CN117691743B - 考虑深度效应的配网停电判断方法及系统 - Google Patents
考虑深度效应的配网停电判断方法及系统 Download PDFInfo
- Publication number
- CN117691743B CN117691743B CN202311674084.2A CN202311674084A CN117691743B CN 117691743 B CN117691743 B CN 117691743B CN 202311674084 A CN202311674084 A CN 202311674084A CN 117691743 B CN117691743 B CN 117691743B
- Authority
- CN
- China
- Prior art keywords
- power failure
- node
- time
- power
- outage
- 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
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 183
- 238000000034 method Methods 0.000 title claims abstract description 68
- 230000000694 effects Effects 0.000 title claims abstract description 31
- 238000004891 communication Methods 0.000 claims abstract description 23
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 claims description 30
- 238000010586 diagram Methods 0.000 claims description 29
- 238000003860 storage Methods 0.000 claims description 16
- 238000005315 distribution function Methods 0.000 claims description 15
- 230000002159 abnormal effect Effects 0.000 claims description 14
- 238000004422 calculation algorithm Methods 0.000 claims description 13
- 238000004458 analytical method Methods 0.000 claims description 10
- 238000012300 Sequence Analysis Methods 0.000 claims description 8
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 230000005856 abnormality Effects 0.000 claims description 6
- 239000011159 matrix material Substances 0.000 claims description 6
- 238000011144 upstream manufacturing Methods 0.000 claims description 6
- 230000002776 aggregation Effects 0.000 claims description 4
- 238000004220 aggregation Methods 0.000 claims description 4
- 238000006243 chemical reaction Methods 0.000 claims description 4
- 238000010276 construction Methods 0.000 claims description 3
- 238000012544 monitoring process Methods 0.000 claims description 3
- 238000012163 sequencing technique Methods 0.000 claims description 3
- 230000002045 lasting effect Effects 0.000 abstract 1
- 230000015654 memory Effects 0.000 description 10
- 230000008569 process Effects 0.000 description 9
- 230000006870 function Effects 0.000 description 8
- 238000004590 computer program Methods 0.000 description 5
- 238000012545 processing Methods 0.000 description 5
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000007726 management method Methods 0.000 description 2
- 230000009467 reduction Effects 0.000 description 2
- 239000004065 semiconductor Substances 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 1
- 238000007405 data analysis Methods 0.000 description 1
- 238000013500 data storage Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012806 monitoring device Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 239000007787 solid Substances 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
Landscapes
- Remote Monitoring And Control Of Power-Distribution Networks (AREA)
Abstract
本发明属于配电网停电判断技术领域,本发明公开了考虑深度效应的配网停电判断方法及系统;建立节点连通网格模型;判断模型中各节点的实时运行状态,获取停电节点集合;对停电节点集合的流量时间序列进行预测,与实时流量比较,确定停电节点的停电时间,获得停电节点中最晚停电时间T;针对线路L,统计在T之前发生停电持续大于规定时间的节点数C,计算的节点停电比例P;以停电比例P为证据,获取后验概率;设置先验概率阈值,根据后验概率,得到确定性判断结果;若判断发生停电,进行故障告警和停电区域划分,实现提高配电可靠性运行的目的。
Description
技术领域
本发明涉及配电网停电判断技术领域,更具体地说,本发明涉及考虑深度效应的配网停电判断方法及系统。
背景技术
授权公告号为CN108318782B的专利公开了一种基于网络拓扑与配变停电信息的配电网故障区域辨识方法,在同一时刻断面下,搜集停电配变信息并匹配拓扑线路,生成停电事件对应的停电配变集;根据中压线路单线图,完成二次构图;在停电配变集中,随机寻找该停电配变集中任一停电配变,根据选中的停电配变向供电上游寻找与主线连接且与该停电配变相邻最近开关;研判相邻最近开关性质;确定线路区段停电容错阈值X;由区段停电评估置信指数M,判断该区段停电状态;若停电配变集中配变均已标记,根据主干线及各区段连接顺序及各区段停电状态,研判停电跳闸开关,推送开关信息及停电配变信息。该发明可以在尚未配备配电自动化监测装置的线路上,辨识配电网中停电故障区段。
现有的配电网停电判断技术存在判断准确率低、误报率高的问题;主要原因在于,现有技术没有考虑配电网的拓扑结构与节点状态之间的内在关联性,不能准确预测节点的停电时间,也没有建立节点状态到线路状态的严谨判断模型,仅依赖单一的判断方式,导致判断结果的可解释性较差;同时,现有技术也没有考虑配电网的拓扑深度效应,使得方法适用面较窄;现有技术无法快速定位故障区域,延长了供电中断时间;综上,现有技术很难实现对配电网线路停电状态的准确判断,无法满足对供电可靠性的要求。
鉴于此,本发明提出考虑深度效应的配网停电判断方法及系统以解决上述问题。
发明内容
为了克服现有技术的上述缺陷,为实现上述目的,本发明提供如下技术方案:考虑深度效应的配网停电判断方法,包括:
S1、根据配电网拓扑连接关系图纸,建立配电网的节点连通网格模型;
S2、采集配电网的实时运行数据,并判断节点连通网格模型中各节点的实时运行状态,实时运行状态为停电的节点组成停电节点集合;
S3、采用时间序列分析方法对停电节点集合内的节点的流量时间序列进行预测,并与对应节点的实时流量进行比较,确定每个发生停电节点的停电时间,并统计获得所有发生停电节点中最晚的停电时间T;
S4、针对节点连通网格模型中任一线路L,统计在停电时间T之前发生停电并持续大于规定时间的属于线路L的节点数C,计算线路L的节点停电比例P;
S5、利用贝叶斯推断方法,以线路L的节点在时间T内的停电比例P为证据,获取线路L在时间T内发生停电的后验概率;
S6、设置先验概率阈值,根据线路L在时间T内发生停电的后验概率,得到确定性判断结果;预设模糊可能性分布函数,对线路L在时间T内发生停电的后验概率进行模糊可能性判定,得到模糊可能性判断结果;
根据确定性判断结果和模糊可能性判断结果,判断线路L在时间T内是否发生停电;若判断线路L在时间T内发生停电,则进行故障告警和停电区域划分。
进一步地,所述步骤S1,包括:
收集配电网的单线图和配电台区图,根据配电网的单线图和配电台区图确定配电网的所有节点,节点包括变电站、开关站、配电室和用户;根据单线图和配电台区图确定各个节点之间的连接关系,用边表示两个节点之间的连接,采用邻接矩阵表示节点之间的拓扑连接;
根据邻接矩阵,建立一个无向图表示配电网的拓扑结构,该无向图即为初始配电网节点连通网格模型;无向图中的节点对应配电网中的节点,无向图中的边对应节点之间的电力连接;充分反映配电网的拓扑连接结构;
通过图论算法,检查初始配电网节点连通网格模型的连通性,当初始配电网节点连通网格模型中所有配电网节点之间均有路径相连,不存在孤立节点,初始配电网节点连通网格模型即为配电网的连通网格模型;
进一步地,所述步骤S2,包括:
在节点连通网格模型的每个节点安装配电自动化终端,形成全面的监测网络;配电自动化终端实时采集节点的电压和电流,并在配电自动化终端内部完成模数转换进行存储;
采用无线自组网的MESH网络方式,实现配电自动化终端之间的实时通信,构建自愈合通信网络;设置数据聚合器,对配电自动化终端存储的数据进行汇总,并利用压缩感知算法将存储的数据进行降维;得到对应的数据特征量;数据特征量包括电压有效值和电流均方根值;
预设正常电压区间为[Umin,Umax],Umin为区间最小值,Umax为区间最大值;获取节点在指定时间窗口内的电压有效值U_eff;若节点电压U满足U∈[Umin,Umax],则该节点属于正常电压,若节点电压U不满足U∈[Umin,Umax],则将该节点初步标记为电压异常;
预设零电流判断阈值I_th,对有电压异常初步标记的节点,获取其电流均方根值I_rms;若|I_rms|<I_th,则判定该节点的实时运行状态为停电;
若该节点的相邻节点被判定为实时运行状态为停电,则该节点视为正常电压但有故障嫌疑的节点;
对于视为正常电压但有故障嫌疑的节点,找出该节点所有的相邻节点,这些相邻节点的电压为U2。视为正常电压但有故障嫌疑的节点的电压为U1;依次计算视为正常电压但有故障嫌疑的节点与每个相邻节点的电压倍率j=U1/U2;
取得视为正常电压但有故障嫌疑的节点以及其所有相邻节点之间的电压相角;视为正常电压但有故障嫌疑的节点的电压相角为θ1;其相邻节点的电压相角为θ2;计算电压相角差Δθ=θ1-θ2;
预设电压倍率阈值k_th和相角差阈值θ_th;若视为正常电压但有故障嫌疑的节点存在相邻节点使得|j-1|>k_th或|Δθ|>θ_th;则判定该视为正常电压但有故障嫌疑的节点的实时运行状态为停电。
进一步地,所述步骤S3,包括:
S301、收集停电节点集合内的停电节点在停电发生前n个时间单位内的流量序列数据{x1,x2,...xn};x1至xn为n个时间单位内的流量序列数据;
S302、构建ARIMA模型,采用最大似然估计获取ARIMA模型的三个参数p、d和q;其中,p表示ARIMA模型的自回归项的个数;d表示进行差分的次数,用于去除时间序列的非平稳性;q表示ARIMA模型的滑动平均项的个数;
S303、使用最大似然估计法估计p、d和q的值,使ARIMA模型对数据的拟合程度最大化;采集流量序列数据{x1,x2,...xn}内任一流量对应时间的最近k个时间点的实际流量作为已知数据输入ARIMA模型;使用估计的ARIMA模型p、d和q的值进行系数获取,得到训练好的ARIMA模型;
S304、使用训练好的ARIMA模型递归进行多步流量预测,得到未来m个时间点的流量预测值;
预设异常流量阈值,若某个时间点的实际流量值与流量预测值之间的差值大于预设的异常流量阈值,则判定这个时间点为该停电节点的流量异常的时间点,作为该节点的潜在停电起始时间;
S305、从该流量异常时间点向前遍历,若节点的实际流量与预测流量的差值持续大于阈值,则潜在停电起始时间即为该节点的确切停电起始时间;
S306、对停电节点集合内的所有停电节点,重复步骤S304到S305,确定停电节点集合内每个停电节点的确切停电起始时间;
S307、对所有停电节点的停电起始时间进行排序,取其中时间最大的值作为配电网最晚的停电时间点T。
进一步地,所述步骤S4,包括:
S401、在节点连通网格模型中获取线路L包括的所有节点;,将线路L包括的节点中,实时运行状态为停电的节点提取出来,构成线路L停电节点集合;根据步骤S3,获取线路L停电节点集合内所有停电节点的确切停电起始时间Ts;
S402、预设停电持续时间判断阈值Td_th,例如,设置Td_th为10分钟;对线路L停电节点集合内每个停电节点,计算其停电持续时间Td=T-Ts;
S403、判断线路L停电节点集合内每个停电节点的停电持续时间Td是否大于等于预设的停电持续时间判断阈值Td_th;统计线路L停电节点集合中,在时间T之前发生停电,且停电持续时间Td大于等于Td_th的节点数量,记为C;
S404、计算线路L的节点停电比例P=C/线路L包括的所有节点数。
进一步地,所述步骤S5,包括:
S501、设置线路L在时间T内发生停电的先验概率分布P(停电)={P1,P2,...,Pw},其中,P1至Pw表示w个先验概率区间;每个区间对应一个先验概率值;停电比例P与线路L在时间T内发生停电之间的条件概率表示为条件概率表P(P|停电);表示在线路L在时间T内发生停电的条件下,出现节点停电比例P的概率;
S502、根据贝叶斯法则得到后验概率公式P(停电|P)=P(P|停电)×P(停电)/P(P);其中,P(停电|P)为线路L在时间T内发生停电的后验概率分布;P(P|停电)为条件概率表值;P(停电)为先验概率分布值;P(P)为节点停电比例P出现的概率;
S503、将节点停电比例P和n个先验概率区间带入后验概率公式,得到线路L在T内发生停电的后验概率分布P(停电|P)={P(停电1|P),P(停电2|P),...,P(停电n|P)};其中,停电1至停电n为n个先验概率区间;从线路L在T内发生停电的后验概率分布中选取最大概率,作为线路L在时间T内发生停电的后验概率H。
进一步地,所述确定性判断结果的获取方式包括:
设置r个先验概率阈值,表示线路L在T内发生停电的可能性程度;将H与每个先验概率阈值进行比较,若H大于任一先验概率阈值,则得到确定性判断结果A为线路L在T内发生停电;
若H均小于或等于所有先验概率阈值,则得到确定性判断结果A为线路L在T内没有发生停电。
进一步地,所述模糊可能性判断结果的获取方式包括:
预设模糊可能性分布函数为三角模糊数M(a,b,c),设置三角模糊数的隶属函数
式中,a、b和c为模糊可能性分布函数的三个参数值;x为模糊可能性分布函数自变量;a表示低可能性边界值;b表示中等可能性边界值;c表示高可能性边界值;
将后验概率H带入函数μM(x)计算对应的隶属值,记为μM(H);并判断μM(H)属于的可能性范围;
若μM(H)∈[b,c],则得到模糊可能性判断结果B为高可能性;
若μM(H)∈[a,b],则得到模糊可能性判断结果B为中等可能性;
若μM(H)∈[0,a],则得到模糊可能性判断结果B为低可能性;
进一步地,所述判断线路L在时间T内是否发生停电的方式包括:
当确定性判断结果A为线路L在T内发生了停电或模糊可能性判断结果B为高可能性;则判断线路L在时间T内发生停电。
进一步地,所述进行故障告警和停电区域划分包括:
根据节点连通网格模型确定线路L的上下游拓扑关系,找到线路L直接供电的节点集合,节点集合所在区域构成线路L的第一级停电区域;对于第一级停电区域中的每个节点,再搜索其的下级节点,逐级获取线路L停电后受影响的所有下级节点;将受影响的所有下级节点的地理位置信息整理在一起,进行空间集聚分析,得到g个现实停电区域;对每个现实停电区域计算其包括的节点数和面积大小,节点数和面积大小构成停电区域报告;在配电网地理信息系统中将现实停电区域的边界显示出来,形成停电区域分布图;将停电区域报告和停电区域分布图发送至配电网管理终端。
考虑深度效应的配网停电判断系统,其基于所述的考虑深度效应的配网停电判断方法实现,包括:模型构建模块,用于根据配电网拓扑连接关系图纸,建立配电网的节点连通网格模型;
停电节点集合获取模块,用于采集配电网的实时运行数据,并判断节点连通网格模型中各节点的实时运行状态,实时运行状态为停电的节点组成停电节点集合;
停电时间获取模块,用于采用时间序列分析方法对停电节点集合内的节点的流量时间序列进行预测,并与对应节点的实时流量进行比较,确定每个发生停电节点的停电时间,并统计获得所有发生停电节点中最晚的停电时间T;
停电比例获取模块,用于针对节点连通网格模型中任一线路L,统计在停电时间T之前发生停电并持续大于规定时间的属于线路L的节点数C,计算线路L的节点停电比例P;
后验概率获取模块,用于利用贝叶斯推断方法,以线路L的节点在时间T内的停电比例P为证据,获取线路L在时间T内发生停电的后验概率;
停电区域划分警报模块,用于设置先验概率阈值,根据线路L在时间T内发生停电的后验概率,得到确定性判断结果;预设模糊可能性分布函数,对线路L在时间T内发生停电的后验概率进行模糊可能性判定,得到模糊可能性判断结果;
根据确定性判断结果和模糊可能性判断结果,判断线路L在时间T内是否发生停电;若判断线路L在时间T内发生停电,则进行故障告警和停电区域划分。
本发明考虑深度效应的配网停电判断方法及系统的技术效果和优点:
本发明能够准确判断线路是否发生停电,解决现有技术难以准确判断线路停电状态的问题,提高了配电网运行的稳定性和可靠性;应用节点状态判断与时间序列分析预测停电时间,提高了停电判断的准确性,降低误报概率;利用节点停电比例计算与贝叶斯推理相结合,进行停电概率计算,实现了从节点状态到线路状态的准确判定;采用确定性判断与模糊判断相融合的方式,兼顾准确性与可解释性,提升了停电判断的可靠性;根据拓扑关系进行停电区域划分与报警,可以快速定位故障区域,指导维修,缩短供电中断时间;本实施例充分考虑配电网拓扑结构的深度效应,创新性地将拓扑分析、节点状态判断、时间序列预测、贝叶斯推理等技术手段有机结合,实现提高配电可靠性运行的目的。
附图说明
图1为本发明的考虑深度效应的配网停电判断方法示意图;
图2为本发明的考虑深度效应的配网停电判断系统示意图;
图3为本发明的电子设备示意图;
图4为本发明的存储介质示意图。
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。
实施例1
请参阅图1所示,本实施例所述考虑深度效应的配网停电判断方法,包括:
S1、根据配电网拓扑连接关系图纸,建立配电网的节点连通网格模型;
S2、采集配电网的实时运行数据,并判断节点连通网格模型中各节点的实时运行状态,实时运行状态为停电的节点组成停电节点集合;
S3、采用时间序列分析方法对停电节点集合内的节点的流量时间序列进行预测,并与对应节点的实时流量进行比较,确定每个发生停电节点的停电时间,并统计获得所有发生停电节点中最晚的停电时间T;
S4、针对节点连通网格模型中任一线路L,统计在停电时间T之前发生停电并持续大于规定时间的属于线路L的节点数C,计算线路L的节点停电比例P;
S5、利用贝叶斯推断方法,以线路L的节点在时间T内的停电比例P为证据,获取线路L在时间T内发生停电的后验概率;
S6、设置先验概率阈值,根据线路L在时间T内发生停电的后验概率,得到确定性判断结果;预设模糊可能性分布函数,对线路L在时间T内发生停电的后验概率进行模糊可能性判定,得到模糊可能性判断结果;
根据确定性判断结果和模糊可能性判断结果,判断线路L在时间T内是否发生停电;若判断线路L在时间T内发生停电,则进行故障告警和停电区域划分。
进一步的,所述步骤S1,包括:
收集配电网的单线图和配电台区图,根据配电网的单线图和配电台区图确定配电网的所有节点,节点包括变电站、开关站、配电室和用户;根据单线图和配电台区图确定各个节点之间的连接关系,用边表示两个节点之间的连接,采用邻接矩阵表示节点之间的拓扑连接;
根据邻接矩阵,建立一个无向图表示配电网的拓扑结构,该无向图即为初始配电网节点连通网格模型;无向图中的节点对应配电网中的节点,无向图中的边对应节点之间的电力连接;充分反映配电网的拓扑连接结构;
通过图论算法,例如,CONNECTED-COMPONENTS,检查初始配电网节点连通网格模型的连通性,当初始配电网节点连通网格模型中所有配电网节点之间均有路径相连,不存在孤立节点,初始配电网节点连通网格模型即为配电网的连通网格模型;
需要说明的是,建立配电网的节点连通网格模型可以直观地反映配电网的拓扑连接结构;通过图论算法分析配电网的连通性、裂缝等关键特性;为后续的状态分析和停电判断提供拓扑基础;
CONNECTED-COMPONENTS算法的工作原理是遍历图中的所有节点;对于每个节点,如果它还未被标记,则以它为起点启动深度优先搜索;在深度优先搜索过程中,将经过的和相遇的节点都标记在同一个组件中;当深度优先搜索结束,该组件建立完成;重复上述过程,直到所有节点都被标记;经过上述过程,如果图中仅存在一个组件,则该图是连通图;通过CONNECTED-COMPONENTS算法可以判定配电网的连通性,判断是否存在孤立节点;
进一步的,所述步骤S2,包括:
在节点连通网格模型的每个节点安装配电自动化终端,形成全面的监测网络;配电自动化终端实时采集节点的电压和电流,并在配电自动化终端内部完成模数转换进行存储;
采用无线自组网的MESH网络方式,实现配电自动化终端之间的实时通信,构建自愈合通信网络;设置数据聚合器,对配电自动化终端存储的数据进行汇总,并利用压缩感知算法将存储的数据进行降维;得到对应的数据特征量;数据特征量包括电压有效值和电流均方根值;
需要说明的是,无线自组网的MESH网络方式是一种拓扑结构,其中每个节点都可以与其他节点直接通信,而不需要经过中央控制或基础设施;
压缩感知算法是一种信号处理的方式,通过在数据采集存储过程中进行压缩,然后在后续的处理中还原信号,从而在采集和存储方面节省资源;
采用无线MESH自组网方式让所有配电自动化终端之间实现实时通信,形成一个自组织、自修复的通信网络,这可以确保终端的数据能可靠传输,即使局部通信中断,也可以通过多路径实现自愈合,保证通信的可靠性;
设置数据聚合器对终端采集的数据进行汇总,然后使用压缩感知等方法进行降维处理,提取出电压有效值和电流均方根等特征数据;这一过程的目的是实现对大量原始数据的降维和特征提取,节省存储空间,同时保留最关键的电压、电流特征,为后续的状态分析和停电判断提供数据支撑;
预设正常电压上下限为[Umin,Umax],获取节点在指定时间窗口内的电压有效值U_eff;若节点电压U满足U∈[Umin,Umax],则该节点属于正常电压,若节点电压U不满足U∈[Umin,Umax],则将该节点初步标记为电压异常;
预设零电流判断阈值I_th,对有电压异常初步标记的节点,获取其电流均方根值I_rms;若|I_rms|<I_th,则判定该节点的实时运行状态为停电;
若该节点的相邻节点(直接上游节点或直接下游节点)被判定为实时运行状态为停电,则该节点视为正常电压但有故障嫌疑的节点;
对于视为正常电压但有故障嫌疑的节点,找出该节点所有的相邻节点,这些相邻节点的电压为U2。视为正常电压但有故障嫌疑的节点的电压为U1;依次计算视为正常电压但有故障嫌疑的节点与每个相邻节点的电压倍率j=U1/U2;
取得视为正常电压但有故障嫌疑的节点以及其所有相邻节点之间的电压相角;视为正常电压但有故障嫌疑的节点的电压相角为θ1;其相邻节点的电压相角为θ2;计算电压相角差Δθ=θ1-θ2;
预设电压倍率阈值k_th和相角差阈值θ_th;若视为正常电压但有故障嫌疑的节点存在相邻节点使得|j-1|>k_th或|Δθ|>θ_th;则判定该视为正常电压但有故障嫌疑的节点的实时运行状态为停电;
需要说明的是,指定时间窗口具体的,设置统计时间窗口的长度T1(例如取1分钟);然后定义统计时间窗口的起止时间[t_start,t_end],其中t_end为当前时间,t_start=t_end-T1;即时间窗口为当前时刻往前T1长度的时间段;
为了更好地理解直接上游节点和直接下游节点,例如,在节点连通网格模型中寻找所有与节点A相连的上级节点,若仅有一个节点B与其相连,则节点B是节点A的直接上游节点;寻找所有与节点A相连的下级节点,若仅有一个节点C与其相连,则节点C是节点A的直接下游节点;
进一步的,所述步骤S3,包括:
S301、收集停电节点集合内的停电节点在停电发生前n个时间单位内的流量序列数据{x1,x2,...xn};
S302、构建ARIMA模型,采用最大似然估计获取ARIMA模型的三个参数p、d和q;其中,p表示ARIMA模型的自回归项的个数;d表示进行差分的次数,用于去除时间序列的非平稳性;q表示ARIMA模型的滑动平均项的个数;
S303、使用最大似然估计法估计p、d和q的值,使ARIMA模型对数据的拟合程度最大化;采集流量序列数据{x1,x2,...xn}内任一流量对应时间的最近k个时间点的实际流量作为已知数据输入ARIMA模型;使用估计的ARIMA模型p、d和q的值进行系数获取,得到训练好的ARIMA模型;
S304、使用训练好的ARIMA模型递归进行多步流量预测,得到未来m个时间点的流量预测值;
预设异常流量阈值,若某个时间点的实际流量值与流量预测值之间的差值大于预设的异常流量阈值,则判定这个时间点为该停电节点的流量异常的时间点,作为该节点的潜在停电起始时间;
S305、从该流量异常时间点向前遍历,若节点的实际流量与预测流量的差值持续大于阈值,则潜在停电起始时间即为该节点的确切停电起始时间;
S306、对停电节点集合内的所有停电节点,重复步骤S304到S305,确定停电节点集合内每个停电节点的确切停电起始时间;
S307、对所有停电节点的停电起始时间进行排序,取其中时间最大的值作为配电网最晚的停电时间点T。
需要说明的是,所述最大似然估计法,具体的,假设参数取某组值,构建ARIMA模型;计算在这组参数下,观测到给定数据的概率,即似然函数L;枚举不同参数组合,找到使似然函数L最大的一组p,d和q的值;
所述递归进行多步流量预测包括:
利用训练好的ARIMA模型,进行一步流量预测,即预测下一个时间点的流量;将预测出的这个流量值,再代入ARIMA模型,作为已知数据进行第二步预测;重复上述递归预测过程,实现任意多步的流量预测;
设置需要预测的未来时间步数m,递归进行m步预测,得到从当前时刻开始后m个时间点的流量预测序列;
异常流量阈值的设置方式如下:
收集大量历史正常运行时的流量数据,计算历史正常运行时的流量数据的均值μ和标准差σ;在一个优选的实施例中,异常流量阈值=μ+3σ;也可以通过假设检验的方法,确定特定置信水平下的阈值;根据实际情况调整阈值,维持在一个相对合理的水平;
进一步的,所述步骤S4,包括:
S401、在节点连通网格模型中获取线路L包括的所有节点;,将线路L包括的节点中,实时运行状态为停电的节点提取出来,构成线路L停电节点集合;根据步骤S3,获取线路L停电节点集合内所有停电节点的确切停电起始时间Ts;
S402、预设停电持续时间判断阈值Td_th,例如,设置Td_th为10分钟;对线路L停电节点集合内每个停电节点,计算其停电持续时间Td=T-Ts;
S403、判断线路L停电节点集合内每个停电节点的停电持续时间Td是否大于等于预设的停电持续时间判断阈值Td_th;统计线路L停电节点集合中,在时间T之前发生停电,且停电持续时间Td大于等于Td_th的节点数量,记为C;
S404、计算线路L的节点停电比例P=C/线路L包括的所有节点数;
需要说明的是,停电持续时间判断阈值Td_th的预设方式包括:
收集历史发生的停电故障数据,统计停电持续时间的分布情况;确认导致大面积停电的持续时间范围;行业标准中也会规定判定停电的持续时间阈值;
停电比例直观且全面的反映了线路L的停电情况和严重程度,是进行后续贝叶斯判断线路是否发生停电的关键输入证据;它量化了节点层面的停电信息,转换到了整个线路的层面;通过获取停电比例,完成了从节点停电状态到线路停电判断的关键信息转换,为最终判断线路是否发生停电提供了准确、严谨、可靠的依据,提高了判断结果的准确性,降低了误报概率;
进一步的,所述步骤S5,包括:
S501、设置线路L在时间T内发生停电的先验概率分布P(停电)={P1,P2,...,Pw},表示w个先验概率区间;每个区间对应一个先验概率值;停电比例P与线路L在时间T内发生停电之间的条件概率表示为条件概率表P(P|停电);表示在线路L在时间T内发生停电的条件下,出现节点停电比例P的概率;
S502、根据贝叶斯法则得到后验概率公式P(停电|P)=P(P|停电)×P(停电)/P(P);其中,P(停电|P)为线路L在时间T内发生停电的后验概率分布;P(P|停电)为条件概率表值;P(停电)为先验概率分布值;P(P)为节点停电比例P出现的概率;
S503、将节点停电比例P和n个先验概率区间代入后验概率公式,得到线路L在T内发生停电的后验概率分布P(停电|P)={P(停电1|P),P(停电2|P),...,P(停电n|P)};从线路L在T内发生停电的后验概率分布中选取最大概率,作为线路L在时间T内发生停电的后验概率H;
需要说明的是,贝叶斯法则是一种求取条件概率的方法;基本思想是利用先验分布和样本数据反推后验分布;上述过程运用于根据节点停电比例P,反推线路L发生停电的后验概率;后验概率分布是指利用贝叶斯法则求取的线路L在时间T内发生停电的概率分布;它综合考虑了先验分布和节点停电比例P的样本数据信息;条件概率表值定义了在线路L发生停电条件下,不同节点停电比例P出现的概率;反映了两者之间的条件依赖关系;先验概率分布反映了在没有任何样本数据时,仅从先验知识出发,预判线路L在T时刻发生停电的概率分布,提供了先验信息;
进一步的,所述步骤S6,包括:
设置r个先验概率阈值,表示线路L在T内发生停电的可能性程度;将H与每个先验概率阈值进行比较,若H大于任一先验概率阈值,则得到确定性判断结果A为线路L在T内发生停电;
若H均小于或等于所有先验概率阈值,则得到确定性判断结果A为线路L在T内没有发生停电;
需要说明的是,先验概率阈值的设置方式包括:
收集大量的历史统计数据,分析线路在给定时间段内发生停电的概率分布情况;根据分布规律,确定几个关键的概率水平,例如90%、95%、99%的概率;然后针对这几个关键概率水平,设置对照的数值作为先验概率阈值,例如0.9、0.95、0.99;考虑到实际情况的复杂性,在此基础上,根据工作人员的经验对阈值进行适当的调整,使其既考虑了概率分布规律,也融入了工程实践经验;
预设模糊可能性分布函数为三角模糊数M(a,b,c),设置三角模糊数的隶属函数
式中,a、b和c为模糊可能性分布函数的三个参数值;x为模糊可能性分布函数自变量;a表示低可能性边界值;b表示中等可能性边界值;c表示高可能性边界值;
将后验概率H带入函数μM(x)计算对应的隶属值,记为μM(H);并判断μM(H)属于的可能性范围;
若μM(H)∈[b,c],则得到模糊可能性判断结果B为高可能性;
若μM(H)∈[a,b],则得到模糊可能性判断结果B为中等可能性;
若μM(H)∈[0,a],则得到模糊可能性判断结果B为低可能性;
需要说明的是,参数a表示低可能性的范围边界值,根据分析历史数据得出线路停电的最低可能性,确定一个合理的小值作为a;参数b表示中等可能性的范围边界值,通过分析得出线路停电的通常可能性水平,选择一个代表性的值作为b;参数c表示高可能性的范围边界值,根据数据分析得到线路停电的最高可能性,确定一个较大值作为c;需要满足a<b<c,三者大小关系合理;在一个优选的实施例中取a=0.3,b=0.5c=0.8来表示低、中、高三种可能性范围;可以调整三者数值大小,扩大或缩小范围,使其符合实际情况;
当确定性判断结果A为线路L在T内发生了停电或模糊可能性判断结果B为高可能性;则判断线路L在时间T内发生停电;
所述进行故障告警和停电区域划分包括:
根据节点连通网格模型确定线路L的上下游拓扑关系,找到线路L直接供电的节点集合,节点集合所在区域构成线路L的第一级停电区域;对于第一级停电区域中的每个节点,再搜索其的下级节点,逐级获取线路L停电后受影响的所有下级节点;将受影响的所有下级节点的地理位置信息整理在一起,进行空间集聚分析,得到停电区域;例如,空间集聚分析采用DBSCAN算法;对停电区域删除聚类效果较差的停电区域,得到反映实际供电情况的现实停电区域;对每个现实停电区域计算其包括的节点数和面积大小,节点数和面积大小构成停电区域报告;
在配电网地理信息系统中将现实停电区域的边界显示出来,形成直观的停电区域分布图;将停电区域报告和停电区域分布图发送到配电网管理终端,供调度人员进行针对性的停电故障的处理;
需要说明的是,空间集聚分析的具体步骤包括:
将所有受影响下级节点的地理位置坐标(经纬度)转换到同一坐标系下,进行数据清洗;设置DBSCAN算法的邻域距离ε和最小点数MinPts;邻域距离ε决定了搜索的邻域大小,MinPts是定义点为核心点所需要的最小邻域点数;对每一个点,在邻域距离ε范围内搜索其邻域点,若其邻域点数大于等于MinPts,则该点为核心点;从任意一个核心点出发,递归搜索其邻域距离ε邻域内的点,若是核心点则加入该聚类,若不是核心点则标记为边界点;当一个连接链搜索完毕,即找到一个聚类;重复上述步骤,直到所有点都被访问过;返回所有找到的聚类为最终的聚类结果,即停电区域;
本实施例,能够准确判断线路是否发生停电,解决现有技术难以准确判断线路停电状态的问题,提高了配电网运行的稳定性和可靠性;应用节点状态判断与时间序列分析预测停电时间,提高了停电判断的准确性,降低误报概率;利用节点停电比例计算与贝叶斯推理相结合,进行停电概率计算,实现了从节点状态到线路状态的准确判定;采用确定性判断与模糊判断相融合的方式,兼顾准确性与可解释性,提升了停电判断的可靠性;根据拓扑关系进行停电区域划分与报警,可以快速定位故障区域,指导维修,缩短供电中断时间;本实施例充分考虑配电网拓扑结构的深度效应,创新性地将拓扑分析、节点状态判断、时间序列预测、贝叶斯推理等技术手段有机结合,实现提高配电可靠性运行的目的。
实施例2
请参阅图2所示,本实施例未详细叙述部分见实施例1描述内容,提供考虑深度效应的配网停电判断系统;包括:
模型构建模块,用于根据配电网拓扑连接关系图纸,建立配电网的节点连通网格模型;
停电节点集合获取模块,用于采集配电网的实时运行数据,并判断节点连通网格模型中各节点的实时运行状态,实时运行状态为停电的节点组成停电节点集合;
停电时间获取模块,用于采用时间序列分析方法对停电节点集合内的节点的流量时间序列进行预测,并与对应节点的实时流量进行比较,确定每个发生停电节点的停电时间,并统计获得所有发生停电节点中最晚的停电时间T;
停电比例获取模块,用于针对节点连通网格模型中任一线路L,统计在停电时间T之前发生停电并持续大于规定时间的属于线路L的节点数C,计算线路L的节点停电比例P;
后验概率获取模块,用于利用贝叶斯推断方法,以线路L的节点在时间T内的停电比例P为证据,获取线路L在时间T内发生停电的后验概率;
停电区域划分警报模块,用于设置先验概率阈值,根据线路L在时间T内发生停电的后验概率,得到确定性判断结果;预设模糊可能性分布函数,对线路L在时间T内发生停电的后验概率进行模糊可能性判定,得到模糊可能性判断结果;
根据确定性判断结果和模糊可能性判断结果,判断线路L在时间T内是否发生停电;若判断线路L在时间T内发生停电,则进行故障告警和停电区域划分;各个模块之间通过有线和/或无线的方式进行连接,实现模块间的数据传输。
实施例3
请参阅图3所示,根据本申请的又一方面还提供了电子设备500。该电子设备500可包括一个或多个处理器以及一个或多个存储器。其中,存储器中存储有计算机可读代码,计算机可读代码当由一个或多个处理器运行时,可以执行如上所述的考虑深度效应的配网停电判断方法。
根据本申请实施方式的方法或系统也可以借助于图3所示的电子设备的架构来实现。如图3所示,电子设备500可包括总线501、一个或多个CPU502、只读存储器(ROM)503、随机存取存储器(RAM)504、连接到网络的通信端口505、输入/输出组件506、硬盘507等。电子设备500中的存储设备,例如ROM503或硬盘507可存储本申请提供的考虑深度效应的配网停电判断方法。
进一步地,电子设备500还可包括用户界面508。当然,图3所示的架构只是示例性的,在实现不同的设备时,根据实际需要,可以省略图3示出的电子设备中的一个或多个组件。
实施例4
请参阅图4所示,是根据本申请一个实施方式的计算机可读存储介质600。计算机可读存储介质600上存储有计算机可读指令。当计算机可读指令由处理器运行时,可执行参照以上附图描述的根据本申请实施方式的一种。存储介质600包括但不限于例如易失性存储器和/或非易失性存储器。易失性存储器例如可包括随机存取存储器(RAM)和高速缓冲存储器(cache)等。非易失性存储器例如可包括只读存储器(ROM)、硬盘、闪存等。
另外,根据本申请的实施方式,上文参考流程图描述的过程可以被实现为计算机软件程序。例如,本申请提供了非暂时性机器可读存储介质,所述非暂时性机器可读存储介质存储有机器可读指令,所述机器可读指令能够由处理器运行以执行与本申请提供的方法步骤对应的指令,考虑深度效应的配网停电判断方法。在该计算机程序被中央处理单元(CPU)执行时,执行本申请的方法中限定的上述功能。
上述实施例,可以全部或部分地通过软件、硬件、固件或其他任意组合来实现。当使用软件实现时,上述实施例可以全部或部分地以计算机程序产品的形式实现。所述计算机程序产品包括一个或多个计算机指令或计算机程序。在计算机上加载或执行所述计算机指令或计算机程序时,全部或部分地产生按照本发明实施例所述的流程或功能。所述计算机可以为通用计算机、专用计算机、计算机网络、或者其他可编程装置。所述计算机指令可以存储在计算机可读存储介质中,或者从一个计算机可读存储介质向另一个计算机可读存储介质传输,例如,所述计算机指令可以从一个网站站点、计算机、服务器或数据中心通过有线网络或无线网络方式向另一个网站站点、计算机、服务器或数据中心进行传输。所述计算机可读存储介质可以是计算机能够存取的任何可用介质或者是包含一个或多个可用介质集合的服务器、数据中心等数据存储设备。所述可用介质可以是磁性介质(例如,软盘、硬盘、磁带)、光介质(例如,DVD)、或者半导体介质。半导体介质可以是固态硬盘。
本领域普通技术人员可以意识到,结合本发明中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本发明的范围。
所属领域的技术人员可以清楚地了解到,为描述的方便和简洁,上述描述的系统、装置和单元的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
在本发明所提供的几个实施例中,应该理解到,所揭露的系统、装置和方法,可以通过其它的方式实现。例如,以上所描述的装置实施例仅仅是示意性的,例如,所述单元的划分,仅仅为一种,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通信连接可以是通过一些接口,装置或单元的间接耦合或通信连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
另外,在本发明各个实施例中的各功能单元可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中。
以上所述,仅为本发明的具体实施方式,但本发明的保护范围并不局限于此,任何熟悉本技术领域的技术人员在本发明揭露的技术范围内,可轻易想到变化或替换,都应涵盖在本发明的保护范围之内。因此,本发明的保护范围应以所述权利要求的保护范围为准。
最后:以上所述仅为本发明的优选实施例而已,并不用于限制本发明,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 (10)
1.考虑深度效应的配网停电判断方法,其特征在于,包括:
S1、根据配电网拓扑连接关系图纸,建立配电网的节点连通网格模型;
S2、采集配电网的实时运行数据,并判断节点连通网格模型中各节点的实时运行状态,实时运行状态为停电的节点组成停电节点集合;
S3、采用时间序列分析方法对停电节点集合内的节点的流量时间序列进行预测,并与对应节点的实时流量进行比较,确定每个发生停电节点的停电时间,并统计获得所有发生停电节点中最晚的停电时间T;
S4、针对节点连通网格模型中任一线路L,统计在停电时间T之前发生停电,并持续大于规定时间的属于线路L的节点数C,计算线路L的节点停电比例P;
S5、利用贝叶斯推断方法,以线路L的节点在时间T内的停电比例P为证据,获取线路L在时间T内发生停电的后验概率;
S6、设置先验概率阈值,根据线路L在时间T内发生停电的后验概率,得到确定性判断结果;预设模糊可能性分布函数,对线路L在时间T内发生停电的后验概率进行模糊可能性判定,得到模糊可能性判断结果;
根据确定性判断结果和模糊可能性判断结果,判断线路L在时间T内是否发生停电;若判断线路L在时间T内发生停电,则进行故障告警和停电区域划分。
2.根据权利要求1所述的考虑深度效应的配网停电判断方法,其特征在于,所述步骤S1,包括:
收集配电网的单线图和配电台区图,根据配电网的单线图和配电台区图确定配电网的所有节点,节点包括变电站、开关站、配电室和用户;根据单线图和配电台区图确定各个节点之间的连接关系,用边表示两个节点之间的连接,采用邻接矩阵表示节点之间的拓扑连接;
根据邻接矩阵,建立一个无向图表示配电网的拓扑结构,该无向图即为初始配电网节点连通网格模型;无向图中的节点对应配电网中的节点,无向图中的边对应节点之间的电力连接;充分反映配电网的拓扑连接结构;
通过图论算法,检查初始配电网节点连通网格模型的连通性,当初始配电网节点连通网格模型中所有配电网节点之间均有路径相连,初始配电网节点连通网格模型即为配电网的连通网格模型。
3.根据权利要求2所述的考虑深度效应的配网停电判断方法,其特征在于,所述步骤S2,包括:
在节点连通网格模型的每个节点安装配电自动化终端,形成全面的监测网络;配电自动化终端实时采集节点的电压和电流,并在配电自动化终端内部完成模数转换进行存储;
采用无线自组网的MESH网络方式,实现配电自动化终端之间的实时通信,构建自愈合通信网络;设置数据聚合器,对配电自动化终端存储的数据进行汇总,并利用压缩感知算法将存储的数据进行降维;得到对应的数据特征量;数据特征量包括电压有效值和电流均方根值;
预设正常电压区间为[Umin,Umax],Umin为区间最小值,Umax为区间最大值;获取节点在指定时间窗口内的电压有效值U_eff;若节点电压U满足U∈[Umin,Umax],则该节点属于正常电压,若节点电压U不满足U∈[Umin,Umax],则将该节点初步标记为电压异常;
