本发明属于电力,尤其涉及一种用户停电事件故障预测方法。
背景技术:
1、随着现代社会的飞速发展,电力已成为社会离不开的重要要素。但在电力生产过程中,因各种不可干扰因素造成停电事件,用户停电事件故障不仅会给自己带来重大危害,并且易给电网带来很大的冲击,很可能造成大面积的停电、电网崩溃,给社会、经济、人民生活和安全造成更大的危害。因此,做好用户停电事件故障趋势预测是十分必要的。
2、传统的用户停电事件故障趋势预测存在复杂、精度低、预测模型差的缺点,同时,预测响应时间较慢。专利“一种配电网故障停电预测方法及存储介质”(202210675829.6)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、中期的预测结果,可以对影响用户进行事先通知,提高应对停电事件的主动性。但数据采集和处理较为复杂,响应时间仍不够快。
技术实现思路
1、本申请的目的在于,提供一种用户停电事件故障预测方法,以解决现有现有用户停电故障预测较为复杂、响应时间不够快的缺陷,为及时解决停电事件争取宝贵时间。
2、为了解决或者改善上述问题,本发明提供了一种用户停电事件故障预测方法,具体技术方案如下:
3、本发明提供一种用户停电事件故障预测方法,其特征在于,包括:
4、步骤s1:采集停电事件故障数据;
5、步骤s2:对采集到的停电事件故障数据进行降维和降维后归一化预处理;
6、步骤s3:根据预处理的数据对停电事件故障趋势进行预测。
7、优选的,骤s1具体包括:采集故障信号,用自适应滤波的方法对信号中的干扰与噪声进行滤波,再将滤波后的故障信号转化为故障数据。
8、优选的,所述故障信号为二维网络故障振动信号。
9、优选的,滤波处理的具体方法包括:
10、故障信号qij用式子表达如下,
11、
12、qij表示第i行第j列的故障信号,fijh表示第i行第j列的故障信号,fijl表示第i行第j列的故障信号,nk为采集频率;
13、对采集到的故障振动信号进行自适应滤波,滤波后的故障振动信号q1ij为
14、
15、q1ij表示第i行第j列滤波后的故障信号,β为自适应滤波系数,a为故障信号的时移参数,et为噪声和其他干扰信号,t为滤波时间。
16、对信号中的干扰与噪声进行滤波后,再将滤波后的故障信号转化为故障数据sij,
17、
18、其中,m为二维故障行数据个数。
19、优选的,骤s2中,使用欧几里德距离计算方法将故障数据规模降维。
20、优选的,降维后的数据si为
21、
22、在式(4)中,m为二维故障行数据个数,n为二维故障列数据个数,ω为高维时空状态矩阵,对数据进行实时监测,并对其进行降维处理。
23、优选的,对降维后的k个数据进行归一化处理,确保数据取值范围在[01]之间,归一化后的数据s1为式(5)
24、
25、其中,k为降维处理后的数据的个数。
26、优选的,步骤s3中,对停电事件故障趋势预测包括:故障发生的概率、用户配电网络的状态脆弱度指标和停电事件故障趋势预测模型。
27、优选的,将归一化处理后的数据s1进行时间序列分解,分解成式(6)
28、s1=rt+st+xt(6)
29、其中,rt为故障变化的趋势项,st为时间序列的周期项,xt为时间序列的平稳项,通过故障变化的趋势项rt可以进行停电事件故障趋势预测。
30、停电事件故障的概率p(t)服从泊松分布,见式(7)
31、
32、在式(7)中,λav为停电事件故障发生的平均概率;从而可计算出第c次用户配电网络的状态脆弱度指标μc为
33、
34、rc为第c次停电事故故障时间序列故障变化趋势项的参数,δc为第c次停电事故故障时间序列故障变化趋势项的能量差值,可以推算第c次停电事故故障对第z次停电事故故障的脆弱影响因子gz,c,
35、
36、从而可计算停电事件故障趋势预测模型lz+1,
37、
38、其中,gz,z为第z次停电事故故障对第z次停电事故故障的脆弱影响因子。
39、本发明的有益效果为:
40、本发明的方法采集数据快,停电事件故障数据的精度高,同时可准确分析不同故障数据之间的联系,具有较高的实用性和实时性,解决了传统方法复杂、精度低、预测模型差、响应速度不够快的缺点。其中,根据采集频率完成故障信号的采集,方法简单快捷,为及时解决停电事件争取宝贵时间,同时使用自适应滤波的方法提高停电事件故障数据的准确性,数据使用欧几里德距离计算方法将故障数据规模降维,降维更能清楚表示不同故障数据之间的联系,对降维后的数据进行归一化处理,采集数据快,停电事件故障数据的精度高,准确分析不同故障数据之间的联系,具有较高的实用性和实时性。
1.一种用户停电事件故障预测方法,其特征在于,包括:
2.根据权利要求1所述用户停电事件故障预测方法,其特征在于,步骤s1具体包括:采集故障信号,用自适应滤波的方法对信号中的干扰与噪声进行滤波,再将滤波后的故障信号转化为故障数据。
3.根据权利要求2所述用户停电事件故障预测方法,其特征在于,所述故障信号为二维网络故障振动信号,通过振动频率来采集。
4.根据权利要求3所述用户停电事件故障预测方法,其特征在于,滤波处理的具体方法包括:
5.根据权利要求1所述用户停电事件故障预测方法,其特征在于,步骤s2中,使用欧几里德距离计算方法将故障数据规模降维。
6.根据权利要求5所述用户停电事件故障预测方法,其特征在于,降维后的数据si为
7.根据权利要求6所述用户停电事件故障预测方法,其特征在于,
8.根据权利要求1所述用户停电事件故障预测方法,其特征在于,步骤s3中,对停电事件故障趋势预测包括:故障发生的概率、用户配电网络的状态脆弱度指标和停电事件故障趋势预测模型。
9.根据权利要求8所述用户停电事件故障预测方法,其特征在于,将归一化处理后的数据s1进行时间序列分解,分解成式(6)