CN117009731A - 一种基于气象因素的电力故障预警方法 - Google Patents
一种基于气象因素的电力故障预警方法 Download PDFInfo
- Publication number
- CN117009731A CN117009731A CN202310883590.6A CN202310883590A CN117009731A CN 117009731 A CN117009731 A CN 117009731A CN 202310883590 A CN202310883590 A CN 202310883590A CN 117009731 A CN117009731 A CN 117009731A
- Authority
- CN
- China
- Prior art keywords
- early warning
- transmission line
- power transmission
- meteorological
- meteorological factors
- 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 32
- 230000005540 biological transmission Effects 0.000 claims abstract description 58
- 238000012544 monitoring process Methods 0.000 claims abstract description 30
- 238000012806 monitoring device Methods 0.000 claims description 12
- 239000012212 insulator Substances 0.000 claims description 7
- 238000001514 detection method Methods 0.000 claims description 4
- 238000013135 deep learning Methods 0.000 claims description 3
- 238000005259 measurement Methods 0.000 claims description 3
- 238000007619 statistical method Methods 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 2
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000003745 diagnosis Methods 0.000 description 1
- 239000011810 insulating material Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
-
- 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—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Engineering & Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Data Mining & Analysis (AREA)
- Business, Economics & Management (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- General Engineering & Computer Science (AREA)
- Computational Mathematics (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Economics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Human Resources & Organizations (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Algebra (AREA)
- Probability & Statistics with Applications (AREA)
- Operations Research (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Artificial Intelligence (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Computation (AREA)
- Medical Informatics (AREA)
- Computing Systems (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于气象因素的电力故障预警方法,包括常规预警和高风险预警,其中,常规预警包括构建气象因素集、建立故障预测模型、故障率估值、输出常规风险预警结果等步骤;高风险预警包括获取输电线路实时监测数据、故障风险点判断标识、对输电线路运行风险较高的薄弱点进行标识、获取薄弱点故障影响主要气象因素、二次标识、针对二次标识的薄弱点输出高风险预警结果;本发明可对输电线路故障风险进行及时预警,并针对输电线路薄弱点进行高风险预警,更加稳定可靠。
Description
技术领域
本发明属于电力系统故障诊断和在线监测技术领域,具体涉及一种基于气象因素的电力故障预警方法。
背景技术
输电线路是指由发电厂向电力负荷中心输送电能以及电力系统之间的联络的电力线路,其中用杆塔和绝缘材料将导线架离地面的输电线路为架空输电线路,具体由杆塔、杆塔基础、导地线、绝缘子及金具串、接地装置及防雷设备等组成,架空输电线路设置于室外场所,常年暴露在大气环境中,会导致其直接受到外界和气象因素的作用,容易产生故障,影响电力稳定传输,导致电力系统运行不确定性增加及可控性降低。
所以,为解决上述问题,开发一种基于气象因素的电力故障预警方法很有必要。
发明内容
本发明的目的是为了克服现有技术的不足,而提供一种基于气象因素的电力故障预警方法,对输电线路故障风险进行及时预警,并针对输电线路薄弱点进行高风险预警,更加稳定可靠。
本发明的目的是这样实现的:一种基于气象因素的电力故障预警方法,包括常规预警和高风险预警,其中,所述常规预警包括以下步骤:
S11、构建气象因素集;获取目标输电线路所在地域信息,并得到该地域处气候条件和影响输电线路运行的主要气象因素,并构建气象因素集;
S12、建立故障预测模型;采集对应气象因素条件下该位置处输电线路发生故障的历史数据,通过均值法得到该位置处输电线路发生故障的故障率,并建立故障预测模型;
S13、故障率估值;根据该位置所处区域下一时段的气象条件,通过故障预测模型得到下一时段的各个气象因素的故障率估值;
S14、输出常规风险预警结果。
所述高风险预警包括以下步骤:
S21、获取输电线路实时监测数据;
S22、故障风险点判断标识;根据监测数据判断故障风险点,得到输电线路运行风险较高的薄弱点,并进行标识;
S23、获取薄弱点故障影响主要气象因素;针对单个薄弱点一一分析得到影响导致该薄弱点故障的主要气象因素,并按照影响最大至最小进行排列匹配;
S24、获取该目标输电线路所在地域的下一时间段气象条件,将该气象条件中的气象因素与单个薄弱点的影响因素进行对应,并将对应匹配的薄弱点进行二次标识;
S25、针对二次标识的薄弱点输出高风险预警结果。
进一步地,所述步骤S11中的气象因素包括雷电、覆冰、降雨、风、气温、台风、冰雹、雪。
进一步地,所述步骤S12中的故障率为每种气象因素在某种气象等级下输电线路发生故障的概率。
进一步地,所述步骤S12中的故障预测模型通过计算机深度学习技术来实现。
进一步地,所述步骤S21中的输电线路实时监测数据包括输电线路设备在线监测数据,具体包括输电导线温度、微风振动、舞动、风偏角、弧垂监测数据,绝缘子污闪监测数据,输电线路杆塔倾斜监测数据。
进一步地,所述步骤S21中的输电线路实时监测数据通过设置于输电线路上的数据监测装置获得,所述数据监测装置具体包括温度检测装置、振动监测装置、风偏角监测装置、弧垂实测系统、绝缘子污秽度测量器、杆塔倾斜度监测系统。
进一步地,所述步骤S23具体包括以下步骤:
S231、获取该薄弱点故障历史数据;
S232、对该薄弱点故障历史数据进行统计分析;
S233、获得历史数据中该薄弱点故障时的气象条件;
S234、得到导致该故障薄弱点的主要气象因素。
进一步地,所述高风险预警的优先级高于常规预警。
由于采用了上述技术方案,本发明的有益效果是:通过常规预警可对输电线路进行故障预测,并发出警报信息,同时通过采集输电线路监测数据,进一步地发现输电线路薄弱点,将薄弱点进行重点标识,并通过对其分析,根据该薄弱点所处位置的故障历史数据,识别能够进一步推动其发生故障的气象因素,并在该气象因素出现时,进行高风险预警,发出高风险警报信息,同时便于定位故障点,更加稳定安全可靠。
附图说明
图1是本发明中常规预警的流程框图。
图2是本发明中高风险预警的流程框图。
实施方式
下面通过实施例,并结合附图,对本发明的技术方案做进一步具体的说明。
如图1、图2所示,一种基于气象因素的电力故障预警方法,包括常规预警和高风险预警,其中,所述高风险预警的优先级高于常规预警。
其中,所述常规预警包括以下步骤:
S11、构建气象因素集;获取目标输电线路所在地域信息,并得到该地域处气候条件和影响输电线路运行的主要气象因素,并构建气象因素集;具体地,所述气象因素可以包括雷电、覆冰、降雨、风、气温、台风、冰雹、雪等。
S12、建立故障预测模型;采集对应气象因素条件下该位置处输电线路发生故障的历史数据,通过均值法得到该位置处输电线路发生故障的故障率,并建立故障预测模型;具体地,所述故障率为每种气象因素在某种气象等级下输电线路发生故障的概率,所述步故障预测模型可以通过计算机深度学习技术来实现。
S13、故障率估值;根据该位置所处区域下一时段的气象条件,通过故障预测模型得到下一时段的各个气象因素的故障率估值;具体地,所述下一时段的气象条件可以通过气象预报得到。
S14、输出常规风险预警结果。
其中,所述高风险预警包括以下步骤:
S21、获取输电线路实时监测数据;具体地,所述输电线路实时监测数据包括输电线路设备在线监测数据,具体可以包括输电导线温度、微风振动、舞动、风偏角、弧垂监测数据,绝缘子污闪监测数据,输电线路杆塔倾斜监测数据;所述输电线路实时监测数据可以通过设置于输电线路上的数据监测装置获得,所述数据监测装置具体包括温度检测装置、振动监测装置、风偏角监测装置、弧垂实测系统、绝缘子污秽度测量器、杆塔倾斜度监测系统。
S22、故障风险点判断标识;根据监测数据判断故障风险点,得到输电线路运行风险较高的薄弱点,并进行标识。
S23、获取薄弱点故障影响主要气象因素;针对单个薄弱点一一分析得到影响导致该薄弱点故障的主要气象因素,并按照影响最大至最小进行排列匹配;所述步骤S23具体包括以下步骤:
S231、获取该薄弱点故障历史数据;
S232、对该薄弱点故障历史数据进行统计分析;
S233、获得历史数据中该薄弱点故障时的气象条件;
S234、得到导致该故障薄弱点的主要气象因素。
S24、获取该目标输电线路所在地域的下一时间段气象条件,将该气象条件中的气象因素与单个薄弱点的影响因素进行对应,并将对应匹配的薄弱点进行二次标识。
S25、针对二次标识的薄弱点输出高风险预警结果。
最后应说明的是,以上实施例仅用以说明本发明的技术方案,而非对其限制,尽管参照上述实施例对本发明进行了详细的说明,所属领域的普通技术人员应当理解,依然可以对本发明的具体实施方式进行修改或者等同替换,而未脱离本发明精神和范围的任何修改或者等同替换,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种基于气象因素的电力故障预警方法,其特征在于:包括常规预警和高风险预警,其中,所述常规预警包括以下步骤:
S11、构建气象因素集;获取目标输电线路所在地域信息,并得到该地域处气候条件和影响输电线路运行的主要气象因素,并构建气象因素集;
S12、建立故障预测模型;采集对应气象因素条件下该位置处输电线路发生故障的历史数据,通过均值法得到该位置处输电线路发生故障的故障率,并建立故障预测模型;
S13、故障率估值;根据该位置所处区域下一时段的气象条件,通过故障预测模型得到下一时段的各个气象因素的故障率估值;
S14、输出常规风险预警结果;
所述高风险预警包括以下步骤:
S21、获取输电线路实时监测数据;
S22、故障风险点判断标识;根据监测数据判断故障风险点,得到输电线路运行风险较高的薄弱点,并进行标识;
S23、获取薄弱点故障影响主要气象因素;针对单个薄弱点一一分析得到影响导致该薄弱点故障的主要气象因素,并按照影响最大至最小进行排列匹配;
S24、获取该目标输电线路所在地域的下一时间段气象条件,将该气象条件中的气象因素与单个薄弱点的影响因素进行对应,并将对应匹配的薄弱点进行二次标识;
S25、针对二次标识的薄弱点输出高风险预警结果。
2.根据权利要求1所述的一种基于气象因素的电力故障预警方法,其特征在于:所述步骤S11中的气象因素包括雷电、覆冰、降雨、风、气温、台风、冰雹、雪。
3.根据权利要求1所述的,其特征在于一种基于气象因素的电力故障预警方法:所述步骤S12中的故障率为每种气象因素在某种气象等级下输电线路发生故障的概率。
4.根据权利要求1所述的一种基于气象因素的电力故障预警方法,其特征在于:所述步骤S12中的故障预测模型通过计算机深度学习技术来实现。
5.根据权利要求1所述的一种基于气象因素的电力故障预警方法,其特征在于:所述步骤S21中的输电线路实时监测数据包括输电线路设备在线监测数据,具体包括输电导线温度、微风振动、舞动、风偏角、弧垂监测数据,绝缘子污闪监测数据,输电线路杆塔倾斜监测数据。
6.根据权利要求1所述的一种基于气象因素的电力故障预警方法,其特征在于:所述步骤S21中的输电线路实时监测数据通过设置于输电线路上的数据监测装置获得,所述数据监测装置具体包括温度检测装置、振动监测装置、风偏角监测装置、弧垂实测系统、绝缘子污秽度测量器、杆塔倾斜度监测系统。
7.根据权利要求1所述的一种基于气象因素的电力故障预警方法,其特征在于:所述步骤S23具体包括以下步骤:
S231、获取该薄弱点故障历史数据;
S232、对该薄弱点故障历史数据进行统计分析;
S233、获得历史数据中该薄弱点故障时的气象条件;
S234、得到导致该故障薄弱点的主要气象因素。
8.根据权利要求1所述的一种基于气象因素的电力故障预警方法,其特征在于:所述高风险预警的优先级高于常规预警。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310883590.6A CN117009731A (zh) | 2023-07-19 | 2023-07-19 | 一种基于气象因素的电力故障预警方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202310883590.6A CN117009731A (zh) | 2023-07-19 | 2023-07-19 | 一种基于气象因素的电力故障预警方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117009731A true CN117009731A (zh) | 2023-11-07 |
Family
ID=88570202
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202310883590.6A Pending CN117009731A (zh) | 2023-07-19 | 2023-07-19 | 一种基于气象因素的电力故障预警方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117009731A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391459A (zh) * | 2023-12-13 | 2024-01-12 | 国网山西省电力公司太原供电公司 | 基于深度学习的电力运行风险预警方法及系统 |
-
2023
- 2023-07-19 CN CN202310883590.6A patent/CN117009731A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN117391459A (zh) * | 2023-12-13 | 2024-01-12 | 国网山西省电力公司太原供电公司 | 基于深度学习的电力运行风险预警方法及系统 |
CN117391459B (zh) * | 2023-12-13 | 2024-03-05 | 国网山西省电力公司太原供电公司 | 基于深度学习的电力运行风险预警方法及系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110929853A (zh) | 一种基于深度学习的配电网线路故障预测方法 | |
CN111442752B (zh) | 一种输电线路等值覆冰厚度的监测方法 | |
CN112785117B (zh) | 一种输电线路全线雷电绕击跳闸风险多维分析方法 | |
CN105426671B (zh) | 一种雷暴天气下架空配电线路的可靠性评测方法 | |
CN117009731A (zh) | 一种基于气象因素的电力故障预警方法 | |
CN112886923B (zh) | 一种雷电天气的光伏电站运维方法及设备 | |
CN105279612A (zh) | 一种基于泊松分布的输电线路跳闸风险评估方法 | |
CN106157177A (zh) | 一种基于小型雷达的输电线路降雪广域监测预警方法 | |
CN111612315A (zh) | 一种新型电网灾害性大风预警方法 | |
CN114611966A (zh) | 一种智慧电网电力系统输变电运行安全量化智能评估方法 | |
CN115061009B (zh) | 一种输电线故障分析预警方法 | |
CN112684292A (zh) | 一种风电场集电线路监控系统、方法及装置 | |
CN114167119B (zh) | 一种监控绝缘子出现爬电、污闪、闪络现象的系统及方法 | |
CN115713229A (zh) | 基于神经网络对绝缘子性能损耗的风险预警分析方法 | |
CN114254831A (zh) | 一种风力电网的预警方法 | |
CN113781258A (zh) | 结合影像与气象数据进行输电导线安全预警的方法 | |
CN112990678A (zh) | 基于多源数据融合的覆冰预警判定方法 | |
CN112683916A (zh) | 集电线路杆塔小金具缺失或安装错误的识别方法及装置 | |
CN115271569A (zh) | 一种跨区域电网安全运维监测分析方法 | |
CN115902541A (zh) | 一种输电线路绝缘子放电及缺陷的诊断方法及系统 | |
CN110110940B (zh) | 一种输电线路高度风速预报方法 | |
EP3695253B1 (en) | Method for warning about lightning activity in wind farms | |
CN219081774U (zh) | 一种风力机叶片状态监测系统 | |
CN117970184B (zh) | 输电线路杆塔雷电泄流通道状态监测系统及方法 | |
CN215415700U (zh) | 一种风电场集电线路监控系统 |
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 |