CN109242150A

CN109242150A - 一种电网可靠性预测方法

Info

Publication number: CN109242150A
Application number: CN201810929142.4A
Authority: CN
Inventors: 陈海拔; 朱永虎; 潘勇斌; 韦富彬; 邓厚兵; 李闯; 廖华; 梁阳; 申晓杰; 袁卫义; 邓朝翥; 潘鹏; 彭伟; 钟晖; 董羊城
Original assignee: China Souther Grid Corp Ultra High Pressure Transmission Cos Nanning Monitoring Center
Current assignee: China Souther Grid Corp Ultra High Pressure Transmission Cos Nanning Monitoring Center
Priority date: 2018-08-15
Filing date: 2018-08-15
Publication date: 2019-01-18

Abstract

本发明公开了一种基于粗糙集理论和神经网络的电网可靠性预测方法，首先，收集电网大数据，经过离散化处理后分类到决策表中。然后，基于粗糙集理论相关分析法建立信息熵相关系数，并且提取电力系统可靠性的强相关因子作为预测模型的输入。最后，采用基于遗传算法的改进神经网络方法，对历史数据样本进行学习和训练，得到预测模型，从而预测和评估将来电力系统的可靠性水平。本发明不仅具有预测速度快的优点，而且具有较高的预测精度。

Description

一种电网可靠性预测方法

技术领域

本发明涉及电力系统可靠性预测领域，具体涉及一种基于粗糙集理论和神经网络的电网可靠性预测方法。

背景技术

近年来，对供电可靠性和质量的要求越来越高，电力系统运行可靠性逐渐成为电力系统研究的重要课题之一。由于电力系统规模庞大，结构复杂，部件可靠性参数的高度不确定性，而电力系统对用户供电的可靠性影响很大，传统的可靠性预测方法已不能满足电网可靠性预测的要求。目前使用的一些分析方法原理上简单，计算结果的精度高，具有处理小规模分布系统计算时间短的优点。但对于大规模电力系统，分析方法的计算随着问题规模的增加呈指数增长；而仿真方法往往需要多次仿真才能得到接近真实值的结果，精度低，计算时间长；混合方法和人工智能虽然在一定程度上克服了上述两种方法的缺点，但仍然基于组件可靠性参数。因此，采用传统的可靠性分析方法难以处理电网中的实际问题。

智能电网实现的前提是能够获取并处理实时全景状态数据，即电网运行、调度、管理和检修等过程产生的海量多源异构及多态大数据。随着电网规模的不断增长及电网智能化的快速发展，各类电力管理系统中进行获取与传输、应用的数据成几何级增长，这些数据不仅涵盖了电力系统运行、监控、调度、检修、营销等业务信息，同时也包括了大量的经济社会类数据，为电网分析提供了基础。而随着现代电力企业服务质量的提高，大量的结构化、半结构化或非结构化数据开始涌入电力系统。与此同时，数据采集技术日趋成熟，大数据处理能力得到大幅提升，成为利用大数据技术分析电网可靠性的新途径。

传统可靠性预测方法受数据渠道窄、数据集成处理能力弱等因素限制，研究人员很难从电力系统多源异构数据中挖掘出更多有价值的信息。数据采集技术和监控/能量管理系统的逐渐完善和成熟以及大数据处理技术的发展，为运行可靠性分析提供了新的方法，可简化建模与求解过程。目前，如何把电网大数据尤其是电网的海量数据通过数据挖掘技术应用到电网的可靠性预测中已经成为电力工作者们的一个重要研究课题。

发明内容

为解决现有技术中的不足，本发明提供了一种电网可靠性预测方法，以提高电网可靠性预测的效率。

为了实现上述目标，本发明采用如下技术方案：

一种电网可靠性预测方法，包括：

步骤一、收集电网大数据，并经过离散化处理后分类到决策表中；

步骤二、基于粗糙集理论分析法建立信息熵相关系数，以得到电力系统可靠性的强相关因子；

步骤三、采用基于遗传算法的改进神经网络方法，对历史数据样本进行学习和训练，得到预测模型，将步骤二中所得到的强相关因子作为预测模型的输入，以预测和评估将来电力系统的可靠性水平。

本发明提供的一种基于粗糙集理论和神经网络的电网可靠性预测方法的有益效果包括：

1、本发明提出了一种基于粗糙集理论和神经网络的电网可靠性预测方法。该方法利用粗糙集理论对数据进行预处理，有效挖掘数据，有效提高神经网络的收敛速度。

2、本发明在BP神经网络的基础上做了一些改进，添加动量因子和自适应学习速率，并使用遗传算法优化初始权重和阈值。迭代速度大大提高，优化精度也相应提高。方法运行高效简单，操作简单，具有一定的工程实用价值。

