CN115409264A - 基于馈线故障预测的配电网抢修驻点位置优化方法 - Google Patents

Abstract

本发明公开了一种基于馈线故障预测的配电网抢修驻点位置优化方法，属于配电网技术领域，该方法包括：提取配电网运行数据，并对其进行预处理，剔除离群数据样本；根据经预处理后的配电网运行数据，筛选配电网馈线故障因素以及故障特征变量，构建馈线故障预测模型；利用馈线故障预测模型对区域内的馈线故障等级进行预测，并根据预测结果，对现有配电网故障抢修驻点的位置进行优化。本发明在更大程度上提升配电网故障抢修效率，缩短故障处理时间，减少停电时长，降低用户投诉，保证抢修资源的合理利用和抢修驻点的高效运转，实现配电网安全可靠的供电运行，确保人民生活和财产不会受到影响，为电网运维抢修工作提供新的思路和方案。

Description

基于馈线故障预测的配电网抢修驻点位置优化方法

技术领域

本发明属于配电网技术领域，尤其涉及一种基于馈线故障预测的配电网抢修驻点位置优化方法。

背景技术

随着我国经济的高速发展，电能在能源供应中所占的比重逐步增大，随之而来的是居民用户与企业工厂对电力安全生产的依赖程度越来越高，对供电可靠性的要求愈发强烈。配电网作为向用户分配和供给电能的重要环节，与用户的联系最为紧密，对用户的影响也最为直接。据统计，用户故障停电中80％上都是配电网故障所致。减少配电网故障，提高配电网的可靠性，对于保障用户的用电质量、用电体验和社会经济发展有着重要作用。

配电网设备众多，线路管网复杂，易受恶劣天气影响，一旦故障停运，对社会秩序和人民生产生活将造成严重的影响。长期以来，各行业在设备运维和故障抢修投入了大量的人力和物力，但始终处于被动抢修的状态，收效不甚良好。所以如何在故障发生前实现精准预判和主动运维，从而减少停水、停电和断网等问题对人民群众正常生活的负面影响，是电网运维检修部门工作者们需要解决的一大难题。

近年来，一方面，随着数据科学与大数据技术在数据存储、处理和挖掘方面的快速发展，使得配电网大数据的价值发掘和工程应用成为了可能。通过大数据的数据挖掘技术，可以发掘出复杂配电网中故障与其影响因素之间的长短期关联关系，进而提取和构造深层次特征，用于建立配电网故障预测模型。另一方面，馈线作为配电网的重要组成部分，需要保证其维护工作的细致化和系统化管理，对可能出现的故障问题做到有效预防，并在此基础上，不断优化配电网维保资源的配置。通过馈线故障预测结果开展配电网故障抢修驻点资源优化配置研究，引导抢修资源的合理分配，加快故障点的修复速度，避免抢修资源的浪费，保证故障点及时修复，以降低停电带来的损失，提高配电网运行的可靠性。

发明内容

针对现有技术中的上述不足，本发明提供的一种基于馈线故障预测的配电网抢修驻点位置优化方法，最大限度的缩短了故障处理时间，减少了停电时长，保证抢修资源的合理利用和抢修驻点的高效运转，为馈线的运行检修工作提供了有效指导，实现配电网安全可靠的供电运行，确保人民生活和财产不会受到影响。

为了达到上述发明目的，本发明采用的技术方案为：一种基于馈线故障预测的配电网抢修驻点位置优化方法，包括以下步骤：

S1、提取配电网运行数据，并对其进行预处理，剔除离群数据样本；

S2、根据经预处理后的配电网运行数据，筛选配电网馈线故障因素以及故障特征变量，构建馈线故障预测模型；

S3、利用馈线故障预测模型对区域内的馈线故障等级进行预测，并根据预测结果，对现有配电网故障抢修驻点的位置进行优化。

本发明的有益效果是：本发明通过对配电网运行数据进行提取与预处理，并分析与筛选配电网馈线故障因素，在此基础上构建馈线故障预测模型，并基于区域内馈线故障等级预测结果，对现有故障抢修驻点的位置进行优化，更大程度上提升配电网故障抢修效率，缩短故障处理时间，减少停电时长，降低用户投诉，保证抢修资源的合理利用和抢修驻点的高效运转，实现配电网安全可靠的供电运行，确保人民生活和财产不会受到影响，为电网运维抢修工作提供新的思路和方案。

