CN108460177B - 一种大规模多状态串并联系统的可靠性近似计算方法 - Google Patents

一种大规模多状态串并联系统的可靠性近似计算方法 Download PDF

Info

Publication number
CN108460177B
CN108460177B CN201810008453.7A CN201810008453A CN108460177B CN 108460177 B CN108460177 B CN 108460177B CN 201810008453 A CN201810008453 A CN 201810008453A CN 108460177 B CN108460177 B CN 108460177B
Authority
CN
China
Prior art keywords
nodes
probability distribution
parallel
node
series
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
CN201810008453.7A
Other languages
English (en)
Other versions
CN108460177A (zh
Inventor
丁一
林雨
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.)
Zhejiang University ZJU
Original Assignee
Zhejiang University ZJU
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 Zhejiang University ZJU filed Critical Zhejiang University ZJU
Priority to CN201810008453.7A priority Critical patent/CN108460177B/zh
Priority to US16/313,146 priority patent/US20190286686A1/en
Priority to PCT/CN2018/079377 priority patent/WO2019134258A1/zh
Publication of CN108460177A publication Critical patent/CN108460177A/zh
Application granted granted Critical
Publication of CN108460177B publication Critical patent/CN108460177B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
    • 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
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/17—Function evaluation by approximation methods, e.g. inter- or extrapolation, smoothing, least mean square method
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02E—REDUCTION OF GREENHOUSE GAS [GHG] EMISSIONS, RELATED TO ENERGY GENERATION, TRANSMISSION OR DISTRIBUTION
    • Y02E60/00—Enabling technologies; Technologies with a potential or indirect contribution to GHG emissions mitigation
    • 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
    • Y04S40/00—Systems for electrical power generation, transmission, distribution or end-user application management characterised by the use of communication or information technologies, or communication or information technology specific aspects supporting them
    • Y04S40/20—Information technology specific aspects, e.g. CAD, simulation, modelling, system security

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Mathematical Analysis (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Geometry (AREA)
  • Evolutionary Computation (AREA)
  • Computer Hardware Design (AREA)
  • Algebra (AREA)
  • Databases & Information Systems (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Evolutionary Biology (AREA)
  • Operations Research (AREA)
  • Probability & Statistics with Applications (AREA)
  • Complex Calculations (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种大规模多状态串并联系统的可靠性近似计算方法。针对多状态串并联系统，将任一父节点与其下属的所有子节点之间的连接结构分为四类，然后针对四类采用不同方式进行处理，通过上述四种分类对完整树结构从末端的叶节点开始向上递进对各个层次的父节点的状态概率分布依次进行计算，最终能获得整个多状态串并联系统的根端父节点的状态概率分布，从而获得多状态串并联系统的可靠性。本发明实现了大规模多状态串并联系统的可靠性近似计算，实现了计算精度和计算效率的平衡，将计算复杂度从原先精确计算的指数式复杂度提升到二次项式，大大提高了计算速度。

