本发明属于配电网故障检测,具体涉及一种考虑气象因素影响的配电网故障等级预测方法。
背景技术:
1、配电网是直接面向用户的网络,具有分布广泛、规模大和网络连接复杂等特点,因此配电网在运行维护和检修工作中存在运维检修范围广和工作量大等现象。此外,随着分布式电源的大量接入更是加大了配电网运维检修的难度和工作量。同时,由于配电网的设备种类繁多,且运行环境复杂,所以配电网的运行容易受外界因素的影响。据统计,配电网80%的大规模停电是由天气引起的,而恶劣的天气条件会对配电网的基础设施产生重大影响,使配电网更容易发生故障,从而影响输送给用户的电力质量。因此,对天气因素主导的配电网潜在故障进行预测,并将预测结果作为制定运维检修方案的指导参考,可以有效提升配电网的运维检修工作效率并降低运维检修的经济成本,同时也对提升配电网的稳定运行和供电可靠性有重要意义。
2、目前相关研究主要分为两类:第一类是针对某一类天气的影响对配电网展开研究;第二类则是研究多个天气场景与配电网故障的关系,然后分析其对配电网的影响以及其影响程度;其中,第一类研究中,仅仅只研究某一类天气对配电网的影响。而在实际工程工作天气具有不确定性,会导致其对配电网的影响多样且复杂,因此第一类方法虽然具有一定效果,但是在实际工程中还存在较大局限性。第二类研究中,虽然都考虑了较多的天气条件,但由于天气条件和配电网运行数据量较大且交错繁杂,可能导致评估或预测结果的准确率不高。因此,分类研究天气与配电网故障的关系,对于配电网的运行维护具有重要意义。
3、深度学习是机器学习中一种基于对数据进行表征学习的方法。目前常见的深度学习算法有卷积神经网络、循环神经网络、长短期记忆网络和生成对抗网络等。由于它们在特征提取和数据挖掘等方面拥有很大优势,因此在许多领域都获得了不错的成绩,如自然语言处理、语音识别和计算机视觉领域等。此外,深度学习算法近年来还被应用于配电网的故障诊断与预测,深度学习有着强大的特征分析和预测能力,可以实现对配电网电力设备或运行状态的历史运行数据与环境数据的深度挖掘,从而实现对配电网电力设备或运行状态进行实时感知并给出针对性的运维方案,这对配电网的稳定运行与维护具有十分重要的意义。
技术实现思路
1、针对现有技术中的上述不足,本发明提供的考虑气象因素影响的配电网故障等级预测方法解决了现有的利用深度学习进行配电网故障预测时存在模型工作量大、故障特征挖掘不足以及预测精度低的问题。
2、为了达到上述发明目的,本发明采用的技术方案为:一种考虑气象因素影响的配电网故障等级预测方法,包括以下步骤:
3、s1、对天气数据进行预处理,根据温度进行季节划分;
4、s2、对配电网故障数据进行预处理,筛选与配电网故障相关的天气特征,构建不同季节的初始故障特征集合,并进行故障等级划分;
5、s3、对不同季节的初始故障特征集合进行特征选择,得到不同季节的故障特征集合;
6、s4、构建配电网故障等级预测模型,并利用不同季节的故障特征集合对其训练;
7、s5、利用训练好的配电网故障等级预测模型,对配电网故障数据进行处理获得预测的配电网故障等级。
8、进一步地,所述步骤s1中,划分的季节包括夏季、冬季和春秋季,其划分的方法具体为:
9、将设定时间段内最高气温平均值高于第一预设温度的时间划分至夏季;将设定时间段内最低气温平均值低于第二预设温度的时间划分至冬季;将除夏季和冬季外的时间划分至春秋季。
10、进一步地,所述步骤s2中,根据配电网在预设时间段内发生故障时的故障比例累计值以及停电时长比例累计值,进行故障等级划分;
11、其中,故障比例累计值δ为:
12、
13、式中,nd为天故障次数,kd为天故障馈线条数,t为预设时间段内的天数;停电时长比例累计值τi为:
14、
15、式中,τij为馈线i统计时间段内第j次停电事故的停电时间,τin为馈线区域i的停电总时长,n为统计时间段内停电次数。
16、进一步地,所述步骤s3中,对任一季节的初始故障特征集合进行特征选择的方法具体为:
17、s31、从初始故障特征集合中随机一个抽取特征样本r;
18、s32、在特征样本r所属初始故障特征集合中的同类特征样本中抽取k个最邻近特征hj,并在其他两个初始故障特征集合抽取k个最邻近特征mj和lj;
19、s33、计算特征样本r与最邻近特征hj、mj和lj的样本特征差;
20、s34、根据计算的特征差,计算该特征样本的权重;
21、s35、重复步骤s31~s35,计算初始故障特征集合中所有特征样本r的权重;
22、s36、对计算的特征样本权重进行排序,选择预设范围内的故障特征,得到该季节的故障特征集合。
23、进一步地,所述步骤s32中,抽取最邻近特征的公式为:
24、
25、式中,a={a1,a2,...,an}、b={b1,b2,...,bn}是分别用n维数组表示的特征,每个样本为n维空间的一个点;
26、所述步骤s33中,样本特征差diff(a,r1,r2)为:
27、
28、式中,r1[a]和r2[a]分别表示样本r1和r2中包含的特征a,a表示特征,r1和r2表示样本;
29、所述步骤s34中,特征权重w(a)的更新为:
30、
31、式中,w'(a)为更新前的特征权重,hj和mj分别表示训练集中与样本r距离最近的同类样本与不同类样本,diff(a,r,hj)表示样本r和hj关于特征a的差异,p(c)表示c类样本占总样本的比例,diff(a,r,mj(c))表示r和mj关于特征a的差异,p(class(r))表示随机选取的某类样本占总样本的比例,m表示抽样次数,k表示近邻样本数。
32、进一步地,所述步骤s4中,配电网故障等级预测模型包括依次连接的bilstm网络和adaboost分类器;
33、所述步骤s4中,训练配电网故障等级预测模型时,将不同季节下的故障特征集合划分为多个训练集对bilstm网络进行训练,获得不同故障等级的基预测模型,再通过adaboost分类器对基预测器进行加权集成,形成强预测器作为训练好的配电网故障等级预测模型。
34、进一步地,所述步骤s4中,训练配电网故障等级预测模型的方法具体为:
35、s41、将不同季节的故障特征集合进行训练集和验证集划分,并利用划分的m个训练集训练bilstm网络,得到不同季节下不同故障等级的基预测模型pm;
36、s42、初始化验证集的权值分布;
37、s43、利用通过基预测模型pm计算验证集中特征样本的均方根误差
38、s44、基于特征样本的均方根误差利用分类预测判断函数计算基预测模型pm的总误差em,进而计算该基预测模型pm的权重
39、s45、根据各基预测模型pm的权重更新验证集中的权重,并对各基预测模型pm的权重进行标准化;
40、s46、根据各基预测模型的标准化权重wm,对各基预测模型的输出进行加权集成形成强预测器,作为训练好的配电网故障等级预测模型。
41、进一步地,所述步骤s43中,均方根误差为:
42、
43、式中,x为数据点数,ri为实际观测值,pi为预测值;
44、所述步骤s44中,基预测模型pm的总误差em为:
45、
46、式中,为验证集的权重,y(·)为分类预测判断函数,λ为设定的误差阈值;
47、基预测模型pm的权重为:
48、
49、式中,μ为学习率,c为分类数量;
50、所述步骤s45中,更新验证集中的权重公式为:
51、
52、式中,表示的是验证集更新的权重;
53、所述步骤s46中,标准化权重为:
54、
55、所述步骤s46中,训练好的配电网故障等级预测模型的输出为:
56、
57、式中,hm(x)为故障数据在基预测器pm的预测结果,对应于
58、本发明的有益效果为:
59、(1)本发明根据温度将天气数据划分为三个季节,可以提高天气特征分类的准确性,并采用relieff算法选出与每个季节相关的特征,进而有效减小不相关特征对预测结果的影响,提高预测准确率。
60、(2)本发明提出了bilstm-adaboost组合算法进行配电网故障等级预测,将bilstm作为adaboost的基学习器,通过分类预测的均方根误差不断调整每个基学习器的权重,再通过加权集成得到最终的故障等级预测结果。实验结果显示bilstm-adaboost算法在故障等级预测的准确率不仅优于单一的模型,且相较于其他算法具有较好的适应性。