CN112613638A - 配网故障数量总体趋势预测方法、预测装置与处理器 - Google Patents
配网故障数量总体趋势预测方法、预测装置与处理器 Download PDFInfo
- Publication number
- CN112613638A CN112613638A CN202011381122.1A CN202011381122A CN112613638A CN 112613638 A CN112613638 A CN 112613638A CN 202011381122 A CN202011381122 A CN 202011381122A CN 112613638 A CN112613638 A CN 112613638A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- time sequence
- data
- network fault
- prediction
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
Images
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Systems or methods specially adapted for specific business sectors, e.g. utilities or tourism
- G06Q50/06—Electricity, gas or water supply
Abstract
本申请提供了一种配网故障数量总体趋势预测方法、预测装置与处理器。该方法包括获取与配网故障相关的基础数据,基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;采用主成分分析法对基础数据进行分析,得到影响配网故障数量的主要因素;构建预测模型;采用预测模型对主要因素进行分析,得到配网故障数量的变化趋势。该方案通过获取与配网故障相关的基础数据,采用主成分分析法对基础数据进行分析,得到影响配网故障数量的主要因素,构建预测模型,然后采用预测模型对主要因素进行分析,得到配网故障数量的变化趋势,实现了对配网故障总数的变化趋势的精准预测。
Description
技术领域
本申请涉及配网故障预测领域,具体而言,涉及一种配网故障数量总体趋势预测方法、预测装置、计算机可读存储介质与处理器。
背景技术
现阶段配网基础数据总量十分庞大,已经达到“大数据”级别,如何有效利用这些数据资源就成为当前的热门话题。在技术层面,随着分布式计算与分布式存储技术的不断发展,电力大数据的深入挖掘已经成为可能,其潜在的商业价值更是有待各个电力企业去开发。在配网故障管控领域,如果能够利用大数据的分析方法实现对故障趋势的预测,则无疑将成为一项十分有意义的工作,不但可以指导现场故障抢修资源的合理调配,还可以为配网的运维策略提供有效的辅助决策。基于上述想法,本申请提出了一种配网故障数量总体趋势预测方法,可实现对配网故障总数的趋势进行预判和预测。
发明内容
本申请的主要目的在于提供一种配网故障数量总体趋势预测方法、预测装置、计算机可读存储介质与处理器,以解决现有技术中缺乏一种高精度的配网故障数量总体趋势预测方法的问题。
为了实现上述目的,根据本申请的一个方面,提供了一种配网故障数量总体趋势预测方法,包括:获取与配网故障相关的基础数据,所述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;采用主成分分析法对所述基础数据进行分析,得到影响所述配网故障数量的主要因素;构建预测模型;采用所述预测模型对所述主要因素进行分析,得到所述配网故障数量的变化趋势。
进一步地,所述预测模型为非平稳时间序列模型。
进一步地,构建非平稳时间序列模型,包括如下步骤:步骤1,对原始数据进行预处理,所述预处理包括剔除异常值,若原始时间序列非等间隔,采用线性内插值法等间隔所述原始时间序列;步骤2,对预处理后的原始时间序列进行单位根平稳性检验;步骤3,若所述预处理后的原始时间序列平稳,则说明所述原始时间序列是平稳时间序列,对所述原始时间序列进行白噪声检验;步骤4,若所述预处理后的原始时间序列不平稳,则说明所述原始时间序列是非平稳时间序列,采用差分方法对所述原始时间序列进行平稳化,返回所述步骤2进行平稳性检验;步骤5,若所述平稳时间序列是白噪声序列,输出分析结果;步骤6,若所述平稳时间序列不是白噪声序列,对所述平稳时间序列建模;步骤7,对建模后的所述平稳时间序列进行所述步骤3的操作,检验有用信息是否充分提取。
进一步地,所述步骤6中的对所述平稳时间序列建模,包括:根据所述平稳时间序列的自相关函数、偏自相关函数的特点对所述平稳时间序列进行模式识别;确定ARIMA模型的p参数值和d参数值;估计所述ARIMA模型除所述p参数值和所述d参数值以外的其他参数。
