CN114548601A - 基于bp神经网络的配电网极端灾害下停电预测方法及*** - Google Patents

基于bp神经网络的配电网极端灾害下停电预测方法及*** Download PDF

Info

Publication number
CN114548601A
CN114548601A CN202210261777.8A CN202210261777A CN114548601A CN 114548601 A CN114548601 A CN 114548601A CN 202210261777 A CN202210261777 A CN 202210261777A CN 114548601 A CN114548601 A CN 114548601A
Authority
CN
China
Prior art keywords
power failure
distribution network
extreme
parameters
under
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
Application number
CN202210261777.8A
Other languages
English (en)
Inventor
刘善峰
卢明
李哲
郭志民
王磊
马建伟
冯光
袁少光
田杨阳
毛万登
孙芊
王超
王津宇
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Original Assignee
State Grid Corp of China SGCC
Electric Power Research Institute of State Grid Henan Electric Power Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by State Grid Corp of China SGCC, Electric Power Research Institute of State Grid Henan Electric Power Co Ltd filed Critical State Grid Corp of China SGCC
Priority to CN202210261777.8A priority Critical patent/CN114548601A/zh
Publication of CN114548601A publication Critical patent/CN114548601A/zh
Pending legal-status Critical Current

Links

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
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/044—Recurrent networks, e.g. Hopfield networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/08—Learning methods
    • 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Software Systems (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Data Mining & Analysis (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Tourism & Hospitality (AREA)
  • Artificial Intelligence (AREA)
  • Molecular Biology (AREA)
  • Marketing (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Game Theory and Decision Science (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Supply And Distribution Of Alternating Current (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明属于电网防灾技术领域，具体涉及一种基于BP神经网络的配电网极端灾害下停电预测方法及***。所述预测方法包括以下步骤：根据配电网极端灾害历史故障样本库，获取故障发生时的本体参数、极端灾害类型、气象参数、运行状态参数和故障发生后的停电时长，同时收集极端灾害下相同本体参数下未发生故障的气象参数、运行状态参数，对各参数进行数值化预处理，整合成训练样本库；采用BP神经网络方法，对训练样本库的停电概率与停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型。本发明实现了配电网在极端灾害下停电概率与停电时长的预测，适用于各种情况复杂的极端灾害下的配电网的防灾减灾。

