CN109242304A - 一种电力系统小概率事件可靠性评估的方法 - Google Patents
一种电力系统小概率事件可靠性评估的方法 Download PDFInfo
- Publication number
- CN109242304A CN109242304A CN201811025911.4A CN201811025911A CN109242304A CN 109242304 A CN109242304 A CN 109242304A CN 201811025911 A CN201811025911 A CN 201811025911A CN 109242304 A CN109242304 A CN 109242304A
- Authority
- CN
- China
- Prior art keywords
- probability
- bus
- event
- load
- failure event
- 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
- 238000000034 method Methods 0.000 title claims abstract description 24
- 230000000750 progressive effect Effects 0.000 claims abstract description 24
- 238000005070 sampling Methods 0.000 claims abstract description 17
- 238000004088 simulation Methods 0.000 claims abstract description 12
- 238000000342 Monte Carlo simulation Methods 0.000 claims abstract description 8
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000000605 extraction Methods 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 8
- 230000008901 benefit Effects 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000011217 control strategy Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000013178 mathematical model Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 230000009897 systematic effect Effects 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- Theoretical Computer Science (AREA)
- Development Economics (AREA)
- Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提出了一种电力系统小概率事件可靠性评估的方法。本发明通过最小化负荷消减模型设计最小化虚拟负荷消减比模型,并构建电力系统渐进等级指标;根据电力系统渐进等级指标建立中间失效事件序列;通过标准蒙特卡洛模拟计算中间失效事件概率,通过马尔可夫链蒙特卡罗模拟对中间失效事件序列进行抽样,计算中间失效事件序列概率;通过渐进子集模拟的思想,根据中间失效事件概率和中间失效事件序列概率来计算失效概率;根据抽样结果计算电力不足概率以及电量不足期望值。本发明方法高效可靠且算法收敛速度快。
Description
技术领域
本发明涉及信号处理技术领域,具体涉及一种电力系统小概率事件可靠性评估的方法。
背景技术
在大电网和智能电网的发展背景下,电力系统可靠性评估对于保证电力系统可靠、稳定和安全运行具有重要意义。针对电力系统可靠性评估的算法研究由来已久,解析法和蒙特卡洛模拟是电力系统可靠性算法中的基本方法。解析法依赖于数学方法从数学模型中对可靠性指标进行评估,其优点是物理概念清晰且精确度高,广泛应用于小型电力系统可靠性评估,其固有缺陷是无法适应系统规模的增大,且不易模拟实际的校正控制策略。由于具有处理所有序列中突发事件的能力和对问题维数的较强鲁棒性,且可以灵活适应电力系统模型及其运行模式,蒙特卡洛模拟在电力系统可靠性算法中被广泛使用,但该方法的固有缺陷是无法灵活地对电力系统中的小概率事件进行估计。
子集逐渐模拟是一种高效计算小失效概率的适应性随机模拟方法。其基本原理是利空一些中间失效事件,将较小的概率表示为较大的概率事情的乘积。这样就可以将一个小概率事件的模拟变为一系列较大概率事件的模拟。在模拟过程中,条件样本通过某种经过设计的马尔科夫链产生,使得其极限稳态分布为一些自适应选择的失效事件的目标条件分布;通过这样的方式,条件样本逐步地充满那些相连的中间失效区域并最终达到目标的失效区域。
发明内容
为了解决现有技术所存在的技术问题,本发明提供了一种电力系统小概率事件可靠性评估的方法。
本发明的技术方案为一种电力系统小概率事件可靠性评估的方法,包括以下步骤:
步骤1:通过最小化负荷消减模型设计最小化虚拟负荷消减比模型,并构建电力系统渐进等级指标;
步骤2:根据电力系统渐进等级指标建立中间失效事件序列;
步骤3:通过标准蒙特卡洛模拟计算中间失效事件概率,通过马尔可夫链蒙特卡罗模拟对中间失效事件序列进行抽样,计算中间失效事件序列概率;
步骤4:通过渐进子集模拟的思想,根据中间失效事件概率和中间失效事件序列概率来计算失效概率;
步骤5:根据抽样结果计算电力不足概率以及电量不足期望值。
作为优选,步骤1中所述最小化负荷消减模型为:
其中,θj为系统状态j,LC(θ)为负荷消减,Nb为母线的总数,ib为母线的序号,为母线ib负荷供给量,为母线ib负荷供给量的最大值;
步骤1中所述最小化负荷消减模型约束函数为:
其中,为母线ib发电量,为母线ib发电量最小值,为母线ib发电量最大值,为母线ib支路潮流上限,为母线ib支路潮流下限,Γ为直流潮流函数。
对于联接在母线上的元件j的状态xj,其抽样值为0-1之间的某一数,根据历史统计数据,每个设备有一个故障率值λ,当抽样值小于λ时,系统故障,反之,系统运行。由上述元件j的状态xj确定,经由电力系统基本直流潮流计算Γ得到。
负荷消减模型失效区间定义为:
F={θj|LC(θj)>0}
其中,θj为系统状态j,LC(θj)为负荷消减;
步骤1中所述最小化虚拟负荷消减比模型为:
其中,θj为系统状态,GD(θj)为虚拟负荷下的发电量,β为虚拟负荷系数,Nb为母线的总数,ib为母线的序号,为母线ib负荷供给量的最大值;
所述最小化虚拟负荷消减比模型约束函数为:
其中,为母线ib发电量,为母线ib发电量最小值,为母线ib发电量最大值,为母线ib支路潮流上限,为母线ib支路潮流下限,Γ为直流潮流函数;
步骤1中所述电力系统渐进等级指标为:
其中,θj为系统状态,LC(θj)为负荷消减,GD(θj)为虚拟负荷下的发电量;
作为优选,所述步骤2中所述中间失效事件序列为:
{Fi:i=1,...,m-1}
其中,i为中间失效事件序号,F0为总事件,Fi+1为Fi的子事件,Fi+1为Fi中DI≤α的事件集,α为比较阈值,使得Fi+1事件的数量为Fi事件数量的10%,Fi为中间失效事件:
Fi={θj|DI(θj)>bi}
其中,DI(θj)为步骤1中所述电力系统渐进等级指标,bi+1为Fi+1和Fi的门槛值;
作为优选,步骤3所述马尔可夫链蒙特卡罗模拟对中间失效事件序列进行抽样为:
其中,xu为第u个马尔科夫链样本,n为系统元件状态总数,为第u个马尔科夫链样本的第j个元件,1≤j≤n;
利用下面的算法生成下一个马尔科夫链样本:
建立随机候选样本其中n为系统元件状态总数,为j元件的第u+1次抽样,j为第j个元件:对每个参数xj,j=1,2,…,Ns-1;
令为ξj的一维正态分布,其中心为且满足对称性ξj为预候选样本,对x的每个分量xj,根据该分布可以在当前的样本值的附近生成一个“预候选”的ξj;
从所述的中抽取一个“预候选”表示j元件的第u+1次抽样;
计算接受比:其中,q为正态分布累积概率密度函数,中j为第j个元件,u+1为第u+1次抽样,r为接受比,表示j元件的第u+1次抽样,为第u个马尔科夫链样本;
所述随机候选样本的第j个分量进行赋值:
所述随机候选样本向量是否属于Fi,即对于采用步骤1所述方法计算DI(θ),判断该值是否大于步骤2所述bi,从而判定是否属于Fi,若则接受,则若则拒绝,则
作为优选,步骤4中所述渐进子集模拟的思想为:
所述失效概率P(F)为:
P(F)=P(Fm)
其中,P(F)为失效概率,Fm为中间失效事件m可等效于目标事件,F1中间失效事件1至Fm-1中间失效事件m-1可等效于目标事件渐进的逐次失效事件;
作为优选,步骤5中所述电力不足概率LOLP为:
LOLP=P(Fm)
其中,P(F)为失效概率。
所述电量不足期望值EENS为:
其中,θj为系统状态j,n为系统状态的数量。
本发明带来的有益效果:与其它小概率事件可靠性评估算法相比,所提供的电力系统小概率事件高效可靠性评估的加速算法在模拟过程中,条件样本通过某种经过设计的马尔科夫链产生,使得其极限稳态分布为一些自适应选择的失效事件的目标条件分布。通过这样的方式,条件样本逐步地充满那些相连的中间失效区域并最终达到目标的失效区域。由于以输入参数分布代替期望进行电力系统可靠性评估,不确定的系统输入参数将导致系统可靠性出现波动,当系统抽样的系统可靠性较高时,计算效率将会大大的降低。所提供的电力系统小概率事件高效可靠性评估的加速算法能对小概率失效事件进行快速评估方法,加快小概率事件可靠性评估算法的收敛速度。
附图说明
图1:本发明方法流程图;
图2:渐进子集模拟原理图;
图3:条件失效概率的马尔可夫链蒙特卡罗模拟算法。
具体实施方式
为了便于本领域普通技术人员理解和实施本发明,下面结合附图及实施例对本发明作进一步的详细描述,应当理解,此处所描述的实施示例仅用于说明和解释本发明,并不用于限定本发明。
图1为本发明的方法流程图。下面结合图1至图3介绍本发明的具体实施方式,具体步骤为
步骤1:通过最小化负荷消减模型设计最小化虚拟负荷消减比模型,并构建电力系统渐进等级指标;
步骤1中所述最小化负荷消减模型为:
其中,θj为系统状态j,LC(θ)为负荷消减,Nb为母线的总数,ib为母线的序号,为母线ib负荷供给量,为母线ib负荷供给量的最大值;
步骤1中所述最小化负荷消减模型约束函数为:
其中,为母线ib发电量,为母线ib发电量最小值,为母线ib发电量最大值,为母线ib支路潮流上限,为母线ib支路潮流下限,Γ为直流潮流函数。
对于联接在母线上的元件j的状态xj,其抽样值为0-1之间的某一数,根据历史统计数据,每个设备有一个故障率值λ,当抽样值小于λ时,系统故障,反之,系统运行。由上述元件j的状态xj确定,经由电力系统基本直流潮流计算Γ得到。
负荷消减模型失效区间定义为:
F={θj|LC(θj)>0}
其中,θj为系统状态j,LC(θj)为负荷消减;
步骤1中所述最小化虚拟负荷消减比模型为:
其中,θj为系统状态,GD(θj)为虚拟负荷下的发电量,β为虚拟负荷系数,Nb为母线的总数,ib为母线的序号,为母线ib负荷供给量的最大值;
所述最小化虚拟负荷消减比模型约束函数为:
其中,为母线ib发电量,为母线ib发电量最小值,为母线ib发电量最大值,为母线ib支路潮流上限,为母线ib支路潮流下限,Γ为直流潮流函数;
步骤1中所述电力系统渐进等级指标为:
其中,θj为系统状态,LC(θj)为负荷消减,GD(θj)为虚拟负荷下的发电量;
步骤2:根据电力系统渐进等级指标建立中间失效事件序列;
所述步骤2中所述中间失效事件序列为:
{Fi:i=1,...,m-1}
其中,i为中间失效事件序号,F0为总事件,Fi+1为Fi的子事件,Fi+1为Fi中DI≤α的事件集,α为比较阈值,使Fi+1事件的数量为Fi事件数量的10%,Fi为中间失效事件:
Fi={θj|DI(θj)>bi}
其中,DI(θj)为步骤1中所述电力系统渐进等级指标,bi+1为Fi+1和Fi的门槛值;
步骤3:通过标准蒙特卡洛模拟计算中间失效事件概率,通过马尔可夫链蒙特卡罗模拟对中间失效事件序列进行抽样,计算中间失效事件序列概率;
步骤3所述马尔可夫链蒙特卡罗模拟对中间失效事件序列进行抽样为:
其中,xu为第u个马尔科夫链样本,n为系统元件状态总数,为第u个马尔科夫链样本的第j个元件,1≤j≤n;
利用下面的算法生成下一个马尔科夫链样本:
建立随机候选样本其中n为系统元件状态总数,为j元件的第u+1次抽样,j为第j个元件:对每个参数xj,j=1,2,…,Ns-1;
令为ξj的一维正态分布,其中心为且满足对称性ξj为预候选样本,对x的每个分量xj,根据该分布可以在当前的样本值的附近生成一个“预候选”的ξj;
从所述的中抽取一个“预候选”表示j元件的第u+1次抽样;
计算接受比:其中,q为正态分布累积概率密度函数,中j为第j个元件,u+1为第u+1次抽样,r为接受比,表示j元件的第u+1次抽样,为第u个马尔科夫链样本;
所述随机候选样本的第j个分量进行赋值:
所述随机候选样本向量是否属于Fi,即对于采用步骤1所述方法计算DI(θ),判断该值是否大于步骤2所述bi,从而判定是否属于Fi,若则接受,则若则拒绝,则
步骤4:通过渐进子集模拟的思想,根据中间失效事件概率和中间失效事件序列概率来计算失效概率;
步骤4中所述渐进子集模拟的思想为:
所述失效概率P(F)为:
P(F)=P(Fm)
其中,P(F)为失效概率,Fm为中间失效事件m可等效于目标事件,F1中间失效事件1至Fm-1中间失效事件m-1可等效于目标事件渐进的逐次失效事件;
步骤5:根据抽样结果计算电力不足概率以及电量不足期望值。
步骤5中所述电力不足概率LOLP为:
LOLP=P(Fm)
其中,P(F)为失效概率。
所述电量不足期望值EENS为:
其中,θj为系统状态j,n为系统状态的数量。
应当理解的是,上述针对较佳实施例的描述较为详细,并不能因此而认为是对本发明专利保护范围的限制,本领域的普通技术人员在本发明的启示下,在不脱离本发明权利要求所保护的范围情况下,还可以做出替换或变形,均落入本发明的保护范围之内,本发明的请求保护范围应以所附权利要求为准。
Claims (6)
1.一种电力系统小概率事件可靠性评估的方法,其特征在于,包括以下步骤:
步骤1:通过最小化负荷消减模型设计最小化虚拟负荷消减比模型,并构建电力系统渐进等级指标;
步骤2:根据电力系统渐进等级指标建立中间失效事件序列;
步骤3:通过标准蒙特卡洛模拟计算中间失效事件概率,通过马尔可夫链蒙特卡罗模拟对中间失效事件序列进行抽样,计算中间失效事件序列概率;
步骤4:通过渐进子集模拟的思想,根据中间失效事件概率和中间失效事件序列概率来计算失效概率;
步骤5:根据抽样结果计算电力不足概率以及电量不足期望值。
2.根据权利要求1所述的电力系统小概率事件可靠性评估的方法,其特征在于:步骤1中所述最小化负荷消减模型为:
其中,θj为系统状态j,LC(θ)为负荷消减,Nb为母线的总数,ib为母线的序号,
为母线ib负荷供给量,为母线ib负荷供给量的最大值;
步骤1中所述最小化负荷消减模型约束函数为:
其中,为母线ib发电量,为母线ib发电量最小值,为母线ib发电量最大值,为母线ib支路潮流上限,为母线ib支路潮流下限,Γ为直流潮流函数;
对于联接在母线上的元件j的状态xj,其抽样值为0-1之间的某一数,根据历史统计数据,每个设备有一个故障率值λ,当抽样值小于λ时,系统故障,反之,系统运行;由上述元件j的状态xj确定,经由电力系统基本直流潮流计算Γ得到;
负荷消减模型失效区间定义为:
F={θj|LC(θj)>0}
其中,θj为系统状态j,LC(θj)为负荷消减;
步骤1中所述最小化虚拟负荷消减比模型为:
其中,θj为系统状态,GD(θj)为虚拟负荷下的发电量,β为虚拟负荷系数,Nb为母线的总数,ib为母线的序号,为母线ib负荷供给量的最大值;
所述最小化虚拟负荷消减比模型约束函数为:
其中,为母线ib发电量,为母线ib发电量最小值,为母线ib发电量最大值,为母线ib支路潮流上限,为母线ib支路潮流下限,Γ为直流潮流函数;
步骤1中所述电力系统渐进等级指标为:
其中,θj为系统状态,LC(θj)为负荷消减,GD(θj)为虚拟负荷下的发电量。
3.根据权利要求1所述的电力系统小概率事件可靠性评估的方法,其特征在于:所述步骤2中所述中间失效事件序列为:
{Fi:i=1,...,m-1}
其中,i为中间失效事件序号,F0为总事件,Fi+1为Fi的子事件,Fi+1为Fi中DI≤α的事件集,α为比较阈值,使得Fi+1事件的数量为Fi事件数量的10%,Fi为中间失效事件:
Fi={θj|DI(θj)>bi}
其中,DI(θj)为步骤1中所述电力系统渐进等级指标,bi+1为Fi+1和Fi的门槛值。
4.根据权利要求1所述的电力系统小概率事件可靠性评估的方法,其特征在于:步骤3所述马尔可夫链蒙特卡罗模拟对中间失效事件序列进行抽样为:
其中,xu为第u个马尔科夫链样本,n为系统元件状态总数,为第u个马尔科夫链样本的第j个元件,1≤j≤n;
利用下面的算法生成下一个马尔科夫链样本:
建立随机候选样本其中n为系统元件状态总数,为j元件的第u+1次抽样,j为第j个元件:对每个参数xj,j=1,2,…,Ns-1;
令为ξj的一维正态分布,其中心为且满足对称性ξj为预候选样本,对x的每个分量xj,根据该分布可以在当前的样本值的附近生成一个“预候选”的ξj;
从所述的中抽取一个“预候选”ξj u+1,ξj u+1表示j元件的第u+1次抽样;
计算接受比:其中,q为正态分布累积概率密度函数,中j为第j个元件,u+1为第u+1次抽样,r为接受比,表示j元件的第u+1次抽样,为第u个马尔科夫链样本;
所述随机候选样本的第j个分量进行赋值:
所述随机候选样本向量是否属于Fi,即对于采用步骤1所述方法计算DI(θ),判断该值是否大于步骤2所述bi,从而判定是否属于Fi,若则接受,则若则拒绝,则
5.根据权利要求1所述的电力系统小概率事件可靠性评估的方法,其特征在于:步骤4中所述渐进子集模拟的思想为:
所述失效概率P(F)为:
P(F)=P(Fm)
其中,P(F)为失效概率,Fm为中间失效事件m可等效于目标事件,F1中间失效事件1至Fm-1中间失效事件m-1可等效于目标事件渐进的逐次失效事件。
6.根据权利要求1所述的电力系统小概率事件可靠性评估的方法,其特征在于:步骤5中所述电力不足概率LOLP为:
LOLP=P(Fm)
其中,P(F)为失效概率;
所述电量不足期望值EENS为:
其中,θj为系统状态j,n为系统状态的数量。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025911.4A CN109242304B (zh) | 2018-09-04 | 2018-09-04 | 一种电力系统小概率事件可靠性评估的方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811025911.4A CN109242304B (zh) | 2018-09-04 | 2018-09-04 | 一种电力系统小概率事件可靠性评估的方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109242304A true CN109242304A (zh) | 2019-01-18 |
CN109242304B CN109242304B (zh) | 2021-09-03 |
Family
ID=65060496
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811025911.4A Active CN109242304B (zh) | 2018-09-04 | 2018-09-04 | 一种电力系统小概率事件可靠性评估的方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109242304B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177974A (zh) * | 2019-12-24 | 2020-05-19 | 北京航空航天大学 | 基于双层嵌套寻优和子集模拟的结构小失效概率计算方法 |
CN112053023A (zh) * | 2020-07-06 | 2020-12-08 | 中国人民解放军海军工程大学 | 一种应用于电力系统可靠性评估的改进时序方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060167784A1 (en) * | 2004-09-10 | 2006-07-27 | Hoffberg Steven M | Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference |
CN107276075A (zh) * | 2017-06-20 | 2017-10-20 | 贵州电网有限责任公司电力调度控制中心 | 一种计及电网事故风险等级的多区域减负荷协同决策方法 |
-
2018
- 2018-09-04 CN CN201811025911.4A patent/CN109242304B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20060167784A1 (en) * | 2004-09-10 | 2006-07-27 | Hoffberg Steven M | Game theoretic prioritization scheme for mobile ad hoc networks permitting hierarchal deference |
CN107276075A (zh) * | 2017-06-20 | 2017-10-20 | 贵州电网有限责任公司电力调度控制中心 | 一种计及电网事故风险等级的多区域减负荷协同决策方法 |
Non-Patent Citations (3)
Title |
---|
姜臻: "基于马尔可夫小概率事件统计模型的继电保护隐藏故障分析", 《机电信息》 * |
蒋水华等: "考虑概率分布影响的低概率水平边坡可靠度分析", 《岩土工程学报》 * |
谢仕炜等: "考虑最优负荷削减方向的电网多目标分层随机机会约束规划", 《电力自动化设备》 * |
Cited By (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111177974A (zh) * | 2019-12-24 | 2020-05-19 | 北京航空航天大学 | 基于双层嵌套寻优和子集模拟的结构小失效概率计算方法 |
CN111177974B (zh) * | 2019-12-24 | 2022-12-06 | 北京航空航天大学 | 基于双层嵌套寻优和子集模拟的结构小失效概率计算方法 |
CN112053023A (zh) * | 2020-07-06 | 2020-12-08 | 中国人民解放军海军工程大学 | 一种应用于电力系统可靠性评估的改进时序方法 |
CN112053023B (zh) * | 2020-07-06 | 2022-07-26 | 中国人民解放军海军工程大学 | 一种应用于电力系统可靠性评估的改进时序方法 |
Also Published As
Publication number | Publication date |
---|---|
CN109242304B (zh) | 2021-09-03 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US8996185B2 (en) | Method for scheduling power generators based on optimal configurations and approximate dynamic programming | |
CN103023065B (zh) | 一种基于相对误差熵值法的风电短期功率预测方法 | |
CN109242304A (zh) | 一种电力系统小概率事件可靠性评估的方法 | |
CN109784692A (zh) | 一种基于深度学习的快速安全约束经济调度方法 | |
Atamanyuk et al. | Method of polynomial predictive control of fail-safe operation of technical systems | |
CN109766281A (zh) | 一种故障检测率下降变化的不完美调试软件可靠性模型 | |
CN105449667A (zh) | 一种发输电系统可靠性预测方法 | |
Ramesh et al. | Feasibility layer aided machine learning approach for day-ahead operations | |
Cao et al. | Fast and explainable warm-start point learning for AC Optimal Power Flow using decision tree | |
CN103197564A (zh) | 数字化人机界面监视单元数量优化方法及系统 | |
CN106329515A (zh) | 一种基于静态可靠性概率指标的电网可靠性水平判定方法 | |
CN116523172A (zh) | 基于跨指标的多维度根本原因分析 | |
Yan et al. | Sustainable manufacturing oriented prognosis for facility reuse | |
CN110336280A (zh) | 一种基于字典集加速的电力系统连锁故障分析方法 | |
Li et al. | An adaptive optimization approach based on the human factors and its application to process alarm thresholds | |
Amiri et al. | A MULTI OBJECTIVE OPTIMIZATION MODEL FOR REDUNDANCY ALLOCATION PROBLEMS IN SERIES-PARALLEL SYSTEMS WITH REPAIRABLE COMPONENETS | |
Bazant | Mechanics based statistical prediction of structure size and geometry effects on safety factors for composites and other quasibrittle materials | |
Anescu et al. | A fast self-adaptive approach to reliability optimization problems | |
Shahriari et al. | A New Continuous Multi-State Reliability Model with Time Dependent Component Performance Rate | |
Chai et al. | Nonlinear system modeling and fault detection method using set membership estimation and TS fuzzy model | |
Boonthiem et al. | Parameter Estimations of Normal Distribution via Genetic Algorithm and Its Application to Carbonation Depth | |
CN115829122A (zh) | 一种电力客服工单投诉预警方法及系统 | |
CN114078062A (zh) | 新能源消纳受阻因素的关键断面识别方法及系统 | |
Zheng et al. | Chaotic phenomena and quantitative analysis of aftereffect delay spread time on flights | |
CN114036820A (zh) | 一种设备异常组串损失电量计算方法、系统及计算机设备 |
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 |