一种配变台区跳闸预测方法、系统及装置与流程

本发明涉及电网配变领域，特别涉及一种配变台区跳闸预测方法、系统及装置。

背景技术：

配变台区作为面向低压用户的最末一级供电单位，其台区供电设备的运行状态直接影响台区内的供电质量及可靠性。随着经济不断发展，工商业及居民用电量都在不断上升，尤其是春节与夏季高温时用电负荷极大，使得配变常处在过重载运行状态，变压器故障跳闸时常发生。

目前针对配变台区跳闸问题，只有更换开关、调整线路分流负荷、配变增容等事后处理手段，事故响应与电网配合的速度不够快，使得供电部门常处于被动状态，无法主动针对跳闸调节电网运行状态。

因此，如何提供一种解决上述技术问题的方案是目前本领域技术人员需要解决的问题。

技术实现要素：

有鉴于此，本发明的目的在于提供一种配变台区跳闸预测方法、系统及装置。其具体方案如下：

一种配变台区跳闸预测方法，包括：

获取历史数据，根据所述历史数据建立配变跳闸的跳闸预测模型；所述历史数据包括历史配变台区的运行数据及其对应的环境数据；

获取目标数据，将所述目标数据输入所述跳闸预测模型，得到目标配变台区的预测结果；所述目标数据包括所述目标配变台区的运行数据及其对应的环境数据。

优选的，所述获取历史数据，根据所述历史数据建立配变跳闸的跳闸预测模型的过程，具体包括：

获取历史数据；

对所述历史数据进行处理，得到训练样本；

根据所述训练样本，建立神经网络的跳闸预测模型。

优选的，所述对所述历史数据进行处理，得到训练样本的过程，具体包括：

对所述历史数据进行清洗，得到清洗后的优质数据；

对所述优质数据进行抽样，得到数据均衡的训练样本。

优选的，所述对所述优质数据进行抽样，得到数据均衡的训练样本的过程，具体包括：

通过smote或easycasde，对所述优质数据进行抽样，得到数据均衡的训练样本。

优选的，所述根据所述训练样本，建立神经网络的跳闸预测模型之后，还包括：

利用混合优化算法，优化所述跳闸预测模型。

优选的，所述利用混合优化算法，优化所述跳闸预测模型的过程，具体包括：

利用遗传算法、粒子群算法、纵横交叉算法和/或鲸鱼算法，优化所述跳闸预测模型。

优选的，所述根据所述训练样本，建立神经网络的跳闸预测模型的过程，具体包括：

根据所述训练样本，建立elman神经网络的跳闸预测模型。

优选的，所述运行数据具体包括配变台区的容量、投运时长、最高负载率、越限时间和/或跳闸事件。

相应的，本发明公开了一种配变台区跳闸预测系统，包括：

模型创建模块，用于获取历史数据，根据所述历史数据建立配变跳闸的跳闸预测模型；所述历史数据包括历史配变台区的运行数据及其对应的环境数据；

模型运行模块，用于获取目标数据，将所述目标数据输入所述跳闸预测模型，得到目标配变台区的预测结果；所述目标数据包括所述目标配变台区的运行数据及其对应的环境数据。

相应的，本发明还公开了一种配变台区跳闸预测装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上文所述配变台区跳闸预测方法的步骤。

本发明公开了一种配变台区跳闸预测方法，包括：获取历史数据，根据所述历史数据建立配变跳闸的跳闸预测模型；所述历史数据包括历史配变台区的运行数据及其对应的环境数据；获取目标数据，将所述目标数据输入所述跳闸预测模型，得到目标配变台区的预测结果；所述目标数据包括所述目标配变台区的运行数据及其对应的环境数据。本发明利用跳闸预测模型，对目标数据进行预测，从而得到是否会发生跳闸的预测结果，根据该预测结果，电网系统能够及时发现配变台区安全隐患、进行事故预防并预先调整负荷分布，从而避免跳闸发生或提高跳闸后的电网处理速度，对提高供电服务质量有重要意义。

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，下面将对实施例或现有技术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的前提下，还可以根据提供的附图获得其他的附图。

