CN115603459A - 一种基于数字孪生技术的配电网关键厂站监测方法与系统 - Google Patents
一种基于数字孪生技术的配电网关键厂站监测方法与系统 Download PDFInfo
- Publication number
- CN115603459A CN115603459A CN202211301488.2A CN202211301488A CN115603459A CN 115603459 A CN115603459 A CN 115603459A CN 202211301488 A CN202211301488 A CN 202211301488A CN 115603459 A CN115603459 A CN 115603459A
- Authority
- CN
- China
- Prior art keywords
- electrical equipment
- core
- influence
- degree
- digital twin
- 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.)
- Withdrawn
Links
- 238000012544 monitoring process Methods 0.000 title claims abstract description 45
- 238000000034 method Methods 0.000 title claims abstract description 30
- 238000005516 engineering process Methods 0.000 title claims abstract description 17
- 238000012360 testing method Methods 0.000 claims abstract description 46
- 230000003449 preventive effect Effects 0.000 claims abstract description 11
- 238000004364 calculation method Methods 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 230000008569 process Effects 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000010801 machine learning Methods 0.000 description 3
- 230000006870 function Effects 0.000 description 2
- 239000000463 material Substances 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000012545 processing Methods 0.000 description 2
- 230000000007 visual effect Effects 0.000 description 2
- 239000002699 waste material Substances 0.000 description 2
- 229910000831 Steel Inorganic materials 0.000 description 1
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000004458 analytical method Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000013077 scoring method Methods 0.000 description 1
- 238000012216 screening Methods 0.000 description 1
- 238000004088 simulation Methods 0.000 description 1
- 239000010959 steel Substances 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
Images
Classifications
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00002—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by monitoring
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00001—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network characterised by the display of information or by user interaction, e.g. supervisory control and data acquisition systems [SCADA] or graphical user interfaces [GUI]
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J13/00—Circuit arrangements for providing remote indication of network conditions, e.g. an instantaneous record of the open or closed condition of each circuitbreaker in the network; Circuit arrangements for providing remote control of switching means in a power distribution network, e.g. switching in and out of current consumers by using a pulse code signal carried by the network
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
- H02J13/00034—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for the elements or equipment being or involving an electric power substation
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J3/00—Circuit arrangements for ac mains or ac distribution networks
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
-
- H—ELECTRICITY
- H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
- H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
- H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
- H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
Landscapes
- Engineering & Computer Science (AREA)
- Power Engineering (AREA)
- Human Computer Interaction (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明提供一种基于数字孪生技术的配电网关键厂站监测方法与系统，属于数字孪生技术领域，具体包括：基于变电站中电气设备故障时影响的停电区域的范围得到电气设备的范围影响因子；基于变电站中电气设备的重要程度、预防性试验结果得到电气设备的重要影响因子、电气设备的试验影响因子，并构建电气设备的核心程度，当其核心程度大于第一核心阈值时，作为核心电气设备，其余电气设备为一般电气设备；基于一般电气设备的历史故障次数得到故障电气设备，基于故障电气设备以及核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对变电站的实时监测，从而进一步保证了基于数字孪生模型实现厂站实时监测的直观性以及准确性。
Description
技术领域
本发明属于数字孪生技术领域，尤其涉及一种基于数字孪生技术的配电网关键厂站监测方法与系统。
背景技术
数字孪生技术主要是以真实物体为基础模型，采用虚拟空间的模型及数据分析进行搭建的仿真模型。在很大的程度上能反映出真实物体所具有的表观性能，使用计算机语言将生活中的可视化现象与虚拟进行结合，将数字孪生提供的监视功能与机器学习算法结合使用，可以执行自动根本原因分析。
为了实现对配电网中的关键厂站的监测，在授权公告号CN113852204B 《一种基于数字孪生的变电站三维全景监视系统及方法》中通过将变电站运维中心数据库中的数据导入监视系统中，基于异类原则建立索引划分模型，对数据进行分类；结合哈希散列函数将分类后的数据与生成的变电站监视简化图中节点位置一一对应关联；观察关联后的变电站监视简化图，若图中节点有出现闪烁跳动现象，则视为异常预警，但是却忽略了以下技术问题：
1、没有区分变电站中的核心电气设备和一般电气设备，针对核心电气设备，发生的潜在意外故障对于变电站的稳定运行影响更大，因此会导致变电站的监测的准确性和效果不好，不能保证变电站的安全稳定运行，从而不能保证变电站所关联的配电网的稳定供电。
2、针对所有电气设备均进行基于数字孪生模型的建模，从而导致需要大量的存储空间，而且投入经济成本较大，而没有根据核心电气设备以及电气设备的故障次数进行筛选，对不同的电气设备进行分级处理，对于故障次数较多或者属于较为核心的电气设备进行建模，从而使得画面更加简单直接，更能准确高效的实现对变电站的实时监测。
针对上述技术问题，本发明提供了一种基于数字孪生技术的配电网关键厂站监测方法与系统。
发明内容
为实现本发明目的，本发明采用如下技术方案：
根据本发明的一个方面，提供了一种基于数字孪生技术的配电网关键厂站监测方法，其特征在于，具体包括：
S11基于变电站中电气设备故障时影响的停电区域的范围得到所述电气设备的范围影响因子；基于变电站中电气设备的重要程度，采用基于专家打分的形式得到所述电气设备的重要影响因子；基于变电站中电气设备的预防性试验结果，得到所述电气设备的试验影响因子；
S12基于所述范围影响因子、所述重要影响因子、所述试验影响因子构建所述电气设备的核心程度，并当所述电气设备的核心程度大于第一核心阈值时，作为核心电气设备，其余电气设备为一般电气设备；
S13基于所述一般电气设备的历史故障次数得到故障电气设备，基于所述故障电气设备以及所述核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对所述变电站的实时监测。
通过范围影响因子、重要影响因子、试验影响因子的构建，具体的可以采用基于基于机器学习算法的预测模型构建得到，并在此基础上构建得到电气设备的核心程度，具体的可以根据层次分析法的方式得到电气设备的核心程度，通过第一核心阈值的设置，从而解决了原有的没有区分核心电气设备以及一般电气设备的技术问题，同时依据一般电气设备的历史故障次数，具体的可以根据历史故障次数大于一定的阈值来进行故障电气设备的确认，在此基础上实现对核心电气设备以及故障电气设备的数字孪生模型的构建，从而解决了原来的没有对不同的电气设备进行分级处理，对于故障次数较多或者属于较为核心的电气设备进行建模的技术问题，使得最终的需要的存储空间更加少，同时也能够能加高效直接的实现对变电站的监测。
通过基于所述范围影响因子、所述重要影响因子、所述试验影响因子构建所述电气设备的核心程度，从而综合考虑多方面的因素实现对核心电气设备的识别，不仅使得识别结果较为准确，而且使得最后搭建得到的数字孪生模型能够更加准确的反应实际情况。
通过基于所述故障电气设备以及所述核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对所述变电站的实时监测，从而使得建立的数字孪生模型更加的直观，并且也减少了不必要的存储空间的浪费，提升了发现故障的效率和直观性。
进一步的技术方案在于，所述范围影响因子构建的具体步骤为：
S21根据所述电气设备故障时影响的停电区域的范围，采用专家打分的方式，得到所述电气设备的停电影响因子；
S22提取所述电气设备故障时影响的停电区域中的一级负荷的数量；
S23基于所述停电影响因子以及所述一级负荷的数量，采用层次分析法，得到所述范围影响因子。
通过基于一级负荷的数量以及停电影响因子，从而不仅考虑到停电的范围大小的影响程度，而且充分考虑停电范围内较为重要的负荷的数量，使得最后得到的范围影响因子能够更加准确的反应实际的故障影响结果。
进一步的技术方案在于，所述范围影响因子的计算公式为：
其中K1、K2、K3为常数，D、P1为停电影响因子、一级负荷的数量。
进一步的技术方案在于，所述试验影响因子根据所述变电站中电气设备的预防性试验结果中超标的试验项目的数量，采用专家打分的方式确定。
进一步的技术方案在于，所述核心程度的计算公式为：
其中F、Z、S分别为所述范围影响因子、所述重要影响因子、所述试验影响因子，且取值范围均大于零且小于1，K4、K5、K6、K7为常数，取值范围均在0到1之间。
进一步的技术方案在于，所述第一核心阈值根据变电站中的电气设备的数量确定，变电站中的电气设备的数量越多，第一核心阈值就越大。
进一步的技术方案在于，所述故障电气设备构建的具体步骤为：
S31基于所述一般电气设备的历史故障次数，确定所述历史故障次数是否大于故障阈值，若是，则将历史故障次数大于故障阈值的一般电气设备作为一般潜在设备，并进入步骤S32；
S32基于所述一般潜在设备的历史故障次数、核心程度构建所述一般潜在设备的影响程度；
S33将所述影响程度大于第一影响阈值的一般潜在设备作为故障电气设备。
通过同时基于历史故障次数以及核心程度实现对故障电气设备的构建，从而不仅可以充分的考虑单独的故障情况以及电气设备的核心程度，使得故障次数较多且较为核心的电气设备被筛选出来，进一步保证了进行数字孪生模型搭建的电气设备的正确性。
进一步的技术方案在于，所述故障电气设备的影响程度的计算公式为：
其中所述K8、K9、K10为常数，G、H为一般潜在设备的历史故障次数、核心程度。
进一步的技术方案在于，当所述核心电气设备的核心程度小于第二核心阈值且历史故障次数为零，且运行年限小于第一年限阈值时，则不再对所述核心电气设备进行建模，其中所述第二核心阈值大于第一核心阈值，根据所述变电站中的电气设备的总数量确定。
通过第二核心阈值的设置，同时考虑运行年限以及历史故障次数，从而在保证监测准确性的基础上，使得运行状态较好的核心电气设备不再进行数字孪生模型的构建，从而进一步保证了故障监测结果发现的效率。
另一方面提供了一种基于数字孪生技术的配电网关键厂站监测系统，采用上述的一种基于数字孪生技术的配电网关键厂站监测方法，包括：
范围影响确定模块，重要影响确定模块，试验影响确定模块，电气设备区分模块，故障次数确定模块，数字孪生模型建立模块；
所述范围影响确定模块负责基于变电站中电气设备故障时影响的停电区域的范围得到所述电气设备的范围影响因子；
所述重要影响确定模块负责基于变电站中电气设备的重要程度，采用基于专家打分的形式得到所述电气设备的重要影响因子；
所述试验影响确定模块负责基于变电站中电气设备的预防性试验结果，得到所述电气设备的试验影响因子；
所述电气设备区分模块负责基于所述范围影响因子、所述重要影响因子、所述试验影响因子构建所述电气设备的核心程度，并当所述电气设备的核心程度大于第一核心阈值时，作为核心电气设备，其余电气设备为一般电气设备；
所述故障次数确定模块负责获取所述一般电气设备的历史故障次数；
所述数字孪生模型建立模块负责基于所述一般电气设备的历史故障次数得到故障电气设备，基于所述故障电气设备以及所述核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对所述变电站的实时监测。
其他特征和优点将在随后的说明书中阐述，并且，部分地从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点在说明书以及附图中所特别指出的结构来实现和获得。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
通过参照附图详细描述其示例实施方式，本发明的上述和其它特征及优点将变得更加明显。
图1是根据实施例1的一种基于数字孪生技术的配电网关键厂站监测方法的流程图。
图2是根据实施例2的一种基于数字孪生技术的配电网关键厂站监测系统的构成图。
具体实施方式
现在将参考附图更全面地描述示例实施方式。然而，示例实施方式能够以多种形式实施，且不应被理解为限于在此阐述的实施方式；相反，提供这些实施方式使得本发明将全面和完整，并将示例实施方式的构思全面地传达给本领域的技术人员。图中相同的附图标记表示相同或类似的结构，因而将省略它们的详细描述。
用语“一个”、“一”、“该”、“所述”用以表示存在一个或多个要素/组成部分/等；用语“包括”和“具有”用以表示开放式的包括在内的意思并且是指除了列出的要素/组成部分/等之外还可存在另外的要素/组成部分/等。
实施例1
为解决上述问题，根据本发明的一个方面，如图1所示，提供了一种基于数字孪生技术的配电网关键厂站监测方法，其特征在于，具体包括：
S11基于变电站中电气设备故障时影响的停电区域的范围得到所述电气设备的范围影响因子；基于变电站中电气设备的重要程度，采用基于专家打分的形式得到所述电气设备的重要影响因子；基于变电站中电气设备的预防性试验结果，得到所述电气设备的试验影响因子；
具体的举个例子，可以采用专家打分的方式或者层次分析法的方式实现范围影响因子、重要影响因子、试验影响因子的构建。
具体的举个例子，可以根据电气涉笔的预防性试验结果中超标的项目，以及超标的项目的重要程度，超标的项目超标的幅度实现对试验影响因子的确定。
S12基于所述范围影响因子、所述重要影响因子、所述试验影响因子构建所述电气设备的核心程度，并当所述电气设备的核心程度大于第一核心阈值时，作为核心电气设备，其余电气设备为一般电气设备；
具体的举个例子，若范围影响因子为0.7，重要影响因子为0.5，试验影响因子为0.3，则电气设备的核心程度可以通过0.7+0.5+0.3得到1.5，第一核心阈值为1.0，则此时电气设备为核心电气设备。
S13基于所述一般电气设备的历史故障次数得到故障电气设备，基于所述故障电气设备以及所述核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对所述变电站的实时监测。
具体的举个例子，若一般电气设备的历史故障次数为10次，存在故障次数阈值为2，则此时的一般电气设备为故障电气设备。
通过范围影响因子、重要影响因子、试验影响因子的构建，具体的可以采用基于基于机器学习算法的预测模型构建得到，并在此基础上构建得到电气设备的核心程度，具体的可以根据层次分析法的方式得到电气设备的核心程度，通过第一核心阈值的设置，从而解决了原有的没有区分核心电气设备以及一般电气设备的技术问题，同时依据一般电气设备的历史故障次数，具体的可以根据历史故障次数大于一定的阈值来进行故障电气设备的确认，在此基础上实现对核心电气设备以及故障电气设备的数字孪生模型的构建，从而解决了原来的没有对不同的电气设备进行分级处理，对于故障次数较多或者属于较为核心的电气设备进行建模的技术问题，使得最终的需要的存储空间更加少，同时也能够能加高效直接的实现对变电站的监测。
通过基于所述范围影响因子、所述重要影响因子、所述试验影响因子构建所述电气设备的核心程度，从而综合考虑多方面的因素实现对核心电气设备的识别，不仅使得识别结果较为准确，而且使得最后搭建得到的数字孪生模型能够更加准确的反应实际情况。
通过基于所述故障电气设备以及所述核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对所述变电站的实时监测，从而使得建立的数字孪生模型更加的直观，并且也减少了不必要的存储空间的浪费，提升了发现故障的效率和直观性。
在另外一种可能的实施例中，所述范围影响因子构建的具体步骤为：
S21根据所述电气设备故障时影响的停电区域的范围，采用专家打分的方式，得到所述电气设备的停电影响因子；
具体的举个例子，若停电区域的范围为30平方公里，则打分得到此时的停电影响因子为0.3。
S22提取所述电气设备故障时影响的停电区域中的一级负荷的数量；
具体的举个例子，一级负荷指的是中断供电在政治和经济上造成重大损失者。一级负荷是指中断供电将造成人身伤亡，或将损坏主要设备且长期难以修复，或对国民经济带来巨大损失。如大型医院，炼钢厂，石油提炼厂或矿井等。
S23基于所述停电影响因子以及所述一级负荷的数量，采用层次分析法，得到所述范围影响因子。
通过基于一级负荷的数量以及停电影响因子，从而不仅考虑到停电的范围大小的影响程度，而且充分考虑停电范围内较为重要的负荷的数量，使得最后得到的范围影响因子能够更加准确的反应实际的故障影响结果。
在另外一种可能的实施例中，所述范围影响因子的计算公式为：
其中K1、K2、K3为常数，D、P1为停电影响因子、一级负荷的数量。
在另外一种可能的实施例中，所述试验影响因子根据所述变电站中电气设备的预防性试验结果中超标的试验项目的数量，采用专家打分的方式确定。
在另外一种可能的实施例中，所述核心程度的计算公式为：
其中F、Z、S分别为所述范围影响因子、所述重要影响因子、所述试验影响因子，且取值范围均大于零且小于1，K4、K5、K6、K7为常数，取值范围均在0到1之间。
在另外一种可能的实施例中，所述第一核心阈值根据变电站中的电气设备的数量确定，变电站中的电气设备的数量越多，第一核心阈值就越大。
在另外一种可能的实施例中，所述故障电气设备构建的具体步骤为：
S31基于所述一般电气设备的历史故障次数，确定所述历史故障次数是否大于故障阈值，若是，则将历史故障次数大于故障阈值的一般电气设备作为一般潜在设备，并进入步骤S32；
S32基于所述一般潜在设备的历史故障次数、核心程度构建所述一般潜在设备的影响程度；
S33将所述影响程度大于第一影响阈值的一般潜在设备作为故障电气设备。
通过同时基于历史故障次数以及核心程度实现对故障电气设备的构建，从而不仅可以充分的考虑单独的故障情况以及电气设备的核心程度，使得故障次数较多且较为核心的电气设备被筛选出来，进一步保证了进行数字孪生模型搭建的电气设备的正确性。
在另外一种可能的实施例中，所述故障电气设备的影响程度的计算公式为：
其中所述K8、K9、K10为常数，G、H为一般潜在设备的历史故障次数、核心程度。
在另外一种可能的实施例中，当所述核心电气设备的核心程度小于第二核心阈值且历史故障次数为零，且运行年限小于第一年限阈值时，则不再对所述核心电气设备进行建模，其中所述第二核心阈值大于第一核心阈值，根据所述变电站中的电气设备的总数量确定。
具体的举个例子，若核心电气设备的核心程度为1.5，第二核心阈值为 2.0，运行年限为2年，第一年限阈值为5年，则不再对核心电气设备进行建模。
通过第二核心阈值的设置，同时考虑运行年限以及历史故障次数，从而在保证监测准确性的基础上，使得运行状态较好的核心电气设备不再进行数字孪生模型的构建，从而进一步保证了故障监测结果发现的效率。
实施例2
如图2所示，一种基于数字孪生技术的配电网关键厂站监测系统，采用上述的一种基于数字孪生技术的配电网关键厂站监测方法，包括：
范围影响确定模块，重要影响确定模块，试验影响确定模块，电气设备区分模块，故障次数确定模块，数字孪生模型建立模块；
所述范围影响确定模块负责基于变电站中电气设备故障时影响的停电区域的范围得到所述电气设备的范围影响因子；
所述重要影响确定模块负责基于变电站中电气设备的重要程度，采用基于专家打分的形式得到所述电气设备的重要影响因子；
所述试验影响确定模块负责基于变电站中电气设备的预防性试验结果，得到所述电气设备的试验影响因子；
所述电气设备区分模块负责基于所述范围影响因子、所述重要影响因子、所述试验影响因子构建所述电气设备的核心程度，并当所述电气设备的核心程度大于第一核心阈值时，作为核心电气设备，其余电气设备为一般电气设备；
所述故障次数确定模块负责获取所述一般电气设备的历史故障次数；
所述数字孪生模型建立模块负责基于所述一般电气设备的历史故障次数得到故障电气设备，基于所述故障电气设备以及所述核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对所述变电站的实时监测。
在本发明实施例中，术语“多个”则指两个或两个以上，除非另有明确的限定。术语“安装”、“连接”、“固定”等术语均应做广义理解，例如，“连接”可以是固定连接，也可以是可折卸连接，或一体地连接。对于本领域的普通技术人员而言，可以根据具体情况理解上述术语在本发明实施例中的具体含义。
本发明实施例的描述中，需要理解的是，术语“上”、“下”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明实施例和简化描述，而不是指示或暗示所指的装置或单元必须具有特定的方向、以特定的方位构造和操作，因此，不能理解为对本发明实施例的限制。
在本说明书的描述中，术语“一个实施例”、“一个优选实施例”等的描述意指结合该实施例或示例描述的具体特征、结构、材料或特点包含于本发明实施例的至少一个实施例或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施例或实例。而且，描述的具体特征、结构、材料或特点可以在任何的一个或多个实施例或示例中以合适的方式结合。
以上仅为本发明实施例的优选实施例而已，并不用于限制本发明实施例，对于本领域的技术人员来说，本发明实施例可以有各种更改和变化。凡在本发明实施例的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明实施例的保护范围之内。
Claims (10)
1.一种基于数字孪生技术的配电网关键厂站监测方法，其特征在于，具体包括：
S11基于变电站中电气设备故障时影响的停电区域的范围得到所述电气设备的范围影响因子；基于变电站中电气设备的重要程度，采用基于专家打分的形式得到所述电气设备的重要影响因子；基于变电站中电气设备的预防性试验结果，得到所述电气设备的试验影响因子；
S12基于所述范围影响因子、所述重要影响因子、所述试验影响因子构建所述电气设备的核心程度，并当所述电气设备的核心程度大于第一核心阈值时，作为核心电气设备，其余电气设备为一般电气设备；
S13基于所述一般电气设备的历史故障次数得到故障电气设备，基于所述故障电气设备以及所述核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对所述变电站的实时监测。
2.如权利要求1所述的配电网关键厂站监测方法，其特征在于，所述范围影响因子构建的具体步骤为：
S21根据所述电气设备故障时影响的停电区域的范围，采用专家打分的方式，得到所述电气设备的停电影响因子；
S22提取所述电气设备故障时影响的停电区域中的一级负荷的数量；
S23基于所述停电影响因子以及所述一级负荷的数量，采用层次分析法，得到所述范围影响因子。
3.如权利要求1所述的配电网关键厂站监测方法，其特征在于，所述范围影响因子的计算公式为：
其中K1、K2、K3为常数，D、P1为停电影响因子、一级负荷的数量。
4.如权利要求1所述的配电网关键厂站监测方法，其特征在于，所述试验影响因子根据所述变电站中电气设备的预防性试验结果中超标的试验项目的数量，采用专家打分的方式确定。
5.如权利要求1所述的配电网关键厂站监测方法，其特征在于，所述核心程度的计算公式为：
其中F、Z、S分别为所述范围影响因子、所述重要影响因子、所述试验影响因子，且取值范围均大于零且小于1。
6.如权利要求1所述的配电网关键厂站监测方法，其特征在于，所述第一核心阈值根据变电站中的电气设备的数量确定，变电站中的电气设备的数量越多，第一核心阈值就越大。
7.如权利要求1所述的配电网关键厂站监测方法，其特征在于，所述故障电气设备构建的具体步骤为：
S31基于所述一般电气设备的历史故障次数，确定所述历史故障次数是否大于故障阈值，若是，则将历史故障次数大于故障阈值的一般电气设备作为一般潜在设备，并进入步骤S32；
S32基于所述一般潜在设备的历史故障次数、核心程度构建所述一般潜在设备的影响程度；
S33将所述影响程度大于第一影响阈值的一般潜在设备作为故障电气设备。
8.如权利要求1所述的配电网关键厂站监测方法，其特征在于，所述故障电气设备的影响程度的计算公式为：
其中所述K8、K9、K10为常数，G、H为一般潜在设备的历史故障次数、核心程度。
9.如权利要求8所述的配电网关键厂站监测方法，其特征在于，当所述核心电气设备的核心程度小于第二核心阈值且历史故障次数为零，且运行年限小于第一年限阈值时，则不再对所述核心电气设备进行建模，其中所述第二核心阈值大于第一核心阈值，根据所述变电站中的电气设备的总数量确定。
10.一种基于数字孪生技术的配电网关键厂站监测系统，采用权利要求1-9任一项所述的一种基于数字孪生技术的配电网关键厂站监测方法，包括：
范围影响确定模块，重要影响确定模块，试验影响确定模块，电气设备区分模块，故障次数确定模块，数字孪生模型建立模块；
所述范围影响确定模块负责基于变电站中电气设备故障时影响的停电区域的范围得到所述电气设备的范围影响因子；
所述重要影响确定模块负责基于变电站中电气设备的重要程度，采用基于专家打分的形式得到所述电气设备的重要影响因子；
所述试验影响确定模块负责基于变电站中电气设备的预防性试验结果，得到所述电气设备的试验影响因子；
所述电气设备区分模块负责基于所述范围影响因子、所述重要影响因子、所述试验影响因子构建所述电气设备的核心程度，并当所述电气设备的核心程度大于第一核心阈值时，作为核心电气设备，其余电气设备为一般电气设备；
所述故障次数确定模块负责获取所述一般电气设备的历史故障次数；
所述数字孪生模型建立模块负责基于所述一般电气设备的历史故障次数得到故障电气设备，基于所述故障电气设备以及所述核心电气设备进行数字孪生模型的建立，并基于建立完成的数字孪生模型实现对所述变电站的实时监测。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211301488.2A CN115603459A (zh) | 2022-10-24 | 2022-10-24 | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202211301488.2A CN115603459A (zh) | 2022-10-24 | 2022-10-24 | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115603459A true CN115603459A (zh) | 2023-01-13 |
Family
ID=84848969
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202211301488.2A Withdrawn CN115603459A (zh) | 2022-10-24 | 2022-10-24 | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115603459A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116545110A (zh) * | 2023-05-06 | 2023-08-04 | 国网河南省电力公司信息通信分公司 | 一种基于数字孪生的智能运维管理系统 |
| CN116596518A (zh) * | 2023-07-17 | 2023-08-15 | 南京上古网络科技有限公司 | 一种基于数字孪生的电网故障隐患管理系统及方法 |
| CN118211493A (zh) * | 2024-05-20 | 2024-06-18 | 国网安徽省电力有限公司合肥供电公司 | 基于量子计算的变电站数字孪生模型构建方法 |
-
2022
- 2022-10-24 CN CN202211301488.2A patent/CN115603459A/zh not_active Withdrawn
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116545110A (zh) * | 2023-05-06 | 2023-08-04 | 国网河南省电力公司信息通信分公司 | 一种基于数字孪生的智能运维管理系统 |
| CN116545110B (zh) * | 2023-05-06 | 2024-06-18 | 国网河南省电力公司信息通信分公司 | 一种基于数字孪生的智能运维管理系统 |
| CN116596518A (zh) * | 2023-07-17 | 2023-08-15 | 南京上古网络科技有限公司 | 一种基于数字孪生的电网故障隐患管理系统及方法 |
| CN116596518B (zh) * | 2023-07-17 | 2023-09-19 | 南京上古网络科技有限公司 | 一种基于数字孪生的电网故障隐患管理系统及方法 |
| CN118211493A (zh) * | 2024-05-20 | 2024-06-18 | 国网安徽省电力有限公司合肥供电公司 | 基于量子计算的变电站数字孪生模型构建方法 |
| CN118211493B (zh) * | 2024-05-20 | 2024-08-20 | 国网安徽省电力有限公司合肥供电公司 | 基于量子计算的变电站数字孪生模型构建方法 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN106019084B (zh) | 基于配用电数据关联的中压配电网断线故障诊断方法 | |
| CN115603459A (zh) | 一种基于数字孪生技术的配电网关键厂站监测方法与系统 | |
| CN105512448B (zh) | 一种配电网健康指数的评估方法 | |
| CN105894177B (zh) | 一种基于决策树算法的电力设备运行风险分析评估方法 | |
| Ge et al. | Reliability and maintainability improvement of substations with aging infrastructure | |
| CN109655712A (zh) | 一种配电网线路故障原因分析方法与系统 | |
| Kandaperumal et al. | AWR: Anticipate, withstand, and recover resilience metric for operational and planning decision support in electric distribution system | |
| Abbasghorbani et al. | Reliability‐centred maintenance for circuit breakers in transmission networks | |
| Dehghani et al. | Multi-stage resilience management of smart power distribution systems: A stochastic robust optimization model | |
| CN113191687B (zh) | 一种弹性配电网全景信息可视化方法及系统 | |
| CN110826228B (zh) | 一种地区电网运行品质极限评估方法 | |
| CN112202597A (zh) | 一种低压台区通信网络节点重要度的评估方法 | |
| Wang et al. | Research on reliability evaluation method of catenary of high speed railway considering weather condition | |
| Dong | Combining unsupervised and supervised learning for asset class failure prediction in power systems | |
| CN116522746A (zh) | 高耗能企业配电托管方法 | |
| Amini et al. | Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings | |
| CN114154728A (zh) | 一种故障预测方法、装置、电子设备及存储介质 | |
| CN115409264A (zh) | 基于馈线故障预测的配电网抢修驻点位置优化方法 | |
| CN114529166A (zh) | 一种配电网运行安全风险预警方法及系统 | |
| CN117394535A (zh) | 交直流混合配电网数字孪生系统 | |
| Chanda | Measuring and enabling resiliency in distribution sysems with multiple microgrids | |
| CN114595966B (zh) | 一种计及不同灾害类型的特大型城市电网韧性评估方法 | |
| CN115693692A (zh) | 基于配电网电压数据分析的电压合格率提升方法 | |
| Huang et al. | Application of Intelligent Knowledge Graph with Emergency Fault Diagnosis for Power Maintenance | |
| CN114022013A (zh) | 一种系统保护故障场景生成方法及装置 |
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 | ||
| WW01 | Invention patent application withdrawn after publication | ||
| WW01 | Invention patent application withdrawn after publication |
Application publication date: 20230113 |