CN117952598A - 一种基于故障率近似的能源系统安全性评估分析方法及装置 - Google Patents

一种基于故障率近似的能源系统安全性评估分析方法及装置 Download PDF

Info

Publication number
CN117952598A
CN117952598A CN202410345995.9A CN202410345995A CN117952598A CN 117952598 A CN117952598 A CN 117952598A CN 202410345995 A CN202410345995 A CN 202410345995A CN 117952598 A CN117952598 A CN 117952598A
Authority
CN
China
Prior art keywords
fault
energy system
data
fault rate
comprehensive energy
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
Application number
CN202410345995.9A
Other languages
English (en)
Inventor
龚贤夫
彭勃
李耀东
李峰
刘俊磊
卢洵
彭穗
黄裕春
顾延勋
钟俊琛
肖建华
彭虹桥
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guangdong Power Grid Co Ltd
Original Assignee
Guangdong Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guangdong Power Grid Co Ltd filed Critical Guangdong Power Grid Co Ltd
Priority to CN202410345995.9A priority Critical patent/CN117952598A/zh
Publication of CN117952598A publication Critical patent/CN117952598A/zh
Pending legal-status Critical Current

Links

Classifications

    • 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
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N20/00—Machine learning
    • G06N20/20—Ensemble learning
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N7/00—Computing arrangements based on specific mathematical models
    • G06N7/01—Probabilistic graphical models, e.g. probabilistic networks
    • 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
    • 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
    • Y02—TECHNOLOGIES OR APPLICATIONS FOR MITIGATION OR ADAPTATION AGAINST CLIMATE CHANGE
    • Y02P—CLIMATE CHANGE MITIGATION TECHNOLOGIES IN THE PRODUCTION OR PROCESSING OF GOODS
    • Y02P90/00—Enabling technologies with a potential contribution to greenhouse gas [GHG] emissions mitigation
    • Y02P90/80—Management or planning
    • Y02P90/82—Energy audits or management systems therefor

Landscapes

  • Engineering & Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • General Physics & Mathematics (AREA)
  • Software Systems (AREA)
  • Economics (AREA)
  • Human Resources & Organizations (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Strategic Management (AREA)
  • Tourism & Hospitality (AREA)
  • Mathematical Physics (AREA)
  • General Business, Economics & Management (AREA)
  • Data Mining & Analysis (AREA)
  • Marketing (AREA)
  • Health & Medical Sciences (AREA)
  • Evolutionary Computation (AREA)
  • Artificial Intelligence (AREA)
  • Probability & Statistics with Applications (AREA)
  • Computational Mathematics (AREA)
  • Algebra (AREA)
  • Mathematical Analysis (AREA)
  • Mathematical Optimization (AREA)
  • Pure & Applied Mathematics (AREA)
  • Primary Health Care (AREA)
  • General Health & Medical Sciences (AREA)
  • Water Supply & Treatment (AREA)
  • Public Health (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Medical Informatics (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明公开了一种基于故障率近似的能源系统安全性评估分析方法及装置，获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率；根据所述故障率数据的来源，判断是否为厂家；若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署；若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。本发明极大地保障了综合能源系统的运行效率。

