CN109086940A - 一种基于分时段气象关联模型的接触网跳闸次数预测方法 - Google Patents
一种基于分时段气象关联模型的接触网跳闸次数预测方法 Download PDFInfo
- Publication number
- CN109086940A CN109086940A CN201810927795.9A CN201810927795A CN109086940A CN 109086940 A CN109086940 A CN 109086940A CN 201810927795 A CN201810927795 A CN 201810927795A CN 109086940 A CN109086940 A CN 109086940A
- Authority
- CN
- China
- Prior art keywords
- contact net
- month
- leading
- meteorological
- monthly average
- 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.)
- Granted
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
本发明公开了一种基于分时段气象关联模型的接触网跳闸次数预测方法,首先统计区域内接触网跳闸次数和气象信息的历史同期数据,再根据历史统计数据分析在不同月份中,导致该区域接触网跳闸的主导气象影响因素,将年际时间尺度转化为同类气象影响因素聚集的时间块,进行时间段划分;分时段拟合接触网跳闸次数与主导气象影响因素的函数表达式,最后以中长期气象预测数据为输入,带入到接触网月平均跳闸次数与主导气象影响因素出现的月平均天数的函数表达式中,预测得到该区域接触网在未来月份的跳闸次数。本发明能够给铁路运营人员提供决策支撑,提前做好防范工作,减少甚至避免意外事故的发生,提高铁路运行可靠性。
Description
技术领域
本发明涉及接触网系统故障预测技术领域,具体为一种基于分时段气象关联模型的接触 网跳闸次数预测方法。
背景技术
随着近年来我国高速铁路的飞速发展,高速铁路的总里程数也随着快速增长,现已稳居 世界第一。但是铁路事故却常有发生,其中牵引供电系统的事故就占据很大一部分。接触网 作为牵引供电系统中至关重要的一部分,是电力机车的唯一能量来源,可以说接触网能否安 全可靠的运行决定着高速铁路能否正常的运行。因此,如何更加准确地预测接触网系统的故 障并及时预警,成为了提高整个高速铁路运营可靠性的关键。
没有备用的接触网系统长期处在室外,极度容易受到室外各种因素的影响,其中气象灾 害的影响最为明显。同一区域内,接触网在一年四季中很有可能会受到不同气象灾害因素的 影响。通过对区域内的历史气象数据和接触网历史跳闸次数的分析对比,发现接触网跳闸故 障的发生具有很强的气象相关性。以年际时间尺度来看,一年中导致接触网跳闸故障的主要 气象影响因素有很大的差异,但是在一年中不同时段的相邻月份,导致接触网跳闸的主要气 象影响因素大致相同。由此,将区域内导致接触网跳闸的主导气象影响因素相同的月份进行 分时段划分,从而对接触网跳闸次数进行预测具有很强的可行性。
发明内容
针对上述问题,本发明的目的在于提供一种基于分时段气象关联模型的接触网跳闸次数 预测方法,预测未来月份中接触网的跳闸次数,该预测结果能够给铁路运营人员提供决策支 撑,提前做好防范工作,减少甚至避免意外事故的发生,提高铁路运行可靠性。技术方案如 下:
一种基于分时段气象关联模型的接触网跳闸次数预测方法,包括如下步骤:
步骤A:统计区域内过去m年中接触网跳闸次数和气象信息的历史同期数据:
统计区域内供电段记录的历史数据,分别统计接触网所处地区在过去m年的时间中,第 t年的第y个月份中由于各气象因素Wx{wx|x=1,2,3……}造成接触网跳闸的次数和相应第 y个月份的接触网跳闸次数并将过去m年中的同期数据进行求和计算:
式中,nWxy表示在过去m年的第y个月份中,由于气象因素Wx造成接触网跳闸的总次数;nMy表示在对应第y个月份中接触网跳闸的总次数;t=1,2,……m;y=1,2,3,…,11,12;
步骤B:基于该地区接触网历史跳闸次数的统计记录,对导致接触网跳闸的气象影响因素 进行归类;以月份为单位计算第y个月中接触网跳闸故障对不同气象影响因素的敏感度;通 过对应月份设定的阈值τy,确定各月份导致接触网跳闸的主导气象影响因素,将主导气象影 响因素相同的月份划分为一个时间段,共将年际时间划分为i个时间段;
步骤C:以月份为单位,统计在过去同期m年的时间中,每个月份导致接触网跳闸的主 导气象影响因素的月平均天数,并计算同期每个月接触网的月平均跳闸次数;通过最小二乘 拟合的方法,分别对i个时间段中接触网月平均跳闸次数和主导气象影响因素的月平均天数 进行拟合,得到i个接触网月平均跳闸次数与主导气象影响因素月平均天数的函数表达式;
步骤D:对该区域未来月份进行接触网跳闸次数进行预测:
确定要对接触网跳闸次数进行预测的月份,判断该月份所处的时间段,提取该月份中导致 接触网跳闸的主导气象影响因素;利用中长期天气预报等手段,获取该地区在预测月份中各 种主导气象影响因素出现的天数将作为气象关联模型的输入,带入到相应时段的接 触网月平均跳闸次数与主导气象影响因素月平均天数的函数表达式中进行计算,得到预测月 份接触网的预测跳闸次数。
