CN103810533A - 一种基于云模型的配电网故障风险识别方法 - Google Patents

Abstract

本发明涉及一种基于云模型的配电网故障风险识别方法。本发明为解决目前造成配电网故障停电的众多风险因素识别与关键风险源的提取，不同的停电风险因素对配电网故障停电的影响，建立实现各风险因素到风险评估结果之间的映射。本发明采用的技术方法是，利用云模型在处理不确定性方面上的优势，从故障风险评估指标中挖掘出有用价值的信息。将指标体系的综合评价结果作为配电网故障停电风险严重度的体现，再利用云模型的期望值、熵、超熵，实现定性和定量之间的转换。在故障风险指标数据不完备时，正确地实现故障风险评估。本发明实现了配电网故障的风险源识别，为相关部门采取控制措施、降低及预防风险提供理论依据，具有显著的经济效益和社会效益。

Description

一种基于云模型的配电网故障风险识别方法

技术领域

本发明涉及一种电力系统的风险评估方法，尤其涉及配电网的故障风险评估，属于风险评估和配电自动化技术领域。 

背景技术

随着智能电网的发展和用户对供电质量和供电可靠性要求的提高，建立完善的电力系统应急管理系统越来越重要。配电网直接面向用户，是确保供电质量的重要环节，相对于输电网而言，配电网保护、控制装置的配置相对简单，极易遭受各种因素导致的故障。因此，研究一种可靠的配电网故障风险识别方法势在必行。配电网故障风险识别是根据配电网发生故障的类型预测发生故障的风险。传统的配电网故障风险识别方法较少，而在风险评估的严重性判别中，很多时候都是依赖于专家经验，受专家主观影响较大，很容易出现偏差，导致风险评估结果准确性不高，没有意义，参见文献马培玉（Ma Peiyu). 配电网运行风险识别与防范研究(The Research on the Operational Risk Identification and Prevention of Distribution Systems). 华北电力大学,保定（North China Electric PowerUniversity，Baoding），2011。为了准确判别配电网故障风险的严重性，获得有价值的风险评估结果，向工作人员发出正确的预警信息，以便及时采取措施，避免或减少停电损失，在现有配电网故障风险评估方法基础上，设计了一种基于云模型的配电网故障风险识别方法。 

发明内容

本发明的目的是为了避免或减少由于配电网故障引起的停电损失，提出了一种基于云模型的配电网故障风险识别方法。该方法根据配电网历史实际故障风险情况，将各种风险出现造成的停电损失用风险评价指标进行表示，利用云模型对该指标集进行综合评价，得到综合评价值，即风险评估严重度。再结合历史统计故障概率，就可得到配电网故障风险识别模型。利用该模型，根据在线检测的各种故障风险实时状态，在线预测配电网各风险源的风险等级，工作人员根据风险等级，采取必要措施，避免或减少停电损失。 

本发明采用的故障风险评估方法包括下列步骤： 

1）建立出能够反应系统故障后果的评价指标集；将评价指标集内的指标做为云模型中的基云，利用云理论中的综合云对各指标基云综合评价，获得指标体系的综合评价结果； 

2）建立评价集；该评价集用来与最终产生的指标集进行比较，以便确定风险评估结果的严重程度； 

3）综合考虑各风险的故障概率，得到配电网故障风险识别模型； 

4）将获取的各故障风险的统计数据输入到配电网故障风险识别模型中，得到当前配电网故障风险源的风险程度。

在本发明一实施例中，所述的评价指标集U={U1,U2,U3,U4,U5,U6}；其中，U1表示设备故障风险影响用户停电时间，U2表示设备故障风险影响用户数，U ₃ 表示用户平均停电时间，U ₄ 表示供电可靠率，U ₅ 表示停电缺供电量，U ₆ 表示用户停电损失。 

在本发明一实施例中，所述步骤1）中给定所述基云： 

首先求出各个指标的样本均值

和方差

$\left\{\begin{array}{c}{\stackrel{\‾}{X}}_k=\frac{1}{h}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{x}_i\\ S_k^2=\frac{1}{h-1}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{(x_i-{\stackrel{\‾}{X}}_k)}^2\end{array}\right.---\left(1\right)$

其中，h表示统计期间内的故障次数； 

其次，各基云的期望值E_x、熵E_n和超熵H_e，定义： 

$\left\{\begin{array}{c}{E}_{\mathrm{xk}}={\stackrel{\‾}{X}}_k\\ E_{\mathrm{nk}}=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{h}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}|x_i-{\stackrel{\‾}{X}}_k|\\ H_{\mathrm{ek}}=\sqrt{{S_k}^2-{E_{\mathrm{nk}}}^2}\end{array}\right.---\left(2\right)$

由此得各指标的基云模型U_k=SC(E_xk,E_nk,H_ek)，其中k=1,2,…,6。  

在本发明一实施例中，所述步骤1）中给定综合评价结果的云模型U=SC(E_x,E_n,H_e)，U的基云模型为U_k=SC(E_xk，E_nk，H_ek)： 

$\left\{\begin{array}{c}{E}_x=\frac{E_{x1}{E}_{n1}{W}_1+E_{x2}{E}_{n2}{W}_2+\·\·\·+E_{x6}{E}_{n6}{W}_6}{E_{n1}{W}_1+E_{n2}{W}_2+\·\·\·+E_{n6}{W}_6}\\ E_n=E_{n1}{W}_1+E_{n2}{W}_2+\·\·\·+E_{n6}{W}_6\\ H_e=\frac{H_{e1}{E}_{n1}{W}_1+H_{e2}{E}_{n2}{W}_2+\·\·\·+H_{e6}{E}_{n6}{W}_6}{E_{n1}{W}_1+E_{n2}{W}_2+\·\·\·+E_{n6}{W}_6}\end{array}\right.---\left(3\right)$

其中，W_k(k=1,2,…,6)表示各评价指标的权重。  

在本发明一实施例中，所述步骤2）中评价集V={V₁,V₂,V₃,V₄,V₅}，V_l(l=1,2,3,4,5)为对风险值大小的模糊描述，定义： 

V=（低，较低，中，较高，高）   (4) 

评价集都是模糊概念，采用一维正态云进行描述，对存在双边约束的评语[λ_min,λ_max]，定义： 

$\left\{\begin{array}{c}{E}_x=({\mathrm{\λ}}_{\max }+{\mathrm{\λ}}_{\min })/2\\ E_n=({\mathrm{\λ}}_{\max }-{\mathrm{\λ}}_{\min })/2\\ H_e=z\end{array}\right.---\left(5\right)$

其中，λ_min、λ_max可根据评价对象数字特征进行赋值；z为常数，能根据评语本身的模糊程度具体调整；对于只有单边约束λ_min或λ_max的评语，能先确定其缺省边界参数或缺省期望值，然后再参照公式计算该评语的数字特征值，用半升半降云描述； 

评价集的基础云模型，定义： 

$\left\{\begin{array}{c}{\mathrm{SCv}}_1=(E_{x1},E_{n1},H_{e1})\\ {\mathrm{SCv}}_2=(E_{x2},E_{n2},H_{e2})\\ \·\\ \·\\ \·\\ {\mathrm{SCv}}_5=(E_{x5},E_{n5},H_{e5})\end{array}\right.---\left(6\right).$  

在本发明一实施例中，所述步骤3）中配电网故障风险识别模型R=P×C，定义： 

$P=\left[\begin{array}{cccc}{P}_{11}& P_{12}& \·\·\·& P_{1n}\\ P_{21}& P_{22}& \·\·\·& P_{2n}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ P_{m1}& P_{m2}& \·\·\·& P_{\mathrm{mn}}\end{array}\right]---\left(7\right)$

其中,m表示配电网故障的风险源，n表示故障类型，P_ij表示第j种故障类型由于第i种风险源引发的故障概率； 

定义： 

$C=\left[\begin{array}{c}{C}_1\\ C_2\\ \·\\ \·\\ \·\\ C_n\end{array}\right]---\left(8\right)$

其中，C_j表示第j种故障类型的严重性后果，即第j种故障类型的风险评价结果云模型U_j=SC(E_xj,E_nj,H_ej)； 

定义： 

$R=P\×C=\left[\begin{array}{c}{P}_{11}\×C_1+P_{12}\×C_2+\·\·\·+P_{1n}\×C_n\\ \·\\ \·\\ \·\\ P_{i1}\×C_1+P_{i2}\×C_2+\·\·\·+P_{\mathrm{in}}\×C_n\\ \·\\ \·\\ \·\\ P_{m1}\×C_1+P_{m2}\×C_2+\·\·\·+P_{\mathrm{mn}}\×C_n\end{array}\right]---\left(9\right)$

