CN107256444A - 一种配电网故障风险模糊综合评价方法及装置 - Google Patents
一种配电网故障风险模糊综合评价方法及装置 Download PDFInfo
- Publication number
- CN107256444A CN107256444A CN201710271025.9A CN201710271025A CN107256444A CN 107256444 A CN107256444 A CN 107256444A CN 201710271025 A CN201710271025 A CN 201710271025A CN 107256444 A CN107256444 A CN 107256444A
- Authority
- CN
- China
- Prior art keywords
- attribute
- risk
- matrix
- fuzzy comprehensive
- distribution network
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 46
- 238000011156 evaluation Methods 0.000 title claims abstract description 42
- 230000009467 reduction Effects 0.000 claims abstract description 36
- 238000005498 polishing Methods 0.000 claims abstract description 7
- 239000011159 matrix material Substances 0.000 claims description 89
- 239000013598 vector Substances 0.000 claims description 13
- 238000012545 processing Methods 0.000 claims description 7
- 238000004364 calculation method Methods 0.000 claims description 5
- 238000012217 deletion Methods 0.000 claims description 3
- 230000037430 deletion Effects 0.000 claims description 3
- 239000013589 supplement Substances 0.000 claims description 2
- 238000013210 evaluation model Methods 0.000 claims 1
- 238000012502 risk assessment Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 230000008859 change Effects 0.000 description 3
- 230000006378 damage Effects 0.000 description 3
- 238000012986 modification Methods 0.000 description 3
- 230000004048 modification Effects 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 2
- 238000004140 cleaning Methods 0.000 description 2
- 238000005516 engineering process Methods 0.000 description 2
- 230000007257 malfunction Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000001932 seasonal effect Effects 0.000 description 2
- 238000006467 substitution reaction Methods 0.000 description 2
- 241001269238 Data Species 0.000 description 1
- 238000010276 construction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 235000013399 edible fruits Nutrition 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 238000009434 installation Methods 0.000 description 1
- 230000010354 integration Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000012954 risk control Methods 0.000 description 1
