CN115865727A - 基于可信度和不可信度推理图的支路关联风险评估方法 - Google Patents
基于可信度和不可信度推理图的支路关联风险评估方法 Download PDFInfo
- Publication number
- CN115865727A CN115865727A CN202211479468.4A CN202211479468A CN115865727A CN 115865727 A CN115865727 A CN 115865727A CN 202211479468 A CN202211479468 A CN 202211479468A CN 115865727 A CN115865727 A CN 115865727A
- Authority
- CN
- China
- Prior art keywords
- branch
- credibility
- node
- inference graph
- graph
- 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.)
- Granted
Links
- 238000000034 method Methods 0.000 title claims abstract description 32
- 238000012502 risk assessment Methods 0.000 title claims abstract description 15
- 238000010586 diagram Methods 0.000 claims abstract description 22
- 230000005540 biological transmission Effects 0.000 claims description 21
- 238000013507 mapping Methods 0.000 claims description 6
- 102220516902 Estrogen-related receptor gamma_S45D_mutation Human genes 0.000 claims description 3
- 150000001875 compounds Chemical class 0.000 claims description 3
- 238000011156 evaluation Methods 0.000 description 3
- 238000012216 screening Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 241001235534 Graphis <ascomycete fungus> Species 0.000 description 1
- 238000000342 Monte Carlo simulation Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
Images
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于可信度和不可信度推理图的支路关联风险评估方法,具体包括:S1:获取电力系统历史连锁故障数据;S2:构建支路故障关联关系可信度以及不可信度模型;S3:构建虚拟路径链图,S4:构建以目标支路为起始点,面向所有支路的推理图;S5:构建以目标支路为起始点面向所有支路的可信度推理图以及以目标支路为起始点面向所有支路的不可信度推理图;S6:构建推理模型;S7:评估目标支路与推理图中对应支路的故障关联关系的风险程度;该方法能够评估未知故障关联关系的风险程度,并且能够有效避免对高风险故障关联关系的误判,可有效评估电网级联故障的风险程度,为阻止级联故障的发生提供决策依据。
Description
技术领域
本发明涉及电力与能源技术领域,具体涉及基于可信度和不可信度推理图的支路关联风险评估方法。
背景技术
电网作为最重要的基础设施,一旦发生级联故障将导致大规模停电,严重威胁电网的运行安全,并且造成不可估量的经济和社会损失。从负荷重分配角度来看,电网连锁故障本质上是有一个或多个元件故障引起网络负荷重分配,导致其他元件过负荷,进而相继故障。因此,为了评估电网安全运行水平,有效预防连锁故障的发生,其中一个关键步骤就是揭示元件之间的故障关联特性。
目前,研究元件之间的关联特性最主要的方法是通过历史或者仿真的连锁故障数据挖掘潜在的有价值的信息。其中,基于图论的方法是使用最广泛的统计方法,通过将连锁故障数据映射成图,进而分析节点之间的连接关系,识别关键的故障关联关系。与此同时,概率方法(包括贝叶斯理论、蒙特卡洛方法、马尔科夫链)也是其中一个流行的方法,被使用取评估故障关联关系的风险程度。
上述方法主要聚焦于评估连锁故障数据中已知的故障关联关系的风险程度。然而,对于未知的(即连锁故障数据中没有出现的)故障关联关系不能得出合理的风险推断。另外,当前的方法主要从可信度角度识别高风险关联关系,但是忽略了从不可信度角度评关系的关联特性,导致一些故障关联关系被误判为高风险关联关系。因此,为解决上述问题,提出故障关联关系风险评估方法具有重要的理论意义和工程价值。
发明内容
为克服现有技术的缺陷,评估故障关联关系的风险程度,本发明提出基于可信度和不可信度推理图的支路关联风险评估方法,该方法通过历史连锁故障数据库,构建支路关联关系的可信度与不可信度模型,可量化计算支路之间的故障关联关系风险程度,另外,利用历史连锁故障数据库构建推理模型,实现故障关联关系的风险评估。
本发明的目的可以通过以下技术方案来实现:
基于可信度和不可信度推理图的支路关联风险评估方法,具体包括以下几个步骤:
S1:获取电力系统历史连锁故障数据;
S2:根据所述电力系统历史连锁故障数据,定义输电线路支路故障关联关系以及支路故障关联关系剩余可信度,构建输电网络支路故障关联关系可信度模型以及输电网络支路故障关联关系不可信度模型;
S3:构建虚拟路径图,包括:定义目标支路虚拟路径,获取目标支路与其他支路虚拟路径长度最短的虚拟路径集合,将所述虚拟路径集合中所有路径均映射成路径链图;
S4:根据所述路径链图,构建以目标支路为起始点,面向所有支路的推理图;
S5:根据S4推理图中每一条边的前端节点和末端节点对应的原系统中支路之间的故障关联关系,定义推理图中边的可信度权重以及推理图中边的不可信度权重,构建以目标支路为起始点面向所有支路的可信度推理图以及以目标支路为起始点面向所有支路的不可信度推理图;
S6:构建推理模型,包括:根据所述可信度推理图,计算推理图中所有节点可信度值;根据所述不可信度推理图,计算推理图中所有节点不可信度值;
S7:根据S6节点可信度值和节点不可信度值,评估目标支路与推理图中对应支路的故障关联关系的风险程度。
进一步的,所述电力系统历史连锁故障数据中的每一条连锁故障数据采用故障链L1→L2…→Li→…→Ln表示,其中,Li(i=1,2,…,n)表示第i个阶段的故障元件集合,Li→Lj表示两个故障元件集合之间的关联关系。
由于传递特性,任意两个非相邻的故障元件集合之间也具有故障关联关系,例如L1→Ln,需要注意的是,如果两个故障集合来自于不同的故障链,则它们之间没有故障关联关系。
进一步的,构建所述输电网络支路之间故障关联关系可信度以及输电网络支路之间故障关联关系不可信度模型,包括以下几个步骤:
S31:依据电力系统历史连锁故障数据,对于任意一条支路故障关联关系Li→Lk,如式(1)所示定义支路故障关联关系的剩余可信度S(Li→Lk):
式(1)中,P(Li),P(Lk)和P(Li→Lk)分别表示在历史连锁故障数据中的支路Li,支路Lk以及支路故障关联关系Li→Lk出现的频率,P(Lk/Li)表示在支路Li发生故障的条件下支路Lk发生的故障概率;
S32:对于任意一条支路故障关联关系Li→Lk,如公式(2)所示构建输电网络支路故障关联关系的可信度模型C(Li→Lk):
式(2)中,C(Li→Lk)∈[0,1],C(Li→Lk)值越大,表明支路故障关联关系Li→Lk的可信度越大;
S33:对于任意一条支路故障关联关系Li→Lk,如公式(3)所示构建输电网络支路故障关联关系的不可信度模型I(Li→Lk):
式(3)中,I(Li→Lk)∈[0,1],I(Li→Lk)值越大,表明支路故障关联关系Li→Lk的不可信度越大。
进一步的,将所述虚拟路径集合中所有路径均映射成路径链图,具体包括以下步骤:
S41:定义目标支路L0的虚拟路径为:对于电力系统中的任意一条关联支路Li,如果在历史连锁故障数据中存在支路具有支路故障关联关系,即和/>(需要注意地是,这些支路关联关系可能来自于不同的故障链),则L0和Li之间存在虚拟路径/>且虚拟路径的长度为M+2;
S42:根据S41中所述虚拟路径的定义,找出目标支路L0和支路Li之间所有的虚拟路径,然后筛选出长度最短的虚拟路径集合(由于长度最短的虚拟路径可能有多条,因此这里用虚拟路径集合表示);
如式(4)所示定义目标支路L0和支路Li之间第di条长度最短的虚拟路径为:
式(4)中,Di表示目标支路L0和支路Li之间长度最短的虚拟路径数量;
进一步的,构建以目标支路L0为起始点,面向所有支路的推理图,具体包括以下步骤:
进一步的,构建以目标支路为起始点面向所有支路的可信度推理图以及以目标支路为起始点面向所有支路的不可信度推理图,具体包括以下步骤:
S61:定义推理图中的节点Vi和Vj对于原电力系统中的支路Li和Lj,定义推理图/>边e的前端节点和末端节点分别为Vi和Vj,根据支路Li和支路Lj之间的故障关联关系Li→Lj,如公式(9)定义推理图/>边e的可信度权重C(e):
C(e)=C(La→Lb) (9)
I(e)=I(La→Lb) (10)
S62:根据公式(8)和(9),得到以目标支路L0为起始点,面向所有支路的可信度推理图;
根据公式(8)和(10),得到以目标支路L0为起始点,面向所有支路的不可信度推理图。
C(Vi)=C(Vj)×C(eji) (11)
S73:根据公式(11)和公式(12),计算可信度推理图中所有节点可信度值。
I(Vi)=1-(1-I(Vj))×(1-I(eji)) (13)
S83:根据公式(13)和公式(14),计算不可信度推理图中所有节点不可信度值。
进一步的,对于可信度推理图中的节点的可信度值C(Vi),可视为原电力系统中目标支路L0与可信度推理图中的节点/>对应原电力系统中支路Li之间的故障关联关系L0→Li的故障关联关系可信度值C(L0→Li);
对于不可信度推理图中的节点的不可信度值I(Vi),可视为原电力系统中目标支路L0与可信度推理图中的节点/>对应原电力系统中支路Li之间的故障关联关系L0→Li的故障关联关系不可信度值C(L0→Li);
根据故障关联关系可信度值C(L0→Li)以及故障关联关系不可信度值C(L0→Li),所述目标支路与推理图中对应支路的故障关联关系的风险程度可通过式(15)计算的风险程度值来进行评估:
CCI(L0→Li)=C(L0→Li)-I(L0→Li)=C(Vi)-I(Vi) (15)
与现有技术相比,本发明具有以下技术效果:
(1)本发明可以对于未知的(即连锁故障数据中没有出现的)故障关联关系进行合理的风险程度评估;
(2)本发明提出的方法综合考虑了可信度和不可信度,能有效避免一些故障关联关系被误判为高风险关联关系。
附图说明
图1为本发明总体流程图;
图2为IEEE 39节点系统图;
图3为以目标支路4为起始点的推理图;
图4为计算出来的以支路4为前置条件的所有故障关联关系。
具体实施方式
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,所描述的实施例仅是本发明一部分实施例,而不是全部的实施例。基于发明中的实施例,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他实施例,所作的任何修改、等同替换、改进等,均应包含在本发明的保护范围之内。
如图1所示,基于可信度和不可信度推理图的支路关联风险评估方法,具体包括以下几个步骤:
S1:获取电力系统历史连锁故障数据;
S2:根据所述电力系统历史连锁故障数据,定义输电线路支路故障关联关系以及支路故障关联关系剩余可信度,构建输电网络支路故障关联关系可信度模型以及输电网络支路故障关联关系不可信度模型;
S3:构建虚拟路径图,包括:定义目标支路虚拟路径,获取目标支路与其他支路虚拟路径长度最短的虚拟路径集合,将所述虚拟路径集合中所有路径均映射成路径链图;
S4:根据所述路径链图,构建以目标支路为起始点,面向所有支路的推理图;
S5:根据S4推理图中每一条边的前端节点和末端节点对应的原系统中支路之间的故障关联关系,定义推理图中边的可信度权重以及推理图中边的不可信度权重,构建以目标支路为起始点面向所有支路的可信度推理图以及以目标支路为起始点面向所有支路的不可信度推理图;
S6:构建推理模型,包括:根据所述可信度推理图,计算推理图中所有节点可信度值;根据所述不可信度推理图,计算推理图中所有节点不可信度值;
S7:根据S6节点可信度值和节点不可信度值,评估目标支路与推理图中对应支路的故障关联关系的风险程度。
所述电力系统历史连锁故障数据中的每一条连锁故障数据采用故障链L1→L2…→Li→…→Ln表示,其中,Li(i=1,2,…,n)表示第i个阶段的故障元件集合,Li→Lj表示两个故障元件集合之间的关联关系。
由于传递特性,任意两个非相邻的故障元件集合之间也具有故障关联关系,例如L1→Ln,需要注意的是,如果两个故障集合来自于不同的故障链,则它们之间没有故障关联关系。
构建所述输电网络支路之间故障关联关系可信度以及输电网络支路之间故障关联关系不可信度模型,包括以下几个步骤:
S31:依据电力系统历史连锁故障数据,对于任意一条支路故障关联关系Li→Lk,如式(1)所示定义支路故障关联关系的剩余可信度S(Li→Lk):
式(1)中,P(Li),P(Lk)和P(Li→Lk)分别表示在历史连锁故障数据中的支路Li,支路Lk以及支路故障关联关系Li→Lk出现的频率,P(Lk/Li)表示在支路Li发生故障的条件下支路Lk发生的故障概率;
S32:对于任意一条支路故障关联关系Li→Lk,如公式(2)所示构建输电网络支路故障关联关系的可信度模型C(Li→Lk):
式(2)中,C(Li→Lk)∈[0,1],C(Li→Lk)值越大,表明支路故障关联关系Li→Lk的可信度越大;
S33:对于任意一条支路故障关联关系Li→Lk,如公式(3)所示构建输电网络支路故障关联关系的不可信度模型I(Li→Lk):
式(3)中,I(Li→Lk)∈[0,1],I(Li→Lk)值越大,表明支路故障关联关系Li→Lk的不可信度越大。
将所述虚拟路径集合中所有路径均映射成路径链图,具体包括以下步骤:
S41:定义目标支路L0的虚拟路径为:对于电力系统中的任意一条关联支路Li,如果在历史连锁故障数据中存在支路具有支路故障关联关系,即和/>(需要注意地是,这些支路关联关系可能来自于不同的故障链),则L0和Li之间存在虚拟路径/>且虚拟路径的长度为M+2;
S42:根据S41中所述虚拟路径的定义,找出目标支路L0和支路Li之间所有的虚拟路径,然后筛选出长度最短的虚拟路径集合(由于长度最短的虚拟路径可能有多条,因此这里用虚拟路径集合表示);
如式(4)所示定义目标支路L0和支路Li之间第di条长度最短的虚拟路径为:
式(4)中,Di表示目标支路L0和支路Li之间长度最短的虚拟路径数量;
构建以目标支路L0为起始点,面向所有支路的推理图,具体包括以下步骤:
构建以目标支路为起始点面向所有支路的可信度推理图以及以目标支路为起始点面向所有支路的不可信度推理图,具体包括以下步骤:
S61:定义推理图中的节点Vi和Vj对于原电力系统中的支路Li和Lj,定义推理图/>边e的前端节点和末端节点分别为Vi和Vj,根据支路Li和支路Lj之间的故障关联关系Li→Lj,如公式(9)定义推理图/>边e的可信度权重C(e):
C(e)=C(La→Lb) (9)
I(e)=I(La→Lb) (10)
S62:根据公式(8)和(9),得到以目标支路L0为起始点,面向所有支路的可信度推理图;
根据公式(8)和(10),得到以目标支路L0为起始点,面向所有支路的不可信度推理图。
C(Vi)=C(Vj)×C(eji) (11)
S73:根据公式(11)和公式(12),计算可信度推理图中所有节点可信度值。
I(Vi)=1-(1-I(Vj))×(1-I(eji)) (13)
S83:根据公式(13)和公式(14),计算不可信度推理图中所有节点不可信度值。
对于不可信度推理图中的节点的不可信度值I(Vi),可视为原电力系统中目标支路L0与可信度推理图中的节点/>对应原电力系统中支路Li之间的故障关联关系L0→Li的故障关联关系不可信度值C(L0→Li);
根据故障关联关系可信度值C(L0→Li)以及故障关联关系不可信度值C(L0→Li),所述目标支路与推理图中对应支路的故障关联关系的风险程度可通过式(15)计算的风险程度值来进行评估:
CCI(L0→Li)=C(L0→Li)-I(L0→Li)=C(Vi)-I(Vi) (15)
以IEEE 39节点系统为例,其系统图如图2所示。通过获取IEEE 39节点的历史连锁故障数据,计算所有故障关联关系的可信度值和不可信度值。
如图3所示,以目标支路4为例,构建以目标支路4为起始点的推理图,在此基础上,利用公式(9)和(10)分别计算推理图中边的可信度值和不可信度值,进而获得可信度推理图和不可信度推理图。
再根据公式(11)至(14),推理得到所有节点的可信度值和不可信度值。依据公式(15)计算推理图中节点的风险程度,如图4所示,评估目标支路4与推理图中所有支路的故障关联关系风险程度,图4中标出的风险值指的是目标支路4与该支路之间的故障关联关系风险值。
分析图4可知,当风险程度值大于0时,表明目标支路4与该支路之间的故障关联关系的风险程度较高;当风险程度值小于0时,表明目标支路4与该支路之间的故障关联关系的风险程度较低。其中,目标支路4和支路3之间的故障关联关系风险程度最高,达到0.34486。另外,在历史连锁故障数据中,支路4和支路14之间是未知的故障关联关系(历史数据库中没有出现的),本文的方法仍然可以计算它们之间的故障关联关系为0.0016。
另外,在图4中,目标支路4和支路13之间的故障关联关系为-0.5778,是一个低风险故障关联关系。然而,利用贝叶斯理论计算该故障关联关系为0.1448,其计算出来的风险值相对较高。通过统计历史连锁故障数据,支路13发生的故障频率为0.3430,大于0.1448,明显地,当支路4发生故障之后并没有增大支路13发生故障的可能性。因此,利用贝叶斯理论计算出来的结果并不合理。采用本文的方法,计算出来的结果更加合理,可以减少高风险故障关联关系的误判。
Claims (9)
1.基于可信度和不可信度推理图的支路关联风险评估方法,其特征在于,所述评估方法包括以下几个步骤:
S1:获取电力系统历史连锁故障数据;
S2:根据所述电力系统历史连锁故障数据,定义输电线路支路故障关联关系以及支路故障关联关系剩余可信度,构建输电网络支路故障关联关系可信度模型以及输电网络支路故障关联关系不可信度模型;
S3:构建虚拟路径图,包括:定义目标支路虚拟路径,获取目标支路与其他支路虚拟路径长度最短的虚拟路径集合,将所述虚拟路径集合中所有路径均映射成路径链图;
S4:根据所述路径链图,构建以目标支路为起始点,面向所有支路的推理图;
S5:根据S4推理图中每一条边的前端节点和末端节点对应的原系统中支路之间的故障关联关系,定义推理图中边的可信度权重以及推理图中边的不可信度权重,构建以目标支路为起始点面向所有支路的可信度推理图以及以目标支路为起始点面向所有支路的不可信度推理图;
S6:构建推理模型,包括:根据所述可信度推理图,计算推理图中所有节点可信度值;根据所述不可信度推理图,计算推理图中所有节点不可信度值;
S7:根据S6节点可信度值和节点不可信度值,评估目标支路与推理图中对应支路的故障关联关系的风险程度。
2.根据权利要求1所述基于可信度和不可信度推理图的支路关联风险评估方法,其特征在于,所述电力系统历史连锁故障数据中的每一条连锁故障数据采用故障链L1→L2…→Li→…→Ln表示,其中,Li(i=1,2,…,n)表示第i个阶段的故障元件集合,Li→Lj表示两个故障元件集合之间的关联关系。
3.根据权利要求2所述基于可信度和不可信度推理图的支路关联风险评估方法,其特征在于,构建所述输电网络支路之间故障关联关系可信度以及输电网络支路之间故障关联关系不可信度模型,包括以下几个步骤:
S31:依据电力系统历史连锁故障数据,对于任意一条支路故障关联关系Li→Lk,如式(1)所示定义支路故障关联关系的剩余可信度S(Li→Lk):
式(1)中,P(Li),P(Lk)和P(Li→Lk)分别表示在历史连锁故障数据中的支路Li,支路Lk以及支路故障关联关系Li→Lk出现的频率,P(Lk/Li)表示在支路Li发生故障的条件下支路Lk发生的故障概率;
S32:对于任意一条支路故障关联关系Li→Lk,如公式(2)所示构建输电网络支路故障关联关系的可信度模型C(Li→Lk):
S33:对于任意一条支路故障关联关系Li→Lk,如公式(3)所示构建输电网络支路故障关联关系的不可信度模型I(Li→Lk):
4.根据权利要求3所述基于可信度和不可信度推理图的支路关联风险评估方法,其特征在于,将所述虚拟路径集合中所有路径均映射成路径链图,具体包括以下步骤:
S42:根据S41中所述虚拟路径的定义,找出目标支路L0和支路Li之间所有的虚拟路径,然后筛选出长度最短的虚拟路径集合;
如式(4)所示定义目标支路L0和支路Li之间第di条长度最短的虚拟路径为:
式(4)中,Di表示目标支路L0和支路Li之间长度最短的虚拟路径数量;
6.根据权利要求5所述基于可信度和不可信度推理图的支路关联风险评估方法,其特征在于,构建以目标支路为起始点面向所有支路的可信度推理图以及以目标支路为起始点面向所有支路的不可信度推理图,具体包括以下步骤:
S61:定义推理图中的节点Vi和Vj对于原电力系统中的支路Li和Lj,定义推理图/>边e的前端节点和末端节点分别为Vi和Vj,根据支路Li和支路Lj之间的故障关联关系Li→Lj,如公式(9)定义推理图/>边e的可信度权重C(e):
C(e)=C(La→Lb)(9)
I(e)=I(La→Lb)(10)
S62:根据公式(8)和(9),得到以目标支路L0为起始点,面向所有支路的可信度推理图;
根据公式(8)和(10),得到以目标支路L0为起始点,面向所有支路的不可信度推理图。
7.根据权利要求6所述基于可信度和不可信度推理图的支路关联风险评估方法,其特征在于,根据可信度推理图,以原电力系统目标支路L0对应的推理图中节点V0作为起始节点,对于可信度推理图中的任意一个节点计算推理图中所有节点可信度值的具体步骤包括:
C(Vi)=C(Vj)×C(eji)(11)
S73:根据公式(11)和公式(12),计算可信度推理图中所有节点可信度值。
8.根据权利要求7所述基于可信度和不可信度推理图的支路关联风险评估方法,其特征在于,根据可信度推理图,以原电力系统目标支路L0对应的推理图中节点V0作为起始节点,对于不可信度推理图中的任意一个节点计算推理图中所有节点不可信度值的具体步骤包括:
I(Vi)=1-(1-I(Vj))×(1-I(eji))(13)
S83:根据公式(13)和公式(14),计算不可信度推理图中所有节点不可信度值。
9.根据权利要求8所述基于可信度和不可信度推理图的支路关联风险评估方法,其特征在于,所述目标支路与推理图中对应支路的故障关联关系的风险程度可通过式(15)计算的风险程度值来进行评估:
CCI(L0→Li)=C(L0→Li)-I(L0→Li)=C(Vi)-I(Vi)(15)。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211479468.4A CN115865727B (zh) | 2022-11-24 | 2022-11-24 | 基于可信度和不可信度推理图的支路关联风险评估方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211479468.4A CN115865727B (zh) | 2022-11-24 | 2022-11-24 | 基于可信度和不可信度推理图的支路关联风险评估方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115865727A true CN115865727A (zh) | 2023-03-28 |
CN115865727B CN115865727B (zh) | 2024-04-12 |
Family
ID=85665669
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211479468.4A Active CN115865727B (zh) | 2022-11-24 | 2022-11-24 | 基于可信度和不可信度推理图的支路关联风险评估方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115865727B (zh) |
Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN105260786A (zh) * | 2015-09-08 | 2016-01-20 | 哈尔滨工程大学 | 一种电力推进系统仿真可信度评估模型综合优化方法 |
US20160189440A1 (en) * | 2014-12-31 | 2016-06-30 | Jeremy Leigh Cattone | Systems and methods for multi-signal fault analysis |
DE202017100343U1 (de) * | 2017-01-24 | 2017-02-27 | EWC Weather Consult GmbH | System zur Generierung von Echtzeit-Information und Prognose von Leistungsregelungen aufgrund von Netzengpässen in einem Stromnetz |
CN108830475A (zh) * | 2018-06-08 | 2018-11-16 | 国网江苏省电力有限公司 | 二次系统隐性故障评估方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
CN111208385A (zh) * | 2019-12-19 | 2020-05-29 | 云南电网有限责任公司玉溪供电局 | 电网在线故障分层诊断方法 |
CN113505458A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 连锁故障关键触发支路预测方法、系统、设备及存储介质 |
CN113516357A (zh) * | 2021-05-10 | 2021-10-19 | 湖南大学 | 考虑网络攻击风险的电力系统脆弱线路评估方法及系统 |
-
2022
- 2022-11-24 CN CN202211479468.4A patent/CN115865727B/zh active Active
Patent Citations (8)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20160189440A1 (en) * | 2014-12-31 | 2016-06-30 | Jeremy Leigh Cattone | Systems and methods for multi-signal fault analysis |
CN105260786A (zh) * | 2015-09-08 | 2016-01-20 | 哈尔滨工程大学 | 一种电力推进系统仿真可信度评估模型综合优化方法 |
DE202017100343U1 (de) * | 2017-01-24 | 2017-02-27 | EWC Weather Consult GmbH | System zur Generierung von Echtzeit-Information und Prognose von Leistungsregelungen aufgrund von Netzengpässen in einem Stromnetz |
CN108830475A (zh) * | 2018-06-08 | 2018-11-16 | 国网江苏省电力有限公司 | 二次系统隐性故障评估方法 |
CN109633372A (zh) * | 2018-12-19 | 2019-04-16 | 西南交通大学 | 一种基于模糊推理脉冲神经膜系统的电力系统故障自动诊断方法 |
CN111208385A (zh) * | 2019-12-19 | 2020-05-29 | 云南电网有限责任公司玉溪供电局 | 电网在线故障分层诊断方法 |
CN113516357A (zh) * | 2021-05-10 | 2021-10-19 | 湖南大学 | 考虑网络攻击风险的电力系统脆弱线路评估方法及系统 |
CN113505458A (zh) * | 2021-07-26 | 2021-10-15 | 中国电力科学研究院有限公司 | 连锁故障关键触发支路预测方法、系统、设备及存储介质 |
Non-Patent Citations (4)
Title |
---|
XIAOGUANG WEI等: "Electrical Network Operational Vulnerability Evaluation Based on Small-World and Scale-Free Properties", 《IEEE ACCESS》, 26 March 2019 (2019-03-26) * |
刘洋;卢建刚;黄凯;: "电网调度自动化实时信息分析与评估系统的研究", 电力系统保护与控制, no. 08, 16 April 2010 (2010-04-16) * |
范译文;刘俊勇;刘友波;苟竞;刁塑;黄炜果;: "计及全路径关联概率的连锁故障风险评估模型", 电力系统及其自动化学报, no. 05, 15 May 2016 (2016-05-15) * |
韦晓广: "输电网络时空关联分析与脆弱性评估方法", 《中国博士学位论文全文数据库 工程科技Ⅱ辑》, 15 June 2021 (2021-06-15) * |
Also Published As
Publication number | Publication date |
---|---|
CN115865727B (zh) | 2024-04-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Bai et al. | Search for all d-MPs for all d levels in multistate two-terminal networks | |
CN116505665B (zh) | 一种电网配电线路的故障监测方法及系统 | |
CN112926023B (zh) | 一种基于考虑气象因素p系统的输电网故障诊断方法 | |
CN110018390B (zh) | 基于综合变权的分层模糊petri网电网故障诊断方法 | |
CN107896168B (zh) | 一种网络虚拟化环境下的电力通信网多域故障诊断方法 | |
CN112769869A (zh) | 一种基于贝叶斯攻击图的sdn网络安全预测方法及对应系统 | |
Nakarmi et al. | Analyzing power grids’ cascading failures and critical components using interaction graphs | |
CN115049270B (zh) | 考虑变电站网络攻击成功概率的电力系统风险评估方法 | |
Jorjani et al. | An optimization-based approach to recover the detected attacked grid variables after false data injection attack | |
Dwivedi et al. | Evaluating the planning and operational resilience of electrical distribution systems with distributed energy resources using complex network theory | |
CN115865727A (zh) | 基于可信度和不可信度推理图的支路关联风险评估方法 | |
CN111144572B (zh) | 一种基于树形贝叶斯网络的配电网灾情推断方法及系统 | |
US20230110983A1 (en) | Availability SLO-Aware Network Optimization | |
CN115775107A (zh) | 一种考虑连锁故障的电网信息物理系统风险评估方法 | |
Pilch | Reliability evaluation of networks with imperfect and repairable links and nodes | |
Xie et al. | Modeling and quantifying the survivability of telecommunication network systems under fault propagation | |
Liu et al. | Research on node importance of power communication network based on multi-attribute analysis | |
Wang et al. | A fault detection scheme based on self-clustering nodes sets for wireless sensor networks | |
CN112260873B (zh) | 一种5g网络切片下动态网络故障诊断方法 | |
CN114662328B (zh) | 一种考虑网络攻击的电力系统恢复力评估方法 | |
CN113484685B (zh) | 一种基于时序组织型p系统的电网故障诊断方法 | |
Bai et al. | An improved d-MP search algorithm for multi-state networks | |
CN116545721A (zh) | 一种电力信息系统网络安全综合监测方法 | |
Deb et al. | A new methodology for severity analysis of power system network by using Bayesian network | |
Gong et al. | Fault location algorithm based on probe in Electric Power Data Network |
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 |