预设零电流判断阈值I_th,对有电压异常初步标记的节点,获取其电流均方根值I_rms;若|I_rms|<I_th,则判定该节点的实时运行状态为停电;
若该节点的相邻节点被判定为实时运行状态为停电,则该节点视为正常电压但有故障嫌疑的节点;
对于视为正常电压但有故障嫌疑的节点,找出该节点所有的相邻节点,这些相邻节点的电压为U2;视为正常电压但有故障嫌疑的节点的电压为U1;依次计算视为正常电压但有故障嫌疑的节点与每个相邻节点的电压倍率j=U1/U2;
取得视为正常电压但有故障嫌疑的节点以及其所有相邻节点之间的电压相角;视为正常电压但有故障嫌疑的节点的电压相角为θ1;其相邻节点的电压相角为θ2;计算电压相角差Δθ=θ1-θ2;
预设电压倍率阈值k_th和相角差阈值θ_th;若视为正常电压但有故障嫌疑的节点存在相邻节点使得|j-1|>k_th或|Δθ|>θ_th;则判定该视为正常电压但有故障嫌疑的节点的实时运行状态为停电。
4.根据权利要求3所述的考虑深度效应的配网停电判断方法,其特征在于,所述步骤S3,包括:
S301、收集停电节点集合内的停电节点在停电发生前n个时间单位内的流量序列数据{x1,x2,...xn};x1至xn为n个时间单位内的流量序列数据;
S302、构建ARIMA模型,采用最大似然估计获取ARIMA模型的三个参数p、d和q;其中,p表示ARIMA模型的自回归项的个数;d表示进行差分的次数,用于去除时间序列的非平稳性;q表示ARIMA模型的滑动平均项的个数;
S303、使用最大似然估计法估计p、d和q的值,使ARIMA模型对数据的拟合程度最大化;采集流量序列数据{x1,x2,...xn}内任一流量对应时间的最近k个时间点的实际流量作为已知数据输入ARIMA模型;使用估计的ARIMA模型p、d和q的值进行系数获取,得到训练好的ARIMA模型;
S304、使用训练好的ARIMA模型递归进行多步流量预测,得到未来m个时间点的流量预测值;
预设异常流量阈值,若某个时间点的实际流量值与流量预测值之间的差值大于预设的异常流量阈值,则判定这个时间点为该停电节点的流量异常的时间点,作为该节点的潜在停电起始时间;
S305、从该流量异常时间点向前遍历,若节点的实际流量与预测流量的差值持续大于阈值,则潜在停电起始时间即为该节点的确切停电起始时间;
S306、对停电节点集合内的所有停电节点,重复步骤S304到S305,确定停电节点集合内每个停电节点的确切停电起始时间;
S307、对所有停电节点的停电起始时间进行排序,取其中时间最大的值作为配电网最晚的停电时间点T。
5.根据权利要求4所述的考虑深度效应的配网停电判断方法,其特征在于,所述步骤S4,包括:
S401、在节点连通网格模型中获取线路L包括的所有节点,将线路L包括的节点中,实时运行状态为停电的节点提取出来,构成线路L停电节点集合;根据步骤S3,获取线路L停电节点集合内所有停电节点的确切停电起始时间Ts;
S402、预设停电持续时间判断阈值Td_th,对线路L停电节点集合内每个停电节点,计算其停电持续时间Td=T-Ts;
S403、判断线路L停电节点集合内每个停电节点的停电持续时间Td是否大于等于预设的停电持续时间判断阈值Td_th;统计线路L停电节点集合中,在时间T之前发生停电,且停电持续时间Td大于等于Td_th的节点数量,记为C;
S404、计算线路L的节点停电比例P=C/线路L包括的所有节点数。
6.根据权利要求5所述的考虑深度效应的配网停电判断方法,其特征在于,所述步骤S5,包括:
S501、设置线路L在时间T内发生停电的先验概率分布P(停电)={P1,P2,...,Pw},其中,P1至Pw表示w个先验概率区间;每个区间对应一个先验概率值;停电比例P与线路L在时间T内发生停电之间的条件概率表示为条件概率P(P|停电);
S502、根据贝叶斯法则得到后验概率公式P(停电|P)=P(P|停电)×P(停电)/P(P);其中,P(停电|P)为线路L在时间T内发生停电的后验概率分布;P(P|停电)为条件概率表值;P(停电)为先验概率分布值;P(P)为节点停电比例P出现的概率;
S503、将节点停电比例P和n个先验概率区间带入后验概率公式,得到线路L在T内发生停电的后验概率分布P(停电|P)={P(停电1|P),P(停电2|P),...,P(停电n|P)};其中,停电1至停电n为n个先验概率区间;从线路L在T内发生停电的后验概率分布中选取最大概率,作为线路L在时间T内发生停电的后验概率H。
7.根据权利要求6所述的考虑深度效应的配网停电判断方法,其特征在于,所述确定性判断结果的获取方式包括:
设置r个先验概率阈值,表示线路L在T内发生停电的可能性程度;将H与每个先验概率阈值进行比较,若H大于任一先验概率阈值,则得到确定性判断结果A为线路L在T内发生停电;
若H均小于或等于所有先验概率阈值,则得到确定性判断结果A为线路L在T内没有发生停电。
8.根据权利要求7所述的考虑深度效应的配网停电判断方法,其特征在于,所述模糊可能性判断结果的获取方式包括:
预设模糊可能性分布函数为三角模糊数M(a,b,c),设置三角模糊数的隶属函数
式中,a、b和c为模糊可能性分布函数的三个参数值;x为模糊可能性分布函数自变量;a表示低可能性边界值;b表示中等可能性边界值;c表示高可能性边界值;
将后验概率H带入函数μM(x)计算对应的隶属值,记为μM(H);并判断μM(H)属于的可能性范围;
若μM(H)∈[b,c],则得到模糊可能性判断结果B为高可能性;
若μM(H)∈[a,b],则得到模糊可能性判断结果B为中等可能性;
若μM(H)∈[0,a],则得到模糊可能性判断结果B为低可能性。
9.根据权利要求8所述的考虑深度效应的配网停电判断方法,其特征在于,所述判断线路L在时间T内是否发生停电的方式包括:
当确定性判断结果A为线路L在T内发生了停电或模糊可能性判断结果B为高可能性;则判断线路L在时间T内发生停电;
所述进行故障告警和停电区域划分包括:
根据节点连通网格模型确定线路L的上下游拓扑关系,找到线路L直接供电的节点集合,节点集合所在区域构成线路L的第一级停电区域;对于第一级停电区域中的每个节点,再搜索其的下级节点,逐级获取线路L停电后受影响的所有下级节点;将受影响的所有下级节点的地理位置信息整理在一起,进行空间集聚分析,得到g个现实停电区域;对每个现实停电区域计算其包括的节点数和面积大小,节点数和面积大小构成停电区域报告;在配电网地理信息系统中将现实停电区域的边界显示出来,形成停电区域分布图;将停电区域报告和停电区域分布图发送至配电网管理终端。
10.考虑深度效应的配网停电判断系统,其基于权利要求1至9中任一项所述的考虑深度效应的配网停电判断方法实现,其特征在于,包括:
模型构建模块,用于根据配电网拓扑连接关系图纸,建立配电网的节点连通网格模型;
停电节点集合获取模块,用于采集配电网的实时运行数据,并判断节点连通网格模型中各节点的实时运行状态,实时运行状态为停电的节点组成停电节点集合;
停电时间获取模块,用于采用时间序列分析方法对停电节点集合内的节点的流量时间序列进行预测,并与对应节点的实时流量进行比较,确定每个发生停电节点的停电时间,并统计获得所有发生停电节点中最晚的停电时间T;
停电比例获取模块,用于针对节点连通网格模型中任一线路L,统计在停电时间T之前发生停电并持续大于规定时间的属于线路L的节点数C,计算线路L的节点停电比例P;
后验概率获取模块,用于利用贝叶斯推断方法,以线路L的节点在时间T内的停电比例P为证据,获取线路L在时间T内发生停电的后验概率;
停电区域划分警报模块,用于设置先验概率阈值,根据线路L在时间T内发生停电的后验概率,得到确定性判断结果;预设模糊可能性分布函数,对线路L在时间T内发生停电的后验概率进行模糊可能性判定,得到模糊可能性判断结果;
根据确定性判断结果和模糊可能性判断结果,判断线路L在时间T内是否发生停电;若判断线路L在时间T内发生停电,则进行故障告警和停电区域划分。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674084.2A CN117691743B (zh) | 2023-12-07 | 2023-12-07 | 考虑深度效应的配网停电判断方法及系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311674084.2A CN117691743B (zh) | 2023-12-07 | 2023-12-07 | 考虑深度效应的配网停电判断方法及系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117691743A CN117691743A (zh) | 2024-03-12 |
CN117691743B true CN117691743B (zh) | 2024-07-05 |
Family
ID=90131182
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311674084.2A Active CN117691743B (zh) | 2023-12-07 | 2023-12-07 | 考虑深度效应的配网停电判断方法及系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117691743B (zh) |
Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929226A (zh) * | 2019-11-26 | 2020-03-27 | 广州供电局有限公司 | 配电网停电预测方法、装置及系统 |
CN113205204A (zh) * | 2021-03-31 | 2021-08-03 | 国网上海市电力公司 | 一种基于贝叶斯网络的配电网停运节点预测方法 |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP4020201B2 (ja) * | 2003-02-05 | 2007-12-12 | 東京電力株式会社 | 電力系統の供給信頼度評価方法とその装置 |
CN104050377A (zh) * | 2014-06-24 | 2014-09-17 | 国家电网公司 | 一种时变设备故障概率确定方法 |
CN110796368B (zh) * | 2019-10-23 | 2020-06-02 | 北方工业大学 | 基于贝叶斯网络的社区配电网动态风险评估方法及装置 |
-
2023
- 2023-12-07 CN CN202311674084.2A patent/CN117691743B/zh active Active
Patent Citations (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN110929226A (zh) * | 2019-11-26 | 2020-03-27 | 广州供电局有限公司 | 配电网停电预测方法、装置及系统 |
CN113205204A (zh) * | 2021-03-31 | 2021-08-03 | 国网上海市电力公司 | 一种基于贝叶斯网络的配电网停运节点预测方法 |
Also Published As
Publication number | Publication date |
---|---|
CN117691743A (zh) | 2024-03-12 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113189451B (zh) | 配电网故障定位研判方法、系统、计算机设备和存储介质 | |
KR101941854B1 (ko) | 미취득 데이터 보정을 통한 부하 예측 시스템 및 방법 | |
CN111176953B (zh) | 一种异常检测及其模型训练方法、计算机设备和存储介质 | |
CN114267178B (zh) | 一种车站的智能运营维护方法及装置 | |
Kallen et al. | Statistical inference for Markov deterioration models of bridge conditions in the Netherlands | |
CN116049146B (zh) | 一种数据库故障处理方法、装置、设备及存储介质 | |
CN114095965A (zh) | 指标检测模型获取及故障定位方法、装置、设备及存储介质 | |
CN115454778A (zh) | 大规模云网络环境下的时序指标异常智能监控系统 | |
CN116794510A (zh) | 故障预测方法、装置、计算机设备和存储介质 | |
KR101960755B1 (ko) | 미취득 전력 데이터 생성 방법 및 장치 | |
Zhou et al. | The most frequent Nk line outages occur in motifs that can improve contingency selection | |
CN117557415A (zh) | 一种基于智慧物业的社区资源管理方法及系统 | |
Sikdar et al. | Time series analysis of temporal networks | |
CN117691743B (zh) | 考虑深度效应的配网停电判断方法及系统 | |
CN112836843B (zh) | 一种基站退服告警预测方法及装置 | |
Arjannikov et al. | Using markov chains to model sensor network reliability | |
CN117117780A (zh) | 基于变电站一二次信息融合的断路器防拒动方法及系统 | |
CN116720983A (zh) | 一种基于大数据分析的供电设备异常检测方法及系统 | |
Reijsbergen et al. | Formal punctuality analysis of frequent bus services using headway data | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
CN116108376A (zh) | 一种反窃电的监测系统、方法、电子设备及介质 | |
CN114429240A (zh) | 高速公路设备运行状态监测方法及装置 | |
CN115686756A (zh) | 虚拟机迁移方法、装置、存储介质以及电子设备 | |
CN114168662A (zh) | 一种基于多数据源的配电网问题梳理分析方法及系统 | |
CN106788816A (zh) | 一种信道状态检测方法及装置 |
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 |