[0076] A2、根据x个训练集构建馈线对应的决策树分类器，进而构建随机森林；
[0077] A3、对随机森林中每个决策树分类器的馈线故障预测结果进行投票，得到最终的馈线故障预测结果；
[0078] 其中，馈线故障预测结果为0～1之间的区间数，其用于表征周馈线故障发生概率；具体地，由于实际运行过程中馈线的故障频率较低，单条馈线周故障数均不超过1次，因此本实施例以0～1之间的区间数作为周馈线故障发生概率预测的结果指标。若预测结果的数值越接近1，则说明馈线发生的故障概率越大；反之，若越接近0，则表示馈线发生的故障概率越小。
[0079] 本实施例的步骤S3中，通过LSTM神经网络对配电网的短时潮流进行预测，预测结果为配电网短期的电压和功率。本实施例中的LSTM神经网络是一种深度学习方法，在RNN的基础上，增加输入门限、遗忘门限和输出门限，使得自循环的权重变化，从而在模型参数固定时，能够通过动态改变不同时刻的积分尺度，避免RNN中易出现的梯度消亡和膨胀问题。利用这一特性，本实施例将 LSTM用于短期的配电网电压和功率的预测，并将预测得到的结果作为RF故障预测模型的输入，以此提高RF故障预测模型的精度和可靠性，具体网络结构如图2所示。
[0080] 本实施例图2中的LSTM神经网络的输入包括细胞状态Ct‑1、隐层状态ht‑1和 t时刻输入向量xt，输出包括细胞状态Ct和隐层状态ht，其中，隐层状态ht还作为t时刻的输出；δ和tanh为激活函数，分别表示输出为0到1之间的sigmoid 函数和输出在‑1到1之间的双曲正切函数； 和 分别表示输入向量之间的乘积和相加。
[0081] 本实施例中的LSTM神经网络包括遗忘门、输入门和输出门；其中，遗忘门用于读取隐层状态ht‑1和t时刻输入向量xt，并确定每个细胞状态Ct‑1中的数字的存留情况；输入门用于决定新的信息加入到细胞状态Ct中的数量，并更新当前细胞状态Ct；输出门用于确定t时刻的输出。
[0082] 本实施例中LSTM神经网络的遗忘门通过sigmoid激活函数输出0或1，以表征每个细胞状态Ct‑1中的数字的存留情况，对应公式为：
[0083] ft＝δ(Wf·[ht‑1,xt]+bf)
[0084] 式中，ft为数字存留控制变量，δ(·)为sigmoid激活函数，Wf为遗忘矩阵， bf为遗忘门的常量向量，ft为1表示“完全保留”，0表示“完全舍弃”。
[0085] 本实施例中LSTM神经网络的输入门的工作过程为：
[0086] 通过tanh激活函数创建新的候选状态向量 将内容归一化到[‑1,1]，并通过 sigmoid激活函数确定需要更新的信息，根据前一时刻的细胞状态Ct‑1和新的候选状态量共同确定当前细胞状态Ct；
[0087] 其中，t时刻需要更新的信息it为：
[0088] it＝δ(Wi·[ht‑1,xt]+bi)
[0089] 新的候选状态量 为：
[0090]
[0091] 当前细胞状态Ct为：
[0092]
[0093] 式中，bi和bC分别为输入门和候选状态量的常量向量，Wi和WC分别为输入矩阵和候选状态量矩阵，tanh(·)为激活函数，δ(·)为sigmoid激活函数。
[0094] 本实施例中本实施例中LSTM神经网络的输出门中，更新后的当前细胞状态Ct将通过tanh激活函数进行[‑1,1]之间的变换，并与sigmoid门输出的ot值相乘得到最终输出ht，因此，t时刻的输出ht为：
[0095] ht＝ot*tanh(Ct)
[0096] ot＝δ(Wo[ht‑1,xt]+bo)
[0097] 式中，ot为t时刻输出系数，Wo为输出矩阵，bo为输出门的常量向量，δ(·)为 sigmoid激活函数。
[0098] 本实施例的步骤S3中，将配电网的短期潮流预测结果、结合台风天气的气象数据，以及配电网待识别馈线的设备数据作为训练好的故障预测模型的输入，预测对应的短期故障概率。
[0099] 本实施例的步骤S4中，将网架设备的故障概率进行统计并划分薄弱等级，进一步为台风天气前的主动运维工作提供预测数据支撑，实现有针对性的主动运维的同时，提高电网应对台风天气的能力以及降低灾后高负荷下的运维压力。
[0100] 实施例2：
[0101] 本实施例提供了配电网台风天气下薄弱环节识别的具体实例：
[0102] 本实施例以浙江省某地电网2020年1月至2021年8月配电网运行数据作为样本进行RF‑LSTM故障预测模型的训练，并以2021年7月28日的台风天气(台风)作为预测算例，假设故障前一周(即2021年7月21日)气象部门预测到台风天气，并开始对区域内配电网的100条10kV馈线进行薄弱等级划分。
[0103] 首先对上述数据进行预处理：
[0104] 在构建模型的训练集之前对原始数据进行标准化处理，并将所有输入的数据通过归一化方程进行[0,1]之间的尺度变换。
[0105] 然后进行算法准确率对比：
[0106] 经过数据预处理后，将得到的训练样本数据集输入Weka 3.8平台，采用RF‑LSTM算法建立预测模型，并对模型进行准确性测试。本实施例选用weka3.8 平台中的支持向量机(Support Vector Machine，SVM)、决策表(Decision Table， DT)、随机决策树(Random Tree，RT)和梯度下降分类树(Grandient Boosting Decision Tree，GBDT)方法4种数据挖掘技术的主流算法，并通过本文的样本数据集来进行预测模型准确性对比测试，结果如表2所示。其中RAE表示N次实验的绝对误差求和(Relative Absolute Error，RAE)；MAE表示N次实验的绝对误差的均值(Mean Absolute Error，MAE)，此值越小则表示实验结果越准确。
[0107] 表2多种训练模型准确率对比
[0108]算法 RAE MAE 准确率
本法 6.4392％ 0.0011 0.9797
SVM 7.8374％ 0.0013 0.9475
RT 6.8092％ 0.0012 0.9334
DT 8.7332％ 0.0015 0.9507
GBDT 18.6465％ 0.0032 0.9476
[0109] 由表2中数据可知，本发明实施例1所提出的基于RF‑LSTM算法的故障预测模型不仅在准确率上高于其他算法，同时其RAE和MAE也均低于其他的算法，具有较高的精确性和较低的预测误差。
[0110] 最后进行薄弱等级确定：
[0111] 将得到的故障等级分为1/2/3级，对应的故障概率依次为 0～0.3/0.3～0.7/0.7～1。然后，对故障等级进行薄弱等级描述，分别为稳定(表示发生故障的概率较低)、弱稳定(表示有发生故障的可能性，应加强主动巡视)、脆弱(表示极有可能发生故障，需提前安排巡视和检修，并加强监测)。具体如表3所示。
[0112] 表3薄弱等级划分标准
[0113]故障概率 故障等级 薄弱等级
0～0.3 1 稳定
0.3～0.7 2 弱稳定
0.7～1 3 脆弱
[0114] 实施例3：
[0115] 本实施例提供了具体的薄弱环节识别算例验证：
[0116] 选取2021年7月28日的台风天气作为预测算例对网架薄弱程度进行预测。以台风天气发生前一周为时间基准，首先，根据RF‑LSTM模型进行负荷预测，将得到的结果与天气预报信息以及现有的网架信息一同作为初始数据，对当地所辖的100条馈线进行台风天气下的配电网网架故障概率预测。将故障预测的结果进行统计，并按照不同的故障概率进行薄弱等级划分。预测统计结果如表4 所示，具体预测结果如表5所示。
[0117] 表4 RF‑LSTM故障预测结果统计
[0118]
[0119] 表5 RF‑LSTM故障预测具体结果(部分)
[0120]
[0121]
[0122] 表4为故障预测结果的统计，表5为具体故障概率预测结果。根据结果可知，100条馈线中被判定为稳定等级的馈线有76条，被判定为弱稳定等级的馈线有20条，被判定为脆弱等级的馈线有4条，分别是P033线、P168线、P181 线和P346线。依据2021年7月22日到2021年7月28日这一周的实际气象数据记录，短时风力达到9级以上。当周的实际故障记录中，有三条馈线在7月 28日的台风天气中均发生故障，即P346线、P168线和P181线，并造成一定程度的停电。在此台风场景下薄弱馈线的识别准确率达到75％，综合薄弱等级识别准确率达到98.97％，可见，本法准确有效，并且对于可能发生故障的线路没有发生故障预测遗漏，这更加有利于降低因灾致损的概率。
