CN112734204B - 配电网故障线路风险评估方法和*** - Google Patents
配电网故障线路风险评估方法和*** Download PDFInfo
- Publication number
- CN112734204B CN112734204B CN202011636638.6A CN202011636638A CN112734204B CN 112734204 B CN112734204 B CN 112734204B CN 202011636638 A CN202011636638 A CN 202011636638A CN 112734204 B CN112734204 B CN 112734204B
- Authority
- CN
- China
- Prior art keywords
- fault
- value
- line
- risk
- principal component
- 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.)
- Active
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 88
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012502 risk assessment Methods 0.000 title claims abstract description 18
- 238000004364 calculation method Methods 0.000 claims abstract description 59
- 238000011156 evaluation Methods 0.000 claims abstract description 40
- 238000000513 principal component analysis Methods 0.000 claims abstract description 30
- 238000012216 screening Methods 0.000 claims abstract description 27
- 230000001419 dependent effect Effects 0.000 claims abstract description 15
- 238000000611 regression analysis Methods 0.000 claims abstract description 11
- 238000012847 principal component analysis method Methods 0.000 claims abstract description 4
- 238000012545 processing Methods 0.000 claims description 70
- 230000006870 function Effects 0.000 claims description 52
- 238000010606 normalization Methods 0.000 claims description 33
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000004891 communication Methods 0.000 claims description 12
- 238000004088 simulation Methods 0.000 claims description 12
- 238000004458 analytical method Methods 0.000 claims description 9
- 238000006243 chemical reaction Methods 0.000 claims description 9
- 238000000605 extraction Methods 0.000 claims description 6
- 238000012549 training Methods 0.000 claims description 6
- 238000004422 calculation algorithm Methods 0.000 claims description 3
- 238000011478 gradient descent method Methods 0.000 claims description 3
- 238000010801 machine learning Methods 0.000 claims description 3
- 238000012821 model calculation Methods 0.000 claims description 3
- 239000002245 particle Substances 0.000 claims description 3
- 238000010586 diagram Methods 0.000 description 8
- 238000009413 insulation Methods 0.000 description 8
- 238000012423 maintenance Methods 0.000 description 7
- 229910000831 Steel Inorganic materials 0.000 description 6
- 239000010959 steel Substances 0.000 description 6
- 230000007547 defect Effects 0.000 description 5
- 238000010276 construction Methods 0.000 description 4
