CN108596449A - 一种考虑天气对配电网故障概率影响的配电网可靠性预测方法 - Google Patents
一种考虑天气对配电网故障概率影响的配电网可靠性预测方法 Download PDFInfo
- Publication number
- CN108596449A CN108596449A CN201810310585.5A CN201810310585A CN108596449A CN 108596449 A CN108596449 A CN 108596449A CN 201810310585 A CN201810310585 A CN 201810310585A CN 108596449 A CN108596449 A CN 108596449A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- weather
- probability
- power distribution
- reliability
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 33
- 238000013528 artificial neural network Methods 0.000 claims abstract description 23
- 238000012706 support-vector machine Methods 0.000 claims abstract description 17
- 238000000205 computational method Methods 0.000 claims abstract description 8
- 238000013277 forecasting method Methods 0.000 claims abstract description 3
- 230000006870 function Effects 0.000 claims description 20
- 230000007257 malfunction Effects 0.000 claims description 14
- 238000013507 mapping Methods 0.000 claims description 7
- 238000011084 recovery Methods 0.000 claims description 4
- 239000002131 composite material Substances 0.000 claims description 3
- 230000001537 neural effect Effects 0.000 claims description 3
- 210000002569 neuron Anatomy 0.000 claims description 3
- 230000008569 process Effects 0.000 claims description 3
- 238000012360 testing method Methods 0.000 claims description 3
- 230000009466 transformation Effects 0.000 claims description 3
- 208000025274 Lightning injury Diseases 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 claims description 2
- 230000009977 dual effect Effects 0.000 claims description 2
- 230000004927 fusion Effects 0.000 claims description 2
- 238000011161 development Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 206010042255 Struck by lightning Diseases 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000008901 benefit Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 230000007423 decrease Effects 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000012407 engineering method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material Substances 0.000 description 1
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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Development Economics (AREA)