进一步的,所述步骤B具体过程如下:
步骤B1:计算每个月份中接触网对不同气象影响因素的敏感度FFRMxy:
步骤B2:设定第y个月对应阈值τy:
作为筛选阈值的设定遵循统计学计算的经验。基于统计的置信区间的概念,通常95%的 置信水平是大概率事件。如果信息的累积比例达到95%,则可以认为这些特征包含了全体特 征集合的大部分信息量,同时,这些特征可以被认为是最重要的。将计算求得第y个月份的 FFRMxy值从大到小依次排列并进行累加计算,若累加值达到0.95时停止累加计算;当计算停 止时,所对应的FFRMxy值就设定为当月的阈值τy;
步骤B3:选取每个月份中导致接触网跳闸的主导气象影响因素,并进行时段划分:
选取每个月中FFRMxy≥τy的气象因素,作为该区域当月导致接触网跳闸的主导气象影响 因素;将主导气象影响因素相同的月份划分为同一个时间段,即将年际时间尺度转化为同类 气象影响因素聚集的时间块,实现分时段划分。
更进一步的,所述接触网月平均跳闸次数与主导气象影响因素月平均天数的函数表达式 的求取过程包括:
步骤a:将接触网月平均跳闸次数作为因变量,导致接触网跳闸的主导气象影响因素的月平均天数作为自变量;用表示第i个时间段中,共j个月份的接触网月平均跳闸次数统计样本;用表示第i个时间段,第j个月份的主导气象影响因素wx的月平均天数观测样本,则矩阵表示在第i个时间段的全部月份中,导致接 触网跳闸的主导气象影响因素wx的月平均天数观测样本;用向量表示 第i个时间段对应回归方程的偏回归系数;则接触网在第i个时间段中,每个月份的月平均跳 闸次数线性回归方程表示为:
式中,ε表示随机误差;
步骤b:运用最小二乘法求得对应时间段的偏回归系数Bi的参数估计值
式中,为Wi的转置;
步骤c:分别计算求出第i个时段中导致接触网跳闸的主导气象影响因素变量的偏回归系 数后,列写出i个时段中接触网月平均跳闸次数与主导气象影响因素月平均天数的线性函 数表达式:
本发明的有益效果是:
1)同一种气象因素在不同时期对接触网跳闸次数的影响有较大的差异,在接触网跳闸次 数的预测当中,对气象因素进行分时段的划分十分有必要,本发明充分考虑了气象条件的时 空差异性和时间聚集性,提取不同月份中导致接触网跳闸的主导气象影响因素,将主导气象 影响因素相同的月份划分为一个时间段,实现气象影响因素的分时段划分,构建了接触网跳 闸次数与气象影响因素的分时段关联模型;本发明能够有效地预测接触网的跳闸次数;同时 随着牵引供电系统监测、检测、存储设备的不断发展,数据样本会越来越丰富,预测结果也 会更加准确;
2)本发明能够通过历史数据和未来的天气预报,对主导接触网跳闸的天气因素及接触网 未来月份的跳闸次数进行有效地预警,能够为铁路运营人员维护抢修提供决策支撑,提前做 好防范工作,减少甚至避免意外事故的发生,提高铁路运行可靠性。这对我国目前还少有的 通过外部气象影响条件进行接触网跳闸次数的预测有一定的实用价值。
具体实施方式
下面结合具体实施例对本发明做进一步详细说明。一种基于分时段气象关联模型的接触 网跳闸次数预测方法,具体步骤如下:
步骤A、统计区域内过去5年中接触网跳闸次数和气象信息的历史同期数据。
对华北地区某供电段2011-2015年度接触网跳闸次数和气象因素的历史统计数据进行归 纳整理。分别统计接触网所处地区在过去5年的时间中,第t(t=1,2,3,4,5)年的第y(y=1, 2,3,…,11,12)个月份中由于气象因素Wx{x=1(风),2(雾),3(雷雨),4(沙尘),5(雪)} 造成接触网跳闸的次数和相应第y个月份的接触网跳闸次数并将过去5年中的同期 数据进行求和计算:
式中,nWxy表示在过去5年的第y个月份中由于气象因素Wx造成接触网跳闸的总次数; nMy表示在对应第y个月份中接触网跳闸的总次数。
步骤B、基于统计计算得到的历史数据信息,计算每个月份中接触网对不同气象影响因 素的敏感度。通过设定的阈值τy,确定导致接触网跳闸的主导气象影响因素,并进行分时段 划分。
基于该地区接触网历史跳闸次数的统计记录,对导致接触网跳闸的气象影响因素进行归 类。以月份为单位计算第y个月中接触网跳闸故障对不同气象影响因素的敏感度。通过对应 月份设定的阈值τy确定各月份导致接触网跳闸的主导气象影响因素,将主导气象影响因素相 同的月份划分为一个时间段。
步骤B1、计算每个月份中接触网对不同气象影响因素的敏感度FFRMxy:
步骤B2、第y个月对应阈值τy的设定规则:
作为筛选阈值的设定遵循统计学计算的经验。基于统计的置信区间的概念,通常95%的 置信水平是大概率事件。如果信息的累积比例达到95%,则可以认为这些特征包含了全体特 征集合的大部分信息量,同时,这些特征可以被认为是最重要的。将计算求得第y个月份的 FFRMxy值从大到小依次排列并进行累加计算,若累加值达到0.95时停止累加计算。当计算停 止时,所对应的FFRMxy值就设定为当月的阈值τy。
步骤B3、选取每个月份中导致接触网跳闸的主导气象影响因素,并进行时段划分:
选取每个月中FFRMxy≥τy的气象因素,作为该区域当月导致接触网跳闸的主导气象影响 因素。将主导气象影响因素相同的月份划分为同一个时间段,即将年际时间尺度转化为同类 气象影响因素聚集的时间块,实现分时段划分。
通过对华北地区某供电段的历史数据进行计算:3-4月份的主导气象影响因素是大风、大 雾天气;5-10月份是雷雨、大风天气;12月-次年2月是降雪、大雾天气,即将年际时间尺度 划分为三个时间段。
步骤C、基于接触网跳闸主导气象影响因素的时段划分结果拟合得到该地区接触网月平 均跳闸次数与主导气象影响因素月平均天数的函数表达式。
由所述步骤B,将年际时间尺度划分为3个时段。以月份为单位,统计在过去同期5年 的时间中,每个月份导致接触网跳闸的主导气象影响因素的月平均天数。通过最小二乘拟合 的方法,分别对3个时间段中接触网月平均跳闸次数和主导气象影响因素的月平均天数进行 拟合,得到3个接触网月平均跳闸次数与主导气象影响因素月平均天数的函数表达式。
步骤C1、以月份为单位统计区域内主导气象影响因素的月平均天数:
以月份为单位,分别统计华北地区2011-2015年度中3-4月的月平均大风大雾天数,5-10月的月平均大风雷雨天数,11-次年2月的月平均大风大雾降雪天数并计算每个月接触网的月平均跳闸次数。
步骤C2、拟合得到接触网月平均跳闸次数与主导气象影响因素月平均天数的函数表达式。 具体步骤如下:
步骤a:将接触网月平均跳闸次数作为因变量,导致接触网跳闸的主导气象影响因素的月平均天数作为自变量。用表示第i个时间段中,共j个月份的接触网月平均跳闸次数统计样本;用表示第i个时间段,第j个月份的主导气象影响因素wx的月平均天数观测样本,则矩阵表示在第i个时间段的全部月份中,导致接 触网跳闸的主导气象影响因素wx的月平均天数观测样本;用向量表示 第i个时段对应回归方程的偏回归系数。则接触网在第i个时段中,每个月份的月平均跳闸次 数线性回归方程可以表示为:
式中,ε表示随机误差;
步骤b:运用最小二乘法求得对应时间段的偏回归系数Bi的参数估计值
式中,WiT为Wi的转置。
步骤c:分别计算求出3个时段中导致接触网跳闸的主导气象影响因素变量的偏回归系 数后,列写出3个时段中接触网月平均跳闸次数与主导气象影响因素月平均天数的线性函 数表达式:
步骤D:对该区域未来月份进行接触网跳闸次数的预测。
对该地区2016年3月份的接触网跳闸次数进行预测,判断该月份处在第1个时段,提取 该月份中导致接触网跳闸的主导气象影响因素。利用中长期天气预报等手段,获取该地区在 预测月份中各种主导气象影响因素出现的天数:大风天数大雾天数将作为气象关联模型的输入,带入到第1个时段的接触网月平均跳闸次数与主导气象影响因素 月平均天数的函数表达式中进行计算,则该地区在2016年3月份 接触网的预测跳闸次数为4.5次,与实际情况的5次的差距在允许的误差范围以内。
Claims (3)
1.一种基于分时段气象关联模型的接触网跳闸次数预测方法,其特征在于,包括如下步骤:
步骤A:统计区域内过去m年中接触网跳闸次数和气象信息的历史同期数据:
统计区域内供电段记录的历史数据,分别统计接触网所处地区在过去m年的时间中,第t年的第y个月份中由于各气象因素Wx{wx|x=1,2,3……}造成接触网跳闸的次数和相应第y个月份的接触网跳闸次数并将过去m年中的同期数据进行求和计算:
式中,nWxy表示在过去m年的第y个月份中由于气象因素Wx造成接触网跳闸的总次数;nMy表示在对应第y个月份中接触网跳闸的总次数;t=1,2,……m;y=1,2,3,…,11,12;
步骤B:基于该地区接触网历史跳闸次数的统计记录,对导致接触网跳闸的气象影响因素进行归类;以月份为单位计算第y个月中接触网跳闸故障对不同气象影响因素的敏感度;通过对应月份设定的阈值τy,确定各月份导致接触网跳闸的主导气象影响因素,将主导气象影响因素相同的月份划分为一个时间段,共将年际时间划分为i个时间段;
步骤C:以月份为单位,统计在过去同期m年的时间中,每个月份导致接触网跳闸的主导气象影响因素的月平均天数,并计算同期每个月接触网的月平均跳闸次数;
通过最小二乘拟合的方法,分别对i个时间段中接触网月平均跳闸次数和主导气象影响因素的月平均天数进行拟合,得到i个接触网月平均跳闸次数与主导气象影响因素月平均天数的函数表达式;
步骤D:对该区域未来月份进行接触网跳闸次数进行预测:
确定要对接触网跳闸次数进行预测的月份,判断该月份所处的时间段,提取该月份中导致接触网跳闸的主导气象影响因素;利用中长期天气预报等手段,获取该地区在预测月份中各种主导气象影响因素出现的天数将作为气象关联模型的输入,带入到相应时段的接触网月平均跳闸次数与主导气象影响因素月平均天数的函数表达式中进行计算,得到预测月份接触网的预测跳闸次数。
2.根据权利要求1所述的基于分时段气象关联模型的接触网跳闸次数预测方法,其特征在于,所述步骤B具体过程如下:
步骤B1:计算每个月份中接触网对不同气象影响因素的敏感度FFRMxy:
步骤B2:设定第y个月对应阈值τy:
将计算求得第y个月份的FFRMxy值从大到小依次排列并进行累加计算,若累加值达到0.95时停止累加计算;当计算停止时,所对应的FFRMxy值就设定为当月的阈值τy;
步骤B3:选取每个月份中导致接触网跳闸的主导气象影响因素,并进行时段划分:选取每个月中FFRMxy≥τy的气象因素,作为该区域当月导致接触网跳闸的主导气象影响因素;将主导气象影响因素相同的月份划分为同一个时间段,即将年际时间尺度转化为同类气象影响因素聚集的时间块,实现分时段划分。
3.根据权利要求1所述的基于分时段气象关联模型的接触网跳闸次数预测方法,其特征在于,所述接触网月平均跳闸次数与主导气象影响因素月平均天数的函数表达式的求取过程包括:
步骤a:将接触网月平均跳闸次数作为因变量,导致接触网跳闸的主导气象影响因素的月平均天数作为自变量;用表示第i个时间段中,共j个月份的接触网月平均跳闸次数统计样本;用表示第i个时间段,第j个月份的主导气象影响因素wx的月平均天数观测样本,则矩阵表示在第i个时间段的全部月份中,导致接触网跳闸的主导气象影响因素wx的月平均天数观测样本;用向量表示第i个时间段对应回归方程的偏回归系数;则接触网在第i个时间段中,每个月份的月平均跳闸次数线性回归方程表示为:
式中,ε表示随机误差;
步骤b:运用最小二乘法求得对应时间段的偏回归系数Bi的参数估计值
式中,为Wi的转置;
步骤c:分别计算求出第i个时段中导致接触网跳闸的主导气象影响因素变量的偏回归系数后,列写出i个时段中接触网月平均跳闸次数与主导气象影响因素月平均天数的线性函数表达式:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927795.9A CN109086940B (zh) | 2018-08-15 | 2018-08-15 | 一种基于分时段气象关联模型的接触网跳闸次数预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810927795.9A CN109086940B (zh) | 2018-08-15 | 2018-08-15 | 一种基于分时段气象关联模型的接触网跳闸次数预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109086940A true CN109086940A (zh) | 2018-12-25 |
CN109086940B CN109086940B (zh) | 2021-09-07 |
Family
ID=64793477
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810927795.9A Active CN109086940B (zh) | 2018-08-15 | 2018-08-15 | 一种基于分时段气象关联模型的接触网跳闸次数预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109086940B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274724A (zh) * | 2020-01-13 | 2020-06-12 | 西南交通大学 | 一种能揭示元件灵敏度的接触网运行风险评估方法 |
CN112147718A (zh) * | 2020-09-23 | 2020-12-29 | 广东电网有限责任公司 | 一种架空输电线路的雷击预测方法、装置、存储介质 |
Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070286089A1 (en) * | 2006-03-10 | 2007-12-13 | Edsa Micro Corporation | Systems and methods for predictive monitoring including real-time strength and security analysis in an electrical power distribution system |
US20080263469A1 (en) * | 2006-07-19 | 2008-10-23 | Edsa Micro Corporation | Systems and methods for creation of a schematic user interface for monitoring and predicting the real-time health, reliability and performance of an electrical power system |
US20080262820A1 (en) * | 2006-07-19 | 2008-10-23 | Edsa Micro Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
CN102967785A (zh) * | 2012-11-30 | 2013-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高速铁路牵引网防雷性能评估方法 |
CN103207340A (zh) * | 2013-05-02 | 2013-07-17 | 深圳供电局有限公司 | 一种输电线路雷电绕击跳闸在线预警方法 |
CN105279612A (zh) * | 2015-10-30 | 2016-01-27 | 广西电网有限责任公司电力科学研究院 | 一种基于泊松分布的输电线路跳闸风险评估方法 |
CN106296453A (zh) * | 2016-08-08 | 2017-01-04 | 国网山东省电力公司泰安供电公司 | 一种电力跳闸统计方法 |
CN106682774A (zh) * | 2016-12-23 | 2017-05-17 | 中国铁路总公司 | 一种接触网绝缘子污闪预测方法 |
CN107463950A (zh) * | 2017-07-18 | 2017-12-12 | 西南交通大学 | 一种基于外部气象环境影响的接触网故障预测方法 |
-
2018
- 2018-08-15 CN CN201810927795.9A patent/CN109086940B/zh active Active
Patent Citations (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20070286089A1 (en) * | 2006-03-10 | 2007-12-13 | Edsa Micro Corporation | Systems and methods for predictive monitoring including real-time strength and security analysis in an electrical power distribution system |
US20080263469A1 (en) * | 2006-07-19 | 2008-10-23 | Edsa Micro Corporation | Systems and methods for creation of a schematic user interface for monitoring and predicting the real-time health, reliability and performance of an electrical power system |
US20080262820A1 (en) * | 2006-07-19 | 2008-10-23 | Edsa Micro Corporation | Real-time predictive systems for intelligent energy monitoring and management of electrical power networks |
CN102967785A (zh) * | 2012-11-30 | 2013-03-13 | 国网电力科学研究院武汉南瑞有限责任公司 | 一种高速铁路牵引网防雷性能评估方法 |
CN103207340A (zh) * | 2013-05-02 | 2013-07-17 | 深圳供电局有限公司 | 一种输电线路雷电绕击跳闸在线预警方法 |
CN105279612A (zh) * | 2015-10-30 | 2016-01-27 | 广西电网有限责任公司电力科学研究院 | 一种基于泊松分布的输电线路跳闸风险评估方法 |
CN106296453A (zh) * | 2016-08-08 | 2017-01-04 | 国网山东省电力公司泰安供电公司 | 一种电力跳闸统计方法 |
CN106682774A (zh) * | 2016-12-23 | 2017-05-17 | 中国铁路总公司 | 一种接触网绝缘子污闪预测方法 |
CN107463950A (zh) * | 2017-07-18 | 2017-12-12 | 西南交通大学 | 一种基于外部气象环境影响的接触网故障预测方法 |
Non-Patent Citations (4)
Title |
---|
DING FENG等: "Risk Index System for Catenary Lines of High-Speed Railway Considering the Characteristics of Time–Space Differences", 《IEEE TRANSACTIONS ON TRANSPORTATION ELECTRIFICATION》 * |
康操: "基于最小二乘支持向量机的短期电力负荷预测模型的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
景弘: "接触网绝缘子污闪预测方法的研究", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
李雪婷: "计及天气影响的风电接入系统运行风险评估", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111274724A (zh) * | 2020-01-13 | 2020-06-12 | 西南交通大学 | 一种能揭示元件灵敏度的接触网运行风险评估方法 |
CN111274724B (zh) * | 2020-01-13 | 2021-08-27 | 西南交通大学 | 一种能揭示元件灵敏度的接触网运行风险评估方法 |
CN112147718A (zh) * | 2020-09-23 | 2020-12-29 | 广东电网有限责任公司 | 一种架空输电线路的雷击预测方法、装置、存储介质 |
Also Published As
Publication number | Publication date |
---|---|
CN109086940B (zh) | 2021-09-07 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Lu et al. | Vulnerability analysis of transportation network under scenarios of sea level rise | |
Fish et al. | Atmospheric river families: Definition and associated synoptic conditions | |
CN106321368A (zh) | 基于运营风机scada数据的海上风电场尾流损失测量方法 | |
Zhu et al. | Data-driven spatial modeling for quantifying networkwide resilience in the aftermath of hurricanes Irene and Sandy | |
CN109740195B (zh) | 一种基于气象站观测数据的极值台风风速概率分布模型及设计台风风速的评估方法 | |
CN107067683B (zh) | 一种输电线路山火聚类定量预报方法及系统 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
Wang et al. | Predicting wind-caused floater intrusion risk for overhead contact lines based on Bayesian neural network with spatiotemporal correlation analysis | |
CN109086940A (zh) | 一种基于分时段气象关联模型的接触网跳闸次数预测方法 | |
KR20170025709A (ko) | 황사와 연무 통합 예측 및 검증 방법 및 시스템 | |
Verstraten et al. | Sensitivity of Australian roof drainage structures to design rainfall variability and climatic change | |
KR20160074325A (ko) | 기상변화에 따른 전력수요지수 예측 시스템 및 그 방법 | |
Bellucci et al. | Implementing the Dynamap system in the suburban area of Rome | |
Khetwal et al. | Stochastic event simulation model for quantitative prediction of road tunnel downtime | |
Chen et al. | Extreme snow events along the coast of the northeast United States: Analysis of observations and HiRAM simulations | |
CN104036427A (zh) | 一种基于气象参数的冰冻灾害中电网供电可靠性评估方法 | |
CN113268867B (zh) | 一种基于水热组合的冰川泥石流区域预警方法 | |
CN109671248A (zh) | 基于防灾对象的山洪灾害预警方法 | |
Liu et al. | The return periods and risk assessment of severe dust storms in Inner Mongolia with consideration of the main contributing factors | |
Yu et al. | Reconstruction of daily haze data across China between 1961 and 2020 | |
CN109190783A (zh) | 城市水网渗漏空间聚集性检测及关键影响因素识别方法 | |
CN112614309B (zh) | 一种地质灾害气象预警准确率的计算方法 | |
Kim et al. | Hazard analysis of typhoon-related external events using extreme value theory | |
Kohnová et al. | Detection of future changes in trends and scaling exponents in extreme short-term rainfall at selected stations in Slovakia | |
CN106780245B (zh) | 热带气旋引发沿海地区灰霾概率的确定、预报方法及系统 |
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 |