载预测模型,得到预测周期内的第i台主变负载预测值Pyci,即为预测在时间区间内的各时点的负载率的值β(t)。
负载相关因子的计算公式如下:
F=Πifi (4)
F为负载相关因子,为在主变负载率的基础上其它导致负载风险因素的因子fi的乘积;fi包括老化因子、告警因子、缺陷因子、历史重载、过载因子及过载修正因子。
后果严重度值C按照下式计算:
C=I*L (5)
式中,C为后果严重度值,I为设备重要性,L为损失程度;
划分风险等级,根据主变负载风险值的大小,将主变负载风险分为三级,高风险、中风险和低风险。
本发明的有益效果:与现有技术相比,本发明效果如下:
(1)全面收集主变负载影响因素,利用主变负载影响因素分析模型全面主变负载预测输入变量来提升主变负荷预测精度,以解决主变负荷预测精度受输入变量未完全涵盖数据特征的影响、训练得到的主变负荷预测模型精度低等问题;
(2)全面考虑主变负载特性,完全涵盖数据特征的影响,提高主变负荷预测精度。
(3)利用主变负载影响因素分析模型全面主变负载预测输入变量来提升主变负荷预测精度,根据强关联主变负载影响因素评价因子,获得主变负载重要影响因素数据集,并进行分类预测,得到主变负载影响因素评价因子预测值。利用DTW和LSTM的组合预测算法,应用DTW算法将相似负载率特性的主变负载率曲线进行聚类,将DTW聚类后的数据训练LSTM主变负载模型,主变负载影响因素评价因子预测值,作为主变负载预测模型的输入,预测主变负载值,以解决数据多为人工根据经验上报,数据随机性较强,准确率较低,使用这些数据会产生预测输入数据不准确导致主变负载预测准确率低的问题。
(4)基于主变负载预测结果,准确计算主变负载发生概率,提高风险评估准确性。
(5)通过风险概率和风险损失的精确计算,精准评估主变负载风险,确保运维单位风险管控措施的制定和执行精准度。
具体实施方式
下面结合具体的实施例对本发明进行进一步介绍。
实施例:一种基于主变负载状况的设备风险综合分析预警方法,该方法为:采用基于主变负载状况的设备风险综合分析预警***收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,将信息传送至主变负载综合分析预警***,电力***风险的概念:
风险一般定义为“能导致伤害的事件可能性和这种伤害的严重程度”。事故发生的概率可能性与事故后果的严重程度是风险的两个基本要素,其乘积就是风险指标。风险指标定量地描述了***的安全状态,用数学公式可表示为:
Risk=Probability×Severity
式中,Risk为事件的风险,Probability为风险事件发生的概率,Severitv为风险事件导致的后果严重性。
基于风险理论的电力***安全评估方法(risk based security assessment,RBSA)的发展始于1994年。它具有以下优点:可以对***的安全性和经济决策进行均衡分析;可以指示***状态;风险可以组合;风险可以累加;风险优先可以被包括在相应的决策制定中。IEEE标准100-192对电力***风险评估的概念做出了定义:“对电力***面临的不确定性因素,给出可能性与严重性的综合度量”。用数学公式表示为:
式中,Xt为t时刻***的运行状态;R(Xt)为***在Xt状态下的风险值;Ei为当前状态下***可能发生的第i个事故,i∈(0,NE);Xt+1为下一时刻***状态;P(Ei,Xt+1|Xt)为在Xt下Ei和Xt+1出现的概率;S(Im|Ei,Xt+1)为在Xt+1和Ei下***损失的严重度。
结合电力***风险评估理论,构建基于主变负载状况的风险评估模型,如下所示:
R=P*F*C (1)
F=Πifi (3)
式中:
R为主变负载风险值;
P为负载因子,为主变负载率在时间区间T上的积分,β(t)为预测在时间区间内的各时点的负载率的值;
F为负载相关因子,为在主变负载率的基础上其它导致负载风险因素的因子fi的乘积;fi包括老化因子、告警因子、缺陷因子、历史重载、过载因子及过载修正因子;C为主变负载风险导致的后果严重度值;
根据主变负载风险值的大小,将主变负载风险分为三级,高风险、中风险和低风险。
基于主变负载状况的设备风险综合分析预警***主要包括互联网***、气象信息监测***、电网调度运行管理***、电网调度能量管理***、设备缺陷管理***、设备资产管理***,厂站端后台监控***、保护及测控装置、信号采集回路,主变负载综合分析预警***。通过各***收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,将信息传送至主变负载综合分析预警***,构建主变负载影响因素评价数据库。其中各***收集数据信息情况如下:
互联网***,用于实现时间季节特性、关键日期情况,构建考虑典型时间的主变负载影响因素评价模型。包括考虑典型时间的主变负载影响因素评价模型包括长时间模型,短时间评价模型。其中长时间评价模型包括春季评价因子、夏季评价因子、秋季评价因子、冬季评价因子。短时间评价模型包括节日评价因子、双休日评价因子、工作日评价因子、特殊时期(如国庆、高考、重大会议等时期)保供电评价因子。
气象信息监测***,用于实现主变所在区域的气象信息收集工作,构建考虑气象信息的主变负载影响因素评价模型,包括主变所在区域的温度评价因子、湿度评价因子、大气压力评价因子、海拔高度评价因子、风速评价因子、风向评价因子、光照强度评价因子、净辐射量评价因子、降水量评价因子等。
电网调度运行管理***,用于实现收集主变所在变电站及有网络拓扑联系的相邻变电站、电厂的主设备检修停电计划,构建计划性停电评价模型包括该主变检修停电评价因子、主变所在变电站的其他主变检修停电评价因子、主变所在变电站母线检修停电评价因子、主变所在变电站出线检修停电评价因子、主变所在变电站的相邻变电站(主变、母线、出线)停电评价因子、主变所在变电站的相邻的发电厂(机组、主变、母线、出线)检修停电评价因子。
电网调度能量管理***、厂站端后台监控***、保护及测控装置、信号采集回路用于实现收集主变所在变电站及有网络拓扑联系的相邻变电站及电厂的继电保护及安全稳定自动装置动作信息,主设备数量、电厂装机容量等信息。构建临时性停电评价模型,包括主变所在变电站的所有断路器合位信号评价因子、主变所在变电站的保护装置动作信息评价因子、主变所在变电站的稳控装置动作信息评价因子、主变所在变电站的相邻变电站内所有断路器合位信号评价因子、主变所在变电站的相邻变电站内保护装置动作信息评价因子、主变所在变电站的相邻变电站内稳控装置动作信息评价因子。构建考虑电网拓扑结构的主变负载影响因素评价模型,包括主变所在变电站的运行主变数量评价模型,主变所在变电站的运行母线数量评价模型,主变所在变电站的运行出线数量评价模型,与主变所在变电站相邻的变电站数量评价模型,与主变所在变电站相邻的发电厂装机容量评价模型,与主变所在变电站相邻的储能装置容量评价模型。构建与主变所在变电站相邻的发电厂装机容量评价模型,包括火电厂装机容量评价因子、水电厂装机容量评价因子、风电场装机容量评价因子、光伏电站装机容量评价因子、燃气电站装机容量评价因子、垃圾电站装机容量评价因子、生物质装机容量评价因子。
设备缺陷管理***、厂站端后台监控***、保护及测控装置、信号采集回路,用于实现收集主变设备的紧急缺陷、重要缺陷、一般缺陷等。构建主变运行参数评价模型包括油温高告警信息评价因子、绕温高告警信息评价因子、轻瓦斯告警信息评价因子、油位低告警信息评价因子、主变状态评价结果评价因子、绕组缺陷信息评价因子、铁芯缺陷信息评价因子、箱壳缺陷信息评价因子、风冷控制***缺陷信息评价因子、变压器漏油缺陷信息评价因子等。
设备资产管理***,用于实现收集主变基本数据信息,构建主变本体参数评价模型包括主变容量评价因子、主变投运年限评价因子、主变老化评价因子。同时收集主变所在变电站主设备参数及信息,构建主变所在变电站的运行主变数量评价模型,包括单主变评价因子、双主变评价因子、三主变评价因子、四主变评价因子、五台及以上多主变评价因子。构建主变所在变电站的运行母线数量评价模型,包括高压侧母线数量评价因子、中压侧母线数量评价因子、低压侧母线数量评价因子。构建主变所在变电站的运行出线数量评价模型,包括高压侧出线数量评价因子、中压侧出线数量评价因子、低压侧出线数量评价因子。
预测在时间区间内的各时点的负载率的值β(t)由以下步骤取得:
步骤1:收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,构建主变负载影响因素评价数据库。
步骤2:利用步骤1得到的主变负载影响因素评价数据库,建立考虑典型时间的主变负载影响因素评价模型ξ1。
其中,考虑典型时间的主变负载影响因素评价模型ξ1包括长时间模型ξ11,短时间评价模型ξ12。
长时间评价模型ξ11包括春季评价因子、夏季评价因子、秋季评价因子、冬季评价因子。
短时间评价模型ξ12包括节日评价因子、双休日评价因子、工作日评价因子、特殊时期(如国庆、高考、重大会议等时期)保供电评价因子。
步骤3:利用步骤1得到的主变负载影响因素评价数据库,建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2。
其中,建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2包括主变所在变电站的运行主变数量评价模型ξ21,主变所在变电站的运行母线数量评价模型ξ22,主变所在变电站的运行出线数量评价模型ξ23,与主变所在变电站相邻的变电站数量评价模型ξ24,与主变所在变电站相邻的发电厂装机容量评价模型ξ25,与主变所在变电站相邻的储能装置容量评价模型ξ26。
主变所在变电站的运行主变数量评价模型ξ21包括单主变评价因子、双主变评价因子、三主变评价因子、四主变评价因子、五台及以上多主变评价因子。
主变所在变电站的运行母线数量评价模型ξ22包括高压侧母线数量评价因子、中压侧母线数量评价因子、低压侧母线数量评价因子。
主变所在变电站的运行出线数量评价模型ξ23包括高压侧出线数量评价因子、中压侧出线数量评价因子、低压侧出线数量评价因子。
与主变所在变电站相邻的发电厂装机容量评价模型ξ25包括火电厂装机容量评价因子、水电厂装机容量评价因子、风电场装机容量评价因子、光伏电站装机容量评价因子、燃气电站装机容量评价因子、垃圾电站装机容量评价因子、生物质装机容量评价因子。
步骤4:利用步骤1得到的主变负载影响因素评价数据库,建立考虑停电计划的主变负载影响因素评价模型ξ3。
其中,建立考虑停电计划的主变负载影响因素评价模型ξ3包括计划性停电评价模型ξ31,临时性停电评价模型ξ32。
计划性停电评价模型ξ31包括该主变检修停电评价因子、主变所在变电站的其他主变检修停电评价因子、主变所在变电站母线检修停电评价因子、主变所在变电站出线检修停电评价因子、主变所在变电站的相邻变电站(主变、母线、出线)停电评价因子、主变所在变电站的相邻的发电厂(机组、主变、母线、出线)检修停电评价因子。
临时性停电评价模型ξ32包括主变所在变电站的所有断路器合位信号评价因子、主变所在变电站的保护装置动作信息评价因子、主变所在变电站的稳控装置动作信息评价因子、主变所在变电站的相邻变电站内所有断路器合位信号评价因子、主变所在变电站的相邻变电站内保护装置动作信息评价因子、主变所在变电站的相邻变电站内稳控装置动作信息评价因子。
步骤5:利用步骤1得到的主变负载影响因素评价数据库,建立考虑主变参数的主变负载影响因素评价模型ξ4。
其中,建立考虑主变参数的主变负载影响因素评价模型ξ4包括主变本体参数评价模型ξ41和主变运行参数评价模型ξ42。
主变本体参数评价模型ξ41包括主变容量评价因子、主变投运年限评价因子、主变老化评价因子。
主变运行参数评价模型ξ42包括油温高告警信息评价因子、绕温高告警信息评价因子、轻瓦斯告警信息评价因子、油位低告警信息评价因子、主变状态评价结果评价因子、绕组缺陷信息评价因子、铁芯缺陷信息评价因子、箱壳缺陷信息评价因子、风冷控制***缺陷信息评价因子、变压器漏油缺陷信息评价因子等。
步骤6:利用步骤1得到的主变负载影响因素评价数据库,建立考虑气象信息的主变负载影响因素评价模型ξ5。
建立考虑气象信息的主变负载影响因素评价模型ξ5,包括主变所在区域的温度评价因子、湿度评价因子、大气压力评价因子、海拔高度评价因子、风速评价因子、风向评价因子、光照强度评价因子、净辐射量评价因子、降水量评价因子等。
步骤7:利用步骤1得到的主变负载影响因素评价数据库,分析主变的过载特性,建立考虑主变过载特性的主变负载影响因素评价模型ξ6。
其中,考虑主变过载特性的主变负载影响因素评价模型ξ6包括过载总时长评价因子、过载次数评价因子、过载单次最大时长评价因子、过载负荷上网特性评价因子、过载负荷下网特性评价因子、同站多主变同时过载总时长评价因子、同站多主变同时过载次数评价因子、同站多主变同时过载单次最大时长评价因子、过载主变供电区域面积评价因子。
步骤8:利用步骤1得到的主变负载影响因素评价数据库,分析主变的重载特性,建立考虑主变重载特性的主变负载影响因素评价模型ξ7。
其中,考虑主变重载特性的主变负载影响因素评价模型ξ7包括重载总时长评价因子、重载次数评价因子、单次重载最大时长评价因子、重载负荷上网特性评价因子、重载负荷下网特性评价因子、同站多主变同时重载总时长评价因子、同站多主变同时重载次数评价因子、同站多主变同时重载单次最大时长评价因子、重载主变供电区域面积评价因子。
步骤9:利用步骤1得到的主变负载影响因素评价数据库,分析主变的负荷特性,建立考虑主变负荷特性的主变负载影响因素评价模型ξ8。
其中,考虑主变负荷特性的主变负载影响因素评价模型ξ8包括主变所带一级负荷评价因子、二级负荷评价因子、三级负荷评价因子、工业负荷评价因子、农业负荷评价因子、居民负荷评价因子、交通运输负荷评价因子。
步骤10:利用步骤1得到的主变负载影响因素评价数据库,分析主变的季节特性,建立考虑季节特性的主变负载影响因素评价模型ξ9。
其中,考虑季节特性的主变负载影响因素评价模型ξ9包括夏季过载评价因子、夏季重载评价因子、冬季过载评价因子、冬季重载评价因子。
步骤11:结合步骤2-10,构建主变负载影响因素分析模型ψ={ξ1,ξ2,ξ3,ξ4,ξ5,ξ6,ξ7,ξ8,ξ9}。
步骤12:对主变负载影响因素分析模型ψ={ξ1,ξ2,ξ3,ξ4,ξ5,ξ6,ξ7,ξ8,ξ9}中的缺失值进行处理,主要方法如下:
