CN115544445A - 一种电力设备异常事故统计分析方法 - Google Patents
一种电力设备异常事故统计分析方法 Download PDFInfo
- Publication number
- CN115544445A CN115544445A CN202211159100.XA CN202211159100A CN115544445A CN 115544445 A CN115544445 A CN 115544445A CN 202211159100 A CN202211159100 A CN 202211159100A CN 115544445 A CN115544445 A CN 115544445A
- Authority
- CN
- China
- Prior art keywords
- equipment
- abnormal
- accident
- fault
- analysis
- 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
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
- G06F17/16—Matrix or vector computation, e.g. matrix-matrix or matrix-vector multiplication, matrix factorization
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
- G06F16/24—Querying
- G06F16/245—Query processing
- G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
- G06F16/2462—Approximate or statistical queries
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/901—Indexing; Data structures therefor; Storage structures
- G06F16/9017—Indexing; Data structures therefor; Storage structures using directory or table look-up
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
- G06F16/90—Details of database functions independent of the retrieved data types
- G06F16/906—Clustering; Classification
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Databases & Information Systems (AREA)
- Data Mining & Analysis (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Pure & Applied Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Computational Mathematics (AREA)
- Probability & Statistics with Applications (AREA)
- Algebra (AREA)
- Computing Systems (AREA)
- Fuzzy Systems (AREA)
- Computational Linguistics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了一种电力设备异常事故统计分析方法,首先建立设备异常管理相关数据库表,将历史数据导入其中,选择并建立参与主成分分析的样本空间,经过主成分分析计算获得主要致障因素后,针对主要致障因素加强与设备状态、线路运行、环境天气和电网调度影响的关联性分析,逐步逼近造成异常事故的直接原因和间接原因。本方法通过确定设备异常上报数据的内容、规范表述和数据结构,将主成分分析法与电力设备故障关联关系的经验相结合,建立了实用的设备异常事故分析流程,提高发电厂站设备异常管理工作的科学性与智能化水平。
Description
技术领域
本发明涉及一种电力设备异常事故统计分析方法,属于电力行业运维工程技术领域。
背景技术
新能源发电已成为电网重要的电源组成部分,风电场、光伏电站设备异常事件对电网安全稳定运行影响越来越大。以风电为例:风电的间歇性、随机性、反调峰特性极为明显,给系统调控带来显著影响。停电事件中的大规模风机脱网和次同步振荡的风险,严重威胁系统安全。加之新能源电厂运行环境恶劣,设备极易发生跳闸,大大增加了发生设备异常事件的机会。因此,有必要在梳理、归纳设备故障类型、主要原因的基础上,拓展厂站按照月度、季度、年度的常规故障统计,将故障现象与可能的原因,及其类似情况发生的数量和气象因素、设备运维等进行延伸分析,提高设备故障分析和处置的科学性,并为提前预警和发电计划调整提供参考。
发明内容
发明目的:针对上述现有技术,提出一种电力设备异常事故统计分析方法,适用于电网调度管理和发电厂站的设备运行监控和异常事故分析处理,能提高对历史设备故障大数据的分析利用水平,为电力设备异常管理和电力调度提供决策依据。
技术方案:一种电力设备异常事故统计分析方法,包括:首先建立设备异常管理相关数据库表,将历史数据导入其中,选择并建立参与主成分分析的样本空间,经过主成分分析计算获得主要致障因素后,针对主要致障因素加强与设备状态、线路运行、环境天气和电网调度影响的关联性分析,逐步逼近造成异常事故的直接原因和间接原因。
进一步的,设备异常管理相关数据库表包括:
异常事故基础信息表,用于存储用户上报的异常事故设备表单及非结构性的详细故障描述附件;
事故关联设备表,用于记录涉及设备的详细信息,包括设备类型、名称、使用年限、接线图、电压等级;
故障类型表,归纳有常见异常事故的标准表述;
事故分析表,归纳有造成设备异常事故的主要原因;
天气情况表,用于记录发生异常事故相关时间、地点的详细天气情况;
报告模型表,用于存储各种定制的业务报表模板及其参数计算模型。
进一步的,建立参与主成分分析的样本空间的特征来源于所述事故关联设备表、故障类型表以及事故分析表。
进一步的,针对主要致障因素加强与其他致障因素的关联性分析,逐步逼近造成异常事故的直接原因和间接原因包括如下步骤:经过主成分分析后,得到累积方差贡献率已经达到85%以上的前K个特征,根据所述故障类型表中归纳的异常事故类型和所述事故分析表中造成设备异常事故的主要原因,再次归并设备状态、线路运行、环境天气和电网调度影响几大类,建立电力设备故障知识库,引入分层计算思想,首先确定设备本身状态是否异常,然后再定位其内部状态子类,进而关联到线路运行、环境天气和电网调度约束,找到直接原因和间接。
进一步的,所述异常事故基础信息表和事故关联设备表能够通过设备ID和电厂ID可关联到设备台账中,共享设备台账中的对应数据。
进一步的,采用分级建表的方式,将不同类型数据独立建表,并建立数据库库表关联;建立基础数据库表结构和录入信息时,遵循预先定义的关键参数表达及其结构。
进一步的,在完成直接原因和间接原因分析后,还包括进行故障溯源和分类统计;故障溯源用于给出单个异常事故的现象与原因的因果对应;分类统计用于给出多维度的统计分析,包括:按照调管关系、厂站、所属公司、天气条件、故障原因进行调度故障分析、厂站故障分析、公司故障分析和设备故障分析。
有益效果:本方法确定设备异常上报数据的内容、规范表述和数据结构,将主成分分析法与电力设备故障关联关系的经验相结合,建立了实用的设备异常事故分析流程,提高发电厂站设备异常管理工作的科学性与智能化水平。
(1)提供了电力行业设备异常事故管理分析的规范化数据集,包含设备异常上报参数、设备异常现象和异常原因等参数,能有效指导电力行业设备异常管理系统的开发。
(2)给出了电力设备异常事故分析的层次分析具体方法和结论,对于今后电网和发电厂站智能化协同故障预测和分析处理奠定了坚实基础。
附图说明
图1为发明的流程图;
图2为发明的数据库表关系图;
图3为发明的统计分析示例图。
具体实施方式
下面结合附图对本发明做更进一步的解释。
一种电力设备异常事故统计分析方法,首先建立设备异常管理相关数据库表,将历史数据导入其中,根据常规统计分析结果,选择并建立参与主成分分析的样本空间,经过主成分分析计算获得主要致障因素后,针对这些因素加强与其他大类的关联性分析,逐步逼近造成故障的直接原因和间接原因。
如图1所示,本发明方法包括如下具体步骤:
第一步:数据准备。
设备所关联的异常事故信息与设备自身属性、异常事故现象及其可能原因、持续时间和影响等相关,经过归纳和标准化,至少建立6种数据库表,包括异常事故基础信息表、事故关联设备表、故障类型表、事故分析表、天气情况表和报告模型表。其中,异常事故基础信息表主要存储用户上报的异常事故设备表单及非结构性的详细故障描述附件,详细故障描述附件包括某一异常事故发生的地点、时间和现象,异常事故基础信息表通过相应外键关联到其他数据库表。事故关联设备表记录涉及设备的详细信息,包括设备类型、名称、使用年限、接线图、电压等级。故障类型表归纳了常用异常事故的标准表述,如表1所示。事故分析表归纳造成设备异常事故的主要原因,如表2所示,便于事故分析时统计分类。天气情况表记录发生事故相关时间、地点的详细天气情况,便于事故分析时判定是否由于气象因素导致。报告模型表用于存储各种定制的业务报表模板及其参数计算模型,确定最终出具事故报告时系统显示的界面风格和内容。图2给出了这些表的关系,异常事故基础信息表和事故关联设备表能够与其他系统共享,通过设备ID和电厂ID可关联到设备台账中,保证数据的一致性。
为了保证统计分析的效率和准确性,采用分级建表的方式,将不同类型数据独立建表,并建立数据库库表关联。对于部分重要设备,如静止无功发生器(Static VarGenerator:SVG)、集电线等,依托事故关联设备表,能够反向查找该类设备所关联的异常事故信息,支持多种维度的进行数据统计。
第二步:规范化参数。
建立基础数据库表结构和设计录入信息时,要遵循预先定义的关键参数表达及其结构,可通过数据字典来约束。例如,在用户上报的异常事故设备表单中,定义必填的结构性数据:{设备ID,电厂ID,数量,脱网容量,调管关系,发生时间,恢复时间,异常现象,厂站类型,厂站电压等级,脱网机组名称,天气}。
为保证统计分析时的语义一致,总结归纳了常见的设备异常类型和设备异常原因,见表1、表2。一个异常现象可以由若干原因引起,而一个原因也可能导致不同异常现象,规范的表述为深度分析挖掘提供标准数据分类基础。
表1设备异常类型归纳表
序号 | 设备异常类型 | 序号 | 设备异常类型 |
1 | 站用变跳闸 | 6 | 单断路器跳闸 |
2 | 接地变跳闸 | 7 | 集电线跳闸 |
3 | 并网线路跳闸 | 8 | SVG跳闸 |
4 | 主变跳闸 | 9 | 主动停运 |
5 | 母线跳闸 | 10 | 其他 |
表2设备异常原因归纳表
序号 | 设备异常原因 | 序号 | 设备异常原因 |
1 | 低穿 | 7 | 设备缺陷 |
2 | 雷击 | 8 | 施工缺陷 |
3 | 大风 | 9 | 管理缺失 |
4 | 脱冰 | 10 | 原因不明 |
5 | 送出通道 | 11 | 其他不可抗力 |
6 | 线路走廊维护不到位 | 12 | 其他非不可抗力 |
表1中,SVG是静态无功发生装置,用自由换相的电力半导体桥式变流器来进行高压动态无功补偿。表2中,低穿,即低电压穿越,其时间(区域)需满足电网要求;送出通道,即并网线路或所辖通道跳闸、异常、损坏等;线路走廊维护不到位,指线路杆塔、导线等附件或两侧树木、环境等异常;其他不可抗力,包括战争、台风、地震等自然灾害,政府征收、征用等行为和突发社会异常事件;非不可抗力指的是排除不可抗力以外的其它原因。
第三步:主成分分析。
主成分分析法(Principal Component Analysis,PCA)是一种运用线性代数来进行数据降维的方法,它将多个变量转换为少数几个不相关的综合变量来比较全面地反映整个数据集。针对具体设备情况,选择历史记录中的观测数据集,即从第一步设备所关联的异常事故信息的数据库表项中获得,包括事故关联设备表、故障类型表、事故分析表,故障现象和原因须根据步骤二进行标准化。从上述数据表中抽取事故设备工作电压、工作状态和气象等信息,建立主成分分析的原始矩阵和转换矩阵P。
(1)主成分选择与变换
假定有m个观测值,每个观测值有n个特征(变量),那么将其按列排成n行m列的矩阵,并且每一行都减去该行的均值,得到矩阵X,减去均值是为了下面方便求方差和协方差。并按行把X整理成n个行向量的形式,即用X1,X2,…,XN来表示n个原始变量。
可以观察出通过一个n×n的转换矩阵对数据集中的原始变量进行线性组合,就可以得到n个新的变量。转换矩阵可以有很多个,也就是变换的坐标系有很多个,但是只有一个可以由原始变量得到主成分。
把转换后的n个主成分记为Y1,Y2,…,YN,那么由Y=PX,就可以得到主成分矩阵:
这n个行向量都是主成分,彼此之间是线性无关的,按照对数据变化解释力的强度降序排列。选择合适的转换矩阵P来计算得到主成分矩阵Y时,要让单个主成分在数据集上的方差尽可能大。如选择主成分的第一个一般标准是少数k个主成分的方差占数据集总体方差的比例超过85%,1≤k<n。
如果已知转换矩阵P和主成分矩阵Y,那么就用一个主成分的方差占数据集总体方差的比例,来衡量该主成分能解释的数据集方差的大小,然后按这个比例从大到小进行排序,并进行累加,如果到第k个主成分时,累加的比例恰好等于或者超过85%,那么就选择这k个主成分作为新变量,对数据集进行降维。
主成分矩阵Y有两个特点:一是单个主成分向量Yi的方差占总体方差的比例尽可能大,而且按照方差占比的大小,对所有的主成分进行降序排列;二是所有的主成分都是线性无关的,或者说是正交的,即任意两个主成分Yi和Yj的协方差都是0。
进一步得到主成分矩阵Y的协方差矩阵为:
把Y=PX这个等式代入协方差矩阵中进行变换,得到由数据集X的协方差矩阵计算主成分矩阵Y的协方差矩阵的方法:
该矩阵是一个实对称矩阵,可以找到n个单位正交特征向量将其相似对角化。设这n个单位特征向量为e1,e2,…,en,并按列组成一个矩阵:
E=(e1,e2,…,en)
那么数据集X的协方差矩阵可以对角化为:
相似对角阵上的元素λ1、λ2、...、λn是协方差矩阵的特征值,E中对应位置的列向量是特征值对应的单位特征向量。
把这个对角阵Λ上的元素从大到小降序排列,相应的把单位特征向量矩阵E里的特征向量也进行排列,就可以得到:
也就是取X的协方差矩阵的单位特征向量矩阵E,用它的转置ET来作为转换矩阵P,而X的协方差矩阵的特征值λ就是各主成分的方差。有了转换矩阵P,由PX就可以得到主成分矩阵Y。如果想把数据从n维降至k维,从P中挑出前k个行向量,去乘以数据集X就行,就可以得到前k个主成分。
(2)主成方差分贡献率
主成分可以由协方差矩阵的单位特征向量和原始变量进行线性组合得到。
P1就是由,X的协方差矩阵最大特征根λ1的单位特征向量e1转置而成,于是第一主成分就是:
Y1=e11X1+e12X2+...+e1nXn
第一主成分的方差是最大的,第二主成分满足:Y和第一主成分正交,在剩余的其他主成分中,方差最大,表达式为:
Y2=e21X1+e22X2+...+e2nXn
同理,第k个主成分的表达式为:
Yk=ek1X1+ek2X2+…+eknXn
用主成分的方差来衡量其所能解释的数据集的方差,而主成分的方差就是X的协方差矩阵的特征值λ,所以第k个主成分的方差就是λk。定义一个指标:主成分Yk的方差贡献率,它是第k个主成分的方差占总方差的比例:
那么前k个主成分的方差累计贡献率为:
如果前k个主成分的方差累计贡献率超过了85%,说明用前k个主成分去代替原来的n个变量后,不能解释的方差不足15%,没有损失太多信息,于是可以把n个变量减少为k个变量,达到降维的目的。
(3)举例
本实施例中,选择设备异常与设备工作电压、天气情况、设备工作时长、设备检修频率之间的关系,即特征n=4,如表3所示;取2019-2021共1095天的上述数据作为样本数据,即样本容量为m=1095。首先建立了4行1095列的原始矩阵;然后将原始矩阵的每一个行向量都减去该行向量的均值,从而使得新行向量的均值为0,得到新的数据集矩阵X;求得X的协方差矩阵,并求出协方差矩阵的特征值λ和单位特征向量;按照特征值从大到小的顺序,将单位特征向量排列成矩阵,得到转换矩阵P,并按Y=PX计算出主成分矩阵Y。
表3设备故障考虑因素表
用最大特征值的特征向量对原始变量进行线性组合得到第一个主成分Y1如下:
Y1=0.4947X1-0.2687X2+0.5464X3+0.6201X4
其他三个主成分同样可以得到。
第四步:关联性分析。
经过主成分分析后,计算发现前K个成分的累积方差贡献率已经达到了85%以上,只能说明前K项对于故障的发生具有统计意义,但并不能判定是某次异常事故的直接原因或间接原因。根据第二步规范化参数中归纳的设备异常类型和设备异常原因,再次归并设备状态、线路运行、环境天气和电网调度影响几大类,建立电力设备故障知识库,尽量提供精准设备异常事件分析报告。引入分层计算思想,首先确定设备本身状态是否异常,然后再定位其内部状态子类,进而关联到天气条件、调度计划和线路运行约束,找到直接原因和间接。
在本实施例中,计算发现第一主成分Y1和第二主成分Y2的累积方差贡献率已经达到了85.56%,得知设备异常时的工作电压以及当时的天气情况是设备产生异常的主要原因。根据上报的设备异常类型,可以基本判定是工作电压或天气影响,但仍不能确定真实原因。将众多设备状态子类归并为一个大类后,如将表3中的X3和X4造成永久性的工作电压异常与X1合并到设备状态中,可以进一步泛化单个观测项的代表性,再继续查看当时的天气条件、调度计划和线路运行约束,递进式筛出主次原因。
第五步:分类统计。
在前四步的基础上,进行故障溯源和分类统计。故障溯源用于给出单个故障的现象-原因的因果对应;分类统计用于给出多维度的统计分析,包括:按照调管关系、厂站、所属公司、天气条件、故障原因等进行调度故障分析、厂站故障分析、公司故障分析和设备故障分析。其中,设备故障分析可选择设备异常与运行电压关系、设备异常与天气情况、设备异常与设备运行时间关系、设备异常与设备生产厂家关系等展开。具体的统计方法可以采用某种故障/原因的分类占比统计,也可以采用概率分布统计等,不做限制。
图3给出了某厂站设备故障分布统计,给出所有异常原因进行的占比和发生时段的差异,得出的较多异常原因可反馈到主成分分析模型中,调整样本空间和转换矩阵。
以上所述仅是本发明的优选实施方式,应当指出,对于本技术领域的普通技术人员来说,在不脱离本发明原理的前提下,还可以做出若干改进和润饰,这些改进和润饰也应视为本发明的保护范围。
Claims (7)
1.一种电力设备异常事故统计分析方法,其特征在于,包括:首先建立设备异常管理相关数据库表,将历史数据导入其中,选择并建立参与主成分分析的样本空间,经过主成分分析计算获得主要致障因素后,针对主要致障因素加强与设备状态、线路运行、环境天气和电网调度影响的关联性分析,逐步逼近造成异常事故的直接原因和间接原因。
2.根据权利要求1所述的电力设备异常事故统计分析方法,其特征在于,设备异常管理相关数据库表包括:
异常事故基础信息表,用于存储用户上报的异常事故设备表单及非结构性的详细故障描述附件;
事故关联设备表,用于记录涉及设备的详细信息,包括设备类型、名称、使用年限、接线图、电压等级;
故障类型表,归纳有常见异常事故的标准表述;
事故分析表,归纳有造成设备异常事故的主要原因;
天气情况表,用于记录发生异常事故相关时间、地点的详细天气情况;
报告模型表,用于存储各种定制的业务报表模板及其参数计算模型。
3.根据权利要求2所述的电力设备异常事故统计分析方法,其特征在于,建立参与主成分分析的样本空间的特征来源于所述事故关联设备表、故障类型表以及事故分析表。
4.根据权利要求2所述的电力设备异常事故统计分析方法,其特征在于,针对主要致障因素加强与其他致障因素的关联性分析,逐步逼近造成异常事故的直接原因和间接原因包括如下步骤:经过主成分分析后,得到累积方差贡献率已经达到85%以上的前K个特征,根据所述故障类型表中归纳的异常事故类型和所述事故分析表中造成设备异常事故的主要原因,再次归并设备状态、线路运行、环境天气和电网调度影响几大类,建立电力设备故障知识库,引入分层计算思想,首先确定设备本身状态是否异常,然后再定位其内部状态子类,进而关联到线路运行、环境天气和电网调度约束,找到直接原因和间接。
5.根据权利要求2所述的电力设备异常事故统计分析方法,其特征在于,所述异常事故基础信息表和事故关联设备表能够通过设备ID和电厂ID可关联到设备台账中,共享设备台账中的对应数据。
6.根据权利要求2所述的电力设备异常事故统计分析方法,其特征在于,采用分级建表的方式,将不同类型数据独立建表,并建立数据库库表关联;建立基础数据库表结构和录入信息时,遵循预先定义的关键参数表达及其结构。
7.根据权利要求1-6任一所述的电力设备异常事故统计分析方法,其特征在于,在完成直接原因和间接原因分析后,还包括进行故障溯源和分类统计;故障溯源用于给出单个异常事故的现象与原因的因果对应;分类统计用于给出多维度的统计分析,包括:按照调管关系、厂站、所属公司、天气条件、故障原因进行调度故障分析、厂站故障分析、公司故障分析和设备故障分析。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211159100.XA CN115544445A (zh) | 2022-09-22 | 2022-09-22 | 一种电力设备异常事故统计分析方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211159100.XA CN115544445A (zh) | 2022-09-22 | 2022-09-22 | 一种电力设备异常事故统计分析方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN115544445A true CN115544445A (zh) | 2022-12-30 |
Family
ID=84730309
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211159100.XA Pending CN115544445A (zh) | 2022-09-22 | 2022-09-22 | 一种电力设备异常事故统计分析方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115544445A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071902A (zh) * | 2023-04-07 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种监控机房动力设备的方法、设备及介质 |
-
2022
- 2022-09-22 CN CN202211159100.XA patent/CN115544445A/zh active Pending
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116071902A (zh) * | 2023-04-07 | 2023-05-05 | 山东金宇信息科技集团有限公司 | 一种监控机房动力设备的方法、设备及介质 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Alam et al. | A SAX-based advanced computational tool for assessment of clustered rooftop solar PV impacts on LV and MV networks in smart grid | |
CN107181253B (zh) | 一种基于电网动态可靠性概率指标的电网规划方法 | |
CN112147462A (zh) | 一种基于深度学习的输电线路故障辨识方法 | |
CN108400595A (zh) | 一种考虑新能源出力相关性的电压暂降随机预估方法 | |
CN115544445A (zh) | 一种电力设备异常事故统计分析方法 | |
Liu et al. | Design of wind turbine dynamic trip-off risk alarming mechanism for large-scale wind farms | |
CN110889565B (zh) | 一种基于多维矩阵决策的配网巡检周期计算方法 | |
Wang et al. | Wind farm dynamic equivalent modeling method for power system probabilistic stability assessment | |
US20240113558A1 (en) | Power system supervisory control apparatus, power system supervisory control system, and power system supervisory control method | |
Saber et al. | Fast feeder PV hosting capacity using swarm based intelligent distribution node selection | |
Timmers et al. | A systematic review of DC wind farm collector cost-effectiveness | |
CN111585277B (zh) | 一种基于混合集成模型的电力系统动态安全评估方法 | |
CN106159940B (zh) | 基于电网负荷特性分析的pmu最优布点方法 | |
Cai et al. | Feeder fault warning of distribution network based on XGBoost | |
CN105354761B (zh) | 一种风电接入电网的安全与效能评估方法及系统 | |
CN107749623B (zh) | 双母线接线方式下单母线跳闸失负荷事故等级判定方法 | |
CN111628574B (zh) | 一种基于距离相关系数的电网电压量测异常识别方法 | |
CN115542070A (zh) | 一种配网线路故障定位方法及存储介质 | |
CN108108909A (zh) | 面向电力事故、误操作事故与违章操作事故的数据分析方法 | |
Du et al. | Hosting capacity assessment in distribution networks considering wind–photovoltaic–load temporal characteristics | |
CN112329377A (zh) | 用于量化多输入多输出变电站系统地震易损性的评估方法 | |
Liu et al. | Risk early warning of distribution power system based on data mining technology | |
Zhang et al. | A situation awareness and early warning method for voltage instability risk | |
Huang et al. | Data-driven fault risk warning method for distribution system | |
Wei et al. | Resilience Assessment Using Simulation System of Distribution Network under Extreme Weather |
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 |