CN112801428B - 一种基于概率预警的落雷损失预防控制方法 - Google Patents
一种基于概率预警的落雷损失预防控制方法 Download PDFInfo
- Publication number
- CN112801428B CN112801428B CN202110374759.6A CN202110374759A CN112801428B CN 112801428 B CN112801428 B CN 112801428B CN 202110374759 A CN202110374759 A CN 202110374759A CN 112801428 B CN112801428 B CN 112801428B
- Authority
- CN
- China
- Prior art keywords
- lightning
- matrix
- data
- probability
- ancestor
- 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 41
- 230000002265 prevention Effects 0.000 title claims abstract description 14
- 230000005540 biological transmission Effects 0.000 claims abstract description 17
- 208000025274 Lightning injury Diseases 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 65
- 238000012546 transfer Methods 0.000 claims description 35
- 239000000126 substance Substances 0.000 claims description 30
- 230000007704 transition Effects 0.000 claims description 16
- 238000009826 distribution Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 12
- 238000005457 optimization Methods 0.000 claims description 9
- 238000005070 sampling Methods 0.000 claims description 9
- 239000007788 liquid Substances 0.000 claims description 6
- 230000008569 process Effects 0.000 claims description 6
- 238000001556 precipitation Methods 0.000 claims description 5
- 238000007781 pre-processing Methods 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- APTZNLHMIGJTEW-UHFFFAOYSA-N pyraflufen-ethyl Chemical compound C1=C(Cl)C(OCC(=O)OCC)=CC(C=2C(=C(OC(F)F)N(C)N=2)Cl)=C1F APTZNLHMIGJTEW-UHFFFAOYSA-N 0.000 claims description 4
- 230000005611 electricity Effects 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 claims description 3
- 230000001502 supplementing effect Effects 0.000 claims description 3
- 238000009827 uniform distribution Methods 0.000 claims description 3
- 241000764238 Isis Species 0.000 claims description 2
- 230000000694 effects Effects 0.000 description 8
- 238000011160 research Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 101100460704 Aspergillus sp. (strain MF297-2) notI gene Proteins 0.000 description 2
- 230000001174 ascending effect Effects 0.000 description 2
- 230000001276 controlling effect Effects 0.000 description 2
- 238000001514 detection method Methods 0.000 description 2
- 230000002708 enhancing effect Effects 0.000 description 2
- 230000007246 mechanism Effects 0.000 description 2
- 230000001105 regulatory effect Effects 0.000 description 2
- 238000013145 classification model Methods 0.000 description 1
- 150000001875 compounds Chemical class 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013213 extrapolation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000009413 insulation Methods 0.000 description 1
- 230000007787 long-term memory Effects 0.000 description 1
- 238000010801 machine learning Methods 0.000 description 1
- 238000012423 maintenance Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000006403 short-term memory Effects 0.000 description 1
- 238000012706 support-vector machine 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
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/02—Instruments for indicating weather conditions by measuring two or more variables, e.g. humidity, pressure, temperature, cloud cover or wind speed
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01W—METEOROLOGY
- G01W1/00—Meteorology
- G01W1/10—Devices for predicting weather conditions
-
- 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
-
- 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
- Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
- Y02A—TECHNOLOGIES FOR ADAPTATION TO CLIMATE CHANGE
- Y02A90/00—Technologies having an indirect contribution to adaptation to climate change
- Y02A90/10—Information and communication technologies [ICT] supporting adaptation to climate change, e.g. for weather forecasting or climate simulation
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Environmental & Geological Engineering (AREA)
- Human Resources & Organizations (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Life Sciences & Earth Sciences (AREA)
- Environmental Sciences (AREA)
- Atmospheric Sciences (AREA)
- General Engineering & Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Health & Medical Sciences (AREA)
- Probability & Statistics with Applications (AREA)
- Evolutionary Computation (AREA)
- Ecology (AREA)
- Biodiversity & Conservation Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Mathematical Optimization (AREA)
- Evolutionary Biology (AREA)
- Algebra (AREA)
- Software Systems (AREA)
- Computing Systems (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Mathematics (AREA)
- Primary Health Care (AREA)
- Mathematical Analysis (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Physics (AREA)
- Development Economics (AREA)
Abstract
一种基于概率预警的落雷损失预防控制方法,以实现在雷电气候条件下预测落雷概率,对输送能力大、线路排列紧密的重要输电通道上传送的功率进行合理的调整,以期规避落雷击中联络线后产生的经济损失。该方法首先使用贝叶斯网络对输电线路进行落雷概率预警,随后将雷击风险量化为经济损失,与调控成本合并为风险代价,以风险代价最小为目标函数从而确定调整功率的具体数额。本发明可以在调控代价与直接损失之间找到平衡点,有效降低以调控方式主动防雷的成本。
Description
技术领域
本发明属于电力系统风险与防控领域,具体设计一种基于概率预警的落雷损失预防控制方法。
背景技术
我国大部分地区雷电活动频发,并且雷击是引起输电线路跳闸最主要的原因,故而当部分重要输电通道地处雷电活动高发、地形地貌复杂的区域时,雷击引发多回同跳等严重电网事故的风险便客观存在。在雷电天候下完全停运联络线的做法成本过高,但在不停运线路的情况下一旦雷击跳闸事件发生,不仅会造成直接经济损失,同时因重要线路故障,潮流发生转移,可能会造成严重的连锁故障,代价同样高昂。
现有的联络线防雷方法主要可分为两种,一方面人为降低落雷风险,具体包括加强重要线路的巡视,或在预测到雷电天候时更新运行、检修计划,完全停运相关线路;另一方面,从硬件或结构上提高重要线路的防雷水平,如采用增强绝缘、降低杆塔接地电阻,完善线路的重合闸配置率,甚至改变地区网架结构、增加联络开关以提高电网的负荷转移能力。现有方法不论从人工上还是从硬件上都有很大的人力财力消耗,在雷电天候来临时也只能做出停运/不停运联络线的类似0/1选择,这样的选择容易出现极端情况,在预测出现失误的情况下可能导致不必要的停运或者正常运行后被落雷击中从而出现重大经济损失。
现有研究方面,国内已有通过选择合适的雷暴预测特征量,运用机器学习的方法建立用于判断云地闪发生情况的分类模型,但该研究只能给出雷暴的发生与否,无法给出具体的概率值。
目前对落雷预测的研究更多地还是侧重对雷电发生机理的研究,较少涉及数据层面的挖掘分析。实际上,在雷电活动的探测过程中,电力部门积累了大量的关于雷电活动的运行数据,这些数据既包括如气温、降水、气压、风向、风速和湿度等的气象数据,也有雷电定位系统探测到的诸如落雷经纬度、雷电流幅值、回击次数等的雷电信息。这些数据为我们进行雷电活动探测提供了一种新的辅助手段,从这些落雷的历史数据中挖掘气象因素与落雷信息之间的相关性,可以回避目前对雷电活动机理掌握不够的困难,从而建立用于雷电活动预报的非线性外推模型。
发明内容
为解决现有技术中存在的不足,本发明的目的在于,提供一种合理利用好电力部门积累的历史数据从而更加准确的预测落雷概率,并基于此制定合理的调度计划,减少风险损失和调度成本。本发明将落雷风险进行量化,以直观的形式表达落雷事件的严重度。从而与调度成本合并为目标函数,将原本的决策问题转化为优化问题。欲保护雷电天候下的联络线,联络线如果在大功率运行时被落雷击中不仅可能引发严重的自然灾害,而且由于大量的功率缺额导致的潮流转移,可能引发连锁故障,扩大经济损失。
本发明采用如下的技术方案:
一种基于概率预警的落雷损失预防控制方法,包括以下步骤:
步骤1:采集气象历史数据与落雷历史数据;其中,气象历史数据包括气温、气压、降水、风速、风向与湿度数据;落雷历史数据包括含雷电流幅值、雷击过电流极性、落雷有效放电次数;
步骤2:对步骤1采集到的数据进行预处理;
步骤3:将步骤2预处理后的数据作为输入值,建立概率预测模型;
步骤4:实时采集气象数据,输入至概率预测模型进行落雷概率预测;
步骤5:计算落雷风险;
步骤6:根据计算得到的落雷风险,构建优化模型以计算联络线传输功率调整量。
步骤2中,所述数据预处理的方法包括以下步骤:
步骤201:对步骤1采集的气象历史数据与落雷历史数据进行异常值的处理;
步骤202:采用三次样条插值对对步骤201处理后的数据进行缺失值的补充;
步骤203:对步骤202处理过后的气象历史数据进行离散化,得到各类数据的状态区间。
在步骤201中,正常值与异常值的划分方式为:
定义间距:
根据间距,定义上下界:
在步骤203中, 构建描述气象历史数据间相关性强度的系数以用于离散化处理:
其中,cc表示离散化处理后描述气象历史数据间相关性强度的系数,是求取cc所用的中间变量,M表示总的样本数,S表示样本类别数,表示离散后区间数,表示属于区间类别为的样本数量,表示类别是的样本数量,表示属于区间的样本数量,区间代表样本取值范围,,是样本最小值,是样本最大值。
计算排序后相邻样本的中点,将所有中点作为断点放入断点集L;
选取一个不属于但属于L中的断点加入到中,计算此时的CC值,将该断点从中拿出;再取一个不属于但属于L中的其他断点加入到中,计算此时的CC值,再将其拿出。重复该方法,直到所有断点都被加入过计算过CC值后,比较之前计算过的所有CC值,选择能使CC值最大的断点将其保留在中。此时中有三个断点,计算此时的不一致率,方法为:
在步骤3中,建立所述概率模型包括以下内容:
步骤301:定义以下贝叶斯网络结构:
步骤302:构建合法的马尔科夫链状态转移操作,所述合法的马尔科夫链状态转移操作即指在状态转移的过程中不能在网络结构中引入有向环,在每一步状态转移过程中,首先判断该状态转移操作是否合法,当马尔科夫链接收合法操作时,即更新关联矩阵和祖先矩阵的相应元素;
步骤303:基于马尔科夫蒙特卡洛MCMC采样,最终得到目标贝叶斯网络结构样本,选取其中出现概率最大的样本结构作为最终的贝叶斯网络结构模型。
在步骤302中,具体包括以下内容:
步骤302.1:添加边操作;当时,则添加边是合法的。当接受添加边的操作时,更新关联矩阵;祖先矩阵的更新分三步进行:首先,将节点设为节点的祖先节点;其次,更新的祖先节点,即将的所有祖先节点添加为的祖先节点;最后,更新的子孙节点的祖先节点,即将的所有祖先节点添加为的子孙节点的祖先节点;
步骤303包括以下内容:
在步骤5中,根据步骤4所得到的落雷概率值定义落雷风险:
所述经济损失具体可表现为缺额供电量的价值:
其中,X为路线停运容量,即联络线的传输功率,R为备用容量,C为实时电价。
在步骤6中,总的目标函数为:
本发明的有益效果在于,与现有技术相比,充分挖掘历史数据,提高落雷概率预测的准确性,同时基于落雷概率预警构建成本代价优化模型,将停运/不停运这个决策问题转化为联络线功率调整量的优化问题之后,联络线的调节量会更合理,不至于调节量不足引起无法接受的经济损失,也不至于过调使得联络线两端独立区域发生重载一类的事情。
附图说明
图1为本发明落雷概率预警流程图。
具体实施方式
下面结合附图对本申请作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案,而不能以此来限制本申请的保护范围。
步骤1,采集气象历史数据与落雷历史数据;其中,气象历史数据包括气温、气压、降水、风速、风向与湿度数据;落雷历史数据包括含雷电流幅值、雷击类型、落雷次数、落雷数据样本;
步骤2,对气象六要素和落雷信息的历史数据进行异常值和缺失值的处理,进而根据列联系数指标对气象六要素数据进行离散化,得到各自的状态区间;
步骤201:对步骤1采集的气象历史数据与落雷历史数据进行异常值的处理;
在步骤201中,正常值与异常值的划分方式为:
定义间距:
根据间距,定义上下界:
步骤202:采用三次样条插值对对步骤201处理后的数据进行缺失值的补充;
步骤203:对步骤202处理过后的气象历史数据进行离散化,得到各类数据的状态区间。
在步骤203中, 构建描述气象历史数据间相关性强度的系数以用于离散化处理:
其中,cc表示离散化处理后描述气象历史数据间相关性强度的系数,是求取cc所用的中间变量,M表示总的样本数,S表示样本类别数,表示离散后区间数,表示属于区间类别为的样本数量,表示类别是的样本数量,表示属于区间的样本数量,区间代表样本取值范围,,是样本最小值,是样本最大值。
计算排序后相邻样本的中点,将所有中点作为断点放入断点集L;
选取一个不属于但属于L中的断点加入到中,计算此时的CC值,将该断点从中拿出;再取一个不属于但属于L中的其他断点加入到中,计算此时的CC值,再将其拿出。重复该方法,直到所有断点都被加入过计算过CC值后,比较之前计算过的所有CC值,选择能使CC值最大的断点将其保留在中。此时中有三个断点,计算此时的不一致率,方法为:
如果小于阈值,则输出此时的,即离散化数据集,否则使用上述方法往加入第四个断点,计算不一致率比较其与阈值的大小;一直往加入断点直至不一致率小于阈值,输出此时的,即离散化数据集。在本实施例中阈值取0.01。
步骤3:将步骤2预处理后的数据作为输入值,建立概率预测模型;
步骤301:定义以下贝叶斯网络结构:
其中,I为关联矩阵,,其含义为I为一个阶方阵;;A为祖先矩阵,;R表示实数,表示网络节点数,网络节点应包涵气象数据及落雷历史数据类型,故节点数取值应与所有数据的类型总数一致,依前文所述,气象数据包括气温、气压,降水、风速、风向与湿度,落雷历史数据包含雷电流幅值、雷击过电流极性、落雷有效放电次数,故取为9;与表示贝叶斯网络中节点的序号。
步骤302:构建合法的马尔科夫链状态转移操作,所述合法的马尔科夫链状态转移操作即指在状态转移的过程中不能在网络结构中引入有向环,在每一步状态转移过程中,首先判断该状态转移操作是否合法,当马尔科夫链接收合法操作时,即更新关联矩阵和祖先矩阵的相应元素;
步骤302.1:添加边操作;当时,则添加边是合法的。当接受添加边的操作时,更新关联矩阵;祖先矩阵的更新分三步进行:首先,将节点设为节点的祖先节点;其次,更新的祖先节点,即将的所有祖先节点添加为的祖先节点;最后,更新的子孙节点的祖先节点,即将的所有祖先节点添加为的子孙节点的祖先节点;
步骤303:基于马尔科夫蒙特卡洛MCMC采样,最终得到目标贝叶斯网络结构样本,选取其中出现概率最大的样本结构作为最终的贝叶斯网络结构模型:
本领域技术人员需知道,步骤3所提供的概率预测模型只为一种实施例,其他概率预测模型,如长短时记忆网络配合支持向量机的方法也可以达到相应的技术效果。
步骤4:实时采集气象数据,输入至概率预测模型进行落雷概率预测;
步骤5:量化落雷风险;
在步骤5中,根据步骤4所得到的落雷概率值定义落雷风险:
经济损失具体可表现为缺额供电量的价值:
其中,X为路线停运容量,即联络线的传输功率,R为备用容量,C为实时电价。
步骤6:根据量化后的落雷风险,构建优化模型以计算联络线传输功率调整量。
在步骤6中,总的目标函数为:
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述,但是本领域技术人员应该理解,以上实施示例仅为本发明的优选实施方案,详尽的说明只是为了帮助读者更好地理解本发明精神,而并非对本发明保护范围的限制,相反,任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。
Claims (8)
1.一种基于概率预警的落雷损失预防控制方法,其特征在于,所述落雷损失预防控制方法包括以下步骤:
步骤1:采集气象历史数据与落雷历史数据;其中,气象历史数据包括气温、气压、降水、风速、风向与湿度数据;落雷历史数据包括含雷电流幅值、雷击过电流极性、落雷有效放电次数;
步骤2:对步骤1采集到的数据进行预处理;
步骤3:将步骤2预处理后的数据作为输入值,建立概率预测模型;
步骤4:实时采集气象数据,输入至概率预测模型进行落雷概率预测;
步骤5:按照下式计算落雷风险:
其中,为落雷风险,单位为金额/时间,实质是期望雷击经济损失;P为通过概率模型得到的落雷概率,S为雷击事件发生后的严重度,以经济损失表示,S为缺额供电量的价值,X为路线停运容量,即联络线的传输功率,R为备用容量,c为实时电价;
步骤6:根据计算得到的落雷风险,构建优化模型以计算联络线传输功率调整量:
总的目标函数为:
2.根据权利要求1所述的落雷损失预防控制方法,其特征在于:
步骤2中,所述对数据进行预处理的方法包括以下步骤:
步骤201:对步骤1采集的气象历史数据与落雷历史数据进行异常值的处理;
步骤202:采用三次样条插值对步骤201处理后的数据进行缺失值的补充;
步骤203:对步骤202处理过后的气象历史数据进行离散化,得到各类数据的状态区间。
5.根据权利要求1-4任意一项权利要求所述的落雷损失预防控制方法,其特征在于:
在步骤3中,建立所述概率预测模型包括以下内容:
步骤301:定义以下贝叶斯网络结构:
其中,为关联矩阵,,其含义为为一个阶方阵;为祖先矩阵,;R表示实数,表示网络节点数;i与j表示贝叶斯网络中节点的序号;E为所有边的集合,表示当存在节点至节点的直接有向路径时,相应的关联矩阵元素为1,否则为0;
步骤302:构建合法的马尔科夫链状态转移操作,所述合法的马尔科夫链状态转移操作即指在状态转移的过程中不能在网络结构中引入有向环,在每一步状态转移过程中,首先判断该状态转移操作是否合法,当马尔科夫链接收合法操作时,即更新关联矩阵I和祖先矩阵A的相应元素;
步骤303:基于马尔科夫蒙特卡洛MCMC采样,最终得到目标贝叶斯网络结构样本,选取其中出现概率最大的样本结构作为最终的贝叶斯网络结构模型。
6.根据权利要求5所述的落雷损失预防控制方法,其特征在于:
在步骤302中,具体包括以下内容:
步骤302.1:添加边操作;当时,则添加边是合法的;当接受添加边的操作时,更新关联矩阵;祖先矩阵A的更新分三步进行:首先,将节点设为节点的祖先节点;其次,更新的祖先节点,即将的所有祖先节点添加为的祖先节点;最后,更新的子孙节点的祖先节点,即将的所有祖先节点添加为的子孙节点的祖先节点;
7.根据权利要求6所述的落雷损失预防控制方法,其特征在于:
步骤303包括以下内容:
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374759.6A CN112801428B (zh) | 2021-04-08 | 2021-04-08 | 一种基于概率预警的落雷损失预防控制方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110374759.6A CN112801428B (zh) | 2021-04-08 | 2021-04-08 | 一种基于概率预警的落雷损失预防控制方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112801428A CN112801428A (zh) | 2021-05-14 |
CN112801428B true CN112801428B (zh) | 2021-07-13 |
Family
ID=75816509
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110374759.6A Active CN112801428B (zh) | 2021-04-08 | 2021-04-08 | 一种基于概率预警的落雷损失预防控制方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112801428B (zh) |
Families Citing this family (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113572179B (zh) * | 2021-09-23 | 2022-01-25 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于雷击概率的储能与负荷功率协调控制方法 |
CN114154766B (zh) * | 2022-02-07 | 2022-05-10 | 国网江苏省电力有限公司苏州供电分公司 | 雷电动态预测下电网的易损性预警方法及系统 |
CN114792392B (zh) * | 2022-05-18 | 2023-04-18 | 西南交通大学 | 一种基于马尔科夫链的雷电先导发展路径的模拟方法 |
CN115409427B (zh) * | 2022-10-28 | 2023-03-24 | 国网江西省电力有限公司供电服务管理中心 | 居民负荷可用调节容量多状态的评估方法及装置 |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109659928A (zh) * | 2018-11-12 | 2019-04-19 | 华北电力大学 | 一种可控空调负荷的优化调度方法 |
CN111815476A (zh) * | 2020-07-03 | 2020-10-23 | 国网新疆电力有限公司电力科学研究院 | 基于极端冰灾的电网薄弱环节识别方法及装置 |
CN111860977A (zh) * | 2020-06-30 | 2020-10-30 | 清华大学 | 短期负荷的概率预测方法和概率预测装置 |
US20210033749A1 (en) * | 2018-02-05 | 2021-02-04 | Nippon Telegraph And Telephone Corporation | Lighting damage prediction device, method, and program |
Family Cites Families (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104021268B (zh) * | 2014-01-08 | 2017-03-15 | 国家电网公司 | 一种基于风险分析的输电断面经济输电功率在线确定方法 |
ES2716775A1 (es) * | 2017-12-14 | 2019-06-14 | Siemens Gamesa Renewable Energy Innovation & Technology SL | Método para avisar de una actividad de rayos en parques eólicos |
US10408972B1 (en) * | 2018-04-20 | 2019-09-10 | Adam Baker | System and method for lightning strike prediction and warning |
CN109858668B (zh) * | 2018-12-21 | 2021-06-08 | 国网江苏省电力有限公司苏州供电分公司 | 一种雷电气候下电力负荷区域协调预测方法 |
CN111600340B (zh) * | 2020-04-20 | 2021-10-19 | 国网新疆电力有限公司 | 联络线交换功率偏差调整方法、装置及设备 |
CN111769567B (zh) * | 2020-07-17 | 2022-02-22 | 重庆大学 | 基于动态安全域的电力系统线路过负荷预防控制方法 |
CN112467740B (zh) * | 2021-01-29 | 2021-05-04 | 国网江苏省电力有限公司苏州供电分公司 | 一种基于雷电预警的重要输电通道雷击主动防护方法 |
CN112598883B (zh) * | 2021-02-07 | 2021-12-31 | 国网江苏省电力有限公司苏州供电分公司 | 基于贝叶斯网络的输电线路落雷概率预警方法及预警系统 |
-
2021
- 2021-04-08 CN CN202110374759.6A patent/CN112801428B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20210033749A1 (en) * | 2018-02-05 | 2021-02-04 | Nippon Telegraph And Telephone Corporation | Lighting damage prediction device, method, and program |
CN109659928A (zh) * | 2018-11-12 | 2019-04-19 | 华北电力大学 | 一种可控空调负荷的优化调度方法 |
CN111860977A (zh) * | 2020-06-30 | 2020-10-30 | 清华大学 | 短期负荷的概率预测方法和概率预测装置 |
CN111815476A (zh) * | 2020-07-03 | 2020-10-23 | 国网新疆电力有限公司电力科学研究院 | 基于极端冰灾的电网薄弱环节识别方法及装置 |
Also Published As
Publication number | Publication date |
---|---|
CN112801428A (zh) | 2021-05-14 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN112801428B (zh) | 一种基于概率预警的落雷损失预防控制方法 | |
Straub et al. | Value of information: A roadmap to quantifying the benefit of structural health monitoring | |
CN107213990B (zh) | 电除尘系统性能评估及运行优化系统 | |
CN106356849B (zh) | 一种含分段开关配置的配电网重构多目标优化方法 | |
CN105701596A (zh) | 一种基于大数据技术的配网抢修精益化方法以及管理系统 | |
CN109583601B (zh) | 一种配电设备状态检修策略优化方法 | |
US11689154B2 (en) | Systems and methods for distributed-solar power forecasting using parameter regularization | |
CN102779230A (zh) | 一种电力变压器系统状态分析和维修决策判断方法 | |
CN111582700B (zh) | 一种配电网设备故障率计算方法 | |
Edimu et al. | Using probability distribution functions in reliability analyses | |
CN108062860A (zh) | 基于拥塞传播分析的道路瓶颈识别方法及其系统 | |
CN111860943A (zh) | 基于数值气象数据与机器学习的电网故障预测方法及系统 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
CN115329812A (zh) | 一种基于人工智能的道路基础设施异常监测方法 | |
CN108596514A (zh) | 基于模糊遗传算法的电力设备混合威布尔可靠性建模方法 | |
CN108665181A (zh) | 一种配电网可靠性的评估方法和装置 | |
CN112149877B (zh) | 多元复杂城市电网多源数据驱动的故障预测方法及其系统 | |
CN114154766B (zh) | 雷电动态预测下电网的易损性预警方法及系统 | |
JP2022115061A (ja) | 気象関連架空配電線路故障オンライン予測 | |
CN116432123A (zh) | 一种基于cart决策树算法的电能表故障预警方法 | |
Zhang et al. | Earth dam construction simulation considering stochastic rainfall impact | |
Oboudi et al. | Two-stage seismic resilience enhancement of electrical distribution systems | |
CN109902344A (zh) | 中小跨径桥梁群结构性能预测装置及系统 | |
CN105225167A (zh) | 一种连锁故障序列识别系统及方法 | |
CN107368979A (zh) | 一种天气敏感型区域配电网扰动事件预测方法及装置 |
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 |