CN104809511B - 绝缘子污染预测方法及设备 - Google Patents

绝缘子污染预测方法及设备 Download PDF

Info

Publication number
CN104809511B
CN104809511B CN201410042448.XA CN201410042448A CN104809511B CN 104809511 B CN104809511 B CN 104809511B CN 201410042448 A CN201410042448 A CN 201410042448A CN 104809511 B CN104809511 B CN 104809511B
Authority
CN
China
Prior art keywords
insulator
prediction
pollution level
pollution
area distribution
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.)
Active
Application number
CN201410042448.XA
Other languages
English (en)
Other versions
CN104809511A (zh
Inventor
谢保国
王海峰
张盟
杜辉
芮晓光
白鑫鑫
张亚楠
尹文君
夏曦
董进
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.)
International Business Machines Corp
Original Assignee
International Business Machines Corp
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 International Business Machines Corp filed Critical International Business Machines Corp
Priority to CN201410042448.XA priority Critical patent/CN104809511B/zh
Priority to US14/601,887 priority patent/US10360538B2/en
Publication of CN104809511A publication Critical patent/CN104809511A/zh
Application granted granted Critical
Publication of CN104809511B publication Critical patent/CN104809511B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G06Q10/20—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
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • 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)
  • Strategic Management (AREA)
  • Economics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Physics & Mathematics (AREA)
  • Quality & Reliability (AREA)
  • General Business, Economics & Management (AREA)
  • Tourism & Hospitality (AREA)
  • Operations Research (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)
  • Insulators (AREA)
  • Data Mining & Analysis (AREA)
  • Evolutionary Computation (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Computational Linguistics (AREA)
  • Artificial Intelligence (AREA)
  • Software Systems (AREA)
  • Mathematical Physics (AREA)

Abstract

本发明公开了一种预测绝缘子污染程度的方法和设备。该方法包括：获取影响绝缘子污染程度的预测数据；获取绝缘子的当前污染状态；根据所述预测数据、所述当前污染状态以及绝缘子污染程度计算模型预测绝缘子污染程度，其中，所述绝缘子污染程度计算模型至少包括绝缘子的初始污染状态变量以及在所述初始污染状态变量基础上的污染物累加预测以及污染物减少预测，所述累加预测以及所述减少预测之中的至少一个与所述预测数据相关，所述初始污染状态变量与所述当前污染状态相关。利用本发明实施例的方法和设备，可以改善绝缘子污染程度的预测。

