基于故障树的智能电能表可靠性分析

智能电能表系统复杂且广泛运用于日常生活,智能电能表可靠性的提升对于整个电力部门的正常运行具有重要意义。提出了基于故障树的智能电能表可靠性分摊算法,利用可靠性指标对系统可靠性进行分析。该算法包括智能电能表故障树的建立,可靠性分摊算法在故障树最小割集中的结合应用,提出元件可靠性指标进行智能电能表元件可靠性评估。根据智能电能表的结构特点、各功能作用进行定性分析,建立完整的智能电能表故障树。由可靠性指标进行智能电能表元件故障追踪,确定对电能表故障影响的关键元件,从而通过相应措施进行故障预防提高智能电能表可靠性。通过对智能电能表可靠性指标的评定证明本算法对系统可靠性指标的改进,有效提高分析系统可靠性。     

基于光功率衰减值的ASON路径计算方法研究

为解决ASON(Automatically Switched Optical Network)使用传统路径计算方法时恢复时间长以及阻塞率高的问题,提出了一种以光功率衰减值为权重的路径计算方法。该方法利用这一权重确定路径恢复时网络中每条链路被选中的概率以及每个站点的可达站点列表,进而根据每条链路被选择的概率之积最大的原则选择出一条链路业务量均衡以及跳数最短的恢复路径。经现场测试,使用该方法所得路径链路业务量更加均衡,有效降低了路径的阻塞率,同时保证了路径的恢复时间在100 ms以内。     

电力通信网关键节点辨识方法研究

随着智能电网建设的推进,作为电力系统通信专网的电力通信网结构日渐复杂,承载业务量也日益增多。为准确辨识电力通信网的关键节点,提出多评价指标的关键节点辨识方法。首先按照网络拓扑情况和节点凝聚度计算各节点的静态重要度,根据节点所承担业务数量和种类计算各节点的业务重要度。然后利用三标度层次分析法确定两个指标的权重。最后根据指标及其权重计算各节点重要度,完成电力通信网的关键节点辨识。仿真表明,相对于其他算法,该算法能够更好地综合电力通信网拓扑特性和节点业务量情况,全面体现出各节点在电力通信网中的地位和作用,对电力通信网的运行风险评估具有重要参考价值。     

基于改进PSO-SVM算法的电能质量扰动分类

对电能质量进行监测是用电信息采集系统的重要任务之一。针对电能质量扰动的识别和分类问题,提出一种基于小波支持向量机(support vector machine,SVM)的分类方法。对正常电压信号和6种电能质量扰动信号波形进行仿真,首先对各种扰动信号进行小波分解,提取各层小波重构系数的能量熵作为特征向量;然后改进的粒子群(particle swarm optimization,PSO)算法对SVM核函数参数进行优化;最后,利用优化参数的SVM对扰动测试集进行分类识别。仿真结果表明,与BP神经网络分类方法相比,该方法对扰动识别和分类的准确率达到97.28%,且训练时间和测试时间都有所减小。