CN110490359A - 考虑极端气象动态的配电网停电范围预测方法及系统 - Google Patents
考虑极端气象动态的配电网停电范围预测方法及系统 Download PDFInfo
- Publication number
- CN110490359A CN110490359A CN201910597591.8A CN201910597591A CN110490359A CN 110490359 A CN110490359 A CN 110490359A CN 201910597591 A CN201910597591 A CN 201910597591A CN 110490359 A CN110490359 A CN 110490359A
- Authority
- CN
- China
- Prior art keywords
- power
- distribution network
- power distribution
- power outage
- network
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 208
- 238000000034 method Methods 0.000 title claims abstract description 41
- 238000012549 training Methods 0.000 claims abstract description 69
- 238000004088 simulation Methods 0.000 claims abstract description 21
- 230000008569 process Effects 0.000 abstract description 8
- 230000008901 benefit Effects 0.000 abstract description 5
- 238000013461 design Methods 0.000 description 7
- 238000010586 diagram Methods 0.000 description 6
- 238000012360 testing method Methods 0.000 description 5
- 235000013399 edible fruits Nutrition 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 235000015170 shellfish Nutrition 0.000 description 3
- 235000017048 Garcinia mangostana Nutrition 0.000 description 2
- 240000006053 Garcinia mangostana Species 0.000 description 2
- 125000002015 acyclic group Chemical group 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 238000002474 experimental method Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 208000024891 symptom Diseases 0.000 description 2
- 238000013459 approach Methods 0.000 description 1
- 230000004888 barrier function Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 230000000052 comparative effect Effects 0.000 description 1
- 238000000254 composite pulse decoupling sequence Methods 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 239000004744 fabric Substances 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000004080 punching Methods 0.000 description 1
- 238000011084 recovery Methods 0.000 description 1
- 230000004044 response Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/29—Graphical models, e.g. Bayesian networks
-
- 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—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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Operations Research (AREA)
- Primary Health Care (AREA)
- Quality & Reliability (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本申请涉及考虑极端气象动态的配电网停电范围预测方法及系统,采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;建立具有气象动态以及配网设备关联关系的贝叶斯网络;采用历史气象灾害数据及配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;结合气象预报进行配电网停电范围预测。考虑了气象的动态分布情况尤其是充分考虑气象灾害的动态过程,考虑了气象动态对配电网的影响情况,从配电网的结构及气象动态两方面对停电范围进行了预测,避免了条件缺失导致预测存在较为严重的不准确情况,能够实现准确的配电网停电范围预测,且具有应用时间越长预测结果越准确的优点。
Description
技术领域
本申请涉及停电预测领域,特别是涉及考虑极端气象动态的配电网停电范围预测方法及系统。
背景技术
近年来,提升配电网弹性相关研究受到学术和工程领域广泛关注,相关研究旨在增强配电网抵御极端气象灾害能力,减少灾害下系统停电损失。在各种气象灾害中,台风天气对沿海地区电网冲击频次高、影响大。2012年,飓风“桑迪”造成美国15个州约750万用户停电;2015年,台风“彩虹”造成广州广南500kV变电站全站失压。经统计,平均每年登陆我国的台风有9.09个。
对台风可能造成的停电范围进行预测,能够为灾后恢复、灾情快速响应、灾前资源调配提供强有力的支持,从而能够极大的提高弹性配电网的弹性。因此有必要研究台风冲击下配网停电范围的预测及其应对,但是传统方法基本上仅仅考虑了气象灾害的静态分布,使得预测存在较为严重的不准确情况,仅仅能做一些简单的定性分析。
贝叶斯网络(Bayesian network),又称信念网络(belief network)或是有向无环图模型(directed acyclic graphical model),是一种概率图型模型,借由有向无环图(directed acyclic graphs,or DAGs)中得知一组随机变量{X1,X2,...,Xn}及其n组条件概率分布(conditional probability distributions,or CPDs)的性质。举例而言,贝叶斯网络可用来表示疾病和其相关症状间的概率关系;倘若已知某种症状下,贝叶斯网络就可用来计算各种可能罹患疾病之发生概率。一般而言,贝叶斯网络的有向无环图中的节点表示随机变量,它们可以是可观察到的变量,抑或是隐变量、未知参数等。连接两个节点的箭头代表此两个随机变量是具有因果关系或是非条件独立的;而两个节点间若没有箭头相互连接一起的情况就称其随机变量彼此间为条件独立。若两个节点间以一个单箭头连接在一起,表示其中一个节点是“因(parents)”,另一个是“果(descendants or children)”,两节点就会产生一个条件概率值。比方说,以Xi表示第i个节点,而Xi的“因”以Pi表示,Xi的“果”以表示Ci。大部分的情况下,贝叶斯网络适用在节点的性质是属于离散型的情况下,且依照条件概率写出条件概率表(conditional probability table,or CPT)。写出条件概率表后就很容易将事情给条理化,且轻易地得知此贝叶斯网络结构图中各节点间之因果关系。因此可以借助贝叶斯网络进行配电网弹性相关因果关系研究。
发明内容
基于此,有必要提供一种考虑极端气象动态的配电网停电范围预测方法及系统。
一种考虑极端气象动态的配电网停电范围预测方法,其包括如下步骤:
采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;
建立具有气象动态以及配网设备关联关系的贝叶斯网络;
根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;
采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测。
上述配电网停电范围预测方法,考虑了气象的动态分布情况尤其是充分考虑气象灾害的动态过程,同时充分考虑了气象动态对配电网的影响情况,从配电网的结构以及气象动态两方面对停电范围进行了预测,避免了条件缺失导致预测存在较为严重的不准确情况,不仅能够做一些简单的定性分析,还能够实现准确的配电网停电范围预测,且具有应用时间越长预测结果越准确的优点,能够更好地服务人民大众。
在其中一个实施例中,对配电网可能发生的停电事故进行仿真,包括:进行配电网线路停运仿真。
在其中一个实施例中,还根据历史气象灾害数据,验证且调整所述配网停电事件仿真数据。
在其中一个实施例中,建立具有气象动态以及配网设备关联关系的贝叶斯网络,包括:根据物理关联信息及地理关联信息建立具有气象动态以及配网设备关联关系的贝叶斯网络。
在其中一个实施例中,进行贝叶斯网络的训练,包括:采用随机梯度下降算法进行贝叶斯网络的训练。
在其中一个实施例中,采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测,包括:根据气象预报调整训练完成的贝叶斯网络的变量,进行配电网停电范围预测。
在其中一个实施例中,根据气象预报调整训练完成的贝叶斯网络的变量,比较给定气象灾害条件下的条件概率,进行配电网停电范围预测。
在其中一个实施例中,根据气象预报调整训练完成的贝叶斯网络的变量,比较给定气象灾害条件下的条件概率,确定在当前气象预报情况下最有可能的配电网停电范围,进行配电网停电范围预测。
在其中一个实施例中,采用更新的气象预报继续调整训练完成的贝叶斯网络的变量以更新配电网停电范围预测。
一种考虑极端气象动态的配电网停电范围预测系统,其包括:
仿真模块,用于采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;
建立模块,用于建立具有气象动态以及配网设备关联关系的贝叶斯网络;
训练模块,用于根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;
预测模块,用于采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测。
附图说明
图1为本申请一实施例的配电网线路停运事故的仿真流程示意图。
图2为本申请另一实施例的用于预测的贝叶斯网络示意图。
图3为本申请另一实施例的停电概率预测模型流程示意图。
图4为本申请另一实施例的台风“苗柏”过境后的停运区域的MAP推断结果示意图。
图5为本申请另一实施例的台风“山竹”过境后的停运区域的MAP推断结果示意图。
图6为本申请另一实施例的模型计算的停运概率与重复试验统计结果对比示意图。
具体实施方式
为使本申请的上述目的、特征和优点能够更加明显易懂,下面结合附图对本申请的具体实施方式做详细的说明。在下面的描述中阐述了很多具体细节以便于充分理解本申请。但是本申请能够以很多不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本申请内涵的情况下做类似改进,因此本申请不受下面公开的具体实施例的限制。
需要说明的是,当元件被称为“固定于”或“设置于”另一个元件,它可以直接在另一个元件上或者也可以存在居中的元件。当一个元件被认为是“连接”另一个元件,它可以是直接连接到另一个元件或者可能同时存在居中元件。本申请的说明书所使用的术语“垂直的”、“水平的”、“左”、“右”以及类似的表述只是为了说明的目的,并不表示是唯一的实施方式。
除非另有定义,本申请的说明书所使用的所有的技术和科学术语与属于本申请的技术领域的技术人员通常理解的含义相同。在本申请的说明书中所使用的术语只是为了描述具体的实施方式的目的,不是旨在于限制本申请。本申请的说明书所使用的术语“和/或”包括一个或多个相关的所列项目的任意的和所有的组合。
本申请充分考虑气象灾害的动态过程,同时充分考虑了气象动态对配电网的情况,从电网的结构以及气象动态两方面对停电范围进行了预测。在本申请一个实施例中,一种考虑极端气象动态的配电网停电范围预测方法,其包括如下步骤:采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;建立具有气象动态以及配网设备关联关系的贝叶斯网络;根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测。上述配电网停电范围预测方法,考虑气象的动态分布情况尤其是充分考虑气象灾害的动态过程,同时充分考虑了气象动态对配电网的影响情况,从配电网的结构以及气象动态两方面对停电范围进行了预测,避免了条件缺失导致预测存在较为严重的不准确情况,不仅能够做一些简单的定性分析,还能够实现准确的配电网停电范围预测,且具有应用时间越长预测结果越准确的优点,能够更好地服务人民大众。
在其中一个实施例中,一种考虑极端气象动态的配电网停电范围预测方法,其包括以下实施例的部分步骤或全部步骤;即,考虑极端气象动态的配电网停电范围预测方法包括以下的部分技术特征或全部技术特征。
在其中一个实施例中,采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;进一步地,在其中一个实施例中,采用极端气象动态的历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;进一步地,在其中一个实施例中,采用历史气象灾害数据,对当前配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;进一步地,在其中一个实施例中,采用历史气象灾害数据,对历史配电网已发生的停电事故进行仿真,得到配网停电事件仿真数据;这样可以验证对当前配电网可能发生的停电事故进行仿真的结果。进一步地,在其中一个实施例中,对所述历史气象灾害数据进行分类,按类别分别对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据。进一步地,在其中一个实施例中,对所述历史气象灾害数据进行分类,按类别分别对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据,并且根据极端气象动态的历史气象灾害数据,对当前配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据。这样的设计,有利于有效应对不同的气象灾害,得到更符合实际情况的预测结果。进一步地,在其中一个实施例中,进行仿真时,配电网中的每条线路对应一个灾害节点。在其中一个实施例中,对配电网可能发生的停电事故进行仿真,包括:进行配电网线路停运仿真;即,一种考虑极端气象动态的配电网停电范围预测方法,其包括如下步骤:采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,包括进行配电网线路停运仿真,得到配网停电事件仿真数据;建立具有气象动态以及配网设备关联关系的贝叶斯网络;根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测。其余实施例以此类推。在其中一个实施例中,还根据历史气象灾害数据,验证且调整所述配网停电事件仿真数据,这样的设计,有利于使得配网停电事件仿真数据更为贴合实际情况,训练完成的贝叶斯网络更加准确,最终使得配电网停电范围预测更加准确。
在其中一个实施例中,建立具有气象动态以及配网设备关联关系的贝叶斯网络;在其中一个实施例中,建立具有气象动态以及配网设备关联关系的贝叶斯网络,包括:根据物理关联信息及地理关联信息建立具有气象动态以及配网设备关联关系的贝叶斯网络。进一步地,在其中一个实施例中,根据配电网的各线路建立所述物理关联信息。进一步地,在其中一个实施例中,根据各配电网及其线路连接方式,建立所述地理关联信息。可以理解的是,气象灾害发生时,配电网中发生的停电事故是由多种因素造成的,因此需要挖掘停电事故与这些因素之间的因果关系;而贝叶斯网络可以用来描述一个包含多随机变量系统的联合概率密度分布。因此结合因果关系,便能在此基础上建立出贝叶斯网络模型来实现气象灾害导致配电网可能发生的停电事故的概率密度分布。
贝叶斯网络中的每一个节点都代表系统中的一个随机变量。以台风灾害为例,在其中一个实施例中,对于一个配电网G=(V,L),V代表配电网中的节点集合,L代表配电网中配电线路的集合。在本实施例中,配电网中每条线路l∈L的状态Sl被定义为随机变量。Sl=0时,线路为失电状态;Sl=1时,线路为正常工作。同时,每个线路对应一个灾害节点Hl,该节点代表了在该线路处台风的风速数据。
进行数据采集说明如下。结合历史气象数据,对配电网可能发生的停电事故进行仿真。历史气象灾害数据以及对应的停电仿真结果将共同作为训练数据集对后续建立的贝叶斯网络进行训练。其中,数据仿真流程如图1所示。获取历史台风数据后,生成随机数,根据规则,确定设备故障概率,开始进行第一次仿真,模拟配电网中的线路开断以及电站故障,在仿真次数未达到预设次数T时,仿真次数加一,继续模拟配电网中的线路开断以及电站故障直到仿真次数达到预设次数T为止。
贝叶斯网络的建立以及参数学习过程说明如下。考虑气象动态以及配网设备关联关系的贝叶斯网络被建立起来。同时,结合历史气象数据以及配网停电事件仿真数据,即可利用相应的参数学习方法例如随机梯度下降算法进行贝叶斯网络的训练,为后续的工作建立基础。训练完成的贝叶斯网络将被用于气象灾害来临时各个节点停电概率的推断。一个用于预测的贝叶斯网络图如图2所示,可以理解的是,该图不应被视为对于本实施例的限制,在实际应用中,贝叶斯网络图还可以具有各种形式。
停电范围预测说明如下。停电概率预测模型流程图如图3所示。输入历史气象灾害数据,进行配电网线路停运仿真,并且根据物理关联、地理关联信息构建贝叶斯网络;结合仿真数据,对贝叶斯网络进行训练,确定仿真参数;根据训练完成的贝叶斯网络,结合气象预报进行停电预测;训练完成的贝叶斯网络亦可称为灾变停运模型。对于上面台风的实施例,进一步说明如下。
假设根据气象预报,气象部门给出的未来一段时间T下各个时间段各条线路的风速,记为H={H1,…,Ht,…,HT}。则灾变停运范围的预测即为求解如下的推断问题:
式中S={S1,…,Sl,…,SL}。序列Spredict即为最终的预测结果。
这样,通过比较给定气象灾难条件下的条件概率,即可确定在当前天气预报情况下最有可能的配电网停电范围,从而给出预测结果。
在其中一个实施例中,根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;即,采用所述历史气象灾害数据及所述配网停电事件仿真数据共同作为训练数据集对所建立的贝叶斯网络进行训练,以使气象灾害与配网停电事件实现“因果关系”的关联效果。进一步地,在其中一个实施例中,关联至少二所述类别的配网停电事件仿真数据,根据所述历史气象灾害数据及所关联的配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络,这样的设计,使得训练完成的贝叶斯网络具有更为准确的关联效果,有利于后续结合气象预报进行配电网停电范围预测。在其中一个实施例中,进行贝叶斯网络的训练,包括:采用随机梯度下降算法进行贝叶斯网络的训练,即,根据所述历史气象灾害数据及所述配网停电事件仿真数据,采用随机梯度下降算法进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络。这样的设计,配合充分的历史气象灾害数据及配网停电事件仿真数据,有利于提供准确的配电网停电范围预测结果。在其中一个实施例中,如图6所示,将重复试验统计的模拟实验结果与预测结果进行比较,模拟实验结果能够很好地与预测结果进行匹配,预测准确率能达到95%以上,该准确率足以使所述配电网停电范围预测方法投入使用。
在其中一个实施例中,选择IEEE 14节点系统作为研究对象,并选用2017年的台风“苗柏”的断面风速数据测试所述配电网停电范围预测方法的灾变停运模型即灾变停运概率模型。台风经过配电网时行进路径大致与赤道呈30度夹角,本实施例中所用到的台风的风速数据来自于中国台风气象网。
基于所述配电网停电范围预测方法,所构建的贝叶斯网络以及台风的断面风速数据,可以预测台风过后该配电网的停运范围和线路的停运概率。基于相应计算公式,可以计算各条线路的断面风速H。在灾变停运概率模型P(S,H)给定下,即可求解得到后验概率最大化(MAP)的线路停运状态组合为:
S*={0,1,1,0,0,0,1,1,1,1,1,1,1}
即台风过后线路Line1、Line4、Line5及Line6为停运状态。对最终的实验结果进行可视化如图4所示,图中虚线代表停运的线路,实线代表非停运的线路。可见在没有任何加固措施的条件下,若台风过境则停运线路占配网线路总数的比例为30.77%。
如果将过境的台风换成2018年登录的强台风“山竹”,则根据模型推断的台风过境停运区域推断结果如图4所示,只有Line3没有停运,停运线路占比92.31%。
下面继续采用灾变停运预测模型计算台风“苗柏”过境后各条线路的停运概率。根据贝叶斯网络模型,计算给定断面线路风速H下的停运概率P(Sl=0|H)的结果,如下表1所示。对比图5的推断结果,可见在本实施例中,停运区域的最大后验推断结果中的四条停运线路,其线路停运概率也是最大的,因而可以认为两个推断结果互相印证。
表1:台风“苗柏”过境各条线路的停运风险
为了更加精确的检验上述线路停运概率的计算结果,则可以通过重复试验的结果做统计。以“苗柏”的15个断面风速数据作为输入,对台风过境的线路停运算例进行10000次模拟,则可以通过统计重复试验中各条线路停运的次数,对停运次数进行统计可以计算出各条线路的停运概率图6比较了根据模型计算出的停运概率P(Sl=0|H)与根据重复试验计算出的各条线路的停运概率从对比结果上看,两种途径算出的停运概率大致有着相同的变化趋势,而绝对数值上则有一定的误差,可以认为误差主要原因在于贝叶斯网络中气象节点与线路状态节点之间采用线性的softmax函数来表征条件依赖关系。但鉴于线性模型中的参数少,参数学习效率高,而且绝对误差也在可接受的范围之内,预测准确率能达到95%以上,因此可认为该模型的性能与效果符合预期。
在其中一个实施例中,采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测。在其中一个实施例中,采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测,包括:根据气象预报调整训练完成的贝叶斯网络的变量,进行配电网停电范围预测。即,根据气象预报调整训练完成的贝叶斯网络的变量,采用变量调整后的训练完成的贝叶斯网络,进行配电网停电范围预测。在其中一个实施例中,根据气象预报调整训练完成的贝叶斯网络的变量,比较给定气象灾害条件下的条件概率,进行配电网停电范围预测。在其中一个实施例中,根据气象预报调整训练完成的贝叶斯网络的变量,比较给定气象灾害条件下的条件概率,确定在当前气象预报情况下最有可能的配电网停电范围,进行配电网停电范围预测。在其中一个实施例中,采用更新的气象预报继续调整训练完成的贝叶斯网络的变量以更新配电网停电范围预测。进一步地,在其中一个实施例中,采用训练完成的贝叶斯网络及当前气象预报,进行配电网停电范围预测;当收到新的气象预报时,将其替换为当前气象预报,继续进行配电网停电范围预测且更新预测结果。这样的设计,使得配电网停电范围预测能够适应动态的气象预报不断调整,有利于获得更准确的预测结果。
进一步地,在其中一个实施例中,进行配电网停电范围预测之后,所述配电网停电范围预测方法还包括:推送所述配电网停电范围预测;在其中一个实施例中,推送所述配电网停电范围预测到目标终端。进一步地,在其中一个实施例中,推送所述配电网停电范围预测到涉及配电网停电范围的相关管理终端。进一步地,在其中一个实施例中,在更新预测结果时,所述配电网停电范围预测方法还包括:推送所述配电网停电范围预测到涉及配电网停电范围的原相关管理终端及更新预测结果涉及的配电网停电范围的相关管理终端。这样的设计,尤其适用于具有极端气象动态的气象预报,考虑气象的动态分布情况,尤其是充分考虑了气象灾害的动态过程,在这个动态过程中不断更新,通知管理人员做好准备或者是取消准备,同时充分考虑了气象动态对配电网的影响情况,一方面有利于及时有效做好防范应对措施,另一方面有利于合理调配工作人员,在警报解除或者暂时解除时可以有效休息,再一方面有利于配合历史数据实现配电网可能发生的停电事故的提前安排,做到防患于未然。
在其中一个实施例中,一种考虑极端气象动态的配电网停电范围预测方法,其包括如下步骤:采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,其中包括进行配电网线路停运仿真,得到配网停电事件仿真数据;还根据历史气象灾害数据,验证且调整所述配网停电事件仿真数据;根据物理关联信息及地理关联信息建立具有气象动态以及配网设备关联关系的贝叶斯网络;根据所述历史气象灾害数据及所述配网停电事件仿真数据,采用随机梯度下降算法进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;根据气象预报调整训练完成的贝叶斯网络的变量,采用训练完成的贝叶斯网络,比较给定气象灾害条件下的条件概率,确定在当前气象预报情况下最有可能的配电网停电范围,进行配电网停电范围预测;当气象预报发生更新时,采用更新的气象预报继续调整训练完成的贝叶斯网络的变量以更新配电网停电范围预测。这样的设计,考虑气象的动态分布情况尤其是充分考虑气象灾害的动态过程,同时充分考虑了气象动态对配电网的影响情况,从配电网的结构以及气象动态两方面出发,实现了对停电范围进行准确预测,且具有应用时间越长预测结果越准确的优点,能够更好地服务人民大众。
在其中一个实施例中,一种考虑极端气象动态的配电网停电范围预测系统,其采用上述任一实施例所述考虑极端气象动态的配电网停电范围预测方法实现。在其中一个实施例中,所述配电网停电范围预测系统包括用于实现上述任一实施例所述考虑极端气象动态的配电网停电范围预测方法的相关功能模块。在其中一个实施例中,一种考虑极端气象动态的配电网停电范围预测系统,其包括:仿真模块,用于采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;建立模块,用于建立具有气象动态以及配网设备关联关系的贝叶斯网络;训练模块,用于根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;预测模块,用于采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测。其余实施例以此类推。进一步地,在其中一个实施例中,所述配电网停电范围预测系统还包括推送模块,用于推送所述配电网停电范围预测。其余实施例以此类推。
需要说明的是,本申请的其它实施例还包括,上述各实施例中的技术特征相互组合所形成的、能够实施的考虑极端气象动态的配电网停电范围预测方法及系统。
以上所述实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的专利保护范围应以所附权利要求为准。
Claims (10)
1.一种考虑极端气象动态的配电网停电范围预测方法,其特征在于,包括如下步骤:
采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;
建立具有气象动态以及配网设备关联关系的贝叶斯网络;
根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;
采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测。
2.根据权利要求1所述配电网停电范围预测方法,其特征在于,对配电网可能发生的停电事故进行仿真,包括:进行配电网线路停运仿真。
3.根据权利要求2所述配电网停电范围预测方法,其特征在于,还根据历史气象灾害数据,验证且调整所述配网停电事件仿真数据。
4.根据权利要求1所述配电网停电范围预测方法,其特征在于,建立具有气象动态以及配网设备关联关系的贝叶斯网络,包括:根据物理关联信息及地理关联信息建立具有气象动态以及配网设备关联关系的贝叶斯网络。
5.根据权利要求1所述配电网停电范围预测方法,其特征在于,进行贝叶斯网络的训练,包括:采用随机梯度下降算法进行贝叶斯网络的训练。
6.根据权利要求1至5中任一项所述配电网停电范围预测方法,其特征在于,采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测,包括:根据气象预报调整训练完成的贝叶斯网络的变量,进行配电网停电范围预测。
7.根据权利要求6所述配电网停电范围预测方法,其特征在于,根据气象预报调整训练完成的贝叶斯网络的变量,比较给定气象灾害条件下的条件概率,进行配电网停电范围预测。
8.根据权利要求7所述配电网停电范围预测方法,其特征在于,根据气象预报调整训练完成的贝叶斯网络的变量,比较给定气象灾害条件下的条件概率,确定在当前气象预报情况下最有可能的配电网停电范围,进行配电网停电范围预测。
9.根据权利要求8所述配电网停电范围预测方法,其特征在于,采用更新的气象预报继续调整训练完成的贝叶斯网络的变量以更新配电网停电范围预测。
10.一种考虑极端气象动态的配电网停电范围预测系统,其特征在于,包括:
仿真模块,用于采用历史气象灾害数据,对配电网可能发生的停电事故进行仿真,得到配网停电事件仿真数据;
建立模块,用于建立具有气象动态以及配网设备关联关系的贝叶斯网络;
训练模块,用于根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练,确定仿真参数,得到训练完成的贝叶斯网络;
预测模块,用于采用训练完成的贝叶斯网络,结合气象预报进行配电网停电范围预测。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597591.8A CN110490359A (zh) | 2019-07-04 | 2019-07-04 | 考虑极端气象动态的配电网停电范围预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201910597591.8A CN110490359A (zh) | 2019-07-04 | 2019-07-04 | 考虑极端气象动态的配电网停电范围预测方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN110490359A true CN110490359A (zh) | 2019-11-22 |
Family
ID=68546703
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201910597591.8A Pending CN110490359A (zh) | 2019-07-04 | 2019-07-04 | 考虑极端气象动态的配电网停电范围预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110490359A (zh) |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144572A (zh) * | 2019-12-23 | 2020-05-12 | 国网上海市电力公司 | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 |
CN111932122A (zh) * | 2020-08-11 | 2020-11-13 | 广东电网有限责任公司广州供电局 | 一种配电网防灾物资调配方法、装置、终端及存储介质 |
CN112036682A (zh) * | 2020-07-10 | 2020-12-04 | 广西电网有限责任公司 | 一种频繁停电的预警方法及装置 |
CN113205204A (zh) * | 2021-03-31 | 2021-08-03 | 国网上海市电力公司 | 一种基于贝叶斯网络的配电网停运节点预测方法 |
CN113569411A (zh) * | 2021-07-29 | 2021-10-29 | 湖北工业大学 | 一种面向灾害天气的电网运行风险态势感知方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130297538A1 (en) * | 2012-05-01 | 2013-11-07 | Luke C. Gosink | System and method of designing models in a feedback loop |
CN106447530A (zh) * | 2016-09-07 | 2017-02-22 | 山东大学 | 一种电力设备停运概率的非精确条件估计方法 |
-
2019
- 2019-07-04 CN CN201910597591.8A patent/CN110490359A/zh active Pending
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20130297538A1 (en) * | 2012-05-01 | 2013-11-07 | Luke C. Gosink | System and method of designing models in a feedback loop |
CN106447530A (zh) * | 2016-09-07 | 2017-02-22 | 山东大学 | 一种电力设备停运概率的非精确条件估计方法 |
Non-Patent Citations (3)
Title |
---|
AKWASI F. MENSAH ET.AL: "Outage Predictions of Electric Power Systems under", <2014 年电力系统概率方法国际会议 (PMAPS)> * |
潘一飞 等: "考虑气象因子条件下的电网连锁故障预测", 《华北电力大学学报》 * |
陈颖 等: "极端气象条件下配电网大范围停电贝叶斯网络建模和停", 《供用电》 * |
Cited By (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN111144572A (zh) * | 2019-12-23 | 2020-05-12 | 国网上海市电力公司 | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 |
CN111144572B (zh) * | 2019-12-23 | 2023-06-30 | 国网上海市电力公司 | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 |
CN112036682A (zh) * | 2020-07-10 | 2020-12-04 | 广西电网有限责任公司 | 一种频繁停电的预警方法及装置 |
CN111932122A (zh) * | 2020-08-11 | 2020-11-13 | 广东电网有限责任公司广州供电局 | 一种配电网防灾物资调配方法、装置、终端及存储介质 |
CN111932122B (zh) * | 2020-08-11 | 2024-05-28 | 广东电网有限责任公司广州供电局 | 一种配电网防灾物资调配方法、装置、终端及存储介质 |
CN113205204A (zh) * | 2021-03-31 | 2021-08-03 | 国网上海市电力公司 | 一种基于贝叶斯网络的配电网停运节点预测方法 |
CN113569411A (zh) * | 2021-07-29 | 2021-10-29 | 湖北工业大学 | 一种面向灾害天气的电网运行风险态势感知方法 |
CN113569411B (zh) * | 2021-07-29 | 2023-09-26 | 湖北工业大学 | 一种面向灾害天气的电网运行风险态势感知方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110490359A (zh) | 考虑极端气象动态的配电网停电范围预测方法及系统 | |
CN107725283B (zh) | 一种基于深度信念网络模型的风机故障检测方法 | |
CN109270407B (zh) | 基于多源信息融合的特高压直流输电线路故障原因辨识方法 | |
Mensah et al. | Efficient resilience assessment framework for electric power systems affected by hurricane events | |
Hung et al. | An artificial neural network model for rainfall forecasting in Bangkok, Thailand | |
CN107681691A (zh) | 计及不确定性因素的风电并网系统运行可靠性评估方法 | |
Esfetang et al. | A novel hybrid technique for prediction of electric power generation in wind farms based on WIPSO, neural network and wavelet transform | |
CN103197983B (zh) | 基于概率图模型的服务组件可靠性在线时间序列预测方法 | |
CN106651007A (zh) | 基于gru的光伏电站辐照度中长期预测的方法及装置 | |
CN111488896B (zh) | 一种基于多源数据挖掘的配电线路时变故障概率计算方法 | |
CN106447530A (zh) | 一种电力设备停运概率的非精确条件估计方法 | |
CN109471698A (zh) | 云环境下虚拟机异常行为检测系统和方法 | |
Yang et al. | Urban air quality based on Bayesian network | |
CN114966233A (zh) | 基于深度神经网络的雷电预报系统及方法 | |
Gao et al. | Heuristic failure prediction model of transmission line under natural disasters | |
CN106526710A (zh) | 一种雾霾预测方法及装置 | |
Yeh et al. | Real-time leakage current classification of 15kV and 25kV distribution insulators based on bidirectional long short-term memory networks with deep learning machine | |
CN105353270B (zh) | 考虑分布式电源并网的电能质量扰动源容错定位方法 | |
CN116976227B (zh) | 一种基于lstm机器学习的风暴增水预报方法及系统 | |
Ibrahim et al. | LSTM neural network model for ultra-short-term distribution zone substation peak demand prediction | |
WO2014185921A1 (en) | Systems and methods for meter placement in power grid networks | |
CN115906610A (zh) | 考虑线路故障和电网韧性的分布式电源选址规划方法 | |
Zhou et al. | Fault-alarm-threshold optimization method based on interval evidence reasoning. | |
Nutkiewicz et al. | Exploring the integration of simulation and deep learning models for urban building energy modeling and retrofit analysis | |
Gao et al. | Connectivity resilience assessment of urban road networks under earthquake based on Bayesian network |
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 | ||
TA01 | Transfer of patent application right | ||
TA01 | Transfer of patent application right |
Effective date of registration: 20201021 Address after: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant after: Guangzhou Power Supply Bureau of Guangdong Power Grid Co.,Ltd. Address before: 510620 Tianhe District, Guangzhou, Tianhe South Road, No. two, No. 2, No. Applicant before: GUANGZHOU POWER SUPPLY Co.,Ltd. |
|
RJ01 | Rejection of invention patent application after publication | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20191122 |