(1)对于需要填充数据分析模型中第η个评价因子ψη,根据给定的距离度量Γ,找到样本空间中距离它最接近的k个样本,并记下这k个样本和它的距离d1,d2,...,dk;选择的距离度量Γ为欧式距离,两个g维向量Xi=(Xi1,Xi2,...,Xig)与Xj=(Xji,Xj2,...,Xjg)间的欧式距离为:
(2)根据距离值计算这k个最近样本的加权平均数来作为填充数据ψη,填充数据ψη和k个最近样本的关系如下:
其中,Wi是第i个样本的权重值:
(3)处理后得到完整的主变负载影响因素分析模型ψaf={ξ1af,ξ2af,ξ3af,ξ4af,ξ5af,ξ6af,ξ7af,ξ8af,ξ9af}。
步骤13:利用步骤12得到处理后完整的主变负载影响因素分析模型ψaf={ξ1af,ξ2af,ξ3af,ξ4af,ξ5af,ξ6af,ξ7af,ξ8af,ξ9af}进行归一化处理。
通过线性变换公式把原始数据缩放到[0,1]的范围内,归一化后得到的主变负载影响因素分析模型ψnorm计算公式如下:
其中,ψaf表示原始的数据序列,ψafmin表示原始数据中的最小值,ψafmax表示原始数据中的最大值。
步骤14:计算步骤1中的主变负载数据信息RLO以及步骤13得到的归一化后得到的主变负载影响因素分析模型ψnorm的相关系数。
第i台主变负载和影响因素分析模型的两两之间的相关系数计算公式如下:
相关系数r取值区间为[-1,1],-1表示完全负相关,+1表示完全正相关,0表示线性不相关。
步骤15:对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子,记作第i台主变负载重要影响因素数据集θi;
步骤16:将步骤2-10的构建主变负载影响因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9内包含的所有评价因子进行分类。
分计划性影响因素评价因子和非计划性影响因素评价因子。将计划性影响因素评价因子计入ψjh={ξ1jh,ξ2jh,ξ3jh,ξ4jh,ξ5jh,ξ6jh,ξ7jh,ξ8jh,ξ9jh},将非计划数据类影响因素评价因子计入ψfj={ξ1fj,ξ2fj,ξ3fj,ξ4fj,ξ5fj,ξ6fj,ξ7fj,ξ8fj,ξ9fj}。
步骤17:结合步骤15得到的对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子,按照ψjh和ψfj进行计划性影响因素评价因子和非计划性影响因素评价因子分类。
其中得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中计划性影响因素评价因子ψitjh,得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中非计划性影响因素评价因子ψitfj。
步骤18:将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中,计划性影响因素评价因子预测数据计入ψitjhyc。
计划性影响因素评价因子预测数据ψitjhyc,即为计划性影响因素评价因子的计划数据。
步骤19:将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中,非计划性影响因素评价因子预测数据计入ψitfjyc。
其中,非计划性影响因素评价因子预测数据计入ψitfjyc计算方法为:
步骤19.1:利用步骤2-步骤10中属于非计划性影响因素评价因子的历史信息作为训练样本;
步骤19.2:构建非计划性影响因素评价因子的SVM预测模型。
假定训练数据集为(xi,yi)(i=1,2,...,n),n为样本总数。其中,xi∈Rd,yi∈{-1,1}是分类标号。d维空间中分类面可以表示为ω·x+b=0,其分类间隔表示成。SVM在线性可分时是选择大间隔因子来达到其训练学***面的过程之中,此类分类超平面能够确保其总是具有最大分类间隔,可以得到唯一最优解。然而在现实生活中的大部分应用中往往处于非线性不可分情况下,SVM是将输入量通过已知的某一非线性映射转换到另一高维空间,即把原有的特征空间通过某一方式变换为新的特征空间,在此期间,通过引入松弛因子来降低经验因素造成的错误影响,同时进行惩罚因子C可以使其在错分的情况下调整错分的惩罚程度,使其在错误率与复杂程度之间找到最为合适的数据位置,这其实是一个转化为核函数K(x,xi)运算的问题。
步骤19.3利用步骤19.1历史数据作为训练样本集训练SVM模型,并输出第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中,非计划性影响因素评价因子预测数据ψitfjyc。
步骤20:结合步骤18和19,获得预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc={ψitjhyc,ψitfjyc};
步骤21:结合步骤15得到的第i台主变负载重要影响因素数据集θi,利用DTW对主变负载影响因素分析模型进行聚类,聚类后得到第i台主变负载重要影响因素聚类数据集θijl。
其中,DTW对主变负载影响因素分析模型进行聚类,主要思路如下:
DTW不受序列长度是否一致的限制,因此对于持续时间不定、采样频率或者采样点数不同的故障序列辨识有其独特的优势。通过对构建距离矩阵进行动态规整,找到累积距离最小的路径(最优路径),并利用其距离度量作为判据完成序列相似度匹配。
通过对构建距离矩阵进行动态规整,找到累积距离最小的路径(最优路径),并利用其距离度量作为判据完成序列相似度匹配:定义两条长度分别为p和q的一维时间序列为X=x1,x2…,xp和Y=y1,y2…,yq,构造一个p行q列的距离矩阵A为:
其中,K表示最优规整路径的长度;wi为最优规整路径中的第i个元素;DTW(X,Y)表示时间序列X与Y的规整距离(DTW距离);
规整路径W需满足如下约束条件:1)有界性:max(p,q)≤K≤p+q-1;2)边界性:w1=a11和wK=apq,分别用来表示W的起点和终点;3)连续性:对于wk=aij,其相邻元素wk-1=ai’j(满足i-i’≤1,j-j’≤1);4)单调性:i-i’≥0,j-j’≥0;
由规整的距离函数与路径约束条件可知,计算DTW距离的递归算法为:
式中的D(i,j)为路径元素aij与之前段规整距离的最小累计值之和。
步骤22:结合步骤21得到聚类后得到第i台主变负载重要影响因素聚类数据集θijl,训练LSTM主变负载预测模型。
其中LSTM主变负载预测模型训练,主要思路如下:
LSTM(long short term memory network)是一种RNN(recurrent neuralnetwork)的改进模型,解决了RNN的梯度消失和***问题,使网络能够有效地处理长期时间序列数据,已应用于电力负载预测,所得误差明显低于其他方法,极大地提升了电力负载预测精度。LSTM在RNN的基础上增加了3个门的逻辑控制单元:输入门、遗忘门和输入门。通过门单元的逻辑控制决定数据是否更新或选择丢弃,克服了RNN权重影响过大、容易产生梯度消失和***的缺点,使网络可以更好、更快地收敛,能够有效提高电力负载预测精度。
