CN111709602A - 一种泛在电力物联网系统中可靠性的评价方法 - Google Patents
一种泛在电力物联网系统中可靠性的评价方法 Download PDFInfo
- Publication number
- CN111709602A CN111709602A CN202010411504.8A CN202010411504A CN111709602A CN 111709602 A CN111709602 A CN 111709602A CN 202010411504 A CN202010411504 A CN 202010411504A CN 111709602 A CN111709602 A CN 111709602A
- Authority
- CN
- China
- Prior art keywords
- reliability
- data
- evaluation
- evaluating
- item 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.)
- Pending
Links
- 238000011156 evaluation Methods 0.000 title claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 34
- 238000004458 analytical method Methods 0.000 claims abstract description 16
- 238000010801 machine learning Methods 0.000 claims abstract description 14
- 238000012544 monitoring process Methods 0.000 claims abstract description 7
- 238000007726 management method Methods 0.000 claims description 24
- 230000008569 process Effects 0.000 claims description 9
- 238000012423 maintenance Methods 0.000 claims description 6
- 238000010276 construction Methods 0.000 claims description 3
- 238000011161 development Methods 0.000 abstract description 5
- 230000008901 benefit Effects 0.000 description 4
- VNWKTOKETHGBQD-UHFFFAOYSA-N methane Chemical compound C VNWKTOKETHGBQD-UHFFFAOYSA-N 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 229910052799 carbon Inorganic materials 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000008878 coupling Effects 0.000 description 2
- 238000010168 coupling process Methods 0.000 description 2
- 238000005859 coupling reaction Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 238000009472 formulation Methods 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- 239000000203 mixture Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 239000003345 natural gas Substances 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 206010063385 Intellectualisation Diseases 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000012098 association analyses Methods 0.000 description 1
- 238000009412 basement excavation Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 238000001816 cooling Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000000556 factor analysis Methods 0.000 description 1
- 230000006870 function Effects 0.000 description 1
- 238000010438 heat treatment Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012067 mathematical method Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000008447 perception Effects 0.000 description 1
- 238000012545 processing Methods 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Physics & Mathematics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Software Systems (AREA)
- Development Economics (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Mathematical Physics (AREA)
- Primary Health Care (AREA)
- General Engineering & Computer Science (AREA)
- Medical Informatics (AREA)
- Evolutionary Computation (AREA)
- Data Mining & Analysis (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Artificial Intelligence (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种泛在电力物联网系统中可靠性的评价方法,它包括:步骤1、通过各种传感器采集和各监控系统汇总,获取系统可靠性相关评价指标;步骤2、将步骤1获取的可靠性相关评价指标,通过机器学习关联度分析算法Apriori算法,获取系统影响可靠性特性的因素;步骤3、利用博弈理论完成系统可靠性评价;解决了传统电力系统可靠性评价方法随着电力系统的发展存在可靠性差、模型单薄,传统的可靠性评估体系不能适用于未来的电力系统可靠性评价等技术问题。
Description
技术领域
本发明属于电力系统可靠性评估领域,尤其涉及一种泛在电力物联网系统中可靠性的评价方法。
背景技术
近些年,电力系统各个方面都有快速的发展,虽然离成熟的泛在电力物联网还有一定的距离,但是,已经在智能化、能源互联性以及微网化上取得了很大的发展。可是可靠性的评估模式却并没有跟上电力系统的发展,其评估模式还停留在传统电力系统可靠性评估的模式上,其模式是通过建立模型给出系统中设备的可靠性特性曲线,预估出设备可靠运行的指标,在此基础上通过计算系统的拓扑连接关系估算出用户的可靠性指标。因此,传统的可靠性评估的局限性也是显而易见的,首先结果本身的不准确性,其次由于建立模型还是比较单薄,事实上,只考虑了系统物理连接层面的可靠性关系,这种评估方法对于最初的电力系统,能够比较准确的反映其可靠性特性,但是,随着电力系统的发展,影响系统可靠性的因素已经发生了很大改变,比如随着配电自动化率的提高,可靠性将除了受物理连接层面故障的影响,还受到自动化系统的故障影响,其中包括了自动化的水平等。进一步,近些年随着不同能源形式耦合的进一步密切,除了火电以外,天然气、风能和太阳能也成为广泛被利用的能源形式,因此对于电力系统可以在不同场景和时段选取不同的供电方式,而这些将构成系统不同的运行模式,特别地,不同的供能形式可靠性特征不同,比如风能和太阳能由于受到自然环境的制约,表现出随机间歇性等。明显传统的可靠性评估体系不能适用于未来的电力系统可靠性评价。
发明内容
本发明要解决的技术问题是:提供一种泛在电力物联网系统中可靠性的评价方法,以解决传统电力系统可靠性评价方法随着电力系统的发展存在可靠性差、模型单薄,传统的可靠性评估体系不能适用于未来的电力系统可靠性评价等技术问题。
本发明的技术方案是:
一种泛在电力物联网系统中可靠性的评价方法,它包括:、
步骤1、通过各种传感器采集和各监控系统汇总,获取系统可靠性相关评价指标;
步骤2、将步骤1获取的可靠性相关评价指标,通过机器学习关联度分析算法Apriori算法,获取系统影响可靠性特性的因素;
步骤3、利用博弈理论完成系统可靠性评价。
所述1所述获取系统可靠性相关评价指标,它包括:
系统基本数据,主要来源于系统规划建设平台包括网架结构指标;系统管理运维类指标,包括系统在运维过程中的系统可靠性相关数据;系统可靠性统计指标,这类指标来源于系统的各个监测系统统计出的可靠性指标。
步骤2将步骤1获取的可靠性相关评价指标,通过机器学习关联度分析算法Apriori算法,获取系统影响可靠性特性的因素的方法为:利用机器学习关联度分析算法Apriori算法提取系统数据和可靠性特性之间的关联关系,找到和系统可靠性具有强关联关系的因素。
所述利用机器学习关联度分析算法Apriori算法提取系统数据和可靠性特性之间的关联关系的方法为:
步骤2.1、发现频繁项集:即找出满足最小支持度的项集,找出的项集被称为频繁项集;
步骤2.2、找出强关联规则:在找出的频繁项集中产生满足最小置信度的规则,所产生的规就是强关联规则;
其中,支持度support定义为:项集A和项集B同时发生,则关联规则A→B的支持度表示为:
Support(A→B)=P(A∩B)=P(AB)
置信度confidence定义为:项集A发生的前提下项集B发生,则关联规则A→B的置信度表示为:
Confidence(A→B)=P(B|A)。
所述步骤1获取的可靠性相关评价指标分为:运行类数据,这类数据为表征系统运行状态的指标;评价类数据, 这类数据为系统运行表现的评价数据。
步骤3所述利用博弈理论完成系统可靠性评价时,以经济最优作为各个因素博弈所追求的最终目标。
步骤1所述获取系统可靠性相关评价指标的来源包括:能源管理中心数据库、可靠性管理数据库、用户侧监测中心和电力系统规划中心。
步骤2所述将步骤1获取的可靠性相关评价指标,通过机器学习关联度分析算法Apriori算法,获取系统影响可靠性特性的因素的目的为:通过对步骤S1所获取数据进行整理,首先通过分类分为运行类数据和评价类数据,然后将这两类数据在内部再进行划分,划分为不同特征的子集。
本发明有益效果:
首先,本发明提出在泛在电力物联网系统框架下可靠性评价模式的变革。
传统的可靠性评价模式是通过数学建模描述出主观认为的影响可靠性的影响因素,然后通过对拓扑结构把这些影响因素叠加起来进而计算出用户的可靠性评价指标;
而本发明提出在泛在电力物联网系统框架下的模式变革,即系统的可靠性特征,例如用户停电次数、停电时间以及电能质量等指标都可以通过现有的智能化设备在线获得,所以,可靠性的评价指标将不再是估算值而是准确的测量统计值。
其次,本发明提出在泛在物联网系统框架下,在大数据平台的基础上利用深度数据挖掘,尽可能全面的挖掘出对可靠性产生影响的因素,进一步,利用机器学习关联度分析算法Apriori算法找出影响因素中和可靠性具有强关联关系的因素。
传统的可靠性评估在进行建模计算时由于受到方法、信息以及数据的局限性,很难全面的将所有的可靠性因素计及到可靠性评估的计算中,造成了评估结果的偏差,并且所得的结果也不能反映和不同影响因素之间的对应关系,所以难以将评估结果应用在后续可靠性的管理中。
但是在泛在物联网框架下,万物互联,信息共享,因此,本发明提出未来的可靠性管理流程中难点也是主重要的一环是建立一个系统的信息数据库和它所表现出的特性之间的关联关系,在本发明忠具体为系统的信息数据和可靠性特征之间的关联关系。
最后,本发明提出在泛在电力物联网系统框架下,如何实现有效的可靠性管理策略制定,其中包括其场景和实现方法。
传统系统的复杂程度和运行程度比较低,因此其系统的运行以及特性管理等本身都属于低维度问题,因此,往往通过一些比较直观的手段就可以制定出最优的管理策略。
但是,在泛在电力物联网系统中,其系统的复杂程度和灵活程度增加了许多。因此,表征在系统的运行特性上即为动态特性,并且各个特性之间的相互耦合程度进一步深化,使得其管理策略的制定将不能通过简单直观的方法解决,因此本发明提出了通过综合考虑系统中多种因素之间相互影响,利用博弈理论,寻求均衡系统各个运行性能的可靠性管理策略。
解决了传统电力系统可靠性评价方法随着电力系统的发展存在可靠性差、模型单薄,传统的可靠性评估体系不能适用于未来的电力系统可靠性评价等技术问题。
附图说明
图1为本发明流程示意图;
图2为具体实施方式中基于数据挖掘的可靠性特性影响因素寻找流程示意图。
具体实施方式
本发明提出了泛在电力物联网系统框架下的可靠性评价以及管理方法。其具体体系流程如图1所示,其实施步骤主要包括:
步骤S1:从泛在电力物联网软件管理平台获取系统可靠性相关评价指标;
泛在电力物联网是一个实现电网基础设施、人员所在环境识别、感知、控制与互联的网络系统。因此在电力行业其实质是通过各种信息传感设备和先进的通讯技术实现具有自我感知、标识和处理功能的系统。在系统中各个物理实体能够通过信息网的连接在运行过程中实现协调运行,包括相互感知和反馈控制,进而形成一个智能的电力生产和供应行业。
因此,在泛在电力物联网系统框架下,对于可靠性指标的估算就显得没有必要,传统的可靠性评估算法最终的目标就是估算出用户在段时间内的停电次数和停电时间等指标,但是在泛在电力物联网这个系统中,这些指标可以通过高度密集和智能的信息传感装置测得,并通过便利的通信传输获取,一方面通过监测获取的可靠性指标是实际用户的用电体验,相较传统方法通过模型建立对系统的描述本身就不是很准确,传统的可靠性性评价模式是通过数学建模的形式编程实现可靠性指标的计算,首先这个模式本身的难点是如何用比较优化的数学模型和方法来描述系统的可靠性影响因素,这个过程本身存在着模型和方法本身的缺陷,其次。其次由于在建模过程中考虑的因素比较片面,所以在全新的电力系统运行管理模式下,这种评估思维方法和体系就应该舍弃。
具体而言,在未来的可靠性管理中,其系统可靠性分析模型以数据驱动为导向,其中数据来源可以分为三个层次:
1)系统基本数据,包括系统的基本数据,主要来源于系统规划建设平台,主要包括网架结构指标。
2)系统管理运维类指标,包括系统在运维过程中的系统可靠性相关数据,比如计划停电时间等传统管理类指标,以及运行调度策略等新指标,随着信息技术的发展以及各种不能能源形式的耦合,未来电网的运行将越来越灵活,因此其运行调度策略的不同也会对可靠性产生很大的影响。
3)系统可靠性统计指标,这类指标来源于系统的各个监测系统统计出的可靠性指标,例如系统停电次数,停电时间,停电原因以及所造成的经济损失等指标。
因此,未来对于可靠性的管理指标将来源于多个数据平台,例如:
1)能源管理中心数据库;
2)可靠性管理数据库;
3)用户侧监测中心;
4)电力系统规划中心;
上述多个平台的海量数据将作为电力系统可靠性分析的基础,变革以往以数学模型为驱动的可靠性分析方法。综上所述,在泛在电力物联网系统框架下,可靠性评价模式的变革应该技术革新解决模型难题的典型案例。
步骤S2:通过机器学习关联度分析算法Apriori算法,获取系统影响可靠性特性的主要因素;
由于可靠性特性的获取方式转变成通过末端信息传感器检测获得,加之未来的电力系统复杂灵活,因此很难建立起可靠性影响因素和可靠性特性之间的关联关系。一方面,由于在泛在电力物联网系统中,数据库较之以前扩大和很多,不管是从时间维度还是从数据种类上都完善了很多,所以为充分的可靠性影响因素分析提供了广泛的数据信息基础;另一方面,由于数据种类纷杂,因此需要更加强大的算法从纷杂的数据中挖掘出影响可靠性的因素。
本发明提出利用机器学习关联度分析算法Apriori算法提取系统数据和可靠性特性之间的关联关系,找到和系统可靠性具有强关联关系的因素。
Apriori算法是用于挖掘数据集中关联规则的算法,其算法目标主要有:
1)发现频繁项集:即找出满足最小支持度的项集,找出的项集被称为频繁项集
2)找出强关联规则:在找出的频繁项集中产生满足最小置信度的规则,所产生的规就是强关联规则。
其中,支持度(support)定义为:项集A和项集B同时发生,则关联规则A→B的支持度表示为:
Support(A→B)=P(A∩B)=P(AB)
置信度(confidence)定义为:项集A发生的前提下项集B发生,则关联规则A→B的置信度表示为:
Confidence(A→B)=P(B|A)
例如,在本发明所涉及的电力系统可靠性评价中,事件A表示系统环网率不低于x,而事件B表示可靠性指标不低于y,则关联规则A→B的支持度为系统环网率不低于x和可靠性指标不低于y同时发生的概率。同时管理规则A→B的置信度为系统环网率不低于x时可靠性指标不低于y的概率。
Apriori算法使用一种称为逐层搜索的迭代方法,其中k项集用于探索(k+1)项集。首先,通过扫描数据库,累计每个项的计数,并收集满足最小支持度的项,找出频繁1项集的集合。该集合记为L1。然后,使用L1找出频繁2项集的集合L2,使用L2找出L3,如此下去,直到不能再找到频繁k项集。每找出一个Lk需要一次数据库的完整扫描。
具体而言,在步骤S1获取了各个平台的数据,但是这些数据不光体量很大,而且杂乱无章,因此,需要通过数据分析方法对这些数据进行分析,挖掘出其中的规律,首先,对于步骤S1 中收集的数据可以分为两类:
1)运行类数据: 这类数据为表征系统运行状态的指标,包括了系统基本数据,例如网架结构,还有调度运行类数据等,这类数据表征为其所代表特性的变更会对系统可靠性产生影响的数据,在可靠性评估中是表征影响可靠性的原因变量。
2) 评价类数据: 这类数据为系统运行表现的评价数据,比如通过统计获取的系统停电时间,停电次数等数据,这类数据应为表征在特定系统下由于特定的系统运行状态等而产生的可靠性表现结果类数据。
因此,步骤S2的目的在于通过对步骤S1所获取数据进行整理,首先通过大体分类分为运行类数据和评价类数据,然后将这两类数据在其内部再进行划分,划分为不同特征的子集,比如运行类数据中可以分为1)物理特性类数据,比如网架结构,2)决策类数据,比如运行调度类数据等。
然后利用上述Apriori算法找出运行类数据和评价类数据之间的关联规则,例如,一个系统的停电时间和其所对应的网架结构,系统配置以及运行时间等之间的关联关系,找出相关性最高的影响因素,为进一步可靠性管理方案的制定做准备。
步骤S3:基于上述求得的系统信息和可靠性特性之间的关联规则,利用博弈理论完成可靠性管理策略的制定。
由于在泛在电力物联网中,系统复杂性增加,因此,对于可靠性的影响除了有系统本身物理实体的影响,比如设备故障以及拓扑连接关系等,还收到系统的运行方式的影响,事实上,在未来的泛在电力物联网系统中,系统可靠性已经不再是系统的一个固定特性,而是一中选择,比如在系统运行时,在不同能源形式的选择中,如果选择间歇性能源供电,则由于间歇性能源的随机波动性,其在供电时的可靠性将不如选择恒定电源,但是选择间歇性能源的优势在于像风能、太阳能都是可再生能源,同时这些能源也是环境友好型能源,因此,在这个过程中,可靠性的管理同样也要参与到与其他因素的博弈中。
因此,现有的电力系统连同其他的供能系统,比如天然气系统以及供热供冷系统,作为综合能源平台,其可靠性管理也同样要考虑和其他因素的均衡,因此,本发明提出将所有的因素都转化成经济指标,进一步,这个指标可以被区分成成本性指标和效益性指标,然后可以转换为这两个指标之间的博弈,因此,可以引入零和博弈理论来完成管理策略制定。
具体而言,再步骤S2中,通过Apriori算法找出了影响可靠性的强相关因素,最简单的做法便是通过改善最影响可靠性的因素以提高系统可靠性,但是,在实际的运行中,要综合考虑各方因素,因此,本发明中,以经济最优作为各个因素博弈所追求的最终目标。例如,对于某一系统而言,其影响可靠性的最主要的因素为其网架结构设计,但是综合其地理环境,进行网架结构的整改所需要的经济预算大于整改后可靠性提升所带来的经济收益,因此,总系统总体规划管理的角度可能会拒绝该可靠性提升策略;再比如如果系统的调度策略会对系统可靠性产生不同的影响,两个不同的调度策略,其中一个可以保证较高的系统可靠性但是碳排放量高,而另一策略可靠性较差但同时也有比较低的碳排放量,再某些区域根据相应政策同样再博弈之中会选取第二个调度策略。
Claims (8)
1.一种泛在电力物联网系统中可靠性的评价方法,它包括:、
步骤1、通过各种传感器采集和各监控系统汇总,获取系统可靠性相关评价指标;
步骤2、将步骤1获取的可靠性相关评价指标,通过机器学习关联度分析算法Apriori算法,获取系统影响可靠性特性的因素;
步骤3、利用博弈理论完成系统可靠性评价。
2.根据权利要求1所述的一种泛在电力物联网系统中可靠性的评价方法,其特征在于:所述1所述获取系统可靠性相关评价指标,它包括:
系统基本数据,主要来源于系统规划建设平台包括网架结构指标;系统管理运维类指标,包括系统在运维过程中的系统可靠性相关数据;系统可靠性统计指标,这类指标来源于系统的各个监测系统统计出的可靠性指标。
3.根据权利要求1所述的一种泛在电力物联网系统中可靠性的评价方法,其特征在于:步骤2所述将步骤1获取的可靠性相关评价指标,通过机器学习关联度分析算法Apriori算法,获取系统影响可靠性特性的因素的方法为:利用机器学习关联度分析算法Apriori算法提取系统数据和可靠性特性之间的关联关系,找到和系统可靠性具有强关联关系的因素。
4.根据权利要求3所述的一种泛在电力物联网系统中可靠性的评价方法,其特征在于:所述利用机器学习关联度分析算法Apriori算法提取系统数据和可靠性特性之间的关联关系的方法为:
步骤2.1、发现频繁项集:即找出满足最小支持度的项集,找出的项集被称为频繁项集;
步骤2.2、找出强关联规则:在找出的频繁项集中产生满足最小置信度的规则,所产生的规就是强关联规则;
其中,支持度support定义为:项集A和项集B同时发生,则关联规则A→B的支持度表示为:
Support(A→B)=P(A∩B)=P(AB)
置信度confidence定义为:项集A发生的前提下项集B发生,则关联规则A→B的置信度表示为:
Confidence(A→B)=P(B|A)。
5.根据权利要求3所述的一种泛在电力物联网系统中可靠性的评价方法,其特征在于:所述步骤1获取的可靠性相关评价指标分为:运行类数据,这类数据为表征系统运行状态的指标;评价类数据, 这类数据为系统运行表现的评价数据。
6.根据权利要求1所述的一种泛在电力物联网系统中可靠性的评价方法,其特征在于:步骤3所述利用博弈理论完成系统可靠性评价时,以经济最优作为各个因素博弈所追求的最终目标。
7.根据权利要求1所述的一种泛在电力物联网系统中可靠性的评价方法,其特征在于:步骤1所述获取系统可靠性相关评价指标的来源包括:能源管理中心数据库、可靠性管理数据库、用户侧监测中心和电力系统规划中心。
8.根据权利要求3所述的一种泛在电力物联网系统中可靠性的评价方法,其特征在于:步骤2所述将步骤1获取的可靠性相关评价指标,通过机器学习关联度分析算法Apriori算法,获取系统影响可靠性特性的因素的目的为:通过对步骤S1所获取数据进行整理,首先通过分类分为运行类数据和评价类数据,然后将这两类数据在内部再进行划分,划分为不同特征的子集。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010411504.8A CN111709602A (zh) | 2020-05-15 | 2020-05-15 | 一种泛在电力物联网系统中可靠性的评价方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010411504.8A CN111709602A (zh) | 2020-05-15 | 2020-05-15 | 一种泛在电力物联网系统中可靠性的评价方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN111709602A true CN111709602A (zh) | 2020-09-25 |
Family
ID=72537328
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010411504.8A Pending CN111709602A (zh) | 2020-05-15 | 2020-05-15 | 一种泛在电力物联网系统中可靠性的评价方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111709602A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659845A (zh) * | 2022-12-08 | 2023-01-31 | 江苏擎天工业互联网有限公司 | 一种基于电力数据的碳排放计算方法及装置 |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446016A (zh) * | 2016-08-29 | 2017-02-22 | 中国电力科学研究院 | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN110071579A (zh) * | 2019-06-05 | 2019-07-30 | 国网北京市电力公司 | 基于泛在电力物联网的电网供电保障和智能管控系统 |
CN110298056A (zh) * | 2019-03-27 | 2019-10-01 | 国网浙江海盐县供电有限公司 | 一种配电网联络有效性评估方法 |
CN110874413A (zh) * | 2019-11-14 | 2020-03-10 | 哈尔滨工业大学 | 一种基于关联规则挖掘的防空多武器系统效能评估指标体系建立方法 |
-
2020
- 2020-05-15 CN CN202010411504.8A patent/CN111709602A/zh active Pending
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106446016A (zh) * | 2016-08-29 | 2017-02-22 | 中国电力科学研究院 | 一种基于并行关联规则挖掘的配电网运行可靠性预测方法 |
CN109800898A (zh) * | 2017-11-17 | 2019-05-24 | 中国电力科学研究院有限公司 | 一种智能短期负荷预测方法及系统 |
CN110298056A (zh) * | 2019-03-27 | 2019-10-01 | 国网浙江海盐县供电有限公司 | 一种配电网联络有效性评估方法 |
CN110071579A (zh) * | 2019-06-05 | 2019-07-30 | 国网北京市电力公司 | 基于泛在电力物联网的电网供电保障和智能管控系统 |
CN110874413A (zh) * | 2019-11-14 | 2020-03-10 | 哈尔滨工业大学 | 一种基于关联规则挖掘的防空多武器系统效能评估指标体系建立方法 |
Non-Patent Citations (1)
Title |
---|
李海彭: ""企业电力负荷特性及需求侧管理技术措施的研究"", 《中国优秀硕士学位论文全文数据库 经济与管理科学辑》 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN115659845A (zh) * | 2022-12-08 | 2023-01-31 | 江苏擎天工业互联网有限公司 | 一种基于电力数据的碳排放计算方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105740975B (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN116865258B (zh) | 一种层级构造的分布式电源智能电网构建方法 | |
CN106096810B (zh) | 基于配电网运行数据与地理拓扑信息的规划方法及系统 | |
CN104809933B (zh) | 一种电网无脚本应急演练系统、演练方法及设备 | |
CN104318482A (zh) | 一套智能配电网综合评估体系和方法 | |
CN105184394B (zh) | 基于配电网cps在线数据挖掘的优化控制方法 | |
CN107038167A (zh) | 基于模型评估的大数据挖掘分析系统及其分析方法 | |
CN105163326A (zh) | 一种基于无线网络话务特征的小区聚类方法和系统 | |
CN106022614A (zh) | 一种基于最近邻聚类的神经网络数据挖掘方法 | |
CN104280612B (zh) | 一种基于单频电流传输特性的分布式谐波源辨识方法 | |
CN103135009A (zh) | 基于使用者回馈信息的电器侦测方法与系统 | |
US20210109140A1 (en) | Method for identifying parameters of 10 kv static load model based on similar daily load curves | |
CN111628494B (zh) | 一种基于逻辑回归法的低压配电网拓扑识别方法及系统 | |
CN116308958A (zh) | 基于移动终端的碳排放在线检测预警系统及方法 | |
CN116308883A (zh) | 一种基于大数据的区域电网数据统筹管理系统 | |
CN110716998B (zh) | 一种精细尺度人口数据空间化方法 | |
CN117312293B (zh) | 一种面向电力多源异构的数据治理与智能分析方法及系统 | |
CN117311295B (zh) | 基于无线网络设备的生产质量提升方法及系统 | |
CN111709602A (zh) | 一种泛在电力物联网系统中可靠性的评价方法 | |
CN116796633A (zh) | 一种基于数字孪生技术的电网监测模型校正方法 | |
CN115987692A (zh) | 一种基于流量回溯分析的安全防护系统及方法 | |
Yu et al. | Sustainability assessment indicators and methodology for intelligent buildings | |
CN110889614A (zh) | 基于scada大数据的电网系统重要用户供电风险分析方法 | |
CN111008584A (zh) | 一种模糊自组织神经网络的电能质量量测缺失修复方法 | |
CN117220417B (zh) | 消费端电负荷动态监测方法及系统 |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20200925 |
|
RJ01 | Rejection of invention patent application after publication |