一种配网故障停电预测方法及存储介质与流程

1.本发明涉及配网停电预测技术领域，具体涉及一种配网故障停电预测方法及存储介质。


背景技术：

2.配网供电可靠性与居民生活能否正常用电密切相关，而故障因素是影响供电可靠性的关键因素之一，保障配网的正常运行以及停电后实施合理有效的应对措施是生产运营监控部门的重要工作。
3.受配网自身因素及外部环境因素等故障因素的影响，配网会进行故障停电，若无法有效对停电进行有效预测及管理，不仅导致用户对电力服务不满，还给居民的日常生活带来巨大不便，甚至造成严重的商业经济损失，因此，为了尽可能快速恢复供电和减小停电的影响，对停电事件进行预测势在必行。


技术实现要素：

4.针对上述问题，发明人提供了一种配网故障停电预测方法及存储介质，可对故障停电进行可靠预测，有助于避免发生重大停电事故，提高应对停电事件的主动性。
5.根据第一方面，本发明提供了一种配网故障停电预测方法，包括如下步骤：
6.步骤s1：获取故障停电可靠性指标和故障停电主要影响因素；
7.步骤s2：以所述故障停电可靠性指标和故障停电主要影响因素为训练集，利用相关向量机构建停电预测模型；
8.步骤s3：利用基于惯性权重的萤火虫算法对所述停电预测模型进行优化，得到优化后的停电预测模型；
9.步骤s4：将故障停电影响因素输入优化后的停电预测模型进行故障停电预测。
10.进一步地，所述步骤s1中，所述故障停电主要影响因素的获取步骤包括：
11.步骤s11：获取故障停电影响因素；
12.步骤s12：根据层次分析法从所述故障停电影响因素中选取出故障停电主要影响因素。
13.进一步地，所述步骤s12包括：
14.步骤s121：将故障停电影响因素分为目标层、基准层和因素层；
15.步骤s122：对同一层次内，两两因素之间的相对重要性进行比较，得到判断矩阵；
16.步骤s123：层次单排序并进行一致性检验；
17.步骤s124：层次总排序并进行一致性检验；
18.步骤s125：根据通过一致性检验的层次总排序结果，选取总权重最大的多个因素作为故障停电主要影响因素。
19.进一步地，所述故障停电影响因素包括：自然因素、外部因素、内部因素和客户因素。
20.进一步地，所述步骤s3包括：
21.步骤s31：设置萤火虫算法基本参数；
22.步骤s32：初始化萤火虫位置及亮度，并进行迭代搜索；
23.步骤s33：萤火虫位置和亮度更新；
24.步骤s34：判断相邻两次迭代的萤火虫的位置和亮度是否相同，若不同，则判断是否满足迭代停止的条件，若满足，则停止迭代，输出优化的停电预测模型参数；若相同，则引入惯性权重，再次更新萤火虫位置和亮度；
25.步骤s35：基于优化的停电预测模型参数重新训练停电预测模型，得到优化后的停电预测模型。
26.进一步地，萤火虫的亮度更新公式为：
[0027][0028]
其中，h
ij
为萤火虫i到萤火虫j的距离为r
ij
条件下，萤火虫i相对于萤火虫j的相对亮度；
[0029]
所述步骤s33中，萤火虫的位移公式为：
[0030]
xj(t+1)＝xi(t)+l(xj(t)-xi(t))+α(t)
×
εj[0031]
其中，xi和xj为萤火虫i对萤火虫j所处的空间位置；l为萤火虫i相对于萤火虫j的吸引度；α为步长因子；εj为加入的随机干扰项；t为迭代次数；
[0032]
所述步骤s34中，引入惯性权重后的萤火虫的位移公式为：
[0033]
xj(t+1)＝ω(t)xi(t)+l(xj(t)-xi(t))+α(t)
×
εj[0034]
ω表示惯性权重。
[0035]
进一步地，所述步长因子α的更新公式为：
[0036]
α＝0.4/(1+exp(0.015
×
(t-maxn)/3))
[0037]
其中，t为迭代次数；maxn为最大迭代次数。
[0038]
进一步地，所述故障停电可靠性指标包括：用户平均故障停电次数、用户平均故障停电时长、故障停电平均持续时间、故障停电平均缺供电量、故障停电平均用户数和故障停电时户数。
