CN105069535A - 一种基于arima模型的配电网运行可靠性的预测方法 - Google Patents

Abstract

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。

Description

一种基于ARIMA模型的配电网运行可靠性的预测方法

技术领域

本发明涉及配电网运行可靠性评估领域，具体涉及一种基于ARIMA模型的配电网运行可靠性的预测方法。

背景技术

配电网处于电力系统末端与用户直接相连起分配电能作用，大规模和长时间的停电不仅造成巨大的损失而且威胁到社会秩序，配电网的可靠性直接影响用户是否获得合格的电能，所以电力公司不断提高供电质量和不间断的电力供应能力，使得电网能够在合理的投资范围内减少停电的可能。

配电网的结构复杂庞大设备繁多，由架空线路、电缆连接大量的电源点、负荷、变压器、开关以及各类一次及二次设备等元件组成，网络结构由于故障、负荷转移或是运行调整经常发生变化，导致配电网一些设备停运模型复杂、系统动态特性较强和失效后果多变，给实时运行中的配电网可靠性评估带来了一定的难度。现有对配电网进行可靠性评估的方法主要可以分两种：基于传统解析法的配电网可靠性评估和基于蒙特卡洛抽样的可靠性评估。基于传统解析法的配电网可靠性评估用数学模型来描述元件与系统间的可靠性关系，通过输入元件和系统的全过程寿命求得最终的可靠性指标，主要包括故障模式后果分析法、最小路算法、网络等值法、馈线分区算法等，解析法具有严格的数学逻辑但随着系统模型的扩大时间复杂度呈指数型增加。基于蒙特卡洛等模拟算法的配电网可靠性评估以概率统计理论为数学基础，使用计算机抽样方法对系统可靠性进行评估，由于抽样算法基于大数定理，所以在系统元件较少或者故障频率较少的情况下样本方差过大导致最终结果不准确。运行可靠性评估不同于规划和设计可靠性评估，随着量测设备的大量覆盖，配电网运行中具有详实的统计资料和实时的运行维修策略，除了可以提供元件的平均失效率和修复率，还能提供修复时间，转供方案、实时/历史遥信遥测量，历史停电数据等。其次在实际生产环节中，系统的状态改变存在记忆性即事件发生的时间不满足指数分布，设备元件发生停运事件并非相互独立而是具有一定的相关性。再次可靠性指标本质上是一个取决于网络拓扑、运行方式、系统负荷和元件随机停运及随机修复等诸多相关因素的随机变量，作为反馈的信息量还是存在不确定性。

综上所述，如何利用好历史或实时数据实现配电网可靠性的精确预测评估成为当前亟待解决的问题。

发明内容

有鉴于此，本发明提供的一种基于ARIMA模型的配电网运行可靠性的预测方法，该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。

本发明的目的是通过以下技术方案实现的：

一种基于ARIMA模型的配电网运行可靠性的预测方法，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ARIMA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ARIMA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。

优选的，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Y_t：

Y_t＝φ₁Y_t-1+φ₂Y_t-2+...+φ_pY_t-p+e_t-θ₁e_t-1-θ₂e_t-2-...-θ_qe_t-q(1)

式中，Y_t为0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。

优选的，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：

$A_n=\frac{\underset{i=0}{\overset{n}{\Σ}}{y}_i}{n}=K---\left(2\right)$

γ_t,t-k≈γ_0,k(3)

式中，A_n为常数、表示月停电次数的均值；γ_t,t-k≈γ_0,k表示序列Y_t-k、Y_t和序列Y₀、Y_k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；

优选的，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。

优选的，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＝nlogσ²+2(p+q)(4)

式中，n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p_m和q_m作为所述自回归项数p及移动平均项数q的最终取值；p_m是所述自回归项数p的所述值集中的某一个值；q_m是所述移动平均项数q的所述值集中的某一个值。

优选的，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。

优选的，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。

优选的，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。

优选的，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Res_l(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Res_l(e,w)按以下的规则建立；

对于某元件e_i，若在历史故障集合S中出现的次数为w_i若没有发生，则有以下公式：

$w_i=\left\{\begin{array}{ccc}\min \left(w^{\′}\right)-1& if& \min \left(w^{\′}\right)\≥1\\ 1& if& \min \left(w^{\′}\right)>1\end{array}\right.---\left(5\right)$

上式中w'为所有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。

优选的，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。

从上述的技术方案可以看出，本发明提供了一种基于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，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，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，加强了系统中可靠性的薄弱环节，并提出有效的改进措施，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。

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：

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。

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。

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。

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

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；

图2是本发明的预测方法中的步骤1的流程示意图；

图3是本发明的预测方法中的步骤4的流程示意图；

图4是本发明的预测方法中的步骤5的流程示意图；

图5是本发明的预测方法中的步骤6的流程示意图；

图6是本发明的预测方法的应用例的流程示意图；

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

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。

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ARIMA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0.5，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；

包括如下步骤：

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；

步骤2.判断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.修正月平均停电次数序列；返回步骤2；

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；

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ARIMA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(MA)、自回归过程(AR)、自回归移动平均过程(ARMA)以及ARIMA过程。

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。

如图2所示，步骤1，包括：

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；

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Y_t：

Y_t＝φ₁Y_t-1+φ₂Y_t-2+...+φ_pY_t-p+e_t-θ₁e_t-1-θ₂e_t-2-...-θ_qe_t-q(1)

式中，Y_t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；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。

步骤2，包括：

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：

$A_n=-\frac{\underset{i=0}{\overset{n}{\Σ}}{y}_i}{n}=K---\left(2\right)$

γ_t,t-k≈γ_0,k(3)

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；

式中，A_n为常数、表示月停电次数的均值；γ_t,t-k≈γ_0,k表示序列Y_t-k、Y_t和序列Y₀、Y_k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。

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。

如图3所示，步骤4，包括：

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；

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；

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：

AIC＝nlogσ²+2(p+q)(4)

式中，n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p_m和q_m作为自回归项数p及移动平均项数q的最终取值。

如图4所示，步骤5，包括：

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；

5-2.检测初型的残差序列；

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；

若残差序列不为白噪声，则返回5-1。

如图5所示，步骤6，包括：

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：

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；

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。

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：

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Res_l(e,w)：

其中，Res_l(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0，则赋一个最小值，反则增加该设备被抽样到的次数。形成Res_l(e,w)集合；

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Res_l(e,w)按以下的规则建立；

对于某元件e_i，若在历史故障集合S中出现的次数为w_i若没有发生，则有以下公式：

$w_i=\left\{\begin{array}{ccc}\min \left(w^{\′}\right)-1& if& \min \left(w^{\′}\right)\≥1\\ 1& if& \min \left(w^{\′}\right)>1\end{array}\right.---\left(5\right)$

上式中w'为所有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；

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；

f.记录失电负荷点的停电次数、停电时间和缺供电量；

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；

若是，则跳转到6-3；

若否，则返回到d。

6-3.获得配电网全年的运行可靠性指标，包括：

h.统计各个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。

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ARIMA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0.5，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ARIMA模型和基于历史故障集抽样计算可靠性指标两个关键步骤，具体步骤如下：

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：

Y_t＝φ₁Y_t-1+φ₂Y_t-2+...+φ_pY_t-p+e_t-θ₁e_t-1-θ₂e_t-2-...-θ_qe_t-q(2)

上式中，Y_t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。

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：

$A_n=\frac{\underset{i=0}{\overset{n}{\Σ}}{y}_i}{n}=K---\left(3\right)$

γ_t,t-k≈γ_0,k(4)

其中(3)中表示月停电次数的均值A_n为常数，式(4)表示对于任意t时刻，序列Y_t-k、Y_t和序列Y₀、Y_k的协方差是近似的。

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：

AIC＝nlogσ²+2(p+q)(5)

式中，n为停电样本数，σ是残差平方和，p、q是ARIMA模型的阶数。

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。

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。

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：

1.基于系统实时运行情况的TLOC、PLOC准则对系统进行分区并建立FMEA表(事故模式影响表)，利用ARIMA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Res_l(e,w)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)。

对于某元件e_i，若在集合S中出现过则w_i为其出现的次数，若没有发生，则有以下公式：

$w_i=\left\{\begin{array}{ccc}\min \left(w^{\′}\right)-1& if& \min \left(w^{\′}\right)\≥1\\ 1& if& \min \left(w^{\′}\right)>1\end{array}\right.---\left(6\right)$

上式中w'为所有e∈S元件的次数，min(w')表示其中e出现过次数的最小值。

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。

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。

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。

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。

Claims (10)

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ARIMA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ARIMA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Y_t：

Y_t＝φ₁Y_t-1+φ₂Y_t-2+...+φ_pY_t-p+e_t-θ₁e_t-1-θ₂e_t-2-...-θ_qe_t-q(1)

式中，Y_t为0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：

$A_n=\frac{\underset{i=0}{\overset{n}{\Σ}}{y}_i}{n}=K---\left(2\right)$

γ_t,t-k≈γ_0,k(3)

式中，A_n为常数、表示月停电次数的均值；γ_t,t-k≈γ_0,k表示序列Y_t-k、Y_t和序列Y₀、Y_k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＝nlogσ²+2(p+q)(4)

式中，n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p_m和q_m作为所述自回归项数p及移动平均项数q的最终取值；p_m是所述自回归项数p的所述值集中的某一个值；q_m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Res_l(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Res_l(e,w)按以下的规则建立；

对于某元件e_i，若在历史故障集合S中出现的次数为w_i若没有发生，则有以下公式：

$w_i=\left\{\begin{array}{ccc}\min \left(w^{\′}\right)-1& if& \min \left(w^{\′}\right)\≥1\\ 1& if& \min \left(w^{\′}\right)>1\end{array}\right.---\left(5\right)$

上式中w'为所有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。