Description

绝缘子污染预测方法及设备
技术领域
本发明涉及绝缘子污染的预测，更具体而言，涉及一种基于气象等因素进行绝缘子污染预测的方法和设备。
背景技术
在电网中，空气中的灰尘、海盐等物质会在绝缘子上形成积污，积污的存在是导致绝缘子漏电从而发生绝缘子闪络(flashover of insulator)的主要原因。尤其是沿海地区，由于海盐的存在，每年都会发生大量闪络所造成的事故，这是造成电网损失主要因素之一，每年都需要花费大量的人力物力来防范绝缘子闪络的发生。
为了降低绝缘子污染所导致的闪络的发生，可采用防污闪涂料增强绝缘子串的抗污能力，这能在一定程度延迟事故的发生，但并不能从根本上解决问题。
电网防范污闪的主要方式是定期的巡检和清扫，地方供电所根据定期发布的污区分布图制定巡检和清扫计划。然而，现有的污区分布通常是根据线路所处的位置(如离海岸线的距离、工业污染区等)以及采集的绝缘子污染样本所确定的，这种污区分布的更新速度慢，与跟实际情况会有较大的误差，因此会导致绝缘子积污清扫的不彻底，不能很好预防绝缘子闪络。
现有技术中还可采用基于x射线的测量装置检测绝缘子上的盐密度和灰尘密度，然后将测量数据发回数据中心以确定污区分布，但这种方法很难在工业界得到广泛的应用，原因在于：在线路安装这种仪器的造价很高；数据传输需要借助于无线网络，成本昂贵；在沿海高湿、高盐度的恶劣环境下不能长时间工作。
由上可见，需要改进现有的绝缘子污染预测方案，从而提供一种方便、及时的绝缘子污染预测方案。
发明内容
根据本发明的第一个方面，提供了一种预测绝缘子污染程度的方法，该方法包括：获取影响绝缘子污染程度的预测数据；获取绝缘子的当前污染状态；根据所述预测数据、所述当前污染状态以及绝缘子污染程度计算模型预测绝缘子污染程度，其中，所述绝缘子污染程度计算模型至少包括绝缘子的初始污染状态变量以及在所述初始污染状态变量基础上的污染物累加预测以及污染物减少预测，所述累加预测以及所述减少预测之中的至少一个与所述预测数据相关，所述初始污染状态变量与所述当前污染状态相关。在一个改进的实施中，还可进一步根据采用本申请的方案所预测的绝缘子污染程度预测污闪。
根据本发明的第二个方面，提供了一种预测绝缘子污染程度的设备的示意图，该设备包括：第一获取模块，配置为获取影响绝缘子污染程度的预测数据；第二获取模块，配置为获取绝缘子的当前污染状态；预测模块，配置为根据所述预测数据、所述当前污染状态以及绝缘子污染程度计算模型预测绝缘子污染程度，其中，所述绝缘子污染程度计算模型至少包括绝缘子的初始污染状态变量以及在所述初始污染状态变量基础上的污染物累加预测以及污染物减少预测，所述累加预测以及所述减少预测之中的至少一个与所述预测数据相关，所述初始污染状态变量与所述当前污染状态相关。
采用本发明的方法和设备，能够改善绝缘子污染的预测。
附图说明
通过结合附图对本公开示例性实施方式进行更详细的描述，本公开的上述以及其它目的、特征和优势将变得更加明显，其中，在本公开示例性实施方式中，相同的参考标号通常代表相同部件。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。
图2示出根据本发明一个实施例的确定绝缘子污染程度的方法流程图。
图3示出根据本发明一个实施例的确定绝缘子污染程度的设备示意图。
具体实施方式
下面将参照附图更详细地描述本公开的优选实施方式。虽然附图中显示了本公开的优选实施方式，然而应该理解，可以以各种形式实现本公开而不应被这里阐述的实施方式所限制。相反，提供这些实施方式是为了使本公开更加透彻和完整，并且能够将本公开的范围完整地传达给本领域的技术人员。
所属技术领域的技术人员知道，本发明可以实现为系统、方法或计算机程序产品。因此，本公开可以具体实现为以下形式，即：可以是完全的硬件、也可以是完全的软件(包括固件、驻留软件、微代码等)，还可以是硬件和软件结合的形式，本文一般称为“电路”、“模块”或“系统”。此外，在一些实施例中，本发明还可以实现为在一个或多个计算机可读介质中的计算机程序产品的形式，该计算机可读介质中包含计算机可读的程序代码。
可以采用一个或多个计算机可读的介质的任意组合。计算机可读介质可以是计算机可读信号介质或者计算机可读存储介质。计算机可读存储介质例如可以是——但不限于——电、磁、光、电磁、红外线、或半导体的系统、装置或器件，或者任意以上的组合。计算机可读存储介质的更具体的例子(非穷举的列表)包括：具有一个或多个导线的电连接、便携式计算机磁盘、硬盘、随机存取存储器(RAM)、只读存储器(ROM)、可擦式可编程只读存储器(EPROM或闪存)、光纤、便携式紧凑磁盘只读存储器(CD-ROM)、光存储器件、磁存储器件、或者上述的任意合适的组合。在本文件中，计算机可读存储介质可以是任何包含或存储程序的有形介质，该程序可以被指令执行系统、装置或者器件使用或者与其结合使用。
计算机可读的信号介质可以包括在基带中或者作为载波一部分传播的数据信号，其中承载了计算机可读的程序代码。这种传播的数据信号可以采用多种形式，包括——但不限于——电磁信号、光信号或上述的任意合适的组合。计算机可读的信号介质还可以是计算机可读存储介质以外的任何计算机可读介质，该计算机可读介质可以发送、传播或者传输用于由指令执行系统、装置或者器件使用或者与其结合使用的程序。
计算机可读介质上包含的程序代码可以用任何适当的介质传输，包括——但不限于——无线、电线、光缆、RF等等，或者上述的任意合适的组合。
