算可靠性指 标两个关键步骤，具体步骤如下：
[0133] 1.时间序列分析的预处理，确定时间序列周期为月，从历史数据中提取用户月停 电次数观测值为序列Y。建立自回归滑动模型：
[0134] Yt=伞Jt片伞2Yt 2+. ? ? +巾pYt p+et_ 0 a「0 2et 2_. ? ? - 0 qet q (2)
[0135] 上式中，\为0至t时刻的月平均停电次数序列值，p、q为该模型的阶数，e为每 次序列变化的白噪声。
[0136] 2.检测由用户月停电次数组成的时间序列是否满足平稳条件，即满足：
[0138]Ttitk^T〇,k(4)
[0139] 其中⑶中表示月停电次数的均值An为常数，式⑷表示对于任意t时刻，序列 Ytk、Yt和序列Y。、Yk的协方差是近似的。
[0140] 3首先基于平稳时间序列自相关函数和偏相关函数求得ARIMA模型阶数范围，然 后低至高分别计算其AIC值也就是利用最小信息定则确定使得AIC最小的阶数。AIC函数 定义如下：
[0141] AIC=nlog〇 2+2 (p+q) (5)
[0142] 式中，n为停电样本数，〇是残差平方和，p、q是ARIMA模型的阶数。
[0143] 4.基于步骤3确定的模型阶数使用最小二乘法进行回归分析，拟合ARIMA模型，同 时检测模型的残差序列是否为白噪声，若检测不通过继续回归分析。
[0144] 5.利用生成的ARIMA模型预测最近一年的系统月停电次数，提取系统历史故障信 息使用拉普拉斯平滑建立故障点样本集，循环读取每一次停电事件进行抽样求出每一次停 电所故障修复时间、故障隔离时间和负荷转供时间。最终获得全年可靠性指标。
[0145] 如图7所示，该应用例中的基于历史故障集抽样计算可靠性指标，包括以下步骤：
[0146] 1.基于系统实时运行情况的TL0C、PL0C准则对系统进行分区并建立FMEA表（事 故模式影响表），利用ARIM模型预测结果建立全年停电事件集。基于历史故障信息样本集 对每一个元件基于拉普拉斯平滑建立故障元件样本集。设元件集合为E，历史故障集合为 S，则故障元件样本集合Res1G^)按以下的规则建立（其中e表示事故元件，w表示事故概 率权重）。
[0147] 对于某元件ei，若在集合S中出现过则^为其出现的次数，若没有发生，则有以下 公式：
[0149] 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。
[0150] 2.循环读取每一次停电事件，同时在样本集中抽取对应失效元件。
[0151] 3.读取FMEA表，查找本次停电事件失效元件故障时影响的负荷点，记录这些失电 负荷点的停电次数、停电时间、缺供电量等信息。判断停电事件集是否循环完成，若达到则 跳转到步骤4,否则返回到步骤2。
[0152] 4.循环结束，统计各个模拟年的负荷点和系统的可靠性指标，进而计算整个系统 的可靠性指标。
[0153] 以上实施例仅用以说明本发明的技术方案而非对其限制，尽管参照上述实施例对 本发明进行了详细的说明，所属领域的普通技术人员依然可以对本发明的【具体实施方式】进 行修改或者等同替换，而这些未脱离本发明精神和范围的任何修改或者等同替换，其均在 申请待批的本发明的权利要求保护范围之内。
【主权项】
1. 一种基于ARIMA模型的配电网运行可靠性的预测方法，其特征在于，所述方法包括 如下步骤： 步骤1.提取并预处理所述配电网系统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； 步骤2.判断所述月平均停电次数序列是否为平稳序列； 若是，则进入步骤4; 若否，则进入步骤3; 步骤3.修正所述月平均停电次数序列；返回步骤2 ; 步骤4.根据所述月平均停电次数序列；得到ARIM的自回归项数及移动平均项数的 值； 步骤5.建立并修正ARIMA模型； 步骤6.根据ARIM模型预测最近一年的所述配电网系统月停电次数；获得所述配电网 全年的运行可靠性指标。2. 如权利要求1所述的方法，其特征在于，所述步骤1，包括： 1-1.提取所述配电网的历史数据中的用户的月停电次数序列Y ; 1-2.预处理所述月停电次数序列Y，得到一个时间段内的月平均停电次数序列Yt: Yt= Φ lYt 1+ Φ 2Yt 2+· · · + Φ PYt p+et_ θ iet「Θ 2et 2_· · · _ θ qet q (I) 式中，Yt为O至t时刻的月平均停电次数序列值，P为该模型的自回归项数，q为该模 型的移动平均项数，e为每次序列变化的白噪声；Φ与Θ为不同的未知待求参数；t是计算 窗口中所含的月数。3. 如权利要求2所述的方法，其特征在于，所述步骤2,包括： 根据公式（2)和公式（3)判断所述月平均停电次数序列是否为平稳序列：式中，An为常数、表示月停电次数的均值；γ t,t产γ。>表示序列Y t k、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。 若公式（2)和公式（3)均成立，则进入步骤4 ; 若公式（2)或公式（3)中的任一不成立，则进入步骤3 ;4. 如权利要求3所述的方法，其特征在于，所述步骤3中修正所述月平均停电次数序列 的方法为修改所述月平均停电次数序列的时间频率、或对所述月平均停电次数序列进行对 数差分。5. 如权利要求4所述的方法，其特征在于，所述步骤4,包括： 4-1.建立所述月平均停电次数序列的自相关函数及偏自相关函数； 4-2.求解所述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； 4-3.建立最小信息准则AIC函数： AIC = n log 〇 2+2 (p+q) (4) 式中，η为月平均停电的样本数，σ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； 4- 4.筛选出得出使得AIC的值最小的Pni和q "作为所述自回归项数p及移动平均项数 q的最终取值；Pni是所述自回归项数P的所述值集中的某一个值；q"是所述移动平均项数q 的所述值集中的某一个值。6. 如权利要求5所述的方法，其特征在于，所述步骤5,包括： 5- 1.根据最小二乘法对所述自回归项数及移动平均项数的值进行回归分析，得到所述 ARIMA模型的初型； 5- 2.检测所述初型的残差序列； 若所述残差序列为白噪声，则所述初型即为所述ARIMA模型的最终型；所述ARIMA模型 建立完成； 若所述残差序列不为白噪声，则返回5-1。7. 如权利要求6所述的方法，其特征在于，所述步骤6,包括： 6- 1.根据所述ARIMA模型，预测并提取最近一年的所述配电网系统月停电次数；并建 立历史故障信息样本集； 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； 6-3.获得所述配电网全年的运行可靠性指标。8. 如权利要求7所述的方法，其特征在于，所述6-1，包括： a. 基于所述配电网系统实时运行情况的TLOC准则及PLOC准则对所述配电网系统进行 分区并建立事故模式影响FMEA表； b. 求解所述ARIMA模型，得到预测的全年的所述配电网系统月停电次数；并建立历史 故障信息样本集。9. 如权利要求8所述的方法，其特征在于，所述6-2,包括： c. 根据所述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): 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 (e, w)按以下的规则 建立； 对于某元件^，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：上式中w'为所有e e S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； d. 循环读取所述故障元件样本集中的每一次停电事件，同时在所述故障元件样本集中 抽取对应的失效元件； e. 读取所述事故模式影响FMEA表，并查找本次停电事件的所述失效元件在故障时所 影响的失电负荷点； f. 记录所述失电负荷点的停电次数、停电时间和缺供电量； g. 判断所述故障元件样本集中的全部停电事件是否均循环完成； 若是，则跳转到6-3 ; 若否，则返回到d。10.如权利要求9所述的方法，其特征在于，所述6-3,包括： h. 统计各个所述失电负荷点的停电次数、停电时间和缺供电量； i. 计算出整个所述配电网系统的全年的运行可靠性指标整个所述配电网系统的可靠 性指标D
【专利摘要】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，通过建立ARIMA模型预测用户月停电次数,将非平稳元件失效次数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建立用户月停电次数模型；根据预测结果抽样停运点，同时考虑实时负荷运行状况基于TLOC准则和PLOC准则建立故障模式影响表；计算每次设备停运的系统恢复时间最终获得全年可靠性指标。本发明提出的预测方法，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，实现了配电网安全稳定运行降低停电频率、缩小停电范围。
【IPC分类】G06Q50/06, G06Q10/04
【公开号】CN105069535
【申请号】CN201510511780
【发明人】刁赢龙, 刘科研, 孟晓丽, 盛万兴, 何开元, 贾东梨, 胡丽娟, 叶学顺, 唐建岗, 孙勇, 张世栋, 邵志敏, 李建修, 张林利, 刘合金, 李立生
【申请人】中国电力科学研究院, 国家电网公司, 国网山东省电力公司, 国网山东省电力公司电力科学研究院
【公开日】2015年11月18日
【申请日】2015年8月19日