附图说明

图1所示为本发明提供的一种基于粗糙集理论和神经网络的电网可靠性预测方法的流程图；

图2所示为本发明提供的一种基于粗糙集理论和神经网络的电网可靠性预测方法中神经网络处理流程图；

图3所示为本发明提供的实施例1误差进化曲线图；

图4所示为本发明提供的实施例1最优权重阈值训练误差曲线。

具体实施方式

下面结合附图对本发明作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本发明的保护范围。

如图1所示，一种基于粗糙集理论和神经网络的电网可靠性预测方法，具体步骤包括：

一、收集电网大数据，经过离散化处理后分类到决策表中；

步骤一中，决策表作为一种特殊的知识表达系统，可以定义为：S＝＜U,R,V,f＞，其中U是一个非空的有限对象集合，表示一个给定的论域；R＝C∪D且其中C是一组条件属性，D是一组决策属性；V是一个属性值集合；f表示一个信息函数：f:U×R→V。

电力系统的大数据通常以连续变量的形式出现，因此本发明使用粗糙集理论中的等距离方法来离散化处理电力系统原始数据：离散值的区间长度由l_c＝(max([c])-min([c]))/m计算可得，其中max([c])和min([c])是属性c的值空间中的最大值和最小值，m是离散区间的数量。在实践中，它通常用经验公式进行计算：m＝1.87×(n-1)^2/5，其中n是对应域U的样本数。对于属性c中的任意值c_i，离散化的结果是其中是一个函数，表示对于任何数x，都是不大于x的最大整数。

二、基于粗糙集理论相关分析法建立信息熵相关系数，并且提取电力系统可靠性的强相关因子作为预测模型的输入；

步骤二中，粗糙集理论基于不可区分关系：设U是一个有限集，S和U具有等价关系。如果且那么∩P仍然和U具有等价关系，这就称为P的不可区分关系，记作IND(P)。由IND(P)确定的U的划分表示为U/IND(P)，表示由IND(P)生成的等价关系的集合：

其中，

令P和Q成为U上的等价关系，即有

X＝U/IND(P)＝{X₁,X₂,...,X_n} (3)

Y＝U/IND(Q)＝{Y₁,Y₂,...,Y_n} (4)

信息熵被定义为：

Q相对于P的条件熵被定义为：

P和Q的互信息被定义为：

I(P；Q)＝H(Q)-H(Q|P) (7)

为了比较不同变量之间的相关性，采用基于归一化互信息的广义相关系数概念，即信息熵相关系数，定义为

当I_PQ＝1时，P和Q完全相关，当I_PQ＝0时，P和Q完全独立。

由此计算出各因素与可靠性指标之间的相关系数，并选取主要因素；计算主要因素之间的信息熵相关系数并筛选去除冗余因子，由此得到电力系统可靠性的强相关因子。

三、采用基于遗传算法的改进神经网络(GA-BP神经网络)方法，对历史数据样本进行学习和训练，得到预测模型，从而预测和评估将来电力系统的可靠性水平。

步骤三中，对传统神经网络算法进行改进后得到基于遗传算法的改进神经网络算法，采用历史数据样本进行训练后得到预测模型，将步骤二中得到的强相关因子作为模型输入，预测电力系统的可靠性水平；其中，该历史数据样本是指电网运行历史数据中关乎可靠性预测的典型数据。传统神经网络由一个输入层、多个隐藏层和一个输出层构成，每一层包含若干个神经元(又可以称为感知机)，通过学习确定层与层神经元之间的网络架构和关系。其中，设计神经网络的重要工作是设计隐藏层以及神经元之间的权重，传统神经网络的权重和样本学习速率均固定不变。

(1)对传统神经网络方法进行改进：首先引入了一个动量因子α用于修正权重，通常有：0≤α≤1。为权重修改选择恒定的记忆修正方向，得到：

w(k+1)＝w(k)+η[(1-α)D(k)+αD(k-1)] (9)

其中，w(k)是该网络中的权重；D(k)是k时刻的负梯度，D(k-1)是k-1时刻的负梯度；η(η＞0)是学习速率；α(α∈(0,1))是动量因子。

然后考虑到学习速率太小会增加训练迭代次数，太大会引起训练振荡甚至发散，因此采用自适应学习速率，在整个训练过程中根据实际迭代情况进行合理调整。所以可得：

w(k+1)＝w(k)+η(k)[(1-α)D(k)+αD(k-1)] (10)

(2)采用基于遗传算法的改进神经网络方法进行电网可靠性预测分析：①首先确定神经网络的拓扑结构，对神经网络的权重和阈值进行编码并获得初始种群；②然后解码获得权重和阈值，给BP神经网络赋权重和阈值，采用历史数据训练神经网络，采用测试例程测试神经网络，得到测试误差；③再计算种群适应度，进行选择交叉变异后得到新的种群；④循环②③直到满足运行终止条件，解码获得最佳或次最佳权重和阈值。如图2给出了基于遗传算法的神经网络处理流程图。

在给BP神经网络赋权重和阈值时选择一个相对较小的对称范围[-ε_init,ε_init]，其中n和m分别是神经网络输入层和输出层的神经元数量。

实施例1：

以北京的年鉴数据为例，采用基于粗糙集理论和神经网络的电网可靠性预测方法对电力系统进行可靠性预测。本实施例数据来自于北京电力公司年鉴和2005-2013年北京统计年鉴。如表1所示，根据这些统计结果编制了108×15的决策表，其中包括1个决策属性(电源Y的可靠性)和14个条件属性。

表1决策表条件属性

a)离散化处理：根据步骤一介绍的计算方法，采用等距法进行数据离散化处理。分区数m＝1.87×(108-1)^2/5＝12.12，也就是将所有属性分为12类。结果如表2所示。

表2离散化结果

	X1	X2	X3	X4	X5	X6	X7	X8	X9	X10	X11	X12	X13	X14	Y
																1	0	0	1	0	11	7	1	2	0	0	5	5	0	0	11
2	0	1	0	1	6	8	0	4	0	2	7	11	11	1	11
																3	0	2	1	1	6	5	1	5	0	4	9	11	4	1	11
4	0	3	0	0	6	3	0	4	1	7	9	10	0	4	11
																5	0	4	0	0	8	4	0	3	1	9	9	9	2	7	11
6	0	5	1	1	7	5	2	3	2	10	6	7	7	10	11
																7	0	6	2	1	9	4	3	3	7	11	6	4	2	11	11
8	0	7	1	2	7	5	3	4	2	10	5	2	0	8	11
																…	…	…	…	…	…	…	…	…	…	…	…	…	…	…	…
107	11	10	8	8	9	7	8	11	3	3	5	5	0	2	11
																108	11	11	11	11	10	10	10	11	0	0	1	5	0	0	8

b)相关分析：利用粗糙集理论，计算条件属性Xi(i＝1,2,...,14)与决策属性Y之间的熵相关系数，结果如表3所示。

表3 Xi与决策属性Y之间的熵相关系数

结果表明，这些条件属性与决策属性的最大熵相关系数不大于0.3。阈值设置为0.15。去除熵相关系数不超过0.15的条件属性，即删除X2，X9，X10和X13。考虑剩余十个属性的熵相关系数，并建立一个相关矩阵，如表4所示。

表4主要因素间的熵相关系数

	X1	X3	X4	X5	X6	X7	X8	X11	X12	X14
											X1	1	0.285	0.385	0.162	0.205	0.301	0.573	0.213	0.201	0.205
X3	--	1	0.514	0.242	0.223	0.534	0.315	0.243	0.271	0.249
											X4	--	--	1	0.229	0.255	0.42	0.351	0.233	0.261	0.226
X5	--	--	--	1	0.216	0.21	0.199	0.256	0.31	0.284
											X6	--	--	--	--	1	0.228	0.222	0.231	0.251	0.322
X7	--	--	--	--	--	1	0.339	0.248	0.271	0.233
											X8	--	--	--	--	--	--	1	0.238	0.251	0.243
X11	--	--	--	--	--	--	--	1	0.32	0.213
											X12	--	--	--	--	--	--	--	--	1	0.242
X14	--	--	--	--	--	--	--	--	--	1

计算结果表明，X1与X8，X3与X4，X3与X7的熵相关系数大于0.5，相关系数为X8>X1>X4>X3>X7。因此，删除相对冗余条件属性X1和X3。电力系统可靠性指标的相关因素选择如下。

表5可靠性指标的相关因素

c)GA-BP神经网络的构建：根据上述GA-BP神经网络的构建过程，对GA-BP神经网络模型进行编程。具体参数设置如表6所示，可根据实际情况进行调整。

表6 GA-BP神经网络参数设置

在本实施例中，有108组样本数据，随机选取8组样本作为测试样本。将训练数据输入GA-BP神经网络进行学习，并通过训练的预测模型预测测试样本的可靠性。如图3-4所示，获得误差演化曲线和最优权重阈值训练误差曲线。

表7给出了真值与GA-BP神经网络的预测值的比较结果。从结果中可以看出，预测值与真值非常接近，最大绝对误差为0.004，说明该模型具有较好的预测效果。

表7测试组的预测结果

	真值	预测值	绝对误差
				1	99.989	99.99	0.001
2	99.973	99.973	0
				3	99.974	99.975	0.001
4	99.989	99.985	0.004
				5	99.994	99.992	0.002
6	99.98	99.981	0.001
				7	99.988	99.987	0.001
8	99.987	99.987	0

