CN104123682B - 一种基于气象影响因素的配网故障风险评估方法 - Google Patents

一种基于气象影响因素的配网故障风险评估方法 Download PDF

Info

Publication number
CN104123682B
CN104123682B CN201410361584.5A CN201410361584A CN104123682B CN 104123682 B CN104123682 B CN 104123682B CN 201410361584 A CN201410361584 A CN 201410361584A CN 104123682 B CN104123682 B CN 104123682B
Authority
CN
China
Prior art keywords
meteorological
failure
cluster
data
distribution network
Prior art date
Application number
CN201410361584.5A
Other languages
English (en)
Other versions
CN104123682A (zh
Inventor
陈锦铭
李斌
郭雅娟
张小易
袁宇波
袁晓冬
何剑
黄伟
陈昊
郭静
Original Assignee
国家电网公司
江苏省电力公司
江苏省电力公司电力科学研究院
江苏省电力公司南京供电公司
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 国家电网公司, 江苏省电力公司, 江苏省电力公司电力科学研究院, 江苏省电力公司南京供电公司 filed Critical 国家电网公司
Priority to CN201410361584.5A priority Critical patent/CN104123682B/zh
Publication of CN104123682A publication Critical patent/CN104123682A/zh
Application granted granted Critical
Publication of CN104123682B publication Critical patent/CN104123682B/zh

Links

Abstract

本发明公开了一种基于气象影响因素的配网故障风险评估方法,其特征在于,包括如下步骤:1)历史气象数据抽取及特征化;2)利用Canopy算法计算得到历史气象数据的初始中心点;3)利用K‑Means算法计算得到气象簇;4)抽取电网故障数据并与气象数据关联;5)将电网故障数据与气象簇进行关联映射;6)计算得出各个气象簇的故障气象熵;7)根据电网区域的天气预报数据,与气象簇进行关联,并根据对应气象簇的故障气象熵得到其故障风险评估等级。本发明旨在建立配网故障与气象各因素之间的关联关系并进行量化,进而利用天气预报对配网故障进行风险评估和预警。

