一种电网故障预测的最优检修位置确定方法及装置

一种电网故障预测的最优检修位置确定方法及装置实质审查发明

技术领域

[0001] 本申请涉及数据预处理与识别技术领域，尤其涉及一种电网故障预测的最优检修位置确定方法及装置。

具体实施方式

[0085] 下面结合附图来具体描述本申请的优选实施例，其中，附图构成本申请一部分，并与本申请的实施例一起用于阐释本申请的原理，并非用于限定本申请的范围。

[0086] 参考图1，本申请的一个具体实施例，公开了一种电网故障预测的最优检修位置确定方法包括：在步骤S101中，获取历史故障数据和相关影响因素数据，并通过对抗网络对历史故障数据和相关影响因素数据进行异常值插补处理，其中，相关影响因素数据包括电网运行数据、气象数据和地理信息数据；在步骤S102中，通过融合贝叶斯模型与层次化混合模型利用统计信息，从相关影响因素数据中选择多个关键影响因素；在步骤S103中，采用改进反熵‑灰色关联分析法来判断电网故障与每个关键影响因素之间的关联度，以根据关联度从多个关键影响因素中选择部分关键影响因素作为影响指标；在步骤S104中，构建BP神经网络并利用历史故障数据和影响指标进行训练以获得电网故障预测模型，其中，将地质灾害概率与影响指标作为电网故障预测模型的输入参数，以及构建降雨量导致地质灾害预警模型以获取地质灾害概率；以及在步骤S105中，基于预测的电网故障构建最优检修位置优化模型，结合目标函数与约束条件以获得最优检修位置。

[0087] 收集与整理历史故障数据及地质灾害数据步骤的改进点：系统地收集历史电网故障数据和降雨量等地质灾害数据，将这些数据进行整理和融合，确保数据的全面性和准确性。技术效果：通过全面的数据收集和整理，可以获得更多的历史故障信息和地质灾害数据，为后续的分析和模型构建提供坚实的基础。

[0088] 融合贝叶斯模型平均策略与层次化混合模型的方法筛选关键影响因素步骤的改进点：采用贝叶斯模型平均策略和层次化混合模型的方法，最大限度地利用统计信息，从多个影响因素中筛选出对电网故障有效且稳健的关键影响因素。技术效果：这种方法能够更准确地识别出影响电网故障的关键因素，提高模型的预测精度和稳健性。

[0089] 改进反熵‑灰色关联分析法量化分析故障与指标的关联性步骤的改进点：采用改进的反熵‑灰色关联分析法，量化分析故障与其指标的关联性，判断二者之间的关联度。技术效果：改进的分析方法可以更精确地量化故障与关键指标之间的关联性，提供更可靠的分析结果，提升故障预测的准确性。

[0090] 构建降雨量导致地质灾害预警模型步骤的改进点：将降雨量导致地质灾害的概率与关键影响指标共同作为输入参数，构建改进神经网络的电网故障预测模型。技术效果：通过将地质灾害概率引入模型，可以更全面地考虑自然灾害对电网故障的影响，提高故障预测模型的准确性和实用性。

[0091] 构建检修最优位置优化模型步骤的改进点：基于故障预测模型，构建检修最优位置优化模型，结合目标函数与约束条件设定，采用小生境遗传算法进行求解，得到最优检修位置。技术效果：这种优化模型能够有效降低检修成本，提高检修效率，确保电网的快速恢复和稳定运行。

[0092] 与现有技术相比，本实施例提供的电网故障预测的最优检修位置确定方法中，不仅能够充分利用统计信息，从多维度筛选出关键影响因素，还增强模型对不确定性和复杂性的处理能力，提高故障预测的精确度与模型的鲁棒性。改进的反熵‑灰色关联分析法进一步强化对关键指标与故障关联性的量化评估，使预测模型更能反映实际情况，减少误报和漏报，为检修决策提供更为可靠的依据。基于改进神经网络的电网故障预测模型，结合降雨量导致的地质灾害预警，本申请将地质灾害概率与关键影响指标纳入统一框架，实现对检修需求的前瞻性和精确预测。

[0093] 下文中，参考图1和图2，对根据本发明实施例的电网故障预测的最优检修位置确定方法中的各个步骤进行详细说明。

[0094] 在步骤S101中，获取历史故障数据和相关影响因素数据，并通过对抗网络对历史故障数据和相关影响因素数据进行异常值插补处理，其中，相关影响因素数据包括电网运行数据、气象数据和地理信息数据。

[0095] 具体地，获取历史故障数据和相关影响因素数据进一步包括：历史故障数据包括故障发生时间、故障类型、故障地点、故障持续时间、故障影响范围、故障修复时间、维修成本、故障原因和设备信息；电网运行数据包括电流监测数据、电压监测数据、功率因数、负荷变化数据、变压器油温、变压器油位、绝缘电阻测试记录设施巡检记录和维护与检修日志；气象数据包括降雨量、气温、湿度、风速与风向、气压、降雪量、地面沉降或土壤含水量和雷击数据；以及地理信息数据包括电网设施地理分布、地形地貌数据和土地覆盖类型。

[0096] 具体地，通过对抗网络对历史故障数据和相关影响因素数据进行异常值插补处理进一步包括：通过生成器生成用于对抗的重构样本；通过判别器区分对抗样本与原始样本之间的距离，其中，原始样本为历史故障数据和相关影响因素数据中任一样本数据；利用重构损失函数缩小重构样本G(z)与原始样本x之间的距离，其中，通过以下公式表示重构损失函数：

[0097] Lr(z)＝||x·m‑G(z)·m||2；

[0098] 通过判别损失函数使判别器的输出概率最大化，以保证重构样本G(z)符合原始样本的分布，其中，通过以下公式表示判别损失函数：

[0099] Ld(z)＝‑D(G(z))；

[0100] 根据重构损失函数和判别损失函数生成填充损失函数，以及基于重构样本和原始样本最小化填充损失函数以生成用于插补的缺失值，通过以下公式分别表示填充损失函数和缺失值：

[0101] Limputation(z)＝Lr(z)+λ·Ld(z)；

[0102] ximputed＝x·m+(1‑m)·G(z*)；

[0103] 其中，x表示原始样本；m为掩码矩阵，用于指示历史故障数据和相关影响因素数据中缺失部分；G(z)表示重构样本，Lr(z)表示生成样本与原始样本之间的距离；Ld(z)表示判别损失函数，用于评估判别器的输出概率；D(G(z))为判别器的输出，表示重构样本G(z)被判别为原始样本的概率；Limputation(z)为综合损失函数，由重构损失函数和判别损失函数组成；λ为超参数，用于控制重构损失和判别损失之间的比例；ximputed表示填充后的数据样本；*
x·m表示原始样本中的非缺失部分；(1‑m)·G(z)表示重构样本中对应缺失部分；G(z)表示填充原始样本的缺失值。

[0104] 在步骤S102中，通过融合贝叶斯模型与层次化混合模型利用统计信息，从相关影响因素数据中选择多个关键影响因素作为关键影响因素集合。

[0105] 具体地，通过融合贝叶斯模型与层次化混合模型利用统计信息，从相关影响因素数据中选择多个关键影响因素作为关键影响因素集合进一步包括：定义模型空间步骤：根据历史故障数据和相关影响因素数据构建多个回归模型；指定先验分布步骤：基于历史故障数据和领域专家知识将合适的先验分布分配给回归模型参数；计算后验概率步骤：利用贝叶斯定理结合历史故障数据计算每个回归模型的后验概率；模型平均步骤：根据每个回归模型的后验概率对回归模型的预测结果进行加权平均；推断和预测步骤：使用回归模型加权平均后的结果进行参数估计、假设检验或未来观测的预测。

[0106] 定义模型空间步骤：根据历史故障数据和相关影响因素(如气象条件、地理位置、设备老化情况等)，构建多个可能的回归模型。这些模型可以考虑不同的固定效应(如特定影响因素的线性效应或非线性效应)、随机效应(如设备型号的随机效应或地域的随机效应)，以及不同的协方差结构(如同一地区内数据的相关性)。假设具有以下三个影响因素：温度、湿度、设备年龄。模型集合可以包括以下几种模型：

[0107] 模型1：固定效应为温度和湿度，随机效应为设备年龄。模型2：固定效应为温度和设备年龄，随机效应为湿度。模型3：固定效应为所有三个因素，随机效应为空。模型4：包含温度的二次项，且具有复杂的协方差结构。

[0108] 指定先验分布步骤：在贝叶斯推断中，先验分布表示在观察数据之前对模型参数的知识或假设。对于每个模型，基于历史故障数据和领域专家的知识，为模型参数指定合理的先验分布。可以为回归系数指定正态分布，为方差参数指定逆伽玛分布。如果历史数据表明温度对故障率的影响可能较大，可以为温度系数指定一个均值较大的正态分布先验。而对于不确定的随机效应，可以选择一个方差较大的先验分布。

[0109] 计算后验概率步骤：通过贝叶斯定理，结合历史故障数据，计算每个模型的后验概率。后验概率反映给定数据后，各模型的相对适用性。在计算后验概率时，若某模型更好地解释数据(如与历史故障数据的拟合更好)，该模型的后验概率将会更高。

[0110] 模型平均步骤：将所有模型的后验概率作为权重，对这些模型的预测结果进行加权平均。通过这种方式，可以避免单一模型的不确定性，提高预测的稳健性。如果模型2的后验概率最高，模型1和模型3次之，那么模型2的预测值将在最终加权平均中占较大比重，但模型1和模型3也会对最终结果有所贡献。

[0111] 推断和预测步骤：使用模型平均后的结果进行参数估计、假设检验或未来观测的预测。

[0112] 在步骤S103中，采用改进反熵‑灰色关联分析法来判断电网故障与每个关键影响因素之间的关联度，以根据关联度从关键影响因素集合中选择部分关键影响因素作为影响指标。

[0113] 具体地，采用改进反熵‑灰色关联分析法来判断电网故障与每个关键影响因素之间的关联度进一步包括：对所述多个关键影响因素中的每个关键影响因素计算熵值；通过反熵公式将所述每个关键影响因素的熵值转换为反熵值，其中，所述反熵值越高，所述关键影响因素提供的信息越确定、差异性越大以赋予更大权重；基于所述反熵值生成客观权重，基于所述客观权重和主观权重计算组合权重；基于所述组合权重计算每个比较序列与参考序列之间的关联系数，其中，选取所述历史故障数据作为所述参考序列，将所述多个关键影响因素作为多个比较序列；以及基于所述关联系数计算参考序列与每个比较序列之间的关联度作为所述电网故障与所述每个关键影响因素之间的关联度。

[0114] 具体地，采用改进反熵‑灰色关联分析法来判断电网故障与每个关键影响因素之间的关联度进一步包括：通过以下公式表示关键影响因素的矩阵Xm为：

[0115]

[0116] 其中，xij为第i个对象的第j个关键影响因素的数值，从多个关键影响因素中选择n个关键影响因素、k个区域，m年数据；基于多个关键影响因素的熵值计算以下各关键影响因素的反熵：

[0117]

[0118] 其中，cij为第i个对象下第j个关键影响因素的熵值；对各关键影响因素的反熵进行归一化处理以获得相应反熵的客观权重：

[0119]

[0120] 其中，dj为第j个关键影响因素的客观权重；基于所述客观权重和主观权重计算以下组合权重：

[0121]

[0122] 其中，wj为评价关键影响因素j的组合权重；cj、dj分别为第j个关键影响因素的客观权重、主观权重；通过以下公式计算电网故障与关键影响因素j之间的关联度γj：

[0123] 通过以下公式计算所述电网故障与关键影响因素j之间的关联度γj：

[0124]

[0125] Tr＝1‑er；f(Er,er)＝Er(1‑er)；

[0126]

[0127] 其中，γj为所述电网故障与关键影响因素j之间的关联度；ζrj为基于所述组合权重确定的所述电网故障与关键影响因素j之间的关联系数；Tr为个关键影响因素r的剩余度；er为相对熵，表示关键影响因素r的反熵与最大熵比值；Er、Emax分别为关键影响因素的反熵、最大熵；b(r)为其他关键影响因素r的比例权重，f(Er,er)是反熵与相对熵的函数。

[0128] 在步骤S104中，构建BP神经网络并利用历史故障数据和影响指标进行训练以获得电网故障预测模型，其中，将地质灾害概率与影响指标作为电网故障预测模型的输入参数，以及构建降雨量导致地质灾害预警模型以获取地质灾害概率。

[0129] 具体地，构建降雨量导致地质灾害预警模型以获取地质灾害概率进一步包括：当时间长度为一年的离散时间间隔时，平均每年的地质灾害概率与地质灾害时间发生的时间周期T有关，其中，通过以下公式表示每年的地质灾害概率：

[0130]

[0131] 其中，T为地质灾害事件的发生周期，λ为地质灾害发生的频率；通过以下公式表示多年内地质灾害发生的概率：

[0132]