其中，R_i表示第i种风险源的风险值。  

  在本发明一实施例中，所述步骤3）中故障概率包括实时故障率，该实时故障率是通过以下条件实现故障风险的在线状态监测：给定配电网故障风险识别故障实时状态K=(K ₁ ,K ₂ ,K ₃ ,K ₄ ,K ₅ ,K ₆ ,K ₇ ,K ₈ ,K ₉ )，根据配电网实时监测到的故障风险状态，若某一风险源存在则输入状态为1，否则为0。其中，K ₁ ：大风大雨，K ₂ ：过负荷，K ₃ ：雷击，K ₄ ：设备缺陷，K ₅ ：设备使用年限，K ₆ ：设备隐患，K ₇ ：施工破坏，K ₈ ：系统运转能力不足，K ₉ ：用户自身故障。K可根据各自配电网的具体情况来设定。 

本发明可以支持不同的配电网。虽然各种配电网结构、运行状况、所处环境等不同，一种配电网的风险识别模型不能直接在另一个配电网中使用。但是，根据该配电网在实际故障时的统计数据和相应的风险等级，利用同样的云模型方法可以得到该配电网的故障风险识别模型。当某配电网为新建配电网时，没有历史数据可用，可以借鉴其他类似配电网的历史数据或专家经验获取原始数据。本发明还可以支持不同运行时期的配电网。某配电网的故障风险识别模型建立后，该配电网可能会不断扩建和更新。配电网变化后，如果故障风险识别模型不变，会导致风险评估结果错误。本发明所设计的故障风险识别模型不是一成不变的，该模型根据得到的新的风险评估数据，定期对该模型进行更新。从而，使故障风险评估模型适用于不同时期的配电网。 

附图说明

图1为本发明配电网故障风险识别系统框图。 

图2本为本发明配电网故障风险识别算法的程序流程图。 

具体实施方式

下面结合附图和具体实施方式对本发明做进一步描述。 

本发明的基于云模型的配电网故障风险识别方法包括以下步骤： 

1）建立出能够反应系统故障后果的评价指标集；将评价指标集内的指标做为云模型中的基云，利用云理论中的综合云对各指标基云综合评价，获得指标体系的综合评价结果； 

2）建立评价集；该评价集用来与最终产生的指标集进行比较，以便确定风险评估结果的严重程度； 

3）综合考虑各风险的故障概率，得到配电网故障风险识别模型； 

4）将获取的各故障风险的统计数据输入到配电网故障风险识别模型中，得到当前配电网故障风险源的风险程度。

下面对本发明方法涉及的系统结构及相关算法结合实例做简单说明。 

1．配电网故障风险识别系统结构 

配电网故障风险识别系统如图1所示。从配电网历史实际故障风险情况建立反映系统故障后果的指标体系，故障风险评价指标包括：设备故障风险影响用户停电时间，设备故障风险影响用户数，用户平均停电时间，供电可靠率，停电缺供电量，用户停电损失。将这些指标作为基云U _k ，对每个基云进行常规的云运算，即云模型的3个数字特征（E _xk ,E _nk ,H _ek ）(k=1,2,…,6)。利用综合云得到最终的风险评价结果云模型U，再结合各风险的故障概率，得到配电网故障风险识别模型。将获取的各风险源实时状态作为该模型的输入，即可得到在当前情况下配电网的故障风险源的风险大小。

2. 配电网故障风险识别系统构建 

定义1  给定配电网故障风险评价指标集U={U ₁ ,U ₂ ,U ₃ ,U ₄ ,U ₅ ,U ₆ }，其中，U ₁ 表示设备故障风险影响用户停电时间，U ₂ 表示设备故障风险影响用户数，U ₃ 表示用户平均停电时间，U ₄ 表示供电可靠率，U ₅ 表示停电缺供电量，U ₆ 表示用户停电损失。

定义2给定配电网故障风险评价指标的基云模型，首先求出各个指标的样本均值和方差，定义： 

$\left\{\begin{array}{c}{\stackrel{\‾}{X}}_k=\frac{1}{h}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{x}_i\\ S_k^2=\frac{1}{h-1}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}{(x_i-{\stackrel{\‾}{X}}_k)}^2\end{array}\right.---\left(1\right)$

其中，h表示统计期间内的故障次数；其次，各基云的期望值E_x、熵E_n和超熵H_e，定义： 

$\left\{\begin{array}{c}{E}_{\mathrm{xk}}={\stackrel{\‾}{X}}_k\\ E_{\mathrm{nk}}=\sqrt{\frac{\mathrm{\π}}{2}}\×\frac{1}{h}\underset{i=1}{\overset{h}{\mathrm{\Σ}}}|x_i-{\stackrel{\‾}{X}}_k|\\ H_{\mathrm{ek}}=\sqrt{{S_k}^2-{E_{\mathrm{nk}}}^2}\end{array}\right.---\left(2\right)$

由此得各指标的基云模型U_k=SC(E_xk,E_nk,H_ek)。  

定义3给定配电网故障风险评价结果的云模型U=SC(E_x,E_n,H_e)，U的基云模型为U_k=SC(E_xk,E_nk,H_ek)，定义： 

$\left\{\begin{array}{c}{E}_x=\frac{E_{x1}{E}_{n1}{W}_1+E_{x2}{E}_{n2}{W}_2+\·\·\·+E_{x6}{E}_{n6}{W}_6}{E_{n1}{W}_1+E_{n2}{W}_2+\·\·\·+E_{n6}{W}_6}\\ E_n=E_{n1}{W}_1+E_{n2}{W}_2+\·\·\·+E_{n6}{W}_6\\ H_e=\frac{H_{e1}{E}_{n1}{W}_1+H_{e2}{E}_{n2}{W}_2+\·\·\·+H_{e6}{E}_{n6}{W}_6}{E_{n1}{W}_1+E_{n2}{W}_2+\·\·\·+E_{n6}{W}_6}\end{array}\right.---\left(3\right)$

其中，W_k(k=1,2,…,6)表示各评价指标的权重。  

定义4给定配电网故障风险评价系统评价集V={V₁,V₂,V₃,V₄,V₅}，V_l(l=1,2,3,4,5)为对风险值大小的模糊描述，定义： 

V=（低，较低，中，较高，高）   (4) 

评价集都是模糊概念，采用一维正态云进行描述，对存在双边约束的评语[λ_min,λ_max]，定义： 

$\left\{\begin{array}{c}{E}_x=({\mathrm{\λ}}_{\max }+{\mathrm{\λ}}_{\min })/2\\ E_n=({\mathrm{\λ}}_{\max }-{\mathrm{\λ}}_{\min })/2\\ H_e=z\end{array}\right.---\left(5\right)$

其中，λ_min、λ_max可根据评价对象数字特征进行赋值，z为常数，可根据评语本身的模糊程度具体调整。对于只有单边约束λ_min或λ_max的评语，可先确定其缺省边界参数或缺省期望值，然后再参照公式计算该评语的数字特征值，用半升半降云描述。  

评价集的基础云模型，定义： 

$\left\{\begin{array}{c}{\mathrm{SCv}}_1=(E_{x1},E_{n1},H_{e1})\\ {\mathrm{SCv}}_2=(E_{x2},E_{n2},H_{e2})\\ \·\\ \·\\ \·\\ {\mathrm{SCv}}_5=(E_{x5},E_{n5},H_{e5})\end{array}\right.---\left(6\right)$

定义5给定配电网故障风险识别系统R=P×C，定义： 

$P=\left[\begin{array}{cccc}{P}_{11}& P_{12}& \·\·\·& P_{1n}\\ P_{21}& P_{22}& \·\·\·& P_{2n}\\ \·\·\·& \·\·\·& \·\·\·& \·\·\·\\ P_{m1}& P_{m2}& \·\·\·& P_{\mathrm{mn}}\end{array}\right]---\left(7\right)$

其中,m表示配电网故障的风险源，n表示故障类型，Pi_j表示第j种故障类型由于第i种风险源引发的故障概率； 

定义： 

$C=\left[\begin{array}{c}{C}_1\\ C_2\\ \·\\ \·\\ \·\\ C_n\end{array}\right]---\left(8\right)$

其中，C_j表示第j种故障类型的严重性后果，即第j种故障类型的风险评价结果云模型U_j=SC(E_xj,E_nj,H_ej)； 

定义： 

$R=P\×C=\left[\begin{array}{c}{P}_{11}\×C_1+P_{12}\×C_2+\·\·\·+P_{1n}\×C_n\\ \·\\ \·\\ \·\\ P_{i1}\×C_1+P_{i2}\×C_2+\·\·\·+P_{\mathrm{in}}\×C_n\\ \·\\ \·\\ \·\\ P_{m1}\×C_1+P_{m2}\×C_2+\·\·\·+P_{\mathrm{mn}}\×C_n\end{array}\right]---\left(9\right)$