Description

一种基于故障率近似的能源系统安全性评估分析方法及装置
技术领域
本发明涉及电数字数据处理领域，尤其涉及一种基于故障率近似的能源系统安全性评估分析方法及装置。
背景技术
综合能源系统(Integrated Energy System，简称IES)是一种耦合了供热、电力及燃气等能源子系统的综合系统，打破了传统能源系统单独运行的固有模式，在规划设计及建设运行等阶段对多种能源的生产、储存、传输和分配等环节进行协调与优化，形成充分利用可再生能源的新型能源供应系统。但随着各能源子系统间的耦合程度不断增加，单一能源子系统内部扰动所引起的冲击经由多种类型耦合元件扩散和传递，会直接威胁到整个IES的安全运行。
但现有技术缺少针对IES的安全性评估的措施，技术人员通常是在发生故障的情况下而进行抢修，极大地影响了综合能源系统的运行效率。
因此，亟需一种能源系统安全性评估分析策略，从而解决综合能源系统因故障抢修而导致运行效率的问题。
发明内容
本发明实施例提供一种基于故障率近似的能源系统安全性评估分析方法及装置，以解决综合能源系统因故障抢修而导致运行效率的问题。
为了解决上述问题，本发明一实施例提供一种基于故障率近似的能源系统安全性评估分方法，包括：
获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率；
根据所述故障率数据的来源，判断是否为厂家；
若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署；
若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。
作为上述方案的改进，所述故障率计算公式的获取，包括：
调取每一所述系统单元的特征数据；其中，所述特征数据包括：历史故障类型、组成结构和运行逻辑；
根据所述特征数据构建所述待测综合能源系统的故障树模型；
将所述故障树模型转换为贝叶斯网络模型，并基于贝叶斯算法获得所述故障率计算公式；其中，所述故障率计算公式具体为：
式中，为系统单元的故障发生度，/>为历史故障发生度，/>为系统后项基本故障单元故障率向量，/>为综合能源系统不同基本故障单元的数量，/>为/>向量的长度，/>为/>向量的长度，/>为/>向量的长度，/>为预测故障率，/>为系统单元的使用时间。
作为上述方案的改进，所述根据所述特征数据构建所述待测综合能源系统的故障树模型，包括：
根据所述历史故障类型和组成结构，确定所述待测综合能源系统的故障树节点；
根据所述历史故障类型和运行逻辑，确定所述待测综合能源系统的故障树逻辑关系；
根据所述故障树节点和所述故障树逻辑关系，生成所述待测综合能源系统的故障树模型。
作为上述方案的改进，所述将所述故障树模型转换为贝叶斯网络模型，包括：
将所述故障树模型的故障树节点作为所述贝叶斯网络模型的网络节点；
基于所述故障树模型的故障树逻辑关系，确定所述贝叶斯网络模型中每一网络节点的连接关系、以及所述贝叶斯网络模型的条件概率表；
根据所述贝叶斯网络模型的网络节点、每一网络节点的连接关系、以及条件概率表，建立所述贝叶斯网络模型。
作为上述方案的改进，所述网络节点包括：子节点和父节点；所述贝叶斯网络模型的条件概率表，包括：
当子节点的故障概率为1且所有父节点全部故障时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率；
当子节点的故障概率为0且所有父节点全部完好时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率。
相应的，本发明一实施例还提供了一种基于故障率近似的能源系统安全性评估分析装置，包括：数据获取模块、数据判断模块、第一维修部署模块和第二维修部署模块；
所述数据获取模块，用于获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率；
所述数据判断模块，用于根据所述故障率数据的来源，判断是否为厂家；
所述第一维修部署模块，用于若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署；
所述第二维修部署模块，用于若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。
作为上述方案的改进，所述故障率计算公式的获取，包括：
调取每一所述系统单元的特征数据；其中，所述特征数据包括：历史故障类型、组成结构和运行逻辑；
根据所述特征数据构建所述待测综合能源系统的故障树模型；
将所述故障树模型转换为贝叶斯网络模型，并基于贝叶斯算法获得所述故障率计算公式；其中，所述故障率计算公式具体为：
式中，为系统单元的故障发生度，/>为历史故障发生度，/>为系统后项基本故障单元故障率向量，/>为综合能源系统不同基本故障单元的数量，/>为/>向量的长度，/>为/>向量的长度，/>为/>向量的长度，/>为预测故障率，/>为系统单元的使用时间。
作为上述方案的改进，所述根据所述特征数据构建所述待测综合能源系统的故障树模型，包括：
根据所述历史故障类型和组成结构，确定所述待测综合能源系统的故障树节点；
根据所述历史故障类型和运行逻辑，确定所述待测综合能源系统的故障树逻辑关系；
根据所述故障树节点和所述故障树逻辑关系，生成所述待测综合能源系统的故障树模型。
作为上述方案的改进，所述将所述故障树模型转换为贝叶斯网络模型，包括：
将所述故障树模型的故障树节点作为所述贝叶斯网络模型的网络节点；
基于所述故障树模型的故障树逻辑关系，确定所述贝叶斯网络模型中每一网络节点的连接关系、以及所述贝叶斯网络模型的条件概率表；
根据所述贝叶斯网络模型的网络节点、每一网络节点的连接关系、以及条件概率表，建立所述贝叶斯网络模型。
作为上述方案的改进，所述网络节点包括：子节点和父节点；所述贝叶斯网络模型的条件概率表，包括：
当子节点的故障概率为1且所有父节点全部故障时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率；