Description

一种基于气象影响因素的配网故障风险评估方法
技术领域
[0001] 本发明涉及一种基于气象影响因素的配网故障风险评估方法,属于电力系统的电 网故障分析领域。
背景技术
[0002] 配网作为电网向用户供电的最终环节,直接影响着社会正常生产生活秩序。由于 地域分散、线路分支多、新旧设备混杂等因素,配网故障数量较高,约占整个电网故障数量 的70%左右。配网故障的成因很多,如外力破坏、树线矛盾、恶劣天气、设备老化等。其中外 力破坏具有偶然性,一般难以预测;而其他类型故障往往与天气有关,是由气象因素直接或 间接造成的。目前,福建、江苏等多个网省电力公司都建立了电网气象监测预警系统,然而 这些系统往往只在台风、冰雹、飓风等强对流气象下对所涉及的电网区域进行预警,并未将 电网故障与常规的温度、湿度、风速和雨量等气象因素进行量化关联分析和预警提示。
[0003]因此,找出配网故障与气象各因素之间的关联关系并进行量化,进而利用天气预 报对配网故障进行风险评估和预警具有重要的意义。
发明内容
[0004]本发明所要解决的是克服现有配网故障缺乏有效风险评估与预警手段的问题,提 供一种基于气象影响因素的配网故障风险评估方法。
[0005]为解决上述技术问题,本发明提供一种基于气象影响因素的配网故障风险评估方 法,其特征在于,包括以下步骤:
[0006]步骤1:历史气象数据抽取及特征化;
[0007]步骤2:利用Canopy算法计算得到历史气象数据的初始中心点;
[0008] 步骤3:利用K-Means算法计算得到气象簇;
[0009] 步骤4:抽取电网故障数据并与气象数据关联;
[0010] 步骤5:将电网故障数据与气象簇进行关联映射;
[0011]步骤6:计算得出各个气象簇的故障气象熵;
[0012]步骤7:根据电网区域的天气预报数据,与气象簇进行关联,并根据对应气象簇的 故障气象熵得到其故障风险评估等级;
[0013]前述的基于气象影响因素的配网故障风险评估方法,其特征在于,
[0014] 所述步骤1包括:
[0015]、步骤la:从气象信息系统中获取全省各自动气象站历史气象数据,取卜2年的数 据,气象数据至少包括温度、湿度、雨量和风速因素;
[0016]步骤1b:将所有气象数据转换为特征值数据,直接使用数据值作为特征值,并根据 数据重要程度设置权重系数,默认值均为丄。
[0017]前述的基于气象影响因素的配网故障风险评估方法,其特征在于,所述步骤2具体 为:取历史气象数据的温度、湿度、风速和雨量四个维度的值,利用Can〇py聚类算法确定所 家狩仳值初始中心点,对于Canopy算法的距离值参数tl和t2,初始设定为tl = 30,t2 = 15。 、[0018]前述的基于气象影响因素的配网故障风险评估方法,其特征在于,所述步骤3具体 为:在步=骤2得到所有气象特征值初始中心点的基础上,分别通过类算法生成气 象方夫’并侍到各个气象族对应的中心坐标值;K—Means最大迭代次数默认为20。
[0019]前述的基于气象影响因素的配网故障风险评估方法,其特征在于,所述步骤4具体 为:从电网故障辅助分析系统中获取全省电网故障数据并与气象数据进行关联,首先根据 故障原因将与气象无关的故障排除,然后对于每一条故障根据故障的发生时间和地理坐标 到气象历史数据库中进行匹配,获取故障发生时的天气情况。
[0020]前述的基于气象影响因素的配网故障风险评估方法,其特征在于,所述步骤5具体 为:利用步骤4中得到的电网故障气象数据与步骤3中计算得到的气象簇进行映射关联,计 算故障气象数据与各气象簇中心点的欧式距离,并将故障与距离最小的气象簇中心点进行 关联。
[0021]前述的基于气象影响因素的配网故障风险评估方法,其特征在于,所述步骤6具体 为:在步骤5的基础上,对于每个气象簇计算其对应的故障气象熵,故障气象熵是一种用于 量化故障气象统计相对率的指标,其计算公式为:故障气象熵=(气象簇所关联的故障数 量/总故障数量)八气象簇包含的气象数量/总气象数量)。
[0022]前述的基于气象影响因素的配网故障风险评估方法,其特征在于,所述步骤7包 括:
[0023]步骤7a:从格点天气预报中获取各电网区域的天气预报值计算该值与各气象簇中 心点的欧式距离,取欧式距离最小的中心点,所述中心点所在气象簇即为该格点区域所属 的气象簇;
[0024]步骤7b:根据格点区域所属的气象簇的故障气象熵给出该预报值对应的故障风险 评估等级,故障风险评估等级根据故障气象熵规范化得到,取值区间为[0,4],各整数区间 分别表不安全、黄色预警、橙色预警和红色预警。
[0025]前述的基于气象影响因素的配网故障风险评估方法,其特征在于,还包括以下步 骤:进行气象要素因素增删和权重的调整,气象簇参数的变更,气象簇及故障气象熵的滚动 更新计算,以实现对整个模型进行优化与完善。
[0026]本发明的有益效果是,在配网故障与气象历史数据的基础上,建立配网故障与气 象各因素之间的关联模型并进行量化,进而利用天气预报对配网故障进行风险评估和预 警,为配网调度、巡检和抢修提供辅助决策支持。 、
附图说明
[0027]附图1是本发明所述的一种基于气象影响因素的配网故障风险评估方法总体流 程。
具体实施方式
[0028]下面将结合附图对本发明做更详细的说明。
[0029]参照图1所示,一种基于气象影响因素的配网故障风险评估方法,其特征在于,利 用聚类分析技术建立气象簇,并用故障气象熵对配网故障与气象簇之间的关联度进行量 化,进而可以利用天气预报对配网故障进行风险评估和预警。
[0030] 为了有效地运用本方法,至少应保证具备一年完整的配网故障数据和历史气象数 据。其中,配网故障数据应具备以下字段:故障发生时间、故障发生地点经纬度坐标、所属变 电站、故障设备名称、故障电压等级、故障原因等;历史气象数据应具备以下字段:数据时 间、气象站经纬度坐标、气象站id、温度、湿度、风速、雨量等。本方法包括以下七个步骤: [0031]步骤一:历史气象数据抽取及特征化。从气象信息系统中获取全省各自动气象站 历史气象数据,至少应包含温度、湿度、风速和雨量四个字段。可以直接使用数据值作为特 征值,并根据数据重要程度设置权重系数,默认值均为1。在此过程中,应丢弃空值和异常 值。由于历史气象数据量较大,典型的自动气象站10分钟一条数据,一年一个气象站数据量 可达52560,全省近1000各个气象站一年数据量可达到5千多万。为了减少后续步骤的计算 量,可以根据需要采用抽样的方式来减少数据量。具体抽样方法可以从时间和空间上进行 数据削减,如:增大数据时间间隔,或减掉一部分自动气象站,或将前两者结合起来使用。值 得注意的是应保证抽样的典型性和均匀性,从而不造成数据特征有大的失真。
[0032]步骤二:计算得到历史气象数据的初始中心点似温度、湿度、风速和雨量四个维 度P值来进行表征)。利用Canopy聚类算法确定所有气象特征值初始中心点,Canopy算法的 距离值参数tl、t2需要结合特征值进行考虑。初始可以设定ti = 30, t2= 15,后期可以根据 实际效果调整参数值。
[0033]步骤三:计算得到气象簇(以温度、湿度、风速和雨量四个维度的值来进行表征气 象簇的中心点)。在步骤二得到气象特征值初始中心点的基础上,通过k—means聚类算法生 成气象簇,并得到所有气象簇的中心坐标值。k-means算法的距离测量方法默认为平方欧几 里得距离测量方法,最大迭代次数默认为2〇,该参数可以在后期根据实验效果进行适当调 整。
[0034]步骤四:抽取电网故障数据并与气象数据关联。从电网故障辅助分析系统中获取 全省电网故障数据,并与气象数据进行关联。首先根据故障原因将人为外力破坏等与气象 无关的故障排除,接着对于每一条故障根据故障的发生时间和地理坐标到气象历史数据库 中进行匹配,即:先根据故障发生地点找到距离最近的自动气象站,再获取该自动气象站与 故障发生时间最为接近的一条气象数据;
[0035]步^五:将电网故障数据与气象簇关联映射。利用步骤四中得到的电网故障气象 数据与步骤三中计^得到的气象簇进行映射关联,具体做法是计算故障气象数据与各气象 簇中心点的欧式距离,并将故障与距离最小的气象簇(中心点)进行关联。经过该步骤,所有 的电网故障数据都被归类划分到各个气象簇之中。
[0036]步骤六:计算得出各个气象簇的故障气象熵。在步骤五的基础上,对于每个气象簇 计算其对应的故障气象熵。故障气象熵是一种用于量化故障气象统计相对率的指标,其计 算公式为:故障气象熵=(气象簇所关联的故障数量/总故障数量)A气象簇包含的气象数 量/总气象数量)
[0037]步骤七:根据电网区域的天气预报数据,计算获得其故障风险评估等级。首先,从 格f天气预报中获取各电网区域的天气预报值,计算该值与各气象簇中心的欧式距离,取 距离最小的中心点,从而得出其所属的气象簇。然后根据该气象簇的故障气象熵给出该预 报值对应的故障风险评估等级。故障风险评估等级可根据故障气象熵规范化得到,建议取 值区间为[0,4],各整数区间分别表示安全、黄色预警、橙色预警和红色预警。
[0038] 步骤八:模型的优化和完善。根据实际应用结果,对整个模型进行优化与完善,如 进行气象要素因素增删和权重的调整,气象簇参数的变更,气象簇及故障气象熵的滚动更 新计算等。
[0039]步骤一和步骤三运算时间较长,建议在基于Hadoop的大数据平台上利用Mahout组 件来进行并行计算,以提高计算的效率。
[0040]以上己以较佳实施例公开了本发明,然其并非用以限制本发明,凡采用等同替换 或者等效变换方式所获得的技术方案,均落在本发明的保护范围之内。

Claims (8)

1. 一种基于气象影响因素的配网故障风险评估方法,其特征在于,包括以下步骤: 步骤1:历史气象数据抽取及特征化; 步骤2:利用Canopy算法计算得到历史气象数据的初始中心点; 步骤3:利用K-Means算法计算得到气象簇; 步骤4:抽取电网故障数据并与气象数据关联; 步骤5:将电网故障数据与气象簇进行关联映射; 步骤6:计算得出各个气象簇的故障气象熵,故障气象熵是一种用于量化故障气象统计 相对率的指标,其计算公式为:故障气象熵=(气象簇所关联的故障数量/总故障数量气 象簇包含的气象数量/总气象数量); 步骤7:根据电网区域的天气预报数据,与气象簇进行关联,并根据对应气象簇的故障 气象熵得到其故障风险评估等级。
2. 根据权利要求1所述的基于气象影响因素的配网故障风险评估方法,其特征在于,所 述步骤1包括: 步骤la:从气象信息系统中获取全省各自动气象站历史气象数据,取卜2年的数据,气 象数据至少包括温度、湿度、雨量和风速因素; 步骤lb:将所有气象数据转换为特征值数据,直接使用数据值作为特征值,并根据数据 重要程度设置权重系数,默认值均为1。
3. 根据权利要求2所述的基于气象影响因素的配网故障风险评估方法,其特征在于,所 述步骤2具体为:取历史气象数据的温度、湿度、风速和雨量四个维度的值,利用Can〇py聚类 算法确定所有气象特征值初始中心点,对于Canopy算法的距离值参数tl和t2,初始设定为 tl = 30,t2 = 15。
4. 根据权利要求3所述的基于气象影响因素的配网故障风险评估方法,其特征在于,所 述步骤3具体为:在步骤2得到所有气象特征值初始中心点的基础上,分别通过K_Means聚类 算法生成气象簇,并得到各个气象簇对应的中心坐标值;K-Means最大迭代次数默认为20。
5.根据权利要求4所述的基于气象影响因素的配网故障风险评估方法,其特征在于,所 述步骤4具体为:从电网故障辅助分析系统中获取全省电网故障数据并与气象数据进行关 联,首先根据故障原因将与气象无关的故障排除,然后对于每一条故障根据故障的发生时 间和地理坐标到气象历史数据库中进行匹配,获取故障发生时的天气情况。
6.根据权利要求5所述的基于气象影响因素的配网故障风险评估方法,其特征在于,所 述步骤5具体为:利用步骤4中得到的电网故障气象数据与步骤3中计算得到的气象族进行 映射关联,计算故障气象数据与各气象簇中心点的欧式距离,并将故障与距离最小的气象 簇进行关联。
7.根据权利要求6所述的基于气象影响因素的配网故障风险评估方法,其特征在于,所 述步骤7包括: 步骤7a:从格点天气预报中获取各电网区域的天气预报值计算该值与各气象簇中心点 的欧式距离,取欧式距离最小的中心点,所述中心点所在气象簇即为该格点区域所属的气 象簇; 步骤7b:根据格点区域所属的气象簇的故障气象熵给出该预报值对应的故障风险评估 等级,故障风险评估等级根据故障气象爐规范化得到,取值区间为[〇,4],各整数区间分别 表示安全、黄色预警、橙色预警和红色预警。
8.根据权利要求7所述的基于气象影响因素的配网故障风险评估方法,其特征在于,还 包括以下步骤:进行气象要素因素增删和权重的调整,气象簇参数的变更,气象簇及故障气 象熵的滚动更新计算,以实现对整个模型进行优化与完善。
CN201410361584.5A 2014-07-28 2014-07-28 一种基于气象影响因素的配网故障风险评估方法 CN104123682B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201410361584.5A CN104123682B (zh) 2014-07-28 2014-07-28 一种基于气象影响因素的配网故障风险评估方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410361584.5A CN104123682B (zh) 2014-07-28 2014-07-28 一种基于气象影响因素的配网故障风险评估方法

Publications (2)

Publication Number Publication Date
CN104123682A CN104123682A (zh) 2014-10-29
CN104123682B true CN104123682B (zh) 2017-08-04

Family

ID=51769082

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410361584.5A CN104123682B (zh) 2014-07-28 2014-07-28 一种基于气象影响因素的配网故障风险评估方法

Country Status (1)

Country Link
CN (1) CN104123682B (zh)

Families Citing this family (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104504616A (zh) * 2014-12-22 2015-04-08 国家电网公司 基于gis和气象信息的存在运行风险的电网设备定位方法
CN104698343B (zh) * 2015-03-26 2016-06-08 广东电网有限责任公司电力调度控制中心 基于历史录波数据的电网故障判断方法和系统
CN105654229A (zh) * 2015-11-26 2016-06-08 国家电网公司 一种电网自动化系统及设备运行状态风险评估算法
CN106484838A (zh) * 2016-09-30 2017-03-08 中国南方电网有限责任公司 基于数据挖掘的安全检查标准库动态更新方法
CN107220775B (zh) * 2017-06-01 2020-04-07 东北大学 一种考虑信息系统作用的有源配电网多视角协同脆弱性评估方法
CN109002924B (zh) * 2018-07-23 2020-08-07 山东鲁能软件技术有限公司 一种配网故障抢修预测分析系统及方法
CN109359700A (zh) * 2018-11-21 2019-02-19 北京国网富达科技发展有限责任公司 一种输电线路外力破坏的分析方法、设备及系统
CN109272057A (zh) * 2018-11-21 2019-01-25 北京国网富达科技发展有限责任公司 一种雷害冰灾的聚类分析方法、设备及系统
CN109559036A (zh) * 2018-11-28 2019-04-02 国网山东省电力公司泰安供电公司 故障风险分析方法、装置及电子设备
CN109670690A (zh) * 2018-12-07 2019-04-23 泰康保险集团股份有限公司 数据信息中心监控预警方法、系统及设备
CN110705824A (zh) * 2019-08-30 2020-01-17 广东电网有限责任公司 一种基于聚类分析和关联分析的电压暂降分析方法

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033855A (zh) * 2012-12-12 2013-04-10 江苏省电力公司电力科学研究院 电网气象灾害监测预警系统
CN103810533A (zh) * 2013-08-15 2014-05-21 国家电网公司 一种基于云模型的配电网故障风险识别方法

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103033855A (zh) * 2012-12-12 2013-04-10 江苏省电力公司电力科学研究院 电网气象灾害监测预警系统
CN103810533A (zh) * 2013-08-15 2014-05-21 国家电网公司 一种基于云模型的配电网故障风险识别方法

Non-Patent Citations (3)

* Cited by examiner, † Cited by third party
Title
基于云计算的并行K-means气象数据挖掘研究与应用;潘吴斌;《中国优秀硕士学位论文全文数据库 信息科技辑》;20140215(第2期);第9-18页 *
基于气象信息的电网风险预警系统应用;李俊;《广西电力》;20131031;第36卷(第5期);第25-27页 *
基于气象环境的电力设备状态检修策略研究;李磊;《中国优秀硕士学位论文全文数据库 工程科技II辑》;20140215(第2期);第25-35页 *

Also Published As

Publication number Publication date
CN104123682A (zh) 2014-10-29

Similar Documents

Publication Publication Date Title
Dabbaghiyan et al. Evaluation of wind energy potential in province of Bushehr, Iran
Yan et al. Reviews on uncertainty analysis of wind power forecasting
Khahro et al. Evaluation of wind power production prospective and Weibull parameter estimation methods for Babaurband, Sindh Pakistan
Li et al. Risk analysis for distribution systems in the northeast US under wind storms
Mohammadi et al. Using different methods for comprehensive study of wind turbine utilization in Zarrineh, Iran
CN103337133B (zh) 基于识别预报技术的电网雷暴灾害预警系统及方法
Rajanna et al. Modeling of integrated renewable energy system for electrification of a remote area in India
CN104376510B (zh) 一种输电线路因山火跳闸的风险等级预测评估方法
CN103268366B (zh) 一种适用于分散式风电场的组合风电功率预测方法
Cutler et al. Detecting, categorizing and forecasting large ramps in wind farm power output using meteorological observations and WPPT
Corotis et al. Probability models of wind velocity magnitude and persistence
Nor et al. Feasibility assessment of wind energy resources in Malaysia based on NWP models
CN103683326B (zh) 一种区域电网风电多点接入最佳接纳能力的计算方法
CN101272040B (zh) 利用电网雷害分布进行输电线路防雷配置的方法
Wang et al. Estimation methods review and analysis of offshore extreme wind speeds and wind energy resources
de Araujo Lima et al. Wind energy assessment and wind farm simulation in Triunfo–Pernambuco, Brazil
Dong et al. Wind power day-ahead prediction with cluster analysis of NWP
CN104270091B (zh) 一种基于监控系统的光伏发电设备故障诊断方法
Wan et al. Development of an equivalent wind plant power-curve
Pookpunt et al. Design of optimal wind farm configuration using a binary particle swarm optimization at Huasai district, Southern Thailand
Kwon Uncertainty analysis of wind energy potential assessment
Gagliano et al. Assessment of micro-wind turbines performance in the urban environments: an aided methodology through geographical information systems
Ali et al. Statistical analysis of wind characteristics using Weibull and Rayleigh distributions in Deokjeok-do Island–Incheon, South Korea
Lee et al. Assessment of offshore wind energy at Younggwang in Korea
US20110172835A1 (en) System and method of curtailing energy production within congestive grid operating environments

Legal Events

Date Code Title Description
PB01 Publication
C06 Publication
SE01 Entry into force of request for substantive examination
C10 Entry into substantive examination
GR01 Patent grant
GR01 Patent grant