其中，R_i表示第i种风险源的风险值。  

条件1  给定配电网故障风险识别故障实时状态系统K=(K ₁ ,K ₂ ,K ₃ ,K ₄ ,K ₅ ,K ₆ ,K ₇ ,K ₈ ,K ₉ )，根据配电网实时监测到的故障风险状态，若某一风险源存在则输入状态为1，否则为0。其中，K ₁ ：大风大雨，K ₂ ：过负荷，K ₃ ：雷击，K ₄ ：设备缺陷，K ₅ ：设备使用年限，K ₆ ：设备隐患，K ₇ ：施工破坏，K ₈ ：系统运转能力不足，K ₉ ：用户自身故障。K可根据各自配电网的具体情况来设定。 

按照定义1～5先将建立的配电网故障风险评价指标，通过云模型的运算得到配电网故障风险的严重性后果，然后按照条件1得到配电网故障风险的实时故障概率，得到当前的故障风险值，构建配电网故障风险识别模型。 

3. 基于云模型的配电网故障风险识别算法 

配电网故障风险识别算法的程序流程图如图2所示。首先，提取配电网故障风险评价指标的历史数据，并根据定义1~3将其定量化为故障风险评价指标的基云，构建故障风险评价指标综合云模型，得出故障风险的严重性后果程度；然后，获取故障风险历史统计数据，根据条件1实现故障风险的在线状态监测，得到故障风险的实时故障率；最后，根据风险的定义，综合严重性后果和故障概率即为配电网故障风险识别模型，将在线检测的配电网故障风险状态数据输入到该模型，即可在线得到配电网故障风险源的风险等级。若配电网进行扩建和更新，则同步更新故障风险的故障概率数据和评价指标数据，得到新的配电网故障风险识别模型。

4.实例分析 

下面以某配电网为例，进一步说明本发明所述的配电网故障风险识别方法。根据定义1~2获取的配电网故障风险评价指标数据，各指标的基云模型如表1所示，评价指标的综合云模型如表2所示。其中，电在线监测到的风险状态为K=(1,1,1,1,1,1,1,1,1)。根据条件1得到配电网故障的实时故障率，如表3所示。由表2和表3得到配电网故障风险概率矩阵和故障后果严重性，则故障风险值矩阵如下所示：

基于云模型构建了对应的风险度区间分别为：低[0,0.3)，较低[0.3,0.45)，中[0.45,0.55)，较高[0.55,0.7), 高[0.7,1]。为使分析结果更加清晰，对风险度区间及各风险因素分别乘以一定系数，因此对应风险度区间为：低[0,30)，较低[30, 45)，中[45, 55)，较高[55, 70), 高[70,100]。相应地各故障停电风险因素风险值按降序排列如表4所示。

通过与风险区间的对比分析，过负荷风险值为74.5336，风险等级为“高”；设备隐患风险值为45.5272，风险等级为“中”；设备使用年限、雷击、设备缺陷、施工破坏、系统转运能力不足、大风大雨以及用户自身故障分别由高到低分布于风险等级为“低”的区间。 

从总体风险情况来看，配网故障停电风险分布不均匀，两极分化情况较为严重。其中过负荷风险值相对其他因素，处于非常高的风险水平，说明负荷过高非常容易引起配网故障停电，需要引起足够的重视；设备隐患相对其他因素，也处于一个较高的水平；其余因素相对于设备隐患及设备使用年限来说，相对处于一个较低的风险水平，但不代表没有风险。无论是风险较高的因素还是风险较低的因素，都要引起电力公司足够的重视，并采取相应措施控制、降低、预防风险，提高电能质量及供电可靠性，使配网故障风险降到最低。 

[0029] 表1不同停电对象的数字特征 

表2各停电对象综合云 

	电缆线路	杆上设备	杆上变	架空线路	站房设备
						Ex	0.4479	0.4671	0.4414	0.644	0.4969
En	0.2373	0.108	0.1573	0.2672	0.0818
						He	0.00324	0.00509	0.00217	0.00283	0.00491

表3配电网故障停电风险概率 

表4配电网故障风险源的风险值 

排序	风险源	风险值	排序	风险源	风险值
						1	过负荷	74.5336	6	施工破坏	21.1879
2	设备隐患	45.5272	7	系统运转能力不足	15.8012

 

3	设备使用年限	28.1278	8	大风大雨	10.2892
						4	雷击	23.9433	9	用户自身	1.6738
5	设备缺陷	23.3944

以上所述仅为本发明的较佳实施例，凡依本发明申请专利范围所做的均等变化与修饰，皆应属本发明的涵盖范围。 

Claims (7)

1.一种基于云模型的配电网故障风险识别方法，其特征是：

1）建立出能够反应系统故障后果的评价指标集；将评价指标集内的指标做为云模型中的基云，利用云理论中的综合云对各指标基云综合评价，获得指标体系的综合评价结果； 

2）建立评价集；该评价集用来与最终产生的指标集进行比较，以便确定风险评估结果的严重程度； 

3）综合考虑各风险的故障概率，得到配电网故障风险识别模型； 

4）将获取的各故障风险的统计数据输入到配电网故障风险识别模型中，得到当前配电网故障风险源的风险程度。

2.如权利要求1所述的基于云模型的配电网故障风险识别方法，其特征是：所述的评价指标集U={U ₁ ,U ₂ ,U ₃ ,U ₄ ,U ₅ ,U ₆ }；其中，U ₁ 表示设备故障风险影响用户停电时间，U ₂ 表示设备故障风险影响用户数，U ₃ 表示用户平均停电时间，U ₄ 表示供电可靠率，U ₅ 表示停电缺供电量，U ₆ 表示用户停电损失。

3.如权利要求2所述的基于云模型的配电网故障风险识别方法，其特征是：所述步骤1）中给定所述基云： 

首先求出各个指标的样本均值

和方差

其中，h表示统计期间内的故障次数； 

其次，各基云的期望值E_x、熵E_n和超熵H_e，定义： 

由此得各指标的基云模型U_k=SC(E_xk,E_nk,H_ek)，其中k=1,2,…,6。 

4.如权利要求3所述的基于云模型的配电网故障风险识别方法，其特征是：所述步骤1）中给定综合评价结果的云模型U=SC(E_x,E_n,H_e)，U的基云模型为U_k=SC(E_xk,E_nk,H_ek)： 

其中，W_k(k=1,2,…,6)表示各评价指标的权重。 

5.如权利要求4所述的基于云模型的配电网故障风险识别方法，其特征是：所述步骤2）中评价集V={V₁,V₂,V₃,V₄,V₅}，V_l(l=1,2,3,4,5)为对风险值大小的模糊描述，定义： 

V=（低，较低，中，较高，高）   (4) 

评价集都是模糊概念，采用一维正态云进行描述，对存在双边约束的评语[λ_min,λ_max]，定义： 

其中，λ_min、λ_max可根据评价对象数字特征进行赋值；z为常数，能根据评语本身的模糊程度具体调整；对于只有单边约束λ_min或λ_max的评语，能先确定其缺省边界参数或缺省期望值，然后再参照公式计算该评语的数字特征值，用半升半降云描述； 

评价集的基础云模型，定义： 

6.如权利要求5所述的基于云模型的配电网故障风险识别方法，其特征是：所述步骤3）中配电网故障风险识别模型R=P×C，定义： 

其中,m表示配电网故障的风险源，n表示故障类型，Pi_j表示第j种故障类型由于第i种风险源引发的故障概率； 

定义： 

其中，C_j表示第j种故障类型的严重性后果，即第j种故障类型的风险评价结果云模型U_j=SC(E_xj,E_nj,H_ej)； 

定义： 

其中，R_i表示第i种风险源的风险值。 

7.如权利要求5所述的基于云模型的配电网故障风险识别方法，其特征是：所述步骤3）中故障概率包括实时故障率，该实时故障率是通过以下条件实现故障风险的在线状态监测：给定配电网故障风险识别故障实时状态K=(K ₁ ,K ₂ ,K ₃ ,K ₄ ,K ₅ ,K ₆ ,K ₇ ,K ₈ ,K ₉ )，根据配电网实时监测到的故障风险状态，若某一风险源存在则输入状态为1，否则为0；

其中，K ₁ ：大风大雨，K ₂ ：过负荷，K ₃ ：雷击，K ₄ ：设备缺陷，K ₅ ：设备使用年限，K ₆ ：设备隐患，K ₇ ：施工破坏，K ₈ ：系统运转能力不足，K ₉ ：用户自身故障，

K可根据各自配电网的具体情况来设定。

Images