一种配电网故障预测的方法技术

本发明专利技术公开了一种配电网故障预测的方法，包括第一步数据采集预处理部分；第二步特征变量选择部分；第三步基于故障等级划分的配电网故障预测模型的搭建部分；本发明专利技术通过优化数据作用于搭建精准配电网故障预测模型，实现了配电网故障精准预测，解决了配电网故障预测中，数据难以精炼提取，预测模型参数难以选取的问题，为电网工作人员及时对配网故障做出反应提供依据，提升整个电力系统的稳定性和可靠性。

【技术实现步骤摘要】
一种配电网故障预测的方法
本专利技术涉及电网用电领域的一种配电网故障预测的方法。
技术介绍
配电网是电力系统中的重要组成部分，随着智能电网的快速发展，分布式电源的大量的不确定接入，使得配电网故障信息越发复杂，故障的准确快速分析变得越发困难。为保障配电网高度智能化运行，需要对馈线运行数据进行实时监控、异常情况及时预警及故障快速定位及处理。现有技术中的配电网故障定位方法及配电网故障类型分析方法均是基于故障产生后依据故障指示器所采集的故障波形对已发生的故障进行定位及类型分析，这类方法对及时处理已发生的故障具有指导意义。但是却不能够实现对将要发生的故障进行预测，无法达到及时防范可能发生故障的作用。此外配电网故障预测深受配电网故障各种的影响因素所干扰，且原始数据存在数据异常、空缺等问题，导致数据质量不高，最终影响故障预测结果。
技术实现思路
本专利技术的目的目的是为了克服现有技术的不足，提供一种配电网故障预测的方法，解决了配电网故障预测中，数据难以精炼提取，预测模型参数难以选取的问题，提升整个电力系统的稳定性和可靠性。为实现上述目的，本专利技术提供了如下技术方案：一种配电网故障预测的方法，其特征在于：包括以下步骤第一步：数据预处理部分，包括有配电网故障影响因素分析和基于粒子群算法的样本筛选；第二步：特征变量选择部分，包括对各相关变量进行初步特征选择，然后采用特定的选择算法进行再次筛选形成最优特征变量集；第三步：基于故障等级划分的配电网故障预测模型的搭建；对故障进行等级划分，利用改进的粒子群优化算法对支持向量机的参数进行优化，进而构建配电网故障预测模型，基于构建的模型分析配电网的各种数据，输出异常和故障预测。优选的，所述第一步中的配电网故障影响因素分析包括故障影响因素分析、配电网数据调研及提取(1)故障影响因素分析包括1)运行影响因素运行影响因素包括馈线负荷、馈线温升；2)设备自身影响因素设备自身影响因素包括馈线上设备数量、设备投运时间；3)外部影响因素外部影响因素包括是天气的影响，设备长期暴露在室外，受到温度、风、降水多种因素的影响；(2)配电电网数据调研及提取包括对配电网所含有的数据进行全面调研，在理解数据后全面地收集历史故障影响因素数据、故障数据，包括营销业务管理系统、ERP系统、配电自动化系统、用电信息采集系统、配电线路在线监测系统、生产管理系统、配电地理信息系统、智能公用配变监测系统。优选的，所述第一步中基于粒子群算法的样本筛选，包括对原始数据处理和离群数据样本剔除两大部分(1)处理原始数据，原始数据的处理包括数据清洗、数据变换、数据集成三个步骤：1)数据清洗数据清洗包括数据空缺值分析、数据异常值分析、数据重复值分析2)数据变换数据变换将原有的数据转换为易于分析和应用的形式，包括特征构造、数据分级及数据量化3)数据集成数据集成就是进行数据统计，将数据合并到某个统一的数据存储中(2)离群数据样本剔除对原始数据进行预处理后，得到的数据样本中仍可能出现异常的样本，采用基于聚类的离群样本诊断技术对离群样本数据进行诊断剔除。通过上述步骤，相对于现有的配电网历史数据预处理方式，本采用故障影响因素分析和基于粒子群算法的样本筛选，通过分析故障数据结合配电网所含有的多种数据进行全面调研提取，其输出结果，用于下一步骤的数据集在多次筛选和剔除后更加精准。优选的，所述第二步中特征变量选择包括馈线故障影响因素数据探索分析、馈线故障特征变量的选择(1)馈线故障影响因素数据探索分析通过数据探索的方法对馈线故障及其影响因素之间的关系进行分析，初步筛选出馈线故障影响因素特征变量下简称＂故障特征变量＂，为进一步采用特征选择算法筛选出最优故障特征变量奠定基础；(2)馈线故障特征变量的选择采用特征选择算法从大量的相关特征中选出最优特征子集：采用基于相关度的特征子集评价算法：剔除冗余特征变量、非强相关变量；量化离散型和离散型变量之间、离散型和连续型变量之间的相关性。通过上述方案设置，特征选择保留了了馈线故障特性类的故障特征变量一方面证明了馈线运行影响因素为强相关且与其它特征变量不存在冗余，另一方面证明了特征选择方法的有效性。优选的，所述第三步包括了采用粒子群优化算法对支持向量机参数进行优化构建模型，具体通过：(1)故障等级划分和评估指标1)采用基于统计概率的停电频率量和故障范围来划分故障等级2)采用Kappa统计指标作为配电网故障预测的评估指标(2)支持向量机训练样本且通过将数据转化到高维空间中再进行线性回归，从而将原本非线性拟合问题转化为了线性回归问题，公式如下：这里，ω为权值向量；x为输入向量；b为拟合偏差；(3)基于支持向量机的配电网故障预测模型采用支持向量机算法来解决复杂电网故障预测问题，将学习到的“隐形规则”储存在SVM模型中，并优化参数用于构建配电网故障预测模型。通过上述方案，相对传统的模型具有更强的泛化能力和分类效果，并且具有可避免过拟合、泛化误差有上限和调节参数少等优点。综合上述，本专利技术的有益效果：本专利技术通过依据配电网故障预测的可行性和全面合理性原则，深入分析配电网故障影响因素；对配电网数据进行调研，并提取馈线故障预测所需数据；由于原始数据存在数据异常、空缺等问题，研究了配电网数据预处理技术，并对原始数据进行预处理，从而提高了数据质量，基于优化后的数据和参数构建配电网故障预测模型，基于此配电网故障预测模型相对现有的模型，实现了配电网故障精准预测，解决了配电网故障预测中，数据难以精炼提取，预测模型参数难以选取的问题，为电网工作人员及时对配网故障做出反应提供依据，提升整个电力系统的稳定性和可靠性。附图说明图1为本方案配电网故障预测框架图；图2为本方案配电网数据调研流程图；图3为本方案聚类算法中粒子的3种移动方向加权求和示意图；图4为本方案离群样本诊断流程图；图5为本方案特征选择流程图；图6为本方案基于SVM的配电网故障预测流程图；图7为本方案特征子集常用的搜索策略图。具体实施方式以下结合图1-7对本专利技术作进一步详细说明。本实施例公开了一种配电网故障预测的方法，其特征在于：包括以下步骤第一步：数据预处理部分，包括有配电网故障影响因素分析和基于粒子群算法的样本筛选；第二步：特征变量选择部分，包括对各相关变量进行初步特征选择，然后采用特定的选择算法进行再次筛选形成最优特征变量集；第三步：基于故障等级划分的配电网故障预测模型的搭建；对故障进行等级划分，利用改进的粒子群优化算法对支持向量机的参数进行优化，进而构建配电网故障预测模型，基于构建的模型分析配电网的各种数据，输出异常和故障预测。优选的，本文档来自技高网...

【技术保护点】
1.一种配电网故障预测的方法，其特征在于：包括以下步骤/n第一步：数据预处理部分，包括有配电网故障影响因素分析和基于粒子群算法的样本筛选；/n第二步：特征变量选择部分，包括对各相关变量进行初步特征选择，然后采用特定的选择算法进行再次筛选形成最优特征变量集；/n第三步：基于故障等级划分的配电网故障预测模型的搭建；对故障进行等级划分，利用改进的粒子群优化算法对支持向量机的参数进行优化，进而构建配电网故障预测模型，基于构建的模型分析配电网的各种数据，输出异常和故障预测。/n

【技术特征摘要】
1.一种配电网故障预测的方法，其特征在于：包括以下步骤
第一步：数据预处理部分，包括有配电网故障影响因素分析和基于粒子群算法的样本筛选；
第二步：特征变量选择部分，包括对各相关变量进行初步特征选择，然后采用特定的选择算法进行再次筛选形成最优特征变量集；
第三步：基于故障等级划分的配电网故障预测模型的搭建；对故障进行等级划分，利用改进的粒子群优化算法对支持向量机的参数进行优化，进而构建配电网故障预测模型，基于构建的模型分析配电网的各种数据，输出异常和故障预测。


2.根据权利要求1所述的一种配电网故障预测的方法，其特征在于：所述第一步中的配电网故障影响因素分析包括故障影响因素分析、配电网数据调研及提取
(1)故障影响因素分析包括
1)运行影响因素
运行影响因素包括馈线负荷、馈线温升；
2)设备自身影响因素
设备自身影响因素包括馈线上设备数量、设备投运时间；
3)外部影响因素
外部影响因素包括是天气的影响，设备长期暴露在室外，受到温度、风、降水多种因素的影响；
(2)配电电网数据调研及提取包括
对配电网所含有的数据进行全面调研，在理解数据后全面地收集历史故障影响因素数据、故障数据，包括营销业务管理系统、ERP系统、配电自动化系统、用电信息采集系统、配电线路在线监测系统、生产管理系统、配电地理信息系统、智能公用配变监测系统。


3.根据权利要求1所述的一种配电网故障预测的方法，其特征在于：所述第一步中基于粒子群算法的样本筛选，包括对原始数据处理和离群数据样本剔除两大部分
(1)处理原始数据，原始数据的处理包括数据清洗、数据变换、数据集成三个步骤：
1)数据清洗
数据清洗包括数据空缺值分析、数据异常值分析、数据重复值分析
2)数据变换
数据变换将原有的数据转换为易于分析和...

【专利技术属性】
技术研发人员：黄文思，陆鑫，陈婧，薛迎卫，林超，叶强镔，胡从众，张建永，
申请(专利权)人：国网信通亿力科技有限责任公司，国网信息通信产业集团有限公司，国网江苏省电力有限公司，国家电网有限公司，
类型：发明
国别省市：福建;35