[0039]
根据第二方面，本发明还提供了一种计算机可读存储介质，其上存储有计算机程序，所述计算机程序能够被处理器执行以实现如上所述的方法的步骤。
[0040]
相比现有技术，本发明的有益效果：
[0041]
本发明提供的方法，结合自然因素、外部因素、内部因素和客户因素等数据来对未来短期、中期的停电情况进行预测，为生产运营监控中心制定检修计划、应急策略等提供帮助。借助预测结果，可以对影响用户进行事先通知，将突发事件转变为预安排时间，极大减少停电造成的影响；还可对停电原因进行分析和排查，根据设备运行状态数据提前进行检查，降低了设备损坏的风险；并且，对于配网运营监控部门来说，可靠的停电预测能够实现整个管理、监控和执行过程的闭环，避免发生重大停电事故，提高应对停电事件的主动性。
附图说明
[0042]
图1为本发明提供的配网故障停电预测方法示意图；
[0043]
图2为本发明提供的配网故障停电预测方法的流程图；
[0044]
图3为本发明提供的故障停电影响因素分类汇总图。
具体实施方式
[0045]
下面通过具体实施方式结合附图对本发明作进一步详细说明。
[0046]
实施例1
[0047]
如图1-2所示，本发明提供了一种配网故障停电预测方法，包括如下步骤：
[0048]
步骤s1：获取故障停电可靠性指标和故障停电主要影响因素。其中，故障停电可靠性指标包括：用户平均故障停电次数、用户平均故障停电时长、故障停电平均持续时间、故障停电平均缺供电量、故障停电平均用户数和故障停电时户数。
[0049][0050]
故障停电主要影响因素的获取步骤包括：
[0051]
步骤s11：获取故障停电影响因素。故障停电影响因素包括：自然因素、外部因素、内部因素和客户因素。具体分类如图3所示。
[0052]
步骤s12：根据层次分析法从所述故障停电影响因素中选取出故障停电主要影响因素。具体为：
[0053]
步骤s121：将故障停电影响因素分为目标层、基准层和因素层；
[0054]
步骤s122：对同一层次内，两两因素之间的相对重要性进行比较，得到判断矩阵。具体过程为：
[0055]
如表1所示，赋予1-9的标度值。
[0056]
表1
[0057]
[0058][0059]
根据上表1-9标度对同一层次因素进行两两比较，得到判断矩阵：
[0060][0061]
其中，t
ij
》0，当i≠j时，t
ji
＝1/t
ij
；当i＝j时，t
ij
＝1。
[0062]
步骤s123：层次单排序并进行一致性检验。根据上述判断矩阵计算当前层次中的元素相对于其上一层有关联的指标的重要性次序的权值。对于单个层次的权值排序，计算元素权值可等价于计算判断矩阵t的特征根和特征向量。其中，特征向量的计算公式为：
[0063]
tw＝λ
max
t
[0064]
w为正规化特征向量；λ
max
为判断矩阵的最大特征根。
[0065][0066]
wi为第i个元素的权重,wj为第j个元素的权重，n为判断矩阵t的阶数。
[0067]
一致性检验判断矩阵t。检验使用判断矩阵t计算得出的每个指标的权值是否合理。计算一致性指标ci：
[0068][0069]
使用平均一致性指标ri对判断矩阵t进行一致性检验。ri取值由判断矩阵阶数确定，具体如表2所示：
[0070]
表2
[0071]
n(阶数)123456789ri000.580.891.121.241.311.411.45
[0072]
一致性比率cr的计算公式为：
[0073][0074]
若cr《0.10，表明判断矩阵t通过一致性检验；否则，需要调整判断矩阵t。
[0075]
步骤s124：层次总排序并进行一致性检验。
[0076]
层次总排序为同一层次中单排序的结果中所有元素相对于上一层次相对重要性的权值的综合，这一过程从最高层到最低层顺序进行。权值越大，因素相对于目标的重要性越高，反之则越低。
[0077]
即：先计算每准则层b相对于目标层a的相对权重和因素层c相对于准则层b的相对
权重，然后按路径进行累加，得到因素层c相对于目标层a的层次总排序。
[0078]
步骤s125：根据通过一致性检验的层次总排序结果，选取总权重最大的多个因素作为故障停电主要影响因素。
[0079]
举例来说，若准则层b相对于目标层a的计算过程为：
[0080][0081]
推出准则层b相对于目标层a的相对权重将归一化得到准则层b相对于目标层a的权向量w为：
[0082]
w＝[0.106,0.362,0.411,0.121]
t
[0083]
据此，可得到tw＝[0.43,1.454,1.666,0.485]
t
，则λ
max
＝4.033；ci＝0.011；cr＝0.012，且cr《0.1，通过一致性检验。准则层b的4个影响因素由高到低的排序为：b3》b2》b1》b4。以此类推，再分别计算因素层c对准则层b各因素的权重值，最终选择总权重最大的6个影响因素作为主要故障停电主要影响因素，计算结果如表3所示：
[0084]
表3
[0085][0086][0087]
根据上述结果，则选取风雨c2、动物破坏c5、异物短路c7、管理问题c9、质量问题c10、用电不规范c14这六个因素为主要影响因素。
[0088]
步骤s2：以所述故障停电可靠性指标和故障停电主要影响因素为训练集，利用相关向量机(rvm)构建停电预测模型；
[0089]
步骤s3：由于其参数选择的主观性和随机性，rvm停电预测模型性能并非最优。因
此，利用基于惯性权重的萤火虫算法对停电预测模型进行优化，得到优化后的停电预测模型。加快收敛速度，也提高算法精度。具体为：
[0090]
步骤s31：设置萤火虫算法基本参数。初始化萤火虫最大光亮强度h0，萤火虫之间的最大吸引度l0，亮度吸收系数γ，随机因子ε和目标函数。
[0091]
步骤s32：初始化萤火虫位置及亮度，并进行迭代搜索。在求解域内随机产生初始萤火虫位置，然后初始化萤火虫亮度h，
[0092]
步骤s33：萤火虫位置和亮度更新。假设萤火虫i的亮度hi的值相对于萤火虫j的亮度hj的值较大，则根据xj(t+1)＝xi(t)+l(xj(t)-xi(t))+α(t)
×
εj更新萤火虫i的位置，由公式更新萤火虫i的亮度。
[0093]
其中，h
ij
为萤火虫i到萤火虫j的距离为r
ij
条件下，萤火虫i相对于萤火虫j的相对亮度；xi和xj为萤火虫i对萤火虫j所处的空间位置；l为萤火虫i相对于萤火虫j的吸引度；εj为加入的随机干扰项；α为步长因子，步长因子α在寻优过程中动态调整，其更新公式为：α＝0.4/(1+exp(0.015
×
(t-maxn)/3))，t为迭代次数；maxn为最大迭代次数。
[0094]
步骤s34：判断相邻两次迭代的萤火虫的位置和亮度是否相同，若不同，则判断是否满足迭代停止的条件，若满足，则停止迭代，输出优化的停电预测模型参数，反之，则继续迭代寻优；若相同，则引入惯性权重，根据引入惯性权重后的萤火虫的位移公式xj(t+1)＝ω(t)xi(t)+l(xj(t)-xi(t))+α(t)
×
εj再次更新萤火虫位置，根据更新亮度。ω表示惯性权重。
[0095]
步骤s35：基于优化的停电预测模型参数重新训练停电预测模型，得到优化后的停电预测模型。
[0096]
步骤s4：进行停电预测时，将故障停电影响因素向量化，然后输入优化后的停电预测模型进行故障停电预测。
[0097]
实施例2
[0098]
预测某区域2个月的故障停电影响因素(未归一化)，具体因素如表3所示：
[0099]
月份质量问题异物短路风雨客户影响管理问题动物破坏11月6815500312月61191006
[0100]
经过本发明预测后得到的结果如表4所示：
[0101][0102]
以上应用了具体个例对本发明进行阐述，只是用于帮助理解本发明，并不用以限制本发明。对于本发明所属技术领域的技术人员，依据本发明的思想，还可以做出若干简单
推演、变形或替换。