进一步地，所述步骤S2包括以下步骤：

S201、根据经预处理后的配电网运行数据，对馈线故障影响因素进行分析，得到馈线故障及其影响因素的关系；

S202、基于馈线故障及其影响因素的关系，剔除与馈线故障非相关的故障因子，选取最优故障因子集作为故障特征变量；

S203、利用Kappa计算值，得到馈线故障预测模型的评价标准；

S204、基于评价标准，利用决策树算法对馈线故障预测模型进行训练，并将故障特征变量输入至馈线故障预测模型，构建馈线故障预测模型。

上述进一步方案的有益效果是：本发明通过分析并筛选配电网馈线故障因素，利用人工智能与大数据技术对有效数据与关键故障成因进行挖掘并筛选出故障特征变量。在此基础上，建立配电网的馈线故障预测模型，实现目标电网内馈线故障等级的预测。

再进一步地，所述Kappa计算值的表达式如下：

其中，K表示统计指标，N表示测试样本的数量总数，r表示误差矩阵的行数，v'表示误差矩阵的列数，x_ij表示i行j列上的数值，x_i+和x_+j表示第i行和j列的总和。

上述进一步方案的有益效果是：本发明通过利用Kappa计算值，以评介随机分类和预测模型所得结果相应的差异值，以确定模型的评判标准。

再进一步地，所述步骤S3包括以下步骤：

S301、利用馈线故障预测模型对区域内的馈线故障等级进行预测；

S302、计算得到抢修驻点到馈线的距离；

S303、根据抢修驻点到馈线的距离，计算得到前往抢修驻点的时间；

S304、计算得到抢修路程所需时间；

S305、根据等级预测结果，对馈线故障抢修驻点所包括的馈线进行划分；

S306、根据抢修驻点到馈线的距离、前往抢修改驻点的时间、抢修路程所需时间以及划分结果，构建抢修驻点优化模型；

S307、确定抢修驻点优化模型的目标函数和约束条件，对现有配电网故障抢修驻点的位置进行优化。

上述进一步方案的有益效果是：本发明基于区域内的馈线故障等级预测结果，对现有故障抢修驻点的位置进行优化，有效缩短故障抢修驻点位置到各条馈线的总距离，最大限度的减少故障处理时间，保证抢修资源的合理利用和抢修驻点的高效运转，为馈线的运行检修工作提供有效指导。

再进一步地，所述抢修驻点到馈线的距离的表达式如下：

其中，d_ij表示抢修驻点到馈线的距离，||x_i-a_j||表示x_i和a_j的欧式距离，g_i表示馈线等效a_j的故障系数，x_i表示抢修驻点的位置；

所述前往抢修驻点的时间的表达式如下：

T_ij＝(d_ij·a·λ·r)/v

其中，T_ij表示前往抢修驻点的时间，a和λ分别表示道路拥堵系数和道路曲折系数，r表示馈线曲折系数，v表示抢修人员所乘车辆的均速；

所述抢修路程所需时间的表达式如下：

T_n＝T_max-t₁-t₂-t₃-t₄

其中，T_n表示抢修路程所需时间，T_max表示最晚赶往抢修驻点的总时长，t₁、t₂、t₃和t₄分别表示服务中心处理工单所用时长、调度层定位和处理故障时长、在出发前抢修车辆的准备时长以及寻找抢修地点时长。

上述进一步方案的有益效果：本发明通过抢修驻点到馈线的距离表达式，然后计算前往抢修驻点的时间，以此来计算各馈线赶制抢修驻点的总时间，最后计算出抢修路程所需时间，以此构建时间约束条件。

再进一步地，所述步骤S307包括以下步骤：

S3071、确定抢修驻点优化模型的目标函数和约束条件；

S3072、产生现有配电网故障抢修驻点位置坐标的初始值集合；

S3073、根据初始值集合，以及基于目标函数和约束条件，计算现有配电网故障抢修驻点的最优位置坐标，并保存；

S3074、根据预测的迭代次数，判断是否满足终止条件，若是，则得到抢修驻点最优解，完成对现有配电网故障抢修驻点位置的优化，否则，更新抢修驻点位置坐标的初始值集合，并返回步骤S3073。

上述进一步方案的有益效果是：通过抢修驻点优化模型的目标函数和约束条件，完成对现有配电网故障抢修驻点位置的优化。

再进一步地，所述目标函数的表达式如下：

其中，minF表示目标函数。

上述进一步方案的有益效果是：通过求解抢修驻点优化模型的目标函数，得到抢修驻点最优解。

再进一步地，所述约束条件为：

(1)从抢修驻点前往故障发生点所需时间的时间约束：T_ij<T_n；

(2)对n个抢修驻点安排全部馈线抢修工作的约束条件：

其中，m和n分别指代馈线数量和抢修驻点数量，b_ij表示馈线到抢修驻点所用的时间满足供电公司的故障抢修用时标准范围，满足b_ij＝1，否则b_ij＝0。

上述进一步方案的有益效果：本发明通过对时间、馈线数量和抢修驻点进行约束，保证算法收敛，得到最优的抢修驻点坐标。

附图说明

图1为本发明的方法流程图。

图2为本实施例中故障文本数据处理示意图。

图3为本实施例中各月故障次数示意图。

图4为本实施例中各停电因素点比示意图。

图5为本实施例中馈线故障预测流程示意图。

图6为本实施例中预测结果示意图。

图7为本实施例中城区馈线分布图。

图8为本实施例中初始抢修驻点分布与抢修任务分配方案示意图。

图9为本实施例中最优抢修驻点分布与抢修任务分配方案示意图。

具体实施方式

下面对本发明的具体实施方式进行描述，以便于本技术领域的技术人员理解本发明，但应该清楚，本发明不限于具体实施方式的范围，对本技术领域的普通技术人员来讲，只要各种变化在所附的权利要求限定和确定的本发明的精神和范围内，这些变化是显而易见的，一切利用本发明构思的发明创造均在保护之列。

如图1所示，本发明提供了一种基于馈线故障预测的配电网抢修驻点位置优化方法，其实现方法如下：

S1、提取配电网运行数据，并对其进行预处理，剔除离群数据样本；

本实施例中，由于受系统自身缺陷、数据录入规则等因素的影响，系统收集的数据存在着数据异常、不完整、冗余等问题，因此数据的质量不高，即用性也不是很强。如果将这些数据直接用于预测配电网故障，预测结果的准确性、可靠性将受到影响。所以在使用数据之前，需要对历史数据进行预处理，合理有效地清除错误数据，提高数据的完整性，在此基础上，提取出有效数据并将原始运行数据完整化。

本实施例中，对于数据预处理工作而言，其核心手段多样化，主要包括：以粗糙集理论为基础的简约手段，以统计分析为基础的选取手段，以及利用聚类方法诊断离群样本的剔除手段等。

本实施例中，数据预处理工作中，针对离群样本的诊断工作较为关键，其本质是对具备显著差异特性的样本数据进行去除和分类。由于以聚类技术为基础的诊断方法符合本项目对样本数据的处理需求，得到的数据质量较高，诊断效果良好，其次考虑到本项目所用的数据样本是多维数据，所以采用聚类技术处理差异数据较为合适。在针对数据样本开展提取与预处理的过程中，可实现多样化故障数据类别的有效获取，同时针对离群故障数据样本开展妥善合理地相关删除工作。

本实施例中，历史故障抢修报告、配电网运行报告和中低压设备运行报告等文件记录了配电网的历史故障信息，这些信息中包含了大量的文本数据，要有效利用这些数据，则需要按照使用和研究的需求对文本进行关键信息提取。根据故障预测目的，需要从故障文本中提取出导致故障的具体原因，通过对故障原因的简要分析做出故障分类识别，以便顺利开展后续研究，如图2所示。

本实施例中，本发明基于浙江省某市区内电网2021年1月至2022年4月的线路停电数据，获得目标区域内各个月份内馈线的故障次数。然后，根据聚类技术，对数据样本进行细分。将故障因素划分为设备自身因素、运行因素、自然因素、人为因素和其他因素，统计出了各个故障因素所导致的故障次数，如图3所示。图3清晰直观地展示了2021年1月至2022年4月目标区域内馈线的故障次数。通过分析可以得出，2021年的5月份至7月份是馈线发生故障的高峰期，而且在7月份达到了故障次数的峰值，即62次。此外，1月份和9月份的故障次数皆达到了30次及以上。其余月份的故障次数大都在20次上下波动，较为稳定。2022年的故障次数数据记录截至4月份。2022年1月份和3月份的故障次数与2021同期几乎相当，但是2月份故障次数却相差较大。

本实施例中，统计2021年1月至2022年4月内各个停电因素的占比，如图4所示。通过分析可以得出，其他因素所导致的停电次数占比最大，达到了62％，其次是运行因素，占比达到了19％。然后是设备自身因素和人为因素所导致的故障，两者占比都达到了8％。最后是自然因素，占比为3％。在其他因素中，大多数停电原因属于计划内停电，如倒负荷、上级调度和试拉选线等。值得说明的是计划内的停电不属于故障范围，因此为了进一步深入分析目标区域内156条馈线的故障情况，本项目统计出了2021年1月至2022年4月，目标电网内故障次数在5次以上的馈线，如表1所示。

表1

分析表1可得，故障次数在6～10次的馈线有14条，故障次数在11～15次的馈线有6条，故障次数在16～25次的馈线有4条。故障次数在10次以上的馈线中，有些故障是因倒负荷、上级调度及设备更换升级等不可抗拒因素所导致的，所以需要排除这些因不可抗拒因素导致的故障次数。通过筛选与分析，得到排除不可抗拒因素后的馈线故障次数，如表2所示。

表2

以蓬北P348线为例，经探究故障数据发现，蓬北P348线因设备老化共故障8次。进一步研究馈线故障因素可知，其中因低压出线预警问题导致故障3次，因绝缘子被击穿导致故障2次，因雷击的自然因素导致故障1次。可见，蓬北P348线的故障大多是因为设备自身因素所导致。

本实施例中，采用大数据处理技术等手段对配电网运行数据进行提取与预处理，剔除离群数据样本，通过人工智能算法分析数据类别、数据源和数据类型，提升数据的有效性和数据质量。

S2、根据经预处理后的配电网运行数据，筛选配电网馈线故障因素以及故障特征变量，构建馈线故障预测模型，其实现方法如下：

S201、根据经预处理后的配电网运行数据，对馈线故障影响因素进行分析，得到馈线故障及其影响因素的关系；

S202、基于馈线故障及其影响因素的关系，剔除与馈线故障非相关的故障因子，选取最优故障因子集作为故障特征变量；

S203、利用Kappa计算值，得到馈线故障预测模型的评价标准；

S204、基于评价标准，利用决策树算法对馈线故障预测模型进行训练，并将故障特征变量输入至馈线故障预测模型，构建馈线故障预测模型。

本实施例中，经过馈线故障预测所需的数据收集及预处理，获取了完善有效的数据，而构建性能稳定、预测能力强的故障预测模型必须保证模型的输入故障因子是有效、强相关和无兀余的。因此，首先进行馈线故障影响因素数据的探索分析，发掘馈线故障及其影响因素的关系，初步确定故障预测模型的输入；然后剔除与馈线故障非强相关或兀余的故障因子，选出最优故障因子集作为馈线故障预测模型的输入变量。

本实施例中，通过以上的数据探索分析，根据所划分的故障类型，找出导致故障的直接原因并进一步分析筛选出相关的故障因子共18个，如表3所示，表3为各故障类型的故障直接原因和故障因子。

表3

本实施例中，确定最优故障因子集作为模型的输入变量后，即可构建馈线故障预测模型。Weka是由Java语言实现的开放性平台，它不仅提供了多种数据挖掘方法(分类、聚类、关联规则等)，还提供了适用于任意数据集的数据预处理功能以及算法性能评估的多种方法，具有非常良好的扩展性和兼容性。用户可以根据具体需要，将个性化算法封装进系统中，对数据处理及算法性能进行评估。因此，本发明将基于Weka 3.8平台来构建目标配电网的馈线故障预测模型。

本实施例中，决策树算法是一种应用比较广泛的归纳推理分类方法，它采用自上向下的方式将训练数据中学习到的函数表示为一棵分类决策树，非常善于分类数据和归纳决策规则。该方法的处理流程简单，算法复杂度低，特别适合用于处理大规模数据。原理图如图5所示。

本实施例中，本发明运用Kappa计算值和分类预测准确率，得出馈线故障预测模型的评价标准。Kappa计算值一般情况下是评估模型分类效果好坏的一个方法，是由对误差矩阵的数值进行运算得出的，可以用来评价随机分类和预测模型所得结果相应的差异值。Kappa统计指标的计算式如下所示。

其中，K代表统计指标，N代表测试样本的数量总数，r代表误差矩阵的行数，x_ii代表i行i列上的数值，x_i+和x_+i代表第i行和i列的总和。Kappa计算的数值和预测的准确程度之间的相对关系如表4所示，表4为Kappa计算值和预测准确程度的关系。

表4

Kappa计算值	预测准确程度
		<0	较差
0～0.2	差
		0.2～0.4	正常
0.4～0.6	好
		0.6～0.8	较好
0.8～1	非常好

本实施例中，确定模型的评判标准后，即可构建馈线故障预测模型。本发明随机选取100条馈线的故障记录作为数据样本构建馈线故障预测模型。首先，根据设备因素故障、运行因素故障、人为因素故障、自然因素故障和其他因素故障五类的故障样本集训练了五个故障预测模型。然后，将得到的训练样本数据集输入Weka 3.8平台，采用决策树C4.5算法进行预测模型的训练。最后对模型进行准确性测试，预测准确率和模型的Kappa计算值如图6所示，通过图6可以看出，基于五种故障类型的馈线故障预测模型具有较高的预测准确率。此外，Kappa计算值也反应了预测模型具有较好的预测准确程度。由此可见，本发明所用方法的预测模型具有较高的精确性。

本实施例中，为进一步研究区域内馈线故障预测结果以及构建抢修驻点优化模型建立基础，将2021年1月至2022年4月馈线所产生的故障数量，划分为三个不同等级，如表5所示，表5为馈线故障次数划分。

表5

故障次数	故障等级	故障评价
			0～5	1级	正常
6～10	2级	较高
			11及以上	3级	高

本实施例中，经过划分后，2021年1月至2021年12月，目标区域内故障等级为1级的馈线共计132条，故障等级为2级的馈线共计14条，故障等级为3级的馈线共计10条，馈线的故障停电记录样本共计334条。2022年1月至2021年4月，目标区域内故障等级为1级的馈线共计154条，故障等级为2级的馈线共计2条，暂无故障等级为3级的馈线，其馈线故障停电记录样本共计85条。将这些馈线的故障停电记录样本输入馈线故障预测模型，通过对模型进行训练后，得出馈线故障预测结果如表6所示，表6为馈线故障预测结果、

表6

本实施例中，通过深入分析图6和表6的馈线故障预测模型结果，可以得到以下结论：

(a)采用本发明的模型预测随机选取的馈线故障记录样本或总体馈线故障记录样本，都具有较高的准确性。其中，由其他因素导致的故障预测准确率达87.31％，自然因素导致的故障预测准确率达98.68％，并且模型的Kappa计算值均在0.6以上，足以证明模型的预测精准度是良好的。

(b)在2022年1月到2022年4月，馈线故障等级为2的预测准确率较低。这是由于故障等级为2的样本数量太少所致。若能够增加训练样本中故障等级为2的馈线样本数量，即可加强馈线故障等级为2的预测准确准确率。

S3、利用馈线故障预测模型对区域内的馈线故障等级进行预测，并根据预测结果，对现有配电网故障抢修驻点的位置进行优化，其实现方法如下：

S301、利用馈线故障预测模型对区域内的馈线故障等级进行预测；

S302、计算得到抢修驻点到馈线的距离；

S303、根据抢修驻点到馈线的距离，计算得到前往抢修驻点的时间；

S304、计算得到抢修路程所需时间；

S305、根据等级预测结果，对馈线故障抢修驻点所包括的馈线进行划分；

S306、根据抢修驻点到馈线的距离、前往抢修改驻点的时间、抢修路程所需时间以及划分结果，构建抢修驻点优化模型；

S307、确定抢修驻点优化模型的目标函数和约束条件，对现有配电网故障抢修驻点的位置进行优化，其实现方法如下：

S3071、确定抢修驻点优化模型的目标函数和约束条件；

S3072、产生现有配电网故障抢修驻点位置坐标的初始值集合；

S3073、根据初始值集合，以及基于目标函数和约束条件，计算现有配电网故障抢修驻点的最优位置坐标，并保存；

S3074、根据预测的迭代次数，判断是否满足终止条件，若是，则得到抢修驻点最优解，完成对现有配电网故障抢修驻点位置的优化，否则，更新抢修驻点位置坐标的初始值集合，并返回步骤S3073。

本实施例中，本发明在完成馈线故障预测研究的基础上，进一步研究故障抢修驻点的优化配置问题。为了更好地量化抢修驻点和馈线间的距离，可以根据地理信息系统及目标区域内馈线的实际分布，将馈线看作平面中的一个点，然后将抢修驻点与馈线间的距离看作是这两点的距离，将其转化为二维空间下的馈线实际分布，如图7所示。

本实施例中，将g_i作为馈线系数，为了降低月故障抢修的总时长，对抢修效率进行提升，需要将馈线故障系数根据预测所得到馈线故障按照等级进行划分，实现达到约束条件的抢修驻点靠近故障等级更高的馈线。

设a_j(j＝1,2…m)为馈线等效点，其中，x_i(j＝1,2…m)为抢修驻点的位置，抢修驻点到馈线的距离计算公式可写为：

其中，||x_i-a_j||表示x_i和a_j的欧式距离，g_i表示馈线等效a_j的故障系数。

综合考虑故障抢修流程，可以分别将道路拥堵系数和道路曲折系数设为a和λ，馈线曲折系数为r，抢修人员所乘车辆的均速为v，i为抢修驻点，j为馈线，由此可得在前往抢修点的时间T_ij可以根据以下公式计算出：

T_ij＝(d_ij·a·λ·r)/v (3)

假设电力公司所规定的最晚赶往抢修地点的总时长为T_max，根据电力公司之间所规定的到达城区的时间最长不超过40分钟，即T_max＝40，到达郊区的时间最长不超过60分钟，即T_max＝60。分别设服务中心处理工单所用时长、调度层定位和处理故障时长、在出发前抢修车辆的准备时长、寻找抢修地点时长分别为t₁、t₂、t₃、t₄，设抢修驻点赶往馈线需要的时间为t_n，因此T_n的计算公式可以由下式表示：

T_n＝T_max-t₁-t₂-t₃-t₄ (4)

得到抢修路程所需时间后，还需进行故障抢修驻点所包括馈线的划分。分别设馈线和抢修驻点为i和j，若从j点到i点所用的时间满足供电公司承诺的故障抢修用时标准范围之内，则b_ij＝1，否则b_ij＝0。在此基础上构建模型，假设该模型中单条馈线只归属一个抢修驻点管理，则抢修驻点到具体的馈线所需的最短距离可以表示为：

其中，minF表示目标函数。

下面是构建抢修驻点位置优化模型的约束条件：

(1)T_ij<T_n表示为从抢修驻点赶往故障发生点所需时间的时间约束。

(2)

m和n分别指代馈线数量和抢修驻点数量，b_ij表示馈线到抢修驻点所用的时间满足供电公司的故障抢修用时标准范围，满足b_ij＝1，否则b_ij＝0。

本实施例中，本发明在对抢修驻点位置进行优化求解时采用了人工免疫优化算法。在抢修驻点选址过程中，人工免疫优化算法可以利用免疫系统的多样性和维持机制，保持群体的多样性，依据个体的亲和度进行抗体评价、交叉和变异操作，避免算法快速陷入局部最优，最终得到抢修驻点的最优解。基于人工免疫优化算法解决抢修驻点选址与抢修任务分配问题的实现步骤，描述如下：

(a)确定抢修驻点优化模型的目标函数和约束条件；

(b)产生现有配电网故障抢修驻点位置坐标的初始值集合；

(c)根据初始值集合，以及基于目标函数和约束条件，计算现有配电网故障抢修驻点的最优位置坐标，并保存；

(d)根据预测的迭代次数，判断是否满足终止条件，若是，则得到抢修驻点最优解，完成对现有配电网故障抢修驻点位置的优化，否则，更新抢修驻点位置坐标的初始值集合，并返回步骤(c)。

本实施例中，验证优化算法的可行性与有效性，以目标区域内馈线的实际分布进行仿真分析，已知各馈线的故障预测等级和抢修驻点的相对地理坐标及实际的抢修任务分配关系得到初始抢修驻点选址，如图8所示。图中共有三处抢修驻点，各馈线所对应的故障点与相应抢修驻点之间有连线则表示该抢修任务分配给所连接的抢修驻点；否则，则不分配。

本实施例中，现优化该区域的抢修驻点选址与抢修任务分配。人工免疫优化算法的重要参数设置如下：种群规模为100，记忆库容量为10，迭代次数为100，交叉概率为0.5，变异概率为0.4，多样性评价参数为0.95。运行算法程序50次，取平均值得到抢修驻点位置的全局最优解，进而得出抢修任务的分配结果，如图9所示。

本实施例中，分析两种抢修驻点位置优化结果可以得到：与图8相比较，图9中的抢修驻点1位于馈线等效点的较中间位置；在图9中，抢修驻点2相较于图8更靠近故障等级较高的馈线等效点；在图8中，抢修驻点距离各故障馈线等效点的路程差距过大，通过优化后，抢修驻点3的位置距离每个故障馈线等效点更为合理、科学。基于上述内容，依照馈线自身地理位置特征并结合馈线故障预测结果计算得到抢修地点选址，获得抢修驻点位置坐标优化结果如表7所示，表7为抢修驻点位置坐标优化结果。

表7

为了进一步量化优化后的抢修驻点对于抢修能力提升的有益效果，以表8所示的现有抢修时间数据为参考，根据公式(3)和(4)计算优化前后的抢修时间，将赶往故障维修地点所用的总时间作为比较值，计算优化前后从收到故障报告到赶往故障维修地点所需要的总时间，如表9所示，表9为抢修驻点优化结果。

表8

表9

本实施例中，由表9可以得出，三个初始抢修驻点抢修用时总时间分别需要1010.37、724.64和812.73分钟。通过优化后，抢修驻点抢修用时总时间分别为851.54、602.57和557.46分钟，分别缩短了15.72％、16.85％和31.41％。

本实施例中，通过运用了馈线故障预测结果的抢修路途花费总时间为2011.57分钟，没有运用馈线故障预测结果的抢修路途花费总时间为2547.74分钟，前者比后者在故障抢修路途上花费的时间少了21.05％，表明了在优化抢修驻点位置时使用馈线故障预测结果可以有效提升抢修效率，为供电的可靠性提供保障。

本实施例中，配电网故障抢修是检验电网公司供电安全及稳定性的一个关键环节，由于其网络结构复杂和所带负荷的多变性，容易发生故障事件，直接影响电力公司的供电质量，进而影响到电力公司的客户满意度评价。本发明旨在更大程度上提升配电网故障抢修效率，缩短故障处理时间，减少停电时长，降低用户投诉，保证抢修资源的合理利用和抢修驻点的高效运转，实现配电网安全可靠的供电运行，确保人民生活和财产不会受到影响，为电网运维抢修工作提供新的思路和方案。

Claims (8)

1.一种基于馈线故障预测的配电网抢修驻点位置优化方法，其特征在于，包括以下步骤：

S1、提取配电网运行数据，并对其进行预处理，剔除离群数据样本；

S2、根据经预处理后的配电网运行数据，筛选配电网馈线故障因素以及故障特征变量，构建馈线故障预测模型；

S3、利用馈线故障预测模型对区域内的馈线故障等级进行预测，并根据预测结果，对现有配电网故障抢修驻点的位置进行优化。

2.根据权利要求1所述的基于馈线故障预测的配电网抢修驻点位置优化方法，其特征在于，所述步骤S2包括以下步骤：

S201、根据经预处理后的配电网运行数据，对馈线故障影响因素进行分析，得到馈线故障及其影响因素的关系；

S202、基于馈线故障及其影响因素的关系，剔除与馈线故障非相关的故障因子，选取最优故障因子集作为故障特征变量；

S203、利用Kappa计算值，得到馈线故障预测模型的评价标准；

S204、基于评价标准，利用决策树算法对馈线故障预测模型进行训练，并将故障特征变量输入至馈线故障预测模型，构建馈线故障预测模型。

3.根据权利要求2所述的基于馈线故障预测的配电网抢修驻点位置优化方法，其特征在于，所述Kappa计算值的表达式如下：

其中，K表示统计指标，N表示测试样本的数量总数，r表示误差矩阵的行数，v'表示误差矩阵的列数，x_ij表示i行j列上的数值，x_i+和x_+j表示第i行和j列的总和。

4.根据权利要求3所述的基于馈线故障预测的配电网抢修驻点位置优化方法，其特征在于，所述步骤S3包括以下步骤：

S301、利用馈线故障预测模型对区域内的馈线故障等级进行预测；

S302、计算得到抢修驻点到馈线的距离；

S303、根据抢修驻点到馈线的距离，计算得到前往抢修驻点的时间；

S304、计算得到抢修路程所需时间；

S305、根据等级预测结果，对馈线故障抢修驻点所包括的馈线进行划分；

S306、根据抢修驻点到馈线的距离、前往抢修改驻点的时间、抢修路程所需时间以及划分结果，构建抢修驻点优化模型；

S307、确定抢修驻点优化模型的目标函数和约束条件，对现有配电网故障抢修驻点的位置进行优化。

5.根据权利要求4所述的基于馈线故障预测的配电网抢修驻点位置优化方法，其特征在于，所述抢修驻点到馈线的距离的表达式如下：

其中，d_ij表示抢修驻点到馈线的距离，||x_i-a_j||表示x_i和a_j的欧式距离，g_i表示馈线等效a_j的故障系数，x_i表示抢修驻点的位置；

所述前往抢修驻点的时间的表达式如下：

T_ij＝(d_ij·a·λ·r)/v

其中，T_ij表示前往抢修驻点的时间，a和λ分别表示道路拥堵系数和道路曲折系数，r表示馈线曲折系数，v表示抢修人员所乘车辆的均速；

所述抢修路程所需时间的表达式如下：

T_n＝T_max-t₁-t₂-t₃-t₄

其中，T_n表示抢修路程所需时间，T_max表示最晚赶往抢修驻点的总时长，t₁、t₂、t₃和t₄分别表示服务中心处理工单所用时长、调度层定位和处理故障时长、在出发前抢修车辆的准备时长以及寻找抢修地点时长。

6.根据权利要求5所述的基于馈线故障预测的配电网抢修驻点位置优化方法，其特征在于，所述步骤S307包括以下步骤：

S3071、确定抢修驻点优化模型的目标函数和约束条件；

S3072、产生现有配电网故障抢修驻点位置坐标的初始值集合；

S3073、根据初始值集合，以及基于目标函数和约束条件，计算现有配电网故障抢修驻点的最优位置坐标，并保存；

S3074、根据预测的迭代次数，判断是否满足终止条件，若是，则得到抢修驻点最优解，完成对现有配电网故障抢修驻点位置的优化，否则，更新抢修驻点位置坐标的初始值集合，并返回步骤S3073。

7.根据权利要求6所述的基于馈线故障预测的配电网抢修驻点位置优化方法，其特征在于，所述目标函数的表达式如下：

其中，minF表示目标函数。

8.根据权利要求7所述的基于馈线故障预测的配电网抢修驻点位置优化方法，其特征在于，所述约束条件为：

(1)从抢修驻点前往故障发生点所需时间的时间约束：T_ij<T_n；

(2)对n个抢修驻点安排全部馈线抢修工作的约束条件：

其中，m和n分别指代馈线数量和抢修驻点数量，b_ij表示馈线到抢修驻点所用的时间满足供电公司的故障抢修用时标准范围，满足b_ij＝1，否则b_ij＝0。

Images