故障率预测模型的训练、故障率预测方法及相关装置制造方法及图纸

本发明专利技术实施例提供了故障率预测模型的训练、故障率预测方法及相关装置，该方法包括：收集引发输电线路故障的环境因素，作为原始统计数据；按照过滤式筛选、迭代寻优的方式，从原始统计数据中提取有关输电线路故障的特征数据，作为原始特征数据；以部分原始特征数据作为训练的样本，训练故障率预测模型；以部分原始特征数据作为测试的样本，对故障率预测模型进行测试。对原始统计数据进行过滤和寻优，可获取与输电线路故障信息关联最为密切的原始特征数据，使用原始特征数据训练故障率预测模型，采用该模型对输电线路的实时故障概率进行计算，可以提高故障率预测的效率，缩减故障率预测的周期，降低故障率预测的成本。

【技术实现步骤摘要】
故障率预测模型的训练、故障率预测方法及相关装置
本专利技术实施例涉及故障检测技术，尤其涉及故障率预测模型的训练、故障率预测方法及相关装置。
技术介绍
输电线路的实时故障概率(故障率)的计算是进行电力系统在线风险评估以及实时可靠性计算的重要组成部分。传统的电网可靠性评估采用固定不变的元件年均故障率模型来计算系统中长期的可靠性水平，然而恒定的平均故障率无法描述历史运行条件和未来运行条件对线路故障的影响，在预测精度上有很大的局限性，难以适应电力系统短期风险评估需求。输电线路故障与灾害性天气具有较强的相关性，特别是外部气象环境因素。许多文献研究了气候对输电输变电设备的可靠性的影响，常采用两态或者多态模型来预测不同的天气状况下的设备故障率。在现有的输电线路故障率预测模型中，通常利用历史统计数据进行故障率的预测，这种预测方式存在数据统计周期性长、成本较高的问题。
技术实现思路
本专利技术提供一种故障率预测模型的训练、故障率预测方法及相关装置，以解决故障率预测周期性长、成本较高的问题。第一方面，本专利技术实施例提供了一种故本文档来自技高网...

【技术保护点】
1.一种故障率预测模型的训练方法，其特征在于，包括：/n收集引发输电线路故障的环境因素，作为原始统计数据；/n按照过滤式筛选、迭代寻优的方式，从所述原始统计数据中提取有关所述输电线路故障的特征数据，作为原始特征数据；/n以部分所述原始特征数据作为训练的样本，训练故障率预测模型；/n以部分所述原始特征数据作为测试的样本，对所述故障率预测模型进行测试。/n

【技术特征摘要】
1.一种故障率预测模型的训练方法，其特征在于，包括：
收集引发输电线路故障的环境因素，作为原始统计数据；
按照过滤式筛选、迭代寻优的方式，从所述原始统计数据中提取有关所述输电线路故障的特征数据，作为原始特征数据；
以部分所述原始特征数据作为训练的样本，训练故障率预测模型；
以部分所述原始特征数据作为测试的样本，对所述故障率预测模型进行测试。


2.根据权利要求1所述的方法，其特征在于，所述按照过滤式筛选、迭代寻优的方式，从所述原始统计数据中提取有关所述输电线路故障的特征数据，作为原始特征数据，包括：
对所述原始统计数据进行归一化处理，得到第一特征数据；
采用拉普拉斯筛选器对所述第一特征数据进行过滤式筛选，得到第二特征数据；
基于粒子群算法对所述第二特征数据进行迭代寻优，以从所述第二特征数据中提取有关所述输电线路故障的特征数据，作为原始特征数据。


3.根据权利要求2所述的方法，其特征在于，所述采用拉普拉斯筛选器对所述第一特征数据进行过滤式筛选，得到第二特征数据，包括：
根据所述第一特征数据的距离信息，计算所述第一特征数据的拉普拉斯得分；
按照所述拉普拉斯得分对所述第一特征数据进行升序排序；
按照预设的规则选取所述第一特征数据，构建特征矩阵，以所述特征矩阵作为第二特征数据。


4.根据权利要求2或3所述的方法，其特征在于，所述基于粒子群算法对所述第二特征数据进行迭代寻优，以从所述第二特征数据中提取有关所述输电线路故障的特征数据，作为原始特征数据，包括：
将所述第二特征数据作为搜索空间中的粒子，获取所述粒子的速度信息和位置信息；
对所述粒子的所述速度信息和所述位置信息进行更新迭代；
在更新迭代的过程中，若满足预设的收敛条件，则将所述粒子设置为有关所述输电线路故障的特征数据，作为原始特征数据。


5.根据权利要求1或2或3所述的方法，其特征在于，所述以部分所述原始特征数据作为训练的样本，训练故障率预测模型，包括：
设置故障率预测模型的权值；
获取所述输电线路中发生故障的真实概率，以所述真实概率作为所述故障率预测模型的预期输出概率；
将部分所述原始特征数据作为训练的样本输入到所述故障率预测模型中进行前向传播，得到所述故障率预测模型的实际输出概率；
基于...

【专利技术属性】
技术研发人员：叶万余，苏超，罗敏辉，阮伟聪，黄绍川，胡金磊，欧阳业，颜祖明，王星华，
申请(专利权)人：广东电网有限责任公司清远供电局，
类型：发明
国别省市：广东;44