【技术实现步骤摘要】
本专利技术属于配电网故障预警，特别是涉及一种综合多因素下的配电网故障预警方法。
技术介绍
1、电力系统是国家经济系统的先行行业，配电网作为电力系统的重要环节，用于连接主网与用户，承担着为用户输送电能的重任，其运行状态的好坏直接影响用户的用电感受；另外，停电不仅对社会带来巨大的经济损失，还影响人民生活，扰乱社会秩序，甚至会危害国防安全。据统计，停电事故中80％以上是由配电网故障引起的，因此对配电网进行故障预警具有重要意义。
2、现有的配电网故障预警方法，大多是根据配电网运行信息(例如，负荷、电压及电流等)进行故障预警，对配电网的实时状态考量不足，忽略了天气等外部因素的形象；同时在后期的故障溯源中发现，有大量配电网故障是由于人为因素所导致，例如配电网区域的人员忽视安全距离、以及非法盗窃等；而现有的故障预警方法并未考虑人为因素的影响，忽略了配电网的实时状态信息，无法评估实时状态信息发展过程中诱发故障的可能，导致现有的故障预警模型对故障的预警准确率不高。
技术实现思路
1、为了解决
技术介绍
中存在的问题，本专利技术的一方面提供一种综合多因素下的配电网故障预警方法，包括：
2、s1：获取预处理后配电网的多源故障信息；其中，所述多源故障信息包括：人为因素信息、气象因素信息和电力设备因素信息；
3、s2：对电力设备因素信息进行特征提取得到电力设备因素特征；
4、s3：根据历史电力设备因素特征利用时间序列预测算法预测从当前时刻t0开始，到之后t0+t′
5、s4：根据历史电力设备因素信息提取电力设备正常运行时和故障时的电力设备因素特征，并利用fcm聚类算法计算[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度；
6、s5：根据人为因素信息和气象因素信息计算当前时刻t0的偶然性故障触发因子；
7、s6：根据[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度和时刻t0的偶然性故障触发因子计算得到时刻t0的故障触发值；判断时刻t0的故障触发值是否大于设定阈值，若是则进行故障预警。
8、优选地，所述电力设备因素信息包括但不限于：电力设备运行时的电压、电流、频率、以及温度；
9、所述对电力设备因素信息进行特征提取包括：
10、s21：获取时刻t的电力设备因素信息，将时刻t的电力设备因素信息输入深度自编码网络的编码器进行编码得到编码后的中间特征；
11、s22：将t-t″时刻到时刻t的中间特征组成特征序列，并利用lstm网络融合特征序列的上下文信息得到时刻t的电力设备因素特征；重复步骤s21-s22得到当前时刻t0、以及当前时刻t0之前所有时刻的电力设备因素特征。
12、优选地，所述预测从当前时刻t0开始，到之后t0+t′时间段内的电力设备因素特征包括：
13、s31：提取t0-t到t0时间段内的电力设备因素特征；
14、s32：根据t0-t到t0时间段内的电力设备因素特征利用时间序列预测算法预测从当前时刻t0开始，到之后t0+t′时间段内的电力设备因素特征。
15、优选地，所述时间序列预测算法预测包括但不限于：lstm算法和tcn算法。
16、优选地，所述利用fcm聚类算法计算[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度包括：
17、s41：利用fcm聚类算法将电力设备正常运行时和故障时的电力设备因素特征划分为正常运行数据和故障运行数据两个分组，并求出每个分组的聚类中心；
18、s42：根据正常运行数据和故障运行数据两个分组的聚类中心计算[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度。
19、优选地，所述[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度包括：
20、
21、其中，u2表示[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度；x表示[t0，t0+t′]时间段内的电力设备因素特征；c2表示故障运行数据分组的聚类中心；m表示模糊度指数；c＝2表示分组的数量；c1表示正常运行数据分组的聚类中心；||x-ck||表示x和ck的欧氏距离。
22、优选地，所述步骤s5包括：
23、s51：提取人为因素信息中时刻t0配电网区域的人员信息并计算人为因素修正系数，所述人员信息包括人员的类别、人员的体温、以及人员与配电网设备的最短距离；
24、所述人为因素修正系数p包括：
25、
26、其中，n表示配电网区域内人员的总数；pi表示配电网区域内第i个人员的故障诱发因子；ci表示人员i的类别；ci＝0表示人员i属于内部工作人员；ci＝1表示人员i属于其余人员；ε表示设定的温度阈值；φ表示设定的安全距离阈值；表示人员i的体温；a表示权重参数；表示人员i距离配电网设备的最短距离；
27、s52：根据天气预报获取[t0，t0+t′]时间段内的天气情况，判断[t0，t0+t′]时间段内是否会发生极端天气；若是则根据历史气象因素信息得到历史发生极端天气的次数以及极端天气情况下发生故障的次数计算天气因素修正系数
28、
29、s53：根据人为因素修正系数和天气因素修正系数计算得到偶然性故障触发因子α＝p×w。
30、优选地，所述时刻t0的故障触发值包括：
31、β＝u2×α
32、其中，β表示故障触发值，α表示偶然性故障触发因子，u2表示[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度。
33、本专利技术的另一方面提供一种综合多因素下的配电网故障预警装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种综合多因素下的配电网故障预警装置执行所述的一种综合多因素下的配电网故障预警方法。
34、本专利技术的再一方面提供一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现所述的一种综合多因素下的配电网故障预警方法。
35、本专利技术至少具有以下有益效果
36、本专利技术通过获取包含人为因素、气象因素和电力设备本身因素的信息，通过预警方法计算各时间段内的故障触发值，对各时间段进行预警，本专利技术综合考虑了设备因素信息，根据历史电力设备因素信息提取电力设备正常运行时和故障时的电力设备因素特征，考虑人为因素信息和气象因素信息计算故障触发值，本专利技术预警方法融合了多源故障信息，考虑了人为因素和天气因素下偶然故障触发情况，对配电网故障预警具有普适性，对保障配电网的安全稳定运行具有重要意义。
本文档来自技高网...【技术保护点】
1.一种综合多因素下的配电网故障预警方法，其特征在于，包括：
2.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述电力设备因素信息包括但不限于：电力设备运行时的电压、电流、频率、以及温度；
3.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述预测从当前时刻t0开始，到之后t0+t′时间段内的电力设备因素特征包括：
4.根据权利要求3所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述时间序列预测算法预测包括但不限于：LSTM算法和TCN算法。
5.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述利用FCM聚类算法计算[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度包括：
6.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度包括：
7.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述步骤S5包括：
8.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述时刻t0的故障触发值包括：
9.一种综合多因素下的配电网故障预警装置，其特征在于，包括处理器和存储器；所述存储器用于存储计算机程序；所述处理器与所述存储器相连，用于执行所述存储器存储的计算机程序，以使所述一种综合多因素下的配电网故障预警装置执行权利要求1至8中任一项所述的一种综合多因素下的配电网故障预警方法。
10.一种计算机可读存储介质，存储有程序，其特征在于，所述程序被处理器执行时，实现权利要求1-8任一项所述的一种综合多因素下的配电网故障预警方法。
...【技术特征摘要】
1.一种综合多因素下的配电网故障预警方法，其特征在于，包括：
2.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述电力设备因素信息包括但不限于：电力设备运行时的电压、电流、频率、以及温度；
3.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述预测从当前时刻t0开始，到之后t0+t′时间段内的电力设备因素特征包括：
4.根据权利要求3所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述时间序列预测算法预测包括但不限于：lstm算法和tcn算法。
5.根据权利要求1所述的一种综合多因素下的配电网故障预警方法，其特征在于，所述利用fcm聚类算法计算[t0，t0+t′]时间段内的电力设备因素特征属于故障时的隶属度包括：
6.根据权利要求1所述的一种综合多因素下的配...
【专利技术属性】
技术研发人员：张泰，陈少卿，滕予非，罗东辉，乔云池，黄长久，蒋容，
申请(专利权)人：国网四川省电力公司电力科学研究院，
类型：发明
国别省市：
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。