遗忘门:ft=σ(Wf[ht-1,xt]+bf)
其中,Wf是遗忘门的权重矩阵;[ht-1,xt]表示将两个向量连接成一个更长的向量;bf是遗忘门的偏置项;σ是sigmoid函数;
输入门:it=σ(Wi[ht-1,xt]+bi);
其中,Wi是输入门的权重矩阵;bi是输入门的偏置项。
单元:其中,计算当前时刻的单元状态ct;它是上一次的单元状态ct-1按元素乘以遗忘门ft,再用当前输入的单元状态按元素乘以输入门it,再将两个积加和产生;把LSTM关于当前的记忆和长期的记忆ct-1组合在一起,形成了新的单元状态ct;由于遗忘门的控制,它可以保存较为久远的信息,通过输入门的控制,可以保证丢弃一些当前无关紧要的内容;
计算输出门输出:ot=σ(Wo[ht-1,xt]+bo)
最终得到LSTM输出:ht=ot⊙tanh(ct)。
步骤23:利用步骤20得到的预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc={ψitjhyc,ψitfjyc},带入LSTM主变负载预测模型,得到预测周期内的第i台主变负载预测值Pyci,即为预测在时间区间内的各时点的负载率的值β(t)。
综合考虑到了考虑主变负载特性等因素,全面考虑主变负载特性有效避免主变负荷预测精度受输入变量未完全涵盖数据特征的影响,并构建对应的模型,大大提升主变负荷预测精度,并且采用相关系数法分析影响因素,获得主变负载重要影响因素数据集,降低全网主变计算时会产生计算量,提高计算效率,对主变负载影响因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9内包含的所有评价因子进行分类,分类后并对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子,按照ψjh和ψfj进行计划性影响因素评价因子和非计划性影响因素评价因子分类形成评价因子预测数据,采用预测数据输入SVM预测模型,获得精确的数据,使得预测输入数据更精确,主变负载预测准确率也更高,利用DTW和LSTM的组合预测算法,应用DTW算法将相似负载率特性的主变负载率曲线进行聚类,将DTW聚类后的数据训练LSTM主变负载模型,以提高主变负载预测精度,以解决现有技术中利用预测期间主变负载重要影响因素数据集作为主变负载预测模型输入数据时,这些数据多为人工根据经验上报,数据随机性较强,准确率较低,使用这些数据会产生预测输入数据不准确导致主变负载预测准确率低的问题。
负载相关因子F为负载风险因素的因子fi的乘积;负载相关因子的计算公式如下:
F=Πifi
式中,fi包括老化因子f1、告警因子f2、缺陷因子f3、历史重载过载因子f5及过载修正因子f6,这些因子的增减及取值根据重要性和历史数据进行修正。
其中,老化因子f1为通过主变设备投运年限变换计算得到的值。
基于投运年限的老化因子取值表
告警因子f2为告警因子为影响主变负载风险的告警因子,包括油色谱、油温和绕温;基于四比值法的油色谱分析方法分析得到编码组合,根据编码组合得到油色谱告警因子取值;根据变压器油温和绕温设定油温和绕温的告警因子值。
基于四比值法的油色谱分析方法
基于油色谱的告警因子取值表
基于油温和绕温的告警因子取值表
缺陷因子f3为主变发生缺陷类型对应得影响因子值。
基于缺陷类型的缺陷因子取值表
历史重载过载因子f4为主变历史发生重载、过载对应得影响因子值。
历史重载过载因子取值表
过载修正因子f5为设定一个过载时间区间阈值为5分钟,当过载时间大于5分钟时负载因子不需要修正,当过载时间小于5分钟时,通过过载修正因子取值表的过载修正因子进行修正。
过载修正因子取值表
过载程度 | 过载修正因子/fm |
负载率小于120% | 1 |
负载率大于等于120%小于150% | 1.3 |
负载率大于等于150% | 1.5 |
后果严重度值C按照下式计算:
C=I*L (5)
式中,C为后果严重度值,I为设备重要性,L为损失程度;
根据后果严重度值评估主变负载风险引起的后果严重程度。
设备重要性按下式计算:
式中:
i=1,2,3(1:设备价值,2:负荷等级,3:设备地位);
WIi为设备重要性因素的权重(1:设备价值,取3;2:负荷等级,取3;3:设备地位,取4);
Ii为某个重要性因素;
I为设备重要性;
1)设备价值,即重要性I1
设备价值反映的是设备固有成本以及损坏后的维修或更换成本;根据设备的成本Pm,设备价值计算结果如下:
I1=10Pm
式中:
Pm为设备成本,单位:万元;
2)负荷等级,即重要性I2
负荷等级的取值参考见下表:
表1 负荷等级取值参考表
负荷等级 | 取值范围I<sub>2</sub> |
特级负荷 | 10000 |
一级负荷 | 550 |
二级负荷 | 60 |
三级负荷 | 10 |
根据设备所在变电站所供负荷对国民经济和社会发展的重要程度,将负荷等级划分为特级、一级、二级和三级,在保供电期间;
3)设备地位,即重要性I3
设备地位的取值参考表如下:
表2 设备地位取值参考表
设备地位 | 取值范围I<sub>3</sub> |
关键设备 | 10000 |
重要设备 | 500 |
一般设备 | 250 |
设备地位根据设备的重要度划分,可分为关键设备、重要设备和一般设备。根据各供电局所辖电网的运行方式每年动态确定;
损失程度为每一个因素造成的损失程度的加权之和,损失程度按下式计算:
式中:
j=1,2,3(1:设备成本,2:人身安全,3:电力安全);
L表示损失程度;
WLj表示损失程度权重,1-设备成本,取0.2;2-人身安全,取0.5;3-电力安全,取0.3;
Lj为某一因素的损失程度;
某一损失因素的损失程度Lj按下式计算:
式中:
j=1,2,3表示损失因素(1:设备成本,2:人身安全,3:电力安全);
k=1,2,3…12表示设备成本、人身安全和电力安全损失因素的损失等级,共12级;
IOFjk表示某一等级下损失因素的损失值;
POFjk表示某一等级下损失因素发生的概率;
Lj表示某一因素的损失程度;损失因素损失值IOF(Index of Failure);损失因素的损失值安装设定表值选取。
损失因素的损失等级和取值范围表
划分风险等级,根据主变负载风险值的大小,将主变负载风险分为三级,高风险、中风险和低风险。
主变负载风险级别划分
风险级别分类 | 高风险 | 中风险 | 低风险 |
风险值 | R≥100 | 50≤R<100 | R<50 |
描述 | 不期望发生,需要立即采取纠正措施 | 可接收,需要关注其变化趋势 | 正常 |
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内,因此,本发明的保护范围应以所述权利要求的保护范围为准。
Claims (10)
1.一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:该方法为:采用基于主变负载状况的设备风险综合分析预警***收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,将信息传送至主变负载综合分析预警***,结合电力***风险评估理论,构建基于主变负载状况的风险评估模型,如下所示:
R=P*F*C (1)
P=∫t t+Tβ(t)dt (2)
F=Πifi (3)
式中:
R为主变负载风险值;
P为负载因子,为主变负载率在时间区间T上的积分,β(t)为预测在时间区间内的各时点的负载率的值;
F为负载相关因子,为在主变负载率的基础上其它导致负载风险因素的因子fi的乘积;fi包括老化因子、告警因子、缺陷因子、历史重载、过载因子及过载修正因子;C为主变负载风险导致的后果严重度值;
根据主变负载风险值的大小,将主变负载风险分为三级,高风险、中风险和低风险。
2.根据权利要求1所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:基于主变负载状况的设备风险综合分析预警***包括主变负载综合分析预警***和与其连接的互联网***、气象信息监测***、电网调度运行管理***、电网调度能量管理***、设备缺陷管理***和设备资产管理***、电网调度能量管理***和设备缺陷管理***均依次连接到厂站端后台监控***、保护及测控装置和信号采集回路,互联网***用于实现时间季节特性、关键日期情况,构建考虑典型时间的主变负载影响因素评价模型;气象信息监测***用于实现主变所在区域的气象信息收集工作,构建考虑气象信息的主变负载影响因素评价模型;电网调度运行管理***,用于实现收集主变所在变电站及有网络拓扑联系的相邻变电站、电厂的主设备检修停电计划,构建计划性停电评价模型;电网调度能量管理***用于实现收集主变所在变电站及有网络拓扑联系的相邻变电站及电厂的继电保护及安全稳定自动装置动作信息,主设备数量、电厂装机容量的信息,构建临时性停电评价模型、考虑电网拓扑结构的主变负载影响因素评价模型和与主变所在变电站相邻的发电厂装机容量评价模型;设备缺陷管理***,用于实现收集主变设备的紧急缺陷、重要缺陷、一般缺陷;构建主变运行参数评价模型;设备资产管理***,用于实现收集主变基本数据信息,构建主变本体参数评价模型、主变所在变电站的运行主变数量评价模型、主变所在变电站的运行母线数量评价模型和主变所在变电站的运行出线数量评价模型;通过各***收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,将信息传送至主变负载综合分析预警***,构建主变负载影响因素评价数据库。
3.根据权利要求2所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:考虑典型时间的主变负载影响因素评价模型包括考虑典型时间的主变负载影响因素评价模型包括长时间模型,短时间评价模型,其中,长时间评价模型包括春季评价因子、夏季评价因子、秋季评价因子、冬季评价因子;短时间评价模型包括节日评价因子、双休日评价因子、工作日评价因子、特殊时期保供电评价因子;考虑气象信息的主变负载影响因素评价模型包括主变所在区域的温度评价因子、湿度评价因子、大气压力评价因子、海拔高度评价因子、风速评价因子、风向评价因子、光照强度评价因子、净辐射量评价因子、降水量评价因子;计划性停电评价模型包括该主变检修停电评价因子、主变所在变电站的其他主变检修停电评价因子、主变所在变电站母线检修停电评价因子、主变所在变电站出线检修停电评价因子、主变所在变电站的相邻变电站停电评价因子、主变所在变电站的相邻的发电厂检修停电评价因子;临时性停电评价模型,包括主变所在变电站的所有断路器合位信号评价因子、主变所在变电站的保护装置动作信息评价因子、主变所在变电站的稳控装置动作信息评价因子、主变所在变电站的相邻变电站内所有断路器合位信号评价因子、主变所在变电站的相邻变电站内保护装置动作信息评价因子、主变所在变电站的相邻变电站内稳控装置动作信息评价因子。
4.根据权利要求2所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:考虑电网拓扑结构的主变负载影响因素评价模型包括主变所在变电站的运行主变数量评价模型、主变所在变电站的运行母线数量评价模型、主变所在变电站的运行出线数量评价模型、与主变所在变电站相邻的变电站数量评价模型、与主变所在变电站相邻的发电厂装机容量评价模型、与主变所在变电站相邻的储能装置容量评价模型;与主变所在变电站相邻的发电厂装机容量评价模型包括火电厂装机容量评价因子、水电厂装机容量评价因子、风电场装机容量评价因子、光伏电站装机容量评价因子、燃气电站装机容量评价因子、垃圾电站装机容量评价因子、生物质装机容量评价因子;主变运行参数评价模型包括油温高告警信息评价因子、绕温高告警信息评价因子、轻瓦斯告警信息评价因子、油位低告警信息评价因子、主变状态评价结果评价因子、绕组缺陷信息评价因子、铁芯缺陷信息评价因子、箱壳缺陷信息评价因子、风冷控制***缺陷信息评价因子、变压器漏油缺陷信息评价因子;主变本体参数评价模型包括主变容量评价因子、主变投运年限评价因子、主变老化评价因子,同时收集主变所在变电站主设备参数及信息,构建的主变所在变电站的运行主变数量评价模型包括单主变评价因子、双主变评价因子、三主变评价因子、四主变评价因子、五台及以上多主变评价因子;构建的主变所在变电站的运行母线数量评价模型包括高压侧母线数量评价因子、中压侧母线数量评价因子、低压侧母线数量评价因子;构建的主变所在变电站的运行出线数量评价模型,包括高压侧出线数量评价因子、中压侧出线数量评价因子、低压侧出线数量评价因子。
5.根据权利要求1所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:预测在时间区间内的各时点的负载率的值β(t)由以下步骤得到:
步骤1:收集主变负载数据信息以及全面分析主变负载特性有关的数据信息,构建主变负载影响因素评价数据库;
步骤2:利用步骤1得到的主变负载影响因素评价数据库,建立考虑典型时间的主变负载影响因素评价模型ξ1;
步骤3:利用步骤1得到的主变负载影响因素评价数据库,建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2;
步骤4:利用步骤1得到的主变负载影响因素评价数据库,建立考虑停电计划的主变负载影响因素评价模型ξ3;
步骤5:利用步骤1得到的主变负载影响因素评价数据库,建立考虑主变参数的主变负载影响因素评价模型ξ4;
步骤6利用步骤1得到的主变负载影响因素评价数据库,建立考虑气象信息的主变负载影响因素评价模型ξ5;
步骤7:利用步骤1得到的主变负载影响因素评价数据库,分析主变的过载特性,建立考虑主变过载特性的主变负载影响因素评价模型ξ6;
步骤8:利用步骤1得到的主变负载影响因素评价数据库,分析主变的重载特性,建立考虑主变重载特性的主变负载影响因素评价模型ξ7;
步骤9:利用步骤1得到的主变负载影响因素评价数据库,分析主变的负荷特性,建立考虑主变负荷特性的主变负载影响因素评价模型ξ8;
步骤10:利用步骤1得到的主变负载影响因素评价数据库,分析主变的季节特性,建立考虑季节特性的主变负载影响因素评价模型ξ9;
步骤11:结合步骤2-10,构建主变负载影响因素分析模型ψ={ξ1,ξ2,ξ3,ξ4,ξ5,ξ6,ξ7,ξ8,ξ9};
步骤12:对主变负载影响因素分析模型ψ={ξ1,ξ2,ξ3,ξ4,ξ5,ξ6,ξ7,ξ8,ξ9}中的缺失值进行处理;
步骤13:利用步骤12得到处理后完整的主变负载影响因素分析模型ψaf={ξ1af,ξ2af,ξ3af,ξ4af,ξ5af,ξ6af,ξ7af,ξ8af,ξ9af}进行归一化处理;
步骤14:计算步骤1中的主变负载数据信息RLO以及步骤13得到的归一化后得到的主变负载影响因素分析模型ψnorm的相关系数;
步骤15:对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子,记作第i台主变负载重要影响因素数据集θi;
步骤16:将步骤2-10的构建主变负载影响因素分析模型ξ1、ξ2、ξ3、ξ4、ξ5、ξ6、ξ7、ξ8、ξ9内包含的所有评价因子进行分类,即分为计划性影响因素评价因子和非计划性影响因素评价因子。将计划性影响因素评价因子计入ψjh={ξ1jh,ξ2jh,ξ3jh,ξ4jh,ξ5jh,ξ6jh,ξ7jh,ξ8jh,ξ9jh},将非计划数据类影响因素评价因子计入ψfj={ξ1fj,ξ2fj,ξ3fj,ξ4fj,ξ5fj,ξ6fj,ξ7fj,ξ8fj,ξ9fj};
步骤17:结合步骤15得到的对第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子,按照ψjh和ψfj进行计划性影响因素评价因子和非计划性影响因素评价因子分类,得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中计划性影响因素评价因子ψitjh,得到的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中非计划性影响因素评价因子ψitfj;
步骤18:将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中,计划性影响因素评价因子预测数据计入ψitjhyc;计划性影响因素评价因子预测数据ψitjhyc,即为计划性影响因素评价因子的计划数据;
步骤19:将预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中,非计划性影响因素评价因子预测数据计入ψitfjyc;
步骤20:结合步骤18和19,获得预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc={ψitjhyc,ψitfjyc};
步骤21:结合步骤15得到的第i台主变负载重要影响因素数据集θi,利用DTW对主变负载影响因素分析模型进行聚类,聚类后得到第i台主变负载重要影响因素聚类数据集θijl;
步骤22:结合步骤21得到聚类后得到第i台主变负载重要影响因素聚类数据集θij1,训练LSTM主变负载预测模型;
步骤23:利用步骤20得到的预测周期内的第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子预测值ψityc={ψitjhyc,ψitfjyc},带入LSTM主变负载预测模型,得到预测周期内的第i台主变负载预测值Pyci,即为预测在时间区间内的各时点的负载率的值β(t)。
6.根据权利要求5所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:步骤2中考虑典型时间的主变负载影响因素评价模型ξ1包括长时间模型ξ11和短时间评价模型ξ12;
其中,长时间评价模型ξ11包括春季评价因子、夏季评价因子、秋季评价因子、冬季评价因子;
短时间评价模型ξ12包括节日评价因子、双休日评价因子、工作日评价因子、特殊时期保供电评价因子;
步骤3中,建立考虑电网拓扑结构的主变负载影响因素评价模型ξ2包括主变所在变电站的运行主变数量评价模型ξ21,主变所在变电站的运行母线数量评价模型ξ22,主变所在变电站的运行出线数量评价模型ξ23,与主变所在变电站相邻的变电站数量评价模型ξ24,与主变所在变电站相邻的发电厂装机容量评价模型ξ25,与主变所在变电站相邻的储能装置容量评价模型ξ26;
主变所在变电站的运行主变数量评价模型ξ21包括单主变评价因子、双主变评价因子、三主变评价因子、四主变评价因子、五台及以上多主变评价因子;
主变所在变电站的运行母线数量评价模型ξ22包括高压侧母线数量评价因子、中压侧母线数量评价因子、低压侧母线数量评价因子;
主变所在变电站的运行出线数量评价模型ξ23包括高压侧出线数量评价因子、中压侧出线数量评价因子、低压侧出线数量评价因子;
与主变所在变电站相邻的发电厂装机容量评价模型ξ25包括火电厂装机容量评价因子、水电厂装机容量评价因子、风电场装机容量评价因子、光伏电站装机容量评价因子、燃气电站装机容量评价因子、垃圾电站装机容量评价因子、生物质装机容量评价因子。
步骤4中建立考虑停电计划的主变负载影响因素评价模型ξ3包括计划性停电评价模型ξ31,临时性停电评价模型ξ32;
计划性停电评价模型ξ31包括该主变检修停电评价因子、主变所在变电站的其他主变检修停电评价因子、主变所在变电站母线检修停电评价因子、主变所在变电站出线检修停电评价因子、主变所在变电站的相邻变电站停电评价因子、主变所在变电站的相邻的发电厂检修停电评价因子;
临时性停电评价模型ξ32包括主变所在变电站的所有断路器合位信号评价因子、主变所在变电站的保护装置动作信息评价因子、主变所在变电站的稳控装置动作信息评价因子、主变所在变电站的相邻变电站内所有断路器合位信号评价因子、主变所在变电站的相邻变电站内保护装置动作信息评价因子、主变所在变电站的相邻变电站内稳控装置动作信息评价因子。
步骤5中,建立考虑主变参数的主变负载影响因素评价模型ξ4包括主变本体参数评价模型ξ41和主变运行参数评价模型ξ42;
主变本体参数评价模型ξ41包括主变容量评价因子、主变投运年限评价因子、主变老化评价因子;
主变运行参数评价模型ξ42包括油温高告警信息评价因子、绕温高告警信息评价因子、轻瓦斯告警信息评价因子、油位低告警信息评价因子、主变状态评价结果评价因子、绕组缺陷信息评价因子、铁芯缺陷信息评价因子、箱壳缺陷信息评价因子、风冷控制***缺陷信息评价因子和变压器漏油缺陷信息评价因子;
步骤6中,建立考虑气象信息的主变负载影响因素评价模型ξ5包括主变所在区域的温度评价因子、湿度评价因子、大气压力评价因子、海拔高度评价因子、风速评价因子、风向评价因子、光照强度评价因子、净辐射量评价因子、降水量评价因子;