- 238000000638 solvent extraction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Health & Medical Sciences (AREA)
- Marketing (AREA)
- General Physics & Mathematics (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Educational Administration (AREA)
- Quality & Reliability (AREA)
- Operations Research (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Complex Calculations (AREA)
Abstract
本发明提供了一种配电网故障风险模糊综合评价方法及装置,所述方法包括根据采集到的配电网故障原始数据,生成以风险因素指标为条件属性的信息***,将信息***中的不完备数据补齐,并通过等距与等频的方式对所述原始数据信息***中连续型的条件属性进行离散化处理条件属性;对所述信息***中离散后的条件属性进行属性约简;根据属性约简后的条件属性建立风险模糊综合评价模型;根据所述风险模糊综合评价模型计算故障风险值。本发明提供的技术方案应用粗糙集与模糊并行的方法有效地对数据进行约简,提高了生成规则的可信性与合理性。
Description
技术领域
本发明涉及配电网运行风险控制技术领域,具体涉及一种配电网故障风险模糊综合评价方法及装置。
背景技术
目前常用的配电网故障风险综合评价方法有基于概率、基于图论、主观评分法、决策树法、风险矩阵法、基于模糊理论、层次分析法、云模型、故障树分析法、蒙特卡洛算法等,并在常用方法的基础上,将多种方法进行结合。但这些方法指标单一,无法适应不同地区的不同情况,过于笼统,无法正确的评估风险发展这一动态过程。现有方法一方面是没有考虑风险因素的模糊性,且对风险因素的来源、识别、归类方面并没有做太多的考虑,造成了不同风险因素权重无法凸显的问题;另一方面是在构建风险矩阵的时候仅采用专家法,主观因素影响过大,对专业知识和经验的依赖性过大。
发明内容
本发明的目的在于克服现有技术存在的指标单一、风险因素权重无法凸显等问题,提供一种基于粗糙集理论的配电网故障风险模糊综合评价方法及装置,考虑城乡问题、预停电问题等诸多在实际配电网故障风险评估中不可避免的问题,准确反映区域故障发生概率与严重度的差异性,针对配电网特有的运行方式,通过粗糙集理论与模糊并行的方法进行属性约简与数据处理,并有效地应用于配电网故障风险评估。
粗糙集理论是用来刻画不完整性和不确定性的数学工具,能够有效地分析不精确、不一致、不完整等各种不完备的信息,在信息分类不变的基础上,利用确定信息对不确定信息进行近似描述及知识约简,从中发现隐含的知识,揭示潜在的规律。
粗糙集理论在电力***,特别是配电网及风险评估方面的研究也已经展开。属性约简与特征选择是粗糙集理论在知识发掘和数据处理中的重要应用,能够揭示属性之间的依赖关系。配电网故障在不可避免的影响因素下,能够利用属性约简得到影响配电网风险的主要控制因素,得到易于证实的规则知识,从而有效的指导配电网的风险评估。
本发明提供一种配电网故障风险模糊综合评价方法,
根据采集到的配电网故障原始数据,生成以风险因素指标为条件属性的决策信息***,通过等距与等频的方式对所述信息***中连续型的条件属性进行离散化处理;
对所述信息***中的离散后的条件属性进行属性约简;
根据属性约简后的条件属性建立风险模糊综合评价模型;
根据所述风险模糊综合评价模型计算故障风险值。
所述离散化处理包括:
用等距法将连续型的条件属性区间的值域[Xmin,Xmax]划分成区间宽度为δ=(Xmax-Xmin)/K的K个等距区间,得到区间上的右端断点为L'i=Xmin+iδ(i=0,···K);用等频法将连续型的条件属性区间的值域[Xmin,Xmax]划分成区间内对象个数相等的K个等频区间,得到区间上的右端断点为L”j;
等距与等频相对应的第p个区间的右端断点分别为L'p、L”p,则第p个区间的右端新断点第p个区间的范围更改为[Lp-1,Lp]。
在离散化处理前采用最大概率值法对信息***进行不完备数据补齐;
所述不完备数据的补齐包括:选取样本中缺失的属性值在其他样本上出现频率最高的取值来补充该样本中缺失的属性值。
所述建立风险模糊综合评价模型包括:根据属性约简后的条件属性求取风险因素权重向量矩阵和模糊综合评判矩阵。
所述信息***如下所示:
S=(U,C,V,f)
其中U为论域,C为条件属性,Va为属性a的值域,f为属性函数;
优选的,所述属性约简包括:
步骤1:计算信息***S的差别矩阵M;
步骤2:利用差别矩阵M求出条件属性集C的核Rc=CORE(C);
步骤3:删除差别矩阵M中与Rc中的属性有交集的属性组合,得到M:;
步骤4:计算M:中属于RL的属性出现的频率即属性的重要度,RL=C-Rc,选出重要度达到最大值的属性a,如果有多个属性ai(i=1,2,3...m)的重要度达到最大值,则选出在差别矩阵M中与Rc中的属性有交集的属性组合数目最小的属性aj;
步骤5:将选出的属性aj与Rc合并,得到新的Rc;
步骤6:转到步骤3重新计算M:,如果则终止,否则继续运算,直至M:成为空集,得到属性约简的条件属性。
所述差别矩阵M为|U|×|U|对称阵,如下式所示:
式中,M(i,j)为差别矩阵第i行第j列的元素,f(xi,a)表示数据对象xi在条件属性a上的具体取值,f(xj,a)表示数据对象xj在条件属性a上的具体取值;
优选所述风险因素权重向量矩阵由属性约简后的条件属性中各属性的重要度组成;
所述属性的重要度依据属性在差别矩阵中出现的频率确定。
所述求取模糊综合评判矩阵包括:
计算风险严重度矩阵;
所述风险严重度矩阵的元素如下式所示:
sij=(1×x1+2×x2+3×x3)/x (4)
式中,sij为条件属性中风险因素Cij的严重程度,{1,2,3}为故障级别,{x1,x2,x3}为故障级别分别对应的样本数;x为总样本数;
根据风险严重度矩阵计算模糊综合评判矩阵,所述模糊综合评判矩阵如下式所示:
R=D×S (5)
式中,R为模糊综合评判矩阵,S为不同风险因素的严重度矩阵,D为不同风险因素发生的概率矩阵。
所述风险模糊综合评价模型为:
B=A×R
式中,B为故障风险,A为风险因素权重向量矩阵,R为模糊综合评判矩阵。
本发明提供一种配电网故障风险模糊综合评价装置,所述装置包括:
数据处理模块,用于根据采集的配电网故障原始数据生成以风险因素指标为条件属性的信息***,并通过等距与等频的方式对所述信息***中连续型的条件属性进行离散化处理;
属性约简模块,用于对信息***中的离散后的条件属性进行属性约简;
建模模块,用于根据属性约简后的条件属性建立风险模糊综合评价模型;
计算模块,用于根据所述风险模糊综合评价模型计算故障风险值。
所述建模模块还包括矩阵求取模块,所述矩阵求取模块用于根据属性约简后的条件属性求取风险因素权重向量矩阵和模糊综合评判矩阵。
与最接近的现有技术比,本发明提供的技术方案具有以下有益效果:
本发明提供的技术方案针对配电网特有的运行方式,通过粗糙集理论与模糊并行的方法进行属性约简与数据处理,提高了生成规则的可信性与合理性;
本发明提供的技术方案考虑城乡问题、预停电问题等诸多在实际配电网故障风险评估中不可避免的问题,较准确反映区域故障发生概率与严重度的差异性,有效地应用于配电网故障风险评估。
附图说明
图1为本发明实施例构建的风险指标体系框架图;
图2为本发明一种配电网故障风险模糊综合评价方法实施例的流程图。
具体实施方式
本发明选取某地所包含的六个区域为评价对象,以故障原因影响因素为单一影响指标,统计某地六个区域中每个区域全部地域(包括市区、城镇、乡村)的停电风险历史数据。
下面结合附图2对本发明的具体实施方式作进一步的详细说明。
本发明提供一种配电网故障风险模糊综合评价方法,如下所示:
步骤1:配电网故障原始数据预处理。
(1)配电网故障原始数据的清洗与集成
配电网故障原始数据的清洗与集成主要包括去除噪声信息、修正不一致的信息记录与冗余属性的合并。对配电网设备台账记录的故障进行数据清洗与集成后,对所得数据进行初步分析、规整、录入,配电网故障的原始主要属性类别域包括:故障相关时间、故障设备、故障发生区域、故障停电原因、故障级别。
故障相关时间:时间属性作为配电网故障信息中最重要的属性之一,原始台账记录的数据中可以提取出故障发生的时间点和恢复供电的时间点。
故障设备:主要是指从原始台账记录的数据中提取出的发生故障的具体设备类型及设备自身。包括从变电站10kV出线开始到各公用配电变压器二次侧出线为止的10kV配电网装备设施,如架空线路、电缆线路、配电变压器、开关设备、母线、用户设备。
故障发生区域:主要是指从原始台账记录的数据中提取出的发生故障的位置,包括所属城镇、农村、市区等信息。不同的故障发生区域,会由于所属行政区域的大小不同、人口密集程度的差异和区域属性不同、自动化装置安装率等存在很大的差异。
故障停电原因:故障停电原因是影响配电网故障风险评估结果的最重要的风险因素之一,主要是指从原始台账记录的数据中提取出的用以描述造成电网停电的责任和缘由。根据对配电网的了解及所记录的停电原因的分析总结,可以将导致配电网故障的主要原因分为设备侧、用户侧、***侧三大类,所述设备侧分为设备自身原因、外力破坏和自然原因;用户侧分为用户影响和运维设计因素;***侧分为***自身因素、计划停电与分布式电源。
故障级别:主要是指从原始台账记录的数据中提取出的依据故障严重程度分出的三个级别,即Ⅰ、Ⅱ、Ⅲ三级故障。这个故障属性代表了风险评估中故障后果的严重程度,即原有风险评估中常用到的故障发生的严重性。
(2)基于粗糙集理论的配电网故障不完备数据补齐
在经过数据集成的处理后,所得到的信息***仍有可能是不完备的,在某些样本的某些属性值上会出现空缺的情况。采用最大概率值法进行补齐,最大概率值法基本思想为选取该属性在其他样本上出现频率最高的取值来补充该遗漏值的属性值。
由于故障发生时间对应的所属季节天气和故障区域对应的配电网构造是影响风险评估的重要因素,则以季节和发生区域为基准缩小数据样本规模选取需要补全的数据库,首先选取故障发生时间为夏季(7—9月)。
为方便验证算法的正确性,选择完整数据样本,随机去除每条样本的一到两个属性值。
首先对随机选取的数据,进行简单离散化:
故障持续时间a1:[0~1.5,1.5~5.0,5.0~15.0,15.0~506.4],分别为1、2、3、4。
故障级别a2:[Ⅰ级故障、Ⅱ级故障、Ⅲ级故障],分别为1、2、3。
故障设备a3:[架空线路和电缆线路,变压器和母线,柱上设备,用户设备],分别为1、2、3、4。
故障原因a4:[设备自身问题,外力破坏,天气原因,用户影响和***问题],分别为1、2、3、4。
得到如表1与表2的样本集U,其中x1,x2,x3,x4,x5,x6为样本,a1,a2,a3,a4为样本属性,*代表缺失属性。
表1完备样本集
表2不完备样本集
依据最大概率法的定义,选取样本中其他完整属性实例为表中所示值时,缺失属性值出现频率最高的属性值,以弥补遗漏属性。
样本x1中,当a1、a4分别为3、2时,筛选出的56条数据中,a2为2的概率最高,为43/56,a3为2的概率最高,为30/56,即a2、a3出现频率最高的分别为2、2;
同理,样本x2属于完备样本;
样本x3中,当a2、a3、a4分别为2、3、4时,a1出现频率最高的为4;
样本x4中,当a2、a3分别为2、1时,a1、a4出现频率最高的分别为3、3;
样本x5中,当a1、a3、a4分别为4、1、2时,a2出现频率最高的为2;
样本x6中,当a1、a2分别为3、2时,a3、a4出现频率最高的分别为2、2;
则由最大概率法补全的样本集为表3所示。
表3最大概率法补全的样本集
注:括号内为原完备属性值。
(3)基于粗糙集理论通过等距与等频的方式对信息***中连续型的条件属性进行离散化处理
由于故障频率随着选择样本基数范围的不同大小会有不同的差异,则本发明选择利用等距离与等频率法结合的方法,借鉴"相邻属性值中点"思想,对照原有频率发生范围的划分对原有数据进行处理。等距离与等频率法处理方法如下:
设等距离划分法是根据区间数目K,将条件属性区间的值域[Xmin,Xmax]划分成区间宽度为δ=(Xmax-Xmin)/K的K个区间,得到区间上的右端断点可以表示为
L'i=Xmin+iδ(i=0,···K)。同理,等频率法将条件属性区间的值域[Xmin,Xmax]划分成区间内对象个数相等的K个区间,这样得到区间上的右端断点为L”j。
设等距与等频相应第p个区间的右端断点分别为L'p、L”p,则新断点为
则第p个区间的范围更改为[Lp-1,Lp]。
由步骤(1)(2)得到的故障原因统计数据进行计算得出故障原因发生概率统计表,其中区域为u1、u2、u3、u4、u5、u6六个区域,设备侧原因包含设备自身原因c1,外力破坏原因c2,天气原因c3,用户侧原因包括用户影响原因c4,***侧原因包括***问题c5,如表4所示。
表4某市各地区故障原因全部地域风险因素值
步骤2:配电网故障信息分析,建立风险指标体系,如图1所示。
在考虑天气因素对配电网故障风险评估的影响时,需要区分不同季节,在简化分析的过程中可以只考虑某一季节常见的天气因素。
根据运行及年限记录判断各类设备的状态,可以计算相应故障率。理论上各类设备故障率随使用年限的变化满足浴盆曲线规律,即自基本保持不变到保持不断上升阶段。
配电网故障风险的指标体系直接影响了配电网故障风险评估的准确性和可靠性。除了计算风险指标应得到的综合故障后果与综合故障概率外,指标体系包括了影响故障后果与故障概率的故障影响因素指标。考虑外力破坏、自然因素、用户影响、设备自身等影响因素可更全面的对故障概率和故障影响进行修正,从而得到更有效的风险评估结果。
步骤3:基于粗糙集的条件属性的属性约简与风险因素权重向量矩阵求取。
(1)本发明选择难度适中、精确性较好的差别矩阵作为求核主要计算方法,并在此基础上为计算信息***约简,选用基于差别矩阵中属性频率的算法进行属性约简,根据差别矩阵中属性出现的频率来定义属性的重要度,并利用修改得到的差别矩阵,实现新的属性约简算法。先给出上述属性约简算法中相关的定义。
定义:信息***S=(U,C,V,f),其中U为论域,C为条件属性,Va为属性a的值域,f为属性函数。所述差别矩阵M为|U|×|U|对称阵,如下式所示:
式中,M(i,j)为差别矩阵第i行第j列的元素,f(xi,a)表示数据对象xi在条件属性a上的具体取值,f(xj,a)表示数据对象xj在条件属性a上的具体取值。
为条件属性C的子集,属性a为不属于R的条件属性,则a的重要度定义为:
sgf(a,R)=p(a) (2)
其中,p(a)为在差别矩阵中删除与R中属性相交的属性组合后剩余部分中a所出现的概率。进而,可以得到求取相对属性约简的算法如下:
1):计算信息***改进的差别矩阵M;
2):利用差别矩阵求出条件属性C的核Rc=CORE(C),并另RL=C-Rc;
3):删除差别矩阵中与Rc中的属性有交的属性组合得到M:=M-Q;
4):计算M:中属于RL的属性a出现的频率即属性a的重要度,选择令a的重要度sgf(a,R)达到最大值的属性a,如果有多个属性ai(i=1,2,3...m)达到最大值,选择与Rc中的属性有交集的属性组合数目最小的属性aj;
5):将选出的属性与Rc合并得Rc=Rc∪{aj};
6):转至步骤3重新计算M:,如果即M:为空集则终止,否则继续运算,直至M:成为空集,则得到相对约简。
由基于差别矩阵属性频率的属性约简中差别矩阵的定义可以得到如下所示表格。由于矩阵表是对称矩阵,所以只给出下三角阵,如表5所示。
表5基于属性频率的全部区域故障原因差别矩阵表
定理:对条件属性C作的差别矩阵M(i,j)中,若不存在则***S对条件属性C可分辨。在条件属性C中任一指标Ci∈Rc(Rc为条件属性C的核集)的充要条件是其差别矩阵M中至少存在一个Mij(C)={Ci}。
如上表所示,根据定理可得核Rc={c1},去除与核属性相交的属性组合,则得到M:为{c2c4,c2c3c5,c3c4c5,c2c4c5},则属性c2、c3、c4、c5对应的频率为3、2、3、3。从c2、c4、c5中选择出在差别矩阵M中与Rc组合最少的c2、c4加入Rc中,此时则得到属性约简的{c1,c2,c4},从而求得属性约简的重要度分别为p(c1)、p(c2)、p(c4)。即风险因素权重向量矩阵A为:
A=[p(c1) p(c2) p(c4)] (3)
同样,可由特殊地域的故障原因差别矩阵表得到简化属性为{c1,c3},风险因素权重向量矩阵为A'。
步骤4:应用约简信息对不同地区进行风险模糊综合评价。
(1)划分数据集。
收集的某地配电网历史数据样本集U划分为两个,U={u1,u2...u6}为某地六个区域的全部地域(包括市区、城镇、农村)配电网故障数据,U'={u1',u'2...u'6}为某地六个区域的某特殊地域配电网故障数据。条件属性C={C1,C2,C3}为影响配电网故障的风险因素集,包括故障原因评价集C1,故障时间评价集C2,故障设备评价集C3。“严重程度”是由故障原始数据中给出的指标,其I、Ⅱ、Ⅲ三个等级的取值分别为{1,2,3}。根据统计数据,判断每个区域的每个指标三个等级分别的占比。
(2)计算风险严重度矩阵S,模糊综合评判矩阵R。
条件属性C的子集Ci中风险因素Cij的对应评价集由故障数据库可统计得到,总样本为x,对应评价集的三个等级{I、Ⅱ、Ⅲ}的样本数为{x1,x2,x3},则风险因素严重程度结果如下所示。
sij=(1×x1+2×x2+3×x3)/x (4)
模糊综合评判矩阵R由两个影响矩阵对应相乘得到,其中影响矩阵一为不同风险因素在不同地区发生的概率矩阵D,影响矩阵二为不同风险因素对评价集的隶属度与严重程度加乘得到的风险因素严重程度结果矩阵S,结果如下所示。
R=D×S (5)
步骤5:计算失负荷风险值B、B'。
配电网故障风险值的公式为:故障风险值=综合故障概率值×综合故障严重度,
则
B=A×R (6)
B'=A'×R' (7)
式中,B表示某地全部地域总的风险评价值,B'只表示特殊地域的风险评价值,A和A'分别为某地全部地域和特殊地域的权重向量矩阵,R和R'分别为某地全部地域和特殊地域的模糊综合评判矩阵。
步骤6:根据风险值大小,针对配电网薄弱区域采取措施进行风险防控。
基于相同的理念,本发明提供了一种配电网故障风险模糊综合评价装置,所述装置可以包括:
数据处理模块,用于根据采集的配电网故障原始数据生成以风险因素指标为条件属性的信息***,并通过等距与等频的方式对所述信息***中连续型的条件属性进行离散化处理;
属性约简模块,用于对信息***中的离散后的条件属性进行属性约简;
建模模块,用于根据属性约简后的条件属性建立风险模糊综合评价模型;
计算模块,用于根据所述风险模糊综合评价模型计算故障风险值。
所述建模模块还包括矩阵求取模块,所述矩阵求取模块用于根据属性约简后的条件属性求取风险因素权重向量矩阵和模糊综合评判矩阵。
最后应当说明的是:以上实施例仅用于说明本发明的技术方案而非对其保护范围的限制,尽管参照上述实施例对本申请进行了详细的说明,所属领域的普通技术人员应当理解:本领域技术人员阅读本申请后依然可对申请的具体实施方式进行种种变更、修改或者等同替换,但这些变更、修改或者等同替换,均在申请待批的权利要求保护范围之内。
Claims (10)
1.一种配电网故障风险模糊综合评价方法,其特征在于,
根据采集到的配电网故障原始数据,生成以风险因素指标为条件属性的决策信息***,通过等距与等频的方式对所述信息***中连续型的条件属性进行离散化处理;
对所述信息***中的离散后的条件属性进行属性约简;
根据属性约简后的条件属性建立风险模糊综合评价模型;
根据所述风险模糊综合评价模型计算故障风险值。
2.如权利要求1所述的配电网故障风险模糊综合评价方法,其特征在于,所述离散化处理包括:
用等距法将连续型的条件属性区间的值域[Xmin,Xmax]划分成区间宽度为δ=(Xmax-Xmin)/K的K个等距区间,得到区间上的右端断点为L'i=Xmin+iδ(i=0,···K);用等频法将连续型的条件属性区间的值域[Xmin,Xmax]划分成区间内对象个数相等的K个等频区间,得到区间上的右端断点为L”j;
等距与等频相对应的第p个区间的右端断点分别为L'p、L”p,则第p个区间的右端新断点第p个区间的范围更改为[Lp-1,Lp]。
3.如权利要求1所述的配电网故障风险模糊综合评价方法,其特征在于,在离散化处理前采用最大概率值法对信息***进行不完备数据补齐;
所述不完备数据的补齐包括:选取样本中缺失的属性值在其他样本上出现频率最高的取值来补充该样本中缺失的属性值。
4.如权利要求1所述的配电网故障风险模糊综合评价方法,其特征在于,所述建立风险模糊综合评价模型包括:根据属性约简后的条件属性求取风险因素权重向量矩阵和模糊综合评判矩阵。
5.如权利要求4所述的配电网故障风险模糊综合评价方法,其特征在于,
所述信息***如下所示:
S=(U,C,V,f)
其中U为论域,C为条件属性,Va为属性a的值域,f为属性函数;
优选的,所述属性约简包括:
步骤1:计算信息***S的差别矩阵M;
步骤2:利用差别矩阵M求出条件属性集C的核Rc=CORE(C);
步骤3:删除差别矩阵M中与Rc中的属性有交集的属性组合,得到M:;
步骤4:计算M:中属于RL的属性出现的频率即属性的重要度,RL=C-Rc,选出重要度达到最大值的属性a,如果有多个属性ai(i=1,2,3...m)的重要度达到最大值,则选出在差别矩阵M中与Rc中的属性有交集的属性组合数目最小的属性aj;
步骤5:将选出的属性aj与Rc合并,得到新的Rc;
步骤6:转到步骤3重新计算M:,如果则终止,否则继续运算,直至M:成为空集,得到属性约简的条件属性。
6.如权利要求5所述的配电网故障风险模糊综合评价方法,其特征在于,所述差别矩阵M为|U|×|U|对称阵,如下式所示:
式中,M(i,j)为差别矩阵第i行第j列的元素,f(xi,a)表示数据对象xi在条件属性a上的具体取值,f(xj,a)表示数据对象xj在条件属性a上的具体取值;
优选所述风险因素权重向量矩阵由属性约简后的条件属性中各属性的重要度组成;
所述属性的重要度依据属性在差别矩阵中出现的频率确定。
7.如权利要求4所述的配电网故障风险模糊综合评价方法,其特征在于,所述求取模糊综合评判矩阵包括:
计算风险严重度矩阵;
所述风险严重度矩阵的元素如下式所示:
sij=(1×x1+2×x2+3×x3)/x (4)
式中,sij为条件属性中风险因素Cij的严重程度,{1,2,3}为故障级别,{x1,x2,x3}为故障级别分别对应的样本数;x为总样本数;
根据风险严重度矩阵计算模糊综合评判矩阵,所述模糊综合评判矩阵如下式所示:
R=D×S (5)
式中,R为模糊综合评判矩阵,S为不同风险因素的严重度矩阵,D为不同风险因素发生的概率矩阵。
8.如权利要求7所述的配电网故障风险模糊综合评价方法,其特征在于,所述风险模糊综合评价模型为:
B=A×R
式中,B为故障风险,A为风险因素权重向量矩阵,R为模糊综合评判矩阵。
9.一种配电网故障风险模糊综合评价装置,其特征在于,所述装置包括:
数据处理模块,用于根据采集的配电网故障原始数据生成以风险因素指标为条件属性的信息***,并通过等距与等频的方式对所述信息***中连续型的条件属性进行离散化处理;
属性约简模块,用于对信息***中的离散后的条件属性进行属性约简;
建模模块,用于根据属性约简后的条件属性建立风险模糊综合评价模型;
计算模块,用于根据所述风险模糊综合评价模型计算故障风险值。
10.如权利要求9所述的配电网故障风险模糊综合评价装置,其特征在于,所述建模模块还包括矩阵求取模块,所述矩阵求取模块用于根据属性约简后的条件属性求取风险因素权重向量矩阵和模糊综合评判矩阵。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710271025.9A CN107256444A (zh) | 2017-04-24 | 2017-04-24 | 一种配电网故障风险模糊综合评价方法及装置 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201710271025.9A CN107256444A (zh) | 2017-04-24 | 2017-04-24 | 一种配电网故障风险模糊综合评价方法及装置 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN107256444A true CN107256444A (zh) | 2017-10-17 |
Family
ID=60027944
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201710271025.9A Pending CN107256444A (zh) | 2017-04-24 | 2017-04-24 | 一种配电网故障风险模糊综合评价方法及装置 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN107256444A (zh) |
Cited By (10)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108053148A (zh) * | 2018-01-04 | 2018-05-18 | 华北电力大学 | 一种电力信息***故障高效诊断方法 |
CN108108875A (zh) * | 2017-11-29 | 2018-06-01 | 国家电网公司 | 一种基于合作博弈法和梯形云模型的配电网运行状态模糊综合评价方法 |
CN108133311A (zh) * | 2017-12-14 | 2018-06-08 | 长春工程学院 | 一种风电机组故障模式风险评估及可靠性分析方法 |
CN109242273A (zh) * | 2018-08-20 | 2019-01-18 | 西南交通大学 | 一种配电网故障恢复方案群体评估方法 |
CN109615189A (zh) * | 2018-11-26 | 2019-04-12 | 西南交通大学 | 一种配电网可靠性评估方法 |
CN111861141A (zh) * | 2020-06-29 | 2020-10-30 | 国网上海市电力公司 | 一种基于模糊故障率预测的配电网可靠性评估方法 |
CN112734204A (zh) * | 2020-12-01 | 2021-04-30 | 国家电网有限公司 | 配电网故障线路风险评估方法和*** |
CN113076451A (zh) * | 2020-01-03 | 2021-07-06 | ***通信集团广东有限公司 | 异常行为识别和风险模型库的建立方法、装置及电子设备 |
CN113095609A (zh) * | 2019-12-23 | 2021-07-09 | 北京博超时代软件有限公司 | 风险提示预演方法、装置及设备 |
CN113486502A (zh) * | 2021-06-24 | 2021-10-08 | 天津大学 | 一种基于复合赋权云模型的邮轮玻璃幕墙风险分析方法 |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169030A1 (en) * | 2007-05-24 | 2010-07-01 | Alexander George Parlos | Machine condition assessment through power distribution networks |
WO2011023596A1 (en) * | 2009-08-28 | 2011-03-03 | Siemens Aktiengesellschaft | Method and system for monitoring wind turbine generator vibration |
CN103714383A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于粗糙集的轨道交通故障诊断方法和*** |
CN103728507A (zh) * | 2013-11-18 | 2014-04-16 | 芜湖大学科技园发展有限公司 | 一种基于数据挖掘的电网故障诊断方法 |
CN103744850A (zh) * | 2013-10-14 | 2014-04-23 | 国家电网公司 | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 |
CN104156881A (zh) * | 2014-06-20 | 2014-11-19 | 天津大学 | 配电网故障风险综合评估方法 |
CN104182613A (zh) * | 2014-07-25 | 2014-12-03 | 中国人民解放军海军工程大学 | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 |
-
2017
- 2017-04-24 CN CN201710271025.9A patent/CN107256444A/zh active Pending
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US20100169030A1 (en) * | 2007-05-24 | 2010-07-01 | Alexander George Parlos | Machine condition assessment through power distribution networks |
WO2011023596A1 (en) * | 2009-08-28 | 2011-03-03 | Siemens Aktiengesellschaft | Method and system for monitoring wind turbine generator vibration |
CN103744850A (zh) * | 2013-10-14 | 2014-04-23 | 国家电网公司 | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 |
CN103728507A (zh) * | 2013-11-18 | 2014-04-16 | 芜湖大学科技园发展有限公司 | 一种基于数据挖掘的电网故障诊断方法 |
CN103714383A (zh) * | 2014-01-09 | 2014-04-09 | 北京泰乐德信息技术有限公司 | 一种基于粗糙集的轨道交通故障诊断方法和*** |
CN104156881A (zh) * | 2014-06-20 | 2014-11-19 | 天津大学 | 配电网故障风险综合评估方法 |
CN104182613A (zh) * | 2014-07-25 | 2014-12-03 | 中国人民解放军海军工程大学 | 基于粗糙集的petri网的船用电站故障诊断模型构建方法 |
Non-Patent Citations (3)
Title |
---|
侯利娟等: ""基于粗糙集和信息熵的变压器故障诊断方法"", 《计算机工程与设计》 * |
吴林伟等: ""基于粗糙集理论的输电线路状态评估"", 《广东电力》 * |
范瑾: ""大规模电网中电压浪涌故障检测方法研究"", 《计算机仿真》 * |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108108875A (zh) * | 2017-11-29 | 2018-06-01 | 国家电网公司 | 一种基于合作博弈法和梯形云模型的配电网运行状态模糊综合评价方法 |
CN108133311A (zh) * | 2017-12-14 | 2018-06-08 | 长春工程学院 | 一种风电机组故障模式风险评估及可靠性分析方法 |
CN108053148B (zh) * | 2018-01-04 | 2021-08-03 | 华北电力大学 | 一种电力信息***故障高效诊断方法 |
CN108053148A (zh) * | 2018-01-04 | 2018-05-18 | 华北电力大学 | 一种电力信息***故障高效诊断方法 |
CN109242273A (zh) * | 2018-08-20 | 2019-01-18 | 西南交通大学 | 一种配电网故障恢复方案群体评估方法 |
CN109242273B (zh) * | 2018-08-20 | 2022-08-02 | 西南交通大学 | 一种配电网故障恢复方案群体评估方法 |
CN109615189A (zh) * | 2018-11-26 | 2019-04-12 | 西南交通大学 | 一种配电网可靠性评估方法 |
CN109615189B (zh) * | 2018-11-26 | 2022-03-25 | 西南交通大学 | 一种配电网可靠性评估方法 |
CN113095609A (zh) * | 2019-12-23 | 2021-07-09 | 北京博超时代软件有限公司 | 风险提示预演方法、装置及设备 |
CN113076451A (zh) * | 2020-01-03 | 2021-07-06 | ***通信集团广东有限公司 | 异常行为识别和风险模型库的建立方法、装置及电子设备 |
CN111861141A (zh) * | 2020-06-29 | 2020-10-30 | 国网上海市电力公司 | 一种基于模糊故障率预测的配电网可靠性评估方法 |
CN111861141B (zh) * | 2020-06-29 | 2024-02-13 | 国网上海市电力公司 | 一种基于模糊故障率预测的配电网可靠性评估方法 |
CN112734204A (zh) * | 2020-12-01 | 2021-04-30 | 国家电网有限公司 | 配电网故障线路风险评估方法和*** |
CN113486502A (zh) * | 2021-06-24 | 2021-10-08 | 天津大学 | 一种基于复合赋权云模型的邮轮玻璃幕墙风险分析方法 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN107256444A (zh) | 一种配电网故障风险模糊综合评价方法及装置 | |
CN106384210B (zh) | 一种基于检修风险收益的输变电设备检修优先级排序方法 | |
CN103744850B (zh) | 一种基于直觉模糊粗糙集的电网灾害实时调控装置及方法 | |
CN106054104B (zh) | 一种基于决策树的智能电表故障实时预测方法 | |
CN104579868B (zh) | 基于节点重要度的电力通信网络构建方法 | |
Angelos et al. | Detection and identification of abnormalities in customer consumptions in power distribution systems | |
US8751421B2 (en) | Machine learning for power grid | |
CN110097297A (zh) | 一种多维度窃电态势智能感知方法、***、设备及介质 | |
CN113868585A (zh) | 一种配电网的韧性综合评估方法和*** | |
CN103700025B (zh) | 一种基于风险分析的电力***设备重要度的评估排序方法 | |
CN111738462B (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN103617561A (zh) | 一种电网智能变电站二次设备状态评估***和方法 | |
CN106529708A (zh) | 一种基于云平台的配电网规划*** | |
CN106570778A (zh) | 一种基于大数据的数据集成与线损分析计算的方法 | |
CN110555624A (zh) | 一种考虑指标关联的电网调度运行综合评估方法 | |
CN102509018A (zh) | 电力***设备重要性评价***及方法 | |
CN111552686B (zh) | 一种电力数据质量评估方法及其装置 | |
CN104680254B (zh) | 一种基于综合成本模型的电网规划方案优选方法 | |
CN112686405A (zh) | 一种基于故障树的配电网故障区域划分方法 | |
CN113189418B (zh) | 一种基于电压数据的拓扑关系识别方法 | |
CN116011827B (zh) | 一种用于重点小区的停电监测分析与预警***及方法 | |
CN104484828B (zh) | 一种基于逻辑回归的高压电器运行质量评估方法及*** | |
CN111061989A (zh) | 一种配电网继电保护装置综合评价***及方法 | |
CN117614137A (zh) | 基于多源数据融合的配电网优化*** | |
CN112734274A (zh) | 一种低碳电网运营主导影响因素挖掘及综合评估方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20171017 |
|
RJ01 | Rejection of invention patent application after publication |