CN111488896B - 一种基于多源数据挖掘的配电线路时变故障概率计算方法 - Google Patents

Abstract

本发明公开了一种基于多源数据挖掘的配电线路时变故障概率计算方法，包括：确定配电网历史故障数据，历史气象数据及各条馈线所属变电站的地理位置；筛选出由恶劣气象导致故障的数据，作为训练样本集；分别统计配电线路在正常天气下与恶劣天气下的故障率与修复率；根据训练样本集与SVM方法，构建SVM气象分类器；采用福克‑普朗克方程进行建模；确定当前气象计算得到配电线路的时变故障概率。本发明基于配电网信息化***中存储的可靠性统计数据和历史气象数据,充分考虑恶劣气象因素对配电线路故障的影响，实现了配电线路故障概率自动准确的计算与分析，可以有效准确计算出配电线路时变故障概率。

Description

一种基于多源数据挖掘的配电线路时变故障概率计算方法

技术领域

本发明涉及电力***分析技术领域，具体涉及计算基于多源数据挖掘的配电线路时变故障概率的方法。

背景技术

随着配电网的发展，网架结构日益复杂，可再生能源在配电网中的渗透率不断提高，不同类型的风险源导致的配电线路故障，都给配电网运行带来了诸多挑战，风险评估成为配电网运行不可缺少的环节。

准确计算配电线路故障概率是运行风险评估的基础，现有技术计算配电线路故障概率的方法主要分为元件停运稳态概率法，随机模糊变量建模法，人工打分法和模糊专家***法。元件停运稳态概率法通过马尔可夫过程中的稳态概率来表示配电线路的故障概率，该方法未能表征运行过程中配电线路故障的时变特征。在配电网运行风险评估中，应采用反映不同运行工况条件的时变值来表示故障概率；现有采用随机模糊变量建模法，结合专家经验来计算不同线路的时变故障概率。

但采用随机模糊变量建模、人工打分法和模糊推理方法都具有较强的主观性，可能会给配电线路故障概率的计算带来一定的误差。此外，还有学者基于不同类型的风险源分别提出了配电线路的时变故障概率计算方法。但是配电线路在运行中会受到多种风险源同时作用，比如雷击、大风等恶劣气象，配电线路老化和缺陷等自身因素。上述的研究中仅考虑单一的风险源是不全面的。

有鉴于此，急需提供一种基于外部气象、线路自身状态等多源数据，真实反映配电线路在不同运行工况下的时变故障概率的配电线路运行风险时变故障概率计算方法，为调度运行人员评价***运行风险提供参考。

发明内容

为了解决上述技术问题，本发明所采用的技术方案是提供一种基于多源数据挖掘的配电线路时变故障概率计算方法，包括以下步骤：

S1、根据收集电网数据，确定配电网历史故障数据，历史气象数据及各条馈线所属变电站的地理位置；

S2、根据历史故障数据筛选出由恶劣气象导致故障的数据，并在历史气象数据中找到对应的气象数据作为训练样本集；

S3、分别统计配电线路在正常天气下的故障率与修复率，与恶劣天气下的故障率与修复率；

S4、根据训练样本集与SVM方法，构建SVM气象分类器；

S5、采用福克-普朗克方程对步骤S3中的配电线路状态转移过程进行建模；

S6、确定当前气象，根据步骤S4确定当前运行状态下的故障率与修复率；

S7、将步骤S6中确定的故障率与修复率代入福克-普朗克方程，计算得到配电线路的时变故障概率；

其中，历史气象数据包括：日平均温度,日最高/低温度,日平均风速,日累计降水量,日累计雷击量；历史故障数据中筛选出由于雷雨、大风、覆冰恶劣气象的数据。

在上述方法中，所述步骤S2包括：

配电线路运行训练样本集为：

S＝{(x_i，y_i)，x_i∈Rⁿ，y_i∈{0，1}}

式中，X_i表示第i个n维输入向量，包括温度、风速、降水、雷击、湿度的气象数据；

y_i为类别标签，根据当前配电线路运行状态是否发生故障来进行划分；y_i＝0表示配电线路当天运行状态下没有发生故障，y_i＝1表示当天该条线路发生故障的次数大于0，表示发生故障。

在上述方法中，所述步骤S3包括：

通过对步骤S2中发生故障的数据和没有发生故障数据的分类统计，可以分别得到在易发故障环境下的状态转移速率λ₀₁如下式所示：

式中，N_Lji表示第j条线路发生的第i次故障，T_L表示该运行工况持续的时间；

修复率μ₀₁如下式：

式中，R_Lji表示第j条线路第i次修复，D_L表示该运行工况持续的时间。

在上述方法中，所述步骤S4包括：

构建分类平面方程如下式：

f(x)＝＜ω·x＞+b

式中，ω＝(ω₁,ω₁...ω_n)为权向量，x＝(x₁,x₂...x_m)^T；b为阈值，并将训练误差ε作为约束条件，并引入松弛变量，，使得两类样本的分隔面最大的优化问题可表示为：

s.t. y_i[＜ω·x＞+b]≥1-ξ_i

0≤α_i≤C,ξ_i≥0,i＝1,2...,l

式中，C＞0为惩罚系数，其值越大表示对超出ε的数据点惩罚越大。

在上述方法中，所述步骤S5中配电线路状态转移过程建模如下式：

P′(t)＝P(t)Q

式中，P₀为馈线处于正常运行的概率，P₁为馈线处于故障状态的概率。

本发明提出了一种基于多源数据挖掘的配电线路运行风险时变故障概率计算方法，基于配电网信息化***中存储的可靠性统计数据和历史气象数据,充分考虑恶劣气象因素对配电线路故障的影响，实现了配电线路故障概率自动准确的计算与分析，可以有效准确计算出配电线路时变故障概率。该方法避免了调度员根据自身经验做判断所带来的误差，能够客观反映配电线路在不同气象环境下的故障概率，实现配电网运行风险的准确判别与分析。

附图说明

图1为本发明提供的流程图；

图2为本发明提供的配电线路运行风险时变故障概率计算流程示意图；

图3为本发明提供的配电线路故障-修复两状态循环过程框架示意图。

具体实施方式

下面结合具体实施方式和说明书附图对本发明做出详细的说明。

如图1-2所示，本发明提供了一种基于多源数据挖掘的配电线路运行风险时变故障概率计算方法，包括以下步骤：

S1、根据收集电网数据，确定配电网历史故障数据，历史气象数据，历史负荷数据及各馈线所属的变电站的地理位置；

历史气象数据包括：日平均温度,日最高/低温度,日平均风速,日累计降水量,日累计雷击量，日平均太阳辐射,日平均气压,日比湿度,日相对湿度等历史数据。历史故障数据中筛选出由于雷雨、大风、覆冰等恶劣气象导致故障的数据，在历史气象数据中找到对应的气象数据作为训练样本。

S2、根据历史故障数据筛选出分别由于恶劣气象导致故障的数据，并在历史气象数据中找到对应的气象数据作为训练样本集。

下式表示配电线路训练样本集：

S＝{(x_i,y_i)，x_i∈Rⁿ,y_i∈{0,1}} (1)

式中，x_i表示第i个n维输入向量，包括温度、风速、降水、雷击、湿度等气象数据。y_i为类别标签，根据当前配电线路运行状态是否发生故障来进行划分；标签y_i＝0表示配电线路当天运行状态下没有发生故障，标签y_i＝1表示当天该条线路发生故障的次数大于0，表示发生故障。

S3、分别统计配电线路在正常天气下的故障率与修复率，与恶劣天气下的故障率与修复率。如图3所示，无论是在正常天气或是恶劣天气下，配电线路的故障-修复两状态循环过程，其中，λ₀₁是在两类风险源作用下，配电线路从正常运行状态向故障状态的故障率，是随时间和配电线路运行工况而变化的值；μ₀₁是配电线路从故障状态向正常运行状态的修复率。

通过对步骤S2中发生故障的数据和没有发生故障数据的分类统计，可以分别得到在易发故障环境下的故障率λ₀₁如下式所示：

式中，N_Lji表示第j条线路发生的第i次故障，T_L表示该运行工况持续的时间。

修复率μ₀₁如下式：

式中，R_Lji表示第j条线路第i次修复，D_L表示该运行工况持续的时间。

S4、根据训练样本集与SVM(Support Vector Machine，支持向量机)方法，构建SVM气象分类器，包括：

构建分类平面方程如下式：

f(x)＝＜ω·x＞+b (4)

式中，ω＝(ω₁,ω₁...ω_n)为权向量，x＝(x₁,x₂...x_m)^T；b为阈值，并将训练误差ε作为约束条件，并引入松弛变量ξ_i，使得两类样本的分隔面最大的优化问题可表示为：

式中，C＞0为惩罚系数，其值越大表示对超出ε的数据点惩罚越大。

将上述问题即转换具有线性不等式约束二次规划问题，采用拉格朗日乘子法求解下面具有线性不等式约束的二次规划问题：

式中，为拉格朗日乘子。

采用拉格朗日乘子法即可求解上述优化问题；采用引入核函数k(x,x_i)，目标函数变为：

式中，α_i,α_j≥0(i,j＝1,2,...,l)为拉格朗日乘子，x_i为第i个样本，x_j为第j个样本，且i＝1,2,...,l，j＝1,2,...,l。

在所有的核函数中，径向基函数在处理非线性问题上具有良好的效果，并且要确定的参数比起多项式核函数要少，则径向基函数K(x_i,x)的形式如下式所示：

其中，影响训练效果的参数主要是C和σ，在SVM的参数选取中，本实施例采用网格搜索法，对C和σ分别取m和n个值进行训练，根据模型训练结果选择预测准确率最高的一组参数作为SVM模型中核函数的参数。

S5、采用福克-普朗克方程对步骤S3中的配电线路状态转移过程进行建模，具体如下式所示：

P′(t)＝P(t)Q (9)

式中，P₀为馈线处于正常运行的概率，P₁为馈线处于故障状态的概率。

S6、确定当前气象，根据步骤S4确定当前运行状态下的故障率λ₀₁与修复率μ₀₁。

S7、将步骤S6中确定的故障率λ₀₁与修复率μ₀₁值代入福克-普朗克方程，计算得到配电线路的时变故障概率P。

本发明提出了一种基于多源数据挖掘的配电线路运行风险时变故障概率计算方法，基于配电网信息化***中存储的可靠性统计数据和历史气象数据,充分考虑恶劣气象因素对配电线路故障的影响，实现了配电线路故障概率自动准确的计算与分析，可以有效准确计算出配电线路时变故障概率。该方法避免了调度员根据自身经验做判断所带来的误差，能够客观反映配电线路在不同气象环境下的故障概率，实现配电网运行风险的准确判别与分析。

下面通过具体案例来说明本实施例

本案例收集了南方某地区120条馈线的2014年1月～2015年7月逐月的电力事故统计数据一共828条。根据上述实施例提出的故障特征变量选择方法选择出故障特征变量，得到的最优故障特征变量如表1所示，最优故障特征子集评价值为0.722。

表1、最优故障特征变量

类型	故障特征变量
		馈线故障特性	故障发生时间、馈线所属变电站
外部影响因素	日最高温度、日最低温度、日平均湿度、日平均风速
		自身影响因素	线路长度
运行影响因素	线路负荷

采用上述实施例提出的时变故障概率计算方法，可以计算出所有配电线路在恶劣气象下的时变故障概率。部分配电线路时变故障概率及失负荷风险值如表2和表3所示。

表2、部分线路的时变故障概率

表3、部分线路的失负荷风险值

本发明不局限于上述最佳实施方式，任何人应该得知在本发明的启示下作出的结构变化，凡是与本发明具有相同或相近的技术方案，均落入本发明的保护范围之内。

Claims (2)

1.一种基于多源数据挖掘的配电线路时变故障概率计算方法，其特征在于，包括以下步骤：

S1、根据收集电网数据，确定配电网历史故障数据，历史气象数据及各条馈线所属变电站的地理位置；

S2、根据历史故障数据筛选出由恶劣气象导致故障的数据，并在历史气象数据中找到对应的气象数据作为训练样本集；

配电线路运行训练样本集为：

S＝{(x_i,y_i),x_i∈Rⁿ,y_i∈{0,1}}

式中，x_i表示第i个n维输入向量，包括温度、风速、降水、雷击、湿度的气象数据；

y_i为类别标签，根据当前配电线路运行状态是否发生故障来进行划分；y_i＝0表示配电线路当天运行状态下没有发生故障，y_i＝1表示当天该条线路发生故障的次数大于0，表示发生故障；

S3、分别统计配电线路在正常天气下的故障率与修复率，与恶劣天气下的故障率与修复率；其中，

通过对步骤S2中发生故障的数据和没有发生故障数据的分类统计，可以分别得到在易发故障环境下的状态转移速率λ₀₁如下式所示：

式中，N_Lji表示第j条线路发生的第i次故障，T_L表示该运行工况持续的时间；

修复率μ₀₁如下式：

式中，R_Lji表示第j条线路第i次修复，D_L表示该运行工况持续的时间；

S4、根据训练样本集与SVM方法，构建SVM气象分类器；构建分类平面方程如下式：

y＝<ω·x>+b

式中，ω＝(ω₁,ω₁...ω_n)为权向量，x＝(x₁,x₂...x_m)^T；b为阈值，并将训练误差ε作为约束条件，并引入松弛变量ξ，使得两类样本的分隔面最大的优化问题可表示为：

s.t.y_i[<ω·x>+b]≥1-ξ_i

0≤α_i≤C,ξ_i≥0,i＝1,2...,l

式中，C>0为惩罚系数，其值越大表示对超出ε的数据点惩罚越大；

S5、采用福克-普朗克方程对步骤S3中的配电线路状态转移过程进行建模；

S6、确定当前气象，根据步骤S4确定当前运行状态下的故障率与修复率；

S7、将步骤S6中确定的故障率与修复率代入福克-普朗克方程，计算得到配电线路的时变故障概率；

其中，历史气象数据包括：日平均温度,日最高/低温度,日平均风速,日累计降水量,日累计雷击量；历史故障数据中筛选出由于雷雨、大风、覆冰恶劣气象的数据。

2.如权利要求1所述的计算方法，其特征在于，所述步骤S5中配电线路状态转移过程建模如下式：

P′(t)＝P(t)Q

式中，P₀为馈线处于正常运行的概率，P₁为馈线处于故障状态的概率。