步骤7中,考虑主变过载特性的主变负载影响因素评价模型ξ6包括过载总时长评价因子、过载次数评价因子、过载单次最大时长评价因子、过载负荷上网特性评价因子、过载负荷下网特性评价因子、同站多主变同时过载总时长评价因子、同站多主变同时过载次数评价因子、同站多主变同时过载单次最大时长评价因子、过载主变供电区域面积评价因子;步骤8中,考虑主变重载特性的主变负载影响因素评价模型ξ7包括重载总时长评价因子、重载次数评价因子、单次重载最大时长评价因子、重载负荷上网特性评价因子、重载负荷下网特性评价因子、同站多主变同时重载总时长评价因子、同站多主变同时重载次数评价因子、同站多主变同时重载单次最大时长评价因子、重载主变供电区域面积评价因子;步骤9中,考虑主变负荷特性的主变负载影响因素评价模型ξ8包括主变所带一级负荷评价因子、二级负荷评价因子、三级负荷评价因子、工业负荷评价因子、农业负荷评价因子、居民负荷评价因子、交通运输负荷评价因子,步骤10中,考虑季节特性的主变负载影响因素评价模型ξ9包括夏季过载评价因子、夏季重载评价因子、冬季过载评价因子、冬季重载评价因子。
7.根据权利要求5所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:步骤12中,缺失值进行处理方法如下:
(1)对于需要填充数据分析模型中第η个评价因子ψη,根据给定的距离度量Γ,找到样本空间中距离它最接近的k个样本,并记下这k个样本和它的距离d1,d2,...,dk;选择的距离度量Γ为欧式距离,两个g维向量Xi=(Xi1,Xi2,...,Xig)与Xj=(Xji,Xj2,...,Xjg)间的欧式距离为:
(2)根据距离值计算这k个最近样本的加权平均数来作为填充数据ψη,填充数据ψη和k个最近样本的关系如下:
其中,Wi是第i个样本的权重值:
(3)处理后得到完整的主变负载影响因素分析模型ψaf={ξ1af,ξ2af,ξ3af,ξ4af,ξ5af};
步骤13中,归一化处理方法为:通过线性变换公式把原始数据缩放到[0,1]的范围内,归一化后得到的主变负载影响因素分析模型ψnorm计算公式如下:
其中,ψaf表示原始的数据序列,ψafmin表示原始数据中的最小值,ψafmax表示原始数据中的最大值;
步骤14中,第i台主变负载和影响因素分析模型的两两之间的相关系数计算公式如下:
相关系数r取值区间为[-1,1],-1表示完全负相关,+1表示完全正相关,0表示线性不相关;
步骤19中非计划性影响因素评价因子预测数据计入Ψitfjyc计算方法为:
步骤19.1:利用步骤2-步骤10中属于非计划性影响因素评价因子的历史信息作为训练样本;
步骤19.2:构建非计划性影响因素评价因子的SVM预测模型;
假定训练数据集为(xi,yi)(i=1,2,...,n),n为样本总数;其中,xi∈Rd,yi∈{-1,1}是分类标号;d维空间中分类面可以表示为ω·x+b=0,其分类间隔表示成;SVM在线性可分时是选择大间隔因子来达到其训练学***面的过程之中,此类分类超平面能够确保其总是具有最大分类间隔,得到唯一最优解;然而在现实生活中的大部分应用中往往处于非线性不可分情况下,SVM是将输入量通过已知的某一非线性映射转换到另一高维空间,即把原有的特征空间通过某一方式变换为新的特征空间,在此期间,通过引入松弛因子来降低经验因素造成的错误影响,同时进行惩罚因子C使其在错分的情况下调整错分的惩罚程度,使其在错误率与复杂程度之间找到最为合适的数据位置,这其实是一个转化为核函数K(x,xi)运算的问题;
步骤19.3利用步骤19.1历史数据作为训练样本集训练SVM模型,并输出第i台主变负载相关系数ri中排名前10的强关联主变负载影响因素评价因子中,非计划性影响因素评价因子预测数据ψitfjyc。
8.根据权利要求5所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:步骤22中DTW对主变负载影响因素分析模型进行聚类方法如下:
通过对构建距离矩阵进行动态规整,找到累积距离最小的路径,并利用其距离度量作为判据完成序列相似度匹配:定义两条长度分别为p和q的一维时间序列为X=x1,x2…,xp和Y=y1,y2…,yq,构造一个p行q列的距离矩阵A为:
其中,K表示最优规整路径的长度;wi为最优规整路径中的第i个元素;DTW(X,Y)表示时间序列X与Y的规整距离;
规整路径W需满足如下约束条件:1)有界性:max(p,q)≤K≤p+q-1;2)边界性:w1=a11和wK=apq,分别用来表示W的起点和终点;3)连续性:对于wk=aij,其相邻元素wk-1=ai’j(满足i-i’≤1,j-j’≤1);4)单调性:i-i’≥0,j-j’≥0;
由规整的距离函数与路径约束条件知,计算DTW距离的递归算法为:
式中的D(i,j)为路径元素aij与之前段规整距离的最小累计值之和。
步骤23中LSTM主变负载预测模型训练方法如下:
LSTM在RNN的基础上增加了3个门的逻辑控制单元:输入门、遗忘门和输入门。通过门单元的逻辑控制决定数据是否更新或选择丢弃:
遗忘门:ft=σ(Wf[ht-1,xt]+bf)
其中,Wf是遗忘门的权重矩阵;[ht-1,xt]表示将两个向量连接成一个更长的向量;bf是遗忘门的偏置项;σ是sigmoid函数;
输入门:it=σ(Wi[ht-1,xt]+bi);
其中,Wi是输入门的权重矩阵;bi是输入门的偏置项。
其中,计算当前时刻的单元状态ct;它是上一次的单元状态ct-1按元素乘以遗忘门ft,再用当前输入的单元状态按元素乘以输入门it,再将两个积加和产生;把LSTM关于当前的记忆和长期的记忆ct-1组合在一起,形成了新的单元状态ct;
计算输出门输出:ot=σ(Wo[ht-1,xt]+bo)
最终得到LSTM输出:ht=ot⊙tanh(ct)。
9.根据权利要求1所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:负载相关因子的计算公式如下:
F=Πifi (4)
F为负载相关因子,为在主变负载率的基础上其它导致负载风险因素的因子fi的乘积;包括老化因子f1、告警因子f2、缺陷因子f3、历史重载过载因子f4及过载修正因子f5;老化因子f1为通过主变设备投运年限变换计算得到的值;告警因子f2为告警因子为影响主变负载风险的告警因子,包括油色谱、油温和绕温;基于四比值法的油色谱分析方法分析得到编码组合,根据编码组合得到油色谱告警因子取值;根据变压器油温和绕温设定油温和绕温的告警因子值;缺陷因子f3为主变发生缺陷类型对应得影响因子值;历史重载、过载因子f4为主变历史发生重载、过载对应得影响因子值;过载修正因子设置方法为:设定一个过载时间区间阈值为5分钟,当过载时间大于5分钟时负载因子不需要修正,当过载时间小于5分钟时,通过过载修正因子取值表的过载修正因子进行修正。
10.根据权利要求1所述的一种基于主变负载状况的设备风险综合分析预警方法,其特征在于:后果严重度值C按照下式计算:
C=I*L (5)
式中,C为后果严重度值,I为设备重要性,L为损失程度;根据后果严重度值评估主变负载风险引起的后果严重程度。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111474346.1A CN114386753A (zh) | 2021-12-03 | 2021-12-03 | 一种基于主变负载状况的设备风险综合分析预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111474346.1A CN114386753A (zh) | 2021-12-03 | 2021-12-03 | 一种基于主变负载状况的设备风险综合分析预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114386753A true CN114386753A (zh) | 2022-04-22 |
