CN103177186A - 一种电气回路故障概率预测方法 - Google Patents

一种电气回路故障概率预测方法 Download PDF

Info

Publication number
CN103177186A
CN103177186A CN2013100907480A CN201310090748A CN103177186A CN 103177186 A CN103177186 A CN 103177186A CN 2013100907480 A CN2013100907480 A CN 2013100907480A CN 201310090748 A CN201310090748 A CN 201310090748A CN 103177186 A CN103177186 A CN 103177186A
Authority
CN
China
Prior art keywords
cloud
value
probability
water dust
malfunction
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
Application number
CN2013100907480A
Other languages
English (en)
Other versions
CN103177186B (zh
Inventor
胡文平
于腾凯
段晓波
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Hebei Electric Power Construction Adjustment Test Institute
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd
Hebei Electric Power Construction Adjustment Test Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Hebei Electric Power Co Ltd, Hebei Electric Power Construction Adjustment Test Institute filed Critical State Grid Corp of China SGCC
Priority to CN201310090748.0A priority Critical patent/CN103177186B/zh
Publication of CN103177186A publication Critical patent/CN103177186A/zh
Application granted granted Critical
Publication of CN103177186B publication Critical patent/CN103177186B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Abstract

本发明涉及一种电气回路故障概率预测方法，步骤为：⑴统计前10年输变电设备的健康指数Hi；⑵利用历年健康指数的统计值定义云滴drop（x，u(x)）；⑶通过逆向云发生器建立设备故障概率预测云模型；⑷通过正向云发生器产生所需数量的具体云滴；⑸检验云滴是否位于置信区间；⑹预测计算变压器设备下一年的故障概率；⑺根据电气回路划分定义计算设备所在回路的故障概率预测值。本发明基于云模型的设备故障率预测方法，设备服役役龄和自身健康状态对其故障发生概率的影响，结合对电气回路故障概率进行了预测计算，为评估电气回路可靠性和计算电气回路故障的风险提供了数据支持，具有良好的推广价值和应用前景。

