CN111985708A - 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 - Google Patents
一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 Download PDFInfo
- Publication number
- CN111985708A CN111985708A CN202010825579.0A CN202010825579A CN111985708A CN 111985708 A CN111985708 A CN 111985708A CN 202010825579 A CN202010825579 A CN 202010825579A CN 111985708 A CN111985708 A CN 111985708A
- Authority
- CN
- China
- Prior art keywords
- voltage circuit
- circuit breaker
- probability
- rejection
- reject
- 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 31
- 239000011159 matrix material Substances 0.000 claims abstract description 30
- 238000012549 training Methods 0.000 claims abstract description 20
- 230000007547 defect Effects 0.000 claims description 69
- 230000007613 environmental effect Effects 0.000 claims description 29
- 230000009471 action Effects 0.000 claims description 13
- 230000007246 mechanism Effects 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 4
- 238000004364 calculation method Methods 0.000 claims description 2
- 238000001514 detection method Methods 0.000 description 6
- 238000011156 evaluation Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000012423 maintenance Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012795 verification 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
- G06Q10/04—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/24—Classification techniques
- G06F18/241—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches
- G06F18/2415—Classification techniques relating to the classification model, e.g. parametric or non-parametric approaches based on parametric or probabilistic models, e.g. based on likelihood ratio or false acceptance rate versus a false rejection rate
- G06F18/24155—Bayesian classification
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Bioinformatics & Computational Biology (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Marketing (AREA)
- Life Sciences & Earth Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Health & Medical Sciences (AREA)
- Computer Hardware Design (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Geometry (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Entrepreneurship & Innovation (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Driving Mechanisms And Operating Circuits Of Arc-Extinguishing High-Tension Switches (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请实施例公开了一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置,所述方法为获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数,根据所述高压断路器的原始数据,组成高压断路器拒动概率预测模型的训练集。接着,根据所述训练集,建立似然矩阵并且确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型。最后,获取待预测高压断路器的原始数据,并将其输入到高压断路器拒动概率预测模型中,本申请解决了由于检测手段、评价手段的缺失,很难实现对高压断路器拒动概率准确预测的技术问题,从而可以及时采取针对性检修策略,减少停电区域的扩大。
Description
技术领域
本申请涉及电力系统领域,尤其涉及一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置。
背景技术
高压断路器是构成电力系统的关键设备,肩负着控制和保护的双重职能,其运行的安全稳定性直接影响电力系统的稳定。高压断路器的拒动是指断路器在继电保护及安全自动装置动作或在操作过程中拉和控制开关并发出指令的情况下拒绝动作。虽然高压断路器的拒动为小概率事件,但后果极其严重,电网的安全稳定将受到影响,甚至引起停电范围扩大。因此,如何获取高压断路器拒动概率,一直是电力系统领域重点关注的问题。
高压断路器拒动基本都是由于单一元器件失效导致的。但是由于检测手段、评价手段的缺失,单一元器件的状态目前往往难以评估,也就很难实现对高压断路器拒动概率的准确预测。
基于此,本申请提供一种基于贝叶斯算法的高压断路器拒动概率预测方法,用于解决由于检测手段、评价手段的缺失,很难实现对高压断路器拒动概率的准确预测的技术问题。
发明内容
为了解决由于检测手段、评价手段的缺失,相关技术很难实现对高压断路器拒动概率的准确预测的问题,本申请通过以下各个实施例公开了一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置。
本申请第一方面公开了一种基于贝叶斯算法的高压断路器拒动概率预测方法,所述方法包括:
获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数;
根据所述高压断路器的原始数据,组成基于贝叶斯算法的高压断路器拒动概率预测模型的训练集;
根据所述训练集,建立似然矩阵;
根据所述似然矩阵,确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型;
获取待预测高压断路器的原始数据;
将待预测高压断路器的原始数据输入到所述高压断路器拒动概率预测模型中,得到所述待预测高压断路器的拒动概率。
可选的,所述原始数据包括:电压等级、厂家型号、运行年限、变电站环境气象、操动机构类型及拒动情况。
可选的,所述似然矩阵中的元素包括:Y1、Y2、Y3、Y4、Y5及T;
其中,Y1表示所述电压等级,当所述高压断路器的电压为500kV时,所述Y1=0,当所述高压断路器的电压为220kV时,所述Y1=1,当所述高压断路器的电压为110kV时,所述Y1=2;
Y2表示所述厂家型号,厂家型号的拒动缺陷率=所述厂家型号拒动缺陷发生数量/所述厂家型号总数量,全网的拒动平均缺陷率=全网拒动缺陷发生总数量/全网设备总数量,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×1-20%时,所述Y2=0,当全网的拒动平均缺陷率×1-20%≤所述厂家型号的拒动缺陷率≤全网的拒动平均缺陷率×1+20%时,所述Y2=1,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×1+20%时,所述Y2=2;
Y3表示所述运行年限,当所述高压断路器运行年限≤3年或高压断路器最近一次检修后运行年限≥12年时,所述Y3=1,当所述高压断路器为其他运行年限时,所述Y3=0;
Y4表示所述变电站环境气象,当所述变电站环境气象湿度>80%时,所述Y4=2,当65%≤所述变电站环境气象湿度≤80%时,所述Y4=1,当所述变电站环境气象湿度<65%时,所述Y4=0;
Y5表示所述操动机构类型,当所述操动机构类型为液压操动机构时,所述Y5=0,当所述操动机构类型为弹簧或气动操动机构时,所述Y5=1;
T表示所述拒动情况,如果所述高压断路器未发生过拒动,那么所述T=0,如果所述高压断路器发生过拒动,那么所述T=1。
可选的,根据所述似然矩阵,确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型,包括:
通过如下公式获得先验概率:
其中,P1为先验概率,n为高压断路器总数量,m为0,1或2,Y1为电压等级,T为拒动情况;
通过如下公式获得条件概率:
其中,P2为条件概率,Y2为厂家型号,Y3为运行年限,Y4为变电站环境气象,Y5为操动机构类型;
根据所述先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型,所述概率预测模型采用以下公式表示:
其中,P3为预测概率。
本申请第二方面公开了一种基于贝叶斯算法的高压断路器拒动概率预测装置,所述装置应用于第一方面所述的基于贝叶斯算法的高压断路器拒动概率预测方法,所述装置包括:
原始数据获取模块,用于获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数;
训练集获取模块,用于根据所述高压断路器的原始数据,组成基于贝叶斯算法的高压断路器拒动概率预测模型的训练集;
似然矩阵组建模块,用于根据所述训练集,建立似然矩阵;
预测模型建立模块,根据所述似然矩阵,确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型;
待预测数据获取模块,用于获取待预测高压断路器的原始数据;
概率预测模块,用于将待预测高压断路器的原始数据输入到所述高压断路器拒动概率预测模型中,得到所述待预测高压断路器的拒动概率。
可选的,所述原始数据包括:电压等级、厂家型号、运行年限、变电站环境气象、操动机构类型及拒动情况。
可选的,所述似然矩阵中的元素包括:Y1、Y2、Y3、Y4、Y5及T;
其中,Y1表示所述电压等级,当所述高压断路器的电压为500kV时,所述Y1=0,当所述高压断路器的电压为220kV时,所述Y1=1,当所述高压断路器的电压为110kV时,所述Y1=2;
Y2表示所述厂家型号,厂家型号的拒动缺陷率=全网拒动缺陷发生总数量/全网设备总数量,全网的拒动平均缺陷率=全网拒动缺陷发生总数量/全网设备总数量,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×1-20%时,所述Y2=0,当全网的拒动平均缺陷率×1-20%≤所述厂家型号的拒动缺陷率≤全网的拒动平均缺陷率×1+20%时,所述Y2=1,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×1+20%时,所述Y2=2;
Y3表示所述运行年限,当所述高压断路器运行年限≤3年或高压断路器最近一次检修后运行年限≥12年时,所述Y3=1,当所述高压断路器为其他运行年限时,所述Y3=0;
Y4表示所述变电站环境气象,当所述变电站环境气象湿度>80%时,所述Y4=2,当65%≤所述变电站环境气象湿度≤80%时,所述Y4=1,当所述变电站环境气象湿度<65%时,所述Y4=0;
Y5表示所述操动机构类型,当所述操动机构类型为液压操动机构时,所述Y5=0,当所述操动机构类型为弹簧或气动操动机构时,所述Y5=1;
T表示所述拒动情况,如果所述高压断路器未发生过拒动,那么所述T=0,如果所述高压断路器发生过拒动,那么所述T=1。
可选的,所述预测模型建立模块包括:
第一计算单元,用于通过如下公式计算先验概率:
其中,P1为先验概率,n为高压断路器总数量,m为0,1或2,Y1为电压等级,T为拒动情况;
第二计算单元,用于通过如下公式计算条件概率:
其中,P2为条件概率,Y2为厂家型号,Y3为运行年限,Y4为变电站环境气象,Y5为操动机构类型;
第三计算单元,用于根据所述先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型,所述概率预测模型采用以下公式表示:
其中,P3为预测概率。
本申请实施例公开了一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置,首先,获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数,根据所述高压断路器的原始数据,组成基于贝叶斯算法的高压断路器拒动概率预测模型的训练集。接着,根据所述训练集,建立似然矩阵并且确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型。最后,获取待预测高压断路器的原始数据,将待预测高压断路器的原始数据输入到高压断路器拒动概率预测模型中,得到所述待预测高压断路器的拒动概率。
本申请考虑了影响高压断路器拒动的多个因素,即电压等级、厂家型号、运行年限(含最近检修年限)、变电站环境气象、操动机构类型,采用贝叶斯算法,建立高压断路器拒动概率预测模型。应用时,将高压断路器的运行时的原始数据输入建立的预测模型中,进行高压断路器拒动概率预测,解决了由于检测手段、评价手段的缺失,很难实现对高压断路器拒动概率的准确预测的技术问题,从而实现对拒动概率较高的高压断路器及时采取针对性检修策略,减少拒动导致的停电区域扩大。
附图说明
为了更清楚地说明本申请的技术方案,下面将对实施例中所需要使用的附图作简单地介绍,显而易见地,对于本领域普通技术人员而言,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本申请实施例公开的一种基于贝叶斯算法的高压断路器拒动概率预测方法的工作流程示意图;
图2为本申请实施例公开的一种基于贝叶斯算法的高压断路器拒动概率预测装置的结构示意图;
图3为本申请实施例公开的一种基于贝叶斯算法的高压断路器拒动概率预测装置中,预测模型建立模块的结构示意图。
具体实施方式