- Quality & Reliability (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种考虑天气对配电网故障概率影响的配电网可靠性预测方法，包括如下步骤：(1)分析配电网元件故障概率与天气变量的关联关系；(2)兼顾模型可应用性与模型精确性来选取主要的天气变量；(3)形成基于支持向量机和附加动量法神经网络的配电网元件故障率组合预测方法；(4)结合配电网元件故障概率预测结果和配电网可靠性计算方法，对配电网可靠性进行预测。本发明能够针对不同天气变量对配电网元件故障概率的影响，对配电网可靠性进行预测。
Description
技术领域
本发明涉及配电网管理技术领域，尤其是一种考虑天气对配电网故障概率影响的配电网可靠性预测方法。
背景技术
近年来，随着国民经济的高速发展，使得用户的用电需求不断增长，对电力企业的供电能力、供电质量以及供电可靠性的要求也越来越高，电力企业只有通过自身不断的发展，才能满足日益增长的电能需求。电力系统是国家基础性行业，电网建设的发展水平不仅影响着国民经济的发展，还涉及到一次能源的消耗以及巨额投资，进行合理的规划不但能够减少资源的浪费，还能获得巨大的社会和经济效益，促进其他行业的健康发展；反之，如果规划不合理或规划失误，将会给国家带来巨大的损失。随着电能需求的增加以及我国社会主义市场经济的不断发展，使得市场机制下的电力企业面临着激烈的竞争，实现电力资源的优化配置已然成为了电力企业改革和发展的必然趋势，从而开展配电网可靠性预测研究的意义和重要性不言而喻。
配电网是电力系统向用户供应和分配电能的重要环节，其可靠性日益受到用户和供电企业的重视。对配电网进行可靠性预测，能够对配电网可能达到的可靠性目标进行客观的估计，为了解电网可靠性发展趋势，确定可靠性投资方向，知道电力市场下可靠性电价等提供有价值的依据。随着电力系统规模的增大，电网结构日益复杂，而且电力系统各元件的相关关系随着系统运行方式与运行状态的改变而改变。因此，需要借助计算机，利用可靠性工程方法实现可靠性预测。
发明内容
本发明所要解决的技术问题在于，提供一种考虑天气对配电网故障概率影响的配电网可靠性预测方法，能够针对不同天气变量对配电网元件故障概率的影响，对配电网可靠性进行预测。
为解决上述技术问题，本发明提供一种考虑天气对配电网故障概率影响的配电网可靠性预测方法，包括如下步骤：
(1)分析配电网元件故障概率与天气变量的关联关系；
(2)兼顾模型可应用性与模型精确性来选取主要的天气变量；
(3)形成基于支持向量机和附加动量法神经网络的配电网元件故障率组合预测方法；
(4)结合配电网元件故障概率预测结果和配电网可靠性计算方法，对配电网可靠性进行预测。
优选的，步骤(1)中，气象站提供详细的风数据，包括阵风速度、合成速度、平均速度及其方向；详细的冰冻状况数据，包括雨雪评估的最大天数、降雨和降雪量以及连续低温天数；详细的气温数据，包括最高温度、最低温度以及平均气温；空气的相对湿度以及详细的雷击变量，包括日期、时间、纬度、经度、防雷击电流以及峰值雷击电流；将无量纲的雨雪评估的最大天数、降雨以及降雪量相等的权重相加得到的综合指数：来评估冰条件；采用相关系数计算方法，两天气变量对配电网故障概率的值进行Person相关性计算：x代表一种天气变量下元件故障的稳态概率，y是另一种天气变量下元件故障的稳态概率，分别代表x和y的平均值。求得两天气变量对配电网故障概率的相关性水平，若相关性系数高，选择其中一个天气变量描述。
优选的，步骤(2)中，通过天气变量对应的故障概率的p值计算，对天气变量的重要性进行排序，选择对配电网影响较大的一定数量的天气变量；采用p值方法对天气变量的重要性进行排序：p＝2P(z>|zc|/μ＝μ0)，其中，z是检验统计量，zc是从样本数据获得的检验统计量，兼顾模型可执行性与模型精确性来选择对配电网影响较大的一定数量的天气变量。
优选的，步骤(3)中，采用支持向量机和附加动量法神经网络输出结果相加权的方法，建立配电网元件故障概率组合预测模型；以选择的天气变量的历史数据和对应的配电网元件故障概率历史数据为输入量和输出量，对支持向量机和附加动量法神经网络进行训练，确定组合预测模型所有权重的最优值。
优选的，组合预测模型，由支持向量机子模型和附加动量法神经网络子模型组合，使用模型拓扑结构和最优加权系数法将两个模型融合成组合预测模型；
支持向量机子模型采用前馈神经网络拓扑结构，采用AM算法作为神经网络的学习算法，包括输入层、隐含层和输出层；前馈神经将一组输入输出问题转化为非线性映射问题。信号的正向传播与误差的反向传播两部分组成了BP算法的学习过程；从输入层节点传入输入样本，经各隐层神经元逐层处理后，传向输出层，这是神经网络的正向传播；当输出层的实际输出与期望的输出不统一时，网络转入误差的反向传播阶段，在反传的过程中，将误差分摊给各层的所有单元，获得各层所有单元的误差信号，利用这个信号作为修正各单元权值的依据。