根据本申请的另一个方面,提供了一种配网故障数量总体趋势预测装置,包括:获取单元,用于获取与配网故障相关的基础数据,所述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;第一分析单元,用于采用主成分分析法对所述基础数据进行分析,得到影响所述配网故障数量的主要因素;构建单元,用于构建预测模型;第二分析单元,用于采用所述预测模型对所述主要因素进行分析,得到所述配网故障数量的变化趋势。
根据本申请的又一个方面,提供了一种计算机可读存储介质,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行任意一种所述的配网故障数量总体趋势预测方法。
根据本申请的再一个方面,提供了一种处理器,所述处理器用于运行程序,其中,所述程序运行时执行任意一种所述的配网故障数量总体趋势预测方法。
应用本申请的技术方案,通过获取与配网故障相关的基础数据,所述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息,采用主成分分析法对所述基础数据进行分析,得到影响所述配网故障数量的主要因素,构建预测模型,然后采用所述预测模型对所述主要因素进行分析,得到所述配网故障数量的变化趋势,实现了对配网故障总数的变化趋势的精准预测。
附图说明
构成本申请的一部分的说明书附图用来提供对本申请的进一步理解,本申请的示意性实施例及其说明用于解释本申请,并不构成对本申请的不当限定。在附图中:
图1示出了根据本申请的实施例的配网故障数量总体趋势预测方法流程图;
图2示出了根据本申请的实施例的构建非平稳时间序列模型的流程图;
图3示出了根据本申请的实施例的配网故障数量总体趋势预测装置示意图。
具体实施方式
需要说明的是,在不冲突的情况下,本申请中的实施例及实施例中的特征可以相互组合。下面将参考附图并结合实施例来详细说明本申请。
为了使本技术领域的人员更好地理解本申请方案,下面将结合本申请实施例中的附图,对本申请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申请一部分的实施例,而不是全部的实施例。基于本申请中的实施例,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,都应当属于本申请保护的范围。
需要说明的是,本申请的说明书和权利要求书及上述附图中的术语“第一”、“第二”等是用于区别类似的对象,而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换,以便这里描述的本申请的实施例。此外,术语“包括”和“具有”以及他们的任何变形,意图在于覆盖不排他的包含,例如,包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元,而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
应该理解的是,当元件(诸如层、膜、区域、或衬底)描述为在另一元件“上”时,该元件可直接在该另一元件上,或者也可存在中间元件。而且,在说明书以及权利要求书中,当描述有元件“连接”至另一元件时,该元件可“直接连接”至该另一元件,或者通过第三元件“连接”至该另一元件。
正如背景技术中所介绍的,现有技术中缺乏一种高精度的配网故障数量总体趋势预测方法,为解决如上缺乏一种高精度的配网故障数量总体趋势预测方法的问题,本申请的实施例提供了一种配网故障数量总体趋势预测方法、预测装置、计算机可读存储介质与处理器。
配电网设备点多面广,设备质量参差不齐,受资金与规模所限不可能将所有设备均置于监测或监控范围之内,再加之基层供电所人员有限,巡视质量与周期根本无法保证,因此配电网的故障管控难度极大。随着电力用户对电能质量、供电可靠性的要求日益提高,以及电网公司向经营管理型企业转变的需要,传统“以抢代修”的配电网运维策略已难以满足要求,因此有必要提出一种配网故障数量总体趋势预测方法,提前预判配网故障数量发展趋势,找出区域配网薄弱环节,科学合理制定故障管控措施,在有限的人力与物力条件下,指导一线班组开展有针对性的配网运维工作。根据本申请的实施例,提供了一种配网故障数量总体趋势预测方法。
图1是根据本申请实施例的配网故障数量总体趋势预测方法的流程图。如图1所示,该方法包括以下步骤:
步骤S101,获取与配网故障相关的基础数据,上述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;
步骤S102,采用主成分分析法对上述基础数据进行分析,得到影响上述配网故障数量的主要因素;
步骤S103,构建预测模型;
步骤S104,采用上述预测模型对上述主要因素进行分析,得到上述配网故障数量的变化趋势。
上述方案中,通过获取与配网故障相关的基础数据,上述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息,采用主成分分析法对上述基础数据进行分析,得到影响上述配网故障数量的主要因素,构建预测模型,然后采用上述预测模型对上述主要因素进行分析,得到上述配网故障数量的变化趋势,实现了对配网故障总数的变化趋势的精准预测。
具体地,上述历史数据包括故障发生的时间、地点,相应的天气等;上述资产数据主要包括配电线路长度、绝缘化水平等;上述环境数据主要包括温度、湿度、风速和落雷情况等;上述服务数据主要包括配电设备的检修、试验情况等;上述运行信息主要包括线路的负荷水平,电压水平等。由于本方案整合各现有业务系统中与配网故障相关的各类数据(历史故障数据,天气,负荷,设备信息等),抽取出针对不同故障类型的关键状态参量,利用大数据方法建立各区域配网故障次数发展趋势预测模型,分析各种现有数据所表征的属性与配网故障次数之间的内在非显性(或显性)相关关系,实现在时间、温度、降雨、落雷等,典型多分析维度(或组合)条件下的配网故障总数量变化趋势,提前预判与预警。
具体地,主成分分析法利用降维的思想,将多个变量转化为少数几个综合变量(即主成分),其中每个主成分都是原始变量的线性组合,各主成分之间互不相关,从而这些主成分能够反映原始变量的绝大部分信息,且所含的信息互不重叠。因此可以考虑采用主成分分析法对影响故障的因素进行分析。
主成分分析法基本步骤如下:
第一步:设估计样本数为n,选取的影响因素个数为p,则由估计样本的原始数据可得矩阵X=(xij)n×p,其中xij表示第i个故障的第j项影响因素数据。
第二步:为了消除各项指标之间在量纲化和数量级上的差别,对指标数据进行标准化,得到标准化矩阵。
第三步:根据标准化矩阵建立协方差矩阵R,是反映标准化后的数据之间相关关系密切程度的统计指标,值越大,说明有必要对数据进行主成分分析。其中,Rij(i,j=1,2,…,P)为原始变量Xi与Xj的相关系数。R为实对称矩阵(即Rij=Rji),只需计算其上三角元素或下三角元素即可,其计算公式为:
第四步:根据协方差矩阵R求出特征值、主成分贡献率和累计方差贡献率,确定主成分个数。解特征方程|λE-R|=0,求出特征值λi(i=1,2,…,p)。因为R是正定矩阵,所以其特征值λi都为正数,将其按大小顺序排列,即λ1≥λ2≥…≥λi≥0。特征值是各主成分的方差,它的大小反映了各个主成分的影响力。主成分Zi的贡献率累计贡献率为根据选取主成分个数的原则,特征值要求大于1且累计贡献率达80%~95%的特征值λ1,λ2,…,λm所对应的1,2,…,m(m≤p),其中整数m即为主成分的个数。
经过主成分分析后可以得到影响故障次数的主要影响因素,方便后续对故障次数进行预测。
需要说明的是,在附图的流程图示出的步骤可以在诸如一组计算机可执行指令的计算机系统中执行,并且,虽然在流程图中示出了逻辑顺序,但是在某些情况下,可以以不同于此处的顺序执行所示出或描述的步骤。
本申请的一种实施例中,上述预测模型为非平稳时间序列模型。
本申请的一种实施例中,利用主成分分析法得到的主要因素对某一地区的故障次数进行预测。预测模型一般采用时间预测模型,时间序列是按时间顺序的一组数字序列。时间序列分析就是利用这组数列,应用数理统计方法加以处理,以预测未来事物的发展。一般只适用于短期预测。时间序列预测一般反映三种实际变化规律:趋势变化、周期性变化、随机性变化。考虑到故障次数与季节有明显的关系,因此采用非平稳时间序列,非平稳时间序列考虑了长期趋势变动、循环波动、季节性变化和随机波动四方面的影响。使用差分法提取确定性信息的时间序列模型可记为:ARIMA(p,d,q)模型,其中d表示差分的次数,图2示出了构建非平稳时间序列模型的流程图,如图2所示,构建非平稳时间序列模型,包括如下步骤:步骤1,对原始数据进行预处理,上述预处理包括剔除异常值,若原始时间序列非等间隔,采用线性内插值法等间隔上述原始时间序列;步骤2,对预处理后的原始时间序列进行单位根平稳性检验;步骤3,若上述预处理后的原始时间序列平稳,则说明上述原始时间序列是平稳时间序列,对上述原始时间序列进行白噪声检验;步骤4,若上述预处理后的原始时间序列不平稳,则说明上述原始时间序列是非平稳时间序列,采用差分方法对上述原始时间序列进行平稳化,返回上述步骤2进行平稳性检验;步骤5,若上述平稳时间序列是白噪声序列,输出分析结果;步骤6,若上述平稳时间序列不是白噪声序列,对上述平稳时间序列建模;步骤7,对建模后的上述平稳时间序列进行上述步骤3的操作,检验有用信息是否充分提取。将主要影响因素与故障次数经过时间序列模型算法处理后,就可以得到故障次数与主要影响因素之间的关系,可以预测一段时间内的故障次数,达到故障次数预测的目标。
本申请的一种实施例中,上述步骤6中的对上述平稳时间序列建模,包括:根据上述平稳时间序列的自相关函数、偏自相关函数的特点对上述平稳时间序列进行模式识别;确定ARIMA模型的p参数值和d参数值;估计上述ARIMA模型除上述p参数值和上述d参数值以外的其他参数。
本申请的一种更为具体的实施例中,在模型的建立和数据准备方面,应用某供电公司2014年的故障、气象、雷电数据。以周为分析单位,把数据整理成53个样本点。每个样本点包含平均风速、最高温度、雷电数、故障类型、设备资产信息等近三十类数据。以外力原因引起的故障数量、雷击原因引起的故障数量、以及两者合计故障数量作为预测量,计算指标间的相关系数,并以此为依据建立标准化和去标准化的预测模型。对预测模型进行效验,发现雷击故障模型15年的预测值与15年真实值非常接近,模型预测准确率达到94%以上。外力故障模型存在一定误差,准确率为81%。两者合计故障模型总体准确度为84%。综上,雷击故障预测结果比较准确,如果想提高模型预测的精度,必须在保证数据准确性的前提下,进一步扩大基础数据的收集范围。有了模型之后,可以利用其开展故障趋势的预警工作,仍然以某供电公司为例,定义某一周外力故障与雷击故障合计超过5次为故障高发周,需提前预警。考虑天气预报的误差性,假设2015年第26周朝阳的气象信息已知,通过预测模型可预测出:第26周的雷击故障数为2次;外力故障数为4次;合计故障数为6次。达到了预警启动条件,应启动预警。实际2015年第26周的雷击和外力故障合计为7次,与预测结论相符,证明了预警的正确性。进一步以2015年的数据对我们的模型进行了验证,2015年后半年的三次故障高发周,都可得到成功预测和预警。因此说明本发明具有一定的实用性。
本申请的上述实施例所涉及的配网故障数量总体趋势预测方法,可在宏观层面实现对配网故障数总体变化趋势的提前预估,通过实时或定时采集气象、负荷等预测数据及历史数据,利用合理的预测模型和算法,实现未来一天、一个星期或一个月,各区域、不同电压等级配网故障可能发生数量的预测。从而使以往根据用户报修分配抢修力量的传统模式逐步转换为根据预测情况进行事前安排的新模式,为提前部署设备运维改造重点、合理调配抢修资源、制定预案措施等提供研判依据。
本申请实施例还提供了一种配网故障数量总体趋势预测装置,需要说明的是,本申请实施例的配网故障数量总体趋势预测装置可以用于执行本申请实施例所提供的用于配网故障数量总体趋势预测方法。以下对本申请实施例提供的配网故障数量总体趋势预测装置进行介绍。
图3是根据本申请实施例的配网故障数量总体趋势预测装置的示意图。如图3所示,该装置包括:
获取单元10,用于获取与配网故障相关的基础数据,上述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;
第一分析单元20,用于采用主成分分析法对上述基础数据进行分析,得到影响上述配网故障数量的主要因素;
构建单元30,用于构建预测模型;
第二分析单元40,用于采用上述预测模型对上述主要因素进行分析,得到上述配网故障数量的变化趋势。
上述方案中,获取单元获取与配网故障相关的基础数据,上述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息,第一分析单元采用主成分分析法对上述基础数据进行分析,得到影响上述配网故障数量的主要因素,构建单元构建预测模型,第二分析单元采用上述预测模型对上述主要因素进行分析,得到上述配网故障数量的变化趋势,实现了对配网故障总数的变化趋势的精准预测。
上述配网故障数量总体趋势预测装置包括处理器和存储器,上述获取单元、第一分析单元、构建单元和第二分析单元等均作为程序单元存储在存储器中,由处理器执行存储在存储器中的上述程序单元来实现相应的功能。
处理器中包含内核,由内核去存储器中调取相应的程序单元。内核可以设置一个或以上,通过调整内核参数来提高配网故障数量总体趋势预测精度。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM),存储器包括至少一个存储芯片。
本发明实施例提供了一种计算机可读存储介质,上述计算机可读存储介质包括存储的程序,其中,在上述程序运行时控制上述计算机可读存储介质所在设备执行上述配网故障数量总体趋势预测方法。
本发明实施例提供了一种处理器,上述处理器用于运行程序,其中,上述程序运行时执行上述配网故障数量总体趋势预测方法。
本发明实施例提供了一种设备,设备包括处理器、存储器及存储在存储器上并可在处理器上运行的程序,处理器执行程序时实现至少以下步骤:
步骤S101,获取与配网故障相关的基础数据,上述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;
步骤S102,采用主成分分析法对上述基础数据进行分析,得到影响上述配网故障数量的主要因素;
步骤S103,构建预测模型;
步骤S104,采用上述预测模型对上述主要因素进行分析,得到上述配网故障数量的变化趋势。
本文中的设备可以是服务器、PC、PAD、手机等。
本申请还提供了一种计算机程序产品,当在数据处理设备上执行时,适于执行初始化有至少如下方法步骤的程序:
步骤S101,获取与配网故障相关的基础数据,上述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;
步骤S102,采用主成分分析法对上述基础数据进行分析,得到影响上述配网故障数量的主要因素;
步骤S103,构建预测模型;
步骤S104,采用上述预测模型对上述主要因素进行分析,得到上述配网故障数量的变化趋势。
本领域内的技术人员应明白,本申请的实施例可提供为方法、系统、或计算机程序产品。因此,本申请可采用完全硬件实施例、完全软件实施例、或结合软件和硬件方面的实施例的形式。而且,本申请可采用在一个或多个其中包含有计算机可用程序代码的计算机可用存储介质(包括但不限于磁盘存储器、CD-ROM、光学存储器等)上实施的计算机程序产品的形式。
本申请是参照根据本申请实施例的方法、设备(系统)、和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理设备的处理器以产生一个机器,使得通过计算机或其他可编程数据处理设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。
这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理设备以特定方式工作的计算机可读存储器中,使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品,该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。
这些计算机程序指令也可装载到计算机或其他可编程数据处理设备上,使得在计算机或其他可编程设备上执行一系列操作步骤以产生计算机实现的处理,从而在计算机或其他可编程设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。
在一个典型的配置中,计算设备包括一个或多个处理器(CPU)、输入/输出接口、网络接口和内存。
存储器可能包括计算机可读介质中的非永久性存储器,随机存取存储器(RAM)和/或非易失性内存等形式,如只读存储器(ROM)或闪存(flash RAM)。存储器是计算机可读介质的示例。
计算机可读介质包括永久性和非永久性、可移动和非可移动媒体可以由任何方法或技术来实现信息存储。信息可以是计算机可读指令、数据结构、程序的模块或其他数据。计算机的存储介质的例子包括,但不限于相变内存(PRAM)、静态随机存取存储器(SRAM)、动态随机存取存储器(DRAM)、其他类型的随机存取存储器(RAM)、只读存储器(ROM)、电可擦除可编程只读存储器(EEPROM)、快闪记忆体或其他内存技术、只读光盘只读存储器(CD-ROM)、数字多功能光盘(DVD)或其他光学存储、磁盒式磁带,磁带磁磁盘存储或其他磁性存储设备或任何其他非传输介质,可用于存储可以被计算设备访问的信息。按照本文中的界定,计算机可读介质不包括暂存电脑可读媒体(transitory media),如调制的数据信号和载波。
还需要说明的是,术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含,从而使得包括一系列要素的过程、方法、商品或者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或者是还包括为这种过程、方法、商品或者设备所固有的要素。在没有更多限制的情况下,由语句“包括一个……”限定的要素,并不排除在包括要素的过程、方法、商品或者设备中还存在另外的相同要素。
从以上的描述中,可以看出,本申请上述的实施例实现了如下技术效果:
1)、本申请的配网故障数量总体趋势预测方法,通过获取与配网故障相关的基础数据,上述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息,采用主成分分析法对上述基础数据进行分析,得到影响上述配网故障数量的主要因素,构建预测模型,然后采用上述预测模型对上述主要因素进行分析,得到上述配网故障数量的变化趋势,实现了对配网故障总数的变化趋势的精准预测。
2)、本申请的配网故障数量总体趋势预测装置,获取单元获取与配网故障相关的基础数据,上述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息,第一分析单元采用主成分分析法对上述基础数据进行分析,得到影响上述配网故障数量的主要因素,构建单元构建预测模型,第二分析单元采用上述预测模型对上述主要因素进行分析,得到上述配网故障数量的变化趋势,实现了对配网故障总数的变化趋势的精准预测。
以上所述仅为本申请的优选实施例而已,并不用于限制本申请,对于本领域的技术人员来说,本申请可以有各种更改和变化。凡在本申请的精神和原则之内,所作的任何修改、等同替换、改进等,均应包含在本申请的保护范围之内。
Claims (7)
1.一种配网故障数量总体趋势预测方法,其特征在于,包括:
获取与配网故障相关的基础数据,所述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;
采用主成分分析法对所述基础数据进行分析,得到影响所述配网故障数量的主要因素;
构建预测模型;
采用所述预测模型对所述主要因素进行分析,得到所述配网故障数量的变化趋势。
2.根据权利要求1所述的预测方法,其特征在于,所述预测模型为非平稳时间序列模型。
3.根据权利要求1所述的预测方法,其特征在于,构建非平稳时间序列模型,包括如下步骤:
步骤1,对原始数据进行预处理,所述预处理包括剔除异常值,若原始时间序列非等间隔,采用线性内插值法等间隔所述原始时间序列;
步骤2,对预处理后的原始时间序列进行单位根平稳性检验;
步骤3,若所述预处理后的原始时间序列平稳,则说明所述原始时间序列是平稳时间序列,对所述原始时间序列进行白噪声检验;
步骤4,若所述预处理后的原始时间序列不平稳,则说明所述原始时间序列是非平稳时间序列,采用差分方法对所述原始时间序列进行平稳化,返回所述步骤2进行平稳性检验;
步骤5,若所述平稳时间序列是白噪声序列,输出分析结果;
步骤6,若所述平稳时间序列不是白噪声序列,对所述平稳时间序列建模;
步骤7,对建模后的所述平稳时间序列进行所述步骤3的操作,检验有用信息是否充分提取。
4.根据权利要求3所述的预测方法,其特征在于,所述步骤6中的对所述平稳时间序列建模,包括:
根据所述平稳时间序列的自相关函数、偏自相关函数的特点对所述平稳时间序列进行模式识别;
确定ARIMA模型的p参数值和d参数值;
估计所述ARIMA模型除所述p参数值和所述d参数值以外的其他参数。
5.一种配网故障数量总体趋势预测装置,其特征在于,包括:
获取单元,用于获取与配网故障相关的基础数据,所述基础数据包括历史数据、资产数据、环境数据、服务数据和运行信息;
第一分析单元,用于采用主成分分析法对所述基础数据进行分析,得到影响所述配网故障数量的主要因素;
构建单元,用于构建预测模型;
第二分析单元,用于采用所述预测模型对所述主要因素进行分析,得到所述配网故障数量的变化趋势。
6.一种计算机可读存储介质,其特征在于,所述计算机可读存储介质包括存储的程序,其中,在所述程序运行时控制所述计算机可读存储介质所在设备执行权利要求1至4中任意一项所述的配网故障数量总体趋势预测方法。
7.一种处理器,其特征在于,所述处理器用于运行程序,其中,所述程序运行时执行权利要求1至4中任意一项所述的配网故障数量总体趋势预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011381122.1A CN112613638A (zh) | 2020-11-30 | 2020-11-30 | 配网故障数量总体趋势预测方法、预测装置与处理器 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011381122.1A CN112613638A (zh) | 2020-11-30 | 2020-11-30 | 配网故障数量总体趋势预测方法、预测装置与处理器 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN112613638A true CN112613638A (zh) | 2021-04-06 |
Family
ID=75229768
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011381122.1A Pending CN112613638A (zh) | 2020-11-30 | 2020-11-30 | 配网故障数量总体趋势预测方法、预测装置与处理器 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112613638A (zh) |
Cited By (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361607A (zh) * | 2021-06-08 | 2021-09-07 | 云南电网有限责任公司电力科学研究院 | 一种中压配网线路问题分析方法及装置 |
-
2020
- 2020-11-30 CN CN202011381122.1A patent/CN112613638A/zh active Pending
Cited By (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113361607A (zh) * | 2021-06-08 | 2021-09-07 | 云南电网有限责任公司电力科学研究院 | 一种中压配网线路问题分析方法及装置 |
CN113361607B (zh) * | 2021-06-08 | 2023-01-20 | 云南电网有限责任公司电力科学研究院 | 一种中压配网线路问题分析方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Gross et al. | Short-term load forecasting | |
Trakas et al. | Spatial risk analysis of power systems resilience during extreme events | |
US20150371151A1 (en) | Energy infrastructure sensor data rectification using regression models | |
Shi et al. | Short-term wind power generation forecasting: Direct versus indirect ARIMA-based approaches | |
KR102518629B1 (ko) | Cnn을 이용한 전력수요 예측 방법, 이를 수행하기 위한 기록 매체 및 장치 | |
Jürgensen et al. | Individual failure rates for transformers within a population based on diagnostic measures | |
CN112163377A (zh) | 变压器温度预警模型的获取方法和装置及温度预测方法 | |
Kharlamova et al. | A digital twin of battery energy storage systems providing frequency regulation | |
Cioara et al. | An overview of digital twins application domains in smart energy grid | |
CN112613638A (zh) | 配网故障数量总体趋势预测方法、预测装置与处理器 | |
Wang et al. | Evaluating weather influences on transmission line failure rate based on scarce fault records via a bi‐layer clustering technique | |
Dehghan-Banadaki et al. | Big data analytics in a day-ahead electricity price forecasting using tensorflow in restructured power systems | |
Crespo Márquez et al. | Exploiting EAMS, GIS and Dispatching Systems Data for Criticality Analysis: Improving Maintenance and Felling and Pruning Management in Power Lines | |
Romero et al. | Web based management system for power quality assessment and detection of critical zones | |
CN116205355A (zh) | 电力负荷的预测方法、装置以及存储介质 | |
CN110807014A (zh) | 一种基于交叉验证的台区数据异常甄别方法和装置 | |
Shang et al. | Short-term Distribution Network Peak Load Forecasting Based on Generalized Linear Model | |
CN115166625A (zh) | 智能电表误差估计方法及装置 | |
CN114254806A (zh) | 配电网重过载预警方法、装置、计算机设备和存储介质 | |
Zhang et al. | Data-driven feature description of heat wave effect on distribution system | |
Salehi Borujeni et al. | Reconstructing long-term wind speed data based on measure correlate predict method for micro-grid planning | |
CN113703974A (zh) | 一种预测服务器容量的方法及装置 | |
CN112184487A (zh) | 预测供电指标的方法及装置 | |
CN112256735A (zh) | 一种用电监测方法、装置、计算机设备和存储介质 | |
Abaas et al. | Long short-term memory customer-centric power outage prediction models for weather-related power outages |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination |