基于数据挖掘的配电网故障风险等级预测方法技术

本发明专利技术涉及一种基于数据挖掘的配电网故障风险等级预测方法，包括以下步骤：步骤1：获取配电网相关的各类型原始数据，包括历史数据和预测数据；步骤2：对所获取的数据进行处理得到包含标注故障风险等级的历史数据和预测数据的数据表；步骤3：对数据表中的历史数据进行特征属性分析；步骤4：利用提取过特征属性的历史数据并基于预测数据对故障风险等级预测模型进行训练，得到训练好的故障风险等级预测模型；步骤5：利用训练好的故障风险等级预测模型对配电网故障的风险等级进行预测。本发明专利技术可以较为可靠地对未来一段时间内配电网的故障风险等级进行预测，有助于提前排除隐患，减少损失，降低故障率，提高电网可靠性。

【技术实现步骤摘要】
基于数据挖掘的配电网故障风险等级预测方法
本专利技术涉及配电网故障预测
，具体涉及一种基于数据挖掘的配电网故障风险等级预测方法。
技术介绍
配电网作为电网向用户输送电力的最后一环，与用户联系最为紧密，对用户正常用电的影响也更为直接，配电网的故障将直接导致用户失电从而影响正常的生产和生活。为了规避失去电力带来的风险，需要对配电网故障的起因有更好的理解很认识，掌握其内在的规律，同时能够一定程度上预测配电网故障的发生，针对性的提前排除隐患，配置足够的抢修物资，并安排抢修人员驻点守护，最大程度减少电网故障带来的损失，降低配电网故障率，提高电网可靠性。
技术实现思路
本专利技术的目的是提供一种能够较为可靠地对配电网故障风险等级进行预测的方法。为达到上述目的，本专利技术采用的技术方案是：一种基于数据挖掘的配电网故障风险等级预测方法，包括以下步骤：步骤1：数据获取：获取配电网相关的各类型原始数据，所述原始数据包括历史数据和预测数据；步骤2：数据处理：对所获取的数据进行处理而得到包含标注故障风险等级的所述历史数据和所述预测数据的数据表；步骤3：数据特征属性分析：对所述数据表中的所述历史数据进行特征属性分析，提取所述历史数据的特征属性；步骤4：故障风险等级预测模型训练：建立故障风险等级预测模型，利用提取过特征属性的所述历史数据并基于所述预测数据对所述故障风险等级预测模型进行训练，得到训练好的故障风险等级预测模型；步骤5：故障风险等级预测：利用训练好的故障风险等级预测模型对配电网故障的风险等级进行预测。所述基于数据挖掘的配电网故障风险等级预测方法以所述配电网中的馈线为分析对象。所述步骤1中，所述原始数据的类型包括馈线自身属性、馈线运行属性、馈线周边环境属性三类。所述步骤2包括以下子步骤：子步骤2-1：数据表合并：将所述原始数据以馈线为关联辆进行整合，得到原始数据表；子步骤2-2：数据清洗：对所述原始数据表中的异常条目进行清洗处理，得到处理后的数据表；子步骤2-3：故障风险等级标注：针对所述处理后的数据表中的历史数据，分别判定并标注各条故障的风险等级。所述子步骤2-3中，将单位时间内馈线故障次数、故障停电时间作为故障风险等级的判定标准而判定并标注各条故障的风险等级。所述步骤3中，采用RelieF算法对所述数据表中的所述历史数据进行特征属性分析，提取所述历史数据的特征属性。所述步骤3包括以下子步骤：子步骤3-1：由所述数据表中随机抽取一条故障记录d，寻找与所述故障记录d故障风险等级相同且最临近的一条故障记录H、与所述故障记录d故障风险等级不同且最临近的一条故障记录M；子步骤3-2：针对每一项特征属性，依据所述故障记录d分别与所述故障记录H、所述故障记录M之间的特征差的大小关系，确定该项特征属性对于所述故障记录d的故障风险等级是否有益，从而调整该项特征属性对于所述故障记录d的故障风险等级的权重；若所述故障记录d与所述故障记录H之间的特征差小于所述故障记录d与所述故障记录M之间的特征差，则该项特征属性对于所述故障记录d的故障风险等级有益，增加该项特征属性对于所述故障记录d的故障风险等级的权重，反之则减小该项特征属性对于所述故障记录d的故障风险等级的权重；重复T次所述子步骤3-1和所述子步骤3-2，迭代得到各个故障风险等级对应的各项特征属性的权重。所述步骤4中，采用AdaBoost算法训练所述故障风险等级预测模型。所述步骤4包括以下子步骤：子步骤4-1：设定一系列相同或不同的基础预测算法，设置各所述基础预测算法的初始权重相同，提取过特征属性的各条所述历史数据的初始权重相同；子步骤4-2：选择第一个所述基础预测算法作为当前选定的所述基础预测算法，将提取过特征属性的初始权重相同的各条所述历史数据作为当前的历史数据；子步骤4-3：将当前的历史数据输入当前选定的所述基础预测算法中，得到基于当前选定的所述基础预测算法的预测数据，根据基于当前选定的所述基础预测算法的预测数据更新当前算定的所述基础预测算法的权重；步骤4-4：根据当前选定的所述基础预测算法的预测数据是否准确更新各条所述历史数据的权重；步骤4-5：判断一系列所述基础预测算法是否均已更新权重，若是则执行步骤4-6，若否，则选择下一个所述基础预测算法作为当前选定的所述基础预测算法，将更新过权重的各条所述历史数据作为当前的历史数据，返回步骤4-3；步骤4-6：基于各个所述基础预测算法及其更新过的权重构建训练好的故障风险等级预测模型，所述训练好的故障风险等级预测模型为各个所述基础预测算法的加权投票结果。所述子步骤4-3中，根据基于当前选定的所述基础预测算法的预测数据更新当前算定的所述基础预测算法的权重的方法为：先计算当前选定的所述基础预测算法的预测误差其中，θt(i)为当前选定的所述基础预测算法对当前的历史数据中第i个数据的预测正确与否的表示变量，θt(i)＝1表示预测错误，θt(i)＝0标示分类正确，m为当前的历史数据中的数据个数，Dt(i)为当前选定的所述基础预测算法更新前的权重；再计算当前选定的所述基础预测算法的更新后的权重所述子步骤4-4中，更新各条所述历史数据的权重的方法为：计算各条所述历史数据更新后的权重其中Lt(i)为基于当前选定的所述基础预测算法的预测数据，yi为所述历史数据中对应的预测数据，Zt+1为归一化因子。由于上述技术方案运用，本专利技术与现有技术相比具有下列优点：本专利技术可以较为可靠地对未来一段时间内配电网的故障风险等级进行预测，从而可以帮助电网运行维护单位针对性的提前排除隐患，配置足够的抢修物资，并安排抢修人员驻点守护，最大程度减少电网故障带来的损失，降低配电网故障率，提高电网可靠性。附图说明附图1为本专利技术的基于数据挖掘的配电网故障风险等级预测方法的流程示意图。附图2为本专利技术的基于数据挖掘的配电网故障风险等级预测方法中，RelieF算法的流程示意图。附图3为本专利技术的基于数据挖掘的配电网故障风险等级预测方法中，AdaBoost算法的流程示意图。具体实施方式下面结合附图所示的实施例对本专利技术作进一步描述。实施例一：如附图1所示，一种基于数据挖掘的配电网故障风险等级预测方法包括以下步骤：步骤1：数据获取。获取配电网相关的各类型原始数据，数据来源包括电网公司内部的配电生产管理系统、配电自动化系统、配电网地理信息系统、智能公用配变监测系统、配电网智能辅助管控系统、营销业务管理系统、用电信息采集系统、企业资源管理系统，以及外部的气象系统等。本基于数据挖掘的配电网故障风险等级预测方法以配电网中的馈线为分析对象，即基本研究单位。所获取的原始数据的类型包括馈线自身属性、馈线运行属性、馈线周边环境属性三类，具体如下表所示：其中，馈线本身固有的属性定义为馈线自身属性，馈线本文档来自技高网...

【技术保护点】
1.一种基于数据挖掘的配电网故障风险等级预测方法，其特征在于：所述基于数据挖掘的配电网故障风险等级预测方法包括以下步骤：/n步骤1：数据获取：获取配电网相关的各类型原始数据，所述原始数据包括历史数据和预测数据；/n步骤2：数据处理：对所获取的数据进行处理而得到包含标注故障风险等级的所述历史数据和所述预测数据的数据表；/n步骤3：数据特征属性分析：对所述数据表中的所述历史数据进行特征属性分析，提取所述历史数据的特征属性；/n步骤4：故障风险等级预测模型训练：建立故障风险等级预测模型，利用提取过特征属性的所述历史数据并基于所述预测数据对所述故障风险等级预测模型进行训练，得到训练好的故障风险等级预测模型；/n步骤5：故障风险等级预测：利用训练好的故障风险等级预测模型对配电网故障的风险等级进行预测。/n

【技术特征摘要】
1.一种基于数据挖掘的配电网故障风险等级预测方法，其特征在于：所述基于数据挖掘的配电网故障风险等级预测方法包括以下步骤：
步骤1：数据获取：获取配电网相关的各类型原始数据，所述原始数据包括历史数据和预测数据；
步骤2：数据处理：对所获取的数据进行处理而得到包含标注故障风险等级的所述历史数据和所述预测数据的数据表；
步骤3：数据特征属性分析：对所述数据表中的所述历史数据进行特征属性分析，提取所述历史数据的特征属性；
步骤4：故障风险等级预测模型训练：建立故障风险等级预测模型，利用提取过特征属性的所述历史数据并基于所述预测数据对所述故障风险等级预测模型进行训练，得到训练好的故障风险等级预测模型；
步骤5：故障风险等级预测：利用训练好的故障风险等级预测模型对配电网故障的风险等级进行预测。


2.根据权利要求1所述的基于数据挖掘的配电网故障风险等级预测方法，其特征在于：所述基于数据挖掘的配电网故障风险等级预测方法以所述配电网中的馈线为分析对象。


3.根据权利要求2所述的基于数据挖掘的配电网故障风险等级预测方法，其特征在于：所述步骤1中，所述原始数据的类型包括馈线自身属性、馈线运行属性、馈线周边环境属性三类。


4.根据权利要求2所述的基于数据挖掘的配电网故障风险等级预测方法，其特征在于：所述步骤2包括以下子步骤：
子步骤2-1：数据表合并：将所述原始数据以馈线为关联辆进行整合，得到原始数据表；
子步骤2-2：数据清洗：对所述原始数据表中的异常条目进行清洗处理，得到处理后的数据表；
子步骤2-3：故障风险等级标注：针对所述处理后的数据表中的历史数据，分别判定并标注各条故障的风险等级。


5.根据权利要求4所述的基于数据挖掘的配电网故障风险等级预测方法，其特征在于：所述子步骤2-3中，将单位时间内馈线故障次数、故障停电时间作为故障风险等级的判定标准而判定并标注各条故障的风险等级。


6.根据权利要求2所述的基于数据挖掘的配电网故障风险等级预测方法，其特征在于：所述步骤3中，采用RelieF算法对所述数据表中的所述历史数据进行特征属性分析，提取所述历史数据的特征属性。


7.根据权利要求6所述的基于数据挖掘的配电网故障风险等级预测方法，其特征在于：所述步骤3包括以下子步骤：
子步骤3-1：由所述数据表中随机抽取一条故障记录d，寻找与所述故障记录d故障风险等级相同且最临近的一条故障记录H、与所述故障记录d故障风险等级不同且最临近的一条故障记录M；
子步骤3-2：针对每一项特征属性，依据所述故障记录d分别与所述故障记录H、所述故障记录M之间的特征差的大小关系，确定该项特征属性对于所述故障记录d的故障风险等级是否有益，从而调整...

【专利技术属性】
技术研发人员：周佳威，冒烨颖，杨启明，王小蕾，马骏昶，董晓峰，顾佳，方琪，杭泱，
申请(专利权)人：国网江苏省电力有限公司苏州供电分公司，
类型：发明
国别省市：江苏;32