CN106483947A - 基于大数据的配电网运行状态评估和预警方法 - Google Patents

Abstract

本发明公开了一种基于大数据的配电网运行状态评估和预警方法主要是对当前配电网运行状态进行监测，保障配电网安全运行的评估和预警机制，它主要由数据处理模块、运行状态评估模块、风险预警模块以及操作控制模块等部分组成。主要是先通过主成分分析法综合给定的指标参数，然后利用基因表达式编程的算法思想来挖掘出综合得分与各指标数据之间的函数关系式，最后将当前配电网运行状态数据作为该函数关系式的输入，根据其计算结果评定当前配电网运行状态风险等级，并给予可行的参考性意见，帮助用户和决策人员更好地规划和管理整个配电网，使得配电网能够更高效更安全地运行。

Description

基于大数据的配电网运行状态评估和预警方法

技术领域

本发明涉及一种配电网运行状态评估和预警方法，主要用于解决配电网运行状态评估和预警的问题，属于电力信息安全领域。

背景技术

配电网是电力***的重要组成部分，随着社会经济的发展和人们生活水平的提升，人们对配电网的建设和管理提出了更高的要求。但是在传统的配电网运行状态评估中，受限于较窄的数据采集渠道或较低的数据集成和处理能力，使得研究人员难以从其中挖掘出更有价值的信息。而今由于配电自动化、用电信息采集等应用***的推广应用，对于有千条馈线的大规模配电网来说，配电网中会产生指数级增长的海量异构、多态的数据，因此如何运用日趋成熟的大数据技术来分析处理这些数据，并有效挖掘出横向数据之间的关系和预测数据走向，为配电网的安全运行和优质服务提供支撑成为我们亟待解决的问题。对于电力公司来说，如何利用配电网累积的数据基础，对配电网的运行状态进行评估和预警更是一项重要的工作。

对配电网运行状态进行评估和预警主要是利用数据分析和数据挖掘技术，结合历史和现状数据，通过计算风险指标，判断出所面临风险类型，预测从现在起未来一段时间内配电网所面临的风险情况，然后根据风险类型辨识结果，生成相应的预防控制方案。目前，在配电网评估方面应用的综合评价方法有很多，如：层次分析法、模糊综合评价法、熵值法及主成分分析法等。这些方法都是经典理论的应用，具有较高的实用性。但是，其人为因素的影响颇为严重，且不同的评价理论突出的重点信息不同，这些都可能使评价结论出现漂移，使评价结果出现误差。因此研究有效的配电网运行状态评估和预警方法能够更好地提高配电网运行管理水平，具有重要的意义。

配电网运行状态评估和预警主要需考虑两个方面的问题：(1)如何设定评估配电网运行状态的指标参数；(2)如何选择一种方法来有效地评估当前配电网运行状态并给出预警。对于按照实际需求设定合适的评估指标参数，有诸多因素需要考虑，如：所设定的评估指标是否能够全面地反映整个配电网的运行状态，是否能够兼顾主观和客观因素又各有侧重点，又是否能在满足提及要求的前提下尽可能减少指标参数个数等。而如何根据设定的指标参数选择一种有效的方法来评估配电网的运行状态也是整个评估体系的关键技术。

发明内容

本发明的目的在于提供一种一种基于大数据的配电网运行状态评估和预警方法，对配电网运行状态下可能出现的风险进行评估和预警。本机制是一种策略性方法，通过使用本方法可以有效地对配电网运行状态进行评估和预警，为保障配电网能够安全运行提供了一种技术手段。

本发明的技术解决方案是：

一种基于大数据的配电网运行状态评估和预警方法，其特征是：由数据处理模块进行数据处理，由运行状态评估模块对经数据处理模块处理的数据进行运行状态评估，运行状态评估得到的综合得分提交风险预警模块处理，风险预警模块评定当前配电网运行状态的风险等级，同时向操作控制模块给出可行的行为指令；

包括下列步骤：

步骤一：分析问题的实际需求，构建合理的配电网运行状态评估指标体系；

步骤二：采集评估体系下二级指标所对应的相关历史数据，对其进行处理：不良数据的检测、不良数据的辨识和修补、以及缺失值的填充，组成需进一步处理的训练样本数据集X；

步骤三：对该训练样本数据集X进行标准化处理，组成待挖掘的训练样本数据集，假设仍用X表示；

步骤四：运用主成分分析法对采集的各类指标参数值进行综合，将指标个数从p减少至m，得到新指标z_i(i＝1,2,…,m)的计算表达式，从而生成新的训练样本数据集Z；

步骤五：根据得到的样本数据集Z运用基因表达式编程算法初始化种群；

步骤六：构建合适的适应度评价函数，设定停止产生新代时新代所需达到的计算精度范围；

步骤七：针对产生的个体进行选择操作，变异操作，变换操作以及重组操作，产生新个体；

步骤八：将产生的新个体按照适应值大小排序，保留优秀个体；

步骤九：选择多样性算子p_b、p_r，以一定的比例p_b保留适应度较差的个体，以一定的概率p_r随机产生一部分新个体，继而产生新代；

步骤十：判断产生的新代适应值是否达到设定的计算精度，若达到则退出，转至步骤十一，否则转至步骤七重复执行；

步骤十一：返回综合得分与各指标数据之间的函数关系式，即F＝f(z₁,z₂,…,z_m)；

步骤十二：将采集并处理后所得到的配电网当前运行状态相关的指标参数样本数据作为该函数关系式的自变量，计算当前配电网运行状态的综合得分F；

步骤十三：查询风险等级知识规则库，评定综合等分F所对应的风险等级，并给出相应可行的行为指令；

步骤十四：若配电网处于自动模式，立即执行相应指令；否则，交由用户自行处理；

步骤十五：配电网运行状态评估和预警过程结束。

体系结构

图1给出了一种基于大数据的配电网运行状态评估和预警结构图，它主要包括四个模块：数据处理模块、运行状态评估模块、风险预警模块以及操作控制模块。图中的操作控制模块包括了在对配电网运行状态给定相应风险预警等级的情况下，对配电网运行状态调度实施相应决策的所有具体操作；同时还包括可能的一些人为的主动型操作。本发明增加了其它的部分并不影响对配电网运行状态进行评估和预警的动作，只是保障配电网能够处在更安全的环境下运行。

下面给出具体介绍：

数据处理模块：在以配电网资源为对象获取大量大数据时，所采集的数据中不乏有一部分不良数据的存在，直接拿来进行计算势必会对配电网运行状态评估结果产生不利影响。因此，需要对不良数据进行处理，同时对某些缺失的数据值作相应的补全，从而提高在状态评估时所输入数据的质量，提高最后影响运行状态的各指标综合性得分的准确性。在本专利中对数据处理模块的具体实现不做任何限制。

运行状态评估模块：为提高配电网运行的安全性，构建一个合理可行的配电网运行状态评估模型非常重要。在配电网运行过程中，需要选择或设计一种或多种评估算法作为技术手段，结合所采集并处理后的历史数据来构建评估模型；然后将配电网当前所监测的数据作为评估模型的输入，得到相应的评估结果，为后期配电网运行状态的调度和管理提供了理论依据。本发明专利中主要是结合主成分分析法和基于基因表达式编程算法来构建配电网运行状态评估模型。

风险预警模块：在对配电网当前所运行的状态进行评估后，还需要根据评估结果设定相应的预警等级并给予反馈；同时，为了更好地为电力专业人员实施决策和规划建设提供判断依据，风险预警模块能够根据用户的需求有选择性将某些监测数据或评估状态以不同的可视化技术进行展示。另外，当评估结果显示配电网运行状态出现异常时，风险预警模块还需要尝试为用户提供解决方案，并具有自动响应高预警等级下相应指令的权限。

操作控制模块：操作控制模块主要是运行操作指令，是配电网运行状态调度和管理的操作控制中心。它包括两种模式：自动模式和人工模式。若该操作控制模块处在自动模式下，它需要按照已配置好的指令或程序管理和控制整个配电网，如在风险预警模块出现设定好的高预警等级时，操作控制模块需要立即执行所给出的指令。若该操作控制模块处在人工模式下，它主要是按照用户的需求执行用户输入的指令或程序。一般情况下，操作控制模块处于自动模式，但人工模式的权限高于自动模式。

方法流程

1、数据处理模块

将所采集的历史数据进行处理是有必要的，它提升了构建配电网运行状态评估模型时数据集的准确性。在本方法中，对数据进行处理主要分为3个步骤：1)不良数据的检测。利用比较成熟的不良数据检测方法，并结合电力***的相关理论对所采集的历史数据进行检测，判断该量测采样中是否存在不良数据。如可考虑使用标准化残差和电力***中的6个规律和4个规则进行检测和判断。2)不良数据的辨识和修补。当发现所采集的历史数据存在不良数据后，需要进一步确定哪个(或哪些)量测数据是不良数据，并按照合适的方法尽可能对不良数据进行调整或重新赋值。如可考虑使用决策树理论对不良数据进行辨识，并基于配电网干线电压一般波动范围不大等知识对不良数据进行修补。3)缺失值的填充。在所采集的历史数据中，由于操作不当和遗漏，又或者是信息无法获取等原因会导致数据缺失，而空值的存在又会对整个数据挖掘过程造成影响，所以我们需要通过专门的方法对缺失的数据进行推导、填充等，以减少数据挖掘算法与实际应用之间的差距。可针对缺失数据的不同类型或属性运用不同的空值处理方法，如可考虑特殊值填充和回归方法等各类方法综合的方式来实现。

另外，由于采集不同电力指标的数据会直接影响配电网运行状态评估模型建立的正确性，因此需要根据最终的需求来建立一个比较恰当的电网评价指标体系，既要尽可能全面地反映电网实际情况，又要考虑到数据采集难度、计算量等实际情况，尽可能做到既不重复也不遗漏。在本发明专利中，由于安全、可靠和经济是电网供电的基本要求，同时，在对配电网运行状态进行评估时还需考虑电网的供电能力，对可能的风险指标进行量化分析，因此，综上考虑，并结合电力专家多方面意见，本发明专利确定如图2所示的配电网运行状态评估指标体系结构。

该评估指标体系包括安全性评价、供电能力评价、可靠性和供电质量评价、经济性评价和故障辨识和风险指标5个一级指标。每个指标包含多项下属指标,即二级指标，以从不同的角度加以量化。这5项一级指标构成一个整体，可有效评价配电网目前的运行状态。特别注意的是，本发明专利在数据处理模块所采集的历史数据是该评估体系下二级指标的量化数据集。

运行状态评估模块

配电网在运行时，需要周期或持续性的对整个电网运行状态实施监控。通过选择合适的数据分析和挖掘算法，并结合配电网的历史数据，来构建比较完善的评估模型；然后采集配电网目前的运行数据，利用该评估模型计算其风险指标并给予预警等级，判断配电网可能面临的风险类型，预测从现在起未来一段时间内配电网的整个运行情况。由于多重数据会分散影响评估结果的主要指标，降低评估结果的正确性，并增加计算难度；另外，现有的一些关于配电网综合状态评估方法主要侧重于专家经验，缺少客观性，很难对整个配电网运行状态进行评估。

因此，在本方法中，配电网运行状态评估模型的构建主要分为两个方面：首先利用主成分分析法对多重指标参数进行降维，综合有效的指标参数，然后基于基因表达式编程算法实现配电网运行状态的评估和预警。

利用主成分分析法将数据处理模块所得到的历史数据进行降维，在综合各指标评价的基础上简化指标量的输入。假设经过数据处理模块输出的样本观测数据矩阵为：

其中x_ij表示所采集的第i个样本关于指标j所对应的数值，所选定的指标数为p，共采集了n个样本。

主要工作流程如下：

对采集得到的配电网历史数据样本进行标准化处理，组成待挖掘的训练样本数据集。即对(1)式的矩阵样本X进行标准化处理，相关处理公式如下：

其中

计算该训练样本的相关系数矩阵R：

为方便，假设原始数据标准化后的样本仍用X表示，则经标准化处理后的数据的相关系数为：

用雅克比方法求相关系数矩阵R的特征值(λ₁,λ₂…λ_p)，即解特征方程|λI-R|＝0，使求得的特征值按大小顺序排列：

λ₁≥λ₂≥…≥λ_p≥0

同时，还需要分别求出对应于特征值λ_i的特征向量e_i(i＝1,2,…,p)，要求||e_i||＝1，即e_ij表示向量e_i的第j个分量。

计算主成分贡献率及累计贡献率。这里的贡献率就是指某个主成分的方差占全部方差的比重，实际也就是某个特征值占全部特征值合计的比重，即：

贡献率越大，说明该主成分所包含的原始变量的信息越强。

选择重要的主成分，写出主成分表达式。这里主要是根据主成分的累计贡献率来选取主成分个数，即一般取累计贡献率达到85％～95％的特征值λ₁,λ₂,…,λ_m所对应的第1、第2、…、第m(m≤p)个主成分。故主成分载荷l_ij计算公式如下：

假设我们所采集的历史数据的指标变量为x_j，此时主成分z_i为：

经过上述处理和分析，我们用m个主成分代替了原来的p个指标变量，即将原来的p个影响配电网运行状态的指标减少至m个，此时我们的训练样本集X经过处理变为Z，即：

通过主成分分析法将影响配电网运行状态的多重指标进行筛选和综合后，在本方法中，我们还需要利用基于基因表达式编程算法来从经过处理后得到的训练样本数据集Z中挖掘出F与z_j(j＝1,2,…,m)之间的函数关系F＝f(z₁,z₂,…,z_m)，z_j表示经主成分分析法计算得到的综合指标值。通过采集配电网当前运行状态的相关数据，经过主成分分析法处理后，将计算所得的数值按照对应关系作为该函数关系式的输入，计算F的值，然后把计算的结果作为风险预警模块的输入，从而对当前的配电网运行状态进行评估并给予反馈。

主要工作流程如下：

根据经过主成分分析法得到的训练样本集Z(见(2)式)初始化种群。

构建合适的适应度评价函数，设定停止产生新代时新代所需达到的计算精度范围。

针对产生的个体进行选择操作，变异操作，变换操作以及重组操作，产生新个体。

将产生的新个体按照适应值大小排序，保留优秀个体。

选择多样性算子p_b、p_r，以一定的比例p_b保留适应度较差的个体，以一定的概率p_r随机产生一部分新个体，继而产生新代。

判断产生的新代适应值是否达到设定的计算精度，若达到则退出，转至(7)，否则转至(3)重复执行。

返回所求得的函数关系式，然后将采集并处理后所得到的配电网当前运行状态相关的指标参数样本数据作为该函数关系式的自变量，计算得到当前配电网运行状态的综合得分F，最后将F提交至风险预警模块，便于后续风险等级的评定。

风险预警模块

风险预警模块主要是能够为运行状态评估模块所提交的综合评分评定相应的风险等级，并给出一些合理可行的参考性意见，供调度决策人员参考。在本方法中，主要是通过建立一个风险等级知识规则库来实现该模块所需的评定功能。为了更好地描述该模块功能的设计，我们假定已构建好如表1所示的风险等级知识规则库。

表1风险等级知识规则库

评分区间	[a1,a2)	[a2,a3)	[a3,a4)	[a4,a5)	[a5,a6)
						评定等级	A	B	C	D	E
行为指令	Action1	Action2	Action3	Action4	Action5

由表1可知，在假定的风险等级知识规则库中共有5个等级，且假设各等级间风险严重程度关系为：A＞B＞C＞D＞E。当运行状态评估模块计算所得分数在评分区间[a₁,a₂)时，通过查询风险等级知识规则库易知所属等级为A，同时反馈给用户的还有其行为指令Action1。若等级A代表配电网运行状态处于崩溃边缘，那Action1可能代表需要立即备份配电网运行数据，同时将配电网运行模式切换至安全模式，等待用户进行恢复和重构。当操作控制模块处于自动模式时，该行为指令立即被配电网执行；若操作控制模块处于人工模式，该行为指令交由用户自行处理。

在对风险等级知识规则库进行设计时，需要根据问题的实际需求，结合专家意见和理论知识设置比较合理的风险等级，以及与之相对应的分数区间与可行的行为指令。另外，若有需求，该风险预警模块还能对用户提出的查看更详细评估结果进行响应，将之前模块采集和提交的数据进行处理分析，以可视化的技术将其结果更直观地向用户展示。同时还能帮助用户和决策人员更好地评估该配电网的当前运行状态，更好地规划和管理整个配电网的运行。

本发明方法提出了一种基于大数据的配电网运行状态评估和预警方法，主要用于解决评估当前配电网的运行状态，通过使用本发明中提出的方法可以根据当前配电网运行状态数据有效评估该配电网运行状态，并反馈给用户相应可行的参考性意见；同时还能按照用户的需求，有选择地将评估结果用可视化技术更直观地展示，帮助用户和决策人员更好地规划和管理整个配电网的运行。

运行状态评估模块通过使用主成分分析法，能有效地筛选和综合配电网运行状态评估指标体系下的二级指标参数。对构建一个比较合理的配电网运行状态评估模型来说，多重影响指标因子会分散各指标在评估模型中所占的权重，同时各类指标间可能还会彼此影响，从而降低整个评估模型计算结果的准确度；又或者人为地按照需求对各类指标进行筛选，会导致选择各类影响指标因素考虑不全，甚或是完全消除了某类影响指标因素在评估模型中所发挥的作用，而上述可能出现的问题都不是我们乐意见到的。因此，为了更好地对所给定的多重指标进行降维，将采集并处理后的历史数据运用主成分分析法进行分析，通过给定计算过程中累计贡献率的取值区间可以有效地区分各类指标间的主成分，使得所提取出的综合指标既考虑了各个指标影响评估模型的权重比，同时所减少的指标个数还降低了后续对训练样本数据集的处理难度。

另外，在得到综合指标的基础上还需要计算各个综合指标的整体得分，为后续评定相应的风险等级提供判断依据。在现有配电网评估体系中，大多是采用层次分析法、模糊评价法等以专家经验和专家意见为主的方法计算各类指标的综合得分，导致所计算结果更多是主观意愿评估的结果，对整个配电网运行状态缺乏更全面更整体化的把握。因此，在本发明中引入基于基因表达式编程算法，能在一定程度上减少主观意愿对整个评估结果的影响。通过使用主成分分析法得到的训练样本数据集初始化种群，并构建合适的适应度评价函数，设定计算停止的精度，选择多样性遗传因子，最终能够构造一个符合需求的函数关系式。通过该函数关系式，用户可以将当前配电网运行状态数据作为其自变量，从而可以计算出该配电网当前运行状态的综合得分，为后续对该配电网当前运行状态评定相应的风险等级提供了有力的判断依据。

