CN108375715B - 一种配电网线路故障风险日预测方法及系统 - Google Patents
一种配电网线路故障风险日预测方法及系统 Download PDFInfo
- Publication number
- CN108375715B CN108375715B CN201810190791.7A CN201810190791A CN108375715B CN 108375715 B CN108375715 B CN 108375715B CN 201810190791 A CN201810190791 A CN 201810190791A CN 108375715 B CN108375715 B CN 108375715B
- Authority
- CN
- China
- Prior art keywords
- line
- prediction
- day
- tested
- data
- 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 29
- 238000000034 method Methods 0.000 title claims abstract description 29
- 238000012423 maintenance Methods 0.000 claims abstract description 55
- 238000012549 training Methods 0.000 claims description 49
- 238000013528 artificial neural network Methods 0.000 claims description 20
- 238000012360 testing method Methods 0.000 claims description 16
- 238000010801 machine learning Methods 0.000 claims description 12
- 238000007689 inspection Methods 0.000 claims description 9
- 238000010276 construction Methods 0.000 claims description 7
- 238000010586 diagram Methods 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000012545 processing Methods 0.000 description 5
- 238000013058 risk prediction model Methods 0.000 description 4
- 230000006870 function Effects 0.000 description 3
- 238000012502 risk assessment Methods 0.000 description 3
- 238000003860 storage Methods 0.000 description 3
- 238000012986 modification Methods 0.000 description 2
- 230000004048 modification Effects 0.000 description 2
- 238000011160 research Methods 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 238000004458 analytical method Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000007613 environmental effect Effects 0.000 description 1
- 238000011156 evaluation Methods 0.000 description 1
- 238000002474 experimental method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000003449 preventive effect 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
- G01R31/086—Locating faults in cables, transmission lines, or networks according to type of conductors in power transmission or distribution networks, i.e. with interconnected conductors
-
- 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
-
- 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
Landscapes
