CN107609769B - 一种基于故障基因表的智能配电网故障预警方法 - Google Patents

Abstract

本发明涉及一种基于故障基因表的智能配电网故障预警方法，属于智能配电网故障预警领域。首先将智能配电网的运行状态划分为优、良、中和差四种状态，然后采用BP神经网络算法对智能配电网运行的历史数据进行状态评估并结合对应的故障，得到各段状态转移时间序列与故障之间的映射关系，从而构造出故障基因表，接着周期性的在线获取智能配电网的状态转移时间序列，并通过Smith‑Waterman算法将其与故障基因表中的所有基因进行匹配，若最大匹配值达到设定的阈值，则预警相应的故障。本发明能很好的面对智能配电网越来越复杂的问题，提高智能配电网故障预警的准确率，为相关管理人员对智能配电网的维护提供指导和帮助，有效的提高了电网运行决策的科学性和预见性。

Description

一种基于故障基因表的智能配电网故障预警方法

技术领域

本发明属于智能配电网故障预警领域，涉及能够实现对智能配电网的运行状态整体把握的一种基于故障基因表的智能配电网故障预警方法。

背景技术

近年来，全球掀起了智能电网的研究和建设热潮。智能配电网作为智能电网中连接主网和面向用户供电的重要组成部分，其运行状态正常与否直接影响千家万户的电力供应。同时，随着分布式电源的接入、电动汽车的普及和用户互动电力的增加，使得配电网的动态行为变得复杂，运行风险大大增加，一旦发生配电网停电事故都会对社会生活造成巨大的影响及损失。因此，亟需对智能配电网的故障预警进行更加深入的研究，为相关管理人员对智能配电网的维护提供指导和帮助。

目前，国内外学者针对智能配电网故障预警从不同的角度提出了各种解决方案。研究表明配电网大部分故障，在破坏性故障发生之前，配电网就已经进入病态运行，具有趋势性和累积效应。但目前大多数的解决方案是利用配电网的局部参数如谐波电流和短路电流，或者是局部部件如变压器，又或者是与外在因素如雷雨天气相关联，来达到对智能配电网故障预警的效果。这些解决方案未能从整体上对智能配电网的运行状态进行把握，并且在预警的方案上，只考虑了当前的某一因素从而判断是否需要预警，未能充分利用配电网故障的趋势性和累积效应，从而在面对越来越复杂的智能配电网时，故障预警的准确率上稍有欠缺。因此，目前急需一种能够实现对智能配电网的运行状态整体把握，并能从当前和以往的运行状态来共同决定是否即将出现故障的预警方法。

发明内容

有鉴于此，本发明的目的在于提供一种基于故障基因表的智能配电网故障预警方法，充分利用智能配电网故障具有的趋势性和累积效应特点，解决智能配电网故障预警的问题，并提高其预警的准确率。

为达到上述目的，本发明提供如下技术方案：

一种基于故障基因表的智能配电网故障预警方法，具体包含如下步骤：

S1：对智能配电网的运行状态进行划分，并构建智能配电网状态评估指标体系；

S2：构建包含输入层、隐含层和输出层的BP神经网络模型；

S3：将智能电网历史故障数据分为两部分，对第一部分智能配电网历史故障数据源中的母线的运行数据进行聚类来构建训练样本；

S4：将第一部分智能电网的训练样本和训练样本所对应的配电网运行状态输入到BP神经网络模型进行训练，得到BP神经网络状态评估模型；

S5：将第二部分智能配电网历史故障数据源中的母线的运行数据输入到BP神经网络状态评估模型得到智能配电网状态转移时间序列和故障的映射关系，从而构建出故障基因表；

S6：周期性获取当前智能配电网的母线的运行状态数据，并将运行状态数据输入到BP神经网络状态评估模型得到当前智能电网的状态转移时间序列；

S7：通过Smith-Waterman基因序列比对算法，将获得的当前智能电网的状态转移时间序列与故障基因表中的所有基因进行匹配，求取匹配值，将最大的匹配值与所设定的阈值进行比较，若超过阈值，则预警该基因所对应的故障。

进一步，在步骤S1中，所述构建智能配电网状态评估指标体系具体为：

将智能配电网状态评估指标确定为智能配电网各母线的状态得分，各母线的状态得分的计算公式如下：

其中G_b为母线状态得分，取值为[0,1]，越接近1表示状态越好，越接近0表示状态越差；λ_V表示母线电压的权值，g_V表示母线电压得分，λ_P表示母线有功功率的权值，g_P表示母线有功功率得分，λ_Q表示母线无功功率的权值，g_Q表示母线无功功率得分。

进一步，所述母线电压得分计算公式如下：

其中V为母线的电压值，

为历史数据集中对应母线电压的平均值，V_max为历史数据集中对应母线电压的最大值，V_min为历史数据集中对应母线电压的最小值。

进一步，所述母线有功功率得分计算公式如下：

其中P为母线的有功功率值，

为历史数据集中对应母线有功功率的平均值，P_max为历史数据集中对应母线有功功率的最大值，P_min为历史数据集中对应母线有功功率的最小值。

进一步，所述母线无功功率得分计算公式如下：

其中Q为母线的无功功率值，

为历史数据集中对应母线无功功率的平均值，Q_max为历史数据集中对应母线无功功率的最大值，Q_min为历史数据集中对应母线无功功率的最小值。

进一步，步骤S3中，所述构建训练样本具体为：将第一部分智能配电网历史数据源中的母线的运行数据聚类为四类不同状态的样本，

其中T_n×m(k)为训练样本矩阵，k＝1，2，3，4表示不同类别的训练样本，n表示训练样本的数量，m表示母线条数，t_nm表示第n个训练样本的第m条母线的状态得分。

进一步，步骤S4中，所述训练的过程具体为：

S41：设输入层到隐含层的连接权值为w_ij，隐含层到输出层的连接权值为w_j，输入层到隐含层的阈值为γ_j，隐含层到输出层的阈值为

隐含层的节点数量为N，学习率为η，期望输出为

S42：选择sigmoid型函数作为隐含层激活函数岈₁和输出层激活函数岈₂；

S43：计算隐含层各单元的输入和输出，用输入层的输入t_nm、输入层到隐含层的连接权值w_ij和输入层到隐含层阈值γ_j，计算隐含层各单元的输入h_j，再用h_j通过激活函数岈₁计算隐含层各单元的输出b_j；

其中r＝1，2，...，n，表示第r个样本被训练；

S44：根据隐含层的输出b_j、隐含层到输出层的连接权值w_j和隐含层到输出层的阈值

计算输出结果y；

S45：计算误差；

eh_j＝w_j×eo×b_j×(1-b_j)

其中e为输出误差，eo为输出层一般化误差，eh_j为隐含层各单元一般化误差；

S46：调整隐含层到输出层的连接权值w_j和阈值

其中w′_j和

为调整后的隐含层到输出层的连接权值和阈值；

S47：调整输入层到隐含层的连接权值w_ij和阈值γ_j；

其中w′_ij和γ′_j为调整后的输入层到隐含层的连接权值和阈值；

S48：将变量r从1取到n，则所有的训练样本被训练完，然后将每个训练样本的误差e累加计算出全局误差E，判定E是否达到指定误差范围内，若是，则结束训练记录当前的连接权值和阈值；若否，将全局误差E置为零，并转到步骤S43重复学习训练。

进一步，所述步骤S5具体为：

S51：用第二部分智能配电网历史故障数据源构建评估矩阵：

其中

为评估矩阵，n^*表示评估样本的数量，

表示第n^*个评估样本的第m条母线的评估得分；

S52：将评估矩阵

输入BP神经网络状态评估模型，得出智能配电网各段状态转移时间序列与故障之间的映射，从而构建出故障基因表。

进一步，所述步骤S7具体为：

S71：设定待比对的基因序列为

长度为l_S，故障基因表中的序列为

长度为l_U；

S72：设定基因序列比对的替代矩阵；

S73：构造大小为(l_S+1)×(l_U+1)大小的矩阵D，用于存放比对结果；

其中D(l_i，l_j)表示待匹配的基因序列，D(l_i，0)＝D(0，l_j)＝0，1≤l_i≤l_S，1≤l_j≤l_U；

表示基因序列S中的第l_i个元素状态，

表示基因序列U中的第l_j个元素的状态；

S74：在矩阵D中找出l_i ^*和l_j ^*，满足：

其中D(l_i ^*，l_j ^*)表示序列S和U的最大比对分值；

S75：直到待比对的基因序列与故障基因表的所有基因序列进行了比对，求得所有的最大比对分值，将最大比对分值与所设定的阈值进行比较，若超过阈值，则预警该基因所对应的故障。

