CN116484565A - 基于时变故障率模型和时序模拟的可靠性评估方法及系统 - Google Patents
基于时变故障率模型和时序模拟的可靠性评估方法及系统 Download PDFInfo
- Publication number
- CN116484565A CN116484565A CN202211542480.5A CN202211542480A CN116484565A CN 116484565 A CN116484565 A CN 116484565A CN 202211542480 A CN202211542480 A CN 202211542480A CN 116484565 A CN116484565 A CN 116484565A
- Authority
- CN
- China
- Prior art keywords
- time
- failure
- weather
- varying
- power grid
- 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
- 238000004088 simulation Methods 0.000 title claims abstract description 58
- 238000011156 evaluation Methods 0.000 title claims abstract description 38
- 238000005070 sampling Methods 0.000 claims abstract description 59
- 238000000034 method Methods 0.000 claims abstract description 32
- 238000011160 research Methods 0.000 claims description 16
- 238000004364 calculation method Methods 0.000 claims description 14
- 238000004590 computer program Methods 0.000 claims description 8
- 238000010276 construction Methods 0.000 claims description 7
- 238000004458 analytical method Methods 0.000 claims description 6
- 230000007812 deficiency Effects 0.000 claims description 6
- 238000013179 statistical model Methods 0.000 claims description 3
- 238000004891 communication Methods 0.000 description 5
- 238000010586 diagram Methods 0.000 description 4
- 230000003044 adaptive effect Effects 0.000 description 3
- 238000007619 statistical method Methods 0.000 description 3
- 238000012952 Resampling Methods 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 2
- 230000007774 longterm Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 238000006424 Flood reaction Methods 0.000 description 1
- PEDCQBHIVMGVHV-UHFFFAOYSA-N Glycerine Chemical compound OCC(O)CO PEDCQBHIVMGVHV-UHFFFAOYSA-N 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 239000004973 liquid crystal related substance Substances 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F30/00—Computer-aided design [CAD]
- G06F30/20—Design optimisation, verification or simulation
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2111/00—Details relating to CAD techniques
- G06F2111/08—Probabilistic or stochastic CAD
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2113/00—Details relating to the application field
- G06F2113/04—Power grid distribution networks
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2119/00—Details relating to the type or aim of the analysis or the optimisation
- G06F2119/02—Reliability analysis or reliability optimisation; Failure analysis, e.g. worst case scenario performance, failure mode and effects analysis [FMEA]
-
- 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)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Computer Hardware Design (AREA)
- Evolutionary Computation (AREA)
- Geometry (AREA)
- General Engineering & Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明公开了基于时变故障率模型和时序模拟的可靠性评估方法及系统包括:获取电网元件历史运行参数和外部运行条件,统计元件历史故障频率和修复率,计算元件故障率和故障概率;基于外部运行条件计算气象灾害发生概率和各气象灾害导致设备故障的故障率,构建元件时变故障率模型;利用时序模拟法获取天气条件,基于天气抽样精度进行天气自适应重复抽样;利用元件时变故障率模型获取元件故障率和故障概率;基于抽样结果、故障率和故障概率获取短期系统情况时序曲线,计算电网可靠性指标。本发明能更准确地描述时间及环境相关的电网故障率,既反映天气对于系统可靠性的影响,又反映恶劣天气下的系统典型时序状态,对恶劣天气下系统故障情况提供参考。
Description
技术领域
本发明涉及电网可靠性评估技术领域,具体为基于时变故障率模型和时序模拟的可靠性评估方法及系统。
背景技术
近年来,电网的规模不断扩大,结构日趋复杂,同时全球范围内的极端气象灾害频发,对电网的安全稳定运行造成了极大的威胁。气象学指出,极端气象事件具有年际群发性和气候分区群发性特征,而气象灾害频繁的月份,相应的电网元件可靠性水平较低,更易出现故障,整体电网运行面临严峻的风险。
常规的电网可靠性评估均是采用离线的、固定不变的年均故障概率模型,难以适应电网风险预警和短期可靠性评估。
发明内容
本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊,而这种简化或省略不能用于限制本发明的范围。
本发明提出了基于时变故障率模型和时序模拟的可靠性评估方法及系统,用于解决预测电力系统在极端天气下的系统故障情况,评估天气对电力系统可靠性的影响。
本发明提供的基于时变故障率模型和时序模拟的可靠性评估方法,包括:
获取电网元件历史运行参数和外部运行条件,统计电网元件的历史故障频率和修复率,计算元件故障率和故障概率;
基于所述外部运行条件计算气象灾害在预设时间内的发生概率,并计算各类气象灾害导致设备故障的故障率,基于所述元件故障率、故障概率、气象灾害在预设时间内的发生概率和各类气象灾害导致设备故障的故障率构建元件时变故障率模型;
利用时序模拟法获取预设时刻的天气条件,基于天气抽样精度进行天气自适应重复抽样并统计抽样结果;
基于所述抽样结果和所述元件时变故障率模型获取电网元件时变故障率和故障概率,并获取短期系统情况时序曲线,计算电网可靠性指标。
作为本发明所述的基于时变故障率模型和时变模拟的可靠性评估方法的一种优选方案,其中:所述统计电网元件的历史故障频率,包括:以月为时间尺度统计近几年内电网元件的故障频率,统计单个设备在不同月份的故障频率,并对电网设备进行分类,计算n个同类设备的月平均故障频率;
单个设备在不同月份的统计模型表示为:
其中,fk为第k个月元件的故障频率;Nki为元件第i年第k月中的故障次数;Tk为第k个月的时间;M为统计年数;
同类设备月均故障频率表示为:
其中,f1表示统计年数内多个设备在某月份的平均故障频率;f1m为第m个设备在某月份的故障频率。
作为本发明所述的基于时变故障率模型和时变模拟的可靠性评估方法的一种优选方案,其中:所述计算元件故障率和故障概率,表示为:
其中,λ表示元件故障率,P表示元件故障概率,r和μ分别为元件的修复时间和修复率。
作为本发明所述的基于时变故障率模型和时变模拟的可靠性评估方法的一种优选方案,其中:所述计算各类气象灾害导致设备故障的故障率,表示为:
其中,λj为第j类气象灾害的故障率;Nj为元件在第j类气象灾害的故障次数;Tj为第j类气象灾害的持续时间;αj为第j类气象灾害的持续时间占研究时间区间的百分比;βj为第j类气象灾害下元件的故障次数占研究时间内总故障次数的百分比。
作为本发明所述的基于时变故障率模型和时变模拟的可靠性评估方法的一种优选方案,其中:所述利用时序模拟法获取预设时刻的天气条件,包括:依据历史天气数据抽取随机数r,模拟时刻所处区间每类天气出现的概率分别为:P1,P2,…,Pa,并设有V1,V2,…,Va,二者之间的关系表示为:
其中,Pi表示各类天气出现的概率,Vi表示模拟时钟推进时刻的天气条件;
抽取随机数时,需在[0,1]之间抽取随机数r,当r≤V1时,取第一种天气条件;当Vi<r≤Vi+1时,取第i+1种天气条件。
作为本发明所述的基于时变故障率模型和时变模拟的可靠性评估方法的一种优选方案,其中:所述天气抽样精度,表示为:
其中,τ表示天气抽样精度,p表示各类恶劣天气的抽样结果,n表示天气抽样次数。
作为本发明所述的基于时变故障率模型和时变模拟的可靠性评估方法的一种优选方案,其中:所述获取短期系统情况时序曲线计算电网可靠性指标,包括:确定短期时间区间,根据元件故障率和故障概率抽取该时刻的各个元件状态,组成该时刻的系统状态;记录该时刻系统状态直至短期时间区间的最后时刻结束以形成短期系统情况曲线;
其中,短期系统情况时序曲线的集合表示为:
Ξ={δ1,δ2,…,δn}
式中,Ξ为短期系统情况时序曲线的集合,n为短期时间区间总时刻,δi为第i时刻抽样取得的系统状态;
再利用最优切负荷模型计算负荷切除量,并计算电网可靠性指标:失负荷概率LOLP、电力不足期望值EDNS、电量不足期望值EENS;
失负荷概率LOLP的计算公式表示为:
其中,M是系统状态抽样总数;m(s)是抽样中系统状态s出现的次数;F为系统失效状态集;
电力不足期望值EDNS的计算公式表示为:
其中,C(s)表示系统状态s的削负荷量;
电量不足期望值EENS表示为:
其中,t为给定的时间区间。
第二方面,本发明实施例提供了基于时变故障率模型和时变模拟的可靠性评估系统,其特征在于,包括:
采集计量模块,数据计算模块,模型构建模块,模拟与抽样模块,分析模块;
采集计量模块,用于获取电网元件历史运行参数和外部运行条件,统计电网元件的历史故障频率和修复率;
数据计算模块,用于计算元件故障率和故障概率,基于所述外部运行条件计算气象灾害在预设时间内的发生概率,并计算各类气象灾害导致设备故障的故障率;
模型构建模块,用于基于所述元件故障率、故障概率、气象灾害在预设时间内的发生概率和各类气象灾害导致设备故障的故障率构建元件时变故障率模型;
模拟与抽样模块,用于利用时序模拟法获取预设时刻的天气条件,基于天气抽样精度进行天气自适应重复抽样并统计抽样结果;
分析模块,用于基于所述抽样结果和所述元件时变故障率模型获取电网元件时变故障率和故障概率,并获取短期系统情况时序曲线,计算电网可靠性指标。
第三方面,本发明实施例提供了一种计算机设备,包括:存储器和处理器,所述存储器存储有计算机程序,所述处理器用于执行所述计算机可执行指令,当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如本发明任一实施例所述的基于时变故障率模型和时变模拟的可靠性评估方法。
第四方面,本发明实施例提供了一种计算机可读存储介质,其存储有计算机可执行指令,该计算机可执行指令被处理器执行时实现所述的基于时变故障率模型和时变模拟的可靠性评估方法。
本发明的有益效果:本发明提供了一种基于时变故障率模型和时序模拟的可靠性评估方法及系统,相较于传统的电网可靠性评估采用固定不变的元件年均故障率模型,本发明在描述电网元件故障参数时,从原来的一维横向连续时间下的年均值模型,扩展到考虑历史同期时间和导致故障的因素,特别是外部气象环境因素,以便更准确地描述时间及环境相关的电网故障率;此外,采用以天为时间尺度的时序模拟法进行可靠性评估,不仅能得到每月的平均故障率,还能根据抽样的天气条件得到每天的电网故障率,建立了不同时间尺度、不同气象灾害类型下的元件故障率模型,进而可以实现电网的短期和长期多尺度的可靠性评估;以天为时间尺度的自适应重复抽样不仅可以反映天气对于系统可靠性的影响,还可以具体反映恶劣天气下的系统典型时序状态,对恶劣天气下的系统故障情况提供参考。
附图说明
为了更清楚地说明本发明实施例的技术方案,下面将对实施例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发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其它的附图。其中:
图1为本发明一个实施例提供的基于时变故障率模型和时序模拟的可靠性评估方法的整体流程图;
图2为本发明一个实施例提供的元件时变故障率模型的构建流程图;
图3为本发明一个实施例提供的基于时序模拟进行电网可靠性评估的方法流程图;
图4是本发明提供的基于时变故障率模型和时变模拟的可靠性评估系统计算机设备内部结构示意图;
图5为本发明一个实施例提供的IEEE30节点系统结构示意图;
图6为本发明一个实施例提供的各气象灾害下的逐月故障率结果示意图;
图7为本发明一个实施例提供的逐月的EENS与系统年均EENS的结果对比图;
图8为本发明一个实施例提供的7月系统逐日的EENS曲线图。
具体实施方式
为使本发明的上述目的、特征和优点能够更加明显易懂,下面结合说明书附图对本发明的具体实施方式做详细的说明,显然所描述的实施例是本发明的一部分实施例,而不是全部实施例。基于本发明中的实施例,本领域普通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,都应当属于本发明的保护的范围。
在下面的描述中阐述了很多具体细节以便于充分理解本发明,但是本发明还可以采用其他不同于在此描述的其它方式来实施,本领域技术人员可以在不违背本发明内涵的情况下做类似推广,因此本发明不受下面公开的具体实施例的限制。
其次,此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例,也不是单独的或选择性的与其他实施例互相排斥的实施例。
本发明结合示意图进行详细描述,在详述本发明实施例时,为便于说明,表示器件结构的剖面图会不依一般比例作局部放大,而且所述示意图只是示例,其在此不应限制本发明保护的范围。此外,在实际制作中应包含长度、宽度及深度的三维空间尺寸。
同时在本发明的描述中,需要说明的是,术语中的“上、下、内和外”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和简化描述,而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作,因此不能理解为对本发明的限制。此外,术语“第一、第二或第三”仅用于描述目的,而不能理解为指示或暗示相对重要性。
本发明中除非另有明确的规定和限定,术语“安装、相连、连接”应做广义理解,例如:可以是固定连接、可拆卸连接或一体式连接;同样可以是机械连接、电连接或直接连接,也可以通过中间媒介间接相连,也可以是两个元件内部的连通。对于本领域的普通技术人员而言,可以具体情况理解上述术语在本发明中的具体含义。
实施例1
参照图1~4,为本发明的一个实施例,提供了基于时变故障率模型和时序模拟的可靠性评估方法,包括:
S1:获取电网元件历史运行参数和外部运行条件,统计电网元件的历史故障频率和修复率,计算元件故障率和故障概率;
应说明的是,电网设备历史运行参数包括:电网元件设备信息、电网的网架结构、负荷数据、发电机数据、故障数据以及故障修复数据。
还应说明的是,电网的外部运行条件包括:电网所在区域的气候特点、历史气象统计数据、气象灾害分类数据。
具体的,以月为时间尺度统计近几年内电网元件的故障频率,单个设备在不同月份的统计模型表示为:
其中,fk为第k个月元件的故障频率(次/月);Nki为元件第i年第k月中的故障次数;Tk为第k个月的时间;M为统计年数。
应说明的是,时间尺度可以根据实际电网系统可靠性评估需求进行设置与选择,时间尺度可以设置为:天、月、季节、季度、年等任意时间段内,但最小的时间为天。
更进一步的,对电网设备进行分类,计算n个同类设备的月平均故障频率,表示为:
其中,f1表示统计年数内多个设备在某月份的平均故障频率;f1m为第m个设备在某月份的故障频率。
更进一步的,采用传统的统计方法获取元件的修复率,元件的故障率λ和故障概率P分别表示为:
其中,r和μ分别为元件的修复时间和修复率,一般情况下r和f的值较小,可以近似认为λ=f。
更进一步的,确定研究时间区间,利用步骤一至步骤三获取各电网设备的故障率,并结合研究时间区间计算电网设备的平均故障率λavg。
S2:基于所述外部运行条件计算气象灾害在预设时间内的发生概率,并计算各类气象灾害导致设备故障的故障率,构建元件时变故障率模型;
具体的,基于电网所在地区气候特点和历史气象统计数据进行气象曲线抽样,统计预设时间尺度内各种天气条件的种类数,每种天气条件在预设时间尺度内持续小时数为Ti(i=1,2,3…a),计算预设时间尺度内各种天气出现的概率,表示为:
其中,Pi表示某天气条件出现的概率,Ti表示某天气条件在预设时间尺度内持续的小时数,Ts表示预设时间尺度的总小时数。
更进一步的,在研究时间区间内按照式(1)~(4)计算电网的平均故障率和平均故障概率,并根据气象曲线统计气象灾害的持续时间占研究时间区间的百分比α和气象灾害下元件的故障次数占研究时间内总故障次数的百分比β。
更进一步的,将某一气象灾害的持续时间计入研究时间区间内,计算气象灾害导致电网设备故障的故障率,表示为:
其中,λj为第j类气象灾害的故障率;Nj为元件在第j类气象灾害的故障次数;Tj为第j类气象灾害的持续时间;αj为第j类气象灾害的持续时间占研究时间区间的百分比;βj为第j类气象灾害下元件的故障次数占研究时间内总故障次数的百分比。
应说明的是,相较于传统的电网可靠性评估方法中采用固定不变的元件年均故障率模型,本发明提出的基于元件时变故障率模型进行电网可靠性评估的方法能够更为准确的描述时间及环境相关的电网故障率情况,更加灵活的实现对电网可靠性进行评估。
在一个可选的实施例中,构建元件时变故障率模型的具体步骤为:
步骤一:以月为时间尺度统计近几年内电网元件的故障频率,统计单个设备在不同月份的故障频率;
步骤二:对电网设备进行分类,计算n个同类设备的月平均故障频率;
步骤三:采用传统的统计方法获取元件的修复率,计算元件的故障率λ和故障概率P;
步骤四:确定研究时间区间,利用步骤一至步骤三获取各电网设备的故障率,并结合研究时间区间计算电网设备的平均故障率λavg;
步骤五:计算气象灾害在预设时间内的发生概率;
步骤六:将某一气象灾害的持续时间计入研究时间区间内,计算气象灾害导致电网设备故障的故障率,最终完成对元件时变故障率模型的构建。
S3:利用时序模拟法获取预设时刻的天气条件,基于天气抽样精度进行天气自适应重复抽样并统计抽样结果;
具体的,利用时序模拟法进行一次整年时序可靠性评估,模拟时钟以天为时间尺度进行推进,初始时刻为0,一年以365天计算,1~12月所对应的天数按照实际月份所对应的天数计算;当模拟时钟推进到时刻d时,若0<d≤31则所处月份为1月;若31<d≤59则所处月份为2月;依次类推,若334<d≤365则所处月份为12月。
更进一步的,依据历史天气数据抽取随机数确定该时刻的天气条件,具体为:
模拟时刻所处月份每类天气出现的概率分别为:P1,P2,…,Pa,并设有V1,V2,…,Va,二者之间满足下列关系:
其中,Pi表示各类天气出现的概率,Vi表示模拟时钟推进时刻的天气条件。
抽取随机数时,需在[0,1]之间抽取随机数r,当r≤V1时,取第一种天气条件;当Vi<r≤Vi+1时,取第i+1种天气条件。
应说明的是,采用以天为时间尺度的时序模拟法进行可靠性评估,不仅能得到每月的平均故障率,还能根据抽样的天气条件得到每天的电网故障率,建立了不同时间尺度、不同气象灾害类型下的元件故障率模型,进而可以实现电网的短期和长期多尺度的可靠性评估。
应说明的是,天气抽样精度为天气抽样过程的均值方差系数。
在一个可选的实施例中,基于天气抽样精度进行天气自适应重复抽样为:对于年度天气曲线,逐月重复月度抽样,直至满足该月抽样的精度要求。
其中,对抽样的精度计算实质上是对天气抽样过程的均值方差系数进行计算,具体为:
设各次月度抽样中,各类恶劣天气的抽样结果(统计概率)为p,天气抽样次数为n,则其均值方差系数计算式如下:
应说明的是,精度要求可根据具体电网可靠性分析需求进行设置,当计算所得的均值方差系数小于设定值时,则认为恶劣天气的抽样结果满足精度要求。
还应说明的是,以天为时间尺度的自适应重复抽样不仅可以反映天气对于系统可靠性的影响,还可以具体反映恶劣天气下的系统典型时序状态,对恶劣天气下的系统故障情况提供参考。
S4:基于所述抽样结果和所述元件时变故障率模型获取电网元件时变故障率和故障概率,并获取短期系统情况时序曲线,计算电网可靠性指标。
更进一步的,当恶劣天气抽样结果满足精度要求时,基于抽样结果计算气象灾害α和β,并将计算所得的α和β代入式(6)求出研究时间区间内该气象灾害所导致电网设备故障的故障率;再利用传统的统计方法获取元件的修复率,通过式(4)计算电网设备故障概率。
应说明的是,当天气条件为正常天气时,电网设备故障率视为平均故障率λavg;其中,正常天气指除恶劣天气以外的所有天气。
更进一步的,基于抽样结果、电网设备故障率和电网设备故障概率获取设备状态并获取该时刻的系统状态,进而获得短期系统情况时序曲线。
在一个可选的实施例中,获得短期系统情况时序曲线的过程为:
确定短期时间区间,根据元件故障率和故障概率抽取该时刻的各个元件状态,组成该时刻的系统状态;
记录该时刻系统状态直至短期时间区间的最后时刻结束。
其中,短期系统情况时序曲线的集合表示为:
Ξ={δ1,δ2,…,δn} (9)
式中,Ξ为短期系统情况时序曲线的集合,n为短期时间区间总时刻,δi为第i时刻抽样取得的系统状态。
更进一步的,利用最优切负荷模型计算负荷切除量,并计算节点和系统可靠性指标。
具体的,采用失负荷概率(LOLP)、电力不足期望值(EDNS)和电量不足期望值(EENS)来表征系统的可靠性指标;
LOLP表示给定时间内系统不能满足负荷需求的概率,计算公式表示为:
其中,M是系统状态抽样总数;m(s)是抽样中系统状态s出现的次数;F为系统失效状态集。
EDNS表示给定时间内系统因发电容量不足或电网约束造成负荷削减的期望值(MW),计算公式表示为:
其中,C(s)表示系统状态s的削负荷量。
EENS表示给定时间内系统因发电容量不足或电网约束造成电量不足期望值(MWh),计算公式表示为:
其中,t为给定的时间区间。
图4是本发明提供的基于时变故障率模型和时变模拟的可靠性评估系统结构示意图,本实施例可适用于基于时变故障率模型和时变模拟的可靠性评估方法的情况。
采集计量模块,用于获取电网元件历史运行参数和外部运行条件,统计电网元件的历史故障频率和修复率;
数据计算模块,用于计算元件故障率和故障概率,基于所述外部运行条件计算气象灾害在预设时间内的发生概率,并计算各类气象灾害导致设备故障的故障率;
模型构建模块,用于基于所述元件故障率、故障概率、气象灾害在预设时间内的发生概率和各类气象灾害导致设备故障的故障率构建元件时变故障率模型;
模拟与抽样模块,用于利用时序模拟法获取预设时刻的天气条件,基于天气抽样精度进行天气自适应重复抽样并统计抽样结果;
分析模块,用于基于所述抽样结果和所述元件时变故障率模型获取电网元件时变故障率和故障概率,并获取短期系统情况时序曲线,计算电网可靠性指标。
本实施例还提供一种计算设备,适用于基于时变故障率模型和时变模拟的可靠性评估方法的情况,包括:
存储器和处理器;存储器用于存储计算机可执行指令,处理器用于执行计算机可执行指令,实现如上述实施例提出的基于时变故障率模型和时变模拟的可靠性评估方法。
该计算机设备可以是终端,该计算机设备包括通过系统总线连接的处理器、存储器、通信接口、显示屏和输入装置。其中,该计算机设备的处理器用于提供计算和控制能力。该计算机设备的存储器包括非易失性存储介质、内存储器。该非易失性存储介质存储有操作系统和计算机程序。该内存储器为非易失性存储介质中的操作系统和计算机程序的运行提供环境。该计算机设备的通信接口用于与外部的终端进行有线或无线方式的通信,无线方式可通过WIFI、运营商网络、NFC(近场通信)或其他技术实现。该计算机设备的显示屏可以是液晶显示屏或者电子墨水显示屏,该计算机设备的输入装置可以是显示屏上覆盖的触摸层,也可以是计算机设备外壳上设置的按键、轨迹球或触控板,还可以是外接的键盘、触控板或鼠标等。
本实施例还提供一种存储介质,其上存储有计算机程序,该程序被处理器执行时实现如上述实施例提出的基于时变故障率模型和时变模拟的可靠性评估方法。
本实施例提出的存储介质与上述实施例提出的数据存储方法属于同一发明构思,未在本实施例中详尽描述的技术细节可参见上述实施例,并且本实施例与上述实施例具有相同的有益效果。
实施例2
参照图1~8,为本发明的一个实施例,提供了基于时变故障率模型和时变模拟的可靠性评估方法,为了验证本发明的有益效果,通过仿真实验进行科学论证。
利用以上元件时变故障率模型及时序模拟的可靠性评估方法,对如图4所示的IEEE30节点系统进行仿真实验,其中线路故障数据来源于西北某省网公司500kV网架的2018~2021年四年内的数据,用以分析多时间尺度下的可靠性评估结果。
其中输电线路的年均故障率为:
λavg=0.246481次/(100km·年)
考虑导致线路故障的气象灾害包括:冰灾、山火、雷电、洪水,统计各类气象灾害的α和β,如表1所示。
表1各类气象灾害在不同月份的α和β
仿真过程中,先以月为时间尺度计算各类气象灾害下输电线路的逐月故障率,结果如图6所示。
从图6中可以看出,元件在不同灾害天气下的故障率是不一样的,曲线可以明显地反应出各类气象灾害对电网的具体影响。随后,以系统的可靠性指标EENS为例,进行多时间尺度的可靠性评估,其中图7为逐月的EENS与系统年均EENS的计算结果比较,图8则以7月为例,展示系统逐日的EENS曲线。通过对比可以发现,系统的EENS随月份的起伏较大,若用传统的年均EENS指导某个月电网运行方式,则会显得过于悲观或乐观;而以天为时间尺度的EENS曲线则更能精细化地反应气象灾害导致的元件时变故障率对电网可靠性指标的影响。本发明展现了多时间尺度下的电网可靠性评估结果,其不仅可以反映天气对于系统可靠性的影响,还可以具体反映恶劣天气下的系统典型时序状态,对恶劣天气下的系统故障情况提供参考。
应说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的精神和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (10)
1.基于时变故障率模型和时序模拟的可靠性评估方法,其特征在于,包括:
获取电网元件历史运行参数和外部运行条件,统计电网元件的历史故障频率和修复率,计算元件故障率和故障概率;
基于所述外部运行条件计算气象灾害在预设时间内的发生概率,并计算各类气象灾害导致设备故障的故障率,基于所述元件故障率、故障概率、气象灾害在预设时间内的发生概率和各类气象灾害导致设备故障的故障率构建元件时变故障率模型;
利用时序模拟法获取预设时刻的天气条件,基于天气抽样精度进行天气自适应重复抽样并统计抽样结果;
基于所述抽样结果和所述元件时变故障率模型获取电网元件时变故障率和故障概率,并获取短期系统情况时序曲线,计算电网可靠性指标。
2.如权利要求1所述的基于时变故障率模型和时序模拟的可靠性评估方法,其特征在于:所述统计电网元件的历史故障频率,包括:以月为时间尺度统计近几年内电网元件的故障频率,统计单个设备在不同月份的故障频率,并对电网元件设备进行分类,计算n个同类设备的月平均故障频率;
单个设备在不同月份的统计模型表示为:
其中,fk为第k个月元件的故障频率;Nki为元件第i年第k月中的故障次数;Tk为第k个月的时间;M为统计年数;
同类设备的月平均故障频率表示为:
其中,表示统计年数内多个设备在某月份的平均故障频率;f1m为第m个设备在某月份的故障频率。
3.如权利要求1或2所述的基于时变故障率模型和时变模拟的可靠性评估方法,其特征在于:所述计算元件故障率和故障概率,表示为:
其中,λ表示元件故障率,P表示元件故障概率,r和μ分别为元件的修复时间和修复率。
4.如权利要求3所述的基于时变故障率模型和时序模拟的可靠性评估方法,其特征在于:所述计算气象灾害大导致电网设备故障的故障率,表示为:
其中,λj为第j类气象灾害的故障率;Nj为元件在第j类气象灾害的故障次数;Tj为第j类气象灾害的持续时间;αj为第j类气象灾害的持续时间占研究时间区间的百分比;βj为第j类气象灾害下元件的故障次数占研究时间内总故障次数的百分比。
5.如权利要求1或4所述的基于时变故障率模型和时变模拟的可靠性评估方法,其特征在于:所述利用时序模拟法获取预设时刻的天气条件,包括:依据历史天气数据抽取随机数r,模拟时刻所处区间每类天气出现的概率分别为:P1,P2,…,Pa,并设有V1,V2,…,Va,二者之间的关系表示为:
其中,Pi表示各类天气出现的概率,Vi表示模拟时钟推进时刻的天气条件;
抽取随机数时,需在[0,1]之间抽取随机数r,当r≤V1时,取第一种天气条件;当Vi<r≤Vi+1时,取第i+1种天气条件。
6.如权利要求5所述的基于时变故障率模型和时变模拟的可靠性评估方法,其特征在于:所述天气抽样精度,表示为:
其中,τ表示天气抽样精度,p表示各类恶劣天气的抽样结果,n表示天气抽样次数。
7.如权利要求6所述的基于时变故障率模型和时变模拟的可靠性评估方法,其特征在于:所述获取短期系统情况时序曲线计算电网可靠性指标,包括:确定短期时间区间,根据元件故障率和故障概率抽取该时刻的各个元件状态,组成该时刻的系统状态;记录该时刻系统状态直至短期时间区间的最后时刻结束以形成短期系统情况曲线;
其中,短期系统情况时序曲线的集合表示为:
Ξ={δ1,δ2,…,δn}
式中,Ξ为短期系统情况时序曲线的集合,n为短期时间区间总时刻,δi为第i时刻抽样取得的系统状态;
再利用最优切负荷模型计算负荷切除量,并计算电网可靠性指标:失负荷概率LOLP、电力不足期望值EDNS、电量不足期望值EENS;
失负荷概率LOLP的计算公式表示为:
其中,M是系统状态抽样总数;m(s)是抽样中系统状态s出现的次数;F为系统失效状态集;
电力不足期望值EDNS的计算公式表示为:
其中,C(s)表示系统状态s的削负荷量;
电量不足期望值EENS表示为:
其中,t为给定的时间区间。
8.基于时变故障率模型和时变模拟的可靠性评估系统,其特征在于,包括:采集计量模块,数据计算模块,模型构建模块,模拟与抽样模块,分析模块;
采集计量模块,用于获取电网元件历史运行参数和外部运行条件,统计电网元件的历史故障频率和修复率;
数据计算模块,用于计算元件故障率和故障概率,基于所述外部运行条件计算气象灾害在预设时间内的发生概率,并计算各类气象灾害导致设备故障的故障率;
模型构建模块,用于基于所述元件故障率、故障概率、气象灾害在预设时间内的发生概率和各类气象灾害导致设备故障的故障率构建元件时变故障率模型;
模拟与抽样模块,用于利用时序模拟法获取预设时刻的天气条件,基于天气抽样精度进行天气自适应重复抽样并统计抽样结果;
分析模块,用于基于所述抽样结果和所述元件时变故障率模型获取电网元件时变故障率和故障概率,并获取短期系统情况时序曲线,计算电网可靠性指标。
9.一种计算机设备,包括存储器和处理器,所述存储器存储有计算机程序,其特征在于,所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。
10.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211542480.5A CN116484565A (zh) | 2022-12-02 | 2022-12-02 | 基于时变故障率模型和时序模拟的可靠性评估方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202211542480.5A CN116484565A (zh) | 2022-12-02 | 2022-12-02 | 基于时变故障率模型和时序模拟的可靠性评估方法及系统 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116484565A true CN116484565A (zh) | 2023-07-25 |
Family
ID=87220161
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202211542480.5A Pending CN116484565A (zh) | 2022-12-02 | 2022-12-02 | 基于时变故障率模型和时序模拟的可靠性评估方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116484565A (zh) |
-
2022
- 2022-12-02 CN CN202211542480.5A patent/CN116484565A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Haselsteiner et al. | A benchmarking exercise for environmental contours | |
Han et al. | Drought forecasting based on the remote sensing data using ARIMA models | |
Polito et al. | A model-based indicator of the fiscal stance | |
CN102117469A (zh) | 一种对信用风险进行评估的系统和方法 | |
Jiang et al. | Principal component analysis for extremes and application to US precipitation | |
CN103257000B (zh) | 一种桥梁结构日照作用分析的极值温度预测方法 | |
CN106600029A (zh) | 一种基于电力数据的宏观经济预测量化修正方法 | |
CN108984304A (zh) | 基于回归方程的服务器扩容计算方法及装置 | |
CN109522517B (zh) | 一种电表失效率计算方法和系统 | |
Xi et al. | Modeling the duration and size of extended attack wildfires as dependent outcomes | |
CN113095579A (zh) | 一种耦合伯努利-伽马-高斯分布的日尺度降水预报校正方法 | |
CN116484565A (zh) | 基于时变故障率模型和时序模拟的可靠性评估方法及系统 | |
CN117335411A (zh) | 一种光伏电站群的中长期发电量预测方法 | |
KR20180129496A (ko) | 전력 수요를 예측하는 방법 및 장치 | |
Figlewski | Estimation error in the assessment of financial risk exposure | |
CN116704362A (zh) | 结合时空特征的grace卫星空窗期数据重构方法、系统及设备 | |
CN116562120A (zh) | 一种基于rve的涡轮发动机系统健康状况评估方法及装置 | |
CN111861259B (zh) | 一种考虑时序性的负荷建模方法、系统、存储介质 | |
CN113792828A (zh) | 基于深度学习的电网负荷预测方法、系统、设备及介质 | |
Abeywickrama et al. | Integrating weather patterns into machine learning models for improved electricity demand forecasting in Sri Lanka | |
Fu et al. | A Data-driven Situational Awareness Approach to Monitoring Campus-wide Power Consumption | |
Lebo et al. | Forecasting British elections: the ‘PM and the Pendulum’model reconsidered | |
CN202075785U (zh) | 一种对信用风险进行评估的系统 | |
CN112258024B (zh) | 一种基于熵权法的混合储能容量配置方法及系统 | |
Lu et al. | Bayesian hierarchical multi-population mortality modelling for china’s provinces |
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 |