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

具体技术细节

法律保护范围

涉及权利要求数量10：其中独权2项，从权-2项

1.一种电网故障预测的最优检修位置确定方法，其特征在于，包括：
获取历史故障数据和相关影响因素数据，并通过对抗网络对所述历史故障数据和所述相关影响因素数据进行异常值插补处理，其中，所述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；
通过融合贝叶斯模型与层次化混合模型利用统计信息，从所述相关影响因素数据中选择多个关键影响因素；
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，以根据所述关联度从所述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；
构建BP神经网络并利用所述历史故障数据和所述影响指标进行训练以获得电网故障预测模型，其中，将地质灾害概率与所述影响指标作为所述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的预警模型以获取所述地质灾害概率；以及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。
2.根据权利要求1所述的电网故障预测的最优检修位置确定方法，其特征在于，通过对抗网络对所述历史故障数据和所述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；
通过判别器区分所述对抗样本与原始样本之间的距离，其中，所述原始样本为所述历史故障数据和所述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所述重构样本G(z)与所述原始样本x之间的距离，其中，通过以下公式表示所述重构损失函数：
Lr(z)＝||x·m‑G(z)·m||2；
通过判别损失函数使所述判别器的输出概率最大化，以保证所述重构样本G(z)符合所述原始样本的分布，其中，通过以下公式表示所述判别损失函数：
Ld(z)＝‑D(G(z))；
根据所述重构损失函数和所述判别损失函数生成填充损失函数，以及基于所述重构样本和所述原始样本最小化所述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所述填充损失函数和所述缺失值：
Limputation(z)＝Lr(z)+λ·Ld(z)；
*
ximputed＝x·m+(1‑m)·G(z)；
其中，x表示所述原始样本；m为掩码矩阵，用于指示所述历史故障数据和所述相关影响因素数据中缺失部分；G(z)表示所述重构样本，Lr(z)表示所述生成样本与所述原始样本之间的距离；Ld(z)表示所述判别损失函数，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)表示填充所述原始样本的缺失值。
3.根据权利要求1所述的电网故障预测的最优检修位置确定方法，其特征在于，通过融合贝叶斯模型与层次化混合模型利用统计信息，从所述相关影响因素数据中选择多个关键影响因素进一步包括：
定义模型空间步骤：根据所述历史故障数据和所述相关影响因素数据构建多个回归模型；
指定先验分布步骤：基于所述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所述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：根据所述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；
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。
4.根据权利要求3所述的电网故障预测的最优检修位置确定方法，其特征在于，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进一步包括：
通过以下公式表示关键影响因素的矩阵Xm为：
其中，xij为第i个对象的第j个关键影响因素的数值，从所述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：
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：
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：
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；
通过以下公式计算所述电网故障与关键影响因素j之间的关联度γj：
Tr＝1‑er；
f(Er,er)＝Er(1‑er)；
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。
5.根据权利要求1所述的电网故障预测的最优检修位置确定方法，其特征在于，构建降雨量导致地质灾害的预警模型以获取所述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：
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：
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：
λt
P＝1‑e‑ 。
6.根据权利要求5所述的电网故障预测的最优检修位置确定方法，其特征在于，构建神经网络的电网故障预测模型进一步包括：
对所述历史故障数据、所述电网运行数据、所述气象数据和所述地理信息数据进行归一化处理；
将所述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，所述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；
在所述神经网络训练前，使用遗传算法优化网络结构和初始权重；
根据所述遗传算法优化的网络结构和初始权重，构建所述BP神经网络，所述BP神经网络包括输入层、隐含层和输出层，其中，根据所述影响指标与地质灾害概率确定所述输入层的数量，根据所述遗传算法确定所述隐含层的数量和结构以及所述输出层的输出为故障率预测值；
使用所述训练集，应用反向传播算法调整所述BP神经网络的网络权重和阈值以获得所述电网故障预测模型；
利用所述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所述电网故障预测模型以实时预测电网故障率。
7.根据权利要求6所述的电网故障预测的最优检修位置确定方法，其特征在于，根据所述遗传算法优化的网络结构和初始权重，构建所述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：
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；
通过以下公式表示所述隐含层的输出值Haj：
其中，p为所述隐含层的节点数；ωij为所述输入层与所述隐含层之间的权值；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：
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：
ek＝|Yk‑Hbk|；
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；
根据所述误差更新所述输入层与所述隐含层之间的权值ωij以及隐含层与输出层间的权值ωjk：
ωjk＝ωjk+ηHajek；
其中，η为学习速率，介于0～1之间；
通过以下公式修正阈值：
λb＝λb+ek。
8.根据权利要求1所述的电网故障预测的最优检修位置确定方法，其特征在于，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；
根据所述初始值集合、所述目标函数和所述约束条件，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：
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：
Tij＝(dij·a·λ·r)/v；
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：
TM＝Tmax‑t1‑t2‑t3‑t4；
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：
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；
检修驻点位置优化模型的约束条件：
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：
9.根据权利要求1至8中的任一项所述的电网故障预测的最优检修位置确定方法，其特征在于，获取历史故障数据和相关影响因素数据进一步包括：
所述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；
所述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；
所述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
所述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。
10.一种电网故障预测的最优检修位置确定装置，其特征在于，包括：
数据获取模块，用于获取历史故障数据和相关影响因素数据，其中，所述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，用于通过对抗网络对所述历史故障数据和所述相关影响因素数据进行异常值插补处理；
初级选取模块，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，从所述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，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，以根据所述关联度从所述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，用于构建BP神经网络并利用所述历史故障数据和所述影响指标进行训练以获得电网故障预测模型，其中，将地质灾害概率与所述影响指标作为所述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所述地质灾害概率；以及
最优位置获取模块，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。