当子节点的故障概率为0且所有父节点全部完好时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率。
由上可见，本发明具有如下有益效果：
本发明提供了一种基于故障率近似的能源系统安全性评估分析方法，获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率；根据所述故障率数据的来源，判断是否为厂家；若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署；若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。本发明对于综合能源系统的故障率数据进行来源判断，若源自厂家，则直接进行维修部署的判断，若非源自厂家，则基于历史故障数据来进行故障预测。本发明基于综合能源系统的故障率进行分析，能够根据故障率进行系统安全问题的预警，从而能够在综合能源系统发生故障前及时进行维护，极大地保障了综合能源系统的运行效率。
更优地，本发明利用故障树分析方法易于建模的特质，将建立的故障树映射到贝叶斯网络中，并进一步基于贝叶斯网络的精确概率推理特性求取安全性分析结果，为综合能源系统的运行安全性提供有效的分析手段，有利于提高综合能源系统安全性分析的准确性。
附图说明
图1是本发明一实施例提供的基于故障率近似的能源系统安全性评估分析方法的流程示意图；
图2是本发明一实施例提供的基于故障率近似的能源系统安全性评估分析装置的结构示意图；
图3是本发明一实施例提供的热-电-气综合能源系统结构示意图；
图4是本发明一实施例提供的故障树模型到贝叶斯网络模型的映射示意图。
图5是本发明一实施例提供的一种终端设备结构示意图；
图6是本发明一实施例提供的故障树的符号及其含义示意图。
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作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。
实施例一
参见图1，图1是本发明一实施例提供的一种基于故障率近似的能源系统安全性评估分析方法的流程示意图，如图1所示，本实施例包括步骤101至步骤104，各步骤具体如下：
步骤101：获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率。
在本实施例中，针对综合能源系统的“源-网-储-荷”四端的基本组成，分析热-电-气综合能源系统的能源供需、能量转换等特点；
对给定的综合能源系统的总系统、子系统、基本单元和设备构成进行层次分析解耦，具体分解成若干个系统单元。
在本实施例中，综合能源系统是一个大型、复杂的系统，系统中各个单元以及各个单元的设备故障概率一般由工况条件下长期观测的故障频率近似得到，或是由领域专家给出，最后进行收集整理。数据集并没有根据一定的明确规律进行划分，主要是由系统中的基本组成进行相对应的各个单元以及各个单元设备的故障概率数据的统计和收集。
在一具体的实施例中，参见图3，待测综合能源系统可以为热-电-气综合能源系统：主要有供热、电力及燃气系统等。根据空间规模，可将热-电-气综合能源系统划分为用户、区域、跨区3个级别。用户由用户末端中的各种能源分配系统简单互联而成，以负荷预测及需求响应等研究为核心。区域是对一定区域内的能源进行转换与输配，例如区域供热的供回水系统、配电系统及中低压燃气系统在某个区域内的耦合。跨区以能源的远距离传输为主，例如高架电网及供热长输管网等。在3个级别中，区域能够同时体现地理和功能上的相互作用，具有更复杂的能源转换与传递关系，其作用机理及安全性等已成为学者们广泛研究的对象。根据设备的供能属性，又可将综合能源系统划分为源、储、网、荷4个环节。
在具体实施中，首先将给定的综合能源系统进行层次分析解耦得到基本单元，如：将综合能源系统按照表1的层次分解为具体的基本单元，以电力系统的数据流程举例。首先将电力系统进行层次分解为各个基本单元（热泵机组、电锅炉、其他基本设备单元等），查看各个基本单元的故障概率是否已知（厂家给出或已根据经验得到）。如果不能从厂家获得就需要进行故障概率的估计（因为是新型号，专家也不能根据经验给出估计）。估计时，采用与新型号单元同一厂家的型号类似的单元故障概率（）或是旧型号单元的故障概率（）来对新型号单元的故障数据的近似估计/>进行故障概率的估计。最终得到综合能源系统新型号单元发生度/>，利用基本故障单元发生度计算获得综合能源系统新型号单元的故障概率/>。
到达此步，假设已经通过上述估计方法得到了热泵机组、电锅炉的故障概率分别为：7%和12%。
在具体实施中，首先，对综合能源系统进行层次化解耦，以电力系统为例，该系统被分解为多个基本设备单元，包括但不限于热泵机组、电锅炉等。然后，评估这些基本单元的故障概率，此时存在两种可能：一是，这些数据可能由制造商提供或基于经验数据获得，则无需进行故障概率估计。二是，对于无法直接从制造商获取故障率的新型号设备，或在专家无法基于经验提供准确估计的情况下，将采取替代方案估计故障概率。
此估计过程涉及使用同一制造商生产的、具有相似型号特征的设备单元的故障概率（），或参考旧型号设备单元的故障概率（/>），以此进行新型号设备单元故障概率的近似估计（/>）。再者，计算综合能源系统新型号单元发生度/>。通过计算基本故障单元的发生度，计算综合能源系统新型号单元的故障概率/>。
假设我们已经依据之前的估计方法确定了热泵机组和电锅炉的故障概率，分别为7%和12%。
根据电力系统(A)中各个基本单元热泵机组（B）、电锅(C）的逻辑关系构建电力系统故障树，假设在电力系统中热泵机组、电锅炉中任一个单元的故障都会导致电力系统的故障，则电力系统的各个单元与电力系统的故障树模型可如图4所示，此时的逻辑关系相当于图4中左部分的逻辑“与门”，在此故障树的基础上，利用故障树模型到贝叶斯网络的映射方法得到基于贝叶斯网络的模型（如图4中Step1-Step3的过程），即图4 Step3中的中间结果。根据得到的贝叶斯网络的模型可以计算得到电力系统的故障概率为81.84%，通过（（100%-7%）×（100%-12%））计算得到。
