随着电力系统的数字化和智能化发展,配变重过载预测成为了实现智能状态检修的关键技术之一。配变过载时空因子在现实场景中通常呈偏置分布。其中,部分高风险罕见(high risk and rare,HRR)因子一旦出现,将对变压器造成无法逆转的伤害。为...随着电力系统的数字化和智能化发展,配变重过载预测成为了实现智能状态检修的关键技术之一。配变过载时空因子在现实场景中通常呈偏置分布。其中,部分高风险罕见(high risk and rare,HRR)因子一旦出现,将对变压器造成无法逆转的伤害。为此,该文提出一种基于提高关联规则关键重要性(improved association rules‐criticality importance,IAR‐CI)模型的配变过载预测方法。首先,考虑内部与外部因素,收集多个数据源并建立配变运行状态数据库,且通过ICA识别与配变重过载强关联的罕见高危时段与HRR;其次,基于关键性重要度(criticality importance,CI)度量计算,设计一种因子权重计算方法,准确衡量因子的风险权重;最后,应用TBFP‐Growth算法,增强模型的运行效率。采用中国南方某地区电网数据进行算例仿真。研究表明,该方法能够提升配变重过载的预测性能,有助于后续巡检、检测策略的合理统筹和科学规划,可在降低电力设备运维检修成本的同时提高供电的可靠性。展开更多
文摘随着电力系统的数字化和智能化发展,配变重过载预测成为了实现智能状态检修的关键技术之一。配变过载时空因子在现实场景中通常呈偏置分布。其中,部分高风险罕见(high risk and rare,HRR)因子一旦出现,将对变压器造成无法逆转的伤害。为此,该文提出一种基于提高关联规则关键重要性(improved association rules‐criticality importance,IAR‐CI)模型的配变过载预测方法。首先,考虑内部与外部因素,收集多个数据源并建立配变运行状态数据库,且通过ICA识别与配变重过载强关联的罕见高危时段与HRR;其次,基于关键性重要度(criticality importance,CI)度量计算,设计一种因子权重计算方法,准确衡量因子的风险权重;最后,应用TBFP‐Growth算法,增强模型的运行效率。采用中国南方某地区电网数据进行算例仿真。研究表明,该方法能够提升配变重过载的预测性能,有助于后续巡检、检测策略的合理统筹和科学规划,可在降低电力设备运维检修成本的同时提高供电的可靠性。