优选的，依据支持向量机回归理论，构造附加动量法神经网络子模型；利用一个内积函数定义的非线性变换将输入空间映射到一个高维空间，在高维空间中得到输入样本和输出样本之间的非线性关系；第一步，定义回归函数，故障率的样本数据经过非线性映射后，在高维映射空间中，得到线性的样本点；第二步，通过此高维空间中做回归估计函数逼近，利用对一个损失函数寻求结构风险最小化来模拟回归估计问题，得出的最优解即为一定约束条件下的最小泛函；第三步，通过构造拉格朗日函数，可得最优回归函数的对偶函数。
优选的，步骤(4)中，给定未来某一段时间的天气条件，利用配电网元件故障概率组合预测模型，预测出配电网元件的故障概率和故障恢复时间，结合配电网可靠性计算方法，得到配电网在该时间段内的可靠性；通过配电网元件故障概率预测结果，可以得到配电网元件一年内：
总用户停电时间：TCOH＝∑i∈RUiNi
总用户停电次数：TCO＝∑i∈RλiNi
通过公式得到系统平均停电持续时间指数
通过公式得到系统平均停电频率指数
通过公式得到配电网元件的可靠性指数
通过以上分析，来对配电网的可靠性进行预测。
本发明的有益效果为：本发明公开了一种考虑天气对配电网故障概率影响的配电网可靠性预测方法，通过分析配电网元件故障概率与天气变量的关联关系，兼顾模型可应用性与模型精确性来选取主要的天气变量，结合基于支持向量机和附加动量法神经网络的配电网元件故障率组合预测方法以及配电网元件故障概率预测结果和配电网可靠性计算方法，对配电网可靠性进行预测；本发明能够针对不同天气变量对配电网元件故障概率的影响，对配电网可靠性进行预测。
附图说明
图1为本发明的组合预测模型拓扑结构示意图。
图2为本发明预测不同天气变量的故障概率流程示意图。
图3为本发明的南京郊区2014年天气状态示意图。
图4为本发明的天气变量对南京郊区配网元件故障停电的影响示意图。
具体实施方式
如图1所示，一种考虑天气对配电网故障概率影响的配电网可靠性预测方法，包括如下步骤：
(1)分析配电网元件故障概率与天气变量的关联关系；
(2)兼顾模型可应用性与模型精确性来选取主要的天气变量；
(3)形成基于支持向量机和附加动量法神经网络的配电网元件故障率组合预测方法；
(4)结合配电网元件故障概率预测结果和配电网可靠性计算方法，对配电网可靠性进行预测。
步骤一：根据气象局提供的历史天气数据，分析配电网元件故障概率与天气变量的关联关系。
1)选择阵风速度、合成风度以及平均风速作为研究风力影响的变量；此外，以LNDRS，TPS和LNDCLT中的任何一个或几个来评估冰条件是不客观的，因此本发明采用一个综合指数，即无量纲的LNDRS，TPS和LNDCLT相等的权重相加来表示冰冻状况影响的变量；
2)选择防雷击电流和峰值雷击电流来表示雷电影响的变量；
3)将雨雪评估的最大天数、降雨和降雪量以及连续低温天数相等的权重相加来表示冰冻状况影响的变量：
4)分析不同天气变量对配电网元件的故障概率的相关性水平；
5)可以用相关系数来表示：
6)相关性系数也称Pearson相关系数，相关性系数越高，则表明变量只需考虑一个即可；
步骤二：兼顾模型可执行性与模型精确性来选取主要的天气变量
对不同天气变量对配电网元件的故障概率，采用p值方法进行排序，兼顾模型可执行性与模型精确性，选择重要值大于0.8的天气变量来代表天气的主要特征；
p＝2P(z>|zc|/μ＝μ0)
步骤三：应用基于支持向量机和附加动量法神经网络模型分析天气变量对应的故障率。
1)建立多个相互独立的不同天气变量对配电网元件的故障概率预测子模型，选择最优的组合权重数，构造组合预测模型；
2)假设有n个预测子模块，彼此相互独立；
3)令第i个预测子模型gi(x)的绝对误差为εi＝g(x)-gi(x)，式中g(x)为真实值；
4)可以用来表示第i个预测子模型的均方误差；
5)表示全部n个预测模型的平均预测均方误差；
6)利用简单的平均组合将n个预测子模型加权在一起，得到的组合预测模型可表示为：
7)不同天气变量对配电网元件的故障概率具有强非线性，天气的诸多因素对它的影响较大，单个模型只能体现局部特征，组合预测模型由支持向量机子模型和附加动量法神经网络子模型如图1所示，更能体现系统的整体和局部特征，提高预测精准度；
8)设配电网元件故障概率第i次预测值为实际值为yi，且支持向量机子模型和附加动量法神经网络子模型的预测值分别为和分别是他们在组合模型中的权重。
9)组合模型的预测值为：
10)本文的支持向量机子模型采用前馈神经网络拓扑结构，前馈神经常采用BP算法作为学习算法，它的实质是一种简单的最速下降寻优算法，把一组输入输出问题转化为非线性映射问题。信号的正向传播与误差的反向传播两部分组成了BP算法的学习过程。从输入层节点传入输入样本，经各隐层神经元逐层处理后，传向输出层，这是神经网络的正向传播。当输出层的实际输出与期望的输出不统一时，网络转入误差的反向传播阶段，在反传的过程中，将误差分摊给各层的所有单元，获得各层所有单元的误差信号，利用这个信号作为修正各单元权值的依据；
11)权值修正是沿着当前时刻的负梯度方向进行的，并考虑误差曲面上的变化趋势影响，权值修正式为：wji(t+1)＝wji(t)+αΔwji(t)+ηδjOki
