CN115409427B - 居民负荷可用调节容量多状态的评估方法及装置 - Google Patents

居民负荷可用调节容量多状态的评估方法及装置 Download PDF

Info

Publication number
CN115409427B
CN115409427B CN202211332374.4A CN202211332374A CN115409427B CN 115409427 B CN115409427 B CN 115409427B CN 202211332374 A CN202211332374 A CN 202211332374A CN 115409427 B CN115409427 B CN 115409427B
Authority
CN
China
Prior art keywords
thunderstorm weather
load side
equipment
resident
probability
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
Application number
CN202211332374.4A
Other languages
English (en)
Other versions
CN115409427A (zh
Inventor
熊茹
刘向向
李昊翔
樊友杰
刘明
舒骁骁
饶员良
郑宜超
冯颖
田静
姜峥
雷涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Original Assignee
Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd filed Critical Power Supply Service Management Center Of State Grid Jiangxi Electric Power Co ltd
Priority to CN202211332374.4A priority Critical patent/CN115409427B/zh
Publication of CN115409427A publication Critical patent/CN115409427A/zh
Application granted granted Critical
Publication of CN115409427B publication Critical patent/CN115409427B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

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
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
    • G06F17/10—Complex mathematical operations
    • G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression 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
    • 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
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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)
  • Physics & Mathematics (AREA)
  • Economics (AREA)
  • Strategic Management (AREA)
  • General Physics & Mathematics (AREA)
  • Theoretical Computer Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Operations Research (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Development Economics (AREA)
  • Data Mining & Analysis (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Educational Administration (AREA)
  • Mathematical Analysis (AREA)
  • Pure & Applied Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Computational Mathematics (AREA)
  • Mathematical Physics (AREA)
  • Mathematical Optimization (AREA)
  • Algebra (AREA)
  • Software Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Biology (AREA)
  • Databases & Information Systems (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Probability & Statistics with Applications (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • General Health & Medical Sciences (AREA)
  • Primary Health Care (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种居民负荷可用调节容量多状态的评估方法及装置，本发明通过综合考虑居民负荷侧的雷暴天气情况，可提高居民负荷可用调节容量量化精度，同时以居民负荷在雷暴天气对应多状态概率刻画居民负荷的可用调节容量，提高居民负荷的可用调节容量量化精度，避免传统两状态模型的不足，从而提升居民负荷参与电力系统测试平衡的积极性，提高电力系统运行灵活性。

Description

居民负荷可用调节容量多状态的评估方法及装置
技术领域
本发明属于电力系统运行和控制技术领域，特别是涉及一种居民负荷可用调节容量多状态的评估方法及装置。
背景技术
传统电源跟随负荷波动的调度模式已不再满足新形势需求，充分挖掘负荷侧的可用调节容量以环节电力系统平衡压力显得尤为必要。而且负荷侧的可用调节容量受天气因素影响较大，需要进一步量化严峻气象条件下的居民负荷可用调节容量。目前，针对居民负荷可用调节容量的评估主要是采用两状态模型，而且未考虑天气因素的影响，为此会影响居民负荷可用调节容量评估的精确程度，在此背景下，如何量化严峻气象条件下的居民负荷可用调节容量成为影响电力系统运行安全、促进双碳目标实现的重要挑战。
发明内容
有鉴于此，本发明提供一种居民负荷可用调节容量多状态的评估方法及装置，以解决上述背景技术中提出的问题。
依据本发明一个方面，提供了一种居民负荷可用调节容量多状态的评估方法，包括：
根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；
根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；
根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；
根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
进一步的，所述根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息，包括：
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值，得到所述居民负荷侧在雷暴天气下的雷电峰值电流均值；
根据通过所述居民负荷侧的雷暴天气情况、以及所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息。
进一步的，所述雷暴天气严重程度信息包括雷电峰值电流正态分布函数值和等效拦截范围；所述根据通过所述居民负荷侧的雷暴天气情况、以及所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息，包括：
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到雷电峰值电流正态分布函数值；其中，计算所述雷电峰值电流正态分布函数值的公式如下：
Figure 28270DEST_PATH_IMAGE002
；
其中，
Figure 174081DEST_PATH_IMAGE004
表示雷电峰值电流正态分布函数值，I表示雷电峰值电流，
Figure 80857DEST_PATH_IMAGE005
表示 电流方差参数，
Figure 235895DEST_PATH_IMAGE006
表示雷电峰值电流均值；
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到等效拦截范围；其中，计算所述等效拦截范围的公式如下：
Figure 177306DEST_PATH_IMAGE008
其中，
Figure 759597DEST_PATH_IMAGE009
表示等效拦截范围，
Figure 652205DEST_PATH_IMAGE010
，M，N分别为由居民负荷侧的历史雷电数 据拟合得到的等效拦截范围计算参数，h表示居民负荷的高度。
进一步的，所述根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率，包括：
根据所述天气参数、所述雷暴天气严重程度信息、所述居民负荷侧的设备的元件长度、以及通过所述居民负荷侧的设备在雷暴天气下的故障概率值，建立所述居民负荷侧的雷暴天气故障率计算模型；
根据所述居民负荷侧的设备故障概率预测值、以及所述居民负荷侧的雷暴天气故障率计算模型获得的雷暴天气故障率值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率。
进一步的，还包括：得到所述居民负荷侧的设备故障概率预测值，其包括：
获取所述居民负荷侧的设备基准老化故障率和偶然失效期持续时间，建立所述居民负荷侧的设备偶然失效期老化故障率计算模型；
获取所述居民负荷侧的设备基准老化故障率、损耗失效期持续时间以及威布尔分布的参数，建立所述居民负荷侧的设备损耗失效期老化故障率计算模型；
分析所述居民负荷侧的设备所处于的老化阶段，若所述设备处于偶然失效期，则根据所述设备偶然失效期老化故障率计算模型，评估所述设备在偶然失效期的故障概率预测结果；若所述设备处于损耗失效期，则根据所述设备损耗失效期老化故障率计算模型，评估所述设备在损耗失效期的故障概率预测结果；
根据所述设备在偶然失效期的故障概率预测结果、所述设备在损耗失效期的故障概率预测结果，建立所述居民负荷侧的设备故障概率预测模型；
根据所述居民负荷侧的设备故障概率预测模型，得到所述居民负荷侧的设备故障概率预测值。
进一步的，根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率，包括：
根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，建立所述居民负荷侧的可用调节容量多状态模型；
根据所述居民负荷侧的可用调节容量多状态模型，获得所述居民负荷在雷暴天气对应多状态概率；
其中，所述根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，通过公式：
Figure 610933DEST_PATH_IMAGE011
建立所述居民负荷侧的可用调节容 量多状态模型；其中：
Figure 141272DEST_PATH_IMAGE012
、
Figure 894464DEST_PATH_IMAGE013
和
Figure 41412DEST_PATH_IMAGE014
分别表示居民负荷侧的多状态可用容量，
Figure 803831DEST_PATH_IMAGE015
、
Figure 454256DEST_PATH_IMAGE016
和
Figure 378349DEST_PATH_IMAGE017
分别表示居民负荷侧的多状态概率，其中多状态概率服从以下约束：
Figure 747014DEST_PATH_IMAGE018
；
Figure 781966DEST_PATH_IMAGE019
表示设备在雷暴天气下的实际故 障概率。
进一步的，所述根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量，包括：
根据所述居民负荷在雷暴天气对应多状态概率，建立所述居民负荷侧的可用调节容量评估模型；
根据所述居民负荷侧的可用调节容量评估模型，评估所述居民负荷在雷暴天气下的综合可用调节容量；
其中，所述根据所述居民负荷在雷暴天气对应多状态概率，建立所述居民负荷侧 的可用调节容量评估模型，所用的公式如下：
Figure 818055DEST_PATH_IMAGE020
；其中：
Figure 886286DEST_PATH_IMAGE012
、
Figure 7826DEST_PATH_IMAGE013
和
Figure 112048DEST_PATH_IMAGE014
分别表示居 民负荷侧的多状态可用容量，
Figure 737064DEST_PATH_IMAGE015
、
Figure 2961DEST_PATH_IMAGE016
和
Figure 346217DEST_PATH_IMAGE017
分别表示居民负荷侧的多状 态概率，其中多状态概率服从以下约束：
Figure 254130DEST_PATH_IMAGE018
；
Figure 733653DEST_PATH_IMAGE019
表示设备在雷暴天气下的实际故障概率。
依据本发明另一个方面，提供了一种居民负荷可用调节容量多状态的评估装置，包括：
雷暴天气严重程度信息获取模块，用于根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；
实际故障概率确定模块，用于根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；
多状态概率获取模块，用于根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；
评估模块，用于根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
根据本发明的又一方面，提供一种计算机可读存储介质，其上存储有计算机程序，该程序被处理器执行时实现以下步骤：
根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；
根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；
根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；
根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
根据本发明的再一方面，提供一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：
根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；
根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；
根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；
根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
借由上述技术方案，本发明实施例提供的技术方案至少具有下列优点：
本发明提供了居民负荷可用调节容量多状态的评估方法、装置及计算机设备，与现有技术相比，本发明通过根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；再根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；又根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；最后根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。本发明通过综合考虑居民负荷侧的雷暴天气情况，可提高居民负荷可用调节容量量化精度，同时以居民负荷在雷暴天气对应多状态概率刻画居民负荷的可用调节容量，提高居民负荷的可用调节容量量化精度，避免传统两状态模型的不足，从而提升居民负荷参与电力系统测试平衡的积极性，提高电力系统运行灵活性。
上述说明仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述，各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。在附图中：
图1示出了本发明实施例提供的一种居民负荷可用调节容量多状态的评估方法流程图；
图2示出了本发明实施例提供的确定居民负荷侧的雷暴天气严重程度信息的流程图；
图3示出了本发明实施例提供的评估居民负荷侧的设备在雷暴天气下的实际故障概率的流程图；
图4示出了本发明实施例提供的确定居民负荷侧的设备故障概率预测值的流程图；
图5示出了本发明实施例提供的一种居民负荷可用调节容量多状态的评估装置组成框图；
图6示出了本发明实施例提供的一种计算机设备的实体结构示意图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明的一些方面相一致的装置和方法的例子。
在本发明使用的术语是仅仅出于描述特定实施例的目的，而非旨在限制本发明。在本发明和所附权利要求书中所使用的单数形式的“一种”、“所述”和“该”也旨在包括多数形式，除非上下文清楚地表示其他含义。还应当理解，本文中使用的术语“和/或”是指并包含一个或多个相关联的列出项目的任何或所有可能组合。
应当理解，尽管在本发明可能采用术语第一、第二、第三等来描述各种信息，但这些信息不应限于这些术语。这些术语仅用来将同一类型的信息彼此区分开。例如，在不脱离本发明范围的情况下，第一信息也可以被称为第二信息，类似地，第二信息也可以被称为第一信息。取决于语境，如在此所使用的词语“如果”可以被解释成为“在……时”或“当……时”或“响应于确定”。
下面参考附图描述本发明实施例的待评估设备中居民负荷可用调节容量多状态的评估方法的方法和装置。
图1为根据本发明一个实施例的居民负荷可用调节容量多状态的评估方法的流程图。需要说明的是，本发明实施例中的服务器可以是手机、平板电脑、个人数字助理等具有安卓或鸿蒙操作系统且支持应用程序运行的硬件设备。
如图1所述，本发明提供的一种居民负荷可用调节容量多状态的评估方法，包括：
101、根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息。
本申请通过居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到居民负荷侧的雷暴天气严重程度信息，并将所获得的居民负荷侧的雷暴天气严重程度信息作为考虑因素，在步骤102中对居民负荷侧的设备在雷暴天气下的实际故障概率进行评估，提高最后获得的居民负荷的可用调节容量量化精度。
参见图2，所述根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息，可以包括如下步骤：
1011、根据所述居民负荷侧在雷暴天气下的雷电峰值电流值，得到所述居民负荷侧在雷暴天气下的雷电峰值电流均值。
1012、根据通过所述居民负荷侧的雷暴天气情况、以及所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息。
在一些实施方式中，所述雷暴天气严重程度信息包括雷电峰值电流正态分布函数值和等效拦截范围；所述根据通过所述居民负荷侧的雷暴天气情况、以及所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息，可以包括：
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到雷电峰值电流正态分布函数值；其中，计算所述雷电峰值电流正态分布函数值的公式如下：
Figure 170451DEST_PATH_IMAGE022
；
其中，
Figure 735424DEST_PATH_IMAGE023
表示雷电峰值电流正态分布函数值，I表示雷电峰值电流，
Figure 414405DEST_PATH_IMAGE005
表 示电流方差参数，
Figure 748434DEST_PATH_IMAGE006
表示雷电峰值电流均值。
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到等效拦截范围；其中，计算所述等效拦截范围的公式如下：
Figure 621713DEST_PATH_IMAGE024
其中，
Figure 673982DEST_PATH_IMAGE009
表示等效拦截范围，
Figure 658119DEST_PATH_IMAGE010
，M，N分别为由居民负荷侧的历史雷电数 据拟合得到的等效拦截范围计算参数，h表示居民负荷的高度。
102、根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率。
通过综合考虑到居民负荷侧的雷暴天气严重程度信息、天气参数对居民负荷侧的设备在雷暴天气下的实际故障概率的影响，使本申请通过居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估获得居民负荷侧的设备在雷暴天气下的实际故障概率与实际情况更加贴合，进而可以提高对居民负荷可用调节容量量化评估的精度。
参见图3，所述根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率，可以包括如下步骤：
1021、根据所述天气参数、所述雷暴天气严重程度信息、所述居民负荷侧的设备的元件长度、以及通过所述居民负荷侧的设备在雷暴天气下的故障概率值，建立所述居民负荷侧的雷暴天气故障率计算模型。这里，天气参数包括落雷密度。
其中，建立居民负荷侧的雷暴天气故障率计算模型所用的公式如下:
Figure 112234DEST_PATH_IMAGE025
；式中:
Figure 890834DEST_PATH_IMAGE026
表示雷暴天气故障率，
Figure 695979DEST_PATH_IMAGE027
表示落雷密度，
Figure 218227DEST_PATH_IMAGE028
表示居民负荷侧的设备的元件长度，
Figure 25384DEST_PATH_IMAGE030
表示居民负荷侧的设备在雷 暴天气下的故障概率值，
Figure 974885DEST_PATH_IMAGE031
表示等效拦截范围。
1022、根据所述居民负荷侧的设备故障概率预测值、以及所述居民负荷侧的雷暴天气故障率计算模型获得的雷暴天气故障率值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率。
其中，计算居民负荷侧的设备在雷暴天气下的实际故障概率的公式如下：
Figure 470589DEST_PATH_IMAGE032
；其中，
Figure 796528DEST_PATH_IMAGE033
表示实际故障概率，
Figure 225235DEST_PATH_IMAGE034
表示雷暴天气故 障率值；
Figure 611217DEST_PATH_IMAGE035
表示设备故障概率预测值。
评估居民负荷侧的设备在雷暴天气下的实际故障概率所用的公式如下：
Figure 390954DEST_PATH_IMAGE036
；其中，
Figure 989426DEST_PATH_IMAGE037
表示实际故障概率的评估值。
在一些实施方式中，还包括得到所述居民负荷侧的设备故障概率预测值，参见图4，所述得到所述居民负荷侧的设备故障概率预测值包括：
1023、获取所述居民负荷侧的设备基准老化故障率和偶然失效期持续时间，建立所述居民负荷侧的设备偶然失效期老化故障率计算模型。
这里，建立居民负荷侧的设备偶然失效期老化故障率计算模型所用的公式如下：
Figure 7060DEST_PATH_IMAGE039
；式中:
Figure 62479DEST_PATH_IMAGE041
表示失效期老化故障率，
Figure 798354DEST_PATH_IMAGE043
表示居民负 荷侧的设备基准老化故障率，TV表示偶然失效期持续时间。
1024、获取所述居民负荷侧的设备基准老化故障率、损耗失效期持续时间以及威布尔分布的参数，建立所述居民负荷侧的设备损耗失效期老化故障率计算模型；
这里，建立所述居民负荷侧的设备损耗失效期老化故障率计算模型所用的公式如下：
Figure 200516DEST_PATH_IMAGE045
；式中:
Figure 72657DEST_PATH_IMAGE046
表示失效期老化故障率，
Figure 800442DEST_PATH_IMAGE048
表示威布尔 分布的参数，
Figure 23613DEST_PATH_IMAGE049
表示居民负荷侧的设备基准老化故障率，TV表示损耗失效期持续时间。
1025、分析所述居民负荷侧的设备所处于的老化阶段，若所述设备处于偶然失效期，则根据所述设备偶然失效期老化故障率计算模型，评估所述设备在偶然失效期的故障概率预测结果；若所述设备处于损耗失效期，则根据所述设备损耗失效期老化故障率计算模型，评估所述设备在损耗失效期的故障概率预测结果。
1026、根据所述设备在偶然失效期的故障概率预测结果、所述设备在损耗失效期的故障概率预测结果，建立所述居民负荷侧的设备故障概率预测模型。
1027、根据所述居民负荷侧的设备故障概率预测模型，得到所述居民负荷侧的设备故障概率预测值。
103、根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率。
通过居民负荷在雷暴天气对应多状态概率，可实现对居民负荷在雷暴天气下的不同状态表征，进而获得各个状态对应独立的概率和严重情况。
在一些实施方式中，根据所述居民负荷侧的设备在雷暴天气下的实际故障概率， 得到居民负荷在雷暴天气对应多状态概率，包括：根据所述居民负荷侧的设备在雷暴天气 下的实际故障概率，建立所述居民负荷侧的可用调节容量多状态模型；根据所述居民负荷 侧的可用调节容量多状态模型，获得所述居民负荷在雷暴天气对应多状态概率；其中，所述 根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，通过公式：
Figure 229466DEST_PATH_IMAGE011
建立所述居民负荷侧的可用调 节容量多状态模型；其中：
Figure 487272DEST_PATH_IMAGE012
、
Figure 167651DEST_PATH_IMAGE013
和
Figure 612538DEST_PATH_IMAGE014
分别表示居民负荷侧的多状态可用容量，
Figure 887662DEST_PATH_IMAGE015
、
Figure 265554DEST_PATH_IMAGE016
和
Figure 69562DEST_PATH_IMAGE017
分别表示居民负荷侧的多状态概率，其中多状态概率服从 以下约束：
Figure 532904DEST_PATH_IMAGE018
；
Figure 346139DEST_PATH_IMAGE019
表示设备在雷暴天气 下的实际故障概率。
104、根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
通过居民负荷在雷暴天气对应多状态概率，评估居民负荷在雷暴天气下的综合可用调节容量，能够提高居民负荷的可用调节容量量化的评估的精度，而提升居民负荷参与电力系统测试平衡的积极性，提高电力系统运行灵活性。
在一些实施方式中，所述根据所述居民负荷在雷暴天气对应多状态概率，评估所 述居民负荷在雷暴天气下的综合可用调节容量，包括：根据所述居民负荷在雷暴天气对应 多状态概率，建立所述居民负荷侧的可用调节容量评估模型；根据所述居民负荷侧的可用 调节容量评估模型，评估所述居民负荷在雷暴天气下的综合可用调节容量；其中，所述根据 所述居民负荷在雷暴天气对应多状态概率，建立所述居民负荷侧的可用调节容量评估模 型，所用的公式如下：
Figure 312958DEST_PATH_IMAGE020
；其中：
Figure 553447DEST_PATH_IMAGE012
、
Figure 238506DEST_PATH_IMAGE013
和
Figure 855432DEST_PATH_IMAGE014
分别表示居民负荷侧的多状态可用容量，
Figure 942337DEST_PATH_IMAGE015
、
Figure 852262DEST_PATH_IMAGE016
和
Figure 24617DEST_PATH_IMAGE017
分别 表示居民负荷侧的多状态概率，其中多状态概率服从以下约束：
Figure 179655DEST_PATH_IMAGE018
；
Figure 121066DEST_PATH_IMAGE019
表示设备在雷暴天气下的实际故 障概率。
本实施例选取我国华东地区某省份居民负荷的数据进行验证。在本实施例中，在设定的居民负荷老化参数和雷暴气象条件，量化了居民负荷在雷暴天气下的综合可用调节容量。
本算例设定的部分参数情况如表1所示，雷暴数据取自于国家气象数据中心公开数据。
表1 居民负荷老化及雷暴气象参数
Figure 703357DEST_PATH_IMAGE050
首先，基于上述数据，应用本发明一种考虑天气因素的居民负荷可用调节容量多状态评价方法，首先量化评估居民负荷实际故障概率为0.17。
然后，应用本发明所提出的居民负荷侧的可用调节容量多状态模型，将居民负荷表征为雷暴天气下的实际故障概率和对应多状态概率，结果如下：
Figure 97429DEST_PATH_IMAGE051
基于此，可确定居民负荷侧的可用调节容量多状态模型如下：
Figure 790579DEST_PATH_IMAGE052
最后，应用本发明一种居民负荷可用调节容量多状态的评估方法，优化
确定居民负荷在雷暴天气下的综合可用调节容量为284.6kW.
通过本实施例的算例结果可以验证一种居民负荷可用调节容量多状态的评估方法的有效性。通过本实施例的结果可以看到，在雷暴天气条件下居民负荷故障情况呈现多种状态，综合可用调节容量为284.6kW。而基于传统两状态居民负荷可用调节容量评价方法获得的综合可用调节容量为249kW。
由此可知，通过本发明所提一种居民负荷可用调节容量多状态的评估方法，可以有效反应天气因素对居民负荷可用调节容量的影响，为居民负荷参与需求响应提供指导。
本发明实施例提供了一种居民负荷可用调节容量多状态的评估方法，与现有技术相比，本发明实施例通过根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；再根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；又根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；最后根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。本发明通过综合考虑居民负荷侧的雷暴天气情况，可提高居民负荷可用调节容量量化精度，同时以居民负荷在雷暴天气对应多状态概率刻画居民负荷的可用调节容量，提高居民负荷的可用调节容量量化精度，避免传统两状态模型的不足，从而提升居民负荷参与电力系统测试平衡的积极性，提高电力系统运行灵活性。
进一步的，作为对上述图1所示方法的实现，本发明实施例提供了一种居民负荷可用调节容量多状态的评估装置，如图5所示，该装置包括：
雷暴天气严重程度信息获取模块51，用于根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；
实际故障概率确定模块52，用于根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；
多状态概率获取模块53，用于根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；
评估模块54，用于根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
进一步的，所述雷暴天气严重程度信息获取模块包括：
雷电峰值电流均值确定单元，用于根据所述居民负荷侧在雷暴天气下的雷电峰值电流值，得到所述居民负荷侧在雷暴天气下的雷电峰值电流均值；
雷暴天气严重程度信息确定单元，用于根据通过所述居民负荷侧的雷暴天气情况、以及所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息。
进一步的，所述雷暴天气严重程度信息包括雷电峰值电流正态分布函数值和等效拦截范围；所述雷暴天气严重程度信息确定单元包括：
雷电峰值电流正态分布函数值确定子单元，用于根据所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到雷电峰值电流正态分布函数值；其中，计算所述雷电峰值电流正态分布函数值的公式如下：
Figure 586497DEST_PATH_IMAGE053
；
其中，
Figure 339689DEST_PATH_IMAGE054
表示雷电峰值电流正态分布函数值，I表示雷电峰值电流，
Figure 719592DEST_PATH_IMAGE005
表示 电流方差参数，
Figure 950854DEST_PATH_IMAGE006
表示雷电峰值电流均值；
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到等效拦截范围；其中，计算所述等效拦截范围的公式如下：
Figure 866857DEST_PATH_IMAGE055
其中，
Figure 790951DEST_PATH_IMAGE009
表示等效拦截范围，
Figure 425194DEST_PATH_IMAGE010
，M，N分别为由居民负荷侧的历史雷电数 据拟合得到的等效拦截范围计算参数，h表示居民负荷的高度。
进一步的，所述实际故障概率确定模块包括：
雷暴天气故障率计算模型构建单元，用于根据所述天气参数、所述雷暴天气严重程度信息、所述居民负荷侧的设备的元件长度、以及通过所述居民负荷侧的设备在雷暴天气下的故障概率值，建立所述居民负荷侧的雷暴天气故障率计算模型；
实际故障概率评估单元，用于根据所述居民负荷侧的设备故障概率预测值、以及所述居民负荷侧的雷暴天气故障率计算模型获得的雷暴天气故障率值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率。
进一步的，所述装置还包括设备故障概率预测值确定模块，所述设备故障概率预测值确定模块，用于得到所述居民负荷侧的设备故障概率预测值，其包括：
偶然失效期老化故障率计算模型构建单元，用于获取所述居民负荷侧的设备基准老化故障率和偶然失效期持续时间，建立所述居民负荷侧的设备偶然失效期老化故障率计算模型；
损耗失效期老化故障率计算模型构建单元，用于获取所述居民负荷侧的设备基准老化故障率、损耗失效期持续时间以及威布尔分布的参数，建立所述居民负荷侧的设备损耗失效期老化故障率计算模型；
评估单元，用于分析所述居民负荷侧的设备所处于的老化阶段，若所述设备处于偶然失效期，则根据所述设备偶然失效期老化故障率计算模型，评估所述设备在偶然失效期的故障概率预测结果；若所述设备处于损耗失效期，则根据所述设备损耗失效期老化故障率计算模型，评估所述设备在损耗失效期的故障概率预测结果；
设备故障概率预测模型构建单元，用于根据所述设备在偶然失效期的故障概率预测结果、所述设备在损耗失效期的故障概率预测结果，建立所述居民负荷侧的设备故障概率预测模型；
设备故障概率预测值获取单元，用于根据所述居民负荷侧的设备故障概率预测模型，得到所述居民负荷侧的设备故障概率预测值。
进一步的，所述多状态概率获取模块包括：
可用调节容量多状态模型构建单元，用于根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，建立所述居民负荷侧的可用调节容量多状态模型；
在雷暴天气对应多状态概率确定单元，用于根据所述居民负荷侧的可用调节容量多状态模型，获得所述居民负荷在雷暴天气对应多状态概率；
其中，所述根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，通过公式：
Figure 460146DEST_PATH_IMAGE011
建立所述居民负荷侧的可用调节容 量多状态模型；其中：
Figure 230656DEST_PATH_IMAGE012
、
Figure 591231DEST_PATH_IMAGE013
和
Figure 447191DEST_PATH_IMAGE014
分别表示居民负荷侧的多状态可用容量，
Figure 285834DEST_PATH_IMAGE015
、
Figure 910850DEST_PATH_IMAGE016
和
Figure 940861DEST_PATH_IMAGE017
分别表示居民负荷侧的多状态概率，其中多状态概率服从以下约束：
Figure 284118DEST_PATH_IMAGE018
；
Figure 926452DEST_PATH_IMAGE019
表示设备在雷暴天气下的实际故 障概率。
进一步的，所述评估模块包括：
可用调节容量评估模型构建单元，用于根据所述居民负荷在雷暴天气对应多状态概率，建立所述居民负荷侧的可用调节容量评估模型；
综合可用调节容量评估单元，用于根据所述居民负荷侧的可用调节容量评估模型，评估所述居民负荷在雷暴天气下的综合可用调节容量；
其中，所述根据所述居民负荷在雷暴天气对应多状态概率，建立所述居民负荷侧 的可用调节容量评估模型，所用的公式如下：
Figure 671554DEST_PATH_IMAGE020
；其中：
Figure 108351DEST_PATH_IMAGE012
、
Figure 938904DEST_PATH_IMAGE013
和
Figure 853770DEST_PATH_IMAGE014
分别表示居 民负荷侧的多状态可用容量，
Figure 718958DEST_PATH_IMAGE015
、
Figure 592236DEST_PATH_IMAGE016
和
Figure 910085DEST_PATH_IMAGE017
分别表示居民负荷侧的多状 态概率，其中多状态概率服从以下约束：
Figure 628643DEST_PATH_IMAGE018
；
Figure 348337DEST_PATH_IMAGE019
表示设备在雷暴天气下的实际故障概率。
本发明实施例提供了一种居民负荷可用调节容量多状态的评估装置，与现有技术相比，本发明实施例通过根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；再根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；又根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；最后根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。本发明通过综合考虑居民负荷侧的雷暴天气情况，可提高居民负荷可用调节容量量化精度，同时以居民负荷在雷暴天气对应多状态概率刻画居民负荷的可用调节容量，提高居民负荷的可用调节容量量化精度，避免传统两状态模型的不足，从而提升居民负荷参与电力系统测试平衡的积极性，提高电力系统运行灵活性。
基于上述如图1所示方法和如图5所示装置的实施例，本发明实施例还提供了一种计算机设备的实体结构图，如图6所示，该计算机设备包括：处理器61、存储器62、及存储在存储器62上并可在处理器上运行的计算机程序，其中存储器62和处理器61均设置在总线63上所述处理器61执行所述程序时实现以下步骤：根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
通过本发明的技术方案，本发明能够通过根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；再根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；又根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；最后根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。本发明通过综合考虑居民负荷侧的雷暴天气情况，可提高居民负荷可用调节容量量化精度，同时以居民负荷在雷暴天气对应多状态概率刻画居民负荷的可用调节容量，提高居民负荷的可用调节容量量化精度，避免传统两状态模型的不足，从而提升居民负荷参与电力系统测试平衡的积极性，提高电力系统运行灵活性。
显然，本领域的技术人员应该明白，上述的本发明的各模块或各步骤可以用通用的计算装置来实现，它们可以集中在单个的计算装置上，或者分布在多个计算装置所组成的网络上，可选地，它们可以用计算装置可执行的程序代码来实现，从而，可以将它们存储在存储装置中由计算装置来执行，并且在某些情况下，可以以不同于此处的顺序执行所示或描述的步骤，或者将它们分别制作成各个集成电路模块，或者将它们中的多个模块或步骤制作成单个集成电路模块来实现。这样，本发明不限制于任何特定的硬件和软件结合。
以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包括在本发明的保护范围之内。

Claims (10)

1.一种居民负荷可用调节容量多状态的评估方法，其特征在于，包括：
根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；所述雷暴天气严重程度信息包括雷电峰值电流正态分布函数值和等效拦截范围；
根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；
根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；
根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
2.如权利要求1所述的评估方法，其特征在于，所述根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息，包括：
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值，得到所述居民负荷侧在雷暴天气下的雷电峰值电流均值；
根据通过所述居民负荷侧的雷暴天气情况、以及所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息。
3.如权利要求2所述的评估方法，其特征在于，所述雷暴天气严重程度信息包括雷电峰值电流正态分布函数值和等效拦截范围；所述根据通过所述居民负荷侧的雷暴天气情况、以及所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息，包括：
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到雷电峰值电流正态分布函数值；其中，计算所述雷电峰值电流正态分布函数值的公式如下：
Figure 114941DEST_PATH_IMAGE001
；
其中，
Figure 500923DEST_PATH_IMAGE002
表示雷电峰值电流正态分布函数值，I表示雷电峰值电流，
Figure 749502DEST_PATH_IMAGE003
表示电 流方差参数，
Figure 410290DEST_PATH_IMAGE004
表示雷电峰值电流均值；
根据所述居民负荷侧在雷暴天气下的雷电峰值电流值、雷电峰值电流均值和电流方差参数，得到等效拦截范围；其中，计算所述等效拦截范围的公式如下：
Figure 693504DEST_PATH_IMAGE006
其中，
Figure 234075DEST_PATH_IMAGE007
表示等效拦截范围，
Figure 704371DEST_PATH_IMAGE008
，M，N分别为由居民负荷侧的历史雷电数据拟 合得到的等效拦截范围计算参数，h表示居民负荷的高度。
4.如权利要求1所述的评估方法，其特征在于，所述根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率，包括：
根据所述天气参数、所述雷暴天气严重程度信息、所述居民负荷侧的设备的元件长度、以及通过所述居民负荷侧的设备在雷暴天气下的故障概率值，建立所述居民负荷侧的雷暴天气故障率计算模型；
根据所述居民负荷侧的设备故障概率预测值、以及所述居民负荷侧的雷暴天气故障率计算模型获得的雷暴天气故障率值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率。
5.如权利要求4所述的评估方法，其特征在于，还包括：得到所述居民负荷侧的设备故障概率预测值，其包括：
获取所述居民负荷侧的设备基准老化故障率和偶然失效期持续时间，建立所述居民负荷侧的设备偶然失效期老化故障率计算模型；
获取所述居民负荷侧的设备基准老化故障率、损耗失效期持续时间以及威布尔分布的参数，建立所述居民负荷侧的设备损耗失效期老化故障率计算模型；
分析所述居民负荷侧的设备所处于的老化阶段，若所述设备处于偶然失效期，则根据所述设备偶然失效期老化故障率计算模型，评估所述设备在偶然失效期的故障概率预测结果；若所述设备处于损耗失效期，则根据所述设备损耗失效期老化故障率计算模型，评估所述设备在损耗失效期的故障概率预测结果；
根据所述设备在偶然失效期的故障概率预测结果、所述设备在损耗失效期的故障概率预测结果，建立所述居民负荷侧的设备故障概率预测模型；
根据所述居民负荷侧的设备故障概率预测模型，得到所述居民负荷侧的设备故障概率预测值。
6.如权利要求1所述的评估方法，其特征在于，根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率，包括：
根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，建立所述居民负荷侧的可用调节容量多状态模型；
根据所述居民负荷侧的可用调节容量多状态模型，获得所述居民负荷在雷暴天气对应多状态概率；
其中，所述根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，通过公式：
Figure 372113DEST_PATH_IMAGE009
建立所述居民负荷侧的可用调节 容量多状态模型；其中：
Figure 306571DEST_PATH_IMAGE010
、
Figure 768776DEST_PATH_IMAGE011
和
Figure 241215DEST_PATH_IMAGE012
分别表示居民负荷侧的多状态可用容量，
Figure 181489DEST_PATH_IMAGE013
、
Figure 173716DEST_PATH_IMAGE014
和
Figure 869139DEST_PATH_IMAGE015
分别表示居民负荷侧的多状态概率，其中多状态概率服从 以下约束：
Figure 579606DEST_PATH_IMAGE016
；
Figure 572839DEST_PATH_IMAGE017
表示设备在雷暴天气 下的实际故障概率。
7.如权利要求1所述的评估方法，其特征在于，所述根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量，包括：
根据所述居民负荷在雷暴天气对应多状态概率，建立所述居民负荷侧的可用调节容量评估模型；
根据所述居民负荷侧的可用调节容量评估模型，评估所述居民负荷在雷暴天气下的综合可用调节容量；
其中，所述根据所述居民负荷在雷暴天气对应多状态概率，建立所述居民负荷侧的可 用调节容量评估模型，所用的公式如下：
Figure 419572DEST_PATH_IMAGE018
；其中：
Figure 692422DEST_PATH_IMAGE010
、
Figure 686922DEST_PATH_IMAGE011
和
Figure 495565DEST_PATH_IMAGE012
分别表 示居民负荷侧的多状态可用容量，
Figure 462384DEST_PATH_IMAGE013
、
Figure 624244DEST_PATH_IMAGE014
和
Figure 43724DEST_PATH_IMAGE015
分别表示居民负荷侧的 多状态概率，其中多状态概率服从以下约束：
Figure 191808DEST_PATH_IMAGE016
；
Figure 13134DEST_PATH_IMAGE017
表示设备在雷暴天气下的实际故 障概率。
8.一种居民负荷可用调节容量多状态的评估装置，其特征在于，包括：
雷暴天气严重程度信息获取模块，用于根据居民负荷侧在雷暴天气下的雷电峰值电流均值和电流方差参数，得到所述居民负荷侧的雷暴天气严重程度信息；所述雷暴天气严重程度信息包括雷电峰值电流正态分布函数值和等效拦截范围；
实际故障概率确定模块，用于根据所述居民负荷侧的雷暴天气严重程度信息、天气参数、设备在雷暴天气下的故障概率值、以及设备故障概率预测值，评估所述居民负荷侧的设备在雷暴天气下的实际故障概率；
多状态概率获取模块，用于根据所述居民负荷侧的设备在雷暴天气下的实际故障概率，得到居民负荷在雷暴天气对应多状态概率；
评估模块，用于根据所述居民负荷在雷暴天气对应多状态概率，评估所述居民负荷在雷暴天气下的综合可用调节容量。
9.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机设备，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
CN202211332374.4A 2022-10-28 2022-10-28 居民负荷可用调节容量多状态的评估方法及装置 Active CN115409427B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202211332374.4A CN115409427B (zh) 2022-10-28 2022-10-28 居民负荷可用调节容量多状态的评估方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202211332374.4A CN115409427B (zh) 2022-10-28 2022-10-28 居民负荷可用调节容量多状态的评估方法及装置

Publications (2)

Publication Number Publication Date
CN115409427A CN115409427A (zh) 2022-11-29
CN115409427B true CN115409427B (zh) 2023-03-24

Family

ID=84168746

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202211332374.4A Active CN115409427B (zh) 2022-10-28 2022-10-28 居民负荷可用调节容量多状态的评估方法及装置

Country Status (1)

Country Link
CN (1) CN115409427B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108631306A (zh) * 2018-05-21 2018-10-09 西安交通大学 一种电力系统灾后恢复能力的评估方法

Family Cites Families (11)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
JP2002251484A (ja) * 2001-02-23 2002-09-06 Fujitsu Ltd ユーザ固有のソフトウェアプロセスを用いた気象情報システム
CN104021502B (zh) * 2014-04-30 2017-01-25 海南电网公司 一种适用于风雨气候条件下电网失负荷风险评估方法
CN107843791B (zh) * 2017-11-06 2020-08-18 西安交通大学 一种基于温升特性的变压器负荷能力评估方法
CN108512226B (zh) * 2018-05-21 2020-06-19 西安交通大学 一种灾害下电力系统恢复力评估的方法
CN109754333B (zh) * 2018-12-21 2021-06-08 国网江苏省电力有限公司苏州供电分公司 一种多区域聚合的地区雷电敏感负荷挖掘方法
CN112801428B (zh) * 2021-04-08 2021-07-13 国网江苏省电力有限公司苏州供电分公司 一种基于概率预警的落雷损失预防控制方法
CN113420413B (zh) * 2021-05-27 2023-03-28 国网上海市电力公司电力科学研究院 一种基于负荷可塑性的柔性负荷可调节能力量化方法及系统
CN113609637B (zh) * 2021-06-24 2023-10-27 国网浙江杭州市余杭区供电有限公司 一种考虑故障连锁的多灾害配电网弹性评估方法
CN113742933B (zh) * 2021-09-13 2024-03-05 长沙理工大学 一种家庭能量管理优化方法、系统及存储介质
CN113572180B (zh) * 2021-09-23 2022-01-25 国网江苏省电力有限公司苏州供电分公司 一种基于雷击概率的储能系统功率调控方法
CN113572179B (zh) * 2021-09-23 2022-01-25 国网江苏省电力有限公司苏州供电分公司 一种基于雷击概率的储能与负荷功率协调控制方法

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN108631306A (zh) * 2018-05-21 2018-10-09 西安交通大学 一种电力系统灾后恢复能力的评估方法

Also Published As

Publication number Publication date
CN115409427A (zh) 2022-11-29

Similar Documents

Publication Publication Date Title
Tang et al. Estimation and validation of characteristic load profile through smart grid trials in a medium voltage distribution network
CN111198799A (zh) 一种基于lstm的机房功耗预警方法、系统、终端及存储介质
KR20190063198A (ko) 에너지 수요 동적 관리 시스템 및 그 동작방법
CN111008727A (zh) 一种配电台区负荷预测方法及装置
Hasan et al. A step-by-step data processing guideline for load model development based on field measurements
CN115186916A (zh) 负荷预测方法、装置、设备及计算机可读存储介质
CN116485036A (zh) 一种基于多任务学习机制的多能流碳排放短期预测方法
CN115829235A (zh) 一种基于大数据分析的用电调度方法
Lamprianidou et al. Assessment of load and generation modelling on the quasi-static analysis of distribution networks
CN111222687A (zh) 基于同源异构神经网络的电力负荷概率预测方法及装置
KR20210026447A (ko) 심층 신경망 기반 전력 수요 예측 장치 및 방법
CN115409427B (zh) 居民负荷可用调节容量多状态的评估方法及装置
CN107563641B (zh) 一种计及灾害偏好的配电网抗灾多场景差异化规划方法
CN117495056A (zh) 一种用电数据监测和优化方法及系统
CN110489893B (zh) 一种基于可变权值的母线负荷预测方法及系统
JP5556418B2 (ja) 電力平準化制御装置、電力平準化制御方法及び電力平準化制御プログラム
CN112465266A (zh) 一种母线负荷预测准确率分析方法、装置及计算机设备
CN117091242A (zh) 空调温控负荷集群的评估方法、温度设定方法及系统
CN113570164A (zh) 工业用户需求响应潜力预测方法和存储介质
CN110070230B (zh) 一种局部电网机组窝电量评估计算方法、装置及存储介质
CN112766617A (zh) 夏季电网最大负荷预测方法、系统及装置
US20210216934A1 (en) Managing flexible grid resources
CN111626494A (zh) 电力负荷预测方法、装置、计算机设备和存储介质
CN113689033B (zh) 容量发电价核定方法、装置、计算机设备和存储介质
CN116520015B (zh) 一种月度平均功率因数预警方法及系统

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