CN116777202A - 配电网线路风险评估方法、装置、设备及可读存储介质 - Google Patents
配电网线路风险评估方法、装置、设备及可读存储介质 Download PDFInfo
- Publication number
- CN116777202A CN116777202A CN202310589117.7A CN202310589117A CN116777202A CN 116777202 A CN116777202 A CN 116777202A CN 202310589117 A CN202310589117 A CN 202310589117A CN 116777202 A CN116777202 A CN 116777202A
- Authority
- CN
- China
- Prior art keywords
- line
- detected
- severity
- state
- fault
- 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
- 238000000034 method Methods 0.000 title claims abstract description 55
- 238000012502 risk assessment Methods 0.000 title claims abstract description 36
- 230000002159 abnormal effect Effects 0.000 claims abstract description 29
- 238000011002 quantification Methods 0.000 claims abstract description 17
- 230000008439 repair process Effects 0.000 claims description 22
- 238000012423 maintenance Methods 0.000 claims description 13
- 238000004590 computer program Methods 0.000 claims description 9
- 239000011159 matrix material Substances 0.000 claims description 9
- 230000007704 transition Effects 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 2
- 239000002131 composite material Substances 0.000 claims 1
- 230000005540 biological transmission Effects 0.000 description 9
- 238000004891 communication Methods 0.000 description 8
- 238000011160 research Methods 0.000 description 7
- 238000004364 calculation method Methods 0.000 description 6
- 230000008569 process Effects 0.000 description 5
- 230000008901 benefit Effects 0.000 description 4
- 238000010586 diagram Methods 0.000 description 4
- 238000012546 transfer Methods 0.000 description 4
- 238000011156 evaluation Methods 0.000 description 3
- 238000013459 approach Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000010365 information processing Effects 0.000 description 2
- 238000013139 quantization Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
Landscapes
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请公开了一种配电网线路风险评估方法、装置、设备及可读存储介质,涉及电网风险评估领域,基于马尔科夫链建立了线路的三状态模型得到其运行状态下的平稳风险概率,更准确的评估配电线路风险,从而更好的找到系统的薄弱环节,为配电网规划和调度提供理论依据。所述方法包括:获取待检测线路的运行数据,基于运行数据,确定线路故障参数,待检测线路为配电网线路,运行数据包括正常天气运行数据和异常天气运行数据;将线路故障参数输入至三状态马尔科夫模型,采用三状态马尔科夫模型预测待检测线路在线路稳态下的平稳风险概率;确定待检测线路的综合故障严重度,以及根据综合故障严重度和平稳风险概率,计算待检测线路的风险量化值。
Description
技术领域
本申请涉及电网风险评估领域,特别是涉及一种配电网线路风险评估方法、装置、设备及可读存储介质。
背景技术
