性、季节性和 周期性。
[0064] 与最接近的现有技术比，本发明提供的技术方案具有以下优异效果：
[0065] 1、本发明所提供的技术方案中，采用ARIMA方法进行配电网运行可靠性评估，综 合考虑配电网实时运行状态和调整策略，深度挖掘历史数据中的系统风险特性，实现配电 网可靠性的准确有效预测评估；有效且准确的指导未来配电网的规划、设计、运行和维修， 提高了配电网运行可靠性预测评估的准确性。
[0066] 2、本发明所提供的技术方案，其考虑历史数据和实时运行条件能够真实反映系统 中负荷和网架的动态变化对配电网可靠性的影响，算法高效且不因数据噪音过多而影响结 果精度。
[0067] 3、本发明所提供的技术方案，实现的对系统停电次数的预测是一种科学有效的短 期预测方法，能够精确挖掘系统内在风险的统计特性和发展规律性。突出配电网可靠性的 趋势性、季节性和周期性。
[0068] 4、本发明提供的技术方案，应用广泛，具有显著的社会效益和经济效益。
【附图说明】
[0069] 图1是本发明的一种基于ARIMA模型的配电网运行可靠性的预测方法的流程示意 图；
[0070] 图2是本发明的预测方法中的步骤1的流程示意图；
[0071] 图3是本发明的预测方法中的步骤4的流程示意图；
[0072] 图4是本发明的预测方法中的步骤5的流程示意图；
[0073] 图5是本发明的预测方法中的步骤6的流程示意图；
[0074] 图6是本发明的预测方法的应用例的流程示意图；
[0075] 图7是本发明的预测方法中的应用例的基于历史故障集抽样计算可靠性指标的 流程示意图。
【具体实施方式】
[0076] 下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完 整地描述，显然，所描述的实施例仅仅是本发明一部分实施例，而不是全部的实施例。基于 本发明的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实 施例，都属于本发明保护的范围。
[0077] 如图1所示，本发明提供一种基于ARIMA模型的配电网运行可靠性的预测方法，依 据用户历史停电次数作为ARIM模型的输入，预测未来一年的可靠性指标。因为复杂配电 网的节点较多，月停电次数与负荷变化、季节和天气这些与时间相关的属性关联度较大，因 为负荷预测、天气预测都可以使用自回归差分滑动平均模型来解决，基于实际的生产数据 结果差分或调频后的自相关系数也大于〇. 5,所以月停电次数用时间序列模型来解决具有 一定的科学性；
[0078] 包括如下步骤：
[0079] 步骤1.提取并预处理配电网的历史数据中的用户的月停电次数，得到一个时间 段内的月平均停电次数序列；
[0080] 步骤2.判断月平均停电次数序列是否为平稳序列；
[0081] 若是，则进入步骤4;
[0082] 若否，则进入步骤3;
[0083] 步骤3.修正月平均停电次数序列；返回步骤2 ;
[0084] 步骤4.根据月平均停电次数序列；得到ARIMA的自回归项数及移动平均项数的 值；
[0085] 步骤5.建立并修正ARIMA模型；其中，ARIMA模型的全称为自回归积分滑动 平均模型（AutoregressiveIntegratedMovingAverageModel,简记ARIMA)，又称为 box-jenkins模型、博克思-詹金斯法。其中ARIMA(p，d，q)称为差分自回归移动平均模 型，AR是自回归，p为自回归项；MA为移动平均，q为移动平均项数，d为时间序列成为平稳 时所做的差分次数。所谓ARIM模型，是指将非平稳时间序列转化为平稳时间序列，然后将 因变量仅对它的滞后值以及随机误差项的现值和滞后值进行回归所建立的模型。ARIMA模 型根据原序列是否平稳以及回归中所含部分的不同，包括移动平均过程（M)、自回归过程 (AR)、自回归移动平均过程（ARMA)以及ARIMA过程。
[0086] 步骤6.根据ARIMA模型预测最近一年的系统月停电次数；获得配电网全年的运行 可靠性指标。
[0087]如图2所示，步骤1，包括：
[0088] 1-1.提取配电网的历史数据中的用户的月停电次数序列Y;
[0089] 1-2.预处理月停电次数序列Y，得到一个时间段内的月平均停电次数序列Yt:
[0090] Yt=伞Jt 片伞 2Yt2+. ? ? + 巾pYtp+et_ 0a「0 2et2_. ? ? - 0qetq (I)
[0091] 式中，\为0至t时刻的月平均停电次数序列值，p、q为该模型的自回归项数和移 动平均项数，e为每次序列变化的白噪声；巾与0为不同的未知待求参数；t是计算窗口中 所含的月数。
[0092] 步骤2,包括：
[0093] 根据公式（2)和公式（3)判断月平均停电次数序列是否为平稳序列：
[0095] Ttitk^T〇,k (3)
[0096] 若公式⑵和公式⑶均成立，则进入步骤4 ;
[0097] 若公式（2)或公式（3)中的任一不成立，则进入步骤3 ;
[0098] 式中，An为常数、表示月停电次数的均值；Yt，tk~Y<^表示序列Ytk、Yt和序列 Y。、Yk的协方差是近似的；k是存在一个参数k使得任意时刻公式（3)都成立；K表示一个常 数；t是计算窗口中所含的月数。
[0099] 步骤3中修正月平均停电次数序列的方法为修改月平均停电次数序列的时间频 率、或对月平均停电次数序列进行对数差分。
[0100] 如图3所示，步骤4,包括：
[0101] 4-1.建立月平均停电次数序列的自相关函数及偏自相关函数；
[0102] 4-2.求解月平均停电次数序列的自相关函数及偏自相关函数；得到ARIMA模型的 自回归项数及移动平均项数的值集；
[0103] 4-3.建立最小信息准则AIC函数，将值集中的值依次代入AIC函数求解AIC的值：
[0104] AIC=nlog〇 2+2 (p+q) (4)
[0105] 式中，n为月平均停电的样本数，〇是残差平方和，p为该模型的自回归项数，q为 该模型的移动平均项数；
[0106] 4-4.筛选出得出使得AIC的值最小的Pni和q"作为自回归项数p及移动平均项数 q的最终取值。
[0107] 如图4所示，步骤5,包括：
[0108] 5-1.根据最小二乘法对自回归项数及移动平均项数的值进行回归分析，得到 ARIMA模型的初型；
[0109] 5-2.检测初型的残差序列；
[0110] 若残差序列为白噪声，则初型即为ARIMA模型的最终型；ARIMA模型建立完成；
[0111] 若残差序列不为白噪声，则返回5-1。
[0112] 如图5所示，步骤6,包括：
[0113] 6-1.根据ARIMA模型，预测并提取最近一年的系统月停电次数；并建立历史故障 信息样本集；包括：
[0114] a.基于系统实时运行情况的TLOC准则及PLOC准则对输电网的预测系统进行分区 并建立事故模式影响FMEA表；TLOC准则为全部失去连通性准则；PLOC准则为部分失去连 通性准则；
[0115] b.求解ARIMA模型，得到预测的全年的系统月停电次数；并建立历史故障信息样 本集。
[0116] 6-2.根据历史故障信息样本集，建立拉普拉斯平滑的故障元件样本集，并得到失 电负荷点的停电次数、停电时间和缺供电量；包括：
[0117] c.根据历史故障信息样本集，建立拉普拉斯平滑的故障元件样本集Res1 (e，w):
[0118] 其中，Res1 (e，w)的求解过程为：在历史故障信息样本集中进行抽样，每一个设备 被抽到的次数若为〇,则赋一个最小值，反则增加该设备被抽样到的次数。形成Res1 (e，w) 集合；
[0119] 设元件样本集为E，历史故障集合为S，则故障元件样本集合Res1^w)按以下的 规则建立；
[0120] 对于某元件ei，若在历史故障集合S中出现的次数为W1若没有发生，则有以下公 式：
[0122] 上式中w'为所有eGS元件的次数，min(w'）表示其中e出现过次数的最小值，e 表示事故元件，w表示事故概率权重；
[0123] d.循环读取故障元件样本集中的每一次停电事件，同时在故障元件样本集中抽取 对应的失效元件；
[0124] e.读取事故模式影响FMEA表，并查找本次停电事件的失效元件在故障时所影响 的失电负荷点；
[0125] f.记录失电负荷点的停电次数、停电时间和缺供电量；
[0126] g.判断故障元件样本集中的全部停电事件是否均循环完成；
[0127] 若是，则跳转到6-3 ;
[0128] 若否，则返回到d。
[0129] 6-3.获得配电网全年的运行可靠性指标，包括：
[0130] h.统计各个失电负荷点的停电次数、停电时间和缺供电量；
[0131] i.计算出整个输电网系统的全年的运行可靠性指标整个系统的可靠性指标。
[0132] 如图6所示，本发明提供一种基于ARIMA模型的配电网运行可靠性的预测方法的 应用例，依据用户历史停电次数作为ARIM模型的输入，预测未来一年的可靠性指标。因为 复杂配电网的节点较多，月停电次数与负荷变化、季节和天气这些与时间相关的属性关联 度较大，因为负荷预测、天气预测都可以使用自回归差分滑动平均模型来解决，基于实际的 生产数据结果差分或调频后的自相关系数也大于〇. 5,所以月停电次数用时间序列模型来 解决具有一定的科学性。本发明包括建立ARIM模型和基于历史故障集抽样计