- 230000002093 peripheral effect Effects 0.000 description 4
- UFHFLCQGNIYNRP-UHFFFAOYSA-N Hydrogen Chemical compound [H][H] UFHFLCQGNIYNRP-UHFFFAOYSA-N 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 229910052739 hydrogen Inorganic materials 0.000 description 3
- 239000001257 hydrogen Substances 0.000 description 3
- 241000270295 Serpentes Species 0.000 description 2
- 208000025274 Lightning injury Diseases 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 239000002131 composite material Substances 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 230000005611 electricity Effects 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 238000007726 management method Methods 0.000 description 1
- 238000004519 manufacturing process Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000013024 troubleshooting Methods 0.000 description 1
- 238000012800 visualization Methods 0.000 description 1
- 238000002759 z-score normalization Methods 0.000 description 1
Images
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
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F17/00—Digital computing or data processing equipment or methods, specially adapted for specific functions
- G06F17/10—Complex mathematical operations
- G06F17/18—Complex mathematical operations for evaluating statistical data, e.g. average values, frequency distributions, probability functions, regression analysis
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
- G06F18/2135—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods based on approximation criteria, e.g. principal component analysis
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Development Economics (AREA)
- Educational Administration (AREA)
- Marketing (AREA)
- Operations Research (AREA)
- General Engineering & Computer Science (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Mathematical Physics (AREA)
- Pure & Applied Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Mathematical Optimization (AREA)
- Mathematical Analysis (AREA)
- Evolutionary Biology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Computational Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Water Supply & Treatment (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Primary Health Care (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Algebra (AREA)
- General Health & Medical Sciences (AREA)
- Databases & Information Systems (AREA)
- Software Systems (AREA)
Abstract
本申请提供一种配电网线路故障风险评估方法和***,S1:提取配电线路故障原因因子;S2:将所述故障原因因子作为自变量,线路发生故障次数作为因变量,采用逐步回归法筛选出故障关键因子;S3:采用主成分分析法对所述故障关键因子的数据进行主成分分析,确定各故障线路主成分的风险值得分;S4:采用回归分析法对所述各故障线路主成分的风险值得分进行回归分析,构建故障线路风险值计算模型;S5:采集目标配电网的故障关键因子,并将所述目标配电网的故障关键因子代入所述故障线路风险值计算模型,获得目标配电网线路故障风险值。通过斯皮尔曼系数对风险值目标函数进行改进,提高了风险评估的精度和准确性。所述***为评估方法的载体。
Description
技术领域
本发明涉及配电网故障风险分析技术领域,尤其涉及一种配电网故障线路风险评估方法和***。
背景技术
随着我国经济的高速发展,社会生活每个方面对电能的依赖程度都在不断加深。配电网直接面向广大普通用户,其运行的稳定性、可靠性对生产生活而言至关重要。配网建设的加速升级,运维工作呈现要求高、难度大的特点。国内电力领域一直以来都采用方案检修模式进行电力装置的维护管理,整体来看属于事后维护体系,一旦开启检修工作,就会有很长时间无法供能,对社会生活造成严重影响。传统配电网运维由于其工作模式和技术手段上的局限性,主要存在以下几个问题:一是相关人员工作繁重,配网线路巡视存在人员少、线路长、任务重的问题;二是农村配网线路投入产出比低;三是配网线路故障排查采用地毯式搜寻,没有重点,在寻找故障点上消耗大量抢修时间。传统配电网运维已不能满足“新时代”的要求。
因此,亟需一种新的配电网故障线路风险评估方法和***。
发明内容
有鉴于此,本发明提供一种配电网故障线路风险评估方法和***,以克服现有配电网故障线路评估方法的缺陷。
本申请提供一种配电网线路故障风险评估方法,其特征在于:所述方法包括以下步骤:
S1:根据配电线路故障数据,提取配电线路故障原因因子;
S2:将所述故障原因因子作为自变量,线路发生故障次数作为因变量,采用逐步回归法筛选出故障关键因子;
S3:采用主成分分析法对所述故障关键因子的数据进行主成分分析,确定各故障线路主成分的风险值得分;
S4:采用回归分析法对所述各故障线路主成分的风险值得分进行回归分析,构建故障线路风险值计算模型;
S5:采集目标配电网的故障关键因子,并将所述目标配电网的故障关键因子代入所述故障线路风险值计算模型,获得目标配电网线路故障风险值;
所述步骤S4具体包括如下步骤:
S41:构建故障线路风险值计算模型目标函数:
其中,f(X)表示故障线路风险值计算模型目标函数,x1,x2,…,xn表示故障关键因子,α1,α2,…,αi表示需要通过机器学习训练出的系数,αi+1,αi+2,…,αn表示非线性系数,默认为1;
S42:其中α1,α2,…,αi系数采用如下方法确定:
S421:构造损失函数:
其中,Fcost表示损失函数,fi(X)是模型计算得到的输出值,yi是训练集的实际值;
S422:运用随机梯度下降法寻找使Fcost达到最小值的系数集合(α1,α2,…,αi):
构建迭代函数:
hθ(x)=θ0+θ1x1+θ2x2+…+θnxn (3)
其中,hθ(x)表示迭代函数,θ0表示多项式的系数,x1,x2,…,xn表示故障关键因子;
令所述迭代函数的损失函数如下:
其中,J(θ)表示迭代函数的损失函数,hθ(xi)表示xi对应的拟合函数值,yi是训练集的实际值;
令迭代函数的权重更新式子如下:
设置迭代终止条件为迭代1000次,经过多次迭代计算,
获得使Fcost达到最小值的系数集合(α1,α2,…,αi)。
进一步,步骤S4还包括对非线性系数αi+1,αi+2,…,αn进行修正:
在求解使Fcost达到最小值的系数集合(α1,α2,…,αi)之前,
引入使用如下式子将各故障线路主成分的风险值得分进行转换,并将转换后的各故障线路主成分的风险值得分risk_value作为回归方程的因变量的实际值;
risk_value=[score+abs(min(score))]×10 (6)
其中,risk_value表示转换后的各故障线路主成分的风险值得分,score表示各故障线路主成分的风险值得分;
引入斯皮尔曼系数ρ来量化风险值risk_value与故障数的相关关系,所述斯皮尔曼系数ρ的计算式子如下:
进一步,所述步骤S2具体包括如下步骤:
S21:将原因因子作为自变量,线路发生故障的次数作为因变量,将自变量数据和因变量数据导入MATLAB软件,获得每个原因因子的标准化回归系数和显著性P值;
S22:判断原因因子的显著性P值是否大于预设的显著性P值阈值,若是,则为当前原因因子为放入子集1中,若否,则当前原因因子不放入子集1中;
S23:重复步骤S22,直至所有的原因因子显著性P值均与预设的显著性P值阈值进行判断,子集1中的元素为故障关键因子。
进一步,以故障关键因子的标准化回归系数的绝对值从大到小进行排序,所述排序为故障关键因子的重要性排序。
进一步,对所述故障关键因子的数据进行主成分分析之前,运用归一化公式对各故障关键因子数据进行归一化处理,消除各故障关键因子之间的量纲差异,所述归一化式子为:
其中,Xnorm表示归一化处理后的数据,XMAX表示样本数据中的最大值,X表示样本数据,XMIN表示样本数据中的最小值。
所述步骤S3中确定各故障线路主成分的风险值得分的具体方法为:
S31:对所述归一化特征数据进行主成分分析,得到主成分因子载荷矩阵和各个主成分的贡献率;
S32:根据所述主成分因子载荷矩阵,将各个主成分转换为用变量的线性组合表示,并计算出各个主成分值;
S34:利用转换式子,对所述每条故障线路的主成分风险模拟值进行转换,得到每条故障线路的主成分风险值,所述转换式子如下:
risk_value=[score+abs(min(score))]×10,
其中,risk_value表示转化后的故障线路主成分风险值,score表示各故障线路主成分的风险值得分。
相应地,本发明还提供一种配电网故障线路风险评估***,其特征在于:所述***适用于权利要求1-6任一所述配电网故障线路风险评估方法,所述***包括:输入模块、显示模块、中央处理模块、原因因子采集模块、关键因子筛选模块、主成分分析模块、线路风险值计算模块和风险预测评估模块,所述输入模块的输出端与所述中央处理模块的输入端连接,所述显示单元的输入端与所述中央处理模块的输出端连接,所述原因因子采集模块的输出端与所述中央处理单元的输入端连接,所述关键因子筛选模块与所述中央处理模块通信连接,所述主成分分析模块与所述中央处理模块通信连接,所述线路风险值计算模块与所述中央处理模块通信连接,所述风险预测评估模块与所述中央处理模块通信连接;