Description

一种大规模多状态串并联系统的可靠性近似计算方法
技术领域
本发明涉及多状态串并联系统的可靠性评估，特别是一种大规模多状态串并联系统的可靠性近似计算方法。
背景技术
多状态系统作为二元状态系统的推广，能够更加细致地描述实际工程中的复杂系统。而串并联结构是一种最常见的系统结构，广泛地应用于电力系统、传输系统等领域；同时，基于串并联系统的装机问题、备用设计问题等都是时下热门的研究方向。因此，多状态串并联系统的可靠性评估在实际工程中有着重要的作用。
而随着工业水平的发展，工程系统的规模逐步扩大。在大规模多状态串并联系统中，系统的元件与状态数量都非常庞大。比如，随着新能源的快速发展，越来越多的风力发电机连接到电网中，而一个风机的可靠性就需要数十个、上百个状态来精细地刻画。因此，大规模多状态串并联系统对可靠性的计算效率提出了极高的要求。
传统的多状态串并联系统的评估方法，比如UGF方法、迭代法(recursivemethod)、蒙特卡洛模拟法等，在计算大规模系统时都因为计算效率而受局限。由于精确计算系统可靠性往往需要指数式的计算复杂度，这种计算负担对大规模系统是无法承受的。所以寻找一种既计算高效、有结果准确的大规模多状态串并联系统可靠性评估的近似计算方法就成为了当务之急。
发明内容
本发明的目的是克服当前大规模系统可靠性评估方法的不足，提出了一种大规模多状态串并联系统的可靠性近似计算方法，采用连续离散近似方式来快速高效地近似计算大规模多状态串并联系统的可靠性，并且提供一个相对准确、误差可接受的近似结果。
本发明的大规模是指串并联系统中的系统元件达到百个及以上元件规模的串并联系统。当元件达到或者超过这个量级时，传统的系统可靠性精确评估法计算耗时将十分巨大、而且计算效率低下。
本发明的目的是通过以下步骤的技术方案实现的：
针对已转换为用树结构表示的多状态串并联系统，然后将任一父节点与其下属的所有子节点之间的连接结构分为四类，第一类为仅由多个元件作为子节点并联连接到同一父节点而形成的并联子系统，第二类为由多个元件和多个下属连接方式均为串联的节点作为子节点并联连接到同一父节点而形成的并联子系统，第三类为仅由多个元件串联连接到同一父节点而形成的串联子系统，第四类为由多个元件和多个下属连接方式均为并联的节点作为子节点串联连接到同一父节点而形成的串联子系统；
若父节点的下属连接方式为串联，则父节点下属的子节点的下属连接方式不可能为串联，是由于下属连接方式为串联的子节点下属的元件全部都可等价地视为下属连接方式为串联的父节点下属的元件；同理，若父节点的下属连接方式为并联，则父节点下属的子节点的下属连接方式不可能为并联，是由于下属连接方式为并联的子节点下属的元件全部都可等价地视为下属连接方式为并联的父节点下属的元件。
针对四类采用不同方式进行处理：
A)针对如图2所示的仅由多个元件作为子节点并联连接到同一父节点而形成的并联子系统，先计算连续化值(continuation value)并比较，然后采用高斯近似法或者UGF方法进行计算获得父节点的状态概率分布；
B)针对如图4所示的由多个元件和多个下属连接方式均为串联的节点作为子节点并联连接到同一父节点而形成的并联子系统，先计算连续化值(continuation value)并比较，然后采用高斯近似法或者UGF方法进行计算获得父节点的状态概率分布；其中每个下属连接方式均为串联的节点的状态概率分布采用C)或者D)方式进行相同处理获得；
B)具体实施是将每个下属连接方式均为串联的节点均看做一个元件，再采用A)方式进行相同处理获得父节点的状态概率分布。
