输电线路地质灾害预警决策模型研究

通过对地质灾害机理进行分析,结合气象数据、线路台账信息、走廊内地质条件等,构建了以故障隐患、运维特征和气象条件为基类的输电线路地质灾害预警决策模型,并从工程应用、生物措施和综合治理3方面分析防治措施,通过现场实际应用表明,该模型能够有效地反映线路走廊内地质情况,对易发生地质灾害区域进行实时预警。     

疑似火点监测定位及电网运行预警方法

智能电网建设的快速发展,对电网森林火灾监测预警能力提出了更高要求。研究融合极轨卫星遥感火点数据、气象监测和预报预警数据、电网空间地理信息及应急资源等数据于一体,基于电网GIS平台定位分析疑似火点任意范围内距离最近和受山火影响最严重的电力设施,依据气象监测预报预警实时数据研判山火未来趋势。通过专业化、标准化符号语言和分析研判预警策略,形成电网森林火灾预警及处置态势专题图。通过研发预警发布技术,将火点、气象环境、影响设备、处置策略及发展态势等信息及时对相关人员发布,提高电网防灾减灾综合监测预警和应急处置辅助决策能力。     

基于BP神经网络的输电线路舞动预警方法

为了保证在覆冰舞动环境下输电线路的正常运维,将输电线舞动预警问题归结为有监督机器学习方法下的分类预测问题,提出了一种基于BP神经网络的舞动预警方法。通过分析影响舞动的外界气象因素,构建了以风速、风向与线路的夹角、相对湿度以及温度为输入特征量的BP神经网络学习算法,判断是否达到易舞气象条件预测输电线的舞动情况,并采用评价指标评估其预警性能,以便进行模型改进。采用河南电网舞动相关历史数据进行算例分析,验证了所提方法的有效性和实用性。输出的预警结果可为电网运维人员合理制定调度决策提供支持,保证电网安全迎峰度冬。     

西门子综合管廊智慧化运维管理系统

介绍了西门子智慧运维综合管理系统,其是基于云服务、BIM/GIS及大数据技术,针对管廊智慧化运维建设的系统平台,可对影响管廊正常运转的事故进行预警,实现各子系统信号的连锁,为运维决策提供有效辅助,提高综合管廊管理水平。     

基于大数据的配变重过载预警分析

本文旨在利用大数据技术对电力数据进行系统挖掘,提供精准负荷预测,为供电安全监视、预防性控制和紧急处理提供依据。文章结合西安地区配电网运行中存在的问题,综合分析配变重过载的外部环境、配变运行信息、配变属性信息、配变供电客户类型等因素,应用大数据机器学习算法、大数据预处理技术、数据挖掘建模技术、大数据可视化技术等,分析研究各影响因素对设备重过载影响的相关性和重要程度,使用分类预测挖掘手段及随机森林算法,分析计算影响变量和目标变量,建立关系模式挖掘模型,构建配变重过载分析及预警模型,完成模型验证与纠偏,实现配变未来一周重过载情况准确预警、配变安全系数评价、重过载配变因素及特征分析与展示等,为电网运维提供有力支撑。通过基于大数据的配变重过载预警分析,提高运维工作效率,实现电网安全可靠运行。     

电力客户故障报修诉求与气象因素的灰色关联分析

针对由自然灾害引发的电网故障事件频发的实际情况,文中依托95598客户服务系统电力客户故障报修和气象数据,基于灰色关联方法构建了故障报修与气象因素间的关联度计算模型。以冀北地区故障报修较多的霸州市为例,计算了故障报修量和气象因素间的关联度,明确了各气象因素对故障报修量的影响程度。文中还研究了时间和地域对上述关联性的影响。研究结果表明文中构建的关联性分析模型可定量衡量各气象因素对故障报修的影响程度,其结果可为企业维修方案的制定、灾害预警等决策提供科学的依据和指导。     

基于大数据的配电自动化终端智能运维管理系统

针对配电自动化终端传统运维管理方式存在的不足,提出了一种基于大数据的配电自动化终端智能运维管理方案。该方案利用大数据平台所提供的高效数据处理与挖掘分析能力,通过对配电网以及自动化终端的运行与告警数据进行深入分析,建立了配电自动化终端健康状态评价模型,实现了对配电自动化终端设备运行状态监测、健康状态综合评价以及设备故障的自动识别与故障预警。在此基础上,实现配电自动化终端缺陷闭环管理和运维辅助决策。根据该方案开发的配电自动化终端智能运维管理系统已经在供电公司试点应用。实践表明,该方案能够解决配电自动化终端传统运维管理方式存在的不足,有效提升配电自动化运维管理水平。     

干式空心电抗器故障监测记录与算法的研究∗

提供了干式空心电抗器故障监测记录算法,采用实时在线监测的方式,结合故障启动算法,通过对电抗器常态参数数据和暂态参数数据的记录,提取电抗器电流特征信息、阻抗特征信息以及物理特征信息 (包括内部温度场、振动特征信息),综合分析发现电抗器的异常状态,给出故障预警.该方法能够对电抗器的所有特征参数进行综合分析判断,并能针对不同型号、品牌的电抗器建立运行数据库,结合历史数据库给出该型号、品牌的预警信息及智能运维建议.     

基于大数据挖掘的变电设备故障预警研究及应用

针对变电设备缺乏有效的故障预警预测方法,本文提出了利用Pearson相关分析、单因素方差分析、统计对比等方法,对各类变电设备巡检数据进行相关性分析,然后建立Logistic回归故障预测模型,实现对设备状态的超前预警;继而利用深度学习建立分类深度学习神经网络模型,能够准确判断预警设备可能的故障类型。最后通过搭建变电站智能运维辅助决策大数据平台对变电设备故障预警模型进行可视化展现;运用风险矩阵分析法,对设备进行分级管控,辅助优化运维策略,从而使重要设备得到重点运维,实现变电设备差异化运维。经过大量的实践验证表明,该方法设备故障预测研判准确率达到90%以上,较以往人工经验预判准确度提升约20倍,设备故障率较同期减少75%,设备可用率系数达到99. 988%,大大提高了设备健康水平,提升了设备运维效率。     

考虑气象环境影响的变压器套管介损监测预警策略

介损监测技术是及时发现套管缺陷、避免设备事故的重要手段,然而介损监测数据易受气象环境等因素影响而发生波动、引发误告警。为尽可能减少由于气象因素而引起的监测误告警,文中对实际在运瓷外套油纸绝缘套管的监测数据和相应气象环境数据进行了关联分析,结果表明:介损监测值与降雨呈明显正相关关系,而与环境温度、湿度的相关性不显著。为解释以上现象,笔者构建相应的变压器套管等值电路模型,并应用该模型很好的说明了套管介损受降雨影响的机制。基于降雨和介损监测值的相关特性,研究提出了相间比较法、气象综合预警法以及延时预警法等3种预警策略,以排除降雨对介损监测数据的干扰,经实测数据验证,后2种方法具有较好的排除降雨干扰的效果。