CN116559593A - 输电线路故障处理方法、装置、计算机设备和存储介质 - Google Patents
输电线路故障处理方法、装置、计算机设备和存储介质 Download PDFInfo
- Publication number
- CN116559593A CN116559593A CN202310563185.6A CN202310563185A CN116559593A CN 116559593 A CN116559593 A CN 116559593A CN 202310563185 A CN202310563185 A CN 202310563185A CN 116559593 A CN116559593 A CN 116559593A
- Authority
- CN
- China
- Prior art keywords
- monitored
- fault
- information
- operation data
- processing
- 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
- 230000005540 biological transmission Effects 0.000 title claims abstract description 85
- 238000003860 storage Methods 0.000 title claims abstract description 14
- 238000003672 processing method Methods 0.000 title description 12
- 238000012545 processing Methods 0.000 claims abstract description 237
- 238000012790 confirmation Methods 0.000 claims abstract description 55
- 238000000034 method Methods 0.000 claims abstract description 52
- 238000004590 computer program Methods 0.000 claims abstract description 26
- 230000003449 preventive effect Effects 0.000 claims description 71
- 230000001105 regulatory effect Effects 0.000 claims description 50
- 230000035945 sensitivity Effects 0.000 claims description 38
- 230000002265 prevention Effects 0.000 claims description 29
- 238000005520 cutting process Methods 0.000 claims description 17
- 238000013507 mapping Methods 0.000 claims description 10
- 238000007499 fusion processing Methods 0.000 claims description 9
- 230000006870 function Effects 0.000 description 15
- 230000008569 process Effects 0.000 description 13
- 238000012423 maintenance Methods 0.000 description 5
- 230000008859 change Effects 0.000 description 4
- 230000002829 reductive effect Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 3
- 238000004891 communication Methods 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 238000005457 optimization Methods 0.000 description 3
- 238000011160 research Methods 0.000 description 3
- 230000003068 static effect Effects 0.000 description 3
- 238000009826 distribution Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000000670 limiting effect Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000002441 reversible effect Effects 0.000 description 2
- 238000013058 risk prediction model Methods 0.000 description 2
- 238000012549 training Methods 0.000 description 2
- 238000012546 transfer Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- OKTJSMMVPCPJKN-UHFFFAOYSA-N Carbon Chemical compound [C] OKTJSMMVPCPJKN-UHFFFAOYSA-N 0.000 description 1
- 238000013528 artificial neural network Methods 0.000 description 1
- 230000000295 complement effect Effects 0.000 description 1
- 238000013135 deep learning Methods 0.000 description 1
- 229910021389 graphene Inorganic materials 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000002245 particle Substances 0.000 description 1
- 230000004044 response Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/081—Locating faults in cables, transmission lines, or networks according to type of conductors
- G01R31/085—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution lines, e.g. overhead
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/08—Locating faults in cables, transmission lines, or networks
- G01R31/088—Aspects of digital computing
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/52—Testing for short-circuits, leakage current or ground faults
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/54—Testing for continuity
-
- G—PHYSICS
- G01—MEASURING; TESTING
- G01R—MEASURING ELECTRIC VARIABLES; MEASURING MAGNETIC VARIABLES
- G01R31/00—Arrangements for testing electric properties; Arrangements for locating electric faults; Arrangements for electrical testing characterised by what is being tested not provided for elsewhere
- G01R31/50—Testing of electric apparatus, lines, cables or components for short-circuits, continuity, leakage current or incorrect line connections
- G01R31/58—Testing of lines, cables or conductors
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/20—Administration of product repair or maintenance
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06V—IMAGE OR VIDEO RECOGNITION OR UNDERSTANDING
- G06V10/00—Arrangements for image or video recognition or understanding
- G06V10/70—Arrangements for image or video recognition or understanding using pattern recognition or machine learning
- G06V10/74—Image or video pattern matching; Proximity measures in feature spaces
- G06V10/761—Proximity, similarity or dissimilarity measures
-
- 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
- H02J13/00032—Systems characterised by the controlled or operated power network elements or equipment, the power network elements or equipment not otherwise provided for
-
- 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
- H02J3/001—Methods to deal with contingencies, e.g. abnormalities, faults or failures
- H02J3/0012—Contingency detection
-
- 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
Abstract
本申请涉及一种输电线路故障处理方法、装置、计算机设备、存储介质和计算机程序产品。所述方法包括:获取输电线路上的待监测对象的运行数据;在待监测对象的运行数据满足预设故障数据阈值的情况下,将待监测对象的历史故障信息与待监测对象的运行数据,输入至风险信息预测模型中,得到待监测对象的预测风险信息;根据待监测对象的预测风险信息,从预设故障处理类型中,确定出待监测对象的目标故障处理类型;将待监测对象的运行数据,输入至与目标故障处理类型对应的目标故障处理信息确认模型中,得到待监测对象的故障处理信息;按照故障处理信息,对待监测对象进行故障处理。采用本方法,能够提高电力系统的运行稳定性。
Description
技术领域
本申请涉及电网技术领域,特别是涉及一种输电线路故障处理方法、装置、计算机设备、存储介质和计算机程序产品。
背景技术
输电线路作为电力系统的重要组成部分,与电力系统的稳定运行息息相关,一旦输电线路出现了故障,电力系统的运行也会随之受到影响。
相关技术中,在进行输电线路的故障处理时,一般是在监测到输电线路出现故障之后,由运维人员针对性地对输电线路采取运维措施以进行故障处理;因此,基于相关技术的输电线路故障处理是一种事后的故障处理方法,容易导致电力系统受到输电线路的已出现故障的影响,从而使得电力系统的运行稳定性较低。
发明内容
基于此,有必要针对上述技术问题,提供一种能够提高电力系统的运行稳定性的输电线路故障处理方法、装置、计算机设备、计算机可读存储介质和计算机程序产品。
第一方面,本申请提供了一种输电线路故障处理方法。所述方法包括:
获取输电线路上的待监测对象的运行数据;所述待监测对象至少包括所述输电线路上的支路与节点;
在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息;所述预设故障数据阈值为所述待监测对象的正常运行数据区间内的数值;
根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型;所述预设故障处理类型至少包括预防处理与协同处理;
将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息;
按照所述故障处理信息,对所述待监测对象进行故障处理。
在其中一个实施例中,所述将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息,包括:
通过所述风险信息预测模型,对所述待监测对象在所述历史故障信息下的历史故障运行数据,与所述待监测对象的运行数据进行特征映射处理,得到所述待监测对象的故障特征时序信息;
根据所述故障特征时序信息,预测所述待监测对象在所述运行数据下的故障概率信息与故障后果信息;
根据所述故障概率信息,对所述故障后果信息进行更新,得到更新后的故障后果信息,作为所述待监测对象的预测风险信息。
在其中一个实施例中,所述待监测对象在所述运行数据下的故障后果信息,通过下述方式预测得到:
根据所述故障特征时序信息,确认所述待监测对象在所述故障特征时序信息中的各个故障运行数据下的子故障后果信息;所述故障特征时序信息中的各个故障运行数据,为所述待监测对象在所述历史故障信息下的历史故障运行数据,与所述待监测对象的运行数据;
根据所述故障特征时序信息,确认各个所述子故障后果信息对应的权重;
根据各个所述子故障后果信息对应的权重,对各个所述子故障后果信息进行融合处理,得到综合故障后果信息,作为所述待监测对象在所述运行数据下的故障后果信息。
在其中一个实施例中,所述根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型,包括:
在所述待监测对象的预测风险信息小于预设风险信息阈值的情况下,将所述待监测对象的目标故障处理类型确认为所述预防处理;
所述将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息,包括:
在所述待监测对象的目标故障处理类型为所述预防处理的情况下,将所述待监测对象的运行数据输入至与所述预防处理对应的预防信息确认模型中;
根据所述待监测对象的运行数据,确认所述待监测对象对应于待调节发电机组的灵敏度;所述待调节发电机组为接入所述待监测对象的发电机组;
根据所述灵敏度,确认所述待监测对象对应于所述待调节发电机组的控制代价信息;所述控制代价信息为调节所述待调节发电机组接入所述待监测对象的潮流数据的代价信息;
根据所述控制代价信息,确认所述待监测对象的最小代价预防信息,作为所述待监测对象的故障处理信息。
在其中一个实施例中,所述根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型,还包括:
在所述待监测对象的预测风险信息大于或者等于所述预设风险信息阈值的情况下,将所述待监测对象的目标故障处理类型确认为所述协同处理;
所述将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息,还包括:
在所述待监测对象的目标故障处理类型为所述协同处理的情况下,将所述待监测对象的运行数据输入至与所述协同处理对应的协同信息确认模型中;
根据所述待监测对象的运行数据,确认所述待监测对象对应于所述待调节发电机组的控制代价信息与切机代价信息;所述切机代价信息为切除所述待调节发电机组与所述待监测对象之间的连接关系的代价信息;
对所述控制代价信息与所述切机代价信息进行融合处理,得到所述待监测对象的最小代价协同信息,作为所述待监测对象的故障处理信息。
在其中一个实施例中,所述待监测对象的运行数据至少包括所述支路上的有功功率与所述节点上的电压幅值;
在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息之前,还包括:
从所述待监测对象的运行数据中,识别出所述支路的有功功率与所述节点的电压幅值;
在所述支路的有功功率大于预设有功功率上限阈值的情况下,确认所述支路的运行数据满足所述预设故障数据阈值;
在所述节点的电压幅值大于预设电压幅值上限阈值的情况下,或者在所述节点的电压幅值小于预设电压幅值下限阈值的情况下,确认所述节点的运行数据满足所述预设故障数据阈值。
第二方面,本申请还提供了一种输电线路故障处理装置。所述装置包括:
数据获取模块,用于获取输电线路上的待监测对象的运行数据;所述待监测对象至少包括所述输电线路上的支路与节点;
风险预测模块,用于在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息;所述预设故障数据阈值为所述待监测对象的正常运行数据区间内的数值;
类型确认模型,用于根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型;所述预设故障处理类型至少包括预防处理与协同处理;
信息确认模块,用于将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息;
故障处理模块,用于按照所述故障处理信息,对所述待监测对象进行故障处理。
第三方面,本申请还提供了一种计算机设备。所述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,所述处理器执行所述计算机程序时实现以下步骤:
获取输电线路上的待监测对象的运行数据;所述待监测对象至少包括所述输电线路上的支路与节点;
在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息;所述预设故障数据阈值为所述待监测对象的正常运行数据区间内的数值;
根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型;所述预设故障处理类型至少包括预防处理与协同处理;
将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息;
