CN107368979B - 一种天气敏感型区域配电网扰动事件预测方法及装置 - Google Patents
一种天气敏感型区域配电网扰动事件预测方法及装置 Download PDFInfo
- Publication number
- CN107368979B CN107368979B CN201710861109.8A CN201710861109A CN107368979B CN 107368979 B CN107368979 B CN 107368979B CN 201710861109 A CN201710861109 A CN 201710861109A CN 107368979 B CN107368979 B CN 107368979B
- Authority
- CN
- China
- Prior art keywords
- weather
- disturbance
- disturbance event
- distribution network
- events
- 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
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—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
- 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本发明提供了一种天气敏感型区域配电网扰动事件预测方法及装置,其中方法包括:S1、利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;S2、将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;S3、利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;S4、结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值。
Description
技术领域
本发明涉及电能质量监测领域,尤其涉及一种天气敏感型区域配电网扰动事件预测方法及装置。
背景技术
近年来,电能质量问题一直受到电网公司和电力用户的共同关注。随着电能质量监测系统(power quality measurement system,PQMS)在各省逐步建设推广,如何有效利用数据分析技术从数据中提取信息,建立起事件的因果关系,以达到决策支持的目的是电能质量研究中值得关注和有价值的发展趋势之一。一方面,分布式电源的大面积建设,使具有电能质量治理能力的变流器运行决策需要准确地预测电能质量水平。另一方面,可靠的电能质量变化趋势预估是保证电网安全、经济运行的关键措施之一。
目前利用电能质量监测数据的深化应用大多集中于扰动类型识别、故障源定位、负荷在线监测、电能质量综合评估等方面,关于电能质量预测的相关研究较少。已有方法结合电力扰动历史数据和标准电网运行指标,通过数理统计分析方法有效评估了输配网的电能质量状态,但未考虑电能质量变化趋势。已有的相关预测方法只考虑风电系统的不确定出力对电能质量波动的影响,难以全面衡量系统的电能质量水平。
在可靠性工程中,恶劣天气条件是造成元件故障,并引发电力扰动事故的主要原因,现有方法主要针对输电网和大型风电场可靠性评估,并不适用于网络结构复杂的配电网系统。由于配电网本身的运行状态多变,导致了电能质量监测设备统计的暂态事件特征难以与配电网运行状态简单地一一对应的技术问题。
发明内容
本发明提供了一种天气敏感型区域配电网扰动事件预测方法及装置,解决了现有方法主要针对输电网和大型风电场可靠性评估,并不适用于网络结构复杂的配电网系统。由于配电网本身的运行状态多变,导致的电能质量监测设备统计的暂态事件特征难以与配电网运行状态简单地一一对应的技术问题。
本发明提供了一种天气敏感型区域配电网扰动事件预测方法,包括:
S1、利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;
S2、将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;
S3、利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;
S4、结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
作为优选,步骤S1之前还包括:
从电能质量监测平台中获取扰动事件数据和天气信息数据,根据扰动事件发生频次确定扰动事件的严重程度,并将天气信息划分为预置类型数量的天气类型。
作为优选,所述从电能质量监测平台中获取扰动事件数据和天气信息数据,根据扰动事件发生频次确定扰动事件的严重程度,并将天气信息划分为预置类型数量的天气类型之后,步骤S1之前还包括:
利用近邻排序算法,将扰动事件按照扰动事件发生时间先后进行排序,得到扰动事件的第一扰动事件时间序列。
作为优选,预置类型数量的天气类型具体包括:
正常天气,正常天气包括晴天、多云和小雨天气;
恶劣天气,恶劣天气包括中雨和大雨天气;
极端天气,极端天气包括雷电天气。
作为优选,离散隐马尔科夫模型中的隐含状态数由贝叶斯信息准则确定。
本发明提供了一种天气敏感型区域配电网扰动事件预测装置,包括:
确定单元,用于利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;
序列合成单元,用于将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;
模型训练单元,用于利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;
预警单元,用于结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
作为优选,还包括:
数据获取单元,用于从电能质量监测平台中获取扰动事件数据和天气信息数据,根据扰动事件发生频次确定扰动事件的严重程度,并将天气信息划分为预置类型数量的天气类型。
作为优选,还包括:
排序单元,用于利用近邻排序算法,将扰动事件按照扰动事件发生时间先后进行排序,得到扰动事件的第一扰动事件时间序列。
作为优选,预置类型数量的天气类型具体包括:
正常天气,正常天气包括晴天、多云和小雨天气;
恶劣天气,恶劣天气包括中雨和大雨天气;
极端天气,极端天气包括雷电天气。
作为优选,离散隐马尔科夫模型中的隐含状态数由贝叶斯信息准则确定。
从以上技术方案可以看出,本发明具有以下优点:
本发明提供了一种天气敏感型区域配电网扰动事件预测方法,包括:S1、利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;S2、将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;S3、利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;S4、结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值。
本发明中,利用离散隐马尔科夫模型中蕴含的双随机过程机制,对天气敏感型配电网的每一类天气类型下的不同严重程度的扰动事件的扰动事件时间序列进行训练,能够得到不同严重程度的扰动事件间的状态转移概率矩阵模型,再利用贝叶斯模型,能够计算出当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则能够对该天气敏感型区域配电网进行预警,将天气类型和扰动事件的严重程度通过离散隐马尔科夫模型结合,解决了现有方法主要针对输电网和大型风电场可靠性评估,并不适用于网络结构复杂的配电网系统。由于配电网本身的运行状态多变,导致的电能质量监测设备统计的暂态事件特征难以与配电网运行状态简单地一一对应的技术问题。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图仅仅是本发明的实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据提供的附图获得其他的附图。
图1为本发明提供的一种天气敏感型区域配电网扰动事件预测方法的一个实施例的流程示意图;
图2为本发明提供的一种天气敏感型区域配电网扰动事件预测方法的另一个实施例的流程示意图;
图3为本发明提供的一种天气敏感型区域配电网扰动事件预测装置的一个实施例的结构示意图;
图4为本发明提供的一种天气敏感型区域配电网扰动事件预测装置的另一个实施例的结构示意图。
具体实施方式
本发明实施例提供了一种天气敏感型区域配电网扰动事件预测方法及装置,利用离散隐马尔科夫模型中蕴含的双随机过程机制,对天气敏感型配电网的每一类天气类型下的不同严重程度的扰动事件的扰动事件时间序列进行训练,能够得到不同严重程度的扰动事件间的状态转移概率矩阵模型,再利用贝叶斯模型,能够计算出当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则能够对该天气敏感型区域配电网进行预警,将天气类型和扰动事件的严重程度通过离散隐马尔科夫模型结合,解决了现有方法主要针对输电网和大型风电场可靠性评估,并不适用于网络结构复杂的配电网系统。由于配电网本身的运行状态多变,导致的电能质量监测设备统计的暂态事件特征难以与配电网运行状态简单地一一对应的技术问题。
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
请参阅图1,本发明实施例提供了一种天气敏感型区域配电网扰动事件预测方法的一个实施例,包括:
101、利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;
需要说明的是,通过相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网,对该天气敏感型配电网进行后续的分析。
102、将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;
需要说明的是,将所有扰动事件按照其严重程度排序,合成扰动事件程度序列,再将扰动事件程度序列中相同严重程度的扰动事件按照时间先后顺序合成第二扰动事件时间序列,再考虑天气类型因素,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列,即考虑不同严重程度的扰动事件之间的时间关联特性,以及不同天气类型下扰动事件的相似关联特性。
103、利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;
需要说明的是,利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到每一类天气类型下的不同严重程度的扰动事件间的状态转移概率矩阵模型。
104、结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
需要说明的是,结合贝叶斯模型和状态转移概率矩阵模型,能够直接计算出当前状态转移至每一个严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
本发明实施例中,利用离散隐马尔科夫模型中蕴含的双随机过程机制,对天气敏感型配电网的每一类天气类型下的不同严重程度的扰动事件的扰动事件时间序列进行训练,能够得到不同严重程度的扰动事件间的状态转移概率矩阵模型,再利用贝叶斯模型,能够计算出当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则能够对该天气敏感型区域配电网进行预警,将天气类型和扰动事件的严重程度通过离散隐马尔科夫模型结合,解决了现有方法主要针对输电网和大型风电场可靠性评估,并不适用于网络结构复杂的配电网系统。由于配电网本身的运行状态多变,导致的电能质量监测设备统计的暂态事件特征难以与配电网运行状态简单地一一对应的技术问题。
以上是本发明提供的一种天气敏感型区域配电网扰动事件预测方法的一个实施例进行说明,以下将说明本发明提供的一种天气敏感型区域配电网扰动事件预测方法的另一个实施例进行说明。
请参阅图2,本发明实施例提供了一种天气敏感型区域配电网扰动事件预测方法的另一个实施例,包括:
201、从电能质量监测平台中获取扰动事件数据和天气信息数据,根据扰动事件发生频次确定扰动事件的严重程度,并将天气信息划分为3类天气类型,包括正常天气、恶劣天气和极端天气;
需要说明的是,基于电能质量监测平台,获取一个区域配电网的扰动事件数据和天气信息数据,并根据扰动事件发生频次确定扰动事件的严重程度,发生频次高的扰动事件更严重。将天气信息划分为3类天气类型,包括正常天气、恶劣天气和极端天气,其中,正常天气包括晴天、多云和小雨天气,恶劣天气包括中雨和大雨天气,极端天气包括雷雨天气。
202、利用近邻排序算法,将扰动事件按照扰动事件发生时间先后进行排序,得到扰动事件的第一扰动事件时间序列;
需要说明的是,利用近邻排序算法对数据进行清洗,将获取到的所有扰动事件数据按照时间先后进行排序,得到扰动事件的第一扰动事件时间序列。
203、利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;
需要说明的是,通过相关性分析方法分析扰动事件的严重程度和3种天气类型之间的相关性,确定天气敏感型区域配电网,对该天气敏感型配电网进行后续的分析。
204、将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按3类天气类型,划分为每一类天气类型下的第三扰动事件时间序列;
需要说明的是,将所有扰动事件按照其严重程度排序,合成扰动事件程度序列,再将扰动事件程度序列中相同严重程度的扰动事件按照时间先后顺序合成第二扰动事件时间序列,再考虑天气类型因素,将第二扰动事件时间序列按3类天气类型,最终划分为每一类天气类型下的第三扰动事件时间序列,即正常天气下的第三扰动事件时间序列、恶劣天气下的第三扰动事件时间序列和极端天气下的第三扰动事件时间序列,
205、通过贝叶斯信息准则确定离散隐马尔科夫模型中的隐含状态数,利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;
需要说明的是,通过贝叶斯信息准则确定离散隐马尔科夫模型中的隐含状态数,利用离散隐马尔科夫模型分别训练3类天气类型下的第三扰动事件时间序列,得到3类天气类型下的不同严重程度的扰动事件间的状态转移概率矩阵模型。
206、结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
需要说明的是,结合贝叶斯模型和状态转移概率矩阵模型,能够直接计算出当前状态转移至每一个严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
以上是对本发明提供的一种天气敏感型区域配电网扰动事件预测方法的另一个实施例进行说明,以下将对本发明提供的一种天气敏感型区域配电网扰动事件预测装置的一个实施例进行说明。
请参阅图3,本发明提供了一种天气敏感型区域配电网扰动事件预测装置的一个实施例,包括:
确定单元301,用于利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;
序列合成单元302,用于将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;
模型训练单元303,用于利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;
预警单元304,用于结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
本发明实施例提供了一种天气敏感型区域配电网扰动事件预测装置,利用离散隐马尔科夫模型中蕴含的双随机过程机制,通过模型训练单元303对天气敏感型配电网的每一类天气类型下的不同严重程度的扰动事件的扰动事件时间序列进行训练,能够得到不同严重程度的扰动事件间的状态转移概率矩阵模型,再通过预警单元304利用贝叶斯模型,能够计算出当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则能够对该天气敏感型区域配电网进行预警,将天气类型和扰动事件的严重程度通过离散隐马尔科夫模型结合,解决了现有方法主要针对输电网和大型风电场可靠性评估,并不适用于网络结构复杂的配电网系统。由于配电网本身的运行状态多变,导致的电能质量监测设备统计的暂态事件特征难以与配电网运行状态简单地一一对应的技术问题。
以上是对本发明提供的一种天气敏感型区域配电网扰动事件预测装置的一个实施例进行说明,以下将对本发明提供的一种天气敏感型区域配电网扰动事件预测装置的另一个实施例进行说明。
请参阅图4,本发明提供了一种天气敏感型区域配电网扰动事件预测装置的另一个实施例,包括:
数据获取单元401,用于从电能质量监测平台中获取扰动事件数据和天气信息数据,根据扰动事件发生频次确定扰动事件的严重程度,并将天气信息划分为预置类型数量的天气类型;
排序单元402,用于利用近邻排序算法,将扰动事件按照扰动事件发生时间先后进行排序,得到扰动事件的第一扰动事件时间序列;
确定单元403,用于利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;
序列合成单元404,用于将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;
模型训练单元405,用于利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;
预警单元406,用于结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
以上所述,以上实施例仅用以说明本发明的技术方案,而非对其限制;尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本发明各实施例技术方案的精神和范围。
Claims (8)
1.一种天气敏感型区域配电网扰动事件预测方法,其特征在于,包括:
S0、从电能质量监测平台中获取扰动事件数据和天气信息数据,根据扰动事件发生频次确定扰动事件的严重程度,并将天气信息划分为预置类型数量的天气类型;
S1、利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;
S2、将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;
S3、利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;
S4、结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
2.根据权利要求1所述的天气敏感型区域配电网扰动事件预测方法,其特征在于,所述从电能质量监测平台中获取扰动事件数据和天气信息数据,根据扰动事件发生频次确定扰动事件的严重程度,并将天气信息划分为预置类型数量的天气类型之后,步骤S1之前还包括:
利用近邻排序算法,将扰动事件按照扰动事件发生时间先后进行排序,得到扰动事件的第一扰动事件时间序列。
3.根据权利要求2所述的天气敏感型区域配电网扰动事件预测方法,其特征在于,预置类型数量的天气类型具体包括:
正常天气,正常天气包括晴天、多云和小雨天气;
恶劣天气,恶劣天气包括中雨和大雨天气;
极端天气,极端天气包括雷电天气。
4.根据权利要求3所述的天气敏感型区域配电网扰动事件预测方法,其特征在于,离散隐马尔科夫模型中的隐含状态数由贝叶斯信息准则确定。
5.一种天气敏感型区域配电网扰动事件预测装置,其特征在于,包括:
数据获取单元,用于从电能质量监测平台中获取扰动事件数据和天气信息数据,根据扰动事件发生频次确定扰动事件的严重程度,并将天气信息划分为预置类型数量的天气类型;
确定单元,用于利用相关性分析方法分析扰动事件的严重程度和天气类型之间的相关性,确定天气敏感型区域配电网;
序列合成单元,用于将扰动事件按照扰动事件的严重程度合成扰动事件程度序列,将扰动事件程度序列按照时间先后合成第二扰动事件时间序列,将第二扰动事件时间序列按照天气类型,划分为每一类天气类型下的第三扰动事件时间序列;
模型训练单元,用于利用离散隐马尔科夫模型分别训练每一类天气类型下的第三扰动事件时间序列,得到不同严重程度的扰动事件间的状态转移概率矩阵模型;
预警单元,用于结合贝叶斯模型和状态转移概率矩阵模型,计算当前状态转移至不同严重程度的扰动事件的状态转移概率值,若状态转移概率值高于预设阈值,则对当前状态进行预警。
6.根据权利要求5所述的天气敏感型区域配电网扰动事件预测装置,其特征在于,还包括:
排序单元,用于利用近邻排序算法,将扰动事件按照扰动事件发生时间先后进行排序,得到扰动事件的第一扰动事件时间序列。
7.根据权利要求6所述的天气敏感型区域配电网扰动事件预测装置,其特征在于,预置类型数量的天气类型具体包括:
正常天气,正常天气包括晴天、多云和小雨天气;
恶劣天气,恶劣天气包括中雨和大雨天气;
极端天气,极端天气包括雷电天气。
8.根据权利要求7所述的天气敏感型区域配电网扰动事件预测装置,其特征在于,离散隐马尔科夫模型中的隐含状态数由贝叶斯信息准则确定。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710861109.8A CN107368979B (zh) | 2017-09-21 | 2017-09-21 | 一种天气敏感型区域配电网扰动事件预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710861109.8A CN107368979B (zh) | 2017-09-21 | 2017-09-21 | 一种天气敏感型区域配电网扰动事件预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN107368979A CN107368979A (zh) | 2017-11-21 |
CN107368979B true CN107368979B (zh) | 2020-05-08 |
Family
ID=60302508
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710861109.8A Active CN107368979B (zh) | 2017-09-21 | 2017-09-21 | 一种天气敏感型区域配电网扰动事件预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107368979B (zh) |
Families Citing this family (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110084408A (zh) * | 2019-04-08 | 2019-08-02 | 上海国孚电力设计工程股份有限公司 | 电能质量数据的分布式处理方法及系统 |
CN111444240A (zh) * | 2020-03-26 | 2020-07-24 | 北京国网富达科技发展有限责任公司 | 输电线路故障预警方法及装置 |
CN111579731B (zh) * | 2020-06-28 | 2022-07-29 | 华侨大学 | 一种基于组合模型的变压器早期缺陷预警方法 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091238A (zh) * | 2014-07-11 | 2014-10-08 | 国家电网公司 | 一种恶劣天气下用户用电安全风险演化分析评估方法 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10389117B2 (en) * | 2014-05-13 | 2019-08-20 | Georgia Tech Research Corporation | Dynamic modeling and resilience for power distribution |
-
2017
- 2017-09-21 CN CN201710861109.8A patent/CN107368979B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104091238A (zh) * | 2014-07-11 | 2014-10-08 | 国家电网公司 | 一种恶劣天气下用户用电安全风险演化分析评估方法 |
CN105426970A (zh) * | 2015-11-17 | 2016-03-23 | 武汉理工大学 | 一种基于离散动态贝叶斯网络的气象威胁评估方法 |
CN106909989A (zh) * | 2017-02-24 | 2017-06-30 | 国网河南省电力公司电力科学研究院 | 一种电网扰动预测方法及装置 |
Non-Patent Citations (1)
Title |
---|
基于随机矩阵理论的电力扰动事件时空关联;莫文雄 等;《高电压技术》;20170731;第43卷(第7期);第2386-2393页 * |
Also Published As
Publication number | Publication date |
---|---|
CN107368979A (zh) | 2017-11-21 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105512474B (zh) | 一种变压器状态监测数据的异常检测方法 | |
CN102934312B (zh) | 能量产生系统及其控制 | |
CN102938021B (zh) | 一种输电线路覆冰负荷定量估计及预测方法 | |
CN105809287A (zh) | 一种高压输电线路覆冰过程综合预测方法 | |
CN107368979B (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 | |
CN106100579B (zh) | 一种基于数据分析的光伏电站故障诊断方法 | |
CN102063651A (zh) | 一种基于在线采集数据的城市电网风险评估系统 | |
CN104318347A (zh) | 一种基于多传感器信息融合的输电线路覆冰状态评估方法 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
CN113988273A (zh) | 基于深度学习的冰灾环境主动配电网态势预警及评估方法 | |
CN116363601A (zh) | 一种污染监测设备的数据采集与分析方法及系统 | |
CN116614177B (zh) | 一种光纤状态多维度参量监测系统 | |
CN111582338A (zh) | 一种电动汽车充电设施运行状态评估方法和系统 | |
Livera et al. | Intelligent cloud-based monitoring and control digital twin for photovoltaic power plants | |
CN110968703A (zh) | 基于lstm端到端抽取算法的异常计量点知识库构建方法及系统 | |
Li et al. | A line-fault cause analysis method for distribution network based on decision-making tree and machine learning | |
Hu et al. | Operational reliability evaluation method based on big data technology | |
CN112632148B (zh) | 一种考虑极端气候条件下配电网元器件智能预警方法 | |
CN111929579B (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
CN105958474B (zh) | 一种电网调控系统用输电线路动态增容方法和系统 | |
CN112949920B (zh) | 一种基于观冰代表站数据的区域覆冰预测及预警方法 | |
Schreiber et al. | Quantifying the influences on probabilistic wind power forecasts | |
Abaas et al. | Long short-term memory customer-centric power outage prediction models for weather-related power outages | |
CN111160608A (zh) | 极端降水天气指数的应用方法、应用系统、电子设备及存储介质 | |
JP2020010505A (ja) | 電力系統監視装置及び電力系統監視方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |