一种电力系统可靠性预测方法技术方案

本发明专利技术提供一种电力系统可靠性预测方法，本申请针对目前电力系统中故障‑环境关联样本较为稀少的现状，通过对比分析两种小样本增广技术——bootstrap小样本增广技术和核密度拉丁超立方采样增广技术，提出并探讨了一种基于BP人工神经网络可靠性预测方法。本发明专利技术能够给出最为精确的故障总时间指标预测结果，解决了数据样本不足情况下，电力系统运行可靠性准确预测的问题。

A method for reliability prediction of power system

The present invention provides a method for predicting the reliability of power system and the application in view of the current power system fault status environment related samples are more scarce, two small sample augmented technology -- bootstrap technology and kernel density of small sample augmented Latin hypercube sampling technique augmented by comparative analysis, puts forward and discusses a forecasting method of artificial BP reliability based on neural network. The invention can give the most accurate prediction result of the total time index of the fault, and solve the problem that the reliability of the power system is accurately predicted under the condition of insufficient data samples.

【技术实现步骤摘要】
一种电力系统可靠性预测方法
本专利技术涉及电力系统智能监控
，更具体地，涉及电力系统可靠性预测方法。
技术介绍
目前，传统电力系统运行可靠性预测技术大多基于具体元件可靠性模型出发，在综合考虑故障相关性、运行方式以及潮流分布等因素的基础上，通过解析运算或者统计数值模拟等方式推算经过标准化定义的电力系统可靠性指标。为明确建立输入因素和输出指标的函数关系，上述现有基于逻辑推理或统计分析的建模方法，往往需要在相对稳定的网架结构或理想实验环境中，尽可能获取足量的事件样本和紧密相关的环境特征信息，这种数据要求对于大多处于网架结构快速发展和环境因素不断转变中的当代某些产业的电力系统过于严苛。比如说，现阶段电网企业所开展的大数据电力系统建设，正逐步形成一种服务于电力系统运行规划可靠性分析的数据驱动型建模分析环境。大数据具有种类多高，数量庞大，更新速度快和可信度高的4V特征，为以数据驱动型的方式研究电力系统可靠性高维复杂非线性关系提供了新的途径。目前，现有技术提出数据驱动型的可靠性指标建模和数值预测方法，这些方法仍然以足量信息作为前提，实际电力系统中，由于电力系统升级改造、冗余度高以及记录缺失等方面的影响，有效故障样本数据较为稀少的状况普遍存在。所以，在大数据环境尚未完善的大环境下，需要解决数据样本不足情况下电力系统可靠性预测的准确准确性问题。
技术实现思路
本专利技术提供一种克服上述问题或者至少部分地解决上述问题的电力系统可靠性预测方法。根据本专利技术的一个方面，提供一种电力系统可靠性预测方法，包括：步骤1，利用bootstrap增广技术或核密度拉丁超立方采样增广技术对各影响因素数据小样本进行初级增广，得到初级增广矩阵AE；步骤2，基于初级增广矩阵AE进行单输出神经网络训练，通过向所述获得的单输出神经网络输入各影响因子的预测值，进而获得可靠性指标的预测值。本申请提出一种电力系统可靠性预测方法。本申请针对目前电力系统中故障-环境关联样本较为稀少的现状，通过对比分析两种小样本增广技术——bootstrap小样本增广技术和核密度拉丁超立方采样增广技术，提出并探讨了一种基于BP人工神经网络可靠性预测方法。本专利技术能够给出最为精确的故障总时间指标预测结果，解决了数据样本不足情况下，电力系统运行可靠性准确预测的问题。附图说明图1为根据本专利技术实施例一种电力系统可靠性预测方法的整体流程示意图；图2为根据本专利技术实施例一种电力系统可靠性预测方法利用bootstrap技术时对样本数据扩充后的离散样本分布的示意图；图3为根据本专利技术实施例一种电力系统可靠性预测方法利用bootstrap技术时对样本数据扩充后的高斯核密度的示意图；图4为根据本专利技术实施例一种电力系统可靠性预测方法利用一种小样本数据增广方法时对样本数据扩充后的高斯核密度的示意图；图5为根据本专利技术实施例一种电力系统可靠性预测方法利用一种小样本数据增广方法时对样本数据扩充后的高斯核密度的示意图；具体实施方式下面结合附图和实施例，对本专利技术的具体实施方式作进一步详细描述。以下实施例用于说明本专利技术，但不用来限制本专利技术的范围。图1中，本专利技术一个具体实施例中，示出一种电力系统可靠性预测方法流程示意图。总体上，包括：步骤1，利用bootstrap增广技术或核密度拉丁超立方采样增广技术对各影响因素数据小样本进行初级增广，得到初级增广矩阵AE；步骤2，基于初级增广矩阵AE进行单输出神经网络训练，通过向所述获得的单输出神经网络输入各影响因子的预测值，进而获得可靠性指标的预测值。本专利技术另一个具体实施例中，一种电力系统可靠性预测方法，包括：步骤1，利用bootstrap技术或基于核密度拟合并考虑小样本相关性的拉丁超立方采样的小样本增广技术对各影响因素数据小样本进行初级增广，得到矩阵AE∈RN×(M+1)；步骤2，基于矩阵AE∈RN×(M+1)进行单输出神经网络训练，通过向所述获得的单输出神经网络输入各影响因子的预测值。本专利技术另一个具体实施例中，一种电力系统可靠性预测方法，步骤2中通过向所述获得的单输出神经网络输入各影响因子的预测值包括，假设训练所获得的所述单输出神经网络具有一个输入层(第0层)，M个隐藏层以及一个输出层(第M+1层)，具体步骤为：给定S(0)个影响因素的预测值，记为向量I(0)，根据具有递进关系的式(1)和式(2)，即可计算输出层的o(M+1)(j)为：o(k+1)(j)＝h(k+1)[n(k+1)(i)](2)其中，o(0)(j)＝I(0)(j),S(k)代表地k层所拥有的神经元个数，所有内封ω以及b字样的符号均代表神经网络经过训练确定的参数，对于任意k层，h(x)＝2/(1+exp(-2*x))-1。本专利技术另一个具体实施例中，一种电力系统可靠性预测方法。所述步骤1中基于核密度拟合并考虑小样本相关性的拉丁超立方采样小样本增广技术对各影响因素数据小样本进行初级增广，得到初级增广矩阵AE包括：步骤11，基于各影响因素数据样本，分别独立进行非参数化高斯核密度估计；基于所得高斯核密度，对各变量进行拉丁超立方采样，将所得样本乱序排列，得到样本阵A；步骤12，求得A对应Spearman等级相关系数矩阵RA，基于RA进行Cholesky分解得到下三角阵LRA；求得A对应VanDerWaerdenScore矩阵V，求得V对应Spearman等级相关系数矩阵RV，基于RV进行Cholesky分解得到下三角阵LRV；基于所述LRA、LRV获得变量等级描述矩阵步骤13，将A按照中元素排列方式重新排列得到增广样本矩阵AE。本专利技术另一个具体实施例中，一种电力系统可靠性预测方法。所述步骤1中对各个网络均利用Matlab神经网络工具箱，采用Levenberg-Marquardtoptimization算法进行训练。本专利技术另一个具体实施例中，一种电力系统可靠性预测方法。所述方法以预测某电力电力系统用户年均停电时间指标为例，其步骤如下：以提供的年用户停电小时(TOH)指标和关联性最强的六个影响因素的10个(系统)原始统计样本为基础，见如下表1所示，将其中系统编号1～7的样本作为原始小样本库，其余3个留作验证样本。表1利用bootstrap小样本增广技术、基于核密度拟合并考虑小样本相关性的拉丁超立方采样小样本增广技术或者两者的结合，分别对小样本库进行100倍扩充。任选三个结构不同的BP神经网络进行对比训练，各个网络所包含的隐藏层、神经元个数以及传递函数汇总于下表2和表3中。表2表3对各个网络均利用Matlab神经网络工具箱，采用训练速度最快的Levenberg-Marquardtoptimization算法进行训练，其它参数均采用软件包默认设置。不同小样本增广方法的效果通过同一神经网络训练后，验证样本库的TOH预测值与观测值之间的均方差(MSE)进行说明。设定以下十二种情形(S1～BK3)参与观察对比：S1：原始小样本+网络I；S2：原始小样本+网络II；S3：原始小样本+网络III；B1：bootstrap小样本扩充+网络I；B2：bootstrap小样本扩充+网络II；B3：bootstrap小样本扩充+网络III；K1：核密度小样本增广+网络I；K2：核密度小样本增广+网络II；K3：核密度小样本增广+网络III；每本文档来自技高网...

【技术保护点】
一种电力系统可靠性预测方法，其特征在于，包括：步骤1，利用bootstrap增广技术或核密度拉丁超立方采样增广技术对各影响因素数据小样本进行初级增广，得到初级增广矩阵A

【技术特征摘要】
1.一种电力系统可靠性预测方法，其特征在于，包括：步骤1，利用bootstrap增广技术或核密度拉丁超立方采样增广技术对各影响因素数据小样本进行初级增广，得到初级增广矩阵AE；步骤2，基于初级增广矩阵AE进行单输出神经网络训练，通过向所述获得的单输出神经网络输入各影响因子的预测值，进而获得可靠性指标的预测值。2.如权利要求1所述的方法，其特征在于，所述影响因素数据能够为：可转供馈线比例、绝缘馈线比例、单位分段平均用户数、联络线比例、分段与馈线的数量比或年均馈线容载比中的至少一种。3.如权利要求1所述的方法，其特征在于，所述步骤1中基于核密度拟合并考虑小样本相关性的拉丁超立方采样小样本增广技术对各影响因素数据小样本进行初级增广，得到初级增广矩阵AE包括：步骤11，基于各影响因素数据样本，分别独立进行非参数化高斯核密度估计；基于所得高斯核密度，对各各影响因素进行拉丁超立方采样，将所得样本乱序排列，得到样本阵A；步骤12，求得A对应Spearman等级相关系数矩阵RA，基于RA进行Cholesky分解得到下三角阵LRA；求得A对应范得瓦尔登评分矩阵V，求得V对应Spearman等级相关系数矩阵RV，基于RV进行Cholesky分解得到下三角阵LRV；基于所述LRA、LRV获得变量等级描述矩阵步骤13，将A按照中元素排列方式重新排列得到增广样本矩阵AE。4.如权利要求1所述的方法，...

【专利技术属性】
技术研发人员：张建功，庆辉，田洪迅，王宏刚，万涛，李浩松，李金，康泰峰，李欣，
申请(专利权)人：国家电网公司，北京国网信通埃森哲信息技术有限公司，国网信息通信产业集团有限公司，
类型：发明
国别省市：北京,11