可以以一种或多种程序设计语言或其组合来编写用于执行本发明操作的计算机程序代码，所述程序设计语言包括面向对象的程序设计语言—诸如Java、Smalltalk、C++，还包括常规的过程式程序设计语言—诸如”C”语言或类似的程序设计语言。程序代码可以完全地在用户计算机上执行、部分地在用户计算机上执行、作为一个独立的软件包执行、部分在用户计算机上部分在远程计算机上执行、或者完全在远程计算机或服务器上执行。在涉及远程计算机的情形中，远程计算机可以通过任意种类的网络——包括局域网(LAN)或广域网(WAN)—连接到用户计算机，或者，可以连接到外部计算机(例如利用因特网服务提供商来通过因特网连接)。
下面将参照本发明实施例的方法、装置(系统)和计算机程序产品的流程图和/或框图描述本发明。应当理解，流程图和/或框图的每个方框以及流程图和/或框图中各方框的组合，都可以由计算机程序指令实现。这些计算机程序指令可以提供给通用计算机、专用计算机或其它可编程数据处理装置的处理器，从而生产出一种机器，这些计算机程序指令通过计算机或其它可编程数据处理装置执行，产生了实现流程图和/或框图中的方框中规定的功能/操作的装置。
也可以把这些计算机程序指令存储在能使得计算机或其它可编程数据处理装置以特定方式工作的计算机可读介质中，这样，存储在计算机可读介质中的指令就产生出一个包括实现流程图和/或框图中的方框中规定的功能/操作的指令装置(instructionmeans)的制造品(manufacture)。
也可以把计算机程序指令加载到计算机、其它可编程数据处理装置、或其它设备上，使得在计算机、其它可编程数据处理装置或其它设备上执行一系列操作步骤，以产生计算机实现的过程，从而使得在计算机或其它可编程装置上执行的指令能够提供实现流程图和/或框图中的方框中规定的功能/操作的过程。
图1示出了适于用来实现本发明实施方式的示例性计算机系统/服务器12的框图。图1显示的计算机系统/服务器12仅仅是一个示例，不应对本发明实施例的功能和使用范围带来任何限制。
如图1所示，计算机系统/服务器12以通用计算设备的形式表现。计算机系统/服务器12的组件可以包括但不限于：一个或者多个处理器或者处理单元16，系统存储器28，连接不同系统组件(包括系统存储器28和处理单元16)的总线18。
总线18表示几类总线结构中的一种或多种，包括存储器总线或者存储器控制器，外围总线，图形加速端口，处理器或者使用多种总线结构中的任意总线结构的局域总线。举例来说，这些体系结构包括但不限于工业标准体系结构(ISA)总线，微通道体系结构(MAC)总线，增强型ISA总线、视频电子标准协会(VESA)局域总线以及外围组件互连(PCI)总线。
计算机系统/服务器12典型地包括多种计算机系统可读介质。这些介质可以是任何能够被计算机系统/服务器12访问的可用介质，包括易失性和非易失性介质，可移动的和不可移动的介质。
系统存储器28可以包括易失性存储器形式的计算机系统可读介质，例如随机存取存储器(RAM)30和/或高速缓存存储器32。计算机系统/服务器12可以进一步包括其它可移动/不可移动的、易失性/非易失性计算机系统存储介质。仅作为举例，存储系统34可以用于读写不可移动的、非易失性磁介质(图3未显示，通常称为“硬盘驱动器”)。尽管图1中未示出，可以提供用于对可移动非易失性磁盘(例如“软盘”)读写的磁盘驱动器，以及对可移动非易失性光盘(例如CD-ROM，DVD-ROM或者其它光介质)读写的光盘驱动器。在这些情况下，每个驱动器可以通过一个或者多个数据介质接口与总线18相连。存储器28可以包括至少一个程序产品，该程序产品具有一组(例如至少一个)程序模块，这些程序模块被配置以执行本发明各实施例的功能。
具有一组(至少一个)程序模块42的程序/实用工具40，可以存储在例如存储器28中，这样的程序模块42包括——但不限于——操作系统、一个或者多个应用程序、其它程序模块以及程序数据，这些示例中的每一个或某种组合中可能包括网络环境的实现。程序模块42通常执行本发明所描述的实施例中的功能和/或方法。
计算机系统/服务器12也可以与一个或多个外部设备14(例如键盘、指向设备、显示器24等)通信，还可与一个或者多个使得用户能与该计算机系统/服务器12交互的设备通信，和/或与使得该计算机系统/服务器12能与一个或多个其它计算设备进行通信的任何设备(例如网卡，调制解调器等等)通信。这种通信可以通过输入/输出(I/O)接口22进行。并且，计算机系统/服务器12还可以通过网络适配器20与一个或者多个网络(例如局域网(LAN)，广域网(WAN)和/或公共网络，例如因特网)通信。如图所示，网络适配器20通过总线18与计算机系统/服务器12的其它模块通信。应当明白，尽管图中未示出，可以结合计算机系统/服务器12使用其它硬件和/或软件模块，包括但不限于：微代码、设备驱动器、冗余处理单元、外部磁盘驱动阵列、RAID系统、磁带驱动器以及数据备份存储系统等。
现在参看图2，其示出根据本发明一个实施例的用于预测绝缘子污染程度的方法流程图。如图2所示，该方法至少包括：步骤210，获取影响绝缘子污染程度的预测数据；步骤220，获取绝缘子的当前污染状态；步骤230，根据所述预测数据、所述当前污染状态以及绝缘子污染程度计算模型预测绝缘子污染程度，其中，所述绝缘子污染程度计算模型至少包括绝缘子的初始污染状态变量以及在所述初始污染状态变量基础上的污染物累加预测以及污染物减少预测，所述累加预测以及所述减少预测之中的至少一个与所述预测数据相关，所述初始污染状态变量与所述当前污染状态相关。