为了解决由于检测手段、评价手段的缺失,相关技术很难实现对高压断路器拒动概率的准确预测的问题,本申请通过以下各个实施例公开了一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置。
本申请第一实施例公开了一种基于贝叶斯算法的高压断路器拒动概率预测方法,参见图1所示的工作流程图,所述方法包括:
步骤S1、获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数。
步骤S2、根据所述高压断路器的原始数据,组成基于贝叶斯算法的高压断路器拒动概率预测模型的训练集。
步骤S3、根据所述训练集,建立似然矩阵。
步骤S4、根据所述似然矩阵,确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型。
步骤S5、获取待预测高压断路器的原始数据。
步骤S6、将待预测高压断路器的原始数据输入到所述高压断路器拒动概率预测模型中,得到所述待预测高压断路器的拒动概率。
上述实施例公开了一种基于贝叶斯算法的高压断路器拒动概率预测方法,首先,获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数,根据所述高压断路器的原始数据,组成基于贝叶斯算法的高压断路器拒动概率预测模型的训练集。接着,根据所述训练集,建立似然矩阵并且确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型。最后,获取待预测高压断路器的原始数据,将待预测高压断路器的原始数据输入到高压断路器拒动概率预测模型中,得到所述待预测高压断路器的拒动概率。
本申请考虑了影响高压断路器拒动的多个因素,采用贝叶斯算法,建立高压断路器拒动概率预测模型。应用时,将高压断路器的运行时的原始数据输入建立的预测模型中,进行高压断路器拒动概率预测,解决了由于检测手段、评价手段的缺失,很难实现对高压断路器拒动概率的准确预测的技术问题,从而实现对拒动概率较高的高压断路器及时采取针对性检修策略,减少拒动导致的停电区域扩大。
进一步的,所述原始数据包括:电压等级、厂家型号、运行年限、变电站环境气象、操动机构类型及拒动情况,所述运行年限包括最近检修年限。
进一步的,所述似然矩阵中的元素包括:Y1、Y2、Y3、Y4、Y5及T。
其中,Y1表示所述电压等级,当所述高压断路器的电压为500kV时,所述Y1=0,当所述高压断路器的电压为220kV时,所述Y1=1,当所述高压断路器的电压为110kV时,所述Y1=2。
Y2表示所述厂家型号,厂家型号的拒动缺陷率=全网拒动缺陷发生总数量/全网设备总数量,全网的拒动平均缺陷率=全网拒动缺陷发生总数量/全网设备总数量,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×1-20%时,所述Y2=0,当全网的拒动平均缺陷率×1-20%≤所述厂家型号的拒动缺陷率≤全网的拒动平均缺陷率×1+20%时,所述Y2=1,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×1+20%时,所述Y2=2。
Y3表示所述运行年限,发生过拒动的,应采用拒动时的运行年限;未发生过拒动的,应采用截止建模时的运行年限,当所述高压断路器运行年限≤3年或高压断路器最近一次检修后运行年限≥12年时,所述Y3=1,当所述高压断路器为其他运行年限时,所述Y3=0。
Y4表示所述变电站环境气象,当所述变电站环境气象湿度>80%时,所述Y4=2,当65%≤所述变电站环境气象湿度≤80%时,所述Y4=1,当所述变电站环境气象湿度<65%时,所述Y4=0。
Y5表示所述操动机构类型,当所述操动机构类型为液压操动机构时,所述Y5=0,当所述操动机构类型为弹簧或气动操动机构时,所述Y5=1。
T表示所述拒动情况,如果所述高压断路器未发生过拒动,那么所述T=0,如果所述高压断路器发生过拒动,那么所述T=1。
根据每台高压断路器的原始数据,建立似然矩阵,如表1所示,其中n为高压断路器总数量。
表1
进一步的,根据所述似然矩阵,确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型,包括:
通过如下公式获得先验概率:
求Y1=m的先验概率公式为:
求T=1的先验概率公式为:
其中,P1为先验概率,n为高压断路器总数量,m为0,1或2,Y1为电压等级,T为拒动情况,由于高压概率的预测模型只需要使用Y1=m及T=1的先验概率,所以只需要计算Y1=m及T=1的先验概率。
通过如下公式获得条件概率:
已知T=1的情况下,求取Y1=m的条件概率公式为:
已知T=1且Y1=m的情况下,求取Y2=m的条件概率公式为:
已知T=1且Y1=m且Y2=m的情况下,求取Y3=m的条件概率公式为:
已知T=1且Y1=m且Y2=m且Y3=m的情况下,求取Y4=m的条件概率公式为:
已知T=1且Y1=m且Y2=m且Y3=m且Y4=m的情况下,求取Y5=m的条件概率公式为:
已知Y1=m的情况下,求取Y2=m的条件概率公式为:
已知1=m且Y2=m的情况下,求取Y3=m的条件概率公式为:
已知Y1=m且Y2=m且Y3=m的情况下,求取Y4=m的条件概率公式为:
已知Y1=m且Y2=m且Y3=m且Y4=m的情况下,求取Y5=m的条件概率公式为:
其中,P2为条件概率,Y2为厂家型号,Y3为运行年限,Y4为变电站环境气象,Y5为操动机构类型。
