一种配电网故障风险等级预测方法和装置与流程
本发明涉及配电网技术领域，具体涉及一种配电网故障风险等级预测方法和装置。
背景技术：
配电网的安全运行是整个电网安全运行重要的一环，是目前提高供电系统运行水平的关键环节。统计资料显示大约有80％的停电事故是由配电系统故障造成的，配电网运行风险是对故障特征属性、故障严重程度、发生故障时环境因素的综合表述。因此，对配电网运行过程中存在的故障风险等级有效地预测，找出薄弱环节，及时采取风险防控措施，已成为目前亟待解决的问题。
配电网网络拓扑复杂，设备种类众多、分布相对分散，设备运行状态容易受到外部因素的影响，且故障发生的随机性强，因此难以通过分析机理实现风险预警。传统的配电网风险评估预测影响因素来源单一，数据量少，不能从时间、空间等多维度全面反映导致配电网故障可能存在的影响因素。现有配电网风险评估预警主要偏向于建立停电风险指标的研究，对配电网领域的故障风险影响因素选择方法和影响因素之间的关联性研究较少，而且现有特征选择方法往往只能选出权重大的影响因素，不能有效地剔除冗余因素。基于概率统计的配电网风险评估预测方法，虽然能反映电网总体风险水平，但得到的预测结果不能为运行人员发现、找出风险原因和风险源头提供依据，对风险预防控制措施的制定具有一定的局限性。
随着用电信息采集、配电自动化等系统的不断完善，配电网基础数据、运行数据和管理数据出现爆炸式增长，逐渐呈现海量、逻辑复杂和数据项复杂等大数据特性，现有技术中配电网故障风险等级预测一般基于数据挖掘技术的预测算法(包括神经网络法、卡尔曼滤波法、时间序列法和小波分析等)实现，虽然已经广泛应用于电网研究和工程实际中，但是预测过程中缺乏配电网风险影响因素关联性分析，导致预测的准确性低。
技术实现要素：
为了克服上述现有技术中缺乏配电网风险影响因素关联性分析导致的配电网故障风险预测准确性低的不足，本发明提供一种配电网故障风险等级预测方法和装置，先根据获取的配电网初始影响因素的数据，确定配电网风险主要影响因素数据集；然后根据配电网风险主要影响因素数据集，采用灰色关联分析法确定配电网风险最优影响因素数据集；最后采用配电网风险最优影响因素数据集训练支持向量机，根据训练后的支持向量机预测配电网故障风险等级，本发明确定配电网风险最优影响因素时采用了灰色关联分析法，考虑了配电网初始影响因素数据之间的关联性，提高了配电网故障风险预测准确性。
为了实现上述发明目的，本发明采取如下技术方案：
一方面，本发明提供一种配电网故障风险等级预测方法，包括：
根据获取的配电网初始影响因素的数据，确定配电网风险主要影响因素数据集；
根据配电网风险主要影响因素数据集，采用灰色关联分析法确定配电网风险最优影响因素数据集；
采用配电网风险最优影响因素数据集训练支持向量机，根据训练后的支持向量机预测配电网故障风险等级。
配电网初始影响因素包括自然因素、外力因素、设备因素、系统因素、操作因素和时间因素。
所述配电网初始影响因素的数据通过下述方式获取；
所述外力因素、设备因素、系统因素、操作因素和时间因素的数据从配电网信息管理系统中的配电网自动化系统和/或智能公用配变监测系统获取；
所述自然因素的数据从配电网信息管理系统中的电网气象信息系统获取。
根据获取的配电网初始影响因素数据，确定配电网风险主要影响因素数据集，包括：
对获取的配电网初始影响因素的数据进行预处理；
根据预处理后的影响因素数据，采用relieff算法确定配电网风险主要影响因素的数据集。
对获取的配电网初始影响因素的数据进行预处理，包括：
采用k-means聚类算法对配电网初始影响因素数据进行清洗，得到清洗后的配电网影响因素数据；
对清洗后的配电网影响因素数据进行归一化处理，得到预处理后的影响因素数据。
所述根据配电网风险主要影响因素的数据集，采用灰色关联分析法确定配电网风险最优影响因素的数据集，包括：
依次选择配电网风险主要影响因素中的任一主要影响因素的数据作为参考序列，其余影响因素作为子序列，确定参考序列与子序列的差值矩阵；
设置分辨系数，并根据分辨系数和参考序列与子序列的差值矩阵确定主要影响因素关联度矩阵；
设置关联阈值，并将主要影响因素关联度矩阵中超过关联阈值的主要影响因素剔除，得到配电网风险最优影响因素数据集。
所述根据训练后的支持向量机预测配电网故障风险等级，包括：
采用遗传算法对训练后的支持向量机进行优化，得到优化后的支持向量机；
根据故障停电频率和停电损失负荷累加值，将配电网故障风险等级划分为一般风险、中度风险和严重风险；
根据优化后的支持向量机对配电网故障风险等级进行预测。
另一方面，本发明还提供一种配电网故障风险等级预测装置，包括：
第一确定模块，用于根据获取的配电网初始影响因素的数据，确定配电网风险主要影响因素数据集；
第二确定模块，用于根据配电网风险主要影响因素数据集，采用灰色关联分析法确定配电网风险最优影响因素数据集；
预测模块，用于采用配电网风险最优影响因素数据集训练支持向量机，根据训练后的支持向量机预测配电网故障风险等级。
所述配电网初始影响因素包括自然因素、外力因素、设备因素、系统因素、操作因素和时间因素。
第一确定模块具体用于：
从配电网信息管理系统中的配电网自动化系统和/或智能公用配变监测系统获取所述外力因素、设备因素、系统因素、操作因素和时间因素的数据；
从配电网信息管理系统中的电网气象信息系统获取所述自然因素的数据。
所述第一确定模块包括：
预处理单元，对获取的配电网初始影响因素的数据进行预处理；
确定单元，用于根据预处理后的影响因素数据，采用relieff算法确定配电网风险主要影响因素的数据集。
所述预处理单元包括：
清洗单元，用于采用k-means聚类算法对配电网初始影响因素数据进行清洗，得到清洗后的配电网影响因素数据；
归一化单元，用于对清洗后的配电网影响因素数据进行归一化处理，得到预处理后的影响因素数据。
所述第二确定模块具体用于：
依次选择配电网风险主要影响因素中的任一主要影响因素的数据作为参考序列，其余影响因素作为子序列，确定参考序列与子序列的差值矩阵；
设置分辨系数，并根据分辨系数和参考序列与子序列的差值矩阵确定主要影响因素关联度矩阵；
设置关联阈值，并将主要影响因素关联度矩阵中超过关联阈值的主要影响因素剔除，得到配电网风险最优影响因素数据集。
所述预测模块包括：
优化单元，用于采用遗传算法对训练后的支持向量机进行优化，得到优化后的支持向量机；
划分单元，用于根据故障停电频率和停电损失负荷累加值，将配电网故障风险等级划分为一般风险、中度风险和严重风险；
预测单元，用于根据优化后的支持向量机对配电网故障风险等级进行预测。
与最接近的现有技术相比，本发明提供的技术方案具有以下有益效果：
本发明提供的配电网故障风险等级预测方法中，先根据获取的配电网初始影响因素的数据，确定配电网风险主要影响因素数据集；然后根据配电网风险主要影响因素数据集，采用灰色关联分析法确定配电网风险最优影响因素数据集；最后采用配电网风险最优影响因素数据集训练支持向量机，根据训练后的支持向量机预测配电网故障风险等级，本发明确定配电网风险最优影响因素时采用了灰色关联分析法，考虑了配电网初始影响因素数据之间的关联性，提高了配电网故障风险预测准确性；
本发明提供的配电网故障风险等级预测装置包括第一确定模块、第二确定模块和预测模块，第一确定模块，用于根据获取的配电网初始影响因素的数据，确定配电网风险主要影响因素数据集；第二确定模块，用于根据配电网风险主要影响因素数据集，采用灰色关联分析法确定配电网风险最优影响因素数据集；预测模块，用于采用配电网风险最优影响因素数据集训练支持向量机，根据训练后的支持向量机预测配电网故障风险等级，确定配电网风险最优影响因素数据集时采用了灰色关联分析法，考虑了配电网初始影响因素数据之间的关联性，提高了配电网故障风险预测准确性；
本发明综合考虑了配电网故障风险发生的自然因素、设备因素、系统因素和时间因素等配电网风险初始影响因素，从多维度全面反映导致配电网故障可能存在的风险影响因素；
本发明根据配电网风险初始影响因素和预处理后的影响因素数据，并采用多分类relieff算法确定配电网风险影响主要因素，提高了配电网故障风险等级预测效率；
本发明利用灰色关联分析法确定主要影响因素之间的关联关系，能够剔除冗余影响因素，得到最优影响因素，为预测结果的准确性提供基础；
本发明采用配电网风险最优影响因素的最优影响因素数据训练支持向量机，利用遗传算法优化训练后的支持向量机，并根据训练后的支持向量机预测配电网风险等级，提高了支持向量机的分类效果，从而提高配电网风险等级预测的准确性；
本发明适用于大数据架构下的配电网故障风险等级预测，为配电网运行维护提供有效依据。
附图说明
图1是本发明实施例中配电网故障风险等级预测方法流程图。
具体实施方式
下面结合附图对本发明作进一步详细说明。
本发明实施例提供一种配电网故障风险等级预测方法，具体流程图如图1所示，具体过程如下：
s101：根据获取的配电网初始影响因素的数据，确定配电网风险主要影响因素数据集；
s102：根据配电网风险主要影响因素数据集，采用灰色关联分析法确定配电网风险最优影响因素数据集；
s103：采用配电网风险最优影响因素数据集训练支持向量机，根据训练后的支持向量机预测配电网故障风险等级。
上述配电网初始影响因素包括自然因素、外力因素、设备因素、系统因素、操作因素和时间因素。
其中的自然因素包括气温、湿度、污秽、雷电和覆冰；
其中的外力因素包括树线矛盾、车辆撞杆、机械误撞、市政施工和架空线异物短路；
其中的设备因素包括绕组绝缘受潮、绝缘老化、绕组变形和变压器油质；
其中的系统因素包括变压器过载、过负荷、铁磁谐振过电压、匝间短路、相间短路和断路；
其中的操作因素包括误操作、分布式电源投切和解合环操作；
其中的时间因素包括工作日、节假日和保供电时期。
具体的配电网风险初始影响因素如表1所示：
表1
上述配电网初始影响因素的数据通过下述方式获取；
其中外力因素、设备因素、系统因素、操作因素和时间因素的数据从配电网信息管理系统中的配电网自动化系统和/或智能公用配变监测系统获取；
其中自然因素的数据从配电网信息管理系统中的电网气象信息系统获取。
上述s101中，根据获取的配电网初始影响因素数据，确定配电网风险主要影响因素数据集，具体过程如下：
对获取的配电网初始影响因素的数据进行预处理；
根据预处理后的影响因素数据，采用relieff算法确定配电网风险主要影响因素的数据集。
对获取的配电网初始影响因素的数据进行预处理，包括：
采用k-means聚类算法对配电网初始影响因素数据进行清洗，得到清洗后的配电网影响因素数据；
上述的k-means聚类算法是一种简单、高效的聚类算法。它是根据数据的相似性把数据集划分成组，同一簇中的对象彼此相似，不同簇中的对象相异。使用簇ci的形心(分配给该簇的对象的均值)代表该簇，簇ci的质量可以用簇内变差(簇ci中所有对象和形心ci之间的误差的平方和)度量，定义为
对清洗后的配电网影响因素数据进行归一化处理，得到预处理后的影响因素数据。
对样本数据进行规范化和离散化处理，使数据落入较小的共同区间。将风险影响因素的数值属性(例如，温度)的原始值用区间标签(例如，-10～0,0～10等)或概念标签(例如，low，high)替换。通过规范化风险影响因素的数据，将数据变换归一化到相同的区间范围内。
上述s102中用到的灰色关联分析法是通过分析和确定各因素之间的影响程度或是若干个子因素(子序列)对主因素(母序列)的贡献度而进行的一种分析方法。它用由某些特定参数组成的曲线来形象地表示事物的特征和发展过程，通过计算曲线间某种特定差值求得的关联度来分析其内在联系，作为衡量这些事物的发展过程的近似程度。于是根据配电网风险主要影响因素的数据集，采用灰色关联分析法确定配电网风险最优影响因素的数据集，具体如下：
依次选择配电网风险主要影响因素中的任一主要影响因素的数据作为参考序列，其余影响因素作为子序列，确定参考序列与子序列的差值矩阵；
设置分辨系数(可设为0.5)，并根据分辨系数和参考序列与子序列的差值矩阵确定主要影响因素关联度矩阵；
设置关联阈值，并将主要影响因素关联度矩阵中超过关联阈值的主要影响因素剔除，得到配电网风险最优影响因素数据集。
上述s103中，根据训练后的支持向量机预测配电网故障风险等级，包括：
采用遗传算法对训练后的支持向量机进行优化，得到优化后的支持向量机；
根据故障停电频率和停电损失负荷累加值，将配电网故障风险等级划分为一般风险、中度风险和严重风险；
根据优化后的支持向量机对配电网故障风险等级进行预测。
上述支持向量机(supportvectormachines，svm)基本上是一种最好的监督式学习分类模型，通过寻求结构化风险最小来提高学习机泛化能力，实现经验风险和置信范围的最小化，获得良好统计规律的目的。主要优点是：提高泛化性能，解决高维问题和非线性问题，避免神经网络结构选择和局部极小点问题。利用支持向量机分类使得配电网风险类型可被预测，综合考虑配电网中风险的影响因素特征，定量反映故障风险发生的类型，为配电网风险预控提供有效依据。
本发明实施例提供的配电网故障风险等级预测方法从多个维度分析总结可能对配电网故障风险造成影响的因素；基于大数据预处理技术，对获取的配电网风险影响数据进行数据清洗和归一化处理，并运用k-means聚类算法剔除离群样本；利用多分类relieff算法计算故障风险影响因素的特征权重，确定主要影响因素，并进行影响因素按权重排序；利用灰色关联分析各类风险影响因素之间的关联关系，通过计算风险关联度矩阵，剔除冗余影响因素后得最优影响因素；考虑故障停电情况和严重程度划分风险等级，利用支持向量机对配电网风险等级进行预测，并采用遗传算法对支持向量机进行优化处理，以期得到满足要求的配电网风险等级分类器，对配电网风险等级进行有效预测。
实施例2
本发明实施例2提供一种配电网故障风险等级预测装置，具体包括：
其中的第一确定模块，用于根据获取的配电网初始影响因素的数据，确定配电网风险主要影响因素数据集；
其中的第二确定模块，用于根据配电网风险主要影响因素数据集，采用灰色关联分析法确定配电网风险最优影响因素数据集；
其中的预测模块，用于采用配电网风险最优影响因素数据集训练支持向量机，根据训练后的支持向量机预测配电网故障风险等级。
上述配电网初始影响因素包括自然因素、外力因素、设备因素、系统因素、操作因素和时间因素。
上述第一确定模块具体用于：
从配电网信息管理系统中的配电网自动化系统和/或智能公用配变监测系统获取所述外力因素、设备因素、系统因素、操作因素和时间因素的数据；
从配电网信息管理系统中的电网气象信息系统获取所述自然因素的数据。
上述第一确定模块包括：
预处理单元，对获取的配电网初始影响因素的数据进行预处理；
确定单元，用于根据预处理后的影响因素数据，采用relieff算法确定配电网风险主要影响因素的数据集。
上述预处理单元包括：
清洗单元，用于采用k-means聚类算法对配电网初始影响因素数据进行清洗，得到清洗后的配电网影响因素数据；
归一化单元，用于对清洗后的配电网影响因素数据进行归一化处理，得到预处理后的影响因素数据。
上述第二确定模块具体用于：
依次选择配电网风险主要影响因素中的任一主要影响因素的数据作为参考序列，其余影响因素作为子序列，确定参考序列与子序列的差值矩阵；
设置分辨系数，并根据分辨系数和参考序列与子序列的差值矩阵确定主要影响因素关联度矩阵；
设置关联阈值，并将主要影响因素关联度矩阵中超过关联阈值的主要影响因素剔除，得到配电网风险最优影响因素数据集。
上述预测模块包括：
优化单元，用于采用遗传算法对训练后的支持向量机进行优化，得到优化后的支持向量机；
划分单元，用于根据故障停电频率和停电损失负荷累加值，将配电网故障风险等级划分为一般风险、中度风险和严重风险；
预测单元，用于根据优化后的支持向量机对配电网故障风险等级进行预测。
为了描述的方便，以上所述装置的各部分以功能分为各种模块或单元分别描述。当然，在实施本申请时可以把各模块或单元的功能在同一个或多个软件或硬件中实现。
本领域内的技术人员应明白，本申请的实施例可提供为方法、系统、或计算机程序产品。因此，本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且，本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、cd-rom、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上，使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
最后应当说明的是：以上实施例仅用以说明本发明的技术方案而非对其限制，所属领域的普通技术人员参照上述实施例依然可以对本发明的具体实施方式进行修改或者等同替换，这些未脱离本发明精神和范围的任何修改或者等同替换，均在申请待批的本发明的权利要求保护范围之内。
- 还没有人留言评论。精彩留言会获得点赞！