在步骤210中，获取影响绝缘子污染程度的预测数据。
绝缘子的污染程度受到多种因素的影响，既有相对稳定的因素，也有可预测的因素。空气中的盐分浓度、与海岸线的距离、地形、周围建筑物等因素相对稳定，不需要进行预测，但这些因素随着时间的累加，会比较稳定的影响污染物的变化。而风速、风向、降雨、空气湿度等因素也会影响到绝缘子的污染程度，这些因素相对不稳定，但却是可预测的。预测数据具体可包括以下至少一种：气象数据、环境数据、地理数据。
可在现有的商业数据中获取所需的预测数据，例如来自美国气象环境预报中心(NCEP)、美国国家大气研究中心(NCAR)、欧洲中期天气预报中心(ECMWF)、美国国家海洋和大气管理局(NOAA)等机构的气象数据或地理数据。这些气象数据、地理数据通常以格点的方式进行存储、交换，格点数据是本领域技术人员所熟知的内容，能够容易的从中提取出所需要的气象数据、地理信息等等。本申请的重点在于如何应用来自格点数据的预测数据，故在此不赘述格点数据的具体细节。
在步骤220中，获取绝缘子的当前污染状态。
在一个实施例中，当前污染状态的确定包括：根据绝缘子在污区分布中的位置确定基础污染状态；然后对所述基础污染状态进行状态更新后确定所述当前污染状态。
污区分布是一个特定区域内的绝缘子的污染程度分布状态。污区分布的确定可以采用多种方式，在一个实施例中可以采用现有的污区分布数据，即，是根据历史数据所确定的第一污区分布。在另一个实施例中，可用根据本申请的方案所确定绝缘子污染程度的基础上确定，即，根据第一污区分布以及所述绝缘子污染程度计算模型确定的第二污区分布。具体步骤可包括：根据所述第一污区分布以及所述绝缘子污染程度计算模型确定每个格点的绝缘子污染程度；然后根据每个格点的绝缘子污染程度确定某个特定区域的污区分布作为所述第二污区分布。
在步骤230中，根据所述预测数据、所述当前污染状态以及绝缘子污染程度计算模型预测绝缘子污染程度，其中，至少根据绝缘子的当前污染状态以及在所述当前污染状态基础上的污染物累加预测以及污染物减少预测确定所述绝缘子污染程度，所述累加预测以及所述减少预测之中的至少一个与所述预测数据相关，所述初始污染状态变量与所述当前污染状态相关。
在该步骤中，是在绝缘子当前污染状态的基础上结合污染的变化预测出未来某个时刻的污染状态。污染的变化具体的可以包括污染物的增加以及污染物的减少。前面介绍的气象因素、地理因素均会导致污染物的增加或减少。
在一个具体实施例中，所述污染物累加预测至少与预测数据中包括的空气密度、速度以及湿度相关。在另一个具体实施例中，所述污染物减少预测至少与预测数据中包括的降水率相关。当然，本领域技术人员在污染物的累加预测、减少预测中也可以考虑其它类型的预测数据。
故相比于现有技术，本申请中的绝缘子污染程度并没有直接采用定期确定的污区分布数据，这种根据定期的污区分布数据所确定的绝缘子污染程度是静态的，并不能反映出当前实际的污染状态，因此，在本申请的技术方案中，根据预测数据能够同时考虑污染的增长与消除两个动态因素，可以对绝缘子污染进行实时、准确的预测。
接下来，用公式(1)、(2、(3)、(4)对绝缘子污染程度计算模型进行示例性的说明：
公式(1)
在公式(1)中，I表示绝缘子污染程度，S表示污染物的累加，W表示污染的清除，因此，S对时间的偏微分表示了在该模型中污染物随时间的累加，W对时间的偏微分表示了污染物随时间的减少，将两者综合在一起来就能够表示出污染浓度随时间的变化(I对时间的偏微分)。
公式(2)
公式(2)是污染物的累加S的一个实施例，D是绝缘子所在区域的平均海盐浓度，ρ是空气密度，V是空气的速度，r是绝缘子到海岸线的垂直距离，RH是空气的相对湿度。
W=I0L·(1-e-R)公式(3)
公式(3)是绝缘子污染物的清除W的一个实施例，其中I0是绝缘子初始污染状态变量，L表示清除系数，可以通过实验测量得到，R是降水率。
因此，如果在当前时间t1的基础上预测未来时间t2时刻污染物浓度I，可通过对公式(1)进行积分获得，其中公式(1)中的各个参数是采用公式(2)、公式(3)中的具体实施例，积分的结果具体可参见公式(4)：
公式(4)
绝缘子的当前污染状态与绝缘子污染程度计算模型中的初始污染状态变量I0相关，例如，在公式(4)中，可根据当前的绝缘子污染状态确定初始污染状态变量I0，进而，通过计算该积分公式，就可确定出在未来时刻t2的绝缘子污染程度I。在公式4中，污染物累加预测表示为污染物减少预测表示为公式
在前述确定绝缘子的当前污染状态的实施例中还包括：对所述基础污染状态进行更新后确定所述当前污染状态。这是由于在污区分布确定之后绝缘子的污染程度仍然会发生变化，因此，需要根据污区分布确定时刻以及当前时刻之间所发生的事件对基础污染状态进行更新。在一个实施方式中，可考虑这两个时刻期间的历史气象数据，例如，根据近期降水清洗情况确定污染去除的程度。在另一个实施方式中，还可考虑其它影响绝缘子污染程度的时间，例如，近期是否有人工清洗，如果进行过了人工清洗则不存在污染。具体到公式(4)的实施例而言，可根据基础污染状态确定初始污染状态变量I0的数值，然后再通过积污更新对I0进行调整。
通过前述步骤210，220，230可以实现绝缘子污染的预测，在一个改进的实施例中，图2所示的实施例还可进一步包括进行绝缘子污闪预测的步骤240，该步骤是可选的。
在步骤240中，根据预测的绝缘子污染程度以及绝缘子污闪模型确定所述绝缘子发生污闪的概率，所述污闪模型表示绝缘子的污染程度与发生污闪的关系。由于根据前述步骤能够提升绝缘子污染程度的预测，故在该步骤中也能够提高绝缘子污闪预测的准确率，从而可以精确定位需要清扫的绝缘子的位置，进一步起到提高清扫的效率，降低成本的技术效果。