图1为本发明实施例中一种配变台区跳闸预测方法的步骤流程图；

图2为本发明实施例中一种具体的配变台区跳闸预测方法的步骤流程图；

图3为本发明实施例中多种预测算法的roc曲线图；

图4为本发明实施例中一种配变台区跳闸预测系统的结构分布图。

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。

现有技术针对配变台区跳闸问题，只有事后处理手段，使得供电部门常处于被动状态，无法主动针对跳闸来调节电网运行状态。本发明实施例利用跳闸预测模型进行是否会跳闸的预测，从而主动避免跳闸或提高跳闸后电网处理速度，提高供电服务质量。

本发明实施例公开了一种配变台区跳闸预测方法，参见图1所示，包括：

s11：获取历史数据，根据所述历史数据建立配变跳闸的跳闸预测模型；所述历史数据包括历史配变台区的运行数据及其对应的环境数据；

其中，所述运行数据具体包括配变台区的容量、投运时长、最高负载率、越限事件和/或跳闸事件；环境数据包括对应同一时刻的运行数据的温度和/或湿度，除了准确对应某一时刻的环境数据外，还可以选择环境数据中一段时间的最大值、最小值、中间值作为更有代表性的数据，对应某一事件发生前后的时间段内的环境数据。

s12：获取目标数据，将所述目标数据输入所述跳闸预测模型，得到目标配变台区的预测结果；所述目标数据包括所述目标配变台区的运行数据及其对应的环境数据。

可以理解的是，目标数据与历史数据的格式相同，跳闸预测模型通过历史数据建立，历史数据作为跳闸预测模型的训练样本；将目标数据输入到跳闸预测模型内，可以得到对应的预测结果。其中，训练样本的样本量越大、准确度和相关度越高，跳闸预测模型对目标数据的预测结果越准确。

具体的，预测结果包括对接下来配变台区内的动作或事件的预测。

本发明实施例公开了一种配变台区跳闸预测方法，包括：获取历史数据，根据所述历史数据建立配变跳闸的跳闸预测模型；所述历史数据包括历史配变台区的运行数据及其对应的环境数据；获取目标数据，将所述目标数据输入所述跳闸预测模型，得到目标配变台区的预测结果；所述目标数据包括所述目标配变台区的运行数据及其对应的环境数据。本发明实施例利用跳闸预测模型，对目标数据进行预测，从而得到是否会发生跳闸的预测结果，根据该预测结果，电网系统能够及时发现配变台区安全隐患、进行事故预防并预先调整负荷分布，从而避免跳闸发生或提高跳闸后的电网处理速度，对提高供电服务质量有重要意义。

本发明实施例公开了一种具体的配变台区跳闸预测方法，相对于上一实施例，本实施例对技术方案作了进一步的说明和优化。具体的，参见图2所示：

s21：获取历史数据；所述历史数据包括历史配变台区的运行数据及其对应的环境数据；

s22：对所述史数据进行处理，得到训练样本；

其中，所述对所述历史数据进行处理，得到训练样本的过程，具体包括：

s221：对所述历史数据进行清洗，得到清洗后的优质数据；

可以理解的是，历史数据中可能测试时仪器失误导致测试的历史数据不准确、记录出现差误等情况，因此对历史数据进行清洗，保留数据质量较好的优质数据。

s222：对所述优质数据进行抽样，得到数据均衡的训练样本。

可以理解的是，优质数据同样存在数据不平衡的问题，因此对其进行抽样，得到数据均衡的训练样本。

具体的，通过smote或easycasde，对所述优质数据进行抽样，得到数据均衡的训练样本。

其中，smote也就是borderline-smote，利用该算法进行抽样的步骤包括：

计算少数类样本中每个样本点pi与所有样本点的欧式距离，获取该样本点m近邻；

对少数类样本进行划分，假设m近邻中有x个多数类样本(0≤x≤m)，若x＝m则认为pi为噪声样本，若m/2≤x≤m则认为pi为边界样本，若0≤x≤m/2则认为pi为安全样本；

计算边界样本与少数类样本的k近邻，选取s个k近邻进行线性插值合成新的少数类样本；

新合成样本与原始样本合并，形成平衡样本；

其中少数类样本、多数类样本以及原始样本均从上文的优质数据中得到，最后形成的平衡样本也就是数据均衡的训练样本。

s23：根据所述训练样本，建立神经网络的跳闸预测模型。

其中，建立神经网络的跳闸预测模型可以通过各类神经网络算法，本实施例则选择elman神经网络算法，根据所述训练样本，建立elman神经网络的跳闸预测模型，其步骤具体包括：

设置输入层、隐含层、输出层神经元数目，初始化各层之间的权值；

输入训练样本，计算输入层输出；

计算隐含层输出；

计算输出层输入，以其结果计算承接层输出，反馈到隐含层；

计算输出结果与实际结果误差，反馈更新各层的权值，重新回到step2，直至误差小于预设范围，即完成网络训练。

可以理解的是，elman神经网络算法是一种较为成熟的算法，可参考其他文献资料实现，此处不再赘述。

进一步的，步骤223之后，还可以包括：

s24：利用混合优化算法，优化所述跳闸预测模型。

可以理解的是，之所以优化跳闸预测模型，是由于传统elman神经网络算法在训练过程中会陷入局部最优，利用混合优化算法对elman神经网络的跳闸预测模型各层间的权值和阈值进行优化，得到最优的权值和阈值，能够有效提高预测精度。

具体的，利用遗传算法、粒子群算法、纵横交叉算法和/或鲸鱼算法，优化所述跳闸预测模型。

参见下表以及图3所示，传统的bp神经网络模型(bp-nn)、纵横交叉算法(cso)、优化bp网络模型(cso-bp)以及常规的elman网络模型进行对比，可得出不同算法对应的跳闸预测模型的准确率accuracy与roc(receiveroperatingcharacteristic，接收者操作特征曲线)、auc(areaunderthecurve，曲线下面积)，比较可以看出纵横交叉算法优化的elman神经网络算法(cso-elman)的性能更优。

在实际操作中，纵横交叉算法优化跳闸预测模型的过程，实际上是与建立跳闸预测模型结合在一起的：首先根据训练样本确定elman网络结构，对例子进行编码；然后使用纵横交叉算法，初始化种群，计算粒子适应度，执行横向、纵向交叉，计算适应度并进行比较后，得到最优权值和阈值；再使用训练样本对优化后的elman网络的跳闸预测模型进行训练，得到最终可用于预测目标数据的预测结果的跳闸预测模型。

具体的算法动作包括以下步骤：

根据给定的训练样本，确定elman神经网络拓扑结构和各层的神经元数目，并确定纵横交叉算法的横向交叉概率ph，纵向交叉概率pv，种群规模m，最大迭代次数tmaxgen；

对所要优化的粒子编码，在编码的解空间中，并随机产生初始种群x＝[x1,x2,...,xm]^t；

利用下式对群体中每个粒子进行适应度评价：

其中，pt表示elman网络的实际输出，表示elman网络的目标输出，n表示训练样本输入总样本数，m表示训练样本输出数。

按照下式进行横向交叉操作，横向交叉是同一维的两个粒子所做的算数交叉操作，且两粒子是在同一维随机产生。交叉操作获得的子代保存在矩阵mshc里面(mshc称为中庸解)，再计算该矩阵中所有粒子的适应值，将得到的适应值与父代种群x(即dsvc，第一代除外)进行对比，选出适应度更好的粒子保留在dshc中(dshc称为最优解)。

mshc(i,d)＝r1×x(i,d)+(1-r1)×x(j,d)+c1×(x(i,d)-x(j,d))；

mshc(j,d)＝r2×x(j,d)+(1-r2)×x(i,d)+c2×(x(j,d)-x(i,d))；

i,j∈n(1,m)，d∈n(1,d)；

式中，r1、r2是[0，1]之间的随机数；c1、c2是[-1，1]之间的随机数；m为粒子数的范围；d为变量的维数；x(i,d)、x(j,d)分别表示父代粒子x(i)和x(j)的第d维；mshc(i,d)、mshc(j,d)分别表示x(i,d)和x(j,d)通过横向交叉在第d维产生子代。

按照下式进行纵向交叉操作，纵向交叉是所有粒子在不同维度之间进行的一种算数交叉，且两维是随机组合的，交叉操作获得的子代保存在矩阵msvc中(msvc称为中庸解)，然后计算该矩阵中每个粒子的适应值，与其父代种群x(即dsvc)进行比较，选择更优秀的粒子保留在dsvc中(dsvc称为最优解)。

msvc(i,d1)＝r·x(i,d1)+(1-r)·x(i,d2)，

i∈n(1,m)，d1,d2∈n(1,d)，r∈[0，1]，

式中：d＝msvc(i,d1)是粒子的第d1维和第d2维通过纵向交叉操作后产生的子代。

判断当前迭代次数t>tmaxgen，则结束寻优，则迭代终止。并将dsvc中适应度最好的一组解设为elman神经网络所对应的权值和阈值。否则，转到横向交叉操作再一次迭代。

s25：获取目标数据，将所述目标数据输入所述跳闸预测模型，得到目标配变台区的预测结果；所述目标数据包括所述目标配变台区的运行数据及其对应的环境数据。

本实施例中使用的borderline-smote是一种新型的抽样处理技术，它能将原先极为不平衡的数据转化为新的平衡样本，降低了不平衡数据对预测精度的影响；由于采用单一的elman神经网络预测模型易陷入局部最优问题，本实施例通过经纵横交叉算法优化的elman神经网络模型有效解决了上述问题，提高了神经网络的泛化能力。故本实施例利用borderline-smote抽样技术对原始样本进行重采样，采用纵横交叉算法优化的elman神经网络模型对配变跳闸进行预测，该方法有效解决了不平衡数据导致预测模型性能低下问题，同时解决了elman神经网络的易陷入局部最优问题，准确度更高，预测效果更好。

相应的，本发明实施例公开了一种配变台区跳闸预测系统，参见图4所示，包括：

模型创建模块01，用于获取历史数据，根据所述历史数据建立配变跳闸的跳闸预测模型；所述历史数据包括历史配变台区的运行数据及其对应的环境数据；

模型运行模块02，用于获取目标数据，将所述目标数据输入所述跳闸预测模型，得到目标配变台区的预测结果；所述目标数据包括所述目标配变台区的运行数据及其对应的环境数据。

在一些具体的实施例中，模型创建模块01具体用于：获取历史数据；对所述历史数据进行处理，得到训练样本；根据所述训练样本，建立神经网络的跳闸预测模型。

在一些具体的实施例中，模型创建模块01具体用于：对所述历史数据进行清洗，得到清洗后的优质数据；对所述优质数据进行抽样，得到数据均衡的训练样本。

在一些具体的实施例中，模型创建模块01具体用于：通过smote或easycasde，对所述优质数据进行抽样，得到数据均衡的训练样本。

在一些具体的实施例中，模型创建模块01具体还用于：利用混合优化算法，优化所述跳闸预测模型。

在一些具体的实施例中，模型创建模块01具体用于：利用遗传算法、粒子群算法、纵横交叉算法和/或鲸鱼算法，优化所述跳闸预测模型。

在一些具体的实施例中，模型创建模块01具体用于：根据所述训练样本，建立elman神经网络的跳闸预测模型。

在一些具体的实施例中，所述运行数据具体包括配变台区的容量、投运时长、最高负载率、越限时间和/或跳闸事件。

本发明实施例利用跳闸预测模型，对目标数据进行预测，从而得到是否会发生跳闸的预测结果，根据该预测结果，电网系统能够及时发现配变台区安全隐患、进行事故预防并预先调整负荷分布，从而避免跳闸发生或提高跳闸后的电网处理速度，对提高供电服务质量有重要意义。

相应的，本发明实施例还公开了一种配变台区跳闸预测装置，包括：

存储器，用于存储计算机程序；

处理器，用于执行所述计算机程序时实现如上文所述配变台区跳闸预测方法的步骤。

其中，有关配变台区跳闸预测方法的具体内容可以参照上文实施例中相关描述，此处不再赘述。

其中，本实施例具有与上文实施例中配变台区跳闸预测方法相同的有益效果，此处不再赘述。

最后，还需要说明的是，在本文中，诸如第一和第二等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，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、物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、物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，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上对本发明所提供的一种配变台区跳闸预测方法、系统及装置进行了详细介绍，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。