《考虑实时气象雷暴信息的高压输电线路故障风险排序方法.pdf》由会员分享，可在线阅读，更多相关《考虑实时气象雷暴信息的高压输电线路故障风险排序方法.pdf（9页完整版）》请在专利查询网上搜索。
1、(10)申请公布号 (43)申请公布日 (21)申请号 201410614637.X (22)申请日 2014.11.04 G06Q 50/06(2012.01) (71)申请人 华南理工大学 地址 510640 广东省广州市天河区五山路 381 号 申请人 南方电网科学研究院有限责任公司 (72)发明人 马义松 武志刚 周保荣 (74)专利代理机构 广州市华学知识产权代理有 限公司 44245 代理人 罗观祥 (54) 发明名称 考虑实时气象雷暴信息的高压输电线路故障 风险排序方法 (57) 摘要 本发明公开了考虑实时气象雷暴信息的高压 输电线路故障风险排序方法， 包含以下顺序的步 骤 ： 。
2、基于 Neo4j 图数据库进行数据整合， 根据电网 的拓扑结构特征建立设备映射表， 整合电网雷电 信息系统、 故障信息系统以及历史气象信息数据， 利用其遍历算法可获取各条线路的落雷区段和非 落雷区段， 挖掘网架模型的历史数据得到数理统 计规律 ； 根据未来的数字天气预报， 动态搜索给 出未来几天南网不同电压等级线路发生雷击跳闸 的概率即故障风险程度， 对该概率进行排序得到 待选故障集。 本发明所述的方法， 可对线路故障风 险程度进行定量分析， 与以往单纯地依靠运行人 员的经验相比， 在实际电网的运行调度和规划设 计中更加具备工程实用性。 (51)Int.Cl. (19)中华人民共和国国家知识产。
3、权局 (12)发明专利申请 权利要求书1页 说明书5页 附图2页 (10)申请公布号 CN 104463692 A (43)申请公布日 2015.03.25 CN 104463692 A 1/1 页 2 1. 考虑实时气象雷暴信息的高压输电线路故障风险排序方法， 其特征在于， 包含以下 顺序的步骤 ： S1. 基于 Neo4j 图数据库进行数据整合得到一个包含不同数据类型的全景数据库， 利 用其遍历算法可获取各条线路的落雷区段和非落雷区段， 挖掘网架模型的历史数据得到数 理统计规律 ； S2. 根据未来的数字天气预报， 动态搜索给出未来几天南网不同电压等级线路发生雷 击跳闸的概率即故障风险程度。
4、， 对该概率进行排序得到待选故障集。 2. 根据权利要求 1 所述的考虑实时气象雷暴信息的高压输电线路故障风险排序方法， 其特征在于， 步骤S1中， 所述的基于Neo4j图数据库进行数据整合具体通过以下步骤实现 ： 基于国际 CIM 标准根据电网的拓扑结构特征建立设备映射表， 将杆塔抽象为节点， 杆塔间 连接线路抽象为边， 整合电网雷电信息系统、 故障信息系统以及历史气象信息数据将其定 义为相关节点和边的属性。 3. 根据权利要求 1 所述的考虑实时气象雷暴信息的高压输电线路故障风险排序方法， 其特征在于， 步骤 S1 中， 所述的遍历算法的遍历过程为 ： 利用 Neo4j 自身集成的遍历算法。
5、 Traversal 和图查询语言 Cypher, 通过指定具体的属性查询， 遍历得出相关对象。 4. 根据权利要求 1 所述的考虑实时气象雷暴信息的高压输电线路故障风险排序方法， 其特征在于， 所述的步骤 S2 具体为 ： 根据未来的数字天气预报， 通过获取未来几天电网处 于雷暴区域的各电压等级线路， 统计其雷区内线路长度等与线路故障相关的重要信息从而 动态搜索给出未来几天南网不同电压等级线路发生雷击跳闸的概率即故障风险程度， 对该 概率进行排序得到待选故障集。 权 利 要 求 书 CN 104463692 A 2 1/5 页 3 考虑实时气象雷暴信息的高压输电线路故障风险排序方法 技术领域。
6、 0001 本发明涉及高压输电领域， 特别涉及考虑实时气象雷暴信息的高压输电线路故障 风险排序方法。 背景技术 0002 电力网络是目前世界上最复杂的人工网络之一， 电网运行过程具有很大的不确定 性， 故障发生的概率也很高。 近年来电网时有发生初始故障导致的大规模连锁故障， 并造成 了巨大的经济损失。 0003 电网连锁故障的成因比较复杂， 简单地说其发生机理是由于电网正常运行时每个 元件都带有一定的初始负荷， 当某一个或几个元件因过负荷等原因而导致故障发生时， 会 改变潮流的平衡并引起负荷在其它节点上的重新分配， 将多余的负荷转移加载到其它元件 上， 如果这些原来正常工作的元件不能处理多余的。
7、负荷就会引起新一次的负荷重新分配， 从而引发连锁的过负荷故障， 并最终导致网络的大面积瘫痪和大规模停电事故的发生。若 初始故障发生在带有大量负荷的元件上时， 其相邻元件不能处理多余负荷的可能性更大， 也就更加容易引发连锁故障， 因此初始故障集的选择对于连锁故障的研究非常重要。 0004 目前对于连锁故障初始故障集的选取方法分为随机抽样法、 人工指定法和基于故 障后果的筛选方法， 主要采用离线分析的方法对其进行分析， 均没有考虑实时的气象条件 对线路初始故障的影响， 然而电网实际运行中， 各种自然灾害或恶劣的气候条件均可能导 致系统发生连锁故障。 虽然导致输电线路发生故障可能有覆冰、 落雷等多种。
8、气候因素， 但对 于一个特定的电力系统， 最好能从诸多因素中筛选出起主要作用的气候因子， 以利于抓住 主要矛盾进行研究。电网实际运行经验表明， 高压输电线路的总跳闸次数中由雷击所引起 的跳闸数占 40 -70左右， 尤其是多雷、 土壤电阻率高、 地形复杂的南方区域， 因此研究 气象条件中落雷与高压输电线路发生初始故障的相关性是非常必要的。 发明内容 0005 本发明的目的在于克服现有技术的缺点与不足， 提供考虑实时气象雷暴信息的高 压输电线路故障风险排序方法。 0006 本发明的目的通过以下的技术方案实现 ： 0007 考虑实时气象雷暴信息的高压输电线路故障风险排序方法， 包含以下顺序的步 骤。
9、 ： 0008 S1. 基于 Neo4j 图数据库进行数据整合得到一个包含不同数据类型的全景数据 库， 利用其遍历算法可获取各条线路的落雷区段和非落雷区段， 挖掘网架模型的历史数据 得到数理统计规律 ； 0009 S2. 根据未来的数字天气预报， 动态搜索给出未来几天南网不同电压等级线路发 生雷击跳闸的概率即故障风险程度， 对该概率进行排序得到待选故障集。 0010 步骤 S1 中， 所述的基于 Neo4j 图数据库进行数据整合具体通过以下步骤实现 ： 基 说 明 书 CN 104463692 A 3 2/5 页 4 于国际 CIM 标准根据电网的拓扑结构特征建立设备映射表， 将杆塔抽象为节点。
10、， 杆塔间连 接线路抽象为边， 整合电网雷电信息系统、 故障信息系统以及历史气象信息数据将其定义 为相关节点和边的属性。 0011 步骤 S1 中， 所述的遍历算法的遍历过程为 ： 利用 Neo4j 自身集成的遍历算法 Traversal 和图查询语言 Cypher, 通过指定具体的查询属性， 遍历得出相关对象。 0012 所述的步骤 S2 具体为 ： 根据未来的数字天气预报， 通过获取未来几天电网处于雷 暴区域的各电压等级线路， 统计其雷区内线路长度等与线路故障相关的重要信息从而动态 搜索给出未来几天南网不同电压等级线路发生雷击跳闸的概率即故障风险程度， 对该概率 进行排序得到待选故障集。 。
11、0013 本发明与现有技术相比， 具有如下优点和有益效果 ： 0014 (1) 本发明采用 Neo4j 图数据库进行数据整合， 如图 2 所示。有效解决了目前电 网中不同业务数据分散的问题， 图数据库具备较为完善的高性能的网络拓扑算法和高效的 检索性能， 能够根据电网的拓扑特性高效存储并处理动态变化且内在数据关系复杂电力数 据， 更有利于全面挖掘落雷与线路故障率之间的规律。 0015 (2) 本发明基于历史数据所形成的统计规律， 根据次日的数字天气预报更新电网 的雷暴区域及各条线路的落雷区段和非落雷区段， 可对线路故障风险程度进行定量分析， 与以往单纯地依靠运行人员的经验相比， 在实际电网的运。
12、行调度和规划设计中更加具备工 程实用性。 附图说明 0016 图 1 为本发明所述的考虑实时气象雷暴信息的高压输电线路故障风险排序方法 的流程图 ； 0017 图 2 为图 1 所述方法的基于 Neo4j 图数据库数据整合示意图 ； 0018 图 3 为广西电网高压输电线路主网建模效果图 ； 0019 图 4 为图 3 的局部放大图。 具体实施方式 0020 下面结合实施例及附图对本发明作进一步详细的描述， 但本发明的实施方式不限 于此。 0021 如图 1、 2， 考虑实时气象雷暴信息的高压输电线路故障风险排序方法， 包含以下顺 序的步骤 ： 0022 S1. 基于 Neo4j 图数据库进行。
13、数据整合， 根据电网的拓扑结构特征建立设备映射 表， 整合电网雷电信息系统、 故障信息系统以及历史气象信息数据， 利用其遍历算法可获取 各条线路的落雷区段和非落雷区段， 挖掘网架模型的历史数据得到数理统计规律 ； 0023 所述的基于 Neo4j 图数据库进行数据整合具体通过以下步骤实现 ： 基于国际 CIM 标准根据电网的拓扑结构特征建立设备映射表， 将杆塔抽象为节点， 杆塔间连接线路抽象 为边， 整合电网雷电信息系统、 故障信息系统以及历史气象信息数据将其定义为相关节点 和边的属性 ； 0024 所述的遍历算法的遍历过程为 ： 利用 Neo4j 自身集成的遍历算法 Traversal 和图。
14、 说 明 书 CN 104463692 A 4 3/5 页 5 查询语言 Cypher, 通过指定具体的查询属性， 遍历得出相关对象 ； 0025 S2. 根据未来的数字天气预报， 动态搜索给出未来几天南网不同电压等级线路发 生雷击跳闸的概率即故障风险程度， 对该概率进行排序得到待选故障集 ； 具体为 ： 根据未 来的数字天气预报， 通过获取未来几天电网处于雷暴区域的各电压等级线路， 统计其雷区 内线路长度等与线路故障相关的重要信息从而动态搜索给出未来几天南网不同电压等级 线路发生雷击跳闸的概率即故障风险程度， 对该概率进行排序得到待选故障集。 0026 下面中国南方广西电网高压输电线路主网为。
15、例， 介绍本发明中提到的考虑实时气 象雷暴信息的高压输电线路故障风险排序的研究过程。 0027 (1) 算例简介 0028 该主网线路主要包括 8 条超高压 800kV 直流线路和 95 条 500kV 线路， 考取 2012 年该主网监测到的落雷数据和线路跳闸数据进行研究。如图 2 所示为该主网的不同类型数 据基于 Neo4j 数据库进行整合的效果， 将电网线路杆塔抽象为节点， 输电线路抽象为边， 杆 塔的地理坐标、 雷击个数以及跳闸次数等属性抽象为节点属性， 利用 Neo4j 数据库可以快 速获取电网各条线路的落雷区段和非落雷区段。 0029 (2) 挖掘网架模型的历史数据得到数理统计规律。
16、 0030 本发明基于 2012 年该主网监测到的落雷数据和线路跳闸数据， 通过遍历算法统 计各项数据， 如表 1 所示， 发生跳闸线路在雷区内的线路长度在当天监测到落雷的线路里 面排序均很靠前(几乎为前10以内)， 线路故障风险与雷区内线路长度密切相关， 雷区线路 长度较长的线路存在较大的跳闸风险。 0031 表 1 0032 说 明 书 CN 104463692 A 5 4/5 页 6 0033 0034 根据未来的数字天气预报， 本发明可以动态搜索给出未来几天南网不同电压等级 线路的潜在雷暴区段及非雷暴区段， 更细其故障风险程度， 对该概率进行排序取前 10 的线 路作为高危线路得到待选。
17、故障集， 该方法可对线路故障风险程度进行定量分析， 与以往单 纯地依靠运行人员的经验相比， 在实际电网的运行调度和规划设计中更加具备工程实用 性。 0035 如图 3 为广西电网高压输电线路主网建模效果图， 其中黑色部分为非雷区， 浅色 部分为雷区， 图中包括主网所有杆塔以及杆塔间的线路， 由图可见利用 Neo4j 的遍历算法 可以快速遍历出雷区的线路和非雷区线路， 从而进一步计算相关的线路信息。 说 明 书 CN 104463692 A 6 5/5 页 7 0036 如图 4 为图 3 的局部放大图， 即图 3 中圆圈所圈住部分的放大图， 图 4 中可以清晰 地看到节点和边， 根据指定的电网。
18、设备映射关系， 该图的节点代表杆塔， 边代表节点间的线 路， 节点和边各自包含具体的属性， 本方法中节点属性主要包括杆塔的平面坐标、 所属线路 名称、 落雷次数以及故障次数等信息。 0037 上述实施例为本发明较佳的实施方式， 但本发明的实施方式并不受上述实施例的 限制， 其他的任何未背离本发明的精神实质与原理下所作的改变、 修饰、 替代、 组合、 简化， 均应为等效的置换方式， 都包含在本发明的保护范围之内。 说 明 书 CN 104463692 A 7 1/2 页 8 图 1 图 2 说 明 书 附 图 CN 104463692 A 8 2/2 页 9 图 3 图 4 说 明 书 附 图 CN 104463692 A 9 。