C)针对如图1所示的仅由多个元件串联连接到同一父节点而形成的串联子系统，采用UGF方法计算获得父节点的状态概率分布；
D)针对如图3所示的由多个元件和多个下属连接方式均为并联的节点作为子节点串联连接到同一父节点而形成的串联子系统，首先对下属连接方式均为并联的节点的状态概率分布进行离散化判断和处理，元件节点的状态概率分布都是离散的不需要进行离散化处理，使得父节点下属的所有子节点均为离散化状态，然后用UGF方法进行计算获得父节点的状态概率分布；其中每个下属连接方式均为并联的节点的状态概率分布采用A)或者B)方式进行相同处理获得；
D)具体实施是将每个下属连接方式均为并联的节点均看做一个元件，再采用C)方式进行相同处理获得父节点的状态概率分布。
由于用树结构表示的多状态串并联系统均可细分为上述四种分类情况的组合，因此通过上述四种分类对完整树结构从末端的叶节点开始向上递进对各个层次的父节点的状态概率分布依次进行计算，最终能获得整个多状态串并联系统的根端父节点的状态概率分布，从而获得多状态串并联系统的可靠性。
本发明中，任意的多状态串并联系统转化为一棵树结构，而这棵树结构的串联或并联层具有图3或者图4所示的结构，即：任意具有并联下属连接方式的父节点P只有具有串联下属连接方式的子节点S和代表元件的子节点E；反之，任意具有串联下属连接方式的父节点S只有具有并联下属连接方式的子节点S和代表元件的子节点E。系统结构树表示法，可以简单明了地体现串并联系统的结构信息，并将串并联系统分割成不同层次的串联子系统和并联子系统。
本发明方法实施前已将将多状态串并联系统转换为用树结构表示，分为不同层次的串联子系统和并联子系统。
所述的树结构中，树结构末端的每个叶节点记录有一个元件的状态概率分布信息，一个叶节点对应一个元件，并且树结构末端均为叶节点，父子节点中的父节点记录父节点与下属的所有子节点之间的下属连接方式。
元件代表的叶节点和所有其他节点均具有多种状态，各个状态具有各自的概率。初始情况下，元件的状态概率分布是已知的，元件的叶节点以外的其他节点的状态概率分布均是未知，需要通过本发明方法进行计算获得。不同的元件或者节点的状态种类和数量可以不同，而导致了各个节点的状态概率分布的可以不同。
父节点与其下属的所有子节点之间的连接方式仅有一种，为串联或者并联。如图2中，若父节点为P，则表示父节点与其所有子节点以并联方式连接；如图1中，若父节点为S，则表示父节点与其所有子节点以串联的方式连接。
所述的元件是指多状态系统中的工作元件，例如：发电系统中的火力发电机、风力发电机、光伏太阳能板等；传输系统中的传输带、管道、输电线等；机械系统中的各类器件等。
所述A)针对仅由多个元件作为子节点并联连接到同一父节点(即该父节点具有并联下属连接方式)而形成的并联子系统，具体采用以下方式进行处理：
首先，采用以下公式计算获得并联子系统的父节点的连续化值：
Figure BDA0001539456560000031
其中，Q表示连续化值，Ei表示各个元件所具有的状态数量，i表示元件的序数，n表示元件的总数；
然后，将计算得到的连续化值Q与预先设定的连续化阈值Q0比较：
若Q<Q0，则认为当前计算复杂度较小，采用通用生成函数法(UGF，UniversalGenerating Function)方法计算得到父节点的状态概率分布；
若Q≥Q0则认为当前计算复杂度较高，采用高斯近似方法计算得到父节点的状态概率分布。
所述A)针对仅由多个元件和多个下属连接方式均为串联的节点作为子节点并联连接到同一父节点(即该父节点具有并联下属连接方式)而形成的并联子系统，具体采用以下方式进行处理：