附图说明

下面结合附图和实施例对本发明作进一步说明。

图1是配电网运行状态评估和预警的组成结构图。主要包括：数据处理模块、运行状态评估模块、风险预警模块以及操作控制模块。

图2是配电网运行状态评估指标体系结构示意图。

图3是参考体系结构示意图。表示本发明方法包括的组件。

图4是本发明方法的流程示意图。

具体实施方式

为了方便描述，我们假设有如下应用实例：

在拥有配电网运行状态历史数据的基础上，需要对当前配电网运行状态进行评估和预警，要求将采集得到的历史数据经过一系列处理后作为运行状态评估模块的输入，先运用主成分分析法综合影响指标参数，得到新的训练样本数据集，然后运用基因表达式编程算法挖掘出综合得分与各指标数据之间的函数关系式，最后将当前配电网运行状态数据作为其函数关系式的输入，计算综合得分，将计算结果提交至风险预警模块，查询风险等级知识规则库为当前配电网运行状态评定风险等级，并给出可行的参考性意见。

其具体的实施方案为：

一种基于大数据的配电网运行状态评估和预警方法，由数据处理模块进行数据处理，由运行状态评估模块对经数据处理模块处理的数据进行运行状态评估，运行状态评估得到的综合得分提交风险预警模块处理，风险预警模块评定当前配电网运行状态的风险等级，同时向操作控制模块给出可行的行为指令；

包括下列步骤：

步骤一：分析问题的实际需求，构建合理的配电网运行状态评估指标体系；

步骤二：采集评估体系下二级指标所对应的相关历史数据，对其进行处理：不良数据的检测、不良数据的辨识和修补、以及缺失值的填充，组成需进一步处理的训练样本数据集X；

步骤三：对该训练样本数据集X进行标准化处理，组成待挖掘的训练样本数据集，假设仍用X表示；

步骤四：运用主成分分析法对采集的各类指标参数值进行综合，将指标个数从p减少至m，得到新指标z_i(i＝1,2,…,m)的计算表达式，从而生成新的训练样本数据集Z；

步骤五：根据得到的样本数据集Z运用基因表达式编程算法初始化种群；

步骤六：构建合适的适应度评价函数，设定停止产生新代时新代所需达到的计算精度范围；

步骤七：针对产生的个体进行选择操作，变异操作，变换操作以及重组操作，产生新个体；

步骤八：将产生的新个体按照适应值大小排序，保留优秀个体；

步骤九：选择多样性算子p_b、p_r，以一定的比例p_b保留适应度较差的个体，以一定的概率p_r随机产生一部分新个体，继而产生新代；

步骤十：判断产生的新代适应值是否达到设定的计算精度，若达到则退出，转至步骤十一，否则转至步骤七重复执行；

步骤十一：返回综合得分与各指标数据之间的函数关系式，即F＝f(z₁,z₂,…,z_m)；

步骤十二：将采集并处理后所得到的配电网当前运行状态相关的指标参数样本数据作为该函数关系式的自变量，计算当前配电网运行状态的综合得分F；

步骤十三：查询风险等级知识规则库，评定综合等分F所对应的风险等级，并给出相应可行的行为指令；

步骤十四：若配电网处于自动模式，立即执行相应指令；否则，交由用户自行处理；

步骤十五：配电网运行状态评估和预警过程结束。

所述数据处理模块对数据处理主要分为三个步骤：1)不良数据的检测：利用比较成熟的不良数据检测方法，并结合电力***的相关理论对所采集的历史数据进行检测，判断该量测采样中是否存在不良数据；2)不良数据的辨识和修补：当发现所采集的历史数据存在不良数据后，需要进一步确定哪个或哪些量测数据是不良数据，并按照合适的方法尽可能对不良数据进行调整或重新赋值；3)缺失值的填充：在所采集的历史数据中，由于操作不当和遗漏，又或者是信息无法获取等原因会导致数据缺失，而空值的存在又会对整个数据挖掘过程造成影响，所以我们需要通过专门的方法对缺失的数据进行推导、填充，以减少数据挖掘算法与实际应用之间的差距；可针对缺失数据的不同类型或属性运用不同的空值处理方法。

运行状态评估模块对经数据处理模块处理的数据进行运行状态评估，首先利用主成分分析法对多重指标参数进行降维，综合有效的指标参数，然后基于基因表达式编程算法实现配电网运行状态的评估和预警。

(A)所述利用主成分分析法对多重指标参数进行降维，综合有效的指标参数，包括：利用主成分分析法将数据处理模块所得到的历史数据进行降维，在综合各指标评价的基础上简化指标量的输入；假设经过数据处理模块输出的样本观测数据矩阵为：

其中x_ij表示所采集的第i个样本关于指标j所对应的数值，所选定的指标数为p，共采集了n个样本；

(B)所述基于基因表达式编程算法实现配电网运行状态的评估和预警，包括：通过主成分分析法将影响配电网运行状态的多重指标进行筛选和综合后，在本方法中，还需要利用基于基因表达式编程算法来从经过处理后得到的训练样本数据集Z中挖掘出F与z_j(j＝1,2,…,m)之间的函数关系F＝f(z₁,z₂,…,z_m)，z_j表示经主成分分析法计算得到的综合指标值；通过采集配电网当前运行状态的相关数据，经过主成分分析法处理后，将计算所得的数值按照对应关系作为该函数关系式的输入，计算F的值，然后把计算的结果作为风险预警模块的输入，从而对当前的配电网运行状态进行评估并给予反馈。

步骤(B)的主要工作流程如下：

(1)根据经过主成分分析法得到的训练样本集Z初始化种群；

(2)构建合适的适应度评价函数，设定停止产生新代时新代所需达到的计算精度范围；

(3)针对产生的个体进行选择操作，变异操作，变换操作以及重组操作，产生新个体；

(4)将产生的新个体按照适应值大小排序，保留优秀个体；

(5)选择多样性算子p_b、p_r，以一定的比例p_b保留适应度较差的个体，以一定的概率p_r随机产生一部分新个体，继而产生新代；

(6)判断产生的新代适应值是否达到设定的计算精度，若达到则退出，转至步骤(7)，否则转至步骤(3)重复执行；

(7)返回所求得的函数关系式，然后将采集并处理后所得到的配电网当前运行状态相关的指标参数样本数据作为该函数关系式的自变量，计算得到当前配电网运行状态的综合得分F，最后将F提交至风险预警模块，便于后续风险等级的评定。

步骤(A)的主要工作流程如下：

(1)对采集得到的配电网历史数据样本进行标准化处理，组成待挖掘的训练样本数据集；即对(1)式的矩阵样本X进行标准化处理，相关处理公式如下：

其中

(2)计算该训练样本的相关系数矩阵R：

为方便，假设原始数据标准化后的样本仍用X表示，则经标准化处理后的数据的相关系数为：

(3)用雅克比方法求相关系数矩阵R的特征值(λ₁,λ₂…λ_p)，即解特征方程|λI-R|＝0，使求得的特征值按大小顺序排列：

λ₁≥λ₂≥…≥λ_p≥0

同时，还需要分别求出对应于特征值λ_i的特征向量e_i(i＝1,2,…,p)，要求||e_i||＝1，即e_ij表示向量e_i的第j个分量。

(4)计算主成分贡献率及累计贡献率；这里的贡献率就是指某个主成分的方差占全部方差的比重，实际也就是某个特征值占全部特征值合计的比重，即：

贡献率越大，说明该主成分所包含的原始变量的信息越强；

(5)选择重要的主成分，写出主成分表达式；这里主要是根据主成分的累计贡献率来选取主成分个数，即一般取累计贡献率达到85％～95％的特征值λ₁,λ₂,…,λ_m所对应的第1、第2、…、第m(m≤p)个主成分；故主成分载荷l_ij计算公式如下：

假设我们所采集的历史数据的指标变量为x_j，此时主成分z_i为：

经过上述处理和分析，用m个主成分代替了原来的p个指标变量，即将原来的p个影响配电网运行状态的指标减少至m个，此时训练样本集X经过处理变为Z，即：

风险预警模块通过查询风险等级知识规则库评定当前配电网运行状态的风险等级，同时给出可行的行为指令，若操作控制模块处于自动模式，该配电网运行相应指令；否则，交由用户自行处理；另外，若有需求，该风险预警模块还能响应用户提出的查看具体评估结果的请求，将评估结果以可视化技术展示，帮助用户和决策人员更好地规划和管理整个配电网的运行。

Claims (7)

1.一种基于大数据的配电网运行状态评估和预警方法，其特征是：由数据处理模块进行数据处理，由运行状态评估模块对经数据处理模块处理的数据进行运行状态评估，运行状态评估得到的综合得分提交风险预警模块处理，风险预警模块评定当前配电网运行状态的风险等级，同时向操作控制模块给出可行的行为指令；

包括下列步骤：

步骤一：分析问题的实际需求，构建合理的配电网运行状态评估指标体系；

步骤二：采集评估体系下二级指标所对应的相关历史数据，对其进行处理：不良数据的检测、不良数据的辨识和修补、以及缺失值的填充，组成需进一步处理的训练样本数据集X；

步骤三：对该训练样本数据集X进行标准化处理，组成待挖掘的训练样本数据集，假设仍用X表示；

步骤四：运用主成分分析法对采集的各类指标参数值进行综合，将指标个数从p减少至m，得到新指标z_i(i＝1,2,…,m)的计算表达式，从而生成新的训练样本数据集Z；

步骤五：根据得到的样本数据集Z运用基因表达式编程算法初始化种群；

步骤六：构建合适的适应度评价函数，设定停止产生新代时新代所需达到的计算精度范围；

步骤七：针对产生的个体进行选择操作，变异操作，变换操作以及重组操作，产生新个体；

步骤八：将产生的新个体按照适应值大小排序，保留优秀个体；

步骤九：选择多样性算子p_b、p_r，以一定的比例p_b保留适应度较差的个体，以一定的概率p_r随机产生一部分新个体，继而产生新代；

步骤十：判断产生的新代适应值是否达到设定的计算精度，若达到则退出，转至步骤十一，否则转至步骤七重复执行；

步骤十一：返回综合得分与各指标数据之间的函数关系式，即F＝f(z₁,z₂,…,z_m)；

步骤十二：将采集并处理后所得到的配电网当前运行状态相关的指标参数样本数据作为该函数关系式的自变量，计算当前配电网运行状态的综合得分F；

步骤十三：查询风险等级知识规则库，评定综合等分F所对应的风险等级，并给出相应可行的行为指令；

步骤十四：若配电网处于自动模式，立即执行相应指令；否则，交由用户自行处理；

步骤十五：配电网运行状态评估和预警过程结束。

2.根据权利要求1所述的基于大数据的配电网运行状态评估和预警方法，其特征是：所述数据处理模块对数据处理主要分为三个步骤：1)不良数据的检测：利用比较成熟的不良数据检测方法，并结合电力***的相关理论对所采集的历史数据进行检测，判断该量测采样中是否存在不良数据；2)不良数据的辨识和修补：当发现所采集的历史数据存在不良数据后，需要进一步确定哪个或哪些量测数据是不良数据，并按照合适的方法尽可能对不良数据进行调整或重新赋值；3)缺失值的填充：在所采集的历史数据中，由于操作不当和遗漏，又或者是信息无法获取等原因会导致数据缺失，而空值的存在又会对整个数据挖掘过程造成影响，所以我们需要通过专门的方法对缺失的数据进行推导、填充，以减少数据挖掘算法与实际应用之间的差距；可针对缺失数据的不同类型或属性运用不同的空值处理方法。

3.根据权利要求1或2所述的基于大数据的配电网运行状态评估和预警方法，其特征是：运行状态评估模块对经数据处理模块处理的数据进行运行状态评估，首先利用主成分分析法对多重指标参数进行降维，综合有效的指标参数，然后基于基因表达式编程算法实现配电网运行状态的评估和预警。

4.根据权利要求3所述的基于大数据的配电网运行状态评估和预警方法，其特征是：(A)所述利用主成分分析法对多重指标参数进行降维，综合有效的指标参数，包括：利用主成分分析法将数据处理模块所得到的历史数据进行降维，在综合各指标评价的基础上简化指标量的输入；假设经过数据处理模块输出的样本观测数据矩阵为：

$X=\left[\begin{array}{cccc}{x}_{11}& x_{12}& \mathrm{...}& x_{1p}\\ x_{21}& x_{22}& \mathrm{...}& x_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ x_{n1}& x_{n2}& \mathrm{...}& x_{np}\end{array}\right]---\left(1\right)$

其中x_ij表示所采集的第i个样本关于指标j所对应的数值，所选定的指标数为p，共采集了n个样本；

(B)所述基于基因表达式编程算法实现配电网运行状态的评估和预警，包括：通过主成分分析法将影响配电网运行状态的多重指标进行筛选和综合后，在本方法中，还需要利用基于基因表达式编程算法来从经过处理后得到的训练样本数据集Z中挖掘出F与z_j(j＝1,2,…,m)之间的函数关系F＝f(z₁,z₂,…,z_m)，z_j表示经主成分分析法计算得到的综合指标值；通过采集配电网当前运行状态的相关数据，经过主成分分析法处理后，将计算所得的数值按照对应关系作为该函数关系式的输入，计算F的值，然后把计算的结果作为风险预警模块的输入，从而对当前的配电网运行状态进行评估并给予反馈。

5.根据权利要求4所述的基于大数据的配电网运行状态评估和预警方法，其特征是：步骤(B)的主要工作流程如下：

(1)根据经过主成分分析法得到的训练样本集Z初始化种群；

(2)构建合适的适应度评价函数，设定停止产生新代时新代所需达到的计算精度范围；

(3)针对产生的个体进行选择操作，变异操作，变换操作以及重组操作，产生新个体；

(4)将产生的新个体按照适应值大小排序，保留优秀个体；

(5)选择多样性算子p_b、p_r，以一定的比例p_b保留适应度较差的个体，以一定的概率p_r随机产生一部分新个体，继而产生新代；

(6)判断产生的新代适应值是否达到设定的计算精度，若达到则退出，转至步骤(7)，否则转至步骤(3)重复执行；

(7)返回所求得的函数关系式，然后将采集并处理后所得到的配电网当前运行状态相关的指标参数样本数据作为该函数关系式的自变量，计算得到当前配电网运行状态的综合得分F，最后将F提交至风险预警模块，便于后续风险等级的评定。

6.根据权利要求4所述的基于大数据的配电网运行状态评估和预警方法，其特征是：步骤(A)的主要工作流程如下：

(1)对采集得到的配电网历史数据样本进行标准化处理，组成待挖掘的训练样本数据集；即对(1)式的矩阵样本X进行标准化处理，相关处理公式如下：

$x_{ij}^{*}=\frac{x_{ij}-\stackrel{\‾}{x_j}}{\sqrt{ver\left(x_j\right)}},(i=1,2,...,n;j=1,2,...,p)$

其中

$\mathrm{var}\left(x_j\right)=\frac{1}{n-1}\underset{i=1}{\overset{n}{\Σ}}{(x_{ij}-\stackrel{\‾}{x_j})}^2$

(j＝1,2,…,p)

(2)计算该训练样本的相关系数矩阵R：

$R=\left[\begin{array}{cccc}{r}_{11}& r_{12}& \mathrm{...}& r_{1p}\\ r_{21}& r_{22}& \mathrm{...}& r_{2p}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ r_{p1}& r_{p2}& \mathrm{...}& r_{pp}\end{array}\right]$

为方便，假设原始数据标准化后的样本仍用X表示，则经标准化处理后的数据的相关系数为：

$r_{ij}=\frac{1}{n-1}\underset{t=1}{\overset{n}{\Σ}}{x}_{ti}{x}_{tj}$

(i,j＝1,2,…,p)

(3)用雅克比方法求相关系数矩阵R的特征值(λ₁,λ₂…λ_p)，即解特征方程|λI-R|＝0，使求得的特征值按大小顺序排列：

λ₁≥λ₂≥…≥λ_p≥0

同时，还需要分别求出对应于特征值λ_i的特征向量e_i(i＝1,2,…,p)，要求||e_i||＝1，即e_ij表示向量e_i的第j个分量。

(4)计算主成分贡献率及累计贡献率；这里的贡献率就是指某个主成分的方差占全部方差的比重，实际也就是某个特征值占全部特征值合计的比重，即：

贡献率越大，说明该主成分所包含的原始变量的信息越强；

(5)选择重要的主成分，写出主成分表达式；这里主要是根据主成分的累计贡献率来选取主成分个数，即一般取累计贡献率达到85％～95％的特征值λ₁,λ₂,…,λ_m所对应的第1、第2、…、第m(m≤p)个主成分；故主成分载荷l_ij计算公式如下：

$l_{ij}=p(z_i,x_j)=\sqrt{{\mathrm{\λ}}_i}{e}_{ij},(1,j=1,2,...,p)$

假设我们所采集的历史数据的指标变量为x_j，此时主成分z_i为：

$z_i=\underset{j=1}{\overset{p}{\Σ}}{l}_{ij}{x}_j,(i=1,2,...,m;m\≤p)$

经过上述处理和分析，用m个主成分代替了原来的p个指标变量，即将原来的p个影响配电网运行状态的指标减少至m个，此时训练样本集X经过处理变为Z，即：

$Z=\left[\begin{array}{cccc}{z}_{11}& z_{12}& \mathrm{...}& z_{1m}\\ z_{21}& z_{22}& \mathrm{...}& z_{2m}\\ .& .& .& .\\ .& .& .& .\\ .& .& .& .\\ z_{n1}& z_{n2}& \mathrm{...}& z_{nm}\end{array}\right]---\left(2\right).$

7.根据权利要求1或2所述的基于大数据的配电网运行状态评估和预警方法，其特征是：风险预警模块通过查询风险等级知识规则库评定当前配电网运行状态的风险等级，同时给出可行的行为指令，若操作控制模块处于自动模式，该配电网运行相应指令；否则，交由用户自行处理；另外，若有需求，该风险预警模块还能响应用户提出的查看具体评估结果的请求，将评估结果以可视化技术展示，帮助用户和决策人员更好地规划和管理整个配电网的运行。