欢迎来到知嘟嘟! 联系电话:13336804447 卖家免费入驻,海量在线求购! 卖家免费入驻,海量在线求购!
知嘟嘟
我要发布
联系电话:13336804447
知嘟嘟经纪人
收藏
专利号: 2024118761000
申请人: 湖南大学
专利类型:发明专利
专利状态:已下证
专利领域: 计算;推算;计数
更新日期:2026-11-16
缴费截止日期: 暂无
价格&联系人
年费信息
委托购买

摘要:

权利要求书:

1.城市配网与排涝水网风险相依的暴雨致灾事故态势预测方法,其特征在于,包括以下步骤:S1.获取时刻城市配网和排涝水网的相关数据,求解暴雨天气下城市内涝积水分布,基于电力设备经纬度信息将求解得到的城市内涝积水分布映射到电力设备淹没深度;

S2.根据引发大面积停电的临界条件来判断会否发生大面积停电;其中,通过建立多时间尺度的电力-排涝水网络故障演化模型,来量化引发大面积停电的临界条件;

S3.考虑导致城市内涝和停电事故的不确定参数,通过停电事故概率密度演算模型来预测发生停电事故的概率;

构建S3中的停电事故概率密度演算模型的具体内容包括:从不确定参数的概率空间中获取个代表性离散点,建立停电事故概率密度演算模型,求解停电事故概率密度演算模型得到各代表性离散点下的联合概率密度函数,并对个累计求和得到停电事故的概率密度演化表达式来量化停电风险;停电事故概率密度演算模型具体为:(1)

其中,表示代表性离散点下停电事故与不确定参数之间的联合概率密度函数,为时间变量,表示第个配网节点的停电事故,表示配网节点编号,表示配网节点的总个数,表示关于时间的导数。

2.根据权利要求1所述的城市配网与排涝水网风险相依的暴雨致灾事故态势预测方法,其特征在于,S1的具体内容包括:S11.构建一维二维耦合内涝水文水动力模型,包括:城市地表二维水文水动力模型与排涝管网一维水动力模型;

其中,城市地表二维水文水动力模型为:

(2)

(3)

(4)

(5)

(6)

式中,表示时间,和分别表示城市地理坐标的经纬度;表示守恒向量,和分别表示和方向的通量向量,和分别表示地表坡度源项、地面摩阻源项和溢流源项;为水深,和分别为和方向的流速值,为重力加速度,为地形高程,为曼宁糙率系数;和分别表示沿着方向和方向的水底底坡源项,和分别表示沿着和方向的摩阻源项;是降雨量,是流入排水井的流量,是泵站抽排流量,是雨水蒸发量,是下渗入土壤水量;

排涝管网一维水动力模型为:

(7)

式中,为排水管道中过水断面面积,为断面流量,为排水管道排入河流的水量,为管道水深,和分别为排水管道的底坡与摩擦坡度,表示管道空间位置;

S12.求解流入排水井的流量和泵站抽排流量,为一维二维耦合的内涝水文水动力模型求解提供参数:城市排水管网通过排水井与地表进行流量交换来耦合,通过排涝管网一维水动力模型求解流入排水井的流量;

泵站抽排流量的求解:

(8)

其中,表示泵站消耗的有功功率,为泵站的能量损耗系数,为水密度,为水泵的静扬程;

S13.针对城市内涝水文水动力模型,通过任意三角形非结构网格划分模拟区域计算单元,采用Godunov格式构造黎曼问题求解水流网格微元数值通量,并进行MUSCL-TVD格式的二阶空间重构和Runge-Kutta格式的时间方向二阶离散,求解得到暴雨天气下城市内涝积水深度分布,基于电力设备经纬度信息将内涝积水深度映射到电力设备淹没深度。

3.根据权利要求1所述的城市配网与排涝水网风险相依的暴雨致灾事故态势预测方法,其特征在于,S2中“通过建立多时间尺度的电力-排涝水网络故障演化模型,来量化引发大面积停电的临界条件”的具体内容包括:S21.根据电力设备淹没深度是否达到防涝高度判断是否存在设备故障;

S22.若有故障发生,则跳转至S23进行配网暂态分析,若无故障发生,则跳转至S24进行配网稳态分析;

S23.选取短时间暂态分析尺度,并对配网故障进行暂态仿真,根据仿真结果中的电压波形判断暂态故障,紧急切除存在的暂态故障;

S24.选取长时间稳态分析尺度,对城市配网动态潮流进行计算,并对存在故障的结果进行潮流优化:若潮流不收敛,切除相应故障并重新进行S23和S24;若潮流收敛,更新城市配网拓扑结构与排涝设备抽排积水功率,输出时刻的失负荷量并进入S25;

S25.判断当前时刻暴雨是否已经停止:若暴雨仍在持续,则将时刻更新所得的电网与排涝设备数据作为时刻初始条件,重复进行S21-S25;若暴雨停止则跳转至S26进行临界条件量化;

S26.根据各时段失负荷量绘制总削负荷量变化图,量化触发城市内涝和配电设备受涝级联故障而引发大面积停电的临界条件。

4.根据权利要求1所述的城市配网与排涝水网风险相依的暴雨致灾事故态势预测方法,其特征在于,从不确定参数的概率空间中获取个代表性离散点的具体内容包括:令代表所有的不确定参数,包括暴雨时空分布不确定性、用户负荷不确定性和风光机组出力不确定性:(9)

其中为电-水风险相依网络随机变量总个数,为暴雨时空分布不确定性参数的个数,为用户负荷不确定性参数的个数,为风光机组出力不确定性参数的个数,为第个暴雨时空分布不确定性参数,为第个用户负荷不确定性参数,为第个风光机组出力不确定性参数,表示第个参数对点;

在不确定参数空间中选取随机参数集作为初始点集:

(10)

其中表示初始点集的个数,表示第个;

令初始点集中所有不确定参数的联合概率密度函数为,则每个初始点的概率用其在不确定参数空间中对应的体积来描述:(11)

采用遗传算法处理初始点集来确保偏差最小化,获得个代表性离散点:(12)。

5.根据权利要求4所述的城市配网与排涝水网风险相依的暴雨致灾事故态势预测方法,其特征在于,暴雨时空分布不确定性直接影响着排涝水网状态,并通过城市内涝间接影响配网运行状况,表示为:(13)

式中,为降雨样本数量;和为核密度估计的带宽;和分别表示城市地理坐标的经纬度;

用户负荷不确定性符合高斯分布,风光机组出力不确定性符合weibull分布,均直接影响配网潮流分析,并通过泵站节点的停运对排涝水网产生间接影响。

6.根据权利要求4所述的城市配网与排涝水网风险相依的暴雨致灾事故态势预测方法,其特征在于,建立停电事故概率密度演算模型的具体内容包括:考虑城市配网与排涝水网间级联故障的交互传播,将城市配网与排涝水网模型简化表示为:(14)

(15)

式中,表示城市配网停电台区,表示节点处停电情况;和均为配电网和排涝水网确定性参数,其中代表城市配网安全稳定运行参数,包括降雨及河道水位;表示配电设备的受涝停运情况;表示城市配网停电台区分别与和的相应变换关系;表示城市内涝的积水深度,表示位置处城市受淹水深;代表排涝设备的失电停运情况,表示内涝积水深度分别与和的相应变换关系;

综合考虑城市配网和排涝水网以及故障演化时间因素,建立暴雨天气下电-水耦合动力系统模型:(16)

式中,表示停电事故和配网停电台区、城市内涝积水深度和时间之间变换关系;

隐藏配电网和排涝水网确定性参数后,将停电事故进一步简化表示为:(17)

则单个配网节点的分量形式表示为:

(18)

记时刻对应的演化区域为,则电-水风险相依网络的概率空间与状态空间分别描述如下:(19)

(20)

式中,表示随时间演化区域对应的概率;、分别表示和时刻系统的停电状态;是时刻状态空间的区域边界;表示整体随时间的变化速率,表示为;是状态空间区域边界上单位向量;是状态空间边界上面积微元;

结合高斯散度定理并对电-水风险相依网络的概率空间与状态空间进行化简,得到有关停电事故的广义概率密度演算方程:(21)

式中表示与不确定参数之间的联合概率密度函数,表示停电事故中各分量关于时间的导数,记作;

采用不确定参数概率空间所选的个代表性离散点计算停电事故概率密度演算模型中的系统参数,将与其相对应的视为已知量直接代入有关停电事故的广义概率密度演算方程则得到停电事故概率密度演算模型。

7.根据权利要求1所述的城市配网与排涝水网风险相依的暴雨致灾事故态势预测方法,其特征在于,求解停电事故概率密度演算模型得到各代表性离散点下的联合概率密度函数,并对个累计求和得到停电事故的概率密度演化表达式来量化停电风险的具体内容包括:停电事故概率密度演算模型的初始条件表示为:

(22)

式中,为狄拉克函数;表示初始时刻;表示确定性初始停电事故;表示不确定参数取代表性离散值时对应的联合概率密度函数值;

建立所研究区域关于和的时空差分网络,采用总变差不增格式的有限差分法求解停电事故概率密度演算模型:(23)

式中,事故变量和时间分别被与条网格线均分,表示的第个网格和的第个网格处的值,即;和分别表示划分和的网格线间隔;表示与的网格比值;表示整体随时间变化速率的简写;

;,;

;通量限制器表示为:

(24)

其中,为单位阶跃函数;是Roe-Sweby低耗散通量限制器,有;满足相同的规律;

在求解事故概率密度演算模型得到各代表性离散点下的联合概率密度函数后,对所有情况累计求和来量化停电风险,得到停电事故的概率密度演化表达式,如下所示:(25)。

8.根据权利要求1所述的城市配网与排涝水网风险相依的暴雨致灾事故态势预测方法,其特征在于,构建停电事故概率密度演算模型后还包括对模型驱动输出结果进行误差校正,具体内容包括:(1)获取设备采集空天地多源历史数据,从事故概率密度演算模型得到模型结果与实际概率偏差,并对数据进行预处理;

(2)将数据集划分为用于训练神经网络模型的训练集、用于模型调参和防止过拟合的验证集和用于最终评估模型性能的测试集;

(3)构建基于大语言模型LLM的停电风险概率预测实时校正策略,以多源数据为输入,风险概率预测误差为输出:首先构建LLM的提示工程;其次,冻结LLM所有层的参数并在此基础上嵌入两个可学习的神经网络模块,第一个神经网络模块位于多源气象数据与LLM数据输入接口之间,用于将输入的多源数据与LLM接收的文本数据进行模态对齐,其输出结果与提示工程串联作为LLM文本输入;第二个神经网络模块位于LLM的文本输出与风险概率预测误差的之间,用于将LLM输出映射为风险概率预测误差的时间序列数据;

(4)将基于LLM的停电风险概率预测实时校正策略简化为偏差学习函数,以前H步长的多源监测数据预测未来A步长模型驱动的停电风险预测概率误差,具体表示如下:(26)

式中:;;表示个节点在时刻的空天地多源数据,写作,其中表示第个节点在时刻的个多源数据特征,写作;表示个节点在时刻的预测概率误差,写作;

(5)将城市配网和排涝水网的相关数据、短临降雨预报数据输入停电风险模型中预测停电概率,将实时空天地多源监测数据输入训练好的大模型网络得到预测概率误差,对模型风险分布结果进行滚动校正,并定期使用新数据对模型参数进行微调,其中停电概率滚动修正公式表示如下:(27)式中,和分别表示滚动校正过程中时刻修正后停电概率和模型预测停电概率。