Description

一种电气回路故障概率预测方法
技术领域
本发明属于设备故障分析和可靠性评估技术领域，涉及一种电气回路故障概率预测方法。
背景技术
电气回路按照功能不同分为输电回路、变电回路和母线回路3种。电气回路的功能主要特点是：在某一特定的容量范围内将电能从一端传输到另一端；灵活地改变系统运行方式；在回路发生故障时自动将本身与整个电力系统隔离。电气回路作为电力系统的重要组成部分，由众多输变电设备组合连接而成，不同种类的电气设备故障对电气回路单元故障率的影响程度同，一旦发生故障会严重影响电能的传输与分配，危机供电系统的可靠性和运行稳定性。因此，预测电气回路故障发生概率对评估电力系统运行风险和找出系统薄弱环节具有重要意义。
国内外广泛采用设备健康指数来评估输变电设备的运行状态，但健康指数只能用以定性估算电气设备故障概率，实现由设备状态定性评价到定量故障率数据间的转化仍然是一个难题。传统的预测方法如经验法、回归分析法、BP神经网络法等虽然具有简便易行、计算速度快，但当遇到非线性波动时存在需要详细可靠统计资料、预测精度不高等问题。
云模型理论对于日常生活中的不确定性具有很好的表达能力，能够准确地实现定性概念到定量数据间的转化。目前云模型已经成功地运用于数据挖掘中的预测领域。因此，本发明将云模型理论分析分析方法引入到主要输变电设备故障概率预测计算中来，通过预测计算变压器、输电线路、断路器等主要输变电设备故障发生概率，进计算电气回路故障发生概率，研究电气回路故障特性和变化规律，有利于找出系统运行薄弱环节，为状态检修和电网规划、设计、管理和运行工作提供决策支持。
目前，国内外针对由输变电设备故障概率推算电气回路故障概率的研究还处于空白，未见相关报道。
发明内容
为弥补现有技术的不足，本发明提供一种电气回路故障概率预测方法，利用云模型理论预测电气设备及电气回路的故障概率，提高预测的准确性和可靠性。
本发明电气回路故障概率预测方法，步骤如下：
 (1) 统计前10年输变电设备的健康指数Hi，所述输变电设备健康的健康指数Hi为相应设备为各部件的综合扣分值，其数值介于0-100之间；所述扣分值为基于《输变电设备状态检修试验规程》以及相关设备的状态评价导则对设备基础状态量进行采集和处理得到各部件的扣分值；对于缺乏定量状态评估数据的年份，取设备相应的缺陷数据进行健康指数计算。
（2）利用历年健康指数的统计值定义云滴drop(x,u(x))，
Figure 884701DEST_PATH_IMAGE001
其中：
x为每一年变压器实际健康指数；
Figure 639030DEST_PATH_IMAGE002
为变压器的某一健康指数x隶属于故障停运时最大健康指数均值X的程度；
X为所统计的全国变压器设备历年来发生故障停运时的最大健康指数的均值。
（3）采用拟合算法对一组云滴进行计算，通过逆向云发生器建立设备故障概率预测云模型，所述云模型用期望、熵
Figure 837110DEST_PATH_IMAGE004
和超熵
Figure 266955DEST_PATH_IMAGE005
3个数字特征来表征，具体计算方法如下：
①根据云期望曲线
Figure 931417DEST_PATH_IMAGE006
拟合得到期望
Figure 472119DEST_PATH_IMAGE007
的估计值
Figure 53273DEST_PATH_IMAGE008
，将
Figure 388440DEST_PATH_IMAGE009
的点剔除，剩下m个云滴；
②由
Figure 304312DEST_PATH_IMAGE010
计算出
Figure 383126DEST_PATH_IMAGE011
，并由
Figure 818787DEST_PATH_IMAGE012
得熵
Figure 324855DEST_PATH_IMAGE004
的估计值
Figure 229488DEST_PATH_IMAGE013
；
③根据
Figure 111993DEST_PATH_IMAGE014
，求得超熵
Figure 402160DEST_PATH_IMAGE015
的估计值；
式中：
、
Figure 390211DEST_PATH_IMAGE018
和
Figure 862781DEST_PATH_IMAGE019
分别为云预测模型中变压器设备健康指数的期望、熵和超熵的估计值；
a、c为:云预测模型求解过程中的中间值；
drop(xi,u(xi))为生成正向云发生器所需的云滴；
Xi为变压器设备某一年的健康指数实际值；
m为正向云发生器的有效云滴输入数目。
（4）根据步骤（3）生成的预测云模型数字特征
Figure 648334DEST_PATH_IMAGE003
、
Figure 573565DEST_PATH_IMAGE004
和
Figure 474569DEST_PATH_IMAGE005
，通过正向云发生器产生所需数量的具体云滴drop(xi,u(xi))，用将产生的云滴来预测设备下一年的故障概率，再用迭代法产生设备未来故障概率；具体算法如下：
a）生成期望为
Figure 801645DEST_PATH_IMAGE017
，方差为
Figure 85996DEST_PATH_IMAGE020
的一个正态随机数
Figure 436206DEST_PATH_IMAGE021
，即：
Figure 198626DEST_PATH_IMAGE022
；
b）生成以为期望值，方差为
Figure 22411DEST_PATH_IMAGE023
的一个正态随机数
Figure 859917DEST_PATH_IMAGE024
，即：
Figure 426028DEST_PATH_IMAGE025
；
c）计算
Figure 462117DEST_PATH_IMAGE026
；
d）具有确定度
Figure 776686DEST_PATH_IMAGE027
的成为云模型中的一个云滴；
e）若
Figure 361885DEST_PATH_IMAGE029
或
Figure 158940DEST_PATH_IMAGE030
时，所生成的云滴
Figure 954726DEST_PATH_IMAGE028
不满足条件，予以舍弃，并重复步骤啊a）至e），直到产生所需数量的预测云滴；
norm为生成正态分布随机数的函数。
（5）检验云滴
Figure 128219DEST_PATH_IMAGE028
是否位于的置信区间内，若
Figure 44539DEST_PATH_IMAGE024
不满足该条件，重新进行计算生成相应云滴。       
（6）根据步骤（4）所产生的云滴drop(xi,u(xi))的隶属度的平均值预测计算变压器设备下一年的故障概率，计算式为：
     
Figure 829087DEST_PATH_IMAGE032
                             
式中：
Figure 275111DEST_PATH_IMAGE033
为变压器设备下一年故障概率预测值；
n为符合条件的云滴数；
P为近五年全国变压器设备平均故障停运概率值。
（7）计算设备所在电气回路故障概率，计算式为：
Figure 405878DEST_PATH_IMAGE034
式中：
m为变电回路中变压器的个数，n为断路器的个数；
Figure 482419DEST_PATH_IMAGE035
为变电回路中变压器的故障概率预测值，
Figure 65847DEST_PATH_IMAGE036
为变电回路中断路器的故障概率预测值。
电气回路包括输电回路、变电回路和母线回路。对于缺乏定量状态评估数据的年份，取设备相应的缺陷数据进行健康指数计算。具体方法为：健康指数Hi的正常、一般、严重和危急四种状态取值区间分别为0～25、25～50、50～75和75～100。通过在相应区间上生成一个相应的随机数来表征设备正常、一般、严重和危急状态下的健康指数值。
云是用自然语言值表示的某个定性概念与其定量表示之间的不确定性转换模型，主要功能是实现定性与定量之间的不确定性转换。云模型反映了人类认知概念中的两种不确定性：模糊性和随机性。通过云模型把二者完全结合在一起，来研究自然语言中的最基本的语言因子所包含的不确定性。从语言因子表达的定性的信息中得到定量数据的分布规律和范围，或者将精确的定量数值转换为有效的定性语言因子。
定义论域U为一个精确的定量数值集的集合U={x}。T是与U相联系的定性概念。若U中元素x对T的隶属度
Figure 502513DEST_PATH_IMAGE037
（或称x与T的相容度）是具有稳定倾向的随机数，则在论域U上的分布称为隶属云，简称云（cloud）。
其中，
Figure 735229DEST_PATH_IMAGE038
取值范围为，云是指从论域U到区间的映射，即
Figure 387555DEST_PATH_IMAGE038
：
Figure 868215DEST_PATH_IMAGE041
Figure 98339DEST_PATH_IMAGE042
Figure 955437DEST_PATH_IMAGE043
映射称为T的云模型，其中的每一个(x,u(x)）称为一个云滴。大量的云滴组成云。云可以是一维的，也可以是多维云，主要取决于论域U的维数。定义里提到的确定度即模糊意义下的隶属度，同时也具有概率意义下的分布。
云模型用3个数字特征期望
Figure 488235DEST_PATH_IMAGE044
、熵
Figure 533552DEST_PATH_IMAGE004
和超熵
Figure 866444DEST_PATH_IMAGE005
来表征云的整体特性，其中，期望
Figure 415237DEST_PATH_IMAGE044
是最能够代表这个定性概念的点，反映在运行上就是云的“最高点”，即隶属度为1的点；熵则用以反映云模糊性和随机性的大小，表示云的“跨度”，即熵越大，云的 “跨度”越大；超熵
Figure 458727DEST_PATH_IMAGE005
用来反映云滴的凝聚度，反映在云形上表示云的“厚度”，超熵越大，“厚度”越大。
本发明电气回路故障概率预测方法根据输变电设备故障历史故障统计数据，基于云模型的设备故障率预测方法，并考虑了设备服役役龄和自身健康状态对其故障发生概率的影响。在此基础上，采用专家调查权重方法对电气回路故障概率进行了预测计算，为评估电气回路可靠性和计算考虑电气回路故障的风险提供了数据支持，具有良好的推广价值和应用前景。
附图说明
图1为本发明电气回路故障概率预测方法流程框图；
图2.为云模型数字特征示意图；
图3为逆向云发生器示意图；
图4为正向云发生器框图；
图5为变压器设备故障概率云预测模型散点分布图。
具体实施方式
下面结合附图和实施例对本发明做进一步描述。
本发明电气回路故障概率预测方法，如图1所示，预测步骤为：
 (1)统计前10年输变电设备的健康指数Hi，所述输变电设备健康的健康指数为100-扣分值后的数值，健康指数Hi介于0-100之间。扣分值为基于《输变电设备状态检修试验规程》以及相关设备的状态评价导则对设备基础状态量进行采集和处理得到各部件的扣分值。
河北某地区一台220kV变压器T1近十年健康指数评价数据见表1，其中变压器危急、严重、一般和正常状态的健康指数分别统一取88、63、37和13。
表1 变压器T1近十年健康指数评价数据
年份/a 2001 2002 2003 2004 2005 2007 2008 2009 2010 2011
健康指数/Hi 13 37 63 88 37 37 67 34 37 34
u(x) 0.14 0.41 0.7 .97 0.41 0.41 0.74 0.38 0.41 0.38
（2）利用历年健康指数的统计值定义云滴drop(x,u(x))，
Figure 329731DEST_PATH_IMAGE045
其中：x为每一年变压器实际健康指数，X为所统计的全国变压器设备历年来发生故障停运时的最大健康指数的均值，取变压器故障停运时最大健康指数均值X=90。
Figure 998610DEST_PATH_IMAGE002
为变压器的某一健康指数x隶属于故障停运时最大健康指数均值X的程度，步骤(2)中220kV变压器T1近十年