如果电力系统(A)中存在着相同的基本单元热泵机组（B1）和(B2），B2是B1的备用设备，即二者是并列关系。根据B2和B1的逻辑关系构建电力系统故障树，假设在电力系统中只有热泵机组B1和热泵机组B2二个单元同时发生故障才会导致电力系统的故障，则电力系统的各个单元与电力系统的故障树模型可如图4所示，此时的逻辑关系相当于图4中右部分的逻辑“或门”，在此故障树的基础上，利用故障树模型到贝叶斯网络的映射方法得到基于贝叶斯网络的模型（如图4中Step1-Step3的过程），即图4 Step3中的中间结果。根据得到的贝叶斯网络的模型可以计算得到电力系统的故障概率为4.9%，通过（7%）×（7%））计算得到。
因此，基于贝叶斯网络的模型可以对电力系统的安全性进行分析。同样的过程，可以得到综合能源系统中供热系统、燃气系统等安全性分析模型，进而建立综合能源系统的安全性分析模型。
在电力系统(A)中，热泵机组(B)和电锅炉(C)为A的基本单元，B和C的故障逻辑关系被用于构建系统的故障树模型。在此模型中，假设热泵机组或电锅炉中任一单元的故障都将导致整个电力系统失败。这种逻辑关系在故障树中通过一个逻辑“与”门表示，如图4的左侧部分所示。基于这个故障树，进一步采用故障树到贝叶斯网络的转换（映射）方法，形成了一个基于贝叶斯网络的模型，该过程展示在图4的Step1至Step3中，并得到了Step3的中间结果。
根据构建的贝叶斯网络模型，通过（（100%-7%）×（100%-12%））计算，得到电力系统的故障概率为81.84%。
如果电力系统(A)中存在着相同的基本单元热泵机组（B1）和(B2），B2是B1的备用设备，即二者是并列关系。根据B2和B1的逻辑关系构建电力系统故障树，假设在电力系统中只有热泵机组B1和热泵机组B2二个单元同时发生故障才会导致电力系统的故障，则电力系统的各个单元与电力系统的故障树模型可如图4所示，此时的逻辑关系相当于图4中右部分的逻辑“或门”，在此故障树的基础上，利用故障树模型到贝叶斯网络的映射方法得到基于贝叶斯网络的模型（如图4中Step1-Step3的过程），即图4 Step3中的中间结果。根据得到的贝叶斯网络的模型可以计算得到电力系统的故障概率为4.9%，通过（7%）×（7%））计算得到。
因此，利用贝叶斯网络模型，能够对电力系统的安全性进行深入分析。
采用相同的方法，也可以对综合能源系统中的供热系统、燃气系统等进行安全性分析，进而构建出一个全面的综合能源系统安全性分析模型。
为更好地理解，综合能源系统包括：
①源环节
主要通过各类能源转换设备并按照一定的效率完成能源之间的相互转换，是综合能源系统的能源源头，加深了子系统之间的相互作用并有利于能源的梯级利用。综合能源系统常见的能源转换设备见表1。
表1综合能源系统常见的能源转换设备
②储环节
能源储存设备可作为综合能源系统的时间转换装置，具有移峰填谷的调节作用。常见的有机械、电磁、化学以及相变等多种储能形式，合理确定储能形式及各储能设备的型号、容量及运行策略能够有效提高综合能源系统的效率和经济性。
③网环节
传输能源的各类管线系统共同构成综合能源系统的网环节。以往，各类管线分别由不同部门进行设计、施工和维护管理，各类管线争夺有限的地下空间，盲目开挖易导致燃气、热力管道泄漏，使能源供应受到干扰，甚至威胁人们的生命安全。
④荷环节
综合能源系统需要兼顾热、电、气等多种负荷不同时段的用能需求，传统的各类负荷单独预测方法不再适用于具有多元热-电-气负荷耦合特性的综合能源系统。此外，全面考虑气候、社会经济、区域布局结构、建筑特性等多方面因素对负荷需求的影响，建立合理的热、电、气综合能源系统安全性分析方法是荷环节的研究重点。
步骤102：根据所述故障率数据的来源，判断是否为厂家。
在本实施例中，通过查看故障率数据的来源是否为厂家来判断是否直接可用故障率数据进行安全性分析，若来自厂家，则说明厂家已经过故障测试并得到准确数据，若非来自厂家，则需要另外的故障率计算。
步骤103：若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署。
在本实施例中，故障率阈值可根据用户对系统单元的重要性进行自适应调整。
在本实施例中，维修部署可指派运维人员驻守或实时调取系统单元的数据进行监控，这样既能提高综合能源系统的运行安全性，同时也能减少监控系统的能耗。
步骤104：若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。
在本实施例中，所述故障率计算公式的获取，包括：
调取每一所述系统单元的特征数据；其中，所述特征数据包括：历史故障类型、组成结构和运行逻辑；
根据所述特征数据构建所述待测综合能源系统的故障树模型；
将所述故障树模型转换为贝叶斯网络模型，并基于贝叶斯算法获得所述故障率计算公式；其中，所述故障率计算公式具体为：
式中，为系统单元的故障发生度，/>为历史故障发生度，/>为系统后项基本故障单元故障率向量，/>为综合能源系统不同基本故障单元的数量，/>为/>向量的长度，/>为/>向量的长度，/>为/>向量的长度，/>为预测故障率，/>为系统单元的使用时间。
在一具体的实施例中，贝叶斯网络因其精确的概率表达能力和相关性建模能力，在系统可靠性分析与评估领域得到越来越广泛的关注。贝叶斯网络（Bayesian Network）称为概率网络，是继模糊逻辑、可信度方法和神经网络等方法之后的不确定知识表示模型，是一种因果概率网络。贝叶斯网络是图论与概率论相结合的产物，由节点和有向边构成，一般记为。其中，/>为有向无环图模型中所有节点的集合，为边集合。对于任意节点/>在概率层面表示模型中的变量，在有向无环图模型层面表示图中节点。对于任意边/>代表节点之间的相互依存关系(亦称因果关系)。有向无环图模型是由有向边固化的变量之间的相互依存关系，其有向性体现于边的有向性，依存关系为有向边表征的变量之间的因果关系。对于任意边连接子节点(边指向节点)和该子节点的父节点(边指出节点)，表示父节点是子节点的“原因”并条件非独立的影响子节点的概率特征，也表示子节点是父节点的“结果”且子节点的概率描述受父节点(部分或全部)的影响由贝叶斯公式进行故障概率分析，可得出各子节点造成系统故障的概率，再按照概率大小依次排序，可大大提高故障分析、定位、排故以及安全性预测的效率和准确率。