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Theoretical Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明提供了一种配电网线路故障风险日预测方法及系统，包括：获取被测线路所在地区在预测日的外部环境信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路在预测日的自身状况信息；将上述获取的被测线路所在地区在预测日的外部环境信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路在预测日的自身状况信息输入预先构建的线路故障风险日预测模型，生成被测线路在预测日的故障发生概率预测值。本发明提供的技术方案，基于线路的负荷预测、天气预测、运维计划以及线路运行环境等状况，进行线路故障风险日预测，据此，实施相关故障规避措施，避免了故障的发生，保证了供电的可靠性。
Description
技术领域
本发明属于电力系统及其自动化领域，具体涉及一种配电网线路故障风险日预测方法及系统。
背景技术
配电网紧邻用户侧，其安全可靠运行水平会对用户造成直接影响，同时，由于配电网点多面广，运行环境复杂，易于受到用户的影响，其中的故障状况难以避免。为此，需要通过各种技术手段，尽量降低配电网中的故障发生概率，保障供电可靠性。而面向配电网线路故障风险的日预测，则是采取故障发生防范措施的前提与重要依据。
当前，主要研究多集中在电网故障风险评估方面。关于电网故障风险评估的研究主要是针对具体的系统根据设备和网络可能的故障状态利用可靠性等方法分析评估故障发生的风险。较为典型的有通过构建连锁故障的概率描述，判断系统应对特定故障的能力来评估故障风险；或考虑不同停运模型，采用事件树分析并给出故障风险的排序；也可通过设定负荷权重，分析不同运行状况下的故障概率变化。以上故障风险评估的思路，或者是假设电网中发生故障之后，分析可能对电网造成的进一步影响，或者是对电网建设水平的整体评价，或者是寻找电网的薄弱环节，未统筹考虑产生故障的根源来进行未来故障发生概率的预测，因此，也缺少对配电网如何判断和规避风险的明确指导。
发明内容
本发明从历史数据记录出发，建立起了线路能力、实际供电状况、外部环境、运维状况等与故障发生概率之间的关联关系，之后，基于负荷预测、天气预测、运维计划以及线路运行环境等状况，进行线路未来故障发生概率的预测，据此，实施相关故障规避措施，尽量避免故障发生，保证供电可靠性。
本发明提供的一种配电网线路故障风险日预测方法，包括：
获取被测线路所在地区在预测日的外部环境信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路在预测日的自身状况信息；
将上述获取的被测线路所在地区在预测日的外部环境信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路在预测日的自身状况信息输入预先构建的线路故障风险日预测模型，生成被测线路在预测日的故障发生概率预测值。
所述线路故障风险日预测模型的构建包括：
获取配电网各线路的历史运行数据；
根据机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型；
所述线路的历史运行数据包括：线路的自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
用机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型，包括：
建立BP神经网络，确定BP神经网络输入层节点个数n,输出层节点数为1；隐层节点数设定为I，其中a为1～10之间常数；
根据预设的第一数值选取历史运行数据作为训练数据；
将所述训练数据作为BP神经网络的输入数据，将当日线路的故障发生概率作为BP神经网络的输出数据，进行训练。
所述当日线路的故障发生概率包括：
若线路发生了故障，则故障发生概率取第二数值和第三数值之间的一个随机数，若该线路未发生故障，则故障发生概率取第四数值和第五数值之间的一个随机数。
所述训练数据中的每一个训练样本包括一天的线路自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
所述根据预设的定值选取历史运行数据作为训练数据，包括：
所述第一数值为0.9，因此选取历史运行数据的90％作为训练数据。
所述第二数值为0.90，所述第三数值为0.99，所述第四数值为0.01，所述第五数值为0.10。
所述被测线路所在地区在预测日的外部环境预测信息包括：预测日的温度预测、风力预测、极端天气预测、降雨量预测和/或降雪量预测；
所述被测线路在预测日的运维计划包括：被测线路计划维护频率和/或计划运检工时数；
被测线路的自身状况包括被测线路的平均线损率、平均容载比、过负荷运行时长和/或故障发生频率。
所述线路的自身状况信息包括：线路的平均线损率、平均容载比、过负荷运行时长和/或故障发生频率；
所述线路所在地区的外部环境信息包括：平均温度、日最高温度、日最低温度、风力、极端天气、降雨量和/或降雪量；
所述线路运维状况包括：线路维护频率和/或运检工时数。
本发明提供的一种配电网线路故障风险日预测系统，包括：
采集模块，用于获取被测线路所在地区在预测日的外部环境预测信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路的自身状况信息；
预测模块，用于将采集模块获取的被测线路所在地区在预测日的外部环境预测信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路的自身状况信息输入预先构建的线路故障风险日预测模型，生成被测线路在预测日的故障发生概率预测值。
所述预测模块包括预测模型子模块；
所述预测模型子模块包括：
采集单元，用于获取配电网各线路的历史运行数据；
训练单元，用于根据机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型；所述线路的历史运行数据包括：
线路的自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
与最接近的现有技术比，本发明提供的技术方案具有以下有益效果：
本发明提供的技术方案，基于线路的负荷预测、天气预测、运维计划以及线路运行环境等状况，进行线路故障风险日预测，据此，实施相关故障规避措施，避免了故障的发生，保证了供电的可靠性；
本发明提供的技术方案，从历史数据记录出发，建立了线路故障风险日预测模型，基于模型进行线路故障风险日预测，方便快捷，保证了预测结果的准确性。
附图说明
图1为本发明提供的一种配电网线路故障风险日预测方法流程图；
图2为本发明实施例提供的配电网线路故障风险日预测模型输入输出关系图；
图3为本发明实施例提供的BP神经网路结构示意图。
具体实施方式
下面结合附图，对本发明做进一步详细的说明。
实施例一、
图1为本发明一种配电网线路故障风险日预测方法流程图，如图1所示本发明提供的一种配电网线路故障风险日预测方法，包括：
获取被测线路所在地区在预测日的外部环境信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路在预测日的自身状况信息；
将上述获取的被测线路所在地区在预测日的外部环境信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路在预测日的自身状况信息输入预先构建的线路故障风险日预测模型，生成被测线路在预测日的故障发生概率预测值。
所述线路故障风险日预测模型的构建包括：
获取配电网各线路的历史运行数据；
根据机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型；
所述线路的历史运行数据包括：线路的自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
用机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型，包括：
建立BP神经网络，确定BP神经网络输入层节点个数n,输出层节点数为1；隐层节点数设定为I，其中a为1～10之间常数；
根据预设的第一数值选取历史运行数据作为训练数据；
将所述训练数据作为BP神经网络的输入数据，将当日线路的故障发生概率作为BP神经网络的输出数据，进行训练。
所述当日线路的故障发生概率包括：
若线路发生了故障，则故障发生概率取第二数值和第三数值之间的一个随机数，若该线路未发生故障，则故障发生概率取第四数值和第五数值之间的一个随机数。
所述训练数据中的每一个训练样本包括一天的线路自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
所述根据预设的定值选取历史运行数据作为训练数据，包括：
所述第一数值为0.9，因此选取历史运行数据的90％作为训练数据。
所述第二数值为0.90，所述第三数值为0.99，所述第四数值为0.01，所述第五数值为0.10。
所述被测线路所在地区在预测日的外部环境预测信息包括：预测日的温度预测、风力预测、极端天气预测、降雨量预测和/或降雪量预测；
所述被测线路在预测日的运维计划包括：被测线路计划维护频率和/或计划运检工时数；
被测线路的自身状况包括被测线路的平均线损率、平均容载比、过负荷运行时长和/或故障发生频率。
所述线路的自身状况信息包括：线路的平均线损率、平均容载比、过负荷运行时长和/或故障发生频率；
所述线路所在地区的外部环境信息包括：平均温度、日最高温度、日最低温度、风力、极端天气、降雨量和/或降雪量；
所述线路运维状况包括：线路维护频率和/或运检工时数。
实施例二、
基于相同的发明构思，本发明还提供了一种配电网线路故障风险日预测系统，可以包括：
采集模块，用于获取被测线路所在地区在预测日的外部环境预测信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路的自身状况信息；
预测模块，用于将采集模块获取的被测线路所在地区在预测日的外部环境预测信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路的自身状况信息输入预先构建的线路故障风险日预测模型，生成被测线路在预测日的故障发生概率预测值。
所述预测模块包括预测模型子模块；
所述预测模型子模块包括：
采集单元，用于获取配电网各线路的历史运行数据；
训练单元，用于根据机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型；所述线路的历史运行数据包括：
线路的自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
所述被测线路所在地区在预测日的外部环境预测信息包括：预测日的温度预测、风力预测、极端天气预测、降雨量预测和/或降雪量预测；
所述被测线路在预测日的运维计划包括：被测线路计划维护频率和/或计划运检工时数；
被测线路的自身状况包括被测线路的平均线损率、平均容载比、过负荷运行时长和/或故障发生频率。
所述线路的历史运行数据包括：
线路的自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息和/或线路运维状况。
所述训练单元包括：
建模子单元，用于建立BP神经网络，确定BP神经网络输入层节点个数n,输出层节点数为1；隐层节点数设定为I，其中a为1～10之间常数；
选取子单元，用于根据预设的第一数值选取历史运行数据作为训练数据；
训练子单元，用于将所述训练数据作为BP神经网络的输入数据，将当日线路的故障发生概率作为BP神经网络的输出数据，进行训练。
所述当日线路的故障发生概率包括：
若线路发生了故障，则故障发生概率取第二数值和第三数值之间的一个随机数，若该线路未发生故障，则故障发生概率取第四数值和第五数值之间的一个随机数。
所述训练数据中的每一个训练样本包括一天的线路自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
所述根据预设的定值选取历史运行数据作为训练数据，包括：
所述第一数值为0.9，因此选取历史运行数据的90％作为训练数据。
所述第二数值为0.90，所述第三数值为0.99，所述第四数值为0.01，所述第五数值为0.10。
实施例三、
面向配电网中的某条线路，本发明旨在进行该线路未来某一天发生故障的概率预测。
首先，基于历史信息，采用机器学习方法，建立该线路故障风险日预测模型。
(1)确定模型的输入输出
基于导致该线路故障发生的主要影响因素，梳理出该模型的输入输出。
输入包括线路自身状况、实际供电状况、外部环境、运维状况四大类因素。
输出为该线路在当日的故障发生概率。
线路自身状况包括：当日所属的一段时间内该线路的平均线损率、平均容载比、过负荷运行时长、故障发生频率；
实际供电状况包括：当日负荷水平；
外部环境包括：当日平均温度、日最高温度、日最低温度、风力、极端天气、降雨量、降雪量；
运维状况包括：当日所属的一段时间内该线路维护频率、运检工时数。
(2)整理历史数据
取该线路的历史运行数据进行整理，依次针对该线路某一天的运行状况，获取线路自身状况、实际供电状况、外部环境、运维状况以及当日该线路的故障发生状况。
以上该线路实际历史数据，作为机器学习方法建立模型的训练与测试数据。
(3)模型训练与搭建
下面以图3所示的BP神经网络(一种机器学习方法)为例，给出模型训练与搭建方法。
模型结构确定：基于模型输入量的个数，确定所建立的BP神经网络输入层节点个数n；输出层节点数为1；隐层节点数设定为I(其中a为1～10之间常数，具体取值通过多次训练与测试实验获得)。
模型训练与搭建：将整理好的历史数据，分成两部分，其中90％作为训练数据，10％作为测试数据。训练数据中的每一个训练样本，包括该线路某一天的运行状况，具体包括线路自身状况、实际供电状况、外部环境以及运维状况，以上数据作为模型训练所需要的输入数据。当日该线路的故障发生概率则作为网络训练所需要的输出数据，为便于模型训练，根据历史记录，若当日该线路发生了故障，则故障发生概率取0.90至0.99之间的一个随机数；若当日该线路未发生故障，则故障发生概率取0.01～0.10之间的一个随机数。
基于BP神经网络理论，通过不断地模型训练与测试，最终完成BP神经网络模型搭建，建立了线路状况、实际供电状况、外部环境、运维状况等与故障发生概率的关联模型，即该线路故障风险日预测模型。
基于负荷预测、天气预测、运维计划以及线路运行环境等状况，根据上述模型，在配电网运行过程中，进行该线路在未来某一天的故障发生概率的预测。
如图图2所示，依据如下步骤对线路在未来某一天的故障发生概率进行预测：
(1)收集该线路所在地区在该天的外部环境预测信息、该线路在该天的负荷预测数据、该线路在该天所属的一段时间内的运维计划以及线路最近一段时间的自身状况。
其中，该线路所在地区的外部环境预测信息包括当日温度预测、风力预测、极端天气预测、降雨量预测、降雪量预测；该线路在该天所属的一段时间内的运维计划，具体包括该线路计划维护频率以及计划运检工时数；线路自身状况包括该线路最近一段时间内的平均线损率、平均容载比、过负荷运行时长以及故障发生频率。
(2)将上述数值输入预先建立的该线路故障风险日预测模型，生成该线路在该天的故障发生概率预测值。
(3)结束。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解：本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换，但这些变更、修改或者等同替换，均在申请待批的权利要求保护范围之内。
Claims (6)
1.一种配电网线路故障风险日预测方法，其特征在于，包括：
获取被测线路所在地区在预测日的外部环境信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路在预测日的自身状况信息；
将获取的外部环境信息、负荷预测数据、运维计划以及自身状况信息输入预先构建的线路故障风险日预测模型，生成被测线路在预测日的故障发生概率预测值；
所述线路故障风险日预测模型的构建包括：
获取配电网各线路的历史运行数据；
根据机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型；
所述线路的历史运行数据包括：线路的自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况；
用机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型，包括：
建立BP神经网络，确定BP神经网络输入层节点个数n,输出层节点数为1；隐层节点数设定为I，I＝n+2+a，其中a为1～10之间常数；
根据预设的第一数值选取历史运行数据作为训练数据；
将所述训练数据作为BP神经网络的输入数据，将当日线路的故障发生概率作为BP神经网络的输出数据，进行训练；
所述当日线路的故障发生概率包括：
若线路发生了故障，则故障发生概率取第二数值和第三数值之间的一个随机数，若该线路未发生故障，则故障发生概率取第四数值和第五数值之间的一个随机数；
所述训练数据中的每一个训练样本包括一天的线路自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
2.如权利要求1所述的配电网线路故障风险日预测方法，其特征在于，根据预设的定值选取历史运行数据作为训练数据，包括：
所述第一数值为0.9，选取历史运行数据的90％作为训练数据。
3.如权利要求1所述的配电网线路故障风险日预测方法，其特征在于，所述第二数值为0.90，所述第三数值为0.99，所述第四数值为0.01，所述第五数值为0.10。
4.如权利要求1所述的配电网线路故障风险日预测方法，其特征在于，
所述被测线路所在地区在预测日的外部环境预测信息包括下述中的至少一种：
预测日的温度预测；
风力预测；
极端天气预测；
降雨量预测；
降雪量预测；
所述被测线路在预测日的运维计划包括下述中的至少一种：
被测线路计划维护频率；
计划运检工时数；
被测线路的自身状况包括下述中的至少一种：
被测线路的平均线损率；
平均容载比；
过负荷运行时长；
故障发生频率。
5.如权利要求1所述的配电网线路故障风险日预测方法，其特征在于，所述线路的自身状况信息包括下述中的至少一种：
线路的平均线损率；
平均容载比；
过负荷运行时长；
故障发生频率；
所述线路所在地区的外部环境信息包括下述中的至少一种：
平均温度；
日最高温度；
日最低温度；
风力；
极端天气；
降雨量；
降雪量；
所述线路运维状况包括：线路维护频率和/或运检工时数。
6.一种配电网线路故障风险日预测系统，其特征在于，包括：
采集模块，用于获取被测线路所在地区在预测日的外部环境预测信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路的自身状况信息；
预测模块，用于将采集模块获取的被测线路所在地区在预测日的外部环境预测信息、被测线路在预测日的负荷预测数据、被测线路在预测日的运维计划以及被测线路的自身状况信息输入预先构建的线路故障风险日预测模型，生成被测线路在预测日的故障发生概率预测值；
所述预测模块包括预测模型子模块；
所述预测模型子模块包括：
采集单元，用于获取配电网各线路的历史运行数据；
训练单元，用于根据机器学习算法对所述历史运行数据进行训练得到线路故障风险日预测模型；所述线路的历史运行数据包括：
线路的自身状况信息、线路实际负荷水平、线路所在地区的外部环境信息以及线路运维状况。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810190791.7A CN108375715B (zh) | 2018-03-08 | 2018-03-08 | 一种配电网线路故障风险日预测方法及系统 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201810190791.7A CN108375715B (zh) | 2018-03-08 | 2018-03-08 | 一种配电网线路故障风险日预测方法及系统 |
Publications (2)
| Publication Number | Publication Date |
|---|---|
| CN108375715A CN108375715A (zh) | 2018-08-07 |
| CN108375715B true CN108375715B (zh) | 2023-11-03 |
Family
ID=63018648
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201810190791.7A Active CN108375715B (zh) | 2018-03-08 | 2018-03-08 | 一种配电网线路故障风险日预测方法及系统 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN108375715B (zh) |
Families Citing this family (25)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN109063924A (zh) * | 2018-08-22 | 2018-12-21 | 国网湖南省电力有限公司 | 基于气象数据的配电网抢修工单数量预测方法 |
| CN109188197B (zh) * | 2018-08-28 | 2022-10-11 | 国网湖北省电力有限公司襄阳供电公司 | 一种用于高压电缆健康指数的评估系统及方法 |
| TWI676901B (zh) * | 2018-10-26 | 2019-11-11 | 中原大學 | 移動電力電纜剩餘壽命在線估計方法 |
| CN109657835A (zh) * | 2018-10-31 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网区域故障次数预测方法及系统 |
| CN109492783B (zh) * | 2018-11-14 | 2023-09-15 | 中国电力科学研究院有限公司 | 一种基于gbdt的电力计量设备故障风险预测方法 |
| CN109558979A (zh) * | 2018-11-29 | 2019-04-02 | 广东电网有限责任公司 | 电力设备缺陷预测方法及装置 |
| CN109635962A (zh) * | 2018-12-17 | 2019-04-16 | 广州甘来信息科技有限公司 | 基于自贩机的检修时间预测方法、装置、设备及存储介质 |
| CN109490715A (zh) * | 2018-12-25 | 2019-03-19 | 浙江中新电力工程建设有限公司自动化分公司 | 一种极端环境下的电力系统故障判别方法 |
| CN109655712A (zh) * | 2019-01-14 | 2019-04-19 | 中国电力科学研究院有限公司 | 一种配电网线路故障原因分析方法与系统 |
| CN110378491A (zh) * | 2019-01-29 | 2019-10-25 | 国网江西省电力有限公司莲花县供电分公司 | 一种配电网运行维护方法及系统 |
| CN110298535B (zh) * | 2019-05-14 | 2022-03-15 | 国网浙江省电力有限公司嘉兴供电公司 | 一种电网主动运维预警信息生成方法 |
| CN110232532B (zh) * | 2019-06-28 | 2023-07-18 | 国网湖南省电力有限公司 | 一种基于逻辑回归的电网检修指数的计算方法及系统 |
| CN110320445B (zh) * | 2019-07-05 | 2021-05-28 | 广东电网有限责任公司 | 一种用于110kV及以上母线的线损异常判别方法 |
| CN110174577B (zh) * | 2019-07-05 | 2021-05-28 | 广东电网有限责任公司 | 一种用于10kV及以上母线的线损异常判别方法 |
| CN110244188A (zh) * | 2019-07-10 | 2019-09-17 | 南方电网科学研究院有限责任公司 | 一种电网故障诊断方法、装置及配电开关监控终端 |
| CN111026624B (zh) * | 2019-11-11 | 2023-06-02 | 国网甘肃省电力公司信息通信公司 | 电网信息系统的故障预测方法、装置 |
| CN111310785A (zh) * | 2020-01-15 | 2020-06-19 | 杭州华网信息技术有限公司 | 一种国家电网机械外破预测方法 |
| CN112016835A (zh) * | 2020-08-31 | 2020-12-01 | 广东电网有限责任公司广州供电局 | 配电网电缆线路监测方法、计算机设备和存储介质 |
| CN113033989B (zh) * | 2021-03-19 | 2022-09-20 | 国网河北省电力有限公司邢台供电分公司 | 一种输电线路的故障风险评估方法、装置及终端设备 |
| EP4152016A1 (en) * | 2021-09-15 | 2023-03-22 | Abb Schweiz Ag | Evolving faults in a power grid |
| CN114414938B (zh) * | 2021-12-22 | 2023-06-16 | 哈尔滨光宇电气自动化有限公司 | 一种配电网故障的动态响应方法及系统 |
| CN115061009B (zh) * | 2022-06-01 | 2024-05-31 | 国网浙江省电力有限公司嘉兴供电公司 | 一种输电线故障分析预警方法 |
| CN115775047A (zh) * | 2022-12-06 | 2023-03-10 | 中嘉能(广东)能源有限公司 | 一种区域电力供需分析预测方法、系统及存储介质 |
| CN116187583B (zh) * | 2023-04-17 | 2023-11-03 | 国网黑龙江省电力有限公司齐齐哈尔供电公司 | 配电网大数据故障预测方法 |
| CN116339267B (zh) * | 2023-05-25 | 2023-08-08 | 深圳市星火数控技术有限公司 | 基于物联网的自动化生产线控制系统 |
Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
| CN105787270A (zh) * | 2016-02-25 | 2016-07-20 | 国网山东省电力公司电力科学研究院 | 一种输电线路多时间尺度负载能力动态预测方法 |
| CN106017551A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种智能化输电线路综合监测分析预警方法 |
| CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