污闪模型可采用多种方式确定，在一个实施例中，污闪模型是根据电网的历史故障数据(例如绝缘子污染造成的电网跳闸记录)以及对应的绝缘子污染程度数据所确定的污染程度与发生故障的关系。污染物浓度越高，发生污闪的风险和概率也越高，此外，污闪的发生还与气象因素相关，例如温度、湿度、压强等等，空气湿度越大的时候，发生污闪的风险和概率也越高。
因此，在一个更为具体的实施例中，确定污闪模型时同时考虑了绝缘子污染程度以及空气湿度两种因素的影响，在该实施例中涉及了两个函数，一是污闪概率和绝缘子污染程度的概率密度函数f(I)，二是污闪概率和相对湿度的概率密度分布函数f(RH)，污闪发生概率应该为二者的联合分布的概率密度函数的积分，可参看公式(5)：
公式(5)
其中，f(I)和f(RH)均可通过历史的绝缘子污染程度、相对湿度以及由绝缘子污闪引发的输电线路跳闸事件的历史资料统计得到，I1，RH1分别是当前时间t1的绝缘子污染程度以及相对湿度，而I2，RH2分别是未来时间t2的绝缘子污染程度以及相对湿度。
在一个实施例中，还包括视觉化呈现所述污区分布，可以提供图形化的污区分布，并且用不同的颜色标识不同的污染程度。在另一个实施例中，还可根据预测的绝缘子污闪概率进行灾害预警等级分类，例如，用蓝色，黄色，橙色，红色等颜色表示不同级别的污闪概率，从而方便对不同污闪级别的区域制定不同的巡检与清扫计划。
图3示出根据本发明一个实施例的一种预测绝缘子污染程度的设备示意图，该设备包括：第一获取模块310，配置为获取影响绝缘子污染程度的预测数据；第二获取模块320，配置为获取绝缘子的当前污染状态；预测模块330，配置为根据所述预测数据、所述当前污染状态以及绝缘子污染程度计算模型预测绝缘子污染程度，其中，所述绝缘子污染程度计算模型至少包括绝缘子的初始污染状态变量以及在所述初始污染状态变量基础上的污染物累加预测以及污染物减少预测，所述累加预测以及所述减少预测之中的至少一个与所述预测数据相关，所述初始污染状态变量与所述当前污染状态相关。
在一个改进的实施例中，图3所示的设备还可包括污闪概率确定模块340，配置为根据预测的绝缘子污染程度以及绝缘子污闪模型确定所述绝缘子发生污闪的概率，所述污闪模型表示绝缘子的污染程度与发生污闪的关系。
在一个实施例中，所述污染物累加预测至少与预测数据中包括的空气密度、速度以及湿度相关。在一个更为具体的实施例中，所述污染物累加预测用公式表示，其中，D是绝缘子所在区域的平均海盐浓度，ρ是空气密度，V是空气的速度，r是绝缘子到海岸线的垂直距离，RH是空气的相对湿度，t1是绝缘子当前污染状态所对应的时间，t2是未来时刻。
在一个实施例中，所述污染物减少预测至少与预测数据中包括的降水率相关。在一个更为具体的实施例中，所述污染物减少预测用公式表示，其中，I0是绝缘子初始污染状态变量，L是清除系数，R是降水率，t1是绝缘子当前污染状态所对应的时间，t2是未来时刻。
在一个实施例中，所述预测模块320还包括：配置为根据绝缘子在污区分布中的位置确定基础污染状态的模块；配置为对所述基础污染状态进行更新后确定所述当前污染状态的模块。
在一个实施例中，其中所述污区分布是根据历史数据所确定的第一污区分布。在另一个实施例中，其中所述污区分布是根据所述第一污区分布以及所述绝缘子污染程度计算模型确定的第二污区分布，所述第一污区分布是根据历史数据所确定的。
在一个改进的实施例中，其中根据所述第一污区分布以及所述绝缘子污染程度计算模型确定第二污区分布的模块包括：配置为根据所述第一污区分布以及所述绝缘子污染程度计算模型确定每个格点的绝缘子污染程度的模块；配置为根据所述每个格点的绝缘子污染程度确定所述第二污区分布的模块。
在一个实施例中，还包括配置为视觉化呈现所述污区分布的模块。在另一个实施例中，所述预测数据包括以下至少一种：气象数据、环境数据、地理数据。
采用本申请的技术方案，能够预测绝缘子污染程度。当将本申请的技术方案通过图1所示的通用的计算机系统实现时，图1所示的计算机系统就会成为预测绝缘子污染程度的硬件设备。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上，流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分，所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意，在有些作为替换的实现中，方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如，两个连续的方框实际上可以基本并行地执行，它们有时也可以按相反的顺序执行，这依所涉及的功能而定。也要注意的是，框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合，可以用执行规定的功能或操作的专用的基于硬件的系统来实现，或者可以用专用硬件与计算机指令的组合来实现。
以上已经描述了本发明的各实施例，上述说明是示例性的，并非穷尽性的，并且也不限于所披露的各实施例。在不偏离所说明的各实施例的范围和精神的情况下，对于本技术领域的普通技术人员来说许多修改和变更都是显而易见的。本文中所用术语的选择，旨在最好地解释各实施例的原理、实际应用或对市场中的技术的技术改进，或者使本技术领域的其它普通技术人员能理解本文披露的各实施例。

Claims (16)

1.一种预测绝缘子污染程度的方法，该方法包括：
获取影响绝缘子污染程度的预测数据；
获取绝缘子的当前污染状态；
根据所述预测数据、所述当前污染状态以及绝缘子污染程度计算模型预测绝缘子污染程度，其中，所述绝缘子污染程度计算模型至少包括绝缘子的初始污染状态变量以及在所述初始污染状态变量基础上的污染物累加预测以及污染物减少预测，
所述累加预测以及所述减少预测之中的至少一个与所述预测数据相关，所述初始污染状态变量与所述当前污染状态相关，
其中，所述污染物累加预测至少与预测数据中包括的空气密度、速度以及湿度相关，并且所述污染物累加预测用公式表示，其中，D是绝缘子所在区域的平均海盐浓度，ρ是空气密度，V是空气的速度，r是绝缘子到海岸线的垂直距离，RH是空气的相对湿度，t1是绝缘子当前污染状态所对应的时间，t2是未来时刻。
2.根据权利要求1所述的方法，还包括
根据预测的绝缘子污染程度以及绝缘子污闪模型确定绝缘子发生污闪的概率，所述污闪模型表示绝缘子的污染程度与发生污闪的关系。
3.根据权利要求1所述的方法，其中，所述污染物减少预测至少与预测数据中包括的降水率相关。
4.根据权利要求3所述的方法，所述污染物减少预测用公式表示，其中，I0是绝缘子初始污染状态变量，L是清除系数，R是降水率，t1是绝缘子当前污染状态所对应的时间，t2是未来时刻。
5.根据权利要求1所述的方法，所述获取绝缘子的当前污染状态包括：
根据绝缘子在污区分布中的位置确定基础污染状态；
对所述基础污染状态进行更新后确定所述当前污染状态。
6.根据权利要求5所述的方法，其中所述污区分布是根据第一污区分布以及所述绝缘子污染程度计算模型确定的第二污区分布，所述第一污区分布是根据历史数据所确定的。
7.根据权利要求6所述的方法，其中根据所述第一污区分布以及所述绝缘子污染程度计算模型确定第二污区分布包括：
根据所述第一污区分布以及所述绝缘子污染程度计算模型确定每个格点的绝缘子污染程度；
根据所述每个格点的绝缘子污染程度确定所述第二污区分布。
8.根据权利要求1所述的方法，所述预测数据包括以下至少一种：气象数据、环境数据、地理数据。
9.一种预测绝缘子污染程度的设备，该设备包括：
第一获取模块，配置为获取影响绝缘子污染程度的预测数据；
第二获取模块，配置为获取绝缘子的当前污染状态；
预测模块，配置为根据所述预测数据、所述当前污染状态以及绝缘子污染程度计算模型预测绝缘子污染程度，其中，所述绝缘子污染程度计算模型至少包括绝缘子的初始污染状态变量以及在所述初始污染状态变量基础上的污染物累加预测以及污染物减少预测，
所述累加预测以及所述减少预测之中的至少一个与所述预测数据相关，所述初始污染状态变量与所述当前污染状态相关，
其中，所述污染物累加预测至少与预测数据中包括的空气密度、速度以及湿度相关，并且所述污染物累加预测用公式表示，其中，D是绝缘子所在区域的平均海盐浓度，ρ是空气密度，V是空气的速度，r是绝缘子到海岸线的垂直距离，RH是空气的相对湿度，t1是绝缘子当前污染状态所对应的时间，t2是未来时刻。
10.根据权利要求9所述的设备，还包括
污闪概率确定模块，配置为根据预测的绝缘子污染程度以及绝缘子污闪模型确定所述绝缘子发生污闪的概率，所述污闪模型表示绝缘子的污染程度与发生污闪的关系。
11.根据权利要求9所述的设备，其中，所述污染物减少预测至少与预测数据中包括的降水率相关。
12.根据权利要求11所述的设备，所述污染物减少预测用公式表示，其中，I0是绝缘子初始污染状态变量，L是清除系数，R是降水率，t1是绝缘子当前污染状态所对应的时间，t2是未来时刻。
13.根据权利要求9所述的设备，所述预测模块还包括：
配置为根据绝缘子在污区分布中的位置确定基础污染状态的模块；
配置为对所述基础污染状态进行更新后确定所述当前污染状态的模块。
14.根据权利要求13所述的设备，其中所述污区分布是根据第一污区分布以及所述绝缘子污染程度计算模型确定的第二污区分布，所述第一污区分布是根据历史数据所确定的。
15.根据权利要求14所述的设备，其中根据所述第一污区分布以及所述绝缘子污染程度计算模型确定第二污区分布的模块包括：
配置为根据所述第一污区分布以及所述绝缘子污染程度计算模型确定每个格点的绝缘子污染程度的模块；
配置为根据所述每个格点的绝缘子污染程度确定所述第二污区分布的模块。
16.根据权利要求9所述的设备，所述预测数据包括以下至少一种：气象数据、环境数据、地理数据。
CN201410042448.XA 2014-01-28 2014-01-28 绝缘子污染预测方法及设备 Active CN104809511B (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN201410042448.XA CN104809511B (zh) 2014-01-28 2014-01-28 绝缘子污染预测方法及设备
US14/601,887 US10360538B2 (en) 2014-01-28 2015-01-21 Predicting pollution formation on insulator structures of power grids

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201410042448.XA CN104809511B (zh) 2014-01-28 2014-01-28 绝缘子污染预测方法及设备

Publications (2)

Publication Number Publication Date
CN104809511A CN104809511A (zh) 2015-07-29
CN104809511B true CN104809511B (zh) 2018-04-17

Family

ID=53679387

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201410042448.XA Active CN104809511B (zh) 2014-01-28 2014-01-28 绝缘子污染预测方法及设备

Country Status (2)

Country Link
US (1) US10360538B2 (zh)
CN (1) CN104809511B (zh)

Families Citing this family (20)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105067043B (zh) * 2015-08-28 2017-03-29 国家电网公司 一种输变电设备积污增长率预测装置
US10796036B2 (en) * 2016-08-08 2020-10-06 International Business Machines Corporation Prediction of inhalable particles concentration
US10852341B2 (en) * 2017-06-16 2020-12-01 Florida Power & Light Company Composite fault mapping
CN108022011B (zh) * 2017-11-30 2020-06-12 国家电网公司 自然环境中绝缘子积污动态预测方法
CN108564110B (zh) * 2018-03-26 2021-07-20 上海电力学院 一种基于聚类算法的空气质量预测方法
CN108732067A (zh) * 2018-04-28 2018-11-02 国网山东省电力公司电力科学研究院 一种基于盐灰密的复合绝缘子憎水性的评价方法
CN108957253B (zh) * 2018-05-29 2020-08-21 长春工程学院 一种非规律性高粉尘导致绝缘子污闪的预警方法
CN110188916B (zh) * 2019-04-16 2023-06-06 浙江超荣力电器有限公司 一种高压电气设备的绝缘性能的预估系统及方法
CN112116176B (zh) * 2019-06-19 2022-11-04 云南电网有限责任公司玉溪供电局 基于气象因素的地区绝缘子群污闪风险评估方法和系统
CN110458451B (zh) * 2019-08-12 2022-11-15 中国南方电网有限责任公司超高压输电公司检修试验中心 一种老旧直流线路外绝缘水平评估方法
CN110796284B (zh) * 2019-09-20 2022-05-17 平安科技（深圳）有限公司 细颗粒物污染等级的预测方法、装置及计算机设备
CN110632092B (zh) * 2019-10-25 2022-05-20 云南电网有限责任公司电力科学研究院 基于高光谱技术的绝缘子表面污秽分布特性检测方法
CN111126702B (zh) * 2019-12-24 2024-02-27 武汉新烽光电股份有限公司 道路面源污染信息预测方法、装置、设备及存储介质
CN111709581A (zh) * 2020-06-18 2020-09-25 国网天津市电力公司电力科学研究院 一种绝缘子覆湿雪闪络电压的预测方法
CN111489041B (zh) * 2020-06-23 2020-10-16 平安国际智慧城市科技股份有限公司 预测污染物异常排放的方法、装置、计算机设备
CN112800293A (zh) * 2020-12-30 2021-05-14 苏州爱建电瓷有限公司 一种预测电瓷绝缘子污染程度的方法和设备
CN113095499B (zh) * 2021-03-26 2022-09-27 云南电网有限责任公司电力科学研究院 一种绝缘子等值附盐密度的预测方法
CN113469494B (zh) * 2021-05-25 2023-10-27 国网浙江省电力有限公司台州供电公司 一种山火引发线路故障风险评估方法
CN114166895A (zh) * 2021-12-03 2022-03-11 国网山西省电力公司电力科学研究院 用于测量绝缘电阻率表征外绝缘表面污秽度等级的方法
CN117217027B (zh) * 2023-11-02 2024-01-30 中国人民解放军国防科技大学 基于四维变分同化的污染物点源廓线排放估算方法和装置

