CN113379120B - 一种配电网设备故障预测方法及系统 - Google Patents
一种配电网设备故障预测方法及系统 Download PDFInfo
- Publication number
- CN113379120B CN113379120B CN202110635238.1A CN202110635238A CN113379120B CN 113379120 B CN113379120 B CN 113379120B CN 202110635238 A CN202110635238 A CN 202110635238A CN 113379120 B CN113379120 B CN 113379120B
- Authority
- CN
- China
- Prior art keywords
- distribution network
- network equipment
- power distribution
- service life
- representing
- 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 26
- 238000004364 calculation method Methods 0.000 claims abstract description 36
- 230000036541 health Effects 0.000 claims abstract description 34
- 238000012360 testing method Methods 0.000 claims description 25
- 230000000694 effects Effects 0.000 claims description 15
- 238000012423 maintenance Methods 0.000 claims description 13
- 230000007547 defect Effects 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000012937 correction Methods 0.000 claims description 7
- 239000004576 sand Substances 0.000 claims description 7
- 238000010606 normalization Methods 0.000 claims description 5
- 238000012545 processing Methods 0.000 claims description 5
- BTCSSZJGUNDROE-UHFFFAOYSA-N gamma-aminobutyric acid Chemical compound NCCCC(O)=O BTCSSZJGUNDROE-UHFFFAOYSA-N 0.000 claims description 4
- 230000007257 malfunction Effects 0.000 claims description 3
- 230000006870 function Effects 0.000 description 9
- 238000010586 diagram Methods 0.000 description 5
- 238000005315 distribution function Methods 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000008439 repair process Effects 0.000 description 3
- 230000032683 aging Effects 0.000 description 2
- 230000015556 catabolic process Effects 0.000 description 2
- 238000006731 degradation reaction Methods 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- XAGFODPZIPBFFR-UHFFFAOYSA-N aluminium Chemical compound [Al] XAGFODPZIPBFFR-UHFFFAOYSA-N 0.000 description 1
- 229910052782 aluminium Inorganic materials 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 230000002238 attenuated effect Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- JEIPFZHSYJVQDO-UHFFFAOYSA-N iron(III) oxide Inorganic materials O=[Fe]O[Fe]=O JEIPFZHSYJVQDO-UHFFFAOYSA-N 0.000 description 1
- 239000000463 material Substances 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 230000000750 progressive effect Effects 0.000 description 1
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
- 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—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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- General Business, Economics & Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- General Physics & Mathematics (AREA)
- Tourism & Hospitality (AREA)
- Physics & Mathematics (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种配电网设备故障预测方法,所述方法包括如下步骤:计算所选区域的配电网设备的等效役龄;确定配电网设备的设备类型;当为环境暴露型设备时,采用双条件云推理模型,确定天气状况和外力破坏的影响因子,进而结合等效役龄,确定配电网设备的故障率;当为环境封闭型设备时,利用比例故障概率模型,确定配电网设备的综合健康指数CHI值,进而结合等效役龄,确定配电网设备的故障率。本发明考虑设备类型不同,针对不同的配电网设备采用不同的故障率计算方式,故障率计算中分别考虑了不同的风险因素,提高计算结果的准确性、可靠性和全面性,本发明还在故障率的计算过程中引入的设备的等效役龄,进一步提计算结果的准确性。
Description
技术领域
本发明涉及配电网设备故障诊断技术领域,特别是涉及一种配电网设备故障预测方法及系统。
背景技术
设备故障率模型考虑因素单一,不能完全利用运行数据,无法全面考虑其他众多不能建模的风险因素对故障率的影响,应用于可靠性计算比较片面。而且所建立的模型较为粗糙,界定范围模糊,精度比较低。
发明内容
本发明的目的是提供一种配电网设备故障预测方法及系统,提高配电网设备故障预测及可靠性计算的准确性和全面性。
为实现上述目的,本发明提供了如下方案:
本发明提供一种配电网设备故障预测方法,所述方法包括如下步骤:
计算所选区域的配电网设备的等效役龄;
确定所选区域的配电网设备的设备类型;所述设备类型为环境暴露型设备或环境封闭型设备;
当所述设备类型为环境暴露型设备时,采用双条件云推理模型,确定天气状况和外力破坏的影响因子,并根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率;
当所述设备类型为环境封闭型设备时,利用比例故障概率模型,计算配电网设备的CHI值,并根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率。
可选的,所述计算所选区域的配电网设备的等效役龄,具体包括:
根据配电网设备的历史检修记录,利用公式计算配电网设备的役龄回退量;
其中,τ1和τm分别表示配电网设备第1次和第m次检修后的役龄回退量,εm(m-1)表示第m次检修和第m-1次检修之间的役龄回退增量,ηm为第m次检修的役龄回退因子,Tm(m-1)表示第m次检修和第m-1次检修之间的间隔时间,s表示线性衰减量;
根据配电网设备的役龄回退量,利用公式t=t'-τm,计算所选区域的配电网设备的等效役龄;其中,t为配电网设备的等效役龄,t'表示配电网设备的实际役龄。
可选的,所述采用双条件云推理模型,确定天气状况和外力破坏的影响因子,具体包括:
采集引起配电网设备故障的气象因素的当前数据;所述天气影响因素包括:雷电、覆冰、降雨、风、气温、台风、冰雹、雪和沙尘暴;
根据气象因素的当前数据,利用公式计算天气影响指标;
其中,S1表示天气影响指标,wj表示第j种气象因素的权重,x′j表示第j中气象因素的当前数据的归一化后的值;
根据外力破坏因素的统计数据,利用公式计算外力破坏健康度;所述外力破坏因素包括交通车辆、动物破坏、盗窃、异物短路、树害和外部施工;
其中,S2表示入外力破坏健康度,ωk表示第k种外力破坏因素的权重,mk表示统计周期内配电网设备由于第k种风险因素引起的故障次数和总故障次数的比值;
根据所述天气影响指标和所述外力破坏健康度,利用双条件云模型确定天气状况和外力破坏的影响因子为:θ(t,S1,S2),其中,t为配电网设备的等效役龄,θ(·)为双条件云模型函数。
可选的,所述采集引起配电网设备故障的气象因素的当前数据,之前还包括:
获取配电网设备的各个风险因素的历史数据及历史故障统计数据;所述风险因素包括气象因素和外力破坏因素;
分别对每个所述风险因素的历史数据进行归一化处理;
根据每个风险因素的归一化后的历史数据和历史故障统计数据,利用公式计算每种风险因素与故障率之间的相关系数;
其中,rj表示第j种风险因素与设备故障率之间的相关系数,x′ij表示第i个样本的第j种风险因素的归一化后的历史数据,表示第j种风险因素的数据均值,yi表示第i个样本的故障率,/>表示故障率的均值,n表示样本的数量;
根据每种风险因素与故障率之间的相关系数,利用公式计算每种风险因素的检验统计量;
其中,tj表示第j种风险因素的检验统计量;
根据每种风险因素的检验统计量,利用公式计算每种风险因素的权重;
其中,wj表示第j种风险因素的权重,1-p-j表示第j种风险因素的重要度,τj表示根据样本数据计算得到的检验统计量值,P(·)为条件概率函数。
可选的,所述根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率,具体包括:
根据所述影响因子和配电网设备时的等效役龄,利用公式确定配电网设备的故障率,其中,λe(t)表示当配电网设备为环境暴露型设备时的故障率,t为配电网设备的等效役龄,α0表示常数系数,α1和α2分别表示二重威布尔分布的第一形状参数和第二形状参数,β2表示二重威布尔分布的尺寸参数,T1和T2分别表示第一时间限值和第二时间限值。
可选的,所述利用比例故障概率模型确定配电网设备的CHI值,具体包括:
根据配电网设备的历史故障统计数据,利用公式CHI=HI×θ1×θ2×θ3,计算配电网设备的CHI值;
其中,HI表示配电网设备的健康指数,θ1、θ2和θ3分别表示环境温度、环境湿度和家族缺陷的修正因子,分别等于统计周期内总故障次数与环境温度、环境湿度和家族缺陷引起的故障次数的比值。
可选的,所述根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率,具体包括:
根据所述CHI值和配电网设备的等效役龄,利用公式确定配电网设备的故障率;其中,λc(t)表示当配电网设备为环境封闭型设备时的故障率,t为配电网设备的等效役龄;α0表示常数系数,α1和α2分别表示二重威布尔分布的第一形状参数和第二形状参数,β2表示二重威布尔分布的尺寸参数,T1和T2分别表示第一时间限值和第二时间限值,γ1和γ2分别表示第一协变量向量参数和第二协变量向量参数。
一种配电网设备故障预测系统,其特征在于,所述系统包括:
等效役龄计算模块,用于计算所选区域的配电网设备的等效役龄;
设备类型确定模块,用于确定所选区域的配电网设备的设备类型;所述设备类型为环境暴露型设备或环境封闭型设备;
第一故障率计算模块,用于当所述设备类型为环境暴露型设备时,采用双条件云推理模型,确定天气状况和外力破坏的影响因子,并根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率;
第二故障率计算模块,用于当所述设备类型为环境封闭型设备时,利用比例故障概率模型,计算配电网设备的CHI值,并根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率。
可选的,所述等效役龄计算模块,具体包括:
役龄回退量计算子模块,用于根据配电网设备的历史检修记录,利用公式计算配电网设备的役龄回退量;
其中,τ1和τm分别表示配电网设备第1次和第m次检修后的役龄回退量,εm(m-1)表示第m次检修和第m-1次检修之间的役龄回退增量,ηm为第m次检修的役龄回退因子,Tm(m-1)表示第m次检修和第m-1次检修之间的间隔时间,s表示线性衰减量;
等效役龄计算子模块,用于根据配电网设备的役龄回退量,利用公式t=t'-τm,计算所选区域的配电网设备的等效役龄;其中,t为配电网设备的等效役龄,t'表示配电网设备的实际役龄。
可选的,所述第一故障率计算模块,具体包括:
气象因素数据采集子模块,用于采集引起配电网设备故障的气象因素的当前数据;所述天气影响因素包括:雷电、覆冰、降雨、风、气温、台风、冰雹、雪和沙尘暴;
天气影响指标计算子模块,用于根据气象因素的当前数据,利用公式计算天气影响指标;
其中,S1表示天气影响指标,wj表示第j种气象因素的权重,x′j表示第j中气象因素的当前数据的归一化后的值;
外力破坏健康度计算子模块,用于根据外力破坏因素的统计数据,利用公式计算外力破坏健康度;所述外力破坏因素包括交通车辆、动物破坏、盗窃、异物短路、树害和外部施工;
其中,S2表示入外力破坏健康度,ωk表示第k种外力破坏因素的权重,mk表示统计周期内配电网设备由于第k种风险因素引起的故障次数和总故障次数的比值;
影响因子确定子模块,用于根据所述天气影响指标和所述外力破坏健康度,利用双条件云模型确定天气状况和外力破坏的影响因子为:θ(t,S1,S2),其中,t为配电网设备的等效役龄,θ(·)为双条件云模型函数。
根据本发明提供的具体实施例,本发明公开了以下技术效果:
本发明公开了一种配电网设备故障预测方法,所述方法包括如下步骤:计算所选区域的配电网设备的等效役龄;确定所选区域的配电网设备的设备类型;所述设备类型为环境暴露型设备或环境封闭型设备;当所述设备类型为环境暴露型设备时,采用双条件云推理模型,确定天气状况和外力破坏的影响因子,并根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率;当所述设备类型为环境封闭型设备时,利用比例故障概率模型建模,确定配电网设备的CHI值,并根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率。本发明根据配电网设备的类型不同,针对不同的配电网设备采用不同的故障率计算方式,故障率计算中分别考虑了不同的因素,提高计算结果的准确性、可靠性和全面性,本发明还在故障率的计算过程中引入设备的等效役龄,进一步提高计算结果的准确性。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,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,下面描述中的附图仅仅是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1为本发明提供的一种配电网设备故障预测方法的流程图;
图2为本发明提供的一种配电网设备故障预测方法的原理图;
图3为本发明提供的天气状况和外力破坏的影响因子确定的原理图;
图4为本发明提供的天气影响指标和外力破坏健康度的二维状态云分布图;
图5为本发明提供的云滴组成的散点图;
图6为本发明具体实施方式提供的变压器故障率曲线图;
图7为本发明具体实施方式提供的役龄回退量仿真图;
图8为本发明具体实施方式提供的环境暴露型设备的故障率拟合曲面图;
图9为本发明具体实施方式提供的环境封闭型设备的故障率拟合曲面图。
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,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,都属于本发明保护的范围。
本发明的目的是提供一种配电网设备故障预测方法及系统,提高配电网设备故障预测的准确性和全面性。
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合附图和具体实施方式对本发明作进一步详细的说明。
针对设备不同故障原因共存且不同原因的故障由于发生频率不同对应着不同的参数分布的情况,本发明根据提出根据设备分类进行分阶段建模,既考虑设备本身机理,又综合相应各风险因素对故障率的影响。根据设备的实时评价结果,充分利用数据推理出实时影响因子修正模型,避免了可靠性计算时的滞后性和人为主观性。同时针对等效役龄的计算,考虑检修对设备的修复影响。
如图1和2所示,本发明提供一种配电网设备故障预测方法,所述方法包括如下步骤:
步骤101,计算所选区域的配电网设备的等效役龄;
由于设备的可修复性,检修后会改善设备状态,但是检修时并不是所有部件都会得到检修,其次随着设备服役时间的增长和检修次数的增加,设备本身会发生材料疲劳和老化或生锈等不良工况,会出现修复疲劳现象,因此检修过后设备并不能回到初始完全健康状态,且每次检修导致的役龄回退量ε应是衰减的,本发明假设ε是线性定量衰减,衰减量为s。
相邻两次检修之间的役龄回退增量εm(m-1)为:
式中,ηm为历次役龄回退因子,T为修理间隔,m为修理次数,
因此,所述计算所选区域的配电网设备的等效役龄,具体包括:根据配电网设备的历史检修记录,利用公式计算配电网设备的役龄回退量;其中,τ1和τm分别表示配电网设备第1次和第m次检修后的役龄回退量,εm(m-1)表示第m次检修和第m-1次检修之间的役龄回退增量,ηm为第m次检修的役龄回退因子,Tm(m-1)表示第m次检修和第m-1次检修之间的间隔时间,s表示线性衰减量;根据配电网设备的役龄回退量,利用公式t=t'-τm,计算所选区域的配电网设备的等效役龄;其中,t为配电网设备的等效役龄,t'表示配电网设备的实际役龄。
步骤102,确定所选区域的配电网设备的设备类型;所述设备类型为环境暴露型设备或环境封闭型设备。
根据设备的运行原理、工况和运行环境的不同,将设备分为环境暴露型和环境封闭型。
环境暴露型设备的特点是主要功能部位暴露在外界,外部因素是造成设备失效的主要原因。封闭型设备的特点是其主要功能部位处在封闭空间里,内部老化、运行环境是造成设备失效的主要原因。
步骤103,当所述设备类型为环境暴露型设备时,采用双条件云推理模型,确定天气状况和外力破坏的影响因子,并根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率。
步骤103所述采用双条件云推理模型,确定天气状况和外力破坏的影响因子,具体包括:
采集引起配电网设备故障的气象因素的当前数据;所述天气影响因素包括:雷电、覆冰、降雨、风、气温、台风、冰雹、雪和沙尘暴。
根据气象因素的当前数据,利用公式计算天气影响指标;其中,S1表示天气影响指标,wj表示第j种气象因素的权重,x′j表示第j中气象因素的当前数据的归一化后的值。
根据外力破坏因素的统计数据,利用公式计算外力破坏健康度;所述外力破坏因素包括交通车辆、动物破坏、盗窃、异物短路、树害和外部施工,其中,S2表示入外力破坏健康度,ωk表示第k种外力破坏因素的权重,mk表示统计周期内配电网设备由于第k种风险因素引起的故障次数和总故障次数的比值。根据《供电系统供电可靠性评价规程》将外力破坏分为交通车辆破坏、动物因素、盗窃、异物短路、树害、外部施工影响和其他7类,本发明引入外力破坏健康度S2来评价各因素的影响,得分越大,发生外力破坏的可能性越小。
根据所述天气影响指标和所述外力破坏健康度,利用双条件云模型确定天气状况和外力破坏的影响因子为:θ(t,S1,S2),其中,t为配电网设备的等效役龄,θ(·)为双条件云模型函数。由于天气和外力破坏具有随机性和不确定性,采用模糊的语言描述为:故障率通常在天气状况和外力破坏健康度都优秀时较小,构造图3所示的云模型推理规则来实现对应时刻的综合影响因子模型。
根据双条件云模型模型,以线路为例,导线型号为铝制LGJQ-400,对该地区天气和外力进行评价之后,将分数作为输入量,图4为天气得分和外力破坏健康度二维状态云分布图,根据半降云的期望方程表达式计算云模型的熵,图5为所得云滴组成的散点图。
其中,所述采集引起配电网设备故障的气象因素的当前数据,之前还包括:
获取配电网设备的各个风险因素的历史数据及历史故障统计数据;所述风险因素包括气象因素和外力破坏因素;从管理信息系统采集设备信息,营销档案得到设备自身的寿命数据,从地理信息系统采集到设备所处环境的地理、气象数据,从生产管理系统采集历史故障数据得到设备历史停运数据。由于各地的气候条件不同,且各种天气状态之间没有明确的界限,不能区分不同天气对设备故障的影响情况,比如暴风雨和台风都属于恶劣天气,采用三状态模型计算的结果大致相同,与实际情况不符。根据电力部门多年数据表明,引起环境暴露型设备故障的气象因素一般是雷电、覆冰、降雨、风、气温、台风、冰雹、雪、沙尘暴9项风险因素。若某项气象因素成为最主要的故障因素,设备故障模型应采用与该天气因素关联的元件易损曲线表示。避免人为主观的影响,从历史统计数据出发,根据假设检验的p-值,即当原假设为真时所得到的样本观测结果或更极端结果出现的概率,反映了实际观测的数据与原假设不一致程度的概率,其值越小说明观测的实际数据与原假设之间不一致的程度越大,拒绝假设的理由越充分。
分别对每个所述风险因素的历史数据进行归一化处理;归一化处理的公式为:其中,xij为第i个样本的第j个风险因素量化指标;x′ij为对应因素归一化的值;n为样本总数。
根据每个风险因素的归一化后的历史数据和历史故障统计数据,利用公式计算每种风险因素与故障率之间的相关系数;
其中,rj表示第j种风险因素与设备故障率之间的相关系数,x′ij表示第i个样本的第j种风险因素的归一化后的历史数据,表示第j种风险因素的数据均值,yi表示第i个样本的故障率,/>表示故障率的均值,n表示样本的数量;
采用t分布对与rj相应的总体相关系数ρ进行假设检验,假设H0:ρ=0;H1:ρ≠0,因此,根据每种风险因素与故障率之间的相关系数,利用公式计算每种风险因素的检验统计量;其中,tj表示第j种风险因素的检验统计量;
根据每种风险因素的检验统计量,利用公式计算每种风险因素的权重;其中,wj表示第j种风险因素的权重,在统计学中,p-被定义为当原假设为真时所得到的样本观测结果或更极端结果出现的概率,1-p-j表示第j种风险因素的重要度,根据假设检验的双检验计算得到,tj表示检验统计量,τj表示根据样本数据计算得到的检验统计量值,P(·)为条件概率函数。
步骤103中所述根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率,具体包括:
根据所述影响因子和配电网设备时的等效役龄,利用公式确定配电网设备的故障率,其中,λe(t)表示当配电网设备为环境暴露型设备时的故障率,t为配电网设备的等效役龄,α0表示常数系数,α1和α2分别表示二重威布尔分布的第一形状参数和第二形状参数,β2表示二重威布尔分布的尺寸参数,T1和T2分别表示第一时间限值和第二时间限值。
步骤104,当所述设备类型为环境封闭型设备时,利用比例故障概率模型建模,确定配电网设备的CHI值,并根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率。
从管理信息系统采集设备信息,营销档案得到设备自身的寿命数据,从生产管理系统采集历史故障数据得到设备历史停运数据,从设备在线预测系统采集设备的在线运行数据、状态量,从能量管理系统采集电力系统状态参数。
设备基本健康指数HI根据对设备的多个现场状态量进行按照国家能源局发布的相关设备状态评估导则获取。设备的综合健康指数不仅与自身状态有关,而且与环境温度、湿度、家族缺陷有关,分别引入各修正因子θ1、θ2、θ3,各修正因子的计算为根据历史故障数据取统计周期内总故障次数与由于各因素发生故障的次数的比值。
具体的,步骤104中,所述利用比例故障概率模型建模,确定配电网设备的综合健康指数CHI值,具体包括:根据配电网设备的历史故障统计数据,利用公式CHI=HI×θ1×θ2×θ3,计算配电网设备的CHI值;其中,HI表示配电网设备的健康指数,θ1、θ2和θ3分别表示环境温度、环境湿度和家族缺陷的修正因子,分别等于统计周期内总故障次数与环境温度、环境湿度和家族缺陷引起的故障次数的比值。
采用比例故障概率模型(Proportional Hazard Model,PHM)利用基准故障率模型和协变量计算封闭型设备的动态故障率。
具体的,步骤104中,所述根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率,具体包括:
根据所述CHI值和配电网设备的等效役龄,利用公式确定配电网设备的故障率;其中,λc(t)表示当配电网设备为环境封闭型设备时的故障率,t为配电网设备的等效役龄;α0表示常数系数,α1和α2分别表示二重威布尔分布的第一形状参数和第二形状参数,β2表示二重威布尔分布的尺寸参数,T1和T2分别表示第一时间限值和第二时间限值,γ1和γ2分别表示第一协变量向量参数和第二协变量向量参数。
本发明步骤103和104中用于计算故障率的基准故障率模型是采用如下方式进行选取:
可靠性分析中常用的寿命分布有指数分布、威布尔分布、伽马分布、泊松分布等,当仅考虑设备的退化情况时,为了更准确地确定故障率基准分布函数类型,选取变压器为例,统计其运行年限的故障率数据,采用分布函数拟合法确定分布函数,将威布尔分布、伽马分布和泊松分布进行比较,得到结果如表1所示。拟合优度检验采用确定系数R2和残差平方和来评价。确定系数的取值范围为[0,1],取值越接近1,表明模型拟合效果越好,残差平方和越接近于0,表明模型拟合效果越好。
表1 拟合结果对比
基准故障率函数分布 | 确定系数R2 | 残差平方和 |
威布尔分布 | 0.93106 | 0.00493 |
伽马分布 | 0.93084 | 0.00494 |
泊松分布 | 0.84858 | 0.01082 |
考虑到威布尔分布和伽马分布的拟合优度检验指标比较接近,因此采用Kolmogorov-Smirnov检验进一步确定。结果如表2所示。
表2 K-S检验结果
基准故障率函数分布 | 检验统计量 | P值 | 在(5%)水平下的结论 |
威布尔分布 | 0.0996 | >0.1 | 不能排除weibull分布 |
伽马分布 | 0.0991 | 0.21892 | 不能排除Gamma分布 |
根据表1、表2可知威布尔分布的确定系数最大,残差平方和最小,检验统计量最小,同时Gamma分布的估计需要计算一系列特殊函数,而Weibull分布的估计比较简单,因此当仅考虑设备的退化情况时,本发明采用分阶段模型和二重威布尔分布来描述设备的基准故障率。
式中,α1,2≥0、β2≥0为二重威布尔分布的形状参数和尺寸参数;本发明将α1,2、β2均设置为待估计的参数。
本发明还提供一种配电网设备故障预测系统,所述系统包括:
等效役龄计算模块,用于计算所选区域的配电网设备的等效役龄。
所述等效役龄计算模块,具体包括:役龄回退量计算子模块,用于根据配电网设备的历史检修记录,利用公式计算配电网设备的役龄回退量;其中,τ1和τm分别表示配电网设备第1次和第m次检修后的役龄回退量,εm(m-1)表示第m次检修和第m-1次检修之间的役龄回退增量,ηm为第m次检修的役龄回退因子,Tm(m-1)表示第m次检修和第m-1次检修之间的间隔时间,s表示线性衰减量;
等效役龄计算子模块,根据配电网设备的役龄回退量,利用公式t=t'-τm,计算所选区域的配电网设备的等效役龄;其中,t为配电网设备的等效役龄,t'表示配电网设备的实际役龄。
设备类型确定模块,用于确定所选区域的配电网设备的设备类型;所述设备类型为环境暴露型设备或环境封闭型设备。
第一故障率计算模块,用于当所述设备类型为环境暴露型设备时,采用双条件云推理模型,确定天气状况和外力破坏的影响因子,并根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率。
所述第一故障率计算模块,具体包括:气象因素数据采集子模块,用于采集引起配电网设备故障的气象因素的当前数据;所述天气影响因素包括:雷电、覆冰、降雨、风、气温、台风、冰雹、雪和沙尘暴;天气影响指标计算子模块,用于根据气象因素的当前数据,利用公式计算天气影响指标;其中,S1表示天气影响指标,wj表示第j种气象因素的权重,x′j表示第j中气象因素的当前数据的归一化后的值;外力破坏健康度计算子模块,用于根据外力破坏因素的统计数据,利用公式/>计算外力破坏健康度;所述外力破坏因素包括交通车辆、动物破坏、盗窃、异物短路、树害和外部施工;其中,S2表示入外力破坏健康度,ωk表示第k种外力破坏因素的权重,mk表示统计周期内配电网设备由于第k种风险因素引起的故障次数和总故障次数的比值;影响因子确定子模块,用于根据所述天气影响指标和所述外力破坏健康度,利用双条件云模型确定天气状况和外力破坏的影响因子为:θ(t,S1,S2),其中,t为配电网设备的等效役龄,θ(·)为双条件云模型函数。
第二故障率计算模块,用于当所述设备类型为环境封闭型设备时,利用比例故障概率模型,确定配电网设备的CHI值,并根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率。
本发明还提供了一个具体的实施方式,以对本发明的技术效果进行说明。
以变压器为例说明考虑检修的合理性,假设变压器每5年进行一次小修,每15年进行一次大修,小修的役龄回退因子为0.4,大修的役龄回退因子为0.6,s=0.2,某一年的役龄回退情况取最大回退量,图6为变压器故障率曲线,图7是役龄回退量仿真图。
由图6可知,实际设备的故障率是波动上升的,说明检修会使设备役龄回退,但是不能完全回到初始状态,根据检修的种类不同,ηm的取值不同,役龄回退量也不同,蓝色曲线如果检修周期和红色相同,且考虑各种影响因素,变化将是一致的。图7为役龄回退量随检修活动的变化趋势,新模型的役龄回退量逐渐增加但是趋势缓慢,最后到达最大检修次数趋于不变。因此,符合实际设备的故障状况。
图8为暴露型设备的故障率拟合曲面,图9为封闭型设备的拟合曲面,验证本发明所提配电设备动态故障率的全面性、可靠性、一般性和灵活性。
本说明书中各个实施例采用递进的方式描述,每个实施例重点说明的都是与其他实施例的不同之处,各个实施例之间相同相似部分互相参见即可。
本文中应用了具体个例对本发明的原理及实施方式进行了阐述,以上实施例的说明只是用于帮助理解本发明的方法及其核心思想;同时,对于本领域的一般技术人员,依据本发明的思想,在具体实施方式及应用范围上均会有改变之处。综上所述,本说明书内容不应理解为对本发明的限制。
Claims (4)
1.一种配电网设备故障预测方法,其特征在于,所述方法包括如下步骤:
计算所选区域的配电网设备的等效役龄;
确定所选区域的配电网设备的设备类型;所述设备类型为环境暴露型设备或环境封闭型设备;
当所述设备类型为环境暴露型设备时,采用双条件云推理模型,确定天气状况和外力破坏的影响因子,并根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率;
当所述设备类型为环境封闭型设备时,利用比例故障概率模型,计算配电网设备的CHI值,并根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率;
所述采用双条件云推理模型,确定天气状况和外力破坏的影响因子,具体包括:
采集引起配电网设备故障的气象因素的当前数据;所述天气影响因素包括:雷电、覆冰、降雨、风、气温、台风、冰雹、雪和沙尘暴;
根据气象因素的当前数据,利用公式计算天气影响指标;
其中,S1表示天气影响指标,wj表示第j种气象因素的权重,x'j表示第j种气象因素的当前数据的归一化后的值;
根据外力破坏因素的统计数据,利用公式计算外力破坏健康度;所述外力破坏因素包括交通车辆、动物破坏、盗窃、异物短路、树害和外部施工;
其中,S2表示外力破坏健康度,ωk表示第k种外力破坏因素的权重,mk表示统计周期内配电网设备由于第k种风险因素引起的故障次数和总故障次数的比值;
根据所述天气影响指标和所述外力破坏健康度,利用双条件云模型确定天气状况和外力破坏的影响因子为:θ(t,S1,S2),其中,t为配电网设备的等效役龄,θ(·)为双条件云模型函数;
所述采集引起配电网设备故障的气象因素的当前数据,之前还包括:
获取配电网设备的各个风险因素的历史数据及历史故障统计数据;所述风险因素包括气象因素和外力破坏因素;
分别对每个所述风险因素的历史数据进行归一化处理;
根据每个风险因素的归一化后的历史数据和历史故障统计数据,利用公式计算每种风险因素与故障率之间的相关系数;
其中,rj表示第j种风险因素与设备故障率之间的相关系数,x'ij表示第i个样本的第j种风险因素的归一化后的历史数据,表示第j种风险因素的数据均值,yi表示第i个样本的故障率,/>表示故障率的均值,n表示样本的数量;
根据每种风险因素与故障率之间的相关系数,利用公式计算每种风险因素的检验统计量;
其中,tj表示第j种风险因素的检验统计量;
根据每种风险因素的检验统计量,利用公式计算每种风险因素的权重;
其中,wj表示第j种风险因素的权重,1-p-j表示第j种风险因素的重要度,τj表示根据样本数据计算得到的检验统计量值,P(·)为条件概率函数;
所述根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率,具体包括:
根据所述影响因子和配电网设备时的等效役龄,利用公式确定配电网设备的故障率,其中,λe(t)表示当配电网设备为环境暴露型设备时的故障率,t为配电网设备的等效役龄,α0表示常数系数,α1和α2分别表示二重威布尔分布的第一形状参数和第二形状参数,β2表示二重威布尔分布的尺寸参数,T1和T2分别表示第一时间限值和第二时间限值;
所述利用比例故障概率模型确定配电网设备的CHI值,具体包括:
根据配电网设备的历史故障统计数据,利用公式CHI=HI×θ1×θ2×θ3,计算配电网设备的CHI值;
其中,HI表示配电网设备的健康指数,θ1、θ2和θ3分别表示环境温度、环境湿度和家族缺陷的修正因子,分别等于统计周期内总故障次数与环境温度、环境湿度和家族缺陷引起的故障次数的比值;
所述根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率,具体包括:
根据所述CHI值和配电网设备的等效役龄,利用公式确定配电网设备的故障率;其中,λc(t)表示当配电网设备为环境封闭型设备时的故障率,t为配电网设备的等效役龄;α0表示常数系数,α1和α2分别表示二重威布尔分布的第一形状参数和第二形状参数,β2表示二重威布尔分布的尺寸参数,T1和T2分别表示第一时间限值和第二时间限值,γ1和γ2分别表示第一协变量向量参数和第二协变量向量参数。
2.根据权利要求1所述的配电网设备故障预测方法,其特征在于,所述计算所选区域的配电网设备的等效役龄,具体包括:
根据配电网设备的历史检修记录,利用公式计算配电网设备的役龄回退量;
其中,τ1和τm分别表示配电网设备第1次和第m次检修后的役龄回退量,εm(m-1)表示第m次检修和第m-1次检修之间的役龄回退增量,ηm为第m次检修的役龄回退因子,Tm(m-1)表示第m次检修和第m-1次检修之间的间隔时间,s表示线性衰减量;
根据配电网设备的役龄回退量,利用公式t=t'-τm,计算所选区域的配电网设备的等效役龄;其中,t为配电网设备的等效役龄,t'表示配电网设备的实际役龄。
3.一种配电网设备故障预测系统,其特征在于,所述系统包括:
等效役龄计算模块,用于计算所选区域的配电网设备的等效役龄;
设备类型确定模块,用于确定所选区域的配电网设备的设备类型;所述设备类型为环境暴露型设备或环境封闭型设备;
第一故障率计算模块,用于当所述设备类型为环境暴露型设备时,采用双条件云推理模型,确定天气状况和外力破坏的影响因子,并根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率;
第二故障率计算模块,用于当所述设备类型为环境封闭型设备时,利用比例故障概率模型,计算配电网设备的CHI值,并根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率;
所述第一故障率计算模块,具体包括:
气象因素数据采集子模块,用于采集引起配电网设备故障的气象因素的当前数据;所述天气影响因素包括:雷电、覆冰、降雨、风、气温、台风、冰雹、雪和沙尘暴;
天气影响指标计算子模块,用于根据气象因素的当前数据,利用公式计算天气影响指标;
其中,S1表示天气影响指标,wj表示第j种气象因素的权重,x'j表示第j种气象因素的当前数据的归一化后的值;
外力破坏健康度计算子模块,用于根据外力破坏因素的统计数据,利用公式计算外力破坏健康度;所述外力破坏因素包括交通车辆、动物破坏、盗窃、异物短路、树害和外部施工;
其中,S2表示外力破坏健康度,ωk表示第k种外力破坏因素的权重,mk表示统计周期内配电网设备由于第k种风险因素引起的故障次数和总故障次数的比值;
影响因子确定子模块,用于根据所述天气影响指标和所述外力破坏健康度,利用双条件云模型确定天气状况和外力破坏的影响因子为:θ(t,S1,S2),其中,t为配电网设备的等效役龄,θ(·)为双条件云模型函数;
所述采集引起配电网设备故障的气象因素的当前数据,之前还包括:
获取配电网设备的各个风险因素的历史数据及历史故障统计数据;所述风险因素包括气象因素和外力破坏因素;
分别对每个所述风险因素的历史数据进行归一化处理;
根据每个风险因素的归一化后的历史数据和历史故障统计数据,利用公式计算每种风险因素与故障率之间的相关系数;
其中,rj表示第j种风险因素与设备故障率之间的相关系数,x'ij表示第i个样本的第j种风险因素的归一化后的历史数据,表示第j种风险因素的数据均值,yi表示第i个样本的故障率,/>表示故障率的均值,n表示样本的数量;
根据每种风险因素与故障率之间的相关系数,利用公式计算每种风险因素的检验统计量;
其中,tj表示第j种风险因素的检验统计量;
根据每种风险因素的检验统计量,利用公式计算每种风险因素的权重;
其中,wj表示第j种风险因素的权重,1-p-j表示第j种风险因素的重要度,τj表示根据样本数据计算得到的检验统计量值,P(·)为条件概率函数;
所述根据所述影响因子和配电网设备的等效役龄,确定配电网设备的故障率,具体包括:
根据所述影响因子和配电网设备时的等效役龄,利用公式确定配电网设备的故障率,其中,λe(t)表示当配电网设备为环境暴露型设备时的故障率,t为配电网设备的等效役龄,α0表示常数系数,α1和α2分别表示二重威布尔分布的第一形状参数和第二形状参数,β2表示二重威布尔分布的尺寸参数,T1和T2分别表示第一时间限值和第二时间限值;
所述利用比例故障概率模型确定配电网设备的CHI值,具体包括:
根据配电网设备的历史故障统计数据,利用公式CHI=HI×θ1×θ2×θ3,计算配电网设备的CHI值;
其中,HI表示配电网设备的健康指数,θ1、θ2和θ3分别表示环境温度、环境湿度和家族缺陷的修正因子,分别等于统计周期内总故障次数与环境温度、环境湿度和家族缺陷引起的故障次数的比值;
所述根据所述CHI值和配电网设备的等效役龄,确定配电网设备的故障率,具体包括:
根据所述CHI值和配电网设备的等效役龄,利用公式确定配电网设备的故障率;其中,λc(t)表示当配电网设备为环境封闭型设备时的故障率,t为配电网设备的等效役龄;α0表示常数系数,α1和α2分别表示二重威布尔分布的第一形状参数和第二形状参数,β2表示二重威布尔分布的尺寸参数,T1和T2分别表示第一时间限值和第二时间限值,γ1和γ2分别表示第一协变量向量参数和第二协变量向量参数。
4.根据权利要求3所述的配电网设备故障预测系统,其特征在于,所述等效役龄计算模块,具体包括:
役龄回退量计算子模块,用于根据配电网设备的历史检修记录,利用公式计算配电网设备的役龄回退量;
其中,τ1和τm分别表示配电网设备第1次和第m次检修后的役龄回退量,εm(m-1)表示第m次检修和第m-1次检修之间的役龄回退增量,ηm为第m次检修的役龄回退因子,Tm(m-1)表示第m次检修和第m-1次检修之间的间隔时间,s表示线性衰减量;
等效役龄计算子模块,用于根据配电网设备的役龄回退量,利用公式t=t'-τm,计算所选区域的配电网设备的等效役龄;其中,t为配电网设备的等效役龄,t'表示配电网设备的实际役龄。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635238.1A CN113379120B (zh) | 2021-06-08 | 2021-06-08 | 一种配电网设备故障预测方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110635238.1A CN113379120B (zh) | 2021-06-08 | 2021-06-08 | 一种配电网设备故障预测方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113379120A CN113379120A (zh) | 2021-09-10 |
CN113379120B true CN113379120B (zh) | 2024-02-23 |
Family
ID=77576301
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110635238.1A Active CN113379120B (zh) | 2021-06-08 | 2021-06-08 | 一种配电网设备故障预测方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113379120B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933482A (zh) * | 2015-06-16 | 2015-09-23 | 广东电网有限责任公司江门供电局 | 基于模糊役龄回退的电力设备检修优化方法 |
CN105631578A (zh) * | 2015-12-10 | 2016-06-01 | 浙江大学 | 一种面向风险评估的输变电设备故障概率模型的建模方法 |
CN107358017A (zh) * | 2017-05-24 | 2017-11-17 | 国网北京市电力公司 | 数据处理方法和装置 |
CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
-
2021
- 2021-06-08 CN CN202110635238.1A patent/CN113379120B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN104933482A (zh) * | 2015-06-16 | 2015-09-23 | 广东电网有限责任公司江门供电局 | 基于模糊役龄回退的电力设备检修优化方法 |
CN105631578A (zh) * | 2015-12-10 | 2016-06-01 | 浙江大学 | 一种面向风险评估的输变电设备故障概率模型的建模方法 |
CN107358017A (zh) * | 2017-05-24 | 2017-11-17 | 国网北京市电力公司 | 数据处理方法和装置 |
CN112330034A (zh) * | 2020-11-10 | 2021-02-05 | 深圳市汇拓新邦科技有限公司 | 故障预测方法及系统 |
Non-Patent Citations (3)
Title |
---|
"基于概念格的云推理分类预测算法研究";徐立;《控制工程》;第27卷(第11期);第1892-1900页 * |
"基于设备动态故障率的配电网可靠性计算";张婷;《中国优秀硕士学位论文全文数据库 基础科学辑》(第3期);A002-264 * |
"计及设备老化与计划检修的智能变电站保护系统 可靠性评估方法";郭升;《电力系统保护与控制》;第47卷(第9期);第97-104页 * |
Also Published As
Publication number | Publication date |
---|---|
CN113379120A (zh) | 2021-09-10 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Sansuddin et al. | Statistical analysis of PM 10 concentrations at different locations in Malaysia | |
CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
CN111523699A (zh) | 一种基于综合状态健康度的架空线路故障概率预测方法 | |
CN107480731A (zh) | 一种火电厂汽动给水泵组故障特征的早期识别方法 | |
CN115796059B (zh) | 一种基于深度学习的电气设备寿命预测方法及系统 | |
CN109494716B (zh) | 基于Bootstrap的风电输出功率置信区间预测方法 | |
CN111027881A (zh) | 基于改进灰色关联度的输电杆塔自然灾害损失评估方法 | |
CN116090821A (zh) | 一种考虑极端天气的配电网线路安全风险评估方法 | |
CN104574211A (zh) | 基于风险源的电网调度操作风险预警方法和系统 | |
CN113591402A (zh) | 一种数字化电力互感器健康状态模糊综合评价方法 | |
CN114330120A (zh) | 一种基于深度神经网络预测24小时pm2.5浓度的方法 | |
CN108647864B (zh) | 老旧架空地线腐蚀度多维采集与评测方法 | |
CN113379120B (zh) | 一种配电网设备故障预测方法及系统 | |
CN111914424B (zh) | 一种基于短期测风资料的设计风速取值方法及系统 | |
CN113486295A (zh) | 基于傅里叶级数的臭氧总量变化预测方法 | |
CN105741184A (zh) | 一种变压器状态评估方法及装置 | |
CN107066786A (zh) | 基于神经网络的气溶胶光学厚度反演算法 | |
CN110533213A (zh) | 基于支持向量机的输电线路缺陷风险建模及其预测方法 | |
Jafari et al. | Estimation of reduction factors for combined wind and ice loading of power transmission lines using multivariate scenario sampling | |
CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
CN111832834B (zh) | 一种机场道面使用性能预测方法、装置和电子设备 | |
CN115310653A (zh) | 基于性能退化数据的光伏阵列剩余寿命预测方法 | |
CN112507290B (zh) | 配电设备故障概率预判方法、装置及存储介质 | |
CN115310746A (zh) | 一种风力发电机组主传动系统状态评估方法及系统 | |
CN110472801B (zh) | 直流输电线路电磁环境评估方法及系统 |
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 |