CN113095648A - 基于数据驱动的配电网故障停电风险指标评估方法及系统 - Google Patents

基于数据驱动的配电网故障停电风险指标评估方法及系统 Download PDF

Info

Publication number
CN113095648A
CN113095648A CN202110356343.1A CN202110356343A CN113095648A CN 113095648 A CN113095648 A CN 113095648A CN 202110356343 A CN202110356343 A CN 202110356343A CN 113095648 A CN113095648 A CN 113095648A
Authority
CN
China
Prior art keywords
power failure
fault
distribution network
failure risk
power distribution
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.)
Withdrawn
Application number
CN202110356343.1A
Other languages
English (en)
Inventor
窦春霞
翟刘辉
岳东
张智俊
丁孝华
李延满
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Nanjing University of Posts and Telecommunications
State Grid Electric Power Research Institute
Original Assignee
Nanjing University of Posts and Telecommunications
State Grid Electric Power Research Institute
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Nanjing University of Posts and Telecommunications, State Grid Electric Power Research Institute filed Critical Nanjing University of Posts and Telecommunications
Priority to CN202110356343.1A priority Critical patent/CN113095648A/zh
Publication of CN113095648A publication Critical patent/CN113095648A/zh
Withdrawn legal-status Critical Current

Links

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
    • G06Q10/0635—Risk analysis of enterprise or organisation activities
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/12—Computing arrangements based on biological models using genetic models
    • G06N3/126—Evolutionary algorithms, e.g. genetic algorithms or genetic programming
    • 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
    • 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—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Electricity, gas or water supply

Abstract

本发明公开了配电网故障分析技术领域的一种基于数据驱动的配电网故障停电风险指标评估方法及系统，采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；将故障停电风险指标输入配电网风险模型，获取故障停电风险指标的故障停电风险值；基于故障停电风险指标的故障停电风险值，获取故障停电风险指标的敏感度值。能够有效预测配电网停电风险，降低电网故障停电的风险。

Description

基于数据驱动的配电网故障停电风险指标评估方法及系统
技术领域
本发明属于配电网故障分析技术领域，具体涉及一种基于数据驱动的配电网故障停电风险指标评估方法及系统。
背景技术
随着社会经济和人民生活水平的不断发展，人们对供电系统的运行水平提出了更高的要求，只有保证好配电网的供电可靠性、安全性、电能质量等方面，才能有力的保障电力系统的安全稳定运行。由于配电网近些年的发展，其规模日益增大，网络结构日益复杂，设备种类越来越多，运行方式多变，分布也广，所以配电网的不确定性也大大增加，一旦发生电网事故，所造成的后果也越来越严重。电力系统中故障的产生往往是多种因素相互作用的结果，往往具有时变性、多样性，随机模糊性等特点，这些特点对配电网的风险评估工作提出了巨大的挑战。配电网风险评估方法即是配电网风险指标的计算方法，目前关于配电网可靠性与风险评估的方法很多，主要可以归纳为解析法、模拟法以及将解析法和模拟法相结合的混合法三类。解析法的基本思想是根据系统的结构和元件的功能以及两者之间的逻辑关系，建立可靠性概率模型后通过递推或迭代等过程精确地求解模型，但是其计算时间较长，而且慢慢难以解决日渐复杂的配电网系统。而解析法的效率则低于基于人工智能的方法。所以为了建设高水平的电网，亟需一种基于数据驱动的方法对多种影响因素产生的指标进行一一分析，以方便对电网进行明确的优化。
发明内容
为解决现有技术中的不足，本发明提供一种基于数据驱动的配电网故障停电风险指标评估方法及系统，能够有效预测配电网停电风险，降低电网故障停电的风险。
为达到上述目的，本发明所采用的技术方案是：
第一方面，提供一种配电网故障停电风险指标评估方法，包括：采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；将故障停电风险指标输入配电网风险模型，获取故障停电风险指标的故障停电风险值；基于故障停电风险指标的故障停电风险值，获取故障停电风险指标对应的敏感度值。
进一步地，所述配电网风险模型的构建方法，包括：采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；基于设备停运停电率和用户停电损失，确定故障停电风险指标的故障停电风险值；采用基于遗传算法改进的BP神经网络，构建配电网风险模型；以故障停电风险指标为输入，以与故障停电风险指标相对应的故障停电风险值为输出，训练构建的配电网风险模型。
进一步地，所述基于设备停运停电率和用户停电损失，确定故障停电风险指标的故障停电风险值，具体为：
R＝f(ψ×C) (1)
其中：R表示故障停电风险值；ψ表示设备停运停电率；C表示用户停电损失；f表示风险模型函数。
进一步地，所述采用基于遗传算法改进的BP神经网络，构建配电网风险模型，包括：确定基于遗传算法改进的BP神经网络的网络拓扑；基于确定的网络拓扑确定遗传算法个体的长度，进行种群初始化；确定适应度函数，首先通过个体i，获取此时BP神经网络的初始权值和阈值，在经过BP神经网络的训练后，得到BP神经网络输出的预测值；将预测值与实际值的差值之和，乘以一个系数K作为适应值H；具体求取公式如下：
Figure BDA0003004040500000031
其中，n表示网络输出节点数；K表示系数；oi表示第i个节点的预测输出；yi表示BP神经网络第i个节点的期望输出；
选择轮盘赌法作为遗传算法的选择策略，个体i相应的选择概率pi：
fi＝1/Fi (4)
Figure BDA0003004040500000032
其中，Fi表示个体i的适应度值，fi表示对适应度值进行求倒数；N表示种群个体数目；
采用实数交叉法进行交叉操作，第k个染色体αk和第l个染色体αl在j位的交叉操作，具体如下：
αkj＝αki(1-b)+αlib (6)
αlj＝αlj(1-b)+αkjb (7)
其中，b表示[0，1]间的随机数一；
选取第i个个体的第j个基因αij，并对其进行相应的变异操作，具体如下：
Figure BDA0003004040500000033
其中，αmax表示基因αij的上界；αmin表示基因αij的下界；f(g)＝r2(1-g/Gmax)；r2表示一个随机数；g表示当前迭代次数；Gmax表示最大进化次数；r表示[0，1]间的随机数二。
进一步地，所述基于故障停电风险指标的故障停电风险值，获取故障停电风险指标的敏感度值，包括：假设训练样本集P共有m个样本，每个样本包含n个变量，即样本集为P＝{P1,P2,....Pn}，输出为一个变量Y＝[y1,y2,.....ym]；将训练样本集P中的数据列Pj,j＝1,2,3,.....n的每个数值在原来基础上分别加和减10％，形成两个新的数据列
Figure BDA0003004040500000041
和
Figure BDA0003004040500000042
将由
Figure BDA0003004040500000043
和
Figure BDA0003004040500000044
组成的两个新的训练样本集利用配电网风险模型进行预测，相应得到两组预测结果
Figure BDA0003004040500000045
和
Figure BDA0003004040500000046
二者求差后的差值表示该变量变化对输出结果产生的影响变化值IVj；对m个输出差值IVj求和并取平均，得到第j个输入变量的平均影响值MIVj，即为故障停电风险指标对应的敏感度值。
进一步地，所述影响配电网运行的故障停电风险指标，包括高损耗配变比例、中压线路联络率、中压配变平均负载率、中压线路平均负载率、电压合格率、中低压配电网网损率、自动化终端覆盖率、户均配变容量、可再生能源发电比例和智能电表覆盖率。
第二方面，提供一种配电网故障停电风险指标评估系统，包括：第一模块，用于采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；第二模块，用于将故障停电风险指标输入配电网风险模型，获取故障停电风险指标的故障停电风险值；第三模块，用于基于故障停电风险指标的故障停电风险值，获取故障停电风险指标对应的敏感度值。
与现有技术相比，本发明所达到的有益效果：本发明通过筛选影响配电网运行的故障停电风险指标并输入配电网风险模型，获取故障停电风险指标的故障停电风险值；继而获取故障停电风险指标的敏感度值，从而有效预测了配电网停电风险，降低了电网故障停电的风险。
附图说明
图1是本发明实施例提供的一种基于数据驱动的配电网故障停电风险指标评估方法的评估流程示意图；
图2是本发明实施例中基于遗传算法改进的BP神经网络算法流程示意图。
具体实施方式
下面结合附图对本发明作进一步描述。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发明的保护范围。
实施例一：
一种配电网故障停电风险指标评估方法，包括：采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；将故障停电风险指标输入配电网风险模型，获取故障停电风险指标的故障停电风险值；基于故障停电风险指标的故障停电风险值，获取故障停电风险指标对应的敏感度值。
本发明的发明构思是：首先采集配电网基础参数历史数据形成样本集；利用样本集进行风险评估，然后采用基于遗传算法改进的BP神经网络对指标和风险值进行建模，得到配电网风险模型，通过平均值法对各个指标风险值敏感度影响进行计算并排序，最后根据敏感度合理划分配电网各数指标的风险关联度等级，揭示其指标和配电网运行状态的相互转化规律与联系。
步骤一：采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；首先应该确定影响运行的合理指标，形成表征配电网的评价指标集。配电网在运行中受到极其复杂因素的影响，包括内部因素和外部因素，常见的因素包括：线路因素、设备因素、用户侧因素、天气因素等等。
配电网风险指标的选取包括以下几个原则：全面性、准确性、客观性、扩展性、规范性。基于以上几种原则和相关文献资料，本实施例选取了10个指标，分别为：高损耗配变比例、中压线路联络率、中压配变平均负载率、中压线路平均负载率、电压合格率、中低压配电网网损率、自动化终端覆盖率、户均配变容量、可再生能源发电比例和智能电表覆盖率。
步骤二：将故障停电风险指标输入配电网风险模型，获取故障停电风险指标的故障停电风险值；配电网风险模型的构建方法，包括：采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；基于设备停运停电率和用户停电损失，确定故障停电风险指标的故障停电风险值；采用基于遗传算法改进的BP神经网络，构建配电网风险模型；以故障停电风险指标为输入，以与故障停电风险指标相对应的故障停电风险值为输出，训练构建的配电网风险模型。
配电网故障停电风险主要分为设备停运停电率和用户停电损失两部分组成，通过停电的可能性和严重性两方面来评估故障停电风险。风险值为二者的乘积，风险评估模型如下所示：
R＝f(ψ×C) (1)
其中：R表示故障停电风险值；ψ表示设备停运停电率，主要是由元件的故障率决定的；C表示用户停电损失，主要由停电时间、停电用户数和缺供电量决定的；f表示风险模型函数。配电网故障停电风险评估具体过程如图1所示：具体步骤如下：
步骤一：确定评估配电网，根据开关元件对配电网进行分块；
步骤二：采集配电网各个指标的历史数据；
步骤三：计算配电网设备停运停电率；
步骤四：估算配电网用户停电损失
步骤五：根据公式(1)对每个分块配电网故障停电风险进行评估。
采用基于遗传算法改进的BP神经网络，构建配电网风险模型；首先通过前述方法获取配电网故障停电风险指标和风险值的数据，对不同指标数据分别进行归一化的处理，如式(2)所示：
Figure BDA0003004040500000071
其中，yi为归一化后的数据值，xi为原始数据值，xmin为数据序列的最小值，xmax为数据序列的最大值。
然后通过遗传算法对BP神经网络的初始值和阈值寻优，把获得的风险值和配电网故障停电风险指标通过基于遗传算法改进的BP神经网络建立配电网风险模型，流程图如图2所示；包括：
Step1：确定基于遗传算法改进的BP神经网络的网络拓扑；
Step2：基于确定的网络拓扑确定遗传算法个体的长度，进行种群初始化；
Step3：确定适应度函数，首先通过个体i，获取此时BP神经网络的初始权值和阈值，在经过BP神经网络的训练后，得到BP神经网络输出的预测值；将预测值与实际值的差值之和，乘以一个系数K作为适应值H；具体求取公式如下：
Figure BDA0003004040500000072
其中，n表示网络输出节点数；K表示系数；oi表示第i个节点的预测输出；yi表示BP神经网络第i个节点的期望输出；
Step4：选择轮盘赌法作为遗传算法的选择策略，个体i相应的选择概率pi：
fi＝1/Fi (4)
Figure BDA0003004040500000081
其中，Fi表示个体i的适应度值，fi表示对适应度值进行求倒数；N表示种群个体数目；
Step5：采用实数交叉法进行交叉操作，第k个染色体αk和第l个染色体αl在j位的交叉操作，具体如下：
αkj＝αki(1-b)+αlib (6)
αlj＝αlj(1-b)+αkjb (7)
其中，b表示[0，1]间的随机数一；
Step6：选取第i个个体的第j个基因αij，并对其进行相应的变异操作，具体如下：
Figure BDA0003004040500000082
其中，αmax表示基因αij的上界；αmin表示基因αij的下界；f(g)＝r2(1-g/Gmax)；r2表示一个随机数；g表示当前迭代次数；Gmax表示最大进化次数；r表示[0，1]间的随机数二；
Step7：通过以上流程得到的最优个体做为基于遗传算法改进的BP神经网络的初始权值和阈值赋值，得到基于遗传算法改进的BP神经网络后，用其重新建立配电网风险模型。
步骤三：基于故障停电风险指标的故障停电风险值，获取故障停电风险指标的敏感度值；通过平均值法对各个配电网故障停电风险指标风险值敏感度影响进行计算并排序。具体步骤包括：
Step1：假设训练样本集P共有m个样本，每个样本包含n个变量，即样本集为P＝{P1,P2,....Pn}，输出为一个变量Y＝[y1,y2,.....ym]；
Step2：将训练样本集P中的数据列Pj,j＝1,2,3,.....n的每个数值在原来基础上分别加和减10％，形成两个新的数据列
Figure BDA0003004040500000091
和
Figure BDA0003004040500000092
Step3：将由
Figure BDA0003004040500000093
和
Figure BDA0003004040500000094
组成的两个新的训练样本集利用配电网风险模型进行预测，相应得到两组预测结果
Figure BDA0003004040500000095
和
Figure BDA0003004040500000096
二者求差后的差值表示该变量变化对输出结果产生的影响变化值IVj；
Step4：对m个输出差值IVj求和并取平均，得到第j个输入变量的平均影响值MIVj，即为故障停电风险指标对应的敏感度值。
本实施例通过平均值法，对每个指标数据增加和减少10％，重新作为输入训练配电网风险模型，得到两组各个指标对故障停电风险值的差值作为每个指标的敏感度值，大小代表对风险值的影响程度。
对敏感度值按大小降序排列，若排序后的前k个敏感度值的累计贡献率满足下式：
Figure BDA0003004040500000097
则可作为本配电网的合格评估指标。
步骤四：最终得到10个配电网故障停电风险指标的敏感度值，灵敏度结果如表1，根据表1指标灵敏度的三个区间分为三级指标，分别是一级指标(0<MIV＜＜50):中压线路联络率、中压配变平均负载率、户均配变容量、可再生能源发电比例；二级指标(50<MIV＜＜100):高损耗配变比例、中压线路平均负载率、电压合格率；三级指标(MIV>100):中低压配电网网损率、自动化终端覆盖率、智能电表覆盖率，通过指标评估分级描述出各个指标对配电网停电故障风险的影响度。
表1灵敏度计算结果
参数 MIV值
高损耗配变比例 96.99
中压线路联络率 13.69
中压配变平均负载率 8.84
中压线路平均负载率 79.27
电压合格率 58.48
中低压配电网网损率 102.79
自动化终端覆盖率 165.04
户均配变容量 17.63
可再生能源发电比例 47.27
智能电表覆盖率 124.53
本实施例通过筛选影响配电网运行的故障停电风险指标并输入配电网风险模型，获取故障停电风险指标的故障停电风险值；继而获取故障停电风险指标的敏感度值，从而有效预测了配电网停电风险，降低了电网故障停电的风险。
实施例二：
基于实施例一所述的配电网故障停电风险指标评估方法，本实施例提供一种配电网故障停电风险指标评估系统，包括：第一模块，用于采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；第二模块，用于将故障停电风险指标输入配电网风险模型，获取故障停电风险指标的故障停电风险值；第三模块，用于基于故障停电风险指标的故障停电风险值，获取故障停电风险指标对应的敏感度值。
以上所述仅是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明技术原理的前提下，还可以做出若干改进和变形，这些改进和变形也应视为本发明的保护范围。

Claims (7)

1.一种配电网故障停电风险指标评估方法，其特征是，包括：
采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；
将故障停电风险指标输入配电网风险模型，获取故障停电风险指标的故障停电风险值；
基于故障停电风险指标的故障停电风险值，获取故障停电风险指标对应的敏感度值。
2.根据权利要求1所述的配电网故障停电风险指标评估方法，其特征是，所述配电网风险模型的构建方法，包括：
采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；
基于设备停运停电率和用户停电损失，确定故障停电风险指标的故障停电风险值；
采用基于遗传算法改进的BP神经网络，构建配电网风险模型；
以故障停电风险指标为输入，以与故障停电风险指标相对应的故障停电风险值为输出，训练构建的配电网风险模型。
3.根据权利要求2所述的配电网故障停电风险指标评估方法，其特征是，所述基于设备停运停电率和用户停电损失，确定故障停电风险指标的故障停电风险值，具体为：
R＝f(ψ×C) (1)
其中：R表示故障停电风险值；ψ表示设备停运停电率；C表示用户停电损失；f表示风险模型函数。
4.根据权利要求2所述的配电网故障停电风险指标评估方法，其特征是，所述采用基于遗传算法改进的BP神经网络，构建配电网风险模型，包括：
确定基于遗传算法改进的BP神经网络的网络拓扑；
基于确定的网络拓扑确定遗传算法个体的长度，进行种群初始化；
确定适应度函数，首先通过个体i，获取此时BP神经网络的初始权值和阈值，在经过BP神经网络的训练后，得到BP神经网络输出的预测值；将预测值与实际值的差值之和，乘以一个系数K作为适应值H；具体求取公式如下：
Figure FDA0003004040490000021
其中，n表示网络输出节点数；K表示系数；oi表示第i个节点的预测输出；yi表示BP神经网络第i个节点的期望输出；
选择轮盘赌法作为遗传算法的选择策略，个体i相应的选择概率pi：
fi＝1/Fi (4)
Figure FDA0003004040490000022
其中，Fi表示个体i的适应度值，fi表示对适应度值进行求倒数；N表示种群个体数目；
采用实数交叉法进行交叉操作，第k个染色体αk和第l个染色体αl在j位的交叉操作，具体如下：
αkj＝αki(1-b)+αlib (6)
αlj＝αlj(1-b)+αkjb (7)
其中，b表示[0，1]间的随机数一；
选取第i个个体的第j个基因αij，并对其进行相应的变异操作，具体如下：
Figure FDA0003004040490000031
其中，αmax表示基因αij的上界；αmin表示基因αij的下界；f(g)＝r2(1-g/Gmax)；r2表示一个随机数；g表示当前迭代次数；Gmax表示最大进化次数；r表示[0，1]间的随机数二。
5.根据权利要求1所述的配电网故障停电风险指标评估方法，其特征是，所述基于故障停电风险指标的故障停电风险值，获取故障停电风险指标的敏感度值，包括：
假设训练样本集P共有m个样本，每个样本包含n个变量，即样本集为P＝{P1,P2,....Pn}，输出为一个变量Y＝[y1,y2,.....ym]；
将训练样本集P中的数据列Pj,j＝1,2,3,.....n的每个数值在原来基础上分别加和减10％，形成两个新的数据列
Figure FDA0003004040490000032
和
Figure FDA0003004040490000033
将由
Figure FDA0003004040490000034
和
Figure FDA0003004040490000035
组成的两个新的训练样本集利用配电网风险模型进行预测，相应得到两组预测结果
Figure FDA0003004040490000036
和
Figure FDA0003004040490000037
二者求差后的差值表示该变量变化对输出结果产生的影响变化值IVj；
对m个输出差值IVj求和并取平均，得到第j个输入变量的平均影响值MIVj，即为故障停电风险指标对应的敏感度值。
6.根据权利要求1所述的配电网故障停电风险指标评估方法，其特征是，所述影响配电网运行的故障停电风险指标，包括高损耗配变比例、中压线路联络率、中压配变平均负载率、中压线路平均负载率、电压合格率、中低压配电网网损率、自动化终端覆盖率、户均配变容量、可再生能源发电比例和智能电表覆盖率。
7.一种配电网故障停电风险指标评估系统，其特征是，包括：
第一模块，用于采集配电网基础参数的历史数据，筛选出影响配电网运行的故障停电风险指标；
第二模块，用于将故障停电风险指标输入配电网风险模型，获取故障停电风险指标的故障停电风险值；
第三模块，用于基于故障停电风险指标的故障停电风险值，获取故障停电风险指标对应的敏感度值。
CN202110356343.1A 2021-04-01 2021-04-01 基于数据驱动的配电网故障停电风险指标评估方法及系统 Withdrawn CN113095648A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110356343.1A CN113095648A (zh) 2021-04-01 2021-04-01 基于数据驱动的配电网故障停电风险指标评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110356343.1A CN113095648A (zh) 2021-04-01 2021-04-01 基于数据驱动的配电网故障停电风险指标评估方法及系统

Publications (1)

Publication Number Publication Date
CN113095648A true CN113095648A (zh) 2021-07-09

Family

ID=76672760

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110356343.1A Withdrawn CN113095648A (zh) 2021-04-01 2021-04-01 基于数据驱动的配电网故障停电风险指标评估方法及系统

Country Status (1)

Country Link
CN (1) CN113095648A (zh)

Cited By (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642240A (zh) * 2021-08-17 2021-11-12 广西大学 基于数据-机理联合驱动的配电网可靠性评估方法及系统
CN113988709A (zh) * 2021-11-18 2022-01-28 广东电网有限责任公司 中压配电线路故障率分析方法、装置、终端设备及介质
CN115081680A (zh) * 2022-05-23 2022-09-20 天津大学 一种基于异质特征融合的停电风险预测方法
CN115936448A (zh) * 2023-02-13 2023-04-07 南京深科博业电气股份有限公司 一种基于大数据的城市配电网电力评估系统及方法

Cited By (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113642240A (zh) * 2021-08-17 2021-11-12 广西大学 基于数据-机理联合驱动的配电网可靠性评估方法及系统
CN113642240B (zh) * 2021-08-17 2023-08-01 广西大学 基于数据-机理联合驱动的配电网可靠性评估方法及系统
CN113988709A (zh) * 2021-11-18 2022-01-28 广东电网有限责任公司 中压配电线路故障率分析方法、装置、终端设备及介质
CN115081680A (zh) * 2022-05-23 2022-09-20 天津大学 一种基于异质特征融合的停电风险预测方法
CN115936448A (zh) * 2023-02-13 2023-04-07 南京深科博业电气股份有限公司 一种基于大数据的城市配电网电力评估系统及方法

Similar Documents

Publication Publication Date Title
CN108876054B (zh) 基于改进遗传算法优化极限学习机的短期电力负荷预测方法
CN113095648A (zh) 基于数据驱动的配电网故障停电风险指标评估方法及系统
CN110705873B (zh) 一种配电网运行状态画像分析方法
CN106850254B (zh) 一种电力通信网中关键节点识别方法
CN104408562B (zh) 一种基于bp神经网络的光伏系统发电效率综合评估方法
CN112116153B (zh) 一种耦合Copula与堆叠式LSTM网络的园区多元负荷联合预测方法
CN107516170A (zh) 一种基于设备故障概率和电网运行风险的差异自愈控制方法
CN112733417B (zh) 一种基于模型优化的异常负荷数据检测与修正方法和系统
CN112149873B (zh) 一种基于深度学习的低压台区线损合理区间预测方法
CN113077020B (zh) 一种变压器集群管理方法及系统
CN104037943A (zh) 一种提高电网电压质量的电压监测方法及系统
CN113487447A (zh) 一种基于大数据的配电网负荷预测及线损成因分析方法
CN112994017A (zh) 基于配电网概率潮流计算的分布式光伏电源选址优化方法
CN112329979A (zh) 一种基于自适应深度残差网络的超短期风电功率预测方法
CN106408016A (zh) 一种配电网停电时间自动识别模型构造方法
CN112990587A (zh) 一种对台区用电进行精准预测的方法及系统、设备、介质
CN112508254B (zh) 变电站工程项目投资预测数据的确定方法
CN113030633B (zh) 基于ga-bp神经网络的配电网故障大数据分析方法和系统
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
CN113379116A (zh) 基于聚类和卷积神经网络的台区线损预测方法
CN112446175A (zh) 基于配电网概率潮流计算的分布式电源选址优化方法
CN116502894A (zh) 光伏台区停电风险评估方法、装置、电子设备及存储介质
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
CN115660421A (zh) 一种新能源电力系统的风险早期预警分类方法
CN115186882A (zh) 一种基于聚类的可控负荷空间密度预测方法

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
WW01 Invention patent application withdrawn after publication
WW01 Invention patent application withdrawn after publication

Application publication date: 20210709