一种基于神经网络的配电网风险隐患动态评价模型构建方法与流程

本发明涉及一种用于智能电网领域的基于神经网络的配电网风险隐患动态评价模型构建方法。

背景技术：

提升供电的可靠性始终是电力供应的第一要务。伴随着可靠性理论在电力系统研究中的不断应用，对于配电网供电可靠性的研究也在实践中不断发展。对供电可靠性的研究已有多年基础，主要集中于对故障停电和预安排停电的统计分析，以及对停电的直接原因进行分析，未能从网架、设备、用户等多个维度全面考虑影响供电可靠性的风险因素。对供电可靠性的预测也较多使用时间序列法，准确度不高。基于神经网络的配电网供电可靠性风险动态评价模型，通过对历史故障的大数据分析，对供电可靠性风险隐患进行了全面、系统梳理，并应用神经网络的方法，构建配电网供电可靠性风险动态评价模型，预测供电可靠性风险发生概率和严重程度。

技术实现要素：

本发明的目的是为了克服现有技术的不足，提供一种基于神经网络的配电网风险隐患动态评价模型构建方法，它从故障率预测和风险严重程度预测两个维度的结合得到综合风险评级，以确定当前电网的风险。

实现上述目的的一种技术方案是：一种基于神经网络的配电网风险隐患动态评价模型构建方法，包括故障率预测流程与风险严重程度预测流程，具体包括如下步骤：

步骤1，通过电网在线监控系统采集电网数据，然后将故障率预测流程相关数据与风险严重程度相关数据进行区分，分别输入故障率预测流程和风险严重程度预测流程；

故障率预测流程包括如下步骤：

步骤2.1，通过历史故障数据挖掘以构建故障率模型；

步骤2.2，识别配电网供电可靠性风险隐患因素；

步骤2.3，确定故障率模型的输入参数和输出参数；

步骤2.4，确定训练和测试样本，通过神经网络对故障率模型进行训练；

步骤2.5，通过参照数据对经过训练的故障率模型进行验证；

步骤2.6，输入实时的故障率预测流程相关数据得到故障率预测值定级；

风险严重程度预测流程包括如下步骤：

步骤3.1，通过历史严重风险数据挖掘以构建风险严重程度模型；

步骤3.2，梳理严重程度风险指标；

步骤3.3，采用层次分析法确定风险严重程度模型的风险指标的权重；

步骤3.4，确定风险严重程度模型的输入参数和输出参数；

步骤3.5，确定训练和测试样本，通过神经网络对风险严重程度进行训练；

步骤3.6，通过参照数据对经过训练的风险严重程度模型进行验证；

步骤3.7，输入实时的风险严重程度相关数据得到风险严重程度定级；

步骤4，在分别得到故障率预测值定级和风险严重程度定级后，结合两个定级数据得到综合风险评级；

步骤5,如果步骤4得到的综合风险评级如果触发风险警戒线，则发出风险预警。

本发明的一种基于神经网络的配电网风险隐患动态评价模型构建方法，在采集电网实时数据后，将数据进行故障率预测流程相关数据与风险严重程度相关数据的区分，分别输入对应流程。故障率预测流程和风险严重程度预测流程分别通过历史数据得到各自数据模型，然后梳理各自模型的主要相关因素，并确定输入参数和输出参数，再通过神经网络进行训练，最终得到经过验证的模型，从而能够根据实时数据得到实时故障率预测值定级和风险严重程度定级。结合二者的定级从而得到综合风险评级，并在综合风险评级触发阈值时进行警告。

本发明提出一种基于神经网络的配电网供电可靠性风险隐患动态评价模型构建的实现方法，通过对影响配电网供电可靠性的重要风险隐患的识别和监控，实现对重要风险隐患的有效防范，有效降低影响配电网供电可靠性的重大风险隐患的发生概率及其影响程度，切实提升配电网供电可靠性水平。本发明结合风险识别技术，对供电可靠性风险隐患进行了全面、系统的梳理；运用大数据分析方法得出供电可靠性风险隐患关键影响因素；通过机器学习算法的应用，预测供电可靠性风险发生概率和严重程度；应用供电可靠性风险隐患动态评价模型量化评估风险隐患，进行综合风险评级。

附图说明

图1为本发明的一种基于神经网络的配电网风险隐患动态评价模型构建方法的流程示意图。

具体实施方式

为了能更好地对本发明的技术方案进行理解，下面通过具体地实施例进行详细地说明：

请参阅图1，本发明的一种基于神经网络的配电网风险隐患动态评价模型构建方法包括故障率预测流程与风险严重程度预测流程，具体包括如下步骤：

步骤1，通过电网在线监控系统采集电网数据，然后将故障率预测流程相关数据与风险严重程度相关数据进行区分，分别输入故障率预测流程和风险严重程度预测流程；

故障率预测流程包括如下步骤：

步骤2.1，通过历史故障数据挖掘以构建故障率模型；

步骤2.2，识别配电网供电可靠性风险隐患因素；

步骤2.3，确定故障率模型的输入参数和输出参数；

步骤2.4，确定训练和测试样本，通过神经网络对故障率模型进行训练；

步骤2.5，通过参照数据对经过训练的故障率模型进行验证；

步骤2.6，输入实时的故障率预测流程相关数据得到故障率预测值定级；

风险严重程度预测流程包括如下步骤：

步骤3.1，通过历史严重风险数据挖掘以构建风险严重程度模型；

步骤3.2，梳理严重程度风险指标；

步骤3.3，采用层次分析法确定风险严重程度模型的风险指标的权重；

步骤3.4，确定风险严重程度模型的输入参数和输出参数；

步骤3.5，确定训练和测试样本，通过神经网络对风险严重程度进行训练；

步骤3.6，通过参照数据对经过训练的风险严重程度模型进行验证；

步骤3.7，输入实时的风险严重程度相关数据得到风险严重程度定级；

步骤4，在分别得到故障率预测值定级和风险严重程度定级后，结合两个定级数据得到综合风险评级；

步骤5,如果步骤4得到的综合风险评级如果触发风险警戒线，则发出风险预警。

本技术领域中的普通技术人员应当认识到，以上的实施例仅是用来说明本发明，而并非用作为对本发明的限定，只要在本发明的实质精神范围内，对以上所述实施例的变化、变型都将落在本发明的权利要求书范围内。

技术特征：

1.一种基于神经网络的配电网风险隐患动态评价模型构建方法，其特征在于，包括故障率预测流程与风险严重程度预测流程，具体包括如下步骤：

步骤1，通过电网在线监控系统采集电网数据，然后将故障率预测流程相关数据与风险严重程度相关数据进行区分，分别输入故障率预测流程和风险严重程度预测流程；

故障率预测流程包括如下步骤：

步骤2.1，通过历史故障数据挖掘以构建故障率模型；

步骤2.2，识别配电网供电可靠性风险隐患因素；

步骤2.3，确定故障率模型的输入参数和输出参数；

步骤2.4，确定训练和测试样本，通过神经网络对故障率模型进行训练；

步骤2.5，通过参照数据对经过训练的故障率模型进行验证；

步骤2.6，输入实时的故障率预测流程相关数据得到故障率预测值定级；

风险严重程度预测流程包括如下步骤：

步骤3.1，通过历史故障数据挖掘以构建风险严重程度模型；

步骤3.2，梳理严重程度风险指标；

步骤3.3，采用层次分析法确定风险严重程度模型的风险指标的权重；

步骤3.4，确定风险严重程度模型的输入参数和输出参数；

步骤3.5，确定训练和测试样本，通过神经网络对风险严重程度进行训练；

步骤3.6，通过参照数据对经过训练的风险严重程度模型进行验证；

步骤3.7，输入实时的风险严重程度相关数据得到风险严重程度定级；

步骤4，在分别得到故障率预测值定级和风险严重程度定级后，结合两个定级数据得到综合风险评级；

步骤5,如果步骤4得到的综合风险评级如果触发风险警戒线，则发出风险预警。

技术总结
本发明公开了一种基于神经网络的配电网风险隐患动态评价模型构建方法，在采集电网实时数据后，将数据进行故障率预测流程相关数据与风险严重程度相关数据的区分，分别输入对应流程。故障率预测流程和风险严重程度预测流程分别通过历史数据得到各自数据模型，然后梳理各自模型的主要相关因素，并确定输入参数和输出参数，再通过神经网络进行训练，最终得到经过验证的模型，从而能够根据实时数据得到实时故障率预测值定级和风险严重程度定级。结合二者的定级从而得到综合风险评级，并在综合风险评级触发阈值时进行警告。

技术研发人员：唐跃中;周华;王卫斌;高洁;陆嘉铭;屈志坚
受保护的技术使用者：国网上海市电力公司
技术研发日：2019.08.02
技术公布日：2019.11.19