为更好地说明，提供以下内容解释贝叶斯算法：
设综合能源系统基本故障单元的故障率为且：
（1）
其中，、/>和/>分别为综合能源系统不同基本故障单元的故障率，和/>两者为与/>的相似基本单元故障率。显然，/>、/>和/>分别为与综合能源系统基本故障单元/>、/>和/>类似的第/>个、第/>个和第/>个基本故障单元的故障率。
设综合能源系统基本故障单元的发生度矩阵为：
（2）
其中，为第/>个领域专家给出的综合能源系统第/>个基本故障单元的发生度，为涉及的领域专家数量。显然：
（3）
令综合能源系统第个基本故障单元的发生度为：
（4）
则，领域专家给出综合能源系统基本故障单元发生度为：
（5）
基于式（2）至（4），可得其它领域专家（共r位）给出的综合能源系统基本故障单元发生度为：
（6）
为规避评审专家的主观偏好，选取评价向量与/>中的前/>项，并定义比较向量/>：
（7）
其中，
（8）
则，比较向量可表示为：
（9）
定义转换权值：
（10）
选取评价向量中的/>后项：
（11）
（12）
定义向量：
（13）
则综合能源系统后项基本故障单元故障率向量为：
（14）
进一步地，综合能源系统基本故障单元的故障率为：
在本实施例中，所述根据所述特征数据构建所述待测综合能源系统的故障树模型，包括：
根据所述历史故障类型和组成结构，确定所述待测综合能源系统的故障树节点；
根据所述历史故障类型和运行逻辑，确定所述待测综合能源系统的故障树逻辑关系；
根据所述故障树节点和所述故障树逻辑关系，生成所述待测综合能源系统的故障树模型。
在一具体的实施例中，故障树分析法(Fault Tree Analysis，FTA)是通过画逻辑树状图的形式，将系统中潜在的风险源识别出来，根据风险源之间的脉络关系和故障模式，确定系统故障概率，提出相应的改进措施。故障树分析法从定性分析和定量分析两个方向为综合能源系统安全性分析提供可靠依据。
故障树是一种树状逻辑框图，特点鲜明：
1）形象直观。故障树清晰地显示所有事件的逻辑关系，通过事故统计分析可以判断系统的失效点，也可以从故障树的失效点来判断系统失效模式，为决策者制定风险防控提供清晰明了的解决路径。
2）应用简单。通过对逻辑门符号的运用，清晰描述故障模式，容易上手和学习，在很多安全可靠性领域都可以使用。
3）拓展性强。由于具备定性分析和定量分析功能，逻辑性强的计算法则，故障树的可拓展和可移植性强，可以和其他科学方法综合处理问题，弥补工程领域的缺陷。
4）精确度低。当故障树变得庞大复杂时，需要更多精确的底事件概率值，对于普通系统来说，有很多不确定因素，而且数据往往需要大量的、长时间的事故统计，受到工作量和时间的制约，精度较低，在实际安全领域存在一定误差。
故障树的符号及其含义如图6所示。
在本实施例中，所述将所述故障树模型转换为贝叶斯网络模型，包括：
将所述故障树模型的故障树节点作为所述贝叶斯网络模型的网络节点；
基于所述故障树模型的故障树逻辑关系，确定所述贝叶斯网络模型中每一网络节点的连接关系、以及所述贝叶斯网络模型的条件概率表；
根据所述贝叶斯网络模型的网络节点、每一网络节点的连接关系、以及条件概率表，建立所述贝叶斯网络模型。
在一具体的实施例中，参见图4，故障树模型到贝叶斯网络模型的映射方法应遵循以下条件：
步骤1：事件映射节点。依据故障树中的事件一一对应地定义贝叶斯网络中的节点，节点的标签及所代表的物理意义与对应的事件保持一致。如，在故障树模型中的事件（A、B、C）一一对应贝叶斯网络模型的节点（A、B、C），可表示为。
步骤2：故障逻辑映射有向边。依据故障树模型所固化的事件之间的逻辑关系连接贝叶斯网络模型中的节点。有向边起始于父节点（逻辑门的输入事件）指向子节点（逻辑门的输出事件）。如，分别连接B、C（有向边的起始节点）至A（有向边的指向节点）。重复以上操作至所有故障逻辑均建模完成。
步骤3：逻辑门映射条件概率表。将故障树模型的逻辑门定量地描述为贝叶斯网络模型中子节点的条件概率表。
在本实施例中，所述网络节点包括：子节点和父节点；所述贝叶斯网络模型的条件概率表，包括：
当子节点的故障概率为1且所有父节点全部故障时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率；
当子节点的故障概率为0且所有父节点全部完好时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率。
参见图2，图2是本发明一实施例提供的一种基于故障率近似的能源系统安全性评估分析装置的结构示意图，包括：数据获取模块201、数据判断模块202、第一维修部署模块203和第二维修部署模块204；
所述数据获取模块201，用于获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率；
所述数据判断模块202，用于根据所述故障率数据的来源，判断是否为厂家；
所述第一维修部署模块203，用于若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署；
所述第二维修部署模块204，用于若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。
作为优选地，所述故障率计算公式的获取，包括：
调取每一所述系统单元的特征数据；其中，所述特征数据包括：历史故障类型、组成结构和运行逻辑；
根据所述特征数据构建所述待测综合能源系统的故障树模型；
将所述故障树模型转换为贝叶斯网络模型，并基于贝叶斯算法获得所述故障率计算公式；其中，所述故障率计算公式具体为：
式中，为系统单元的故障发生度，/>为历史故障发生度，/>为系统后项基本故障单元故障率向量，/>为综合能源系统不同基本故障单元的数量，/>为/>向量的长度，/>为/>向量的长度，/>为/>向量的长度，/>为预测故障率，/>为系统单元的使用时间。
作为优选地，所述根据所述特征数据构建所述待测综合能源系统的故障树模型，包括：
根据所述历史故障类型和组成结构，确定所述待测综合能源系统的故障树节点；
根据所述历史故障类型和运行逻辑，确定所述待测综合能源系统的故障树逻辑关系；
根据所述故障树节点和所述故障树逻辑关系，生成所述待测综合能源系统的故障树模型。
作为优选地，所述将所述故障树模型转换为贝叶斯网络模型，包括：
将所述故障树模型的故障树节点作为所述贝叶斯网络模型的网络节点；
基于所述故障树模型的故障树逻辑关系，确定所述贝叶斯网络模型中每一网络节点的连接关系、以及所述贝叶斯网络模型的条件概率表；
根据所述贝叶斯网络模型的网络节点、每一网络节点的连接关系、以及条件概率表，建立所述贝叶斯网络模型。
作为优选地，所述网络节点包括：子节点和父节点；所述贝叶斯网络模型的条件概率表，包括：
当子节点的故障概率为1且所有父节点全部故障时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率；
当子节点的故障概率为0且所有父节点全部完好时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率。
可以理解的是，上述系统项实施例是与本发明方法项实施例相对应的，其可以实现本发明上述任意一项方法项实施例提供的基于故障率近似的能源系统安全性评估分析方法。
本实施例通过获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率；根据所述故障率数据的来源，判断是否为厂家；若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署；若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。本发明对于综合能源系统的故障率数据进行来源判断，若源自厂家，则直接进行维修部署的判断，若非源自厂家，则基于历史故障数据来进行故障预测。本发明基于综合能源系统的故障率进行分析，能够根据故障率进行系统安全问题的预警，从而能够在综合能源系统发生故障前及时进行维护，极大地保障了综合能源系统的运行效率。
实施例二
参见图5，图5是本发明一实施例提供的终端设备结构示意图。
该实施例的一种终端设备包括：处理器501、存储器502以及存储在所述存储器502中并可在所述处理器501上运行的计算机程序。所述处理器501执行所述计算机程序时实现上述各个基于故障率近似的能源系统安全性评估分析方法在实施例中的步骤，例如图1所示的基于故障率近似的能源系统安全性评估分析方法的所有步骤。或者，所述处理器执行所述计算机程序时实现上述各装置实施例中各模块的功能，例如：图2所示的基于故障率近似的能源系统安全性评估分析装置的所有模块。
另外，本发明实施例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包括存储的计算机程序，其中，在所述计算机程序运行时控制所述计算机可读存储介质所在设备执行如上任一实施例所述的基于故障率近似的能源系统安全性评估分析方法。
本领域技术人员可以理解，所述示意图仅仅是终端设备的示例，并不构成对终端设备的限定，可以包括比图示更多或更少的部件，或者组合某些部件，或者不同的部件，例如所述终端设备还可以包括输入输出设备、网络接入设备、总线等。
所称处理器501可以是中央处理单元(Central Processing Unit，CPU)，还可以是其他通用处理器、数字信号处理器(Digital Signal Processor，DSP)、专用集成电路(Application Specific Integrated Circuit，ASIC)、现成可编程门阵列(Field-Programmable Gate Array，FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等，所述处理器501是所述终端设备的控制中心，利用各种接口和线路连接整个终端设备的各个部分。
所述存储器502可用于存储所述计算机程序和/或模块，所述处理器501通过运行或执行存储在所述存储器内的计算机程序和/或模块，以及调用存储在存储器502内的数据，实现所述终端设备的各种功能。所述存储器502可主要包括存储程序区和存储数据区，其中，存储程序区可存储操作系统、至少一个功能所需的应用程序（比如声音播放功能、图像播放功能等）等；存储数据区可存储根据手机的使用所创建的数据（比如音频数据、电话本等）等。此外，存储器可以包括高速随机存取存储器，还可以包括非易失性存储器，例如硬盘、内存、插接式硬盘，智能存储卡（Smart Media Card, SMC），安全数字（Secure Digital,SD）卡，闪存卡（Flash Card）、至少一个磁盘存储器件、闪存器件、或其他易失性固态存储器件。
其中，所述终端设备集成的模块/单元如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明实现上述实施例方法中的全部或部分流程，也可以通过计算机程序来指令相关的硬件来完成，所述的计算机程序可存储于一计算机可读存储介质中，该计算机程序在被处理器执行时，可实现上述各个方法实施例的步骤。其中，所述计算机程序包括计算机程序代码，所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括：能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器（ROM，Read-Only Memory）、随机存取存储器（RAM，Random Access Memory）、电载波信号、电信信号以及软件分发介质等。
需说明的是，以上所描述的装置实施例仅仅是示意性的，其中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模块来实现本实施例方案的目的。另外，本发明提供的装置实施例附图中，模块之间的连接关系表示它们之间具有通信连接，具体可以实现为一条或多条通信总线或信号线。本领域普通技术人员在不付出创造性劳动的情况下，即可以理解并实施。
以上所述是本发明的优选实施方式，应当指出，对于本技术领域的普通技术人员来说，在不脱离本发明原理的前提下，还可以做出若干改进和润饰，这些改进和润饰也视为本发明的保护范围。

Claims (10)

1.一种基于故障率近似的能源系统安全性评估分析方法，其特征在于，包括：
获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率；
根据所述故障率数据的来源，判断是否为厂家；
若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署；
若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。
2.根据权利要求1所述的基于故障率近似的能源系统安全性评估分析方法，其特征在于，所述故障率计算公式的获取，包括：
调取每一所述系统单元的特征数据；其中，所述特征数据包括：历史故障类型、组成结构和运行逻辑；
根据所述特征数据构建所述待测综合能源系统的故障树模型；
将所述故障树模型转换为贝叶斯网络模型，并基于贝叶斯算法获得所述故障率计算公式；其中，所述故障率计算公式具体为：
式中，为系统单元的故障发生度，/>为历史故障发生度，/>为系统后项基本故障单元故障率向量，/>为综合能源系统不同基本故障单元的数量，/>为/>向量的长度，/>为/>向量的长度，/>为/>向量的长度，/>为预测故障率，/>为系统单元的使用时间。
3.根据权利要求2所述的基于故障率近似的能源系统安全性评估分析方法，其特征在于，所述根据所述特征数据构建所述待测综合能源系统的故障树模型，包括：
根据所述历史故障类型和组成结构，确定所述待测综合能源系统的故障树节点；
根据所述历史故障类型和运行逻辑，确定所述待测综合能源系统的故障树逻辑关系；
根据所述故障树节点和所述故障树逻辑关系，生成所述待测综合能源系统的故障树模型。
4.根据权利要求3所述的基于故障率近似的能源系统安全性评估分析方法，其特征在于，所述将所述故障树模型转换为贝叶斯网络模型，包括：
将所述故障树模型的故障树节点作为所述贝叶斯网络模型的网络节点；
基于所述故障树模型的故障树逻辑关系，确定所述贝叶斯网络模型中每一网络节点的连接关系、以及所述贝叶斯网络模型的条件概率表；
根据所述贝叶斯网络模型的网络节点、每一网络节点的连接关系、以及条件概率表，建立所述贝叶斯网络模型。
5.根据权利要求4所述的基于故障率近似的能源系统安全性评估分析方法，其特征在于，所述网络节点包括：子节点和父节点；所述贝叶斯网络模型的条件概率表，包括：
当子节点的故障概率为1且所有父节点全部故障时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率；
当子节点的故障概率为0且所有父节点全部完好时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率。
6.一种基于故障率近似的能源系统安全性评估分析装置，其特征在于，包括：数据获取模块、数据判断模块、第一维修部署模块和第二维修部署模块；
所述数据获取模块，用于获取待测综合能源系统的故障率数据；其中，所述故障率数据包括所述待测综合能源系统中每一系统单元的故障率；
所述数据判断模块，用于根据所述故障率数据的来源，判断是否为厂家；
所述第一维修部署模块，用于若是，则基于所述故障率数据对超过故障率阈值的第一目标系统单元进行维修部署；
所述第二维修部署模块，用于若否，获取与所述待测综合能源系统同一型号的历史故障数据，并将所述历史故障数据代入预设的故障率计算公式，获得所述待测综合能源系统中每一系统单元的预测故障率，最后基于所述预测故障率对超过故障率阈值的第二目标系统单元进行维修部署。
7.根据权利要求6所述的基于故障率近似的能源系统安全性评估分析装置，其特征在于，所述故障率计算公式的获取，包括：
调取每一所述系统单元的特征数据；其中，所述特征数据包括：历史故障类型、组成结构和运行逻辑；
根据所述特征数据构建所述待测综合能源系统的故障树模型；
将所述故障树模型转换为贝叶斯网络模型，并基于贝叶斯算法获得所述故障率计算公式；其中，所述故障率计算公式具体为：
式中，为系统单元的故障发生度，/>为历史故障发生度，/>为系统后项基本故障单元故障率向量，/>为综合能源系统不同基本故障单元的数量，/>为/>向量的长度，/>为/>向量的长度，/>为/>向量的长度，/>为预测故障率，/>为系统单元的使用时间。
8.根据权利要求7所述的基于故障率近似的能源系统安全性评估分析装置，其特征在于，所述根据所述特征数据构建所述待测综合能源系统的故障树模型，包括：
根据所述历史故障类型和组成结构，确定所述待测综合能源系统的故障树节点；
根据所述历史故障类型和运行逻辑，确定所述待测综合能源系统的故障树逻辑关系；
根据所述故障树节点和所述故障树逻辑关系，生成所述待测综合能源系统的故障树模型。
9.根据权利要求8所述的基于故障率近似的能源系统安全性评估分析装置，其特征在于，所述将所述故障树模型转换为贝叶斯网络模型，包括：
将所述故障树模型的故障树节点作为所述贝叶斯网络模型的网络节点；
基于所述故障树模型的故障树逻辑关系，确定所述贝叶斯网络模型中每一网络节点的连接关系、以及所述贝叶斯网络模型的条件概率表；
根据所述贝叶斯网络模型的网络节点、每一网络节点的连接关系、以及条件概率表，建立所述贝叶斯网络模型。
10.根据权利要求9所述的基于故障率近似的能源系统安全性评估分析装置，其特征在于，所述网络节点包括：子节点和父节点；所述贝叶斯网络模型的条件概率表，包括：
当子节点的故障概率为1且所有父节点全部故障时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率；
当子节点的故障概率为0且所有父节点全部完好时，满足以下条件：
式中，为节点/>的所有父节点，/>为节点/>的运行概率。
CN202410345995.9A 2024-03-26 2024-03-26 一种基于故障率近似的能源系统安全性评估分析方法及装置 Pending CN117952598A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202410345995.9A CN117952598A (zh) 2024-03-26 2024-03-26 一种基于故障率近似的能源系统安全性评估分析方法及装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202410345995.9A CN117952598A (zh) 2024-03-26 2024-03-26 一种基于故障率近似的能源系统安全性评估分析方法及装置

Publications (1)

Publication Number Publication Date
CN117952598A true CN117952598A (zh) 2024-04-30

Family

ID=90798136

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202410345995.9A Pending CN117952598A (zh) 2024-03-26 2024-03-26 一种基于故障率近似的能源系统安全性评估分析方法及装置

Country Status (1)

Country Link
CN (1) CN117952598A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118518998A (zh) * 2024-07-24 2024-08-20 山东奥斯登房车有限公司 一种新能源房车负载绝缘故障定位方法及系统

Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050160324A1 (en) * 2003-12-24 2005-07-21 The Boeing Company, A Delaware Corporation Automatic generation of baysian diagnostics from fault trees
CN106384154A (zh) * 2016-08-18 2017-02-08 广州市迪士普音响科技有限公司 智慧平台的自我检查与故障自我处理方法和系统
CN108285071A (zh) * 2018-01-25 2018-07-17 暨南大学 一种基于贝叶斯网络的电梯健康诊断方法
CN112686405A (zh) * 2020-12-29 2021-04-20 南京后生远达科技有限公司 一种基于故障树的配电网故障区域划分方法
CN117314677A (zh) * 2023-08-21 2023-12-29 三峡大学 基于多态贝叶斯网络的输电拉线塔安全风险评估方法

Patent Citations (5)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US20050160324A1 (en) * 2003-12-24 2005-07-21 The Boeing Company, A Delaware Corporation Automatic generation of baysian diagnostics from fault trees
CN106384154A (zh) * 2016-08-18 2017-02-08 广州市迪士普音响科技有限公司 智慧平台的自我检查与故障自我处理方法和系统
CN108285071A (zh) * 2018-01-25 2018-07-17 暨南大学 一种基于贝叶斯网络的电梯健康诊断方法
CN112686405A (zh) * 2020-12-29 2021-04-20 南京后生远达科技有限公司 一种基于故障树的配电网故障区域划分方法
CN117314677A (zh) * 2023-08-21 2023-12-29 三峡大学 基于多态贝叶斯网络的输电拉线塔安全风险评估方法

Non-Patent Citations (2)

* Cited by examiner, † Cited by third party
Title
李贺: "海上浮式风机可靠性分析的FMECA和贝叶斯网络新方法", 《中国博士学位论文全文数据库 基础科学辑》, no. 1, 15 January 2022 (2022-01-15), pages 22 *
杨启明等: "《普通高等教育十一五国家级规划教材 压力容器与管道安全评价 第2版》", 31 July 2022, 北京：机械工业出版社, pages: 105 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN118518998A (zh) * 2024-07-24 2024-08-20 山东奥斯登房车有限公司 一种新能源房车负载绝缘故障定位方法及系统

Similar Documents

Publication Publication Date Title
Contaxis et al. Short term scheduling in a wind/diesel autonomous energy system
Ge et al. Reliability and maintainability improvement of substations with aging infrastructure
JP2013538543A (ja) 送電網用の機械学習
Chi et al. Data-driven reliability assessment method of Integrated Energy Systems based on probabilistic deep learning and Gaussian mixture Model-Hidden Markov Model
CN117952598A (zh) 一种基于故障率近似的能源系统安全性评估分析方法及装置
Wu et al. Optimal replacement in the proportional hazards model with semi-Markovian covariate process and continuous monitoring
Fahiman et al. Data-driven dynamic probabilistic reserve sizing based on dynamic Bayesian belief networks
Mohammadi et al. Multidimensional scenario selection for power systems with stochastic failures
CN114519923B (zh) 一种电厂智能诊断预警方法和系统
Jiang et al. Energy prediction using spatiotemporal pattern networks
Pan et al. Real-time digital twin machine learning-based cost minimization model for renewable-based microgrids considering uncertainty
Haseltine et al. Prediction of power grid failure using neural network learning
CN116187552A (zh) 异常检测方法、计算设备及计算机存储介质
CN110880055A (zh) 楼宇智能电表系统
Amini et al. Electrical energy systems resilience: A comprehensive review on definitions, challenges, enhancements and future proceedings
Chen et al. A BP neural network-based hierarchical investment risk evaluation method considering the uncertainty and coupling for the power grid
CN115902510A (zh) 一种台区停电故障预警方法和系统
Abdurohman et al. Forecasting model for lighting electricity load with a limited dataset using xgboost
Jarndal Load forecasting for power system planning using a genetic-fuzzy-neural networks approach
Wang et al. Multi-prediction of electric load and photovoltaic solar power in grid-connected photovoltaic system using state transition method
Wadi et al. Sensitivity reliability analysis of power distribution networks using fuzzy logic
Zhang et al. Analytic hierarchy process-based fuzzy post mining method for operation anomaly detection of building energy systems
Golovinski et al. Electricity consumption forecast of clusters of buildings based on recurrent neural networks
Grebenyuk et al. Technological infrastructure management models and methods based on digital twins
Pérez-Vilarelle et al. Modeling and simulation of wind energy production in the smart-grid scenario

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