CN113642240B - 基于数据-机理联合驱动的配电网可靠性评估方法及系统 - Google Patents

Abstract

本发明公开一种基于数据‑机理联合驱动的配电网可靠性评估方法及系统，涉及供电技术领域，方法包括：获取待评估配电网的可靠性影响因素指标；根据可靠性影响因素指标确定关键影响因素向量；将关键影响因素向量输入优化后的深度卷积神经网络模型中，得到第一系统侧供电可靠性评估指标；基于待评估配电网拓扑结构建立机理模型；根据机理模型进行可靠性评估，得到第二系统侧供电可靠性评估指标；确定拓扑结构变化程度；根据变化程度，采用动态加权法确定第一权重和第二权重；根据权重和系统侧供电可靠性评估指标，确定最终的系统侧供电可靠性评估指标，进行配电网可靠性评估。本发明能够提高配电网的可靠性评估的准确性。

Description

基于数据-机理联合驱动的配电网可靠性评估方法及系统

技术领域

本发明涉及供电技术领域，特别是涉及一种基于数据-机理联合驱动的配电网可靠性评估方法及系统。

背景技术

配电网的主要任务是承担并满足用户的供电需求，其中供电可靠性是衡量配电网对用户持续供电能力的重要指标，也是电力企业的重要考核指标，随着经济发展以及高新企业增多，用户对供电可靠性的要求越来越高，供电企业的可靠性管控工作也逐步系统化、层次化和精细化。配电网结构复杂、元件繁多，数据庞大，基础数据的细微差别容易对系统可靠性造成较大影响，如何挖掘和分析配电网设备元件大数据，实现对配电网拓扑特征的数据驱动精准控制以进行可靠性变化的预测和评估仍然是目前重点关注的问题。在保证电力系统供电质量的前提下，配电网的可靠性评估和预测是提高电力工业现代化水平的重要工作环节，通过对配电网的可靠性分析，发现配电网的薄弱环节，进而针对存在的问题提出具体的电网改造方案，能够有效增加配电网的安全性能。

目前，配电网的可靠性评估中并未基于拓扑结构变化性对配电网可靠性影响规律进行研究，而配电网拓扑结构的变化对可靠性指标的演变性还无法从单一数据或机理模型上得到合理性分析，因而存在可靠性评估准确率低的问题。

发明内容

本发明的目的是提供一种基于数据-机理联合驱动的配电网可靠性评估方法及系统，能够提高配电网的可靠性评估的准确性。

为实现上述目的，本发明提供了如下方案：

一种基于数据-机理联合驱动的配电网可靠性评估方法，所述方法包括：

获取待评估配电网的可靠性影响因素指标；所述可靠性影响因素指标包括架空线路平均长度、配电网可转供率、配电网线路联络率、线路平均分段数、单位分段平均用户数和馈线支路条数、主干线负载率、线路重过载率、配变重过载率、线路平均配变数和配变平均低压用户数；

根据所述可靠性影响因素指标确定待评估配电网的关键影响因素向量；

将所述关键影响因素向量输入优化后的深度卷积神经网络模型中，得到第一系统侧供电可靠性评估指标；所述第一系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；所述优化后的深度卷积神经网络模型是采用待评估配电网的历年可靠性影响因素指标，以及与所述历年可靠性影响因素指标对应的系统侧供电可靠性评估指标进行训练和优化的；

基于待评估配电网拓扑结构建立机理模型；

根据所述机理模型进行可靠性评估，得到第二系统侧供电可靠性评估指标；所述第二系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；

确定待评估配电网拓扑结构的变化程度；

根据所述变化程度，采用动态加权法确定第一权重和第二权重；所述第一权重为第一系统侧供电可靠性评估指标对应的权重；所述第二权重为第二系统侧供电可靠性评估指标对应的权重；

根据所述第一权重、所述第二权重、所述第一系统侧供电可靠性评估指标和所述第二系统侧供电可靠性评估指标，确定最终的系统侧供电可靠性评估指标；

根据所述最终的系统侧供电可靠性评估指标进行配电网可靠性评估。

可选地，所述根据所述可靠性影响因素指标确定待评估配电网的关键影响因素向量，具体包括：

构建可靠性影响因素指标的第一矩阵；

对所述第一矩阵进行归一化处理得到第二矩阵；

对所述第二矩阵进行离差标准化处理，得到第三矩阵；

确定所述第三矩阵的相关系数矩阵；

确定所述相关系数矩阵的特征值；

根据所述特征值构建特征值集合；

根据所述特征值集合确定规范正交特征向量矩阵；

根据所述规范正交特征向量矩阵和所述第三矩阵，采用主成分分析法确定主成分；

对所述主成分进行降维处理，得到待评估配电网的关键影响因素向量。

可选地，所述深度卷积神经网络模型具体包括：

第一卷积层，用于对所述关键影响因素向量提取第一特征；

第一池化层，与所述第一卷积层连接，用于对所述第一特征进行汇总，得到第一汇总特征；

第二卷积层，与所述第一池化层连接，用于对所述第一汇总特征提取第二特征；

第二池化层，与所述第二卷积层连接，用于对所述第二特征进行汇总，得到第二汇总特征；

全连接层，与所述第二池化层连接，用于对所述第二汇总特征进行合并，利用前馈计算和反向传播算法确定所述关键影响因素向量与所述第一系统侧供电可靠性评估指标之间的定量关系。

可选地，所述第二池化层和所述全连接层之间采用dropout技术随机丢失神经元。

可选地，所述基于待评估配电网拓扑结构建立机理模型，具体包括：

获取待评估配电网拓扑结构和待评估配电网中不同类型设备的基本参数；所述不同设备类型包括线路、开关元件和变压器；所述基本参数包括不同设备类型的故障率和平均修复时间；

根据所述待评估配电网拓扑结构和所述基本参数，采用故障模式与后果分析法建立机理模型。

可选地，所述根据所述变化程度，采用动态加权法确定第一权重和第二权重，具体包括：

当所述变化程度小于或等于设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的所述第二权重大于确定的所述第一权重；

当所述变化程度大于所述设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的所述第一权重大于确定的所述第二权重。

本发明还提供了如下方案：

一种基于数据-机理联合驱动的配电网可靠性评估系统，所述系统包括：

可靠性影响因素指标获取模块，用于获取待评估配电网的可靠性影响因素指标；所述可靠性影响因素指标包括架空线路平均长度、配电网可转供率、配电网线路联络率、线路平均分段数、单位分段平均用户数和馈线支路条数、主干线负载率、线路重过载率、配变重过载率、线路平均配变数和配变平均低压用户数；

关键影响因素向量确定模块，用于根据所述可靠性影响因素指标确定待评估配电网的关键影响因素向量；

第一系统侧供电可靠性评估指标获取模块，用于将所述关键影响因素向量输入优化后的深度卷积神经网络模型中，得到第一系统侧供电可靠性评估指标；所述第一系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；所述优化后的深度卷积神经网络模型是采用待评估配电网的历年可靠性影响因素指标，以及与所述历年可靠性影响因素指标对应的系统侧供电可靠性评估指标进行训练和优化的；

机理模型建立模块，用于基于待评估配电网拓扑结构建立机理模型；

第二系统侧供电可靠性评估指标获取模块，用于根据所述机理模型进行可靠性评估，得到第二系统侧供电可靠性评估指标；所述第二系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；

拓扑结构变化程度确定模块，用于确定待评估配电网拓扑结构的变化程度；

权重确定模块，用于根据所述变化程度，采用动态加权法确定第一权重和第二权重；所述第一权重为第一系统侧供电可靠性评估指标对应的权重；所述第二权重为第二系统侧供电可靠性评估指标对应的权重；

最终系统侧供电可靠性评估指标确定模块，用于根据所述第一权重、所述第二权重、所述第一系统侧供电可靠性评估指标和所述第二系统侧供电可靠性评估指标，确定最终的系统侧供电可靠性评估指标；

配电网可靠性评估模块，用于根据所述最终的系统侧供电可靠性评估指标进行配电网可靠性评估。

可选地，所述关键影响因素向量确定模块具体包括：

第一矩阵构建单元，用于构建可靠性影响因素指标的第一矩阵；

归一化处理单元，用于对所述第一矩阵进行归一化处理得到第二矩阵；

离差标准化处理单元，用于对所述第二矩阵进行离差标准化处理，得到第三矩阵；

相关系数矩阵确定单元，用于确定所述第三矩阵的相关系数矩阵；

特征值确定单元，用于确定所述相关系数矩阵的特征值；

特征值集合构建单元，用于根据所述特征值构建特征值集合；

规范正交特征向量矩阵确定单元，用于根据所述特征值集合确定规范正交特征向量矩阵；

主成分确定单元，用于根据所述规范正交特征向量矩阵和所述第三矩阵，采用主成分分析法确定主成分；

降维处理单元，用于对所述主成分进行降维处理，得到待评估配电网的关键影响因素向量。

可选地，所述机理模型建立模块具体包括：

配电网拓扑结构和设备基本参数获取单元，用于获取待评估配电网拓扑结构和待评估配电网中不同类型设备的基本参数；所述不同设备类型包括线路、开关元件和变压器；所述基本参数包括不同设备类型的故障率和平均修复时间；

机理模型建立单元，用于根据所述待评估配电网拓扑结构和所述基本参数，采用故障模式与后果分析法建立机理模型。

可选地，所述权重确定模块具体包括：

第一确定单元，用于当所述变化程度小于或等于设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的所述第二权重大于确定的所述第一权重；

第二确定单元，用于当所述变化程度大于所述设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的所述第一权重大于确定的所述第二权重。

根据本发明提供的具体实施例，本发明公开了以下技术效果：

本发明公开的基于数据-机理联合驱动的配电网可靠性评估方法及系统，利用配电网的可靠性影响因素数据、系统侧供电可靠性评估指标数据，基于深度卷积神经网络模型进行配电网可靠性评估，实现基于数据驱动的配电网可靠性评估；基于机理模型进行配电网可靠性评估，实现基于机理驱动的配电网可靠性评估；根据待评估配电网拓扑结构的变化程度采用动态加权法对基于数据驱动的配电网可靠性评估结果和基于机理驱动的配电网可靠性评估结果赋予不同的权重，实现采用数据与机理联合驱动的方法求解可靠性关键因素的因果性和非关键因素的相关性，建立数据-机理联合驱动可靠性评估模型分析配电网可靠性，以针对不同配电区域特性变化规律预测所在地区目标年的供电可靠性水平，能够提高配电网的可靠性评估的准确性。采用数据-机理联合驱动的可靠性评估模型进行可靠性分析，深入评估配电网可靠性程度，提升系统可靠性预测的准确性，以达到全面分析区域电网的供电关系、薄弱环节及补强需求，依据不同供电区域的地区特性确定可靠性提升策略的目的。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例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他的附图。

图1为本发明基于数据-机理联合驱动的配电网可靠性评估方法实施例的流程图；

图2为本发明深度卷积神经网络模型结构示意图；

图3为本发明FMEA可靠性评估流程示意图；

图4为本发明数据-机理联合驱动模型整体框架示意图；

图5为本发明基于数据-机理联合驱动的配电网可靠性评估系统实施例的结构图。

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，都属于本发明保护的范围。

本发明的目的是提供一种基于数据-机理联合驱动的配电网可靠性评估方法及系统，能够提高配电网的可靠性评估的准确性。

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合附图和具体实施方式对本发明作进一步详细的说明。

图1为本发明基于数据-机理联合驱动的配电网可靠性评估方法实施例的流程图。参见图1，该基于数据-机理联合驱动的配电网可靠性评估方法包括：

步骤101：获取待评估配电网的可靠性影响因素指标；可靠性影响因素指标包括架空线路平均长度、配电网可转供率、配电网线路联络率、线路平均分段数、单位分段平均用户数和馈线支路条数、主干线负载率、线路重过载率、配变重过载率、线路平均配变数和配变平均低压用户数。

该步骤101即构建配电网可靠性影响因素指标体系，具体包括：在网架设计构造、设备老化程度、系统运行状态以及系统所受外力等众多直接影响配电网的停电频率、停电时间和停电范围的影响因素，即对配电网整体可靠性性能产生影响的因素中，选取最为重要和关键的设备状态和电网结构因素，以此构建配电网可靠性影响因素指标体系，考虑满足所选指标均能有效采集，考虑到指标的可测量性和可操作性等实际情况，且所选指标在所在范围能够覆盖和包含其他相似指标。本发明综合考虑网架水平和设备管理水平两个维度进行数据指标挖掘，结合配电网历史大数据，收集待评估配电网区域原始数据，包括配电网网络结构、电网运行维护数据和设备资产管理系统等相关信息，构建配电网可靠性影响因素指标体系。配电网可靠性影响因素指标体系如表1所示。

表1配电网可靠性影响因素指标体系

步骤102：根据可靠性影响因素指标确定待评估配电网的关键影响因素向量。

该步骤102具体包括：

构建可靠性影响因素指标的第一矩阵。

对第一矩阵进行归一化处理得到第二矩阵。

对第二矩阵进行离差标准化处理，得到第三矩阵。

确定第三矩阵的相关系数矩阵。

确定相关系数矩阵的特征值。

根据特征值构建特征值集合。

根据特征值集合确定规范正交特征向量矩阵。

根据规范正交特征向量矩阵和第三矩阵，采用主成分分析法确定主成分。

对主成分进行降维处理，得到待评估配电网的关键影响因素向量。

该步骤102即挖掘配电网可靠性与其影响因素的相关性。删除信息重复数据以筛选有效的配电网可靠性影响要素，包括：配电网可靠性影响数据中，数据种类多且各类数据之间又存在冗余和交叉信息，逐一分析将增加大量冗余工作。采用主成分分析法能保留相关性小且能反映绝大部分原始信息的可靠性有效关键要素，并对数据降维处理以进一步缩小影响因素范围。通过对配电网大数据的挖掘及分析，锁定影响配电网供电可靠性水平的关键要素，通过历史信息建立关键要素与可靠性评估指标间的关系，基于数据驱动的非机理性模型进行配电网供电可靠性指标的预测，以此预估配电网可靠供电的能力。以下为主成分分析法(Principal Component Analysis,PCA)求取供电可靠性与其影响因素关联性的过程：

构建配电网可靠性影响因素指标矩阵，由待评估配电区域内n个样本数的m个供电可靠性影响因素指标构成的矩阵如式(1)所示：

X＝(x_ij)_n×m＝(X₁,X₂,...X_j,...,X_m) (1)

式中，X_j为指标矩阵中的第j个指标列向量，即n个样本的第j个评价指标组成的向量，X表示由待评估配电区域内n个样本数的m个供电可靠性影响因素指标构成的矩阵，x_ij表示第i个样本的第j个评价指标取值。

对正向指标归一化，如式(2)所示，对逆向指标正向化和归一化处理，如式(3)所示，以此得到归一化指标矩阵X^*：

式中，表示x_ij经归一化处理之后的数值。

利用已构造的归一化指标矩阵按式(5)进行离差标准化处理，得到标准化可靠性指标矩阵/>

式中，为标准化可靠性指标矩阵中第j列向量，/>表示归一化指标矩阵中第j列向量，/>表示归一化指标矩阵中第j列向量的平均值，/>表示归一化指标矩阵中第j列向量的方差。

根据已构造的标准化指标矩阵求取其相关系数矩阵：

式中，R表示相关系数矩阵，为标准化可靠性指标矩阵中第i列向量，为标准化可靠性指标矩阵中第i列向量和第j列向量的协方差，/>和分别为标准化可靠性指标矩阵中第i列向量和第j列向量的方差，r_ij表示指标x_i和指标x_j的相关系数，r_ij反映了指标x_i和指标x_j的相关程度，r_ij值越大表示指标间相关程度越高，且当多数r_ij值大于等于0.75时，满足主成分降维的要求。

根据特征方程(λE-R)x＝0求解相关系数矩阵R的特征值，选出其中大于0的特征值构造，如下式所示的特征值集合：

λ＝(λ₁,λ₂,...,λ_k,...,λ_q) (7)

式中，λ表示特征值集合，λ_k为相关系数矩阵R大于零的特征值，将m个特征值按由小到大的顺序进行排列，即规定λ₁≥λ₂≥...≥λ_k≥...≥λ_q＞0，分别求出第i个特征值λ_i对应的特征向量e_i(i＝1,2,...q)。

特征值集合λ对应的规范正交特征向量矩阵A如下式所示：

由主成分定义可知，对标准化指标矩阵进行PCA后主成分的表达式如下式所示：

式中，y_k表示特征值λ_k对应的主成分。

求出累计贡献率，初步估计主成分个数，选取主成分的个数取决于主成分的累积贡献率。依据采用累计方差贡献率确定主要主成分的原则，当累计方差贡献率μ≥85％～90％时，可知前d个主成分可以基本反映m个指标的信息。主成分y_k对应的特征值λ_k为该主成分的方差，主成分的贡献率μ_k和累计贡献率μ的计算公式分别由式(10)和式(11)可得：

主成分载荷l_ij即指每个主成分对应的载荷系数，如式(12)所示，根据主成分荷载系数，将标准化可靠性矩阵代入相乘可计算出主成分得分Z，如式(13)所示：

式中，e_ij表示特征值λ_j对应的特征向量e_j中的第i行元素，z_ij表示第i个样本中第j个主成分得分，表示标准化可靠性指标矩阵中第j列向量的第i行元素。

采用主成分分析法提取能够基本反映所有可靠性指标信息的主成分，保留相关性小且能反映绝大部分原始信息的可靠性有效关键要素，对数据降维处理以缩小影响因素范围。

步骤103：将关键影响因素向量输入优化后的深度卷积神经网络模型中，得到第一系统侧供电可靠性评估指标；第一系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；优化后的深度卷积神经网络模型是采用待评估配电网的历年可靠性影响因素指标，以及与历年可靠性影响因素指标对应的系统侧供电可靠性评估指标进行训练和优化的。

图2为本发明深度卷积神经网络模型结构示意图。参见图2，深度卷积神经网络模型具体包括：

第一卷积层，用于对关键影响因素向量提取第一特征。

第一池化层，与第一卷积层连接，用于对第一特征进行汇总，得到第一汇总特征。

第二卷积层，与第一池化层连接，用于对第一汇总特征提取第二特征。

第二池化层，与第二卷积层连接，用于对第二特征进行汇总，得到第二汇总特征。

全连接层，与第二池化层连接，用于对第二汇总特征进行合并，利用前馈计算和反向传播算法确定关键影响因素向量与第一系统侧供电可靠性评估指标之间的定量关系。

进一步的，第二池化层和全连接层之间采用dropout技术随机丢失神经元。

该步骤103即基于深度卷积神经网络模型预测配电系统供电可靠性指标；包括：

采用卷积神经网络(Convolutional Neural Network，CNN)构建配电网可靠性预测模型，以确定有效影响要素与可靠性指标之间的关联特性。卷积神经网络是一类包含卷积计算且具有深度结构的前馈神经网络，广泛应用于深度学习领域。将关键影响因素向量作为深度卷积神经网络的输入以实现输入数据降维，深度神经网络的输出变量为系统侧供电可靠性评估指标。具体为：将关键影响因素向量即筛选后的有效配电网可靠性影响要素作为关键影响因素，采用卷积神经网络构建配电网可靠性预测模型，以关键影响因素作为预测模型输入侧，系统供电可靠性评估指标为输出侧，基于有效影响要素，即关键影响要素与可靠性指标之间的关联特性进行配电系统可靠性预测。

将影响因素多维输入向量矩阵转化成N个二维特征图方阵作为CNN神经网络的输入，对特征图进行卷积、池化操作提取特征。为了方便卷积层的运算，选取与特征向量个数相同的滚动窗口大小，卷积层提取输入特征，用卷积核对特征进行多深度卷积提取和映射，将卷积核与滑动窗口中的输入矩阵进行点乘求和，卷积方式选取same卷积；再使用relu激活函数对神经元进行非线性映射；池化层对卷积操作得到的特征进行汇总，通过最大值池化、平均值池化等操作实现数据压缩，有利于减少过拟合现象，提高模型的容错率。全连接层以BP神经网络的形式嵌入网络的底层，对池化后的特征进行合并，利用前馈计算和反向传播算法找出输入与输出之间的定量关系。

超参数的设置影响到预测模型的性能优劣，本发明在模型中通过调整CNN训练中的学习速率α优化预测模型性能，避免学习速率设置过小影响模型训练效率，过大给模型训练带来的不稳定性；另外，为了缓解过于强大的神经网络泛化能力较差的问题，引入了神经元随机丢失dropout技术，丢失的神经元将神经元的连接权重置为零，而且不参与网络训练的前向计算和反向传播，因而避免了过拟合的现象，增加了数据的多样性。

选用均方根误差(rootmean squared error,RMSE)、平均绝对误差百分比(meanabsolute percentage error,MAPE)函数作为性能评价指标来评估模型预测参数估计值与参数真值的误差期望值，如下所示：

式中，p_i为第i个可靠性指标实际值，为第i个可靠性指标预测值，N为数据样本的个数。

步骤101至103为基于数据驱动的配电网可靠性评估的过程，利用配电网的可靠性影响因素数据、系统侧供电可靠性评估指标数据，基于深度卷积神经网络模型实现配电网可靠性评估。

步骤104：基于待评估配电网拓扑结构建立机理模型。

该步骤104具体包括：

获取待评估配电网拓扑结构和待评估配电网中不同类型设备的基本参数；不同设备类型包括线路、开关元件和变压器；基本参数包括不同设备类型的故障率和平均修复时间。

根据待评估配电网拓扑结构和基本参数，采用故障模式与后果分析法建立机理模型。

步骤105：根据机理模型进行可靠性评估，得到第二系统侧供电可靠性评估指标；第二系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标。

该步骤104和步骤105即基于配电网拓扑结构，从机理角度分析并计算配电网可靠性，建立机理模型对应的物理因果关系。具体为：建立机理模型进行可靠性评估，包括：获取配电网拓扑结构，线路、开关元件、变压器等不同类型设备的故障率和平均修复时间等基本参数，选用目前通用的故障模式与后果分析法用于简单辐射型配电网的可靠性评估。故障模式与后果分析法(Failure Mode and Effect Analysis,FMEA)对系统所有可能发生的故障进行设想，分析当每一个元件失效时，对负荷可能造成的影响，建立故障模式及后果分析表，通过查清每个基本故障事件及其后果，最后将各类故障情况进行集合形成负荷侧和系统侧的可靠性指数。在已知配电网拓扑结构的基础上，从机理角度分析配电网可靠性，建立模型对应的物理因果关系。利用故障模式与后果分析法作为可靠性评估算法进行复杂配电网可靠性评估，综合各负荷点可靠性指标计算出系统侧可靠性。

故障模式与后果分析方法属于解析法的范畴，基本思路为：对系统所有可能发生的故障进行设想，分析当每一个元件失效时，对负荷可能造成的影响，建立故障模式及后果分析表，即查清每个基本故障事件及其后果，最后将各类故障情况进行集合，便形成负荷点和系统的可靠性指数。FMEA的原理简单、清晰、模型准确，能够考虑故障后的潮流和电压约束，可直接用于简单辐射型配电网的可靠性评估。中低压配电网路以环形网络开环运行为主，通常可将其作为辐射形系统处理，FMEA为常用的中压配电系统可靠性评估算法。

配电系统中负荷点可靠性指标与故障元件有关，也与故障后隔离故障以及恢复供电的开关装置有关。开关装置在配电系统可靠性分析中具有不可忽视的作用，主要可以分为以下两类：

(1)自动开关，包括断路器、熔断器等。在故障发生时，能够自动动作切除故障的装置，它们决定故障在网络中的扩散情况，主要影响负荷点的故障率。

(2)手动开关(隔离开关)。它们虽不能降低负荷点的故障率，但影响负荷点的故障类型和停运时间。

在配电网络的可靠性分析计算中，通常采用的主体思路为:利用馈线、分支线、开关元件、变压器等不同类型设备的故障率和平均修复时间，根据配电网拓扑结构，分析元件故障时对负荷点的影响，计算出因不同元件故障引起的负荷停电次数和停电时长，分别得出故障率关联矩阵和故障时间关联矩阵。图3为本发明FMEA可靠性评估流程示意图。

故障率关联矩阵以各个负荷点作为故障率关联矩阵的行，各个元件作为故障率关联矩阵的列，矩阵元素为元件故障对负荷点的影响，如有影响则置为1，否则为0。

下面以各类型元件发生故障对负荷点的影响(停电时间)为例做具体分析，其中上下游根据电源点和负荷点的位置确定，电源点为整个路径的最上游，负荷点为最下游。

(1)主馈线路

发生故障的元件为主馈线线路，通过判断该线路所接开关的类型确定影响的负荷停电范围。考虑以下三种情况：第一种情况为发生故障的主馈线线路配备有断路器或熔断器等自动开关，则该故障线路的下游线路所接的负荷点均有所影响；下游线路所接的负荷点故障时间均为供电干线修复时间；第二种情况为发生故障的主馈线线路只配备有隔离开关等非自动化开关，则从故障线路向上游线路搜索，直至搜索到配有自动开关所在主馈线线路处，则该条线路的下游主馈线及其分支线所接负荷点均有影响；该区域内受影响的负荷点故障时间为故障查找时间，其余受影响的负荷点故障时间为供电干线修复时间；第三种情况为故障的主馈线线路无开关，此时应向上游线路搜索直至有自动开关，判断开关类型对负荷点的影响范围；该自动开关至故障线路上游第一个非自动开关所在的区域范围内受影响的负荷点故障时间为故障查找时间，其余受影响的负荷点故障时间为供电干线修复时间。

(2)分支线路

发生故障的元件为分支线路，与主馈线线路发生故障类似，同样通过判断该线路所接开关的类型确定影响的负荷停电范围。首先判断该故障支线是否配有开关，若无，向前端(上游)线路搜索直至搜索到配有开关的线路，此时按该条配有开关的线路所处位置分两种情况考虑：1)该线路为主馈线路，则按主馈线路的故障情况来分析影响的负荷停电范围；2)该线路仍为支线，判断该支线所带开关类型，若为断路器等自动开关类型，下游所接的所有负荷点均受影响，若发生故障的分支线路配有断路器或熔断器等自动开关，则下游线路所接的负荷点故障时间均为分支线路修复时间；若为隔离开关等手动开关，进一步向上游线路搜索，直至搜索到配有自动开关的线路，再次判断该条线路所配开关类型来确定影响负荷范围；若发生故障的分支线路配备有非自动化开关，则需往上游线路搜索直至有自动开关，该自动开关至故障线路上游第一个非自动开关所在的区域范围内的受影响的负荷点故障时间为故障查找时间，其余受影响的负荷点故障时间为分支线路修复时间。

(3)配电变压器

配电变压器下接有负荷点，则该台配电变压器发生故障时直接影响下端所接的负荷用户，受影响的负荷点故障时间为变压器故障时间。

(4)开关元件

若发生故障的开关元件处于主馈线路上，则该线路的下游线路所接负荷点均受到影响；若发生故障的开关元件处于分支线路上，则其下游线路所接的负荷点受到影响。开关元件发生故障，受影响的负荷点故障时间与开关类型相关，应为对应开关类型的修复时间。

故障时间关联矩阵以负荷点为矩阵的行，各个元件作为矩阵的列，矩阵元素为元件发生故障时各个负荷点的停电时间。由于线路中存在分段器，则故障线路上游的负荷点停电时间为分段开关的操作时间，故障线路下游的负荷点停电时间为线路修复时间。

通过枚举各个元件故障时对负荷点的影响关系，可计算出负荷点可靠性指标。负荷点可靠性指标是衡量系统每个负荷点供电能力的尺度，也是进行系统侧可靠性评估的前提和基础。对于串联的系统，根据马尔科夫过程理论，可以推导出实用于工程计算的公式：

式中，λ_i为负荷点的故障率，单位为次/年，λ_k为元件的故障率，单位为次/年，r_i为负荷点平均停电持续时间，单位为h/年，r_k为元件的故障停电时间，单位为h/年，U_i为负荷点年平均停电时间，单位为h/年。

系统侧可靠性指标是评价系统直接向用户供给电能和分配电能的配电系统本身及其对用户供电能力的尺度。本发明选用的系统侧可靠性评估指标是从供电系统用户供电可靠性评价规程的33个供电可靠性指标中挑选出5个关键性指标，涉及可靠性核心的时间指标、次数指标和电量指标，以此作为本方法的供电可靠性指标体系。基于负荷点可靠性指标(19)至(23)计算求得，如下所示：

系统平均停电频率指标SAIFI(System Average interruption FrequencyIndex)，该指标为系统中断供电频率的统计，是每个由系统供电的用户在每单位时间内的平均停电次数。可用用户停电总次数/供电区中的总用户数来估计：

系统平均停电持续时间指标SAIDI(System Average interruption DurationIndex)，该指标为每个由系统供电的用户在一年中经受的平均停电持续时间。为一年中用户停电持续时间的总和/供电区的总用户数：

用户平均停电频率指标CAIFI(Customer Average Interruption FrequencyIndex)，该指标是每个受停电影响的用户每单位时间里经受的平均停电次数。以用户停电总次数/受停电影响的户数来计算：

用户平均停电持续时间指标CAIDI(Customer Average Interruption DurationIndex)，该指标指一年中被停电的用户经受的平均停电持续时间，为一年中用户停电持续时间总和/该年停电用户总数：

用户平均缺供电量指标AENS(Average Energy Not Supplied Index)，该指标指给定时间区间内，平均每一户用户因停电缺供的电量。为统计时长内总停电缺供电量/供电区中的总用户数来估计：

式中，λ_i是负荷点i的故障率，N_i是负荷点i的用户数，U_i是负荷点i的每年停电持续时间，P_i为负荷点i的平均负荷，单位为kW。

步骤104至105为基于机理驱动的配电网可靠性评估过程，基于机理模型实现配电网可靠性评估。

步骤106：确定待评估配电网拓扑结构的变化程度。

步骤107：根据变化程度，采用动态加权法确定第一权重和第二权重；第一权重为第一系统侧供电可靠性评估指标对应的权重；第二权重为第二系统侧供电可靠性评估指标对应的权重。

该步骤107融合数据-机理驱动模型进行动态赋权，具体包括：

当变化程度小于或等于设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的第二权重大于确定的第一权重。

当变化程度大于设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的第一权重大于确定的第二权重。

该步骤106和步骤107即评估配电网拓扑特征变化程度，应用动态加权法对数据和机理驱动模型进行动态赋权；包括：将实际配电网进行抽象化处理，采用故障度邻接矩阵中作为一个配电网的完整表示，该矩阵同时涵盖了节点重要程度及线路参数等信息；并引用复杂网络相似性理论中节点/边覆盖率概念优化衍生得到的拓扑共享度指标作为相似性指标，以此来刻画网络拓扑结构变化与可靠性的数学联系。基于动态加权方法对数据驱动的非机理模型和拓扑分析的非机理模型得到的可靠性结果进行动态修正。评估配电网拓扑特征变化程度，根据图论的原理，通过矩阵方式描述配电系统网络拓扑结构，将实际配电网进行抽象化处理；应用动态加权法对数据-机理驱动模型可靠性结果进行动态赋权。对于未来拓扑变化不大的配电系统，倾向于给拓扑分析的机理性模型结果赋以更重的权重，反之，对于未来拓扑变化较大的系统则更依赖于非机理模型结果，对非机理模型赋以更重的权重。首先根据图论的原理，通过矩阵、数组或链表的方式将配电网描述成一个拓扑图。采用故障度邻接矩阵将实际配电网进行抽象化处理，该矩阵涵盖了节点重要度及线路参数等信息。

采用带权的邻接矩阵A_w描述配电网所有支路信息，W为边的权重矩阵，其W_ij对应的表达式如下式：

式中：w_ij为节点i和j之间设备的故障率，若i和j之间无关联，则认为权重为0。

对于在配电网中处于重要地位的节点，与其相关的连接方式及负荷的变化将导致系统可靠性产生较大改变，因此引入“节点故障度”描述节点重要程度，体现网络拓扑结构中节点因素的影响。节点故障度指标是利用数学关系将节点的重要程度进行量化，并对重要的节点赋予较高的权值。具体定义为该节点下游所有支路的故障率与支路所属的负荷点等效负荷量之积的求和，以电源点为上游的故障度D_S,i表达式如下所示：

式中：P_a为点a的等效负荷量，P_a＝P_a'λ_a，其中P_a'为点a的真实负荷量，λ_a为负荷的重要程度系数；P为总负荷量，P_a与P的比值为标准化后点a的等效负荷量；ω_n为设备n的故障率；l_i为节点i下游的负荷点个数；q_a为负荷点a与节点i之间的支路数。

考虑配电网转供的因素时，将联络线的接入点等效为最上游的电源点，负荷点仍视为最下游点，仿照式(25)进行求解，将节点故障度乘以转供系数作为最终的计算结果。以联络线为上游的故障度D_C,i表达式如下：

式中：j为联络线的编号；C_j为第j条联络线对应的转供系数。

基于大量DG选择在低压侧接入的现状，以DG为上游的故障度D_D,i，其计算方法与D_C,i类似，唯一的不同在于将DG的接入点等效为最上游的电源点。D_D,i表达式如下：

式中：k为DG的编号；D_k为第k条联络线对应的出力系数，表示DG的最大出力占主电源出力的比例。

将带权邻接矩阵与节点故障度矩阵之和作为一个配电网的完整表示，称为故障度邻接矩阵：

A_D＝A_w+D_S+D_C+D_D (28)

式中，A_D为故障度邻接矩阵，D_S为以电源点为上游的故障度D_S,i构成的矩阵，D_C为以联络线为上游的故障度D_C,i构成的矩阵，D_D为以DG为上游的故障度D_D,i构成的矩阵。

应用动态加权法对数据和机理驱动模型动态赋权。基于动态加权方法对数据驱动的可靠性评估非机理模型和拓扑分析的可靠性评估机理模型的两类模型可靠性计算结果进行修正。以复杂网络理论中节点/边覆盖率概念优化衍生得到的拓扑共享度作为相似性指标刻画网络拓扑结构与可靠性的数学联系。

基于拓扑共享度的相似性函数S_VEO定义为：1减去两拓扑对应的矩阵各元素之差的绝对值与两矩阵各元素之和的比值，如下式所示：

式中：G₁表示网络1拓扑结构，G₂表示网络2拓扑结构，A_D,1,ij表示网络1故障度邻接矩阵第i行第j列元素，A_D,2,ij表示网络2故障度邻接矩阵第i行第j列元素，n为故障度邻接矩阵的阶数。

拓扑共享度表征了拓扑连接关系信息和节点度及线路参数等信息的变化程度，其取值随着拓扑的相似性程度增大而趋近1。

本发明所提出的数据-机理联合驱动模型的动态加权法，利用该相似性函数指标作为机理驱动模型的权重值，非机理模型权重值则取为1与相似性函数值的差值，综合数据驱动和机理驱动模型得出最终的可靠性预测结果。图4为本发明数据-机理联合驱动模型整体框架示意图。基于提出的相似性指标可动态表征拓扑结构演变对于可靠性变化的影响关系：(1)对于未来拓扑变化不大的配电系统，同一网架演化的配电网之间的可靠性评估结果具有一定的演变性，历史年份的可靠性评估结果对于目标年的可靠性预测具有十分重要的参考意义。基于配电网可靠性评估的演变性，目标年可靠性评估方法可通过历史年份配电网络的网架结构，历史故障率、故障修复时间等一些基础参数进行统计分析，以历史年份的配电系统可靠性评估结果作为参考，因此机理性模型应赋以更重的权重，同时弥补了对于目标年配电网无法准确预知馈线拓扑结构，直接对目标年配网进行可靠性评估难以保证结果准确的缺点。(2)对于未来拓扑变化较大的系统，相较于拓扑变化不大的配电系统而言，其元件可靠性参数的变化、系统可靠性的发展稳定性较差，基于拓扑分析物理模型对应的因果关系进行可靠性计算的方法对未来状态可靠性评估的适用性较差。目标年的可靠性评估更多依赖于配电网设备元件数据、影响指标等历史大数据的挖掘与分析，采用大数据驱动方法，即根据“因素变化”实现对目标年“可靠性变化”的预测更为有效，因此非机理模型应赋以更重的权重。

对于未来拓扑变化不大的配电系统，拓扑相似性较高，倾向于给拓扑分析的机理性模型结果赋以更重的权重，相应地，拓扑共享度参数值较高；反之，对于未来拓扑变化较大的系统，拓扑相似性较低，更依赖于非机理性的数据驱动模型，相应地，拓扑共享度参数值较低，对非机理模型赋以更重的权重，能较好地满足于配电地区目标年可靠性预测对于数据驱动模型和机理驱动模型的依赖性，基于地区拓扑变化度动态修正模型参数。

步骤108：根据第一权重、第二权重、第一系统侧供电可靠性评估指标和第二系统侧供电可靠性评估指标，确定最终的系统侧供电可靠性评估指标。

步骤109：根据最终的系统侧供电可靠性评估指标进行配电网可靠性评估。

本发明基于数据-机理联合驱动进行配电网可靠性评估，能够提高配电网的可靠性评估的准确性。

图5为本发明基于数据-机理联合驱动的配电网可靠性评估系统实施例的结构图。参见图5，该基于数据-机理联合驱动的配电网可靠性评估系统包括：

可靠性影响因素指标获取模块501，用于获取待评估配电网的可靠性影响因素指标；可靠性影响因素指标包括架空线路平均长度、配电网可转供率、配电网线路联络率、线路平均分段数、单位分段平均用户数和馈线支路条数、主干线负载率、线路重过载率、配变重过载率、线路平均配变数和配变平均低压用户数。

该可靠性影响因素指标获取模块501即可靠性大数据采集模块，用于构建配电网可靠性影响因素指标体系；结合配电网历史大数据，包括配电网网络结构、电网运行维护数据和设备资产管理系统等相关信息，覆盖供电可靠性管理系统的统计内容。

关键影响因素向量确定模块502，用于根据可靠性影响因素指标确定待评估配电网的关键影响因素向量。

该关键影响因素向量确定模块502具体包括：

第一矩阵构建单元，用于构建可靠性影响因素指标的第一矩阵。

归一化处理单元，用于对第一矩阵进行归一化处理得到第二矩阵。

离差标准化处理单元，用于对第二矩阵进行离差标准化处理，得到第三矩阵。

相关系数矩阵确定单元，用于确定第三矩阵的相关系数矩阵。

特征值确定单元，用于确定相关系数矩阵的特征值。

特征值集合构建单元，用于根据特征值构建特征值集合。

规范正交特征向量矩阵确定单元，用于根据特征值集合确定规范正交特征向量矩阵。

主成分确定单元，用于根据规范正交特征向量矩阵和第三矩阵，采用主成分分析法确定主成分。

降维处理单元，用于对主成分进行降维处理，得到待评估配电网的关键影响因素向量。

该关键影响因素向量确定模块502即可靠性影响因素挖掘模块，用于挖掘影响因素与配网可靠性的相关性；筛选可靠性预测造成可靠性发生变化的关键因素，依赖于配电网设备元件数据、影响指标等的挖掘与分析。

第一系统侧供电可靠性评估指标获取模块503，用于将关键影响因素向量输入优化后的深度卷积神经网络模型中，得到第一系统侧供电可靠性评估指标；第一系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；优化后的深度卷积神经网络模型是采用待评估配电网的历年可靠性影响因素指标，以及与历年可靠性影响因素指标对应的系统侧供电可靠性评估指标进行训练和优化的。

该第一系统侧供电可靠性评估指标获取模块503即可靠性预测模块，用于基于深度卷积神经网络模型预测配电系统供电可靠性指标；建立可靠性与其关键影响的关联性，根据“因素变化”实现对“可靠性变化”的预测。

机理模型建立模块504，用于基于待评估配电网拓扑结构建立机理模型。

该机理模型建立模块504具体包括：

配电网拓扑结构和设备基本参数获取单元，用于获取待评估配电网拓扑结构和待评估配电网中不同类型设备的基本参数；不同设备类型包括线路、开关元件和变压器；基本参数包括不同设备类型的故障率和平均修复时间。

机理模型建立单元，用于根据待评估配电网拓扑结构和基本参数，采用故障模式与后果分析法建立机理模型。

第二系统侧供电可靠性评估指标获取模块505，用于根据机理模型进行可靠性评估，得到第二系统侧供电可靠性评估指标；第二系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标。

该机理模型建立模块504和第二系统侧供电可靠性评估指标获取模块505，即可靠性机理分析模块，用于获取配电网拓扑结构并建立机理模型进行配电网可靠性分析和评估；在获取配电网网架结构，历史故障率、故障修复时间等一些基础参数的基础上进行统计分析和适当的假设，应用故障模式与后果分析法评估配网供电水平和供电管理情况。

拓扑结构变化程度确定模块506，用于确定待评估配电网拓扑结构的变化程度。

权重确定模块507，用于根据变化程度，采用动态加权法确定第一权重和第二权重；第一权重为第一系统侧供电可靠性评估指标对应的权重；第二权重为第二系统侧供电可靠性评估指标对应的权重。

该权重确定模块507具体包括：

第一确定单元，用于当变化程度小于或等于设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的第二权重大于确定的第一权重。

第二确定单元，用于当变化程度大于设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的第一权重大于确定的第二权重。

最终系统侧供电可靠性评估指标确定模块508，用于根据第一权重、第二权重、第一系统侧供电可靠性评估指标和第二系统侧供电可靠性评估指标，确定最终的系统侧供电可靠性评估指标。

该拓扑结构变化程度确定模块506、权重确定模块507和最终系统侧供电可靠性评估指标确定模块508，即数据-机理融合模块，用于评估配电网拓扑特征变化程度，应用动态加权法对数据驱动和机理驱动模型进行动态赋权。对所建立的数据驱动模型和机理驱动模型进行动态赋权，基于同一网架演化的配电网之间的可靠性评估结果仍然具有一定的参考意义，预测目标年的可靠性结果对数据驱动模型和机理驱动模型的依赖程度取决于配电网的拓扑特征变化程度。该模块避免了配电网地区预测供电可靠性时单一模型无法合理分析拓扑结构变化对可靠性指标的演变性的问题，可有效地提高可靠性预测结果精度。

配电网可靠性评估模块509，用于根据最终的系统侧供电可靠性评估指标进行配电网可靠性评估。

本发明中，数据驱动的非机理性模型所提出的供电可靠性影响因素体系综合考虑网架结构水平和设备管理水平两个维度进行数据挖掘，通过对配电网大数据分析可靠性非物理因素的相关性，锁定影响配电网供电可靠性水平的关键要素，以进行配电网供电可靠性指标的预测；机理性模型在配电网拓扑结构的基础上进行复杂配电网可靠性评估，建立可靠性模型对应的物理因果关系；基于拓扑结构相似性考虑配电网可靠性影响规律，以及拓扑结构变化对可靠性指标的演变性，从数据-机理联合驱动模型上得到合理性分析，可用于针对地区拓扑结构变化程度预测配电区域在目标年的供电可靠性，有效提高预测结果精度，即基于拓扑结构相似性考虑配电网架结构变化对可靠性的影响规律，结合数据驱动和机理驱动模型两者的优点，针对地区拓扑结构的变化程度来动态分析配电区域在目标年的供电可靠性，有效提高可靠性预测精度，以全面分析各级电网的供电关系、薄弱环节及补强需求。通过采用数据-机理联合驱动可靠性评估模型进行可靠性分析，深入评估配电网可靠性程度，提升系统可靠性预测的准确性，以达到全面分析区域电网的供电关系、薄弱环节及补强需求，依据不同供电区域的地区特性确定可靠性提升策略的目的。

本说明书中各个实施例采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似部分互相参见即可。对于实施例公开的系统而言，由于其与实施例公开的方法相对应，所以描述的比较简单，相关之处参见方法部分说明即可。

本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处。综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于数据-机理联合驱动的配电网可靠性评估方法，其特征在于，所述方法包括：

获取待评估配电网的可靠性影响因素指标；所述可靠性影响因素指标包括架空线路平均长度、配电网可转供率、配电网线路联络率、线路平均分段数、单位分段平均用户数和馈线支路条数、主干线负载率、线路重过载率、配变重过载率、线路平均配变数和配变平均低压用户数；

根据所述可靠性影响因素指标确定待评估配电网的关键影响因素向量；

将所述关键影响因素向量输入优化后的深度卷积神经网络模型中，得到第一系统侧供电可靠性评估指标；所述第一系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；所述优化后的深度卷积神经网络模型是采用待评估配电网的历年可靠性影响因素指标，以及与所述历年可靠性影响因素指标对应的系统侧供电可靠性评估指标进行训练和优化的；

基于待评估配电网拓扑结构建立机理模型；

根据所述机理模型进行可靠性评估，得到第二系统侧供电可靠性评估指标；所述第二系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；

确定待评估配电网拓扑结构的变化程度；

根据所述变化程度，采用动态加权法确定第一权重和第二权重；所述第一权重为第一系统侧供电可靠性评估指标对应的权重；所述第二权重为第二系统侧供电可靠性评估指标对应的权重；

根据所述第一权重、所述第二权重、所述第一系统侧供电可靠性评估指标和所述第二系统侧供电可靠性评估指标，确定最终的系统侧供电可靠性评估指标；

根据所述最终的系统侧供电可靠性评估指标进行配电网可靠性评估。

2.根据权利要求1所述的基于数据-机理联合驱动的配电网可靠性评估方法，其特征在于，所述根据所述可靠性影响因素指标确定待评估配电网的关键影响因素向量，具体包括：

构建可靠性影响因素指标的第一矩阵；

对所述第一矩阵进行归一化处理得到第二矩阵；

对所述第二矩阵进行离差标准化处理，得到第三矩阵；

确定所述第三矩阵的相关系数矩阵；

确定所述相关系数矩阵的特征值；

根据所述特征值构建特征值集合；

根据所述特征值集合确定规范正交特征向量矩阵；

根据所述规范正交特征向量矩阵和所述第三矩阵，采用主成分分析法确定主成分；

对所述主成分进行降维处理，得到待评估配电网的关键影响因素向量。

3.根据权利要求1所述的基于数据-机理联合驱动的配电网可靠性评估方法，其特征在于，所述深度卷积神经网络模型具体包括：

第一卷积层，用于对所述关键影响因素向量提取第一特征；

第一池化层，与所述第一卷积层连接，用于对所述第一特征进行汇总，得到第一汇总特征；

第二卷积层，与所述第一池化层连接，用于对所述第一汇总特征提取第二特征；

第二池化层，与所述第二卷积层连接，用于对所述第二特征进行汇总，得到第二汇总特征；

全连接层，与所述第二池化层连接，用于对所述第二汇总特征进行合并，利用前馈计算和反向传播算法确定所述关键影响因素向量与所述第一系统侧供电可靠性评估指标之间的定量关系。

4.根据权利要求3所述的基于数据-机理联合驱动的配电网可靠性评估方法，其特征在于，所述第二池化层和所述全连接层之间采用dropout技术随机丢失神经元。

5.根据权利要求1所述的基于数据-机理联合驱动的配电网可靠性评估方法，其特征在于，所述基于待评估配电网拓扑结构建立机理模型，具体包括：

获取待评估配电网拓扑结构和待评估配电网中不同类型设备的基本参数；所述不同设备类型包括线路、开关元件和变压器；所述基本参数包括不同设备类型的故障率和平均修复时间；

根据所述待评估配电网拓扑结构和所述基本参数，采用故障模式与后果分析法建立机理模型。

6.根据权利要求1所述的基于数据-机理联合驱动的配电网可靠性评估方法，其特征在于，所述根据所述变化程度，采用动态加权法确定第一权重和第二权重，具体包括：

当所述变化程度小于或等于设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的所述第二权重大于确定的所述第一权重；

当所述变化程度大于所述设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的所述第一权重大于确定的所述第二权重。

7.一种基于数据-机理联合驱动的配电网可靠性评估系统，其特征在于，所述系统包括：

可靠性影响因素指标获取模块，用于获取待评估配电网的可靠性影响因素指标；所述可靠性影响因素指标包括架空线路平均长度、配电网可转供率、配电网线路联络率、线路平均分段数、单位分段平均用户数和馈线支路条数、主干线负载率、线路重过载率、配变重过载率、线路平均配变数和配变平均低压用户数；

关键影响因素向量确定模块，用于根据所述可靠性影响因素指标确定待评估配电网的关键影响因素向量；

第一系统侧供电可靠性评估指标获取模块，用于将所述关键影响因素向量输入优化后的深度卷积神经网络模型中，得到第一系统侧供电可靠性评估指标；所述第一系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；所述优化后的深度卷积神经网络模型是采用待评估配电网的历年可靠性影响因素指标，以及与所述历年可靠性影响因素指标对应的系统侧供电可靠性评估指标进行训练和优化的；

机理模型建立模块，用于基于待评估配电网拓扑结构建立机理模型；

第二系统侧供电可靠性评估指标获取模块，用于根据所述机理模型进行可靠性评估，得到第二系统侧供电可靠性评估指标；所述第二系统侧供电可靠性评估指标包括系统平均停电频率指标、系统平均停电持续时间指标、用户平均停电频率指标、用户平均停电持续时间指标和用户平均缺供电量指标；

拓扑结构变化程度确定模块，用于确定待评估配电网拓扑结构的变化程度；

权重确定模块，用于根据所述变化程度，采用动态加权法确定第一权重和第二权重；所述第一权重为第一系统侧供电可靠性评估指标对应的权重；所述第二权重为第二系统侧供电可靠性评估指标对应的权重；

最终系统侧供电可靠性评估指标确定模块，用于根据所述第一权重、所述第二权重、所述第一系统侧供电可靠性评估指标和所述第二系统侧供电可靠性评估指标，确定最终的系统侧供电可靠性评估指标；

配电网可靠性评估模块，用于根据所述最终的系统侧供电可靠性评估指标进行配电网可靠性评估。

8.根据权利要求7所述的基于数据-机理联合驱动的配电网可靠性评估系统，其特征在于，所述关键影响因素向量确定模块具体包括：

第一矩阵构建单元，用于构建可靠性影响因素指标的第一矩阵；

归一化处理单元，用于对所述第一矩阵进行归一化处理得到第二矩阵；

离差标准化处理单元，用于对所述第二矩阵进行离差标准化处理，得到第三矩阵；

相关系数矩阵确定单元，用于确定所述第三矩阵的相关系数矩阵；

特征值确定单元，用于确定所述相关系数矩阵的特征值；

特征值集合构建单元，用于根据所述特征值构建特征值集合；

规范正交特征向量矩阵确定单元，用于根据所述特征值集合确定规范正交特征向量矩阵；

主成分确定单元，用于根据所述规范正交特征向量矩阵和所述第三矩阵，采用主成分分析法确定主成分；

降维处理单元，用于对所述主成分进行降维处理，得到待评估配电网的关键影响因素向量。

9.根据权利要求7所述的基于数据-机理联合驱动的配电网可靠性评估系统，其特征在于，所述机理模型建立模块具体包括：

配电网拓扑结构和设备基本参数获取单元，用于获取待评估配电网拓扑结构和待评估配电网中不同类型设备的基本参数；所述不同设备类型包括线路、开关元件和变压器；所述基本参数包括不同设备类型的故障率和平均修复时间；

机理模型建立单元，用于根据所述待评估配电网拓扑结构和所述基本参数，采用故障模式与后果分析法建立机理模型。

10.根据权利要求7所述的基于数据-机理联合驱动的配电网可靠性评估系统，其特征在于，所述权重确定模块具体包括：

第一确定单元，用于当所述变化程度小于或等于设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的所述第二权重大于确定的所述第一权重；

第二确定单元，用于当所述变化程度大于所述设定阈值时，采用动态加权法确定第一权重和第二权重，此时，确定的所述第一权重大于确定的所述第二权重。