CN110956378A - 一种电网项目达产的综合判定方法及系统 - Google Patents
一种电网项目达产的综合判定方法及系统 Download PDFInfo
- Publication number
- CN110956378A CN110956378A CN201911147566.6A CN201911147566A CN110956378A CN 110956378 A CN110956378 A CN 110956378A CN 201911147566 A CN201911147566 A CN 201911147566A CN 110956378 A CN110956378 A CN 110956378A
- Authority
- CN
- China
- Prior art keywords
- power grid
- grid project
- parameter
- period
- project
- 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
- 238000000034 method Methods 0.000 title claims abstract description 69
- 238000005315 distribution function Methods 0.000 claims abstract description 73
- 230000005540 biological transmission Effects 0.000 claims abstract description 45
- 238000011835 investigation Methods 0.000 claims abstract description 45
- 238000004519 manufacturing process Methods 0.000 claims abstract description 39
- 238000011156 evaluation Methods 0.000 claims abstract description 19
- 238000004422 calculation algorithm Methods 0.000 claims description 63
- 230000002068 genetic effect Effects 0.000 claims description 32
- 238000009826 distribution Methods 0.000 claims description 20
- 239000011159 matrix material Substances 0.000 claims description 20
- 230000008569 process Effects 0.000 claims description 17
- 238000004364 calculation method Methods 0.000 claims description 13
- 238000013016 damping Methods 0.000 claims description 11
- 230000035772 mutation Effects 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 108700028369 Alleles Proteins 0.000 claims description 3
- 210000000349 chromosome Anatomy 0.000 claims description 3
- 108090000623 proteins and genes Proteins 0.000 claims description 3
- 230000006870 function Effects 0.000 description 15
- 238000010586 diagram Methods 0.000 description 11
- 230000008901 benefit Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 7
- 238000013461 design Methods 0.000 description 4
- 230000000694 effects Effects 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000007547 defect Effects 0.000 description 3
- 238000002474 experimental method Methods 0.000 description 3
- 230000014509 gene expression Effects 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000012938 design process Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000012854 evaluation process Methods 0.000 description 1
- 238000011900 installation process Methods 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
- 230000003287 optical effect Effects 0.000 description 1
- 230000001737 promoting effect Effects 0.000 description 1
- 238000004445 quantitative analysis Methods 0.000 description 1
- 230000002787 reinforcement 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
- G06Q10/06—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
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
- G06N3/12—Computing arrangements based on biological models using genetic models
- G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
-
- 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
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Economics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Biophysics (AREA)
- Evolutionary Biology (AREA)
- Strategic Management (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Analysis (AREA)
- Educational Administration (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Mathematical Optimization (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Physiology (AREA)
- Water Supply & Treatment (AREA)
- Quality & Reliability (AREA)
- Public Health (AREA)
- Genetics & Genomics (AREA)
- Algebra (AREA)
- Primary Health Care (AREA)
- Artificial Intelligence (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
Abstract
本发明涉及一种电网项目达产的综合判定方法及系统,其特征在于,包括以下内容:1)采用混合参数估计方法,对待测电网项目的主变故障率数据进行曲线拟合,确定该电网项目早期故障期的故障率分布函数,并根据得到的故障率分布函数,确定该电网项目的初步达产时间,并将初步达产时间后的一定时间作为考察期间;2)计算考察期间内主变和输电线路的效率指标;3)判断该电网项目是否符合预先设定的效率指标达产标准;4)确定电网项目的时间评判指标,并根据预先设定的时间评判标准指标,判断电网项目是否符合安全生产达产标准,完成电网项目达产的综合判定,本发明可以广泛应用于项目达产领域中。
Description
技术领域
本发明是关于一种电网项目达产的综合判定方法及系统,属于项目达产领域。
背景技术
项目达产是指一系列独特、复杂且相互关联的活动(这些活动有明确的目标,必须在特定的时间、预算、资源限定内,依据规范完成)达到预期目标(规划设计)效果的状态程度,具体表现在该项目达到预期目标,具备安全生产要求,可以稳定有序运营。
在电网项目未达产前,各项设备尚处于调试阶段,设备磨合产生故障损耗的概率较大以及其他不稳定性因素较多,因此,各项调度值也存在极大的波动性和不稳定性,安全质量尚存在隐患,运营效益欠佳。判断电网项目何时达产有助于电网项目的精益化,评价电网项目的运营效益以及比较同类型的电网项目之间运营效益效果的优劣,从而优选项目。
在现有的项目达产判定方法中,一般认为当达到设计生产能力或达到预期收益即视为项目达产,其基本评价流程是建立一套达产考核指标,通过考核评分判断电网项目整体是否满足基本分数要求,从而判断项目是否达产。这种方法的缺点在于考核评分的过程中主观影响较大,缺乏严谨的量化分析,从而难以判断项目具体的达产时间。区别于一般项目,对于电网项目,评价者更偏重于对运营安全的考量,即不光要达到设计生产能力,还要保障电网项目安全可靠地运行才可视为项目达产,而目前的电网项目达产判定无法满足这一要求。
发明内容
针对上述问题,本发明的目的是提供一种客观且能够保障电网项目安全可靠运行的电网项目达产的综合判定方法及系统。
为实现上述目的,本发明采取以下技术方案:一种电网项目达产的综合判定方法,其特征在于,包括以下内容:1)采用混合参数估计方法,对待测电网项目的主变故障率数据进行曲线拟合,确定该电网项目早期故障期的故障率分布函数,并根据得到的故障率分布函数,确定该电网项目的初步达产时间,并将初步达产时间后的一定时间作为考察期间;2)根据该电网项目主变和输电线路的全时序数据,计算考察期间内主变和输电线路的效率指标;3)根据计算的效率指标,判断该电网项目是否符合预先设定的效率指标达产标准,若符合,则进入步骤4);若不符合,则将考察期间的终点作为新的达产时间起点,并将该达产时间后的一定时间作为考察期间,进入步骤2);4)确定该电网项目的时间评判指标,并根据预先设定的时间评判标准指标,判断该电网项目是否符合安全生产达产标准,若符合,则判定电网项目在该达产时间达产;若不符合,则将考察期间的终点作为新的达产时间起点,并将该达产时间后的一定时间作为考察期间,进入步骤2),完成电网项目达产的综合判定。
进一步地,所述步骤1)中混合参数估计方法的具体过程为:1.1)设定电网项目早期故障期的故障率分布函数:
其中,f(x;α,β,σ)为观测量主变故障率,x为自变量时间,α、β、σ均为故障率分布函数的参数;1.2)采用遗传算法,确定该电网项目早期故障期的故障率分布函数中待估参数的全局搜索最优解;1.3)将遗传算法的全局最优解作为待估参数初值,采用LM算法,对该电网项目早期故障期的故障率分布函数的参数进行局部寻优,确定该电网项目早期故障期的故障率分布函数的最优参数;1.4)选择该电网项目的主变故障率数据中最早与确定的最优参数中参数值σ接近的值,该接近的值对应的时间即为电网项目早期故障期和偶然故障期的时间分界点,该时间分界点即为电网项目的初步达产时间;1.5)将初步达产时间后的一定时间作为考察期间。
进一步地,所述步骤1.2)的具体过程为:1.2.1)计算N个电网项目早期故障期的故障率分布函数的参数个体P(t)中每一个体的适应度R:
其中,yi为电网项目的第i个主变故障率实测值;f(xi,b)为电网项目的故障率分布函数拟合值;b为故障率分布函数的待估参数,且b=b1,b2,b3,b1,b2,b3与参数α、β、σ一一对应;n为主变故障率实测值的个数;t为进化代数;1.2.2)将选择算子用于群体P(t),根据计算的适应度R,选出群体P(t)中一定数量的优良个体遗传到下一代;1.2.3)将交叉算子用于选择运算后的群体P(t),对于选出的优良个体,以某一概率交换其部分染色体,产生新的个体;1.2.4)将变异算子用于交叉运算后的群体P(t),对于选出的优良个体,以某一概率改变某个或某些基因值为其他的等位基因,群体P(t)经选择、交叉和变异运算后得到下一代群体P(t+1),若此时进化代数计数器g≤预先设定的最大进化代数G且第g代群体中的个体适应度最优值大于预先设定的终止条件阈值ε,则进入步骤1.2.1);若此时进化代数计数器g≤预先设定的最大进化代数G且第g代群体中的个体适应度最优值小于设定的终止条件阈值ε,或者进化代数计数器g>预先设定的最大进化代数G,则此进化过程中得到适应度最优的参数个体,记作b(0)=(b1 (0),b2 (0),b3 (0)),并将其作为电网项目早期故障期的故障率分布函数参数的遗传算法全局最优解。
b=b(0)+[H(x,b(0))+λE]-1JT(x,b(0))[y-f(x,b(0))]
其中,λ为阻尼因子,E为3×3维的单位矩阵,f(x,b(0))为参数为待估参数初值b(0)时电网项目早期故障期的故障率分布函数,H(x,b(0))为f(x,b(0))的海塞矩阵,JT(x,b(0))为f(x,b(0))的一阶偏导数组成的雅克比矩阵;1.3.2)计算待估参数b与待估参数初值b(0)之差的绝对值||b-b(0)||,若||b-b(0)||达到预先设定的收敛容许误差,则该待估参数b即为电网项目早期故障期的故障率分布函数的最优参数;若||b-b(0)||没有达到预先设定的收敛容许误差,则将得到的待估参数b作为新的待估参数初值,进入步骤1.2.1),直至||b-b(0)||达到收敛容许误差。
进一步地,所述步骤1.4)中设定电网项目的主变故障率数据为σ0,当|σ0-σ|≤0.01时,则确定该实际故障率σ0为与参数σ的值接近的值。
进一步地,所述步骤2)的具体过程为:在考察期间内,根据该电网项目主变和输电线路的全时序功率数据,计算该电网项目的效率指标,包括主变最大负载率、主变等效平均负载率、线路最大负载率和线路等效平均负载率,其中,电网项目的主变最大负载率Tmax-project为:
其中,PN为某线路输电能力;Pavg为平均单回线路输送有功功率;电网项目的线路等效平均负载率Lavg-project为:
进一步地,所述步骤3)的效率指标达产标准中,计算的主变最大负载率和线路最大负载率均需要超过50%,计算的主变等效平均负载率和线路等效平均负载率均需要超过20%。
进一步地,所述步骤4)中电网项目的时间评判指标为电网项目的故障停电次数。
一种电网项目达产的综合判定系统,包括:初步达产时间确定模块,用于采用混合参数估计方法,对待测电网项目的主变故障率数据进行曲线拟合,确定该电网项目早期故障期的故障率分布函数,并根据得到的故障率分布函数,确定该电网项目的初步达产时间,并将初步达产时间后的一定时间作为考察期间;效率指标计算模块,用于根据该电网项目主变和输电线路的全时序数据,计算考察期间内主变和输电线路的效率指标;效率指标判断模块,用于根据计算的效率指标,判断该电网项目是否符合预先设定的效率指标达产标准;安全生产判断模块,用于确定该电网项目的时间评判指标,并根据预先设定的时间评判标准指标,判断该电网项目是否符合安全生产达产标准,完成电网项目达产的综合判定。
进一步地,所述初步达产时间确定模块包括:寿命分布类型设定单元,用于设定电网项目早期故障期的故障率分布函数:
其中,f(x;α,β,σ)为观测量主变故障率,x为自变量时间,α、β、σ均为故障率分布函数的参数;遗传算法单元,用于采用遗传算法,确定该电网项目早期故障期的故障率分布函数中待估参数的全局搜索最优解;LM算法单元,用于将遗传算法的全局最优解作为待估参数初值,采用LM算法,对该电网项目早期故障期的故障率分布函数的参数进行局部寻优,确定该电网项目早期故障期的故障率分布函数的最优参数;初步达产时间确定单元,用于选择该电网项目的主变故障率数据中最早与确定的最优参数中参数值σ接近的值,该接近的值对应的时间即为电网项目早期故障期和偶然故障期的时间分界点,该时间分界点即为电网项目的初步达产时间;考察期间确定单元,用于将初步达产时间后的一定时间作为考察期间。
b=b(0)+[H(x,b(0))+λE]-1JT(x,b(0))[y-f(x,b(0))]
其中,λ为阻尼因子,E为3×3维的单位矩阵,f(x,b(0))为参数为待估参数初值b(0)时电网项目早期故障期的故障率分布函数,H(x,b(0))为f(x,b(0))的海塞矩阵,JT(x,b(0))为f(x,b(0))的一阶偏导数组成的雅克比矩阵;误差判断单元,用于计算待估参数b与待估参数初值b(0)之差的绝对值||b-b(0)||,若||b-b(0)||达到预先设定的收敛容许误差,则该待估参数b即为电网项目早期故障期的故障率分布函数的最优参数;若||b-b(0)||没有达到预先设定的收敛容许误差,则将得到的待估参数b作为新的待估参数初值。
本发明由于采取以上技术方案,其具有以下优点:1、本发明在确定初步达产时间时,采用基于遗传算法和LM(Levenberg-Marquardt)算法的混合参数估计方法对电网故障率进行曲线拟合,本发明综合传统遗传算法和传统LM算法的优点,传统算法容易陷入局部最优解,而采用本发明的方法,在一定程度上能够避免局部最优解,求出优化问题的全局最优解,且优化结果与初始条件无关,应用更广泛。2、本发明从质量、效率、时间的角度出发,确定电网项目的达产评判指标,先确定电网项目的达产时间,进而从效率方面进行评判,最后考虑时间方面指标要求,只有各方面评判指标均达到相应的要求,该电网项目才视为达产,评判指标是基于电网运行的全时序数据统计量化计算得到的,避免考核打分主观因素的影响,计算结果更客观合理,同时在保证客观性的前提下也避免指标数量过多带来的工作冗余。3、本发明既可以通过时序运行数据判断各达产指标是否符合达产标准,又可以计算出电网项目的达产时间,方便于电网项目的精益化管理,可以广泛应用于项目达产领域中。
附图说明
图1是本发明方法中基于浴盆理论设备故障曲线示意图;
图2是本发明方法的流程图;
图3是本发明方法中达产评判指标体系的示意图;
图4是本发明实施例中电网项目的主变故障率曲线示意图;
图5是本发明实施例中电网项目的线路输送功率运行时序数据示意图。
具体实施方式
以下结合附图来对本发明进行详细的描绘。然而应当理解,附图的提供仅为了更好地理解本发明,它们不应该理解成对本发明的限制。
一、电网项目故障期的划分:
电网项目达产时,主要设备应处于稳定运行阶段,而变压器故障率并非一成不变,在不同运行时间下,变压器故障发生概率的变化符合一定的规律,浴盆曲线规律就是其中最为经典的一种。根据设备运行的不同时期,将设备故障期划分为早期故障期、运行过程的偶然故障期以及长时间使用后的损耗故障期,其中,早期故障期是指设备在早期运行过程中由于设计安装工艺问题、组装元件不合格以及设备在早期运行过程中各组件的磨合适应,从而使得故障发生率相对较高。偶然故障期是指在设备处于稳定状态下,由于偶然因素造成的故障和失效,这种故障的发生概率和时间关系不大,通常受到工艺缺陷、操作方式、材料和设计缺陷以及环境因素的影响,设备可靠性的变化趋于稳定,失效率相对较低,在这一阶段,设备早期失效已排除,是设备的最佳使用期。损耗故障期是指在设备寿命的尾期设备发生疲劳、磨损和老化等破坏,与早期失效规律几乎相反,随着时间的增加,设备的失效概率会逐渐上升,具体如图1所示。
电网项目达产时,变压器应处于偶然故障期,所以本发明采用基于遗传算法和LM(Levenberg-Marquardt)算法的混合参数估计方法,对电网项目的主变故障率数据进行曲线拟合,确定早期故障期和偶然故障期的时间分界点。通常认为元件处于早期故障期和耗损故障期时其寿命分布主要有可能为威布尔分布、伽玛分布或对数正态分布。每种分布均有自己独特的故障率分布函数,其故障率分布函数分别为:
威布尔分布:
伽玛分布:
对数正态分布:
其中,f(x;α,β,σ)为故障率,x为已知数,α、β、σ均为故障率分布函数的参数。
元件处于偶然故障期时的寿命分布为指数分布,其故障率分布函数为:
λ(t)=λ(常数) (4)
其中,λ(t)为故障率。
二、特性曲线拟合:
拟合是寻找合适的函数表达式并运用较好的算法来近似描述实际物理量之间存在的函数关系的过程,非线性关系式的一般形式为:
y=f(x1,x2,…,xp;b1,b2,…,bm)+ε (5)
其中,f为已知的非线性函数表达式;x1,x2,…,xp为p个自变量;b1,b2,…,bm为m个待估未知参数,即拟合公式中的待估参数;ε为随机误差项,包括观测样本中包含的测量误差、函数表达式和观测样本中存在的函数规律之间的差异等。
从通过曲线拟合确定函数关系的物理来源分析,函数关系可以分为两种情况:一是观测量y与x之间的函数关系具体形式已知,即在过去的实验和理论工作中已经确定,本发明就是要获取其中未定参数的最佳估计值;二是虽然观测量之间应该存在某种函数关系,但是在本次实验进行前,函数关系的具体形式未知,需要通过实验找出经验公式。在第二种情况下,可以假定函数关系属于包含几个未知参量的某类函数,而将实验分析工作变成寻找这些参量的最佳估计值,从而可以和第一种情形同样处理。但在第二种情况下,如果选用的函数形式与真实的形式相差很远,虽然在所选择的函数范围内找到参数的最佳估计值,但是仍有可能与实际符合得不好。因此,还需要对所选用的函数形式是否妥当进行检验。
基于上述说明,如图2、图3所示,本发明提供的电网项目达产的综合判定方法,包括以下步骤:
1)采用基于遗传算法和LM(Levenberg-Marquardt)算法的混合参数估计方法,对待测电网项目的主变故障率数据进行曲线拟合,确定该电网项目早期故障期的故障率分布函数,进而确定该电网项目的初步达产时间,并将初步达产时间后的一定时间作为考察期间,具体为:
1.1)设定电网项目早期故障期的故障率分布函数的寿命分布类型为威布尔分布。
假设电网项目故障率分布的观测量(故障率)y和自变量(时间)x1,x2,…,xp通过n次观测得到n组p+1维的数据xi1,xi2,…,xip,yi,i=1,2,…,n,将自变量的第i次观测量代入上述公式(5)得到:
f(xi,b)=f(xi1,xi2,…,xip;b1,b2,b3) (6)
因为xi1,xi2,…,xip为已知量,故f(xi,b)为电网项目的故障率分布函数;b为故障率分布函数的待估参数,且b=b1,b2,b3,b1,b2,b3与上述公式(1)中的参数α、β、σ一一对应。
1.2)采用遗传算法,确定电网项目早期故障期的故障率分布函数f(xi,b)中待估参数b的全局搜索最优解。为对遗传算法的求解精度进行准确评价,本发明采用对误差极为敏感的拟合标准差——均方根误差作为遗传算法的评价指标即目标函数(适应度值),从而将电网项目早期故障期的故障率分布函数的参数估计问题转化为目标函数最小值的优化问题,其中,目标函数为:
其中,R为均方根误差值即适应度;yi为电网项目的第i个主变故障率实测值;f(xi,b)为电网项目的故障率分布函数拟合值;n为主变故障率实测值的个数。采用遗传算法优化电网项目早期故障期的故障率分布函数中待估参数的全局最优解的具体过程如下:
1.2.1)初始化:设置进化代数计数器g=0,设置最大进化代数G和终止条件阈值ε,生成N个电网项目早期故障期的故障率分布函数的参数个体作为初始群体P(0)。
1.2.2)个体评价:采用上述公式(7)计算群体P(t)中每一个体的适应度R,其中,t为进化代数。
1.2.3)选择运算:将选择算子用于群体P(t),根据计算的适应度R,按照一定的规则或方法(可以根据实际情况进行设定,在此不多做赘述),选出群体P(t)中一定数量的优良个体遗传到下一代。
1.2.4)交叉运算:将交叉算子用于选择运算后的群体P(t),对于选出的优良个体,以某一概率(可以根据实际情况设定)交换它们之间的部分染色体,产生新的个体。
1.2.5)变异运算:将变异算子用于交叉运算后的群体P(t),对于选出的优良个体,以某一概率改变某个或某些基因值为其他的等位基因,群体P(t)经选择、交叉和变异运算后得到下一代群体P(t+1)。若此时进化代数计数器g≤G且第g代群体中的适应度R最大值大于设定的阈值ε,则进入步骤1.2.2);若此时进化代数计数器g≤G且第g代群体中的适应度R最大值小于设定的阈值ε,或者进化代数计数器g>G,则此进化过程中得到适应度最优的参数个体(即适应度R最大值对应的优良个体),记作b(0)=(b1 (0),b2 (0),b3 (0)),并将其作为电网项目早期故障期的故障率分布函数参数的遗传算法全局最优解。
1.3)将遗传算法的全局最优解b(0)=(b1 (0),b2 (0),b3 (0))作为待估参数初值,采用LM算法,对电网项目早期故障期的故障率分布函数的参数进行局部寻优,确定电网项目早期故障期的故障率分布函数f(xi,b)的最优参数b。
将电网项目早期故障期的故障率分布函数f(xi,b)在待估参数初值b(0)处按泰勒级数展开,同时,为简化计算获取有效的算法,略去二次以及二次以上的项,得到:
上述公式(8)为待估参数b1,b2,b3的线性函数,对公式(8)采用最小二乘法作为目标函数Q,令:
其中,bj为待估参数b1,b2,b3;bj (0)为待估参数初值b1 (0),b2 (0),b3 (0);λ为阻尼因子且λ≥0,当λ=0时即为高斯-牛顿法,高斯-牛顿法是LM算法的特殊形式,它对待估参数初值b(0)的选择比LM算法更加严格,欲使目标函数Q达到最小值,令Q分别对b1,b2,b3的一阶偏导数为0,可得:
将上述公式(10)整理得到:
其中,j=1,2,3;k=1,2,3,且参数ajk和ajy为:
由上述公式(11)得到待估参数b为:
令J(x,b)为函数矩阵f(x,b)的一阶偏导数组成的雅克比矩阵,即:
则函数矩阵f(x,b)的海塞矩阵H(x,b)为:
H(x,b)=JT(x,b)J(x,b) (15)
因此,上述公式(13)可简写为:
b=b(0)+[H(x,b(0))+λE]-1JT(x,b(0))[y-f(x,b(0))] (16)
其中,f(x,b(0))为参数为待估参数初值b(0)时电网项目早期故障期的故障率分布函数,E为3×3维的单位矩阵,上述公式(16)就是LM算法的迭代公式。因此:
1.3.1)将遗传算法的全局最优解b(0)=(b1 (0),b2 (0),b3 (0))作为待估参数初值,采用LM算法的迭代公式(16),根据待估参数初值b(0)=(b1 (0),b2 (0),b3 (0)),计算得到待估参数b。
1.3.2)由LM算法的迭代公式(16)可知,待估参数b与待估参数初值b(0)有关,计算待估参数b与待估参数初值b(0)之差的绝对值||b-b(0)||,若||b-b(0)||达到预先设定的收敛容许误差或极小,则认为估计成功,该待估参数b即为电网项目早期故障期的故障率分布函数f(xi,b)的最优参数;若||b-b(0)||没有达到预先设定的收敛容许误差或较大,则将得到的待估参数b作为新的待估参数初值b(0),进入步骤1.3.1),直至||b-b(0)||达到收敛容许误差或最大迭代数为止。
在LM算法的迭代公式(16)中,因为JT(x,b(0))[y-f(x,b(0))]是定值,所以阻尼因子λ越大必然使得||b-b(0)||越小,极端情况下存在(其中,l为迭代次数)。阻尼因子λ选择的界限是观察||b-b(0)||的计算结果,见公式(16)是否下降,若下降,则减小阻尼因子λ;否则,增大阻尼因子λ。
1.4)选择该电网项目的主变故障率数据中最早与确定的最优参数b中参数σ的估计值接近的值,该接近的值对应的时间即为电网项目早期故障期和偶然故障期的时间分界点,该时间分界点即为电网项目的初步达产时间,其中,设定电网项目的主变故障率数据为σ0,当|σ0-σ|≤0.01时,则确定该主变故障率数据σ0为与参数σ的估计值接近的值。
1.5)将初步达产时间后的一定时间(可以根据电厂试运行确定的调试时间标准确定,例如168h)作为考察期间。
2)根据电网项目主变和输电线路的全时序数据,计算考察期间内主变和输电线路的效率指标,电网项目达产应处于运行合理,效率合理的阶段,因此,效率是判别电网项目是否达产的重要尺度,电网项目利用效率指标主要通过对输电线路和主变利用率的考核实现,这两类输电设备传输电力和电量与设备自身额定容量之比是可以量化且可参照的指标,因此可以通过上述指标科学量化衡量电网利用效率。
在考察期间内,根据该电网项目主变和输电线路的全时序功率数据,计算该电网项目的效率指标,包括主变最大负载率、主变等效平均负载率、线路最大负载率和线路等效平均负载率,具体为:
2.1)计算电网项目的主变最大负载率
为安全生产,减少电能损耗,降低设备投资,应正确选用变压器的台数和容量,采取合理的运行方式。变压器负载率是特指负载最大时对应的负载率,而不是指随负载变化而变化的变压器实际负载率。根据电网诊断的长期标准,主变最大负载率超过50%为该效率指标的效率指标达产标准,主变最大负载率超过50%并稳定维持一段时间才可以认为电网项目满足运营的基本目标。
对于单一主变,主变最大负载率=主变最大负荷(万千瓦)/额定主变容量(万千伏安)。
对于某电网项目的主变最大负载率Tmax-project,采用该电网项目在考察期间内的最大负荷日负荷与当时投入主变容量之和与最大负荷平均功率因数之积的比值确定,即:
2.2)计算电网项目的主变等效平均负载率
对于单一主变,Tavg主要反映某一电压等级某一台主变在考察期间内的实际输送电量(上网电量与下网电量之和)与理论最大输电量的比值:
对于某电网项目的主变等效平均负载率Tavg-project,采用该电网项目所有主变考察期间内的输送电量之和(上网电量与下网电量之和)与投入的主变容量之和与负荷平均功率因数之积的比值确定,即:
2.3)计算电网项目的线路最大负载率
线路负载率反映输配电线路的利用效率,是否布局合理,降低电能损耗,是主网架加强、变电站配套送出项目的重要达产判定指标。在电网项目达产判别中,需要满足基本达产目标,即线路最大负载率超过50%为该效率指标的效率指标达产标准。对于考察电网项目内某一电压等级全部线路年最大负载率,鉴于各条线路最大负载率发生时间不在同一时刻,因此,考虑采用年平均最大负载率,即年最大负荷日地区内所有投运线路的输送功率加权平均值与该电压等级线路输电能力的比值,确定电网项目的线路最大负载率Lmax-project:
其中,PN为某线路输电能力(MW);Pavg为平均单回线路输送有功功率(MW),且Pavg为最大负荷日地区内投运全部线路年输送最大有功功率加权平均值,权重取线路长度占总长度的比值:
2.4)计算电网项目的线路等效平均负载率
对于地区内某一电压等级全部线路年等效平均负载率,同主变负载率类似,平均负载率大于20%为该效率指标的效率指标达产标准。采用地区内所有投运线路年输送电量之和(线路双向输送电量绝对值之和)与该电压等级线路理论最大输送电量的比值,确定电网项目的线路等效平均负载率Lavg-project即:
3)根据计算的效率指标,判断该电网项目是否符合预先设定的效率指标达产标准,若符合,则进入步骤4);若不符合,则将考察期间的终点作为新的达产时间起点,并将该达产时间后的一定时间(例如168h)作为考察期间,进入步骤2),具体为:
在效率指标达产标准中,计算的主变最大负载率和线路最大负载率均需要超过50%,计算的主变等效平均负载率和线路等效平均负载率均需要超过20%。
4)确定该电网项目的时间评判指标,并根据预先设定的时间评判标准指标,判断该电网项目是否符合安全生产达产标准,若符合,则判定电网项目在该达产时间达产;若不符合,则将考察期间的终点作为新的达产时间起点,并将该达产时间后的一定时间作为考察期间,进入步骤2),完成电网项目达产的综合判定,其中,电网项目的时间评判指标以电网项目的故障停电次数作为代表,具体为:
时间是判别电网项目是否稳定运行的重要尺度,在电网项目投产期间,当电网项目长期稳定运行未发生故障时,则认为该电网项目具备产生运营效益的条件,在考察期间,不应发生故障停电,否则视为不达产。
下面以中国江苏省某一电源送出工程为具体实施例详细说明本发明的电网项目达产的综合判定方法:
1)该电网项目的主变故障率数据如下表1所示:
表1:各时段的故障率数据
该电网项目早期故障期的故障率分布函数为:
采用基于遗传算法和LM算法的混合参数估计方法,对待测电网项目的主变故障率数据进行曲线拟合,得到参数分别为α=0.8124,β=0.1246,σ=0.0428;偶然故障期为指数分布故障率,其参数为λ=0.0428;时间分界点为第4个数据(第4个数据表示的时间t=0.8)。上述结果采用图形表示,如图4所示,其中,●表示电网项目的主变故障率实测值,实线表示采用本发明方法得到的故障率分布函数拟合曲线,↑表示分界点时间。
因此,可以确定该电网项目的初步达产时间为自电网项目投运开始的第10个月。
2)将初步达产时间后的168h作为考察期间,根据电网项目主变和输电线路的全时序数据,计算考察期间内主变和输电线路的效率指标。
电网项目的主变最大负载率采用该电网项目自投运的第10个月后168h内的最大负荷日负荷与当时投入主变容量之和与最大负荷平均功率因数之积的比值,即:
54.53%>50%,符合效率指标达产标准。
电网项目的主变等效平均负载率采用该电网项目自投运的第10个月后168h内输送电量之和(上网电量与下网电量之和)与投入主变容量之和与负荷平均功率因数之积的比值,即:
25.55%>20%,符合效率指标达产标准。
电网项目的线路负载率根据线路在电网项目自投运的第10个月后的168h内的时序运行数据计算得到,如图5所示是某一段线路168h内的输送功率数据。电网项目的线路最大负载率采用电网项目自投运的第10个月后的168h内的最大负荷日地区内所有投运线路的输送功率加权平均值与该电压等级线路输电能力的比值,即:
67.71%>50%,符合效率指标达产标准。
电网项目的线路等效平均负载率采用该电网项目所有投运线路自投运的第10个月后168h内输送电量之和(线路双向输送电量绝对值之和)与该电压等级线路理论最大输送电量的比值,即:
23.45%>20%,符合效率指标达产标准,自此,效率指标全部符合达产标准。
3)若电网项目在自投运的第10个月后168h内未出现故障停电和非计划停运,也未出现重大安全事故,则该电网项目符合安全生产达产标准。综上,判断该电网项目自投运的第10个月开始达产,处于安全运行,稳定运营的阶段。
当评价电网项目运营效益以及比选同类型项目时,可以采用本发明方法判定电网项目何时达产,以电网项目达产后的数据进行评价和比选可以避免由于项目未达产造成的数据异常,便于电网项目的精益化管理和电网项目运营效益的精确测算。
基于上述电网项目达产的综合判定方法,本发明还提供一种电网项目达产的综合判定系统,包括:
初步达产时间确定模块,用于采用混合参数估计方法,对待测电网项目的主变故障率数据进行曲线拟合,确定该电网项目早期故障期的故障率分布函数,并根据得到的故障率分布函数,确定该电网项目的初步达产时间,并将初步达产时间后的一定时间作为考察期间。效率指标计算模块,用于根据该电网项目主变和输电线路的全时序数据,计算考察期间内主变和输电线路的效率指标。效率指标判断模块,用于根据计算的效率指标,判断该电网项目是否符合预先设定的效率指标达产标准。安全生产判断模块,用于确定该电网项目的时间评判指标,并根据预先设定的时间评判标准指标,判断该电网项目是否符合安全生产达产标准,完成电网项目达产的综合判定。
在一个优选的实施例中,初步达产时间确定模块包括:
寿命分布类型设定单元,用于设定电网项目早期故障期的故障率分布函数:
其中,f(x;α,β,σ)为观测量主变故障率,x为自变量时间,α、β、σ均为故障率分布函数的参数。遗传算法单元,用于采用遗传算法,确定该电网项目早期故障期的故障率分布函数中待估参数的全局搜索最优解。LM算法单元,用于将遗传算法的全局最优解作为待估参数初值,采用LM算法,对该电网项目早期故障期的故障率分布函数的参数进行局部寻优,确定该电网项目早期故障期的故障率分布函数的最优参数。初步达产时间确定单元,用于选择该电网项目的主变故障率数据中最早与确定的最优参数中参数值σ接近的值,该接近的值对应的时间即为电网项目早期故障期和偶然故障期的时间分界点,该时间分界点即为电网项目的初步达产时间。考察期间确定单元,用于将初步达产时间后的一定时间作为考察期间。
在一个优选的实施例中,LM算法单元包括:
待估参数计算单元,用于将遗传算法的全局最优解b(0)=(b1 (0),b2 (0),b3 (0))作为待估参数初值,采用LM算法,根据待估参数初值b(0)=(b1 (0),b2 (0),b3 (0)),计算得到待估参数b:
b=b(0)+[H(x,b(0))+λE]-1JT(x,b(0))[y-f(x,b(0))]
其中,λ为阻尼因子,E为3×3维的单位矩阵,f(x,b(0))为参数为待估参数初值b(0)时电网项目早期故障期的故障率分布函数,H(x,b(0))为f(x,b(0))的海塞矩阵,JT(x,b(0))为f(x,b(0))的一阶偏导数组成的雅克比矩阵。
误差判断单元,用于计算待估参数b与待估参数初值b(0)之差的绝对值||b-b(0)||,若||b-b(0)||达到预先设定的收敛容许误差,则该待估参数b即为电网项目早期故障期的故障率分布函数的最优参数;若||b-b(0)||没有达到预先设定的收敛容许误差,则将得到的待估参数b作为新的待估参数初值。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求保护范围之内。
Claims (10)
1.一种电网项目达产的综合判定方法,其特征在于,包括以下内容:
1)采用混合参数估计方法,对待测电网项目的主变故障率数据进行曲线拟合,确定该电网项目早期故障期的故障率分布函数,并根据得到的故障率分布函数,确定该电网项目的初步达产时间,并将初步达产时间后的一定时间作为考察期间;
2)根据该电网项目主变和输电线路的全时序数据,计算考察期间内主变和输电线路的效率指标;
3)根据计算的效率指标,判断该电网项目是否符合预先设定的效率指标达产标准,若符合,则进入步骤4);若不符合,则将考察期间的终点作为新的达产时间起点,并将该达产时间后的一定时间作为考察期间,进入步骤2);
4)确定该电网项目的时间评判指标,并根据预先设定的时间评判标准指标,判断该电网项目是否符合安全生产达产标准,若符合,则判定电网项目在该达产时间达产;若不符合,则将考察期间的终点作为新的达产时间起点,并将该达产时间后的一定时间作为考察期间,进入步骤2),完成电网项目达产的综合判定。
2.如权利要求1所述的一种电网项目达产的综合判定方法,其特征在于,所述步骤1)中混合参数估计方法的具体过程为:
1.1)设定电网项目早期故障期的故障率分布函数:
其中,f(x;α,β,σ)为观测量主变故障率,x为自变量时间,α、β、σ均为故障率分布函数的参数;
1.2)采用遗传算法,确定该电网项目早期故障期的故障率分布函数中待估参数的全局搜索最优解;
1.3)将遗传算法的全局最优解作为待估参数初值,采用LM算法,对该电网项目早期故障期的故障率分布函数的参数进行局部寻优,确定该电网项目早期故障期的故障率分布函数的最优参数;
1.4)选择该电网项目的主变故障率数据中最早与确定的最优参数中参数值σ接近的值,该接近的值对应的时间即为电网项目早期故障期和偶然故障期的时间分界点,该时间分界点即为电网项目的初步达产时间;
1.5)将初步达产时间后的一定时间作为考察期间。
3.如权利要求2所述的一种电网项目达产的综合判定方法,其特征在于,所述步骤1.2)的具体过程为:
1.2.1)计算N个电网项目早期故障期的故障率分布函数的参数个体P(t)中每一个体的适应度R:
其中,yi为电网项目的第i个主变故障率实测值;f(xi,b)为电网项目的故障率分布函数拟合值;b为故障率分布函数的待估参数,且b=b1,b2,b3,b1,b2,b3与参数α、β、σ一一对应;n为主变故障率实测值的个数;t为进化代数;
1.2.2)将选择算子用于群体P(t),根据计算的适应度R,选出群体P(t)中一定数量的优良个体遗传到下一代;
1.2.3)将交叉算子用于选择运算后的群体P(t),对于选出的优良个体,以某一概率交换其部分染色体,产生新的个体;
1.2.4)将变异算子用于交叉运算后的群体P(t),对于选出的优良个体,以某一概率改变某个或某些基因值为其他的等位基因,群体P(t)经选择、交叉和变异运算后得到下一代群体P(t+1),若此时进化代数计数器g≤预先设定的最大进化代数G且第g代群体中的个体适应度最优值大于预先设定的终止条件阈值ε,则进入步骤1.2.1);若此时进化代数计数器g≤预先设定的最大进化代数G且第g代群体中的个体适应度最优值小于设定的终止条件阈值ε,或者g>预先设定的最大进化代数G,则此进化过程中得到适应度最优的参数个体,记作b(0)=(b1 (0),b2 (0),b3 (0)),并将其作为电网项目早期故障期的故障率分布函数参数的遗传算法全局最优解。
4.如权利要求3所述的一种电网项目达产的综合判定方法,其特征在于,所述步骤1.3)的具体过程为:
1.3.1)将遗传算法的全局最优解b(0)=(b1 (0),b2 (0),b3 (0))作为待估参数初值,采用LM算法,根据待估参数初值b(0)=(b1 (0),b2 (0),b3 (0)),计算得到待估参数b:
b=b(0)+[H(x,b(0))+λE]-1JT(x,b(0))[y-f(x,b(0))]
其中,λ为阻尼因子,E为3×3维的单位矩阵,f(x,b(0))为参数为待估参数初值b(0)时电网项目早期故障期的故障率分布函数,H(x,b(0))为f(x,b(0))的海塞矩阵,JT(x,b(0))为f(x,b(0))的一阶偏导数组成的雅克比矩阵;
1.3.2)计算待估参数b与待估参数初值b(0)之差的绝对值||b-b(0)||,若||b-b(0)||达到预先设定的收敛容许误差,则该待估参数b即为电网项目早期故障期的故障率分布函数的最优参数;若||b-b(0)||没有达到预先设定的收敛容许误差,则将得到的待估参数b作为新的待估参数初值,进入步骤1.2.1),直至||b-b(0)||达到收敛容许误差。
5.如权利要求2所述的一种电网项目达产的综合判定方法,其特征在于,所述步骤1.4)中设定电网项目的主变故障率数据为σ0,当|σ0-σ|≤0.01时,则确定该实际故障率σ0为与参数σ的值接近的值。
6.如权利要求1所述的一种电网项目达产的综合判定方法,其特征在于,所述步骤2)的具体过程为:
在考察期间内,根据该电网项目主变和输电线路的全时序功率数据,计算该电网项目的效率指标,包括主变最大负载率、主变等效平均负载率、线路最大负载率和线路等效平均负载率,其中,电网项目的主变最大负载率Tmax-project为:
电网项目的主变等效平均负载率Tavg-project为:
电网项目的线路最大负载率Lmax-project为:
其中,PN为某线路输电能力;Pavg为平均单回线路输送有功功率;
电网项目的线路等效平均负载率Lavg-project为:
7.如权利要求6所述的一种电网项目达产的综合判定方法,其特征在于,所述步骤3)的效率指标达产标准中,计算的主变最大负载率和线路最大负载率均需要超过50%,计算的主变等效平均负载率和线路等效平均负载率均需要超过20%。
8.一种电网项目达产的综合判定系统,其特征在于,包括:
初步达产时间确定模块,用于采用混合参数估计方法,对待测电网项目的主变故障率数据进行曲线拟合,确定该电网项目早期故障期的故障率分布函数,并根据得到的故障率分布函数,确定该电网项目的初步达产时间,并将初步达产时间后的一定时间作为考察期间;
效率指标计算模块,用于根据该电网项目主变和输电线路的全时序数据,计算考察期间内主变和输电线路的效率指标;
效率指标判断模块,用于根据计算的效率指标,判断该电网项目是否符合预先设定的效率指标达产标准;
安全生产判断模块,用于确定该电网项目的时间评判指标,并根据预先设定的时间评判标准指标,判断该电网项目是否符合安全生产达产标准,完成电网项目达产的综合判定。
9.如权利要求8所述的一种电网项目达产的综合判定系统,其特征在于,所述初步达产时间确定模块包括:
寿命分布类型设定单元,用于设定电网项目早期故障期的故障率分布函数:
其中,f(x;α,β,σ)为观测量主变故障率,x为自变量时间,α、β、σ均为故障率分布函数的参数;
遗传算法单元,用于采用遗传算法,确定该电网项目早期故障期的故障率分布函数中待估参数的全局搜索最优解;
LM算法单元,用于将遗传算法的全局最优解作为待估参数初值,采用LM算法,对该电网项目早期故障期的故障率分布函数的参数进行局部寻优,确定该电网项目早期故障期的故障率分布函数的最优参数;
初步达产时间确定单元,用于选择该电网项目的主变故障率数据中最早与确定的最优参数中参数值σ接近的值,该接近的值对应的时间即为电网项目早期故障期和偶然故障期的时间分界点,该时间分界点即为电网项目的初步达产时间;
考察期间确定单元,用于将初步达产时间后的一定时间作为考察期间。
10.如权利要求9所述的一种电网项目达产的综合判定系统,其特征在于,所述LM算法单元包括:
待估参数计算单元,用于将遗传算法的全局最优解b(0)=(b1 (0),b2 (0),b3 (0))作为待估参数初值,采用LM算法,根据待估参数初值b(0)=(b1 (0),b2 (0),b3 (0)),计算得到待估参数b:
b=b(0)+[H(x,b(0))+λE]-1JT(x,b(0))[y-f(x,b(0))]
其中,λ为阻尼因子,E为3×3维的单位矩阵,f(x,b(0))为参数为待估参数初值b(0)时电网项目早期故障期的故障率分布函数,H(x,b(0))为f(x,b(0))的海塞矩阵,JT(x,b(0))为f(x,b(0))的一阶偏导数组成的雅克比矩阵;
误差判断单元,用于计算待估参数b与待估参数初值b(0)之差的绝对值||b-b(0)||,若||b-b(0)||达到预先设定的收敛容许误差,则该待估参数b即为电网项目早期故障期的故障率分布函数的最优参数;若||b-b(0)||没有达到预先设定的收敛容许误差,则将得到的待估参数b作为新的待估参数初值。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147566.6A CN110956378B (zh) | 2019-11-21 | 2019-11-21 | 一种电网项目达产的综合判定方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201911147566.6A CN110956378B (zh) | 2019-11-21 | 2019-11-21 | 一种电网项目达产的综合判定方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN110956378A true CN110956378A (zh) | 2020-04-03 |
CN110956378B CN110956378B (zh) | 2023-04-18 |
Family
ID=69977896
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201911147566.6A Active CN110956378B (zh) | 2019-11-21 | 2019-11-21 | 一种电网项目达产的综合判定方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN110956378B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114325088A (zh) * | 2021-12-10 | 2022-04-12 | 国网湖南省电力有限公司 | 一种计量故障期间电量自动测算系统和方法 |
Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020434A (ja) * | 2008-07-09 | 2010-01-28 | Shimizu Corp | 停電評価装置 |
CN103426030A (zh) * | 2013-04-24 | 2013-12-04 | 华北电力大学 | 计及老化因素的电力设备故障率预测方法 |
CN103903058A (zh) * | 2012-12-26 | 2014-07-02 | 中国电力科学研究院 | 一种智能配电网高效运行评估方法 |
CN104574217A (zh) * | 2015-01-22 | 2015-04-29 | 国家电网公司 | 一种智能配电网在线风险评估方法 |
CN105701574A (zh) * | 2016-01-18 | 2016-06-22 | 南京邮电大学 | 一种故障率非恒定的配电系统可靠性评估方法 |
CN108470256A (zh) * | 2018-04-23 | 2018-08-31 | 国网经济技术研究院有限公司 | 跨省跨区加强输电通道电网工程运行效益评价方法及系统 |
-
2019
- 2019-11-21 CN CN201911147566.6A patent/CN110956378B/zh active Active
Patent Citations (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2010020434A (ja) * | 2008-07-09 | 2010-01-28 | Shimizu Corp | 停電評価装置 |
CN103903058A (zh) * | 2012-12-26 | 2014-07-02 | 中国电力科学研究院 | 一种智能配电网高效运行评估方法 |
CN103426030A (zh) * | 2013-04-24 | 2013-12-04 | 华北电力大学 | 计及老化因素的电力设备故障率预测方法 |
CN104574217A (zh) * | 2015-01-22 | 2015-04-29 | 国家电网公司 | 一种智能配电网在线风险评估方法 |
CN105701574A (zh) * | 2016-01-18 | 2016-06-22 | 南京邮电大学 | 一种故障率非恒定的配电系统可靠性评估方法 |
CN108470256A (zh) * | 2018-04-23 | 2018-08-31 | 国网经济技术研究院有限公司 | 跨省跨区加强输电通道电网工程运行效益评价方法及系统 |
Non-Patent Citations (4)
Title |
---|
丁吉: "配电网规划的综合效益评估方法研究", 《中国优秀硕士学位论文全文数据库(电子期刊)》 * |
何乐彰等: "基于状态检修的电网运行风险评估", 《电测与仪表》 * |
张超等: "配电网评估指标体系分析研究及评估软件开发", 《供用电》 * |
张黎等: "电气设备故障率参数的一种最优估计算法", 《继电器》 * |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114325088A (zh) * | 2021-12-10 | 2022-04-12 | 国网湖南省电力有限公司 | 一种计量故障期间电量自动测算系统和方法 |
CN114325088B (zh) * | 2021-12-10 | 2023-09-05 | 国网湖南省电力有限公司 | 一种计量故障期间电量自动测算系统和方法 |
Also Published As
Publication number | Publication date |
---|---|
CN110956378B (zh) | 2023-04-18 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108921376B (zh) | 一种智能配电网用电可靠性提升对象的优选方法及系统 | |
CN112990500B (zh) | 基于改进加权灰色关联分析的台区线损分析方法及系统 | |
CN107437135B (zh) | 一种新型储能选型方法 | |
CN110929927A (zh) | 一种应用配电网全域大数据的人工智能预测模型构方法 | |
CN108681815B (zh) | 一种基于快速排序和分块矩阵的配电系统运行可靠性评估方法 | |
CN110766320A (zh) | 一种机场智能电网运行安全评价方法及装置 | |
CN111832174B (zh) | 一种基于多元回归的配线线损率处理方法及装置 | |
CN110866691A (zh) | 一种孤立批智能电能表的分阶段与分层抽样方法 | |
CN106548284B (zh) | 一种面向运行调控的自适应模块化电网安全评价方法 | |
CN110956378B (zh) | 一种电网项目达产的综合判定方法及系统 | |
CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
CN110837952A (zh) | 一种基于博弈论的电网新技术设备选择方法及系统 | |
CN117277312A (zh) | 一种基于灰色关联分析的电力负荷影响因素方法及设备 | |
CN116823008A (zh) | 一种园区能源利用效率评估方法、系统、设备和存储介质 | |
CN114662809A (zh) | 一种综合能源园区内供电电源的电能质量评价方法和系统 | |
CN110796392A (zh) | 一种连续批智能电能表的分阶段与分层抽样方法 | |
CN112307652B (zh) | 基于平均剩余寿命重要度的复杂装备系统快速维修方法 | |
CN115564170A (zh) | 一种配电智能终端可靠性评估方法 | |
CN115453447A (zh) | 基于嫌疑电表分步补偿剔除的超差电表在线检测方法 | |
CN113836125A (zh) | 一种配电物联网边缘侧的配变数据清洗修复方法和系统 | |
Xiao et al. | Multiple-criteria decision-making of distribution system planning considering distributed generation | |
Mao et al. | A testing-coverage software reliability growth model considering the randomness of the field environment | |
Gong et al. | Analysis and Forecasting for Power Load of Office Buildings Taking Crowd Behavior into Account | |
Chen et al. | Fuzzy Comprehensive Evaluation of Power Suppliers Based on Combination Weighting | |
Peng et al. | Comparison on three unscented transformation methods for solving probabilistic load flow |
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 |