Description

基于BP神经网络的配电网极端灾害下停电预测方法及***
技术领域
本发明属于电网防灾技术领域，具体涉及一种基于BP神经网络的配电网极端灾害下停电预测方法及***。
背景技术
随着全球气候变化，近些年，极端灾害频发，给电网造成了特别严重的灾害，配电网的安全运行关系到供电可靠性，配电网极易受极端灾害的影响发生故障进而停电。配电网受不同极端灾害影响而发生倒断杆、断线、金具损坏事故频繁发生，其严重程度远大于极端灾害对主网输变电设备的影响。在影响了电网安全稳定运行的同时对应急抢修、快速复电提出了很高的要求，因此，在电力负荷稳定需求的大前提下，对配电网在极端灾害下的停电的准确预测需求紧迫性显著增强，提出一种配电网极端灾害下停电预测方法已刻不容缓。
目前，极端灾害的预测方面，专业气象机构通过多年的发展目前已经能对一些关键气象因素进行较为准确的预测，例如冻雨等。在其它气象要素方面目前也达到了一定的准确性，结合不断发展的中尺度数值天气预报***，研究了3km*3km的精细化气象数值预报，结合降尺度技术，更形成了1km*1km的降尺度预测结果。虽然在气象预测方面的尺度越来越小，但仅靠气象预测无法满足对电网特别是配电网的极端气象灾害相关故障的预测预警需求。如何结合现有的气象预测成果，在历史上配电网极端灾害故障灾害样本的基础上，采用统计方法，结合配电网的台帐数据和运行状态数据，实现配电网极端灾害下的停电预测是十分必要的。
发明内容
为克服上述缺陷，本发明的目的在于提供一种基于BP神经网络的配电网极端灾害下停电预测方法及***。
为实现上述目的，本发明采用如下技术方案：
一种基于BP神经网络的配电网极端灾害下停电预测方法，包括以下步骤：
步骤1：收集配电网在极端自然灾害下发生停电故障的故障集；
步骤2：针对故障集中每一个停电故障，匹配故障发生时的本体参数、气象参数、极端灾害类型、运行状态参数、故障发生后的停电时长数据，建立配电网历史极端灾害下的故障样本库A；
步骤3：针对统计的每一类极端灾害类型，收集在该气象灾害过程中，相同本体参数下的配电网没有发生停电故障时的气象参数、运行状态参数，形成配电网历史极端灾害下的非故障样本库B，非故障的样本库B中的停电时长标记为0；
步骤4：对故障样本库A和非故障样本库B中的本体参数、气象参数、极端灾害类型、运行状态参数和故障发生后的停电时长进行数值化预处理，将预处理后的两个样本库整合成训练样本库X；
步骤5：基于步骤4中的训练样本库X，采用BP神经网络方法，对配电网在极端灾害下的停电概率和停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型；
步骤6：在预测阶段，基于步骤5中训练得到的停电预测模型，输入需要预测的某个时刻的极端灾害类型、气象参数、配电网本体参数和运行状态参数，可得到可能的停电概率与停电时长，最终实现配电网极端灾害下的停电概率与停电时长的预测。
优选地，所述的本体参数包括配电网的杆塔信息和线路信息。
优选地，所述的杆塔信息包括：杆塔类型、经度、纬度、海拔高度、地质环境信息、水平档距、垂直档距以及杆塔的绝缘子串型号、串数、绝缘子片数、耐张塔转角。
优选地，所述的线路信息包括：电压等级、线路规格、线路类型、回路数量、输电长度、设计风速、设计冰厚、***数和***间隙。
优选地，所述的极端灾害类型包括：大风、暴雨、降雪、雨夹雪四种类型。
优选地，所述的气象参数包括：温度、湿度、瞬时风速大小、1小时内的平均风速、瞬时风向、风向与线路夹角、是否有冻雨、是否有降水、降水量、多谱勒雷达原始参数。
优选地，所述的运行状态参数包括电流信息与开关状态信息。
优选地，步骤5所述的基于BP神经网络的配电网极端灾害下的停电预测模型建立步骤如下：
5.1将BP网络设计为三层，其中输入层为S，输出层为O，隐藏层为H，隐藏层神经元的个数计算公式为：
Figure BDA0003550017740000031
其中，a为输入层的神经元个数，即输入参数的个数；c为输出层的神经元个数，即输出参数的个数；b为隐藏层的神经元个数；Υ为调节常数，取值1～10；
5.2配电网在极端灾害下的训练样本集X：
X＝{(X1,y11,y12),(X2,y21,y22),...(Xi,yi1,yi2),(XN,yN1,yN2)}
其中，Xi＝(xi1,xi2,...xiM)，Xi为第i个样本的输入参数，即第i个极端灾害样本发生时的配电网本体参数、气象参数、极端灾害类型和运行状态参数，xiM为在第i个样本中的第M个参数，每个样本都有M个参数，yi1为第i个极端灾害样本发生时配电网的停电状态，yi2为第i个极端灾害样本发生时配电网的停电时长；
5.3经过BP神经网络训练，得到一个a×b预测模型权重矩阵ω1和一个b×c的预测模型权重矩阵ω2。
优选地，步骤6所述的配电网极端灾害下的停电概率与停电时长的预测步骤如下：
基于步骤5训练得到的预测模型矩阵ω1和输入层的输入结果，得到：
H(i)＝ω1[1,i].S(1)+ω1[2,i].S(2)+...+ω1[k,i].S(k)+...+ω1[a,i].S(a)
其中，H(i)为隐藏层的第i个输出结果，ω1[k,i]表示权重矩阵ω1第k行第i列的值，即第k个输入神经元到第i个隐藏神经元的连接权重，S(k)为输入层第k个参数值；
基于步骤5训练得到的预测模型矩阵ω2和隐藏层的输出结果，得到：
O(i)＝ω2[1,i].H(1)+ω2[2,i].H(2)+...+ω2[k,i].H(k)+...+ω2[b,i].H(b)
O(i)为输出层的第i个输出结果，ω2[k,i]表示权重矩阵ω2第k行第i列的值，即第k个隐藏神经元到第i个输出神经元的连接权重；
所述输出层的输出结果为两个，分别为配电网在极端灾害下的停电概率和停电时长。
一种基于BP神经网络的配电网极端灾害下停电预测***，包括：
信息模块，收集在极端自然灾害下相同本体参数配电网发生停电故障和未发生停电故障的气象参数、极端灾害类型、运行状态参数、故障发生后的停电时长数据，形成配电网历史极端灾害下的故障样本库和配电网历史极端灾害下的非故障样本库；
数据预处理模块，对故障样本库和非故障样本库本体参数、气象参数、极端灾害类型、运行状态参数和故障发生后的停电时长进行数值化预处理，整合成训练样本库；
训练模块，采用BP神经网络方法，对配电网在极端灾害下的停电概率和停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型；
预测模块，基于训练得到的停电预测模型，输入需要预测的某个时刻的极端灾害类型、气象参数、配电网本体参数和运行状态参数，预测配电网极端灾害下的停电概率与停电时长。
本发明的积极有益效果：
1.本发明通过配电网历史极端灾害下故障集与极端灾害下的非故障集的统计分析，将配电网历史极端灾害故障发生时的本体参数、气象参数、极端灾害类型和、运行状态参数和故障发生后的停电时长进行匹配，建立配电网历史极端灾害下的故障样本库，同时融入了极端灾害发生时，相同配电网本体参数下未发生故障的非故障样本库，数值化预处理两个样本库中各参数后，整合成训练样本库；以停电概率与停电时长为输出结果，采用BP神经网络进行训练，得到基于BP神经网络的停电预测模型，最后根据训练得到的预测模型，可以预测未来发生极端灾害时的停电情况，包括停电概率与停电时长，适用于各种情况复杂的配电网的防灾减灾。
附图说明
图1为本发明基于BP神经网络的配电网极端灾害下停电预测方法的流程图。
图2为本发明BP神经网络的结构图。
具体实施方式
下面结合一些具体实施例对本发明进一步说明。
实施例1
参见图1，一种基于BP神经网络的配电网极端灾害下停电预测方法，包括以下步骤：
步骤1：收集配电网在极端自然灾害下发生停电故障的故障集；
步骤2：针对故障集中每一个停电故障，匹配故障发生时的本体参数、气象参数、极端灾害类型、运行状态参数、故障发生后的停电时长数据，建立配电网历史极端灾害下的故障样本库A；
步骤3：针对统计的每一类极端灾害类型，收集在该气象灾害过程中，相同本体参数下的配电网没有发生停电故障时的气象参数、运行状态参数，形成配电网历史极端灾害下的非故障样本库B，非故障的样本库B中的停电时长标记为0；
步骤4：对故障样本库A和非故障样本库B中的本体参数、气象参数、极端灾害类型、运行状态参数和故障发生后的停电时长进行数值化预处理，将预处理后的两个样本库整合成训练样本库X；
步骤5：基于步骤4中的训练样本库X，采用BP神经网络方法，对配电网在极端灾害下的停电概率和停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型；
步骤6：在预测阶段，基于步骤5中训练得到的停电预测模型，输入需要预测的某个时刻的极端灾害类型、气象参数、配电网本体参数和运行状态参数，可得到可能的停电概率与停电时长，最终实现配电网极端灾害下的停电概率与停电时长的预测。
其中，故障发生后的停电时长是指极端灾害发生后导致的截止到下一次投运前的配电网停电时长，非故障的样本库B(即未发生停电故障的样本库)中的停电时长标记为0。
进一步地，本体参数包括配电网的杆塔信息和线路信息。
更近一步地，杆塔信息包括：杆塔类型、经度、纬度、海拔高度、地质环境信息、水平档距、垂直档距以及杆塔的绝缘子串型号、串数、绝缘子片数、耐张塔转角。
更近一步地，线路信息包括：电压等级、线路规格、线路类型、回路数量、输电长度、设计风速、设计冰厚、***数和***间隙。
进一步地，极端灾害类型包括：大风、暴雨、降雪、雨夹雪四种类型。
进一步地，气象参数包括：温度、湿度、瞬时风速大小、1小时内的平均风速、瞬时风向、风向与线路夹角、是否有冻雨、是否有降水、降水量、多谱勒雷达原始参数。
进一步地，运行状态参数包括电流信息与开关状态信息。
进一步地，步骤5所述的基于BP神经网络的配电网极端灾害下的停电预测模型建立步骤如下：
5.1将BP网络设计为三层，参见图2，其中输入层为S，输出层为O，隐藏层为H，隐藏层神经元的个数计算公式为：
Figure BDA0003550017740000071
其中，a为输入层的神经元个数，即输入参数的个数；c为输出层的神经元个数，即输出参数的个数；b为隐藏层的神经元个数；Υ为调节常数，取值1～10；
5.2配电网在极端灾害下的训练样本集X：
X＝{(X1,y11,y12),(X2,y21,y22),...(Xi,yi1,yi2),(XN,yN1,yN2)}
其中，Xi＝(xi1,xi2,...xiM)，Xi为第i个样本的输入参数，即第i个极端灾害样本发生时的配电网本体参数、气象参数、极端灾害类型和运行状态参数，xiM为在第i个样本中的第M个参数，每个样本都有M个参数，yi1为第i个极端灾害样本发生时配电网的停电状态，包括停电和不停电两种状态，yi2为第i个极端灾害样本发生时配电网的停电时长；
5.3经过BP神经网络训练，得到一个a×b预测模型权重矩阵ω1和一个b×c的预测模型权重矩阵ω2。
进一步地，步骤6所述的配电网极端灾害下的停电概率与停电时长的预测步骤如下：
基于步骤5训练得到的预测模型矩阵ω1和输入层的输入结果，得到：
H(i)＝ω1[1,i].S(1)+ω1[2,i].S(2)+...+ω1[k,i].S(k)+...+ω1[a,i].S(a)
其中，H(i)为隐藏层的第i个输出结果，ω1[k,i]表示权重矩阵ω1第k行第i列的值，即第k个输入神经元到第i个隐藏神经元的连接权重，S(k)为输入层第k个参数值；
基于步骤5训练得到的预测模型矩阵ω2和隐藏层的输出结果，得到：
O(i)＝ω2[1,i].H(1)+ω2[2,i].H(2)+...+ω2[k,i].H(k)+...+ω2[b,i].H(b)
O(i)为输出层的第i个输出结果，ω2[k,i]表示权重矩阵ω2第k行第i列的值，即第k个隐藏神经元到第i个输出神经元的连接权重；
所述输出层的输出结果为两个，分别为配电网在极端灾害下的停电概率和停电时长。
一种基于BP神经网络的配电网极端灾害下停电预测***，包括：
信息模块，收集在极端自然灾害下相同本体参数配电网发生停电故障和未发生停电故障的气象参数、极端灾害类型、运行状态参数、故障发生后的停电时长数据，形成配电网历史极端灾害下的故障样本库和配电网历史极端灾害下的非故障样本库；
数据预处理模块，对故障样本库和非故障样本库本体参数、气象参数、极端灾害类型、运行状态参数和故障发生后的停电时长进行数值化预处理，整合成训练样本库；
训练模块，采用BP神经网络方法，对配电网在极端灾害下的停电概率和停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型；
预测模块，基于训练得到的停电预测模型，输入需要预测的某个时刻的极端灾害类型、气象参数、配电网本体参数和运行状态参数，预测配电网极端灾害下的停电概率与停电时长。
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，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。

Claims (10)

1.一种基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，包括以下步骤：
步骤1：收集配电网在极端自然灾害下发生停电故障的故障集；
步骤2：针对故障集中每一个停电故障，匹配故障发生时的本体参数、气象参数、极端灾害类型、运行状态参数、故障发生后的停电时长数据，建立配电网历史极端灾害下的故障样本库A；
步骤3：针对统计的每一类极端灾害类型，收集在该气象灾害过程中，相同本体参数下的配电网没有发生停电故障时的气象参数、运行状态参数，形成配电网历史极端灾害下的非故障样本库B，非故障的样本库B中的停电时长标记为0；
步骤4：对故障样本库A和非故障样本库B中的本体参数、气象参数、极端灾害类型、运行状态参数和故障发生后的停电时长进行数值化预处理，将预处理后的两个样本库整合成训练样本库X；
步骤5：基于步骤4中的训练样本库X，采用BP神经网络方法，对配电网在极端灾害下的停电概率和停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型；
步骤6：在预测阶段，基于步骤5中训练得到的停电预测模型，输入需要预测的某个时刻的极端灾害类型、气象参数、配电网本体参数和运行状态参数，可得到可能的停电概率与停电时长，最终实现配电网极端灾害下的停电概率与停电时长的预测。
2.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的本体参数包括配电网的杆塔信息和线路信息。
3.根据权利要求2所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的杆塔信息包括：杆塔类型、经度、纬度、海拔高度、地质环境信息、水平档距、垂直档距以及杆塔的绝缘子串型号、串数、绝缘子片数、耐张塔转角。
4.根据权利要求2所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的线路信息包括：电压等级、线路规格、线路类型、回路数量、输电长度、设计风速、设计冰厚、***数和***间隙。
5.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的极端灾害类型包括：大风、暴雨、降雪、雨夹雪四种类型。
6.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的气象参数包括：温度、湿度、瞬时风速大小、1小时内的平均风速、瞬时风向、风向与线路夹角、是否有冻雨、是否有降水、降水量、多谱勒雷达原始参数。
7.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的运行状态参数包括电流信息与开关状态信息。
8.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，步骤5所述的基于BP神经网络的配电网极端灾害下的停电预测模型建立步骤如下：
5.1将BP网络设计为三层，其中输入层为S，输出层为O，隐藏层为H，隐藏层神经元的个数计算公式为：
Figure FDA0003550017730000021
其中，a为输入层的神经元个数，即输入参数的个数；c为输出层的神经元个数，即输出参数的个数；b为隐藏层的神经元个数；Υ为调节常数，取值1～10；
5.2配电网在极端灾害下的训练样本集X：
X＝{(X1,y11,y12),(X2,y21,y22),...(Xi,yi1,yi2),(XN,yN1,yN2)}
其中，Xi＝(xi1,xi2,...xiM)，Xi为第i个样本的输入参数，即第i个极端灾害样本发生时的配电网本体参数、气象参数、极端灾害类型和运行状态参数，xiM为在第i个样本中的第M个参数，每个样本都有M个参数，yi1为第i个极端灾害样本发生时配电网的停电状态，yi2为第i个极端灾害样本发生时配电网的停电时长；
5.3经过BP神经网络训练，得到一个a×b预测模型权重矩阵ω1和一个b×c的预测模型权重矩阵ω2。
9.根据权利要求8所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，步骤6所述的配电网极端灾害下的停电概率与停电时长的预测步骤如下：
基于步骤5训练得到的预测模型矩阵ω1和输入层的输入结果，得到：
H(i)＝ω1[1,i].S(1)+ω1[2,i].S(2)+...+ω1[k,i].S(k)+...+ω1[a,i].S(a)
其中，H(i)为隐藏层的第i个输出结果，ω1[k,i]表示权重矩阵ω1第k行第i列的值，即第k个输入神经元到第i个隐藏神经元的连接权重，S(k)为输入层第k个参数值；
基于步骤5训练得到的预测模型矩阵ω2和隐藏层的输出结果，得到：
O(i)＝ω2[1,i].H(1)+ω2[2,i].H(2)+...+ω2[k,i].H(k)+...+ω2[b,i].H(b)
O(i)为输出层的第i个输出结果，ω2[k,i]表示权重矩阵ω2第k行第i列的值，即第k个隐藏神经元到第i个输出神经元的连接权重；
所述输出层的输出结果为两个，分别为配电网在极端灾害下的停电概率和停电时长。
10.一种基于BP神经网络的配电网极端灾害下停电预测***，其特征在于，包括：
信息模块，收集在极端自然灾害下相同本体参数配电网发生停电故障和未发生停电故障的气象参数、极端灾害类型、运行状态参数、故障发生后的停电时长数据，形成配电网历史极端灾害下的故障样本库和配电网历史极端灾害下的非故障样本库；
数据预处理模块，对故障样本库和非故障样本库本体参数、气象参数、极端灾害类型、运行状态参数和故障发生后的停电时长进行数值化预处理，整合成训练样本库；
训练模块，采用BP神经网络方法，对配电网在极端灾害下的停电概率和停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型；
预测模块，基于训练得到的停电预测模型，输入需要预测的某个时刻的极端灾害类型、气象参数、配电网本体参数和运行状态参数，预测配电网极端灾害下的停电概率与停电时长。
CN202210261777.8A 2022-03-16 2022-03-16 基于bp神经网络的配电网极端灾害下停电预测方法及*** Pending CN114548601A (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202210261777.8A CN114548601A (zh) 2022-03-16 2022-03-16 基于bp神经网络的配电网极端灾害下停电预测方法及***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202210261777.8A CN114548601A (zh) 2022-03-16 2022-03-16 基于bp神经网络的配电网极端灾害下停电预测方法及***

Publications (1)

Publication Number Publication Date
CN114548601A true CN114548601A (zh) 2022-05-27

Family

ID=81662852

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202210261777.8A Pending CN114548601A (zh) 2022-03-16 2022-03-16 基于bp神经网络的配电网极端灾害下停电预测方法及***

Country Status (1)

Country Link
CN (1) CN114548601A (zh)

Cited By (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222142A (zh) * 2022-07-29 2022-10-21 贵州电网有限责任公司 一种极端气象条件下输变电变压器设备故障预测分析方法
CN116799966A (zh) * 2023-08-25 2023-09-22 石家庄长川电气科技有限公司 一种基于大数据的监控***及方法

Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722759A (zh) * 2012-05-17 2012-10-10 河海大学 基于bp神经网络的电网供电可靠性预测方法
CN108898249A (zh) * 2018-06-28 2018-11-27 鹿寨知航科技信息服务有限公司 一种电网故障预测方法
CN109858663A (zh) * 2018-11-19 2019-06-07 中国农业大学 基于bp神经网络的配电网故障停电影响因素敏感度分析
CN111191832A (zh) * 2019-12-25 2020-05-22 国电南瑞科技股份有限公司 一种台风灾害配电网杆塔故障预测方法及***
CN111860947A (zh) * 2020-06-11 2020-10-30 广东电网有限责任公司 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法
CN113221439A (zh) * 2021-04-07 2021-08-06 浙江大学 一种基于bp神经网络的排水***实时率定与动态预测方法
CN113344305A (zh) * 2021-08-05 2021-09-03 中国水利水电科学研究院 一种暴雨内涝事件的快速预测方法

Patent Citations (7)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102722759A (zh) * 2012-05-17 2012-10-10 河海大学 基于bp神经网络的电网供电可靠性预测方法
CN108898249A (zh) * 2018-06-28 2018-11-27 鹿寨知航科技信息服务有限公司 一种电网故障预测方法
CN109858663A (zh) * 2018-11-19 2019-06-07 中国农业大学 基于bp神经网络的配电网故障停电影响因素敏感度分析
CN111191832A (zh) * 2019-12-25 2020-05-22 国电南瑞科技股份有限公司 一种台风灾害配电网杆塔故障预测方法及***
CN111860947A (zh) * 2020-06-11 2020-10-30 广东电网有限责任公司 一种基于bp神经网络的输电杆塔鸟害发生概率预测方法
CN113221439A (zh) * 2021-04-07 2021-08-06 浙江大学 一种基于bp神经网络的排水***实时率定与动态预测方法
CN113344305A (zh) * 2021-08-05 2021-09-03 中国水利水电科学研究院 一种暴雨内涝事件的快速预测方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
于群;张铮;屈玉清;贺庆;: "基于ARMA-BP神经网络组合模型的电网大停电事故损失负荷预测", 数学的实践与认识, no. 09, 8 May 2018 (2018-05-08), pages 146 - 155 *

Cited By (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN115222142A (zh) * 2022-07-29 2022-10-21 贵州电网有限责任公司 一种极端气象条件下输变电变压器设备故障预测分析方法
CN116799966A (zh) * 2023-08-25 2023-09-22 石家庄长川电气科技有限公司 一种基于大数据的监控***及方法
CN116799966B (zh) * 2023-08-25 2023-10-20 石家庄长川电气科技有限公司 一种基于大数据的监控***及方法

Similar Documents

Publication Publication Date Title
CN114548601A (zh) 基于bp神经网络的配电网极端灾害下停电预测方法及***
Fu et al. Failure analysis of a transmission line considering the joint probability distribution of wind speed and rain intensity
CN106017551A (zh) 一种智能化输电线路综合监测分析预警方法
CN108008252B (zh) 一种输电线路故障类型诊断方法和装置
CN105809287A (zh) 一种高压输电线路覆冰过程综合预测方法
CN109522599A (zh) 一种台风导致的输电线路突发故障预警方法
CN102706389A (zh) 采用滚动预测的飞机表面积冰短时预报***及预报方法
CN109543870B (zh) 一种基于邻域保持嵌入算法的输电线路杆塔雷击预警方法
CN105279612A (zh) 一种基于泊松分布的输电线路跳闸风险评估方法
CN111612315A (zh) 一种新型电网灾害性大风预警方法
Chen et al. Short-term prediction for transmission lines icing based on bp neural network
Yang et al. Using numerical weather model outputs to forecast wind gusts during typhoons
CN112085621A (zh) 一种基于K-Means-HMM模型的分布式光伏电站故障预警算法
Li et al. Multivariable time series prediction for the icing process on overhead power transmission line
CN116021981A (zh) 配电网线路覆冰故障预测方法、装置、设备及存储介质
CN114912355A (zh) 输电线路短期覆冰预测方法、装置和存储介质
CN115115138A (zh) 一种近海风暴潮增水预测方法
CN113689053B (zh) 一种基于随机森林的强对流天气架空线停电预测方法
CN111291027B (zh) 一种数据预处理方法
Wei et al. An early warning model for damage of power grid under typhoon disaster
Li et al. Icing load prediction for overhead power lines based on SVM
CN116663393A (zh) 一种基于随机森林的配电网持续高温下故障风险等级预测方法
CN114564889A (zh) 一种基于pca模型的配电网大风灾害预警方法
CN113065253B (zh) 一种基于深度学习的输电线路覆冰类型预测方法
Abaas et al. Long short-term memory customer-centric power outage prediction models for weather-related power outages

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