CN113466627A - 一种适用于恶劣天气引起的电网故障预测方法 - Google Patents

Abstract

本发明公开了一种适用于恶劣天气引起的电网故障预测方法，包括：收集气象数据及电网故障计数记录，对收集的数据进行预处理；根据预处理后的的数据提取天气特征及对故障级别进行分类，分析二者的关联关系，并根据所述关联关系建立线性方程；基于所述线性方程及贝叶斯神经网络建立电网故障预测模型，实现恶劣天气引起的电网故障预测。本发明提高了电网故障的预测精度，从而能够在恶劣天气情况下实现配电网故障的快速准确地预测，进而提高配电网供电的安全性及可靠性。

Description

一种适用于恶劣天气引起的电网故障预测方法

技术领域

本发明涉及配电网故障预测的技术领域，尤其涉及一种适用于恶劣天气引起的电网故障预测方法。

背景技术

近年来，随着国民经济的高速发展，使得用户的用电需求不断增长，对电力企业的供电能力、供电质量以及供电可靠性的要求也越来越高，电力企业只有通过自身不断的发展，才能满足日益增长的电能需求。电力系统是国家基础性行业，电网建设的发展水平不仅影响着国民经济的发展，还涉及到一次能源的消耗以及巨额投资，进行合理的规划不但能够减少资源的浪费，还能获得巨大的社会和经济效益，促进其他行业的健康发展；反之，如果规划不合理或规划失误，将会给国家带来巨大的损失。随着电能需求的增加以及我国社会主义市场经济的不断发展，使得市场机制下的电力企业面临着激烈的竞争，实现电力资源的优化配置已然成为了电力企业改革和发展的必然趋势，从而开展配电网可靠性预测研究的意义和重要性不言而喻。

配电网是电力系统向用户供应和分配电能的重要环节，其可靠性日益受到用户和供电企业的重视。对配电网进行可靠性预测，能够对配电网可能达到的可靠性目标进行客观的估计，为了解电网可靠性发展趋势，确定可靠性投资方向，知道电力市场下可靠性电价等提供有价值的依据。随着电力系统规模的增大，电网结构日益复杂，而且电力系统各元件的相关关系随着系统运行方式与运行状态的改变而改变，因此，亟需一种方法来实现配电网的可靠性预测。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明解决的技术问题是：现有技术预测精度低，从而导致电网可靠性及安全性较低。

为解决上述技术问题，本发明提供如下技术方案：收集气象数据及电网故障计数记录，对收集的数据进行预处理；根据预处理后的的数据提取天气特征及对故障级别进行分类，分析二者的关联关系，并根据所述关联关系建立线性方程；基于所述线性方程及贝叶斯神经网络建立电网故障预测模型，实现恶劣天气引起的电网故障预测。

作为本发明所述的适用于恶劣天气引起的电网故障预测方法的一种优选方案，其中：所述数据预处理过程包括，数据清洗：空缺值清洗、格式内容清洗、逻辑错误清洗、非需求数据清洗；数据变换：对数据进行特征构造、数据分级及数据量化；数据集成：对数据变换后的数据进行数据统计，将数据合并到统一的数据存储中；采用基于聚类的离群样本检测策略对数据样本中仍可能出现异常的样本进行检测剔除。

作为本发明所述的适用于恶劣天气引起的电网故障预测方法的一种优选方案，其中：定义预处理后的数据包括，

Y∈{x*,y*}

其中，x*表示天气特征数据值，y*表示电网故障计数数据值，Y表示数据集。

作为本发明所述的适用于恶劣天气引起的电网故障预测方法的一种优选方案，其中：所述天气特征包括，

每周平均和最大风速、每周平均和最大降雨以及一周内的闪电天数。

作为本发明所述的适用于恶劣天气引起的电网故障预测方法的一种优选方案，其中：所述故障级别的分类包括将所述故障计数分为三个故障级别。

作为本发明所述的适用于恶劣天气引起的电网故障预测方法的一种优选方案，其中：所述线性方程的建立包括，

其中，y*_min表示最小值，y*_max表示最大值，Y'∈{x₁*,y₁*}表示线性变换后值，x₁*、y₁*分别表示线性变换后的天气特征数据值及电网故障计数数据值。

作为本发明所述的适用于恶劣天气引起的电网故障预测方法的一种优选方案，其中：所述电网故障预测模型包括，将预测分布定义为分类分布，其公式表示如下：

其中，σ²表示高斯分布后的概率差，p_D(y*|x*)表示分类分布值，w表示样本数量值，μ∈R^d表示概率分布的全部参数数量，C表示迭代次数。

作为本发明所述的适用于恶劣天气引起的电网故障预测方法的一种优选方案，其中：所述电网故障预测模型还包括，方差的定义可以评估预测模型的预测结果的不确定性，称为预测误差，表示为：

其中，Var_q表示预测误差，

表示无偏估计量，q_θ(y^*|x^*)表示分布概率。

本发明的有益效果：提高了电网故障的预测精度，从而能够在恶劣天气情况下实现配电网故障的快速准确地预测，进而提高配电网供电的安全性及可靠性。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明一个实施例提供的一种适用于恶劣天气引起的电网故障预测方法的基本流程示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通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，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

参照图1，为本发明的一个实施例，提供了一种适用于恶劣天气引起的电网故障预测方法，包括：

S1：收集气象数据及电网故障计数记录，对收集的数据进行预处理；需要说明的是，

数据预处理过程包括：

数据清洗：空缺值清洗、格式内容清洗、逻辑错误清洗、非需求数据清洗；

数据变换：对数据进行特征构造、数据分级及数据量化；

数据集成：对数据变换后的数据进行数据统计，将数据合并到统一的数据存储中；

采用基于聚类的离群样本检测策略对数据样本中仍可能出现异常的样本进行检测剔除。

进一步的，定义预处理后的数据包括，

Y∈{x*,y*}

其中，x*表示天气特征数据值，y*表示电网故障计数数据值，Y表示数据集。

S2：根据预处理后的的数据提取天气特征及对故障级别进行分类，分析二者的关联关系，并根据关联关系建立线性方程；需要说明的是，

天气特征包括：

每周平均和最大风速、每周平均和最大降雨以及一周内的闪电天数。

故障级别的分类包括将故障计数分为三个故障级别，其中，三个级别分别：风速及降雨都超过平均数值，为最高级别；风速或降雨超过平均数值，为中等级别；风速及降雨都低于平均值，为最低等级；

进一步的，线性方程的建立包括，

其中，y*_min表示最小值，y*_max表示最大值，Y'∈{x₁*,y₁*}表示线性变换后值，x₁*、y₁*分别表示线性变换后的天气特征数据值及电网故障计数数据值。

S3：基于线性方程及贝叶斯神经网络建立电网故障预测模型，实现恶劣天气引起的电网故障预测；需要说明的是，

电网故障预测模型包括，

将预测分布定义为分类分布，其公式表示如下：

其中，σ²表示高斯分布后的概率差，p_D(y*|x*)表示分类分布值，w表示样本数量值，μ∈R^d表示概率分布的全部参数数量，C表示迭代次数。

电网故障预测模型还包括，

方差的定义可以评估预测模型的预测结果的不确定性，称为预测误差，表示为：

其中，Var_q表示预测误差，

表示无偏估计量，q_θ(y^*|x^*)表示分布概率。

本发明结合线性方程和电网故障预测模型对恶劣天气引起的电网故障进行预测，可以提高预测的速度及准确性，且估计了预测不确定性，其预测结果可用于指导电网的运行和维护决策。

实施例2

为对本方法中采用的技术效果加以验证说明，本实施例采用传统技术方案与本发明方法进行对比测试，以科学论证的手段对比试验结果，以验证本方法所具有的真实效果。

传统的技术方案：预测精度低，速度较慢，难以在恶劣天气来临前准确预测出电网故障，从而导致电网可靠性及安全性较低。为验证本方法相对传统方法具有较高预测精度及速度，本实施例中将采用传统基于随机森林分析的故障预测方法和本方法分别对仿真环境中的恶劣天气下电网故障的预测精度和时间的进行实时测量对比。

测试环境：将电网在仿真平台模拟运行并模拟恶劣天气，采用恶劣天气的不用天气特征作为测试样本，分别利用传统方法和本方法，开启自动化测试设备并运用MATLB软件编程实现两种方法的仿真测试，根据实验结果得到仿真数据。每种方法各测试20组数据，计算获得每组数据预测精度与时间，与仿真模拟输入的实际故障及时间进行对比计算误差。结果如下表所示。

表1：实验结果对比表。

从上表可以看出，本发明相较于传统方法，其检测准确高，检测时延较低，体现了本发明良好的性能。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。

Claims (8)

1.一种适用于恶劣天气引起的电网故障预测方法，其特性在于，包括：

收集气象数据及电网故障计数记录，对收集的数据进行预处理；

根据预处理后的的数据提取天气特征及对故障级别进行分类，分析二者的关联关系，并根据所述关联关系建立线性方程；

基于所述线性方程及贝叶斯神经网络建立电网故障预测模型，实现恶劣天气引起的电网故障预测。

2.如权利要求1所述的适用于恶劣天气引起的电网故障预测方法，其特征在于：所述数据预处理过程包括，

数据清洗：空缺值清洗、格式内容清洗、逻辑错误清洗、非需求数据清洗；

数据变换：对数据进行特征构造、数据分级及数据量化；

数据集成：对数据变换后的数据进行数据统计，将数据合并到统一的数据存储中；

采用基于聚类的离群样本检测策略对数据样本中仍可能出现异常的样本进行检测剔除。

3.如权利要求1或2所述的适用于恶劣天气引起的电网故障预测方法，其特征在于：定义预处理后的数据包括，

Y∈{x*,y*}

其中，x*表示天气特征数据值，y*表示电网故障计数数据值，Y表示数据集。

4.如权利要求3所述的适用于恶劣天气引起的电网故障预测方法，其特征在于：所述天气特征包括，

每周平均和最大风速、每周平均和最大降雨以及一周内的闪电天数。

5.如权利要求3所述的适用于恶劣天气引起的电网故障预测方法，其特征在于：所述故障级别的分类包括将所述故障计数分为三个故障级别。

6.如权利要求5所述的适用于恶劣天气引起的电网故障预测方法，其特征在于：所述线性方程的建立包括，

其中，y*_min表示最小值，y*_max表示最大值，Y'∈{x₁*,y₁*}表示线性变换后值，x₁*、y₁*分别表示线性变换后的天气特征数据值及电网故障计数数据值。

7.如权利要求1～5任一项所述的适用于恶劣天气引起的电网故障预测方法，其特征在于：所述电网故障预测模型包括，

将预测分布定义为分类分布，其公式表示如下：

其中，σ²表示高斯分布后的概率差，p_D(y^*|x^*)表示分类分布值，w表示样本数量值，μ∈R^d表示概率分布的全部参数数量，C表示迭代次数。

8.如权利要求7所述的适用于恶劣天气引起的电网故障预测方法，其特征在于：所述电网故障预测模型还包括，

方差的定义可以评估预测模型的预测结果的不确定性，称为预测误差，表示为：

其中，Var_q表示预测误差，

表示无偏估计量，q_θ(y^*|x^*)表示分布概率。

Images