CN113055237B - 配网主站协同式自愈可信度确定方法、装置和存储介质 - Google Patents
配网主站协同式自愈可信度确定方法、装置和存储介质 Download PDFInfo
- Publication number
- CN113055237B CN113055237B CN202110518114.5A CN202110518114A CN113055237B CN 113055237 B CN113055237 B CN 113055237B CN 202110518114 A CN202110518114 A CN 202110518114A CN 113055237 B CN113055237 B CN 113055237B
- Authority
- CN
- China
- Prior art keywords
- healing
- distribution network
- self
- network automation
- credibility
- 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
Images
Classifications
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/06—Management of faults, events, alarms or notifications
- H04L41/0654—Management of faults, events, alarms or notifications using network fault recovery
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/23—Clustering techniques
- G06F18/232—Non-hierarchical techniques
- G06F18/2321—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions
- G06F18/23213—Non-hierarchical techniques using statistics or function optimisation, e.g. modelling of probability density functions with fixed number of clusters, e.g. K-means clustering
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/142—Network analysis or design using statistical or mathematical methods
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L41/00—Arrangements for maintenance, administration or management of data switching networks, e.g. of packet switching networks
- H04L41/14—Network analysis or design
- H04L41/145—Network analysis or design involving simulating, designing, planning or modelling of a network
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L43/00—Arrangements for monitoring or testing data switching networks
- H04L43/08—Monitoring or testing based on specific metrics, e.g. QoS, energy consumption or environmental parameters
-
- H—ELECTRICITY
- H04—ELECTRIC COMMUNICATION TECHNIQUE
- H04L—TRANSMISSION OF DIGITAL INFORMATION, e.g. TELEGRAPHIC COMMUNICATION
- H04L67/00—Network arrangements or protocols for supporting network services or applications
- H04L67/01—Protocols
- H04L67/12—Protocols specially adapted for proprietary or special-purpose networking environments, e.g. medical networks, sensor networks, networks in vehicles or remote metering networks
Landscapes
- Engineering & Computer Science (AREA)
- Signal Processing (AREA)
- Computer Networks & Wireless Communication (AREA)
- Data Mining & Analysis (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Theoretical Computer Science (AREA)
- Bioinformatics & Computational Biology (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Evolutionary Biology (AREA)
- Mathematical Optimization (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Environmental & Geological Engineering (AREA)
- Health & Medical Sciences (AREA)
- Computing Systems (AREA)
- General Health & Medical Sciences (AREA)
- Medical Informatics (AREA)
- Data Exchanges In Wide-Area Networks (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种配网主站协同式自愈可信度确定方法、装置和存储介质,一种配网主站协同式自愈可信度确定方法包括:在判断配网自动化主站发出的报文满足协同式自愈报文要求时,根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,最后根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级。本发明实施例公开的配网主站协同式自愈可信度确定方法、装置和存储介质,能够自动化地发布电子化移交单,降低配网调度员的工作负担。
Description
技术领域
本发明实施例配电网技术,尤其涉及一种配网主站协同式自愈可信度确定方法、装置和存储介质。
背景技术
配网自动化主站协同式自愈功能,改变以前传统的故障处理模式,由以前的调度员决策指挥现场人员操作的模式改为调度员根据配网自动化主站决策进行遥控操作的模式,简单来说就是由人工策略改为主站策略。
传统的故障处理模式以人为主体进行参与,效率低,但在长期磨合和经验积累下来,现场人员和调度台都形成较高信任度和配合度,有效提高配电网的安全性。但改变后的自愈模式以配网自动化主站为主体,效率提升了,但经验不足,机器算法有无存在漏洞或存在的安全隐患大小未能完全证实,配网自动化主站的决策是否正确、安全、可靠需要通过实践中不断验证。即主站策略能否得到调度员的信任,成为了关键因素。
发明内容
本发明提供一种配网主站协同式自愈可信度确定方法、装置和存储介质,能够提供配网主站协同式自愈可信度,为调度员提供决策参考,提高配网操作安全性。
第一方面,本发明实施例提供一种配网主站协同式自愈可信度确定方法,包括:
判断配网自动化主站发出的报文是否满足协同式自愈报文要求;
若报文满足协同式自愈报文要求,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的;
根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级。
在第一方面一种可能的实现方式中,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型之前,还包括:
根据配网自动化主站的核心数据构建配网自动化主站协同式自愈行为画像,核心数据包括对配网自动化主站协同式自愈可信度存在影响的各种数据,核心数据从电网各业务系统中获取;
对配网自动化主站协同式自愈行为画像中的数据进行聚类处理,确定配网自动化主站协同式自愈可信度关联特征量。
在第一方面一种可能的实现方式中,根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,包括:
根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级指标与对应的权重系数,评级指标包括两级可信度评级指标;
其中,可信度评价一级指标包括:履约的信用记录、履约的直接能力、履约的间接能力、违约的风险程度;各可信度评价一级指标包括可信度评级二级指标,其中履约的信用记录包括自愈成功率,履约的直接能力包括遥控成功率、故障隔离成功率和设备线路健康度,履约的间接能力包括自愈成熟度和安全态势影响度,违约的风险程度包括备供负荷重要度和备供线路故障率。
在第一方面一种可能的实现方式中,根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级指标与对应的权重系数,包括:
根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈行为相关系数;
根据配网自动化主站协同式自愈行为相关系数确定配网自动化主站协同式自愈可信度评级指标,配网自动化主站协同式自愈可信度评级指标对应的权重系数根据配网自动化主站运行情况确定。
在第一方面一种可能的实现方式中,配网自动化主站协同式自愈行为相关系数,包括:
自愈波动系数与线路近二次自愈成功的关系,遥控波动系数与开关近二次遥控成功的关系,自愈设备和备供线路健康度与评级的关系,自愈成熟度与线路自愈功能投入时长关系,安全态势影响度与防风防汛响应级别关系,备供负荷重要度与区域类别、保供电类别、重要用户级别的关系,备供线路故障率与故障次数的关系。
在第一方面一种可能的实现方式中,根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级,包括:
根据公式计算配网自动化主站协同式自愈可信度评级Z,其中,Aw为配网自动化主站协同式自愈报文完整度,w为配网自动化主站协同式自愈类型,n为可信度评价一级指标数目,m为与n对应的可信度评价二级指标数目,Ci为第i个可信度评价一级指标权重系数,Cij为第i个可信度评价一级指标中第j个可信度评价二级指标权重系数,Mij为第i个可信度评价一级指标中第j个可信度评价二级指标数值,k为调整系数。
在第一方面一种可能的实现方式中,判断配网自动化主站发出的报文是否满足协同式自愈报文要求,包括:
判断配网自动化主站发出的报文数量和内容是否同时满足协同式自愈报文要求。
在第一方面一种可能的实现方式中,该方法还包括:
对所有自愈线路进行故障模拟;
根据故障模拟结果的配网自动化主站协同式自愈可信度评级与实际自愈结果的配网自动化主站协同式自愈可信度评级对比,确定配网自动化主站协同式自愈可信度评级的可信度阈值。
第二方面,本发明实施例提供一种配网主站协同式自愈可信度确定装置,包括:
报文判断模块,用于判断配网自动化主站发出的报文是否满足协同式自愈报文要求;
评价体系建立模块,用于若报文满足协同式自愈报文要求,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的;
可信度评级模块,用于根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级。
第三方面,本发明实施例提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现如第一方面任一种可能的配网主站协同式自愈可信度确定方法。
本发明实施例提供的配网主站协同式自愈可信度确定方法、装置和存储介质,当判断配网自动化主站发出的报文满足协同式自愈报文要求时,根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,其中,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的;然后就可以根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级,由于本实施例提供的方法提供了配网主站协同式自愈可信度,能够为调度员提供决策参考,提高配网操作安全性。
附图说明
图1为配网自动化主站协同自愈执行流程图;
图2为本发明实施例提供的一种配网主站协同式自愈可信度确定方法的流程图;
图3为本发明实施例提供的另一种配网主站协同式自愈可信度确定方法的流程图;
图4为本发明实施例提供的一种配网主站协同式自愈可信度确定装置的结构示意图。
具体实施方式
下面结合附图和实施例对本发明作进一步的详细说明。可以理解的是,此处所描述的具体实施例仅仅用于解释本发明,而非对本发明的限定。另外还需要说明的是,为了便于描述,附图中仅示出了与本发明相关的部分而非全部结构。
图1为配网自动化主站协同自愈执行流程图,如图1所示,在配网发生故障后,配网自动化设备会自动定位及隔离,切除故障;故障相关信号会通过配电终端上送至配网自动化主站;配网自动化主站对监控到的信号进行采集和计算,自动给出恢复供电策略;调度员根据配网自动化主站提供的恢复供电策略执行恢复供电;最后完成配网主站协同式自愈。
而调度员在根据配网自动化主站提供的恢复供电策略执行恢复供电时,是基于调度员对配网自动化主站的信任才执行的操作。而配网自动化主站是否具备满足要求的可信度,目前并没有衡量的方法。本发明实施例提供的配网主站协同式自愈可信度确定方法,就是确定配网主站协同式自愈可信度,从而使调度员对配网自动化主站提供的策略对应的回复供电操作有基本的预判,已确保电网安全可控。
图2为本发明实施例提供的一种配网主站协同式自愈可信度确定方法的流程图,如图2所示,本实施例提供的配网主站协同式自愈可信度确定方法包括:
步骤S210,判断配网自动化主站发出的报文是否满足协同式自愈报文要求。
本实施例提供的配网主站协同式自愈可信度确定方法,应用于配电网中的配网自动化主站。配网自动化主站是配电自动化系统的核心,主要实现配电网数据采集与监控等基本功能,对配电网进行分析、计算与决策,并与其他应用信息系统进行信息交互,为配电网生产运行提供技术支撑,以下也简称配网主站。而配网自动化是指以一次网架和设备为基础,利用计算机及其网络、通信、现代电子传感技术,以配电自动化系统为核心,将配电网设备的实时、准实时和非实时数据进行信息整合和集成,实现对配电网正常运行及事故情况下的监测、保护及控制等。配网主站协同式自愈是指当配网出现故障时,通过配电自动化设备实现配电网故障定位、隔离,并通过配电自动化终端将数据传至配网自动化主站,在主站自动进行监测和计算,给出恢复供电的策略,然后在调度员协同作用下,根据策略恢复非故障区域供电的全过程。
首先,应用本发明实施例提供的配网主站协同式自愈可信度确定方法的触发条件是,判断配网自动化主站发出的报文是否满足协同式自愈报文要求。
具体地,判断配网自动化主站发出的报文是否满足协同式自愈报文要求,包括:判断配网自动化主站发出的报文数量和内容是否同时满足协同式自愈报文要求。根据不同策略,需要满足报文数量,且报文内容需要一致。且根据不同配网主站协同式自愈类型,报文数量与内容的要求不同。
以报文完整度Aw衡量配网自动化主站发出的报文与协同式自愈报文要求的匹配关系。其中w为配网主站协同式自愈类型。配网主站协同式自愈类型例如如下4种:主站集中型、智能分布式协同型、电压时间/电流协同型、级差保护协同型,w的取值分别为1、2、3、4。若报文数量且报文内容一致全部符合,则Aw=100%,至少一条不符合则Aw=0%。当Aw=100%时启动可信度评级计算,当Aw=0%时不启动可信度评级计算。
步骤S220,若报文满足协同式自愈报文要求,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的。
如果断配网自动化主站发出的报文满足协同式自愈报文要求,则触发配网自动化主站协同式自愈可信度评级的计算。首先,需要建立配网自动化主站协同式自愈可信度评级体系模型。配网自动化主站协同式自愈可信度评级体系模型根据配网自动化主站协同式自愈行为画像和关联特征量确定。其中,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的。
配网自动化主站协同式自愈行为画像体现了配网自动化主站协同式自愈行为的各种数据以及各种数据之间的相互关系,是根据配网自动化主站采集到的数据生成的。其中,配网自动化主站采集到的数据包括核心数据,核心数据包括对配网自动化主站协同式自愈可信度存在影响的各种数据,核心数据从电网各业务系统中获取。核心数据包括配网主站协同式自愈的启动条件,历史记录、功能、安全及风险评判等各项数据指标,核心数据的内容包括数字、文字、图形变化、时间等。电网各业务系统包括配网自动化主站、资产管理系统、配网调度业务管理系统等。核心数据包括静态数据和动态数据,静态数据包括涉及的配网线路台账信息,调度员资格和历史操作记录等数据。动态数据包括配网自动化主站报文及策略,配电自动化设备动作情况,外部安全风险,启动条件,生产业务等数据。综合各种数据,即可得到配网自动化主站协同式自愈行为画像。
在得到配网自动化主站协同式自愈行为画像的各种数据后,可以对数据进行数据清洗、数据交换和数据集成。然后通过聚类算法进行聚类处理,确定配网自动化主站协同式自愈可信度关联特征量,确保数据正确完整并可交换使用。
下面以k-means算法对配网自动化主站协同式自愈行为相关数据进行聚类处理为例进行说明,k-means算法也称为K均值聚类算法,是一种迭代求解的聚类分析算法,其步骤是,预将数据分为K组,则随机选取K个对象作为初始的聚类中心,然后计算每个对象与各个种子聚类中心之间的距离,把每个对象分配给距离它最近的聚类中心。聚类中心以及分配给它们的对象就代表一个聚类。每分配一个样本,聚类的聚类中心会根据聚类中现有的对象被重新计算。这个过程将不断重复直到满足某个终止条件。终止条件可以是没有(或最小数目)对象被重新分配给不同的聚类,没有(或最小数目)聚类中心再发生变化,误差平方和局部最小。
在本实施例中,聚类方法如下:
1、给定样本集合{X1、X2,...,Xn},最终划分的类别为K,从其中随机选取聚类中心为C1、C2、...,Cn,其余分类数据对象到聚类心的距离为D(xi,cj),
i=1,2,...,n;j=1,2,...,k。
2、D(xi,cj)=min{D(xi,cj),i=1,2,...,n;j=1,2,...,k},如果满足则将xi划分到ck中。
4、当Ck=C'k,说明数据没有进一步划分,则数据聚类算法结束,最终该聚类中心为结果,若等式不成立则继续按上述三步中的步骤内容继续递归划分。若无法终止则设置最大递归数,防止无限递归。
通过数据聚类后,对进行数据关联规则形成配网自动化主站协同式自愈可信度关联特征量。表1为配网自动化主站协同式自愈可信度关联特征量表。在表1中体现了配网自动化主站协同式自愈可信度的各种影响因素与关联特征量、可信度评价指标和特征量来源的对应关系。
表1配网自动化主站协同式自愈可信度关联特征量
确定了配网自动化主站协同式自愈可信度关联特征量之后,也就是得到了能够对配网自动化主站协同式自愈可信度进行评价的评价指标,各评价指标具有相互的影响和制约。通过分析、理顺各评价指标的相互逻辑影响关系,结合配网自动化主站协同式自愈的历史数据,可以确定各项评价指标对应的权重系数。各项评价指标和对应的权重系数共同组成配网自动化主站协同式自愈可信度评级体系模型。
步骤S230,根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级。
在确定了配网自动化主站协同式自愈可信度评级体系模型后,就确定了对配网自动化主站协同式自愈可信度产生影响的各种因素对应的关联特征量,且各关联特征量可以转化为可信度评价指标,以及各评价指标对应的权重系数。那么就可以进行配网自动化主站协同式自愈可信度评级的计算,也就是将各项量化的评价指标分别于对应的权重相乘后求和,最终得到配网自动化主站协同式自愈可信度评级。这样调度员就可以根据配网自动化主站协同式自愈可信度评级,判断配网自动化主站协同式自愈策略的可信程度,为调度员是否使用配网自动化主站提供的恢复供电策略提供了判断依据,能够有效提高操作效率和安全性,确保调度指挥安全可靠。为了便于调度员的判断,计算出的配网自动化主站协同式自愈可信度评级可以是归一化处理后的值。
本实施例提供的配网主站协同式自愈可信度确定方法,当判断配网自动化主站发出的报文满足协同式自愈报文要求时,根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,其中,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的;然后就可以根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级,由于本实施例提供的方法提供了配网主站协同式自愈可信度,能够为调度员提供决策参考,提高配网操作安全性。
图3为本发明实施例提供的另一种配网主站协同式自愈可信度确定方法的流程图,如图3所示,本实施例提供的配网主站协同式自愈可信度确定方法包括:
步骤S310,根据配网自动化主站的核心数据构建配网自动化主站协同式自愈行为画像,所述核心数据包括对配网自动化主站协同式自愈可信度存在影响的各种数据,所述核心数据从电网各业务系统中获取。
步骤S320,对所述配网自动化主站协同式自愈行为画像中的数据进行聚类处理,确定配网自动化主站协同式自愈可信度关联特征量。
根据步骤S310和步骤S320,即可建立配网自动化主站协同式自愈行为画像,并得到配网自动化主站协同式自愈可信度关联特征量。
步骤S330,判断配网自动化主站发出的报文是否满足协同式自愈报文要求。
步骤S340,若报文满足协同式自愈报文要求,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级指标与对应的权重系数,所述评级指标包括两级可信度评级指标。
为了提高配网自动化主站协同式自愈可信度评级体系模型的准确性,提高配网自动化主站协同式自愈可信度评级的可信程度,根据配网自动化主站协同式自愈行为画像和关联特征量,确定的配网自动化主站协同式自愈可信度评级指标包括两级可信度评级指标与对应的权重系数。其中,可信度评价一级指标包括:履约的信用记录、履约的直接能力、履约的间接能力、违约的风险程度;各可信度评价一级指标包括可信度评级二级指标,其中履约的信用记录包括自愈成功率,履约的直接能力包括遥控成功率、故障隔离成功率和设备线路健康度,履约的间接能力包括自愈成熟度和安全态势影响度,违约的风险程度包括备供负荷重要度和备供线路故障率。如表2所示,表2为配网自动化主站协同式自愈可信度评级体系模型表。
表2配网自动化主站协同式自愈可信度评级体系模型表
在表2中,每个可信度评价一级指标包括一个或多个可信度评价二级指标,可信度评价二级指标中,(+)表示正向指标,(-)表示逆向指标。
在一实施例中,通过分析、理顺不同二级指标、各指标间的相互逻辑影响关系,并查阅相关文献工具,引入网络层次分析法对指标权重进行分配,最终各指标对应的权重系数分配结果可以例如表3所示:
表3配网自动化主站协同式自愈可信度评级体系模型权重分配表
配网自动化主站协同式自愈可信度评级指标,需要根据配网自动化主站协同式自愈行为相关系数确定。其中,配网自动化主站协同式自愈行为相关系数是根据配网自动化主站协同式自愈行为画像和关联特征量确定的。配网自动化主站协同式自愈行为相关系数可以包括自愈波动系数与线路近二次自愈成功的关系,遥控波动系数与开关近二次遥控成功的关系,自愈设备和备供线路健康度与评级的关系,自愈成熟度与线路自愈功能投入时长关系,安全态势影响度与防风防汛响应级别关系,备供负荷重要度与区域类别、保供电类别、重要用户级别的关系,备供线路故障率与故障次数的关系等。
下面分别对各可信度评价二级指标的具体确定方法进行详细说明。
(1)自愈成功率M11
根据配网自动化主站自愈记录——近一段时间涉及配网自动化线路自愈结果,以及近2次自愈结果,判断是否稳定可靠。(衡量履约的信用记录,主站自愈记录,加入自愈波动系数衡量,预测主站式协同自愈的成功概率,若自愈近两次动作结果变化大,说明其不确定性概率较大,可信度越低,若没有自愈记录,M11=90%)。
计算公式:自愈成功率M11=(该线路自愈成功次数/该线路自愈总次数)×自愈波动系数×100%,自愈波动系数如表4所示。
表4自愈波动系数表
该线路最近第二次自愈是否成功 | 该线路最近第一次自愈是否成功 | 自愈波动系数 |
是 | 是 | 1 |
否 | 是 | 0.9 |
是 | 否 | 0.7 |
否 | 否 | 0.5 |
无记录 | 是 | 1 |
无记录 | 否 | 0.5 |
无记录 | 无记录 | 0.9 |
(2)遥控成功率M21
根据配网自动化主站遥控记录——近一段时间涉及自愈开关遥控情况(衡量履约的直接能力,主站遥控记录,加入近两次遥控结果,预测主站式协同自愈的的成功概率,若近两次遥控结果变化大,说明其不确定性概率较大,可信度越低,若没有遥控记录,M21=90%)。
计算公式:遥控成功率M21=(该自愈开关遥控成功次数/该自愈开关遥控总次数)×遥控波动系数×100%,遥控波动系数如表5所示。
表5遥控波动系数表
该自愈开关最近第二次遥控是否成功 | 该自愈开关最近第一次遥控是否成功 | 遥控波动系数 |
是 | 是 | 1 |
否 | 是 | 0.9 |
是 | 否 | 0.7 |
否 | 否 | 0.5 |
无记录 | 是 | 1 |
无记录 | 否 | 0.5 |
无记录 | 无记录 | 0.9 |
(3)故障隔离成功率M22
根据配网自动化主站故障隔离成功记录——近一段时间涉及自愈线路(或自愈功能投入前)故障隔离情况(衡量履约的直接能力,若没有发生故障记录,M22=90%)。
计算公式:故障隔离成功率M22=(该线路主干线故障隔离成功次数/该线路主干线故障总次数)×100%
(4)设备线路健康度M23
根据配网自动化设备健康度记录——生产系统记录的涉及自愈的断路器及备供线路健康度情况(衡量履约的直接能力,设备及线路健康度预测主站式协同自愈的成功概率)。
计算公式:设备线路健康度M23=自愈设备健康度×备供线路健康度×100%,设备线路健康度如表6所示。
表6设备线路健康度表
健康度评级 | 自愈设备健康度 | 备供线路健康度 |
严重 | 0 | 0 |
异常 | 0.8 | 0.8 |
注意 | 0.9 | 0.9 |
正常 | 1 | 1 |
(5)自愈成熟度M31
根据配网自动化主站自愈投入时间记录——环网线路投入自愈的时间长短(衡量履约的间接能力,自愈投入时间越长,成熟度越高,可信度越高)。
计算公式:自愈成熟度M31,如表7所示。
表7自愈成熟度表
(6)安全态势影响度M32
根据防风防汛应急响应记录——针对气象因素对自愈功能的影响,根据单位启动的防风防汛响应级别,从级别大小判断自然因素对自愈的影响。(衡量履约的间接能力,应急响应级别越高,数字越小,自愈受影响的概率较高,成功概率越低,可信度较低)
计算公式:安全态势影响度M32,如表8所示。
表8安全态势影响度表
防风防汛响应级别 | M32 |
正常 | 100% |
VI级 | 90% |
V级 | 80% |
III级 | 70% |
II级 | 60% |
I级 | 50% |
(7)备供负荷重要度M41
根据配网自动化线路负荷重要性——调度系统记录的涉及备供环网线路的负荷重要性,(衡量违约的风险程度,若自愈失败将可能影响备供负荷的用电,扩大社会影响面,备供负荷重要性程度越高,违约的风险越大,可信度越低)。
计算公式:备供负荷重要度M41=g1×g2×g3×100%,如表9所示
表9备供负荷重要度表
(8)备供线路故障率M42
根据配网自动化线路故障记录——生产系统记录的近一段时间涉及自愈的备供环网线路的故障记录(衡量违约的风险程度,若自愈失败,可能增加备供线路故障次数,增加停电范围和扩大社会影响面,备供线路故障率越大,违约的风险越大,可信度越低)。
计算公式:备供线路故障率M42,如表10所示.
表10备供线路故障率表
故障次数 | M42 |
3次及以上 | 0 |
2次 | 80% |
1次 | 90% |
0次 | 100% |
在确定配网自动化主站协同式自愈可信度评级指标与对应的权重系数后,即可建立配网自动化主站协同式自愈可信度评级体系模型,配网自动化主站协同式自愈可信度评级体系模型,可以为其中配网自动化主站协同式自愈可信度评级为Z。
步骤S350,根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级。
配网自动化主站协同式自愈可信度评级,根据采集到的各种配网自动化主站协同式自愈可信度评级指标,使用配网自动化主站协同式自愈可信度评级体系模型计算,也即根据公式计算,其中配网自动化主站协同式自愈可信度评级为Z。
Aw为配网自动化主站协同式自愈报文完整度,w为配网自动化主站协同式自愈类型。例如共4种自愈类型(主站集中型、智能分布式协同型、电压时间/电流协同型、级差保护协同型),取值分别为1、2、3、4。
n为可信度评价一级指标数目,m为与n对应的可信度评价二级指标数目。n的取值例如为4,各可信度评价一级指标对应的可信度评价二级指标,取值分别为1、3、2、2。
配电网调度员根据配网自动化主站策略以及可信度评价结果,即可判断可否执行自愈策略。通过将实际数据代入配网自动化主站协同式自愈可信度评级计算公式,得出Z值。例如:某配网自愈线路故障时,当Z∈(0%,M),可信度低,预判自愈不成功,调度员判断不可执行自愈策略。当Z∈(M,100%),可信度高,预判自愈成功,调度员判断可执行自愈策略。
步骤S360,对所有自愈线路进行故障模拟;根据故障模拟结果的配网自动化主站协同式自愈可信度评级与实际自愈结果的配网自动化主站协同式自愈可信度评级对比,确定配网自动化主站协同式自愈可信度评级的可信度阈值。
可选地,为了提高配网自动化主站协同式自愈可信度评级的准确度,还可以对所有自愈线路进行故障模拟;根据故障模拟结果的配网自动化主站协同式自愈可信度评级与实际自愈结果的配网自动化主站协同式自愈可信度评级对比,确定配网自动化主站协同式自愈可信度评级的可信度阈值。
具体地,利用系统自学习的能力,对所有自愈线路进行故障模拟,穷尽所有自愈线路故障的情况下,得出不同的Z值,并将模拟结果的Z值与实际自愈结果是否成功进行比较,从而判断M是否趋于收敛,通过校准修复M值,使其为精准的边界条件,提高Z值的取值范围的精准度,进而提高自愈可信度评级的准确性。
图4为本发明实施例提供的一种配网主站协同式自愈可信度确定装置的结构示意图,如图4所示,本实施例提供的配网主站协同式自愈可信度确定装置包括:
报文判断模块41,用于判断配网自动化主站发出的报文是否满足协同式自愈报文要求。
评价体系建立模块42,用于若报文满足协同式自愈报文要求,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的。
可信度评级模块43,用于根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级。
本实施例提供的配网主站协同式自愈可信度确定装置用于执行图1所示配网主站协同式自愈可信度确定方法,其实现原理和技术效果类似,此处不再赘述。
本发明实施例还提供一种计算机可读存储介质,该程序被处理器执行实现一种配网主站协同式自愈可信度确定方法,该方法包括:判断配网自动化主站发出的报文是否满足协同式自愈报文要求;若报文满足协同式自愈报文要求,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,配网自动化主站协同式自愈可信度评级体系模型包括对配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的;根据配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级。
需要说明的是,在本发明各个实施例中的各功能单元/模块可以集成在一个处理单元/模块中,也可以是各个单元/模块单独物理存在,也可以是两个或两个以上单元/模块集成在一个单元/模块中。上述集成的单元/模块既可以采用硬件的形式实现,也可以采用软件功能单元/模块的形式实现。
通过以上的实施方式的描述,所属领域的技术人员可以清楚地了解应当理解,可以以硬件、软件、固件、中间件、代码或其任何恰当组合来实现这里描述的实施例。对于硬件实现,处理器可以在一个或多个下列单元中实现:专用集成电路(ASIC)、数字信号处理器(DSP)、数字信号处理设备(DSPD)、可编程逻辑器件(PLD)、现场可编程门阵列(FPGA)、处理器、控制器、微控制器、微处理器、设计用于实现这里所描述功能的其他电子单元或其组合。对于软件实现,实施例的部分或全部流程可以通过计算机程序来指令相关的硬件来完成。实现时,可以将上述程序存储在计算机可读介质中或作为计算机可读介质上的一个或多个指令或代码进行传输。计算机可读介质包括计算机存储介质和通信介质,其中通信介质包括便于从一个地方向另一个地方传送计算机程序的任何介质。存储介质可以是计算机能够存取的任何可用介质。计算机可读介质可以包括但不限于RAM、ROM、EEPROM、CD-ROM或其他光盘存储、磁盘存储介质或者其他磁存储设备、或者能够用于携带或存储具有指令或数据结构形式的期望的程序代码并能够由计算机存取的任何其他介质。
注意,上述仅为本发明的较佳实施例及所运用技术原理。本领域技术人员会理解,本发明不限于这里的特定实施例,对本领域技术人员来说能够进行各种明显的变化、重新调整和替代而不会脱离本发明的保护范围。因此,虽然通过以上实施例对本发明进行了较为详细的说明,但是本发明不仅仅限于以上实施例,在不脱离本发明构思的情况下,还可以包括更多其他等效实施例,而本发明的范围由所附的权利要求范围决定。
Claims (8)
1.一种配网主站协同式自愈可信度确定方法,其特征在于,包括:
判断配网自动化主站发出的报文是否满足协同式自愈报文要求;
若报文满足协同式自愈报文要求,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,所述配网自动化主站协同式自愈可信度评级体系模型包括对所述配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,所述配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的;
根据所述配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级;
其中,所述根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,包括:
根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级指标与对应的权重系数,所述评级指标包括两级可信度评级指标;
其中,可信度评价一级指标包括:履约的信用记录、履约的直接能力、履约的间接能力、违约的风险程度;各可信度评价一级指标包括可信度评级二级指标,其中履约的信用记录包括自愈成功率,履约的直接能力包括遥控成功率、故障隔离成功率和设备线路健康度,履约的间接能力包括自愈成熟度和安全态势影响度,违约的风险程度包括备供负荷重要度和备供线路故障率;
其中,所述则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型之前,还包括:
根据配网自动化主站的核心数据构建配网自动化主站协同式自愈行为画像,所述核心数据包括对配网自动化主站协同式自愈可信度存在影响的各种数据,所述核心数据从电网各业务系统中获取;
对所述配网自动化主站协同式自愈行为画像中的数据进行聚类处理,确定配网自动化主站协同式自愈可信度关联特征量。
2.根据权利要求1所述的方法,其特征在于,所述根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级指标与对应的权重系数,包括:
根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈行为相关系数;
根据所述配网自动化主站协同式自愈行为相关系数确定配网自动化主站协同式自愈可信度评级指标,配网自动化主站协同式自愈可信度评级指标对应的权重系数根据配网自动化主站运行情况确定。
3.根据权利要求2所述的方法,其特征在于,所述配网自动化主站协同式自愈行为相关系数,包括:
自愈波动系数与线路近二次自愈成功的关系,遥控波动系数与开关近二次遥控成功的关系,自愈设备和备供线路健康度与评级的关系,自愈成熟度与线路自愈功能投入时长关系,安全态势影响度与防风防汛响应级别关系,备供负荷重要度与区域类别、保供电类别、重要用户级别的关系,备供线路故障率与故障次数的关系。
5.根据权利要求1~4任一项所述的方法,其特征在于,所述判断配网自动化主站发出的报文是否满足协同式自愈报文要求,包括:
判断配网自动化主站发出的报文数量和内容是否同时满足协同式自愈报文要求。
6.根据权利要求1~4任一项所述的方法,其特征在于,所述方法还包括:
对所有自愈线路进行故障模拟;
根据故障模拟结果的配网自动化主站协同式自愈可信度评级与实际自愈结果的配网自动化主站协同式自愈可信度评级对比,确定配网自动化主站协同式自愈可信度评级的可信度阈值。
7.一种配网主站协同式自愈可信度确定装置,其特征在于,包括:
报文判断模块,用于判断配网自动化主站发出的报文是否满足协同式自愈报文要求;
评价体系建立模块,用于若报文满足协同式自愈报文要求,则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,所述配网自动化主站协同式自愈可信度评级体系模型包括对所述配网自动化主站协同式自愈行为画像进行聚类后得到的评价指标和对应的权重系数,所述配网自动化主站协同式自愈行为画像是根据配网自动化主站采集到的数据生成的;
可信度评级模块,用于根据所述配网自动化主站协同式自愈可信度评级体系模型计算配网自动化主站协同式自愈可信度评级;
其中,所述根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型,包括:
根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级指标与对应的权重系数,所述评级指标包括两级可信度评级指标;
其中,可信度评价一级指标包括:履约的信用记录、履约的直接能力、履约的间接能力、违约的风险程度;各可信度评价一级指标包括可信度评级二级指标,其中履约的信用记录包括自愈成功率,履约的直接能力包括遥控成功率、故障隔离成功率和设备线路健康度,履约的间接能力包括自愈成熟度和安全态势影响度,违约的风险程度包括备供负荷重要度和备供线路故障率;
其中,所述则根据配网自动化主站协同式自愈行为画像和关联特征量,确定配网自动化主站协同式自愈可信度评级体系模型之前,还包括:
根据配网自动化主站的核心数据构建配网自动化主站协同式自愈行为画像,所述核心数据包括对配网自动化主站协同式自愈可信度存在影响的各种数据,所述核心数据从电网各业务系统中获取;
对所述配网自动化主站协同式自愈行为画像中的数据进行聚类处理,确定配网自动化主站协同式自愈可信度关联特征量。
8.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该程序被处理器执行时实现如权利要求1~6中任一所述的配网主站协同式自愈可信度确定方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518114.5A CN113055237B (zh) | 2021-05-12 | 2021-05-12 | 配网主站协同式自愈可信度确定方法、装置和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110518114.5A CN113055237B (zh) | 2021-05-12 | 2021-05-12 | 配网主站协同式自愈可信度确定方法、装置和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113055237A CN113055237A (zh) | 2021-06-29 |
CN113055237B true CN113055237B (zh) | 2023-01-10 |
Family
ID=76518530
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110518114.5A Active CN113055237B (zh) | 2021-05-12 | 2021-05-12 | 配网主站协同式自愈可信度确定方法、装置和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113055237B (zh) |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754336A (zh) * | 2019-01-22 | 2019-05-14 | 华北电力大学 | 一种基于不确定理论的智能配电网自愈性评估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US10776722B2 (en) * | 2008-12-04 | 2020-09-15 | Red Hat, Inc. | Credibility rating algorithm |
CN109886539A (zh) * | 2019-01-11 | 2019-06-14 | 华北电力大学 | 基于不确定多属性的智能配电网自愈性评价方法和系统 |
CN109816254B (zh) * | 2019-01-29 | 2021-02-09 | 国家电网有限公司 | 一种基于topsis的智能电网自愈性水平评估方法 |
CN111489091A (zh) * | 2020-04-14 | 2020-08-04 | 广东电网有限责任公司广州供电局 | 一种电力系统恢复力综合评价方法 |
-
2021
- 2021-05-12 CN CN202110518114.5A patent/CN113055237B/zh active Active
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109754336A (zh) * | 2019-01-22 | 2019-05-14 | 华北电力大学 | 一种基于不确定理论的智能配电网自愈性评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113055237A (zh) | 2021-06-29 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109086913B (zh) | 一种基于深度学习的电力系统暂态稳定评估方法及系统 | |
CN103744850B (zh) | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 | |
WO2019196869A1 (zh) | 一种确定巡检基站列表的方法以及巡检装置 | |
CN104579868A (zh) | 基于节点重要度的电力通信网络构建方法 | |
CN111680879B (zh) | 一种考虑敏感负荷失效的配电网运行韧性评估方法及装置 | |
CN103810533A (zh) | 一种基于云模型的配电网故障风险识别方法 | |
CN110428191B (zh) | 配电网脆弱节点辨识的方法 | |
CN116011827B (zh) | 一种用于重点小区的停电监测分析与预警系统及方法 | |
CN111049193A (zh) | 一种风电系统多调度场景的备用需求动态评估方法 | |
CN114567562B (zh) | 一种电网与通信网耦合网络关键节点识别的方法 | |
CN115587685A (zh) | 含高渗透率分布式电源的韧性配电网评价体系 | |
CN102800030A (zh) | 地区电网继电保护设备综合可靠性互动迭代评估方法 | |
CN113298402B (zh) | 基于人工智能的配网供电可靠性精细化方法与系统 | |
CN115730749A (zh) | 基于融合电力数据的电力调度风险预警方法及装置 | |
CN110750527A (zh) | 一种电力大数据的数据清洗方法 | |
CN114091213A (zh) | 一种电力通信网规划方案评价系统 | |
CN107563641B (zh) | 一种计及灾害偏好的配电网抗灾多场景差异化规划方法 | |
CN113055237B (zh) | 配网主站协同式自愈可信度确定方法、装置和存储介质 | |
CN116827807B (zh) | 基于多因素评价指标的电力通信网节点重要性评估方法 | |
CN116882552A (zh) | 计及电力与交通耦合网络的移动应急资源调度优化方法 | |
CN111628498A (zh) | 一种考虑配电网可靠性的多目标配电网重构方法和装置 | |
CN116632826A (zh) | 一种配电网的问题处理方法、装置、电子设备及存储介质 | |
CN115577996A (zh) | 一种电网停电计划的风险评估方法、系统、设备和介质 | |
CN110826874B (zh) | 一种考虑时变因素的社区配电网动态风险评估方法及装置 | |
CN114444886A (zh) | 基于解析法的台风灾害下配电网受损概率评估方法 |
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 |