一种电力系统可靠性影响因素灵敏度计算方法技术方案

本发明专利技术提供一种电力系统可靠性的影响因素灵敏度计算方法，包括：在可靠性指标的神经网络中选择N条链路，所述链路满足以下条件：在神经网络的每一层中各选取一个神经元组成一条链路，所述被选取的神经元必须逐层依次直接相连；分别计算所述各条链路中某一影响因素的灵敏度指标，计算所有链路的灵敏度指标均值作为所述影响因素对可靠性指标的灵敏度。本发明专利技术通过实际数据的仿真实验可以有效地将其影响因素区分为有利因素和不利因素，并根据对所给指标的灵敏度贡献，将同性质影响因素的灵敏度重要程度进行量化排序。

A sensitivity calculation method for influencing factors of power system reliability

Including the calculation method, the invention provides a sensitivity factor for power system reliability: select the N link in the neural network reliability index, the link that meet the following conditions: a link in the neural network of each layer in each selected one neuron, the selected neurons must layer sequentially directly connected; the calculated link in a sensitivity index factor, calculation of sensitivity index average of all links as the influence factors on the sensitivity of reliability index. The present invention through the simulation of actual data can effectively distinguish the influencing factors for favorable and unfavorable factors, and according to the sensitivity of the indicators of the contribution will be with the nature of the influence factors of sensitivity to quantify the degree of order.

【技术实现步骤摘要】
一种电力系统可靠性影响因素灵敏度计算方法
本专利技术涉及电力信息管理领域，更具体地，涉及电力系统可靠性的影响因素灵敏度计算方法。
技术介绍
目前，电力系统的可靠性与运行环境和系统运行规划方式等因素密切相关，而影响因素与可靠性指标之间往往呈现出复杂的动态高维非线性关系。传统的基于元件可靠性推演系统可靠性的方法，由于需要借助历史统计和相对稳定的系统结构，以保障正确描述随机变量相关性和甄选模型结构，而现如今，在电力市场不断放开和新能源并网等需求的持续刺激下，各个地区的配电网系统结构正在发生快速变化，传统基于统计推理的可靠性预测方法难以有效实施和应用。数据驱动型的建模方式为建立快速变化的输入数据和输出之间的关系提供了新的思路。目前，已有研究提出数据驱动型的可靠性指标建模和数值预测方法。由何剑,程林,孙元章,王鹏在2008年的《电力系统与保护》中，发表的《计及天气预测的电力系统运行可靠性短期评估》提出计及天气预测的电力系统短期可靠性预测模型，采用支持向量机对气温和风速进行预测，并推导了系统各部分的失效概率对系统切负荷概率、电力不足期望值以及电量不足期望值的贡献度。由赵渊,周念成,谢开贵等在2005年《电网技术》中发表的《大电力系统可靠性评估的灵敏度分析》一文中推导了失负荷概率、失负荷频率和电力不足期望等大电力系统可靠性指标对元件有效度、无效度、故障率和修复率的灵敏度。A.M.L.daSilva,A.C.R.和L.C.Nascimento在2014年的达拉莫PMAPS国际会议上所作的《DatacalibrationbasedonMonteCarlosimulationandevolutionaryoptimization》一文基于元件可靠性参数对系统可靠性指标的灵敏度的概念和序贯蒙特卡洛仿真算法，提出一种元件可靠性参数校核方法。H.Ge和S.Asgarpoor,在2014年的IEEETransactionsonPowerDelivery上发表的《ReliabilityandMaintainabilityImprovementofSubstationsWithAgingInfrastructure》提出一种变电站可用率相对于其组成元件可用率的灵敏度，并用该灵敏度的规范值来表征各个元件对于变电站可靠性的贡献。T.X.Zhu在《ANewMethodologyofAnalyticalFormulaDeductionandSensitivityAnalysisofEENSinBulkPowerSystemReliabilityAssessment》一文中针对复合电力系统可靠性指标期望却供电量，推导了元件故障率和修复率的灵敏度。R.Arya,S.Choube,L.Arya,andR.Shrivastava在《ApplicationofSensitivityAnalysisforImprovingReliabilityIndicesofaRadialDistributionSystem》中提出基于元件维护成本灵敏度分析的元件故障率和修复时间优化方法。在此基础上，本专利技术提出一种基于BP神经网络的配电网可靠性关联因素灵敏度计算方法。
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的影响因素灵敏度计算方法，包括：步骤1，在可靠性指标的神经网络中选择N条链路，所述链路满足以下条件：在神经网络的每一层中各选取一个神经元组成一条链路，所述被选取的神经元必须逐层依次直接相连；步骤2，分别计算所述各条链路中某一影响因素的灵敏度指标，计算所有链路的灵敏度指标均值作为所述影响因素对可靠性指标的灵敏度。本申请提出一种电力系统可靠性的影响因素灵敏度计算方法，该方法能够有效识别给定神经网络模型下，可靠性指标的各个关联因素的灵敏度的大小和相对重要性，为大数据环境下系统可靠性的管理和系统建设提供了有价值的数值分析工具。本专利技术通过实际数据的仿真实验可以有效地将其影响因素区分为有利因素和不利因素，并根据对所给指标的灵敏度贡献，将同性质影响因素的灵敏度重要程度进行量化排序。附图说明图1为根据本专利技术实施例的整体流程图示意图；图2为根据本专利技术实施例可靠性指标的神经网络的结构示意图；图3为根据本专利技术实施例的整体流程图示意图。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。在图1中，在本专利技术的一个具体实施例，示出一种电力系统可靠性的影响因素灵敏度计算方法。总体来说，包括：步骤1，在可靠性指标的神经网络中选择N条链路，所述链路满足以下条件：在神经网络的每一层中各选取一个神经元组成一条链路，所述被选取的神经元必须逐层依次直接相连；步骤2，分别计算所述各条链路中某一影响因素的灵敏度指标，计算所有链路的灵敏度指标均值作为所述影响因素对可靠性指标的灵敏度。在本专利技术另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方法，所述数据网络为BP神经网络。在本专利技术另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方法，所述可靠性指标能够为：用户年均停电小时数。在本专利技术另一个具体实施例中，所述影响因素能够为：绝缘馈线比、联络线比例、分段与馈线的数量比、单位分段平均用户数或年均馈线容载比。图2中，在本专利技术另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方法，如所示，所述可靠性指标的神经网络各个网络包含的隐藏层、神经元个数以及传递函数。在本专利技术另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方法，步骤2中所述分别计算所述各条链路中某一影响因素的灵敏度指标，通过以下步骤实现。借助连续导数法则，推导给定可靠性指标的神经网络下的可靠性指标和单一影响因素之间的解析关系表达式如下：类似图2所示的一个三层神经网络所示的符号含义，对于包含一个输入层(第0层)，M个隐藏层以及一个输出层的其它神经网络，各个层级的输入输出通用关系模型为：o(k+1)(j)＝h(k+1)(n(k+1)(i))(2)其中，o(k+1)(j)＝I(j)，h(k)()表示第k层的传递函数。根据偏导数的链式求导法则，从最后一层，即M+1层开始，从公式(2)出发进行偏导数求取运算，即可以得到：其中I为可靠性指标，F为影响因素，M为所述可靠性指标的神经网络中隐藏层的个数，i为各层中神经元编号。在本专利技术另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方法，所述步骤1前还包括：利用样本增广技术对可靠性的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；基于初级增广矩阵AE进行单输出神经网络训练。图3中，在本专利技术另一个具体实施例中以用户年均停电小时数(TOH)指标为例进行灵敏度计算方法的介绍，示出一种电力系统可靠性的影响因素灵敏度计算方法。包括以下步骤：(一)针对可靠性指标TOH，选定三个不同的BP神经网络可靠性模型，所选用的各个网络包含的隐藏层、神经元个数以及传递函数如下表1所示。(二)对各个网络均利用Matlab神经网络工具箱采LevenbergMarquardtoptimization算法进行训练，其它参数均采用软件包默认设置；影响因素和可本文档来自技高网...

【技术保护点】
一种电力系统可靠性的影响因素灵敏度计算方法，其特征在于，包括：步骤1，在可靠性指标的神经网络中选择N条链路，所述链路满足以下条件：在神经网络的每一层中各选取一个神经元组成一条链路，所述被选取的神经元必须逐层依次直接相连；步骤2，分别计算所述各条链路中某一影响因素的灵敏度指标，计算所有链路的灵敏度指标均值作为所述影响因素对可靠性指标的灵敏度。

【技术特征摘要】
1.一种电力系统可靠性的影响因素灵敏度计算方法，其特征在于，包括：步骤1，在可靠性指标的神经网络中选择N条链路，所述链路满足以下条件：在神经网络的每一层中各选取一个神经元组成一条链路，所述被选取的神经元必须逐层依次直接相连；步骤2，分别计算所述各条链路中某一影响因素的灵敏度指标，计算所有链路的灵敏度指标均值作为所述影响因素对可靠性指标的灵敏度。2.如权利要求1所述的方法，其特征在于，所述数据网络为BP神经网络。3.如权利要求1所述的方法，其特征在于，所述可靠性指标能够为：用户年均停电小时数。4.如权利要求1所述的方法，其特征在于，所述影响因素能够为：绝缘馈线比、联络线比例、分段与馈线的数量比、单位分段平均用户数或年均馈线容载比。5.如权利要求1所述的方法，其特征在于，步骤2中所述分别计算所述各条链路中某一影响因素的灵敏度指标，包括：其中为灵敏度...

【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