CN113988655A - 一种计及多气象因素的输电线路运行状态评估方法 - Google Patents
一种计及多气象因素的输电线路运行状态评估方法 Download PDFInfo
- Publication number
- CN113988655A CN113988655A CN202111280466.8A CN202111280466A CN113988655A CN 113988655 A CN113988655 A CN 113988655A CN 202111280466 A CN202111280466 A CN 202111280466A CN 113988655 A CN113988655 A CN 113988655A
- Authority
- CN
- China
- Prior art keywords
- transmission line
- evaluation
- power transmission
- index
- meteorological
- 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
- 238000011156 evaluation Methods 0.000 title claims abstract description 140
- 230000005540 biological transmission Effects 0.000 title claims abstract description 129
- 241000251468 Actinopterygii Species 0.000 claims abstract description 56
- 238000000034 method Methods 0.000 claims abstract description 37
- 238000013210 evaluation model Methods 0.000 claims abstract description 32
- 238000003062 neural network model Methods 0.000 claims abstract description 28
- 239000012212 insulator Substances 0.000 claims abstract description 9
- 239000011159 matrix material Substances 0.000 claims description 33
- 238000013528 artificial neural network Methods 0.000 claims description 11
- 230000002068 genetic effect Effects 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 8
- 230000010354 integration Effects 0.000 claims description 7
- 238000012545 processing Methods 0.000 claims description 6
- 239000000126 substance Substances 0.000 claims description 6
- 238000005457 optimization Methods 0.000 claims description 5
- 238000012360 testing method Methods 0.000 claims description 5
- 230000035772 mutation Effects 0.000 claims description 4
- 230000009471 action Effects 0.000 claims description 3
- 239000002131 composite material Substances 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000010606 normalization Methods 0.000 claims description 3
- 230000006798 recombination Effects 0.000 claims description 3
- 238000005215 recombination Methods 0.000 claims description 3
- 230000035945 sensitivity Effects 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000001052 transient effect Effects 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 5
- 238000012544 monitoring process Methods 0.000 description 7
- 238000005260 corrosion Methods 0.000 description 4
- 230000007797 corrosion Effects 0.000 description 4
- 230000008569 process Effects 0.000 description 4
- 238000011160 research Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 210000002569 neuron Anatomy 0.000 description 3
- 229910000831 Steel Inorganic materials 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 2
- 230000008859 change Effects 0.000 description 2
- 239000010959 steel Substances 0.000 description 2
- 238000005299 abrasion Methods 0.000 description 1
- 238000009933 burial Methods 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008054 signal transmission Effects 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012549 training 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
- G06Q10/0639—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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- 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
- G06Q10/20—Administration of product repair or maintenance
-
- 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)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Health & Medical Sciences (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Educational Administration (AREA)
- Development Economics (AREA)
- Biophysics (AREA)
- Computing Systems (AREA)
- Biomedical Technology (AREA)
- Game Theory and Decision Science (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- Life Sciences & Earth Sciences (AREA)
- Molecular Biology (AREA)
- Artificial Intelligence (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及一种计及多气象因素的输电线路运行状态评估方法,以杆塔、导地线、绝缘子、金具及接地装置等5个输电线路的组成部分作为基础性指标,并进一步的细分出各个基础性指标的特征性指标,提出了一种基于多维互联算法的输电线路运行状态评估模型,通过模糊‑熵权组合算法确定输电线路运行状态评估模型中特征性指标的权重系数。提出反映多种气象因素对输电线路影响的评估指标并将其输入至BP神经网络模型中,使用智能鱼群算法对BP神经网络模型进行优化,得到气象因素影响因子M weather,j ,用于输电线路运行状态评估模型最终的状态等级评定环节,得到输电线路的运行状态等级,为输电线路风险预警及维修决策提供依据。
Description
技术领域
本发明属于输电线路运行状态评估方法技术领域,尤其涉及一种计及多气象因素的输电线路运行状态评估方法。
背景技术
输电线路是电力系统网络中最为庞杂的构成组成部分,承担着电能输送和分配的重任。由于长期处于荒郊野外,气象条件复杂,运行环境恶劣,线路故障时常发生。而电力系统各组成部分相互关联,密不可分,一旦某部位发生故障,将引起连锁反应,波导致大面积停电事故,并造成巨大的经济损失和严重的社会影响。
随着全球气候的日益反常及自然灾害的日趋多发,输电线路面临着越来越严峻的考验,由此引发的电力系统安全和稳定性问题日渐突出。输电线路所处气象环境复杂多变,组成部分状态的关联因素相对较多,故障发生的机理相对复杂,因而基于简化物理分析的传统模型难以准确地实现线路的状态评估。为此,应当宽范围、广领域、多角度、多层次地对输电线路运行状态进行综合评估,以便为线路后续组成部分故障检修和运行维护辅助决策提供有力支持。
国内外学者十分重视输电线路状态监测的研究,在监测理论,监测设备,测量方法和信号传输等方向都有一定的研究。在理论研究方面,国内外学者在数据采集,数据分析,状态评估和诊断三个方向进行深入研究,建立了相对完善的数据采集系统供给当今电力系统使用。然而,在电网数据冗余的大背景下,由PMU,SCADA,EMS等电力系统监测软件采集的电力系统运行信息得不到充分的利用和挖掘;监测中心依旧靠人工巡线的方式来发现电力系统输电线路所发生的参数异常状态,人工成本消耗较大,无法实现在线实时的监测与修正;现有技术研究未对电力系统运行参数与环境之间拟合关系进行充分的研究,没有涉及到线路运行环境对线路运行状态的影响关系的探究,无法更加贴近电力系统的运行实际。
综上所述,基于电网历史量测大数据,建立气象环境下的电网线路动态参数的评估系统,利用环境与参数的变化关系,对突变参数进行及时预警并将正确参数提供给EMS等电网高级应用,为电力系统潮流监测,电压动态稳定监测与预警,动态过程监录及事故分析,三态数据的整合和管理提供极大的数据支撑,具有良好的前景及使用价值。
公告号CN108629520B的发明专利公开了一种微气象环境下的高压输电线路运行状态评估方法,将电力参数的电阻R、电抗X和电纳B结合微气象检测参数数据:温度和湿度数据,形成系统结构参数数据库;电力参数与微气象参数拟合后形成电力参数,微气象评估曲面;利用实时采集的数据实时更新数据库和电力参数,微气象评估曲面,大量的数据采集更新调整后构建成基于历史大数据的电力参数,微气象评估曲面,作为参数评估的初始基准曲面和形成标准数据库,并设置预报警差值阈值,该评估方法主要以气象环境的温度湿度等因素进行考虑,考虑因素不全面,不能有效进行评估。
发明内容
本发明的目的在于针对现有技术中存在的问题提供一种计及多气象因素的输电线路运行状态评估方法,该评估方法能够在对输电线路状态进行评估的同时考虑气象因素对输电线路状态的影响,从而为输电线路风险预警及维修决策提供依据。
本发明的技术方案是:
一种计及多气象因素的输电线路运行状态评估方法,包括以下步骤:
步骤1,以杆塔、导地线、绝缘子、金具及接地装置等5个输电线路的组成部分作为基础性指标,并进一步的细分出各个基础性指标的特征性指标;
步骤2:通过模糊-熵权组合算法确定输电线路运行状态评估模型中特征性指标的权重系数;
步骤2中所述的通过模糊-熵权组合算法确定输电线路运行状态评估模型中特征性指标的权重系数包括以下步骤:
(1)基于模糊函数法确定主观权重
定义模糊函数V的隶属度函数μv(x)为:
其中,e≤q≤u,e,q,u分别为模糊函数V的上限、中限和下限值,因此,模糊函数V可表示为(e,q,u);
1)专家评分
设第i个专家对第j个评估指标给出的评估分数为Vij=(eij,qij,uij),(j=1,2,…,t),(i=1,2,…,n),t为专家个数,n为评估指标个数,eij为第i个专家对评估指标j影响程度给出的最低分数,qij为第i个专家对评估指标j影响程度给出的最优分数,uij为第i个专家对评估指标j影响程度给出的最高分数;
则第j个评估指标在当前层的函数综合度Lj为
2)可能度计算
设L1=(e1’,q1’,u1’)和L2=(e2’,q2’,u2’)是2个评估指标的函数综合度,则L1≥L2的可能度J(L1≥L2)可定义为:
在得到可能度后,即可得到可能度矩阵J,如下所示:
3)计算各评估指标的权重系数
当前层第j个评估指标的权重分量wj (0)取为:
wj (0)=min{J(Lj≥Lk),k=1,2,..,n} (8)
对wi (0)进行归一化处理,得到各评估指标的主观权重系数wj (1)即:
(2)基于改进熵权法确定客观权重
1)建立原始评估矩阵。假设有m条输电线路,n个评估指标,则可建立一个多指标的原始评估矩阵Y=[yij]m×n,即:
其中,yij为第i条输电线路的第j项评估指标值;
2)对原始评估矩阵Y进行标准化处理
将评估指标同趋势化,方法为:
yij’为同趋势化后的评估指标值,
通过原始数据标准化,得到标准化矩阵X=[xij]m×n,即:
3)计算第j项评估指标的熵值
计算各评估指标的熵值公式为:
其中:
其中,Ej为熵值,Ej≥0。fij为评估指标j在第i条输电线路中出现的频率,0≤fij≤1;
4)计算评价指标的权重
其中:
(3)确定综合权重
设综合权重为wj (3),为使综合权重wj (3)与主观权重wj (1)和客观权重wj (2)尽可能接近,建立目标函数G为:
采用Lagrange乘子法求解上述问题,可得:
由上式可得输电线路各评估指标的综合权重系数;
步骤3:提出反映多种气象因素对输电线路影响的评估指标并将其输入至BP神经网络模型中,使用智能鱼群算法对BP神经网络模型进行优化,使用优化后的BP神经网络模型得到气象因素影响因子Mweather,j,用于输电线路运行状态评估模型的状态等级评定环节;
步骤3中所述的提出反映多种气象因素对输电线路影响的评估指标包括:
(1)输电线路不同组成部分的气象敏感度Qax,
其中,qax表示输电线路组成部分a在气象条件x下故障的次数,qa表示输电线路组成部分a的故障总次数,a∈{杆塔,导地线,绝缘子,金具,接地装置},x∈{雷电,台风,冰雪,高温,暴雨,山火};
(2)输电线路不同组成部分抵御气象灾害的能力差异指标Nax;
(3)输电线路不同组成部分在同气象灾害作用下故障时间TRFax;
TRFax=trax-tfax (23)
其中,TRFax表示输电线路组成部分a因为气象因素x的故障时间,trax表示输电线路组成部分a因为气象因素x的故障开始时间,tfax表示输电线路组成部分a因为气象因素x的故障结束时间;
步骤3中所述的使用智能鱼群算法对BP神经网络模型进行优化包括以下步骤:
(1)种群初始化及参数设置。包括种群大小Np,最大迭代次数tmax,最大召集速度Omax,最大捕食速度Fmax,最大游走速度Wmax,召集权重wo,捕食权重wf,以及步长缩放因子Ct等。初始化搜索空间范围内的一组种群,鱼群中的每条个体代表优化问题的一个可行解;
(2)计算个体适应度值,适应度是根据算法的预测误差来确定的,将预测与期望之间的差值作为其适应度,即:
(3)计算3个影响因素(召集速度、捕食速度、游走速度)引起的鱼群位置变化量,加入遗传操作后重新计算鱼群个体的位置,鱼群中每条个体i的位置移动由3部分构成:
其中,Xi为第i条鱼的位置,Oi为第i条鱼的召集速度,Fi为第i条鱼的觅捕食速度,Wi为第i条鱼的游走速度;
这3个影响因素的公式构造如下:
Oi=Omaxαi+woOi,old (26)
Fi=Fmaxβi+wfFi,old (27)
其中,αi和βi以及δi分别表示召集方向、捕食方向和游走方向,t表示当前迭代次数,tmax表示最大迭代次数,Omax表示最大召集速度,Fmax表示最大捕食速度,Wmax表示最大游走速度,wo表示召集权重,wf表示捕食权重;
鱼群在时间t到t+Δt区间的位置更新公式如下:
其中,Δt为时间间隔常量,Xi(t+Δt)、Xi(t)分别为t+Δt以及t时刻的鱼群个体位置,Ct为步长缩放因子,取值范围为[0,2],其值越小表示算法的搜索步长越小,Nv为变量总数,通过经验确定,Uj、Dj分别为第j个变量的上限与下限;
并在算法中执行遗传操作(交叉变异):
交叉指通过替换重组生成一个新鱼群个体的操作,即:
其中,Xi,m为Xi的第m个参量,Xr,m为异于Xi,m的个体的第m个参量,r∈[1,2,…,Np]且r≠i,rand为区间[0,1]内的一个随机数,Cr为交叉概率;
变异操作是对鱼群个体元素作变化调整的操作,即:
其中,Xbest,m为当前全局最优个体的第m个参量,Xp,m与Xq,m为异于Xi,m的两个鱼群个体的第m个参量,p、q∈[1,2,…,i-l,i+1,i+2,…,Np],μ为区间[0,1]之间的数,Yu为变异概率;
(4)返回步骤(2)计算迭代后种群个体的适应度值,对个体的位置进行更新,将旧鱼群群体和遗传操作后的鱼群群体进行组合,并对组合群体中的所有个体的适应度函数值从小到大进行排序,保留函数值最小的个体,删除其余个体,此时若满足终止条件,即足t达到设定的最大迭代次数tmax则输出最佳位置即为BP神经网络模型的最优初始权值和阈值,进行BP神经网络测试,反之,则继续进行迭代,t=t+1;
步骤4:建立一种基于多维互联算法的输电线路运行状态评估模型,得到输电线路的状态等级。
步骤4中所述的多维互联算法构建输电线路运行状态评估模型包括以下步骤:
(1)确定评估模型的基本矩阵、统筹矩阵以及实测矩阵
评估模型的基本矩阵Hi可以表示为:
其中,Bi(i=1,2,…,g)为评估等级,Tj(j=1,2,…,n)为评估指标;sji(aji,bji)为评估指标Tj在评估等级Bi所对应的取值范围,aji和bji分别为sji的取值边界最小值及最大值;
评估模型的统筹矩阵Hp可以表示为:
其中,B为评估对象等级的全体,sjp(ajp,bjp)为各评估指标Tj(j=1,2,…,n)的所有取值范围,ajp和bjp分别为sjp的取值边界最小值及最大值;
评估模型的实测矩阵Hl可以表示为:
其中,Bl(l=1,2,…,m)为需要进行评估的输电线路,假设共有m条输电线路,sj(j=1,2,…,n)分别为B0关于各评估指标Tj(j=1,2,…,n)的实测数据;
(2)计算指标等级互联度
互联度反映了各评价指标与各评价等级之间的互联程度,其计算公式为:
其中,Ki(sj)为sj的互联函数,sj为待评估事件在各评价指标Tj下对应的实测数据,sji为评估指标Tj在评估等级Bi所对应的取值范围(aji,bji),且|sji|=|aji-bji|,ρ(sj,sji)表示sj与sji区间(aji,bji)的距离,ρ(sj,sjp)表示sj与sjp区间(ajp,bjp)的距离;
为使互联度能进行分析和比较,对上述所求互联度进行规范化处理,得到新的互联度表达式Kji:
(3)由模糊-熵权组合算法确定各评价指标的权重系数wj (3)(j=1,2,…,n);
(4)由鱼群-BP神经网络模型确定气象因素影响因子Mweather,j;
(5)输电线路状态等级评定。
根据模糊-熵权组合算法确定各评价指标的权重系数wj (3)(j=1,2,…,n)计算出待评估事件关于评价等级Bi(i=1,2,…,g)以及由鱼群-BP神经网络模型确定的气象因素影响因子Mweather,j(j=1,2,…,n)的多因素综合互联度为:
为了进行输电线路状态等级评定,取:
Ki'(Bl)=max{Ki(Bl)},i'∈(1,2,...,g) (40)
则输电线路状态属于等级i’。
本发明的优点:针对单个线路组成部分或状态量的状态评估不能全面反映线路运行状态的问题,以杆塔、导地线、绝缘子、金具及接地装置等5个输电线路的组成部分作为基础性指标,并进一步的细分出各个基础性指标的特征性指标,提出了基于多维互联算法的输电线路运行状态评估模型,通过模糊-熵权组合算法确定输电线路运行状态评估模型中特征性指标的权重系数。针对气象因素对输电线路运行状态及电网可靠性有着重要影响的问题,提出反映多种气象因素对输电线路影响的评估指标并将其输入至BP神经网络模型中,使用智能鱼群算法对BP神经网络模型进行优化,得到气象因素影响因子Mweather,j,用于输电线路运行状态评估模型最终的状态等级评定环节,得到输电线路的运行状态等级,为输电线路风险预警及维修决策提供依据。
附图说明
图1是本发明所述的基计及多气象因素的输电线路运行状态评估方法的流程图;
图2是输电线路运行状态评估指标结构示意图;
图3是本发明所述的智能鱼群算法对BP神经网络模型进行优化流程图;
图4是本发明所述的使用优化后的BP神经网络模型得到气象因素影响因子流程图;
图5是本发明所述的多维互联算法构建输电线路运行状态评估模型示意图。
具体实施方式
下面结合附图和实施例对本发明的技术方案作进一步的说明。
本发明所述的计及多气象因素的输电线路运行状态评估方法,方法流程图如图1所示,包括以下步骤:
步骤1:首先,以杆塔、导地线、绝缘子、金具及接地装置等5个输电线路的组成部分作为基础性指标,并进一步的细分出各个基础性指标的特征性指标,其结构示意图如图2所示;
其中,杆塔指标细分为弯曲度、倾斜角度、裂纹、腐蚀、构件牢固等5个特征性指标,导地线指标细分为弧垂、断股、地线锈蚀等3个特征性指标,绝缘子指标细分为污秽、零值率与自曝率、钢帽钢脚锈蚀等3个特征性指标,金具指标细分为磨损、金具腐蚀、松动等3个特征性指标,接地装置指标细分为接地电阻值、接地体埋深、接地体连接情况等3个特征性指标。
步骤2:通过模糊-熵权组合算法确定输电线路运行状态评估模型中特征性指标的权重系数;
步骤2中所述的通过模糊-熵权组合算法确定输电线路运行状态评估模型中特征性指标的权重系数包括以下步骤:
(1)基于模糊函数法确定主观权重
定义模糊函数V的隶属度函数μv(x)为:
其中,e≤q≤u,e,q,u分别为模糊函数V的上限、中限和下限值。因此,模糊函数V可表示为(e,q,u)。
1)专家评分
设第i个专家对第j个评估指标给出的评估分数为Vij=(eij,qij,uij),(j=1,2,…,t),(i=1,2,…,n),t为专家个数,n为评估指标个数,eij为第i个专家对评估指标j影响程度给出的最低分数,qij为第i个专家对评估指标j影响程度给出的最优分数,uij为第i个专家对评估指标j影响程度给出的最高分数。
则第j个评估指标在当前层的函数综合度Lj为
2)可能度计算
设L1=(e1’,q1’,u1’)和L2=(e2’,q2’,u2’)是2个评估指标的函数综合度,则L1≥L2的可能度J(L1≥L2)可定义为:
在得到可能度后,即可得到可能度矩阵J,如下所示:
3)计算各评估指标的权重系数
当前层第j个评估指标的权重分量wj (0)取为:
wj (0)=min{J(Lj≥Lk),k=1,2,..,n} (8)
对wi (0)进行归一化处理,得到各评估指标的主观权重系数wj (1)即:
(2)基于改进熵权法确定客观权重
1)建立原始评估矩阵。假设有m条输电线路,n个评估指标,则可建立一个多指标的原始评估矩阵Y=[yij]m×n,即:
其中,yij为第i条输电线路的第j项评估指标值。
2)对原始评估矩阵Y进行标准化处理
将评估指标同趋势化,方法为:
yij’为同趋势化后的评估指标值。
通过原始数据标准化,得到标准化矩阵X=[xij]m×n,即:
3)计算第j项评估指标的熵值
计算各评估指标的熵值公式为:
其中:
其中,Ej为熵值,Ej≥0。fij为评估指标j在第i条输电线路中出现的频率,0≤fij≤1。
4)计算评价指标的权重
其中:
(3)确定综合权重
设综合权重为wj (3),为使综合权重wj (3)与主观权重wj (1)和客观权重wj (2)尽可能接近,建立目标函数G为:
采用Lagrange乘子法求解上述问题,可得:
由上式可得输电线路各评估指标的综合权重系数。
步骤3:提出反映多种气象因素对输电线路影响的评估指标并将其输入至BP神经网络模型中,使用智能鱼群算法对BP神经网络模型进行优化,使用优化后的BP神经网络模型得到气象因素影响因子Mweather,j,用于输电线路运行状态评估模型的状态等级评定环节。
步骤3中所述的提出反映多种气象因素对输电线路影响的评估指标包括:
(1)输电线路不同组成部分的气象敏感度Qax。
其中,qax表示输电线路组成部分a在气象条件x下故障的次数,qa表示输电线路组成部分a的故障总次数,a∈{杆塔,导地线,绝缘子,金具,接地装置},x∈{雷电,台风,冰雪,高温,暴雨,山火}。
(2)输电线路不同组成部分抵御气象灾害的能力差异指标Nax。
(3)输电线路不同组成部分在同气象灾害作用下故障时间TRFax。
TRFax=trax-tfax (23)
其中,TRFax表示输电线路组成部分a因为气象因素x的故障时间,trax表示输电线路组成部分a因为气象因素x的故障开始时间,tfax表示输电线路组成部分a因为气象因素x的故障结束时间。
步骤3中所述的使用智能鱼群算法对BP神经网络模型进行优化包括以下步骤,方法流程图如图3所示。
(1)种群初始化及参数设置。包括种群大小Np,最大迭代次数tmax,最大召集速度Omax,最大捕食速度Fmax,最大游走速度Wmax,召集权重wo,捕食权重wf,以及步长缩放因子Ct等。初始化搜索空间范围内的一组种群,鱼群中的每条个体代表优化问题的一个可行解。
(2)计算个体适应度值。适应度是根据算法的预测误差来确定的,将预测与期望之间的差值作为其适应度,即:
(3)计算3个影响因素(召集速度、捕食速度、游走速度)引起的鱼群位置变化量,加入遗传操作后重新计算鱼群个体的位置。鱼群中每条个体i的位置移动由3部分构成:
其中,Xi为第i条鱼的位置,Oi为第i条鱼的召集速度,Fi为第i条鱼的觅捕食速度,Wi为第i条鱼的游走速度。
3个影响因素的公式构造如下:
Oi=Omaxαi+woOi,old (26)
Fi=Fmaxβi+wfFi,old (27)
其中,αi和βi以及δi分别表示召集方向、捕食方向和游走方向,t表示当前迭代次数,tmax表示最大迭代次数,Omax表示最大召集速度,Fmax表示最大捕食速度,Wmax表示最大游走速度,wo表示召集权重,wf表示捕食权重。
鱼群在时间t到t+Δt区间的位置更新公式如下:
其中,Δt为时间间隔常量,Xi(t+Δt)、Xi(t)分别为t+Δt以及t时刻的鱼群个体位置,Ct为步长缩放因子,取值范围为[0,2],其值越小表示算法的搜索步长越小,Nv为变量总数,通过经验确定,Uj、Dj分别为第j个变量的上限与下限。
并在算法中执行遗传操作(交叉变异):
交叉指通过替换重组生成一个新鱼群个体的操作,即:
其中,Xi,m为Xi的第m个参量,Xr,m为异于Xi,m的个体的第m个参量,r∈[1,2,…,Np]且r≠i,rand为区间[0,1]内的一个随机数,Cr为交叉概率。
变异操作是对鱼群个体元素作变化调整的操作,即:
其中,Xbest,m为当前全局最优个体的第m个参量,Xp,m与Xq,m为异于Xi,m的两个鱼群个体的第m个参量,p、q∈[1,2,…,i-l,i+1,i+2,…,Np],μ为区间[0,1]之间的数,Yu为变异概率。
(4)返回步骤(2)计算迭代后种群个体的适应度值,对个体的位置进行更新,将旧鱼群群体和遗传操作后的鱼群群体进行组合,并对组合群体中的所有个体的适应度函数值从小到大进行排序,保留函数值最小的个体,删除其余个体。此时若满足终止条件,即足t达到设定的最大迭代次数tmax则输出最佳位置即为BP神经网络模型的最优初始权值和阈值,进行BP神经网络测试,反之,则继续进行迭代,t=t+1。
步骤3中所述的基于反映多种气象因素对输电线路影响的3个评估指标,使用优化后的BP神经网络模型得到气象因素影响因子Mweather,j流程如图4所示,步骤为:
(1)确定BP神经网络模型的网络结构。包括输入层、隐含层和输出层的节点个数。
BP神经网络是一种按误差逆传播算法训练的多层前馈网络,其结构由三个部分组成,分别为输入层、隐含层和输出层。在BP神经网络结构中,输入层与输出层节点个数可根据需求进行设置,本专利设置输入层节点为3个,输出层节点为1个。
其中,b、c分别为输入层3个结点、输出层1个结点,d为[1,10]区间中的整数,z为隐含层节点的个数。
(2)利用智能鱼群算法中的鱼群个体的输出最佳位置替换BP神经网络算法中的最优权值wij和阈值αj。
(3)正向传播过程。将已进行数据预处理数据样本输入BP神经网络进行训练,然后利用各层的输出公式计算该BP神经网络中各层的输出值。
该过程隐含层输入kj的计算公式为:
其中,ti为输入层的第i个元素的输入,αj为隐藏层第j个神经元的阈值(j=1,2,..,z),wij为输入层结点i与隐含层结点j的连接权值(i=1,2,3)。
利用BP神经网络的激活函数计算隐藏层各神经元的实际输出值。隐藏层的实际输出Pj计算公式为:
其中,f(x)为sigmoid激活函数。
隐含层到输出层结点的输入为:
其中,wj为隐含层结点j与输出层间的连接权值,αj为隐藏层第j个神经元的阈值(j=1,2,..,z)。
隐含层到输出层结点的输出为:
其中,Mweather,j(j=1,2,..,n)为气象因素影响因子。
步骤4中所述的多维互联算法构建输电线路运行状态评估模型包括以下步骤,方法流程图如图5所示:
(1)确定评估模型的基本矩阵、统筹矩阵以及实测矩阵
评估模型的基本矩阵Hi可以表示为:
其中,Bi(i=1,2,…,g)为评估等级,Tj(j=1,2,…,n)为评估指标;sji(aji,bji)为评估指标Tj在评估等级Bi所对应的取值范围,aji和bji分别为sji的取值边界最小值及最大值。
评估模型的统筹矩阵Hp可以表示为:
其中,B为评估对象等级的全体,sjp(ajp,bjp)为各评估指标Tj(j=1,2,…,n)的所有取值范围,ajp和bjp分别为sjp的取值边界最小值及最大值。
评估模型的实测矩阵Hl可以表示为:
其中,Bl(l=1,2,…,m)为需要进行评估的输电线路,假设共有m条输电线路,sj(j=1,2,…,n)分别为B0关于各评估指标Tj(j=1,2,…,n)的实测数据。
(2)计算指标等级互联度
互联度反映了各评价指标与各评价等级之间的互联程度,其计算公式为:
其中,Ki(sj)为sj的互联函数,sj为待评估事件在各评价指标Tj下对应的实测数据,sji为评估指标Tj在评估等级Bi所对应的取值范围(aji,bji),且|sji|=|aji-bji|,ρ(sj,sji)表示sj与sji区间(aji,bji)的距离,ρ(sj,sjp)表示sj与sjp区间(ajp,bjp)的距离。
为使互联度能进行分析和比较,对上述所求互联度进行规范化处理,得到新的互联度表达式Kji:
(3)由模糊-熵权组合算法确定各评价指标的权重系数wj (3)(j=1,2,…,n)
(4)由鱼群-BP神经网络模型确定气象因素影响因子Mweather,j
(5)输电线路状态等级评定
根据模糊-熵权组合算法确定各评价指标的权重系数wj (3)(j=1,2,…,n)计算出待评估事件关于评价等级Bi(i=1,2,…,g)以及由鱼群-BP神经网络模型确定的气象因素影响因子Mweather,j(j=1,2,…,n)的多因素综合互联度为:
为了进行输电线路状态等级评定,取:
Ki'(Bl)=max{Ki(Bl)},i'∈(1,2,...,g) (44)
则输电线路状态属于等级i’。
最后应当说明的是:以上实施例仅用以说明本发明的技术方案而非对其限制;尽管参照较佳实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解:依然可以对本发明的具体实施方式进行修改或者对部分技术特征进行等同替换;而不脱离本发明技术方案的精神,其均应涵盖在本发明请求保护的技术方案范围当中。
Claims (6)
1.一种计及多气象因素的输电线路运行状态评估方法,其特征在于,所述状态评估方法包括以下步骤:
步骤1:首先,以杆塔、导地线、绝缘子、金具及接地装置等5个输电线路的组成部分作为基础性指标,并进一步的细分出各个基础性指标的特征性指标;
步骤2:通过模糊-熵权组合算法确定输电线路运行状态评估模型中特征性指标的权重系数;
步骤3:提出反映各气象因素对输电线路影响的评估指标并将其输入至BP神经网络模型中,使用智能鱼群算法对BP神经网络模型进行优化,使用优化后的BP神经网络模型得到气象因素影响因子Mweather,j,用于输电线路运行状态评估模型的状态等级评定环节;
步骤4:建立基于多维互联算法的输电线路运行状态评估模型,得到输电线路的状态等级。
2.根据权利要求1所述的计及多气象因素的输电线路运行状态评估方法,其特征在于,步骤2中所述的通过模糊-熵权组合算法确定输电线路运行状态评估模型中特征性指标的权重系数包括以下步骤:
(1)基于模糊函数法确定主观权重
定义模糊函数V的隶属度函数μv(x)为:
其中,e≤q≤u,e,q,u分别为模糊函数V的上限、中限和下限值,因此,模糊函数V可表示为(e,q,u);
1)专家评分
设第i个专家对第j个评估指标给出的评估分数为Vij=(eij,qij,uij),(i=1,2,…,t),(j=1,2,…,n),t为专家个数,n为评估指标个数,eij为第i个专家对评估指标j影响程度给出的最低分数,qij为第i个专家对评估指标j影响程度给出的最优分数,uij为第i个专家对评估指标j影响程度给出的最高分数;
则第j个评估指标在当前层的函数综合度Lj为
2)可能度计算
设L1=(e1’,q1’,u1’)和L2=(e2’,q2’,u2’)是2个评估指标的函数综合度,则L1≥L2的可能度J(L1≥L2)可定义为:
在得到可能度后,即可得到可能度矩阵J,如下所示:
3)计算各评估指标的权重系数
当前层第j个评估指标的权重分量wj (0)取为:
wj (0)=min{J(Lj≥Lk),k=1,2,..,n} (8)
对wj (0)进行归一化处理,得到各评估指标的主观权重系数wj (1)即:
(2)基于改进熵权法确定客观权重
1)建立原始评估矩阵,假设有m条输电线路,n个评估指标,则可建立一个多指标的原始评估矩阵Y=[yij]m×n,即:
其中,yij为第i条输电线路的第j项评估指标值;
2)对原始评估矩阵Y进行标准化处理
将评估指标同趋势化,方法为:
yij’为同趋势化后的评估指标值;
通过原始数据标准化,得到标准化矩阵X=[xij]m×n,即:
3)计算第j项评估指标的熵值
计算各评估指标的熵值公式为:
其中:
其中,Ej为熵值,Ej≥0。fij为评估指标j在第i条输电线路中出现的频率,0≤fij≤1;
4)计算评价指标的权重
其中:
(3)确定综合权重
设综合权重为wj (3),为使综合权重wj (3)与主观权重wj (1)和客观权重wj (2)尽可能接近,建立目标函数G为:
采用Lagrange乘子法求解上述问题,可得:
由上式可得输电线路各评估指标的综合权重系数。
3.根据权利要求1所述的计及多气象因素的输电线路运行状态评估方法,其特征在于,步骤3中所述的各气象因素包括有雷电,台风,冰雪,高温,暴雨,山火。
4.根据权利要求3所述的计及多气象因素的输电线路运行状态评估方法,其特征在于,步骤3中所述的提出反映各气象因素对输电线路影响的评估指标包括:
(1)输电线路不同组成部分的气象敏感度Qax,
其中,qax表示输电线路组成部分a在气象条件x下故障的次数,qa表示输电线路组成部分a的故障总次数,a∈{杆塔,导地线,绝缘子,金具,接地装置},x∈{雷电,台风,冰雪,高温,暴雨,山火};
(2)输电线路不同组成部分抵御气象灾害的能力差异指标Nax,
(3)输电线路不同组成部分在同气象灾害作用下故障时间TRFax;
TRFax=trax-tfax (23)
其中,TRFax表示输电线路组成部分a因为气象因素x的故障时间,trax表示输电线路组成部分a因为气象因素x的故障开始时间,tfax表示输电线路组成部分a因为气象因素x的故障结束时间。
5.根据权利要求1所述的计及多气象因素的输电线路运行状态评估方法,其特征在于,步骤3中所述的使用智能鱼群算法对BP神经网络模型进行优化包括以下步骤:
(1)种群初始化及参数设置:包括种群大小Np,最大迭代次数tmax,最大召集速度Omax,最大捕食速度Fmax,最大游走速度Wmax,召集权重wo,捕食权重wf,以及步长缩放因子Ct,初始化搜索空间范围内的一组种群,鱼群中的每条个体代表优化问题的一个可行解;
(2)计算个体适应度值:适应度是根据算法的预测误差来确定的,将预测与期望之间的差值作为其适应度,即:
(3)计算召集速度、捕食速度、游走速度分别引起的鱼群位置变化量,加入遗传操作后重新计算鱼群个体的位置,鱼群中每条个体i的位置移动由三部分构成:
其中,Xi为第i条鱼的位置,Oi为第i条鱼的召集速度,Fi为第i条鱼的捕食速度,Wi为第i条鱼的游走速度;
影响因素召集速度、捕食速度、游走速度的公式构造如下:
Oi=Omaxαi+woOi,old (26)
Fi=Fmaxβi+wfFi,old (27)
其中,αi和βi以及δi分别表示召集方向、捕食方向和游走方向,t表示当前迭代次数,tmax表示最大迭代次数,Omax表示最大召集速度,Fmax表示最大捕食速度,Wmax表示最大游走速度,wo表示召集权重,wf表示捕食权重;
鱼群在时间t到t+Δt区间的位置更新公式如下:
其中,Δt为时间间隔常量,Xi(t+Δt)、Xi(t)分别为t+Δt以及t时刻的鱼群个体位置,Ct为步长缩放因子,取值范围为[0,2],其值越小表示算法的搜索步长越小,Nv为变量总数,通过经验确定,Uj、Dj分别为第j个变量的上限与下限;
并在算法中执行遗传操作(交叉变异):
交叉指通过替换重组生成一个新鱼群个体的操作,即:
其中,Xi,m为Xi的第m个参量,Xr,m为异于Xi,m的个体的第m个参量,r∈[1,2,…,Np]且r≠i,rand为区间[0,1]内的一个随机数,Cr为交叉概率;
变异操作是对鱼群个体元素作变化调整的操作,即:
其中,Xbest,m为当前全局最优个体的第m个参量,Xp,m与Xq,m为异于Xi,m的两个鱼群个体的第m个参量,p、q∈[1,2,…,i-l,i+1,i+2,…,Np],μ为区间[0,1]之间的数,Yu为变异概率;
(4)返回步骤(2)计算迭代后种群个体的适应度值,对个体的位置进行更新,将旧鱼群群体和遗传操作后的鱼群群体进行组合,并对组合群体中的所有个体的适应度函数值从小到大进行排序,保留函数值最小的个体,删除其余个体;此时若满足终止条件,即足t达到设定的最大迭代次数tmax则输出最佳位置即为BP神经网络模型的最优初始权值和阈值,进行BP神经网络测试,反之,则继续进行迭代,t=t+1。
6.根据权利要求1所述的计及多气象因素的输电线路运行状态评估方法,其特征在于,步骤4中所述的多维互联算法构建输电线路运行状态评估模型包括以下步骤:
(1)确定评估模型的基本矩阵、统筹矩阵以及实测矩阵
评估模型的基本矩阵Hi可以表示为:
其中,Bi(i=1,2,…,g)为评估等级,Tj(j=1,2,…,n)为评估指标;sji(aji,bji)为评估指标Tj在评估等级Bi所对应的取值范围,aji和bji分别为sji的取值边界最小值及最大值;
评估模型的统筹矩阵Hp可以表示为:
其中,B为评估对象等级的全体,sjp(ajp,bjp)为各评估指标Tj(j=1,2,…,n)的所有取值范围,ajp和bjp分别为sjp的取值边界最小值及最大值;
评估模型的实测矩阵Hl可以表示为:
其中,Bl(l=1,2,…,m)为需要进行评估的输电线路,假设共有m条输电线路,sj(j=1,2,…,n)分别为B0关于各评估指标Tj(j=1,2,…,n)的实测数据;
(2)计算指标等级互联度
互联度反映了各评价指标与各评价等级之间的互联程度,其计算公式为:
其中,Ki(sj)为sj的互联函数,sj为待评估事件在各评价指标Tj下对应的实测数据,sji为评估指标Tj在评估等级Bi所对应的取值范围(aji,bji),且|sji|=|aji-bji|,
ρ(sj,sji)表示sj与sji区间(aji,bji)的距离,ρ(sj,sjp)表示sj与sjp区间(ajp,bjp)的距离;
为使互联度能进行分析和比较,对上述所求互联度进行规范化处理,得到新的互联度表达式Kji:
(3)由模糊-熵权组合算法确定各评价指标的权重系数wj (3)(j=1,2,…,n)
(4)由鱼群-BP神经网络模型确定气象因素影响因子Mweather,j
(5)输电线路状态等级评定
根据模糊-熵权组合算法确定各评价指标的权重系数wj (3)(j=1,2,…,n)计算出待评估事件关于评价等级Bi(i=1,2,…,g)以及鱼群-BP神经网络模型确定的气象因素影响因子Mweather,j(j=1,2,…,n)的多因素综合互联度为:
为了进行输电线路状态等级评定,取:
Ki'(Bl)=max{Ki(Bl)},i'∈(1,2,...,g) (40)
则输电线路状态属于等级i’。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111280466.8A CN113988655A (zh) | 2021-10-30 | 2021-10-30 | 一种计及多气象因素的输电线路运行状态评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111280466.8A CN113988655A (zh) | 2021-10-30 | 2021-10-30 | 一种计及多气象因素的输电线路运行状态评估方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113988655A true CN113988655A (zh) | 2022-01-28 |
Family
ID=79745135
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111280466.8A Pending CN113988655A (zh) | 2021-10-30 | 2021-10-30 | 一种计及多气象因素的输电线路运行状态评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988655A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943488A (zh) * | 2022-07-21 | 2022-08-26 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种气象灾害预警信号效能评估方法 |
CN116305701A (zh) * | 2023-05-22 | 2023-06-23 | 山东大学 | 考虑线路最小弯曲度的城市配电网线路规划方法及系统 |
CN117540283A (zh) * | 2024-01-10 | 2024-02-09 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
-
2021
- 2021-10-30 CN CN202111280466.8A patent/CN113988655A/zh active Pending
Cited By (6)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114943488A (zh) * | 2022-07-21 | 2022-08-26 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种气象灾害预警信号效能评估方法 |
CN114943488B (zh) * | 2022-07-21 | 2022-11-22 | 中国气象局公共气象服务中心(国家预警信息发布中心) | 一种气象灾害预警信号效能评估方法 |
CN116305701A (zh) * | 2023-05-22 | 2023-06-23 | 山东大学 | 考虑线路最小弯曲度的城市配电网线路规划方法及系统 |
CN116305701B (zh) * | 2023-05-22 | 2023-08-18 | 山东大学 | 考虑线路最小弯曲度的城市配电网线路规划方法及系统 |
CN117540283A (zh) * | 2024-01-10 | 2024-02-09 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
CN117540283B (zh) * | 2024-01-10 | 2024-04-26 | 河北省药品医疗器械检验研究院(河北省化妆品检验研究中心) | 一种智能化电磁电器性能评估方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113988655A (zh) | 一种计及多气象因素的输电线路运行状态评估方法 | |
CN108388962B (zh) | 一种风电功率预测系统及方法 | |
CN108921339B (zh) | 基于分位数回归的遗传支持向量机光伏功率区间预测方法 | |
CN111260136A (zh) | 一种基于arima-lstm组合模型的楼宇短期负荷预测方法 | |
CN108320016A (zh) | 一种建筑能耗短期预测方法 | |
CN112101669B (zh) | 一种基于改进极限学习机与分位数回归的光伏功率区间预测方法 | |
CN105117602A (zh) | 一种计量装置运行状态预警方法 | |
CN112329990A (zh) | 一种基于lstm-bp神经网络的用户用电负荷预测方法 | |
CN114611778B (zh) | 一种基于入库流量的水库水位预警方法及系统 | |
CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
CN113723669B (zh) | 一种基于Informer模型的输电线路覆冰预测方法 | |
CN114896872A (zh) | 一种高压输电线路覆冰状态综合评估方法 | |
CN114444660A (zh) | 基于注意力机制和lstm的短期电力负荷预测方法 | |
CN115271186B (zh) | 一种基于延时因子和PSO RNN Attention模型的水库水位预测预警方法 | |
CN108694479A (zh) | 考虑天气对检修间隔时间影响的配电网可靠性预测方法 | |
CN114357670A (zh) | 一种基于bls和自编码器的配电网用电数据异常预警方法 | |
CN113536665B (zh) | 基于特征工程和lstm的路表温度短临预测方法及系统 | |
CN112861418A (zh) | 一种基于ga-woa-grnn网络的斜拉索短期覆冰厚度预测方法 | |
CN111612227A (zh) | 一种基于K-means聚类与蝙蝠优化神经网络的负荷预测方法 | |
CN108345996B (zh) | 一种降低风电功率考核电量的系统及方法 | |
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 | |
CN116151799A (zh) | 一种基于bp神经网络的配电线路多工况故障率快速评估方法 | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及系统 | |
CN114707422A (zh) | 一种基于负荷预测的智能电力缉查方法 | |
Mi et al. | Prediction of chilling damage risk in maize growth period based on probabilistic neural network approach |
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 |