Figure 257553DEST_PATH_IMAGE046
的见表1。
（3）采用拟合算法对一组云滴进行计算，通过图3所示的逆向云发生器建立设备故障概率预测云模型，所述云模型用期望
Figure 933254DEST_PATH_IMAGE047
、熵
Figure 935845DEST_PATH_IMAGE004
和超熵
Figure 396913DEST_PATH_IMAGE005
3个数字特征来表征。具体算法如下：
①根据云期望曲线
Figure 561179DEST_PATH_IMAGE048
拟合得到期望
Figure 802804DEST_PATH_IMAGE007
的估计值
Figure 31922DEST_PATH_IMAGE017
，将
Figure 409814DEST_PATH_IMAGE009
的点剔除，剩下m个云滴；
②由
Figure 948243DEST_PATH_IMAGE010
计算出
Figure 411585DEST_PATH_IMAGE049
，并由
Figure 942930DEST_PATH_IMAGE050
得熵的估计值
Figure 946975DEST_PATH_IMAGE018
；
③根据，求得超熵
Figure 983381DEST_PATH_IMAGE015
的估计值
Figure 24280DEST_PATH_IMAGE051
；
式中：
Figure 701249DEST_PATH_IMAGE017
、
Figure 76867DEST_PATH_IMAGE018
和
Figure 763063DEST_PATH_IMAGE052
分别为云预测模型中变压器设备健康指数的期望、熵和超熵的估计值；
a、c为:云预测模型求解过程中的中间值；
drop(xi,u(xi))为生成正向云发生器所需的云滴；
Xi为设备某一年健康指数实际值，即表1中的Hi。m为正向云发生器的有效云滴输入数目，取值为10。
利用表1中数据，预测模型算法得到数字特征如下的云模型：
Figure 970054DEST_PATH_IMAGE053
，
Figure 270454DEST_PATH_IMAGE054
，
Figure 195684DEST_PATH_IMAGE055
，其中，
Figure 357676DEST_PATH_IMAGE056
，此时
Figure 684752DEST_PATH_IMAGE007
的绝对误差小于1%，的相对误差小于2%，
Figure 804466DEST_PATH_IMAGE005
的相对误差小于10%，满足精度要求。变压器T1故障概率的云模型如图2所示。
（4）根据步骤（3）生成的预测云模型数字特征
Figure 770148DEST_PATH_IMAGE058
、
Figure 951730DEST_PATH_IMAGE059
和
Figure 406982DEST_PATH_IMAGE060
，通过图4所示的正向云发生器产生所需数量的具体云滴drop(xi,u(xi))，用将产生的云滴来预测设备下一年的故障概率，再用迭代法产生设备未来故障概率。具体算法如下：
a）生成期望为
Figure 493756DEST_PATH_IMAGE017
，方差为
Figure 59866DEST_PATH_IMAGE020
的一个正态随机数
Figure 33639DEST_PATH_IMAGE021
，即：
Figure 659792DEST_PATH_IMAGE022
；norm为生成正态分布随机数的函数；
b）生成以
Figure 481466DEST_PATH_IMAGE017
为期望值，方差为的一个正态随机数
Figure 945126DEST_PATH_IMAGE061
，即：
Figure 742180DEST_PATH_IMAGE062
；
c）计算；
d）具有确定度
Figure 445880DEST_PATH_IMAGE027
的成为云模型中的一个云滴
Figure 362200DEST_PATH_IMAGE028
；
e）若
Figure 458332DEST_PATH_IMAGE064
或
Figure 858352DEST_PATH_IMAGE030
时，所生成的云滴
Figure 989119DEST_PATH_IMAGE028
不满足条件，予以舍弃，并重复步骤啊a）至e），直到产生所需数量的预测云滴。变压器设备故障概率云预测模型散点分布如图5所示。
利用步骤（3）生成的正向云发生器实际产生500个预测云滴，其中负荷健康指数实际取值范围[0,100]的有273个。
（5）检验云滴
Figure 65659DEST_PATH_IMAGE028
是否位于
Figure 383508DEST_PATH_IMAGE031
的置信区间内，若
Figure 85754DEST_PATH_IMAGE065
不满足该条件，重新进行计算生成相应云滴；
根据步骤（3）得到的云数字特征值，计算得到健康指数对应置信区间为[-11.3,193.9]，结合健康指数实际取值范围[0,100]，得到预测云滴的置信区间设置为[0,100]，通过取该区间内所有有效云滴的均值进行故障率预测。      
（6）根据步骤（4）所产生的云滴drop(xi,u(xi))的隶属度的平均值预测计算变压器设备下一年的故障概率，计算式为：
                                  
式中：
Figure 318469DEST_PATH_IMAGE033
为变压器设备下一年故障概率预测值；
P为P为近五年全国变压器设备平均故障停运概率值，这里取值为1.1568次/百台·年。
由步骤（6）知，n为有效预测云滴数目，这里取值为273。按式（4）计算预测计算得到变压器T1下一年发生故障概率为0.8713次/百台·年。
（6）计算电气回路故障概率，计算是为：
Figure 123614DEST_PATH_IMAGE034
                        
式中：
m为变电回路中变压器的个数，n为断路器的个数；
Figure 177021DEST_PATH_IMAGE035
为变电回路中变压器的故障概率预测值，为变电回路中断路器的故障率预测值。
按照上述方法，计算得变压器T1所在变电回路的断路器故障概率预测值为0.8213次/百台·年。根据变电回路定义（变压器本体及其与各侧母线回路连接点以内的设备，不含母线侧隔离开关，线路变压器组按变电回路统计）可知，变压器T1所在变电回路有变压器和断路器各1个，m=n=1，所以由式（5）计算得到变压器T1所在的变电回路下一年发生故障的概率为1.6926次/百台·年。

Claims (3)

1.一种电气回路故障概率预测方法，步骤如下：
 (1)统计前10年输变电设备的健康指数Hi，所述输变电设备健康的健康指数Hi为相应设备为各部件的综合扣分值，其数值介于0-100之间；所述扣分值为基于《输变电设备状态检修试验规程》以及相关设备的状态评价导则对设备基础状态量进行采集和处理得到各部件的扣分值；对于缺乏定量状态评估数据的年份，取设备相应的缺陷数据进行健康指数计算；
（2）利用历年健康指数的统计值定义云滴drop(x,u(x))，
Figure 219629DEST_PATH_IMAGE001
其中：x为每一年变压器实际健康指数；
Figure 692199DEST_PATH_IMAGE002
为变压器的某一健康指数x隶属于故障停运时最大健康指数均值X的程度；
X为所统计的全国变压器设备历年来发生故障停运时的最大健康指数的均值；
（3）采用拟合算法对一组云滴进行计算，通过逆向云发生器建立设备故障概率预测云模型，所述云模型用期望
Figure 992599DEST_PATH_IMAGE003
、熵
Figure 917830DEST_PATH_IMAGE004
和超熵3个数字特征来表征，具体算法如下：
①根据云期望曲线
Figure 141318DEST_PATH_IMAGE006
拟合得到期望
Figure 425668DEST_PATH_IMAGE007
的估计值
Figure 526611DEST_PATH_IMAGE008
，将的点剔除，剩下m个云滴drop(xi,u(xi))；
②由
Figure 673875DEST_PATH_IMAGE010
计算出，并由
Figure 950322DEST_PATH_IMAGE012
得熵
Figure 516432DEST_PATH_IMAGE004
的估计值
Figure 818101DEST_PATH_IMAGE013
；
③根据
Figure 116358DEST_PATH_IMAGE014
，求得超熵
Figure 503477DEST_PATH_IMAGE015
的估计值
Figure 561694DEST_PATH_IMAGE016
；
式中：
Figure 452290DEST_PATH_IMAGE017
、
Figure 249344DEST_PATH_IMAGE013
和分别为云预测模型中变压器设备健康指数的期望、熵和超熵的估计值；
a、c为:云预测模型求解过程中的中间值；
drop(xi,u(xi))为生成正向云发生器所需的云滴；
xi为变压器设备某一年的健康指数实际值；
m为正向云发生器的有效输入云滴数目；
（4）根据步骤（3）生成的预测云模型数字特征
Figure 969356DEST_PATH_IMAGE019
、
Figure 166988DEST_PATH_IMAGE004
和
Figure 134944DEST_PATH_IMAGE005
，通过正向云发生器产生所需数量的具体云滴drop(xi,u(xi))，用将产生的云滴来预测设备下一年的故障概率，再用迭代法产生设备未来故障概率；具体算法如下：
a）生成期望为
Figure 168759DEST_PATH_IMAGE017
，方差为
Figure 880363DEST_PATH_IMAGE020
的一个正态随机数
Figure 745551DEST_PATH_IMAGE021
，即：
Figure 572823DEST_PATH_IMAGE022
；
b）生成以
Figure 156251DEST_PATH_IMAGE017
为期望值，方差为
Figure 343650DEST_PATH_IMAGE023
的一个正态随机数，即：
Figure 638682DEST_PATH_IMAGE025
；
c）计算；
d）具有确定度
Figure 949764DEST_PATH_IMAGE027
的
Figure 727227DEST_PATH_IMAGE028
成为云模型中的一个云滴
Figure 207887DEST_PATH_IMAGE029
；
e）若
Figure 188744DEST_PATH_IMAGE030
或
Figure 45841DEST_PATH_IMAGE031
时，所生成的云滴不满足条件，予以舍弃，并重复步骤啊a）至e），直到产生所需数量的预测云滴；
norm为生成正态分布随机数的函数；
（5）检验云滴
Figure 329372DEST_PATH_IMAGE029
是否位于
Figure 374688DEST_PATH_IMAGE032
的置信区间内，若
Figure 956848DEST_PATH_IMAGE033
不满足该条件，重新进行计算生成相应云滴；       
（6）根据步骤（4）所产生的云滴drop(xi,u(xi))的隶属度的平均值预测计算变压器设备下一年的故障概率，计算式为：
                                  (4)
式中：
Figure 531366DEST_PATH_IMAGE035
为变压器设备下一年故障概率预测值；
P为近五年全国变压器设备平均故障停运概率值；
（7）根据电气回路划分定义计算相应电气回路故障概率，计算式为：
Figure 798400DEST_PATH_IMAGE036
式中：
m为待预测变电回路中变压器的个数；
n为断路器的个数；
Figure 997300DEST_PATH_IMAGE037
为变电回路中变压器的故障概率预测值；
Figure 89015DEST_PATH_IMAGE038
为变电回路中断路器的故障概率预测值。
2.根据权利要求1所述的电气回路故障概率预测方法，其特征是：所述电气回路包括输电回路、变电回路和母线回路。
3.根据权利要求1所述的电气回路故障概率预测方法，其特征是：步骤（1）中所述计算健康指数Hi的缺陷数据分为正常、一般、严重和危急四种状态，四种状态的取值区间分别为0～25、25～50、50～75和75～100。
CN201310090748.0A 2013-03-21 2013-03-21 一种电气回路故障概率预测方法 Active CN103177186B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201310090748.0A CN103177186B (zh) 2013-03-21 2013-03-21 一种电气回路故障概率预测方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201310090748.0A CN103177186B (zh) 2013-03-21 2013-03-21 一种电气回路故障概率预测方法

Publications (2)

Publication Number Publication Date
CN103177186A true CN103177186A (zh) 2013-06-26
CN103177186B CN103177186B (zh) 2016-05-11

Family

ID=48637036

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201310090748.0A Active CN103177186B (zh) 2013-03-21 2013-03-21 一种电气回路故障概率预测方法

Country Status (1)

Country Link
CN (1) CN103177186B (zh)

Cited By (10)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103490948A (zh) * 2013-09-06 2014-01-01 华为技术有限公司 网络性能的预测方法及装置
CN104020401A (zh) * 2014-06-17 2014-09-03 国家电网公司 基于云模型理论的变压器绝缘热老化状态的评估方法
CN104298859A (zh) * 2014-09-22 2015-01-21 国电南瑞科技股份有限公司 一种多区间预测结果的加权整合方法
CN104573866A (zh) * 2015-01-08 2015-04-29 深圳供电局有限公司 一种预测电力设备缺陷的方法和系统
CN106597574A (zh) * 2016-12-30 2017-04-26 重庆邮电大学 一种基于时变云模型的天气温度预测方法及装置
CN106682772A (zh) * 2016-12-14 2017-05-17 贵州电网有限责任公司电力科学研究院 一种基于多维云模型的输电线路故障率综合预测方法
CN110880062A (zh) * 2019-10-31 2020-03-13 广西电网有限责任公司电力科学研究院 一种配电设备状态检修时间的确定方法
CN111126936A (zh) * 2019-11-19 2020-05-08 广西电网有限责任公司 用于电力系统应急分析的云模型架构
CN111509685A (zh) * 2020-04-22 2020-08-07 云南电网有限责任公司电力科学研究院 一种继电保护跳闸回路发生故障的预测方法及装置
CN112395178A (zh) * 2020-11-18 2021-02-23 河南辉煌城轨科技有限公司 一种设备故障预测方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101232180A (zh) * 2008-01-24 2008-07-30 东北大学 一种配电系统负荷模糊建模装置及方法
CN101661070A (zh) * 2009-09-25 2010-03-03 华北电力大学 信息论与专家系统相结合进行电力系统故障诊断的方法
US7715844B2 (en) * 2006-03-21 2010-05-11 Alcatel-Lucent Usa Inc. Spatial channel model with a three-dimensional cloud of scatterers
KR20100099599A (ko) * 2009-03-03 2010-09-13 경상대학교산학협력단 태양광 발전기를 포함하는 전력계통의 신뢰도 지수 산출방법, 전자장치 및 기록 매체

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US7715844B2 (en) * 2006-03-21 2010-05-11 Alcatel-Lucent Usa Inc. Spatial channel model with a three-dimensional cloud of scatterers
CN101232180A (zh) * 2008-01-24 2008-07-30 东北大学 一种配电系统负荷模糊建模装置及方法
KR20100099599A (ko) * 2009-03-03 2010-09-13 경상대학교산학협력단 태양광 발전기를 포함하는 전력계통의 신뢰도 지수 산출방법, 전자장치 및 기록 매체
CN101661070A (zh) * 2009-09-25 2010-03-03 华北电力大学 信息论与专家系统相结合进行电力系统故障诊断的方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
胡伶俐 等: "基于云模型的交通运输枢纽系统综合评价", 《中国水运》 *

Cited By (16)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103490948A (zh) * 2013-09-06 2014-01-01 华为技术有限公司 网络性能的预测方法及装置
WO2015032252A1 (zh) * 2013-09-06 2015-03-12 华为技术有限公司 网络性能的预测方法及装置
US10298464B2 (en) 2013-09-06 2019-05-21 Huawei Technologies Co., Ltd. Network performance prediction method and apparatus
CN104020401A (zh) * 2014-06-17 2014-09-03 国家电网公司 基于云模型理论的变压器绝缘热老化状态的评估方法
CN104020401B (zh) * 2014-06-17 2016-11-23 国家电网公司 基于云模型理论的变压器绝缘热老化状态的评估方法
CN104298859A (zh) * 2014-09-22 2015-01-21 国电南瑞科技股份有限公司 一种多区间预测结果的加权整合方法
CN104573866B (zh) * 2015-01-08 2017-12-08 深圳供电局有限公司 一种预测电力设备缺陷的方法和系统
CN104573866A (zh) * 2015-01-08 2015-04-29 深圳供电局有限公司 一种预测电力设备缺陷的方法和系统
CN106682772A (zh) * 2016-12-14 2017-05-17 贵州电网有限责任公司电力科学研究院 一种基于多维云模型的输电线路故障率综合预测方法
CN106597574A (zh) * 2016-12-30 2017-04-26 重庆邮电大学 一种基于时变云模型的天气温度预测方法及装置
CN110880062A (zh) * 2019-10-31 2020-03-13 广西电网有限责任公司电力科学研究院 一种配电设备状态检修时间的确定方法
CN110880062B (zh) * 2019-10-31 2022-07-08 广西电网有限责任公司电力科学研究院 一种配电设备状态检修时间的确定方法
CN111126936A (zh) * 2019-11-19 2020-05-08 广西电网有限责任公司 用于电力系统应急分析的云模型架构
CN111509685A (zh) * 2020-04-22 2020-08-07 云南电网有限责任公司电力科学研究院 一种继电保护跳闸回路发生故障的预测方法及装置
CN112395178A (zh) * 2020-11-18 2021-02-23 河南辉煌城轨科技有限公司 一种设备故障预测方法
CN112395178B (zh) * 2020-11-18 2022-09-30 河南辉煌城轨科技有限公司 一种设备故障预测方法

Also Published As

Publication number Publication date
CN103177186B (zh) 2016-05-11

Similar Documents

Publication Publication Date Title
CN103177186B (zh) 一种电气回路故障概率预测方法
CN103793854B (zh) 多重组合优化的架空输电线路运行风险信息化评估方法
CN103324992B (zh) 基于马尔可夫和熵权模糊综合评价的变压器风险预测方法
CN102509018B (zh) 电力系统设备重要性评价系统及方法
CN103198235B (zh) 基于风功率纵向时刻概率分布的风功率预测值预评估方法
CN103646358B (zh) 计及电力设备时变故障率的电网计划检修周期确定方法
CN104091008B (zh) 基于改进区间层次分析法的用户用电设备安全评估方法
CN104599189A (zh) 一种计入电力系统运行方式的电网规划方案风险评估方法
CN105071399B (zh) 基于主、配电网互动协调的电压无功综合控制系统
CN103761684A (zh) 一种输电电缆整体状态的综合评估方法及系统
CN105956788A (zh) 一种输变电工程造价的动态管理控制方法
CN103971175B (zh) 一种多级变电站的短期负荷预测方法
CN105719062B (zh) 一种考虑两重故障概率特性的电网风险及薄弱环节评估方法
CN104682381A (zh) 大型风电场柔性直流输电系统可靠性计算方法
CN102289731A (zh) 一种基于系统风险的输电设备状态检修方法
CN103440400A (zh) 考虑灾害因素的电力系统短期风险判定方法
CN104239687A (zh) 一种基于航天产品信号传递路径的可靠性建模与评估方法
CN103093104A (zh) 基于概率潮流的输电线路利用率计算方法
CN104680254A (zh) 一种基于综合成本模型的电网规划方案优选方法
CN102570450A (zh) 一种适用于复杂电网的静态可靠性评估方法
CN105894212A (zh) 一种电磁环网解合环综合评价方法
CN103198222A (zh) 一种用于综合停电检修计划的平衡优化方法
CN104991549A (zh) 基于fta与多层次模糊神经子网络的轨道电路红光带故障诊断方法
CN102930408B (zh) 一种基于信息融合的750kV电网二次设备状态评估方法
CN103529337B (zh) 设备故障与电气量信息间非线性相关关系的识别方法

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
C10 Entry into substantive examination
SE01 Entry into force of request for substantive examination
C14 Grant of patent or utility model
GR01 Patent grant