CN110472851A - 一种基于神经网络的配电网风险隐患动态评价模型构建方法 - Google Patents

一种基于神经网络的配电网风险隐患动态评价模型构建方法 Download PDF

Info

Publication number
CN110472851A
CN110472851A CN201910710603.3A CN201910710603A CN110472851A CN 110472851 A CN110472851 A CN 110472851A CN 201910710603 A CN201910710603 A CN 201910710603A CN 110472851 A CN110472851 A CN 110472851A
Authority
CN
China
Prior art keywords
risk
severity
data
failure rate
flow gauge
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
Application number
CN201910710603.3A
Other languages
English (en)
Inventor
唐跃中
周华
王卫斌
高洁
陆嘉铭
屈志坚
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Shanghai Electric Power Co Ltd
Original Assignee
State Grid Shanghai Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Shanghai Electric Power Co Ltd filed Critical State Grid Shanghai Electric Power Co Ltd
Priority to CN201910710603.3A priority Critical patent/CN110472851A/zh
Publication of CN110472851A publication Critical patent/CN110472851A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • 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
    • 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
    • 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
    • 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
    • Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
    • Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
    • Y04S10/00—Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications

Abstract

本发明公开了一种基于神经网络的配电网风险隐患动态评价模型构建方法，在采集电网实时数据后，将数据进行故障率预测流程相关数据与风险严重程度相关数据的区分，分别输入对应流程。故障率预测流程和风险严重程度预测流程分别通过历史数据得到各自数据模型，然后梳理各自模型的主要相关因素，并确定输入参数和输出参数，再通过神经网络进行训练，最终得到经过验证的模型，从而能够根据实时数据得到实时故障率预测值定级和风险严重程度定级。结合二者的定级从而得到综合风险评级，并在综合风险评级触发阈值时进行警告。

Description

一种基于神经网络的配电网风险隐患动态评价模型构建方法
技术领域
本发明涉及一种用于智能电网领域的基于神经网络的配电网风险隐患动态评价模型构建方法。
背景技术
提升供电的可靠性始终是电力供应的第一要务。伴随着可靠性理论在电力系统研究中的不断应用，对于配电网供电可靠性的研究也在实践中不断发展。对供电可靠性的研究已有多年基础，主要集中于对故障停电和预安排停电的统计分析，以及对停电的直接原因进行分析，未能从网架、设备、用户等多个维度全面考虑影响供电可靠性的风险因素。对供电可靠性的预测也较多使用时间序列法，准确度不高。基于神经网络的配电网供电可靠性风险动态评价模型，通过对历史故障的大数据分析，对供电可靠性风险隐患进行了全面、系统梳理，并应用神经网络的方法，构建配电网供电可靠性风险动态评价模型，预测供电可靠性风险发生概率和严重程度。
发明内容
本发明的目的是为了克服现有技术的不足，提供一种基于神经网络的配电网风险隐患动态评价模型构建方法，它从故障率预测和风险严重程度预测两个维度的结合得到综合风险评级，以确定当前电网的风险。
实现上述目的的一种技术方案是：一种基于神经网络的配电网风险隐患动态评价模型构建方法，包括故障率预测流程与风险严重程度预测流程，具体包括如下步骤：
步骤1，通过电网在线监控系统采集电网数据，然后将故障率预测流程相关数据与风险严重程度相关数据进行区分，分别输入故障率预测流程和风险严重程度预测流程；
故障率预测流程包括如下步骤：
步骤2.1，通过历史故障数据挖掘以构建故障率模型；
步骤2.2，识别配电网供电可靠性风险隐患因素；
步骤2.3，确定故障率模型的输入参数和输出参数；
步骤2.4，确定训练和测试样本，通过神经网络对故障率模型进行训练；
步骤2.5，通过参照数据对经过训练的故障率模型进行验证；
步骤2.6，输入实时的故障率预测流程相关数据得到故障率预测值定级；
风险严重程度预测流程包括如下步骤：
步骤3.1，通过历史严重风险数据挖掘以构建风险严重程度模型；
步骤3.2，梳理严重程度风险指标；
步骤3.3，采用层次分析法确定风险严重程度模型的风险指标的权重；
步骤3.4，确定风险严重程度模型的输入参数和输出参数；
步骤3.5，确定训练和测试样本，通过神经网络对风险严重程度进行训练；
步骤3.6，通过参照数据对经过训练的风险严重程度模型进行验证；
步骤3.7，输入实时的风险严重程度相关数据得到风险严重程度定级；
步骤4，在分别得到故障率预测值定级和风险严重程度定级后，结合两个定级数据得到综合风险评级；
步骤5,如果步骤4得到的综合风险评级如果触发风险警戒线，则发出风险预警。
本发明的一种基于神经网络的配电网风险隐患动态评价模型构建方法，在采集电网实时数据后，将数据进行故障率预测流程相关数据与风险严重程度相关数据的区分，分别输入对应流程。故障率预测流程和风险严重程度预测流程分别通过历史数据得到各自数据模型，然后梳理各自模型的主要相关因素，并确定输入参数和输出参数，再通过神经网络进行训练，最终得到经过验证的模型，从而能够根据实时数据得到实时故障率预测值定级和风险严重程度定级。结合二者的定级从而得到综合风险评级，并在综合风险评级触发阈值时进行警告。
本发明提出一种基于神经网络的配电网供电可靠性风险隐患动态评价模型构建的实现方法，通过对影响配电网供电可靠性的重要风险隐患的识别和监控，实现对重要风险隐患的有效防范，有效降低影响配电网供电可靠性的重大风险隐患的发生概率及其影响程度，切实提升配电网供电可靠性水平。本发明结合风险识别技术，对供电可靠性风险隐患进行了全面、系统的梳理；运用大数据分析方法得出供电可靠性风险隐患关键影响因素；通过机器学习算法的应用，预测供电可靠性风险发生概率和严重程度；应用供电可靠性风险隐患动态评价模型量化评估风险隐患，进行综合风险评级。
附图说明
图1为本发明的一种基于神经网络的配电网风险隐患动态评价模型构建方法的流程示意图。
具体实施方式
为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：
请参阅图1，本发明的一种基于神经网络的配电网风险隐患动态评价模型构建方法包括故障率预测流程与风险严重程度预测流程，具体包括如下步骤：
步骤1，通过电网在线监控系统采集电网数据，然后将故障率预测流程相关数据与风险严重程度相关数据进行区分，分别输入故障率预测流程和风险严重程度预测流程；
故障率预测流程包括如下步骤：
步骤2.1，通过历史故障数据挖掘以构建故障率模型；
步骤2.2，识别配电网供电可靠性风险隐患因素；
步骤2.3，确定故障率模型的输入参数和输出参数；
步骤2.4，确定训练和测试样本，通过神经网络对故障率模型进行训练；
步骤2.5，通过参照数据对经过训练的故障率模型进行验证；
步骤2.6，输入实时的故障率预测流程相关数据得到故障率预测值定级；
风险严重程度预测流程包括如下步骤：
步骤3.1，通过历史严重风险数据挖掘以构建风险严重程度模型；
步骤3.2，梳理严重程度风险指标；
步骤3.3，采用层次分析法确定风险严重程度模型的风险指标的权重；
步骤3.4，确定风险严重程度模型的输入参数和输出参数；
步骤3.5，确定训练和测试样本，通过神经网络对风险严重程度进行训练；
步骤3.6，通过参照数据对经过训练的风险严重程度模型进行验证；
步骤3.7，输入实时的风险严重程度相关数据得到风险严重程度定级；
步骤4，在分别得到故障率预测值定级和风险严重程度定级后，结合两个定级数据得到综合风险评级；
步骤5,如果步骤4得到的综合风险评级如果触发风险警戒线，则发出风险预警。
本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

Claims (1)

1.一种基于神经网络的配电网风险隐患动态评价模型构建方法，其特征在于，包括故障率预测流程与风险严重程度预测流程，具体包括如下步骤：
步骤1，通过电网在线监控系统采集电网数据，然后将故障率预测流程相关数据与风险严重程度相关数据进行区分，分别输入故障率预测流程和风险严重程度预测流程；
故障率预测流程包括如下步骤：
步骤2.1，通过历史故障数据挖掘以构建故障率模型；
步骤2.2，识别配电网供电可靠性风险隐患因素；
步骤2.3，确定故障率模型的输入参数和输出参数；
步骤2.4，确定训练和测试样本，通过神经网络对故障率模型进行训练；
步骤2.5，通过参照数据对经过训练的故障率模型进行验证；
步骤2.6，输入实时的故障率预测流程相关数据得到故障率预测值定级；
风险严重程度预测流程包括如下步骤：
步骤3.1，通过历史故障数据挖掘以构建风险严重程度模型；
步骤3.2，梳理严重程度风险指标；
步骤3.3，采用层次分析法确定风险严重程度模型的风险指标的权重；
步骤3.4，确定风险严重程度模型的输入参数和输出参数；
步骤3.5，确定训练和测试样本，通过神经网络对风险严重程度进行训练；
步骤3.6，通过参照数据对经过训练的风险严重程度模型进行验证；
步骤3.7，输入实时的风险严重程度相关数据得到风险严重程度定级；
步骤4，在分别得到故障率预测值定级和风险严重程度定级后，结合两个定级数据得到综合风险评级；
步骤5,如果步骤4得到的综合风险评级如果触发风险警戒线，则发出风险预警。
CN201910710603.3A 2019-08-02 2019-08-02 一种基于神经网络的配电网风险隐患动态评价模型构建方法 Pending CN110472851A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN201910710603.3A CN110472851A (zh) 2019-08-02 2019-08-02 一种基于神经网络的配电网风险隐患动态评价模型构建方法

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN201910710603.3A CN110472851A (zh) 2019-08-02 2019-08-02 一种基于神经网络的配电网风险隐患动态评价模型构建方法

Publications (1)

Publication Number Publication Date
CN110472851A true CN110472851A (zh) 2019-11-19

Family

ID=68508545

Family Applications (1)

Application Number Title Priority Date Filing Date
CN201910710603.3A Pending CN110472851A (zh) 2019-08-02 2019-08-02 一种基于神经网络的配电网风险隐患动态评价模型构建方法

Country Status (1)

Country Link
CN (1) CN110472851A (zh)

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929853A (zh) * 2019-12-11 2020-03-27 国网河南省电力公司洛阳供电公司 一种基于深度学习的配电网线路故障预测方法
EP3872719A1 (de) * 2020-02-27 2021-09-01 Siemens Aktiengesellschaft Verfahren zur ermittlung eines ausfallrisikos
CN116823215A (zh) * 2023-06-13 2023-09-29 大唐七台河发电有限责任公司 一种用于电站的智慧运维管控方法及系统

Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324992A (zh) * 2013-07-11 2013-09-25 国家电网公司 基于马尔可夫和熵权模糊综合评价的变压器风险预测方法
CN104299116A (zh) * 2014-11-14 2015-01-21 国家电网公司 一种电网运行安全风险定量评估方法
CN104392391A (zh) * 2014-11-14 2015-03-04 国家电网公司 一种电网运行安全风险量化方法
CN104616090A (zh) * 2014-11-19 2015-05-13 南昌大学 基于风险评估的电缆检修策略方法
CN104657822A (zh) * 2015-02-06 2015-05-27 海南电网有限责任公司 一种基于风险评估结果的电力系统灾害预警分级方法及系统
CN106355343A (zh) * 2016-09-06 2017-01-25 深圳供电局有限公司 一种配电网综合风险评估方法
CN106384210A (zh) * 2016-10-28 2017-02-08 贵州电网有限责任公司贵阳供电局 一种基于检修风险收益的输变电设备检修优先级排序方法
CN106529767A (zh) * 2016-10-12 2017-03-22 中国南方电网有限责任公司 一种基于设备健康状态的二次设备风险评估方法
CN106709651A (zh) * 2016-12-26 2017-05-24 贵州电网有限责任公司电力科学研究院 一种基于风险理论的电力系统安全性评估系统
WO2018086488A1 (zh) * 2016-11-10 2018-05-17 中国电力科学研究院有限公司 一种配电网风险辨识系统、方法及计算机存储介质
KR20180112516A (ko) * 2017-04-04 2018-10-12 한국전력공사 전력용 변압기 자산 관리 장치 및 그 방법
CN108695846A (zh) * 2018-05-29 2018-10-23 国电南瑞科技股份有限公司 一种单元制配电网运行风险评估方法

Patent Citations (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN103324992A (zh) * 2013-07-11 2013-09-25 国家电网公司 基于马尔可夫和熵权模糊综合评价的变压器风险预测方法
CN104299116A (zh) * 2014-11-14 2015-01-21 国家电网公司 一种电网运行安全风险定量评估方法
CN104392391A (zh) * 2014-11-14 2015-03-04 国家电网公司 一种电网运行安全风险量化方法
CN104616090A (zh) * 2014-11-19 2015-05-13 南昌大学 基于风险评估的电缆检修策略方法
CN104657822A (zh) * 2015-02-06 2015-05-27 海南电网有限责任公司 一种基于风险评估结果的电力系统灾害预警分级方法及系统
CN106355343A (zh) * 2016-09-06 2017-01-25 深圳供电局有限公司 一种配电网综合风险评估方法
CN106529767A (zh) * 2016-10-12 2017-03-22 中国南方电网有限责任公司 一种基于设备健康状态的二次设备风险评估方法
CN106384210A (zh) * 2016-10-28 2017-02-08 贵州电网有限责任公司贵阳供电局 一种基于检修风险收益的输变电设备检修优先级排序方法
WO2018086488A1 (zh) * 2016-11-10 2018-05-17 中国电力科学研究院有限公司 一种配电网风险辨识系统、方法及计算机存储介质
CN106709651A (zh) * 2016-12-26 2017-05-24 贵州电网有限责任公司电力科学研究院 一种基于风险理论的电力系统安全性评估系统
KR20180112516A (ko) * 2017-04-04 2018-10-12 한국전력공사 전력용 변압기 자산 관리 장치 및 그 방법
CN108695846A (zh) * 2018-05-29 2018-10-23 国电南瑞科技股份有限公司 一种单元制配电网运行风险评估方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110929853A (zh) * 2019-12-11 2020-03-27 国网河南省电力公司洛阳供电公司 一种基于深度学习的配电网线路故障预测方法
EP3872719A1 (de) * 2020-02-27 2021-09-01 Siemens Aktiengesellschaft Verfahren zur ermittlung eines ausfallrisikos
WO2021170262A1 (de) * 2020-02-27 2021-09-02 Siemens Aktiengesellschaft Verfahren zur ermittlung eines ausfallrisikos
CN116823215A (zh) * 2023-06-13 2023-09-29 大唐七台河发电有限责任公司 一种用于电站的智慧运维管控方法及系统
CN116823215B (zh) * 2023-06-13 2024-02-13 大唐七台河发电有限责任公司 一种用于电站的智慧运维管控方法及系统

Similar Documents

Publication Publication Date Title
CN103903408B (zh) 设备故障侦查预警方法和系统
CN103793853B (zh) 基于双向贝叶斯网络的架空输电线路运行状态评估方法
CN110472851A (zh) 一种基于神经网络的配电网风险隐患动态评价模型构建方法
CN108537394B (zh) 一种智能电网实时安全预警方法和装置
CN105035902B (zh) 一种电梯安全状况评估方法
CN104425046B (zh) 核电站运行安全指数量化方法和系统
CN106054104A (zh) 一种基于决策树的智能电表故障实时预测方法
CN103793859B (zh) 一种风电场运行监控及事件综合评价方法
CN107798395A (zh) 一种电网事故信号自动诊断方法及系统
CN102866313A (zh) 电力隧道电缆运行状态综合监控方法
CN106447227A (zh) 城市电网异常状态分析方法及系统
CN103810533A (zh) 一种基于云模型的配电网故障风险识别方法
CN104657822A (zh) 一种基于风险评估结果的电力系统灾害预警分级方法及系统
CN104200288A (zh) 一种基于因素与事件间相关关系识别的设备故障预测方法
CN106407589A (zh) 一种风机状态评估与预测方法及系统
CN112561736A (zh) 智能变电站继电器保护装置故障诊断系统和方法
CN102779230A (zh) 一种电力变压器系统状态分析和维修决策判断方法
CN109886475A (zh) 基于ai的计量自动化系统的信息安全态势感知系统
CN103606109B (zh) 一种基于评估对象的电网运行安全风险综合评估方法
CN103440410A (zh) 主变个体缺陷概率预测方法
CN113191687B (zh) 一种弹性配电网全景信息可视化方法及系统
CN105279612A (zh) 一种基于泊松分布的输电线路跳闸风险评估方法
CN112686405A (zh) 一种基于故障树的配电网故障区域划分方法
CN110751338A (zh) 一种配变台区重过载特征模型的构建和预警的方法
CN105354768A (zh) 输变电设备状态的评估方法和系统

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20191119