首先，采用以下公式计算获得并联子系统的父节点的连续化值：
Figure BDA0001539456560000041
其中，|Ei|表示第i个元件节点所具有的状态数量，i表示元件的序数，n表示元件的总数；|Sj|表示第j个下属连接方式均为串联的节点所具有的状态数量(若节点下还有其他子节点，将所有状态数量取并集，重叠出现相同的状态合并为一个状态来计算)，j表示下属连接方式均为串联的节点的序数，m表示下属连接方式均为串联的节点的总数；
然后，将计算得到的连续化值Q与预先设定的连续化阈值Q0比较：
若Q<Q0，则认为当前计算复杂度较小，采用通用生成函数法(UGF，UniversalGenerating Function)方法方法计算得到父节点的状态概率分布；
若Q≥Q0则认为当前计算复杂度较高，采用高斯近似方法计算得到父节点的状态概率分布。
本发明中，认为所有元件均满足条件：各个元件之间是独立的；元件的状态概率分布是离散的；元件的状态限定在一个有限范围内，则所有各独立元件的并联后组成的子系统的状态概率分布趋近于高斯分布。
所述采用高斯近似方法计算得到父节点的状态概率分布，具体为：
采用以下公式计算获得父节点的期望值和方差值，并由父节点的期望值和方差值构成父节点的高斯分布，并作为父节点的状态概率分布：
Figure BDA0001539456560000042
其中，μ表示父节点的期望值，
Figure BDA0001539456560000043
表示父节点下属的第i个子节点的状态概率加权平均值，σ2表示父节点的方差值，
Figure BDA0001539456560000044
表示父节点下属的第i个子节点的方差值，i表示父节点下属的子节点的序数，n表示父节点下属的子节点的总数。
状态概率加权平均值
Figure BDA0001539456560000045
是由子节点下所有状态与各自的状态概率值相乘后再相加取平均的值，方差值
Figure BDA0001539456560000046
是由子节点所有状态与各自的状态概率值计算获得的方差。
所述D)中，对下属连接方式均为并联的节点的状态概率分布进行离散化判断和处理，具体为：
首先，进行判断：
如果子节点的状态概率分布是离散的，则不进行离散化处理；
如果子节点的状态概率分布是不离散的，则子节点的状态概率分布一定为高斯分布，因此采用以下方式进行离散化处理：
然后，将位于[α-3·β,α+3·β]区间段内的子节点的状态概率分布等分成D个子区间段，α表示子节点状态概率分布中的期望值，β表示子节点状态概率分布中的标准差，取相邻子区间段之间的端点和两侧子区间段的外端点所在的状态为离散状态，获得D+1个离散状态，再采用以下公式进行概率归一化得到最终状态概率分布：
wk＝max(α-3·β,0)+k×6β/D
Figure BDA0001539456560000051
其中，f(·)为子节点的高斯分布的概率分布函数，wk和pk分别为概率归一化后的第k个离散状态以及离散状态的概率。
所述B)中，每个下属连接方式均为串联的节点的状态概率分布采用C)或者D)方式进行相同处理获得，具体为：下属仅有元件且下属连接方式为串联的节点(如图1所示)的状态概率分布采用C)方法进行处理获得，下属有元件和多个下属连接方式均为并联的子节点且自身下属连接方式为串联的节点(如图3所示)的状态概率分布采用D)方法进行处理获得。
