CN115879775B - 一种三维变电站涉鸟故障风险等级评估方法及系统 - Google Patents

一种三维变电站涉鸟故障风险等级评估方法及系统 Download PDF

Info

Publication number
CN115879775B
CN115879775B CN202310168179.0A CN202310168179A CN115879775B CN 115879775 B CN115879775 B CN 115879775B CN 202310168179 A CN202310168179 A CN 202310168179A CN 115879775 B CN115879775 B CN 115879775B
Authority
CN
China
Prior art keywords
bird
transformer substation
involved
vulnerability
risk
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
CN202310168179.0A
Other languages
English (en)
Other versions
CN115879775A (zh
Inventor
李帆
饶斌斌
黄道春
双明镜
高嵩
周世阳
杨昌建
潘光明
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.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute 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 State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Jiangxi Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202310168179.0A priority Critical patent/CN115879775B/zh
Publication of CN115879775A publication Critical patent/CN115879775A/zh
Application granted granted Critical
Publication of CN115879775B publication Critical patent/CN115879775B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • 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

  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种三维变电站涉鸟故障风险等级评估方法及系统，该方法根据变电站涉鸟故障风险危险性、脆弱性和暴露度评估指标建立三维变电站涉鸟故障风险评估模型；采用SVM算法获取危险性评估值，采用改进CRITIC‑TOPSIS方法获取脆弱性评估值，由变电站对应的等级确定暴露度评估值；根据三维变电站涉鸟故障风险评估模型计算变电站涉鸟故障风险评估值；最后确定变电站涉鸟故障风险等级。本发明综合危险性、脆弱性和暴露度三个维度建立三维变电站涉鸟故障风险评估模型，采用客观科学有效的方法对数据进行处理，实现对变电站涉鸟故障风险等级更合理准确的评估，同时为后续变电站如何防鸟提供指导。

Description

一种三维变电站涉鸟故障风险等级评估方法及系统
技术领域
本发明涉及变电站风险评估技术领域，具体为一种三维变电站涉鸟故障风险等级评估方法及系统。
背景技术
随着生态环境越来越好，鸟类活动也越来越频繁，鸟类筑巢、飞行、泄粪等活动会引起电力设施发生故障，目前涉鸟故障已成为引发停电的三大原因之一，变电站大部分建立在城郊，鸟类资源丰富，非常容易发生涉鸟故障，因此需要建立变电站涉鸟故障风险评估体系，为变电站防鸟提供指导。目前，针对涉鸟故障风险等级的评估仅针对于输电线路，变电站相对于输电线路来说，存在涉鸟故障隐患的电力设备更多且除电气类故障外，还存在有机械和腐蚀类涉鸟故障，输电线路的涉鸟故障风险等级评估方法无法直接应用于变电站，因此需要建议一套适用于变电站涉鸟故障风险等级的评估体系，为变电站后续防鸟工作提供指导意见。
发明内容
本发明的目的是克服现有技术的缺点和不足，提出一种三维变电站涉鸟故障风险等级评估方法及系统，综合危险性、脆弱性和暴露度三个维度建立三维变电站涉鸟故障风险评估模型，采用客观科学有效的方法对数据进行处理，实现对变电站涉鸟故障风险等级更合理准确的评估，同时为后续变电站如何防鸟提供指导。
本发明的目的是这样实现的：一种三维变电站涉鸟故障风险等级评估方法，过程如下：
根据变电站涉鸟故障风险危险性、脆弱性和暴露度评估指标建立三维变电站涉鸟故障风险评估模型：
Figure SMS_1
，其中/>
Figure SMS_2
为变电站涉鸟故障风险评估值，/>
Figure SMS_3
为危险性评估值，/>
Figure SMS_4
为脆弱性评估值，/>
Figure SMS_5
为暴露度评估值；
采用SVM算法获取危险性评估值，采用改进CRITIC-TOPSIS方法获取脆弱性评估值，由变电站对应的等级确定暴露度评估值；
根据三维变电站涉鸟故障风险评估模型计算变电站涉鸟故障风险评估值；
将各变电站涉鸟故障风险评估值进行归一化处理，按风险评估值区间将涉鸟故障风险分为若干等级，根据每个变电站归一化后的变电站涉鸟故障风险评估值所在区间确定风险等级。
进一步优选，所述危险性评估值通过以下步骤获取：
步骤S11：收集各变电站的危险性评估指标数据以及近x年年均发生的涉鸟故障事故数量;
步骤S12：数据预处理并按照年均发生的涉鸟故障事故数量进行危险分级，其中各变电站的危险性评估指标数据作为SVM模型的输入；
步骤S13：划分训练集和测试集；
步骤S14：SVM模型训练和测试；
步骤S15：将训练好的SVM模型用于其他缺少年均发生的涉鸟故障事故数量数据的变电站涉鸟故障危险等级预测，并根据危险等级确定危险性评估值。
进一步优选，所述脆弱性评估值通过以下步骤获取：
步骤S21：收集各变电站脆弱性评估指标数据，构建原始数据矩阵
Figure SMS_6
：
Figure SMS_7
式中，
Figure SMS_8
为第/>
Figure SMS_9
个变电站的第/>
Figure SMS_10
个脆弱性评估指标的值，/>
Figure SMS_11
， />
Figure SMS_12
，/>
Figure SMS_13
为收集到的变电站数量，/>
Figure SMS_14
为脆弱性评估指标数量；
步骤S22：对于越大越优脆弱性评估指标，采用式（1）进行标准化，对于越小越优脆弱性评估指标，采用式（2）进行标准化，将原始数据矩阵
Figure SMS_15
中数据标准化后得到标准化矩阵
Figure SMS_16
：
Figure SMS_17
（1）
Figure SMS_18
（2）
Figure SMS_19
式中，
Figure SMS_20
为第/>
Figure SMS_21
个脆弱性评估指标数据中的最大值，/>
Figure SMS_22
为第/>
Figure SMS_23
个脆弱性评估指标数据中的最小值， />
Figure SMS_24
为第/>
Figure SMS_25
个变电站的第/>
Figure SMS_26
个脆弱性评估指标的标准化值；
步骤S23：通过式（3）计算各脆弱性评估指标的标准差：
Figure SMS_27
（3）
式中，
Figure SMS_28
为第/>
Figure SMS_29
个脆弱性评估指标的标准化均值，/>
Figure SMS_30
为第/>
Figure SMS_31
个脆弱性评估指标的标准化值的标准差；
脆弱性评估指标的相关性矩阵中各元素计算公式如下：
Figure SMS_32
（4）
式中，
Figure SMS_33
为第/>
Figure SMS_34
个脆弱性评估指标与第/>
Figure SMS_35
个脆弱性评估指标之间的相关系数，
Figure SMS_36
；
脆弱性评估指标信息承载量由式（5）进行计算：
Figure SMS_37
（5）
式中，
Figure SMS_38
为第/>
Figure SMS_39
个脆弱性评估指标的信息承载量；
步骤S24：通过下式计算得到各脆弱性评估指标的权重：
Figure SMS_40
(6)
式中，
Figure SMS_41
为第/>
Figure SMS_42
个脆弱性评估指标的权重，以各个脆弱性评估指标的权重构建权重向量/>
Figure SMS_43
，/>
Figure SMS_44
表示转置；
步骤S25：计算加权标准化矩阵，将标准化矩阵
Figure SMS_45
中各元素与对应的脆弱性评估指标的权重相乘得到加权标准化矩阵/>
Figure SMS_46
，/>
Figure SMS_47
为第/>
Figure SMS_48
个变电站的第/>
Figure SMS_49
个脆弱性评估指标加权标准值；
步骤S26：确定各脆弱性评估指标加权标准化正理想解
Figure SMS_50
和负理想解/>
Figure SMS_51
：
Figure SMS_52
(7)
其中，
Figure SMS_53
为第/>
Figure SMS_54
个脆弱性评估指标的正理想解，/>
Figure SMS_55
为第/>
Figure SMS_56
个脆弱性评估指标的负理想解；
步骤S27：计算各变电站脆弱性评估指标与理想解的马氏距离和灰色关联系数，其中马氏距离由式（8）计算，灰色关联系数由式（9）和式（10）计算：
Figure SMS_57
(8)
Figure SMS_58
(9)
Figure SMS_59
(10)
式中，
Figure SMS_64
和/>
Figure SMS_62
分别为第/>
Figure SMS_71
个变电站脆弱性评估指标与正、负理想解的马氏距离，/>
Figure SMS_69
为第/>
Figure SMS_74
个变电站脆弱性评估指标向量，/>
Figure SMS_68
为加权标准化矩阵/>
Figure SMS_73
的协方差矩阵的逆矩阵，/>
Figure SMS_63
和/>
Figure SMS_72
分别为第/>
Figure SMS_60
个变电站脆弱性评估指标与正、负理想解的灰色关联系数，/>
Figure SMS_70
为分辨系数；
Figure SMS_66
和/>
Figure SMS_76
分别为第/>
Figure SMS_65
个变电站第/>
Figure SMS_75
个脆弱性评估指标与正负理想解的灰色关联系数，/>
Figure SMS_67
和/>
Figure SMS_77
分别为第/>
Figure SMS_61
个脆弱性评估指标的正理想解和负理想解；
步骤S28：计算各变电站脆弱性评估值：
Figure SMS_78
(11)
式中，
Figure SMS_79
为第/>
Figure SMS_80
个变电站脆弱性评估值，/>
Figure SMS_81
和/>
Figure SMS_82
分为为马氏距离和灰色关联系数所占权重，均属于[0,1]，且/>
Figure SMS_83
。
进一步优选，所述危险性评估指标包括110 kV隔离开关数量、220 kV隔离开关数量、500 kV隔离开关数量、110 kV构架数量、220 kV构架数量、电容器组数量、叠放电抗器数量、常见鸟类体型、常见鸟类排泄物电导率、污秽度和降雨量。
进一步优选，所述脆弱性评估指标分为自然和社会两类，其中自然包括离河流距离、离湖泊距离、离森林距离、离农田距离和离鸟类迁徙通道距离，社会包括全站型防鸟装置覆盖程度、日常值守人数。
进一步优选，所述暴露度评估指标是指变电站类别。
本发明还提供了一种三维变电站涉鸟故障风险等级评估系统，包括：数据采集模块，用于收集各变电站涉鸟危险性、脆弱性和暴露度评估指标数据；输入模块，用于输入待评级变电站信息；计算模块，用于计算变电站涉鸟故障危险性、脆弱性和暴露度评估值；输出模块，输出该变电站对应的涉鸟故障风险等级。
本发明的有益效果：通过确定变电站涉鸟故障风险危险性、脆弱性和暴露度评估指标建立三维风险评估模型，运用SVM算法（支持向量机）实现对变电站涉鸟故障风险危险性的评估，同时采用改进CRITIC-TOPSIS方法（指标相关法-逼近理想解排序法）确定变电站涉鸟故障风险脆弱性的综合评估值，再结合该变电站对应的暴露度得到涉鸟故障风险评估值，最后通过此涉鸟故障风险评估值确定变电站涉鸟故障风险等级。本发明综合三个维度建立变电站涉鸟故障风险评估模型，采用客观科学有效的方法对数据进行处理，实现对变电站涉鸟故障风险等级更合理准确的评估，同时为后续变电站如何防鸟提供指导。
附图说明
为了更清楚地说明本申请实施例或传统技术中的技术方案，下面将对实施例或传统技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本申请的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。
图1为本发明实施例的一种三维变电站涉鸟故障风险等级评估方法的流程图。
图2为本发明实施例的系统示意图。
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，所描述的实施例仅仅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他实施例，都属于本发明保护的范围。
为了说明本发明所述的技术方案，下面通过具体实施例来进行说明。
参照图1，本发明公开一种三维变电站涉鸟故障风险等级评估方法，过程如下：
根据变电站涉鸟故障风险危险性、脆弱性和暴露度评估指标建立三维变电站涉鸟故障风险评估模型：
Figure SMS_84
，其中/>
Figure SMS_85
为变电站涉鸟故障风险评估值，/>
Figure SMS_86
为危险性评估值，/>
Figure SMS_87
为脆弱性评估值，/>
Figure SMS_88
为暴露度评估值；
采用SVM算法获取危险性评估值，采用改进CRITIC-TOPSIS方法获取脆弱性评估值，由变电站对应的等级确定暴露度评估值；所述暴露度评估值具体是指当变电站对应类别为（一类、二类、三类、四类）时暴露度评估值为（1、0.75、0.5、0.25）；
根据三维变电站涉鸟故障风险评估模型计算变电站涉鸟故障风险评估值；
将各变电站涉鸟故障风险评估值进行归一化处理，按[0,0.2]，(0.2,0.5]，(0.5,1]将涉鸟故障风险分为I、II、III三种等级，根据每个变电站归一化后的变电站涉鸟故障风险评估值所在区间确定风险等级。
对于风险等级为I的变电站，需要在隐患重灾区安装全站型防鸟装置；对于风险等级为II的变电站，需要在整站安装全站型防鸟装置；对于风险等级为III的变电站，需要在整站安装全站型防鸟装置并配合设备型防鸟装置，加强人工巡检，其中全站型防鸟装置指各类驱鸟器，设备型防鸟装置指防鸟挡板、护套等安装在设备上的装置。
本实施例中，危险性评估指标包括110 kV隔离开关数量、220 kV隔离开关数量、500 kV隔离开关数量、110 kV构架数量、220 kV构架数量、电容器组数量、叠放电抗器数量、常见鸟类体型、常见鸟类排泄物电导率、污秽度和降雨量；脆弱性评估指标分为自然和社会两类，其中自然包括离河流距离、离湖泊距离、离森林距离、离农田距离和离鸟类迁徙通道距离，社会包括全站型防鸟装置覆盖程度、日常值守人数；暴露度评估指标是指变电站类别。
危险性是指在诱发因素下发生涉鸟故障的可能性，变电站内存在的涉鸟故障类别包括电气类、机械类和腐蚀类，其中电气类指鸟类活动引起的短路跳闸等故障，主要发生在隔离开关和构架的绝缘子以及电容器组和叠放电抗器，其中500 kV构架绝缘子故障需要的鸟巢材料或鸟粪过长而不存在，因此不考虑，同时电气类故障中包括有绝缘子污秽闪络，因此需要考虑污秽度、降雨量以及鸟类排泄物，除此以外还包括鸟体短接类故障，因此需要考虑鸟类体型；机械类故障指鸟类活动引起的设备分合闸失败或不到位等故障，主要发生在隔离开关上；腐蚀类故障是指鸟粪长期堆积在变电设备表面，导致设备金属部件腐蚀断裂等故障，主要与鸟类排泄物有关。
脆弱性是指自然环境和社会面对涉鸟故障的敏感性，在自然环境上，变电站离河流、湖泊、森林、农田和鸟类迁徙通道越近，鸟类活动越频繁，越容易发生涉鸟故障；在社会上，变电站全站型防鸟装置覆盖越大、值班人数越多，就具有更好的驱赶鸟类，清除隐患的能力。
暴露度是指变电站在涉鸟故障影响下引发生命财产损失的程度，变电站类别越高越重要，发生涉鸟故障后引发的生命财产损失的程度更大。
Figure SMS_89
各评估指标的具体含义如表中所示。
本实施例中，所述危险性评估值通过以下步骤获取：
步骤S11：收集各变电站的危险性评估指标数据以及近3年年均发生的涉鸟故障事故数量。
步骤S12：数据预处理并按照年均发生的涉鸟故障事故数量进行危险分级，其中各变电站的危险性评估指标数据作为SVM模型的输入，数据预处理方法如下：
对于数值型指标，进行线性归一化操作将数据转化到[0,1]范围内，对于字符型指标，给其中的每一字符赋予[0,1]之间的数，例如对于鸟类体型，分为大鸟、小鸟和两者均有，可以分别赋予0、0.5和1，对于污秽度，有5种等级，分别赋予0、0.25、0.5、0.75和1。
年均发生的涉鸟故障事故数量作为危险性等级，分为3个等级，当年均数量≤1时为低危险，1＜年均数量≤3时为中等危险，年均数量＞3为高危险。
步骤S13：划分训练集和测试集，将80%样本作为训练集，20%数据样本作为测试集。
步骤S14：SVM模型训练和测试，SVM本质是一个二值分类器，但评估值有3个等级，因此选用1对1法搭建3个训练模型分别为（低危险，中等危险）、（低危险、高危险）和（中等危险、高危险），每个模型中的训练集只包括对应两类危险的样本，训练后可以得到3个训练结果，在测试的时候，把测试样本分别对3个结果进行测试，然后采取投票形式得到1个结果，调整核函数、惩罚系数、迭代次数等参数使测试集准确率达到90%以上。
步骤S15：将训练好的SVM模型用于其他缺少年均发生的涉鸟故障事故数量数据的变电站涉鸟故障危险等级预测，并根据危险等级确定危险性评估值，其中低危险对应评估值H=0.3，中等危险对应评估值H=0.6，高危险对应评估值H=0.9。
所述脆弱性评估值通过以下步骤获取：
步骤S21：收集各变电站脆弱性评估指标数据，构建原始数据矩阵
Figure SMS_90
：
Figure SMS_91
式中，
Figure SMS_92
为第/>
Figure SMS_93
个变电站的第/>
Figure SMS_94
个脆弱性评估指标的值，/>
Figure SMS_95
， />
Figure SMS_96
，/>
Figure SMS_97
为收集到的变电站数量，/>
Figure SMS_98
为脆弱性评估指标数量。
步骤S22：对于越大越优脆弱性评估指标，采用式（1）进行标准化，对于越小越优脆弱性评估指标，采用式（2）进行标准化，将原始数据矩阵
Figure SMS_99
中数据标准化后得到标准化矩阵
Figure SMS_100
：
Figure SMS_101
（1）
Figure SMS_102
（2）
Figure SMS_103
式中，式中，
Figure SMS_104
为第/>
Figure SMS_105
个脆弱性评估指标数据中的最大值，/>
Figure SMS_106
为第/>
Figure SMS_107
个脆弱性评估指标数据中的最小值，/>
Figure SMS_108
为第/>
Figure SMS_109
个变电站的第/>
Figure SMS_110
个脆弱性评估指标的标准化值。
步骤S23：计算信息承载量，脆弱性评估指标信息承载量与脆弱性评估指标的变异性和冲突性有关，脆弱性评估指标变异性可以用标准差来表示，通过式（3）计算各脆弱性评估指标的标准差：
Figure SMS_111
（3）
式中，
Figure SMS_112
为第/>
Figure SMS_113
个脆弱性评估指标的标准化均值，/>
Figure SMS_114
为第/>
Figure SMS_115
个脆弱性评估指标的标准化值的标准差。
脆弱性评估指标冲突性的计算需要用到指标的相关性矩阵，相关性矩阵中各元素计算公式如下：
Figure SMS_116
（4）
式中，
Figure SMS_117
为第/>
Figure SMS_118
个脆弱性评估指标与第/>
Figure SMS_119
个脆弱性评估指标之间的相关系数，
Figure SMS_120
。
脆弱性评估指标信息承载量由式（5）进行计算：
Figure SMS_121
（5）
式中，
Figure SMS_122
为第/>
Figure SMS_123
个脆弱性评估指标的信息承载量。
步骤S24：通过下式计算得到各脆弱性评估指标的权重：
Figure SMS_124
(6)
式中，
Figure SMS_125
为第/>
Figure SMS_126
个脆弱性评估指标的权重，以各个脆弱性评估指标的权重构建权重向量/>
Figure SMS_127
，/>
Figure SMS_128
表示转置；
步骤S25：计算加权标准化矩阵，将标准化矩阵
Figure SMS_129
中各元素与对应的脆弱性评估指标的权重相乘得到加权标准化矩阵/>
Figure SMS_130
，/>
Figure SMS_131
为第/>
Figure SMS_132
个变电站的第/>
Figure SMS_133
个脆弱性评估指标加权标准值。
步骤S26：确定各脆弱性评估指标加权标准化正理想解
Figure SMS_134
和负理想解/>
Figure SMS_135
。
Figure SMS_136
(7)
其中，
Figure SMS_137
为第/>
Figure SMS_138
个脆弱性评估指标的正理想解，/>
Figure SMS_139
为第/>
Figure SMS_140
个脆弱性评估指标的负理想解；
传统的TOPSIS采用的是欧氏距离，将各指标之间的差别等同看待，这一点有时不能满足实际要求，没有考虑到总体变异对距离远近的影响，而马氏距离考虑到各指标之间的联系，并且与尺度无关，是对欧氏距离的一种修正，同时灰色关联法也能通过因素之间几何形状趋势的相似程度高低来判断指标优劣，因此本文的TOPSIS选用马氏距离和灰色关联系数相结合的方法，使模型计算结果与实践更温和、更科学。
步骤S27：计算各变电站脆弱性评估指标与理想解的马氏距离和灰色关联系数，其中马氏距离由式（8）计算，灰色关联系数由式（9）和式（10）计算：
Figure SMS_141
(8)
Figure SMS_142
(9)
Figure SMS_143
(10)
式中，
Figure SMS_152
和/>
Figure SMS_147
分别为第/>
Figure SMS_159
个变电站脆弱性评估指标与正、负理想解的马氏距离，/>
Figure SMS_145
为第/>
Figure SMS_155
个变电站脆弱性评估指标向量，/>
Figure SMS_153
为加权标准化矩阵/>
Figure SMS_156
的协方差矩阵的逆矩阵，/>
Figure SMS_151
和/>
Figure SMS_157
分别为第/>
Figure SMS_144
个变电站脆弱性评估指标与正、负理想解的灰色关联系数， />
Figure SMS_154
为分辨系数，在0~1范围内，/>
Figure SMS_149
越小，分辨力越大，一般取0.5；/>
Figure SMS_162
和/>
Figure SMS_148
分别为第/>
Figure SMS_161
个变电站第/>
Figure SMS_146
个脆弱性评估指标与正负理想解的灰色关联系数，/>
Figure SMS_158
和/>
Figure SMS_150
分别为第/>
Figure SMS_160
个脆弱性评估指标的正理想解和负理想解。
步骤S28：计算各变电站脆弱性评估值，由于马氏距离越大越优而灰色关联系数越小越优，因此变电站脆弱性评估值计算公式如下：
Figure SMS_163
(11)
式中，
Figure SMS_164
为第/>
Figure SMS_165
个变电站脆弱性评估值，/>
Figure SMS_166
和/>
Figure SMS_167
分为为马氏距离和灰色关联系数所占权重，均属于[0,1]，且/>
Figure SMS_168
，一般/>
Figure SMS_169
。
图2为本发明实施例的一种三维变电站涉鸟故障风险等级评估系统示意图，包括：数据采集模块201，用于收集各变电站涉鸟危险性、脆弱性和暴露度评估指标数据；输入模块202，用于输入待评级变电站信息；计算模块203，用于计算变电站涉鸟故障危险性、脆弱性和暴露度评估值；输出模块204，输出该变电站对应的涉鸟故障风险等级。
最后应说明的是：以上所述仅为本发明的优选实例而已，并不用于限制本发明，尽管参照前述实施例对本发明进行了详细的说明，对于本领域的技术人员来说，其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分技术特征进行等同替换。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，均应包含在本发明的保护范围之内。

Claims (4)

1.一种三维变电站涉鸟故障风险等级评估方法，其特征在于，过程如下：
根据变电站涉鸟故障风险危险性、脆弱性和暴露度评估指标建立三维变电站涉鸟故障风险评估模型：
Figure QLYQS_1
，其中/>
Figure QLYQS_2
为变电站涉鸟故障风险评估值，/>
Figure QLYQS_3
为危险性评估值，/>
Figure QLYQS_4
为脆弱性评估值，/>
Figure QLYQS_5
为暴露度评估值；所述暴露度评估指标是指变电站类别；
用SVM算法获取危险性评估值，采用改进CRITIC-TOPSIS方法获取脆弱性评估值，由变电站对应的等级确定暴露度评估值；
根据三维变电站涉鸟故障风险评估模型计算变电站涉鸟故障风险评估值；
将各变电站涉鸟故障风险评估值进行归一化处理，按风险评估值区间将涉鸟故障风险分为若干等级，根据每个变电站归一化后的变电站涉鸟故障风险评估值所在区间确定风险等级；
所述危险性评估值通过以下步骤获取：
步骤S11：收集各变电站的危险性评估指标数据以及近x年年均发生的涉鸟故障事故数量;
步骤S12：数据预处理并按照年均发生的涉鸟故障事故数量进行危险分级，其中各变电站的危险性评估指标数据作为SVM模型的输入；
步骤S13：划分训练集和测试集；
步骤S14：SVM模型训练和测试；
步骤S15：将训练好的SVM模型用于其他缺少年均发生的涉鸟故障事故数量数据的变电站涉鸟故障危险等级预测，并根据危险等级确定危险性评估值；
所述脆弱性评估值通过以下步骤获取：
步骤S21：收集各变电站脆弱性评估指标数据，构建原始数据矩阵
Figure QLYQS_6
：
Figure QLYQS_7
；
式中，
Figure QLYQS_8
为第/>
Figure QLYQS_9
个变电站的第/>
Figure QLYQS_10
个脆弱性评估指标的值，/>
Figure QLYQS_11
，/>
Figure QLYQS_12
，/>
Figure QLYQS_13
为收集到的变电站数量，/>
Figure QLYQS_14
为脆弱性评估指标数量；
步骤S22：对于越大越优脆弱性评估指标，采用式（1）进行标准化，对于越小越优脆弱性评估指标，采用式（2）进行标准化，将原始数据矩阵
Figure QLYQS_15
中数据标准化后得到标准化矩阵/>
Figure QLYQS_16
：
Figure QLYQS_17
；
Figure QLYQS_18
；
Figure QLYQS_19
；
式中，
Figure QLYQS_20
为第/>
Figure QLYQS_21
个脆弱性评估指标数据中的最大值，/>
Figure QLYQS_22
为第/>
Figure QLYQS_23
个脆弱性评估指标数据中的最小值，/>
Figure QLYQS_24
为第/>
Figure QLYQS_25
个变电站的第/>
Figure QLYQS_26
个脆弱性评估指标的标准化值；
步骤S23：通过式（3）计算各脆弱性评估指标的标准差：
Figure QLYQS_27
；
式中，
Figure QLYQS_28
为第/>
Figure QLYQS_29
个脆弱性评估指标的标准化均值，/>
Figure QLYQS_30
为第/>
Figure QLYQS_31
个脆弱性评估指标的标准化值的标准差；
脆弱性评估指标的相关性矩阵中各元素计算公式如下：
Figure QLYQS_32
；
式中，
Figure QLYQS_33
为第/>
Figure QLYQS_34
个脆弱性评估指标与第/>
Figure QLYQS_35
个脆弱性评估指标之间的相关系数，
Figure QLYQS_36
；
脆弱性评估指标信息承载量由式（5）进行计算：
Figure QLYQS_37
；
式中，
Figure QLYQS_38
为第/>
Figure QLYQS_39
个脆弱性评估指标的信息承载量；
步骤S24：通过下式计算得到各脆弱性评估指标的权重：
Figure QLYQS_40
；
式中，
Figure QLYQS_41
为第/>
Figure QLYQS_42
个脆弱性评估指标的权重，以各个脆弱性评估指标的权重构建权重向量/>
Figure QLYQS_43
，/>
Figure QLYQS_44
表示转置；
步骤S25：计算加权标准化矩阵，将标准化矩阵
Figure QLYQS_45
中各元素与对应的脆弱性评估指标的权重相乘得到加权标准化矩阵/>
Figure QLYQS_46
，/>
Figure QLYQS_47
为第/>
Figure QLYQS_48
个变电站的第/>
Figure QLYQS_49
个脆弱性评估指标加权标准值；
步骤S26：确定各脆弱性评估指标加权标准化正理想解
Figure QLYQS_50
和负理想解/>
Figure QLYQS_51
：
Figure QLYQS_52
；
其中，
Figure QLYQS_53
为第/>
Figure QLYQS_54
个脆弱性评估指标的正理想解，/>
Figure QLYQS_55
为第/>
Figure QLYQS_56
个脆弱性评估指标的负理想解；
步骤S27：计算各变电站脆弱性评估指标与理想解的马氏距离和灰色关联系数，其中马氏距离由式（8）计算，灰色关联系数由式（9）和式（10）计算：
Figure QLYQS_57
；
Figure QLYQS_58
；
Figure QLYQS_59
；
式中，
Figure QLYQS_66
和/>
Figure QLYQS_65
分别为第/>
Figure QLYQS_70
个变电站脆弱性评估指标与正、负理想解的马氏距离，/>
Figure QLYQS_61
为第/>
Figure QLYQS_71
个变电站脆弱性评估指标向量，/>
Figure QLYQS_76
为加权标准化矩阵/>
Figure QLYQS_77
的协方差矩阵的逆矩阵，/>
Figure QLYQS_60
和/>
Figure QLYQS_69
分别为第/>
Figure QLYQS_63
个变电站脆弱性评估指标与正、负理想解的灰色关联系数，/>
Figure QLYQS_75
为分辨系数；/>
Figure QLYQS_64
和
Figure QLYQS_73
分别为第/>
Figure QLYQS_67
个变电站第/>
Figure QLYQS_72
个脆弱性评估指标与正负理想解的灰色关联系数，/>
Figure QLYQS_62
和/>
Figure QLYQS_68
分别为第/>
Figure QLYQS_74
个脆弱性评估指标的正理想解和负理想解；
步骤S28：计算各变电站脆弱性评估值：
Figure QLYQS_78
；
式中，
Figure QLYQS_79
为第/>
Figure QLYQS_80
个变电站脆弱性评估值，/>
Figure QLYQS_81
和/>
Figure QLYQS_82
分为为马氏距离和灰色关联系数所占权重，均属于[0,1]，且/>
Figure QLYQS_83
。
2.根据权利要求1所述的三维变电站涉鸟故障风险等级评估方法，其特征在于，所述危险性评估指标包括110 kV隔离开关数量、220 kV隔离开关数量、500 kV隔离开关数量、110kV构架数量、220 kV构架数量、电容器组数量、叠放电抗器数量、常见鸟类体型、常见鸟类排泄物电导率、污秽度和降雨量。
3.根据权利要求2所述的三维变电站涉鸟故障风险等级评估方法，其特征在于，所述脆弱性评估指标分为自然和社会两类，其中自然包括离河流距离、离湖泊距离、离森林距离、离农田距离和离鸟类迁徙通道距离，社会包括全站型防鸟装置覆盖程度、日常值守人数。
4.一种三维变电站涉鸟故障风险等级评估系统，包括：数据采集模块，用于收集各变电站涉鸟危险性、脆弱性和暴露度评估指标数据；输入模块，用于输入待评级变电站信息；计算模块，用于按权利要求1-3任意一项所述三维变电站涉鸟故障风险等级评估方法计算变电站涉鸟故障危险性、脆弱性和暴露度评估值；输出模块，输出该变电站对应的涉鸟故障风险等级。
CN202310168179.0A 2023-02-27 2023-02-27 一种三维变电站涉鸟故障风险等级评估方法及系统 Active CN115879775B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310168179.0A CN115879775B (zh) 2023-02-27 2023-02-27 一种三维变电站涉鸟故障风险等级评估方法及系统

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310168179.0A CN115879775B (zh) 2023-02-27 2023-02-27 一种三维变电站涉鸟故障风险等级评估方法及系统

Publications (2)

Publication Number Publication Date
CN115879775A CN115879775A (zh) 2023-03-31
CN115879775B true CN115879775B (zh) 2023-06-16

Family

ID=85761667

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310168179.0A Active CN115879775B (zh) 2023-02-27 2023-02-27 一种三维变电站涉鸟故障风险等级评估方法及系统

Country Status (1)

Country Link
CN (1) CN115879775B (zh)

Families Citing this family (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN117251974B (zh) * 2023-11-15 2024-03-12 国网江西省电力有限公司电力科学研究院 一种变电站防鸟装置布局方案生成系统

Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105023283A (zh) * 2015-06-24 2015-11-04 云南电网有限责任公司电力科学研究院 基于冬候鸟迁徙路径及生境的电网鸟害图绘制方法及系统
CN114399204A (zh) * 2022-01-17 2022-04-26 北京工业大学 一种城市内涝灾害风险评估方法

Family Cites Families (12)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN101483567B (zh) * 2008-12-19 2011-04-13 西北电网有限公司 一种基于无线通信和光通信的高压输电线路监测方法
JP2011204200A (ja) * 2010-03-26 2011-10-13 Tokyo Electric Power Co Inc:The 移動体軌跡図作成装置及びコンピュータプログラム
CN107239651A (zh) * 2017-04-17 2017-10-10 国网辽宁省电力有限公司电力科学研究院 一种电网鸟粪类故障风险等级评估的方法
CN110110989A (zh) * 2019-04-29 2019-08-09 国网河北省电力有限公司经济技术研究院 架空线路防鸟效果的评价方法及终端设备
CN110276528A (zh) * 2019-05-29 2019-09-24 上海电力学院 一种电厂控制系统信息安全风险评估系统
CN111598309B (zh) * 2020-04-27 2024-05-31 国网山东省电力公司电力科学研究院 一种差异化鸟害风险等级评判方法及系统
CN111832895B (zh) * 2020-06-10 2024-02-23 中国水产科学研究院黄海水产研究所 一种基于灰色加权关联度的滨海湿地生态脆弱性潜在风险评估方法
CN112529351A (zh) * 2020-08-24 2021-03-19 上海应用技术大学 一种针对多个尾矿库的安全风险评估方法
CN112132432A (zh) * 2020-09-15 2020-12-25 中国水产科学研究院黄海水产研究所 一种滨海湿地生态脆弱性潜在风险综合评估方法
CN112884320B (zh) * 2021-02-18 2022-03-29 中铁建华南建设有限公司 基于熵值模型的基坑风险评估方法、装置、设备和介质
CN115115175A (zh) * 2022-05-18 2022-09-27 北京建筑大学 干旱风险等级评估方法、装置及计算机设备
CN115630270B (zh) * 2022-12-19 2023-03-14 国网江西省电力有限公司电力科学研究院 一种变电站防鸟装置应用效果评估方法及系统

Patent Citations (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN105023283A (zh) * 2015-06-24 2015-11-04 云南电网有限责任公司电力科学研究院 基于冬候鸟迁徙路径及生境的电网鸟害图绘制方法及系统
CN114399204A (zh) * 2022-01-17 2022-04-26 北京工业大学 一种城市内涝灾害风险评估方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
Analysis of Bird-related Outage Risk for Hunan Power Grid;Zhang Liu;《2017 EPTC Power Transmission and Transformation Technology Conference》;全文 *

Also Published As

Publication number Publication date
CN115879775A (zh) 2023-03-31

Similar Documents

Publication Publication Date Title
Afrasiabi et al. Integration of accelerated deep neural network into power transformer differential protection
CN106850254B (zh) 一种电力通信网中关键节点识别方法
CN115879775B (zh) 一种三维变电站涉鸟故障风险等级评估方法及系统
CN116229380B (zh) 一种变电站涉鸟故障相关鸟种识别方法
CN111080105A (zh) 基于电压时序数据的台区户变关系识别方法及系统
Khalyasmaa et al. Expert system for engineering assets' management of utility companies
CN111160241B (zh) 一种基于深度学习的配电网故障分类方法、系统和介质
CN113283155B (zh) 一种近地表气温估算方法、系统、存储介质及设备
CN109711435A (zh) 一种基于遗传算法的支持向量机在线电压稳定性监测方法
CN109214604A (zh) 基于Adaboost的输变电设备的雾霾灾害风险预测方法及系统
CN110610212A (zh) 一种配电网的变压器的故障分类方法和故障分类装置
CN113866552B (zh) 一种基于机器学习的中压配网用户用电异常诊断方法
CN116432112A (zh) 基于小波包变换、残差卷积神经网络的电弧故障检测方法
Kanwal et al. Artificial intelligence based faults identification, classification, and localization techniques in transmission lines-a review
CN105868916A (zh) 基于相似日聚类的微电网光伏出力空间预测方法
CN117113243B (zh) 一种光伏设备异常检测方法
Aligholian et al. GraphPMU: Event clustering via graph representation learning using locationally-scarce distribution-level fundamental and harmonic PMU measurements
CN112036718B (zh) 一种考虑新能源不确定性的电力系统安全风险评估方法
CN113298296A (zh) 一种自下而上的输电变电站日前负荷概率预测方法
CN117333045A (zh) 一种海上风电机组服役环境状态评价方法和系统
CN112287953A (zh) 一种用于gis绝缘缺陷类别识别的方法及系统
Babayomi et al. Intelligent fault diagnosis in a power distribution network
CN114421465A (zh) 基于元件拓扑的电网参数辨识校验方法、装置及存储介质
CN105678460B (zh) 雷电灾害与设备过载及断面越限的关联度分析方法
CN111382147A (zh) 一种气象数据缺失插补方法和系统

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