一种电网可靠性预测方法技术

本发明专利技术公开了一种基于粗糙集理论和神经网络的电网可靠性预测方法，首先，收集电网大数据，经过离散化处理后分类到决策表中。然后，基于粗糙集理论相关分析法建立信息熵相关系数，并且提取电力系统可靠性的强相关因子作为预测模型的输入。最后，采用基于遗传算法的改进神经网络方法，对历史数据样本进行学习和训练，得到预测模型，从而预测和评估将来电力系统的可靠性水平。本发明专利技术不仅具有预测速度快的优点，而且具有较高的预测精度。

【技术实现步骤摘要】
一种电网可靠性预测方法
本专利技术涉及电力系统可靠性预测领域，具体涉及一种基于粗糙集理论和神经网络的电网可靠性预测方法。
技术介绍
近年来，对供电可靠性和质量的要求越来越高，电力系统运行可靠性逐渐成为电力系统研究的重要课题之一。由于电力系统规模庞大，结构复杂，部件可靠性参数的高度不确定性，而电力系统对用户供电的可靠性影响很大，传统的可靠性预测方法已不能满足电网可靠性预测的要求。目前使用的一些分析方法原理上简单，计算结果的精度高，具有处理小规模分布系统计算时间短的优点。但对于大规模电力系统，分析方法的计算随着问题规模的增加呈指数增长；而仿真方法往往需要多次仿真才能得到接近真实值的结果，精度低，计算时间长；混合方法和人工智能虽然在一定程度上克服了上述两种方法的缺点，但仍然基于组件可靠性参数。因此，采用传统的可靠性分析方法难以处理电网中的实际问题。智能电网实现的前提是能够获取并处理实时全景状态数据，即电网运行、调度、管理和检修等过程产生的海量多源异构及多态大数据。随着电网规模的不断增长及电网智能化的快速发展，各类电力管理系统中进行获取与传输、应用的数据成几何级增长，这些数据不仅涵盖了电力系本文档来自技高网...

【技术保护点】
1.一种电网可靠性预测方法，其特征在于，所述方法包括：步骤一、收集电网大数据，并经过离散化处理后分类到决策表中；步骤二、基于粗糙集理论分析法建立信息熵相关系数，以得到电力系统可靠性的强相关因子；步骤三、采用基于遗传算法的改进神经网络方法，对历史数据样本进行学习和训练，得到预测模型，将步骤二中所得到的强相关因子作为预测模型的输入，以预测和评估将来电力系统的可靠性水平。

【技术特征摘要】
1.一种电网可靠性预测方法，其特征在于，所述方法包括：步骤一、收集电网大数据，并经过离散化处理后分类到决策表中；步骤二、基于粗糙集理论分析法建立信息熵相关系数，以得到电力系统可靠性的强相关因子；步骤三、采用基于遗传算法的改进神经网络方法，对历史数据样本进行学习和训练，得到预测模型，将步骤二中所得到的强相关因子作为预测模型的输入，以预测和评估将来电力系统的可靠性水平。2.如权利要求1所述的电网可靠性预测方法，其特征在于，在所述步骤一中：决策表定义为：S＝＜U,R,V,f＞，其中U是一个非空的有限对象集合，表示一个给定的论域；R＝C∪D且其中C是一组条件属性，D是一组决策属性；V是一个属性值集合；f表示一个信息函数：f:U×R→V。3.如权利要求1或2所述的电网可靠性预测方法，其特征在于，在所述步骤一中：采用粗糙集理论中的等距离方法来离散化处理所收集到的电网大数据：离散值的区间长度由lc＝(max([c])-min([c]))/m计算可得；其中，max([c])和min([c])是属性c的值空间中的最大值和最小值，m是离散区间的数量；对于属性c中的任意值ci，离散化的结果是其中是一个函数，表示对于任何数x，都是不大于x的最大整数。4.如权利要求3所述的电网可靠性预测方法，其特征在于，所述步骤二具体包括：粗糙集理论基于不可区分关系：设U是一个有限集，S和U具有等价关系；如果且那么∩P仍然和U具有等价关系，称为P的不可区分关系，记作IND(P)，由IND(P)确定的U的划分表示为U/IND(P)，表示由IND(P)生成的等价关系的集合：其中，令P和Q成为U上的等价关系，即有X＝U/IND(P)＝{X1,X2,...,Xn}(3)Y＝U/IND(Q)＝{Y1,Y2,...,Yn}(4)信息熵被定义为：Q相对于P的条件熵被定义为：P和Q的互...

【专利技术属性】
技术研发人员：陈海拔，朱永虎，潘勇斌，韦富彬，邓厚兵，李闯，廖华，梁阳，申晓杰，袁卫义，邓朝翥，潘鹏，彭伟，钟晖，董羊城，
申请(专利权)人：中国南方电网有限责任公司超高压输电公司南宁监控中心，
类型：发明
国别省市：广西,45