随着城市中电网线路的铺设,出现了电网风险评估技术,安全稳定标准是保障电网安全运行的基础,指导电网的规划和运行。随着用电需求的增长,电网规模也在不断扩大和复杂化,也就意味着其风险也随之增加。以往对线路的风险评估大多是以输电网为研究对象,对配电网线路风险研究较少,尤其是城市配电网。虽然配电网线路遭受的自然灾害的概率较输电网低,但是近些年来,大部分电力系统停电事故都是由配电网故障造成的。因此,亟需一种配电网线路风险评估方法。
发明内容
有鉴于此,本申请提供了一种配电网线路风险评估方法、装置、设备及可读存储介质,主要目的在于解决目前亟需准确评估配电网线路风险的问题。
依据本申请第一方面,提供了一种配电网线路风险评估方法,该方法包括:
获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据;
将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率;
确定所述待检测线路的综合故障严重度,以及根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。
依据本申请第二方面,提供了一种配电网线路风险评估装置,该装置包括:
获取模块,用于获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据;
预测模块,用于将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率;
确定模块,用于确定所述待检测线路的综合故障严重度,以及根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。
依据本申请第三方面,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,所述处理器执行所述计算机程序时实现上述第一方面中任一项所述方法的步骤。
依据本申请第四方面,提供了一种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上述第一方面中任一项所述的方法的步骤。
借由上述技术方案,本申请提供的一种配电网线路风险评估方法、装置、设备及可读存储介质,本申请首先获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据。接下来,将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率。进一步地,确定所述待检测线路的综合故障严重度。最后,根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。本申请实施例考虑了天气的影响因素,在平稳风险概率预测时增加了线路故障参数。而且本实施例是基于马尔科夫链建立了线路的三状态模型得到其运行状态下的平稳风险概率,而不是根据历史统计数据确定平稳风险概率。与传统的基于历史统计以一年为周期的线路故障率相比更能贴合实际,更准确的评估配电线路风险,从而更好的找到系统的薄弱环节,为配电网规划和调度提供理论依据。
上述说明仅是本申请技术方案的概述,为了能够更清楚了解本申请的技术手段,而可依照说明书的内容予以实施,并且为了让本申请的上述和其它目的、特征和优点能够更明显易懂,以下特举本申请的具体实施方式。
附图说明
通过阅读下文优选实施方式的详细描述,各种其他的优点和益处对于本领域普通技术人员将变得清楚明了。附图仅用于示出优选实施方式的目的,而并不认为是对本申请的限制。而且在整个附图中,用相同的参考符号表示相同的部件。在附图中:
图1示出了本申请实施例提供的一种配电网线路风险评估方法流程示意图;
图2示出了本申请实施例提供的一种配电网线路风险评估方法流程示意图;
图3示出了本申请实施例提供的一种配电网线路风险评估方法的节点系统拓扑结构示意图;
图4示出了本申请实施例提供的一种配电网线路风险评估方法的线路三状态转换示意图;
图5示出了本申请实施例提供的一种配电网线路风险评估方法的风险评估结果示意图;
图6示出了本申请实施例提供的一种配电网线路风险评估装置的结构示意图;
图7示出了本申请实施例提供的一种计算机设备的装置结构示意图。
具体实施方式
下面将参照附图更详细地描述本申请的示例性实施例。虽然附图中显示了本申请的示例性实施例,然而应当理解,可以以各种形式实现本申请而不应被这里阐述的实施例所限制。相反,提供这些实施例是为了能够更透彻地理解本申请,并且能够将本申请的范围完整的传达给本领域的技术人员。
本申请实施例提供了一种配电网线路风险评估方法,如图1所示,该方法包括:
101、获取待检测线路的运行数据,基于运行数据,确定线路故障参数,待检测线路为配电网线路,运行数据包括正常天气运行数据和异常天气运行数据。
102、将线路故障参数输入至三状态马尔科夫模型,采用三状态马尔科夫模型预测待检测线路在线路稳态下的平稳风险概率。
103、确定待检测线路的综合故障严重度,以及根据综合故障严重度和平稳风险概率,计算待检测线路的风险量化值。
本实施例提供的配电网线路风险评估方法,首先获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据。接下来,将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率。进一步地,确定所述待检测线路的综合故障严重度。最后,根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。本申请实施例考虑了天气的影响因素,在平稳风险概率预测时增加了线路故障参数。而且本实施例是基于马尔科夫链建立了线路的三状态模型得到其运行状态下的平稳风险概率,而不是根据历史统计数据确定平稳风险概率。与传统的基于历史统计以一年为周期的线路故障率相比更能贴合实际,更准确的评估线路风险,从而更好的找到系统的薄弱环节,为配电网规划和调度提供理论依据。
进一步的,作为上述实施例具体实施方式的细化和扩展,为了完整说明本实施例的实施过程,本申请实施例提供了一种配电网线路风险评估方法,如图2所示,该方法包括:
201、获取待检测线路的运行数据,基于运行数据,确定线路故障参数,待检测线路为配电网线路。
随着城市中电网线路的铺设,出现了电网风险评估技术,安全稳定标准是保障电网安全运行的基础,指导电网的规划和运行。随着用电需求的增长,电网规模也在不断扩大和复杂化,也就意味着其风险也随之增加。以往对线路的风险评估大多是以输电网为研究对象,对配电网线路风险研究较少,尤其是城市配电网。虽然配电网线路遭受的自然灾害的概率较输电网低,但是近些年来,大部分电力系统停电事故都是由配电网故障造成的。因此,亟需一种配电网线路风险评估方法。因此,本申请提供了一种配电网线路风险评估方法,首先获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据。接下来,将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率。进一步地,确定所述待检测线路的综合故障严重度。最后,根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。本申请实施例考虑了天气的影响因素,在平稳风险概率预测时增加了线路故障参数。而且本实施例是基于马尔科夫链建立了线路的三状态模型得到其运行状态下的平稳风险概率,而不是根据历史统计数据确定平稳风险概率。与传统的基于历史统计以一年为周期的线路故障率相比更能贴合实际,更准确的评估线路风险,从而更好的找到系统的薄弱环节,为配电网规划和调度提供理论依据。
相对于输电网,配电网线路的故障率研究还比较少,相较于输电网跨越多区域的长距离特征,配电网遭受自然灾害的可能性较小。但是配电网线路故障导致用户侧的停电损失却很严重,同时随着近些年灾害天气频发,线路受恶劣天气影响发生的故障停电事故越来越频繁。因此,在本申请实施例中,将天气因素引入到配电网线路故障率模型的建立中,可以提高配电网线路故障率的预测精度。具体引入天气因素生成线路故障参数的过程如下:
首先,依据正常天气运行数据,统计正常天气状态持续时间N和正常天气状态线路故障率的第一期望值λ1,以及依据异常天气运行数据,统计异常天气状态持续时间S和异常天气状态线路故障率的第二期望值λ2。
接下来,计算正常天气状态持续时间和时间周期的比值,并计算该比值与第一期望值λ1的第一乘积,计算异常天气状态持续时间和时间周期的比值,并计算该比值与第二期望值的第二乘积。其中,时间周期为正常天气状态持续时间N和异常天气状态持续时间S的和值。将第一乘积与第二乘积的和值作为线路故障参数,具体可以基于下述公式1计算线路故障参数。
公式1:
其中,λ用于指示线路故障参数;N+S为时间周期;为第一乘积;/>为第二乘积;λ1是正常天气状态线路故障率的第一期望值;λ2是异常天气状态线路故障率的第二期望值。
在本申请实施例中,以IEEE33节点系统为研究对象进行说明,IEEE33节点系统拓扑结构如图3所示。假设系统中线路的可靠性参数都相同,系统各线路长度相同。具体参数如下表1所示。
表1线路初始参数
根据表1中的数据可以确定N为200,S为2,时间周期为202,λ1为0.0139,λ2为5.86,代入公式1,即可得线路故障参数为0.072。
202、将线路故障参数输入至三状态马尔科夫模型,采用三状态马尔科夫模型预测待检测线路在线路稳态下的平稳风险概率。
在本申请实施例中,考虑到实际工程中配电网线路的状态除了正常状态和故障状态之外,还会存在计划检修状态,只有充分考虑线路的各种状态才会提高故障率的预测精度。因此,在本步骤中假设线路存在正常、故障和计划检修三种状态,其从一种状态转移到另一种状态的状态转移是随机的,进而基于马尔科夫链即可建立如图4所示的配电网线路的三状态马尔科夫模型。三状态马尔科夫模型假设线路的状态为正常状态(用0表示),故障状态(用1表示)和计划检修状态(用2表示)。λr为线路的故障率;μr为线路的修复率;λp为线路的计划检修率;μp为线路的计划检修修复率。根据图4所示的具体利用三状态马尔科夫模型计算平稳风险概率的过程如下:
首先,获取待检测线路的线路修复参数,线路修复参数包括线路修复率μr、线路计划检修率λp和线路计划检修修复率μp。再将线路修复参数和线路故障参数输入至三状态马尔科夫模型,采用三状态马尔科夫模型设置的配电网线路状态转移概率矩阵进行计算,得到待检测线路在线路稳态下的平稳状态概率,在平稳状态概率中读取故障状态概率作为平稳风险概率。需要说明的是,根据如图4所示的三状态马尔科夫模型,可以确定出配电网线路状态转移矩阵如下述公式2所示:
公式2:
假设各时间间隔相等,根据马尔科夫模型的齐次性上式可以简化为下述公式3:
公式3:
假设已知线路的初始状态为P(0),可以得到经过n个时间间隔Δt以后的状态概率矩阵Pn=P(0)×Pn。当n趋近于∞时,线路的状态就会趋近于某一稳定值,即可得到平稳状态概率,具体如下述公式4所示:
公式4:
将P(∞)代入配电网线路状态转移矩阵后可得下述公式5:
公式5:
其中,P(∞)=[P0 P1 P2],即平稳状态概率包括正常状态概率p0、故障状态概率p1和检修状态概率p2,其中,故障状态概率p1即为所求的平稳风险概率。
继续以IEEE33节点系统为研究对象进行说明,确定线路修复率μr为0.5、线路计划检修率λp为0.25、线路计划检修修复率μp为0.2。将线路修复率μr、线路计划检修率λp、线路计划检修修复率μp,代入公式5,并增加P0+P1+P2=1的限制,可计算得出故障状态概率p1等于0.063。
203、确定待检测线路的综合故障严重度。
在本申请实施例中,对于线路故障导致的后果,本文从安全性,电能质量和经济性三个方面来综合考虑。选取线路负载严重度来衡量其安全性,母线电压偏移严重度来衡量其电能质量,节点负荷损失严重度来分析其经济性。
首先,确定待检测线路对应的线路负载严重度、母线电压偏移严重度和节点负荷损失严重度。
一、线路负载严重度
线路负载可以直接反应线路传输功率的变化,能描述可能出现的功率过载的程度。在本步骤中,需要计算待检测线路l故障后,其所在的配电网中除待检测线路之外的所有线路的功率和值,具体可以基于下述公式6和公式7进行计算:
公式6:
公式7:
其中,公式7是确定待检测线路l所在的配电网中除待检测线路之外的所有线路的功率和值SF(l),将和值作为线路负载严重度。每条线路的线路负载可以基于公式6进行计算,其中Pk(l)为线路l故障后线路k的有功功率Pk N为线路k的额定功率。SF(l)为除故障线路l外的所有线路功率之和。NF为系统总线路数。Pk.max为线路l故障后线路k的有功功率的上限。另外,由于支路发生功率越限时也需要切除线路负荷,且当支路功率越限值超过为13.6%时,系统将切除该支路的所有负荷,所以选取1.136Pk N作为线路k的功率上限值。
二、母线电压偏移严重度
电压偏移可以描述母线电压超过或者低于规定的安全阈值的严重度。依据配电网电压允许偏差规定,电压的偏移率在-3%-7%的范围内。具体可以基于下述公式8和公式9计算待检测线路l故障后,配电网的母线电压偏移严重度:
公式8:
公式9:
其中,Sm.i(l)为线路l故障后母线i的电压偏移水平,NM为系统总母线数。ui(l)ui(l)为线路l故障后母线i的电压值,ui N(l)线路l故障后母线i的额定电压值,γi为母线重要因子,重要因子均在0到1之间,且母线越重要,重要因子越大。在本步骤中,先确定配电网中的全部母线,计算待检测线路l故障后每个母线的电压偏移水平Sm.i(l),将每个母线的电压偏移水平Sm.i(l)与对应的母线重要因子γi相乘,得到每个母线的电压偏移严重度,以及将全部母线对应的电压偏移严重度相加,得到母线电压偏移严重度Sm(l)。
三、节点负荷损失严重度
节点负荷损失直接反应线路故障所导致用户侧经济损失的程度。在本步骤中,首先确定配电网中的全部系统节点,计算待检测线路故障后的每个系统节点的负荷损失量与对应系统节点的等级因子的第三乘积γL.jΔSL.j,计算全部第三乘积的和值,得到第一和值。接下来,计算待检测线路故障前的每个系统节点的负荷损失量与对应系统节点的等级因子的第四乘积γL.jS(0) L.j,计算全部第四乘积的和值,得到第二和值。最后,将第一和值与第二和值的比值作为节点负荷损失严重度。具体可以基于下述公式10进行计算:
公式10:
其中,NS为系统节点数,γL.j为第j个节点的等级因子,ΔSL.j为线路l故障后第j个节点的负荷损失量,S(0) L.J为线路l故障前第j个节点的初始负荷量。
进一步地,按照熵权法分别确定线路负载严重度对应的第一权重ω1、母线电压偏移严重度的第二权重ω2和节点负荷损失严重度的第三权重ω3。根据第一权重、第二权重、第三权重,对线路负载严重度、母线电压偏移严重度和节点负荷损失严重度进行加权求和,得到综合故障严重度。具体计算过程如下述公式11所示:
公式11:S(l)=ω1SF(l)+ω2Sm(l)+ω3Sf(l)
其中,ω1,ω2,ω3分别为对应各指标的权重,每个权重均利用熵权法来确定,以避免主观性。
继续以IEEE33节点系统为研究对象进行说明,计算得到各线路故障后对应的各个风险指标的具体数值,如下表3所示:
表3各线路故障的风险指标
利用各指标值得到评价矩阵R′,如下述公式12所示:
公式12:
将评价矩阵R′标准化,可得公式13:
公式13:
进一步地,利用熵权法对评价矩阵R′进行熵权计算,得到第i个指标的熵为Hi=[0.1977 0.8722 0.9332],则第i个指标的熵权为wi=[0.8048 0.1282 0.0670]。
204、根据综合故障严重度和平稳风险概率,计算待检测线路的风险量化值。
在本步骤中,计算综合故障严重度和平稳风险概率的第五乘积R(l),将第五乘积R(l)作为待检测线路的风险量化值。具体计算过程如下述公式15所示:
公式15:R(l)=P1(l)×S(l)
其中,R(l)为线路l故障后的风险量化值,P1(l)为线路l故障概率,S(l)为线路l故障后对系统造成的综合严重度后果。继续以IEEE33节点系统为研究对象进行说明,计算得到各线路故障后的综合严重度和风险如下表4所示:
表4各故障线路风险
依据表4中数据绘制出各条线路的故障风险如图5所示。由于线路L1-2与等效电网直接相连,且没有联络通道,其故障会导致功率传输中断,从而产生较严重的综合后果,故其风险最高。由图3可以看出线路L2-3处于线路主干路通道,其故障后存在转供路径,但是仍会造成173kW的负荷损失,其造成的母线电压偏移也是较大的,归结到其处于重要干路通道阻碍功率输送到后面的线路,从而导致更严重的后果。由计算结果可知风险较高的线路都是处于重要干路通道,或者联络通道较少的线路。且L13-14,L16-17故障后产生的综合后果较小,因为存在转供路径提供了转供方案,只会对该线路本身产生影响,通过计算结果可以得到验证。由表3可以看出L6-7至L32-33之间的线路故障所导致的其他线路负载严重度为0,这是因为这些线路正处于联络通道较多的位置,一旦发生故障存在多个转供线路作为备用,并不会对其他线路造成严重影响。通过以上的分析可以看出从线路负载严重度,母线电压偏移严重度和负荷点损失严重这三个风险指标来衡量故障线路导致的后果是准确有效的。
本申请实施例提供的方法,首先获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据。接下来,将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率。进一步地,确定所述待检测线路的综合故障严重度。最后,根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。本申请实施例考虑了天气的影响因素,在平稳风险概率预测时增加了线路故障参数。而且本实施例是基于马尔科夫链建立了线路的三状态模型得到其运行状态下的平稳风险概率,而不是根据历史统计数据确定平稳风险概率。采用历史统计的故障率一般都是以年为周期统计得到的,而实际工程中,线路的全寿命周期一般为20-30年,通过设备的浴盆曲线可知线路要经过磨合期、平稳期和损耗期。所以基于一年为统计周期显然是不够准确的,依据马尔科夫链的平稳性可以得到线路在运行状态下的平稳故障率,才和实际更切合,确保电力系统风险准确评估。
进一步地,作为图1所述方法的具体实现,本申请实施例提供了一种配电网线路风险评估装置,如图6所示,所述装置包括:获取模块601、预测模块602、确定模块603。
该获取模块601,用于获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据;
该预测模块602,用于将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率;
该确定模块603,用于确定所述待检测线路的综合故障严重度,以及根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。
在具体的应用场景中,该获取模块601,用于依据所述正常天气运行数据,统计正常天气状态持续时间和正常天气状态线路故障率的第一期望值,以及依据所述异常天气运行数据,统计异常天气状态持续时间和异常天气状态线路故障率的第二期望值;计算所述正常天气状态持续时间和时间周期的比值,并计算所述比值与所述第一期望值的第一乘积,所述时间周期为所述正常天气状态持续时间和所述异常天气状态持续时间的和值;计算所述异常天气状态持续时间和所述时间周期的比值,并计算所述比值与所述第二期望值的第二乘积;将所述第一乘积与所述第二乘积的和值作为所述线路故障参数。
在具体的应用场景中,该预测模块602,用于获取所述待检测线路的线路修复参数,所述线路修复参数包括所述线路修复率、线路计划检修率和线路计划检修修复率;将所述线路修复参数和所述线路故障参数输入至所述三状态马尔科夫模型,采用所述三状态马尔科夫模型设置的配电网线路状态转移概率矩阵进行计算,得到所述待检测线路在线路稳态下的平稳状态概率,其中,所述平稳状态概率包括正常状态概率、故障状态概率和检修状态概率;在所述平稳状态概率中读取所述故障状态概率作为所述平稳风险概率。
在具体的应用场景中,该确定模块603,用于确定所述待检测线路对应的线路负载严重度、母线电压偏移严重度和节点负荷损失严重度;按照熵权法分别确定所述线路负载严重度对应的第一权重、所述母线电压偏移严重度的第二权重和所述节点负荷损失严重度的第三权重;根据所述第一权重、所述第二权重、所述第三权重,对所述线路负载严重度、所述母线电压偏移严重度和所述节点负荷损失严重度进行加权求和,得到所述综合故障严重度。
在具体的应用场景中,该确定模块603,用于确定所述待检测线路所在的配电网中除所述待检测线路之外的所有线路的功率和值,将所述和值作为所述线路负载严重度;确定所述配电网中的全部母线,计算所述待检测线路故障后每个母线的电压偏移水平,将每个母线的电压偏移水平与对应的母线重要因子相乘,得到每个母线的电压偏移严重度,以及将全部母线对应的电压偏移严重度相加,得到所述母线电压偏移严重度。
在具体的应用场景中,该确定模块603,用于确定配电网中的全部系统节点,计算所述待检测线路故障后的每个系统节点的负荷损失量与对应系统节点的等级因子的第三乘积,计算全部所述第三乘积的和值,得到第一和值;计算所述待检测线路故障前的每个系统节点的负荷损失量与对应系统节点的等级因子的第四乘积,计算全部所述第四乘积的和值,得到第二和值;将所述第一和值与所述第二和值的比值作为所述节点负荷损失严重度。
在具体的应用场景中,该确定模块603,用于计算所述综合故障严重度和所述平稳风险概率的第五乘积,将所述第五乘积作为所述待检测线路的风险量化值。
本申请实施例提供的装置,首先获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据。接下来,将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率。进一步地,确定所述待检测线路的综合故障严重度。最后,根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。本申请实施例考虑了天气的影响因素,在平稳风险概率预测时增加了线路故障参数。而且本实施例是基于马尔科夫链建立了线路的三状态模型得到其运行状态下的平稳风险概率,而不是根据历史统计数据确定平稳风险概率。与传统的基于历史统计以一年为周期的线路故障率相比更能贴合实际,更准确的评估线路风险,从而更好的找到系统的薄弱环节,为配电网规划和调度提供理论依据。
需要说明的是,本申请实施例提供的一种配电网线路风险评估装置所涉及各功能单元的其他相应描述,可以参考图1至图5中的对应描述,在此不再赘述。
基于上述如图1至图5所示方法,相应的,本实施例还提供了一种存储介质,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所述的配电网线路风险评估方法的步骤。
基于这样的理解,本申请的技术方案可以以软件产品的形式体现出来,该待识别软件产品可以存储在一个非易失性存储介质(可以是CD-ROM,U盘,移动硬盘等)中,包括若干指令用以使得一台计算机设备(可以是个人计算机,服务器,或者网络设备等)执行本申请各个实施场景所述的方法。
基于上述如图1至图5所示的方法,以及图6所示的配电网线路风险评估装置实施例,为了实现上述目的,在示例性实施例中,参见图7,还提供了一种设备,该设备包括通信总线、处理器、存储器和通信接口,还可以包括输入输出接口和显示设备,其中,各个功能单元之间可以通过总线完成相互间的通信。该存储器存储有计算机程序,处理器,用于执行存储器上所存放的程序,执行上述实施例中的配电网线路风险评估方法。
可选的,该实体设备还可以包括用户接口、网络接口、摄像头、射频(RadioFrequency,RF)电路,传感器、音频电路、WI-FI模块等等。用户接口可以包括显示屏(Display)、输入单元比如键盘(Keyboard)等,可选用户接口还可以包括USB接口、读卡器接口等。网络接口可选的可以包括标准的有线接口、无线接口(如WI-FI接口)等。
本领域技术人员可以理解,本实施例提供的一种配电网线路风险评估的实体设备结构并不构成对该实体设备的限定,可以包括更多或更少的部件,或者组合某些部件,或者不同的部件布置。
存储介质中还可以包括操作系统、网络通信模块。操作系统是管理上述实体设备硬件和待识别软件资源的程序,支持信息处理程序以及其它待识别软件和/或程序的运行。网络通信模块用于实现存储介质内部各组件之间的通信,以及与信息处理实体设备中其它硬件和软件之间通信。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到本申请可以借助软件加必要的通用硬件平台的方式来实现,也可以通过硬件实现。通过应用本申请的技术方案,首先获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据。接下来,将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率。进一步地,确定所述待检测线路的综合故障严重度。最后,根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。与现有技术相比,本申请实施例考虑了天气的影响因素,在平稳风险概率预测时增加了线路故障参数。而且本实施例是基于马尔科夫链建立了线路的三状态模型得到其运行状态下的平稳风险概率,而不是根据历史统计数据确定平稳风险概率。与传统的基于历史统计以一年为周期的线路故障率相比更能贴合实际,更准确的评估线路风险,从而更好的找到系统的薄弱环节,为配电网规划和调度提供理论依据。
本领域技术人员可以理解附图只是一个优选实施场景的示意图,附图中的模块或流程并不一定是实施本申请所必须的。
本领域技术人员可以理解实施场景中的装置中的模块可以按照实施场景描述进行分布于实施场景的装置中,也可以进行相应变化位于不同于本实施场景的一个或多个装置中。上述实施场景的模块可以合并为一个模块,也可以进一步拆分成多个子模块。
上述本申请序号仅仅为了描述,不代表实施场景的优劣。
以上公开的仅为本申请的几个具体实施场景,但是,本申请并非局限于此,任何本领域的技术人员能思之的变化都应落入本申请的保护范围。
Claims (10)
1.一种配电网线路风险评估方法,其特征在于,包括:
获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据;
将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率;
确定所述待检测线路的综合故障严重度,以及根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。
2.根据权利要求1所述的方法,其特征在于,所述基于所述运行数据,确定线路故障参数,包括:
依据所述正常天气运行数据,统计正常天气状态持续时间和正常天气状态线路故障率的第一期望值,以及依据所述异常天气运行数据,统计异常天气状态持续时间和异常天气状态线路故障率的第二期望值;
计算所述正常天气状态持续时间和时间周期的比值,并计算所述比值与所述第一期望值的第一乘积,所述时间周期为所述正常天气状态持续时间和所述异常天气状态持续时间的和值;
计算所述异常天气状态持续时间和所述时间周期的比值,并计算所述比值与所述第二期望值的第二乘积;
将所述第一乘积与所述第二乘积的和值作为所述线路故障参数。
3.根据权利要求1所述的方法,其特征在于,所述将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率,包括:
获取所述待检测线路的线路修复参数,所述线路修复参数包括所述线路修复率、线路计划检修率和线路计划检修修复率;
将所述线路修复参数和所述线路故障参数输入至所述三状态马尔科夫模型,采用所述三状态马尔科夫模型设置的配电网线路状态转移概率矩阵进行计算,得到所述待检测线路在线路稳态下的平稳状态概率,其中,所述平稳状态概率包括正常状态概率、故障状态概率和检修状态概率;
在所述平稳状态概率中读取所述故障状态概率作为所述平稳风险概率。
4.根据权利要求1所述的方法,其特征在于,所述确定所述待检测线路的综合故障严重度,包括:
确定所述待检测线路对应的线路负载严重度、母线电压偏移严重度和节点负荷损失严重度;
按照熵权法分别确定所述线路负载严重度对应的第一权重、所述母线电压偏移严重度的第二权重和所述节点负荷损失严重度的第三权重;
根据所述第一权重、所述第二权重、所述第三权重,对所述线路负载严重度、所述母线电压偏移严重度和所述节点负荷损失严重度进行加权求和,得到所述综合故障严重度。
5.根据权利要求4所述的方法,其特征在于,所述确定所述待检测线路对应的线路负载严重度、母线电压偏移严重度,包括:
确定所述待检测线路所在的配电网中除所述待检测线路之外的所有线路的功率和值,将所述和值作为所述线路负载严重度;
确定所述配电网中的全部母线,计算所述待检测线路故障后每个母线的电压偏移水平,将每个母线的电压偏移水平与对应的母线重要因子相乘,得到每个母线的电压偏移严重度,以及将全部母线对应的电压偏移严重度相加,得到所述母线电压偏移严重度。
6.根据权利要求4所述的方法,其特征在于,所述确定所述待检测线路对应的节点负荷损失严重度,包括:
确定配电网中的全部系统节点,计算所述待检测线路故障后的每个系统节点的负荷损失量与对应系统节点的等级因子的第三乘积,计算全部所述第三乘积的和值,得到第一和值;
计算所述待检测线路故障前的每个系统节点的负荷损失量与对应系统节点的等级因子的第四乘积,计算全部所述第四乘积的和值,得到第二和值;
将所述第一和值与所述第二和值的比值作为所述节点负荷损失严重度。
7.根据权利要求1所述的方法,其特征在于,所述根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值,包括:
计算所述综合故障严重度和所述平稳风险概率的第五乘积,将所述第五乘积作为所述待检测线路的风险量化值。
8.一种配电网线路风险评估装置,其特征在于,包括:
获取模块,用于获取待检测线路的运行数据,基于所述运行数据,确定线路故障参数,所述待检测线路为配电网线路,所述运行数据包括正常天气运行数据和异常天气运行数据;
预测模块,用于将所述线路故障参数输入至三状态马尔科夫模型,采用所述三状态马尔科夫模型预测所述待检测线路在线路稳态下的平稳风险概率;
确定模块,用于确定所述待检测线路的综合故障严重度,以及根据所述综合故障严重度和所述平稳风险概率,计算所述待检测线路的风险量化值。
9.一种设备,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中任一项所述方法的步骤。
10.一种可读存储介质,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 |
---|---|---|---|
CN202310589117.7A CN116777202A (zh) | 2023-05-18 | 2023-05-18 | 配电网线路风险评估方法、装置、设备及可读存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310589117.7A CN116777202A (zh) | 2023-05-18 | 2023-05-18 | 配电网线路风险评估方法、装置、设备及可读存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN116777202A true CN116777202A (zh) | 2023-09-19 |
Family
ID=88007226
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310589117.7A Pending CN116777202A (zh) | 2023-05-18 | 2023-05-18 | 配电网线路风险评估方法、装置、设备及可读存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN116777202A (zh) |
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495114A (zh) * | 2024-01-03 | 2024-02-02 | 北京智盟信通科技有限公司 | 基于大数据分析的电力系统风险预测方法及系统 |
CN118350650A (zh) * | 2024-06-18 | 2024-07-16 | 山东智奇环境技术有限公司 | 一种医疗垃圾的非燃烧处理流程的智能监测系统 |
-
2023
- 2023-05-18 CN CN202310589117.7A patent/CN116777202A/zh active Pending
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117495114A (zh) * | 2024-01-03 | 2024-02-02 | 北京智盟信通科技有限公司 | 基于大数据分析的电力系统风险预测方法及系统 |
CN117495114B (zh) * | 2024-01-03 | 2024-03-22 | 北京智盟信通科技有限公司 | 基于大数据分析的电力系统风险预测方法及系统 |
CN118350650A (zh) * | 2024-06-18 | 2024-07-16 | 山东智奇环境技术有限公司 | 一种医疗垃圾的非燃烧处理流程的智能监测系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN105069535B (zh) | 一种基于arima模型的配电网运行可靠性的预测方法 | |
CN116777202A (zh) | 配电网线路风险评估方法、装置、设备及可读存储介质 | |
Ashok et al. | Distribution transformer health monitoring using smart meter data | |
US11216893B2 (en) | Power flow characteristics | |
CN110969347A (zh) | 一种输电网结构形态评估方法 | |
Teh et al. | Risk informed design modification of dynamic thermal rating system | |
Espie et al. | Multiple criteria decision making techniques applied to electricity distribution system planning | |
CN104794206A (zh) | 一种变电站数据质量评价系统及方法 | |
CN110689186B (zh) | 基于风电出力随机性的配电网供电可靠性评估方法及系统 | |
Jürgensen et al. | Individual failure rates for transformers within a population based on diagnostic measures | |
Tepedino et al. | A forecasting model based on time series analysis applied to electrical energy consumption | |
Bellani et al. | A reliability-centered methodology for identifying renovation actions for improving resilience against heat waves in power distribution grids | |
CN110188998B (zh) | 配电网的风电机组和储能的时序建设可靠性的评估方法 | |
CN114862229A (zh) | 电能质量评估方法、装置、计算机设备和存储介质 | |
Anuradha et al. | Voltage-loss sensitivity based approach for optimal DG placement in distribution networks | |
CN118140380A (zh) | 用于对测量单元的最佳布置进行确定以对物理配电网的状态进行估计的方法 | |
CN103166317B (zh) | 一种含der配电通信方式的可靠性检测方法和装置 | |
Das et al. | Power grid vulnerability analysis with rising renewables infiltration | |
CN115964951A (zh) | 电力系统运行可靠性评估方法、装置及电子设备 | |
Gupta et al. | A Probabilistic Approach to Assess Quantitative Resilience of Transmission Line During Cyclone | |
CN114297920A (zh) | 基于数据预测填充及全局动态模型的线损计算方法 | |
Kelly-Gorham et al. | Identifying network properties that influence the vulnerability of power systems to extreme contingencies | |
Zhou et al. | Applying Bayesian estimates of individual transmission line outage rates | |
CN118473097B (zh) | 一种配电网的智慧线损检测告警方法及装置 | |
Abdallah et al. | Measurement and evaluation of the power systems resilience against extreme events |
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 |