CN114792152A - 一种综合考虑主客观影响因素的配电线路故障率预测方法 - Google Patents
一种综合考虑主客观影响因素的配电线路故障率预测方法 Download PDFInfo
- Publication number
- CN114792152A CN114792152A CN202111494511.XA CN202111494511A CN114792152A CN 114792152 A CN114792152 A CN 114792152A CN 202111494511 A CN202111494511 A CN 202111494511A CN 114792152 A CN114792152 A CN 114792152A
- Authority
- CN
- China
- Prior art keywords
- distribution line
- subjective
- establishing
- factors
- fault rate
- 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
- 238000000034 method Methods 0.000 title claims abstract description 19
- 238000012423 maintenance Methods 0.000 abstract description 15
- 230000000694 effects Effects 0.000 abstract description 5
- 238000012545 processing Methods 0.000 abstract description 2
- 238000012360 testing method Methods 0.000 description 8
- 230000006870 function Effects 0.000 description 6
- 238000013210 evaluation model Methods 0.000 description 4
- 238000011002 quantification Methods 0.000 description 4
- 238000010998 test method Methods 0.000 description 4
- 241001465754 Metazoa Species 0.000 description 3
- 238000011156 evaluation Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 201000004569 Blindness Diseases 0.000 description 2
- 241000282414 Homo sapiens Species 0.000 description 2
- 238000012512 characterization method Methods 0.000 description 2
- 201000010099 disease Diseases 0.000 description 2
- 208000037265 diseases, disorders, signs and symptoms Diseases 0.000 description 2
- 230000006872 improvement Effects 0.000 description 2
- 230000008439 repair process Effects 0.000 description 2
- 238000013077 scoring method Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 239000011248 coating agent Substances 0.000 description 1
- 238000000576 coating method Methods 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000007418 data mining Methods 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 229910052731 fluorine Inorganic materials 0.000 description 1
- 125000001153 fluoro group Chemical group F* 0.000 description 1
- 238000007689 inspection Methods 0.000 description 1
- 238000005065 mining Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000002360 preparation method Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000011160 research 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
- G06Q10/04—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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法。具体包括以下步骤:S1.建立各影响因素的量化指标,建立计及天气条件、生物主观因素与实际役龄的三维关联云模型和配电线路的一维故障云模型;S2.搭建三条件单规则的语言预测规则,挖掘天气条件、生物主观因素、实际等效役龄和配电线路故障率之间的不确定推理规则;S3.基于步骤S1和步骤S2,建立配电线路的故障率预测模型。本发明所建立的模型充分考虑了各种主客观影响因素的作用,利用云推理模型在处理定性概念随机性和模糊性的优势,提高了配电线路故障率预测的准确性。
Description
技术领域
本发明涉及配电线路故障率预测技术领域,具体地说,涉及一种综合考虑主客观影响因素的配电线路故障率预测方法。
背景技术
配电线路承担着电能的传输和分配等功能,一旦发生故障将造成严重的损失。配电线路的正常运行不仅与其自身特性相关,还和外界影响因素密不可分。故障率是进行可靠性评估的重要指标,因此,有必要预测配电线路的故障率,分析影响配电线路故障率分布的影响因素,为制定检修计划提供理论支持。
传统概率论中的方差、期望等数字特征可以很好地反映配电线路故障发生的随机性,但是无法反映模糊性;模糊理论通过隶属函数精确刻画模糊对象的亦此亦比现象,把随机性和模糊性分开研究。但是随机性和模糊性有很强的关联性,而云理论是一种处理定性概念随机性和模糊性的综合有效的方法,而且在数据的挖掘和预测等方面有较多的可取之处。
发明内容
本发明提出了一种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法。该方法首先建立各种主客观影响因素的量化指标,进一步建立计及各种主客观影响因素的三维关联云模型和配电线路的一维故障云模型。其次,搭建配电线路故障的三条件单规则语言预测规则。最后建立配电线路的故障率预测模型。
本发明提出的这种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法,包括以下步骤:
S1.建立各影响因素的量化指标,建立计及天气条件、生物主观因素与实际役龄的三维关联云模型和配电线路的一维故障云模型;
S2.搭建三条件单规则的语言预测规则,挖掘天气条件、生物主观因素、实际等效役龄和配电线路故障率之间的不确定推理规则;
S3.基于步骤S1和步骤S2,建立配电线路的故障率预测模型。
在步骤S1中,需要对各种主客观影响因素进行量化:
1)针对各种天气因素建立统一评价模型。首先将各天气参数进行规格化以消除不同量纲、不同数量级的影响,然后计算各天气参数与配电线路故障率的Pearson相关系数,来描述各天气参数与故障率的关联程度。
式中,i为历史样本的组数,共n组;j为天气因素的个数,可根据实际问题和地理气候条件进行确定;xij为第i组样本数据中第j个天气因素的参数;x′ij为xij规格化之后的数值,xi′j∈[0,1]。
式中,x′i为第i组统计样本中相应天气因素规格化之后的值;yi为第i组样本所对应的故障率。
在获得各天气参数与故障率之间的相关系数后,利用t分布检验法对与r对应的总体相关系数ρ进行假设检验。原假设H0:ρ=0;备择假设H1:ρ≠0。t分布检验法的统计量为
同时,为了降低人为主观盲目性,引入假设检验p值分配权重求取天气影响因子:
式中,t表示检验统计量;tc表示根据统计数据计算得到的检验统计量。
则天气的综合状况可以用下式表示:
θ=∑γjx′j
2)针对各种人为、小动物等生物主观因素的影响建立统一评价模型。工作人员业务不熟练、误操作、场外施工对配电线路造成破坏、小动物活动等主观因素都可能会造成配电线路故障。本发明采用专家打分法对各种生物主观因素进行量化。
影响程度 | 很小 | 较轻 | 一般 | 中等 | 严重 |
分值 | [0,0.2] | (0.2,0.4] | (0.4,0.6] | (0.6,0.8] | [0.8,1] |
3)针对服役年限和检修情况建立统一评价模型。通常采用役龄来表示配电线路的服役年限,不同服役年限的配电线路显然不同,役龄更大的配电线路显然更容易发生故障。但是所提到的役龄通常指的是设备实际服役的年限,即名义役龄。
实际上,工作人员对配电线路进行检修会在一定程度上改善其性能,也就是说,维修后设备的故障率要低于维修前。如果考虑检修的影响,配电线路的实际等效役龄显然不会大于名义役龄。另外,随着维修次数的不断增加,每次检修对配电线路性能的提升效果也会不断降低。因此,本发明引入役龄回退因子来综合服役年限和检修情况的影响。
其中,γi为配电线路的维修因子;αi为第i次维修的役龄回退因子;δi为第 i次维修的损耗因子,表示维修次数和性能提升程度的关系;αc为初始回退因子,当设备大修时αc=0.5,小修时αc=0.3。则配电线路的实际等效役龄可表示为
teq=tactureγ
式中,teq为实际等效役龄;tacture为名义役龄。
4)建立三维关联云模型和配电线路的一维故障云模型。由于本发明所采用的云模型理论不再强调精确的函数表征,而是采用3个数字特征来表示概念的整体不确定性,因此本发明根据逆向云发生器生成反映天气条件、生物主观因素、实际等效役龄这3个定性概念随机模糊特征的云:
由此生成三维因素关联云模型C1(ExA,ExB,EnC,EnA,EnB,EnC,HeA,HeB,HeC),用来表征天气条件、生物主观因素、实际等效役龄这3个影响因素的定性概念;同时生成一维故障云模型C2(ExD,EnD,HeD),用来表征配电线路故障率的定性概念。
在步骤S2中,根据S1中本发明对各种主客观影响因素的评价与量化,本发明搭建了配电线路故障率的云语言预测规则:若天气越恶劣、生物主观影响越大、实际等效役龄越大,则配电线路的故障率越高。
在步骤S3中,基于步骤S1中对各种主客观影响因素的量化和步骤S2中搭建的云语言预测规则,建立配电线路的故障率预测模型如图2所示,具体步骤为:
a)基于逆向云生成算法生成的表示影响故障率因素的三维关联云模型 C1(ExA,ExB,EnC,EnA,EnB,EnC,HeA,HeB,HeC)以及一维故障率趋势云模型 C2(ExD,EnD,HeD)。
b)输入(x1,x2,x3),根据三维云模型的隶属度函数表达式求取设备在该三维状态下的隶属度u:
c)在已知隶属度u的情况下,根据一维云模型的隶属度函数反求出该隶属度下的故障率y:
综上所述,本发明提供一种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法。该方法能够对各种主客观影响因素影响下的配电线路的故障率进行挖掘预测,有利于提升配电线路的运检效率,提高相关企业的精细化管理水平。
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,下面将对实施例或现有技术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,根据这些附图获得其他的附图仍属于本发明的范畴。
图1为本发明公开的一种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法的流程图。
图2为本发明所建立的配电线路故障率预测模型图。
具体实施方式
为使本发明的目的、技术方案和优点更加清楚、明确,下面结合附图并举实施例对本发明作进一步详细描述。
实施例:
如图1所示,一种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法,包括以下步骤:
S1.建立各影响因素的量化指标,建立计及天气条件、生物主观因素与实际役龄的三维关联云模型和配电线路的一维故障云模型;
S2.搭建三条件单规则的语言预测规则,挖掘天气条件、生物主观因素、实际等效役龄和配电线路故障率之间的不确定推理规则;
S3.基于步骤S1和步骤S2,建立配电线路的故障率预测模型。
具体实施时,步骤S1中:
针对辽宁某地电网10kV架空配电线路的故障数据和收集到的相关统计数据。求得三种主客观影响因素的量化值;
1)首先将各天气参数进行规格化以消除不同量纲、不同数量级的影响,然后计算各天气参数与配电线路故障率的Pearson相关系数,来描述各天气参数与故障率的关联程度。具体计算公式如下。
在获得各天气参数与故障率之间的相关系数后,利用t分布检验法对与r对应的总体相关系数ρ进行假设检验。原假设H0:ρ=0;备择假设H1:ρ≠0。t分布检验法的统计量为
同时,为了降低人为主观盲目性,引入假设检验p值分配权重求取天气影响因子:
式中,t表示检验统计量;tc表示根据统计数据计算得到的检验统计量。
则天气的综合状况可以用下式表示:
θ=∑γjx′j
2)针对各种人为、小动物等生物主观因素的影响建立统一评价模型。采用专家打分法,按照下表所示的打分标准对各种生物主观因素进行量化。
影响程度 | 很小 | 较轻 | 一般 | 中等 | 严重 |
分值 | [0,0.2] | (0.2,0.4] | (0.4,0.6] | (0.6,0.8] | [0.8,1] |
3)通过引入役龄回退因子来综合服役年限和检修情况的影响,配电线路的实际等效役龄按下式计算。
其中,γi为配电线路的维修因子;αi为第i次维修的役龄回退因子;δi为第 i次维修的损耗因子,表示维修次数和性能提升程度的关系;αc为初始回退因子,当设备大修时αc=0.5,小修时αc=0.3。则配电线路的实际等效役龄可表示为
teq=tactureγ
式中,teq为实际等效役龄;tacture为名义役龄。
本实施例根据历史统计数据,计算得到天气条件、生物主观因素、实际等效役龄和故障率的量化指标如下表所示。
4)建立三维关联云模型和配电线路的一维故障云模型。由于本发明所采用的云模型理论不再强调精确的函数表征,而是采用3个数字特征来表示概念的整体不确定性,因此本发明根据逆向云发生器生成反映天气条件、生物主观因素、实际等效役龄这3个定性概念随机模糊特征的云:
C1(0.275,0.255,12.44,0.0677,0.094,2.0404,0.0227,0.0159,0.479)是通过上述步骤生成的三维关联云模型,用来表征天气条件、生物主观因素、实际等效役龄这3个影响因素的定性概念;同时生成一维故障云模型C2(0.1756,0.0777,0.0297),用来表征配电线路故障率的定性概念。
在步骤S2中,根据S1中本发明对各种主客观影响因素的评价与量化,本发明搭建了配电线路故障率的云语言预测规则:若天气越恶劣、生物主观影响越大、实际等效役龄越大,则配电线路的故障率越高。
在步骤S3中,基于步骤S1中对各种主客观影响因素的量化和步骤S2中搭建的云语言预测规则,建立配电线路的故障率预测模型如下所示。
a)基于逆向云生成算法生成的表示影响故障率因素的三维关联云模型 C1(ExA,ExB,EnA,EnB,HeA,HeB,EnC,HeC,HeC)以及一维故障率趋势云模型 C2(ExD,EnD,HeD)。
b)输入(x1,x2,x3),根据三维云模型的隶属度函数表达式求取设备在该三维状态下的隶属度u:
c)在已知隶属度u的情况下,根据一维云模型的隶属度函数反求出该隶属度下的故障率y:
本发明通过编写matlab程序对配电线路的故障率进行预测。已知该地配电网其中一条线路当年的天气情况评分为0.27,生物主观因素评分为0.25,实际等效役龄为14.5,将上述3个参数输入三维正向云发生器,得到该状态下的隶属度为0.818,把该隶属度输入到一维故障正向云发生器中,得到对应的故障率为0.1834次/(年·100km)。
由于本发明的故障率预测模型是基于云推理模型建立的,而云推理将随机性和模糊性很好的结合在一起,每一次预测过程都具有不确定性,表现为三维关联云与一维故障云具有模糊对应关系。为了获得更准确的故障率预测值,取 100次预测结果的均值0.1852次/(年·100km)作为该配电线路当年故障率的预测值。
Claims (3)
1.一种综合考虑主客观影响因素的配电线路故障率预测方法,其特征在于,包含以下步骤:
S1.建立各影响因素的量化指标,建立计及天气条件、生物主观因素与实际役龄的三维关联云模型和配电线路的一维故障云模型;
S2.搭建三条件单规则的语言预测规则,挖掘天气条件、生物主观因素、实际等效役龄和配电线路故障率之间的不确定推理规则;
S3.基于步骤S1和步骤S2,建立配电线路的故障率预测模型。
2.根据权利要求1所述的一种综合考虑主客观影响因素的配电线路故障率预测方法,其特征在于,所述的步骤S1中,建立计及天气条件、生物主观因素与实际役龄的三维关联云模型和配电线路的一维故障云模型。
3.根据权利要求1所述的一种综合考虑主客观影响因素的配电线路故障率预测方法,其特征在于,所述的步骤S3中建立的基于三条件单推理规则的配电线路故障率预测模型。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494511.XA CN114792152A (zh) | 2021-12-09 | 2021-12-09 | 一种综合考虑主客观影响因素的配电线路故障率预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111494511.XA CN114792152A (zh) | 2021-12-09 | 2021-12-09 | 一种综合考虑主客观影响因素的配电线路故障率预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN114792152A true CN114792152A (zh) | 2022-07-26 |
Family
ID=82459519
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111494511.XA Pending CN114792152A (zh) | 2021-12-09 | 2021-12-09 | 一种综合考虑主客观影响因素的配电线路故障率预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN114792152A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117214587A (zh) * | 2023-11-07 | 2023-12-12 | 国网浙江省电力有限公司象山县供电公司 | 一种电缆设备的检测方法以及检测系统 |
-
2021
- 2021-12-09 CN CN202111494511.XA patent/CN114792152A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117214587A (zh) * | 2023-11-07 | 2023-12-12 | 国网浙江省电力有限公司象山县供电公司 | 一种电缆设备的检测方法以及检测系统 |
CN117214587B (zh) * | 2023-11-07 | 2024-03-29 | 国网浙江省电力有限公司象山县供电公司 | 一种电缆设备的检测方法以及检测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN111539515B (zh) | 一种基于故障预测的复杂装备维修决策方法 | |
CN103177186B (zh) | 一种电气回路故障概率预测方法 | |
CN111563692B (zh) | 轨道交通智慧运维系统 | |
CN109189834A (zh) | 基于无偏灰色模糊马尔科夫链模型的电梯可靠性预测方法 | |
CN106600127A (zh) | 一种基于贝叶斯网络可靠性修正模型的继电保护系统风险评估方法 | |
CN110826237B (zh) | 基于贝叶斯信念网络的风电设备可靠性分析方法及装置 | |
CN106529832A (zh) | 一种基于马尔科夫可靠性修正模型的继电保护系统风险评估方法 | |
CN106991538A (zh) | 一种基于风电机组部件重要度评价的维修方法及装置 | |
WO2022143021A1 (zh) | 神经网络的生成方法、功率预测方法、装置和存储介质 | |
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 | |
CN109872084A (zh) | 风电机组的故障率统计方法及系统 | |
CN112329955B (zh) | 一种确定装备维修等级的计算方法 | |
CN111563693B (zh) | 轨道交通设备健康值的评分方法、设备和存储介质 | |
CN107784393A (zh) | 一种输电线路的缺陷预测方法及装置 | |
CN114792152A (zh) | 一种综合考虑主客观影响因素的配电线路故障率预测方法 | |
CN115545514A (zh) | 基于健康度评估的配电融合设备差异化运维方法及装置 | |
CN113313365A (zh) | 一种一次风机的劣化预警方法及设备 | |
CN113505818A (zh) | 改进决策树算法的熔铝炉能耗异常诊断方法和系统及设备 | |
CN114861973B (zh) | 一种计及多源因素的风力发电系统风险评估方法 | |
CN115660175A (zh) | 一种基于层次分析法的风力发电场综合评价方法及装置 | |
CN114492507B (zh) | 一种数模协同驱动下的轴承剩余寿命预测方法 | |
CN112380641B (zh) | 一种应急柴油机健康状态评价方法及计算机终端 | |
CN115345448A (zh) | 一种水轮发电机组效能评价系统 | |
CN112700018B (zh) | 一种基于故障率的评价电力设备状态的方法及系统 | |
CN115526376A (zh) | 多特征融合的生成对抗网络超短期风功率预测方法 |
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 |