进一步，所述步骤S7的Smith-Waterman基因序列比对算法满足：

其中σ表示状态的重要度。

本发明的有益效果在于：本发明所提出的方法融合了BP神经网络算法和Smith-Waterman基因序列比对算法，充分挖掘智能配电网的故障特征，为智能配电网的故障预警提供新的思路和解决方案。该方法具有很强的通用性和适用性，对于不同规模的智能配电网，该方法能建立不同的故障基因表与之对应，而且不同故障基因表之间具有相互借鉴的意义。该方法能很好的面对智能配电网越来越复杂的问题，提高故障预警的准确率，为相关管理人员对智能配电网的维护提供指导和帮助，有效的提高了电网运行决策的科学性和预见性。

附图说明

为了使本发明的目的、技术方案和有益效果更加清楚，本发明提供如下附图进行说明：

图1为本发明故障基因表的构建流程示意图；

图2为本发明的三层BP神经网络模型图；

图3为本发明配电网故障基因表示意图；

图4为本发明基于故障基因表的故障预警框图；

图5为本发明整体流程示意图。

具体实施方式

下面将结合附图，对本发明的优选实施例进行详细的描述。

1.故障基因表构建阶段

考虑到智能配电网发生的故障与故障前的运行数据有一定的映射关系，基于此可以将故障前一段时间的运行数据作为表征该故障的基因。本发明类比构造人类基因中的四种碱基，将智能配电网的运行状态划分为优、良、中和差四种状态，然后采用BP神经网络评估模型，将智能配电网的运行数据转变为有序的状态转移时间序列，即为智能配电网的基因，其中BP神经网络的输入为智能配电网各个母线的状态得分值。从智能配电网的故障历史运行数据源中，可以获得各段状体转移时间序列与故障的映射关系，从而构建出故障基因表。

如图1所示，本发明故障基因表构建的流程为：

S1确定智能配电网的运行状态划分，并构建智能配电网状态评估指标体系。

将智能配电网的运行状态划分为优、良、中和差四种状态，并标示为E、G、M和B，如表1所示。

表1智能配电网的运行状态划分

智能配电网的运行状态	标识
		优	E
良	G
		中	M
差	B

将智能配电网的状态评估指标确定为智能配电网各母线的状态得分，各母线的状态得分的计算公式如式(1)所示：

其中G_b为母线状态得分，取值为[0,1]，越接近1表示状态越好，越接近0表示状态越差；λ_V表示母线电压的权值，g_V表示母线电压得分，λ_P表示母线有功功率的权值，g_P表示母线有功功率得分，λ_Q表示母线无功功率的权值，g_Q表示母线无功功率得分。

电压得分的计算公式如式(2)所示：

其中V为母线的电压值，

为历史数据集中对应母线电压的平均值，V_max为历史数据集中对应母线电压的最大值，V_min为历史数据集中对应母线电压的最小值。

有功功率得分的计算公式如式(3)所示：

其中P为母线的有功功率值，

为历史数据集中对应母线有功功率的平均值，P_max为历史数据集中对应母线有功功率的最大值，P_min为历史数据集中对应母线有功功率的最小值。

无功功率得分的计算公式如式(4)所示：

其中Q为母线的无功功率值，

为历史数据集中对应母线无功功率的平均值，Q_max为历史数据集中对应母线无功功率的最大值，Q_min为历史数据集中对应母线无功功率的最小值。

S2设计包含输入层、隐含层、和输出层的3层BP神经网络模型，如图2所示。

输入层的数目等于配电网母线的数量，隐含层的数量可以根据Mathlab仿真的效果选取最合适的隐含层节点数量，输出层为配电网的状态得分，根据状态得分确定配电网运行的状态，如表2所示。

表2BP神经网络输出结果和状态划分规则

输出结果	状态划分
		0≤y＜0.25	差(B)
0.25≤y＜0.5	中(M)
		0.5≤y＜0.75	良(G)
0.75≤y≤1	优(E)

S3将部分历史故障数据源中智能配电网各母线的运行数据进行聚类来构建训练样本。

将智能配电网历史数据源中的所有母线的状态得分数据聚类为四类不同状态的样本，即为训练样本矩阵T_n×m(k)，如式(5)所示：

其中T_n×m(k)为训练样本矩阵，k＝1，2，3，4表示不同状态类别的训练样本，n表示训练样本的数量，m表示母线条数，t_nm表示第n个训练样本的第m条母线的状态得分。

S4将训练样本和对应的配电网运行状态输入到BP神经网络中进行训练，得到BP神经网络状态评估模型。

将训练样本矩阵T_n×m(k)输入BP神经网络进行训练，确定各个神经元的权值和阈值，训练过程如下：

a.设输入层到隐含层的连接权值为w_ij，隐含层到输出层的连接权值为w_j，输入层到隐含层的阈值为γ_j，隐含层到输出层的阈值为

隐含层的节点数量为N，学习率为η，期望输出为

b.选择sigmoid型函数作为隐含层激活函数岈₁和输出层激活函数岈₂，如式(6)所示：

c.计算隐含层各单元的输入和输出，用输入层的输入t_nm、输入层到隐含层的连接权值w_ij和输入层到隐含层阈值γ_j。计算隐含层各单元的输入h_j，再用h_j通过激活函数岈₁计算隐含层各单元的输出b_j，如式(7)所示：

其中r＝1，2，...，n，表示第r个样本被训练。

d.根据隐含层的输出b_j、隐含层到输出层的连接权值w_j和隐含层到输出层的阈值

计算输出结果y，如式(8)所示：

e.计算误差，根据式(9)求出每个训练样本的误差e，计算输出层一般化误差，如式(10)所示，计算隐含层各单元一般化误差，如式(11)所示：

eh_j＝w_j×eo×b_j×(1-b_j) (11)

其中e为输出误差，eo为输出层一般化误差，eh_j为隐含层各单元一般化误差。

f.调整隐含层到输出层的连接权值w_j和阈值

如式(12)所示：

其中w′_j和

为调整后的隐含层到输出层的连接权值和阈值。

g.调整输入层到隐含层的连接权值w_ij和阈值γ_j，如式(13)所示：

其中w′_ij和γ′_j为调整后的输入层到隐含层的连接权值和阈值。

h.将变量r从1取到n，则所有的训练样本被训练完，然后将每个训练样本的误差e累加计算出全局误差E，判定E是否达到指定误差范围内，若是，则结束训练记录当前的连接权值和阈值；若否，将全局误差E置为零，并转到步骤c重复学习训练。

S5将剩下的历史故障数据源中各母线的运行数据输入到训练好的BP神经网络中得到配电网状态转移时间序列和故障的映射关系，从而构建出故障基因表。

将剩下的历史故障数据源构建为评估矩阵

如式(14)所示：

其中

为评估矩阵，n^*表示评估样本的数量，

表示第n^*个评估样本的第m条母线的评估得分。

将评估矩阵

输入训练好的BP神经网络进行评估，得出配电网各段状态转移时间序列与故障之间的映射，从而构建出故障基因表，如图3所示。

2.基于故障基因表的故障预警阶段

智能配电网的故障基因表构建好以后，周期性的实时获取智能配电网的运行数据，经过BP神经网络转化为基因，然后通过Smith-Waterman基因序列比对算法将其与故障基因表中的基因进行匹配，求取匹配值，若匹配值达到设定的阈值，则开始预警将会出现的相应故障。

Smith-Waterman算法在用于生物中的基因序列比对时，四个碱基的重要程度是相同的，因此替代矩阵对于相同碱基匹配时的得分设计是相同的，当将其应用在智能配电网的故障预警领域时，由于智能配电网的运行状态被划分为性能依次递减的四种，分别为E，G，M，B，因此在基因序列匹配的过程中，这四种状态的重要程度不同。

为了适应智能配电网的在线故障预警需求，需要对传统的Smith-Waterman算法进行改进，设计替换矩阵时需要遵循两个原则：

I两个状态在匹配时，两个状态所对应的性能越差，则获得的得分越高；

II两个状态不匹配时，两个状态之间性能差异越大，则所扣的分越多。

第一个原则能够使得在状态匹配时，尽可能多的让性能差的运行状态匹配，突出其重要程度，提高预警的准确率和速率；第二个原则能够使得在状态不匹配时，降低其对预警的准确率和速率的负面影响。

根据各个状态的重要程度和替代矩阵的设计原则，可以得出替代矩阵的设计公式如式(15)所示：

其中，σ表示状态的重要度，

表示后文提到的S基因序列中的第l_i个元素状态，

表示后文提到的U基因序列中的第l_j个元素的状态。

如图4所示，本发明故障预警分为如下步骤：

S1周期性的获取当前配电网各母线的运行状态得分，输入到BP神经网络中得到状态转移时间序列；

周期性的实时获取智能配电网的运行数据，然后输入BP神经网络中转化为状态转移时间序列，即为待比对的基因，并且该基因的长度随着时间的推移逐渐变长。

S2通过Smith-Waterman基因序列比对算法，将获得的状态转移时间序列周期性的与故障基因表中的基因进行匹配，求取匹配值。

周期性的将待比对的基因与故障基因表中的基因通过改进的Smith-Waterman算法进行匹配，匹配流程如下：

a.设定待比对的基因序列为

长度为l_S，故障基因表中的序列为

长度为l_U。

b.设定基因序列比对的替代矩阵，设定配电网的四种状态E、G、M和B的重要度分别为1、2、3和4，根据公式(15)可以计算替代矩阵如表3所示。

表3基因序列比对的替代矩阵

	E	G	M	B
					E	1	-1	-2	-3
G	-1	4	-1	-2
					M	-2	-1	9	-1
B	-3	-2	-1	16

c.根据动态规划的方法，构造大小为(l_S+1)×(l_U+1)大小的矩阵D，用于存放比对结果，矩阵D可以通公式(16)和(17)计算得到。

D(l_i，0)＝D(0，l_j)＝0 (16)

其中1≤l_i≤l_s，1≤l_j≤l_U；

根据式子(15)可以求出，

为

取空位时的罚分，

为

取空位时的罚分。

这样D(l_i，l_j)就表示待匹配的基因序列

和故障基因表中的序列

之间的所有可能的比对分值。

d.在动态规划矩阵D中找出l_i ^*和l_j ^*，满足：

其中D(l_i ^*，l_j ^*)表示序列S和U的最大比对分值。

e.直到待比对的基因序列与故障基因表的所有基因序列进行了比对，求得所有的最大比对分值，将最大比对分值与所设定的阈值进行比较，若超过阈值，则预警该基因所对应的故障。

在基因序列比对的过程中，预警阈值的设定是非常关键的，本发明设定阈值为故障基因满分的百分比值，对于基因表中不同的故障基因，虽然阈值是相同的，但阈值所对应的得分不同，因此具有更好的适应性，选取不同的百分比值进行仿真，选取使预警准确率最优时的百分比值作为预警阈值。

最后说明的是，以上优选实施例仅用以说明发明的技术方案而非限制，尽管通过上述优选实施例已经对本发明进行了详细的描述，但本领域技术人员应当理解，可以在形式上和细节上对其作出各种各样的改变，而不偏离本发明权利要求书所限定的范围。

Claims (4)

1.一种基于故障基因表的智能配电网故障预警方法，其特征在于：具体包含如下步骤：

S1：对智能配电网的运行状态进行划分，并构建智能配电网状态评估指标体系；

S2：构建包含输入层、隐含层和输出层的BP神经网络模型；

S3：将智能电网历史故障数据分为两部分，对第一部分智能配电网历史故障数据源中的母线的运行数据进行聚类来构建训练样本；

S4：将第一部分智能电网的训练样本和训练样本所对应的配电网运行状态输入到BP神经网络模型进行训练，得到BP神经网络状态评估模型；

S5：将第二部分智能配电网历史故障数据源中的母线的运行数据输入到BP神经网络状态评估模型得到智能配电网状态转移时间序列和故障的映射关系，从而构建出故障基因表；

S6：周期性获取当前智能配电网的母线的运行状态数据，并将运行状态数据输入到BP神经网络状态评估模型得到当前智能电网的状态转移时间序列；

S7：通过Smith-Waterman基因序列比对算法，将获得的当前智能电网的状态转移时间序列与故障基因表中的所有基因进行匹配，求取匹配值，将最大的匹配值与所设定的阈值进行比较，若超过阈值，则预警该基因所对应的故障；

在S1中，所述构建智能配电网状态评估指标体系具体为：

将智能配电网状态评估指标确定为智能配电网各母线的状态得分，各母线的状态得分的计算公式如下：

其中G_b为母线状态得分，取值为[0，1]，越接近1表示状态越好，越接近0表示状态越差；λ_V表示母线电压的权值，g_V表示母线电压得分，λ_P表示母线有功功率的权值，g_P表示母线有功功率得分，λ_Q表示母线无功功率的权值，g_Q表示母线无功功率得分；

所述S3中，构建训练样本具体为：将第一部分智能配电网历史数据源中的母线的运行数据聚类为四类不同状态的样本，

其中T_n×m(k)为训练样本矩阵，k＝1，2，3，4表示不同类别的训练样本，n表示训练样本的数量，m表示母线条数，t_nm表示第n个训练样本的第m条母线的状态得分；

所述S4中，训练的过程具体为：

S41：设输入层到隐含层的连接权值为w_ij，隐含层到输出层的连接权值为w_j，输入层到隐含层的阈值为γ_j，隐含层到输出层的阈值为

隐含层的节点数量为N，学习率为η，期望输出为

S42：选择sigmoid型函数作为隐含层激活函数f₁和输出层激活函数f₂；

S43：计算隐含层各单元的输入和输出，用输入层的输入t_nm、输入层到隐含层的连接权值w_ij和输入层到隐含层阈值γ_j，计算隐含层各单元的输入h_j，再用h_j通过激活函数f₁计算隐含层各单元的输出b_j；

其中r＝1，2，…，n，表示第r个样本被训练；

S44：根据隐含层的输出b_j、隐含层到输出层的连接权值w_j和隐含层到输出层的阈值

计算输出结果y；

S45：计算误差；

eh_j＝w_j×eo×b_j×(1-b_j)

其中e为输出误差，eo为输出层一般化误差，eh_j为隐含层各单元一般化误差；

S46：调整隐含层到输出层的连接权值w_j和阈值

其中w′_j和

为调整后的隐含层到输出层的连接权值和阈值；

S47：调整输入层到隐含层的连接权值w_ij和阈值γ_j；

其中w′_ij和γ′_j为调整后的输入层到隐含层的连接权值和阈值；

S48：将变量r从1取到n，则所有的训练样本被训练完，然后将每个训练样本的误差e累加计算出全局误差E，判定E是否达到指定误差范围内，若是，则结束训练记录当前的连接权值和阈值；若否，将全局误差E置为零，并转到步骤S43重复学习训练；

所述S5具体为：

S51：用第二部分智能配电网历史故障数据源构建评估矩阵：

其中

为评估矩阵，n^*表示评估样本的数量，

表示第n^*个评估样本的第m条母线的评估得分；

S52：将评估矩阵

输入BP神经网络状态评估模型，得出智能配电网各段状态转移时间序列与故障之间的映射，从而构建出故障基因表；

所述S7具体为：

S71：设定待比对的基因序列为

长度为l_S，故障基因表中的序列为

长度为l_U；

S72：设定基因序列比对的替代矩阵；

S73：构造大小为(l_S+1)×(l_U+1)大小的矩阵D，用于存放比对结果；

其中D(l_i，l_j)表示待匹配的基因序列，D(l_i，0)＝D(0，l_j)＝0，1≤l_i≤l_S，1≤l_j≤l_U；

表示基因序列S中的第l_i个元素状态，

表示基因序列U中的第l_j个元素的状态；

S74：在矩阵D中找出l_i ^*和l_j ^*，满足：

其中D(l_i ^*，l_j ^*)表示序列S和U的最大比对分值；

S75：直到待比对的基因序列与故障基因表的所有基因序列进行了比对，求得所有的最大比对分值，将最大比对分值与所设定的阈值进行比较，若超过阈值，则预警该基因所对应的故障；

所述S7中，Smith-Waterman基因序列比对算法，在替换矩阵时需要遵循两个原则：

I两个状态在匹配时，两个状态所对应的性能越差，则获得的得分越高；

II两个状态不匹配时，两个状态之间性能差异越大，则所扣的分越多；

即，满足：

其中σ表示状态的重要度。

2.根据权利要求1所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述母线电压得分计算公式如下：

其中V为母线的电压值，

为历史数据集中对应母线电压的平均值，V_max为历史数据集中对应母线电压的最大值，V_min为历史数据集中对应母线电压的最小值。

3.根据权利要求1所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述母线有功功率得分计算公式如下：

其中P为母线的有功功率值，

为历史数据集中对应母线有功功率的平均值，P_max为历史数据集中对应母线有功功率的最大值，P_min为历史数据集中对应母线有功功率的最小值。

4.根据权利要求1所述的一种基于故障基因表的智能配电网故障预警方法，其特征在于：所述母线无功功率得分计算公式如下：

其中Q为母线的无功功率值，

为历史数据集中对应母线无功功率的平均值，Q_max为历史数据集中对应母线无功功率的最大值，Q_min为历史数据集中对应母线无功功率的最小值。

Images