所述输入模块,用于将采集到的配网线路故障数据导入风险预测评估***;
所述中央处理模块,用于接收输入的各类数据并转送至各功能模块;
所述显示模块,用于接受所述中央处理模块的输出数据,并进行显示;
所述原因因子采集模块,用于获取导致配网线路故障的原因因子;
所述关键因子筛选模块,用于从提取的原因因子中筛选出对配电线路故障影响具有显著性的关键因子;
所述主成分分析模块,用于对故障关键因子的数据进行主成分分析,获取各故障线路主成分的风险值得分;
所述线路风险值分析模块,用于对各故障线路主成分的风险值得分进行回归分析;
所述风险预测评估模块,用于根据各故障线路的风险值得分进行风险预测评估。
进一步,所述原因因子采集模块包括:
原因提取单元,用于提取出导致配网线路故障的原因;
原因分类单元,用于将提取到的故障原因进行分类;
故障因子打分单元,用于对每个故障原因中的各个故障因子按照对配电线路故障影响程度的大小进行打分;
所述关键因子筛选模块包括:
标准化处理单元,用于对数据进行z-score标准化处理;
回归系数计算单元,用于根据得到的标准化数据,采用逐步回归方法计算出每个原因因子的标准化回归系数;
P值计算单元,用于根据得到的标准化数据,计算各原因因子对故障线路的影响值;
显著性分析单元,用于根据计算结果选出对配电线路故障影响具有显著性的关键因子;
所述主成分分析模块包括:
归一化计算单元,用于各故障关键因子数据进行归一化处理,消除各故障关键因子之间的量纲差异;
载荷矩阵计算单元,用于根据归一化处理后的数据计得到主成分载荷矩阵;
贡献率计算单元,用于根据归一化处理后的数据计得到各主成分的贡献率;
主成分值计算单元,用于根据主成分载荷矩阵将各主成分用变量的线性组合表示,并计算得出各主成分的分数值;
综合评价单元,用于计算得出各故障线路主成分的风险值得分。
本发明的有益技术效果:本申请提供的评估方法通过斯皮尔曼系数对风险值目标函数进行改进,提高了风险评估的精度和准确性;运用了归一化公式对各故障关键因子数据进行归一化处理,消除了各故障关键因子之间的量纲差异;此外,本申请的风险评估***作为方法载体,将配电网线路风险预测评估方法进行了模块化处理,使风险预测评估更加方便、快捷,同时实现输出结果可视化。
附图说明
下面结合附图和实施例对本发明作进一步描述:
图1为配电网线路风险预测评估方法的工作流程图。
图2为配电网线路风险预测评估***结构示意图。
图3为配电网线路风险预测评估***的原因因子采集模块示意图。
图4为配电网线路风险预测评估***的关键因子筛选模块示意图。
图5为配电网线路风险预测评估***的主成分分析模块示意图。
图6为标准化逐步回归计算结果示意图。
图7为关键因子重要性排序结果示意图。
图8为主成分因子载荷矩阵结果示意图。
图9为各主成分贡献率结果示意图。
图10为部分路线综合主成分得分结果示意图。
图11为非线性系数更新前(左)与更新后(右)风险值分布图。
图12为配电网线路风险预测评估方法的实施例二的工作流程图。
图13为配电网线路风险预测评估***的实施例二的结构示意图。
具体实施方式
以下结合说明书附图对本发明做出进一步的说明:
本发明提供一种配电网线路故障风险评估方法,其特征在于:所述方法包括以下步骤:如图1和图12所示,
S1:根据配电线路故障数据,提取配电线路故障原因因子;据收集到的2年内10kV配电线路故障数据,提取出所有故障原因,并对故障原因按照设备情况、运行情况和外部情况分为3类,若故障原因中存在多个故障因子,对每个故障因子按照对配电线路故障影响程度的大小进行打分。最终得出导致配网线路故障的14个原因因子如下:
绝缘化率:绝缘化率越高,线路风险值越低,为了避免风险与绝缘化率出现反比关系,用1-绝缘化率替换为原来的绝缘化率。
运行年限:该单元线路投运至今的运行时间。单位:年。
缺陷数:该单元线路及设备未消缺的总数量。单位:处。
负载程度:将负载程度分为过载记2,重载记1,轻载及以下记0三个数量等级。
专用客户用电情况差:专用客户用电情况差记为1,无情况差记为0。
雷区程度:雷区程度一般按照强雷、多雷、少雷区分,按照雷区程度,将强雷区域赋
值为3,多雷区域赋值为2,少雷区域赋值为1,雷击情况低于少雷标准的视为0。
周边树木情况:将周边树木情况按照茂盛、有、无三个等级进行区分,周边树木生
长茂盛记为2,周边有树木记为1,周边无树木记0。
周边彩钢瓦(异物)程度:彩钢瓦在遇到大风等天气,易对电力线路造成短路及接
地等故障,线路周边有彩钢瓦记为1,无彩钢瓦记为0。
附近氢气球等飞行物:将有氢气球等飞行物记为1,无飞行物记为0。
保护区大型起吊施工:记有大型起吊施工为1,无大型起吊施工为0。
周边鸟类等飞禽频繁:周边鸟类等飞禽活动频繁记为1,无则记为0。
周边蛇活动情况:周边蛇类活动频繁记为1,无则记为0。
保护区山火风险:线路所在地区存在山火风险记为1,无风险记为0。
S2:将所述故障原因因子作为自变量,线路发生故障次数作为因变量,采用逐步回归法筛选出故障关键因子;
S21:将原因因子作为自变量,线路发生故障的次数作为因变量,将自变量数据和因变量数据导入MATLAB软件,获得每个原因因子的标准化回归系数和显著性P值;
S22:判断原因因子的显著性P值是否大于预设的显著性P值阈值,若是,则为当前原因因子为放入子集1中,若否,则当前原因因子不放入子集1中;
S23:重复步骤S22,直至所有的原因因子显著性P值均与预设的显著性P值阈值进行判断,子集1中的元素为故障关键因子。
在本实施例中,以14个因子作为自变量,线路发生故障的次数作为因变量,针对自变量和因变量,运用标准化公式进行z-score标准化,其中,对标准化后的数据进行逐步回归计算准化回归系数和P值(显著性)。如图6所示。根据计算得到的P值筛选出对配电线路故障影响具有显著性的关键因子为8个,分别为单元线路长度、绝缘化率、运行年限、缺陷数、是否过载、雷区程度、周边树木情况、周边彩钢瓦(异物)程度。
以故障关键因子的标准化回归系数的绝对值从大到小进行排序,所述排序为故障关键因子的重要性排序。
将关键因子根据其标准化回归系数绝对值大小进行排序,得到8个关键因子的重要性排序。缺陷数对线路发生故障次数的影响最大,绝缘化率对线路发生故障次数的影响最小;除运行年限与线路发生故障次数成负相关关系外,其余所有因子与线路发生故障次数均成正相关关系。如图7所示。
S3:采用主成分分析法对所述故障关键因子的数据进行主成分分析,确定各故障线路主成分的风险值得分;
对所述故障关键因子的数据进行主成分分析之前,运用归一化公式对各故障关键因子数据进行归一化处理,消除各故障关键因子之间的量纲差异,所述归一化式子为:
其中,Xnorm表示归一化处理后的数据,XMAX表示样本数据中的最大值,X表示样本数据,XMIN表示样本数据中的最小值。
所述步骤S3中确定各故障线路主成分的风险值得分的具体方法为:
S31:对所述归一化特征数据进行主成分分析,得到主成分因子载荷矩阵和各个主成分的贡献率;
S32:根据所述主成分因子载荷矩阵,将各个主成分转换为用变量的线性组合表示,并计算出各个主成分值;
S34:利用转换式子,对所述每条故障线路的主成分风险模拟值进行转换,得到每条故障线路的主成分风险值,所述转换式子如下:
risk_value=[score+abs(min(score))]×10,
其中,risk_value表示转化后的故障线路主成分风险值,score表示各故障线路主成分的风险值得分。
运用归一化公式对各故障关键因子数据进行归一化处理,消除各故障关键因子之间的量纲差异。
对经过归一化处理后的各故障关键因子数据进行主成分分析,得到主成分载荷矩阵及各主成分的贡献率,如图8、图9所示。根据计算,前7个主成分的累积贡献率已达到96.21%,因而为了降低计算维度,只选择前7个主成分来进行后续计算。
根据所述主成分载荷矩阵将各主成分用变量的线性组合表示,并计算得出各主成分的分数值;各主成分用变量的线性组合表示为
S4:采用回归分析法对所述各故障线路主成分的风险值得分进行回归分析,构建故障线路风险值计算模型;
S5:采集目标配电网的故障关键因子,并将所述目标配电网的故障关键因子代入所述故障线路风险值计算模型,获得目标配电网线路故障风险值;
所述步骤S4具体包括如下步骤:
S41:构建故障线路风险值计算模型目标函数:
其中,f(X)表示故障线路风险值计算模型目标函数,x1,x2,…,xn表示故障关键因子,α1,α2,…,αi表示需要通过机器学习训练出的系数,αi+1,αi+2,…,αn表示非线性系数,默认为1;
S42:其中α1,α2,…,αi系数采用如下方法确定:
S421:构造损失函数:
其中,Fcost表示损失函数,fi(X)是模型计算得到的输出值,yi是训练集的实际值;
S422:运用随机梯度下降法寻找使Fcost达到最小值的系数集合(α1,α2,…,αi):
构建迭代函数:
hθ(x)=θ0+θ1x1+θ2x2+…+θnxn (3)
其中,hθ(x)表示迭代函数,θ0表示多项式的系数,x1,x2,…,xn表示故障关键因子;
令所述迭代函数的损失函数如下:
其中,J(θ)表示迭代函数的损失函数,hθ(xi)表示xi对应的拟合函数值,yi是训练集的实际值;
令迭代函数的权重更新式子如下:
设置迭代终止条件为迭代1000次,经过多次迭代计算,
获得使Fcost达到最小值的系数集合(α1,α2,…,αi)。
步骤S4还包括对非线性系数αi+1,αi+2,…,αn进行修正:
在求解使Fcost达到最小值的系数集合(α1,α2,…,αi)之前,
引入使用如下式子将各故障线路主成分的风险值得分进行转换,并将转换后的各故障线路主成分的风险值得分risk_value作为回归方程的因变量的实际值;
risk_value=[score+abs(min(score))]×10 (6)
其中,risk_value表示转换后的各故障线路主成分的风险值得分,score表示各故障线路主成分的风险值得分;
引入斯皮尔曼系数ρ来量化风险值risk_value与故障数的相关关系,所述斯皮尔曼系数ρ的计算式子如下:
将8个关键因子作为回归方程的自变量,对线性部分系数(α1,α2,…,α5)进行求解,得到风险值的表达式为:
其中,x1为单元线路长度,x2为1-绝缘化率,x3为缺陷数,x4为雷区强度,x5为年限系数,x6为是否过载,x7为周边树木,x8为周边有无彩钢等异物。
相应地,本发明还提供一种配电网故障线路风险评估***,其特征在于:如图2和图13所示,所述***适用于权利要求1-5任一所述配电网故障线路风险评估方法,所述***包括:输入模块、显示模块、中央处理模块、原因因子采集模块、关键因子筛选模块、主成分分析模块、线路风险值计算模块和风险预测评估模块,所述输入模块的输出端与所述中央处理模块的输入端连接,所述显示单元的输入端与所述中央处理模块的输出端连接,所述原因因子采集模块的输出端与所述中央处理单元的输入端连接,所述关键因子筛选模块与所述中央处理模块通信连接,所述主成分分析模块与所述中央处理模块通信连接,所述线路风险值计算模块与所述中央处理模块通信连接,所述风险预测评估模块与所述中央处理模块通信连接;所述***还包括存储器,所述存储器与所述中央处理模块通信连接。
所述输入模块,用于将采集到的配网线路故障数据导入风险预测评估***;
所述中央处理模块,用于接收输入的各类数据并转送至各功能模块;
所述显示模块,用于接受所述中央处理模块的输出数据,并进行显示;
所述原因因子采集模块,用于获取导致配网线路故障的原因因子;
所述关键因子筛选模块,用于从提取的原因因子中筛选出对配电线路故障影响具有显著性的关键因子;
所述主成分分析模块,用于对故障关键因子的数据进行主成分分析,获取各故障线路主成分的风险值得分;
所述线路风险值分析模块,用于对各故障线路主成分的风险值得分进行回归分析;
所述风险预测评估模块,用于根据各故障线路的风险值得分进行风险预测评估。
在本实施例中,所述原因因子采集模块包括:如图3所示,
原因提取单元,用于提取出导致配网线路故障的原因;
原因分类单元,用于将提取到的故障原因进行分类;
故障因子打分单元,用于对每个故障原因中的各个故障因子按照对配电线路故障影响程度的大小进行打分;原因因子采集模块包括:原因提取单元,用于提取出导致配网线路故障的原因;原因分类单元,用于将提取到的故障原因进行分类;故障因子赋值单元,用于对每个故障原因中的各个故障因子按照对配电线路故障影响程度的大小进行赋值。
所述关键因子筛选模块包括:如图4所示,
标准化处理单元,用于对数据进行z-score标准化处理;
回归系数计算单元,用于根据得到的标准化数据,采用逐步回归方法计算出每个原因因子的标准化回归系数;
P值计算单元,用于根据得到的标准化数据,计算各原因因子对故障线路的影响值;
显著性分析单元,用于根据计算结果选出对配电线路故障影响具有显著性的关键因子;关键因子筛选模块包括:标准化处理单元,用于对数据进行z-score标准化处理;回归系数计算单元,用于根据得到的标准化数据,采用逐步回归方法计算出每个原因因子的标准化回归系数;P值计算单元,用于根据得到的标准化数据,计算各原因因子对故障线路产生影响的显著性值;关键因子筛选单元,用于筛选出对配电线路故障影响具有显著性的关键因子
所述主成分分析模块包括:如图5所示,
归一化计算单元,用于各故障关键因子数据进行归一化处理,消除各故障关键因子之间的量纲差异;
载荷矩阵计算单元,用于根据归一化处理后的数据计得到主成分载荷矩阵;
贡献率计算单元,用于根据归一化处理后的数据计得到各主成分的贡献率;
主成分值计算单元,用于根据主成分载荷矩阵将各主成分用变量的线性组合表示,并计算得出各主成分的分数值;
综合评价单元,用于计算得出各故障线路主成分的风险值得分。
主成分分析模块包括:归一化处理单元,用于对每条故障线路的关键因子数据进行归一化处理,消除各故障关键因子之间的量纲差异;主成分因子载荷矩阵计算单元,用于根据归一化处理后的数据计得到主成分因子载荷矩阵;贡献率计算单元,用于根据归一化处理后的数据计得到各个主成分的贡献率;主成分计算单元,用于根据主成分因子载荷矩阵将各主成分用变量的线性组合表示,并计算得出各主成分值;主成分风险模拟值计算单元,用于初步计算出每条故障线路的主成分风险模拟值;主成分风险值计算单元,用于对得到的每条故障线路的主成分风险模拟值进行优化,得到每条故障线路的主成分风险值。
使用时,通过数据输入模块将收集到的配电线路故障数据输入风险分析***,由中央处理模块将数据传送至原因因子采集模块,原因因子采集模块接收到由中央处理模块发送的故障数据后,原因提取单元根据接收到的故障数据,提取出导致配网线路故障的原因,并将故障原因提取结果传送至原因分类单元;原因分类单元将提取到的故障原因进行分类,并将分类好的故障原因数据发送给故障因子赋值单元,故障因子赋值单元对每个故障原因中的各个故障因子按照对配电线路故障影响程度的大小进行赋值,得出原因因子,同时将结果发送中央处理模块。
然后,中央处理模块将提取出的原因因子数据发送给关键因子筛选模块,给关键因子筛选模块。关键因子筛选模块接收到原因因子分析结果后,标准化处理单元对原因因子的数据进行z-score标准化处理;并将标准化处理后的数据发送给回归系数计算单元和P值计算单元;回归系数计算单元根据得到的标准化数据,采用逐步回归方法计算出每个原因因子的标准化回归系数;P值计算单元根据得到的标准化数据,计算各原因因子对故障线路的P值(影响值);回归系数计算单元和P值计算单元分别将计算结果发送给关键因子筛选单元,根据计算结果选出对配电线路故障影响具有显著性的关键因子,同时将提取出的关键因子数据发送给中央处理模块。随后由中央处理模块将关键因子数据发送至主成分分析模块。
主成分分析模块中的归一化计算单元对各故障关键因子数据进行归一化处理,并将归一化处理后的数据发送给载荷矩阵计算单元和贡献率计算单元;载荷矩阵计算单元根据归一化处理后的数据计得到主成分载荷矩阵,并将主成分载荷矩阵发送给主成分值计算单元;根据归一化处理后的数据计得到各主成分的贡献率;主成分值计算单元根据主成分载荷矩阵将各主成分用变量的线性组合表示,并计算得出各主成分的分数值,同时将各主成分值发送给主成分风险模拟值计算单元来计算各故障线路主成分的风险模拟值;主成分风险模拟值计算单元将计算得出的各故障线路主成分的风险值发送给线路风险值分析模块。综合评价单元将计算得出的各故障线路主成分的风险值得分发送给中央处理模块暂存,并将提取的关键因子数据发送给输出显示模块显示在屏幕上。
最后说明的是,以上实施例仅用以说明本发明的技术方案而非限制,尽管参照较佳实施例对本发明进行了详细说明,本领域的普通技术人员应当理解,可以对本发明的技术方案进行修改或者等同替换,而不脱离本发明技术方案的宗旨和范围,其均应涵盖在本发明的权利要求范围当中。
Claims (8)
1.一种配电网线路故障风险评估方法,其特征在于:所述方法包括以下步骤:
S1:根据配电线路故障数据,提取配电线路故障原因因子;
S2:将所述故障原因因子作为自变量,线路发生故障次数作为因变量,采用逐步回归法筛选出故障关键因子;
S3:采用主成分分析法对所述故障关键因子的数据进行主成分分析,确定各故障线路主成分的风险值得分;
S4:采用回归分析法对所述各故障线路主成分的风险值得分进行回归分析,构建故障线路风险值计算模型;
S5:采集目标配电网的故障关键因子,并将所述目标配电网的故障关键因子代入所述故障线路风险值计算模型,获得目标配电网线路故障风险值;
所述步骤S4具体包括如下步骤:
S41:构建故障线路风险值计算模型目标函数:
其中,f(X)表示故障线路风险值计算模型目标函数,x1,x2,…,xn表示故障关键因子,α1,α2,…,αi表示需要通过机器学习训练出的系数,αi+1,αi+2,…,αn表示非线性系数,默认为1;
S42:其中α1,α2,…,αi系数采用如下方法确定:
S421:构造损失函数:
其中,Fcost表示损失函数,fi(X)是模型计算得到的输出值,yi是训练集的实际值;
S422:运用随机梯度下降法寻找使Fcost达到最小值的系数集合(α1,α2,…,αi):
构建迭代函数:
hθ(x)=θ0+θ1x1+θ2x2+…+θnxn (3)
其中,hθ(x)表示迭代函数,θ0表示多项式系数,x1,x2,…,xn表示故障关键因子;
令所述迭代函数的损失函数如下:
其中,J(θ)表示迭代函数的损失函数,hθ(xi)表示xi对应的拟合函数值,yi是训练集的实际值;
令迭代函数的权重更新式子如下:
设置迭代终止条件为迭代1000次,经过多次迭代计算,
获得使Fcost达到最小值的系数集合(α1,α2,…,αi)。
2.根据权利要求1所述配电网线路故障风险评估方法,其特征在于:步骤S4还包括对非线性系数αi+1,αi+2,…,αn进行修正:
在求解使Fcost达到最小值的系数集合(α1,α2,…,αi)之前,
引入使用如下式子将各故障线路主成分的风险值得分进行转换,并将转换后的各故障线路主成分的风险值得分risk_value作为回归方程的因变量的实际值;
risk_value=[score+abs(min(score))]×10 (6)
其中,risk_value表示转换后的各故障线路主成分的风险值得分,score表示各故障线路主成分的风险值得分;
引入斯皮尔曼系数ρ来量化风险值risk_value与故障数的相关关系,所述斯皮尔曼系数ρ的计算式子如下:
3.根据权利要求1所述配电网线路故障风险评估方法,其特征在于:所述步骤S2具体包括如下步骤:
S21:将原因因子作为自变量,线路发生故障的次数作为因变量,将自变量数据和因变量数据导入MATLAB软件,获得每个原因因子的标准化回归系数和显著性P值;
S22:判断原因因子的显著性P值是否大于预设的显著性P值阈值,若是,则为当前原因因子为放入子集1中,若否,则当前原因因子不放入子集1中;
S23:重复步骤S22,直至所有的原因因子显著性P值均与预设的显著性P值阈值进行判断,子集1中的元素为故障关键因子。
4.根据权利要求3所述配电网线路故障风险评估方法,其特征在于:所述步骤S2还包括:以故障关键因子的标准化回归系数的绝对值从大到小进行排序,所述排序为故障关键因子的重要性排序。
6.根据权利要求5所述配电网线路故障风险评估方法,其特征在于:所述步骤S3中确定各故障线路主成分的风险值得分的具体方法为:
S31:对所述归一化特征数据进行主成分分析,得到主成分因子载荷矩阵和各个主成分的贡献率;
S32:根据所述主成分因子载荷矩阵,将各个主成分转换为用变量的线性组合表示,并计算出各个主成分值;
S34:利用转换式子,对所述每条故障线路的主成分风险模拟值进行转换,得到每条故障线路的主成分风险值,所述转换式子如下:
risk_value=[score+abs(min(score))]×10,
其中,risk_value表示转化后的故障线路主成分风险值,score表示各故障线路主成分的风险值得分。
7.一种配电网故障线路风险评估***,其特征在于:所述***适用于权利要求1-6任一所述配电网故障线路风险评估方法,所述***包括:输入模块、显示模块、中央处理模块、原因因子采集模块、关键因子筛选模块、主成分分析模块、线路风险值计算模块和风险预测评估模块,所述输入模块的输出端与所述中央处理模块的输入端连接,所述显示单元的输入端与所述中央处理模块的输出端连接,所述原因因子采集模块的输出端与所述中央处理单元的输入端连接,所述关键因子筛选模块与所述中央处理模块通信连接,所述主成分分析模块与所述中央处理模块通信连接,所述线路风险值计算模块与所述中央处理模块通信连接,所述风险预测评估模块与所述中央处理模块通信连接;
所述输入模块,用于将采集到的配网线路故障数据导入风险预测评估***;
所述中央处理模块,用于接收输入的各类数据并转送至各功能模块;
所述显示模块,用于接受所述中央处理模块的输出数据,并进行显示;
所述原因因子采集模块,用于获取导致配网线路故障的原因因子;
所述关键因子筛选模块,用于从提取的原因因子中筛选出对配电线路故障影响具有显著性的关键因子;
所述主成分分析模块,用于对故障关键因子的数据进行主成分分析,获取各故障线路主成分的风险值得分;
所述线路风险值分析模块,用于对各故障线路主成分的风险值得分进行回归分析;
所述风险预测评估模块,用于根据各故障线路的风险值得分进行风险预测评估。
8.根据权利要求7所述配电网故障线路风险评估***,其特征在于:所述原因因子采集模块包括:
原因提取单元,用于提取出导致配网线路故障的原因;
原因分类单元,用于将提取到的故障原因进行分类;
故障因子打分单元,用于对每个故障原因中的各个故障因子按照对配电线路故障影响程度的大小进行打分;
所述关键因子筛选模块包括:
标准化处理单元,用于对数据进行z-score标准化处理;
回归系数计算单元,用于根据得到的标准化数据,采用逐步回归方法计算出每个原因因子的标准化回归系数;
P值计算单元,用于根据得到的标准化数据,计算各原因因子对故障线路的影响值;
显著性分析单元,用于根据计算结果选出对配电线路故障影响具有显著性的关键因子;
所述主成分分析模块包括:
归一化计算单元,用于各故障关键因子数据进行归一化处理,消除各故障关键因子之间的量纲差异;
载荷矩阵计算单元,用于根据归一化处理后的数据计得到主成分载荷矩阵;
贡献率计算单元,用于根据归一化处理后的数据计得到各主成分的贡献率;
主成分值计算单元,用于根据主成分载荷矩阵将各主成分用变量的线性组合表示,并计算得出各主成分的分数值;
综合评价单元,用于计算得出各故障线路主成分的风险值得分。
Applications Claiming Priority (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202011384715 | 2020-12-01 | ||
CN2020113847153 | 2020-12-01 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112734204A CN112734204A (zh) | 2021-04-30 |
CN112734204B true CN112734204B (zh) | 2022-11-18 |
Family
ID=75608663
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202011636638.6A Active CN112734204B (zh) | 2020-12-01 | 2020-12-31 | 配电网故障线路风险评估方法和*** |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112734204B (zh) |
Families Citing this family (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN114004529A (zh) * | 2021-11-10 | 2022-02-01 | 广东电网有限责任公司 | 一种配电网故障停电影响指标降维预处理方法及*** |
CN117578739B (zh) * | 2024-01-15 | 2024-06-04 | 希格玛电气(珠海)有限公司 | 一种柱上开关控制*** |
Family Cites Families (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106483947A (zh) * | 2016-09-21 | 2017-03-08 | 国网江苏省电力公司南通供电公司 | 基于大数据的配电网运行状态评估和预警方法 |
CN107256444A (zh) * | 2017-04-24 | 2017-10-17 | 中国电力科学研究院 | 一种配电网故障风险模糊综合评价方法及装置 |
CN110889587B (zh) * | 2019-10-18 | 2022-12-06 | 国家电网有限公司 | 配电网线路风险评估方法 |
-
2020
- 2020-12-31 CN CN202011636638.6A patent/CN112734204B/zh active Active
Also Published As
Publication number | Publication date |
---|---|
CN112734204A (zh) | 2021-04-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN110705873B (zh) | 一种配电网运行状态画像分析方法 | |
CN104809658B (zh) | 一种低压配网台区线损的快速分析方法 | |
CN113030633B (zh) | 基于ga-bp神经网络的配电网故障大数据分析方法和*** | |
CN112734204B (zh) | 配电网故障线路风险评估方法和*** | |
CN106204330A (zh) | 一种配电网智能诊断*** | |
CN105740975A (zh) | 一种基于数据关联关系的设备缺陷评估与预测方法 | |
CN110378549B (zh) | 一种基于fahp-熵权法的输电杆塔鸟害等级评估方法 | |
CN111738462A (zh) | 电力计量装置故障抢修主动服务预警方法 | |
CN110889587B (zh) | 配电网线路风险评估方法 | |
CN110766313A (zh) | 一种基于运维检修制度的电缆隧道综合状态评价方法 | |
CN103617447A (zh) | 智能变电站的评价***及评价方法 | |
CN113988573A (zh) | 基于电力***巡检无人机的风险判断方法、***和介质 | |
CN111091141B (zh) | 一种基于分层Softmax的光伏背板故障诊断方法 | |
CN115186964A (zh) | 计及主观评估数据的配电网线路风险预测***及方法 | |
CN110096723B (zh) | 基于运维检测大数据的高压开关柜绝缘状态分析方法 | |
CN115564180B (zh) | 一种基于大数据分析的电力网络可靠性评估方法 | |
CN112507290B (zh) | 配电设备故障概率预判方法、装置及存储介质 | |
CN113902222B (zh) | 一种新能源智慧运维*** | |
CN115224684A (zh) | 基于免疫危险理论的智能配电网风险状态辨识方法及*** | |
CN112529395A (zh) | 一种基于fce和svm融合的输电线路典型冰风灾害分析方法 | |
Lingang et al. | Research on integrated calculation method of theoretical line loss of MV and LV distribution Network based on Adaboost integrated learning | |
Jiang et al. | Optimization algorithm of transmission line defect detection and identification based on embedded AI | |
CN117614132B (zh) | 用于配电网的配电变压器电压越限画像方法及装置 | |
Liangzhi et al. | Research on fault prediction and diagnosis of power equipment based on big data | |
Xie et al. | Research on Fault Early Warning method of Medium Voltage Distribution Network |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |