CN113988697B - 一种基于关联事件的输电线路风险评估方法 - Google Patents
一种基于关联事件的输电线路风险评估方法 Download PDFInfo
- Publication number
- CN113988697B CN113988697B CN202111339951.8A CN202111339951A CN113988697B CN 113988697 B CN113988697 B CN 113988697B CN 202111339951 A CN202111339951 A CN 202111339951A CN 113988697 B CN113988697 B CN 113988697B
- Authority
- CN
- China
- Prior art keywords
- event
- transmission line
- false
- true
- risk
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 55
- 238000012502 risk assessment Methods 0.000 title claims abstract description 33
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005315 distribution function Methods 0.000 claims description 20
- 239000000571 coke Substances 0.000 claims description 9
- 239000008186 active pharmaceutical agent Substances 0.000 claims description 8
- 238000010606 normalization Methods 0.000 claims description 6
- 238000006243 chemical reaction Methods 0.000 claims description 3
- 238000004140 cleaning Methods 0.000 claims description 3
- 238000007781 pre-processing Methods 0.000 claims description 3
- 230000002194 synthesizing effect Effects 0.000 claims description 3
- 230000002159 abnormal effect Effects 0.000 claims description 2
- 238000004364 calculation method Methods 0.000 abstract description 10
- 238000005422 blasting Methods 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000000605 extraction Methods 0.000 description 3
- 238000004458 analytical method Methods 0.000 description 2
- 230000006378 damage Effects 0.000 description 2
- 238000010586 diagram Methods 0.000 description 2
- 230000007613 environmental effect Effects 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- 241000209128 Bambusa Species 0.000 description 1
- 235000017166 Bambusa arundinacea Nutrition 0.000 description 1
- 235000017491 Bambusa tulda Nutrition 0.000 description 1
- 235000015334 Phyllostachys viridis Nutrition 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 239000011159 matrix material Substances 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
- G06Q10/06—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
- G06F18/25—Fusion techniques
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N5/00—Computing arrangements using knowledge-based models
- G06N5/02—Knowledge representation; Symbolic representation
- G06N5/022—Knowledge engineering; Knowledge acquisition
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N7/00—Computing arrangements based on specific mathematical models
- G06N7/02—Computing arrangements based on specific mathematical models using fuzzy logic
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/25—Fusion techniques
- G06F18/257—Belief theory, e.g. Dempster-Shafer
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- General Engineering & Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- Software Systems (AREA)
- Artificial Intelligence (AREA)
- Strategic Management (AREA)
- General Health & Medical Sciences (AREA)
- Marketing (AREA)
- Computing Systems (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Physics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Life Sciences & Earth Sciences (AREA)
- Development Economics (AREA)
- Operations Research (AREA)
- Bioinformatics & Computational Biology (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Educational Administration (AREA)
- Computational Linguistics (AREA)
- Game Theory and Decision Science (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Quality & Reliability (AREA)
- Automation & Control Theory (AREA)
- Biomedical Technology (AREA)
- Fuzzy Systems (AREA)
- Molecular Biology (AREA)
- Algebra (AREA)
Abstract
本发明属于输电线路风险评估技术领域,具体涉及一种基于关联事件的输电线路风险评估方法。本发明首先采集与输电线路风险灾害有关联的事件类数据,为输电线路风险评估建立数据基础;然后,利用专家知识建立各类事件与模糊隶属度函数参数的关系库;最后,采用模糊隶属度函数自动生成BPA,形成基于关联事件的BPA生成方法;最终基于生成的BPA完成输电线路风险评估。该方法具有计算复杂度小、实时性好和通用性强的优点。
Description
技术领域
本发明属于输电线路风险评估技术领域,具体涉及一种基于关联事件的输电线路风险评估方法。
背景技术
输电线路作为电网电能运输不可或缺的部分,常年运行在无人区等严酷环境中,对其遭受的山火、覆冰、地灾等环境风险进行评估是国内外研究的热点。输电线路环境风险的影响因素众多,事件类因素作为一种典型数据形式,是利用证据理论进行输电线路风险评估的重要数据类型。
近年来,Dempster-Shafer证据理论(DS证据理论)在输电线路风险评估中应用广泛,可以较好的处理多源数据不确定信息的表达和融合问题。DS证据理论作为一种重要的不确定推理方法,基本概率分配(Basic Probability Assignment,BPA)决定了证据组合之后的结论是否可信,是DS证据理论中的难题之一。对于BPA的生成,目前常见的方法可以分为两大类,一类是专家根据主观经验加以设定;另一类是系统根据模糊数学等技术自动生成BPA,现有自动生成方式主要包括基于区间数模型、基于正态分布模型、基于核密度估计模型等。
发明内容
现有输电线路风险评估的BPA生成方法缺乏对关联事件的不确定性进行研究分析,为了克服现有技术的不足,在降低计算成本的基础上生成更加准确的BPA,同时提高输电线路风险评估中关联事件数据的应用价值,本发明提出了一种基于关联事件的输电线路风险评估方法。首先,采集与输电线路风险灾害有关联的事件类数据,为输电线路风险评估建立数据基础;然后,利用专家知识建立各类事件与模糊隶属度函数参数的关系库;最后,采用模糊隶属度函数自动生成BPA,形成基于关联事件的BPA生成方法;最终基于生成的BPA完成输电线路风险评估。该方法具有计算复杂度小、实时性好和通用性强的优点。
为实现上述目的,本发明采用如下技术方案:
一种基于关联事件的输电线路风险评估方法,包括以下步骤:
S1、获取输电线路风险关联事件数据,所述关联事件数据为与输电线路某一种或多种风险的发生存在关联关系的事件:
ej={eventtype,eventtime,eventlat,eventlon,eventlevel}
其中,ej为第j个事件,eventtype为关联事件类型,eventtime为关联事件发生时间,eventlat为关联事件的纬度,eventlon为关联事件的经度,eventlevel为关联事件等级或强度;
建立输电线路风险与关联事件关系库,采用二元组方式表达:(RTi,Ei),其中RTi为第i种风险类型,Ei为与RTi有关联关系的事件集合,Ei={e1,e2,…};
S2、数据预处理,包括清洗异常值和事件类数据规范化,将关联事件ej中的经纬度信息转化为事件与待评估输电线路间的空间距离,转化后格式如下:
etj={eventtype,eventtime_dist,eventspace_dist,eventlevel}
其中,eventtime_dist为事件发生时间与待评估时间之间的时间距离,eventspace_dist为事件发生地点与待评估输电线路之间的空间距离;
对应的输电线路风险与关联事件关系库转化为(RTi,ETi),ETi={et1,et2,…};
S3、生成基本概率分配函数,包括:
S31、定义输电线路风险评估的识别框架Θ={true,false,true or false},其中true表示存在风险,false表示无风险,true or false表示未知,true和false为一元焦元,true or false为混合焦元;
S32、基于输电线路风险与关联事件关系库(RTi,ETi),结合专家经验,对Θ中的一元焦元进行隶属度参数配置,采用三元组方式表达:(etj,Θ1s,Pi),其代表规则为:
IF condition(etj)THENΘ1s,Pj
其中etj为第j条事件数据,etj∈ETi;condition(etj)包含对事件eventtime_dist、eventspace_dist、eventlevel设置的规则;Θ1s∈Θ1,Θ1为识别框架Θ的一元焦元集合,Θ1={true,false};Pj为事件etj导致Θ1s发生的模糊隶属度函数类型及参数设置,Pj={funcj,param_1j,param_2j,…,param_kj},其中funcj为隶属度函数类型,param_kj为隶属度函数参数取值,k为隶属度函数参数的个数;
S33、将RTi风险对应的事件集合ETi中的所有事件数据分别在步骤S32中的关联事件与模糊隶属度函数关系库中进行匹配,得到各个事件的隶属度函数配置,根据对应的隶属度函数类型及参数计算每个事件的基本概率分配函数:
Phi_true=funct_hi(param_1t_hi,param_2t_hi,…,param_kt_hi)
Phi_false=funcf_hi(param_1f_hi,param_2f_hi,…,param_kf_hi)
其中,Phi_true为第h个事件导致风险RTi发生的基本概率分配函数,funct_hi为第h个事件导致RTi发生的隶属度函数,param_ki_hi为funct_hi的参数;Phi_false为第h个事件导致风险RTi不发生的基本概率分配函数,funcf_hi为第h个事件导致RTi不发生的隶属度函数,param_kf_hi为funcf_hi的参数;
S34、由步骤S33计算出的RTi对应各个事件导致风险发生和不发生的BPA计算出所有事件导致RTi的Θ1中所有焦元的BPA,记为mi_true和mi_false:
mi_true=P1i_true*…*Phi_true
mi_false=P1i_false*…*Phi_false
Phi_true为ETi中第h个事件导致存在风险的基本概率分配函数,h为ETi中包含的事件个数;Phi_false为ETi中第h个事件导致无风险的基本概率分配函数;
S35、基于风险RTi一元焦元的基本概率分配函数,采用几何平均法求出混合焦元true or false的BPA,记为mi_mix:
S36、对识别框架Θ中所有焦元的BPA进行归一化处理,完成输电线路风险评估基本概率分配函数的生成;
S4、基于生成的BPA,采用DS证据理论中的Dempster法则将多数据源的BPA进行合成,然后,将其转化为各类风险发生的概率完成风险评估。
本发明的有益效果为,与现有技术相比,本发明所采用的数据为输电线路风险关联事件,通过融合专家知识获取事件类数据与模糊隶属度函数参数的关系,将事件类数据直接应用于风险评估,无需通过特征提取技术间接地被应用于风险评估,避免了特征提取造成的信息流失问题。生成合理可信的BPA作为证据理论应用的一大难题,本发明将专家经验引入到自动生成BPA技术中,采用模糊隶属度函数灵活自动地生成BPA,在一定程度上降低了人为主观性影响,降低了计算复杂度,通用性更强。
附图说明
图1为本发明的逻辑顺序示意图。
具体实施方式
本发明的核心是基于关联事件的输电线路风险评估基本概率分配函数生成,旨在降低计算成本的基础上生成更加准确的BPA,同时提高输电线路风险评估中事件类数据的应用价值,为DS证据理论在输电线路风险评估领域的有效应用提供合理可信的证据。
现有BPA生成方法主要为专家设定和自动生成方式,专家经验可能存在人为的主观性导致偏差,自动生成方法计算复杂度较高,需要大量数据作为模型基础。本发明将融合专家知识和自动生成BPA方法中的模糊隶属度函数,降低了人为主观性影响的同时也降低了计算复杂度。该方法具有计算复杂度小、实时性好和通用性强的优点。
现有BPA生成技术主要处理的是规范的特征数据,对于事件类数据的分析,还停留在从事件中提取规范特征,生成特征矩阵,间接地被应用于输电线路风险评估。对于现有输电线路风险评估中缺乏对关联事件类数据应用的问题,本发明通过融合专家知识配置事件类数据与模糊隶属度函数参数的关系,将事件类数据直接应用于风险评估,避免了特征提取造成的信息流失问题。
图1为本发明的逻辑顺序示意,本发明的具体方法为:
1.获取输电线路风险关联事件数据。
关联事件数据定义为:与某一种或多种风险的发生存在关联关系的事件,事件包含事件类型、事件发生时间、事件发生经纬度、事件等级或强度,具体表现为:
ej={eventtype,eventtime,eventlat,eventlon,eventlevel}
其中,ej为第j个事件;eventtype为关联事件类型;eventtime为关联事件发生时间;eventlat为关联事件的纬度;eventlon为关联事件的经度;eventlevel为关联事件等级或强度。
建立输电线路风险与关联事件关系库,采用二元组方式表达:(RTi,Ei),其中RTi为第i种风险类型,本发明包含山火、覆冰、地灾、树竹、雷害、风害等6种风险类型;Ei为与RTi有关联关系的事件集合,Ei={e1,e2,…}。
以地灾为例,地灾的关联事件包括:地震、强降雨、地灾隐患点、爆破事件。输电线路风险与关联事件关系库可表示为:(地灾,{地震,强降雨,地灾隐患点,爆破事件})。具体关联事件数据格式为:
其中,eq1为地震事件,eq1={earthquake,eqtime1,eqlat1,eqlon1,eqlevel1};rain1为降雨事件,rain1={rain,raintime1,rainlat1,rainlon1,rainlevel1};risk1为地灾隐患点,risk1={risk_point,None,risklat1,risklon1,None},None表示空值,地灾隐患点仅包含历史地灾事件发生的位置信息,时间及等级信息为空值;dest1为爆破事件,dest1={destruction,desttime1,destlat1,destlon1,destlevel1}。
2.数据预处理,包括清洗异常值和事件类数据规范化。
2.1对于违反常规的关联事件数据予以剔除。例如,某区域发生10级地震事件,某区域8月发生10cm厚度的覆冰等。
2.2将步骤1获取的关联事件ej中的经纬度信息转化为事件与待评估输电线路间的空间距离,转化后格式如下:
etj={eventtype,eventtime_dist,eventspace_dist,eventlevel}
其中,eventtime_dist为事件发生时间与待评估时间之间的时间距离,eventspace_dist为事件发生地点与待评估输电线路之间的空间距离。
输电线路风险与关联事件关系库转化为(RTi,ETi),ETi={et1,et2,…}
3.BPA生成方法设计。
3.1定义输电线路风险评估的识别框架Θ={true,false,true or false},其中true表示存在风险,false表示无风险,true or false表示未知。true和false为一元焦元,true or false为混合焦元。
3.2基于输电线路风险与关联事件关系库(RTi,ETi),结合专家经验,对Θ中的一元焦元进行隶属度参数配置,采用三元组方式表达:(etj,Θ1s,Pi),其代表规则为:
IF condition(etj)THENΘ1s,Pj
其中etj为第j条事件数据,etj∈ETi;condition(etj)包含对事件eventtime_dist、eventspace_dist、eventlevel设置的规则;Θ1s∈Θ1,Θ1为识别框架Θ的一元焦元集合,Θ1={true,false};Pj为事件etj导致Θ1s发生的模糊隶属度函数类型及参数设置,Pj={funcj,param_1j,param_2j,…,param_kj},其中funcj为隶属度函数类型,param_kj为隶属度函数参数取值,k为隶属度函数参数的个数。隶属度函数类型包括三角形隶属度函数,高斯隶属度函数,半梯形隶属度函数,岭形分布隶属度函数。
以地灾的关联事件地震为例,对地震级数eqlevel导致Θ1中的true配置隶属度函数Pt_level,其中Pt_level={func0,level0,level1},func0为偏大型的半梯度隶属度函数,level0和level1为预设地震等级阈值。反之,地震级数eqlevel导致Θ1中的false的隶属度函数配置Pf_level={func1,level0,level1},func1为偏小型的半梯度隶属度函数,level0和level1为预设地震等级阈值。
相同地,对地震时间距离eqtime_dist导致Θ1中的true配置隶属度函数Pt_time_dist,Pt_time_dist={func1,level2,level3},func1为偏小型的半梯度隶属度函数,level2和level3为预设地震时间距离阈值。反之,对地震时间距离eqtime_dist导致Θ1中的false配置隶属度函数Pf_time_dist={func0,level2,level3},func0为偏大型的半梯度隶属度函数,level2和level3为预设地震时间距离阈值。
对地震事件空间距离的隶属度函数配置方式与地震时间距离类似。
3.3将RTi风险对应的事件集合ETi中的所有事件数据分别在步骤3.2中的关联事件与模糊隶属度函数关系库中进行匹配,得到各个事件的隶属度函数配置,根据对应的隶属度函数类型及参数计算每个事件的BPA:
Phi_true=funct_hi(param_1t_hi,param_2t_hi,…,param_kt_hi)
Phi_false=funcf_hi(param_1f_hi,param_2f_hi,…,param_kf_hi)
其中,Phi_true为第h个事件导致风险RTi发生的BPA,funct_hi为第h个事件导致RTi发生的隶属度函数,param_kt_hi为funct_hi的参数;Phi_false为第h个事件导致风险RTi不发生的BPA,funcf_hi为第h个事件导致RTi不发生的隶属度函数,param_kf_hi为funcf_hi的参数。
以地灾中的地震事件为例,对地震级数eqlevel导致Θ1中的true配置隶属度函数Pt_level,其中Pt_level={func0,level0,level1},func0为偏大型的半梯度隶属度函数,level0和level1为预设地震等级阈值,则地震级数导致地灾风险发生的BPA为:
具体含义为:若eqlevel<level0,则eqlevel导致地灾风险发生的BPA为0;若eqlevel>level1,则eqlevel导致地灾风险发生的BPA为1;若level0<eqlevel<level1,则eqlevel导致地灾风险发生的BPA为
反之,地震级数eqlevel导致Θ1中的false的隶属度函数配置Pf_level={func1,level0,level1},func1为偏小型的半梯度隶属度函数,则地震级数导致地灾风险不发生的BPA为:
具体含义为:若eqlevel<level0,则eqlevel导致地灾风险不发生的BPA为1;若eqlevel>level1,则eqlevel导致地灾风险不发生的BPA为0;若level0<eqlevel<level1,则eqlevel导致地灾风险不发生的BPA为
相同地,对地震时间距离eqtime_dist导致Θ1中的true配置隶属度函数Pt_time_dist,Pt_time_dist={func1,level2,level3},func1为偏小型的半梯度隶属度函数,level2和level3为预设地震时间距离阈值,则地震时间距离导致地灾风险发生的BPA为:
具体含义为:若eqtime_dist<level2,则eqtime_dist导致地灾发生的BPA为1;若eqtime_dist>level3,则eqtime_dist导致地灾发生的BPA为0;若level2<eqtime_dist<level3,则发eqtime_dist导致地灾发生的BPA为
反之,对地震时间距离eqtime_dist导致Θ1中的false配置隶属度函数Pf_time_dist={func0,level2,level3},func0为偏大型的半梯度隶属度函数,level2和level3为预设地震时间距离阈值,则地震时间距离导致地灾风险不发生的BPA为:
具体含义为:若eqtime_dist<level2,则eqtime_dist导致地灾风险不发生的BPA为0;若eqtime_dist>level3,则eqtime_dist导致地灾风险不发生的BPA为1;若level2<eqtime_dist<level3,则eqtime_dist导致地灾风险不发生的BPA为
对地震事件空间距离的BPA与地震时间距离计算方法类似。
3.4由步骤3.3计算出的RTi对应各个事件导致风险发生和不发生的BPA计算出所有事件导致RTi的Θ1中所有焦元的BPA,记为mi_true和mi_false。其中,
mi_true=P1i_true*…*Phi_true
mi_false=P1i_false*…*Phi_false
Phi_true为ETl中第h个事件导致存在风险的BPA,h为ETi中包含的事件个数;Phi_false为ETi中第h个事件导致无风险的BPA。
3.5基于风险RTi一元焦元的BPA,采用几何平均法求出混合焦元true or false的BPA,记为mi_mix。其中,
对识别框架Θ中所有焦元的BPA进行归一化处理,基于生成的BPA,采用DS证据理论中的Dempster法则将多数据源的BPA进行合成,然后,将其转化为各类风险发生的概率完成风险评估。。
综上可得,本发明提出的基于关联事件的输电线路风险评估方法,在降低计算成本的前提下,建立了更加准确的BPA生成模型,同时提高输电线路风险评估中事件类数据的应用价值,实用性更好,通用性更强。
Claims (2)
1.一种基于关联事件的输电线路风险评估方法,其特征在于,包括以下步骤:
S1、获取输电线路风险关联事件数据,所述关联事件数据为与输电线路某一种或多种风险的发生存在关联关系的事件:
ej={eventtype,eventtime,eventlat,eventlon,eventlevel}
其中,ej为第j个事件,eventtype为关联事件类型,eventtime为关联事件发生时间,eventlat为关联事件的纬度,eventlon为关联事件的经度,eventlevel为关联事件等级或强度;
建立输电线路风险与关联事件关系库,采用二元组方式表达:(RTi,Ei),其中RTi为第i种风险类型,Ei为与RTi有关联关系的事件集合,Ei={e1,e2,...};
S2、数据预处理,包括清洗异常值和事件类数据规范化,将关联事件ej中的经纬度信息转化为事件与待评估输电线路间的空间距离,转化后格式如下:
etj={eventtype,eventtime_dist,eventspace_dist,eventlevel}
其中,eventtime_dist为事件发生时间与待评估时间之间的时间距离,eventspace_dist为事件发生地点与待评估输电线路之间的空间距离;
对应的输电线路风险与关联事件关系库转化为(RTi,ETi),ETi={et1,et2,...};
S3、生成基本概率分配函数,包括:
S31、定义输电线路风险评估的识别框架Θ={true,false,true or false},其中true表示存在风险,false表示无风险,true or false表示未知,true和false为一元焦元,trueor false为混合焦元;
S32、基于输电线路风险与关联事件关系库(RTi,ETi),结合专家经验,对Θ中的一元焦元进行隶属度参数配置,采用三元组方式表达:(etj,Θ1s,Pi),其代表规则为:
IF condition(etj)THENΘ1s,Pj
其中etj为第j条事件数据,etj∈ETi;condition(etj)包含对事件eventtime_dist、eventspace_dist、eventlevel设置的规则;Θ1s∈Θ1,Θ1为识别框架Θ的一元焦元集合,Θ1={true,false};Pj为事件etj导致Θ1s发生的模糊隶属度函数类型及参数设置,Pj={funcj,param_1j,param_2j,...,param_kj},其中funcj为隶属度函数类型,param_kj为隶属度函数参数取值,k为隶属度函数参数的个数;
S33、将RTi风险对应的事件集合ETi中的所有事件数据分别在步骤S32中的关联事件与模糊隶属度函数关系库中进行匹配,得到各个事件的隶属度函数配置,根据对应的隶属度函数类型及参数计算每个事件的基本概率分配函数:
Phi_true=funct_hi(param_1t_hi,param_2t_hi,...,param_kt_hi)
Phi_false=funcf_hi(param_1f_hi,param_2f_hi,...,param_kf_hi)
其中,Phi_true为第h个事件导致风险RTi发生的基本概率分配函数,funct_hi为第h个事件导致RTi发生的隶属度函数,param_kt_hi为funct_hi的参数;Phi_false为第h个事件导致风险RTi不发生的基本概率分配函数,funcf_hi为第h个事件导致RTi不发生的隶属度函数,param_kf_hi为funcf_hi的参数;
S34、由步骤S33计算出的RTi对应各个事件导致风险发生和不发生的BPA计算出所有事件导致RTi的Θ1中所有焦元的BPA,记为mi_true和mi_false:
mi_true=P1i_true*…*Phi_true
mi_false=P1i_false*…*Phi_false
Phi_true为ETi中第h个事件导致存在风险的基本概率分配函数,h为ETi中包含的事件个数;Phi_false为ETi中第h个事件导致无风险的基本概率分配函数;
S35、基于风险RTi一元焦元的基本概率分配函数,采用几何平均法求出混合焦元trueor false的BPA,记为mi_mix:
S36、对识别框架Θ中所有焦元的BPA进行归一化处理,完成输电线路风险评估基本概率分配函数的生成;
S4、基于生成的基本概率分配函数,采用DS证据理论中的Dempster法则将多数据源的基本概率分配函数进行合成,然后,将其转化为各类风险发生的概率完成风险评估。
2.根据权利要求1所述的一种基于关联事件的输电线路风险评估方法,其特征在于,所述隶属度函数类型包括三角形隶属度函数、高斯隶属度函数、半梯形隶属度函数和岭形分布隶属度函数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111339951.8A CN113988697B (zh) | 2021-11-12 | 2021-11-12 | 一种基于关联事件的输电线路风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111339951.8A CN113988697B (zh) | 2021-11-12 | 2021-11-12 | 一种基于关联事件的输电线路风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113988697A CN113988697A (zh) | 2022-01-28 |
CN113988697B true CN113988697B (zh) | 2024-06-11 |
Family
ID=79748241
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111339951.8A Active CN113988697B (zh) | 2021-11-12 | 2021-11-12 | 一种基于关联事件的输电线路风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113988697B (zh) |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894092A (zh) * | 2016-03-31 | 2016-08-24 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路常见灾害危害程度分布图谱绘制方法 |
CN107704992A (zh) * | 2017-08-31 | 2018-02-16 | 广州供电局有限公司 | 输电线路雷击风险评估的方法及装置 |
CN107742040A (zh) * | 2017-10-31 | 2018-02-27 | 广东电网有限责任公司惠州供电局 | 一种基于topsis和最优组合权重的输电线路综合风险评估方法 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108074021A (zh) * | 2016-11-10 | 2018-05-25 | 中国电力科学研究院 | 一种配电网风险辨识系统及方法 |
-
2021
- 2021-11-12 CN CN202111339951.8A patent/CN113988697B/zh active Active
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105894092A (zh) * | 2016-03-31 | 2016-08-24 | 贵州电网有限责任公司输电运行检修分公司 | 一种输电线路常见灾害危害程度分布图谱绘制方法 |
CN107704992A (zh) * | 2017-08-31 | 2018-02-16 | 广州供电局有限公司 | 输电线路雷击风险评估的方法及装置 |
CN107742040A (zh) * | 2017-10-31 | 2018-02-27 | 广东电网有限责任公司惠州供电局 | 一种基于topsis和最优组合权重的输电线路综合风险评估方法 |
Also Published As
Publication number | Publication date |
---|---|
CN113988697A (zh) | 2022-01-28 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110807550B (zh) | 基于神经网络的配变重过载识别预警方法及终端设备 | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、系统、设备及介质 | |
CN110533331B (zh) | 一种基于输电线路数据挖掘的故障预警方法和系统 | |
CN111753893A (zh) | 一种基于聚类和深度学习的风电机组功率集群预测方法 | |
CN114723285B (zh) | 一种电网设备安全性评估预测方法 | |
CN115994325B (zh) | 基于TimeGAN深度学习方法的风机覆冰发电功率数据增强方法 | |
CN106327013A (zh) | 一种输电线巡检路径规划方法及系统 | |
CN113947555A (zh) | 基于深度神经网络的红外与可见光融合的视觉系统及方法 | |
CN114169445A (zh) | 基于cae和gan混合网络的日前光伏功率预测方法、装置与系统 | |
CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN115986945A (zh) | 一种基于工业互联网的电力设备监测方法、设备及介质 | |
CN113988697B (zh) | 一种基于关联事件的输电线路风险评估方法 | |
CN112183805B (zh) | 一种输电线路在线巡视结果状态的预测方法 | |
CN117458437A (zh) | 一种短期风电功率预测方法、系统、设备及介质 | |
CN117200352A (zh) | 一种基于云边融合的光伏发电调控方法及系统 | |
CN110689248A (zh) | 一种基于云模型和可能度分析的一流城市配电网评估方法 | |
Chen et al. | Interval prediction of photovoltaic power using improved NARX network and density peak clustering based on kernel mahalanobis distance | |
CN113867391B (zh) | 基于数字孪生的无人机低空安全预警与监控方法及系统 | |
CN115238574A (zh) | 基于数字孪生的输电线路数据管理方法 | |
Fortuna et al. | One day ahead prediction of wind speed class by statistical models | |
CN113902314A (zh) | 一种融合专家知识的输电线路环境风险评估方法 | |
Zhenhao et al. | Prediction of wind power ramp events based on deep neural network | |
Wu et al. | Overview of day-ahead solar power forecasts based on weather classifications | |
Zongbao | A Line loss management method based on improved random forest algorithm in distributed generation system | |
CN113190537A (zh) | 一种用于监控区域内应急抢修现场的数据表征方法 |
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 |