CN110889565A - 一种基于多维矩阵决策的配网巡检周期计算方法 - Google Patents
一种基于多维矩阵决策的配网巡检周期计算方法 Download PDFInfo
- Publication number
- CN110889565A CN110889565A CN201911318441.5A CN201911318441A CN110889565A CN 110889565 A CN110889565 A CN 110889565A CN 201911318441 A CN201911318441 A CN 201911318441A CN 110889565 A CN110889565 A CN 110889565A
- Authority
- CN
- China
- Prior art keywords
- data
- index
- importance
- degree
- distribution 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.)
- Granted
Links
- 238000007689 inspection Methods 0.000 title claims abstract description 29
- 238000004364 calculation method Methods 0.000 title claims abstract description 16
- 239000011159 matrix material Substances 0.000 title claims abstract description 16
- 238000003066 decision tree Methods 0.000 claims abstract description 46
- 238000011156 evaluation Methods 0.000 claims abstract description 37
- 238000012545 processing Methods 0.000 claims abstract description 5
- 238000000034 method Methods 0.000 claims description 22
- 238000010276 construction Methods 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 11
- 238000012544 monitoring process Methods 0.000 claims description 11
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000000638 solvent extraction Methods 0.000 description 2
- 238000012795 verification Methods 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000005856 abnormality Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012790 confirmation Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 201000010099 disease Diseases 0.000 description 1
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 230000009545 invasion Effects 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Images
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
- G06Q10/04—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
- 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—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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于多维矩阵决策的配网巡检周期计算方法,操作如下:收集配网样本数据,配网数据包含健康度指标和重要度指标数据;专业人员按照上年运行数据给出经验上的健康度和重要度评价;对收集的数据进行标准化处理;得到标准化处理后的数据后,计算其信息增益率,构建决策树,然后判别线路的健康度和重要度,再根据健康度和重要度决策矩阵得到巡检周期。本发明以线路各领域指标为参考,极大地减少了人工判断的主观性。将专业人员的判断作为分类样本,充分地将专业人员丰富的经验扩大化利用,极大地减少人力投入,使得全网全线路巡检周期计算得以实现,利用实时/准实时/近期指标进行自动化判别,极大降低了判断结果的滞后性。
Description
技术领域
本发明属于配网安全性与可靠性分析技术领域,尤其涉及一种基于多维矩阵决策的配网巡检周期计算方法。
背景技术
配网线路及设备是电力系统的重要组成部分,由于雷击、强风、洪水、外部施工等因素的侵害,使配网线路及设备容易老化、损坏,如不及时发现和消除,则可能发展成各种故障甚至事故,从而影响电力系统的安全运行。
因此,为保证电力系统的安全稳定运行,就需要对配网线路及设备进行巡检,并对存在缺陷及安全隐患的配网线路及设备进行更换,以预防事故的发生。而配网线路巡检对于保障供电可靠性的起着至关重要的作用。巡检周期过短会浪费大量人力物力,巡检周期过长又会增加设备事故发生频率。
目前,确定巡检周期一般采用经验上的评估,加上线路运行时的反馈信息进行调整。例如,对居民用户数一般、偶尔故障的线路,进行周期为每三个月一次的巡检。每个周期内的故障率高于预期,则认为设备不够健康,需要加大巡检频率;每个周期内的用户投诉,用电量等高于预期,则认为设备相对重要,需要加大巡检频率;反之,若线路长期未表现出不健康或重要性,则逐渐降低其巡检频率。
由上述可知,目前的巡检周期确认方法具有很强的主观性,需要经验丰富的专业人员才能给出准确的判断。由于专业人员的数量和精力有限,很难对所有的线路进行判断。同时,判断结果具有滞后性,只有当运行时表现出了健康度和重要度的不合理性,才能被动地去调整巡检周期。
发明内容
针对现有技术的不足,本发明提供一种基于多维矩阵决策的配网巡检周期计算方法,用以给电力配网线路及设备确定合适的巡检周期。
本发明是通过如下技术方案来实现的。
一种基于多维矩阵决策的配网巡检周期计算方法,其特征在于,所述计算方法包括以下步骤:
步骤1:收集配网样本数据
收集若干线路的配网数据,包含健康度指标和重要度指标数据;健康度和重要度指标数据包含但不限于设备台账数据、调度数据、状态评价系统数据、在线监测数据、缺陷数据、缺陷定级标准、气象数据和客户投诉数据指标,作为样本的参数;专业人员按照上年运行数据给出经验上的健康度和重要度评价作为样本数据标签;
步骤2:数据标准化处理
在得到了步骤1配网样本数据后,按式(1)对指标进行标准化处理;
式(1)中,x为样本数据原始值,μ为均值,σ为标准差,x'为归一化结果;
步骤3:构建健康度和重要度决策树
得到步骤2标准化处理后的数据后,记P为所有样本数据集,分别逐一选择健康度和重要度指标中的指标T,计算其信息增益率:
1)计算信息增益Gain,如式(2)所示:
式(2)中,T表示当前选择的指标,Entropy(P)表示选择指标,T之前的熵Entropy(Pv)是指标T取值为v分组的熵;
2)为了减少过拟合的可能性,计算分裂信息(SplitInformation)作为多值指标的惩罚因子,如式(3)所示:
式(3)中,Pi表示第i个子数据集中样本数,P表示划分之前数据集中样本总数量;
3)如式(4)所示,用信息增益除以分裂信息,得到指标T的信息增益率;然后根据信息增益率构建决策树,利用决策树判别线路的健康度和重要度,最后根据健康度和重要度决策矩阵得到巡检周期;
较佳地,步骤3中根据信息增益率构建决策树时,分别对健康度和重要度各项指标按其信息增益率由大到小排序,并按指标顺序构造决策树,具体过程如下:
I、初始化,记层级i=0,把所有样本压入集合P,作为决策树根节点
II、取出分类指标T(i),构造第i层分类器,具体构造过程为:
II-1)按指标标准值区间为决策树的上一层级中的每个非叶节点添加子节点;
II-2)将上一层级中每个非叶节点中的样本按指标T(i)所属区间添加到子节点;
II-3)若某个子节点中的样本数为0或1,将其标记为叶节点;
III、若当前层级所有节点均为叶节点,则完成决策树的构建,否则i值递增1,转步骤II。
较佳地,步骤3中判别健康度和重要度指标的过程如下:
对每一条线路的健康度、重要度指标数据进行标准化处理,然后分别将其代入健康度决策树、重要度决策树进行分析,得到与其最接近的样本组,并按照样本组判别线路的健康度、重要度,具体判别步骤如下:
a、记i=0,数组s为结果样本组,从决策树根节点开始遍历,为了减少过拟合影响,设置一个容差d,容差为0.03~0.08;
b、取出决策树上当前层级的所有不带跳过标记的节点,取出线路的对应的第i项指标PT(i),记线路第i项指标区间为QT(i)=[PT(i)-d,PT(i)+d);
c、判断当前层级上各节点对应的指标区间对应是否与QT(i)有交集,若无,将此节点的所有子节点标记为跳过;若有,则逐个判断此节点的子节点是否为叶节点,若是,将叶节点加入数组s;
d、若i值等于树深度,则结束遍历,否则i值递增1,转步骤b;
得到最接近样本组s后,可得出样本组的占比最高的健康度/重要度评价,若占比大于等于阈值,阙值为70~80%,则返回占比最高的评价;若占比小于等于阈值,则返回最接近样本组中的所有评价,并通知专业人员从这些评价中选择最合理的评价。
较佳地,所述重要度分为关键设备、重要设备和一般设备;
1)符合以下条件之一者,为关键设备:
a、用户性质:设备供电对象为特级或一级重要客户;
b、停电范围:影响范围广泛,涉及大量居民用户,造成减供负荷30兆瓦以上50兆瓦以下,或6000户以上的线路;
c、网络节点或功能位置:关键网络联络点;
2)符合以下条件之一者,为重要设备:
a、用户性质:设备供电对象为二级重要客户;
b、停电范围:影响范围较广,涉及较多居民用户,造成减供负荷10兆瓦以上30兆瓦以下,或2000户以上的线路;
c、网络节点或功能位置:主干线带五级及以上分支的节点且无法实现转电;
3)除关键设备、重要设备外的其他设备为一般设备。
较佳地,所述健康度指标包含但不限于:台账数据中的运行年限和连接关系,调度数据中的失压率、失压时间和复电时间,状态评价系统数据中的故障评价和风险评价,在线监测数据中的站房环境监测和故障指示,缺陷数据中的缺陷等级分布和缺陷类型分布,以及气象数据中的鸟害区域和雷击密度。
较佳地,所述重要度指标包含但不限于:台账数据中的线路回数和分段平均用户数,调度数据中的有功功率和供入供出,状态评价系统数据中的大功率状态和持续高功率状态,在线监测数据中的电气状态监测和电气状增长率,以及客户投诉中的投诉次数和投诉人类型。
本发明提出了专业人员容易量化的两个主观参数:健康度和重要度,用以决定巡检周期,并给出了健康度相关的数个线路运行指标。首先收集若干条线路的运行指标,交给专业人员判断其健康度和重要度,得到包含运行指标、健康度、重要度的样本,并利用样本构造决策树。后续需要计算某条线路的巡检周期时,只需录入其实时/准实时/近期运行指标,系统即可根据决策树自动给出准确的周期。可见,本发明提供的方法对巡检周期的计算具有客观、节约人力、滞后性低的优点。
与现有技术相比,本发明具有以下有益效果:本发明以线路各领域指标为参考,极大地减少了人工判断的主观性;将专业人员的判断作为分类样本,充分地将专业人员丰富的经验扩大化利用,极大地减少人力投入,使得全网全线路巡检周期计算得以实现。利用实时/准实时/近期指标进行自动化判别,极大降低了判断结果的滞后性。
附图说明
图1为本发明决策树的构造过程示意图。
具体实施方式
下面结合附图和具体实施例对本发明的技术方案做进一步详细说明,本实施例以计算云南某地州线路配网巡检周期为例。
1、收集线路决策样本及健康度、重要度评价
由于各地市局的环境因素、设备状况、用户对供电可靠性要求等指标有着较大的差异,使用统一的样本和评价参数难以获得精确的结果,需要对各地市局分别收集数据,收集数据的内容包含、但不限于:设备台账数据、调度数据、状态评价系统数据、在线监测数据、缺陷数据、缺陷定级标准、气象数据、客户投诉等领域。
收集到的数据按照上年运行数据给出经验上的健康度、重要度评价。一般地,健康度按表1所述标准给出:
表1
一般地,重要度按以下标准给出:
1)符合以下条件之一者,为关键设备:
a、用户性质:设备供电对象为特级或一级重要客户。
b、停电范围:影响范围广泛,涉及大量居民用户(可能造成减供负荷30兆瓦以上50兆瓦以下,或6000户以上的线路)。
c、网络节点或功能位置:关键网络联络点。
2)符合以下条件之一者,为重要设备:
a、用户性质:设备供电对象为二级重要客户。
b、停电范围:影响范围较广,涉及较多居民用户(可能造成减供负荷10兆瓦以上30兆瓦以下,或2000户以上的线路)。
c、网络节点或功能位置:主干线带五级及以上分支的节点且无法实现转电。
3)除关键设备、重要设备外的其他设备为一般设备。
2、样本数据标准化处理
在得到了步骤1所述各类指标后,由于各项指标量纲不同,且一般都呈正态分布,故需要按式(1)对指标进行标准化处理:
式(1)中,x为样本数据原始值,μ为均值,σ为标准差,x'为归一化结果;
最终,经过处理的样本数据如表2所示。
表2
3、利用样本构建决策树
得到样本数据后,利用样本分别构建健康度决策树、重要度决策树,用以后续将目标线路进行分类。健康度决策树、重要度决策树的构建算法完全一致,只是输入的样本指标项不同,下面以健康度决策树构建为例,说明决策树的构建过程:
3.1计算信息增益率
记P为所有样本数据集,样本数据集包括各项指标数据以及健康度和重要度评价;逐一选择健康度指标中的指标T(以健康度指标为例),计算其信息增益率:
1)计算信息增益Gain,如式(2)所示,
式(2)中T表示当前选择的指标,Entropy(P)表示选择指标T之前的熵Entropy(Pv)示指标T取值为v分组的熵。
2)为了减少过拟合的可能性,计算分裂信息(SplitInformation)作为多值指标的惩罚因子:
式(3)中Pi表示第i个子数据集中样本数,P表示划分之前数据集中样本总数量
3)用信息增益除以分裂信息,得到指标T的信息增益率:
3.2根据信息增益率构建决策树
对各项指标按其信息增益率由大到小排序,并按指标顺序构造决策树,构造过程如图1所示:
1、初始化,记层级i=0,把所有样本压入集合P,作为决策树根节点
2、取出分类指标T(i),构造第i层分类器,具体构造过程为:
2.1)按指标标准值区间为决策树的上一层级中的每个非叶节点添加子节点;
2.2)将上一层级中每个非叶节点中的样本按指标T(i)所属区间添加到子节点;
2.3)若某个子节点中的样本数为0或1,将其标记为叶节点。
3、若当前层级所有节点均为叶节点,则完成决策树的构建,否则i值递增1,转步骤2。
4、利用决策树的判别线路健康度、重要度
按步骤2所述标准化数据处理方式,计算地市局下属所有线路的健康度、重要度指标。
对每一条线路的健康度、重要度指标,分别将其代入健康度决策树、重要度决策树进行分析,得到与其最接近的样本组,并按照样本组判别线路的健康度、重要度,具体判别步骤如下:
记i=0,数组s为结果样本组,从决策树根节点开始遍历,为了减少过拟合影响,设置一个容差d,d为0.05;
取出决策树上当前层级的所有不带跳过标记的节点,取出线路的对应的第i项指标PT(i),记线路第i项指标区间为QT(i)=[PT(i)-d,PT(i)+d);
判断当前层级上各节点对应的指标区间对应是否与QT(i)有交集,若无,将此节点的所有子节点标记为跳过;若有,则逐个判断此节点的子节点是否为叶节点,若是,将叶节点加入数组s
若i值等于树深度,则结束遍历,否则i值递增1,转步骤2
得到最接近样本组s后,得到样本组的占比最高的健康度/重要度评价,若占比大于等于阈值,阈值为75%,则返回占比最高的评价;若占比小于等于阈值,则返回最接近样本组中的所有评价,并通知专业人员从这些评价中选择最合理的评价。
5、根据健康度、重要度评价,决定线路巡检周期
得到健康度重要度评价后,按表3所示的决策矩阵,确定巡检周期。
表3
重要度\健康度 | 正常 | 注意 | 异常 | 严重 |
一般 | 90天/次 | 70天/次 | 45天/次 | 30天/次 |
重要 | 90天/次 | 60天/次 | 30天/次 | 21天/次 |
关键 | 60天/次 | 30天/次 | 21天/次 | 7天/次 |
6、分类结果评价
本实施例中,共计从某地市局收集到样本线路102条,选取其中52条作为构建决策树的样本,余下50条作为验证样本。
对验证样本进行分类后,有46条数据被自动分类,4条数据评价占比低于阈值需要手动分类。自动分类的46条数据中,有3条数据分类错误,43条数据分类正确。
可知,本实施例自动分类完成率为4/50=92%,即相对于纯人工分类,效率提升为100%/(100%-92%)=12.5倍,分类正确率为43/46=93.5%。
以上所揭露的为本发明的优选实施例,不能以此来限定本发明之权利范围,因此依本发明申请专利范围所作的等同变化,仍属本发明所涵盖的范围。
Claims (6)
1.一种基于多维矩阵决策的配网巡检周期计算方法,其特征在于,所述计算方法包括以下步骤:
步骤1:收集配网样本数据
收集若干线路的配网数据,包含健康度指标和重要度指标数据;健康度和重要度指标数据包含设备台账数据、调度数据、状态评价系统数据、在线监测数据、缺陷数据、缺陷定级标准、气象数据和客户投诉数据指标,作为样本的参数;专业人员按照上年运行数据给出经验上的健康度和重要度评价作为样本数据标签;
步骤2:数据标准化处理
在得到了步骤1配网样本数据后,按式(1)对指标进行标准化处理;
式(1)中,x为样本数据原始值,μ为均值,σ为标准差,x'为归一化结果;
步骤3:构建健康度和重要度决策树
得到步骤2标准化处理后的数据后,记P为所有样本数据集,分别逐一选择健康度和重要度指标中的指标T,计算其信息增益率:
1)计算信息增益Gain,如式(2)所示:
式(2)中,T表示当前选择的指标,Entropy(P)表示选择指标,T之前的熵Entropy(Pv)是指标T取值为v分组的熵;
2)为了减少过拟合的可能性,计算分裂信息作为多值指标的惩罚因子,如式(3)所示:
式(3)中,|Pi|表示第i个子数据集中样本数,|P|表示划分之前数据集中样本总数量;
3)如式(4)所示,用信息增益除以分裂信息,得到指标T的信息增益率;然后根据信息增益率构建决策树,利用决策树判别线路的健康度和重要度,最后根据健康度和重要度决策矩阵得到巡检周期;
2.如权利要求1所述的基于多维矩阵决策的配网巡检周期计算方法,其特征在于,步骤3中根据信息增益率构建决策树时,分别对健康度和重要度各项指标按其信息增益率由大到小排序,并按指标顺序构造决策树,具体过程如下:
I、初始化,记层级i=0,把所有样本压入集合P,作为决策树根节点
II、取出分类指标T(i),构造第i层分类器,具体构造过程为:
II-1)按指标标准值区间为决策树的上一层级中的每个非叶节点添加子节点;
II-2)将上一层级中每个非叶节点中的样本按指标T(i)所属区间添加到子节点;
II-3)若某个子节点中的样本数为0或1,将其标记为叶节点;
III、若当前层级所有节点均为叶节点,则完成决策树的构建,否则i值递增1,转步骤II。
3.如权利要求1或2所述的基于多维矩阵决策的配网巡检周期计算方法,其特征在于,步骤3中判别健康度和重要度指标的过程如下:
对每一条线路的健康度、重要度指标数据进行标准化处理,然后分别将其代入健康度决策树、重要度决策树进行分析,得到与其最接近的样本组,并按照样本组判别线路的健康度、重要度,具体判别步骤如下:
a、记i=0,数组s为结果样本组,从决策树根节点开始遍历,为了减少过拟合影响,设置一个容差d,容差为0.03~0.08;
b、取出决策树上当前层级的所有不带跳过标记的节点,取出线路的对应的第i项指标PT(i),记线路第i项指标区间为QT(i)=[PT(i)-d,PT(i)+d);
c、判断当前层级上各节点对应的指标区间对应是否与QT(i)有交集,若无,将此节点的所有子节点标记为跳过;若有,则逐个判断此节点的子节点是否为叶节点,若是,将叶节点加入数组s;
d、若i值等于树深度,则结束遍历,否则i值递增1,转步骤b;
得到最接近样本组s后,可得出样本组的占比最高的健康度/重要度评价,若占比大于等于阈值,阙值为70~80%,则返回占比最高的评价;若占比小于等于阈值,则返回最接近样本组中的所有评价,并通知专业人员从这些评价中选择最合理的评价。
4.如权利要求1所述的基于多维矩阵决策的配网巡检周期计算方法,其特征在于,所述重要度分为关键设备、重要设备和一般设备;
1)符合以下条件之一者,为关键设备:
a、用户性质:设备供电对象为特级或一级重要客户;
b、停电范围:影响范围广泛,涉及大量居民用户,造成减供负荷30兆瓦以上50兆瓦以下,或6000户以上的线路;
c、网络节点或功能位置:关键网络联络点;
2)符合以下条件之一者,为重要设备:
a、用户性质:设备供电对象为二级重要客户;
b、停电范围:影响范围较广,涉及较多居民用户,造成减供负荷10兆瓦以上30兆瓦以下,或2000户以上的线路;
c、网络节点或功能位置:主干线带五级及以上分支的节点且无法实现转电;
3)除关键设备、重要设备外的其他设备为一般设备。
5.如权利要求1所述的基于多维矩阵决策的配网巡检周期计算方法,其特征在于:所述健康度指标包含:台账数据中的运行年限和连接关系,调度数据中的失压率、失压时间和复电时间,状态评价系统数据中的故障评价和风险评价,在线监测数据中的站房环境监测和故障指示,缺陷数据中的缺陷等级分布和缺陷类型分布,以及气象数据中的鸟害区域和雷击密度。
6.如权利要求1所述的基于多维矩阵决策的配网巡检周期计算方法,其特征在于:所述重要度指标包含:台账数据中的线路回数和分段平均用户数,调度数据中的有功功率和供入供出,状态评价系统数据中的大功率状态和持续高功率状态,在线监测数据中的电气状态监测和电气状增长率,以及客户投诉中的投诉次数和投诉人类型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911318441.5A CN110889565B (zh) | 2019-12-19 | 2019-12-19 | 一种基于多维矩阵决策的配网巡检周期计算方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911318441.5A CN110889565B (zh) | 2019-12-19 | 2019-12-19 | 一种基于多维矩阵决策的配网巡检周期计算方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110889565A true CN110889565A (zh) | 2020-03-17 |
CN110889565B CN110889565B (zh) | 2022-04-26 |
Family
ID=69752533
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911318441.5A Active CN110889565B (zh) | 2019-12-19 | 2019-12-19 | 一种基于多维矩阵决策的配网巡检周期计算方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110889565B (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613684A (zh) * | 2020-12-31 | 2021-04-06 | 上海交通大学 | 一种基于配网故障预测的特殊差异化运维方法 |
CN113727092A (zh) * | 2021-07-30 | 2021-11-30 | 深圳力维智联技术有限公司 | 基于决策树的视频监控质量巡检方法及装置 |
CN115498639A (zh) * | 2022-10-26 | 2022-12-20 | 珠海康晋电气股份有限公司 | 一种基于多数据融合的配电网管理系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495967A (zh) * | 2011-12-12 | 2012-06-13 | 山东电力集团公司济宁供电公司 | 在运电力变压器检修周期计算方法 |
CN103646358A (zh) * | 2013-12-30 | 2014-03-19 | 重庆大学 | 计及电力设备时变故障率的电网计划检修周期确定方法 |
CN107358338A (zh) * | 2017-06-09 | 2017-11-17 | 国网冀北电力有限公司 | 一种多业务和硬件融合的d5000系统健康度分层优先评价方法 |
CN107544457A (zh) * | 2017-08-31 | 2018-01-05 | 广东石油化工学院 | 基于可靠性分析的炼化装置运行周期专家决策系统及方法 |
CN110110933A (zh) * | 2019-05-10 | 2019-08-09 | 西南交通大学 | 一种智能变电站保护系统的检修周期优化方法 |
CN110263119A (zh) * | 2019-07-01 | 2019-09-20 | 西北师范大学 | 一种案例推理分类器案例检索方法 |
CN110400001A (zh) * | 2019-06-12 | 2019-11-01 | 广东电网有限责任公司 | 一种基于风险评估的高压电缆巡检周期优化方法 |
-
2019
- 2019-12-19 CN CN201911318441.5A patent/CN110889565B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102495967A (zh) * | 2011-12-12 | 2012-06-13 | 山东电力集团公司济宁供电公司 | 在运电力变压器检修周期计算方法 |
CN103646358A (zh) * | 2013-12-30 | 2014-03-19 | 重庆大学 | 计及电力设备时变故障率的电网计划检修周期确定方法 |
CN107358338A (zh) * | 2017-06-09 | 2017-11-17 | 国网冀北电力有限公司 | 一种多业务和硬件融合的d5000系统健康度分层优先评价方法 |
CN107544457A (zh) * | 2017-08-31 | 2018-01-05 | 广东石油化工学院 | 基于可靠性分析的炼化装置运行周期专家决策系统及方法 |
CN110110933A (zh) * | 2019-05-10 | 2019-08-09 | 西南交通大学 | 一种智能变电站保护系统的检修周期优化方法 |
CN110400001A (zh) * | 2019-06-12 | 2019-11-01 | 广东电网有限责任公司 | 一种基于风险评估的高压电缆巡检周期优化方法 |
CN110263119A (zh) * | 2019-07-01 | 2019-09-20 | 西北师范大学 | 一种案例推理分类器案例检索方法 |
Non-Patent Citations (3)
Title |
---|
CHIMIN CHEN等: "Reduction of nuisance rate in inspection using review/inspector cycle optimization methodology", 《2011 E-MANUFACTURING & DESIGN COLLABORATION SYMPOSIUM & INTERNATIONAL SYMPOSIUM ON SEMICONDUCTOR MANUFACTURING (EMDC & ISSM)》 * |
钟连宏等: "无人值班变电站巡视周期的仿真计算", 《高电压技术》 * |
黄悦华等: "基于可靠性分析的智能变电站巡检周期计算方法", 《电测与仪表》 * |
Cited By (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112613684A (zh) * | 2020-12-31 | 2021-04-06 | 上海交通大学 | 一种基于配网故障预测的特殊差异化运维方法 |
CN113727092A (zh) * | 2021-07-30 | 2021-11-30 | 深圳力维智联技术有限公司 | 基于决策树的视频监控质量巡检方法及装置 |
CN113727092B (zh) * | 2021-07-30 | 2024-04-16 | 深圳力维智联技术有限公司 | 基于决策树的视频监控质量巡检方法及装置 |
CN115498639A (zh) * | 2022-10-26 | 2022-12-20 | 珠海康晋电气股份有限公司 | 一种基于多数据融合的配电网管理系统 |
CN115498639B (zh) * | 2022-10-26 | 2023-06-30 | 珠海康晋电气股份有限公司 | 一种基于多数据融合的配电网管理系统 |
Also Published As
Publication number | Publication date |
---|---|
CN110889565B (zh) | 2022-04-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110889565B (zh) | 一种基于多维矩阵决策的配网巡检周期计算方法 | |
CN110991786B (zh) | 基于相似日负荷曲线的10kV静态负荷模型参数辨识方法 | |
CN109103874B (zh) | 考虑负荷特性与分布式电源接入的配电网可靠性评估方法 | |
CN110598726A (zh) | 一种基于随机森林的输电杆塔鸟害风险预测方法 | |
CN104504508B (zh) | 基于层次分析与小波回归的台区闭环数据分析方法 | |
CN114519514B (zh) | 一种低压台区合理线损值测算方法、系统及计算机设备 | |
CN110378549B (zh) | 一种基于fahp-熵权法的输电杆塔鸟害等级评估方法 | |
CN109657913B (zh) | 一种考虑分布式电源的输配电网联合风险评估方法 | |
CN112036725B (zh) | 一种电能表故障识别方法 | |
CN106768933A (zh) | 一种基于遗传算法的风电机组叶片故障诊断方法 | |
CN110827169A (zh) | 一种基于分级指标的分布式电网业务监控方法 | |
CN115860797A (zh) | 一种适应新电价改革形势的电量需求预测方法 | |
CN115859099A (zh) | 样本生成方法、装置、电子设备和存储介质 | |
CN107730399B (zh) | 基于风力发电特性曲线的理论线损评估方法 | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
CN113689079A (zh) | 基于多元线性回归和聚类分析的台区线损预测方法及系统 | |
CN109378834A (zh) | 基于信息最大相关的大规模电网电压稳定裕度评估系统 | |
CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
CN116307838A (zh) | 一种电网可靠性评估中配电网精确等值方法及系统、介质 | |
CN114519281A (zh) | 一种汛期10kV配电站房薄弱环节辨识方法 | |
CN115603318A (zh) | 基于营配数据的跨地区大面积停电故障研判方法及系统 | |
CN112926895A (zh) | 一种光伏电站系统综合能效评价方法 | |
CN113327047A (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及系统 | |
CN112001551A (zh) | 一种基于大用户电量信息的地市电网售电量预测方法 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |