CN115422504A - 一种配电设备故障风险辨识方法及装置 - Google Patents
一种配电设备故障风险辨识方法及装置 Download PDFInfo
- Publication number
- CN115422504A CN115422504A CN202210921743.7A CN202210921743A CN115422504A CN 115422504 A CN115422504 A CN 115422504A CN 202210921743 A CN202210921743 A CN 202210921743A CN 115422504 A CN115422504 A CN 115422504A
- Authority
- CN
- China
- Prior art keywords
- distribution equipment
- overload
- power distribution
- fault probability
- value
- 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
- 238000009826 distribution Methods 0.000 title claims abstract description 434
- 238000000034 method Methods 0.000 title claims abstract description 58
- 238000003860 storage Methods 0.000 claims description 16
- 238000004590 computer program Methods 0.000 claims description 11
- 230000008569 process Effects 0.000 claims description 8
- 125000004432 carbon atom Chemical group C* 0.000 claims description 5
- 238000004458 analytical method Methods 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 abstract description 7
- 238000012544 monitoring process Methods 0.000 abstract description 7
- 238000004364 calculation method Methods 0.000 abstract description 5
- 238000012502 risk assessment Methods 0.000 abstract description 2
- 238000012954 risk control Methods 0.000 abstract description 2
- 238000005065 mining Methods 0.000 abstract 1
- 230000006870 function Effects 0.000 description 73
- 238000010586 diagram Methods 0.000 description 9
- 238000012545 processing Methods 0.000 description 5
- 238000005516 engineering process Methods 0.000 description 3
- 230000008859 change Effects 0.000 description 2
- 150000001875 compounds Chemical class 0.000 description 2
- 238000011161 development Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Images
Classifications
-
- 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
- G06Q10/06—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
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Physics & Mathematics (AREA)
- Human Resources & Organizations (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Strategic Management (AREA)
- Mathematical Physics (AREA)
- Operations Research (AREA)
- Mathematical Optimization (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Business, Economics & Management (AREA)
- Pure & Applied Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Evolutionary Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Quality & Reliability (AREA)
- Probability & Statistics with Applications (AREA)
- Game Theory and Decision Science (AREA)
- Algebra (AREA)
- Educational Administration (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
- General Engineering & Computer Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明涉及配电网风险分析与控制技术领域，具体提供了一种配电设备故障风险辨识方法及装置，包括：将当前配电设备过负荷倍数数据代入预先构建的配电设备故障概率函数，得到配电设备故障概率；基于所述配电设备故障概率对配电设备进行故障风险辨识。本发明提供的技术方案通过海量配电设备监测数据挖掘配电设备过负荷严重程度与配电设备故障概率之间的函数关系实现配电设备故障风险预警方法，具有实用性好、计算简单的优点，为配电设备运行状态在线监测与检修提供新思路。
Description
技术领域
本发明涉及配电网风险分析与控制技术领域，具体涉及一种配电设备故障风险辨识方法及装置。
背景技术
随着经济高速发展，日常生活用电和工业用电迅速增长，用电量不断增加，配电线路过负荷和短路的现象时有发生，配电设备故障时有发生。配电设备一旦发生故障，不仅会给供电企业造成不必要的经济损失，还会对居民的生活用电造成严重的负面影响。如何对配电设备故障风险进行辨识和预警，对配电设备的检修、维护非常重要。
目前，配电设备运行维护人员常采用加强装置防范性测验及运作保护控制措施来防止配电设备故障的发生，然而该方法不能实时跟踪配电设备的运行状态，不能实现配电设备风险的在线监测及预警；设备状态检修技术是常用的配电设备运行状态在线监测及预警技术，然而采用状态检修技术往往需要通过加装额外多种传感器来感知配电设备各种异常运行特征指标的变化，监测及预警成本极高。
发明内容
为了克服上述缺陷，本发明提出了一种配电设备故障风险辨识方法及装置。
第一方面，提供一种配电设备故障风险辨识方法，所述配电设备故障风险辨识方法包括：
将当前配电设备过负荷倍数数据代入预先构建的配电设备故障概率函数，得到配电设备故障概率；
基于所述配电设备故障概率对配电设备进行故障风险辨识。
优选的，所述配电设备过负荷倍数数据为配电设备过负荷倍数值或配电设备过负荷倍数范围。
进一步的，所述预先构建的配电设备故障概率函数y的计算式如下：
上式中，e为自然常数，e为拟合误差，x为配电设备在配电设备过负荷倍数值，α为配电设备在配电设备过负荷倍数值阈值，λ为过负荷倍数与配电设备故障概率函数关系系数。
进一步的，当所述配电设备过负荷倍数数据为配电设备过负荷倍数值时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取配电设备在配电设备过负荷倍数值向量(x1,x2…xn)下对应的过负荷的配电设备台数(A1,A2…An)以及配电设备故障的台数(B1,B2…Bn)；
计算配电设备在配电设备过负荷倍数值向量下配电设备故障概率：
采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数；
其中，xn为第n个历史场景下配电设备在配电设备过负荷倍数值，An为第n个历史场景下过负荷的配电设备台数，Bn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
进一步的，所述采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数，包括：
令参数y'＝lny，参数x'＝x-α，参数e'＝lne，并按下式确定所述过负荷倍数与配电设备故障概率函数关系系数估计值：
上式中，
为所述过负荷倍数与配电设备故障概率函数关系系数估计值，
为参数x'的均值，
为参数y'的均值，
进一步的，当所述配电设备过负荷倍数数据为配电设备过负荷倍数范围时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取预先构建的配电设备故障概率函数的初始函数对应的平均概率函数；
获取配电设备在配电设备过负荷倍数范围向量(x1,x2…xn)下对应的过负荷的配电设备台数(C1,C2…Cn)以及配电设备故障的台数(D1,D2…Dn)，其中，令i∈[1,n]，则xi＝(ai,bi)，ai为第i个历史场景下配电设备在配电设备过负荷倍数范围下限值，bi为第i个历史场景下配电设备在配电设备过负荷倍数范围上限值；
计算配电设备在配电设备过负荷倍数范围向量下配电设备故障概率：
将(x1,x2…xn)和(y1,y2…yn)代入所述平均概率函数，得到各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数；
计算所述各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数对应的均值，并将所述均值作为所述过负荷倍数与配电设备故障概率函数关系系数；
其中，an为第n个历史场景下配电设备在配电设备过负荷倍数范围下限值，bn为第n个历史场景下配电设备在配电设备过负荷倍数范围上限值，Cn为第n个历史场景下过负荷的配电设备台数，Dn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
进一步的，所述预先构建的配电设备故障概率函数的初始函数对应的平均概率函数的计算式如下：
上式中，yi为第i个历史场景下配电设备故障概率。
优选的，所述基于所述配电设备故障概率对配电设备进行故障风险辨识，包括：
若所述配电设备故障概率超过预设阈值，则所述配电设备存在过负荷引起的故障风险，发出预警，否则，结束操作。
第二方面，提供一种配电设备故障风险辨识装置，所述配电设备故障风险辨识装置包括：
分析模块，用于将当前配电设备过负荷倍数数据代入预先构建的配电设备故障概率函数，得到配电设备故障概率；
风险辨识模块，用于基于所述配电设备故障概率对配电设备进行故障风险辨识。
优选的，所述配电设备过负荷倍数数据为配电设备过负荷倍数值或配电设备过负荷倍数范围。
进一步的，所述预先构建的配电设备故障概率函数y的计算式如下：
上式中，e为自然常数，e为拟合误差，x为配电设备在配电设备过负荷倍数值，α为配电设备在配电设备过负荷倍数值阈值，λ为过负荷倍数与配电设备故障概率函数关系系数。
进一步的，当所述配电设备过负荷倍数数据为配电设备过负荷倍数值时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取配电设备在配电设备过负荷倍数值向量(x1,x2…xn)下对应的过负荷的配电设备台数(A1,A2…An)以及配电设备故障的台数(B1,B2…Bn)；
计算配电设备在配电设备过负荷倍数值向量下配电设备故障概率：
采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数；
其中，xn为第n个历史场景下配电设备在配电设备过负荷倍数值，An为第n个历史场景下过负荷的配电设备台数，Bn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
进一步的，所述采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数，包括：
令参数y'＝lny，参数x'＝x-α，参数e'＝lne，并按下式确定所述过负荷倍数与配电设备故障概率函数关系系数估计值：
上式中，
为所述过负荷倍数与配电设备故障概率函数关系系数估计值，
为参数x'的均值，
为参数y'的均值，
进一步的，当所述配电设备过负荷倍数数据为配电设备过负荷倍数范围时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取预先构建的配电设备故障概率函数的初始函数对应的平均概率函数；
获取配电设备在配电设备过负荷倍数范围向量(x1,x2…xn)下对应的过负荷的配电设备台数(C1,C2…Cn)以及配电设备故障的台数(D1,D2…Dn)，其中，令i∈[1,n]，则xi＝(ai,bi)，ai为第i个历史场景下配电设备在配电设备过负荷倍数范围下限值，bi为第i个历史场景下配电设备在配电设备过负荷倍数范围上限值；
计算配电设备在配电设备过负荷倍数范围向量下配电设备故障概率：
将(x1,x2…xn)和(y1,y2…yn)代入所述平均概率函数，得到各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数；
计算所述各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数对应的均值，并将所述均值作为所述过负荷倍数与配电设备故障概率函数关系系数；
其中，an为第n个历史场景下配电设备在配电设备过负荷倍数范围下限值，bn为第n个历史场景下配电设备在配电设备过负荷倍数范围上限值，Cn为第n个历史场景下过负荷的配电设备台数，Dn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
进一步的，所述预先构建的配电设备故障概率函数的初始函数对应的平均概率函数的计算式如下：
上式中，yi为第i个历史场景下配电设备故障概率。
优选的，所述风险辨识模块具体用于：
若所述配电设备故障概率超过预设阈值，则所述配电设备存在过负荷引起的故障风险，发出预警，否则，结束操作。
第三方面，提供一种计算机设备，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现所述的配电设备故障风险辨识方法。
第四方面，提供一种计算机可读存储介质，其上存有计算机程序，所述计算机程序被执行时，实现所述的配电设备故障风险辨识方法。
本发明上述一个或多个技术方案，至少具有如下一种或多种有益效果：
本发明提供了一种配电设备故障风险辨识方法及装置，包括：将当前配电设备过负荷倍数数据代入预先构建的配电设备故障概率函数，得到配电设备故障概率；基于所述配电设备故障概率对配电设备进行故障风险辨识。本发明提供的技术方案能根据配电设备负荷变化情况反映配电设备故障风险发生的概率，为配电设备运行维护人员提供技术支撑。本发明提供的技术方案预期将实现支持配电网主站系统、配电网智能终端的嵌入式开发，对配电网设备运行状态的实时监测及预警功能的实现进行支持和保护。
附图说明
图1是本发明实施例的配电设备故障风险辨识方法的主要步骤流程示意图；
图2是本发明实施例的配电设备故障风险辨识装置的主要结构框图。
具体实施方式
下面结合附图对本发明的具体实施方式作进一步的详细说明。
为使本发明实施例的目的、技术方案和优点更加清楚，下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本发明保护的范围。
实施例1
参阅附图1，图1是本发明的一个实施例的配电设备故障风险辨识方法的主要步骤流程示意图。如图1所示，本发明实施例中的配电设备故障风险辨识方法主要包括以下步骤：
步骤S101：将当前配电设备过负荷倍数数据代入预先构建的配电设备故障概率函数，得到配电设备故障概率；
步骤S102：基于所述配电设备故障概率对配电设备进行故障风险辨识。
本实施例中，所述配电设备过负荷倍数数据为配电设备过负荷倍数值或配电设备过负荷倍数范围。
具体的，根据统计数据的不同，采用不同的方法进行配电设备过负荷故障风险辨识及预警，分为以下两种情况：
情况一：若在配电设备运行状态监测较完善的配电区域可以获取某配电区域在过负荷严重度在某一固定值x下的过负荷的配电设备台数A以及过负荷引起的配电设备故障台数B，则通过计算不同过负荷严重度x对应的配电设备故障的概率y，采用概率统计、数据拟合、最小二乘参数估计等方法确定配电设备过负荷严重度x与配电设备故障概率y之间的函数关系式。
情况二：若获取过负荷严重度在某一区间(a,b)内的过负荷配电设备台数C以及过负荷引起的配电设备故障的台数D，则通过计算不同过负荷严重度区间内，过负荷引起的配电设备故障的平均概率，采用概率统计、数据拟合、参数估计等方法，确定配电设备过负荷严重度与配电设备故障概率之间的函数关系式。
根据统计数据的不同选择其中一种方法来确定过负荷严重度与配电设备故障概率之间的函数关系。在实际应用中，可以感觉确定的函数关系实现配电设备故障风险辨识及预警，具体判断方法为：若配电设备过负荷严重度情况可监测，则可以根据过负荷严重度与配电设备故障概率之间的函数关系式计算当前运行状态(过负荷情况下)配电设备故障的概率，若计算得到的配电设备故障的概率小于预先设定好的配电设备故障概率阈值，则判断配电设备处于正常运行状态；若计算得到的配电设备故障概率大于预先设定好的配电设备故障概率阈值，则判断配电设备处于配电设备故障风险状态，并进行配电设备故障风险预警。
在一个实施方式中，所述预先构建的配电设备故障概率函数y的计算式如下：
上式中，e为自然常数，e为拟合误差，x为配电设备在配电设备过负荷倍数值，α为配电设备在配电设备过负荷倍数值阈值，λ为过负荷倍数与配电设备故障概率函数关系系数。
在一个实施方式中，当所述配电设备过负荷倍数数据为配电设备过负荷倍数值时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取配电设备在配电设备过负荷倍数值向量(x1,x2…xn)下对应的过负荷的配电设备台数(A1,A2…An)以及配电设备故障的台数(B1,B2…Bn)；
计算配电设备在配电设备过负荷倍数值向量下配电设备故障概率：
采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数；
其中，xn为第n个历史场景下配电设备在配电设备过负荷倍数值，An为第n个历史场景下过负荷的配电设备台数，Bn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
在一个实施方式中，所述采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数，包括：
令参数y'＝lny，参数x'＝x-α，参数e'＝lne，并按下式确定所述过负荷倍数与配电设备故障概率函数关系系数估计值：
上式中，
为所述过负荷倍数与配电设备故障概率函数关系系数估计值，
为参数x'的均值，
为参数y'的均值，
在一个实施方式中，当所述配电设备过负荷倍数数据为配电设备过负荷倍数范围时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取预先构建的配电设备故障概率函数的初始函数对应的平均概率函数；
获取配电设备在配电设备过负荷倍数范围向量(x1,x2…xn)下对应的过负荷的配电设备台数(C1,C2…Cn)以及配电设备故障的台数(D1,D2…Dn)，其中，令i∈[1,n]，则xi＝(ai,bi)，ai为第i个历史场景下配电设备在配电设备过负荷倍数范围下限值，bi为第i个历史场景下配电设备在配电设备过负荷倍数范围上限值；
计算配电设备在配电设备过负荷倍数范围向量下配电设备故障概率：
将(x1,x2…xn)和(y1,y2…yn)代入所述平均概率函数，得到各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数；
计算所述各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数对应的均值，并将所述均值作为所述过负荷倍数与配电设备故障概率函数关系系数；
其中，an为第n个历史场景下配电设备在配电设备过负荷倍数范围下限值，bn为第n个历史场景下配电设备在配电设备过负荷倍数范围上限值，Cn为第n个历史场景下过负荷的配电设备台数，Dn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
在一个实施方式中，所述预先构建的配电设备故障概率函数的初始函数对应的平均概率函数的计算式如下：
上式中，yi为第i个历史场景下配电设备故障概率。
本实施例中，所述基于所述配电设备故障概率对配电设备进行故障风险辨识，包括：
若所述配电设备故障概率超过预设阈值，则所述配电设备存在过负荷引起的故障风险，发出预警，否则，结束操作。
实施例2
基于同一种发明构思，本发明还提供了一种配电设备故障风险辨识装置，如图2所示，所述配电设备故障风险辨识装置包括：
分析模块，用于将当前配电设备过负荷倍数数据代入预先构建的配电设备故障概率函数，得到配电设备故障概率；
风险辨识模块，用于基于所述配电设备故障概率对配电设备进行故障风险辨识。
优选的，所述配电设备过负荷倍数数据为配电设备过负荷倍数值或配电设备过负荷倍数范围。
进一步的，所述预先构建的配电设备故障概率函数y的计算式如下：
上式中，e为自然常数，e为拟合误差，x为配电设备在配电设备过负荷倍数值，α为配电设备在配电设备过负荷倍数值阈值，λ为过负荷倍数与配电设备故障概率函数关系系数。
进一步的，当所述配电设备过负荷倍数数据为配电设备过负荷倍数值时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取配电设备在配电设备过负荷倍数值向量(x1,x2…xn)下对应的过负荷的配电设备台数(A1,A2…An)以及配电设备故障的台数(B1,B2…Bn)；
计算配电设备在配电设备过负荷倍数值向量下配电设备故障概率：
采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数；
其中，xn为第n个历史场景下配电设备在配电设备过负荷倍数值，An为第n个历史场景下过负荷的配电设备台数，Bn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
进一步的，所述采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数，包括：
令参数y'＝lny，参数x'＝x-α，参数e'＝lne，并按下式确定所述过负荷倍数与配电设备故障概率函数关系系数估计值：
上式中，
为所述过负荷倍数与配电设备故障概率函数关系系数估计值，
为参数x'的均值，
为参数y'的均值，
进一步的，当所述配电设备过负荷倍数数据为配电设备过负荷倍数范围时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取预先构建的配电设备故障概率函数的初始函数对应的平均概率函数；
获取配电设备在配电设备过负荷倍数范围向量(x1,x2…xn)下对应的过负荷的配电设备台数(C1,C2…Cn)以及配电设备故障的台数(D1,D2…Dn)，其中，令i∈[1,n]，则xi＝(ai,bi)，ai为第i个历史场景下配电设备在配电设备过负荷倍数范围下限值，bi为第i个历史场景下配电设备在配电设备过负荷倍数范围上限值；
计算配电设备在配电设备过负荷倍数范围向量下配电设备故障概率：
将(x1,x2…xn)和(y1,y2…yn)代入所述平均概率函数，得到各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数；
计算所述各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数对应的均值，并将所述均值作为所述过负荷倍数与配电设备故障概率函数关系系数；
其中，an为第n个历史场景下配电设备在配电设备过负荷倍数范围下限值，bn为第n个历史场景下配电设备在配电设备过负荷倍数范围上限值，Cn为第n个历史场景下过负荷的配电设备台数，Dn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
进一步的，所述预先构建的配电设备故障概率函数的初始函数对应的平均概率函数的计算式如下：
上式中，yi为第i个历史场景下配电设备故障概率。
优选的，所述风险辨识模块具体用于：
若所述配电设备故障概率超过预设阈值，则所述配电设备存在过负荷引起的故障风险，发出预警，否则，结束操作。
实施例3
基于同一种发明构思，本发明还提供了一种计算机设备，该计算机设备包括处理器以及存储器，所述存储器用于存储计算机程序，所述计算机程序包括程序指令，所述处理器用于执行所述计算机存储介质存储的程序指令。处理器可能是中央处理单元(CentralProcessing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital SignalProcessor、DSP)、专用集成电路(Application SpecificIntegrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable GateArray，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等，其是终端的计算核心以及控制核心，其适于实现一条或一条以上指令，具体适于加载并执行计算机存储介质内一条或一条以上指令从而实现相应方法流程或相应功能，以实现上述实施例中一种配电设备故障风险辨识方法的步骤。
实施例4
基于同一种发明构思，本发明还提供了一种存储介质，具体为计算机可读存储介质(Memory)，所述计算机可读存储介质是计算机设备中的记忆设备，用于存放程序和数据。可以理解的是，此处的计算机可读存储介质既可以包括计算机设备中的内置存储介质，当然也可以包括计算机设备所支持的扩展存储介质。计算机可读存储介质提供存储空间，该存储空间存储了终端的操作系统。并且，在该存储空间中还存放了适于被处理器加载并执行的一条或一条以上的指令，这些指令可以是一个或一个以上的计算机程序(包括程序代码)。需要说明的是，此处的计算机可读存储介质可以是高速RAM存储器，也可以是非不稳定的存储器(non-volatile memory)，例如至少一个磁盘存储器。可由处理器加载并执行计算机可读存储介质中存放的一条或一条以上指令，以实现上述实施例中一种配电设备故障风险辨识方法的步骤。
本领域内的技术人员应明白，本发明的实施例可提供为方法、系统、或计算机程序产品。因此，本发明可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本发明可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本发明是参照根据本发明实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
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，尽管参照上述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等同替换，而未脱离本发明精神和范围的任何修改或者等同替换，其均应涵盖在本发明的权利要求保护范围之内。
Claims (18)
1.一种配电设备故障风险辨识方法，其特征在于，所述方法包括：
将当前配电设备过负荷倍数数据代入预先构建的配电设备故障概率函数，得到配电设备故障概率；
基于所述配电设备故障概率对配电设备进行故障风险辨识。
2.如权利要求1所述的方法，其特征在于，所述配电设备过负荷倍数数据为配电设备过负荷倍数值或配电设备过负荷倍数范围。
3.如权利要求2所述的方法，其特征在于，所述预先构建的配电设备故障概率函数y的计算式如下：
上式中，e为自然常数，e为拟合误差，x为配电设备在配电设备过负荷倍数值，α为配电设备在配电设备过负荷倍数值阈值，λ为过负荷倍数与配电设备故障概率函数关系系数。
4.如权利要求3所述的方法，其特征在于，当所述配电设备过负荷倍数数据为配电设备过负荷倍数值时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取配电设备在配电设备过负荷倍数值向量(x1,x2…xn)下对应的过负荷的配电设备台数(A1,A2…An)以及配电设备故障的台数(B1,B2…Bn)；
计算配电设备在配电设备过负荷倍数值向量下配电设备故障概率：
采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数；
其中，xn为第n个历史场景下配电设备在配电设备过负荷倍数值，An为第n个历史场景下过负荷的配电设备台数，Bn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
5.如权利要求4所述的方法，其特征在于，所述采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数，包括：
令参数y'＝lny，参数x'＝x-α，参数e'＝lne，并按下式确定所述过负荷倍数与配电设备故障概率函数关系系数估计值：
上式中，
为所述过负荷倍数与配电设备故障概率函数关系系数估计值，
为参数x'的均值，
为参数y'的均值，
6.如权利要求3所述的方法，其特征在于，当所述配电设备过负荷倍数数据为配电设备过负荷倍数范围时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取预先构建的配电设备故障概率函数的初始函数对应的平均概率函数；
获取配电设备在配电设备过负荷倍数范围向量(x1,x2…xn)下对应的过负荷的配电设备台数(C1,C2…Cn)以及配电设备故障的台数(D1,D2…Dn)，其中，令i∈[1,n]，则xi＝(ai,bi)，ai为第i个历史场景下配电设备在配电设备过负荷倍数范围下限值，bi为第i个历史场景下配电设备在配电设备过负荷倍数范围上限值；
计算配电设备在配电设备过负荷倍数范围向量下配电设备故障概率：
将(x1,x2…xn)和(y1,y2…yn)代入所述平均概率函数，得到各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数；
计算所述各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数对应的均值，并将所述均值作为所述过负荷倍数与配电设备故障概率函数关系系数；
其中，an为第n个历史场景下配电设备在配电设备过负荷倍数范围下限值，bn为第n个历史场景下配电设备在配电设备过负荷倍数范围上限值，Cn为第n个历史场景下过负荷的配电设备台数，Dn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
7.如权利要求6所述的方法，其特征在于，所述预先构建的配电设备故障概率函数的初始函数对应的平均概率函数的计算式如下：
上式中，yi为第i个历史场景下配电设备故障概率。
8.如权利要求1所述的方法，其特征在于，所述基于所述配电设备故障概率对配电设备进行故障风险辨识，包括：
若所述配电设备故障概率超过预设阈值，则所述配电设备存在过负荷引起的故障风险，发出预警，否则，结束操作。
9.一种配电设备故障风险辨识装置，其特征在于，所述装置包括：
分析模块，用于将当前配电设备过负荷倍数数据代入预先构建的配电设备故障概率函数，得到配电设备故障概率；
风险辨识模块，用于基于所述配电设备故障概率对配电设备进行故障风险辨识。
10.如权利要求9所述的装置，其特征在于，所述配电设备过负荷倍数数据为配电设备过负荷倍数值或配电设备过负荷倍数范围。
11.如权利要求10所述的装置，其特征在于，所述预先构建的配电设备故障概率函数y的计算式如下：
上式中，e为自然常数，e为拟合误差，x为配电设备在配电设备过负荷倍数值，α为配电设备在配电设备过负荷倍数值阈值，λ为过负荷倍数与配电设备故障概率函数关系系数。
12.如权利要求11所述的装置，其特征在于，当所述配电设备过负荷倍数数据为配电设备过负荷倍数值时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取配电设备在配电设备过负荷倍数值向量(x1,x2…xn)下对应的过负荷的配电设备台数(A1,A2…An)以及配电设备故障的台数(B1,B2…Bn)；
计算配电设备在配电设备过负荷倍数值向量下配电设备故障概率：
采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数；
其中，xn为第n个历史场景下配电设备在配电设备过负荷倍数值，An为第n个历史场景下过负荷的配电设备台数，Bn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
13.如权利要求12所述的装置，其特征在于，所述采用最小二乘法，基于(x1,x2…xn)、(A1,A2…An)、(B1,B2…Bn)和(y1,y2…yn)获取所述过负荷倍数与配电设备故障概率函数关系系数，包括：
令参数y'＝ln y，参数x'＝x-α，参数e'＝lne，并按下式确定所述过负荷倍数与配电设备故障概率函数关系系数估计值：
上式中，
为所述过负荷倍数与配电设备故障概率函数关系系数估计值，
为参数x'的均值，
为参数y'的均值，
14.如权利要求11所述的装置，其特征在于，当所述配电设备过负荷倍数数据为配电设备过负荷倍数范围时，所述过负荷倍数与配电设备故障概率函数关系系数的获取过程包括：
获取预先构建的配电设备故障概率函数的初始函数对应的平均概率函数；
获取配电设备在配电设备过负荷倍数范围向量(x1,x2…xn)下对应的过负荷的配电设备台数(C1,C2…Cn)以及配电设备故障的台数(D1,D2…Dn)，其中，令i∈[1,n]，则xi＝(ai,bi)，ai为第i个历史场景下配电设备在配电设备过负荷倍数范围下限值，bi为第i个历史场景下配电设备在配电设备过负荷倍数范围上限值；
计算配电设备在配电设备过负荷倍数范围向量下配电设备故障概率：
将(x1,x2…xn)和(y1,y2…yn)代入所述平均概率函数，得到各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数；
计算所述各历史场景下对应的过负荷倍数与配电设备故障概率函数关系系数对应的均值，并将所述均值作为所述过负荷倍数与配电设备故障概率函数关系系数；
其中，an为第n个历史场景下配电设备在配电设备过负荷倍数范围下限值，bn为第n个历史场景下配电设备在配电设备过负荷倍数范围上限值，Cn为第n个历史场景下过负荷的配电设备台数，Dn为第n个历史场景下配电设备故障的台数，yn为第n个历史场景下配电设备故障概率，n为历史场景总数。
15.如权利要求14所述的装置，其特征在于，所述预先构建的配电设备故障概率函数的初始函数对应的平均概率函数的计算式如下：
上式中，yi为第i个历史场景下配电设备故障概率。
16.如权利要求9所述的装置，其特征在于，所述风险辨识模块具体用于：
若所述配电设备故障概率超过预设阈值，则所述配电设备存在过负荷引起的故障风险，发出预警，否则，结束操作。
17.一种计算机设备，其特征在于，包括：一个或多个处理器；
所述处理器，用于存储一个或多个程序；
当所述一个或多个程序被所述一个或多个处理器执行时，实现如权利要求1至8中任意一项所述的配电设备故障风险辨识方法。
18.一种计算机可读存储介质，其特征在于，其上存有计算机程序，所述计算机程序被执行时，实现如权利要求1至8中任意一项所述的配电设备故障风险辨识方法。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210921743.7A CN115422504A (zh) | 2022-08-02 | 2022-08-02 | 一种配电设备故障风险辨识方法及装置 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210921743.7A CN115422504A (zh) | 2022-08-02 | 2022-08-02 | 一种配电设备故障风险辨识方法及装置 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115422504A true CN115422504A (zh) | 2022-12-02 |
Family
ID=84196031
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210921743.7A Pending CN115422504A (zh) | 2022-08-02 | 2022-08-02 | 一种配电设备故障风险辨识方法及装置 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115422504A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187593A (zh) * | 2023-04-27 | 2023-05-30 | 国网山东省电力公司滨州市沾化区供电公司 | 一种配电网故障预测处理方法、装置、设备、存储介质 |
-
2022
- 2022-08-02 CN CN202210921743.7A patent/CN115422504A/zh active Pending
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116187593A (zh) * | 2023-04-27 | 2023-05-30 | 国网山东省电力公司滨州市沾化区供电公司 | 一种配电网故障预测处理方法、装置、设备、存储介质 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108318782B (zh) | 基于网络拓扑与配变停电信息的配电网故障区域辨识方法 | |
| CN116187593B (zh) | 一种配电网故障预测处理方法、装置、设备、存储介质 | |
| CN106655158A (zh) | 一种基于智能电网的配电网自愈控制系统和方法 | |
| CN113762604B (zh) | 一种工业互联网大数据服务系统 | |
| CN109993665B (zh) | 电力系统在线安全稳定评估方法、装置及系统 | |
| CN109672175B (zh) | 电网控制方法及装置 | |
| JP5328535B2 (ja) | 電力系統監視制御システム及び制御方法 | |
| CN111929579B (zh) | 发电机在线故障诊断方法、设备及计算机设备 | |
| CN115422504A (zh) | 一种配电设备故障风险辨识方法及装置 | |
| CN113300918A (zh) | 智慧灯杆的故障检测方法、终端设备及存储介质 | |
| CN113992602B (zh) | 一种电缆监测数据上传方法、装置、设备以及存储介质 | |
| CN117031201A (zh) | 一种配电网多场景拓扑异常识别方法及系统 | |
| CN112731022A (zh) | 光伏逆变器故障检测方法、设备及介质 | |
| CN106356846A (zh) | 一种基于时间的初期电网连锁故障模拟仿真方法 | |
| CN117391675B (zh) | 一种数据中心基础设施运维管理方法 | |
| CN114740306A (zh) | 一种基于电网信息化的配电网线路故障在线监测预警管理系统 | |
| CN114414940A (zh) | 一种基于用电信息采集系统基础数据的故障判定方法 | |
| CN113675845A (zh) | 一种基于基准及问题场景的配电网风险评估方法 | |
| CN117196251A (zh) | 一种园区配电设施监控方法、系统、设备及介质 | |
| CN115528686B (zh) | 基于边缘计算的分布式配电故障处理系统及方法 | |
| CN115494347A (zh) | 台区用电异常用户确认方法、装置、设备及存储介质 | |
| CN116192038A (zh) | 光伏系统故障诊断方法、装置及计算机设备 | |
| CN109557399A (zh) | 一种配电网故障监测方法和装置 | |
| CN115795359A (zh) | 信号类型判别方法、装置和计算机设备 | |
| CN110807602B (zh) | 一种基于大数据的电力调度系统故障检测方法 |
Legal Events
| Date | Code | Title | Description |
|---|---|---|---|
| PB01 | Publication | ||
| PB01 | Publication |