【技术实现步骤摘要】
一种台风灾害配电网杆塔故障预测方法及系统
本专利技术属于电力系统防灾减灾
，具体是一种基于BP神经网络的台风灾害配电网杆塔故障预测方法及系统。
技术介绍
地球温室效应和生态环境的不断恶化，导致风涝灾害等极端自然灾害呈现越来越高发的态势。频发的自然灾害造成的杆塔跳闸故障是影响我国电网安全稳定运行的重要原因。其中，台风又是影响我国沿海地区最严重的自然灾害。我国台风灾害多发生在夏秋两季，具有突发性强，破坏力大的特点，给我国沿海地区各省市造成了严重的社会、经济危害。从当前我国沿海地区如福建等省份的风涝灾害事后统计来看，配电网杆塔是台风灾害的高致灾对象。据我国沿海地区各省市的杆塔跳闸数据表明，台风灾害引起的杆塔故障已占到跳闸总数的30％以上，严重影响了电网，尤其是配电网的安全稳定运行。电网灾害历史数据包括电网内部数据以及外部气象数据等，同时具有时空属性、多维、多尺度、不确定、周期性强、属性相关度高等特点，仅用传统方法对气象环境数据进行分析和处理会遇到不少困难。神经网络在模式识别、优化计算、非线性映射中表现出极高的优越性。...
【技术保护点】
1.一种台风灾害配电网杆塔故障预测方法，其特征在于，包括如下步骤：/n将实时采集的气象站数据输入训练完成的基于BP神经网络的配电网杆塔故障预测模型，得到神经网络的输出结果，预测杆塔是否会发生跳闸故障；/n所述基于BP神经网络的配电网杆塔故障预测模型的训练样本包括：从新的故障样本集和非故障样本集中选取的部分故障和非故障样本；/n所述新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的；/n所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的。/n
【技术特征摘要】
1.一种台风灾害配电网杆塔故障预测方法，其特征在于，包括如下步骤：
将实时采集的气象站数据输入训练完成的基于BP神经网络的配电网杆塔故障预测模型，得到神经网络的输出结果，预测杆塔是否会发生跳闸故障；
所述基于BP神经网络的配电网杆塔故障预测模型的训练样本包括：从新的故障样本集和非故障样本集中选取的部分故障和非故障样本；
所述新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的；
所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的。
2.根据权利要求1所述的台风灾害配电网杆塔故障预测方法，其特征在于，从台风相关历史数据中提取发生故障和未发生故障杆塔处的台风特征信息，形成原始故障样本集和原始非故障样本集；
各杆塔处的台风特征信息包括：各杆塔承受的极大风速X1，各杆塔极大风速发生时风向与杆塔所在线路走向夹角极大值X2，各杆塔两分钟平均风速X3，各杆塔风向与线路两分钟平均夹角X4，各杆塔降雨量X5。
3.根据权利要求2所述的台风灾害配电网杆塔故障预测方法，其特征在于，台风相关历史数据包括配电网杆塔以及气象站经纬度信息、杆塔处的气象参数、受台风影响时间段内的气象站的气象信息以及故障信息；气象信息包括风速、风向、降雨量；故障信息包括台风影响下发生的杆塔故障信息；
采用离杆塔最近的三个气象站的数据加权计算杆塔处的气象参数，不同气象站数据权重的计算方法为：
式中，dm表示气象站m与该杆塔的距离，m＝1,2,3，km表示第m个气象站的数据权重；
杆塔处风速v0的计算方法为：
式中，vm表示气象站m的风速；
杆塔处风向a0的计算方法为：
式中，am表示气象站m的风向；aline表示杆塔所在线路走向与地球正北方向的夹角。
4.根据权利要求1所述的台风灾害配电网杆塔故障预测方法，其特征在于，新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的，过程为：
(1)随机提取原始故障样本中的部分样本，形成用于过采样的故障样本集，对该故障样本集中每一个样本x，搜索其a个最近邻故障样本；
(2)对每一个样本x，根据过采样倍率N，在a个最近邻样本中随机选择N个故障样本，记为y1,y2...,yN，按照下式生成N个增加的故障样本；
xnew＝x+rand*(yt-x)
式中，t＝1,2…,N；t为过采样次数，yt表示样本x的第t个近邻样本，rand表示0至1之间的一个随机数；xnew表示新增加的故障样本；
(3)将增加的故障样本加入原始故障样本中，形成新的故障样本。
5.根据权利要求1所述的台风灾害配电网杆塔故障预测方法，其特征在于，所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的，过程为：
(1)将原始样本集记为S，在原始非故障样本集中随机选取一个非故障样本与所有原始故障样本建立新的数据集C；
(2)用数据集C的样本对S中的所有非故障样本进行最近邻分类，将重新分类的非故障样本的分类结果与它们原始的分类结果作比较，将比较结果错误的非故障样本加入到数据集C中；
(3)对数据集C，遍历数据集C中每个样本的最近邻样本，如果存在两个属于不同类别的样本xr和xw，xr和xw之间的欧式距离用d(xr,xw)表示，且不存在另外一个样本xl使d(xr,xl)<d(xr,xw)或者d(xw,xl)<d(xr,xw)，则(xr,xw)成一个联系对，删除联系对中的非故障样本，形成新的非故障样本集。
6.根据权利要求1所述的台风灾害配电网杆塔故障预测方法，其特征在于，训练完成基于BP神经网络的配电网杆塔故障预测模型，过程包括：
设训练样本为x1,x2…,xi,…,xn共n个样本，i＝1,2,…,n，预测模型第i个样本xi的输入特征为[xi1,xi2…xip]T，共有p维，分别对应：杆塔承受的极大风速X1，极大风速发生时风向与线路走向夹角极大值X2，杆塔两分钟平均风速X3，风向与线路两分钟平均夹角X4，降雨量X5；第i个样本输出设为yi，表示下一时段杆塔是否发生台风跳闸故障；将X1、X2、X3、X4、X5分别归一化到[0,1]区间之内：
式中，u’表示X1、X2、X3、X4或X5归一化后的值；u表示X1、X2、X3、X4或X5的原始值；umin表示X1、X2、X3、X4或X5最小值；umax表示X1、X2、X3、X4或X5的最大值；
输入层共有p+1个神经元，输入样本为：[xi1’,xi2'…xip’,-1...
【专利技术属性】
技术研发人员：郁琛，杨皖浙，倪明，谢云云，常康，吴涵，刘冰倩，
申请(专利权)人：国电南瑞科技股份有限公司，南瑞集团有限公司，国网福建省电力有限公司电力科学研究院，国家电网有限公司，
类型：发明
国别省市：江苏;32
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。