Family
ID=81196427
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111474346.1A Pending CN114386753A (zh) | 2021-12-03 | 2021-12-03 | 一种基于主变负载状况的设备风险综合分析预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114386753A (zh) |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742488A (zh) * | 2022-06-15 | 2022-07-12 | 广东电网有限责任公司佛山供电局 | 一种主变压器运行风险评估方法和*** |
CN116881200A (zh) * | 2023-09-07 | 2023-10-13 | 四川竺信档案数字科技有限责任公司 | 一种多中心分布式电子档案数据安全管理方法及*** |
TWI824926B (zh) * | 2023-01-17 | 2023-12-01 | 國立臺灣科技大學 | 電力負載監測系統及預測方法 |
CN117424901A (zh) * | 2023-10-13 | 2024-01-19 | 国网湖北省电力有限公司荆州供电公司 | 一种基于ims的核心网云化技术信息管理*** |
-
2021
- 2021-12-03 CN CN202111474346.1A patent/CN114386753A/zh active Pending
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114742488A (zh) * | 2022-06-15 | 2022-07-12 | 广东电网有限责任公司佛山供电局 | 一种主变压器运行风险评估方法和*** |
TWI824926B (zh) * | 2023-01-17 | 2023-12-01 | 國立臺灣科技大學 | 電力負載監測系統及預測方法 |
CN116881200A (zh) * | 2023-09-07 | 2023-10-13 | 四川竺信档案数字科技有限责任公司 | 一种多中心分布式电子档案数据安全管理方法及*** |
CN116881200B (zh) * | 2023-09-07 | 2024-01-16 | 四川竺信档案数字科技有限责任公司 | 一种多中心分布式电子档案数据安全管理方法及*** |
CN117424901A (zh) * | 2023-10-13 | 2024-01-19 | 国网湖北省电力有限公司荆州供电公司 | 一种基于ims的核心网云化技术信息管理*** |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN114386753A (zh) | 一种基于主变负载状况的设备风险综合分析预警方法 | |
CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN111582700B (zh) | 一种配电网设备故障率计算方法 | |
CN111369168B (zh) | 一种适应电网多种调控运行场景的关联特征选择方法 | |
CN110705859A (zh) | 基于pca-自组织神经网络的中低压配电网运行状态评估方法 | |
CN111881961A (zh) | 基于数据挖掘的配电网故障风险等级预测方法 | |
CN114742283A (zh) | 一种基于深度学习网络的中压线路合环电流估算与风险评估方法 | |
Wang et al. | Data-driven prediction method for characteristics of voltage sag based on fuzzy time series | |
CN115829145A (zh) | 一种光伏发电量预测***及方法 | |
Sun et al. | A multi-model-integration-based prediction methodology for the spatiotemporal distribution of vulnerabilities in integrated energy systems under the multi-type, imbalanced, and dependent input data scenarios | |
CN113887833A (zh) | 一种分布式能源用户侧逐时负荷预测方法及*** | |
CN112508254B (zh) | 变电站工程项目投资预测数据的确定方法 | |
CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
Melagoda et al. | Application of machine learning algorithms for predicting vegetation related outages in power distribution systems | |
CN114692937A (zh) | 一种基于主变负载影响因素预测的主变负载预测方法 | |
CN115936157A (zh) | 一种主变负载风险评估方法 | |
CN114254772A (zh) | 一种基于svm的配电网装置设备故障分析方法 | |
CN113902219A (zh) | 一种主变负载影响因素分析模型的分析方法 | |
CN108717597B (zh) | 一种优化网架结构的电网工程运行效益评价方法及*** | |
CN115224684A (zh) | 基于免疫危险理论的智能配电网风险状态辨识方法及*** | |
Khalyasmaa et al. | Training sample formation for intelligent recognition of circuit breakers states patterns | |
CN113919596A (zh) | 一种主变负载影响因素分类预测方法 | |
Ugedo et al. | Application of neural networks to the management of voltage constraints in the Spanish market | |
de MS Gomes et al. | Prediction of power supply interruption incidents using correlation matrices and SVM |
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 |