ImageVerifierCode 换一换
格式:PDF , 页数:2 ,大小:1.33MB ,
资源ID:2321850      下载积分:10 积分
快捷下载
登录下载
邮箱/手机:
温馨提示:
快捷下载时,用户名和密码都是您填写的邮箱或者手机号,方便查询和重复下载(系统自动生成)。 如填写123,账号就是123,密码也是123。
特别说明:
请自助下载,系统不会自动发送文件的哦; 如果您已付费,想二次下载,请登录后访问:我的下载记录
支付方式: 支付宝扫码支付 微信扫码支付   
验证码:   换一换

加入VIP,免费下载
 

温馨提示:由于个人手机设置不同,如果发现不能下载,请复制以下地址【https://www.wnwk.com/docdown/2321850.html】到电脑端继续下载(重复下载不扣费)。

已注册用户请登录:
账号:
密码:
验证码:   换一换
  忘记密码?
三方登录: QQ登录  

下载须知

1: 本站所有资源如无特殊说明,都需要本地电脑安装OFFICE2007和PDF阅读器。
2: 试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓。
3: 文件的所有权益归上传用户所有。
4. 未经权益所有人同意不得将文件中的内容挪作商业或盈利用途。
5. 本站仅提供交流平台,并不能对任何下载内容负责。
6. 下载文件中如有侵权或不适当内容,请与我们联系,我们立即纠正。
7. 本站不保证下载资源的准确性、安全性和完整性, 同时也不承担用户因使用这些下载资源对自己和他人造成任何形式的伤害或损失。

版权提示 | 免责声明

本文(配电网故障抢修作业现场安全风险识别模型的优化_林鹏.pdf)为本站会员(哎呦****中)主动上传,蜗牛文库仅提供信息存储空间,仅对用户上传内容的表现方式做保护处理,对上载内容本身不做任何修改或编辑。 若此文所含内容侵犯了您的版权或隐私,请立即通知蜗牛文库(发送邮件至admin@wnwk.com或直接QQ联系客服),我们立即给予删除!

配电网故障抢修作业现场安全风险识别模型的优化_林鹏.pdf

1、202212大众用电|配电网故障抢修作业现场安全风险识别模型的优化吉林 国网白山市江源区供电公司林 鹏曹晓文安全供用电配电网的正常稳定供电是维持社会发展的重要基础,一旦供电异常,不仅会出现经济损失,还可能造成设备和人员损失。研究表明,在配电网多故障抢修过程中,受电源接入、高负荷电压等因素的影响,极容易出现安全事故,造成设备报废、人员伤亡。现阶段,相关研究人员针对该问题提出过几种常规的安全风险识别模型:第一种是支持向量机增量学习故障抢修安全识别模型,其主要搭建SVM风险识别环境识别安全风险;第二种是利用数据相关性分析的故障抢修安全识别模型,其主要依赖故障驱动定位作业现场安全风险。但上述2种模型都

2、易受故障原发性影响,导致识别风险与实际偏差较大,无法满足风险识别需求,因此本文设计了一种配电网故障抢修作业现场安全风险识别优化模型。1安全风险识别模型的优化设计1.1构建故障抢修安全风险识别记忆网络为了降低故障原发性对安全风险识别模型造成的影响,本文以深度学习LSTM网络为基础,构建了安全风险识别记忆网络,其内部结构如图1所示。由图1可知,该风险识别记忆网络由多个遗忘单元组成,可以通过各个时刻的遗忘门输入输出量判断风险等级,生成记忆内容集合。1.2生成安全风险识别优化模型结合上文中生成的安全风险识别记忆网络可以计算风险过滤量化比率f,如公式(1)所示。f=(Wx+h+bf)(1)公式(1)中,

3、代表历史安全故障信息,Wx代表长期记忆值,h代表剔除的安全风险信息,bf代表LSTM获得量。此时可以根据过滤量化比率配置自动识别单元。结合自动识别单元可以快速获取安全风险的传导性,输出安全风险状态信息,从而生成有效的配电网故障抢修现场安全风险识别优化模型A,如公式(2)所示。A=p(E-B)-p1f(2)公式(2)中,p代表风险特征参量,p1代表识别系数,E代表预测风险目标值,B代表识别权重。使用上述模型可以有效地获取风险状态信息,最大程度提高风险识别的准确性。2效果对比为了检验本文安全风险识别优化模型的识别效果,特地选取在某配电网进行了对比实验,选择支持向量机增量学习故障抢修安全识别模型、利

4、用数据相关性分析的故障抢修安全识别模型这2种常规安全风险识别模型与本文设计的模型进行效果对比。2.1实验准备结合实验需求,以某配电网作为硬件条件进行了实验,首先根据识别模型的需求设置馈线指标权重,如表1所示。由表1可知,B11、C12、K18、K11、R19、T110均符合本实验需求,可以使用上述馈线指标权重构建表1馈线指标权重馈线指标B11C12K18最大值0.5120.6510.523中值次大值0.2540.4520.2510.5360.3140.485K110.6840.2690.414R190.5920.3410.422T1100.6210.2280.585图1深度学习LSTM安全风险

5、识别记忆网络结构TanhTanh047|大众用电202212安全供用电有效的配电网馈线拓扑图,如图2所示。由图2可知,使用上述配电网馈线拓扑可以进行后续的配电网多故障抢修作业现场安全风险识别模型性能试验。2.2对比结果在上述实验准备的基础上,分别使用支持向量机增量学习故障抢修安全识别模型、利用数据相关性分析的故障抢修安全识别模型以及本文设计的安全风险识别优化模型对配电网进行多故障抢修作业现场安全风险识别,将3种模型识别得到的故障风险值与各类馈线的实际故障风险值进行对比分析。(1)支持向量机增量学习故障抢修安全识别模型识别的风险值与实际风险值对比如图3所示。由图3可知,该模型识别的风险值与实际风

6、险值相差较大,整体识别性能一般。(2)利用数据相关性分析的故障抢修安全识别模型识别的风险值与实际风险值对比如图4所示。由图4可知,该模型识别的风险值与实际风险值相差较大,识别风险幅度偏高,整体识别性能较差。(3)使用本文设计模型识别的风险值与实际风险值对比如图5所示。由图5可知,本文设计的配电网故障抢修作业现场安全风险识别优化模型在B11、C12、K18、R11、R19、T110这些馈线设备中识别的风险值与实际风险值相差较小,整体识别性能良好,具有一定的识别可靠性。结合对比实验的结果可得出结论:本文设计的安全风险识别优化模型的识别效果最佳,有很好的应用价值。3结束语受配电网的特殊性影响,在故障

7、抢修过程中极易出现安全问题,这就需要供电企业对故障抢修现场进行有效的安全风险识别,以避免出现安全事故。常规现场安全风险识别模型的识别效果差,无法满足供电企业对于风险识别的需求,因此本文设计了一种配电网故障抢修作业现场安全风险识别优化模型。通过对比实验结果证明,本文设计的安全风险识别优化模型识别效果好,具有很好的应用价值,使用后可以有效地降低配电网运维的安全风险。图2配电网馈线拓扑R2LP6R3LP4DG图3风险值对比图10B11C12K18R11R19T110馈线各类设备0.60.50.40.30.20.1实际模型一图4风险值对比图20B11C12K18R11R19T110馈线各类设备0.60.50.40.30.20.1实际模型二图5本文设计模型的风险值对比图0B11C12K18R11R19T110馈线各类设备0.60.50.40.30.20.1实际本文模型48

copyright@ 2008-2023 wnwk.com网站版权所有

经营许可证编号:浙ICP备2024059924号-2