一种配电网线路故障预测方法和装置

1.本发明涉及数据预处理与识别技术领域，尤其涉及一种配电网线路故障预测方法和装置。


背景技术：

2.电力设备作为组成电力系统重要且必不可少的一部分，维护电力设备安全稳定运行，一定意义上也是维护电力系统的稳定运行。电力设备长期运行下通常会出现各种各样的故障，这些故障具有随机性、模糊性和不确定性的特点。
3.电网故障预测是对电网可靠性进行提升的一种方法，电网可靠性预测是以电网结构以及元件的可靠性等参数作为数据基础，对其进行综合性评估，然后构建配电系统可靠性模型对电网的可靠性指标进行明确。然而在这一过程中存在难以获得设备可靠性参数、计算量过大、构建模型较困难等问题。


技术实现要素：

4.鉴于上述的分析，本发明实施例旨在提供一种配电网线路故障预测方法和装置，用以解决现有方法没有充分考量气象要素的实际问题，并且难以获得设备可靠性参数、计算量过大、构建模型困难等问题。
5.一方面，本发明实施例提供了一种配电网线路故障预测方法，包括：获取配电网线路故障的相关数据，其中，所述相关数据包括电网系统内部数据和外部气象数据；对所述相关数据中的历史数据进行预处理，以将所述历史数据预处理为数据多域集；计算预处理后的历史数据中的外部气象数据与故障发生频次之间的关联颗粒度以确定故障发生频次的主要影响因素，并作为后续类型划分的主要条件；构建基于所述外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，以生成训练数据集；基于聚类结果，构建考虑气温随机聚类的神经网络模型并利用所述训练数据集对所述神经网络进行训练以获取预测模型；以及将所述相关数据中的实时数据输入所述预测模型，以预测所述配电网线路故障。
6.获取配电网线路故障的相关数据，其中，所述配电网线路故障的相关历史数据包括电网系统内部数据和外部气象数据；对所述配电网线路故障的相关数据进行预处理，以将所述配电网线路故障的相关数据预处理为数据多域集；计算所述外部气象数据与故障发生频次之间的关联颗粒度以确定故障发生频次的主要影响因素；构建基于所述外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，以生成训练数据集；基于聚类结果，构建考虑气温随机聚类的神经网络模型并利用所述训练数据集对所述神经网络进行训练以获取预测模型；以及将配电网线路故障的相关数据中的实时数据输入所述预测模块，以预测所述配电网线路故障。
7.上述技术方案的有益效果如下：结合不同数据类型与来源，其中电网系统内部数据来源于内部管理系统，外部气象数据来源于气象监测系统与地理信息系统。本技术实施
例的预测模型提升配电网线路故障预测的精度，能够为合理进行电网运行维护提供支撑与依据。
8.基于上述方法的进一步改进，获取配电网线路故障的相关数据包括：通过智能公用配变在线监测系统和生产管理系统实时获取所述电网系统内部数据，其中，所述电网系统内部数据包括线路负载率、线路投运时间、位置、设备数量、线路本体与气温温差、故障发生情况、电流变化、电压变化、瞬时功率；以及通过气象预报系统和配电地理信息系统获取外部气象数据，其中，所述外部气象数据包括气温、湿度、降雨量、风速、雷暴日数量。
9.基于上述方法的进一步改进，对所述配电网线路故障的相关数据进行预处理，以将所述配电网线路故障的相关数据预处理为数据多域集包括：结合相关实际要求对所述配电网线路故障的相关数据进行缺失值处理、异常值处理、重复值处理以获取第一相关数据；对所述第一相关数据进行数据变换处理和数据集成处理以获取第二相关数据，其中，所述数据变换处理包括特征构造、数据分级和数据量化，以及所述数据集成包括数据统计、数据合并和格式转换；以及以粒子群聚类算法为基础，对于离群的第二相关数据进行有效判断和消除。
10.基于上述方法的进一步改进，对所述配电网线路故障的相关数据进行缺失值处理包括：接收连续的数据向量集qyc＝[qy1,qy2,
…
,qyn]，所述数据向量集为所述配电网线路故障的相关数据，其中，所述数据向量集qyc包括实际数据qy
wz
和缺失数据qy
qs
；根据第i项数据设定高斯模型，其中根据所述高斯模型的参数空间θ的估计值θg计算缺失数据发生的概率p(qy
qs
|qy
wz
,θg)；根据当前的完整数据与实际数据估计值计算所述参数空间θ的发生概率p(θ|qy
wz
,qy
qsk+1
)，以及对所述高斯模型的参数空间θ的估计值进行更新，直到马尔科夫链(qy
qs1
,θ1)，(qy
qsn
,θn)收敛时，计算最终缺失数据；通过以下公式计算所述最终缺失数据：
[0011][0012]
其中，n
sample
为总样本数，n
burn-in
为缺失样本数，为缺失数据，qy
mist
为第t项样本的缺失数据。
[0013]
基于上述方法的进一步改进，计算所述外部气象数据与故障发生频次之间的关联颗粒度以确定故障发生频次的主要影响因素包括：采用斯皮尔曼等级相关系数的方式计算所述外部气象数据与所述故障发生频次之间的关联颗粒度，以确定所述故障发生频次的主要影响要素，并作为后续类型划分的主要条件，其中，通过以下公式计算所述斯皮尔曼等级相关系数ρ：
[0014][0015]
其中，wxi为引起故障的相关要素，所述相关要素包含气温、降雨量、风速，为所述相关要素的平均值，wyi为故障发生的概率，为故障率的平均值。
[0016]
基于上述方法的进一步改进，计算所述关联颗粒度的结果包括：所述故障发生频次与所述气温的相关性高，所述故障发生频次与所述降雨量的相关性次之，所述故障发生
频次与所述风速的相关性低；根据所述关联颗粒度的结果，将所述故障发生频次的主要影响要素确定为所述气温。
[0017]
基于上述方法的进一步改进，构建基于所述外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，以生成训练数据集包括：构建多层次目标聚类分析模型对所述第二相关数据的历史数据中的外部气象数据与故障发生情况进行聚类分析；
[0018]
根据聚类结果，将气象特征与故障类型均类似的日期组成相似条件结合，作为预测输入特征的选择基础；以及结合待预测线路预测日期和外部气象数据，识别与历史故障类型数据中的相似日期，将所述历史故障类型的外部气象数据、故障数据及电网系统内部数据中的其他数据作为数据集，其中，所述数据集包括训练集、验证集以及测试集。
[0019]
基于上述方法的进一步改进，构建基于所述外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类包括：提供每一个待聚类线路的数据向量u＝[p,k]，u为故障向量与气温曲线向量的综合集合，p为故障向量，k为日气温曲线向量；提供聚类中心向量为其中，c
gz
和c
qw
分别为故障聚类中心向量和温度聚类中心向量；基于所述每一个待聚类线路的数据向量和所述中心向量，提供聚类目标，其中，通过以下目标函数1和2的公式表示所述聚类目标：
[0020]
目标函数1:
[0021]
目标函数2：其中，c
igz
为所述故障聚类中心向量中的第i个元素，c
iqw
为所述温度聚类中心向量中的第i个元素，pj为归属于c
igz
的第j个元素，kj为归属于c
iqw
的第j个元素，d表示数据点与聚类中心点之间的距离：
[0022][0023][0024]
搜素每个特征向量中的主成分，并根据特征向量中的主成分的个数计算特征向量对应的目标函数权重；最终聚类目标为mins＝w1s1+w2s2，其中，通过以下步骤计算权重w1和w2：
[0025]
温度向量矩阵x：
[0026]
[0027]
采用零均值标准化方法将所述温度向量矩阵处理为矩阵：
[0028]
z＝(z
ij
)
n*p
；
[0029]
通过相关系数矩阵表示各个指标之间的相关性，所述相关系数矩阵为：
[0030][0031]
获得相关系数矩阵：
[0032]
r＝(r
ij
)
p*p
；
[0033]
计算特征根的累计方差贡献率：
[0034]at
ra＝∧＝diag(λ1,λ2,
…
,λ
p
)；
[0035]
其中，λ1,λ2,
…
,λ
p
为所述相关系数矩阵r的p个特征值，a＝(a
ij
)
p*p
为p个特征值对应的规范正交特征向量，令y＝a
t
z，变换为以下矩阵：
[0036][0037]
其中，yi为第i主成分,且将所述主成分按数值由大到小依次排列，z1,z2,
…
,z
p
为矩阵z中的n维行向量；对主成分矩阵y进行协方差运算可得：
[0038][0039]
第i主成分的方差等于其相对应的特征值,而任意两个不同主成分之间的相关性为零，通过主成分指标代替评价指标,消除原有指标体系内各评价指标之间的相关性；基于以下提取原则提取主成分：主成分特征值＞1，累计贡献率大于80％，所述主成分的个数为a，故障向量的主成分为b，通过以下公式计算所述权重：
[0040][0041]
基于上述方法的进一步改进，基于聚类结果，构建考虑气温随机聚类的神经网络模型包括：所述聚类结果为将故障与气温类型划分为四个等级的数据集：e＝(e1,e2,
…
,en)
t
，b＝(b1,b2,
…
,bn)
t
，h＝(h1,h2,
…
,hn)
t
，g＝(g1,g2,
…
,gn)
t
；所述神经网络模型包括用于所述四个等级的数据集的四个子网络模型，对故障概率进行预测；每个子网络模型为四层神经网络，每层神经网络的节点数分别为10、4、2、1，所述每个子网络模型中都含有全连接层，其中，通过所述训练集训练所述神经网络模型中的每个子网络模型以获取所述每个子网络模型的内部权重；通过所述验证集验证所述每个子网络模型的准确率，并基于所述验证集的验证步骤获取每一个子网络模型相对于所述神经网络模型的权重；通过所述测试集测试所述神经网络模型的准确率，验证本发明方法的有效性，其中，通过以下公式计算每个子网络模型相对于所述神经网络模型的权重：
[0042][0043]
通过以下公式计算所述神经网络模型的准确率的计算：
[0044][0045]
其中，n表示子网络模型的个数，qz表示所述每个子网络模型的权重，zjj表示所述每个子网络模型在所述验证集上的准确率，qq表示神经网络模型的准确率。
[0046]
另一方面，本发明实施例提供了一种配电网线路故障预测装置，包括：数据获取模块，用于获取配电网线路故障的相关数据，其中，所述相关数据包括电网系统内部数据和外部气象数据；预处理模块，用于对所述相关数据中的历史数据进行预处理，以将所述历史数据预处理为数据多域集；关联分析模块，用于计算预处理后的历史数据中的外部气象数据与故障发生频次之间的关联颗粒度以确定故障发生频次的主要影响因素，并作为后续类型划分的主要条件；数据分层模块，用于构建基于所述外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，以生成训练数据集；模型构建模块，用于基于聚类结果，构建考虑气温随机聚类的神经网络模型；训练模块，用于利用所述训练数据集对所述神经网络进行训练以获取预测模型；以及预测模型，用于将所述相关数据中的实时数据输入所述预测模型，以预测所述配电网线路故障。
[0047]
与现有技术相比，本发明至少可实现如下有益效果之一：
[0048]
1、结合不同数据类型与来源，其中部分来源于内部管理系统，外部信息来源于气象监测系统与地理信息系统。本技术实施例的预测模型能够提升配电网线路故障预测的精度，并且能够为合理进行电网运行维护提供支撑与依据。
[0049]
2、构建基于考虑数据多维度问题的数据预处理模型，结合数据的不同特点实现数据的处理。提出基于马尔科夫链与蒙特卡洛算法结合的缺失数据确定方法，能够极大地提升交通流缺失数据的估计精度与速度。据高斯模型的参数空间的估计值计算缺失数据的发生概率,并根据当前的观测数据和最新的缺失数据估计值计算参数空间的发生概率,以及根据参数空间的发生概率对高斯模型的参数空间的估计值进行更新，直至收敛得到最终的缺失数据值。
[0050]
3、构建多层次目标聚类分析模型对收集的历史气象要素与故障情况进行聚类分析，依照聚类结果，将气象特征与故障类型均类似的日期组成相似条件结合，作为预测输入特征选择的基础，结合关联颗粒度分析结果，精确定位带预测日期与当前历史数据的匹配情况，同时选取相应数据作为模型输入，提升模型预测的精确性。
[0051]
本发明中，上述各技术方案之间还可以相互组合，以实现更多的优选组合方案。本发明的其他特征和优点将在随后的说明书中阐述，并且，部分优点可从说明书中变得显而易见，或者通过实施本发明而了解。本发明的目的和其他优点可通过说明书以及附图中所特别指出的内容中来实现和获得。
附图说明
[0052]
附图仅用于示出具体实施例的目的，而并不认为是对本发明的限制，在整个附图中，相同的参考符号表示相同的部件。
[0053]
图1为根据本发明实施例的配电网线路故障预测方法的流程图；
[0054]
图2为根据本发明实施例的配电网线路故障的相关数据的主要系统采集模式的框图；
[0055]
图3为根据本发明实施例的采用红外热像仪设备提取红外图像的温度矩阵，其中，结合温度矩阵可以得出线路的不同点的温度；
[0056]
图4为根据本发明实施例的气温随时间变化的曲线图；
[0057]
图5为根据本发明实施例的神经网络模型(即，子网络模型)的结构图；
[0058]
图6为根据本发明实施例的配电网线路故障预测装置的框图。
具体实施方式
[0059]
下面结合附图来具体描述本发明的优选实施例，其中，附图构成本技术一部分，并与本发明的实施例一起用于阐释本发明的原理，并非用于限定本发明的范围。
[0060]
本发明的一个具体实施例，公开了一种配电网线路故障预测方法，如图1所示，该配电网线路故障预测方法包括：在步骤s102中，获取配电网线路故障的相关数据，其中，配电网线路故障的相关数据包括电网系统内部数据和外部气象数据；在步骤s104中，对配电网线路故障的相关数据中的历史数据进行预处理，以将配电网线路故障的相关数据中的历史数据预处理为数据多域集；在步骤s106中，计算预处理后的历史数据中的外部气象数据与故障发生频次之间的关联颗粒度以确定故障发生频次的主要影响因素，并作为后续类型划分的主要条件；在步骤s108中，构建基于外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，以生成训练数据集；在步骤s110中，基于聚类结果，构建考虑气温随机聚类的神经网络模型并利用训练数据集对神经网络进行训练以获取预测模型；以及在步骤s112中，将配电网线路故障的相关数据中的实时数据输入预测模型，以预测配电网线路故障。
[0061]
与现有技术相比，本实施例提供的配电网线路故障预测方法中，结合不同数据类型与来源，其中电网系统内部数据来源于内部管理系统，外部气象数据来源于气象监测系统与地理信息系统。本技术实施例的预测模型提升配电网线路故障预测的精度，能够为合理进行电网运行维护提供支撑与依据。
[0062]
下文中，将参考图1，对根据本发明实施例的配电网线路故障预测方法的各个步骤进行详细描述。
[0063]
在步骤s102中，获取配电网线路故障的相关数据，其中，配电网线路故障的相关数据包括电网系统内部数据和外部气象数据。具体地，获取配电网线路故障的相关数据包括：通过智能公用配变在线监测系统和生产管理系统实时获取电网系统内部数据，其中，电网系统内部数据包括线路负载率、线路投运时间、位置、设备数量、线路本体与气温温差、故障发生情况、电流变化、电压变化、瞬时功率；以及通过气象预报系统和配电地理信息系统获取外部气象数据，其中，外部气象数据包括气温、湿度、降雨量、风速、雷暴日数量。
[0064]
在步骤s104中，对配电网线路故障的相关数据中的历史数据进行预处理，以将配
电网线路故障的相关数据中的历史数据预处理为数据多域集，该数据多域集相当于相关数据中的历史数据形成的数据集合。具体地，对配电网线路故障的相关数据中的历史数据进行预处理，以将配电网线路故障的相关数据中的历史数据预处理为数据多域集包括：结合相关实际要求对配电网线路故障的相关数据进行缺失值处理、异常值处理、重复值处理以获取第一相关数据；对第一相关数据进行数据变换处理和数据集成处理以获取第二相关数据，其中，数据变换处理包括特征构造、数据分级和数据量化，以及数据集成包括数据统计、数据合并和格式转换；以及以粒子群聚类算法为基础，对于离群的第二相关数据进行有效判断和消除。
[0065]
对配电网线路故障的相关数据进行缺失值处理包括：接收连续的数据向量集qyc＝[qy1,qy2,
…
,qyn]，数据向量集为配电网线路故障的相关数据，其中，数据向量集qyc包括实际数据qy
wz
和缺失数据qy
qs
；根据第i项数据设定高斯模型，其中根据高斯模型的参数空间θ的估计值θg计算缺失数据发生的概率p(qy
qs
|qy
wz
,θg)；根据当前的完整数据与实际数据估计值计算参数空间θ的发生概率p(θ|qy
wz
,qy
qsk+1
)，以及对高斯模型的参数空间θ的估计值进行更新，直到马尔科夫链(qy
qs1
,θ1)，(qy
qsn
,θn)收敛时，计算最终缺失数据；通过以下公式计算最终缺失数据：
[0066][0067]
其中，n
sample
为总样本数，n
burn-in
为缺失样本数，为缺失数据，qy
mist
为第t项样本的缺失数据。
[0068]
在步骤s106中，计算预处理后的历史数据中的外部气象数据与故障发生频次之间的关联颗粒度以确定故障发生频次的主要影响因素，并作为后续类型划分的主要条件。具体地，计算外部气象数据与故障发生频次之间的关联颗粒度以确定故障发生频次的主要影响因素包括：采用斯皮尔曼等级相关系数的方式计算外部气象数据与故障发生频次之间的关联颗粒度，以确定故障发生频次的主要影响要素，并作为后续类型划分的主要条件，其中，通过以下公式计算斯皮尔曼等级相关系数ρ：
[0069][0070]
其中，wxi为引起故障的相关要素，相关要素包含气温、降雨量、风速，为相关要素的平均值，wyi为故障发生的概率，为故障率的平均值。
[0071]
计算关联颗粒度的结果包括：故障发生频次与气温的相关性高，故障发生频次与降雨量的相关性次之，故障发生频次与风速的相关性低。根据关联颗粒度的结果，将故障发生频次的主要影响要素确定为气温。
[0072]
在步骤s108中，构建基于外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，以生成训练数据集。构建基于外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，以生成训练
数据集包括：构建多层次目标聚类分析模型对第二相关数据的历史数据中的外部气象数据与故障发生情况进行聚类分析；根据聚类结果，将气象特征与故障类型均类似的日期组成相似条件结合，作为预测输入特征的选择基础；以及结合待预测线路预测日期和外部气象数据，识别与历史故障类型数据中的相似日期，将历史故障类型的外部气象数据、故障数据及电网系统内部数据中的其他数据作为数据集，其中，数据集包括训练集、验证集以及测试集。
[0073]
具体地，构建基于外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类包括：提供每一个待聚类线路的数据向量u＝[p,k]，u为故障向量与气温曲线向量的综合集合，p为故障向量，k为日气温曲线向量；提供聚类中心向量为其中，c
gz
和c
qw
分别为故障聚类中心向量和温度聚类中心向量；基于每一个待聚类线路的数据向量和中心向量，提供聚类目标，其中，通过以下目标函数1和2的公式表示聚类目标：
[0074]
目标函数1：
[0075]
目标函数2：其中，c
igz
为故障聚类中心向量中的第i个元素，c
iqw
为温度聚类中心向量中的第i个元素，pj为归属于c
igz
的第j个元素，kj为归属于c
iqw
的第j个元素，d表示数据点与聚类中心点之间的距离：
[0076][0077][0078]
搜素每个特征向量中的主成分，并根据特征向量中的主成分的个数计算特征向量对应的目标函数权重；最终聚类目标为mins＝w1s1+w2s2，其中，通过以下步骤计算权重w1和w2：
[0079]
温度向量矩阵x：
[0080][0081]
采用零均值标准化方法将温度向量矩阵处理为矩阵：
[0082]
z＝(z
ij
)
n*p
；
[0083]
通过相关系数矩阵表示各个指标之间的相关性，相关系数矩阵为：
[0084][0085]
获得相关系数矩阵：
[0086]
r＝(r
ij
)
p*p
；
[0087]
计算特征根的累计方差贡献率：
[0088]at
ra＝∧＝diag(λ1,λ2,
…
,λ
p
)；
[0089]
其中，λ1,λ2,
…
,λ
p
为相关系数矩阵r的p个特征值，a＝(a
ij
)
p*p
为p个特征值对应的规范正交特征向量，
[0090]
令y＝a
t
z，变换为以下矩阵：
[0091][0092]
其中，yi为第i主成分，且将主成分按数值由大到小依次排列，z1,z2,
…
,z
p
为矩阵z中的n维行向量；
[0093]
对主成分矩阵y进行协方差运算可得：
[0094][0095]
第i主成分的方差等于其相对应的特征值,而任意两个不同主成分之间的相关性为零，通过主成分指标代替评价指标,消除原有指标体系内各评价指标之间的相关性；
[0096]
基于以下提取原则提取主成分：主成分特征值＞1，累计贡献率大于80％，主成分的个数为a，故障向量的主成分为b，通过以下公式计算权重：
[0097][0098]
在步骤s110中，基于聚类结果，构建考虑气温随机聚类的神经网络模型并利用训练数据集对神经网络进行训练以获取预测模型。具体地，基于聚类结果，构建考虑气温随机聚类的神经网络模型包括：聚类结果为将故障与气温类型划分为四个等级的数据集：e＝(e1,e2,
…
,en)
t
，b＝(b1,b2,
…
,bn)
t
，h＝(h1,h2,
…
,hn)
t
，g＝(g1,g2,
…
,gn)
t
；神经网络模型包括用于四个等级的数据集的四个子网络模型，对故障概率进行预测；每个子网络模型为四层神经网络，每层神经网络的节点数分别为10、4、2、1，每个子网络模型中都含有全连接层，其中，通过训练集训练神经网络模型中的每个子网络模型以获取每个子网络模型的内部权重；通过验证集验证每个子网络模型的准确率，并基于验证集的验证步骤获取每一个子网络模型相对于神经网络模型的权重；通过测试集测试神经网络模型的准确率，验证本发明方法的有效性，其中，通过以下公式计算每个子网络模型相对于神经网络模型的权重：
[0099][0100]
通过以下公式计算神经网络模型的准确率的计算：
[0101][0102]
其中，n表示子网络模型的个数，qz表示每个子网络模型的权重，zji表示每个子网络模型在验证集上的准确率，qq表示神经网络模型的准确率。
[0103]
在步骤s112中，将配电网线路故障的相关数据中的实时数据输入预测模型，以预测配电网线路故障。配电网线路故障的相关数据中的实时数据是确定后的输入预测模型的要素数据。例如，配电网线路故障的相关数据中的实时数据包括线路本体与气温温差、线路运行时间、线路故障率、线路负载率、季节、线路月均运维次数、电流变化、电压变化、瞬时功率和故障情况。
[0104]
本发明的另一个具体实施例，公开了一种配电网线路故障预测装置，参考图6，配电网线路故障预测装置包括：数据获取模块602，用于获取配电网线路故障的相关数据，其中，配电网线路故障的相关数据包括电网系统内部数据和外部气象数据；预处理模块604，用于对配电网线路故障的相关数据中的历史数据进行预处理，以将配电网线路故障的相关数据中的历史数据预处理为数据多域集；关联分析模块606，用于计算预处理后的历史数据中的外部气象数据与故障发生频次之间的关联颗粒度以确定故障发生频次的主要影响因素，并作为后续类型划分的主要条件；数据分层模块608，用于构建基于外部气象数据的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，以生成训练数据集；模型构建模块610，用于基于聚类结果，构建考虑气温随机聚类的神经网络模型；训练模块612，用于利用训练数据集对神经网络进行训练以获取预测模型；以及预测模型614，用于将配电网线路故障的相关数据中的实时数据输入预测模型，以预测配电网线路故障。
[0105]
下文中，参考图2至图5，以具体实例的方式对根据本发明实施例的配电网线路故障预测方法进行详细描述。
[0106]
一方面，本发明实施例提供了一种配电网故障预测方法，该方法包括：收集配电网线路故障的相关数据，其中包含与线路本身、电网运行、气象灾害、周边环境等。结合不同数据类型，对数据来源进行划分，包含电网企业系统内部数据以及外部气象系统数据。构建基于考虑数据多维度问题识别的数据预处理模型，形成数据多域集；计算气象数据与故障发生频次之间的关联颗粒度，明确主要影响故障频次的主要因素；构建基于气象因素的多层次目标聚类分析模型，对相同类型气象条件、相同故障类型的故障进行分类，并作为预测模型输入的分配匹配结果；最后构建智能方法构建预测模型，提升配电网线路故障预测的精度，能够为合理进行电网运行维护提供支撑与依据。
[0107]
上述技术方案的有益效果如下：结合不同数据类型与来源，其中部分来源于内部管理系统，外部信息来源于气象监测系统与地理信息系统。
[0108]
另外针对线路本体与气象温差，参考图3，采用红外热像仪设备，提取红外图像的
温度矩阵，结合温度矩阵，可以得出线路当前的本体温度，并且与实际气象温度计算两者温差，作为主要影响因素。
[0109]
由于线路较长，因此，针对整条线路，随机选取n个采样点，开展线路本体温度的测算，线路本体的平均温度计算公式如下：
[0110][0111]
t
p
线路的平均维度，n为采样点数量，ti为采样点线路的实际温度。
[0112]
构建基于改进粒子群优化聚类模型的数据预处理模型，对数据进行预处理。构建气象数据与故障发生的关联颗粒度，明确气温为主要影响因素。构建多层次目标聚类分析模型对收集的历史气象要素与故障情况进行聚类分析，依照聚类结果，将气象特征与故障类型均类似的日期组成相似条件结合，作为预测输入特征选择的基础，构建与气象数据以及故障类型相对应的输出，利用预测模型预测不同气象条件下、不同故障类型的故障发生情况。
[0113]
对所述数据进行预处理包括：收集区域不同配电网线路故障的相关数据，其中包含与线路本身、电网运行、气象灾害、周边环境等。结合不同数据类型，对数据来源进行划分，分为电网企业系统内部数据以及外部气象系统数据。内部包含线路负载率、线路投运时间、位置、设备数量、线路本体与气温温差、故障发生情况、电流变化、电压变化、瞬时功率。外部包含气温、湿度、降雨量、雷暴日数量。构建基于数据问题多维识别的数据预处理模型，形成数据多域集。参考图2，一是结合相关实际要求构建数据缺失值、异常值处理模型；二是通过集成、变换手段针对数据开展合理有效的处理；三是以粒子群聚类算法为基础，对于离群样本开展有效判断以及合理消除。首先结合数据收集情况对数据进行预处理，其中包括缺失值处理、异常值处理、重复值处理。例如线路基本信息数据，出现了两条完全一样的，确定为数据重复，直接删除其中一条数据。针对线路电流电压数据，由于统计问题，出现数据缺失，其中缺失值处理采用基于重复模拟的缺失值处理法，从一个包含缺失值的数据集中生成一组完整的数据集。每个数据集中的缺失数据用蒙特卡洛方法来填补。
[0114]
利用变量均值向量和方差-协方差阵作为先验信息，构建马尔科夫链，保证其元素的分布可以收敛到一个平稳分布，通过抽样反复模拟该马尔科夫链，得到平稳的后验分布，产生缺失数据的估计。其步骤可以整理为。
[0115]
接收连续的数据向量集qyc＝[qy1,qy2,
…
,qyn]，数据向量就是数据多域集，其中包含了内数据以及外部数据，例如以线路电压缺失数据为例，其中第i数据向量qy(i)＝[qyi(1),qyi(2),
…
,qyi(d)]，i＝1,2,
…
,n，其中qyc包括实际数据qy
wz
和缺失数据qy
qs
。
[0116]
根据第i项数据设定高斯模型，其中高斯模型的参数空间为θ，根据所述参数空间θ的估计值θg计算缺失数据发生的概率p(qy
qs
|qy
wz
,θg)，
[0117]
并根据当前的完整数据与确实数据估计值计算所述参数空间θ的发生概率p(θ|qy
wz
,qy
qsk+1
)，以及对高斯模型的参数空间θ的估计值进行更新。知道得到的马尔科夫链(qy
qs1
,θ1)，(qy
qsn
,θn)收敛时，估计所述的缺失数据。
[0118]
最终缺失数据计算公式为
[0119][0120]
其中，n
sample
为总样本数，n
burn-in
为缺失样本数，为缺失数据，qy
mist
为第t项样本的缺失数据。
[0121]
针对异常值与重复值均采取删除的方法，最终得到处理后的数据域集。
[0122]
基于上述方法的进一步改进，对其特征在于对气象要素与故障发生的情况进行关联颗粒度分析。采用斯皮尔曼秩相关系数方法，计算关联颗粒度，明确主要影响要素，并作为后续类型划分的主要条件。
[0123]
斯皮尔曼相关系数被定义成等级变量之间的皮尔逊相关系数。对于样本容量为n的样本，n个原始数据被转换成等级数据，相关系数ρ为：
[0124][0125]
其中wxi为引起故障的相关要素，包含气温、降水、风速等。为相关要素的平均值，wyi为故障发生的概率，为故障率的平均值。
[0126]
结合相关性计算结果，故障发生与气温(如图4所示)、降水、风速均有相关性。其中，故障与气温相关性最高、降水的相关性次之、风速的相关性较弱。
[0127]
基于上述方法的进一步改进，所述构建多层次目标聚类分析模型对收集的历史气象要素与故障情况进行聚类分析，依照聚类结果，将气象特征与故障类型均类似的日期组成相似条件结合，作为预测输入特征选择的基础。在预测开始前，结合待预测线路预测日期以及相关气象数据，识别与历史故障数据分类中的相似日期，将此类型气象数据、故障数据及相应的其他因素数据，作为故障预测模型输入特征变量。例如，所述相关数据中的实时数据包括线路本体与气温温差、线路运行时间、线路故障率、线路负载率、季节、线路月均运维次数、电流变化、电压变化、瞬时功率和故障情况。
[0128]
对于每一个待聚类线路对象，都有相应的故障向量以及日气温曲线向量k。据此，用于描述某个日期中线路故障和气象情况的数据向量由两部分组成，即数据向量u＝[p,k]。u为故障向量与气温曲线向量的综合集合，p为故障向量，定义聚类中心向量为其中，c
gz
和c
qw
分别为聚类中心向量。聚类目标公式为：
[0129]
目标函数1：
[0130]
目标函数2：c
igz
为故障聚类中心向量中的第i个元素，c
iqw
为温度聚类中心向量中的第i个元素。pj为归属于c
igz
的第j个元素，kj为归属于c
iqw
的第j个元素。d表示数据点与聚类中心点之间的距离：
[0131][0132][0133]
之后不同特征对应的权重由主成分分析确定。首先搜素每个特征向量中的主成分，并根据特征向量中的主成分的个数计算该特征向量对应的目标函数权重。结合本专利内容，计算故障率、温度的主成分。
[0134]
以温度主成分分析为例，假设得到矩阵温度向量矩阵x：
[0135][0136]
然后采用零均值(z-score)标准化方法对其处理得到矩阵
[0137]
z＝(z
ij
)
n*p
；
[0138]
计算相关系数矩阵：
[0139]
样本相关系数矩阵用来表示各个指标之间的相关性，用矩阵表示如下：
[0140][0141]
求得相关系数矩阵：
[0142]
r＝(r
ij
)
p*p
；
[0143]
计算特征根的累计方差贡献率
[0144]at
ra＝∧＝diag(λ1,λ2,
…
,λ
p
)；
[0145]
式中：λ1,λ2,
…
,λ
p
为矩阵r的p个特征值，a＝(a
ij
)
p*p
为p个特征值对应的规范正交特征向量。
[0146]
令y＝a
t
z，写成矩阵的形式如下：
[0147][0148]
其中，yi为第i主成分，且将所述主成分按数值由大到小依次排列，z1,z2,
…
,z
p
为矩阵z中的n维行向量。
[0149]
对主成分矩阵y进行协方差运算可得：
[0150][0151]
显然，第i主成分的方差等于其相对应的特征值，而任意两个不同主成分之间的相关性为零。至此,评价指标被主成分指标代替,原有指标体系内各评价指标之间的相关性被完全消除。
[0152]
提取主成分。提取原则：主成分特征值＞1，通常累计贡献率要＞80％。最终得到主成分的个数为a。
[0153]
同理得到故障向量的主成分为b。那么权重计算公式为：
[0154][0155]
其中，w1、w2表示上述温度和故障特征的权重，我们选择权重向量w＝(w1,w2)＞0，w1+w2＝1。至此，本技术建立了一个考虑温度和故障率的多目标聚类模型，进行聚类。
[0156]
最终目标：mins＝w1s1+w2s2。
[0157]
例如，首先搜素每个特征向量中的主成分，并根据特征向量中的主成分的个数计算该特征向量对应的目标函数权重。故障与气温中的主成份个数分别为10与8，由此目标函数在多目标问题中对应的权重w1、w2被初步确定为与0.56和0.44。
[0158]
首先根据历史故障数据以及气象其他相关数据选取相似日，之后将相似日的故障以及待预测日的气象温度数据输入预测模型，最终推测待预测日的故障情况。基于上述方法的进一步改进，基于聚类结果，构建考虑气温随机聚类的神经网络模型，所述最优搜索优化神经网络模型构模型步骤包括：
[0159]
参考图5，每层的节点数分别为10、4、2、1。
[0160]
结合上述步骤可知将故障与气温类型划分为四个等级，数据集分别为：e＝(e1,e2,
…
,en)
t
，b＝(b1,b2,
…
,bn)
t
，h＝(h1,h2,
…
,hn)
t
，g＝(g1,g2,
…
,gn)
t
。通过分别构建子网络模型，即子神经网络模型，对故障概率进行预测。
[0161]
每一个子网络模型中都含有全连接层。数据集被分成三个部分：训练集、验证集以及测试集，通过训练集训练整体神经网络(包括四个子神经网络)中的每一个子网络模型以获取每一个子网络模型内部的权重，通过验证集验证每一个子网络模型的准确率，并基于此获取每一个子网络模型相对于整体神经网络的权重，再通过测试集测试整体神经网络的准确率，验证本发明方法的有效性。每个子网络模型相对于整体神经网络的权重以及整体神经网络的准确率的计算公式如下所示。
[0162][0163]
[0164]
其中，n表示子网络模型的个数，qz表示每一个子网络模型的权重，zji表示每一个网络模型在验证集上的准确率，qq表示整体神经网络的准确率。
[0165]
假设根据相应的匹配后得到输入层的输入向量为：
[0166]
e＝(e1,e2,
…
,en)
t
；
[0167]
其中，当n＝10时，e1为线路本体与气温温差；e2为线路运行时间；e3为线路故障率；e4为线路负载率；e5为季节；e6为线路月均运维次数；e7为电流变化；e8为电压变化；e9为瞬时功率；e
10
为故障情况。
[0168]
第一隐含层是聚类分析的结果，因此结合聚类分析结果，第一隐藏层的节点数量为4，进一步提升预测的精准性。第一隐含层的输出向量为：
[0169]
q＝(q1,q2,
…
,qm)
t
；
[0170]
第二隐含层的输出向量为：
[0171]
m＝(m1,m2,
…
,mm)
t
；
[0172]
输出层的输出向量为：待预测时刻所对应实际故障类型。
[0173]
o＝(o1,o2,
…
,o
l
)
t
；
[0174]
其中，输出向量为使用故障率预测模型进行计算后得到的待预测时刻所对应配电网线路的故障发生情况。
[0175][0176]
设该网络中各层节点的激活函数都为s型函数，并且网络中第一层i节点的输入记为neti，输出记为oi，输出层第k个节点的输出为yk，则中间层第j个节点的输入为：
[0177][0178]
oj＝f(netj)
[0179][0180][0181]
定义网络的误差为期望输出与实际输出的差值，则有如果输出层有i个神经元，定义实际输出与期望输出的平方误差为：
[0182][0183]
由于bp算法是按照误差e的负梯度来修正权值的，所以权值的修改可表示为：
[0184]wm+1
＝wm+δwm＝w
m-λgm[0185]
其中，m表示迭代次数，
[0186]
其中，λ学习的步长。
[0187]
结合梯度下降法和高斯牛顿法对最优路径进行优化，输出故障发生情况。起始时，
λ取一个很大的数，此时相当于步长很小的梯度下降法；随着最优值的接近，λ减小到零，则s(x(k))从负梯度方向转向高斯牛顿法的λ方向。通常，当s(x(k))＜f(x(k))时，减小λ，否则增大λ。通过最优搜索优化，可以提高几十甚至上百倍收敛速度。
[0188][0189]
令ηk＝1，则x
k+1
＝xk+s(xk)
[0190][0191]
因为是输出层，此时是实际输出值，根据ek的定义以及平方误差可得：
[0192][0193]
根据ek的定义可得：
[0194][0195]
根据上式可得：
[0196][0197]
根据上式可得：
[0198][0199]
最后得到：
[0200][0201]
现在令输出层的学习误差：
[0202]
σk＝e
kf′
(netk)
[0203]
得：
[0204][0205]
隐含层神经单元权值修改量δw
kj
：
[0206][0207][0208]
根据上式可得：
[0209][0210][0211]
因为是求隐含层权值的变化。这时应考虑上一层对它的作用，固有：
[0212][0213]
根据可知
[0214][0215]
又根据可得：
[0216][0217]
把带入式推导出：
[0218][0219]
令隐含层的学习误差：
[0220][0221]
结合神经网络预测模型的训练，对实施数据进行采集与处理，同时结合相应的气象数据收集与计算，实现针对配电网线路故障的精准预测。主要系统采集模式如图2所示。
[0222]
当进行故障预测时，首先根据气温预测结果，对待预测日期进行类型划分，调整不
同输入集合的相应权重。通过故障预测，根据不同故障类型进行相应的处理。保证配电网的安全稳定运行。
[0223]
根据全局误差是否达到初始设置的精度，或者是判断训练次数是否达到初始设置的最大的迭代次数，达到结束算法；否则继续计算各层的误差函数、调整网络权重以及计算全局误差。
[0224]
另一方面，本发明实施例提供了一种配电网故障预测方法，包括：数据获取模块，收集配电网线路故障的相关数据，其中包含与线路本身、电网运行、气象灾害、周边环境等。结合不同数据类型，对数据来源进行划分，包含电网企业系统内部数据以及外部气象系统数据；预处理模块，构建基于改进粒子群优化聚类模型的数据预处理模型，形成数据多域集；关联分析模块，采用斯皮尔曼秩相关系数方法，计算关联颗粒度，明确主要影响要素，并作为后续类型划分的主要条件；数据分层模块，构建多层次目标聚类分析模型对收集的历史气象要素与故障情况进行聚类分析，依照聚类结果，将气象特征与故障类型均类似的日期组成相似条件结合，作为预测输入特征选择的基础。以及预测模型，基于最优搜索优化的神经网络预测模型，以上述数据作为输入层，结合梯度下降法和高斯牛顿法对最优路径进行优化，输出故障发生情况。其中，在预测开始前，结合待预测线路预测日期以及相关气象数据，识别与历史故障数据分类中的相似日期，将此类型气象数据、故障数据及相应的其他因素数据，作为故障预测模型输入特征变量，以相应条件下故障发生情况作为输出。
[0225]
本领域技术人员可以理解，实现上述实施例方法的全部或部分流程，可以通过计算机程序来指令相关的硬件来完成，所述的程序可存储于计算机可读存储介质中。其中，所述计算机可读存储介质为磁盘、光盘、只读存储记忆体或随机存储记忆体等。
[0226]
以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。