式中，wji(t)和wji(t+1)分别表示第t次，t+1次迭代修正后的权值，αΔwji(t)为动量项，α为动量因子(0<α<1)，ηδjOki代表权值修正量；其中的η是学习速率，Oki是第k个样本第i个节点的输出量，δj表示样本的训练误差。
12)利用一个内积函数定义的非线性变换将输入空间映射到一个高维空间，在高维空间中得到输入样本和输出样本之间的非线性关系；
①对于给定的不同天气变量的故障概率样本，定义回归函数为：
式中，ξi，表示引入的松弛变量；ε是定义的不敏感损失函数系数。
②通过此高维空间中做回归估计函数逼近，利用对一个损失函数寻求结构风险最小化来模拟回归估计问题。此时最优回归函数就是一定约束条件下的最小泛函为：
式中，C为模型惩罚因子。
③约束条件为：
④通过构造拉格朗日函数，可得其对偶函数为：
⑤约束条件为：
⑥求解后的回归函数为：
令核函数k(x,xi)＝φ(x)T*φ(xi)代替上式中的内积可得：
步骤四：基于配电网元件故障概率预测结果结合配电网可靠性计算方法对配电网可靠性进行预测。
配电网元件故障概率在所有可能的天气状态下的故障率为：式中，λi是在第i个天气状态下的电力线每年会发生的故障率，Pi是第i种天气状况发生的稳态概率。
实际上，第i种天气状态下元件故障数是故障总数的一部分，因此有：
第i种天气状况下电力线路的故障恢复时间可使用所有故障的平均恢复时间来估计：
通过配电网元件故障概率预测结果，可以得到配电网元件某段时间：
总用户停电时间：TCOH＝∑i∈RUiNi，式中，Ui和Ni分别是负荷节点i的年停电时间和用户数量；R是EDS的负荷节点数量；
总用户停电次数：TCO＝∑i∈RλiNi，式中，λi和Ni分别是负荷节点i的停电次数和用户数量；R是EDS的负荷节点数量；
通过公式得到系统平均停电持续时间指数；
通过公式得到系统平均停电频率指数；
通过公式得到配电网元件的可靠性指数。通过以上分析，来对配电网的可靠性进行预测。
本发明以南京郊区峰值负载超过10,000兆瓦的某一局部配电网为例，该配电网内包含1万条线路，在该配电网内有三类节点，其中有B，C，D三类节点，B类节点有200家用户，C类节点有150家用户，D类节点有250家用户。该配电网的地理范围内，其所包含的天气因素区间如下表所示，每种天气变量对南京郊区配电网元件故障停电的影响如图4，天气变量对南京郊区配网元件故障停电的影响如图4所示。
南京郊区2014年的天气状况如图三所示，通过组合预测模型如图1以及配电网可靠性计算得出南京郊区配电网元件在不同天气状态下的故障概率以及修复时间为：
应用本发明预测2014年南京郊区一年的配电网可靠性，并与供电公司提供的真实数据进行对比，结果如下表所示：
根据本发明一种考虑天气对配电网故障概率影响的配电网可靠性预测方法实施例可以看出，应用本发明方法与实际值相差不大。
Claims (7)
1.一种考虑天气对配电网故障概率影响的配电网可靠性预测方法，其特征在于，包括如下步骤：
(1)分析配电网元件故障概率与天气变量的关联关系；
(2)兼顾模型可应用性与模型精确性来选取主要的天气变量；
(3)形成基于支持向量机和附加动量法神经网络的配电网元件故障率组合预测方法；
(4)结合配电网元件故障概率预测结果和配电网可靠性计算方法，对配电网可靠性进行预测。
2.如权利要求1所述的考虑天气对配电网故障概率影响的配电网可靠性预测方法，其特征在于，步骤(1)中，气象站提供详细的风数据，包括阵风速度、合成速度、平均速度及其方向；详细的冰冻状况数据，包括雨雪评估的最大天数、降雨和降雪量以及连续低温天数；详细的气温数据，包括最高温度、最低温度以及平均气温；空气的相对湿度以及详细的雷击变量，包括日期、时间、纬度、经度、防雷击电流以及峰值雷击电流；将无量纲的雨雪评估的最大天数、降雨以及降雪量相等的权重相加得到的综合指数：来评估冰条件；采用相关系数计算方法，两天气变量对配电网故障概率的值进行Person相关性计算：x代表一种天气变量下元件故障的稳态概率，y是另一种天气变量下元件故障的稳态概率，分别代表x和y的平均值。求得两天气变量对配电网故障概率的相关性水平，若相关性系数高，选择其中一个天气变量描述。
3.如权利要求1所述的考虑天气对配电网故障概率影响的配电网可靠性预测方法，其特征在于，步骤(2)中，通过天气变量对应的故障概率的p值计算，对天气变量的重要性进行排序，选择对配电网影响较大的一定数量的天气变量；采用p值方法对天气变量的重要性进行排序：p＝2P(z>|zc|/μ＝μ0)，其中，z是检验统计量，zc是从样本数据获得的检验统计量，兼顾模型可执行性与模型精确性来选择对配电网影响较大的一定数量的天气变量。
4.如权利要求1所述的考虑天气对配电网故障概率影响的配电网可靠性预测方法，其特征在于，步骤(3)中，采用支持向量机和附加动量法神经网络输出结果相加权的方法，建立配电网元件故障概率组合预测模型；以选择的天气变量的历史数据和对应的配电网元件故障概率历史数据为输入量和输出量，对支持向量机和附加动量法神经网络进行训练，确定组合预测模型所有权重的最优值。
5.如权利要求4所述的考虑天气对配电网故障概率影响的配电网可靠性预测方法，其特征在于，组合预测模型，由支持向量机子模型和附加动量法神经网络子模型组合，使用模型拓扑结构和最优加权系数法将两个模型融合成组合预测模型；
支持向量机子模型采用前馈神经网络拓扑结构，采用AM算法作为神经网络的学习算法，包括输入层、隐含层和输出层；前馈神经将一组输入输出问题转化为非线性映射问题。信号的正向传播与误差的反向传播两部分组成了BP算法的学习过程；从输入层节点传入输入样本，经各隐层神经元逐层处理后，传向输出层，这是神经网络的正向传播；当输出层的实际输出与期望的输出不统一时，网络转入误差的反向传播阶段，在反传的过程中，将误差分摊给各层的所有单元，获得各层所有单元的误差信号，利用这个信号作为修正各单元权值的依据。
6.如权利要求5所述的考虑天气对配电网故障概率影响的配电网可靠性预测方法，其特征在于，依据支持向量机回归理论，构造附加动量法神经网络子模型；利用一个内积函数定义的非线性变换将输入空间映射到一个高维空间，在高维空间中得到输入样本和输出样本之间的非线性关系；第一步，定义回归函数，故障率的样本数据经过非线性映射后，在高维映射空间中，得到线性的样本点；第二步，通过此高维空间中做回归估计函数逼近，利用对一个损失函数寻求结构风险最小化来模拟回归估计问题，得出的最优解即为一定约束条件下的最小泛函；第三步，通过构造拉格朗日函数，可得最优回归函数的对偶函数。
7.如权利要求1所述的考虑天气对配电网故障概率影响的配电网可靠性预测方法，其特征在于，步骤(4)中，给定未来某一段时间的天气条件，利用配电网元件故障概率组合预测模型，预测出配电网元件的故障概率和故障恢复时间，结合配电网可靠性计算方法，得到配电网在该时间段内的可靠性；通过配电网元件故障概率预测结果，可以得到配电网元件一年内：
总用户停电时间：TCOH＝∑i∈RUiNi
总用户停电次数：TCO＝∑i∈RλiNi
通过公式得到系统平均停电持续时间指数
通过公式得到系统平均停电频率指数
通过公式得到配电网元件的可靠性指数
通过以上分析，来对配电网的可靠性进行预测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810310585.5A CN108596449A (zh) | 2018-04-09 | 2018-04-09 | 一种考虑天气对配电网故障概率影响的配电网可靠性预测方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810310585.5A CN108596449A (zh) | 2018-04-09 | 2018-04-09 | 一种考虑天气对配电网故障概率影响的配电网可靠性预测方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN108596449A true CN108596449A (zh) | 2018-09-28 |
Family
ID=63621515
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810310585.5A Pending CN108596449A (zh) | 2018-04-09 | 2018-04-09 | 一种考虑天气对配电网故障概率影响的配电网可靠性预测方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108596449A (zh) |
Cited By (12)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359896A (zh) * | 2018-12-10 | 2019-02-19 | 国网福建省电力有限公司 | 一种基于svm的电网线路故障风险预警方法 |
| CN109871945A (zh) * | 2019-02-28 | 2019-06-11 | 燕山大学 | 一种配电网自适应保护方法及系统 |
| CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
| CN110533213A (zh) * | 2019-07-08 | 2019-12-03 | 广东工业大学 | 基于支持向量机的输电线路缺陷风险建模及其预测方法 |
| CN111371105A (zh) * | 2020-04-15 | 2020-07-03 | 沈阳工业大学 | 一种基于配电网负荷频率指数的多源储能装置控制方法 |
| CN111429034A (zh) * | 2020-04-21 | 2020-07-17 | 国网信通亿力科技有限责任公司 | 一种配电网故障预测的方法 |
| 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 |
| CN111581802A (zh) * | 2020-04-30 | 2020-08-25 | 重庆大学 | 一种配电设备实时综合故障率计算方法和系统 |
| CN112632148A (zh) * | 2020-12-10 | 2021-04-09 | 国家电网有限公司 | 一种考虑极端气候条件下配电网元器件智能预警方法 |
| CN112964960A (zh) * | 2021-02-04 | 2021-06-15 | 国网上海市电力公司 | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 |
| CN113466627A (zh) * | 2021-07-09 | 2021-10-01 | 广东电网有限责任公司广州供电局 | 一种适用于恶劣天气引起的电网故障预测方法 |
| CN110232532B (zh) * | 2019-06-28 | 2023-07-18 | 国网湖南省电力有限公司 | 一种基于逻辑回归的电网检修指数的计算方法及系统 |
-
2018
- 2018-04-09 CN CN201810310585.5A patent/CN108596449A/zh active Pending
Non-Patent Citations (2)
| Title |
|---|
| YINGJUN WU 等: ""An Outage Risk Oriented Dynamic Distribution Network Reconfiguration Methodology Considering the Effects of Weather Conditions on Power Line Failure Rate"", 《ELECTRIC POWER COMPONENTS AND SYSTEMS》 * |
| 王鑫: ""基于支持向量机的电力系统短期负荷预测研究"", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (16)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109359896B (zh) * | 2018-12-10 | 2021-11-12 | 国网福建省电力有限公司 | 一种基于svm的电网线路故障风险预警方法 |
| CN109359896A (zh) * | 2018-12-10 | 2019-02-19 | 国网福建省电力有限公司 | 一种基于svm的电网线路故障风险预警方法 |
| CN109978222A (zh) * | 2019-01-04 | 2019-07-05 | 国网山东省电力公司电力科学研究院 | 一种基于贝叶斯网络的风电爬坡事件概率预测方法及系统 |
| CN109871945A (zh) * | 2019-02-28 | 2019-06-11 | 燕山大学 | 一种配电网自适应保护方法及系统 |
| CN110232532B (zh) * | 2019-06-28 | 2023-07-18 | 国网湖南省电力有限公司 | 一种基于逻辑回归的电网检修指数的计算方法及系统 |
| CN110533213A (zh) * | 2019-07-08 | 2019-12-03 | 广东工业大学 | 基于支持向量机的输电线路缺陷风险建模及其预测方法 |
| 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 |
| CN111371105B (zh) * | 2020-04-15 | 2023-05-02 | 沈阳工业大学 | 一种基于配电网负荷频率指数的多源储能装置控制方法 |
| CN111371105A (zh) * | 2020-04-15 | 2020-07-03 | 沈阳工业大学 | 一种基于配电网负荷频率指数的多源储能装置控制方法 |
| CN111429034A (zh) * | 2020-04-21 | 2020-07-17 | 国网信通亿力科技有限责任公司 | 一种配电网故障预测的方法 |
| CN111581802A (zh) * | 2020-04-30 | 2020-08-25 | 重庆大学 | 一种配电设备实时综合故障率计算方法和系统 |
| CN111581802B (zh) * | 2020-04-30 | 2024-02-02 | 重庆大学 | 一种配电设备实时综合故障率计算方法和系统 |
| CN112632148A (zh) * | 2020-12-10 | 2021-04-09 | 国家电网有限公司 | 一种考虑极端气候条件下配电网元器件智能预警方法 |
| CN112964960A (zh) * | 2021-02-04 | 2021-06-15 | 国网上海市电力公司 | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 |
| CN112964960B (zh) * | 2021-02-04 | 2024-04-12 | 国网上海市电力公司 | 基于调度故障指纹库的多源数据融合的电网故障诊断方法 |
| CN113466627A (zh) * | 2021-07-09 | 2021-10-01 | 广东电网有限责任公司广州供电局 | 一种适用于恶劣天气引起的电网故障预测方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108596449A (zh) | 一种考虑天气对配电网故障概率影响的配电网可靠性预测方法 | |
| Xiao et al. | A combined model based on data pre-analysis and weight coefficients optimization for electrical load forecasting | |
| Kelman et al. | Sampling stochastic dynamic programming applied to reservoir operation | |
| CN113609649B (zh) | 一种构建基于机会约束的配电网中压线路规划模型的方法 | |
| CN102063563A (zh) | 网省地一体化的母线负荷预测方法 | |
| CN107437135B (zh) | 一种新型储能选型方法 | |
| He et al. | Short-term residential load forecasting based on federated learning and load clustering | |
| Kumar | Market clearing price prediction using ANN in Indian electricity markets | |
| CN114693122A (zh) | 一种基于数字孪生技术的电网规划方法 | |
| Nagaraja et al. | A survey on wind energy, load and price forecasting:(Forecasting methods) | |
| Cruz et al. | Neural network prediction interval based on joint supervision | |
| El-Hawary | Advances in Electric Power and Energy Systems: Load and Price Forecasting | |
| Ahmad et al. | Efficient energy planning with decomposition-based evolutionary neural networks | |
| JP2021182319A (ja) | 予測装置および予測方法 | |
| Salgado et al. | A short-term bus load forecasting system | |
| CN118412848A (zh) | 一种多维度中长期发电量预测方法 | |
| Basaran et al. | Optimal expansion planning of electrical energy distribution substation considering hydrogen storage | |
| Kharal et al. | Load forecasting of an educational institution using machine learning: the case of nust, islamabad | |
| Bashir et al. | Short-term load forecasting using artificial neural network based on particle swarm optimization algorithm | |
| CN116435987A (zh) | 一种大规模风电集群超短期风电功率预测方法 | |
| Paravan et al. | Improvements to the water management of a run-of-river HPP reservoir: methodology and case study | |
| Shendryk et al. | Short-term Solar Power Generation Forecasting for Microgrid | |
| CN112465187A (zh) | 一种基于多目标优化的电网规划设计方法 | |
| Ghani et al. | Artificial Neural Network Based Electrical Load Prediction of Karachi City-A Cross-sectional Study | |
| Cheung et al. | Learning-based AC-OPF Solvers on Realistic Network and Realistic Loads |
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 | ||
| RJ01 | Rejection of invention patent application after publication |
Application publication date: 20180928 |
|
| RJ01 | Rejection of invention patent application after publication |