[0133] 其中e为自然常数，λ为限定的降雨条件下，地质灾害发生的频率；通过以下公式表示在未来的t年内，一个或多个地质灾害概率：

[0134] P＝1‑e‑λt。

[0135] 具体地，构建神经网络的电网故障预测模型进一步包括：对历史故障数据、电网运行数据、气象数据和地理信息数据进行归一化处理；将历史故障数据和相应的影响指标划分为多个数据子集，其中，多个数据子集中的一个子集作为验证集，剩余子集作为训练集；在神经网络训练前，使用遗传算法优化网络结构和初始权重；根据遗传算法优化的网络结构和初始权重，构建BP神经网络，BP神经网络包括输入层、隐含层和输出层，其中，根据影响指标与地质灾害概率确定输入层的数量，根据遗传算法确定隐含层的数量和结构以及输出层的输出为故障率预测值；使用训练集，应用反向传播算法调整BP神经网络的网络权重和阈值以获得电网故障预测模型；利用验证集计算训练后的BP神经网络的预测误差；以及将实时影响指标输入电网故障预测模型以实时预测电网故障率。

[0136] 具体地，根据遗传算法优化的网络结构和初始权重，构建BP神经网络进一步包括：通过以下公式表示初始化的BP神经网络：

[0137]

[0138] 其中，X为神经元输入向量；n为输入层节点数；Y为神经元输出向量，m为输出层节点数；通过以下公式表示隐含层的输出值Haj：

[0139]

[0140] 其中，p为隐含层的节点数；ωij为输入层与隐含层之间的权值；λa为阈值；f为激励函数；通过以下公式表示输出层输出值Hbk：

[0141]

[0142] 其中，ωjk为隐含层与输出层间的权值；λb为阈值；通过以下公式表示预测输出Hbk与期望输出Yk之间的误差ek：

[0143] ek＝Yk‑Hbk；

[0144] 其中，当max(ek)＞e0时，则调整BP神经网络参数，重新进行学习训练，直至所有的训练数据均满足所定误差标准，其中，e0为允许最大误差值；根据误差更新输入层与隐含层之间的权值ωij以及隐含层与输出层间的权值ωjk：

[0145]

[0146] ωjk＝ωjk+ηHajek；

[0147] 其中，η为学习速率，介于0～1之间；通过以下公式修正阈值：

[0148]

[0149] λb＝λb+ek。

[0150] 在步骤S105中，基于预测的电网故障构建最优检修位置优化模型，结合目标函数与约束条件以获得最优检修位置。

[0151] 具体地，基于预测的电网故障构建最优检修位置优化模型，结合目标函数与约束条件以获得最优检修位置进一步包括：确定检修驻点优化模型的目标函数和约束条件，并设置配电网故障检修驻点位置坐标的初始值集合；根据初始值集合、目标函数和约束条件，计算配电网故障检修驻点的最优位置坐标；根据预测的迭代次数，判断是否满足终止条件，其中，当满足终止条件时，得到检修驻点最优解，完成对配电网故障检修驻点位置的优化；当不满足终止条件时，更新检修驻点位置坐标的初始值集合；通过以下公式计算检修驻点到馈线的距离dij：

[0152]

[0153] 其中，xi‑aj为xi和aj的欧式距离；gj为馈线等效点aj的故障系数；aj(j＝1,2,...,n)为馈线等效点，xi(i＝1,2,...,m)为检修驻点，其中m和n分别为检修驻点数量和馈线等效点数量；通过以下公式计算从检修驻点前往检修地点的时间Tij的计算公式为：

[0154] Tij＝(dij·a·λ·r)/v；

[0155] 其中，a、λ、r分别为道路拥堵系数、道路曲折系数、馈线曲折系数，v为检修车辆的平均速度；通过以下公式计算从检修驻点赶往馈线需要的最大时间TM：

[0156] TM＝Tmax‑t1‑t2‑t3‑t4；

[0157] 其中，t1、t2、t3、t4分别为服务中心处理工单所用时长、调度层定位和处理故障时长、检修车辆的准备时长和寻找检修地点时长；通过以下公式计算具体馈线到检修驻点所需的最短距离：

[0158]

[0159] 其中，假设该模型中一条馈线只归属一个检修驻点，bij为故障检修用时标准范围的满足条件，若从第i个检修驻点到第j条馈线所用的时间在故障检修用时标准范围之内，则bij＝1，否则bij＝0，aij表示从馈线i到检修驻点j的距离；从检修驻点赶往故障发生地点所需时间约束为：Tij＜TM；对m个检修驻点安排全部馈线检修工作的约束条件为：

[0160] 下文中，参考图1和图2以具体实例的方式对根据本发明实施例的电网故障预测的最优检修位置确定方法进行详细说明。

[0161] 在步骤S101中，针对历史故障数据进行收集与整理，收集降雨量等地质灾害数据，并针对数据进行处理，通过生成对抗网络实现异常值插补。

[0162] 收集的数据包括：(1)历史故障数据：故障发生时间(日期与时间)；故障类型(如短路、过载、绝缘故障等)；故障地点(经纬度、变电站名称、线路编号)；故障持续时间；影响范围(受影响用户数、停电区域)；故障修复时间；维修成本；故障原因分析(初步诊断与最终确认)；设备信息(设备型号、使用年限、维护记录)。(2)气象数据：降雨量(单位时间累积量，如小时、日、周)；气温(最高温度、最低温度、平均温度)；湿度；风速与风向；气压；降雪量(适用寒冷地区)；地面沉降或土壤含水量(对于地质灾害敏感区域)；雷击数据(雷暴活动频率与强度)。(3)电网运行数据：电流、电压监测数据；功率因数；负荷变化数据(峰谷时段负荷)；变压器油温、油位；绝缘电阻测试记录；设施巡检记录；维护与检修日志。(4)地理信息数据：
电网设施地理分布(变电站、输电线路、配电站位置)；地形地貌数据(海拔、地形坡度)；土地覆盖类型(城市、农田、林地、水域)；进行数据收集后，针对数据空白值进行填补。

[0163] 例如，历史灾害数据：收集某地区过去10年内发生的滑坡和泥石流灾害数据。数据包括灾害发生的时间、地点、强度、降雨量等信息。气象数据：收集相同时间段内的气象数据，包括降雨量、降雨强度、持续时间、风速等。地质数据：收集输电线路塔基所在区域的地质数据，包括土壤类型、地质结构、地形坡度等。

