CN112906251A - 一种配电网可靠性影响要素的分析方法及系统 - Google Patents
一种配电网可靠性影响要素的分析方法及系统 Download PDFInfo
- Publication number
- CN112906251A CN112906251A CN202110412723.2A CN202110412723A CN112906251A CN 112906251 A CN112906251 A CN 112906251A CN 202110412723 A CN202110412723 A CN 202110412723A CN 112906251 A CN112906251 A CN 112906251A
- Authority
- CN
- China
- Prior art keywords
- kriging
- influence
- reliability
- elements
- distribution network
- 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
Images
Classifications
-
- 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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/04—Constraint-based CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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
Abstract
本申请涉及电力系统数据分析方法领域,提供一种配电网可靠性影响要素的分析方法及系统,构建Kriging模型,获取一系列待测影响要素,对一系列待测影响要素用Kriging模型生成一系列预测可靠性指数。利用Sobol指数法对一系列待测影响要素和一系列待测影响要素对应的一系列预测可靠性指数,进行全局敏感性分析,得到任一影响要素的敏感度指数和全部影响要素的敏感度指数,敏感度指数即体现了影响要素对配电网可靠性的重要程度。本申请克服了熵权法和灰色关联度分析法,无法量化影响要素对配电网可靠性的重要程度,实现了影响要素对配电网可靠性重要程度的量化。
Description
技术领域
本申请涉及电力系统数据分析方法领域,尤其涉及一种配电网可靠性影响要素的分析方法及系统。
背景技术
配电网可靠性是指在电力设备发生故障时,衡量能使由该故障设备供电的用户供电故障尽量减少,使电力系统本身保持稳定运行的能力的程度。随着电网规模的逐步增大,配电网规划也日渐重要,配电网可靠性影响要素对配电网规划起关键作用。配电网可靠性影响要素的分析,能确定哪些影响要素对配电网可靠性起关键作用,从而对配电网规划起指导作用。
针对配电网可靠性影响要素的分析,目前采用熵权法和灰色关联分析法进行分析,熵权法是基于影响要素数据的离散程度,计算熵值,得到的熵权体现了影响要素之间的重要性,但是无法体现影响要素对可靠性指标的重要程度;灰色关联分析法,基于影响要素变化曲线与可靠性指标变化曲线的几何相似程度计算关联系数,得到的灰色关联度体现了影响要素与可靠性指标的关联程度,但是灰色关联度本身物理概念模糊,无法量化各影响要素对配电网可靠性影响的重要程度。
综上所述,为了量化各影响要素对配电网可靠性的重要程度,提供一种能量化配电网可靠性影响要素权重的分析方法,至关重要。
发明内容
本申请提供了一种配电网可靠性影响要素的分析方法及系统,旨在量化各影响要素对配电网可靠性的重要程度。
本申请第一方面提供一种配电网可靠性影响要素的分析方法,所述分析方法,包括:获取多组影响要素,所述多组影响要素为影响配电网可靠性信息的各项规划要素和运维要素,所述规划要素包括:中压线路N-1通过率、中压主干线路平均分段数、中压配电网自动开关覆盖率和中压主干线路故障指示器数等,所述运维要素包括:平均预安排停电时间、预安排停电率、平均预安排上游恢复时间、平均预安排联络切换时间、预安排重复停电率、平均故障维修作业时间、中压线路故障率和配变故障率。
获取所述多组影响要素对应的多组配电网可靠性信息,所述多组可靠性信息为:系统平均停电频率,系统平均停电持续时间,平均供电可用率。
根据所述多组影响要素以及所述多组影响要素对应的多组配电网可靠性信息,生成(X,Y)样本点,X为所述影响要素,Y为所述可靠性信息。
将所述样本点分为训练样本和检测样本。
用所述训练样本建立Kriging的初步模型。
用所述检测样本验证Kriging的初步模型精度,生成Kriging模型。
获取一系列待测影响要素,并将所述一系列待测影响要素输入所述Kriging模型,生成所述一系列待测影响要素对应的一系列预测可靠性指数。
利用Sobol指数法对所述一系列待测影响要素和所述一系列待测影响要素对应的一系列预测可靠性指数,进行全局敏感性分析,得到任一所述影响要素的敏感度指数和全部所述影响要素的敏感度指数,所述敏感度指数表示所述影响要素对所述可靠性指数的重要程度。
可选的,所述多组影响要素以及对应的多组配电网可靠性信息,是采用拉丁方抽样的方法从收资表的历年数据中得到。
可选的,所述用所述检测样本验证所述Kriging的初步模型精度,生成所述Kriging模型的步骤,具体为:
利用所述检测样本验证所述Kriging的初步模型的精度,并判断Kriging的初步模型精度是否满足精度要求,若所述Kriging的初步模型精度满足要求,则将所述Kriging的初步模型保存为Kriging模型,若所述Kriging的初步模型不满足精度要求,则重新建立Kriging模型。
可选的,所述全局敏感性分析中,Sobol指数法采用蒙特卡洛法计算。
本申请第二方面提供一种配电网可靠性影响要素的分析系统,所述系统包括:预处理模块、仿真模块、分析与评估模块。
所述预处理模块,用于获取多组影响要素和多组影响要素对应的多组配电网可靠性信息,以及根据所述多组影响要素和对应的多组配电网可靠性信息,生成(X,Y)样本点,并用于将所述样本点分为训练样本和检测样本。
所述仿真模块,用于根据所述训练样本建立Kriging的初步模型,以及采用所述检测样本验证Kriging的初步模型精度,生成Kriging模型,并获取一系列待测影响要素,将所述一系列待测影响要素输入所述Kriging模型,生成所述一系列待测影响要素对应的一系列预测可靠性指数。
所述分析与评估模块,用于利用Sobol指数法对所述一系列待测影响要素和所述一系列待测影响要素对应的一系列预测可靠性指数,进行全局敏感性分析,得到任一所述影响要素的敏感度指数和全部所述影响要素的敏感度指数。
可选的,所述仿真模块可选择Matlab的DACE工具箱或Pathon的pyKriging模块。
可选的,所述仿真模块,还用于利用所述检测样本验证所述Kriging的初步模型的精度,并判断Kriging的初步模型精度是否满足精度要求,若所述Kriging的初步模型精度满足要求,则将所述Kriging的初步模型保存为Kriging模型,若所述Kriging的初步模型不满足精度要求,则重新建立Kriging模型。
由以上技术方案可知,本申请实施例提供的一种配电网可靠性影响要素的分析方法及系统,通过构建的Kriging模型获取大量待测样本,利用Sobol指数法对待测样本进行全局敏感性分析,获取影响要素的敏感度指数,敏感度指数物理概念明确,将影响要素对配电网可靠性的重要程度量化,并体现了任一影响要素或多个影响要素对配电网可靠性的重要程度。本申请客观的将实际中配电网影响要素对可靠性的重要程度量化,克服了现有技术无法量化各影响要素对配电网可靠性影响的重要程度的缺点。
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为本申请实施例提供的配电网可靠性影响要素分析方法的基本流程图。
图2为本申请实施例提供的配电网算例系统结构图。
图3为本申请实施例提供的设备故障模拟流程图。
图4为本申请实施例提供的配电网可靠性影响要素分析系统的基本架构图。
具体实施方式
以下对本申请的具体实施方式进行详细说明。显然,所描述的实施例仅仅是本申请一部分实施例,而不是全部的实施例。基于本申请中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本申请保护的范围。
参见图1,为本申请实施例量化影响因素对配电网可靠性的重要程度的基本流程图。
本申请第一方面提供一种配电网可靠性影响要素的分析方法,所述分析方法包括:
S101获取多组影响要素,所述多组影响要素为影响配电网可靠性信息的各项规划要素和运维要素,所述规划要素包括:中压线路N-1通过率、中压主干线路平均分段数、中压配电网自动开关覆盖率和中压主干线路故障指示器数等,所述运维要素包括:平均预安排停电时间、预安排停电率、平均预安排上游恢复时间、平均预安排联络切换时间、预安排重复停电率、平均故障维修作业时间、中压线路故障率和配变故障率。
S102获取所述多组影响要素对应的多组配电网可靠性信息,所述多组可靠性信息为:系统平均停电频率,系统平均停电持续时间,平均供电可用率。
其中,所述多组影响要素以及对应的多组配电网可靠性信息,是采用拉丁方抽样的方法从收资表的历年数据中得到。
S103根据所述多组影响要素以及所述多组影响要素对应的多组配电网可靠性信息,生成(X,Y)样本点,X为所述影响要素,Y为所述可靠性信息。
S104将所述样本点分为训练样本和检测样本。
S105用所述训练样本建立Kriging的初步模型。
其中,所述Kriging模型是一种半参数化的无偏估计插值型代理模型,由回归模型和非参数模型组成,具体形式为:
y(X)=F(β,X)+z(X) (1)
式中,F(β,X)为回归模型,是多项式函数的线性组合,用来进行全局拟合。z(X)为非参数模型,是随机分布误差,用来进行局部偏差拟合。F(β,X)可表示为:
式中,所述f(X)=[f1(X),…,fp(X)]T为多项式函数列向量,所述β=[β1,…,βp]T为待求的回归系数列向量,p为多项式函数的数目。
因此式(1)可改写为:
y(X)=fT(X)β+z(X) (3)
随机分布误差z(X)具有如下统计特征:
E(z(x))表示求z(x)的数学期望,Var(z(x))表示求z(x)的方差,Cov(z(xi),z(xj))表示求z(xi)和z(xj)的协方差。σ表示z(x)的标准差。R(θ,xi,xj)为带有参数向量θ的任意两个训练样本xi和xj的相关函数,表示训练样本之间的空间相关性,θ为可调参数,通过优化θ,能够自适应调节样本点之间的相关性,因此对Kriging模型拟合的精确程度起着十分重要的作用。R(θ,xi,xj)满足以下假设:
1、R(θ,xi,xj)>0,并且满足所述R(θ,xi,xi)=1。
2、任意两个样本xi和xj之间的相关函数仅仅依赖于两点之间的距离,即:
式中,n为输入变量个数,所dk为样本点之间的距离,xik和xjk分别为xi和xj的第k个输入变量。
在给定的N个训练样本数据,输入矩阵S和输出列向量Y分别表示为:
用训练样本输出值的线性组合估计任意一个新样本的输出值,即:
为了简化式子(8),定义F、Z、f、z为:
因此式(8)改写为
为保证无偏估计,预测误差均值应为零,即:
由式(11)得:
FTc-f=0 (12)
预测误差的方差为:
式中,R为相关矩阵,表示训练样本之间的空间相关性,r为相关向量,表示xnew与各个训练样本之间的空间相关性,即:
可通过最小化预测误差的方差来确定c,其求解模型为:
式中,find表示寻找不同取值下列向量c,min是取最小值函数,s.t.FTc-f=0表示约束条件为FTc-f=0。该求解模型的数学涵义是寻找列向量的某一取值c,在该取值下使得σ2(xnew)最小,同时满足约束条件。
式(15)对应的拉格朗日函数为:
L(c,λ)=σ2(1+cTRc-2cTr)-λT(FTc-f) (16)
式中λ为待求的所述拉格朗日乘子列向量。
对c求导,得:
L′c(c,λ)=2σ2(Rc-r)-Fλ (17)
由最优问题的一阶必要条件可得:
将c代入式(7)与式(8)可得:
考虑到所述Y=Fβ+Z,式(20)中待求参数包括β、σ2和相关函数R中的θ。β和σ2采用最小二乘估计可得:
由式(4)和式(21)可得,相关函数R、回归系数列向量β和方差σ2都与参数θ有关。基于极大似然法,求解式(22)中的最优问题,可得到参数θ的最优值。
S106用所述检测样本验证Kriging的初步模型精度,生成Kriging模型。
其中,所述用所述检测样本验证所述Kriging的初步模型精度,生成所述Kriging模型的步骤,具体为:
利用所述检测样本验证所述Kriging的初步模型的精度,并判断Kriging的初步模型精度是否满足精度要求,若所述Kriging的初步模型精度满足要求,则将所述Kriging的初步模型保存为Kriging模型,若所述Kriging的初步模型不满足精度要求,则重新建立Kriging模型。
S107获取一系列待测影响要素,并将所述一系列待测影响要素输入所述Kriging模型,生成所述一系列待测影响要素对应的一系列预测可靠性指数。
其中,所述全局敏感性分析中的所述一系列待测影响要素与所述一系列待测影响要素对应的一系列可靠性指数,样本数量大于构建Kriging模型所使用的所述训练样本的数量。所述Sobol指数法需要大量样本,远多于所述构建Kriging模型所需的样本,如果直接用所述构建Kriging模型所需的样本,则计算代价太大。
S108利用Sobol指数法对所述一系列待测影响要素和所述一系列待测影响要素对应的一系列预测可靠性指数,进行全局敏感性分析,得到任一所述影响要素的敏感度指数和全部所述影响要素的敏感度指数,所述敏感度指数表示所述影响要素对所述可靠性指数的重要程度。
其中,所述全局敏感性分析中,Sobol指数法采用蒙特卡洛法计算。所述Sobol指数法当无法获得f(X)的具体解析式形式时,可采用蒙特卡洛法估计式的积分,进而得到Sobol各阶敏感度指数。
所述Sobol指数法是一种基于方差分解的全局敏感性分析方法,通过把模型分解为单个输入变量以及输入变量之间相互组合的函数,计算所述单个输入变量或所述输入变量集的方差对总输出方差的影响,以此分析输入变量的重要性以及输入变量之间的交互效应。具体为:
假设模型为Y=f(X),其中X=(X1,X2,…,Xn),Xi(i=1,2,…,n)服从[0,1]之间的均匀分布且独立,f(X)的平方可积,则可将f(X)分解为以下标准模型:
式中,f0是常数,fi是第i个影响要素Xi的函数,fi,j是第i个影响要素Xi和第j个影响要素的函数,依此类推。
式中:(i1,…,is)≠(j1,…,js),1≤i1<…<is≤n,1≤j1<…<js≤n。
式(23)的分解项可通过以下过程得到。
首先,式(23)两边分别对X积分可得:
f0=∫f(X)dX (26)
对式(23)的两边除了Xi之外的所有输入变量积分可得:
fi(Xi)=∫f(X)dX-i-f0 (27)
式中,X-i表示除了Xi之外的输入变量集。
对式(23)的两边除了Xi、Xj之外的所有输入变量积分可得:
fi,j(Xi,Xj)=∫f(X)dX-i,j-f0-fi(Xi)-fj(Xj) (28)
式中,X-i,j表示除了Xi、Xj之外的输入变量集。
式(23)两边分别对Xi积分可得:
以此类推,就可以得到式(23)中等式右边的各个分解函数。
对式(23)的两边平方并积分可得:
则函数f(X)的总方差为:
V=∫f2(X)dX-f0 2 (31)
单个输入变量和多个输入变量的偏方差为:
Vi=∫fi 2(Xi)dXi (31)
V-i=∫fi 2(X-i)dX-i (34)
因此式(30)可改写为:
定义各阶敏感度指数如下:
式中,Si称为一阶敏感度指数,表示输入变量Xi单独对输出Y的方差的影响,Si越大,表明所述输入变量对系统输出的影响越大;Si,j称为二阶敏感度指数,表示输入变量Xi和Xj的交互效应对所述Y的方差的影响,Si,j越大,表明输入变量Xi和Xj作为一个整体对系统输出的影响越大;类似定义其余高阶敏感度指数,称为总敏感度指数,表示输入变量Xi的主效应及Xi与其它所述输入变量的交互效应对Y的方差的共同影响。根据敏感度指数的定义可将式(34)改写为:
另外,若输入变量Xi的总敏感度指数明显小于其它输入变量时,表明Xi不仅自身的变动对系统输出的影响小,而且Xi与其它变量之间的交互效应也很小。因此,可以考虑对总敏感度指数小的输入变量的取固定值,这样就可以使模型的变量数减小,模型得到简化。
假设系统的输入变量有n个,对所有输入变量在各自取值范围内进行N次随机抽样,得到式(24)的两个输入矩阵A、B,矩阵的每一行表示一个输入变量集样本。
将所述矩阵A的第i列与所述矩阵B中的第i列对换,得到式(37)的两个新矩阵Ci和C-i。
同理可定义Cj、C-j和Ci,j。将A、B、Ci、C-i,Cj,C-j,Ci,j七个输入矩阵代入到可靠性数学模型中进行计算,可得到模型的输出向量。记y A 、yb、和分别为相应输入矩阵的输出列向量,式(10)~式(13)的积分V、Vi、Vi,j、V-i的估计值为
记:
则式(36)中各阶敏感度指数的估计值如下:
根据大数定理,当随机抽样次数N足够大时,所述式(40)~式(43)的积分估计值将依概率收敛于对应的积分函数真实值,所述各阶敏感度指数的估计值也将依概率收敛于对应的真实值。
另外,所述蒙特卡洛法估计输入变量的一阶敏感度指数和总敏感度指数,总的计算次数为N×(2n+2)次,为降低可靠性数学模型的运行次数,采用所述Kriging代理模型计算输入矩阵,具体为:计算式(38)~式(39)的输入矩阵,由式(40)~式(45)计算输入变量的一阶敏感度指数、总敏感度指数和二阶敏感度指数。
下面再根据具体实施例,对本实施例提供的一种配电网可靠性影响要素的分析方法,作进一步展开。
在如图2所示算例系统结构图中包含了两段10kV母线、三条馈线(虚线表示电缆线、实现表示架空线)及50台配电变压器、6个熔断器、3个负荷开关、4个断路器。以QF、QL和FU分别表示断路器、负荷开关和熔断器。可靠性参数如表1~5所示。
表1设备故障率及修复时间
表2故障定位隔离时间、开关操作时间类参数
参数名称 | 参数值 |
平均故障定位隔离时间/h | 1.8 |
平均故障点上游恢复供电操作时间/h | 1.2 |
平均故障停电联络开关切换时间/h | 1.5 |
表3预安排定位隔离时间、开关操作时间类参数
参数名称 | 参数值 |
平均预安排停电隔离时间/h | 1 |
平均预安排停电线路上游恢复供电操作时间/h | 0.5 |
平均预安排停电联络开关切换时间/h | 0.5 |
表4导线长度
导线编号 | 长度/km | 导线号 |
No.1 | 0.8 | 28~50两两节点间的线路 |
No.2 | 1 | 1~27两两节点间的线路 |
表5配电变压器参数
首先,采用状态持续时间抽样法计算当前系统的可靠性相关指标,选取的相关指标包括系统平均停电频率指标(SAIFI)、用户平均停电持续时间指标(CAIDI)、平均供电可用率指标(ASAI)和系统平均缺供电量(AENS)。设备故障模拟流程如图3所示,其中,MTTF为平均故障时间,MTTR为平均修复时间,预安排停电的计算流程与图3类似,仿真年限设定为10000年。
其次,确定影响可靠性指标的要素作为变量,变量选取如下:
平均故障定位隔离时间/h,取值范围为[1,2],记为X1,划分为10个子区间。平均故障点上游恢复供电时间/h,取值范围为[0.5,1.5],记为X2,划分为10个子区间。平均故障停电联络开关切换时间/h,取值范围为[0.8,1.8],记为X3,划分为10个子区间。架空线故障停电率,取值范围为[0,0.1],记为X4,划分为10个子区间。架空预安排停运率,取值范围为[0,0.03],记为X5,划分为5个子区间。分段开关数,取值范围为[3,4,5,6,7],记为X6。联络开关数,取值范围为[1,2,3],记为X7。表6为影响要素与对应的一阶敏感度指数与全局敏感性指数。
表6影响要素与对应的一阶敏感度指数与全局敏感性指数
变量 | 一阶敏感度指数 | 排序 | 全效应指数 | 排序 |
X<sub>1</sub> | 0.029957 | 4 | 0.033109 | 4 |
X<sub>2</sub> | 0.004214 | 7 | 0.007544 | 7 |
X<sub>3</sub> | 0.013273 | 6 | 0.015138 | 6 |
X<sub>4</sub> | 0.654069 | 1 | 0.659838 | 1 |
X<sub>5</sub> | 0.029232 | 5 | 0.029312 | 5 |
X<sub>6</sub> | 0.137032 | 2 | 0.139215 | 2 |
X<sub>7</sub> | 0.108919 | 3 | 0.129565 | 3 |
在各变量取值范围内采用拉丁超立方体抽样180个样本,计算可靠性指标,计算完成后,前150个样本用于训练Kriging模型,后30个样本用于检验Kriging模型的精度,以AENS为例结果如表7所示:
表7Kriging模型拟合结果
最后,采用蒙特卡洛法计算Sobol指数,这里仅求各变量的一阶敏感度指数、二阶敏感度指数及全效应敏感度指数。抽取30000个样本,采用状态持续时间抽样法计算量太大,因此采用Kriging模型计算,最后得到各阶Sobol指数,以AENS为为例,结果如表8-9所示,表8为各变量一阶敏感度指数与全局敏感度指数,以及所述各变量一阶敏感度指数与全局敏感度指数的大小,表9为各变量之间的二阶交互效应。
表8各变量一阶敏感度指数及全局敏感性指数排序
变量 | 一阶敏感度指数 | 排序 | 全局敏感性指数 | 排序 |
X<sub>1</sub> | 0.029957 | 4 | 0.033109 | 4 |
X<sub>2</sub> | 0.004214 | 7 | 0.007544 | 7 |
X<sub>3</sub> | 0.013273 | 6 | 0.015138 | 6 |
X<sub>4</sub> | 0.654069 | 1 | 0.659838 | 1 |
X<sub>5</sub> | 0.029232 | 5 | 0.029312 | 5 |
X<sub>6</sub> | 0.137032 | 2 | 0.139215 | 2 |
X<sub>7</sub> | 0.108919 | 3 | 0.129565 | 3 |
表9各变量之间的二阶交互效应
根据表8可知,对于当前系统,架空线故障停电率(X4)在所列影响因素中对系统平均缺供电量(AENS)的单独作用时影响最大,分段开关数(X6)和联络开关数(X7)次之。根据表8中平均故障点上游恢复供电时间(X2)与平均故障停电联络开关切换时间(X3)单独作用时,影响最小,综合考虑得到同时降低架空线故障停电率(X4)与增加联络开关数(X7)的方案,增加分段开关数(X6)和联络开关数(X7)的方案对系统平均缺供电量(AENS)提升效果最明显。
根据表9可知,所列影响因素中二阶交互效应最明显的是平均故障点上游恢复供电时间(X2)与平均故障停电联络开关切换时间(X3),其次是分段开关数(X6)与联络开关数(X7)、架空线故障停电率(X4)与联络开关数(X7)。因此在确定规划方案时要注意这些影响因素的配套使用。
由以上技术方案可知,本申请实施例提供的一种配电网可靠性影响要素的分析方法,通过构建的Kriging模型得到大量预测样本,再对这些样本利用Sobol指数法进行全局敏感性分析,得到的敏感度指数体现了各影响要素对配电网可靠性的重要程度。相当于量化预安排停电、变电站全停、故障停电等,对供电可靠性的影响,各影响要素之间可以进行数值上的大小比较,可以知道哪些影响要素对配电网可靠性起关键作用,为寻求提高供电可靠性的管理方法提供指导。
下述为本申请系统实施例,用于实施本申请系统实施例。对于本申请系统实施例中未披露的细节,请参照本申请方法实施例。
参见图4,为本申请实施例量化影响因素对配电网可靠性的重要程度的分析系统的基本架构。
本申请第二方面提供一种配电网可靠性影响要素的分析系统,所述系统包括:预处理模块、仿真模块、分析与评估模块。
所述预处理模块,用于获取多组影响要素和多组影响要素对应的多组配电网可靠性信息,以及根据所述多组影响要素和对应的多组配电网可靠性信息,生成(X,Y)样本点,并用于将所述样本点分为训练样本和检测样本。
所述仿真模块,用于根据所述训练样本建立Kriging的初步模型,以及采用所述检测样本验证Kriging的初步模型精度,生成Kriging模型,并获取一系列待测影响要素,将所述一系列待测影响要素输入所述Kriging模型,生成所述一系列待测影响要素对应的一系列预测可靠性指数。
所述分析与评估模块,用于利用Sobol指数法对所述一系列待测影响要素和所述一系列待测影响要素对应的一系列预测可靠性指数,进行全局敏感性分析,得到任一所述影响要素的敏感度指数和全部所述影响要素的敏感度指数。
其中,所述仿真模块可选择Matlab的DACE工具箱或Pathon的pyKriging模块。
其中,所述仿真模块,还用于利用所述检测样本验证所述Kriging的初步模型的精度,并判断Kriging的初步模型精度是否满足精度要求,若所述Kriging的初步模型精度满足要求,则将所述Kriging的初步模型保存为Kriging模型,若所述Kriging的初步模型不满足精度要求,则重新建立Kriging模型。
将多组影响要素和多组影响要素对应的多组配电网可靠性信息输入所述预处理模块,所述处理模块生成所述(X,Y)样本点,并将所述(X,Y)样本点分为训练样本和检测样本;所述训练样本传输到所述仿真模块,利用建立所述Kriging的初步模型,所述检测样本传输到所述仿真模块,验证所述Kriging的初步模型精度,精度满足要求则生成Kriging模型,将获取的一系列待测影响要素输入进所述Kriging模型,生成所述一系列待测影响要素对应的一系列预测可靠性指数;一系列待测影响要素和生成的所述一系列待测影响要素对应的一系列预测可靠性指数,传输至所述分析与评估模块,所述分析与评估模块利用Sobol指数法对所述一系列待测影响要素和所述一系列待测影响要素对应的一系列预测可靠性指数,进行全局敏感性分析,得到任一所述影响要素的敏感度指数和全部所述影响要素的敏感度指数。
由以上技术方案可知,本申请实施例提供的一种配电网可靠性影响要素的分析方法及系统,通过构建的Kriging模型获取大量待测样本,利用Sobol指数法对待测样本进行全局敏感性分析,获取影响要素的敏感度指数,敏感度指数物理概念明确,将影响要素对配电网可靠性的重要程度量化,并体现了任一影响要素或多个影响要素对配电网可靠性的重要程度。本申请客观的将实际中配电网影响要素对可靠性的重要程度量化,克服了现有技术中无法量化各影响要素对配电网可靠性影响的重要程度的缺点。
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 (7)
1.一种配电网可靠性影响要素的分析方法,其特征在于,包括:
获取多组影响要素,所述多组影响要素为影响配电网可靠性信息的各项规划要素和运维要素,所述规划要素包括:中压线路N-1通过率、中压主干线路平均分段数、中压配电网自动开关覆盖率和中压主干线路故障指示器数等,所述运维要素包括:平均预安排停电时间、预安排停电率、平均预安排上游恢复时间、平均预安排联络切换时间、预安排重复停电率、平均故障维修作业时间、中压线路故障率和配变故障率;
获取所述多组影响要素对应的多组配电网可靠性信息,所述多组可靠性信息为:系统平均停电频率,系统平均停电持续时间,平均供电可用率;
根据所述多组影响要素以及所述多组影响要素对应的多组配电网可靠性信息,生成(X,Y)样本点,X为所述影响要素,Y为所述可靠性信息;
将所述样本点分为训练样本和检测样本;
用所述训练样本建立Kriging的初步模型;
用所述检测样本验证Kriging的初步模型精度,生成Kriging模型;
获取一系列待测影响要素,并将所述一系列待测影响要素输入所述Kriging模型,生成所述一系列待测影响要素对应的一系列预测可靠性指数;
利用Sobol指数法对所述一系列待测影响要素和所述一系列待测影响要素对应的一系列预测可靠性指数,进行全局敏感性分析,得到任一所述影响要素的敏感度指数和全部所述影响要素的敏感度指数,所述敏感度指数表示所述影响要素对所述可靠性指数的重要程度。
2.根据权利要求1所述的一种配电网可靠性影响要素的分析方法,其特征在于,所述多组影响要素以及对应的多组配电网可靠性信息,是采用拉丁方抽样的方法从收资表的历年数据中得到。
3.根据权利要求1所述的一种配电网可靠性影响要素的分析方法,其特征在于,所述用所述检测样本验证所述Kriging的初步模型精度,生成所述Kriging模型的步骤,具体为:
利用所述检测样本验证所述Kriging的初步模型的精度,并判断Kriging的初步模型精度是否满足精度要求,若所述Kriging的初步模型精度满足要求,则将所述Kriging的初步模型保存为Kriging模型,若所述Kriging的初步模型不满足精度要求,则重新建立Kriging模型。
4.根据权利要求1所述的一种配电网可靠性影响要素的分析方法,其特征在于,所述全局敏感性分析中,Sobol指数法采用蒙特卡洛法计算。
5.一种配电网可靠性影响要素的分析系统,其特征在于,所述配电网可靠性影响要素的分析系统用于执行权利要求1-4任一项所述的一种配电网可靠性影响要素的分析方法,包括:预处理模块、仿真模块、分析与评估模块;
所述预处理模块,用于获取多组影响要素和多组影响要素对应的多组配电网可靠性信息,以及根据所述多组影响要素和对应的多组配电网可靠性信息,生成(X,Y)样本点,并用于将所述样本点分为训练样本和检测样本;
所述仿真模块,用于根据所述训练样本建立Kriging的初步模型,以及采用所述检测样本验证Kriging的初步模型精度,生成Kriging模型,并获取一系列待测影响要素,将所述一系列待测影响要素输入所述Kriging模型,生成所述一系列待测影响要素对应的一系列预测可靠性指数;
所述分析与评估模块,用于利用Sobol指数法对所述一系列待测影响要素和所述一系列待测影响要素对应的一系列预测可靠性指数,进行全局敏感性分析,得到任一所述影响要素的敏感度指数和全部所述影响要素的敏感度指数。
6.根据权利要求5所述的一种配电网可靠性影响要素的分析系统,其特征在于,所述仿真模块可选择Matlab的DACE工具箱或Pathon的pyKriging模块。
7.根据权利要求5所述的一种配电网可靠性影响要素的分析系统,其特征在于,所述仿真模块,还用于利用所述检测样本验证所述Kriging的初步模型的精度,并判断Kriging的初步模型精度是否满足精度要求,若所述Kriging的初步模型精度满足要求,则将所述Kriging的初步模型保存为Kriging模型,若所述Kriging的初步模型不满足精度要求,则重新建立Kriging模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110412723.2A CN112906251B (zh) | 2021-04-16 | 2021-04-16 | 一种配电网可靠性影响要素的分析方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110412723.2A CN112906251B (zh) | 2021-04-16 | 2021-04-16 | 一种配电网可靠性影响要素的分析方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112906251A true CN112906251A (zh) | 2021-06-04 |
CN112906251B CN112906251B (zh) | 2023-05-02 |
Family
ID=76110432
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110412723.2A Active CN112906251B (zh) | 2021-04-16 | 2021-04-16 | 一种配电网可靠性影响要素的分析方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112906251B (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139902A (zh) * | 2021-11-22 | 2022-03-04 | 军事科学院系统工程研究院后勤科学与技术研究所 | 基于敏感性分析的航空装备人员搜救体系贡献度评估方法 |
CN116305593A (zh) * | 2023-05-23 | 2023-06-23 | 西安交通大学 | 一种具有强可移植性的全局敏度分析方法 |
Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5839093A (en) * | 1996-12-31 | 1998-11-17 | Abb Transmit Oy | System for locating faults and estimating fault resistance in distribution networks with tapped loads |
US6549880B1 (en) * | 1999-09-15 | 2003-04-15 | Mcgraw Edison Company | Reliability of electrical distribution networks |
US6671654B1 (en) * | 2000-11-28 | 2003-12-30 | Power Measurement Ltd. | Apparatus and method for measuring and reporting the reliability of a power distribution system |
CN102013085A (zh) * | 2010-12-14 | 2011-04-13 | 天津市电力公司 | 配电网可靠性评价方法 |
CN104009467A (zh) * | 2014-05-13 | 2014-08-27 | 南京邮电大学 | 一种计及预安排停电影响的配电网可靠性评估和预测方法 |
CN104537569A (zh) * | 2014-10-31 | 2015-04-22 | 国家电网公司 | 一种提高供电可靠性的方法 |
CN106980905A (zh) * | 2017-03-15 | 2017-07-25 | 南方电网科学研究院有限责任公司 | 配电网供电可靠性预测方法和系统 |
US20180240202A1 (en) * | 2015-08-19 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method of predicting distribution network operation reliability |
CN108599239A (zh) * | 2018-04-27 | 2018-09-28 | 西安理工大学 | 一种下垂控制型孤岛微电网电压质量概率评估方法 |
CN108665181A (zh) * | 2018-05-18 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种配电网可靠性的评估方法和装置 |
CN108767867A (zh) * | 2018-06-06 | 2018-11-06 | 天津大学 | 基于元模型的分布式电源就地电压无功控制策略求解方法 |
CN109103929A (zh) * | 2018-09-11 | 2018-12-28 | 燕山大学 | 基于改进动态克里丝金模型的配电网经济优化调度方法 |
CN109299867A (zh) * | 2018-09-12 | 2019-02-01 | 中国电力科学研究院有限公司 | 一种配电网可靠性评估参数筛选方法及系统 |
CN109858663A (zh) * | 2018-11-19 | 2019-06-07 | 中国农业大学 | 基于bp神经网络的配电网故障停电影响因素敏感度分析 |
CN110210740A (zh) * | 2019-05-22 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种考虑供电质量的配电网可靠性评估方法 |
-
2021
- 2021-04-16 CN CN202110412723.2A patent/CN112906251B/zh active Active
Patent Citations (15)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US5839093A (en) * | 1996-12-31 | 1998-11-17 | Abb Transmit Oy | System for locating faults and estimating fault resistance in distribution networks with tapped loads |
US6549880B1 (en) * | 1999-09-15 | 2003-04-15 | Mcgraw Edison Company | Reliability of electrical distribution networks |
US6671654B1 (en) * | 2000-11-28 | 2003-12-30 | Power Measurement Ltd. | Apparatus and method for measuring and reporting the reliability of a power distribution system |
CN102013085A (zh) * | 2010-12-14 | 2011-04-13 | 天津市电力公司 | 配电网可靠性评价方法 |
CN104009467A (zh) * | 2014-05-13 | 2014-08-27 | 南京邮电大学 | 一种计及预安排停电影响的配电网可靠性评估和预测方法 |
CN104537569A (zh) * | 2014-10-31 | 2015-04-22 | 国家电网公司 | 一种提高供电可靠性的方法 |
US20180240202A1 (en) * | 2015-08-19 | 2018-08-23 | China Electric Power Research Institute Company Limited | Method of predicting distribution network operation reliability |
CN106980905A (zh) * | 2017-03-15 | 2017-07-25 | 南方电网科学研究院有限责任公司 | 配电网供电可靠性预测方法和系统 |
CN108599239A (zh) * | 2018-04-27 | 2018-09-28 | 西安理工大学 | 一种下垂控制型孤岛微电网电压质量概率评估方法 |
CN108665181A (zh) * | 2018-05-18 | 2018-10-16 | 中国电力科学研究院有限公司 | 一种配电网可靠性的评估方法和装置 |
CN108767867A (zh) * | 2018-06-06 | 2018-11-06 | 天津大学 | 基于元模型的分布式电源就地电压无功控制策略求解方法 |
CN109103929A (zh) * | 2018-09-11 | 2018-12-28 | 燕山大学 | 基于改进动态克里丝金模型的配电网经济优化调度方法 |
CN109299867A (zh) * | 2018-09-12 | 2019-02-01 | 中国电力科学研究院有限公司 | 一种配电网可靠性评估参数筛选方法及系统 |
CN109858663A (zh) * | 2018-11-19 | 2019-06-07 | 中国农业大学 | 基于bp神经网络的配电网故障停电影响因素敏感度分析 |
CN110210740A (zh) * | 2019-05-22 | 2019-09-06 | 广西电网有限责任公司电力科学研究院 | 一种考虑供电质量的配电网可靠性评估方法 |
Non-Patent Citations (8)
Title |
---|
AMINABBAS GOLSHANFARD 等: "Sensitivity Analysis of Distribution System Reliability for Identifying the Critical Elements", 《SENSITIVITY ANALYSIS OF DISTRIBUTION SYSTEM RELIABILITY FOR IDENTIFYING THE CRITICAL ELEMENTS:》 * |
BENJAMIN LAMOUREUX 等: "A combined sensitivity analysis and kriging surrogate modeling for early validation of health indicators", 《RELIABILITY ENGINEERING & SYSTEM SAFETY》 * |
FRANCESCO CADINI 等: "Global reliability sensitivity analysis by Sobol-based dynamic adaptive kriging importance sampling", 《STRUCTURAL SAFETY》 * |
任印泽: "用户的响应可靠性和供电可靠性评估", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
林涛 等: "主动配电网脆弱性评估方法综述", 《电器与能效管理技术》 * |
王丰华 等: "基于Sobol"算法的变电站接地网参数灵敏度分析", 《中国电机工程学会电磁干扰专业委员会第十四届学术会议》 * |
王鹏 等: "基于大数据分析的内蒙古西部地区配电网供电可靠性评估", 《内蒙古电力技术》 * |
郑幸: "基于蒙特卡洛法的配电网可靠性评估", 《中国优秀硕士学位论文全文数据库 工程科技Ⅱ辑》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114139902A (zh) * | 2021-11-22 | 2022-03-04 | 军事科学院系统工程研究院后勤科学与技术研究所 | 基于敏感性分析的航空装备人员搜救体系贡献度评估方法 |
CN116305593A (zh) * | 2023-05-23 | 2023-06-23 | 西安交通大学 | 一种具有强可移植性的全局敏度分析方法 |
CN116305593B (zh) * | 2023-05-23 | 2023-08-01 | 西安交通大学 | 一种具有强可移植性的全局敏度分析方法 |
Also Published As
Publication number | Publication date |
---|---|
CN112906251B (zh) | 2023-05-02 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069535B (zh) | 一种基于arima模型的配电网运行可靠性的预测方法 | |
Melo et al. | Frequency and duration calculations in composite generation and transmission reliability evaluation | |
CN107609725B (zh) | 一种考虑变电站影响的输电网风险评估方法 | |
JP2009089594A (ja) | 検針データを利用した電力設備の時空間負荷分析システム及び負荷の計算方法 | |
CN112906251A (zh) | 一种配电网可靠性影响要素的分析方法及系统 | |
Celik et al. | An incremental measurement placement algorithm for state estimation | |
CN107871202A (zh) | 一种计及多电压等级的电网可靠性评估方法 | |
CN110930052A (zh) | 一种变电设备故障率预测方法,系统,设备及可读存储介质 | |
CN106874676B (zh) | 一种电能计量装置状态评估方法 | |
CN112070413A (zh) | 一种基于小样本条件下牵引供电系统的可靠性研究方法 | |
CN113313371B (zh) | 配电网风险评估方法、装置、计算机设备及存储介质 | |
Bessani et al. | A statistical analysis and modeling of repair data from a Brazilian power distribution system | |
Hilber et al. | Monetary importance of component reliability in electrical networks for maintenance optimization | |
Barzegkar-Ntovom et al. | Methodology for evaluating equivalent models for the dynamic analysis of power systems | |
Alzubaidi et al. | Identification of Suitable Probability Density Function for Wind Speed Profiles in Power System Studies | |
Marsadek et al. | Risk based security assessment of power system using generalized regression neural network with feature extraction | |
CN114912853B (zh) | 一种电网稳定性的评价方法及装置 | |
Goel et al. | Monte Carlo simulation-based customer service reliability assessment | |
CN113052473B (zh) | 一种基于故障率和静态安全分析的电网风险分析方法 | |
EP4160867A1 (en) | Method for determining an optimal placement of measurement units for estimating the state of a physical power distribution grid | |
CN115526393A (zh) | 一种基于变电工程关键影响因素筛选的造价预测方法 | |
König et al. | Probabilistic Relational Models for assessment of reliability of active distribution management systems | |
Raposo et al. | Hybrid probabilistic method to model measurement failures in the accuracy assessment of state estimator in smart grids | |
CN107546742B (zh) | 一种日前计划潮流有功及电压计算误差分析方法 | |
Chao et al. | Practical determination of operating transfer limits |
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 |