CN111488675B - 电力系统连锁故障潜在触发模式的挖掘方法 - Google Patents
电力系统连锁故障潜在触发模式的挖掘方法 Download PDFInfo
- Publication number
- CN111488675B CN111488675B CN202010190777.4A CN202010190777A CN111488675B CN 111488675 B CN111488675 B CN 111488675B CN 202010190777 A CN202010190777 A CN 202010190777A CN 111488675 B CN111488675 B CN 111488675B
- Authority
- CN
- China
- Prior art keywords
- initial
- trigger
- cascading failure
- event
- event set
- 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.)
- Active
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000005065 mining Methods 0.000 title claims abstract description 25
- 238000004088 simulation Methods 0.000 claims abstract description 24
- 230000001960 triggered effect Effects 0.000 claims abstract description 22
- 230000008569 process Effects 0.000 claims description 15
- 230000035508 accumulation Effects 0.000 claims description 3
- 238000009825 accumulation Methods 0.000 claims description 3
- 238000011160 research Methods 0.000 description 5
- 230000007246 mechanism Effects 0.000 description 4
- 238000011161 development Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000001976 improved effect Effects 0.000 description 3
- 238000012216 screening Methods 0.000 description 3
- 230000002776 aggregation Effects 0.000 description 1
- 238000004220 aggregation Methods 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000000470 constituent Substances 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000001914 filtration Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000001939 inductive effect Effects 0.000 description 1
- 238000007431 microscopic evaluation Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 230000007480 spreading Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 230000008093 supporting effect Effects 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012546 transfer Methods 0.000 description 1
- 230000001052 transient effect Effects 0.000 description 1
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2465—Query processing support for facilitating data mining operations in structured databases
-
- 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)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Economics (AREA)
- Health & Medical Sciences (AREA)
- Software Systems (AREA)
- General Health & Medical Sciences (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Probability & Statistics with Applications (AREA)
- Mathematical Physics (AREA)
- Fuzzy Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了电力系统连锁故障潜在触发模式的挖掘方法,该挖掘方法包括步骤:(S1)模拟仿真获取大量连锁故障路径;(S2)确定频繁触发事件集;(S3)挖掘频繁触发事件集Tf的主导Length初始事件集;(S4)生成连锁故障潜在触发模式。通过上述方案,本发明达到了能够对海量连锁故障模拟结果进行频繁项集挖掘,并实现对连锁故障潜在触发模式进行提取的目的,具有很高的实用价值和推广价值。
Description
技术领域
本发明属于电力系统及其自动化技术领域,具体地讲,是涉及电力系统连锁故障潜在触发模式的挖掘方法。
背景技术
纵观国内外的历次大停电事故,大多经历了由单一故障引发连锁性停运进而由局部蔓延至全局最后导致大面积停电的演化过程。在这些大停电事故过程中,连锁性停运是局部单一故障演变为全局大面积停电事故的主导因素。而在连锁性停运之前,往往还伴有其它一些事件,这些事件削弱了电网触发了连锁性停运。因此,识别并提取连锁性停运的潜在触发模式,可为电力系统调度运行人员预防与阻断连锁故障防止大面积停电提供辅助决策依据,具有十分重要的现实意义。
当前对于连锁故障的研究,主要集中在连锁故障的过程模拟与连锁故障的路径预测上。
在连锁故障的过程模拟方面,一类研究基于电力系统的物理特性建立仿真模型,早期搭建的过程模拟模型,主要是为了揭示电力系统大停电的规模与发生频率之间存在幂律关系这一特征,从宏观角度揭示连锁故障发生发展的机理,因此对电力系统进行了极大简化,如OPA模型的快过程采用了直流潮流。为了能够更多地反映电力系统的物理特性以贴合实际,诸多改进模型被提出来,如OPA模型的各种改进、采用交流潮流的Manchester模型、考虑了电压/无功或者是暂态稳定约束的最优潮流(OPF)模型等等;另一类研究基于复杂网络理论从电网拓扑结构出发建立仿真模型。基于复杂网络理论的连锁故障过程模拟,将电网看作是一个连通图,利用如最短路径、平均距离、聚集系数、节点度数、节点的度分布等特征指标,剖析电力系统连锁故障发生发展的机理。所搭建的连锁故障过程模拟模型,基本上忽略电力系统的物理特性,适用于分析电网结构上的薄弱环节。无论是哪类研究,连锁故障的过程模拟主要是为了揭示电力系统连锁故障发生发展的机理,相关研究主要集中在如何在可接受的计算时间内更符合真实电网的运行特性,以使得所揭示出的连锁故障机理更为有效。
在连锁故障的路径预测方面,主要是根据电网各种保护装置的历史统计数据、电网的实时运行状况以及网络拓扑结构,分析存在故障可能的元件并进行优先级排序,开断优先级高的元件,从而逐步搜索出初始事件和后续事件。对初始事件的筛选,多根据诱发元件故障的各种因素(自然原因、设备损坏、人为误操作、继电保护事故和不明原因等),利用多属性决策方法来确定;对后续事件的筛选,通过分析初始事件对电网其它元件的影响并制定相关指标来量化确定,如元件脆性风险熵、反映状态与结构的元件综合脆弱度或者是电压越限、潮流转移率、扰动距离等的多指标综合。连锁故障路径预测的核心在于如何构建筛选连锁故障每一级故障元件的评价指标。评价指标的好坏将极大地影响连锁故障路径搜索的效率和结果。有效评价指标的制定,需要对所分析电网的运行特性有着深刻的认识,这有赖于所分析电网运行人员的实际经验。
基于上诉两方面的研究,连锁故障的过程模拟,注重对模拟结果的宏观统计分析,缺少对模拟结果的微观挖掘分析,缺少对模拟产生的连锁故障路径进行关联分析,无法筛选出触发连锁性停运的高频初始事件(集)。连锁故障的路径预测,多采用人工启发式规则来试探确定能够触发连锁性停运的初始事件,人工启发式规则的好坏对结果的影响较大,而人工启发式规则的好坏与制定规则人员对电网运行特性的熟悉程度密切相关,对人工经验的依赖较大。
发明内容
为了克服现有技术中的上述不足,本发明提供电力系统连锁故障潜在触发模式的挖掘方法,能够对海量连锁故障模拟结果进行频繁项集挖掘,并实现对连锁故障潜在触发模式进行提取的方法。
为了实现上述目的,本发明采用的技术方案如下:
电力系统连锁故障潜在触发模式的挖掘方法,包括如下步骤:
(S1)模拟仿真获取大量连锁故障路径;
(S2)确定频繁触发事件集Tf;
(S3)挖掘频繁触发事件集Tf的主导Length初始事件集;
(S4)生成连锁故障潜在触发模式。
进一步地,所述步骤(S1)中采用基于电力系统物理特性的连锁故障过程模拟,仿真产生大量的连锁故障路径,构成连锁故障路径集Cascade,并且所述连锁故障路径采用层级序列表示,同一层集合内的事件无时间先后,不同层的事件集之间存在时间先后,具体情况如下:
其中,Li I表示第i个初始事件,初始事件会削弱电力系统的网架强度,单个或多个初始事件累积将导致触发事件;Li T表示第i个触发事件,触发事件集将引发后续一系列的连锁性事件;Li C1表示第i个第一级连锁事件,第一级连锁事件是由触发事件集引发的;Li Ck表示第i个第k级连锁事件,第k级连锁事件是它之前连锁事件集和触发事件集共同引发的。
进一步地,所述步骤(S2)中确定频繁触发事件集Tf具体包括如下步骤:
(S21)计算触发事件集的出现数,即触发事件集Tj的出现数为触发事件集Tj在所有连锁故障路径Cascade中出现的总次数;
(S22)由给定的最小出现数阈值确定频繁触发事件集Tf,即触发事务Tw的出现数大于给定的最小出现数阈值,则触发事务为频繁触发事务,即频繁触发事件集Tf。
进一步地,所述步骤(S3)中挖掘频繁触发事件集Tf的主导Length初始事件集的具体步骤如下:
(S31)形成频繁触发事件集Tf的初始事务数据库Di;
(S32)确定初始事务的有效初始项与相似初始项集;
(S33)确定主导初始项集的长度Length;
(S34)确定频繁1-初始项/1-相似初始项集;
(S35)组合校验确定主导Length初始项集。
具体地,所述步骤(S4)中每个频繁触发事件集Tf与对应的主导Length初始事件集,构成连锁故障的一个潜在触发模式,对所有频繁触发事件集Tf挖掘主导Length初始事件集,形成连锁故障潜在触发模式集。
与现有技术相比,本发明具有以下有益效果:
(1)本发明利用大数据的关联规则挖掘技术,对连锁故障过程模拟产生的海量连锁故障路径进行微观分析,挖掘引发连锁性停运的高频触发事件,并进一步分析高频触发事件与初始事件之间的隐藏关系,最终发现触发连锁性停运的高频模式,避免了现有采用人工启发式规则确定初始事件时对人工经验的依赖以及可能造成的遗漏。
(2)本发明根据连锁故障演变发展的过程将连锁故障的构成事件划分为不同的阶段(初始、触发和第i级连锁),以触发阶段为主导,优先进行频繁触发事件集挖掘,过滤不包含频繁触发事件集的连锁故障路径序列,降低了待挖掘的连锁故障路径集的规模,提升了后续频繁初始事件挖掘的效率。
(3)本发明根据频繁触发事件集对待挖掘的连锁故障路径集进行分割,包含相同频繁触发事件集的连锁故障路径构成一个子集;对每个子集中的连锁故障路径初始事件集,由触发事件与初始事件之间的开断分布因子过滤无效项,同时合并相似项;从待挖掘序列集的总体规模和个体长度两个方面进行处理,大大降低了挖掘的空间,提升了的挖掘效率。
附图说明
图1为本发明的系统流程图。
图2为本发明实施例中使用的IEEE39节点系统图。
具体实施方式
下面结合附图和实施例对本发明作进一步说明,本发明的实施方式包括但不限于下列实施例。
实施例
如图1所示,电力系统连锁故障潜在触发模式的挖掘方法,包括如下步骤:
(S1)模拟仿真获取大量连锁故障路径;
采用基于电力系统物理特性的连锁故障过程模拟,仿真产生大量的连锁故障路径,构成连锁故障路径集Cascade,并且所述连锁故障路径采用层级序列表示,同一层集合内的事件无时间先后,不同层的事件集之间存在时间先后,具体情况如下:
其中,Li I表示第i个初始事件,初始事件会削弱电力系统的网架强度,单个或多个初始事件累积将导致触发事件;Li T表示第i个触发事件,触发事件集将引发后续一系列的连锁性事件;Li C1表示第i个第一级连锁事件,第一级连锁事件是由触发事件集引发的;Li Ck表示第i个第k级连锁事件,第k级连锁事件是它之前连锁事件集和触发事件集共同引发的。
(S2)确定频繁触发事件集;
(S21)计算触发事件集Tj的出现数,即触发事件集Tj的出现数为触发事件集T在所有连锁故障路径Cascade中出现的总次数;将连锁故障路径的触发事件集作为触发事务,构成触发事件集的元素作为触发项,构成触发事件集的元素的个数为触发事务的长度。抽取所有连锁故障路径Cascade中的触发事件集,形成触发事务数据库Dt。触发事件集Tj的出现数,等同于触发事务数据库Dt包含触发事务Tw的次数。对触发事务数据库Dt中的触发事务按照长度进行排序;对相同长度的触发事务,根据构成触发事务的触发项是否一致(不分顺序)确定是否为相同触发事务;统计相同触发事务的数目,即可得到触发事务的出现数。
(S22)由给定的最小出现数阈值确定频繁触发事件集,即触发事务Tf的出现数大于给定的最小出现数阈值,则触发事务Tw为频繁触发事务,即频繁触发事件集。
(S3)挖掘频繁触发事件集Tf的主导Length初始事件集;
(S31)形成频繁触发事件集Tf的初始事务数据库Di;
将连锁故障路径的初始事件集作为初始事务,构成初始事件集的元素作为初始项。抽取包含频繁触发事件集Tf的连锁故障路径的初始事件集,形成频繁触发事件集Tf的初始事务数据库Di。
(S32)确定初始事务的有效初始项与相似初始项集;
所有初始事务的初始项,取并集构成初始项总集;计算初始项总集中各个初始项对频繁触发事件集Tf中各触发事件的开断分布因子。若某初始项对触发事件的开断分布因子不为0,则该初始项为有效初始项;若两初始项对触发事件的开断分布因子绝对值相同,则这两初始项为相似初始项。
(S33)确定主导初始项集的长度Length;
初始事务的有效长度为该初始事务包含的有效初始项的个数。计算初始事务数据库Di中各个初始事务的有效长度,并统计各有效长度的出现频次;出现频次最大的有效长度,即为主导初始项集的长度Length。
(S34)确定频繁1-初始项/1-相似初始项集;
其中,1-初始项表示初始项的个数或者长度等于1,具体事例参见表3。初始项的支持数为初始事务数据库Di中包含该初始项的事务数,遍历初始事务数据库Di确定各初始项的支持数;若某一初始项的支持数大于给定的最小支持数阈值,则该初始项为频繁1-初始项。
对于某一相似初始项集,若初始事务Ie包含了该相似初始项集中的任一初始项,则初始事务Ie支持该相似初始项集。相似初始项集的支持数为初始事务数据库Di中支持该相似初始项集的事务数。遍历初始事务数据库Di确定各相似初始项集的支持数;若某相似初始项集的支持数大于给定的最小支持数阈值,则该相似初始项集为频繁1-相似初始项集。
(S35)组合校验确定主导Length初始项集。
对于长度为Length的初始项集,若初始事务Ie包含了该初始项集中的所有初始项,则初始事务Ie支持该初始项集。Length初始项集的支持数为初始事务数据库Di中支持该初始项集的事务数。由频繁1-初始项/1-相似初始项集,组合形成所有的Length-初始项集,遍历初始事务数据库Di确定各组合的支持数;若某组合的支持数大于给定的最小支持数阈值,则该组合为主导Length初始项集。
(S4)生成连锁故障潜在触发模式。
每个频繁触发事件集Tf与对应的主导Length初始事件集,构成连锁故障的一个潜在触发模式,对所有频繁触发事件集Tf挖掘主导Length初始事件集,形成连锁故障潜在触发模式集。
具体实施方式如下:
以如图2所示的IEEE39节点系统为例进行说明,具体实施步骤如下:
步骤1:模拟仿真获取大量连锁故障路径
采用基于电力系统物理特性的连锁故障过程模拟,仿真产生了631条连锁故障路径,表1列出了其中的一些连锁故障路径。
表1部分连锁故障路径
序号 | 初始事件集 | 触发事件集 | 第一级连锁事件集 | 第二级连锁事件集 |
1 | 11-6,17-27,5-6 | 14-4 | 14-15,16-17,17-18,18-3,3-4 | |
2 | 15-16,2-3 | 17-18,18-3 | 1-2,1-39,2-25,39-9,4-5,8-9 | |
3 | 5-6,7-8 | 10-13,13-14,14-4 | 3-4 | 1-2,1-39,39-9,8-9 |
步骤2:确定频繁触发事件集
设定最小出现数阈值为10,抽取所有连锁故障路径中的触发事件集,构成触发事务数据库;计算触发事务的出现数,并与最小出现数阈值比较,确定出频繁触发事件集。表2给出了部分长度为1的触发事务的出现数及确定出的频繁触发事件集。
表2部分长度为1的触发事务
序号 | 触发事务 | 出现数 | 频繁事务 |
1 | 11-6 | 5 | |
2 | 14-4 | 96 | 是 |
3 | 15-16 | 76 | 是 |
4 | 16-17 | 68 | 是 |
5 | 17-18 | 1 | |
6 | 17-27 | 1 | |
7 | 18-3 | 2 | |
8 | 2-25 | 30 | 是 |
9 | 2-3 | 5 | |
10 | 25-26 | 9 |
步骤3:挖掘频繁触发事件集的主导Length初始事件集
以频繁触发事件集{15-16}为例。
对所有触发事件集为{15-16}的连锁故障路径,抽取初始事件集构成触发事件集{15-16}的初始事务数据库Di。
对初始事务数据库Di中的所有初始事务,取初始项并集构成初始项总集;计算初始项总集中各个初始项对{15-16}的开断分布因子;根据开断分布因子确定有效初始项与相似初始项集。
设定最小支持数阈值为10,遍历初始事务数据库Di,确定各个初始项/相似初始项集的支持数,并与最小出现数阈值比较,确定出频繁触发事件集。表3给出了初始项总集、有效初始项/相似初始项集、有效初始项/相似初始项集的支持数,以及确定出的频繁项。
表3初始项总集
计算初始事务数据库Di中各初始事务的有效长度;统计有效长度的出现频次,其中有效长度1出现9次,有效长度2出现48次,有效长度3出现15次,有效长度4出现3次;有效长度2出现频次最多,确定主导初始项集的长度为2。
对频繁项{16-17}、{17-18/18-3}、{10-32/19-20/2-30/25-37/31-6}进行组合,生成长度为2的项集:{16-17}+{10-32/19-20/2-30/25-37/31-6}、{16-17}+{17-18/18-3}、{17-18/18-3}+{10-32/19-20/2-30/25-37/31-6};遍历初始事务数据库Di,计算上述3个组合的支持数(31、3、5);与设定的最小支持数阈值(10)比较,确定{16-17}+{10-32/19-20/2-30/25-37/31-6}为2-主导初始项集。
步骤4:生成连锁故障潜在触发模式
主导初始事件集与触发事件集构成连锁故障的一种潜在触发模式,{16-17,10-32/19-20/2-30/25-37/31-6}->{15-16}。
上述实施例仅为本发明的优选实施例,并非对本发明保护范围的限制,但凡采用本发明的设计原理,以及在此基础上进行非创造性劳动而做出的变化,均应属于本发明的保护范围之内。
Claims (3)
1.电力系统连锁故障潜在触发模式的挖掘方法,其特征在于,包括如下步骤:
(S1)模拟仿真获取大量连锁故障路径;
(S2)确定频繁触发事件集Tf;
(S3)挖掘频繁触发事件集Tf的主导Length初始事件集;
步骤(S3)中挖掘频繁触发事件集Tf的主导Length初始事件集的具体步骤如下:
(S31)形成频繁触发事件集Tf的初始事务数据库Di;
(S32)确定初始事务的有效初始项与相似初始项集;
(S33)确定主导初始项集的长度Length;
(S34)确定频繁1-初始项/1-相似初始项集;
(S35)组合校验确定主导Length初始项集;
(S4)生成连锁故障潜在触发模式;
步骤(S4)中每个频繁触发事件集Tf与对应的主导Length初始事件集,构成连锁故障的一个潜在触发模式,对所有频繁触发事件集Tf挖掘主导Length初始事件集,形成连锁故障潜在触发模式集。
2.根据权利要求1所述的电力系统连锁故障潜在触发模式的挖掘方法,其特征在于,所述步骤(S1)中采用基于电力系统物理特性的连锁故障过程模拟,仿真产生大量的连锁故障路径,构成连锁故障路径集Cascade,并且所述连锁故障路径采用层级序列表示,同一层集合内的事件无时间先后,不同层的事件集之间存在时间先后,具体情况如下:
其中,Li I表示第i个初始事件,初始事件会削弱电力系统的网架强度,单个或多个初始事件累积将导致触发事件;Li T表示第i个触发事件,触发事件集将引发后续一系列的连锁性事件;Li C1表示第i个第一级连锁事件,第一级连锁事件是由触发事件集引发的;Li Ck表示第i个第k级连锁事件,第k级连锁事件是它之前连锁事件集和触发事件集共同引发的。
3.根据权利要求2所述的电力系统连锁故障潜在触发模式的挖掘方法,其特征在于,所述步骤(S2)中确定频繁触发事件集Tf具体包括如下步骤:
(S21)计算触发事件集的出现数,即触发事件集Tj的出现数为触发事件集Tj在所有连锁故障路径Cascade中出现的总次数;
(S22)由给定的最小出现数阈值确定频繁触发事件集Tf,即触发事务Tw的出现数大于给定的最小出现数阈值,则触发事务为频繁触发事务,即频繁触发事件集Tf。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010190777.4A CN111488675B (zh) | 2020-03-18 | 2020-03-18 | 电力系统连锁故障潜在触发模式的挖掘方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010190777.4A CN111488675B (zh) | 2020-03-18 | 2020-03-18 | 电力系统连锁故障潜在触发模式的挖掘方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111488675A CN111488675A (zh) | 2020-08-04 |
CN111488675B true CN111488675B (zh) | 2023-04-25 |
Family
ID=71810822
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010190777.4A Active CN111488675B (zh) | 2020-03-18 | 2020-03-18 | 电力系统连锁故障潜在触发模式的挖掘方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111488675B (zh) |
Families Citing this family (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112925821B (zh) * | 2021-02-07 | 2022-05-13 | 韶关学院 | 基于MapReduce的并行频繁项集增量数据挖掘方法 |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503923A (zh) * | 2016-11-15 | 2017-03-15 | 国网四川省电力公司电力科学研究院 | 一种电力系统连锁故障风险评估的方法及系统 |
CN110070286A (zh) * | 2019-04-19 | 2019-07-30 | 国网湖南省电力有限公司 | 电网多灾种耦合连锁故障分析方法及系统 |
Family Cites Families (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN102214920A (zh) * | 2011-06-10 | 2011-10-12 | 华北电力大学 | 基于线路集群的电网连锁故障分析方法 |
CN102222890B (zh) * | 2011-06-10 | 2014-08-27 | 河南省电力公司 | 一种计及恶劣天气因素的复杂电网连锁故障分析方法 |
WO2016067299A1 (en) * | 2014-10-30 | 2016-05-06 | Hewlett-Packard Development Company, L.P. | Location aware failover solution |
CN107436960A (zh) * | 2016-05-26 | 2017-12-05 | 国网山西省电力公司电力科学研究院 | 一种考虑继电保护内在缺陷的电力系统连锁故障评估方法 |
CN106056466B (zh) * | 2016-05-26 | 2019-05-31 | 国网湖北省电力公司 | 基于FP-growth算法的大电网关键线路识别方法 |
-
2020
- 2020-03-18 CN CN202010190777.4A patent/CN111488675B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106503923A (zh) * | 2016-11-15 | 2017-03-15 | 国网四川省电力公司电力科学研究院 | 一种电力系统连锁故障风险评估的方法及系统 |
CN110070286A (zh) * | 2019-04-19 | 2019-07-30 | 国网湖南省电力有限公司 | 电网多灾种耦合连锁故障分析方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111488675A (zh) | 2020-08-04 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107358366B (zh) | 一种配电变压器故障风险监测方法及系统 | |
CN107301296A (zh) | 基于数据的断路器故障影响因素定性分析方法 | |
CN107561997B (zh) | 一种基于大数据决策树的电力设备状态监测方法 | |
CN106054104A (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN103996077A (zh) | 一种基于多维时间序列的电气设备故障预测方法 | |
CN110137947B (zh) | 一种基于itic曲线的电网电压暂降严重程度评估方法 | |
CN103197177A (zh) | 一种基于贝叶斯网络的变压器故障诊断分析方法 | |
CN110907754B (zh) | 一种基于psd-bpa的故障线路严重程度评估方法 | |
CN114397526A (zh) | 状态全息感知数据驱动的电力变压器故障预测方法及系统 | |
CN110134797A (zh) | 一种基于事理图谱和多因子模型研判金融市场变化的方法 | |
CN108921409B (zh) | 一种电压暂降严重度等级判定方法 | |
CN111488675B (zh) | 电力系统连锁故障潜在触发模式的挖掘方法 | |
CN111091292B (zh) | 一种核电站实时风险动态建模分析系统 | |
CN112214481A (zh) | 一种电能质量数据的数据清洗方法 | |
CN109060021A (zh) | 一种基于贝叶斯理论的电抗器健康状态评估方法 | |
Gao et al. | Defect analysis of the same batch of substation equipment based on big data analysis algorithm | |
CN112329432B (zh) | 一种基于改进Apriori的配电网电压越限问题关联分析方法 | |
CN113176530B (zh) | 一种基于拆回表运行特征的在运电能表批次故障诊断方法 | |
CN113030616A (zh) | 基于电压暂降监测数据的敏感负荷识别方法 | |
CN108242411A (zh) | 用于管控线上缺陷的方法和系统 | |
CN106779324B (zh) | 基于马尔科夫链模型的配电变压器状态劣化过程描述方法 | |
CN104036433A (zh) | 一种配电网运行管理水平评价方法 | |
Mazadi et al. | Instantaneous voltage estimation for assessment and monitoring of flicker indices in power systems | |
CN108335231A (zh) | 一种自动匹配的配电网数据诊断方法 | |
CN114626957A (zh) | 基于门控循环单元深度学习模型的电压暂降状态评估方法 |
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 |