Family Cites Families (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| KR20160017681A (ko) * | 2014-07-31 | 2016-02-17 | 두산중공업 주식회사 | 풍력플랜트 관리 시스템 및 그 방법 |
-
2018
- 2018-03-08 CN CN201810190791.7A patent/CN108375715B/zh active Active
Patent Citations (4)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN102722759A (zh) * | 2012-05-17 | 2012-10-10 | 河海大学 | 基于bp神经网络的电网供电可靠性预测方法 |
| CN105787270A (zh) * | 2016-02-25 | 2016-07-20 | 国网山东省电力公司电力科学研究院 | 一种输电线路多时间尺度负载能力动态预测方法 |
| CN106017551A (zh) * | 2016-05-16 | 2016-10-12 | 国网河南省电力公司电力科学研究院 | 一种智能化输电线路综合监测分析预警方法 |
| CN107516170A (zh) * | 2017-08-30 | 2017-12-26 | 东北大学 | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 |
Non-Patent Citations (1)
| Title |
|---|
| 基于最优FIR滤波器与层次聚类的配电网单相接地故障选线方法;李雅洁 等;《电网技术》;20150105;第39卷(第1期);全文 * |
Also Published As
| Publication number | Publication date |
|---|---|
| CN108375715A (zh) | 2018-08-07 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN108375715B (zh) | 一种配电网线路故障风险日预测方法及系统 | |
| CN104700321B (zh) | 一种输变电设备状态运行趋势分析方法 | |
| CN104794206B (zh) | 一种变电站数据质量评价系统及方法 | |
| CN110829417B (zh) | 基于lstm双结构模型的电力系统暂态稳定预测方法 | |
| CN111639783A (zh) | 一种基于lstm神经网络的线损预测方法及系统 | |
| CN107256449B (zh) | 一种智能变电站继电保护装置状态评价与评估方法 | |
| CN104574002B (zh) | 基于大数据分析的资产管理信息处理方法及装置 | |
| CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
| CN106772205A (zh) | 一种电力计量自动化系统终端设备异常监测方法及装置 | |
| CN117394337A (zh) | 一种电网负荷预警方法及其系统 | |
| CN106058865A (zh) | 一种电网节点电压暂降的风险评估方法 | |
| CN109102132A (zh) | 一种基于概率论的微电网脆弱性评估方法及装置 | |
| CN116644358A (zh) | 基于贝叶斯卷积神经网络的电力系统暂态稳定评估方法 | |
| CN105488335A (zh) | 一种基于李雅普诺夫指数的电力系统负荷预测方法及装置 | |
| CN117674119A (zh) | 电网运行风险评估方法、装置、计算机设备和存储介质 | |
| CN118585755B (zh) | 基于人工智能的充电桩安全性监测与故障诊断方法及系统 | |
| CN118569474A (zh) | 基于自动化故障树建模的铁路变电系统可靠性评估方法 | |
| CN117034149A (zh) | 故障处理策略确定方法、装置、电子设备和存储介质 | |
| 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 | |
| CN112668249B (zh) | 电网一次设备大修技改方案在线构建方法及系统 | |
| CN115577854A (zh) | 一种基于eemd-rbf组合的分位数回归风速区间预测方法 | |
| CN115936663A (zh) | 一种电力系统的维护方法及装置 | |
| CN110795680A (zh) | 一种基于多目标规划的直流保护系统状态综合评价方法 | |
| Karimishad et al. | Probabilistic transient stability assessment using two-point estimate method | |
| Kumar et al. | Gas turbine engine operational data analysis for anomaly detection: Statistical vs. neural network approach |
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 | ||
| GR01 | Patent grant |