CN116882587A - 一种基于雷电灾害情况下电力电网系统故障预测分析方法 - Google Patents
一种基于雷电灾害情况下电力电网系统故障预测分析方法 Download PDFInfo
- Publication number
- CN116882587A CN116882587A CN202310962411.8A CN202310962411A CN116882587A CN 116882587 A CN116882587 A CN 116882587A CN 202310962411 A CN202310962411 A CN 202310962411A CN 116882587 A CN116882587 A CN 116882587A
- Authority
- CN
- China
- Prior art keywords
- base station
- maintenance
- maintenance base
- lightning
- appointed
- 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
- 238000004458 analytical method Methods 0.000 title claims abstract description 47
- 238000012423 maintenance Methods 0.000 claims description 292
- 238000000034 method Methods 0.000 claims description 30
- 238000012876 topography Methods 0.000 claims description 27
- 238000012937 correction Methods 0.000 claims description 21
- 238000009826 distribution Methods 0.000 claims description 18
- 238000012544 monitoring process Methods 0.000 claims description 18
- 230000008569 process Effects 0.000 claims description 16
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 claims description 16
- 238000010586 diagram Methods 0.000 claims description 15
- 238000012216 screening Methods 0.000 claims description 9
- 238000004364 calculation method Methods 0.000 claims description 6
- 230000015572 biosynthetic process Effects 0.000 claims description 4
- 238000012545 processing Methods 0.000 claims description 4
- 241000208340 Araliaceae Species 0.000 claims description 3
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 claims description 3
- 235000003140 Panax quinquefolius Nutrition 0.000 claims description 3
- 235000008434 ginseng Nutrition 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims description 3
- 238000002360 preparation method Methods 0.000 claims description 3
- 238000012854 evaluation process Methods 0.000 claims 1
- 238000011002 quantification Methods 0.000 claims 1
- 238000013461 design Methods 0.000 description 9
- 230000007547 defect Effects 0.000 description 3
- 230000009897 systematic effect Effects 0.000 description 3
- 238000007405 data analysis Methods 0.000 description 2
- 230000004069 differentiation Effects 0.000 description 2
- 230000005686 electrostatic field Effects 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 238000000605 extraction Methods 0.000 description 2
- 230000036541 health Effects 0.000 description 2
- 238000010248 power generation Methods 0.000 description 2
- 230000009466 transformation Effects 0.000 description 2
- 238000007792 addition Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000005540 biological transmission Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000006243 chemical reaction Methods 0.000 description 1
- 230000002950 deficient Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008676 import Effects 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000013139 quantization Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
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
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- 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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及电力电网系统故障预测技术领域，具体公开一种基于雷电灾害情况下电力电网系统故障预测分析方法，该方法的步骤包括电力电网系统运维基站统计、指定运维基站信息提取、指定运维基站信息整合、目标运维基站筛分、雷电气象数据监测解析和风险运维基站故障预测锁定提示，本发明考虑到电力电网系统中每个运维基站在雷电气象条件下的承受状态的差异化，对此维度进行科学的数据针对分析，使得大幅提高了实际雷电气象环境下对于运维基站的故障预测评判的数据分析全面性和精准性，不仅能够有力保障电力电网系统的全局稳定经营，且提高了对于电力电网系统进行故障预测的及时性和有效性。
Description
技术领域
本发明涉及电力电网系统故障预测技术领域，具体而言，涉及一种基于雷电灾害情况下电力电网系统故障预测分析方法。
背景技术
电力电网系统是现代社会不可或缺的基础设施，电力电网的运行与社会经济的稳定经营以及社会的正常生活等方面密切关联，伴随着电力电网系统规模的不断扩大，导致在实质的电力运行过程中，存在着故障检测难度大以及复杂性高等问题，尤其是在雷电的恶劣气象环境条件下，停电事件屡见不鲜，致使给电力用户带来了一系列的负面影响，由此可见，在雷电灾害情况下针对电力电网系统进行科学有效的故障预测分析是一项不可回避的问题焦点。
现有针对电力电网系统在雷电灾害情况下进行故障预测分析这一层次上，分析的水准以及关注度相对还是存在不足，具体的局限性包括：1、当前，在多数雷电气象情况下，更多的还是仅侧重于针对雷电气象发生状态下的电力电网系统进行安全监测分析，较为欠缺在雷电气象发生前期针对电力电网系统进行基本情况的判定分析，电力电网系统多由各个不同运维性质的运维基站组建而成，而每个运维基站受运行年限以及所处地理位置特性的不同，对于在雷电气象条件下的承受状态也有所差异，当前忽视对于电力电网系统中的各个运维基站进行科学的针对分析，则会导致在实际雷电气象环境下对于故障预测评判的数据不够全面精准，无法为各个运维基站的故障预测判定提供更加具有可靠度和说服力的数据基础，不仅无法保障电力电网系统的全局稳定经营，且在一定程度上间接增加了电力运维基站的潜在运行风险。
2、如今，针对电力电网系统在雷电气象条件下的故障预测，对于雷电气象本身的分析水平相对不高，雷电作为影响电力电网系统稳定经营的重要干扰因素，其自身的相关参数密切关联着电力电网的正常运行状态，对这一维度的分析匮乏，会导致无法精确的预测电力电网系统存在的潜在运行故障，不仅折损了对于电力电网系统进行故障预测的及时性和有效性，且无法为电力电网系统的隐性运维故障的管控处理提供系统性和具有价值性的数据支持。
发明内容
为了克服背景技术中的缺点，本发明实施例提供了一种基于雷电灾害情况下电力电网系统故障预测分析方法，能够有效解决上述背景技术中涉及的问题。
本发明的目的可以通过以下技术方案来实现：一种基于雷电灾害情况下电力电网系统故障预测分析方法，包括：步骤1、电力电网系统运维基站统计：统计指定电力电网系统的各运维基站，并统一标定为各指定运维基站。
步骤2、指定运维基站信息提取：提取各指定运维基站的架构信息、地理信息以及维护数据。
步骤3、指定运维基站信息整合：整合分析各指定运维基站的架构信息、地理信息以及维护数据对应的属性定义值，依次记为 和/>
步骤4、目标运维基站筛分：综合分析各指定运维基站所属故障判别优先度，由此筛分统计各目标运维基站。
步骤5、雷电气象数据监测解析：对各目标运维基站的隶属区域的雷电气象数据进行监测，由此解析得到各目标运维基站所属雷电气象预估危害幅度量化标定值。
步骤6、风险运维基站故障预测锁定提示：依据各目标运维基站所属雷电气象预估危害幅度量化标定值，由此抽取各风险运维基站的编号进行故障预测锁定提示。
作为一种优选设计方案，所述各指定运维基站的架构信息、地理信息以及维护数据，其中架构信息包括定义性质、架设运行年限Ti、接地电阻值Ri、接地电极型号、额定电压等级标定值以及各过往运行日所属各特定监测时间点的运作电流容量Iid→j，其中i为各指定运维基站的编号，i＝1,2,...,k，d为各过往运行日的编号，d＝1,2,...,f，j为各特定监测时间点的编号，j＝1,2,...,n。
地理信息为隶属区域地形分布示意图。
维护数据包括：维护总次数、平均维护时长和各次维护的实质标定趋向。
作为一种优选设计方案，所述分析各指定运维基站的架构信息对应的属性定义值，具体分析过程包括：A1：根据各指定运维基站的定义性质，进而从MongoDB库中提取各指定运维基站所属额定应用年限以及单位架设运行年限的衰退因子χi，并导入公式/>分析得到各指定运维基站的基准运行损耗度ηi，其中δ1为设定的运维基站所属基准运行损耗修正因子，e为自然常数。
A2：根据各指定运维基站的接地电极型号，从MongoDB库中提取各指定运维基站的接地电极型号对应关联衔接地电阻所属参照额定运行年限ti以及单位架设运行年限的参照偏离电阻值Ri″，进而构建各指定运维基站的接地系统所属运行影响因子φi，其具体数值构建模型为，其中δ4为设定的运维基站的接地系统所属运行影响补偿比例系数，Ri0为设定的第i个指定运维基站的参照接地电阻值，/>为预定义的单位偏离电阻值对应的运行影响评定因子，δ2和δ3分别为设定的运维基站的接地电阻运行年限占比以及偏离电阻值对应的权重占比。
A3：通过数值分析得到各指定运维基站的电力经营起伏度，记为μi。
作为一种优选设计方案，所述各指定运维基站的架构信息对应的属性定义值的具体数值表达式为：/>其中/>为设定的架构信息对应的修正系数，/>和/>分别为预定义的运维基站的基准运行损耗度、接地系统所属运行影响因子以及电力经营起伏度对应的属性定义权重比例系数。
作为一种优选设计方案，所述各指定运维基站的电力经营起伏度μi，具体分析计算过程为：根据各指定运维基站的额定电压等级标定值，进而从MongoDB库中提取各指定运维基站的运作许可偏差电流容量ΔIi以及参照平稳运作电流容量Ii″。
根据表达式分析得到各指定运维基站的电力经营起伏度μi，其中κ1为设定的电力经营起伏修正因子，f和n分别为过往运行日的数量和特定监测时间点的数目，Δθ0为预定义的电力经营起伏评定阈值。
作为一种优选设计方案，所述各指定运维基站的地理信息对应的属性定义值，具体分析计算过程包括：提取各指定运维基站的隶属区域地形分布示意图，进而从中提取水体区域面积Si 水以及各类型地形的地表覆盖面积Si 地→m，m为各类型地形的编号，m＝1,2,...,v。
将预设的水体区域单位面积以及各类型地形的单位地表覆盖面积对应的影响因子依次记为γ1和γm2，由此构建各指定运维基站所属雷电影响的地形干扰因子 其中a1和a2分别为设定的水体区域以及覆盖地形对应的占比权重。
以设定等高距构建取各指定运维基站的隶属区域的等高线分布示意图，进而从中定位至各制高点的高程值Hip以及与地势最低点之间的间距Lip，p为各制高点的编号，p＝1,2,...,u。
根据预定义的制高点对应单位高程值所属雷电制约因子γ3，由此综合分析各指定运维基站的地理信息对应的属性定义值其中ΔL0为设定的制高点与地势最低点之间的参照间距，u为制高点的数目，λ1和λ2分别为设定的制高点的高程值以及与地势最低点之间的间距对应的补偿因子。
作为一种优选设计方案，所述各指定运维基站的维护数据对应的属性定义值，具体分析评定过程为：根据各指定运维基站的维护总次数、平均维护时长Ti(维护)和各次维护的实质标定趋向，进而将相同类别的实质标定趋向所属各次维护进行整合，由此统计各指定运维基站的各类别实质标定趋向的维护次数CSiq，q为各类别实质标定趋向的编号，q＝1,2,...,x。
将预定义的平均维护单位时长以及各类别实质标定趋向的单次维护对应的属性定义影响因子依次记为θ1和θq2，进而计算各指定运维基站的维护数据对应的属性定义值 其中τ1和τ2分别为设定的平均维护时长和维护次数对应的补偿比例值。
作为一种优选设计方案，所述各指定运维基站所属故障判别优先度ζi的表达式为：其中Δζ0为预定义的故障判别优先度参照槛值，Φ1、Φ2和Φ3分别为设定的架构信息、地理信息以及维护数据对应的判别优先因子。
作为一种优选设计方案，所述对各目标运维基站的隶属区域的雷电气象数据进行监测，具体过程为：识别统计各目标运维基站的隶属区域的雷电气象数据，其中雷电气象数据包括闪电频率Pc、各次形成的闪电对应的强度Voltcr、电流IAcr以及经度Ncr和纬度Ecr，c为各目标运维基站的编号，c＝1,2,...,l，r为各次形成的闪电的编号，r＝1,2,...,z。
从MongoDB库中提取运维基站隶属区域的参照许可闪电频率ΔP、闪电参照强度ΔVolt和闪电参照电流ΔIA，进而依据数据计算模型
处理得到各目标运维基站所属雷电干扰因子ωc，为设定的雷电干扰修正系数，和/>分别为设定的闪电频率、闪电强度和闪电电流对应的干扰权重比例系数，z为闪电形成总次数。
从MongoDB库中提取各目标运维基站所属中心位置点的经度Nc″和纬度Ec″，进而构建各目标运维基站所属雷电位置趋向指数σc，
其中N0和E0分别为设定的修正补偿经度和修正补偿纬度，υ1和υ2分别为设定的经度和纬度对应的趋向权值。
作为一种优选设计方案，所述解析得到各目标运维基站所属雷电气象预估危害幅度量化标定值，具体解析过程包括：综合计算各目标运维基站所属雷电风险影响值ξc，ξc＝lg(1+ωc*D1+σc*D2)，其中D1和D2分别为设定的雷电干扰因子和雷电位置趋向指数对应的风险影响权重占比系数。
提取各目标运维基站所属故障判别优先度，进而比对提取各目标运维基站所属参照可承受雷电风险影响值ξc参，进而导入公式计算得到各目标运维基站所属雷电气象预估危害幅度量化标定值ψc，其中D3为设定的雷电气象预估危害幅度量化修正系数。
相对于现有技术，本发明的实施例至少具有如下优点或有益效果：
1、本发明通过在雷电气象发生前期，依次分析各指定运维基站的架构信息、地理信息以及维护数据，并且综合评估各指定运维基站所属故障判别优先度，有力弥补了现有技术仅侧重于针对雷电气象发生状态下的电力电网系统进行安全监测分析所存在的不足，通过在雷电气象发生前期针对电力电网系统进行基本情况的判定分析，进而能够为后续各个运维基站的故障预测判定提供更加具有可靠度和说服力的数据基础。
2、本发明通过统计电力电网系统的各个运维基站，并且针对每个运维基站的运行年限以及所处地理位置特性等相关具体参数进行数值分析，考虑到每个运维基站在雷电气象条件下的承受状态的差异化，对此维度进行科学的数据针对分析，使得大幅提高了实际雷电气象环境下对于运维基站的故障预测评判的数据分析全面性和精准性，不仅能够有力保障电力电网系统的全局稳定经营，且在较大程度上减少了电力运维基站的潜在运行风险。
3、本发明通过筛分各目标运维基站，并且对各目标运维基站的隶属区域的雷电气象数据进行监测，有效实现了对于雷电气象本身情况的分析，考虑到雷电作为影响电力电网系统稳定经营的重要干扰因素，通过对雷电的频率、强度和电流等相关参数进行分析处理，由此可以精确的预测电力电网系统存在的潜在运行故障，不仅大幅提高了对于电力电网系统进行故障预测的及时性和有效性，且能够为电力电网系统的隐性运维故障的管控处理提供系统性和具有价值性的数据支持。
4、本发明通过评估各指定运维基站的维护数据对应的属性定义值，以各指定运维基站的维护数据为基础，考虑到维护数据能够合理反映出一个运维基站的健康状态，由此能够评定运维基站在雷电环境下的可承受程度，进而为后续的风险运维基站故障预测锁定提供了可靠保障。
附图说明
利用附图对本发明作进一步说明，但附图中的实施例不构成对本发明的任何限制，对于本领域的普通技术人员，在不付出创造性劳动的前提下，还可以根据以下附图获得其它的附图。
图1为本发明的方法步骤流程示意图。
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。
参照图1所示，本发明提供一种基于雷电灾害情况下电力电网系统故障预测分析方法，包括：步骤1、电力电网系统运维基站统计：统计指定电力电网系统的各运维基站，并统一标定为各指定运维基站。
需要理解的是，上述指定电力电网系统的各运维基站，具体指的是一个完整的电力电网系统从电力的生产环节、输送环节到实际负荷环节所历经的主体电力运维基站，包括但不限于发电基站、变电基站、换流基站和配电基站等。
步骤2、指定运维基站信息提取：提取各指定运维基站的架构信息、地理信息以及维护数据。
具体地，所述各指定运维基站的架构信息、地理信息以及维护数据，其中架构信息包括定义性质、架设运行年限Ti、接地电阻值Ri、接地电极型号、额定电压等级标定值以及各过往运行日所属各特定监测时间点的运作电流容量Iid→j，其中i为各指定运维基站的编号，i＝1,2,...,k，d为各过往运行日的编号，d＝1,2,...,f，j为各特定监测时间点的编号，j＝1,2,...,n。
需要解释的是，上述定义性质具体是以指定运维基站的电力运维功能为标定依据的，包括但不仅限于发电、变电、换流和配电等。
地理信息为隶属区域地形分布示意图。
维护数据包括：维护总次数、平均维护时长和各次维护的实质标定趋向。
需要理解的是，上述各次维护的实质标定趋向具体是以各次的维护性质为标定基准的，包括但不仅限于常规预防性维护、实质故障维护以及升级改进性维护等。
在一个具体的实施例中，本发明通过统计电力电网系统的各个运维基站，并且针对每个运维基站的运行年限以及所处地理位置特性等相关具体参数进行数值分析，考虑到每个运维基站在雷电气象条件下的承受状态的差异化，对此维度进行科学的数据针对分析，使得大幅提高了实际雷电气象环境下对于运维基站的故障预测评判的数据分析全面性和精准性，不仅能够有力保障电力电网系统的全局稳定经营，且在较大程度上减少了电力运维基站的潜在运行风险。
步骤3、指定运维基站信息整合：整合分析各指定运维基站的架构信息、地理信息以及维护数据对应的属性定义值，依次记为 和/>
具体地，所述分析各指定运维基站的架构信息对应的属性定义值，具体分析过程包括：A1：根据各指定运维基站的定义性质，进而从MongoDB库中提取各指定运维基站所属额定应用年限max(Ti″)以及单位架设运行年限的衰退因子χi，并导入公式分析得到各指定运维基站的基准运行损耗度ηi，其中δ1为设定的运维基站所属基准运行损耗修正因子，e为自然常数。
A2：根据各指定运维基站的接地电极型号，从MongoDB库中提取各指定运维基站的接地电极型号对应关联衔接地电阻所属参照额定运行年限ti以及单位架设运行年限的参照偏离电阻值Ri″，进而构建各指定运维基站的接地系统所属运行影响因子φi，其具体数值构建模型为，其中δ4为设定的运维基站的接地系统所属运行影响补偿比例系数，Ri0为设定的第i个指定运维基站的参照接地电阻值，/>为预定义的单位偏离电阻值对应的运行影响评定因子，δ2和δ3分别为设定的运维基站的接地电阻运行年限占比以及偏离电阻值对应的权重占比。
A3：通过数值分析得到各指定运维基站的电力经营起伏度，记为μi。
进一步地，所述各指定运维基站的架构信息对应的属性定义值的具体数值表达式为：/>其中/>为设定的架构信息对应的修正系数，/>和/>分别为预定义的运维基站的基准运行损耗度、接地系统所属运行影响因子以及电力经营起伏度对应的属性定义权重比例系数。
更加进一步地，所述各指定运维基站的电力经营起伏度μi，具体分析计算过程为：根据各指定运维基站的额定电压等级标定值，进而从MongoDB库中提取各指定运维基站的运作许可偏差电流容量ΔIi以及参照平稳运作电流容量Ii″。
根据表达式分析得到各指定运维基站的电力经营起伏度μi，其中κ1为设定的电力经营起伏修正因子，f和n分别为过往运行日的数量和特定监测时间点的数目，Δθ0为预定义的电力经营起伏评定阈值。
具体地，所述各指定运维基站的地理信息对应的属性定义值，具体分析计算过程包括：提取各指定运维基站的隶属区域地形分布示意图，进而从中提取水体区域面积Si 水以及各类型地形的地表覆盖面积Si 地→m，m为各类型地形的编号，m＝1,2,...,v。
需要补充的是，上述各类型地形包括但不仅限于山脉、平原、丘陵等。
作为进一步的解释，本发明通过提取各指定运维基站的隶属区域的水体区域面积以及各类型地形的地表覆盖面积进行分析，目的在于，考虑到水体有较好的导电性，能够成为雷电的导电路径，若区域水体的表面积较大，当云中的电荷与地面上的电荷形成电位差时，水面上的导电路径会更容易吸引闪电放电，从而增加雷电击中的概率，与此同时，不同类型的地形也会对雷电产生关联影响，地形的高度和形状可以影响雷电的传播路径和导电通道的形成，不同地形之间的凸起和凹陷，都可能导致空气流动的剧烈变化，因此在雷电气象环境下更加存在安全风险。
将预设的水体区域单位面积以及各类型地形的单位地表覆盖面积对应的影响因子依次记为γ1和γm2，由此构建各指定运维基站所属雷电影响的地形干扰因子 其中a1和a2分别为设定的水体区域以及覆盖地形对应的占比权重。
以设定等高距构建取各指定运维基站的隶属区域的等高线分布示意图，进而从中定位至各制高点的高程值Hip以及与地势最低点之间的间距Lip，p为各制高点的编号，p＝1,2,...,u。
作为进一步的说明，本发明通过提取各指定运维基站的隶属区域的各制高点的高程值以及与地势最低点之间的间距，目的在于，考虑到高程值能够反映出地势的高低程度，而制高点与地势最低点之间的间距则能够反映出地势的陡峭程度，地势高低程度和陡峭程度能够极大影响地面的静电场分布，在山地或陡峭地势的地区，地面上可能会存在更强的静电场，进而会提高吸引闪电击中的概率，从而增加雷电的风险，因此，需要对各指定运维基站的隶属区域的各制高点的高程值以及与地势最低点之间的间距进行针对分析。
根据预定义的制高点对应单位高程值所属雷电制约因子γ3，由此综合分析各指定运维基站的地理信息对应的属性定义值其中ΔL0为设定的制高点与地势最低点之间的参照间距，u为制高点的数目，λ1和λ2分别为设定的制高点的高程值以及与地势最低点之间的间距对应的补偿因子。
具体地，所述各指定运维基站的维护数据对应的属性定义值，具体分析评定过程为：根据各指定运维基站的维护总次数、平均维护时长Ti(维护)和各次维护的实质标定趋向，进而将相同类别的实质标定趋向所属各次维护进行整合，由此统计各指定运维基站的各类别实质标定趋向的维护次数CSiq，q为各类别实质标定趋向的编号，q＝1,2,...,x。
将预定义的平均维护单位时长以及各类别实质标定趋向的单次维护对应的属性定义影响因子依次记为θ1和θq2，进而计算各指定运维基站的维护数据对应的属性定义值 其中τ1和τ2分别为设定的平均维护时长和维护次数对应的补偿比例值。
在一个具体的实施例中，本发明通过评估各指定运维基站的维护数据对应的属性定义值，以各指定运维基站的维护数据为基础，考虑到维护数据能够合理反映出一个运维基站的健康状态，由此能够评定运维基站在雷电环境下的可承受程度，进而为后续的风险运维基站故障预测锁定提供了可靠保障。
步骤4、目标运维基站筛分：综合分析各指定运维基站所属故障判别优先度，由此筛分统计各目标运维基站。
需要补充说明的是，上述筛分统计各目标运维基站，具体过程为：将各指定运维基站所属故障判别优先度与预先拟定的故障判别优先度槛值进行比对，若某指定运维基站所属故障判别优先度高于预先拟定的故障判别优先度槛值，则将该指定运维基站标记为目标运维基站，进而统计各目标运维基站。
具体地，所述各指定运维基站所属故障判别优先度ζi的表达式为：其中Δζ0为预定义的故障判别优先度参照槛值，Φ1、Φ2和Φ3分别为设定的架构信息、地理信息以及维护数据对应的判别优先因子。
在一个具体的实施例中，本发明通过在雷电气象发生前期，依次分析各指定运维基站的架构信息、地理信息以及维护数据，并且综合评估各指定运维基站所属故障判别优先度，有力弥补了现有技术仅侧重于针对雷电气象发生状态下的电力电网系统进行安全监测分析所存在的不足，通过在雷电气象发生前期针对电力电网系统进行基本情况的判定分析，进而能够为后续各个运维基站的故障预测判定提供更加具有可靠度和说服力的数据基础。
步骤5、雷电气象数据监测解析：对各目标运维基站的隶属区域的雷电气象数据进行监测，由此解析得到各目标运维基站所属雷电气象预估危害幅度量化标定值。
具体地，所述对各目标运维基站的隶属区域的雷电气象数据进行监测，具体过程为：识别统计各目标运维基站的隶属区域的雷电气象数据，其中雷电气象数据包括闪电频率Pc、各次形成的闪电对应的强度Voltcr、电流IAcr以及经度Ncr和纬度Ecr，c为各目标运维基站的编号，c＝1,2,...,l，r为各次形成的闪电的编号，r＝1,2,...,z。
从MongoDB库中提取运维基站隶属区域的参照许可闪电频率ΔP、闪电参照强度ΔVolt和闪电参照电流ΔIA，进而依据数据计算模型
处理得到各目标运维基站所属雷电干扰因子ωc，为设定的雷电干扰修正系数，和/>分别为设定的闪电频率、闪电强度和闪电电流对应的干扰权重比例系数，z为闪电形成总次数。
从MongoDB库中提取各目标运维基站所属中心位置点的经度Nc″和纬度Ec″，进而构建各目标运维基站所属雷电位置趋向指数σc，
其中N0和E0分别为设定的修正补偿经度和修正补偿纬度，υ1和υ2分别为设定的经度和纬度对应的趋向权值。
在一个具体的实施例中，本发明通过筛分各目标运维基站，并且对各目标运维基站的隶属区域的雷电气象数据进行监测，有效实现了对于雷电气象本身情况的分析，考虑到雷电作为影响电力电网系统稳定经营的重要干扰因素，通过对雷电的频率、强度和电流等相关参数进行分析处理，由此可以精确的预测电力电网系统存在的潜在运行故障，不仅大幅提高了对于电力电网系统进行故障预测的及时性和有效性，且能够为电力电网系统的隐性运维故障的管控处理提供系统性和具有价值性的数据支持。
具体地，所述解析得到各目标运维基站所属雷电气象预估危害幅度量化标定值，具体解析过程包括：综合计算各目标运维基站所属雷电风险影响值ξc，ξc＝lg(1+ωc*D1+σc*D2)，其中D1和D2分别为设定的雷电干扰因子和雷电位置趋向指数对应的风险影响权重占比系数。
提取各目标运维基站所属故障判别优先度，进而比对提取各目标运维基站所属参照可承受雷电风险影响值ξc参，进而导入公式计算得到各目标运维基站所属雷电气象预估危害幅度量化标定值ψc，其中D3为设定的雷电气象预估危害幅度量化修正系数。
需要说明的是，上述比对提取各目标运维基站所属参照可承受雷电风险影响值，具体提取过程为：依据各目标运维基站所属故障判别优先度，进而与设定的运维基站在各故障判别优先度范围所属参照可承受雷电风险影响值进行比对，由此提取各目标运维基站所属参照可承受雷电风险影响值。
步骤6、风险运维基站故障预测锁定提示：依据各目标运维基站所属雷电气象预估危害幅度量化标定值，由此抽取各风险运维基站的编号进行故障预测锁定提示。
需要补充说明的是，上述抽取各风险运维基站的编号进行故障预测锁定提示，具体过程为：依据各目标运维基站所属雷电气象预估危害幅度量化标定值，进而与预拟定的雷电气象预估危害幅度量化标定值区间进行比较，若某目标运维基站所属雷电气象预估危害幅度量化标定值位于预拟定的雷电气象预估危害幅度量化标定值区间内，则将该目标运维基站标记为风险运维基站，由此统计各风险运维基站的编号，并进行故障预测锁定提示。
以上内容仅仅是对本发明结构所作的举例和说明，所属本技术领域的技术人员对所描述的具体实施例做各种各样的修改或补充或采用类似的方式替代，只要不偏离发明的结构或者超越本发明所定义的范围，均应属于本发明的保护范围。
Claims (10)
1.一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于，包括：
步骤1、电力电网系统运维基站统计：统计指定电力电网系统的各运维基站，并统一标定为各指定运维基站；
步骤2、指定运维基站信息提取：提取各指定运维基站的架构信息、地理信息以及维护数据；
步骤3、指定运维基站信息整合：整合分析各指定运维基站的架构信息、地理信息以及维护数据对应的属性定义值，依次记为
步骤4、目标运维基站筛分：综合分析各指定运维基站所属故障判别优先度，由此筛分统计各目标运维基站；
步骤5、雷电气象数据监测解析：对各目标运维基站的隶属区域的雷电气象数据进行监测，由此解析得到各目标运维基站所属雷电气象预估危害幅度量化标定值；
步骤6、风险运维基站故障预测锁定提示：依据各目标运维基站所属雷电气象预估危害幅度量化标定值，由此抽取各风险运维基站的编号进行故障预测锁定提示。
2.根据权利要求1所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述各指定运维基站的架构信息、地理信息以及维护数据，其中架构信息包括定义性质、架设运行年限Ti、接地电阻值Ri、接地电极型号、额定电压等级标定值以及各过往运行日所属各特定监测时间点的运作电流容量Ii d→j，其中i为各指定运维基站的编号，i＝1,2,...,k，d为各过往运行日的编号，d＝1,2,...,f，j为各特定监测时间点的编号，j＝1,2,...,n；
地理信息为隶属区域地形分布示意图；
维护数据包括：维护总次数、平均维护时长和各次维护的实质标定趋向。
3.根据权利要求2所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述分析各指定运维基站的架构信息对应的属性定义值，具体分析过程包括：
A1：根据各指定运维基站的定义性质，进而从MongoDB库中提取各指定运维基站所属额定应用年限以及单位架设运行年限的衰退因子χi，并导入公式分析得到各指定运维基站的基准运行损耗度ηi，其中δ1为设定的运维基站所属基准运行损耗修正因子，e为自然常数；
A2：根据各指定运维基站的接地电极型号，从MongoDB库中提取各指定运维基站的接地电极型号对应关联衔接地电阻所属参照额定运行年限ti以及单位架设运行年限的参照偏离电阻值Ri″，进而构建各指定运维基站的接地系统所属运行影响因子φi，其具体数值构建模型为
其中δ4为设定的运维基站的接地系统所属运行影响补偿比例系数，Ri0为设定的第i个指定运维基站的参照接地电阻值，为预定义的单位偏离电阻值对应的运行影响评定因子，δ2和δ3分别为设定的运维基站的接地电阻运行年限占比以及偏离电阻值对应的权重占比；
A3：通过数值分析得到各指定运维基站的电力经营起伏度，记为μi。
4.根据权利要求3所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述各指定运维基站的架构信息对应的属性定义值的具体数值表达式为：/>其中/>为设定的架构信息对应的修正系数，/>和/>分别为预定义的运维基站的基准运行损耗度、接地系统所属运行影响因子以及电力经营起伏度对应的属性定义权重比例系数。
5.根据权利要求3所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述各指定运维基站的电力经营起伏度μi，具体分析计算过程为：
根据各指定运维基站的额定电压等级标定值，进而从MongoDB库中提取各指定运维基站的运作许可偏差电流容量ΔIi以及参照平稳运作电流容量Ii″；
根据表达式分析得到各指定运维基站的电力经营起伏度μi，其中κ1为设定的电力经营起伏修正因子，f和n分别为过往运行日的数量和特定监测时间点的数目，Δθ0为预定义的电力经营起伏评定阈值。
6.根据权利要求1所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述各指定运维基站的地理信息对应的属性定义值，具体分析计算过程包括：
提取各指定运维基站的隶属区域地形分布示意图，进而从中提取水体区域面积Si 水以及各类型地形的地表覆盖面积Si 地→m，m为各类型地形的编号，m＝1,2,...,v；
将预设的水体区域单位面积以及各类型地形的单位地表覆盖面积对应的影响因子依次记为γ1和γm2，由此构建各指定运维基站所属雷电影响的地形干扰因子 其中a1和a2分别为设定的水体区域以及覆盖地形对应的占比权重；
以设定等高距构建取各指定运维基站的隶属区域的等高线分布示意图，进而从中定位至各制高点的高程值Hip以及与地势最低点之间的间距Lip，p为各制高点的编号，p＝1,2,...,u；
根据预定义的制高点对应单位高程值所属雷电制约因子γ3，由此综合分析各指定运维基站的地理信息对应的属性定义值其中ΔL0为设定的制高点与地势最低点之间的参照间距，u为制高点的数目，λ1和λ2分别为设定的制高点的高程值以及与地势最低点之间的间距对应的补偿因子。
7.根据权利要求2所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述各指定运维基站的维护数据对应的属性定义值，具体分析评定过程为：
根据各指定运维基站的维护总次数、平均维护时长Ti(维护)和各次维护的实质标定趋向，进而将相同类别的实质标定趋向所属各次维护进行整合，由此统计各指定运维基站的各类别实质标定趋向的维护次数CSiq，q为各类别实质标定趋向的编号，q＝1,2,...,x；
将预定义的平均维护单位时长以及各类别实质标定趋向的单次维护对应的属性定义影响因子依次记为θ1和θq2，进而计算各指定运维基站的维护数据对应的属性定义值 其中τ1和τ2分别为设定的平均维护时长和维护次数对应的补偿比例值。
8.根据权利要求1所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述各指定运维基站所属故障判别优先度ζi的表达式为：其中Δζ0为预定义的故障判别优先度参照槛值，Φ1、Φ2和Φ3分别为设定的架构信息、地理信息以及维护数据对应的判别优先因子。
9.根据权利要求1所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述对各目标运维基站的隶属区域的雷电气象数据进行监测，具体过程为：
识别统计各目标运维基站的隶属区域的雷电气象数据，其中雷电气象数据包括闪电频率Pc、各次形成的闪电对应的强度Voltcr、电流IAcr以及经度Ncr和纬度Ecr，c为各目标运维基站的编号，c＝1,2,...,l，r为各次形成的闪电的编号，r＝1,2,...,z；
从MongoDB库中提取运维基站隶属区域的参照许可闪电频率ΔP、闪电参照强度ΔVolt和闪电参照电流ΔIA，进而依据数据计算模型处理得到各目标运维基站所属雷电干扰因子ωc，/>为设定的雷电干扰修正系数，/>和/>分别为设定的闪电频率、闪电强度和闪电电流对应的干扰权重比例系数，z为闪电形成总次数；
从MongoDB库中提取各目标运维基站所属中心位置点的经度Nc″和纬度Ec″，进而构建各目标运维基站所属雷电位置趋向指数σc，其中N0和E0分别为设定的修正补偿经度和修正补偿纬度，υ1和υ2分别为设定的经度和纬度对应的趋向权值。
10.根据权利要求9所述的一种基于雷电灾害情况下电力电网系统故障预测分析方法，其特征在于：所述解析得到各目标运维基站所属雷电气象预估危害幅度量化标定值，具体解析过程包括：
综合计算各目标运维基站所属雷电风险影响值ξc，ξc＝lg(1+ωc*D1+σc*D2)，其中D1和D2分别为设定的雷电干扰因子和雷电位置趋向指数对应的风险影响权重占比系数；
提取各目标运维基站所属故障判别优先度，进而比对提取各目标运维基站所属参照可承受雷电风险影响值ξc参，进而导入公式计算得到各目标运维基站所属雷电气象预估危害幅度量化标定值ψc，其中D3为设定的雷电气象预估危害幅度量化修正系数。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962411.8A CN116882587A (zh) | 2023-08-02 | 2023-08-02 | 一种基于雷电灾害情况下电力电网系统故障预测分析方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202310962411.8A CN116882587A (zh) | 2023-08-02 | 2023-08-02 | 一种基于雷电灾害情况下电力电网系统故障预测分析方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN116882587A true CN116882587A (zh) | 2023-10-13 |
Family
ID=88268066
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202310962411.8A Pending CN116882587A (zh) | 2023-08-02 | 2023-08-02 | 一种基于雷电灾害情况下电力电网系统故障预测分析方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN116882587A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117241304A (zh) * | 2023-10-18 | 2023-12-15 | 创意银航(山东)技术有限公司 | 一种基于物联网的5g基站运维管理系统 |
| CN117314175A (zh) * | 2023-11-28 | 2023-12-29 | 合肥优尔电子科技有限公司 | 一种基于恶劣天气下的电网系统地质风险监测评估方法 |
| CN117811897A (zh) * | 2024-02-23 | 2024-04-02 | 济南通华电子技术有限公司 | 一种物联网卡通信运维工单数据智能分析管理系统 |
-
2023
- 2023-08-02 CN CN202310962411.8A patent/CN116882587A/zh active Pending
Cited By (6)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN117241304A (zh) * | 2023-10-18 | 2023-12-15 | 创意银航(山东)技术有限公司 | 一种基于物联网的5g基站运维管理系统 |
| CN117241304B (zh) * | 2023-10-18 | 2024-04-09 | 创意银航(山东)技术有限公司 | 一种基于物联网的5g基站运维管理系统 |
| CN117314175A (zh) * | 2023-11-28 | 2023-12-29 | 合肥优尔电子科技有限公司 | 一种基于恶劣天气下的电网系统地质风险监测评估方法 |
| CN117314175B (zh) * | 2023-11-28 | 2024-02-23 | 合肥优尔电子科技有限公司 | 一种基于恶劣天气下的电网系统地质风险监测评估方法 |
| CN117811897A (zh) * | 2024-02-23 | 2024-04-02 | 济南通华电子技术有限公司 | 一种物联网卡通信运维工单数据智能分析管理系统 |
| CN117811897B (zh) * | 2024-02-23 | 2024-04-30 | 济南通华电子技术有限公司 | 一种物联网卡通信运维工单数据智能分析管理系统 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN116882587A (zh) | 一种基于雷电灾害情况下电力电网系统故障预测分析方法 | |
| CN108375808A (zh) | Nriet基于机器学习的大雾预报方法 | |
| CN111665575B (zh) | 一种基于统计动力的中长期降雨分级耦合预报方法及系统 | |
| CN107169645B (zh) | 一种计及暴雨灾害影响的输电线路故障概率在线评估方法 | |
| CN110210681B (zh) | 一种基于距离的监测站点pm2.5值的预测方法 | |
| Dayal et al. | Development of ARIMA model for monthly rainfall forecasting over an Indian River Basin | |
| CN115219810B (zh) | 一种基于雷电定位系统的线路跳闸预测方法 | |
| CN113821895B (zh) | 输电线路覆冰厚度预测模型的构建方法、装置及存储介质 | |
| CN116910041B (zh) | 一种基于尺度分析的遥感降水产品的逐日订正方法 | |
| CN112183625A (zh) | 一种基于深度学习的pm2.5高精度时空预测方法 | |
| CN117111181B (zh) | 一种短时强降水概率预报方法及系统 | |
| CN113011455B (zh) | 一种空气质量预测svm模型构建方法 | |
| CN113239971B (zh) | 一种面向风场的临近预报与短期预报的融合系统 | |
| CN113176420B (zh) | 一种针对电网杆塔点的风速预报订正系统 | |
| CN115115163A (zh) | 台风过境下输电线路杆塔故障危险度评估方法及存储介质 | |
| Sá et al. | Two step calibration method for ozone low-cost sensor: Field experiences with the UrbanSense DCUs | |
| CN116739619A (zh) | 一种能源电力碳排放监测分析建模方法及装置 | |
| CN114021858A (zh) | 一种输电线路的精细化风速预测方法 | |
| CN118395257A (zh) | 一种多维度微气象的特高压输电线路异常线损分析方法 | |
| CN116662466B (zh) | 通过大数据进行土地全生命周期维护系统 | |
| CN109829572B (zh) | 雷电气候下的光伏发电功率预测方法 | |
| CN112257329A (zh) | 一种判定台风对线路影响的方法 | |
| CN117494009A (zh) | 基于绝缘材料热解分析的电气设备状态评估方法及云平台 | |
| CN112884352B (zh) | 一种架空输电线路雷击故障风险评估方法 | |
| CN117110801A (zh) | 基于bp神经网络与ds证据理论的气体绝缘设备故障诊断方法 |
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 |