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976424A (zh) * 2010-10-18 2011-02-16 江西省电力科学研究院 利用智能规则库引擎生成电力系统污区分布图的方法
CN103473445A (zh) * 2013-08-28 2013-12-25 南京南瑞集团公司 一种输电线路污闪故障概率的在线评估方法

Family Cites Families (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
KR100920529B1 (ko) 2007-09-28 2009-10-09 한국전력공사 염해 오손 예측 방법
US8456168B2 (en) 2009-07-17 2013-06-04 The Invention Science Fund I Llc Systems and methods for testing the standoff capability of an overhead power transmission line
CN101667144B (zh) 2009-09-29 2013-02-13 北京航空航天大学 一种基于共享内存的虚拟机通信方法
CN101893674B (zh) 2010-07-12 2012-10-17 沈阳工业大学 一种区域电网污闪指数预测方法
CN202887440U (zh) 2012-11-09 2013-04-17 云南电力试验研究院（集团）有限公司电力研究院 基于can总线的通信网络的盐密在线监测系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101976424A (zh) * 2010-10-18 2011-02-16 江西省电力科学研究院 利用智能规则库引擎生成电力系统污区分布图的方法
CN103473445A (zh) * 2013-08-28 2013-12-25 南京南瑞集团公司 一种输电线路污闪故障概率的在线评估方法

Non-Patent Citations (4)

* Cited by examiner, † Cited by third party
Title
基于双重人工神经网络的XP-70绝缘子串污闪概率模型的建立;徐建源等;《电工技术学报》;20081231;第23卷(第12期);第23-27页 *
悬式瓷制绝缘子表面污秽程度预测方法的研究;张建兴;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20070515;第2007年卷(第05期);第C042-11页 *
气象统计污秽与污闪预警的设计与应用研究;陈锡阳;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20111215;第2011年卷(第S2期);第C042-4页 *
输电线路悬式绝缘子动态积污研究;李彦明;《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》;20110415;第2011年卷(第04期);第C042-371页 *

Also Published As

Publication number Publication date
CN104809511A (zh) 2015-07-29
US10360538B2 (en) 2019-07-23
US20150213364A1 (en) 2015-07-30

Similar Documents

Publication Publication Date Title
CN104809511B (zh) 绝缘子污染预测方法及设备
US10386542B2 (en) Predicting ice coating status on transmission lines
CN104992254B (zh) 基于电网gis的山火与气象结合的趋势预判方法
US20240056027A1 (en) Systems and methods for distributed-solar power forecasting using parameter regularization
US10344446B2 (en) System and method of monitoring a utility structure
CN112598883B (zh) 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统
CN112488477A (zh) 高速公路应急管理系统及方法
US20230401506A1 (en) Systems and methods for visualization of flow direction in a distribution network
CN116629580B (zh) 基于gis的智慧燃气安全隐患项管理方法和物联网系统
Asman et al. Transient fault detection and location in power distribution network: A review of current practices and challenges in Malaysia
JP5931830B2 (ja) 停電戸数予測装置、停電戸数予測方法およびプログラム
CN112345972B (zh) 基于停电事件的配电网线变关系异常诊断方法、装置及系统
CN111596157B (zh) 一种电力系统故障情况预测方法、装置、系统及存储介质
CN110188939B (zh) 风电场的风功率的预测方法、系统、设备和存储介质
JP7224133B2 (ja) インフラ設備点検支援システム、インフラ設備点検支援方法及びプログラム
CN111027827A (zh) 保底通信网运行风险分析的方法、装置及计算机设备
Tippannavar et al. Smart Transformer-An Analysis of Recent Technologies for Monitoring Transformer
CN114826147A (zh) 一种光伏发电站的故障巡检方法、装置及介质
CN113049914B (zh) 一种输电线路故障诊断方法、系统、电子设备和存储介质
WO2020105151A1 (ja) 設備保守点検支援システム及び点検順序決定方法
JP2023023481A (ja) 事故発生確率推定装置、事故発生確率推定装置の制御方法及びプログラム
CN115951170B (zh) 输电线路故障监测方法、装置、计算机设备和存储介质
CN117436351B (zh) 复杂气象下基于知识图谱的电网设备故障预测方法及系统
CN116244964B (zh) 基于数值模拟和svd模型的配电网大风灾害停电预报方法
US11728767B2 (en) Techniques for quantifying behind-the-meter solar power generation

Legal Events

Date Code Title Description
C06 Publication
PB01 Publication
EXSB Decision made by sipo to initiate substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant