CN109559036A - 故障风险分析方法、装置及电子设备 - Google Patents
故障风险分析方法、装置及电子设备 Download PDFInfo
- Publication number
- CN109559036A CN109559036A CN201811440113.8A CN201811440113A CN109559036A CN 109559036 A CN109559036 A CN 109559036A CN 201811440113 A CN201811440113 A CN 201811440113A CN 109559036 A CN109559036 A CN 109559036A
- Authority
- CN
- China
- Prior art keywords
- equipment
- meteorological element
- current time
- element data
- data
- 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
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
- 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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- 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
- 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
本发明提供了一种故障风险分析方法、装置及电子设备,涉及风险分析领域,其中,该故障风险分析方法首先通过获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的气象要素数据进行归一化处理,获得归一化数据;然后基于灰色系统理论,利用归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;最后通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果,能够缓解现有技术中存在的电网故障风险分析可靠性不高的技术问题,有利于提高电网故障风险分析的可靠性。
Description
技术领域
本发明涉及电力系统风险分析领域,尤其是涉及一种故障风险分析方法、装置及电子设备。
背景技术
近年来,全球气候变化及环境破坏问题日益突出,各类自然灾害发生事件的频度也不断增加,气候变化、气象信息对电力设施、电网安全运行的影响日益突出,恶劣天气下,电网因风刮异物、雷击发生故障跳闸的频次增大,发生较大面积停电的可能仍然存在。输变供配电网作为重要的基础设施,是保障人民生活水平和国民经济发展的重要基础。据统计,自然灾害已成为影响电网系统安全稳定运行的第二大因素,仅次于设备故障,2009年至今,全球范围内因气候原因造成的电网故障中,影响超过10万人的达28次,占电网大面积停电事故总量的56%。
智能电网战略的推进,对地区电网调度运行工作提出了更高的要求。为实现安全、经济的电网调度运行,调度员除需要关注电网一次、二次设备本身的特性和运行状态之外,还需要关注各个地理区域天气的实时状况,如各变电站供电区域当前的天气、温度、降水量、风速、落雷量等,利用这些信息来对电网的运行状况进行分析,对未来一段时间的电网安全性、可靠性进行预测监控,对电网可能发生的故障有所准备等。
目前,由于电力企业对气象信息价值的认知不足、对气象信息精细度的重视不够、气象信息与电网监控的融合不深,导致气象信息的潜在价值未得到充分挖掘,使得旨在降低电网设备气象风险的工作缺乏高效的管理。
对于电网调度而言,值班调度员需密切关注在恶劣天气情况下发生故障潜在几率较大的设备。相比计算得出设备的潜在故障几率,对恶劣天气下设备的故障风险几率进行排序、进而依序采取预防措施是更为实际的场景应用。根据电网实际运行经验可知,同等恶劣天气作用在电网不同设备上不一定都会引起故障,这体现了不同设备因电网拓扑结构和设备性能等的差异性而导致对恶劣天气耐受能力的不一致性,在计及电网拓扑结构和设备性能等其他因素的前提下准确比较不同设备的潜在故障几率,计算量大,计算过程复杂,容易出现错误。因此,现有技术的电网故障风险分析存在可靠性不高的技术问题。
发明内容
有鉴于此,本发明的目的在于提供故障风险分析方法、装置及电子设备,以缓解现有技术中存在的电网故障风险分析可靠性不高的技术问题。
第一方面,本发明实施例提供了一种故障风险分析方法,包括获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的所述气象要素数据进行归一化处理,获得归一化数据;
基于灰色系统理论,利用所述归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;
通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果。
结合第一方面,本发明实施例提供了第一方面的第一种可能的实施方式,其中,所述获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的所述气象要素数据进行归一化处理,获得归一化数据,包括:
对于每个设备,获取在当前时刻和若干历史时刻的气象要素数据矩阵
其中,第d1行为当前时刻的气象要素数据数列,第d2至dn行分别为n-1个历史时刻的气象要素数据数列,m为气象要素的数量,dij为第i个气象要素数据数列中的第j种气象要素;
利用以下算式对气象要素数据矩阵W进行归一化处理
获得归一化矩阵W'。
结合第一方面的第一种可能的实施方式,本发明实施例提供了第一方面的第二种可能的实施方式,其中,所述基于灰色系统理论,利用所述归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度,包括:
利用以下算式,获得所述归一化矩阵的灰色关联系数
其中,ρ为灰色系统理论中的灰色系统常数;
利用以下算式,根据所述灰色关联系数,获得每个设备在当前时刻与若干历史时刻之间的关联程度
结合第一方面,本发明实施例提供了第一方面的第三种可能的实施方式,其中,所述若干历史时刻为设备因气象原因发生故障的时刻。
结合第一方面,本发明实施例提供了第一方面的第四种可能的实施方式,其中,所述若干历史时刻为设备所经历的气象要素达到峰值的时刻。
第二方面,本发明实施例还提供一种故障风险分析装置,包括:获取模块,用于获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的所述气象要素数据进行归一化处理,获得归一化数据;
关联模块,用于基于灰色系统理论,利用所述归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;
排序模块,用于通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果。
结合第二方面,本发明实施例提供了第二方面的第一种可能的实施方式,其中,所述获取模块用于:
对于每个设备,获取在当前时刻和若干历史时刻的气象要素数据矩阵
其中,第d1行为当前时刻的气象要素数据数列,第d2至dn行分别为n-1个历史时刻的气象要素数据数列,dij为第i个气象要素数据数列中的第j种气象要素;
利用以下算式对气象要素数据矩阵W进行归一化处理
获得归一化矩阵W'。
结合第二方面的第一种可能的实施方式,本发明实施例提供了第二方面的第二种可能的实施方式,其中,所述关联模块用于:
利用以下算式,获得所述归一化矩阵的灰色关联系数
其中,ρ为灰色系统理论中的灰色系统常数;
利用以下算式,根据所述灰色关联系数,获得每个设备在当前时刻与若干历史时刻之间的关联程度
第三方面,本发明实施例还提供一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,所述处理器执行所述计算机程序时实现上述的方法的步骤。
第四方面,本发明实施例还提供一种具有处理器可执行的非易失的程序代码的计算机可读介质,所述程序代码使所述处理器执行上述的方法的步骤。
本发明实施例带来了以下有益效果:本发明实施例提供的故障风险分析方法、装置、电子设备及计算机可读介质,其中,该故障风险分析方法首先通过获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的气象要素数据进行归一化处理,获得归一化数据;然后基于灰色系统理论,利用归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;最后通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果。本发明实施例提供的技术方案,通过利用多个设备在不同时刻的气象要素数据,并利用灰色系统理论得出当前时刻与历史时刻的关联程度,因此能够缓解现有技术中存在的电网故障风险分析可靠性不高的技术问题,有利于提高电网故障风险分析的可靠性。
本发明的其他特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点在说明书、权利要求书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂,下文特举较佳实施例,并配合所附附图,作详细说明如下。
附图说明
为了更清楚地说明本发明具体实施方式或现有技术中的技术方案,下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施方式,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的故障风险分析方法的第一流程图;
图2为本发明实施例提供的故障风险分析方法的第二流程图;
图3为本发明实施例提供的故障风险分析装置的示意图;
图4为本发明实施例提供的电子设备的示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合附图对本发明的技术方案进行清楚、完整地描述,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
目前对于电力系统风险预测的领域,现有技术难以实现准确的预测,因此难以保障电网的可靠性。基于此,本发明实施例提供的一种故障风险分析方法、装置及电子设备,可以缓解现有的电网故障风险分析可靠性不高的问题,能够实现准确的风险预测,有利于提高电网故障风险分析的可靠性,从而保障电网的安全、稳定、可靠运行。
为便于对本实施例进行理解,首先对本发明实施例所公开的一种故障风险分析方法进行详细介绍。
实施例一:
本发明实施例提供了一种故障风险分析方法,可应用于电力系统风险预测技术领域。如图1所示,该故障风险分析方法包括:
步骤S101,获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的气象要素数据进行归一化处理,获得归一化数据;
其中,气象要素数据包括降雨量、温度、相对湿度、风速、气压、雷达回波强度、回波顶高、垂直累积液态水含量等。上述的当前时刻是指待分析的时刻,若干历史时刻是指设备因气象原因发生故障的时刻或者设备所经历的气象要素达到峰值的时刻;若干历史时刻的选取是根据设备是否受恶劣天气发生故障来选取,其中,对于运行历史中发生过受恶劣天气影响故障的设备,若干历史时刻是指设备因气象原因发生故障的时刻;而对于运行历史中未发生过受恶劣天气影响故障的设备,由于无法计算故障情况下设备气象数据与当前时刻下设备气象数据之间的关联程度,因此,若干历史时刻为设备所经历的气象要素达到峰值的时刻。
在具体实施时,该步骤S101主要通过以下步骤实现:
S1011、对于每个设备,获取在当前时刻和若干历史时刻的气象要素数据矩阵
其中,第d1行为当前时刻的气象要素数据数列,第d2至dn行分别为n-1个历史时刻的气象要素数据数列,m为气象要素的数量,dij为第i个气象要素数据数列中的第j种气象要素;
S1012、利用以下算式对气象要素数据矩阵W进行归一化处理
获得归一化矩阵W'。
需要指出的是,上述的设备是指电网线路或电网线路上的设备。
通过获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的气象要素数据通过极差标准化方法进行归一化处理,获得归一化数据。
步骤S102,基于灰色系统理论,利用归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;
在本实施例中,该步骤S102通过以下步骤执行:
S1021、利用以下算式,获得上述归一化矩阵的灰色关联系数
S1022、利用以下算式,根据上述的灰色关联系数,获得每个设备在当前时刻与若干历史时刻之间的关联程度
通过引入灰色系统理论,利用归一化数据,获取灰色关联系数,根据灰色关联系数,获得每个设备在当前时刻与若干历史时刻之间的关联程度;
步骤S103,通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果。
本发明实施例提供的故障风险分析方法首先通过获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的气象要素数据进行归一化处理,获得归一化数据;然后基于灰色系统理论,利用归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;最后通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果。因此,本发明实施例提供的故障分析方法通过利用多个设备在不同时刻的气象要素数据,能够缓解现有技术中存在的电网故障风险分析可靠性不高的技术问题,有利于提高电网故障风险分析的可靠性。
实施例二:
本发明实施例提供了一种故障风险分析方法,可应用于电力系统风险预测技术领域。如图2所示,该故障风险分析方法包括:
步骤S201,获取多个设备在当前时刻和若干历史时刻的气象要素数据,将不同度量的气象要素数据通过极差标准化方法进行归一化处理。
具体的,首先获取当前时刻的气象事件,确定与气象事件对应的气象要素,然后分别获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的气象要素数据通过极差标准化方法进行归一化处理,获得归一化数据。
需要说明的是,上述的气象事件是以天气因素表征的,可以根据不同的天气因素划分气象事件;而气象要素数据是与气象事件相关联的,对于不同的气象事件,气象要素数据是不同的,具体可以参照表1;
表1电网故障原因统计
本实施例中,所述步骤S201具体包括:
对于每个设备,获取在当前时刻和若干历史时刻的气象要素数据矩阵W:
其中,第d1行为当前时刻的气象要素数据数列,第d2至dn行分别为n-1个历史时刻的气象要素数据数列,m为气象要素的数量,dij为第i个气象要素数据数列中的第j种气象要素;
考虑到各种气象要素数据的单位不尽相同,无法忽视它们之间的不可公度量性,采用极差标准化方法对不同种类的气象要素数据进行归一化处理,即利用以下算式对气象要素数据矩阵W中的气象要素数据进行归一化处理,获得归一化矩阵W′:
归一化矩阵W′为:
其中,d'ij为归一化的第i个气象要素数据数列中的第j种气象要素;经过式2的线性变换以后,将所有气象要素数据都映射到[0,1]之间,即归一化后的气象要素数据的数值为[0,1]之间。
步骤S202,基于灰色系统理论,利用归一化数据,获取灰色关联系数,利用若干历史时刻气象要素数据数列和当前时刻下设备气象要素数据数列,计算在各种相关气象要素的关联系数的平均值;
其中,上述的平均值可以定量反映若干历史时刻气象要素数据数列和当前时刻下设备气象要素数据数列这两个数列的关联程度;
本实施例中,所述步骤S202具体包括:
1、引入灰色系统理论,利用归一化数据,基于式3获取归一化矩阵W′的灰色关联系数δij:
其中,ρ为灰色系统理论中的灰色系统常数。
2、对灰色关联系数进行进一步归纳整理,用若干历史时刻气象数据数列和当前时刻下设备气象数据数列,计算在各种相关气象要素的灰色关联系数的平均值ri,从而定量反映若干历史时刻气象数据数列和当前时刻下设备气象数据数列这两个数列的关联程度:
步骤S203:对于运行历史中发生过受恶劣天气影响故障的设备,计算故障情况下设备气象要素数据与当前时刻下设备气象要素数据之间的关联程度,通过关联程度的高低实现不同设备之间的故障风险排序。
本实施例中,所述步骤S203具体包括:
对于选定区域内运行历史中发生过受恶劣天气影响故障的设备,通过关联程度的高低实现不同设备之间的故障风险排序,具体步骤如下:
1)根据当前时刻的气象事件按照表1确定相关气象要素。
2)收集当前时刻和故障时刻的气象要素数据,按式1组成气象要素数据矩阵W。其中d1为当前时刻气象数据数列,di(i=2,3,…,n)为故障时刻下的气象要素数据数列;
3)气象要素数据按式2进行归一化处理得到d′1和d′i(i=2,3,…,n)。
4)按式3、式4计算得i故障时刻下气象数据相对于当前时刻气象数据的关联度ri,并累加各故障时刻下气象数据相对于待分析时刻气象数据的关联程度R:
5)计算选定区域内所有设备的R,按照R由大到小的顺序对所有设备进行排序,得到当前时刻的故障风险结果。
算例分析
为了便于理解,下面选取某地区某一场暴雨时刻作为当前时刻,根据表1可知,“暴雨”气象事件对应的气象要素为“降雨量”和“风速”。利用该故障风险分析方法对相关区域内的110kV凤新线、110kV凤军线、110kV肥军线、110kV肥城线、220kV肥园线、220kV园五线进行故障风险分析。
一、对于曾经受暴雨影响发生过故障的线路(110kV凤新线、110kV肥军线、220kV肥园线),分别获取三条线路在当前时刻和若干历史时刻的气象要素数据,这里的若干历史时刻为设备因气象原因发生故障的时刻,又称为历史故障时刻;根据三条线路在当前时刻(当前)的气象要素数据和相关历史故障时刻(故障1、故障2、故障3和故障4)气象要素数据,列出气象要素数据,如表2所示,其中包括110kV凤新线、110kV肥军线、220kV肥园线的气象要素数据矩阵W;对表2中不同度量的所述气象要素数据进行归一化处理,获得归一化的气象要素数据,如表3所示,其中包括110kV凤新线、110kV肥军线、220kV肥园线的归一化矩阵W':
表2受暴雨影响发生过故障的线路的相关气象要素数据
表3受暴雨影响发生过故障的线路归一化后的相关气象要素数据
令式3中ρ=0.5,对表3中的每条线路根据式3计算灰色关联系数,并根据式5计算得到每条线路的累加各历史故障时刻下气象要素数据相对于当前时刻气象要素数据的关联程度R,对每条线路的关联程度进行排序参见表4,依据次序获得受暴雨影响发生过故障的三条线路的当前时刻的故障风险结果。
表4受暴雨影响发生过故障的线路的灰色关联系数及关联度:
实施例三:
本发明实施例还提供了一种故障风险分析方法,可应用于电力系统风险预测技术领域。如图2所示,该故障风险分析方法与实施例二的区别仅在于:
步骤S204:对于运行历史中未发生过受恶劣天气影响故障的设备,计算极端运行状况下设备气象要素数据与当前时刻下设备气象要素数据之间的关联程度,再通过关联程度的高低实现不同设备之间的故障风险排序。
本实施例中,所述步骤S204具体包括:
对于选定区域内运行历史中未发生过受恶劣天气影响故障的设备,由于无法计算故障情况下设备气象数据与待分析时刻下设备气象数据之间的关联程度,因此考虑计算极端运行状况下设备气象要素数据与当前时刻下设备气象要素数据之间的关联程度,再通过关联程度的高低实现不同设备之间的故障风险排序,具体步骤如下:
1)根据当前时刻的气象事件查找表1确定相关气象要素。
2)收集当前时刻和设备所经历的气象要素达到峰值的时刻(设备极端运行状况下)的气象要素数据,组成气象要素数据矩阵W={d1,d2,…dm+1},其中d1为该电力设备当前时刻的相关气象要素数据数列,d2,…,dm+1为该电力设备遍历历史运行数据后得到的单一气象要素达到峰值时的气象要素数据。
3)气象要素数据按式2归一化处理得到d′1和d′2,…,d′m+1。
4)按式3、式4计算得i历史时刻下气象数要素据相对于当前时刻气象要素数据的关联度ri,并按式5累加各峰值时刻下气象要素数据相对于当前时刻气象数据的关联度:
5)计算选定区域内所有设备的R,按照R由大到小的顺序对所有设备进行排序。
本实施例提供的故障风险分析方法具体的,基于控制变量法的研究思路,将同一设备不同时刻的天气因素作为控制变量,对不同度量的气象要素数据通过极差标准化方法进行归一化处理,引入灰色系统理论,分析计算该设备当前时刻气象数据与若干历史时刻气象数据的关联程度,根据实际应用中存在的设备有历史故障和无历史故障两种情况,分别给出了相应的确定不同设备间故障风险顺序。该方法有效解决了电力系统中对气象信息精细度的重视不够、气象信息与电网监控的融合不深,恶劣天气下设备的故障风险几率排序计算量大,计算过程复杂,容易出现错误等问题,提升了气象信息来对电网的运行状况分析程度,有利于对未来一段时间(此时当前时刻为未来已知气象事件和气象要素数据的时刻)的电网安全性、可靠性进行预测监控,保障了电网安全、稳定、可靠运行。
为了便于理解,下面接着以实施例二中的算例分析进行说明:
二、对于受暴雨影响未发生过故障的线路(110kV凤军线、110kV肥城线、220kV园五线),分别获取这三条线路在当前时刻和若干历史时刻的气象要素数据,这里的若干历史时刻为设备所经历的气象要素达到峰值的时刻;根据三条线路在当前时刻(当前)的两个气象要素数据以及调取历史运行数据中两个气象要素的峰值,列出气象要素数据,如表5所示,其中包括110kV凤新线、110kV肥军线、220kV肥园线的气象要素数据矩阵W;对表5中不同度量的所述气象要素数据进行归一化处理,获得归一化的气象要素数据,如表6所示,其中包括110kV凤新线、110kV肥军线、220kV肥园线的归一化矩阵W':
表5受暴雨影响未发生过故障的线路的相关气象要素数据
表6受暴雨影响未发生过故障的线路归一化后的相关气象要素数据
令式3中,ρ=0.5,对表6中的每条线路根据式3计算灰色关联系数,根据式5计算累加各要素峰值时刻下气象要素数据相对于当前时刻气象要素数据的关联程度R,对每条线路的关联程度进行排序参见表7,依据次序获得受暴雨影响未发生过故障的三条线路的当前时刻的故障风险结果。
表7受暴雨影响未发生过故障的线路灰色关联系数及关联度:
综上,上述的表4、表7的结果表明:在当前时刻下110kV肥军线在受暴雨影响发生过故障的线路中潜在故障几率最高,而110kV凤军线在受暴雨影响未发生过故障的线路的潜在故障几率最高,它们是最值得注意的线路。值班调度员应优先通过安排特殊巡视、及时制定事故预案、合理调出负荷等方式降低故障几率、减轻故障损失。
实施例四:
如图3所示,本发明实施例还提供一种故障风险分析装置,其中包括获取模块10、关联模块20和排序模块30。
获取模块10用于获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的所述气象要素数据进行归一化处理,获得归一化数据;
关联模块20用于基于灰色系统理论,利用所述归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;
排序模块30用于通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果。
进一步的,若干历史时刻为设备因气象原因发生故障的时刻或若干历史时刻为设备所经历的气象要素达到峰值的时刻。
进一步的,获取模块10用于:
对于每个设备,获取在当前时刻和若干历史时刻的气象要素数据矩阵
其中,第d1行为当前时刻的气象要素数据数列,第d2至dn行分别为n-1个历史时刻的气象要素数据数列,m为气象要素的数量,dij为第i个气象要素数据数列中的第j种气象要素;
利用以下算式对气象要素数据矩阵W进行归一化处理
获得归一化矩阵W'。
进一步的,关联模块20用于:
利用以下算式,获得所述归一化矩阵的灰色关联系数
利用以下算式,根据所述灰色关联系数,获得每个设备在当前时刻与若干历史时刻之间的关联程度
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的装置的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本发明实施例提供的故障风险分析装置,与上述实施例提供的故障风险分析方法具有相同的技术特征,所以也能解决相同的技术问题,达到相同的技术效果。
在这里示出和描述的所有示例中,任何具体值应被解释为仅仅是示例性的,而不是作为限制,因此,示例性实施例的其他示例可以具有不同的值。
除非另外具体说明,否则在这些实施例中阐述的部件和步骤的相对步骤、数字表达式和数值并不限制本发明的范围。
应注意到:相似的标号和字母在下面的附图中表示类似项,因此,一旦某一项在一个附图中被定义,则在随后的附图中不需要对其进行进一步定义和解释。
附图中的流程图和框图显示了根据本发明的多个实施例的系统、方法和计算机程序产品的可能实现的体系架构、功能和操作。在这点上,流程图或框图中的每个方框可以代表一个模块、程序段或代码的一部分,所述模块、程序段或代码的一部分包含一个或多个用于实现规定的逻辑功能的可执行指令。也应当注意,在有些作为替换的实现中,方框中所标注的功能也可以以不同于附图中所标注的顺序发生。例如,两个连续的方框实际上可以基本并行地执行,它们有时也可以按相反的顺序执行,这依所涉及的功能而定。也要注意的是,框图和/或流程图中的每个方框、以及框图和/或流程图中的方框的组合,可以用执行规定的功能或动作的专用的基于硬件的系统来实现,或者可以用专用硬件与计算机指令的组合来实现。
本发明实施例还提供一种电子设备,包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序,处理器执行计算机程序时实现上述故障风险分析方法的步骤。
具体的,参见图4,本发明实施例提供的电子设备100,包括:处理器40,存储器41,总线42和通信接口43,所述处理器40、通信接口43和存储器41通过总线42连接;处理器40用于执行存储器41中存储的可执行模块,例如计算机程序。
其中,存储器41可能包含高速随机存取存储器(RAM,RandomAccessMemory),也可能还包括非易失性存储器(non-volatile memory),例如至少一个磁盘存储器。通过至少一个通信接口43(可以是有线或者无线)实现该系统网元与至少一个其他网元之间的通信连接,可以使用互联网,广域网,本地网,城域网等。
总线42可以是ISA总线、PCI总线或EISA总线等。所述总线可以分为地址总线、数据总线、控制总线等。为便于表示,图4中仅用一个双向箭头表示,但并不表示仅有一根总线或一种类型的总线。
其中,存储器41用于存储程序,所述处理器40在接收到执行指令后,执行所述程序,前述本发明实施例任一实施例揭示的流过程定义的装置所执行的方法可以应用于处理器40中,或者由处理器40实现。
处理器40可能是一种集成电路芯片,具有信号的处理能力。在实现过程中,上述方法的各步骤可以通过处理器40中的硬件的集成逻辑电路或者软件形式的指令完成。上述的处理器40可以是通用处理器,包括中央处理器(Central Processing Unit,简称CPU)、网络处理器(Network Processor,简称NP)等;还可以是数字信号处理器(Digital SignalProcessing,简称DSP)、专用集成电路(Application Specific Integrated Circuit,简称ASIC)、现成可编程门阵列(Field-Programmable Gate Array,简称FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件。可以实现或者执行本发明实施例中的公开的各方法、步骤及逻辑框图。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。结合本发明实施例所公开的方法的步骤可以直接体现为硬件译码处理器执行完成,或者用译码处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器,闪存、只读存储器,可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器41,处理器40读取存储器41中的信息,结合其硬件完成上述方法的步骤。
本发明实施例还提供一种计算机可读存储介质,计算机可读存储介质上存储有计算机程序,计算机程序被处理器运行时执行上述故障风险分析方法的步骤。
本发明实施例所提供的进行故障风险分析方法的计算机程序产品,包括存储了处理器可执行的非易失的程序代码的计算机可读存储介质,所述程序代码包括的指令可用于执行前面方法实施例中所述的方法,具体实现可参见方法实施例,在此不再赘述。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来,该计算机软件产品存储在一个存储介质中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括:U盘、移动硬盘、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
最后应说明的是:以上所述实施例,仅为本发明的具体实施方式,用以说明本发明的技术方案,而非对其限制,本发明的保护范围并不局限于此,尽管参照前述实施例对本发明进行了详细的说明,本领域的普通技术人员应当理解:任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,其依然可以对前述实施例所记载的技术方案进行修改或可轻易想到变化,或者对其中部分技术特征进行等同替换;而这些修改、变化或者替换,并不使相应技术方案的本质脱离本发明实施例技术方案的精神和范围,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应所述以权利要求的保护范围为准。
Claims (10)
1.一种故障风险分析方法,其特征在于,包括:
获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的所述气象要素数据进行归一化处理,获得归一化数据;
基于灰色系统理论,利用所述归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;
通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果。
2.根据权利要求1所述方法,其特征在于,所述获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的所述气象要素数据进行归一化处理,获得归一化数据,包括:
对于每个设备,获取在当前时刻和若干历史时刻的气象要素数据矩阵
其中,第d1行为当前时刻的气象要素数据数列,第d2至dn行分别为n-1个历史时刻的气象要素数据数列,m为气象要素的数量,dij为第i个气象要素数据数列中的第j种气象要素;
利用以下算式对气象要素数据矩阵W进行归一化处理
获得归一化矩阵W'。
3.根据权利要求2所述方法,其特征在于,所述基于灰色系统理论,利用所述归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度,包括:
利用以下算式,获得所述归一化矩阵的灰色关联系数
其中,ρ为灰色系统理论中的灰色系统常数;
利用以下算式,根据所述灰色关联系数,获得每个设备在当前时刻与若干历史时刻之间的关联程度
4.根据权利要求1所述方法,其特征在于,所述若干历史时刻为设备因气象原因发生故障的时刻。
5.根据权利要求1所述方法,其特征在于,所述若干历史时刻为设备所经历的气象要素达到峰值的时刻。
6.一种故障风险分析装置,其特征在于,包括:
获取模块,用于获取多个设备在当前时刻和若干历史时刻的气象要素数据,并对不同度量的所述气象要素数据进行归一化处理,获得归一化数据;
关联模块,用于基于灰色系统理论,利用所述归一化数据,获得每个设备在当前时刻与若干历史时刻之间的关联程度;
排序模块,用于通过对每个设备的关联程度进行排序,获得当前时刻的故障风险结果。
7.根据权利要求6所述装置,其特征在于,所述获取模块用于:
对于每个设备,获取在当前时刻和若干历史时刻的气象要素数据矩阵
其中,第d1行为当前时刻的气象要素数据数列,第d2至dn行分别为n-1个历史时刻的气象要素数据数列,dij为第i个气象要素数据数列中的第j种气象要素;
利用以下算式对气象要素数据矩阵W进行归一化处理
获得归一化矩阵W'。
8.根据权利要求7所述装置,其特征在于,所述关联模块用于:
利用以下算式,获得所述归一化矩阵的灰色关联系数
其中,ρ为灰色系统理论中的灰色系统常数;
利用以下算式,根据所述灰色关联系数,获得每个设备在当前时刻与若干历史时刻之间的关联程度
9.一种电子设备,包括存储器、处理器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现上述权利要求1至5任一项所述的方法的步骤。
10.一种具有处理器可执行的非易失的程序代码的计算机可读介质,其特征在于,所述程序代码使所述处理器执行所述权利要求1至5任一所述方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440113.8A CN109559036A (zh) | 2018-11-28 | 2018-11-28 | 故障风险分析方法、装置及电子设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201811440113.8A CN109559036A (zh) | 2018-11-28 | 2018-11-28 | 故障风险分析方法、装置及电子设备 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN109559036A true CN109559036A (zh) | 2019-04-02 |
Family
ID=65867796
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201811440113.8A Pending CN109559036A (zh) | 2018-11-28 | 2018-11-28 | 故障风险分析方法、装置及电子设备 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN109559036A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016739A (zh) * | 2020-08-17 | 2020-12-01 | 国网山东省电力公司潍坊供电公司 | 故障检测方法、装置、电子设备及存储介质 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123682A (zh) * | 2014-07-28 | 2014-10-29 | 国家电网公司 | 一种基于气象影响因素的配网故障风险评估方法 |
CN106845862A (zh) * | 2017-02-23 | 2017-06-13 | 北京工业大学 | 一种海外石油投资风险关键要素识别方法 |
-
2018
- 2018-11-28 CN CN201811440113.8A patent/CN109559036A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104123682A (zh) * | 2014-07-28 | 2014-10-29 | 国家电网公司 | 一种基于气象影响因素的配网故障风险评估方法 |
CN106845862A (zh) * | 2017-02-23 | 2017-06-13 | 北京工业大学 | 一种海外石油投资风险关键要素识别方法 |
Non-Patent Citations (1)
Title |
---|
李磊: "基于气象环境的电力设备状态检修策略研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112016739A (zh) * | 2020-08-17 | 2020-12-01 | 国网山东省电力公司潍坊供电公司 | 故障检测方法、装置、电子设备及存储介质 |
CN112016739B (zh) * | 2020-08-17 | 2024-02-20 | 国网山东省电力公司潍坊供电公司 | 故障检测方法、装置、电子设备及存储介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Cetinay et al. | Optimal siting and sizing of wind farms | |
Fant et al. | Climate change impacts and costs to US electricity transmission and distribution infrastructure | |
CN111177101A (zh) | 一种基于大数据架构的配电网多维可视化平台 | |
Lew et al. | Value of wind power forecasting | |
US9460478B2 (en) | System and method for wind generation forecasting | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
Kang et al. | Big data analytics in China's electric power industry: modern information, communication technologies, and millions of smart meters | |
CN106447227A (zh) | 城市电网异常状态分析方法及系统 | |
CN102934312B (zh) | 能量产生系统及其控制 | |
CN102947801A (zh) | 恶意攻击检测和分析 | |
CN109492857A (zh) | 一种配电网故障风险等级预测方法和装置 | |
CN109450089B (zh) | 一种台区低电压识别方法、装置及终端设备 | |
CN105608541A (zh) | 一种基于电力物资供应全程预警监督系统与方法 | |
US20150262110A1 (en) | Systems and methods for utility crew forecasting | |
CN109002924B (zh) | 一种配网故障抢修预测分析系统及方法 | |
CN109739912A (zh) | 数据分析方法及系统 | |
CN115549292A (zh) | 电网运行监测系统及其方法 | |
CN106530841B (zh) | 机场延误预测方法及装置 | |
CN109685344A (zh) | 一种电力设备运维策略确定方法、装置及存储介质 | |
Hou et al. | Spatial distribution assessment of power outage under typhoon disasters | |
CN107368979B (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 | |
AU2014202202A1 (en) | Systems and methods for estimating reliability return on utility vegetation management | |
CN109559036A (zh) | 故障风险分析方法、装置及电子设备 | |
JP2003090887A (ja) | 落雷による瞬時電圧低下予測システムおよび予測方法 | |
CN106159940A (zh) | 基于电网负荷特性分析的pmu最优布点方法 |
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 | ||
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20190402 |