按照所述故障处理信息,对所述待监测对象进行故障处理。
第四方面,本申请还提供了一种计算机可读存储介质。所述计算机可读存储介质,其上存储有计算机程序,所述计算机程序被处理器执行时实现以下步骤:
获取输电线路上的待监测对象的运行数据;所述待监测对象至少包括所述输电线路上的支路与节点;
在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息;所述预设故障数据阈值为所述待监测对象的正常运行数据区间内的数值;
根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型;所述预设故障处理类型至少包括预防处理与协同处理;
将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息;
按照所述故障处理信息,对所述待监测对象进行故障处理。
第五方面,本申请还提供了一种计算机程序产品。所述计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现以下步骤:
获取输电线路上的待监测对象的运行数据;所述待监测对象至少包括所述输电线路上的支路与节点;
在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息;所述预设故障数据阈值为所述待监测对象的正常运行数据区间内的数值;
根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型;所述预设故障处理类型至少包括预防处理与协同处理;
将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息;
按照所述故障处理信息,对所述待监测对象进行故障处理。
上述输电线路故障处理方法、装置、计算机设备、存储介质和计算机程序产品,首先获取输电线路上的待监测对象的运行数据;待监测对象至少包括输电线路上的支路与节点;然后在待监测对象的运行数据满足预设故障数据阈值的情况下,将待监测对象的历史故障信息与待监测对象的运行数据,输入至风险信息预测模型中,得到待监测对象的预测风险信息;预设故障数据阈值为待监测对象的正常运行数据区间内的数值;接着根据待监测对象的预测风险信息,从预设故障处理类型中,确定出待监测对象的目标故障处理类型;预设故障处理类型至少包括预防处理与协同处理;再接着将待监测对象的运行数据,输入至与目标故障处理类型对应的目标故障处理信息确认模型中,得到待监测对象的故障处理信息;最后按照故障处理信息,对待监测对象进行故障处理。这样,一方面,基于待监测对象的历史故障信息与运行数据,能够在待监测对象还未发生故障时,预测待监测对象对应于待发生故障的风险信息;另一方面,通过待监测对象的预测风险信息,能够在预防处理与协同处理中,为待监测对象确定对应的故障处理方式,从而对待监测对象进行故障发生前的预防处理,或故障发生前的预防处理与故障发生后的紧急处理相结合的协同处理。基于以上过程的输电线路故障处理方法,与传统的事后故障处理方法相比,能够实现对待出现故障的输电线路的事前运维,从而避免电力系统的运行受到已出现故障的影响,进而提高了电力系统的运行稳定性。
附图说明
图1为一个实施例中输电线路故障处理方法的流程示意图;
图2为一个实施例中得到待监测对象的预测风险信息的步骤的流程示意图;
图3为一个实施例中得到待监测对象在运行数据下的故障后果信息的步骤的流程示意图;
图4为一个实施例中得到待监测对象的故障处理信息的步骤的流程示意图;
图5为另一个实施例中得到待监测对象的故障处理信息的步骤的流程示意图;
图6为另一个实施例中输电线路故障处理方法的流程示意图;
图7为一个实施例中输电线路故障处理装置的结构框图;
图8为一个实施例中计算机设备的内部结构图。
具体实施方式
为了使本申请的目的、技术方案及优点更加清楚明白,以下结合附图及实施例,对本申请进行进一步详细说明。应当理解,此处描述的具体实施例仅仅用以解释本申请,并不用于限定本申请。
需要说明的是,本申请所涉及的用户信息(包括但不限于用户设备信息、用户个人信息等)和数据(包括但不限于用于分析的数据、存储的数据、展示的数据等),均为经用户授权或者经过各方充分授权的信息和数据,且相关数据的收集、使用和处理需要遵守相关国家和地区的相关法律法规和标准。
在一示例性实施例中,如图1所示,提供了一种输电线路故障处理方法,本实施例以该方法应用于服务器进行举例说明;可以理解的是,该方法也可以应用于终端,还可以应用于包括服务器和终端的系统,并通过服务器和终端之间的交互实现。其中,服务器可以用独立的服务器或者是多个服务器组成的服务器集群来实现;终端可以但不限于是各种个人计算机、笔记本电脑、智能手机以及平板电脑。本实施例中,该方法包括以下步骤:
步骤S102,获取输电线路上的待监测对象的运行数据。
其中,待监测对象至少包括输电线路上的支路与节点;与支路对应的待发生故障为线路过载,与支路对应的运行数据为支路上传输的有功功率;与节点对应的待发生故障为电压越限,与节点对应的运行数据为节点上的电压幅值。
具体地,服务器以输电线路上的各条支路与各个节点作为待监测对象,通过设置在支路与节点上的运行数据传感器,实时获取各条支路上传输的有功功率与各个节点上的电压幅值,以实现对支路与节点的监测。
步骤S104,在待监测对象的运行数据满足预设故障数据阈值的情况下,将待监测对象的历史故障信息与待监测对象的运行数据,输入至风险信息预测模型中,得到待监测对象的预测风险信息。
其中,预设故障数据阈值为待监测对象的正常运行数据区间内的数值;预设故障数据阈值可以为支路的预设有功功率上限阈值、节点的预设电压幅值上限阈值以及节点的预设电压幅值下限阈值。例如,针对支路而言,支路所能够传输的最大有功功率为1000W,而与线路过载对应的预设有功功率上限阈值为900W;再例如,针对节点而言,节点所能够负载的最大电压幅值为220V,且保证节点平衡的最小电压幅值为110V,而与电压越限对应的预设电压幅值上限阈值为198V,与电压越限对应的预设电压幅值下限阈值为121V。在待监测对象的运行数据满足预设故障数据阈值的情况下,服务器可以确认待监测对象处于故障状态;能够理解的是,在本申请中,故障状态仅仅表征待监测对象可能会发生故障,而非表征待监测对象真实地发生了故障;通过对处于故障状态的待监测对象进行干预,能够避免故障的发生。
其中,待监测对象的历史故障信息,为待监测对象在历次故障状态下的运行信息;例如当支路上的有功功率大于预设有功功率上限阈值之后,支路的有功功率曲线图;或者是,当节点上的电压幅值大于预设电压幅值上限阈值,或小于预设电压幅值下限阈值之后,节点的电压幅值曲线图。
其中,风险信息预测模型用于预测待监测对象的风险信息;风险信息预测模型可以通过对样本输电线路的深度学习训练得到。
其中,预测风险信息用于表征待发生故障对于待监测对象的影响程度。
具体地,服务器判断待监测对象的运行数据是否满足预设故障数据阈值,并在待监测对象的运行数据满足预设故障数据阈值的情况下,确认待监测对象处于故障状态;然后,服务器在待监测对象处于故障状态的情况下,将待监测对象在历次故障状态下的历史故障信息,与待监测对象在当前故障状态下的运行数据,输入至风险信息预测模型中,得到用于表征待发生故障对于待监测对象的影响程度的预测风险信息。
举例说明,服务器通过风险信息预测模型,得到能够表征待发生故障对于待监测对象的影响程度的预测风险信息;预测风险信息越低,说明待发生故障对待监测对象的影响越小,因此只需要在故障发生前对待监测对象进行事前预防处理即可避免故障的发生,进而只需要规划待监测对象的事前预防处理方案;预测风险信息越高,说明待发生故障对于待监测对象的影响越大,需要高度重视该待发生故障,因此不仅需要在故障发生前对待监测对象进行事前预防处理,还可能需要在故障发生后对待监测对象进行事后紧急处理,进而需要同时规划待监测对象的事前预防处理方案与事后紧急处理方案,以尽可能减小故障的发生对待监测对象造成的影响。
能够理解的是,关于风险信息预测模型的训练过程如下:服务器将样本输电线路的运行数据输入至待训练的风险信息预测模型中,通过待训练的风险信息预测模型,确认样本输电线路上的各条支路对应于线路过载的线路过载预测风险信息,以及样本输电线路上的各个节点对应于电压越限的电压越限预测风险信息;然后服务器通过损失函数,确认样本输电线路的各条支路在真实发生线路过载的情况下的影响程度与线路过载预测风险信息之间的损失值,以及确认样本输电线路的各个节点在真实发生电压越限的情况下的影响程度与电压越限预测风险信息之间的损失值,并根据上述损失值调节待训练的风险信息预测模型中的参数,从而对待训练的风险信息预测模型进行再次训练,直到上述损失值小于预设阈值,得到训练完成的风险信息预测模型,作为风险信息预测模型。
步骤S106,根据待监测对象的预测风险信息,从预设故障处理类型中,确定出待监测对象的目标故障处理类型。
其中,预设故障处理类型至少包括预防处理与协同处理;按照故障处理的时间节点进行划分,针对待监测对象的故障处理方案可以分为在故障发生前对待监测对象采取的事前预防处理,以及在故障发生后对待监测对象采取的事后紧急处理。预设故障处理类型中的预防处理即为事前预防处理;协同处理即为结合事前预防处理与事后紧急处理的故障处理。
具体地,服务器根据待监测对象的预测风险信息,从预防处理与协同处理两种预设故障处理类型中,为待监测对象确定对应的目标故障处理类型。
举例说明,服务器在预测风险信息较小时,确认待发生故障对待监测对象的影响较小,因此选择预防处理作为待监测对象的目标故障处理类型,并在后续确认故障处理方案时,对待监测对象的事前预防处理进行规划。或者是,服务器在预测风险信息较大时,确认待发生故障对待监测对象的影响较大,因此选择协同处理作为待监测对象的目标故障处理类型,并在后续确认故障处理方案时,对待监测对象的事前预防处理与事后紧急处理同时进行规划。
步骤S108,将待监测对象的运行数据,输入至与目标故障处理类型对应的目标故障处理信息确认模型中,得到待监测对象的故障处理信息。
其中,按照故障处理类型进行划分,故障处理信息确认模型可以分为预防信息确认模型与协同信息确认模型;预防信息确认模型用于确认待监测对象的预防处理信息,协同信息确认模型用于确认待监测对象的协同处理信息。进一步地,按照待监测对象进行划分,预防信息确认模型可以进一步分为针对支路的线路过载预防信息确认模型,与针对节点的电压越限预防信息确认模型。同理,按照待监测对象进行划分,协同信息确认模型也可以进一步分为针对支路的线路过载协同信息确认模型,与针对节点的电压越限协同信息确认模型。
其中,待监测对象的故障处理信息,是指针对待监测对象的故障处理方案。
具体地,服务器首先根据待监测对象的目标故障处理类型,确定对应于待监测对象的目标故障处理信息确认模型,然后将待监测对象的运行数据输入至目标故障处理信息确认模型中;服务器通过目标故障处理信息确认模型,对待监测对象的运行数据进行分析,得到待监测对象响应于接入待监测对象的各个发电机组的灵敏度,从而能够对待监测对象的故障处理方案进行规划,得到待监测对象的故障处理信息。
举例说明,针对输电线路上的支路,在支路的预测风险信息较小时,将支路上传输的有功功率输入至针对支路的线路过载预防信息确认模型中;在支路的预测风险信息较大时,将支路上传输的有功功率输入至针对支路的线路过载协同信息确认模型中。针对输电线路上的节点,在节点的预测风险信息较小时,将节点上的电压幅值输入至针对节点的电压越限预防信息确认模型中;在节点的预测风险信息较大时,将节点上的电压幅值输入至针对节点的电压越限协同信息确认模型中。
步骤S110,按照故障处理信息,对待监测对象进行故障处理。
具体地,服务器按照故障处理信息,对待监测对象采取对应的故障处理,例如调节接入待监测对象的各个发电机组的发电量、传输功率等潮流数据,再例如对发电机组进行切机、切负荷处理;又例如为待监测对象接入新的发电机组等。
上述实施例提供的输电线路故障处理方法中,一方面,基于待监测对象的历史故障信息与运行数据,服务器能够在待监测对象还未发生故障时,预测待监测对象对应于待发生故障的风险信息;另一方面,通过待监测对象的预测风险信息,服务器能够在预防处理与协同处理中,为待监测对象确定对应的故障处理方式,从而对待监测对象进行故障发生前的预防处理,或故障发生前的预防处理与故障发生后的紧急处理相结合的协同处理。基于以上过程的输电线路故障处理方法,与传统的事后故障处理方法相比,能够实现对待出现故障的输电线路的事前运维,从而避免电力系统的运行受到已出现故障的影响,进而提高了电力系统的运行稳定性。
在一示例性实施例中,如图2所示,上述步骤S104,将待监测对象的历史故障信息与待监测对象的运行数据,输入至风险信息预测模型中,得到待监测对象的预测风险信息,具体包括以下步骤:
步骤S202,通过风险信息预测模型,对待监测对象在历史故障信息下的历史故障运行数据,与待监测对象的运行数据进行特征映射处理,得到待监测对象的故障特征时序信息。
步骤S204,根据故障特征时序信息,预测待监测对象在运行数据下的故障概率信息与故障后果信息。
步骤S206,根据故障概率信息,对故障后果信息进行更新,得到更新后的故障后果信息,作为待监测对象的预测风险信息。
其中,特征映射处理是指为了便于服务器的数据处理,将信息从一种表达形式转换为另一种表达形式的过程;通过特征映射处理,可以简化数据的表达形式、降低数据的维度,从而降低数据处理的复杂度。
其中,故障时序特征信息,用于按照时间先后顺序,表征待监测对象在各个故障状态(包括历次故障状态与当前故障状态)下的运行信息。
其中,故障概率信息用于表征待发生故障发生的可能性,故障后果信息用于表征在历次故障状态造成的后果的基础上,当前故障状态下的待发生故障造成的后果的严重程度。
具体地,服务器通过风险预测模型,对待监测对象在历史故障信息下的历史故障运行数据,与待监测对象的运行数据进行特征映射处理,并按照故障状态发生的时间先后顺序,对特征映射后的历史故障运行数据与特征映射后的运行数据进行排序,得到待监测对象的故障特征时序信息;然后,服务器根据故障特征时序信息,计算待监测对象在当前故障状态(运行数据)下的故障概率信息与故障后果信息;最后,服务器根据故障概率信息,对故障后果信息进行更新,得到更新后的故障后果信息,即待监测对象的预测风险信息。
举例说明,服务器通过风险预测模型,基于待监测对象的故障特征时序信息,得到待监测对象在当前故障状态(运行数据)下的故障概率信息与故障后果信息,并通过公式1对故障后果信息进行更新,以得到待监测对象的预测风险信息:
Risk=Pr×Sev(公式1)
其中,Risk为待监测对象的预测风险信息,Pr为待监测对象在运行数据下的风险概率信息,Sev为待监测对象在运行数据下的风险后果信息。
本实施例中,服务器通过待监测对象的故障特征时序信息,能够挖掘出待监测对象的各个故障状态之间的关联性,从而能够预测待发生故障发生的可能性,以及待发生故障可能造成的后果的严重程度,进而能够对待发生故障对于待监测对象的影响程度(风险信息)进行预测;基于以上过程,服务器能够在故障发生前对待发生故障进行研判,从而可靠地对待监测对象进行干预,避免了待发生故障对待监测对象、输电线路以及电力系统的影响,提高了电力系统的运行稳定性。
在一示例性实施例中,如图3所示,上述实施例中所述的待监测对象在运行数据下的故障后果信息,通过下述方式预测得到:
步骤S302,根据故障特征时序信息,确认待监测对象在故障特征时序信息中的各个故障运行数据下的子故障后果信息。
步骤S304,根据故障特征时序信息,确认各个子故障后果信息对应的权重。
步骤S306,根据各个子故障后果信息对应的权重,对各个子故障后果信息进行融合处理,得到综合故障后果信息,作为待监测对象在运行数据下的故障后果信息。
其中,故障特征时序信息中的各个故障运行数据,为待监测对象在历史故障信息下(历史故障状态下)的历史故障运行数据,与待监测对象(在当前故障状态下)的运行数据。
其中,子故障后果信息用于表征单次故障状态造成的后果的严重程度。
具体地,服务器根据故障特征时序信息,确认各个故障状态单次造成的后果的严重程度,作为对应的故障运行数据下的子故障后果信息;并通过风险信息预测模型中的注意力机制神经网络,根据故障特征时序信息中表征的各个故障状态发生的先后顺序,以及各个子故障后果信息的大小,为各个子故障后果信息确定对应的权重,例如,历次故障状态发生的时间点越接近当前故障状态发生的时间点,那么对应的子故障后果信息的权重越也就大,再例如,历次故障状态对应的故障运行数据下的子故障后果信息越大,那么对应的子故障后果信息的权重也就越大;最后,服务器根据各个子故障后果信息对应的权重,对各个子故障后果信息进行融合处理,得到表征在各个历次故障状态造成的后果的基础上,当前故障状态下的待发生故障造成的后果的严重程度的综合故障后果信息,并将综合故障后果信息确认为待监测对象在运行数据下的故障后果信息。
举例说明,针对支路而言,服务器通过公式2计算单次线路过载故障状态对应的子故障后果信息:
其中,l为支路的标识(序号),m为此次线路过载故障状态的标识(序号),SevLinelm为第l条支路对在第m次线路过载故障状态下的子故障后果信息;Plm为第l条支路在第m次线路过载故障状态下传输的有功功率,Plmax为第l条支路所能够传输的最大有功功率,0.9Plmax即为第l条支路的预设有功功率上限阈值,ωl为第l条支路对应的权重;各条支路对应的权重根据支路对于输电线路的重要性确定。
接着,服务器通过公式3计算得到支路的综合故障后果信息:
其中,SevLine(l)为第l条支路的综合故障后果信息,M为第l条支路上发生的线路过载故障状态的总次数,αm为第m次线路过载故障状态下的子故障后果信息对应的权重。
同理,针对节点而言,服务器通过公式4计算单次电压越限故障状态对应的子故障后果信息:
其中,i为节点的标识(序号),n为此次电压越限故障状态的标识(序号),SevNodein为第i个节点在第n次电压越限故障状态下的子故障后果信息;Vin为第i个节点在第n次电压越限故障状态下的电压幅值,Vimax为第i个节点所能够负载的最大电压幅值,Vimin为第i个节点保证平衡的最小电压幅值,0.9Vimax即为第i个节点的预设电压幅值上限阈值,1.1Vimim即为第i个节点的预设电压幅值下限阈值,λi为第i个节点对应的权重;各个节点对应的权重根据节点对于输电线路的重要性确定。
接着,服务器通过公式5计算得到支路的综合故障后果信息:
其中,SevNode(i)为第i个节点的综合故障后果信息,N为第i个节点上发生的电压越限故障状态的总次数,βn为第n次电压越限故障状态下的子故障后果信息对应的权重。
需要说明的是,待监测对象在运行数据下的故障概率信息,通过以下方式预测得到:服务器根据故障特征时序信息记录的各个故障状态下的故障运行数据,确认待监测对象真实发生概率的次数,以及待监测对象处于故障状态的总次数,通过待监测对象真实发生概率的次数与待监测对象处于故障状态的总次数之间的比值,计算待监测对象在运行数据下的故障概率信息。
本实施例中,服务器通过对子故障特征信息的融合,能够保留各个故障状态之间的关联性,在预测当前故障状态造成的后果的严重程度的同时,考虑到历次故障状态对待监测对象已经造成的后果,从而更加准确地确认待监测对象的故障后果信息;同时,服务器还通过故障特征时序信息,预测了待发生故障发生的可能性;基于以上过程,为后续确定待监测对象的预测风险信息以及故障处理信息提供了基础,进而保证了电力系统的稳定运行。
在一示例性实施例中,上述步骤S106,根据待监测对象的预测风险信息,从预设故障处理类型中,确定出待监测对象的目标故障处理类型,具体包括以下内容:在待监测对象的预测风险信息小于预设风险信息阈值的情况下,将待监测对象的目标故障处理类型确认为预防处理。
如图4所示,上述步骤S108,将待监测对象的运行数据,输入至与目标故障处理类型对应的目标故障处理信息确认模型中,得到待监测对象的故障处理信息,具体包括以下步骤:
步骤S402,在待监测对象的目标故障处理类型为预防处理的情况下,将待监测对象的运行数据输入至与预防处理对应的预防信息确认模型中。
步骤S404,根据待监测对象的运行数据,确认待监测对象对应于待调节发电机组的灵敏度。
步骤S406,根据灵敏度,确认待监测对象对应于待调节发电机组的控制代价信息。
步骤S408,根据控制代价信息,确认待监测对象的最小代价预防信息,作为待监测对象的故障处理信息。
其中,预设风险信息阈值用于区分待监测对象的目标故障处理类型。
其中,待调节发电机组为接入待监测对象的发电机组。
其中,灵敏度用于表征由于发电机组的潮流数据的变化,引起的待监测对象的潮流数据的变化的参量。针对支路而言,灵敏度为发电机输出功率转移分布因子;针对节点而言,灵敏度为节点电压灵敏度。
其中,控制代价信息为调节待调节发电机组接入待监测对象的潮流数据时,各个待调节发电机组的潮流数据调节量。
其中,待监测对象的最小代价预防信息,是指在各个待调节发电机组的预防调节成本最小的情况下,针对待监测对象的预防处理方案;预防调节成本由故障发生前,待调节发电机组的潮流数据调节量与调节成本系数决定。
具体地,服务器在待监测对象的预测风险信息小于预设风险信息阈值的情况下,将待监测对象的目标故障处理类型确认为预防处理,并将待监测对象的运行数据输入至与预防处理对应的预防信息确认模型中;然后,服务器通过预防信息确认模型对运行数据的分析,得到待监测对象对应于各个待调节发电机组的灵敏度,并按照灵敏度确认在故障发生前,利用各个待调节发电机组对待监测对象的潮流数据进行调节时的潮流数据调节量,并将潮流数据调节量作为控制代价信息;接着,服务器根据待监测对象对应于各个待调节发电机组的控制代价信息,在基于灵敏度的反向等量调节约束条件下,求解预防处理最小代价目标函数,得到待监测对象的最小代价预防信息,从而得到与待监测对象的预防处理对应的预防故障处理信息。
举例说明,针对支路,服务器根据灵敏度,将待调节发电机组分为三组:第一组的灵敏度为正;第二组的灵敏度为负;第三组的灵敏度为零,并构建如公式6所示的基于灵敏度的支路约束函数:
∑ΔP++∑ΔP-+∑ΔP0=0 (公式6)
其中,∑ΔP+、ΣΔP-以及∑ΔP0分别为对应的灵敏度为正、为负以及为零的待调节机组接入支路的有功功率调节量;公式6表示的含义如下:在利用待调节发电机组对支路上的有功功率进行调节时,需要保证所有待调节发电机组的发电功率调节量的总和为零,且优先考虑用灵敏度为正与灵敏度为负的待调节发电机组进行等量调节。
然后,服务器在公式6的约束下,求解如公式7所示的支路的预防处理最小代价目标函数:
其中,Clp为第l条支路的预防处理代价,ΔP为各个待调节发电机组的有功功率调节量,为各个待调节发电机组的功率调节成本系数,功率调节成本系数由待调节发电机组的设备类型、设备操作成本确定。/>
同理,针对节点,服务器根据灵敏度,将待调节发电机组分为三组:第一组的灵敏度为正;第二组的灵敏度为负;第三组的灵敏度为零,并构建如公式8所示的基于灵敏度的节点约束函数:
∑ΔV++∑ΔV-+∑ΔV0=0 (公式8)
其中,∑ΔV+、∑ΔV-以及∑ΔV0分别为对应的灵敏度为正、为负以及为零的待调节机组的接入节点的电压幅值调节量;公式8表示的含义如下:在利用待调节发电机组对节点上的电压幅值进行调节时,需要保证所有待调节发电机组的电压幅值调节量的总和为零,且优先考虑用灵敏度为正与灵敏度为负的待调节发电机组进行等量调节。
然后,服务器在公式8的约束下,求解如公式9所示的节点的预防处理最小代价目标函数:
min Cip=∑φ×ΔV (公式9)
其中,Cip为第i个节点的预防处理代价,ΔV为各个待调节发电机组的电压幅值调节量,φ为各个待调节发电机组的电压调节成本系数,电压调节成本系数由待调节发电机组的设备类型、设备操作成本确定。
基于以上目标函数的求解,服务器可以在全局最优的情况下,确定各个待调节发电机组最终的潮流数据调节量,例如在进行事前预防处理时,每个待调节发电机组需要调节的潮流数据为多少,并根据各个待调节发电机组最终的潮流数据调节量,得到待监测对象的最小代价预防信息。
本实施例中,服务器通过在基于灵敏度的反向等量调节约束函数的约束下,求解待监测对象的预防处理最小代价目标函数,能够在保证全局最优、代价最小的情况下,为待监测对象制定预防故障处理信息(最小代价预防信息),从而有效地对待监测对象进行故障预防,避免了待发生故障对待监测对象、输电线路以及电力系统的影响。基于以上预防故障处理信息,提高了电力系统的运行稳定性。
在一示例性实施例中,上述步骤S106,根据待监测对象的预测风险信息,从预设故障处理类型中,确定出待监测对象的目标故障处理类型,还具体包括以下内容:在待监测对象的预测风险信息大于或者等于预设风险信息阈值的情况下,将待监测对象的目标故障处理类型确认为协同处理。
如图5所示,上述步骤S108,将待监测对象的运行数据,输入至与目标故障处理类型对应的目标故障处理信息确认模型中,得到待监测对象的故障处理信息,还具体包括以下步骤:
步骤S502,在待监测对象的目标故障处理类型为协同处理的情况下,将待监测对象的运行数据输入至与协同处理对应的协同信息确认模型中。
步骤S504,根据待监测对象的运行数据,确认待监测对象对应于待调节发电机组的控制代价信息与切机代价信息。
步骤S506,对控制代价信息与切机代价信息进行融合处理,得到待监测对象的最小代价协同信息,作为待监测对象的故障处理信息。
其中,切机代价信息为切除待调节发电机组与待监测对象之间的连接关系的代价信息,可以用对待调节发电机组进行切机时,待调节发电机组的潮流数据切机量表示。
其中,待监测对象的最小代价协同信息,是指在事前预防处理中,各个待调节发电机组的预防调节成本最小,且在事后紧急处理中,各个待调节发电机组的紧急切机成本最小的情况下,针对待监测对象的紧急处理方案;紧急切机成本由故障发生后,待调节发电机组的潮流数据切机量与切机成本系数决定。
具体地,服务器在待监测对象的预测风险信息大于或者等于预设风险信息阈值的情况下,将待监测对象的目标故障处理类型确认为协同处理,并将待监测对象的运行数据输入至与协同处理对应的协同信息确认模型中;然后,服务器通过协同信息确认模型对运行数据的分析,得到待监测对象对应于各个待调节发电机组的灵敏度;接着,服务器首先按照灵敏度确认在故障发生前,各个待调节发电机组对应于事前预先处理的潮流数据调节量,并将潮流数据调节量作为控制代价信息,此外,服务器按照灵敏度确认在故障发生后,待调节发电机组对应于事后紧急处理(切机操作)的潮流数据切机量,并将潮流数据切机量作为切机代价信息;最后,服务器融合待监测对象对应于各个待调节发电机组的控制代价信息与切机代价信息,在基于灵敏度的反向等量调节约束条件下,求解协同处理最小代价目标函数,得到待监测对象的最小代价协同信息,从而得到与待监测对象的协同处理对应的协同故障处理信息。其中,在目标故障处理类型为协同处理的情况下确认控制代价信息的过程,与在目标故障处理类型为预防处理的情况下确认控制代价信息的过程类似,本申请在此不再赘述。
举例说明,针对支路,服务器求解如公式10所示的支路的协同处理最小代价目标函数:
min Fl=Clp+Cle (公式10)
其中,Fl为第l条支路的协同处理代价,Clp为第l条支路的预防处理代价,Cle为第l条支路的协同处理代价,Cle通过公式11得到:
其中,Prl为第l条支路对应的故障概率信息,SevLine(l)为第l条支路对应的故障后果信息,x为待调节发电机组的标识(序号),X为接入第l条支路的待调节发电机组的总数量,ΔPx′为第x个待调节发电机组的有功功率切机量,δx为第x个待调节发电机组的切机成本系数,切机成本系数由待调节发电机组的设备类型、设备操作成本确定。
同理,针对节点,服务器求解如公式12所示的支路的协同处理最小代价目标函数:
min Fi=Cip+Cie (公式12)
其中,Fi为第i个节点的协同处理代价,Cip为第i个节点的预防处理代价,Cie为第i个节点的协同处理代价,Cie通过公式13得到:
其中,Pri为第i个节点对应的故障概率信息,SevNode(i)为第i个节点对应的故障后果信息,y为待调节发电机组的标识(序号),Y为接入第i个节点的待调节发电机组的总数量,ΔVy′为各个待调节发电机组的电压幅值切机量,σy为各个待调节发电机组的切机成本系数,切机成本系数由待调节发电机组的设备类型、设备操作成本确定。
基于以上目标函数的求解,服务器可以在全局最优的情况下,确定各个待调节发电机组最终的潮流数据调节量与潮流数据切机量,例如,在进行事前预防处理时,每个待调节发电机组需要调节的潮流数据具体为多少,以及在进行事后紧急处理时,需要对哪些待调节发电机组进行切机,并根据各个待调节发电机组最终的潮流数据调节量与潮流数据切机量,得到待监测对象的最小代价协同信息。
本实施例中,服务器结合事前预防处理与事后紧急处理,求解待监测对象的协同处理最小代价目标函数,能够在保证全局最优、代价最小的情况下,为待监测对象制定协同故障处理信息(最小代价协同信息),从而在故障发生前,对待监测对象进行预防处理,避免了待发生故障对待监测对象、输电线路以及电力系统的影响,并在故障发生后,对待监测对象进行紧急处理,尽可能减小已发生故障对待监测对象、输电线路以及电力系统的影响。基于以上协同故障处理信息,提高了电力系统的运行稳定性。
在一示例性实施例中,待监测对象的运行数据至少包括支路上的有功功率与节点上的电压幅值。
在上述步骤S104,待监测对象的运行数据满足预设故障数据阈值的情况下,将待监测对象的历史故障信息与待监测对象的运行数据,输入至风险信息预测模型中,得到待监测对象的预测风险信息之前,还具体包括以下内容:从待监测对象的运行数据中,识别出支路的有功功率与节点的电压幅值;在支路的有功功率大于预设有功功率上限阈值的情况下,确认支路的运行数据满足预设故障数据阈值;在节点的电压幅值大于预设电压幅值上限阈值的情况下,或者在节点的电压幅值小于预设电压幅值下限阈值的情况下,确认节点的运行数据满足预设故障数据阈值。
具体地,服务器在获取到待监测对象的运行数据之后,需要将待监测对象的运行数据,按照待监测对象的类型,分为支路的有功功率与节点的电压幅值;然后,服务器在支路的有功功率大于预设有功功率上限阈值的情况下,或者是在节点的电压幅值大于预设电压幅值上限阈值的情况下,或者是在节点的电压幅值小于预设电压幅值下限阈值的情况下,确认待监测对象的运行数据满足预设故障数据阈值。
本实施例中,服务器通过支路的有功功率与预设有功功率上限阈值之间的对比,通过节点的电压幅值与预设电压幅值上限阈值、预设电压幅值下限阈值之间的对比,能够预警故障的发生,从而实现在故障发生前,对待监测对象进行相对应的故障处理,避免故障的发生,以及故障对待监测对象、输电线路以及电力系统的影响,从而提高了电力系统的运行稳定性。
在一示例性实施例中,如图6所示,提供了另一种输电线路故障处理方法,以该方法应用于服务器为例进行说明,包括以下步骤:
步骤S601,获取输电线路上的待监测对象的运行数据。
步骤S602,通过风险信息预测模型,对待监测对象在历史故障信息下的历史故障运行数据,与待监测对象的运行数据进行特征映射处理,得到待监测对象的故障特征时序信息。
步骤S603,根据故障特征时序信息,预测待监测对象在运行数据下的故障概率信息与故障后果信息。
步骤S604,根据故障概率信息,对故障后果信息进行更新,得到更新后的故障后果信息,作为待监测对象的预测风险信息。
步骤S605,在待监测对象的预测风险信息小于预设风险信息阈值的情况下,将待监测对象的目标故障处理类型确认为预防处理。
步骤S606,将待监测对象的运行数据输入至与预防处理对应的预防信息确认模型中。
步骤S607,根据待监测对象的运行数据,确认待监测对象对应于待调节发电机组的灵敏度。
步骤S608,根据灵敏度,确认待监测对象对应于待调节发电机组的控制代价信息。
步骤S609,根据控制代价信息,确认待监测对象的最小代价预防信息,作为待监测对象的故障处理信息。
步骤S610,在待监测对象的预测风险信息大于或者等于预设风险信息阈值的情况下,将待监测对象的目标故障处理类型确认为协同处理。
步骤S611,将待监测对象的运行数据输入至与协同处理对应的协同信息确认模型中。
步骤S612,根据待监测对象的运行数据,确认待监测对象对应于待调节发电机组的控制代价信息与切机代价信息。
步骤S613,对控制代价信息与切机代价信息进行融合处理,得到待监测对象的最小代价协同信息,作为待监测对象的故障处理信息。
步骤S614,按照故障处理信息,对待监测对象进行故障处理。
本实施例中,服务器通过待监测对象的故障特征时序信息,能够挖掘出待监测对象的各个故障状态之间的关联性,从而能够预测待发生故障发生的可能性,以及待发生故障可能造成的后果的严重程度,进而能够对待发生故障对于待监测对象的影响程度(风险信息)进行预测;因此,服务器能够在故障发生前对故障进行研判,从而可靠地对待监测对象进行干预。此外,服务器能够在保证全局最优、代价最小的情况下,为待监测对象制定预防故障处理信息(最小代价预防信息),从而有效地对待监测对象进行故障预防;同时,服务器还能够结合事前预防处理与事后紧急处理,在保证全局最优、代价最小的情况下,为待监测对象制定协同故障处理信息(最小代价协同信息),从而在故障发生前对待监测对象进行预防处理,并在故障发生后对待监测对象进行紧急处理。基于以上过程的输电线路故障处理方法,与传统的事后故障处理方法相比,能够实现对待出现故障的输电线路的事前运维,从而避免电力系统的运行受到已出现故障的影响,进而提高了电力系统的运行稳定性。
为了更清晰阐明本申请实施例提供的输电线路故障处理方法,以下以一个具体的实施例对该输电线路故障处理方法进行具体说明,但应当理解的是,本申请实施例并不限于此。在一示例性实施例中,本申请还提供了一种基于风险理论的预防控制与紧急控制的协调优化方法,具体包括以下步骤:
1、服务器筛选出“预想故障集”中的有效故障,并计算各个有效故障发生的概率。
2、服务器计算输电线路中的各条支路对应于有效故障中的线路过载故障的线路过载量,并根据线路过载量计算各个线路过载故障的后果,以及计算输电线路中的各个节点对应于有效故障中的电压越限故障的电压越限量、并根据电压越限量计算各个电压越限故障的后果。
3、服务器根据故障发生的概率与后果,计算故障的风险值,对电力系统进行评估。
4、服务器获取各条支路上的发电机输出功率转移分布因子,与各个节点上的节点电压灵敏度,构建针对输电线路的故障控制代价目标函数。
5、服务器采用粒子群优化算法,寻求最小控制代价,为输电线路确定故障处理方案,例如故障发生前的预防控制,或故障发生前的预防控制与故障发生后的紧急控制相结合的协同控制。
本实施例中,服务器对输电线路上的线路过载和电压越限进行了静态安全分析,充分利用了预防控制与紧急控制的互补特性,同时考虑了事故发生的概率和事故后果的严重性,从而为确定输电线路的故障处理方案提供了研判基础,保证了电力系统的运行稳定性。
应该理解的是,虽然如上所述的各实施例所涉及的流程图中的各个步骤按照箭头的指示依次显示,但是这些步骤并不是必然按照箭头指示的顺序依次执行。除非本文中有明确的说明,这些步骤的执行并没有严格的顺序限制,这些步骤可以以其它的顺序执行。而且,如上所述的各实施例所涉及的流程图中的至少一部分步骤可以包括多个步骤或者多个阶段,这些步骤或者阶段并不必然是在同一时刻执行完成,而是可以在不同的时刻执行,这些步骤或者阶段的执行顺序也不必然是依次进行,而是可以与其它步骤或者其它步骤中的步骤或者阶段的至少一部分轮流或者交替地执行。
基于同样的发明构思,本申请实施例还提供了一种用于实现上述所涉及的输电线路故障处理方法的输电线路故障处理装置。该装置所提供的解决问题的实现方案与上述方法中所记载的实现方案相似,故下面所提供的一个或多个输电线路故障处理装置实施例中的具体限定可以参见上文中对于输电线路故障处理方法的限定,在此不再赘述。
在一示例性实施例中,如图7所示,提供了一种输电线路故障处理装置,包括:数据获取模块702、风险预测模块704、类型确认模型706、信息确认模块708和故障处理模块710,其中:
数据获取模块702,用于获取输电线路上的待监测对象的运行数据;待监测对象至少包括输电线路上的支路与节点。
风险预测模块704,用于在待监测对象的运行数据满足预设故障数据阈值的情况下,将待监测对象的历史故障信息与待监测对象的运行数据,输入至风险信息预测模型中,得到待监测对象的预测风险信息;预设故障数据阈值为待监测对象的正常运行数据区间内的数值。
类型确认模型706,用于根据待监测对象的预测风险信息,从预设故障处理类型中,确定出待监测对象的目标故障处理类型;预设故障处理类型至少包括预防处理与协同处理。
信息确认模块708,用于将待监测对象的运行数据,输入至与目标故障处理类型对应的目标故障处理信息确认模型中,得到待监测对象的故障处理信息。
故障处理模块710,用于按照故障处理信息,对待监测对象进行故障处理。
在一示例性实施例中,风险预测模块704,还用于通过风险信息预测模型,对待监测对象在历史故障信息下的历史故障运行数据,与待监测对象的运行数据进行特征映射处理,得到待监测对象的故障特征时序信息;根据故障特征时序信息,预测待监测对象在运行数据下的故障概率信息与故障后果信息;根据故障概率信息,对故障后果信息进行更新,得到更新后的故障后果信息,作为待监测对象的预测风险信息。
在一示例性实施例中,风险预测模块704,还用于根据故障特征时序信息,确认待监测对象在故障特征时序信息中的各个故障运行数据下的子故障后果信息;故障特征时序信息中的各个故障运行数据,为待监测对象在历史故障信息下的历史故障运行数据,与待监测对象的运行数据;根据故障特征时序信息,确认各个子故障后果信息对应的权重;根据各个子故障后果信息对应的权重,对各个子故障后果信息进行融合处理,得到综合故障后果信息,作为待监测对象在运行数据下的故障后果信息。
在一示例性实施例中,类型确认模型706,还用于在待监测对象的预测风险信息小于预设风险信息阈值的情况下,将待监测对象的目标故障处理类型确认为预防处理。
信息确认模块708,还用于在待监测对象的目标故障处理类型为预防处理的情况下,将待监测对象的运行数据输入至与预防处理对应的预防信息确认模型中;根据待监测对象的运行数据,确认待监测对象对应于待调节发电机组的灵敏度;待调节发电机组为接入待监测对象的发电机组;根据灵敏度,确认待监测对象对应于待调节发电机组的控制代价信息;控制代价信息为调节待调节发电机组接入待监测对象的潮流数据的代价信息;根据控制代价信息,确认待监测对象的最小代价预防信息,作为待监测对象的故障处理信息。
在一示例性实施例中,类型确认模型706,还用于在待监测对象的预测风险信息大于或者等于预设风险信息阈值的情况下,将待监测对象的目标故障处理类型确认为协同处理。
信息确认模块708,还用于在待监测对象的目标故障处理类型为协同处理的情况下,将待监测对象的运行数据输入至与协同处理对应的协同信息确认模型中;根据待监测对象的运行数据,确认待监测对象对应于待调节发电机组的控制代价信息与切机代价信息;切机代价信息为切除待调节发电机组与待监测对象之间的连接关系的代价信息;对控制代价信息与切机代价信息进行融合处理,得到待监测对象的最小代价协同信息,作为待监测对象的故障处理信息。
在一示例性实施例中,输电线路故障处理装置还包括数据判断模块,用于从待监测对象的运行数据中,识别出支路的有功功率与节点的电压幅值;在支路的有功功率大于预设有功功率上限阈值的情况下,确认支路的运行数据满足预设故障数据阈值;在节点的电压幅值大于预设电压幅值上限阈值的情况下,或者在节点的电压幅值小于预设电压幅值下限阈值的情况下,确认节点的运行数据满足预设故障数据阈值。
上述输电线路故障处理装置中的各个模块可全部或部分通过软件、硬件及其组合来实现。上述各模块可以硬件形式内嵌于或独立于计算机设备中的处理器中,也可以以软件形式存储于计算机设备中的存储器中,以便于处理器调用执行以上各个模块对应的操作。
在一示例性实施例中,提供了一种计算机设备,该计算机设备可以是服务器,其内部结构图可以如图8所示。该计算机设备包括处理器、存储器、输入/输出接口(Input/Output,简称I/O)和通信接口。其中,处理器、存储器和输入/输出接口通过系统总线连接,通信接口通过输入/输出接口连接到系统总线。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和内存储器。该非易失性存储介质存储有操作系统、计算机程序和数据库。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。该计算机设备的数据库用于存储输电线路上的待监测对象在故障状态下的运行数据。该计算机设备的输入/输出接口用于处理器与外部设备之间交换信息。该计算机设备的通信接口用于与外部的终端通过网络连接通信。该计算机程序被处理器执行时以实现一种输电线路故障处理方法。
本领域技术人员可以理解,图8中示出的结构,仅仅是与本申请方案相关的部分结构的框图,并不构成对本申请方案所应用于其上的计算机设备的限定,具体的计算机设备可以包括比图中所示更多或更少的部件,或者组合某些部件,或者具有不同的部件布置。
在一示例性实施例中,还提供了一种计算机设备,包括存储器和处理器,存储器中存储有计算机程序,该处理器执行计算机程序时实现上述各方法实施例中的步骤。
在一示例性实施例中,提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
在一示例性实施例中,提供了一种计算机程序产品,包括计算机程序,该计算机程序被处理器执行时实现上述各方法实施例中的步骤。
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程,是可以通过计算机程序来指令相关的硬件来完成的,所述的计算机程序可存储于一非易失性计算机可读取存储介质中,该计算机程序在执行时,可包括如上述各方法的实施例的流程。其中,本申请所提供的各实施例中所使用的对存储器、数据库或其它介质的任何引用,均可包括非易失性和易失性存储器中的至少一种。非易失性存储器可包括只读存储器(Read-OnlyMemory,ROM)、磁带、软盘、闪存、光存储器、高密度嵌入式非易失性存储器、阻变存储器(ReRAM)、磁变存储器(Magnetoresistive Random Access Memory,MRAM)、铁电存储器(Ferroelectric Random Access Memory,FRAM)、相变存储器(Phase Change Memory,PCM)、石墨烯存储器等。易失性存储器可包括随机存取存储器(Random Access Memory,RAM)或外部高速缓冲存储器等。作为说明而非局限,RAM可以是多种形式,比如静态随机存取存储器(Static Random Access Memory,SRAM)或动态随机存取存储器(Dynamic RandomAccess Memory,DRAM)等。本申请所提供的各实施例中所涉及的数据库可包括关系型数据库和非关系型数据库中至少一种。非关系型数据库可包括基于区块链的分布式数据库等,不限于此。本申请所提供的各实施例中所涉及的处理器可为通用处理器、中央处理器、图形处理器、数字信号处理器、可编程逻辑器、基于量子计算的数据处理逻辑器等,不限于此。
以上实施例的各技术特征可以进行任意的组合,为使描述简洁,未对上述实施例中的各个技术特征所有可能的组合都进行描述,然而,只要这些技术特征的组合不存在矛盾,都应当认为是本说明书记载的范围。
以上所述实施例仅表达了本申请的几种实施方式,其描述较为具体和详细,但并不能因此而理解为对本申请专利范围的限制。应当指出的是,对于本领域的普通技术人员来说,在不脱离本申请构思的前提下,还可以做出若干变形和改进,这些都属于本申请的保护范围。因此,本申请的保护范围应以所附权利要求为准。
Claims (10)
1.一种输电线路故障处理方法,其特征在于,所述方法包括:
获取输电线路上的待监测对象的运行数据;所述待监测对象至少包括所述输电线路上的支路与节点;
在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息;所述预设故障数据阈值为所述待监测对象的正常运行数据区间内的数值;
根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型;所述预设故障处理类型至少包括预防处理与协同处理;
将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息;
按照所述故障处理信息,对所述待监测对象进行故障处理。
2.根据权利要求1所述的方法,其特征在于,所述将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息,包括:
通过所述风险信息预测模型,对所述待监测对象在所述历史故障信息下的历史故障运行数据,与所述待监测对象的运行数据进行特征映射处理,得到所述待监测对象的故障特征时序信息;
根据所述故障特征时序信息,预测所述待监测对象在所述运行数据下的故障概率信息与故障后果信息;
根据所述故障概率信息,对所述故障后果信息进行更新,得到更新后的故障后果信息,作为所述待监测对象的预测风险信息。
3.根据权利要求2所述的方法,其特征在于,所述待监测对象在所述运行数据下的故障后果信息,通过下述方式预测得到:
根据所述故障特征时序信息,确认所述待监测对象在所述故障特征时序信息中的各个故障运行数据下的子故障后果信息;所述故障特征时序信息中的各个故障运行数据,为所述待监测对象在所述历史故障信息下的历史故障运行数据,与所述待监测对象的运行数据;
根据所述故障特征时序信息,确认各个所述子故障后果信息对应的权重;
根据各个所述子故障后果信息对应的权重,对各个所述子故障后果信息进行融合处理,得到综合故障后果信息,作为所述待监测对象在所述运行数据下的故障后果信息。
4.根据权利要求1所述的方法,其特征在于,所述根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型,包括:
在所述待监测对象的预测风险信息小于预设风险信息阈值的情况下,将所述待监测对象的目标故障处理类型确认为所述预防处理;
所述将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息,包括:
在所述待监测对象的目标故障处理类型为所述预防处理的情况下,将所述待监测对象的运行数据输入至与所述预防处理对应的预防信息确认模型中;
根据所述待监测对象的运行数据,确认所述待监测对象对应于待调节发电机组的灵敏度;所述待调节发电机组为接入所述待监测对象的发电机组;
根据所述灵敏度,确认所述待监测对象对应于所述待调节发电机组的控制代价信息;所述控制代价信息为调节所述待调节发电机组接入所述待监测对象的潮流数据的代价信息;
根据所述控制代价信息,确认所述待监测对象的最小代价预防信息,作为所述待监测对象的故障处理信息。
5.根据权利要求4所述的方法,其特征在于,所述根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型,还包括:
在所述待监测对象的预测风险信息大于或者等于所述预设风险信息阈值的情况下,将所述待监测对象的目标故障处理类型确认为所述协同处理;
所述将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息,还包括:
在所述待监测对象的目标故障处理类型为所述协同处理的情况下,将所述待监测对象的运行数据输入至与所述协同处理对应的协同信息确认模型中;
根据所述待监测对象的运行数据,确认所述待监测对象对应于所述待调节发电机组的控制代价信息与切机代价信息;所述切机代价信息为切除所述待调节发电机组与所述待监测对象之间的连接关系的代价信息;
对所述控制代价信息与所述切机代价信息进行融合处理,得到所述待监测对象的最小代价协同信息,作为所述待监测对象的故障处理信息。
6.根据权利要求1至5任意一项所述的方法,其特征在于,所述待监测对象的运行数据至少包括所述支路上的有功功率与所述节点上的电压幅值;
在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息之前,还包括:
从所述待监测对象的运行数据中,识别出所述支路的有功功率与所述节点的电压幅值;
在所述支路的有功功率大于预设有功功率上限阈值的情况下,确认所述支路的运行数据满足所述预设故障数据阈值;
在所述节点的电压幅值大于预设电压幅值上限阈值的情况下,或者在所述节点的电压幅值小于预设电压幅值下限阈值的情况下,确认所述节点的运行数据满足所述预设故障数据阈值。
7.一种输电线路故障处理装置,其特征在于,所述装置包括:
数据获取模块,用于获取输电线路上的待监测对象的运行数据;所述待监测对象至少包括所述输电线路上的支路与节点;
风险预测模块,用于在所述待监测对象的运行数据满足预设故障数据阈值的情况下,将所述待监测对象的历史故障信息与所述待监测对象的运行数据,输入至风险信息预测模型中,得到所述待监测对象的预测风险信息;所述预设故障数据阈值为所述待监测对象的正常运行数据区间内的数值;
类型确认模型,用于根据所述待监测对象的预测风险信息,从预设故障处理类型中,确定出所述待监测对象的目标故障处理类型;所述预设故障处理类型至少包括预防处理与协同处理;
信息确认模块,用于将所述待监测对象的运行数据,输入至与所述目标故障处理类型对应的目标故障处理信息确认模型中,得到所述待监测对象的故障处理信息;
故障处理模块,用于按照所述故障处理信息,对所述待监测对象进行故障处理。
8.一种计算机设备,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6中任一项所述的方法的步骤。
9.一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6中任一项所述的方法的步骤。
10.一种计算机程序产品,包括计算机程序,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6中任一项所述的方法的步骤。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310563185.6A CN116559593A (zh) | 2023-05-17 | 2023-05-17 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310563185.6A CN116559593A (zh) | 2023-05-17 | 2023-05-17 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116559593A true CN116559593A (zh) | 2023-08-08 |
Family
ID=87496177
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310563185.6A Pending CN116559593A (zh) | 2023-05-17 | 2023-05-17 | 输电线路故障处理方法、装置、计算机设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116559593A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937820A (zh) * | 2023-09-19 | 2023-10-24 | 深圳凯升联合科技有限公司 | 一种基于深度学习算法的高压电路线路状态监测方法 |
-
2023
- 2023-05-17 CN CN202310563185.6A patent/CN116559593A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN116937820A (zh) * | 2023-09-19 | 2023-10-24 | 深圳凯升联合科技有限公司 | 一种基于深度学习算法的高压电路线路状态监测方法 |
CN116937820B (zh) * | 2023-09-19 | 2024-01-05 | 深圳凯升联合科技有限公司 | 一种基于深度学习算法的高压电路线路状态监测方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Zhao et al. | Research on size and location of distributed generation with vulnerable node identification in the active distribution network | |
Aghaei et al. | Redundancy allocation problem for k-out-of-n systems with a choice of redundancy strategies | |
Su et al. | Deep belief network enabled surrogate modeling for fast preventive control of power system transient stability | |
Gholami et al. | Static security assessment of power systems: A review | |
CN116559593A (zh) | 输电线路故障处理方法、装置、计算机设备和存储介质 | |
Bhagavatula et al. | Application of artificial neural network in performance prediction of PEM fuel cell | |
Galvani et al. | Data clustering based probabilistic optimal power flow in power systems | |
Zhou et al. | Transient stability prediction of power systems using post-disturbance rotor angle trajectory cluster features | |
Jiang et al. | Explicit model predictive control applications in power systems: an AGC study for an isolated industrial system | |
dos Santos et al. | New genetic algorithms for contingencies selection in the static security analysis of electric power systems | |
Xu et al. | Risk‐averse multi‐objective generation dispatch considering transient stability under load model uncertainty | |
CN111049159B (zh) | 一种嵌入深度信念网络的电力系统暂态稳定预防控制方法 | |
Dashtdar et al. | Frequency control of the islanded microgrid including energy storage using soft computing | |
Lv et al. | Additive modeling and prediction of transient stability boundary in large-scale power systems using the Group Lasso algorithm | |
Ren et al. | Online multi-fault power system dynamic security assessment driven by hybrid information of anticipated faults and pre-fault power flow | |
Weckesser et al. | An improved on-line contingency screening for power system transient stability assessment | |
Rakhtala et al. | Proton exchange membrane fuel cell voltage-tracking using artificial neural networks | |
De et al. | Classification of power system voltage stability conditions using Kohonen's self‐organising feature map and learning vector quantisation | |
Hagmar et al. | On-line voltage instability prediction using an artificial neural network | |
Xie et al. | Multi‐objective coordinated dispatch of high wind‐penetrated power systems against transient instability | |
CN108281964A (zh) | 一种基于运行和网架风险的配电网运行方式优化方法 | |
Ye et al. | Comprehensive mitigation strategy of voltage sag based on sensitive load clustering | |
US20210247732A1 (en) | Resiliency Determination in a Microgrid | |
Zhu et al. | Power system short‐term voltage stability assessment based on improved CatBoost with consideration of model confidence | |
Zhang et al. | CNN‐LSTM based power grid voltage stability emergency control coordination strategy |
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 |