综上，本专利提出了一种基于粗糙集理论和神经网络的电网可靠性预测方法。该方法从大数据与电网可靠性之间的相关性开始，提取电力系统可靠性的相关因素作为神经网络的输入。在训练之后，生成预测模型以预测电力系统在未来时间的可靠性水平。将粗糙集理论与神经网络相结合，利用粗糙集理论对数据进行预处理，进而有效挖掘数据价值，有效提高神经网络的收敛速度。本专利在BP神经网络的基础上做了一些改进，加动量和自适应学习速率，并使用遗传算法优化初始权重和阈值。从实施例的结果可以看出，迭代速度大大提高，优化精度也相应提高。结果表明，该方法切实有效，操作简单，具有一定的工程实用价值。

以上虽然根据附图对本发明的实施例进行了详细说明，但不仅限于此具体实施方式，本领域的技术人员根据此具体技术方案进行的各种等同、变形处理，也在本发明的保护范围之内。

Claims

1.一种电网可靠性预测方法，其特征在于，所述方法包括：

2.如权利要求1所述的电网可靠性预测方法，其特征在于，在所述步骤一中：

决策表定义为：S＝＜U,R,V,f＞，其中U是一个非空的有限对象集合，表示一个给定的论域；R＝C∪D且其中C是一组条件属性，D是一组决策属性；V是一个属性值集合；f表示一个信息函数：f:U×R→V。

3.如权利要求1或2所述的电网可靠性预测方法，其特征在于，在所述步骤一中：

采用粗糙集理论中的等距离方法来离散化处理所收集到的电网大数据：

离散值的区间长度由l_c＝(max([c])-min([c]))/m计算可得；其中，max([c])和min([c])是属性c的值空间中的最大值和最小值，m是离散区间的数量；对于属性c中的任意值c_i，离散化的结果是其中是一个函数，表示对于任何数x，都是不大于x的最大整数。

4.如权利要求3所述的电网可靠性预测方法，其特征在于，所述步骤二具体包括：

粗糙集理论基于不可区分关系：设U是一个有限集，S和U具有等价关系；如果且那么∩P仍然和U具有等价关系，称为P的不可区分关系，记作IND(P)，由IND(P)确定的U的划分表示为U/IND(P)，表示由IND(P)生成的等价关系的集合：

其中，

令P和Q成为U上的等价关系，即有

X＝U/IND(P)＝{X₁,X₂,...,X_n} (3)

Y＝U/IND(Q)＝{Y₁,Y₂,...,Y_n} (4)

信息熵被定义为：

Q相对于P的条件熵被定义为：

P和Q的互信息被定义为：

I(P；Q)＝H(Q)-H(Q|P) (7)

采用基于归一化互信息的广义相关系数概念，即信息熵相关系数，定义为：

当I_PQ＝1时，P和Q完全相关，当I_PQ＝0时，P和Q完全独立；

计算出各因素与可靠性指标之间的相关系数，并选取主要因素；计算主要因素之间的信息熵相关系数并筛选去除冗余因子，以得到电力系统可靠性的强相关因子。

5.如权利要求1所述的电网可靠性预测方法，其特征在于，在所述步骤三中：

所述改进神经网络方法为：

对传统神经网络方法进行改进：首先引入了一个动量因子α用于修正权重，0≤α≤1；为权重修改选择恒定的记忆修正方向，得到：

w(k+1)＝w(k)+η[(1-α)D(k)+αD(k-1)] (9)

其中，w(k)是该网络中的权重；D(k)是k时刻的负梯度，D(k-1)是k-1时刻的负梯度；η(η＞0)是学习速率；α(α∈(0,1))是动量因子；

采用自适应学习速率，在整个训练过程中根据实际迭代情况进行合理调整，得：

w(k+1)＝w(k)+η(k)[(1-α)D(k)+αD(k-1)] (10)。

6.如权利要求5所述的电网可靠性预测方法，其特征在于，在所述步骤三中：

采用基于遗传算法的改进神经网络方法预测和评估将来电力系统的可靠性水平具体为：

①、首先确定神经网络的拓扑结构，对神经网络的权重和阈值进行编码并获得初始种群；

②、然后解码获得权重和阈值，给BP神经网络赋权重和阈值，采用历史数据训练神经网络，采用测试例程测试神经网络，得到测试误差；

③、再计算种群适应度，进行选择交叉变异后得到新的种群；

④、循环②③直到满足运行终止条件，解码获得最佳或次最佳权重和阈值。

7.如权利要求6所述的电网可靠性预测方法，其特征在于，在给BP神经网络赋权重和阈值时选择一个对称范围[-ε_init,ε_init]，其中n和m分别是神经网络输入层和输出层的神经元数量。