CN109510201B - 一种基于梯形模糊数系统的配电网可靠性评估方法 - Google Patents
一种基于梯形模糊数系统的配电网可靠性评估方法 Download PDFInfo
- Publication number
- CN109510201B CN109510201B CN201811564407.1A CN201811564407A CN109510201B CN 109510201 B CN109510201 B CN 109510201B CN 201811564407 A CN201811564407 A CN 201811564407A CN 109510201 B CN109510201 B CN 109510201B
- Authority
- CN
- China
- Prior art keywords
- power supply
- line
- neuron
- neurons
- load point
- 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
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于梯形模糊数系统的配电网可靠性评估方法,该方法考虑了进行可靠性评估时所获得的基本参数的模糊性,利用模糊推理SNP系统快速高效的处理模糊化的数据信息的特点,建立相应的可靠性评估模型,通过定义命题神经元和不同的规则神经元并以图形化的形式呈现出来,使得模型中逻辑结构更加清晰、推理关系更加直观明确。本方法能够保证评估方法收敛的准确性,并识别出系统的薄弱环节。
Description
技术领域
本发明配电网可靠性评估方法,具体是一种基于梯形模糊数系统的配电网可靠性评估方法。
背景技术
配电网可靠性评估中,由于统计资料的不足、天气等外界因素、以及配电网元件本身的老化等问题的影响,会导致元件的故障率和修复时间等基础参数的不确定性。这会严重影响配电网可靠性指标的准确性,导致可靠性指标不能准确全面的反映配电网的状态,所以考虑参数不确定的配电网可靠性评估有巨大的实际意义。
现有技术中在该方面已有不少研究,其基本思想主要是将模糊数理论引入配电网可靠性评估中,利用模糊数反映不确定信息的特点,实现配电网的模糊可靠性评估。而在可靠性评估方法上主要有两种,一种是传统的蒙特卡洛模拟法,另一种是最小路法、网络等值法等解析法。
蒙特卡洛模拟法是通过多次随机抽样模拟电网各元件的运行状态,根据概率统计的原理计算得出电网的可靠性指标,其计算简单,适合于大规模电力配电网的可靠性评估,但它只能求得近似解,存在难以准确收敛的问题。
解析法是根据元件之间的功能关系建立可靠性模型,根据故障状态的总体情况,对其进行分析,从而通过数学原理获得可靠性指标,该方法能得到精确解,不存在收敛问题,但是不能进行反向推理,无法识别出系统的薄弱环节。
发明内容
本发明提出了一种基于梯形模糊数系统的配电网可靠性评估方法,其目的在于:(1)保证评估方法收敛的准确性;(2)识别系统的薄弱环节。
本发明技术方案如下:
一种基于梯形模糊数系统的配电网可靠性评估方法,步骤为:
步骤1、配电网参数的模糊化处理;
步骤2、对负荷点的供电方式进行分析,根据电网结构,针对所要评估的目标负荷点建立正常供电规则;所述正常供电规则是指,当该规则满足时,目标负荷点能够正常供电;所述正常供电规则由若干元素通过“与”逻辑和“或”逻辑构成,所述元素用于表示电网中与目标负荷点供电相关的元件的状态;
步骤3、依据正常供电规则建立模糊推理梯形模糊数脉冲神经膜系统模型,模型包括输入层、中间层和输出层,所述输入层包括与所述正常供电规则的元素一一对应的输入神经元,所述中间层包括若干中间神经元,所述输出层包括一输出神经元,所述输入神经元和输出神经元为命题神经元;所述输入神经元通过中间神经元与输出神经元相连接,将目标负荷点供电方式以脉冲神经网络的形式呈现出来,通过脉冲值的传递计算负荷点的正常供电概率;输入脉冲值即为各元素的正常状态概率值,输出神经元的输出脉冲值即为目标负荷点的正常供电概率。
进一步的,步骤2中建立正常供电规则时,首先分析目标负荷点所有可能的正常供电情形,确定正常供电情形下电网中与目标负荷点供电相关的元件的状态组合关系;然后根据元件之间的连接关系、以及开关元件开断情况与其它元件状态的关系,将具有供电逻辑关系的元件的状态合并为一个元素,实现供电规则的简化,最后元素通过“与”逻辑和“或”逻辑构成所述正常供电规则。
进一步的,步骤1中,以作为模糊化后的中心数使用梯形模糊数表示元件的故障率,使用梯形模糊数表示元件的修复时间或替换时间;采用梯形模糊数进行模糊化处理,取故障率为修复时间或替换时间为λd,rd是根据以往电网运行的统计数据得到的基础数据;
1代表状态为真,0表示状态为假;
所述供电规则的简化,具体步骤为:
对于某主馈线上的线路元件L,如果其状态与其它元件的状态及操作无关,则线路L的状态单独构成一个元素,该元素对应的输入神经元的脉冲值计算公式为:
对于负荷分支上的某线路元件L以及与该线路元件相串联的变压器T元件,线路L和变压器T的状态合并成一个元素,该元素对应的输入神经元的脉冲值计算公式为:
式中,l为线路L的长度,λl、λ′l分别为线路L的年平均故障率和年平均计划检修率,单位为次/(年·千米),rl、r′l分别为线路L的年故障修复时间和计划检修时间,单位为h/次;λT、λ′T分别为变压器T的年平均故障率和年平均计划检修率,单位为次/年,rT为变压器T的年故障修复时间或替换时间,单位为h/次;符号~表示模糊化后的参数;AH=(1,1,1,1);P表示括号中对应事件成立的概率,θ表示对应的概率值以脉冲的形式进行传递所构成的脉冲值;L=1表示线路L正常运行,LT=1表示线路L和变压器T正常运行;
对于某线路元件L前端设有分段开关D的情况,线路L和开关D的状态合并成一个元素,该元素对应的输入神经元的脉冲值计算公式为:
对于负荷点前端主馈线故障时,故障线路L对应后端分段开关D断开,备用电源倒闸开关倒闸将备用电源A接入给故障点后端部分负荷供电的情况,故障线路L、开关D和备用电源A的状态三者合并成一个元素,该元素对应输入神经元的脉冲值计算公式为:
式中,rMAD为分段开关D的操作时间与备用电源A开关倒闸时间的最大值;LDA=1表示线路L和备用电源A均正常运行,开关D闭合,表示线路L故障、开关D断开和备用电源A倒闸开关将备用电源接入从而为故障点后端部分负荷供电。
进一步的,还包括步骤4,计算梯形模糊数形式的系统可靠性指标,并对结果进行去模糊化处理以便于验证结果的正确性;
所述系统可靠性指标包括:
进一步的,还包括步骤5,根据贝叶斯条件概率公式计算负荷点已经故障的情况下与之相关的各元件可能的故障概率,计算公式为:
式中,X代表与负荷相关的线路或变压器处于的运行状态,LP表示负荷点处于的状态,模糊概率值P越大说明元件负荷点的重要性越高。
进一步的,所述中间层包括第一中间层、第二中间层和第三中间层;所述第一中间层包括若干串联规则神经元,所述第二中间层包括若干与第一中间层神经单元一一对应的命题神经元,所述第三中间层包括一个并联规则神经元;
所述输入层上的各输入神经元分别与第一中间层上的每个串联规则神经元相连接,所述第一中间层上的串联规则神经元与第二中间层上的命题神经元一一对应连接,所述第二中间层上的各命题神经元均与所述并联规则神经元相连接,所述并联规则神经元与输出层上的输出神经元相连接。
相对于现有技术,本发明具有以下积极效果:(1)本发明提出了一种将模糊推理SNP系统用于配电网的可靠性评估的方法,该方法考虑了进行可靠性评估时所获得的基本参数的模糊性,利用模糊推理SNP系统快速高效的处理模糊化的数据信息的特点,建立相应的可靠性评估模型,通过定义命题神经元和不同的规则神经元并以图形化的形式呈现出来,使得模型中逻辑结构更加清晰、推理关系更加直观明确,并保证了收敛的准确性;(2)神经元定义的多样性有利于将元件相互之间和元件对负荷的影响关系直观地呈现出来;(3)依据贝叶斯条件概率公式的原理进行了反向推理,分析各元件对相应负荷可靠性指标的影响程度,识别出系统的薄弱环节,从而对模糊SNP系统在配电网可靠性评估中的应用做了初步尝试,为配电网的可靠性评估提供了新的思路。
附图说明
图1为本发明评估流程示意图。
图2为实施例的电网同结构示意图。
图3为实施例中构建的ITFRSNP模型示意图。
图4为命题神经元表示符号的示意图。
图5为命题神经元简化符号的示意图。
图6为串联规则神经元表示符号的示意图。
图7为串联规则神经元简化符号的示意图。
图8为并联规则神经元表示符号的示意图。
图9为并联规则神经元简化符号的示意图。
图10为串联规则模型的示意图。
图11为并联规则模型的示意图。
具体实施方式
下面结合附图详细说明本发明的技术方案:
首先介绍改进型模糊推理梯形模糊数脉冲神经膜系统(Improved FuzzyReasoning Spiking Neural P Systems with Trapezoidal Fuzzy Numbers,ITFRSNP)系统。其是在模糊推理梯形模糊数SNP(Fuzzy Reasoning Spiking Neural P Systems withTrapezoidal Fuzzy Numbers,TFRSNP)系统的基础上,充分利用其可以并行、高效地处理模糊信息的特点,改变神经元的定义,使之适用于配电网的可靠性评估中。
改进型模糊推理梯形模糊数SNP形式化定义如下:
一个度为m的ITFRSNP系统形式化组成如下:
Π=(A,σ1,…,σm,syn,I,O);
其中:
(1)A={a}是单字母集合,a表示一个脉冲。
(2)σ1,…,σm是m个神经元,组成形式是σi=(θi,ci,ri),i=1,…,m;
其中:
(i)θi是[0,1]上的梯形模糊数,表示神经元σi内部脉冲的位势值,也称脉冲值;
(ii)ci是[0,1]上梯形模糊数,表示神经元σi的模糊真值;
(iii)ri表示神经元σi中的点火规则,形式为E/aθ→aβ,其中θ和β都是[0,1]上的梯形模糊数,E=an是点火条件。
对于脉冲值θi,如果θi>(0,0,0,0),则表示神经元包含一个脉冲值为θi的脉冲;否则,该神经元不包含任何脉冲,其电位值记为(0,0,0,0)。点火条件E=an表示神经元σi的点火规则E/aθ→aβ只有当且仅当该神经元所接收到的脉冲数大于或等于n时,才能执行;否则,该点火规则不能执行。如果在某一个计算步骤中,神经元σi接收到的脉冲数少于n,那么该神经元将对其接收到的所有脉冲值执行或*运算,并且更新神经元内部的脉冲值。另外,ITFRSNP系统中不考虑时间延迟,所有神经元一直处于开放状态。
根据用途不同,将神经元分为以下三类:命题神经元,串联规则神经元,和并联规则神经元。
如图4和5,命题神经元表示模糊产生式规则中的命题,用符号P(c)表示。一个命题神经元可以被表示为σ=(θ,c,r),其中θ,c分别为命题神经元的脉冲值和模糊真值,且有θ=c;r是点火规则,其形式为E/aθ→aθ,即θ=β。如果该命题神经元为输入神经元,那么其模糊真值从环境中获得;否则,如果该命题神经元连接一个突触前规则神经元,那么θ值等于从该突触前规则神经元传输过来的脉冲值;当该神经元点火并更新脉冲值后,会产生一个脉冲值为θ的脉冲并向后传递。
如图6和7,串联规则神经元表示规则神经元前各命题神经元用于呈“串联”关系的产生式规则。它可以有两个甚至更多的前件部分命题神经元,但只能有一个后件部分命题神经元,用符号R(c)sc表示。串联规则神经元的模糊真值等于神经元对应的确定性因子。当串联规则神经元接收到k个脉冲值分别为θ1,…,θk的脉冲时,如果点火条件满足,则输出一个脉冲值为的脉冲值;否则使用收到的脉冲更新规则神经元脉冲值。
如图8和9,并联规则神经元表示规则神经元前各命题神经元用于呈“并联”关系的产生式规则,用符号R(c)pc表示。并联规则神经元的模糊真值等于神经元对应的确定性因子。当并联规则神经元接收到k个脉冲值分别为θ1,…,θk的脉冲时,如果点火条件满足,则输出一个脉冲值为的脉冲值,其中AH=[1,1,1,1]表示脉冲值达到最高时的值;否则使用收到的脉冲更新规则神经元脉冲值。
AH是语言项—绝对高(Absolutely-high)的英文缩写,也是它的符号表示。因为TFRSNP能够处理的脉冲值范围为(0,0,0,0)~(1,1,1,1),所以(1,1,1,1)表示神经元对于事件发生概率最高,即肯定发生时的神经元脉冲值。关于语言项的详细定义规则在很多关于FRSNP的文献中均有介绍,本文不作赘述。
为了对可靠性评估的推理过程进行模拟,使用ITFRSNP系统对产生式规则进行建模是必不可少的。本文结合可靠性评估的特点建立两种产生式规则模型,该两种模型与FRSNP的基本原理是一致的。
串联规则模型,其建模过程如图10所示,推理过程如下:首先命题神经元σ1~σk-1从环境或前端神经元获得脉冲值分别为θ1~θk-1的脉冲,如果点火规则满足,向后端的规则神经元σk+1分别传递脉冲值。若规则神经元σk+1收到的脉冲个数满足点火条件则向后端命题神经元σk传递脉冲值为的脉冲,若不满足点火规则则以更新脉冲值。
并联规则模型,其建模过程如图11所示,推理过程如下:首先命题神经元σ1~σk-1从环境或前端神经元获得脉冲值分别为θ1~θk-1的脉冲,点火规则满足时,向后端的规则神经元σk+1分别传递脉冲值。当规则神经元σk+1收到的脉冲数满足点火条件则向后端命题神经元σk传递脉冲值为的脉冲,若不满足点火规则则以更新脉冲值。
ITFRSNP系统的推理算法:
2、判断各神经元点火条件是否满足,若满足则向该神经元所有突触后神经元传递一个脉冲,不满足则不传递。
3、用下列公式更新规则神经元脉冲值向量:
用下列公式更新命题神经元脉冲值向量:
判断终止条件δg=01是否满足,若满足则运算过程结束,输出结果,否则g=g+1,返回步骤2。
其中:
(1)D1=(dij)p×r为突触矩阵,表示命题神经元到串联规则神经元的有向连接关系,如果命题神经元θi与串联规则神经元δj之间存在突触,dij=1,否则dij=0。
(2)D2=(dij)p×r为突触矩阵,表示命题神经元到并联规则神经元的有向连接关系,如果命题神经元θi与并联规则神经元δj之间存在突触,dij=1,否则dij=0。
(3)D3=(dij)r×p为突触矩阵,表示规则神经元到命题神经元的有向连接关系,如果规则神经元δj与命题神经元θi之间存在突触,dij=1,否则dij=0。
(4)θ=(θ1,θ2,…θp)T为命题神经元的模糊脉冲值向量,共有P个模糊脉冲真值,其中θi是第i个命题神经元的脉冲值,是[0:1]上的梯形模糊数,i=1,2,…p。
(5)δ=(δ1,δ2,…δr)T为规则神经元的模糊脉冲值向量,共有r个模糊脉冲真值,其中δj是第j个规则神经元的脉冲值,是[0:1]上的梯形模糊数,j=1,2,…r。
(6)C=diag(c1…cr),其中cj为[0:1]上的梯形模糊数,j=1,2,…r。表示第j个规则神经元的模糊真值,即其对应产生式规则的确定性因子,该参数是根据对应规则神经元的置信度水平设定的,在本文中均为(1,1,1,1)。
另外,算法中所设计的算子描述如下:
CΔδ=(c1δ1,c2δ2,…,crδr)T;
需要说明的是,模糊推理梯形模糊数SNP(Fuzzy Reasoning Spiking Neural PSystems with Trapezoidal Fuzzy Numbers,TFRSNP)系统是一种已知的数学计算模型,本方法是在其基础上重新定义了神经元脉冲值的更新方式和脉冲值表示的具体含义,因此对TFRSNP本身的机理等本领域技术人员知晓的技术内容不作赘述。
对参数的模糊化处理是由于统计资料的缺乏及不足和统计误差会造成元件和设备的故障率、修复时间或替换时间等可靠性评估原始数据的不准确。模糊化的处理方式参考文献-【张焰.电网规划中的模糊可靠性评估方法[J].中国电机工程学报,2000(11):78-81.】中的处理方式。
本实施例,是使用本发明的评估方法,参考图1所述流程,对如图2所示的电网进行评估。
如图2,馈线F1包括:7个负荷点LP1-LP7,11条分段线路L1-L11,7个熔断器R1-R7,7台变压器T1-T7,一个断路器B1,3个分段开关D1-D3等元件,还包括主电源和备用电源A。
本实施例作如下假设:
(1)由于熔断器和断路器准确率很高,所以本文中认为其百分之百可靠。
(2)各元件运行状态相互独立。
(3)由于多重故障的情形非常少,可能性很低,所以分析时只考虑单一元件故障的情况。
以负荷LP1和LP3为例分析其供电模式的组成,并以LP1为例说明推理模型的建立过程。
1、对负荷LP1,从电网结构可知其只能由主电源供电,供电规则方式如下:
既可在主馈线前端分段开关闭合时由主电源供电,也可在后主馈线前端分段开关断开时由备用电源对其供电。
下面分析其供电方式的组成:
当馈线F1主馈线上分段线路L1、L4、L7、L10及LP1分支上线路L2和变压器T1均正常工作时,分段开关D1-D3均闭合,此时LP1正常供电,供电规则为:
LP1=L1∧L4∧D1↓∧L7∧D2↓∧L10∧D3↓∧L2∧T1 (11);
其中:∧、↑、↓分别表示逻辑与关系、开关断开和开关闭合状态。
当馈线F1主馈线上分段线路L4、L7、L10某一个处于故障或检修状态导致不能正常运行时,与故障线路相连的前端分段开关需断开,LP1才能恢复供电。如L4停运时,需断开D1将L4从供电路径中切除。L7、L10停运时的情况与此类似。其供电规则分别为:
L4停运时:
L7停运时:
L10停运时:
分析可知这几种规则只要一种规则成立,负荷LP1就能正常供电。所以负荷LP1总的正常供电规则为:
LP1=(11)∨(12)∨(13)∨(14) (15);
∨表示逻辑或关系。
2、对负荷LP3,其供电规则与LP1类似,主要区别在于LP3通过分段开关与主电源相连,所以当位于负荷点前端位于负荷点直接相连的主馈线元件故障时,其故障元件后端分段开关可断开,备用电源倒闸开关倒闸,接入备用电源为其供电;如L1停运时,D1断开、备用电源倒闸开关倒闸,接入备用电源A为其供电;因此对于LP3当L1停运时的供电规则为:
其它情况的供电规则及总的供电规则建立与LP1类似。
供电规则的简化:
对于供电规则中涉及到的分段上串联的元件及与元件状态相互配合的分段开关,可视为一个联合元件作整体考虑,从而进行规则简化,其原理如式(1)~(6)所述。以LP1为例,将式(11)~(14)简化为式(17)~(20):
LP1=L1∧L4D1∧L7D2∧L10D3∧L2T1 (17);
总的供电规则为:
LP1=(17)∨(18)∨(19)∨(20) (21)。
基于ITFRSNP系统的供电模型的建立:
根据前文所述关于ITFRSNP系统的定义和式(17)~(21)所表达的LP1的供电规则关系,以及式(1)~(6)关于神经元脉冲值与元件及联合元件工作状态概率值的转化关系,可针对LP1建立如图3所示的基于ITFRSNP系统的供电可靠性模型。
模型中共计18个神经元,其中5个规则神经元,其中σ1:σ8为输入神经元,对应上述8项元素,σ18为输出神经元。第一中间层和第二中间层分别设计四个神经元。
按照(1)~(6)式计算输入神经元的初始脉冲值,按照前面推理算法计算负荷点LP1的正常运行概率。对其它负荷点采用同样方法可得到对应的正常供电概率值。
由以上计算所得各负荷点的正常供电概率值可计算所在馈线的可靠性指标如ASAI、EENS、CAIDI等,利用去模糊函数可将以梯形模糊数形式呈现的可靠性指标使用重心法去模糊化后与参考值作对比。
去模糊化的方法较多,如最大隶属度法、重心法、加权平均法等,其公式都是通用的。这里采用的是重心法,相关公式及详细描述在关于模糊控制的著作中均能查阅到,此处不作详述。
本实施例的基础数据来源于文献-【Allan R N,Billinton R,Sjarief I,et al.Areliability test system for educationalpurposes-basic distribution systemdata and results[J].IEEETransactions on Power Systems,1991,6(2):813-820.】。
表1列出了计算出的系统可靠性指标,表2列出了本文结果去模糊化后的数据与参考值的对比。
表1系统可靠性指标
BUS2 | ASAI | EENS | CAIDI |
F1 | (0.999894,0.999906,0.999918,0.999928) | (2283,2618,2994,3354) | (2.19,2.75,3.42,4.36) |
表2去模糊化后的指标
表1中采用ITFRSNPS推理模型得出的配电网可靠性指标是一个以梯形模糊数的形式呈现的模糊值。为验证结果的合理性,可将其去模糊化后的值与参考值对比。分析表2数据发现去模糊化后的结果与参考值基本一致。说明本文所提方法的是合理可行的。
利用此模型根据贝叶斯公式进行反向推理,即假设负荷已经不能正常供电的情况下,与之相关的元件可能的故障概率。
表3负荷LP1故障时部分元件的可能故障率
元件 | L1 | L2 | T1 | L4 | L7 | L10 |
故障率 | 0.34 | 0.27 | 0.22 | 0.00003 | 0.00003 | 0.00002 |
由表3可知,当LP1故障时,L2和T1的可能故障概率远远高于其它元件,这可以说明L1、L2和T1对LP1的影响程度最高。所以要提高LP1的可靠性主要应提升线路L1、L2和变压器T1的性能。
Claims (5)
1.一种基于梯形模糊数系统的配电网可靠性评估方法,其特征在于步骤为:
步骤1、配电网参数的模糊化处理;
步骤2、对负荷点的供电方式进行分析,根据电网结构,针对所要评估的目标负荷点建立正常供电规则;所述正常供电规则是指,当该规则满足时,目标负荷点能够正常供电;所述正常供电规则由若干元素通过“与”逻辑和“或”逻辑构成,所述元素用于表示电网中与目标负荷点供电相关的元件的状态;
步骤3、依据正常供电规则建立模糊推理梯形模糊数脉冲神经膜系统模型,模型包括输入层、中间层和输出层,所述输入层包括与所述正常供电规则的元素一一对应的输入神经元,所述中间层包括若干中间神经元,所述输出层包括一输出神经元,所述输入神经元和输出神经元为命题神经元;所述输入神经元通过中间神经元与输出神经元相连接,将目标负荷点供电方式以脉冲神经网络的形式呈现出来,通过脉冲值的传递计算负荷点的正常供电概率;输入脉冲值即为各元素的正常状态概率值,输出神经元的输出脉冲值即为目标负荷点的正常供电概率;
步骤4、计算梯形模糊数形式的系统可靠性指标,并对结果进行去模糊化处理以便于验证结果的正确性;
所述系统可靠性指标包括:
2.如权利要求1所述的基于梯形模糊数系统的配电网可靠性评估方法,其特征在于:步骤2中建立正常供电规则时,首先分析目标负荷点所有可能的正常供电情形,确定正常供电情形下电网中与目标负荷点供电相关的元件的状态组合关系;然后根据元件之间的连接关系,以及开关元件开断情况与其它元件状态的关系,将具有供电逻辑关系的元件的状态合并为一个元素,实现供电规则的简化,最后元素通过“与”逻辑和“或”逻辑构成所述正常供电规则。
3.如权利要求2所述的基于梯形模糊数系统的配电网可靠性评估方法,其特征在于:步骤1中,以作为模糊化后的中心数使用梯形模糊数表示元件的故障率,使用梯形模糊数表示元件的修复时间;采用梯形模糊数进行模糊化处理,取故障率为修复时间为λd、rd是根据以往电网运行的统计数据得到的基础数据;
1代表状态为真,0表示状态为假;
所述供电规则的简化,具体步骤为:
对于某主馈线上的线路L,如果其状态与其它元件的状态及操作无关,则线路L的状态单独构成一个元素,该元素对应的输入神经元的脉冲值计算公式为:
对于负荷分支上的某线路L以及与该线路元件相串联的变压器T,线路L和变压器T的状态合并成一个元素,该元素对应的输入神经元的脉冲值计算公式为:
式中,l为线路L的长度,λl、λ′l分别为线路L的年平均故障率和年平均计划检修率,单位为次/(年·千米),rl、r′l分别为线路L的年故障修复时间和计划检修时间,单位为h/次;λT、λ′T分别为变压器T的年平均故障率和年平均计划检修率,单位为次/年,rT为变压器T的年故障修复时间,单位为h/次;AH=(1,1,1,1);P表示括号中对应事件成立的概率,θ表示对应的概率值以脉冲的形式进行传递所构成的脉冲值;L=1表示线路L正常运行,LT=1表示线路L和变压器T正常运行;
对于某线路L前端设有分段开关D的情况,线路L和分段开关D的状态合并成一个元素,该元素对应的输入神经元的脉冲值计算公式为:
对于负荷点前端主馈线故障时,故障线路L对应后端分段开关D断开,备用电源倒闸开关倒闸将备用电源A接入给故障点后端部分负荷供电的情况,故障线路L,分段开关D和备用电源A的状态三者合并成一个元素,该元素对应输入神经元的脉冲值计算公式为:
5.如权利要求1至4任一所述的基于梯形模糊数系统的配电网可靠性评估方法,其特征在于:所述中间层包括第一中间层、第二中间层和第三中间层;所述第一中间层包括若干串联规则神经元,所述第二中间层包括若干与第一中间层神经单元一一对应的命题神经元,所述第三中间层包括一个并联规则神经元;
所述输入层上的各输入神经元分别与第一中间层上的每个串联规则神经元相连接,所述第一中间层上的串联规则神经元与第二中间层上的命题神经元一一对应连接,所述第二中间层上的各命题神经元均与所述并联规则神经元相连接,所述并联规则神经元与输出层上的输出神经元相连接。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564407.1A CN109510201B (zh) | 2018-12-20 | 2018-12-20 | 一种基于梯形模糊数系统的配电网可靠性评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811564407.1A CN109510201B (zh) | 2018-12-20 | 2018-12-20 | 一种基于梯形模糊数系统的配电网可靠性评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN109510201A CN109510201A (zh) | 2019-03-22 |
CN109510201B true CN109510201B (zh) | 2022-02-22 |
Family
ID=65753907
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811564407.1A Active CN109510201B (zh) | 2018-12-20 | 2018-12-20 | 一种基于梯形模糊数系统的配电网可靠性评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109510201B (zh) |
Families Citing this family (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110533291B (zh) * | 2019-07-25 | 2022-07-22 | 广西电网有限责任公司电力科学研究院 | 一种基于风险评估的中压配电网薄弱环节辨识方法 |
CN110796368B (zh) * | 2019-10-23 | 2020-06-02 | 北方工业大学 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
CN111861141B (zh) * | 2020-06-29 | 2024-02-13 | 国网上海市电力公司 | 一种基于模糊故障率预测的配电网可靠性评估方法 |
CN113011731B (zh) * | 2021-03-16 | 2022-08-02 | 西华大学 | 基于osnps系统的小型独立电力系统可靠性评估方法 |
CN116824512B (zh) * | 2023-08-28 | 2023-11-07 | 西华大学 | 一种27.5kV可视化接地刀闸状态识别方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
CN104485660A (zh) * | 2014-11-11 | 2015-04-01 | 国家电网公司 | 一种基于有向关系图的配电网可靠性评估方法 |
CN107634866A (zh) * | 2017-10-27 | 2018-01-26 | 朱秋华 | 一种配电网通信系统性能评估方法和装置 |
WO2018148732A2 (en) * | 2017-02-13 | 2018-08-16 | Griddy Holdings Llc | Methods and systems for an automated utility marketplace platform |
-
2018
- 2018-12-20 CN CN201811564407.1A patent/CN109510201B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN103336222A (zh) * | 2013-06-06 | 2013-10-02 | 西南交通大学 | 基于模糊推理脉冲神经膜系统的电力系统故障诊断方法 |
CN104485660A (zh) * | 2014-11-11 | 2015-04-01 | 国家电网公司 | 一种基于有向关系图的配电网可靠性评估方法 |
WO2018148732A2 (en) * | 2017-02-13 | 2018-08-16 | Griddy Holdings Llc | Methods and systems for an automated utility marketplace platform |
CN107634866A (zh) * | 2017-10-27 | 2018-01-26 | 朱秋华 | 一种配电网通信系统性能评估方法和装置 |
Non-Patent Citations (2)
Title |
---|
Fault Diagnosis of Electric Power Systems Based on Fuzzy Reasoning Spiking Neural P Systems;T. Wang;《IEEE Transactions on Power Systems》;20140828;全文 * |
基于梯形模糊数GIS产品的可靠性分析;胡圣武 等;《地球科学与环境学报》;20050930;全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN109510201A (zh) | 2019-03-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109510201B (zh) | 一种基于梯形模糊数系统的配电网可靠性评估方法 | |
Wang et al. | A weighted corrective fuzzy reasoning spiking neural P system for fault diagnosis in power systems with variable topologies | |
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN106251059B (zh) | 一种基于概率神经网络算法的电缆状态评估方法 | |
CN107769202B (zh) | 计及天气模型的基于模糊Petri网的配电网可靠性评估方法 | |
CN112051481B (zh) | 一种基于lstm的交直流混联电网故障区域诊断方法和系统 | |
CN111798095B (zh) | 一种基于神经网络电力电缆状态评价方法 | |
CN112926023B (zh) | 一种基于考虑气象因素p系统的输电网故障诊断方法 | |
Wang et al. | Application of fuzzy reasoning spiking neural P systems to fault diagnosis | |
CN114114002B (zh) | 一种氧化物避雷器在线故障诊断与状态评估方法 | |
CN110309537A (zh) | 一种飞行器的智能健康预测方法及系统 | |
CN113705615A (zh) | 一种基于神经网络的电动汽车充电过程多级设备故障诊断方法及系统 | |
Peng et al. | A new likelihood ratio method for training artificial neural networks | |
Niloofar et al. | Fusion of data and expert knowledge for fault tree reliability analysis of cyber-physical systems | |
CN106548284A (zh) | 一种面向运行调控的自适应模块化电网安全预警评价方法 | |
ul Hassan et al. | Online static security assessment for cascading failure using stacked De-noising Auto-encoder | |
CN115408196B (zh) | 一种高容错电网故障诊断方法及系统 | |
CN115618743B (zh) | 一种瞄准镜系统的状态评估方法及状态评估系统 | |
Song et al. | Research on preventive maintenance strategies and systems for in-service ship equipment | |
CN110545208A (zh) | 一种基于lstm的网络流量预测方法 | |
CN115459982A (zh) | 一种电力网络虚假数据注入攻击检测方法 | |
CN114565051A (zh) | 基于神经元影响程度的产品分类模型的测试方法 | |
CN113837443A (zh) | 基于深度BiLSTM的变电站线路负载预测方法 | |
Xie et al. | Evaluation algorithm of high voltage switchgear based on bayesian fusion | |
Yu et al. | Fault diagnosis of power systems using fuzzy reasoning spiking neural P systems with interval-valued fuzzy numbers |
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 |