[0164] 生成对抗网络(GAN)由两部分组成：生成器(Generator)和判别器(Discriminator)。生成器试图生成逼真的数据，而判别器则试图区分生成的数据和真实的数据。两者通过对抗训练来提升彼此的能力。生成器(G)观察真实数据向量的某些分量，根据实际观察到的内容估算缺失的分量，并输出完整的向量。然后判别器(D)使用一个完整的向量并尝试确定哪些组件是实际观察到的，哪些是插补的。

[0165] 为了减少原始时序数据x与新生成的样本G(z)之间的差异，增大两者之间的相似度，使得G(z)能够用于缺失值填充，本算法采用了优化输入向量z的策略。对于任意一条缺失的时序数据x来说，本算法尝试从标准正态分布中寻找一个对应的最优z*，使得生成的完整数据G(z*)与原始数据x最相似。为了达到该目的，本算法定义了填充损失函数。填充损失函数由两部分组成：第一部分是重构损失函数，第二部分是判别损失函数。重构损失函数致力于缩小新样本G(z)与原始样本x之间的距离，判别损失函数致力于保证新样本G(z)仍然符合原始数据集分布，仍然能够以假乱真。

[0166] 重构损失函数的定义如公式所示：

[0167] Lr(z)＝∥x·m‑G(z)·m∥2；

[0168] 其中G(z)表示新生成的样本，Lr(z)表示时序数据与样本之间的距离。

[0169] 判别损失函数的具体定义如公式所示：

[0170] Ld(z)＝‑D(G(z))；

[0171] 判别损失函数尝试让判别器的输出概率最大化，从而保证新样本G(z)仍然符合原始数据集的分布。

[0172] 算法定义的填充损失函数如公式所示：

[0173] Limputation(z)＝Lr(z)+λ·Ld(z)；

[0174] 填充损失函数由重构损失函数和判别损失函数组合而成，λ是一个超参数，控制了两者之间的比例。对于任意一条缺失的时序数据x来说，本算法固定住整个生成对抗网络的所有权重参数，将生成器的输入向量z当作优化对象，通过最小化填充损失函数以得到相应的最优输入向量z*，从而使用相应的新样本G(z*)与原始样本x最相似，通过G(z*)来填充原始样本x中的缺失值。

[0175] 缺失值填充如公式所示：

[0176] ximputed＝x·m+(1‑m)·G(z*)；

[0177] 重构损失函数Lr(z)，表示新生成的样本G(z)与原始数据样本之间的距离。x：原始数据样本。m掩码矩阵，用于指示数据中哪些值是缺失的。G(z)生成模型的输出，表示生成的新样本。Ld(z)判别损失函数，用于评估判别器的输出概率。D(G(z))判别器的输出，表示生成样本G(z)被判别为真实样本的概率。Limputation(z)综合损失函数，由重构损失函数和判别损失函数组成。λ超参数，控制重构损失和判别损失之间的比例。ximputed填充后的数据样本。x·m表示原始数据样本中非缺失部分。(1‑m)·G(z)生成的新样本中对应缺失部分。通过以上的填充过程，本算法能够保证对于任意一条时序数据，都能找到与之最相似的新样本以进行缺失值填充。

[0178] 在步骤S102中，通过融合贝叶斯模型平均策略与层次化混合模型的方法最大限度地利用统计信息，从多个影响因素中分别筛选出对于电网故障有效且稳健的关键影响因素。

[0179] 贝叶斯模型平均(Bayesian Model Averaging，BMA)是一种统计方法，它通过给定数据集上的多个模型集合来处理模型不确定性。BMA不是选择单一的最佳模型，而是为每个模型分配一个后验概率，然后根据这些概率对模型的预测结果进行加权平均，从而得到最终的预测或者推断结果。这种方法承认了在现实世界中，由于数据的局限性或模型的简化，没有一个单独的模型能够完美地捕捉到所有数据生成的过程。

[0180] 混合回归模型(如混合线性模型、混合效应模型等)是包含多种类型回归模型的集合，它们可以用来捕获数据中的复杂结构，比如固定效应和随机效应的组合，或者数据中的异质性。混合模型特别适合于存在层级结构或群聚效应的数据分析。

[0181] 结合贝叶斯模型平均与混合回归模型，可以采取以下步骤：

[0182] 定义模型空间：首先，明确你的模型集合，这可能包括不同的混合回归模型，每种模型有不同的固定效应项、随机效应结构或者不同的协方差结构。

[0183] 指定先验分布：为每个模型和模型中的参数指定合适的先验分布。这一步骤对于贝叶斯分析至关重要，因为它编码了在看到数据之前我们对模型参数的信念。

[0184] 计算后验概率：利用贝叶斯定理，通过数据计算每个模型的后验概率。这涉及到计算模型的似然函数和先验概率，以及归一化常数，确保所有模型的后验概率之和为1。

[0185] 模型平均：根据每个模型的后验概率对其进行加权，然后对模型的预测结果进行加权平均。这意味着更有可能的模型会对其最终预测有更大的贡献。

[0186] 推断和预测：使用模型平均后的结果进行参数估计、假设检验或未来观测的预测。这一步骤考虑了模型不确定性的全部信息，通常比依赖单一模型的预测更为稳健。

[0187] 敏感性分析：分析不同先验选择对结果的影响，确保结果的稳健性。

[0188] 例如，收集某地区电网设备的历史故障数据，以及同期的环境数据，包括温度、湿度、风速等。应用层次化混合模型，分析各层次环境因素对故障率的贡献，识别出温度和风速对故障率有显著影响。

[0189] 例如，收集变压器的历史运行数据，包括负载电流、油温、振动频率等参数。最终筛选出负载电流和油温作为关键运行参数，因其对设备故障具有较强的解释力和稳健性。

[0190] 例如，收集某地区电网设备的历史故障数据，以及同期的地质灾害数据，包括地震频率、降雨量、地质结构等。最终筛选出地震频率和降雨量作为关键地质灾害因素，因其对电网故障具有较强的解释力和稳健性。

[0191] 在步骤S103中，量化分析电网故障与其关键影响因素的关联性，采用改进反熵‑灰色关联分析法来判断二者之间的关联度。改进反熵‑灰色关联分析法是一种旨在提高传统灰色关联分析准确性和客观性的方法，特别是在处理电网故障与其多项关键影响因素关联性分析的场景下。

[0192] 引入反熵的原因如下：增强客观性：传统的灰色关联分析采用平权处理，即认为所有关键影响因素同等重要，这可能导致关键影响因素的信息被忽视。反熵法通过量化关键影响因素的信息量，自动调整关键影响因素权重，使分析结果更能反映实际情况；揭示内在关联：反熵能够突出那些变异大、信息丰富的关键影响因素，从而在关联分析中给予其更多关注，有助于发现更为精细的关联模式；减少偏差：在关键影响因素间关联关系复杂且分散的情况下，反熵‑灰色关联分析能有效避免因局部关联而产生的分析偏差，提高分析的整体准确性。

[0193] 改进反熵‑灰色关联分析法的基本步骤如下：数据预处理：收集电网故障及其相关关键影响因素数据，进行必要的数据清洗、标准化或归一化处理，确保各关键影响因素间可比性。计算关键影响因素反熵：对每个关键影响因素计算熵值，反映其信息的不确定性。通过反熵公式转换，反熵值越高，说明该关键影响因素提供的信息越确定、差异性越大，应赋予更高的权重。权重确定：基于反熵值对关键影响因素进行加权，权重反映了各关键影响因素在分析中的相对重要性，克服了平权处理的主观性。构造参考序列与比较序列：通常选取故障作为参考序列，其他关键影响因素作为比较序列，构建灰色系统模型。计算关联系数与关联度：应用加权的差分序列，计算每个比较序列与参考序列之间的关联系数，考虑到反熵确定的权重。计算各比较序列的灰色关联度，得到关联度矩阵。

[0194] 为避免熵权法因关键影响因素敏感性过大而导致权重失衡的问题，采用反熵值法对关键影响因素进行客观赋权，具体操作步骤如下：

[0195] (1)构造评价关键影响因素矩阵。选择n个关键影响因素、k个区域，m年数据，建立对应的初始矩阵，xij为第i个对象的第j个关键影响因素的数值，评价关键影响因素矩阵Xm为

[0196]

[0197] (2)计算各关键影响因素反熵。定义反熵h′为

[0198]

[0199] 其中，pj为第j个关键影响因素的熵值，0≤pj≤1，且

[0200] 各关键影响因素反熵h′为

[0201]

[0202] 式中：cij为第i个对象下第j个关键影响因素的熵值，

[0203] (3)归一化处理。对各关键影响因素的反熵进一步归一化处理得到：

[0204]

[0205] 式中：dj为第j个关键影响因素的客观权重。

[0206] 为科学合理的评价各关键影响因素对配电网故障的影响程度，对关键影响因素进行组合赋权为

[0207]

[0208] 式中：wj为评价关键影响因素j的组合权重；cj、dj分别为第j个关键影响因素的客观权重(根据熵值算出的客观权重)、主观权重。在电网故障分析和预测中，关键影响因素的组合权重对于准确评估这些因素与故障之间的关联度至关重要。组合权重是将每个关键影响因素的主观权重和客观权重合理整合的结果，它能够更全面地反映每个因素的重要性。后续关联度的计算则依赖于这些组合权重，反映了各关键影响因素之间的相互关系和相互作用。

[0209] 模糊数学综合评价法，将升半梯形分布函数作为隶属度函数对各项关键影响因素进行拟合评分。为进一步量化分析故障与其关键影响因素的关联性，采用改进反熵‑灰色关联分析法来判断二者之间的关联度。传统灰色关联分析通过得到差分序列建立关联度矩阵，一般采用平权处理，这种平权处理的方式容易掩盖各个关键影响因素间的特征关系，忽略关键影响因素本身包涵的丰富信息。由于关键影响因素来源于多个方面、层次，当关联关系较为离散时，容易出现局部关联的趋势，从而造成分析偏差。因此，在熵值法的基础上引入反熵，以克服存在的主观性问题，具体操作步骤如下。传统灰色关联分析方法中序列间关联度的计算公式为

[0210]

[0211] 式中：γj为电网故障与关键影响因素j之间的关联度；ζrj为基于所述组合权重确定的所述电网故障与关键影响因素j之间的关联系数，固定权重值为1/n。

[0212] 定义第j个关键影响因素的剩余度为

[0213] Tj＝1‑ej；

[0214] 式中：Tj为第j个关键影响因素的剩余度；ej为第j个关键影响因素的反熵与最大熵比值，即相对熵，具体表达式为

[0215]

[0216] 式中：Ej、Emax分别为第j个关键影响因素的反熵、最大熵。Tj越大说明该关键影响因素的特征越明显，重要性越高。

[0217] 将其他关键影响因素r的比例权重设为b(r)，具体计算式为

[0218]

[0219] f(Er,er)＝Er(1‑er)；

[0220] 其中，Tr为个关键影响因素r的剩余度；f(Er,er)是反熵与相对熵的函数；将公式中的1/n替换为b(r)，得到所述电网故障与关键影响因素j之间的关联度γj的最终表达式为[0221]

[0222] 在步骤S104中，构建降雨量导致地质灾害预警模型，将地质灾害概率与关键影响指标共同作为输入参数，构建改进神经网络的电网故障预测模型。

[0223] 地质灾害预测模型：通过建立地质模型以及数值模拟进行地质灾害变形运动特征的分析，获得不同降雨工况下地质灾害的位移作为强度指标；统计历史灾害及前期降雨条件，结合区域地质灾害易发性区划结果，建立输电线路塔基地质灾害短期气象预警判据，提出基于复杂天气要素的地质灾害风险预警方法。

[0224] 1、建立地质模型与数值模拟。地质模型：构建塔基区域的地质模型，模拟不同降雨工况下的地质变形和运动特征。通过数值模拟分析塔基在不同降雨量和持续时间下的位移情况，获得地质灾害位移作为强度指标。

[0225] 2、分析地质灾害易发性区划。区域易发性区划：根据地质数据和历史灾害数据，将塔基区域划分为高、中、低易发性区。结合地质模型的数值模拟结果，确定每个区划的具体范围和特征。

[0226] 3、建立气象预警判据。降雨强度判据：分析历史数据，确定触发地质灾害的降雨强度阈值。例如，如果过去的滑坡灾害发生在24小时降雨量超过100毫米时，则设定100毫米为降雨强度阈值。降雨持续时间判据：统计灾害发生时的降雨持续时间。例如，如果多次滑坡灾害发生在连续降雨超过48小时的情况下，则设定48小时为降雨持续时间阈值。组合判据：建立综合判据，如降雨强度和持续时间的组合。例如，当24小时降雨量超过80毫米且降雨持续时间超过24小时时，预警地质灾害风险。

[0227] 4、气象预警方法。预警系统建立一个实时监测系统，监测气象数据(降雨量、降雨强度、持续时间等)。系统实时比较当前气象数据与预警判据，当满足预警条件时，发出预警信号。预警等级：根据气象数据与判据的偏离程度，设定不同的预警等级(如黄色预警、橙色预警、红色预警)。例如，当降雨量接近或达到阈值时发出黄色预警，超过阈值50％时发出橙色预警，超过阈值100％时发出红色预警。

[0228] 改进神经网络：K‑fold‑GA‑BP神经网络方法因其高度的自适应性、优化能力和预测精度，成为电网故障预测领域的有力工具。集成优化：该方法集合了三种强大技术—K‑fold交叉验证、遗传算法和BP神经网络，形成了一个高度优化的预测模型。K‑fold交叉验证提高了模型评估的可靠性和泛化能力；遗传算法自动优化网络结构和参数，避免了手动调参的繁琐和主观性；BP神经网络则擅长非线性问题的学习，能较好地捕捉复杂数据关系。减少过拟合：K‑fold交叉验证通过分割数据进行多次训练和验证，确保模型不是仅对训练数据过度拟合，而是能在未见过的数据上也有好的表现，增强了模型的通用性。参数寻优：遗传算法(GA)作为一种全局优化技术，能够高效探索BP神经网络的参数空间(如隐藏层节点数、学习率等)，找到最优或接近最优的网络配置，从而提升预测精度和训练效率，避免了传统试错法的盲目性和低效性。适应性强：BP神经网络具有良好的非线性映射能力，能够处理故障预测中可能存在的复杂、非线性的数据关系，即使面对大量的输入变量和复杂的相互作用，也能提供较为准确的预测。自动化与灵活性：整个流程从特征选择到模型优化，高度自动化，减少了人工干预，同时遗传算法的引入增加了模型调整的灵活性，使得模型能够根据不同的数据集和预测需求快速调整。

[0229] (1)K‑fold交叉验证的改进点使用K‑fold交叉验证代替单一的训练集和验证集划分，充分利用数据，并提供稳健的模型评估。技术效果：提高模型的泛化能力：避免了过拟合和欠拟合，提供更稳健的性能评估。充分利用数据：每个数据点都有机会作为训练集和验证集，提高了数据利用率。

[0230] (2)遗传算法优化的改进点使用GA优化神经网络的初始权重和超参数，增强网络的优化能力。技术效果：全局优化能力强：GA能够跳出局部最优，找到更优的初始权重和超参数配置。自动化参数选择：减少了手动调参的工作量，提高了参数选择的效率和效果。

[0231] (3)BP神经网络的改进点结合K‑fold交叉验证和GA优化后的BP神经网络，增强了网络的自适应性和预测精度。技术效果：提高预测精度：结合GA优化和交叉验证，提高了BP神经网络的预测精度。自适应性强：网络结构和参数能够自适应优化，适应不同的数据集和问题。

[0232] 将诱发地质灾害事件的降雨事件持续时间记为D，该时间段内的累计降雨量记为E，E与D的比值为平均降雨强度，其原理是将地质灾害前期降雨量E、历时条件D描绘在双对数坐标中，并对诱发地质灾害的降雨事件数据点开展拟合分析。

[0233] E＝c+α×Dβ；

[0234] 其中，E为累积降雨量(mm)；D为降雨持续时间，α,β,c为统计参数。但是降雨事件诱发地质灾害的过程并不是平均作用的，一般认为仅有地质灾害当日降雨对地质灾害发生起全部作用，其余部分被认为对于地质灾害而言仅有部分有效。因此，通常以有效降雨量来表征降雨诱发地质灾害的阈值指标。本申请主要采用幂指数公式，计算相应的有效降雨量。

[0235] Rc＝R0+αR1+α2R2+...+αnRn；

[0236] 其中，Rc为有效降雨量，R0为地质灾害当日降雨量，Rn为灾害前n天降雨量。α为衰减系数，n为天数。

[0237] 其中，输电线路塔基地质灾害的风险计算方式如下所示。

[0238] R＝H×V；

[0239] 其中，R为地质灾害风险。H为危险概率分析，V为易损程度分析。

[0240] 则基于贝叶斯理论，通过结合E‑D降雨阈值模型和降雨阈值超越概率计算得到H，降雨诱发地质灾害的时间概率分为两个部分，分别是某特定降雨条件出现的概率，以及该降雨条件下地质灾害发生的概率。首先通过统计方法确定由某一区域不同极值重现期条件所对应的降雨量；然后通过统计分析得到各个局部区域诱发地质灾害的降雨阈值，并通过历史地质灾害事件统计分析超越阈值的降雨条件下，发生地质灾害的概率；综合二者得到地质灾害的时间概率。

[0241] 假设降雨事件为A，地质灾害事件为B，P[A]和P[B|A]分别为降雨事件和该降雨条件下地质灾害发生的概率。贝叶斯条件概率计算中的降雨诱发地质灾害的时间概率P(AB)表示为：

[0242] P(AB)＝P[A]·P[BA]；

[0243] 基于E‑D有效降雨阈值模型确定的超越概率计算中，得到各研究单元地质灾害阈值后，结合其历史降雨记录，分析历史上超过阈值降雨条件的降雨事件出现的次数，以及此类事件诱发地质灾害的次数，二者相结合即可得到地质灾害发生的概率P[B|A]。同样的长时间内的地质灾害发生概率分布，可以用二项分布和泊松分布来评估。当时间长度为一年的离散时间间隔时，平均每年的地质灾害概率与该条件下，地质灾害时间发生的时间周期T有关，其每年的地质灾害概率可以表示为

[0244]

[0245] 其中，T为地质灾害事件的发生周期，λ为地质灾害发生的频率。这样的方法也适用于计算给定时间年限的情况下，地质灾害的发生概率。令P0为给定时间周期(1年内)，没有地质灾害发生的概率。那么P0t为t年内没有地质灾害发生的概率，因此多年内地质灾害发生的概率可以表示为：

[0246]

[0247] 其中，e为自然常数，λ为限定的降雨条件下，地质灾害灾害发生的频率。在未来的t年内，有一个或多个地质灾害灾害发生的概率为：

[0248] P＝1‑e‑λt；

[0249] 主要通过蒙特卡洛模拟法计算资质灾害的危险概率V，依据统计抽样理论，蒙特卡洛法研究的是通过计算机生成随机变量的数值计算方法，又被称为随机模拟法或统计试验法。

[0250] 首先建立表示地质灾害稳定状态的函数：

[0251]

[0252] 各项参数均是控制地质灾害稳定性的随机变量，由地质灾害的岩土体性质、变形机理等因素确定。上述参数分别定义为降雨量、单个最大降雨量、降雨持续时间、岩土类型。一般认为这些参数均有一定的取值范围，在取值范围内则具有随机性。而导致这些随机性的原因包括地质体的不均匀性、外界环境因素变化、测量误差等。

[0253] Fs表示地质灾害的稳定性系数，认为Fs≤1时地质灾害处于不稳定状态。在N组随机数中有M次Fs≤1的结果出现，当N足够大时，认为Fs≤1的频率近似于概率。地质灾害的危险概率表示如下：

[0254]

[0255] 当N足够大时，其均值μF和标准差σF分别为：

[0256]

[0257]

[0258] 则地质灾害的危险概率为：

[0259] Pf＝1‑Φ(β)。

[0260] BP神经网络的结构包括输入层、隐含层和输出层，输入参数进入输入层，然后过隐含层，最后由输出层输出。利用K‑fold‑GA‑BP神经网络方法对故障预测的步骤如下。

[0261] 1、输入输出层的设计。依据BP神经网络的设计特性，不考虑各因素之间的相互影响关系，可选取构成因素作为输入层，输出层为电网故障率。

[0262] 2、目标值的选取。根据历史故障数据进行处理，采用水平垂直方向处理数据的方法，估算电网故障概率，作为输出的目标值。

[0263] 3、模型建立。

[0264] 遗传算法部分：利用GA对种群进行初始化，得到BP神经网络的初始权值和阈值，将种群初始化后个体代入BP神经网络进行迭代寻最优初始权重和阈值。

[0265] (1)对输入层、隐含层及输出层之间的权值、隐含层与输出层的阈值组成的实数串种群进行编码。

[0266] (2)个体的适应度值F由其期望输出值与预测输出值的误差绝对值构成：

[0267]

[0268] 式中m为输出节点的个数；pi为第i个节点的输出期望值；oi为第i个节点的输出预期值。

[0269] (3)根据上述公式计算的个体适应度结果，选择较好的个体组成新的种群，计算方式为：

[0270]

[0271] 其中，Fi为第i个群体的适应度值，k为群体规模，fi为i群体被选择的概率。

[0272] (4)在种群中随机抽取2个父体个代Pk和Pl，在一定概率下第j个点位的实数交叉方式为：

[0273]

[0274] 其中，α为0～1之间的随机数。

[0275] (5)通过概率计算，在组成的新的种群中随机抽取某个个体Pi进行变异，第j个点位变异方式为：

[0276]

[0277] 其中，Pmax、Pmin分别为个体上、下界；υ为此时迭代次数；Vmax为最大进化次数；μ为随机数，取值范围为0～1。

[0278] (6)检查所得个体是否符合最优标准，对无法达到标准的个体再次进行适应度校验；若符合标准，则将最优个体作为BP神经网络的权值和阈值，重复学习训练次数，调整神经网络参数到所设定的精度范围内或满足学习次数为止。

[0279] 神经网络部分：得到BP神经网初始权重和阈值后其内部结构模型分析步骤如下。

[0280] (1)初始化网络。

[0281]

[0282] 其中X为神经元输入向量，为电网故障构成因素；n为输入层节点数；Y为神经元输出向量，为检修运维成本；m为输出层节点数。

[0283] (2)计算隐含层输出。隐含层输出值Ha的计算方式为：

[0284]

[0285] 其中，p为隐含层节点数；ωij为输入层与隐含层之间的权值；λa为阈值；f为激励函数。

[0286] (3)计算输出层输出。输出层输出值Hb的计算方式为：

[0287]

[0288] 其中，ωjk为隐含层与输出层间的权值；λb为阈值。

[0289] (4)计算误差并验证。误差e表示为预测输出Hb与期望输出Y之差，计算方式为：

[0290] ek＝Yk‑Hbk；

[0291] 设e0为允许最大误差值，若max(ek)＞e0，则调整BP神经网络参数，重新进行学习训练，直至所有的训练数据均满足所定误差标准。

[0292] (5)更新权值和阈值。由所求的误差进行更新ωij和ωjk：

[0293]

[0294] ωjk＝ωjk+ηHajek；

[0295] 其中，η为学习速率，介于0～1之间。阈值修正为：

[0296]

[0297] λb＝λb+ek；

[0298] 4、模型的计算。模型计算采用MATLAB软件，在计算过程中，将电网故障信息已有数据作为样本，采用GA‑BP神经网络进行训练；为避免出现过拟合情况，同时提升GA‑BP神经网络模型准确度，对训练数据采取K‑fold交叉验证方法，判定模型精准度。

[0299] 5、预测效果评价指标。在对模型的结果进行检验时，需要考虑模型的信度和效度。信度是指模型的可靠程度，表现为模型结果的再现性和稳定性；效度是指模型的有效程度，表现为模型的结果与要考察内容的吻合程度。

[0300] 主要采用eMSE评估K‑fold交叉验证对模型精准度的影响，计算公式为

[0301]

[0302] 采用平均绝对百分比误差和均方根误差(RMSE)来衡量网络的效度，即预测效果，其计算公式为：

[0303]

[0304] 其中，Dt为模型实际输出，Yt为预期输出。为了检验模型的信度，取多次运行后的eMAPE、eRMSE的标准差作为最终检验指标。

[0305] 在步骤S105中，基于故障预测模型，构建检修最优位置优化模型，结合目标函数与约束条件设定，采用小生境遗传算法进行求解，得到最优检修位置。

[0306] 人工免疫优化算法是一种受人体免疫系统启发而产生的智能算法，具有学习、记忆和自适应调节的能力。在检修驻点选址过程中，人工免疫优化算法通过类比免疫系统中的多样性，根据个体的亲和度对抗体进行选择、交叉和变异，保证算法快速收敛，最终得到检修驻点的最优解。利用人工免疫优化算法求解检修驻点分布和检修任务分配问题的流程如图1所示，具体步骤如下：

[0307] 1、确定检修驻点优化模型的目标函数和约束条件。

[0308] 2、产生现有配电网故障检修驻点位置坐标的初始值集合。设第k次迭代的检修驻点坐标集合为其中表示第m个检修驻点的位置坐标。

[0309] 3、根据初始值集合、目标函数和约束条件，计算现有配电网故障检修驻点的最优位置坐标并保存。

[0310] 4、根据预测的迭代次数，判断是否满足终止条件。若满足终止条件，则得到检修驻点最优解，完成对现有配电网故障检修驻点位置的优化；否则，更新检修驻点位置坐标的初始值集合，并返回步骤3。

[0311] 为了降低故障检修的总时长，提升检修效率，需要根据预测所得到馈线故障等级设置馈线故障系数，保证满足约束条件的检修驻点靠近故障等级更高的馈线。将馈线看作平面中的一个点，然后将检修驻点与馈线间的距离看作是这两点的距离。设aj(j＝1,2,...,n)为馈线等效点，xi(i＝1,2,...,m)为检修驻点，其中m和n分别为检修驻点数量和馈线等效点数量。检修驻点到馈线的距离dij的计算公式为：

[0312]

[0313] 式中：xi‑aj为xi和aj的欧式距离；gj为馈线等效aj的故障系数。

[0314] 综合考虑故障检修过程，分别将道路拥堵系数、道路曲折系数、馈线曲折系数设为a、λ、r，检修车辆的平均速度设为v，则从检修驻点前往检修地点的时间Tij的计算公式为：

[0315] Tij＝(dij·a·λ·r)/v；

[0316] 假设检修队伍最晚赶往检修地点的总时长为Tmax，且规定到达城区的时间最长不超过40min(即Tmax＝40min)，到达郊区的时间最长不超过60min(即Tmax＝60min)。设从检修驻点赶往馈线需要的最大时间为TM，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、检修车辆的准备时长、寻找检修地点时长分别为t1、t2、t3、t4，则TM的计算公式为：

[0317] TM＝Tmax‑t1‑t2‑t3‑t4；

[0318] 得到检修路程所需时间后，需进行馈线及故障检修驻点的划分。设bij为故障检修用时标准范围的满足条件，若从第i个检修驻点到第j条馈线所用的时间在故障检修用时标准范围之内，则bij＝1，否则bij＝0，aij表示从馈线i到检修驻点j的距离。假设该模型中一条馈线只归属一个检修驻点，则具体馈线到检修驻点所需的最短距离可以表示为：

[0319]

[0320] 检修驻点位置优化模型的约束条件如下：

[0321] (1)Tij＜TM，表示从检修驻点赶往故障发生地点所需时间约束。

[0322] (2) 表示对m个检修驻点安排全部馈线检修工作的约束条件。

[0323] 小生境遗传算法(Niche Genetic Algorithm,NGA)是在传统遗传算法基础上发展起来的一种改进算法，特别适用于解决多目标优化问题。它通过引入“小生境”概念，模仿自然界中生物种群在不同生态环境下生存竞争的机制，以保持种群的多样性，避免早熟收敛，从而更有效地搜索到多目标优化问题的Pareto前沿解。具体求解流程如下：

[0324] 1、输入系统数据、参数值和变量值。输入的小生境遗传算法参数包括个体群体规模、个体所含基因数、交叉率、变异率以及最大遗传代数等。

[0325] 2、用二进制进行染色体编码。

[0326] 3、随机产生初始种群户印。

[0327] 4、校验约束条件。

[0328] 5、计算群体中每个染色体的适应度函数值。为使所描述的目标函数总风险最小，适应遗传算法求最大值的特点，其适应度函数为：

[0329]

[0330] F＝R+μW；

[0331] 其中，GF为适应度函数；F为目标函数的修正值；Fmax为给定的较大常数，可以选取到目前为止所得到的目标函数F的最大值或根据试验数据获得。W为网络过负荷容量(MW)。

[0332] 6、据各染色体的适应度函数值对其进行降序排列，记忆前LK个染色体(M＜LK)。

[0333] 7、对群体P(tv)进行比例选择运算，得到P′(tv)。采用适应度函数值比例法作为选择策略，实现选择操作。

[0334] 8、对P′(tv)印作单点交叉运算，得到P″(tv)。交叉操作能改变两个网络的拓扑结构，从而获取新结构，实现交叉的基本步骤为：

[0335] (1)选择父代染色体：过程是：从ai＝1到LK重复以下过程：从[0,1]中产生随机数rai，若rai≤PC，则选择染色体ai为父代进行交叉。其中，PC为交叉率，通常在0.6～0.9之间，体现自然界中信息交换的思想。

[0336] (2)选择交叉点：采用一点交叉，具体操作是在一个染色体中随机地选定一个交叉点，两个染色体在该点前或后进行部分互换，以产生新的染色体。

[0337] 9、对P″(tv)作两点变异运算，得到P″′(tv)。

[0338] 10、计算P″′(tv)的适应度。

[0339] 11、进行小生境淘汰算法。将第9步得到的LK个染色体和第6步所记忆的M个染色体合并在一起，得到一个含有(LK+M)个染色体的新群体。对这(LK+M)个染色体，按下面计算公式得到两个染色体；Xai和Xaj之间的海明距离：

[0340]

[0341] 当Xai‑Xaj＜DL(L为指定的距离)时，比较染色体Xai和Xaj的适应度大小，并对其中适应度较低的染色体处以罚函数：Fmin(Xai,Xaj)＝Penalty。

[0342] 12、对(N+M)个染色体的新适应度进行降序排列，记忆前M个染色体。

[0343] 13、执行最优保存策略。

[0344] 14、判断是否满足终止条件。若满足终止条件，则转向步骤15，否则更新进化代数计数器Gen＝Gen+1，将第(11)步排列中的前N个染色体作为新的下一代群体然后转到第7步。

[0345] 15、解码并输出优化计算结果。输出若干适应度函数值最高或次最高的染色体，解码还原成最优位置点。

[0346] 参考图3，本申请的另一个具体实施例，公开一种电网故障预测的最优检修位置确定装置，包括：数据获取模块301，用于获取历史故障数据和相关影响因素数据，其中，相关影响因素数据包括电网运行数据、气象数据和地理信息数据；插补模块302，用于通过对抗网络对历史故障数据和相关影响因素数据进行异常值插补处理；初级选取模块303，用于通过融合贝叶斯模型与层次化混合模型利用统计信息，从相关影响因素数据中选择多个关键影响因素；二次选取模块304，用于采用改进反熵‑灰色关联分析法来判断电网故障与每个关键影响因素之间的关联度，以根据关联度从多个关键影响因素中选择部分关键影响因素作为影响指标；故障预测模型305，用于构建BP神经网络并利用历史故障数据和影响指标进行训练以获得电网故障预测模型，其中，将地质灾害概率与影响指标作为电网故障预测模型的输入参数，以及构建降雨量导致地质灾害预警模型以获取地质灾害概率；以及最优位置获取模块306，用于基于预测的电网故障构建最优检修位置优化模型，结合目标函数与约束条件以获得最优检修位置。

[0347] 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。

[0348] 以上所述，仅为本申请较佳的具体实施方式，但本申请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申请揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本申请的保护范围之内。

查看完整全部详细技术资料

当前第1页第1页第2页第3页