基于GA-BP神经网络的配电网故障大数据分析方法和系统技术方案

本申请提供本发明专利技术公开了一种基于GA—BP神经网络的配电网故障大数据分析方法和系统，从而提升配网线路风险评估模型的稳定性，并将该基于GA—BP神经网络的配电网故障大数据分析方法通过基于GA—BP神经网络的配电网故障大数据分析系统实现。其中，方法包括提取配电线路故障原因因子，筛选对故障次数存在显著影响的故障关键因子，获取各故障线路主成分的风险值得分，故障线路风险值计算模型和对线路单元的风险值进行预测评估；配电网线路风险预测评估系统包括数据输入模块、数据中转模块、输出显示模块、原因因子采集模块、关键因子筛选模块、主成分分析模块、线路风险值分析模块和风险预测评估模块。风险预测评估模块。风险预测评估模块。

【技术实现步骤摘要】
基于GA
‑
BP神经网络的配电网故障大数据分析方法和系统


[0001]本专利技术涉及配电网线路风险预测评估
，具体涉及一种基于GA
‑
BP神经网络的配 电网故障大数据分析方法和系统。

技术介绍

[0002]随着我国经济的高速发展，社会生活每个方面对电能的依赖程度都在不断加深。配电网 直接面向广大普通用户，其运行的稳定性、可靠性对生产生活而言至关重要。配网建设的加 速升级，运维工作呈现要求高、难度大的特点。传统的凭经验进行运维检修以及工程针对性 改造无法科学指导运维工作，更无法对线路状态进行全面了解。国内电力领域一直以来都采 用方案检修模式进行电力装置的维护管理，整体来看属于事后维护体系，一旦开启检修工作， 就会有很长时间无法供能，对社会生活造成严重影响。传统配电网运维由于其工作模式和技 术手段上的局限性，主要存在以下几个问题：一是相关人员工作繁重，配网线路巡视存在人 员少、线路长、任务重的问题；二是农村配网线路投入产出比低；三是配网线路故障排查采 用地毯式搜寻，没有重点，在寻找故障点上消耗大量抢修时间。本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述方法包括如下步骤：步骤1：采集配电网线路的故障数据，对故障数据进行分析，获取导致线路故障的原因因子；步骤2：以所述原因因子为自变量，以发生线路故障的次数为因变量，采用标准化逐步回归方法，从所述原因因子中筛选出导致线路故障的关键因子；步骤3：对所述关键因子的数据进行归一化处理，得到归一化特征数据；步骤4：对所述归一化特征数据进行主成分分析，获取每条故障线路的主成分风险值；步骤5：对所述每条故障线路的主成分风险值进行回归分析，获得故障线路的主成分风险值计算模型；步骤6：利用斯皮尔曼系数计算公式，计算得出每条线路的主成分风险值与发生线路故障的次数之间的斯皮尔曼系数ρ，用于量化每条线路的主成分风险值与发生线路故障的次数之间的关系；步骤7：根据所述斯皮尔曼系数ρ，构造系数修正公式对所述主成分风险值计算模型进行修正，得到主成分风险值计算优化模型，并利用所述主成分风险值计算优化模型重新计算得出每条故障线路的最佳主成分风险值；步骤8：将所述每条故障线路的最佳主成分风险值组合成为最佳主成分风险值集，将所述最佳主成分风险值集分为训练数据和测试数据，利用GA
‑
BP神经网络对所述训练数据进行训练，得到故障线路的风险值神经网络计算模型；并将所述测试数据导入所述风险值神经网络计算模型，计算获得每条故障线路的实际风险值和预测风险值；步骤9：引入决定系数计算公式，将所述故障线路的实际风险值和预测风险值代入所述决定系数计算公式进行计算，得到实际风险值和预测风险值之间的决定系数，用于对利用GA
‑
BP神经网络来获得每条故障线路的实际风险值和预测风险值的可靠性进行量化。2.根据权利要求1所述的基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述步骤1获取原因因子的方法为：步骤1.1：提取出所有故障原因，按照设备情况、运行情况和外部情况将提取出的故障原因分为3类；步骤1.2：针对所述故障原因中的每一个故障因子，按照对配电线路故障影响程度的大小进行打分，得到故障原因因子。3.根据权利要求1所述的基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述步骤2筛选关键因子的具体方法为：步骤2.1：以所述原因因子为自变量，以发生线路故障的次数为因变量，对所述自变量数据和因变量数据进行Z
‑
score标准化，得到标准化特征数据；步骤2.2：对所述标准化特征数据进行逐步回归计算，得到标准化回归系数和显著性P值；步骤2.3：根据所述显著性P值筛选出对配电线路故障影响具有显著性的关键因子。4.根据权利要求1所述的基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述步骤4获取每条故障线路的主成分风险值的具体方法为：步骤4.1：对所述归一化特征数据进行主成分分析，得到主成分因子载荷矩阵和各个主
成分的贡献率；步骤4.2：根据所述主成分因子载荷矩阵，将各个主成分转换为用变量的线性组合表示，并计算出各个主成分值；步骤4.3：构造综合评价函数，将所述各个主成分值代入所述综合评价函数，计算出每条故障线路的主成分风险模拟值；所述综合评价函数的公式为其中，α
i
表示各主成分的贡献率，Z
i
表示各主成分值；步骤4.4：利用公式risk_value＝[score+abs(min(score))]
×
10对所述每条故障线路的主成分风险模拟值进行转换，得到每条故障线路的主成分风险值。5.根据权利要求1所述的基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述步骤5获得故障线路的主成分风险值计算模型的具体方法为：步骤5.1：根据EMLR算法构造主成分风险值计算公式，所述主成分风险值计算公式为其中，X＝(x1,x2,
…
,x
n
)为所有主成分值的数据集合，(α1,α2,
…
,α
i
)为需要通过机器学习训练出的系数，f(X)为目标函数值；步骤5.2：定义损失函数F
cost
，采用随机梯度下降算法通过多次迭代计算使所述损失函数F
cost
达到最小值的系数集合(α1,α2,
…
,α
i
)；所述损失函数公式为其中，f
i
(X)是模型计算得到的输出值，y
i
是训练集的实际值。6.根据权利要求1所述的基于GA—BP神经网络的配电网故障大数据分析方法...

【专利技术属性】
技术研发人员：汤雪松，王建明，吴彬，余光明，邹建伟，范福来，谢地，周韩，屈劲宇，杜泓江，彭夕彬，周星光，雷乾，池之恒，郑宗伟，赵力思，陈建，李新，肖云凯，王浩男，
申请(专利权)人：国网重庆市电力公司铜梁区供电分公司，
类型：发明
国别省市：