所述D)中，每个下属连接方式均为并联的节点的状态概率分布采用A)或者B)方式进行相同处理获得，具体为：下属仅有元件且下属连接方式为并联的节点(如图2所示)的状态概率分布采用A)方法进行处理获得，下属包含有元件和多个下属连接方式均为串联的子节点且自身下属连接方式为并联的节点(如图3所示)的状态概率分布采用B)方法进行处理获得。
本发明的有益效果：
本发明以大规模多状态串并联系统为分析对象，提出连续离散近似法来近似计算系统的可靠性。
本发明通过预先设定的连续化阈值和离散化值调整计算过程，以实现计算精度和计算效率的平衡。并且本发明将计算复杂度从原先精确计算的指数式复杂度提升到二次项式，大大提高了计算速度。
因此，本发明具有计算效率高、结果误差小、计算灵活强、适用范围广的特点。本发明为大规模电力系统可靠性分析的快速计算提供了一条行之有效的技术途径。
附图说明
附图1为本发明多状态串并联系统典型结构之一的示意图。
附图2为本发明多状态串并联系统典型结构之二的示意图。
附图3为本发明多状态串并联系统典型结构之三的示意图。
附图4为本发明多状态串并联系统典型结构之四的示意图。
附图5为本发明实施例的多状态串并联系统结构的示意图。
附图6为实施例以D＝11的连续离散方法得到的可靠性分布函数与其精确分布的对比图。
附图7为实施例以D＝30时连续离散方法得到的可靠性分布函数图。
具体实施方式
本发明以下结合实施例及其附图作进一步说明如下。
本发明实施例如下：
本实施例以一个简化的电力系统为例，该系统的系统结构树如图5所示。该电力系统分为发电系统和电力传输系统两个部分。发电系统由7个机组并联组成，分别是2个A型机组和5个B型机组，各机组的状态分布见表1。传输线系统由3根相同的传输线组成，每条传输线正常运行时的传输容量为285kW，其故障概率为0.03。本实施例采用连续离散近似法评估该电力系统的可靠性，并将近似结果和精确结果对比。在本实施例的计算过程中，取连续化阈值Q0＝1000。
表1电力系统各机组的状态分布
Figure BDA0001539456560000061
采用本发明提出的连续离散近似法计算该电力系统可靠性。该系统可以分成传输子系统P1和发电子系统P2。传输子系统的连续化值小于连续化阈值Q＝23<Q0，而发电子系统的连续化值大于连续化阈值Q＝67>Q0，因此，传输子系统采用UGF方法计算其精确结果，而发电子系统采用高斯近似计算其高斯函数。然后，再将高斯函数离散化得到的概率状态分布与传输子系统的概率状态分布，采用UGF方法计算二者串联的结果，即可得到该电力系统的可靠性分布。
本实施例采用不同的离散化值D会有不同的效果。该实施例电力系统若采用精确计算，需要2261个不同的状态来表示系统最终的可靠性分布结果，而采用本发明的连续离散方法，所需要的状态数量会大大降低。图6给出当D＝11的连续离散方法得到的可靠性分布函数与其精确分布的对比图。当D＝11时，只需要13个状态来表示该系统，而在这13个状态处的可靠性绝对误差的平均值为0.0212。图7给出了当D＝30时连续离散方法得到的可靠性分布函数。此时，连续离散近似法采用32个状态来表示最终的结果，而在这32状态处的可靠性绝对误差的平均值为0.0111。对比图6和图7，可知提高参数D可以提升计算结果的准确程度。
由此可见，本发明可以高效地计算电力系统的可靠性，并且得到的近似结果的精度较高。当处理大规模系统时，本发明在计算效率和计算精确性方面的优势将更加明显。而通过调整预设定参数Q0和D，可以调整计算复杂度和计算精确度；而参数的选定可根据所处理的系统规模和可利用的计算资源等实际情况而定。
最后应当说明的是，以上实例仅用于说明本发明的技术方案和效果，而非对其使用范围的限定。

Claims (8)

1.一种大规模多状态串并联系统的可靠性近似计算方法，其特征在于：
针对已转换为用树结构表示的多状态串并联系统，将任一父节点与其下属的所有子节点之间的连接结构分为四类，第一类为仅由多个元件作为子节点并联连接到同一父节点而形成的并联子系统，第二类为由多个元件和多个下属连接方式均为串联的节点作为子节点并联连接到同一父节点而形成的并联子系统，第三类为仅由多个元件串联连接到同一父节点而形成的串联子系统，第四类为由多个元件和多个下属连接方式均为并联的节点作为子节点串联连接到同一父节点而形成的串联子系统；
针对四类采用不同方式进行处理：
A)针对仅由多个元件作为子节点并联连接到同一父节点而形成的并联子系统，先计算连续化值并比较，然后采用高斯近似法或者UGF方法进行计算获得父节点的状态概率分布；
B)针对由多个元件和多个下属连接方式均为串联的节点作为子节点并联连接到同一父节点而形成的并联子系统，先计算连续化值并比较，然后采用高斯近似法或者UGF方法进行计算获得父节点的状态概率分布；其中每个下属连接方式均为串联的节点的状态概率分布采用C)或者D)方式进行相同处理获得；
C)针对仅由多个元件串联连接到同一父节点而形成的串联子系统，采用UGF方法计算获得父节点的状态概率分布；
D)针对由多个元件和多个下属连接方式均为并联的节点作为子节点串联连接到同一父节点而形成的串联子系统，首先对下属连接方式均为并联的节点的状态概率分布进行离散化判断和处理，使得父节点下属的所有子节点均为离散化状态，然后用UGF方法进行计算获得父节点的状态概率分布；其中每个下属连接方式均为并联的节点的状态概率分布采用A)或者B)方式进行相同处理获得；
通过上述四种分类对完整树结构从末端的叶节点开始向上递进对各个层次的父节点的状态概率分布依次进行计算，最终能获得整个多状态串并联系统的根端父节点的状态概率分布，从而获得多状态串并联系统的可靠性。
2.根据权利要求1所述的一种大规模多状态串并联系统的可靠性近似计算方法，其特征在于：所述的树结构中，树结构末端的每个叶节点记录有一个元件的状态概率分布信息，父子节点中的父节点记录父节点与下属的所有子节点之间的下属连接方式。
3.根据权利要求1所述的一种大规模多状态串并联系统的可靠性近似计算方法，其特征在于：所述A)针对仅由多个元件作为子节点并联连接到同一父节点而形成的并联子系统，具体采用以下方式进行处理：
首先，采用以下公式计算获得并联子系统的父节点的连续化值：
Figure FDA0002386115990000021
其中，Q表示连续化值，|Ei|表示各个元件所具有的状态数量，i表示元件的序数，n表示元件的总数；
然后，将计算得到的连续化值Q与预先设定的连续化阈值Q0比较：
若Q<Q0，则采用通用生成函数法方法计算得到父节点的状态概率分布；
若Q≥Q0，则采用高斯近似方法计算得到父节点的状态概率分布。
4.根据权利要求1所述的一种大规模多状态串并联系统的可靠性近似计算方法，其特征在于：
所述B)针对由多个元件和多个下属连接方式均为串联的节点作为子节点并联连接到同一父节点而形成的并联子系统，具体采用以下方式进行处理：
首先，采用以下公式计算获得并联子系统的父节点的连续化值：
Figure FDA0002386115990000022
其中，|Ei|表示第i个元件节点所具有的状态数量，i表示元件的序数，n表示元件的总数；|Sj|表示第j个下属连接方式均为串联的节点所具有的状态数量，j表示下属连接方式均为串联的节点的序数，m表示下属连接方式均为串联的节点的总数；
然后，将计算得到的连续化值Q与预先设定的连续化阈值Q0比较：
若Q<Q0，则采用通用生成函数法方法计算得到父节点的状态概率分布；
若Q≥Q0，则采用高斯近似方法计算得到父节点的状态概率分布。
5.根据权利要求3或4所述的一种大规模多状态串并联系统的可靠性近似计算方法，其特征在于：所述采用高斯近似方法计算得到父节点的状态概率分布，具体为：采用以下公式计算获得父节点的期望值和方差值，并由父节点的期望值和方差值构成父节点的高斯分布，并作为父节点的状态概率分布：
Figure FDA0002386115990000023
其中，μ表示父节点的期望值，
Figure FDA0002386115990000024
表示父节点下属的第i个子节点的状态概率加权平均值，σ2表示父节点的方差值，
Figure FDA0002386115990000025
表示父节点下属的第i个子节点的方差值，i表示父节点下属的子节点的序数，n表示父节点下属的子节点的总数。
6.根据权利要求1所述的一种大规模多状态串并联系统的可靠性近似计算方法，其特征在于：所述D)中，对下属连接方式均为并联的节点的状态概率分布进行离散化判断和处理，具体为：
首先，进行判断：
如果子节点的状态概率分布是离散的，则不进行离散化处理；
如果子节点的状态概率分布是不离散的，则采用以下方式进行离散化处理：
然后，将位于[α-3·β,α+3·β]区间段内的子节点的状态概率分布等分成D个子区间段，α表示子节点状态概率分布中的期望值，β表示子节点状态概率分布中的标准差，取相邻子区间段之间的端点和两侧子区间段的外端点所在的状态为离散状态，获得D+1个离散状态，再采用以下公式进行概率归一化得到最终状态概率分布：
wk＝max(α-3·β,0)+k×6β/D
Figure FDA0002386115990000031
其中，f(·)为子节点的高斯分布的概率分布函数，wk和pk分别为概率归一化后的第k个离散状态以及离散状态的概率。
7.根据权利要求1所述的一种大规模多状态串并联系统的可靠性近似计算方法，其特征在于：所述B)中，每个下属连接方式均为串联的节点的状态概率分布采用C)或者D)方式进行相同处理获得，具体为：下属仅有元件且下属连接方式为串联的节点的状态概率分布采用C)方法进行处理获得，下属有元件和多个下属连接方式均为并联的子节点且自身下属连接方式为串联的节点的状态概率分布采用D)方法进行处理获得。
8.根据权利要求1所述的一种大规模多状态串并联系统的可靠性近似计算方法，其特征在于：所述D)中，每个下属连接方式均为并联的节点的状态概率分布采用A)或者B)方式进行相同处理获得，具体为：下属仅有元件且下属连接方式为并联的节点的状态概率分布采用A)方法进行处理获得，下属包含有元件和多个下属连接方式均为串联的子节点且自身下属连接方式为并联的节点的状态概率分布采用B)方法进行处理获得。
CN201810008453.7A 2018-01-04 2018-01-04 一种大规模多状态串并联系统的可靠性近似计算方法 Active CN108460177B (zh)

Priority Applications (3)

Application Number Priority Date Filing Date Title
CN201810008453.7A CN108460177B (zh) 2018-01-04 2018-01-04 一种大规模多状态串并联系统的可靠性近似计算方法
US16/313,146 US20190286686A1 (en) 2018-01-04 2018-03-17 Approximate evaluation method for reliability of large-scale multi-state series-parallel system
PCT/CN2018/079377 WO2019134258A1 (zh) 2018-01-04 2018-03-17 一种大规模多状态串并联系统的可靠性近似计算方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201810008453.7A CN108460177B (zh) 2018-01-04 2018-01-04 一种大规模多状态串并联系统的可靠性近似计算方法

Publications (2)

Publication Number Publication Date
CN108460177A CN108460177A (zh) 2018-08-28
CN108460177B true CN108460177B (zh) 2020-06-23

Family

ID=63221293

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201810008453.7A Active CN108460177B (zh) 2018-01-04 2018-01-04 一种大规模多状态串并联系统的可靠性近似计算方法

Country Status (3)

Country Link
US (1) US20190286686A1 (zh)
CN (1) CN108460177B (zh)
WO (1) WO2019134258A1 (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110321239B (zh) * 2019-06-26 2021-01-15 北京航空航天大学 基于系统生存特征的系统可靠性评估方法
CN111222097B (zh) * 2020-01-07 2022-02-08 武汉大学 光伏直流升压汇集系统可靠性评估及灵敏度分析方法
CN117540581B (zh) * 2024-01-09 2024-04-02 华北电力大学 卡诺电池储能系统可靠性评估方法、系统、设备及介质

Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537134A (zh) * 2014-06-16 2015-04-22 北京空间飞行器总体设计部 一种动态级联耦合机电系统的可靠性建模与评估方法
CN105932708A (zh) * 2016-07-14 2016-09-07 国网山东省电力公司电力科学研究院 基于通用生成函数的高压直流输电系统可靠性计算方法
CN106844877A (zh) * 2016-12-28 2017-06-13 中国人民解放军军械工程学院 多状态多阶段任务系统可靠性参数的分析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102403716A (zh) * 2011-10-28 2012-04-04 上海电力学院 一种多馈入交直流电网动态等值的方法
CN103036230B (zh) * 2012-12-10 2016-03-23 上海市电力公司 一种基于工程应用的交直流混联大电网的动态等值方法
US8909582B2 (en) * 2013-02-04 2014-12-09 Nec Corporation Hierarchical latent variable model estimation device, hierarchical latent variable model estimation method, and recording medium
CN105449666B (zh) * 2015-10-20 2018-04-24 中国农业大学 适用于微电网的多状态等值分析方法及系统
CN106408107A (zh) * 2016-08-24 2017-02-15 电子科技大学 一种互联发电系统的可靠性评估方法
CN106960394A (zh) * 2017-03-09 2017-07-18 国网新疆电力公司 一种基于蒙特卡罗的交直流混联电网输电能力评估方法

Patent Citations (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104537134A (zh) * 2014-06-16 2015-04-22 北京空间飞行器总体设计部 一种动态级联耦合机电系统的可靠性建模与评估方法
CN105932708A (zh) * 2016-07-14 2016-09-07 国网山东省电力公司电力科学研究院 基于通用生成函数的高压直流输电系统可靠性计算方法
CN106844877A (zh) * 2016-12-28 2017-06-13 中国人民解放军军械工程学院 多状态多阶段任务系统可靠性参数的分析方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
中压配电网可靠性评估方法的比较研究;赵华 等;《电网技术》;20131130;第37卷(第11期);全文 *
基于事故树分析的铁路牵引供电系统可靠性评价;陈绍宽 等;《铁道学报》;20061231;第28卷(第6期);全文 *

Also Published As

Publication number Publication date
WO2019134258A1 (zh) 2019-07-11
CN108460177A (zh) 2018-08-28
US20190286686A1 (en) 2019-09-19

Similar Documents

Publication Publication Date Title
Wang et al. A scenario-based analytical method for probabilistic load flow analysis
CN108400595B (zh) 一种考虑新能源出力相关性的电压暂降随机预估方法
CN108074035B (zh) 多场景分布式光伏接入配电网运行风险评估方法
CN108460177B (zh) 一种大规模多状态串并联系统的可靠性近似计算方法
CN108336739B (zh) 一种基于rbf神经网络的概率潮流在线计算方法
CN109670213B (zh) 一种风电场多机等值建模方法及装置
Galvani et al. Data clustering based probabilistic optimal power flow in power systems
CN112329339B (zh) 一种风电场短期风速预测方法
CN112036067A (zh) 一种沟槽电缆稳态温升预测方法
Ali et al. Optimal planning of uncertain renewable energy sources in unbalanced distribution systems by a multi‐objective hybrid PSO–SCO algorithm
Zhang et al. A genetic algorithm approach to parameter estimation for PV modules
CN107204616B (zh) 基于自适应稀疏伪谱法的电力系统随机状态估计方法
Wang et al. Accurate solar cell modeling via genetic Neural network-based Meta-Heuristic algorithms
Wang et al. Fault diagnosis of cascaded inverter based on PSO-BP neural networks
US20200025810A1 (en) Low-observability matrix completion
CN115173421A (zh) 一种基于渐进拉丁超立方采样的概率最优潮流计算方法
CN115275975A (zh) 一种光储充电站电力数据匹配度的确定方法及装置
CN112733348B (zh) 基于多项式和最大熵模型的混联电网概率计算方法及装置
Ghosh et al. Optimal sizing and placement of DG units in radial distribution system using cuckoo search algorithm
CN115062532A (zh) 一种电压暂降监测点配置方法
Duan et al. High performance computing (hpc) for advanced power system studies
CN109494747B (zh) 一种基于交替梯度算法的电网概率潮流计算方法
Sun et al. Probabilistic optimal power flow considering correlation of wind farms via Markov Chain Quasi-Monte Carlo sampling
CN110829434B (zh) 一种提高深度神经网络潮流模型扩展性的方法
CN114221334A (zh) 一种基于图神经网络的快速状态估计方法

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