根据所述先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型,所述概率预测模型采用以下公式表示:
其中,P3为预测概率。
以下通过简单示例对上述实施例公开的内容进行解释,若所获取的原始数据为2010~2019年云南电网公司118组发生拒动和5200组未发生拒动的高压断路器信息。根据运行信息建立似然矩阵如表2所示:
表2
通过似然矩阵算法,得到先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型。
由于每个高压断路器都有Y1、Y2、Y3、Y4、Y5五个参数,其中,Y1有三种赋值(0、1、2),Y2有三种赋值(0、1、2),Y3有两种赋值(0、1),Y4有三种赋值(0、1、2),Y5有两种赋值(0、1),所以每个高压断路器的运场情景都有3×3×2×3×2=108种,这108种运行场景都可以算出概率。将2020年的5816台高压断路器的运行情景进行计算,将具有相同预测概率的高压断路器归为一种运行场景,可得到108种运行场景,由于其中40种运行场景现实中不存在,所以实际存在68种运行场景,所述实际存在68种运行场景所对应的预测概率,如表3所示:
表3
将以上68种运行场景进行排序,拒动概率最高的为第1级,概率最低的为第68级。
截止目前2020年共发生5起拒动缺陷/事件,其中4起缺陷/事件可在前5级进行准确预测,如表4所示:
表4 2020拒动缺陷/事件模型验证情况
基于目前的分析方式和掌握的数据,高压断路器拒动概率预测准确率达80%。因此,该模型可以较好地预测高压断路器拒动的概率,并对拒动概率较高的高压断路器及时采取针对性检修策略,减少拒动导致的停电区域扩大。
下述为本申请公开的装置实施例,用于执行上述方法实施例。针对装置实施例中未披露的细节,请参照方法实施例。
本申请第二实施例公开了一种基于贝叶斯算法的高压断路器拒动概率预测装置,所述装置应用于第二实施例所述的基于贝叶斯算法的高压断路器拒动概率预测方法,参见图2所示的结构示意图,所述装置包括:
原始数据获取模块10,用于获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数。
训练集获取模块20,用于根据所述高压断路器的原始数据,组成基于贝叶斯算法的高压断路器拒动概率预测模型的训练集。
似然矩阵组建模块30,用于根据所述训练集,建立似然矩阵。
预测模型建立模块40,根据所述似然矩阵,确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型。
待预测数据获取模块50,用于获取待预测高压断路器的原始数据。
概率预测模块60,用于将待预测高压断路器的原始数据输入到所述高压断路器拒动概率预测模型中,得到所述待预测高压断路器的拒动概率。
进一步的,所述原始数据包括:电压等级、厂家型号、运行年限、变电站环境气象、操动机构类型及拒动情况,所述运行年限包括最近检修年限。
进一步的,所述似然矩阵中的元素包括:Y1、Y2、Y3、Y4、Y5及T。
其中,Y1表示所述电压等级,当所述高压断路器的电压为500kV时,所述Y1=0,当所述高压断路器的电压为220kV时,所述Y1=1,当所述高压断路器的电压为110kV时,所述Y1=2。
Y2表示所述厂家型号,厂家型号的拒动缺陷率=全网拒动缺陷发生总数量/全网设备总数量,全网的拒动平均缺陷率=全网拒动缺陷发生总数量/全网设备总数量,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×1-20%时,所述Y2=0,当全网的拒动平均缺陷率×1-20%≤所述厂家型号的拒动缺陷率≤全网的拒动平均缺陷率×1+20%时,所述Y2=1,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×1+20%时,所述Y2=2。
Y3表示所述运行年限,发生过拒动的,应采用拒动时的运行年限;未发生过拒动的,应采用截止建模时的运行年限,当所述高压断路器运行年限≤3年或高压断路器最近一次检修后运行年限≥12年时,所述Y3=1,当所述高压断路器为其他运行年限时,所述Y3=0。
Y4表示所述变电站环境气象,当所述变电站环境气象湿度>80%时,所述Y4=2,当65%≤所述变电站环境气象湿度≤80%时,所述Y4=1,当所述变电站环境气象湿度<65%时,所述Y4=0。
Y5表示所述操动机构类型,当所述操动机构类型为液压操动机构时,所述Y5=0,当所述操动机构类型为弹簧或气动操动机构时,所述Y5=1。
T表示所述拒动情况,如果所述高压断路器未发生过拒动,那么所述T=0,如果所述高压断路器发生过拒动,那么所述T=1。
进一步的,参见图3所示的结构示意图,所述预测模型建立模块40包括:
第一计算单元401,用于通过如下公式计算先验概率:
求Y1=m的先验概率公式为:
求T=1的先验概率公式为:
其中,P1为先验概率,n为高压断路器总数量,m为0,1或2,Y1为电压等级,T为拒动情况。
第二计算单元402,用于通过如下公式计算条件概率:
已知T=1的情况下,求取Y1=m的条件概率公式为:
已知T=1且Y1=m的情况下,求取Y2=m的条件概率公式为:
已知T=1且Y1=m且Y2=m的情况下,求取Y3=m的条件概率公式为:
已知T=1且Y1=m且Y2=m且Y3=m的情况下,求取Y4=m的条件概率公式为:
已知T=1且Y1=m且Y2=m且Y3=m且Y4=m的情况下,求取Y5=m的条件概率公式为:
已知Y1=m的情况下,求取Y2=m的条件概率公式为:
已知1=m且Y2=m的情况下,求取Y3=m的条件概率公式为:
已知Y1=m且Y2=m且Y3=m的情况下,求取Y4=m的条件概率公式为:
已知Y1=m且Y2=m且Y3=m且Y4=m的情况下,求取Y5=m的条件概率公式为:
其中,P2为条件概率Y2为厂家型号,Y3为运行年限,Y4为变电站环境气象,Y5为操动机构类型。
第三计算单元403,用于根据所述先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型,所述概率预测模型采用以下公式表示:
其中,P3为预测概率。
以上结合具体实施方式和范例性实例对本申请进行了详细说明,不过这些说明并不能理解为对本申请的限制。本领域技术人员理解,在不偏离本申请精神和范围的情况下,可以对本申请技术方案及其实施方式进行多种等价替换、修饰或改进,这些均落入本申请的范围内。本申请的保护范围以所附权利要求为准。
Claims (8)
1.一种基于贝叶斯算法的高压断路器拒动概率预测方法,其特征在于,所述方法包括:
获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数;
根据所述高压断路器的原始数据,组成基于贝叶斯算法的高压断路器拒动概率预测模型的训练集;
根据所述训练集,建立似然矩阵;
根据所述似然矩阵,确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型;
获取待预测高压断路器的原始数据;
将待预测高压断路器的原始数据输入到所述高压断路器拒动概率预测模型中,得到所述待预测高压断路器的拒动概率。
2.根据权利要求1所述的基于贝叶斯算法的高压断路器拒动概率预测方法,其特征在于,所述原始数据包括:电压等级、厂家型号、运行年限、变电站环境气象、操动机构类型及拒动情况。
3.根据权利要求2所述的基于贝叶斯算法的高压断路器拒动概率预测方法,其特征在于,所述似然矩阵中的元素包括:Y1、Y2、Y3、Y4、Y5及T;
其中,Y1表示所述电压等级,当所述高压断路器的电压为500kV时,所述Y1=0,当所述高压断路器的电压为220kV时,所述Y1=1,当所述高压断路器的电压为110kV时,所述Y1=2;
Y2表示所述厂家型号,厂家型号的拒动缺陷率=全网拒动缺陷发生总数量/全网设备总数量,全网的拒动平均缺陷率=全网拒动缺陷发生总数量/全网设备总数量,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×(1-20%)时,所述Y2=0,当全网的拒动平均缺陷率×(1-20%)≤所述厂家型号的拒动缺陷率≤全网的拒动平均缺陷率×(1+20%)时,所述Y2=1,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×(1+20%)时,所述Y2=2;
Y3表示所述运行年限,当所述高压断路器运行年限≤3年或高压断路器最近一次检修后运行年限≥12年时,所述Y3=1,当所述高压断路器为其他运行年限时,所述Y3=0;
Y4表示所述变电站环境气象,当所述变电站环境气象湿度>80%时,所述Y4=2,当65%≤所述变电站环境气象湿度≤80%时,所述Y4=1,当所述变电站环境气象湿度<65%时,所述Y4=0;
Y5表示所述操动机构类型,当所述操动机构类型为液压操动机构时,所述Y5=0,当所述操动机构类型为弹簧或气动操动机构时,所述Y5=1;
T表示所述拒动情况,如果所述高压断路器未发生过拒动,那么所述T=0,如果所述高压断路器发生过拒动,那么所述T=1。
5.一种基于贝叶斯算法的高压断路器拒动概率预测装置,其特征在于,所述装置应用于权利要求1-4任一项所述的基于贝叶斯算法的高压断路器拒动概率预测方法,所述装置包括:
原始数据获取模块,用于获取已发生拒动和未发生拒动的高压断路器的原始数据,所述原始数据为高压断路器的设备参数及运行参数;
训练集获取模块,用于根据所述高压断路器的原始数据,组成基于贝叶斯算法的高压断路器拒动概率预测模型的训练集;
似然矩阵组建模块,用于根据所述训练集,建立似然矩阵;
预测模型建立模块,根据所述似然矩阵,确定先验概率和条件概率,建立基于贝叶斯算法的高压断路器拒动概率预测模型;
待预测数据获取模块,用于获取待预测高压断路器的原始数据;
概率预测模块,用于将待预测高压断路器的原始数据输入到所述高压断路器拒动概率预测模型中,得到所述待预测高压断路器的拒动概率。
6.根据权利要求5所述的基于贝叶斯算法的高压断路器拒动概率预测装置,其特征在于,所述原始数据包括:电压等级、厂家型号、运行年限、变电站环境气象、操动机构类型及拒动情况。
7.根据权利要求5所述的基于贝叶斯算法的高压断路器拒动概率预测装置,其特征在于,所述似然矩阵中的元素包括:Y1、Y2、Y3、Y4、Y5及T;
其中,Y1表示所述电压等级,当所述高压断路器的电压为500kV时,所述Y1=0,当所述高压断路器的电压为220kV时,所述Y1=1,当所述高压断路器的电压为110kV时,所述Y1=2;
Y2表示所述厂家型号,厂家型号的拒动缺陷率=所述厂家型号拒动缺陷发生数量/所述厂家型号总数量,全网的拒动平均缺陷率=网拒动缺陷发生总数量/全网设备总数量,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×(1-20%)时,所述Y2=0,当全网的拒动平均缺陷率×(1-20%)≤所述厂家型号的拒动缺陷率≤全网的拒动平均缺陷率×(1+20%)时,所述Y2=1,当所述厂家型号的拒动缺陷率>全网的拒动平均缺陷率×(1+20%)时,所述Y2=2;
Y3表示所述运行年限,当所述高压断路器运行年限≤3年或高压断路器最近一次检修后运行年限≥12年时,所述Y3=1,当所述高压断路器为其他运行年限时,所述Y3=0;
Y4表示所述变电站环境气象,当所述变电站环境气象湿度>80%时,所述Y4=2,当65%≤所述变电站环境气象湿度≤80%时,所述Y4=1,当所述变电站环境气象湿度<65%时,所述Y4=0;
Y5表示所述操动机构类型,当所述操动机构类型为液压操动机构时,所述Y5=0,当所述操动机构类型为弹簧或气动操动机构时,所述Y5=1;
T表示所述拒动情况,如果所述高压断路器未发生过拒动,那么所述T=0,如果所述高压断路器发生过拒动,那么所述T=1。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010825579.0A CN111985708B (zh) | 2020-08-17 | 2020-08-17 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010825579.0A CN111985708B (zh) | 2020-08-17 | 2020-08-17 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN111985708A true CN111985708A (zh) | 2020-11-24 |
CN111985708B CN111985708B (zh) | 2023-09-22 |
Family
ID=73434038
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010825579.0A Active CN111985708B (zh) | 2020-08-17 | 2020-08-17 | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN111985708B (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2940483A1 (en) * | 2014-04-14 | 2015-11-04 | Vysoke Uceni Technicke V Brne | Evaluation method for determining of the probability of an asymmetrical fault location in a distribution network and a monitoring system for performing such method |
CN105354417A (zh) * | 2015-07-08 | 2016-02-24 | 国家电网公司 | 一种计及断路器拒动几率的恢复供电方法 |
CN107621594A (zh) * | 2017-11-13 | 2018-01-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于故障录波数据与贝叶斯网络的电网故障诊断方法 |
CN109409444A (zh) * | 2018-12-26 | 2019-03-01 | 国网陕西省电力公司电力科学研究院 | 一种基于先验概率的多元电网故障类型的判别方法 |
WO2019062462A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用控制方法、装置、存储介质以及电子设备 |
KR102069087B1 (ko) * | 2018-12-21 | 2020-01-22 | (주)위세아이텍 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
CN110796368A (zh) * | 2019-10-23 | 2020-02-14 | 北方工业大学 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
-
2020
- 2020-08-17 CN CN202010825579.0A patent/CN111985708B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
EP2940483A1 (en) * | 2014-04-14 | 2015-11-04 | Vysoke Uceni Technicke V Brne | Evaluation method for determining of the probability of an asymmetrical fault location in a distribution network and a monitoring system for performing such method |
CN105354417A (zh) * | 2015-07-08 | 2016-02-24 | 国家电网公司 | 一种计及断路器拒动几率的恢复供电方法 |
WO2019062462A1 (zh) * | 2017-09-30 | 2019-04-04 | Oppo广东移动通信有限公司 | 应用控制方法、装置、存储介质以及电子设备 |
CN107621594A (zh) * | 2017-11-13 | 2018-01-23 | 广东电网有限责任公司电力调度控制中心 | 一种基于故障录波数据与贝叶斯网络的电网故障诊断方法 |
KR102069087B1 (ko) * | 2018-12-21 | 2020-01-22 | (주)위세아이텍 | 고장확률을 활용한 열차 사고 위험도 예측 장치 및 방법 |
CN109409444A (zh) * | 2018-12-26 | 2019-03-01 | 国网陕西省电力公司电力科学研究院 | 一种基于先验概率的多元电网故障类型的判别方法 |
CN110796368A (zh) * | 2019-10-23 | 2020-02-14 | 北方工业大学 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
Non-Patent Citations (2)
Title |
---|
李永丽;吴玲玲;卢扬;孙广宇;: "基于改进的贝叶斯分类算法的断路器故障诊断", 天津大学学报(自然科学与工程技术版), no. 06 * |
马宏明: "基于贝叶斯网络的高压断路器拒动故障概率预测", 云南电技术, vol. 51, no. 2 * |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113671361A (zh) * | 2021-06-25 | 2021-11-19 | 海南电网有限责任公司海南输变电检修分公司 | 基于多源信号融合的高压断路器特性参数预测方法及系统 |
Also Published As
Publication number | Publication date |
---|---|
CN111985708B (zh) | 2023-09-22 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111835002B (zh) | 一种配电网可靠性评估方法、装置及存储介质 | |
CN103323707A (zh) | 基于半马尔科夫过程的变压器故障率预测方法 | |
CN103914788A (zh) | 电网多环节系统的可靠性评估方法 | |
CN103227662A (zh) | 一种基于状态控制的电力通信设备安全检测方法及系统 | |
CN105425768A (zh) | 一种电力二次设备监测装置及方法 | |
CN105467971A (zh) | 一种电力二次设备监测系统及方法 | |
CN104166940A (zh) | 配电网运行风险评估方法及评估系统 | |
CN109740187A (zh) | 基于fta-mc的起重机电气系统可靠性建模与仿真分析方法 | |
CN109064071A (zh) | 一种基于保护失效的智能变电站二次系统风险评估方法 | |
CN111209535B (zh) | 一种电力设备相继故障风险识别方法及系统 | |
CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
CN111985708B (zh) | 一种基于贝叶斯算法的高压断路器拒动概率预测方法及装置 | |
CN115453267A (zh) | 一种电力信息系统故障诊断系统 | |
CN104201767B (zh) | 备自投压板优化投退控制方法 | |
CN105552899A (zh) | 一种计算大停电后电网恢复力的方法 | |
CN114580177A (zh) | 一种基于连锁故障预防的电力系统调度方法 | |
CN116956203B (zh) | 一种变压器分接开关动作特性测量方法及系统 | |
CN113052473A (zh) | 一种基于故障率和静态安全分析的电网风险分析方法 | |
CN113055231A (zh) | 电力通信网络n-x检修状态的业务可靠性评估方法及装置 | |
CN115588961B (zh) | 一种基于配电网全模型保护的整定值自适应整定方法 | |
CN105160601A (zh) | 一种准确的调控质量分析方法 | |
CN115932564A (zh) | 高压断路器故障评估方法、装置、设备及可读存储介质 | |
Cai et al. | Performance degradation based reliability prediction method for CTCS on-board equipment | |
CN115374654B (zh) | 一种评估电力系统弹性的方法和系统 | |
Enkhmunkh et al. | A parameter estimation of Weibull distribution for reliability assessment with limited failure data |
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 |