CN113902250A - 一种基于人工神经网络的风险评估分析方法 - Google Patents
一种基于人工神经网络的风险评估分析方法 Download PDFInfo
- Publication number
- CN113902250A CN113902250A CN202111031023.5A CN202111031023A CN113902250A CN 113902250 A CN113902250 A CN 113902250A CN 202111031023 A CN202111031023 A CN 202111031023A CN 113902250 A CN113902250 A CN 113902250A
- Authority
- CN
- China
- Prior art keywords
- faults
- data
- power grid
- risk assessment
- neural 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.)
- Pending
Links
- 238000012502 risk assessment Methods 0.000 title claims abstract description 38
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 30
- 238000004458 analytical method Methods 0.000 title claims abstract description 24
- 238000011156 evaluation Methods 0.000 claims abstract description 16
- 238000012216 screening Methods 0.000 claims abstract description 4
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000005540 biological transmission Effects 0.000 claims description 6
- 239000012212 insulator Substances 0.000 claims description 6
- 230000002159 abnormal effect Effects 0.000 claims description 3
- 239000003990 capacitor Substances 0.000 claims description 3
- 230000003287 optical effect Effects 0.000 claims description 3
- 230000036319 strand breaking Effects 0.000 claims description 3
- 230000001186 cumulative effect Effects 0.000 claims description 2
- 238000000034 method Methods 0.000 abstract description 26
- 238000012360 testing method Methods 0.000 description 9
- 238000004088 simulation Methods 0.000 description 6
- 230000000694 effects Effects 0.000 description 3
- 238000007796 conventional method Methods 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000005259 measurement Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000001228 spectrum Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 230000001131 transforming effect Effects 0.000 description 1
- 238000012795 verification 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
- G06Q10/06—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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/22—Matching criteria, e.g. proximity measures
-
- 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
-
- 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
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- General Physics & Mathematics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- Development Economics (AREA)
- Evolutionary Computation (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Bioinformatics & Computational Biology (AREA)
- Operations Research (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Game Theory and Decision Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Evolutionary Biology (AREA)
- Water Supply & Treatment (AREA)
- Educational Administration (AREA)
- Probability & Statistics with Applications (AREA)
- Primary Health Care (AREA)
- General Health & Medical Sciences (AREA)
- Public Health (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种基于人工神经网络的风险评估分析方法,包括:根据电网历史运行数据,分析筛选出所述电网非正常运行时的运行数据及其影响因素;利用人工神经网络对所述影响因素进行风险评估,并将风险评估后的影响因素分级存储于数据库中;根据检测到的电网实时运行数据提取所述数据库中不同优先级的数据,计算二者的相似度,预测电网会出现的风险事件,完成电网风险评估。本发明方法能够客观的对电网风险进行预测评估,有效地降低风险或避免风险,提高电力系统的安全性及可靠性。
Description
技术领域
本发明涉及电网风险评估的技术领域,尤其涉及一种基于人工神经网络的风险评估分析方法。
背景技术
电力系统涉及发、输、变、配、用等环节,是一个典型的复杂大系统,呈现非线性、高维、时变、多层动态特征,其安全运行受到自然灾害、设备缺陷及故障、战争、能源短缺及人为误操作等诸多因素的挑战,特别是自然灾害对电力系统的影响尤为严峻,是引起重大停电事故的重要因素。
现有技术中,评估专家可以通过层次分析法人为主观地对影响电网的灾害进行评估,其结果虽然较为准确,但完全由人为主观因素所决定,也有专家通过收集灾害的相关数据,通过熵权法对数据进行客观的分析,以确定灾害下电网的危险程度,然而该方法通常依赖数据的准确度,数据一旦不准,则导致分析结果不够准确。
电网关系到每家每户,其安全保障至关重要。随着电网规模不断增加,拓扑结构日趋复杂,其运行的不确定性也随之增加。对电网运行存在的风险进行科学评估,将评估结果作为选择电力通信网安全防范措施的依据,通过改进管理措施,能够有效地降低风险或避免风险,提高电力系统的安全性,对于保障电网稳定运行具有重要的现实意义。因此,提供一种能够对电网运行风险进行全面且准确预测评估的方法是亟待解决的问题。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
鉴于上述现有存在的问题,提出了本发明。
因此,本发明解决的技术问题是:现有技术方案会受人为主观的影响导致评估结果并不准确,对原始采集的数据准确度要求较高,从而无法准确而有效的进行电网运行状态评估,从而导致电网的可靠性低。
为解决上述技术问题,本发明提供如下技术方案:根据电网历史运行数据,分析筛选出所述电网非正常运行时的运行数据及其影响因素;利用人工神经网络对所述影响因素进行风险评估,并将风险评估后的影响因素分级存储于数据库中;根据检测到的电网实时运行数据提取所述数据库中不同优先级的数据,计算二者的相似度,预测电网会出现的风险事件,完成电网风险评估。
作为本发明所述的基于人工神经网络的风险评估分析方法的一种优选方案,其中:所述电网非正常运行时的运行数据包括电气量信息和非电气量信息;所述非电气量信息包括温湿度模拟量、光信号、热信号以及设备的状态信息,即开关量信息。
作为本发明所述的基于人工神经网络的风险评估分析方法的一种优选方案,其中:所述影响因素包括发电机组故障、输电线路故障、变电所故障、母线故障;所述发电机组故障:空载电压低于最低预设值或高于最高预设值、稳态电压调整率差、电压表无指示、振动大;所述输电线路故障:雷击跳闸故障、外力破坏故障、鸟害故障、线路覆冰及导线的断股、损伤和闪络烧伤故障;所述变电所故障:直流系统接地及故障、电容器的故障、断路器故障、避雷器的故障;所述母线故障:母线绝缘子和断路器套管的闪络,装于母线上的电压互感器和装在母线和断路器之间的电流互感器的故障,母线隔离开关和断路器的支持绝缘子损坏,运行人员的误操作。
作为本发明所述的基于人工神经网络的风险评估分析方法的一种优选方案,其中:利用人工神经网络对所述影响因素进行风险评估包括,
计算公式为:
其中,P(c)表示运行状态c下出现故障状态的概率,nb表示故障状态中影响因素的数量,Qi表示第i个影响因素出现的概率。
作为本发明所述的基于人工神经网络的风险评估分析方法的一种优选方案,其中:还包括,累积出现的故障概率值为:
其中,R表示所有影响因素的结合。
作为本发明所述的基于人工神经网络的风险评估分析方法的一种优选方案,其中:根据所述出现故障状态的概率进行所述风险评估,并将风险评估后的影响因素分级存储于数据库中包括,将计算得到的出现故障状态的概率分为4级,按照25%的比例、概率值由高到低进行划分;概率值在总概率值数值排在前25%为第一等级;概率值在总概率值数值排在前50%到75%为第二等级;概率值在总概率值数值排在前25%到50%为第三等级;概率值在总概率值数值排在0%到25%为第四等级。
作为本发明所述的基于人工神经网络的风险评估分析方法的一种优选方案,其中:根据检测到的电网实时运行数据提取所述数据库中不同优先级的数据,计算二者的相似度,预测电网会出现的风险事件包括,基于检测的电网实时运行数据,首先提取第一等级故障概率数据对应的运行数据进行比对,若比对不成功则依次提取第二、三、四等级的运行数据进行比对,直至比对成功。
作为本发明所述的基于人工神经网络的风险评估分析方法的一种优选方案,其中:还包括,利用余弦相似度计算所述二者的相似度包括,将所述实时运行数据和数据库中的数据转换为波形频谱图;基于所述波形频谱图建立直角坐标系;在所述直角坐标系中计算所述频谱图每个点的余弦相似度;当相似度高于预设值时即为比对成功。
本发明的有益效果:本发明方法能够客观的对电网风险进行预测评估,有效地降低风险或避免风险,提高电力系统的安全性及可靠性。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例描述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它的附图。其中:
图1为本发明一个实施例提供的一种基于人工神经网络的风险评估分析方法的基本流程示意图;
图2为本发明一个实施例提供的一种基于人工神经网络的风险评估分析方法的电力系统接线示意图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系,仅是为了便于描述本发明和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1,为本发明的一个实施例,提供了一种基于人工神经网络的风险评估分析方法,包括:
S1:根据电网历史运行数据,分析筛选出电网非正常运行时的运行数据及其影响因素;
需要说明的是,电网非正常运行时的运行数据包括电气量信息和非电气量信息;
其中,非电气量信息包括温湿度模拟量、光信号、热信号以及设备的状态信息,设备的状态信息即开关量信息;电气量信息包括电流值、电压值、功率、负载等数据信息;
进一步的,影响因素包括发电机组故障、输电线路故障、变电所故障、母线故障;
具体的:
发电机组故障:空载电压低于最低预设值或高于最高预设值、稳态电压调整率差、电压表无指示、振动大;
输电线路故障:雷击跳闸故障、外力破坏故障、鸟害故障、线路覆冰及导线的断股、损伤和闪络烧伤故障;
变电所故障:直流系统接地及故障、电容器的故障、断路器故障、避雷器的故障;
母线故障:母线绝缘子和断路器套管的闪络,装于母线上的电压互感器和装在母线和断路器之间的电流互感器的故障,母线隔离开关和断路器的支持绝缘子损坏,运行人员的误操作。
S2:利用人工神经网络对影响因素进行风险评估,并将风险评估后的影响因素分级存储于数据库中;
需要说明的是,利用人工神经网络对影响因素进行风险评估包括:
计算公式为:
其中,P(c)表示运行状态c下出现故障状态的概率,nb表示故障状态中影响因素的数量,Qi表示第i个影响因素出现的概率。
进一步的,累积出现的故障概率值为:
其中,R表示所有影响因素的结合。
更进一步的,根据出现故障状态的概率进行风险评估,并将风险评估后的影响因素分级存储于数据库中包括:
将计算得到的出现故障状态的概率分为4级,按照25%的比例、概率值由高到低进行划分;
概率值在总概率值数值排在前25%为第一等级;
概率值在总概率值数值排在前50%到75%为第二等级;
概率值在总概率值数值排在前25%到50%为第三等级;
概率值在总概率值数值排在0%到25%为第四等级。
S3:根据检测到的电网实时运行数据提取数据库中不同优先级的数据,计算二者的相似度,预测电网会出现的风险事件,完成电网风险评估;
需要说明的是,根据检测到的电网实时运行数据提取数据库中不同优先级的数据,计算预测电网会出现的风险事件包括:
基于检测的电网实时运行数据,首先提取第一等级故障概率数据对应的运行数据进行比对,若比对不成功则依次提取第二、三、四等级的运行数据进行比对,直至比对成功。
其中,利用余弦相似度计算二者的相似度包括:
将实时运行数据和数据库中的数据转换为波形频谱图,利用A/D转换器进行数模转换,形成波形频谱图;
基于波形频谱图建立直角坐标系,该直角坐标系以频谱初始值为原点坐标;
在直角坐标系中计算频谱图每个点的余弦相似度,其中,余弦相似度的计算步骤为:
其部分运行代码为:
当相似度高于预设值时即为比对成功。
实施例2
参照图2为本发明另一个实施例,该实施例不同于第一个实施例的是,提供了一种基于人工神经网络的风险评估分析方法的验证测试,为对本方法中采用的技术效果加以验证说明,本实施例采用传统技术方案与本发明方法进行对比测试,以科学论证的手段对比试验结果,以验证本方法所具有的真实效果。
传统的技术方案:主观因素占比高,原始数据准确度依赖高,从而导致分析结果不够准确。为验证本方法相对传统方法具有较高评估精度。本实施例中将采用传统层次分析法(传统方法1)、熵权法(传统方法2)和本方法分别对仿真电网的运行风险的评估精度进行实时测量对比。
测试环境:在仿真平台模拟电网的运行,其电力系统部分线路图如图2所示,采用不用时间、不同节点的电网故障为测试样本,分别利用传统方法的人工操作进行风险评估并获得测试结果数据。采用本方法和熵权法,则开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试,根据实验结果得到仿真数据。每种方法各测试2000组数据,计算获得每组数据的评估精度,与仿真模拟输入的实际值进行对比计算误差,结果如下表所示。
表1:实验结果对比表。
测试项目 | 传统方法1 | 传统方法2 | 本发明方法 |
故障节点采集率 | 80% | 75% | 96% |
总耗时t | t>10min | 35~50s | 10s<t |
评估准确率 | 85% | 92% | 98% |
从上表可以看出,本发明方法相较于传统方法有较好的评估精度,体现了本发明对电网运行的可靠性及安全性起了保障作用。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于人工神经网络的风险评估分析方法,其特征在于,包括:
根据电网历史运行数据,分析筛选出所述电网非正常运行时的运行数据及其影响因素;
利用人工神经网络对所述影响因素进行风险评估,并将风险评估后的影响因素分级存储于数据库中;
根据检测到的电网实时运行数据提取所述数据库中不同优先级的数据,计算二者的相似度,预测电网会出现的风险事件,完成电网风险评估。
2.如权利要求1所述的基于人工神经网络的风险评估分析方法,其特征在于:所述电网非正常运行时的运行数据包括电气量信息和非电气量信息;
所述非电气量信息包括温湿度模拟量、光信号、热信号以及设备的状态信息,即开关量信息。
3.如权利要求1或2所述的基于人工神经网络的风险评估分析方法,其特征在于:所述影响因素包括发电机组故障、输电线路故障、变电所故障、母线故障;
所述发电机组故障:空载电压低于最低预设值或高于最高预设值、稳态电压调整率差、电压表无指示、振动大;
所述输电线路故障:雷击跳闸故障、外力破坏故障、鸟害故障、线路覆冰及导线的断股、损伤和闪络烧伤故障;
所述变电所故障:直流系统接地及故障、电容器的故障、断路器故障、避雷器的故障;
所述母线故障:母线绝缘子和断路器套管的闪络,装于母线上的电压互感器和装在母线和断路器之间的电流互感器的故障,母线隔离开关和断路器的支持绝缘子损坏,运行人员的误操作。
6.如权利要求1、4、5任一所述的基于人工神经网络的风险评估分析方法,其特征在于:根据所述出现故障状态的概率进行所述风险评估,并将风险评估后的影响因素分级存储于数据库中包括,
将计算得到的出现故障状态的概率分为4级,按照25%的比例、概率值由高到低进行划分;
概率值在总概率值数值排在前25%为第一等级;
概率值在总概率值数值排在前50%到75%为第二等级;
概率值在总概率值数值排在前25%到50%为第三等级;
概率值在总概率值数值排在0%到25%为第四等级。
7.如权利要求6所述的基于人工神经网络的风险评估分析方法,其特征在于:根据检测到的电网实时运行数据提取所述数据库中不同优先级的数据,计算二者的相似度,预测电网会出现的风险事件包括,
基于检测的电网实时运行数据,首先提取第一等级故障概率数据对应的运行数据进行比对,若比对不成功则依次提取第二、三、四等级的运行数据进行比对,直至比对成功。
8.如权利要求7所述的基于人工神经网络的风险评估分析方法,其特征在于:还包括,
利用余弦相似度计算所述二者的相似度包括,
将所述实时运行数据和数据库中的数据转换为波形频谱图;
基于所述波形频谱图建立直角坐标系;
在所述直角坐标系中计算所述频谱图每个点的余弦相似度;
当相似度高于预设值时即为比对成功。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031023.5A CN113902250A (zh) | 2021-09-03 | 2021-09-03 | 一种基于人工神经网络的风险评估分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111031023.5A CN113902250A (zh) | 2021-09-03 | 2021-09-03 | 一种基于人工神经网络的风险评估分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113902250A true CN113902250A (zh) | 2022-01-07 |
Family
ID=79188636
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111031023.5A Pending CN113902250A (zh) | 2021-09-03 | 2021-09-03 | 一种基于人工神经网络的风险评估分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113902250A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636900A (zh) * | 2022-05-11 | 2022-06-17 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法及系统 |
-
2021
- 2021-09-03 CN CN202111031023.5A patent/CN113902250A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114636900A (zh) * | 2022-05-11 | 2022-06-17 | 广东电网有限责任公司东莞供电局 | 一种配电网多重故障诊断方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
US7272516B2 (en) | Failure rate adjustment for electric power network reliability analysis | |
CN108491990A (zh) | 一种风电场设备状态评价及检修决策支持检测方法及系统 | |
CN110196377B (zh) | 一种电网电压暂降评级方法 | |
CN112924817A (zh) | 一种基于深度神经网络的配电网故障精确定位方法 | |
CN106597181B (zh) | 一种高压电力变压器运行监测系统及方法 | |
CN106570644B (zh) | 一种基于统计工具的输变电设备量化评估方法 | |
CN106295240A (zh) | 一种基于模糊数学的电力变压器状态评估方法 | |
CN113902250A (zh) | 一种基于人工神经网络的风险评估分析方法 | |
CN113904322A (zh) | 一种基于电流+电压的低压配网拓扑生成方法 | |
CN112505510A (zh) | 基于电介质累积效应的电力设备绝缘状态评估预警方法 | |
CN114779127A (zh) | 一种电力变压器出线短路冲击管控系统及其方法 | |
Awadallah et al. | Probabilistic indicators for assessing age-and loading-based criticality of transformers to cascading failure events | |
Shakeri et al. | Voltage sag assessment considering low voltage ride-through requirement for wind turbines based on SARFI index | |
Cichecki et al. | Statistical approach in power cables diagnostic data analysis | |
CN107992678B (zh) | 一种基于全生命周期的变压器健康状态评价方法和装置 | |
CN113375729A (zh) | 一种用户变压器智能检测预警方法 | |
Wenjie et al. | A multi-index evaluation method of voltage sag based on the comprehensive weight | |
CN113128840A (zh) | 一种设备状态评估方法、系统及存储介质 | |
Bardyk et al. | Electric power system simulation for risk assessment of power transformer failure under external short-circuit conditions | |
Shariffuddin et al. | Investigation on the relationship between failure rates and health index of distribution transformer population | |
Chaidee et al. | Failure statistics and condition evaluation for power transformer maintenance | |
Afotey et al. | Investigation into the impact of cable failure localisation methods on the underground cable life time in a medium voltage distribution network | |
CN114113944A (zh) | 一种cvt电容单元击穿缺陷试验方法及装置 | |
Milosavljevic et al. | Power transformer health index estimation using evidential reasoning | |
Khalyasmaa et al. | The methodology of high-voltage instrument transformers technical state index assessment |
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 |