基于BP神经网络的配电网极端灾害下停电预测方法及系统技术方案

本发明专利技术属于电网防灾技术领域，具体涉及一种基于BP神经网络的配电网极端灾害下停电预测方法及系统。所述预测方法包括以下步骤：根据配电网极端灾害历史故障样本库，获取故障发生时的本体参数、极端灾害类型、气象参数、运行状态参数和故障发生后的停电时长，同时收集极端灾害下相同本体参数下未发生故障的气象参数、运行状态参数，对各参数进行数值化预处理，整合成训练样本库；采用BP神经网络方法，对训练样本库的停电概率与停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型。本发明专利技术实现了配电网在极端灾害下停电概率与停电时长的预测，适用于各种情况复杂的极端灾害下的配电网的防灾减灾。极端灾害下的配电网的防灾减灾。极端灾害下的配电网的防灾减灾。

【技术实现步骤摘要】
基于BP神经网络的配电网极端灾害下停电预测方法及系统


[0001]本专利技术属于电网防灾
，具体涉及一种基于BP神经网络的配电网极端灾害下停电预测方法及系统。

技术介绍

[0002]随着全球气候变化，近些年，极端灾害频发，给电网造成了特别严重的灾害，配电网的安全运行关系到供电可靠性，配电网极易受极端灾害的影响发生故障进而停电。配电网受不同极端灾害影响而发生倒断杆、断线、金具损坏事故频繁发生，其严重程度远大于极端灾害对主网输变电设备的影响。在影响了电网安全稳定运行的同时对应急抢修、快速复电提出了很高的要求，因此，在电力负荷稳定需求的大前提下，对配电网在极端灾害下的停电的准确预测需求紧迫性显著增强，提出一种配电网极端灾害下停电预测方法已刻不容缓。
[0003]目前，极端灾害的预测方面，专业气象机构通过多年的发展目前已经能对一些关键气象因素进行较为准确的预测，例如冻雨等。在其它气象要素方面目前也达到了一定的准确性，结合不断发展的中尺度数值天气预报系统，研究了3km*3km的精细化气象数值预报，结合降尺度技术，更形成了1km*1km的降尺度预测结果。虽然在气象预测方面的尺度越来越小，但仅靠气象预测无法满足对电网特别是配电网的极端气象灾害相关故障的预测预警需求。如何结合现有的气象预测成果，在历史上配电网极端灾害故障灾害样本的基础上，采用统计方法，结合配电网的台帐数据和运行状态数据，实现配电网极端灾害下的停电预测是十分必要的。

技术实现思路

[0004]为克服上述缺陷，本专利技术的目的在于提供一种基于BP神经网络的配电网极端灾害下停电预测方法及系统。
[0005]为实现上述目的，本专利技术采用如下技术方案：
[0006]一种基于BP神经网络的配电网极端灾害下停电预测方法，包括以下步骤：
[0007]步骤1：收集配电网在极端自然灾害下发生停电故障的故障集；
[0008]步骤2：针对故障集中每一个停电故障，匹配故障发生时的本体参数、气象参数、极端灾害类型、运行状态参数、故障发生后的停电时长数据，建立配电网历史极端灾害下的故障样本库A；
[0009]步骤3：针对统计的每一类极端灾害类型，收集在该气象灾害过程中，相同本体参数下的配电网没有发生停电故障时的气象参数、运行状态参数，形成配电网历史极端灾害下的非故障样本库B，非故障的样本库B中的停电时长标记为0；
[0010]步骤4：对故障样本库A和非故障样本库B中的本体参数、气象参数、极端灾害类型、运行状态参数和故障发生后的停电时长进行数值化预处理，将预处理后的两个样本库整合成训练样本库X；
[0011]步骤5：基于步骤4中的训练样本库X，采用BP神经网络方法，对配电网在极端灾害下的停电概率和停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型；
[0012]步骤6：在预测阶段，基于步骤5中训练得到的停电预测模型，输入需要预测的某个时刻的极端灾害类型、气象参数、配电网本体参数和运行状态参数，可得到可能的停电概率与停电时长，最终实现配电网极端灾害下的停电概率与停电时长的预测。
[0013]优选地，所述的本体参数包括配电网的杆塔信息和线路信息。
[0014]优选地，所述的杆塔信息包括：杆塔类型、经度、纬度、海拔高度、地质环境信息、水平档距、垂直档距以及杆塔的绝缘子串型号、串数、绝缘子片数、耐张塔转角。
[0015]优选地，所述的线路信息包括：电压等级、线路规格、线路类型、回路数量、输电长度、设计风速、设计冰厚、分裂数和分裂间隙。
[0016]优选地，所述的极端灾害类型包括：大风、暴雨、降雪、雨夹雪四种类型。
[0017]优选地，所述的气象参数包括：温度、湿度、瞬时风速大小、1小时内的平均风速、瞬时风向、风向与线路夹角、是否有冻雨、是否有降水、降水量、多谱勒雷达原始参数。
[0018]优选地，所述的运行状态参数包括电流信息与开关状态信息。
[0019]优选地，步骤5所述的基于BP神经网络的配电网极端灾害下的停电预测模型建立步骤如下：
[0020]5.1将BP网络设计为三层，其中输入层为S，输出层为O，隐藏层为H，隐藏层神经元的个数计算公式为：
[0021][0022]其中，a为输入层的神经元个数，即输入参数的个数；c为输出层的神经元个数，即输出参数的个数；b为隐藏层的神经元个数；Υ为调节常数，取值1～10；
[0023]5.2配电网在极端灾害下的训练样本集X：
[0024]X＝{(X1,y
11
,y
12
),(X2,y
21
,y
22
),...(X
i
,y
i1
,y
i2
),(X
N
,y
N1
,y
N2
)}
[0025]其中，X
i
＝(x
i1
,x
i2
,...x
iM
)，X
i
为第i个样本的输入参数，即第i个极端灾害样本发生时的配电网本体参数、气象参数、极端灾害类型和运行状态参数，x
iM
为在第i个样本中的第M个参数，每个样本都有M个参数，y
i1
为第i个极端灾害样本发生时配电网的停电状态，y
i2
为第i个极端灾害样本发生时配电网的停电时长；
[0026]5.3经过BP神经网络训练，得到一个a
×
b预测模型权重矩阵ω1和一个b
×
c的预测模型权重矩阵ω2。
[0027]优选地，步骤6所述的配电网极端灾害下的停电概率与停电时长的预测步骤如下：
[0028]基于步骤5训练得到的预测模型矩阵ω1和输入层的输入结果，得到：
[0029]H(i)＝ω1[1,i].S(1)+ω1[2,i].S(2)+...+ω1[k,i].S(k)+...+ω1[a,i].S(a)
[0030]其中，H(i)为隐藏层的第i个输出结果，ω1[k,i]表示权重矩阵ω1第k行第i列的值，即第k个输入神经元到第i个隐藏神经元的连接权重，S(k)为输入层第k个参数值；
[0031]基于步骤5训练得到的预测模型矩阵ω2和隐藏层的输出结果，得到：
[0032]O(i)＝ω2[1,i].H(1)+ω2[2,i].H(2)+...+ω2[k,i].H(k)+...+ω2[b,i].H(b)
[0033]O(i)为输出层的第i个输出结果，ω2[k,i]表示权重矩阵ω2第k行第i列的值，即第k个隐藏神经元到第i个输出神经元的连接权重；
[0034]所述输出层的输出结果为两个，分别为配电网在极端灾害下的停电概率和停电时长。
[0035]一种基于BP神经网络的配电网极端灾害下停电预测系统，包括：
[0036]信息模块，收集在极端自然灾害下相同本体参本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，包括以下步骤：步骤1：收集配电网在极端自然灾害下发生停电故障的故障集；步骤2：针对故障集中每一个停电故障，匹配故障发生时的本体参数、气象参数、极端灾害类型、运行状态参数、故障发生后的停电时长数据，建立配电网历史极端灾害下的故障样本库A；步骤3：针对统计的每一类极端灾害类型，收集在该气象灾害过程中，相同本体参数下的配电网没有发生停电故障时的气象参数、运行状态参数，形成配电网历史极端灾害下的非故障样本库B，非故障的样本库B中的停电时长标记为0；步骤4：对故障样本库A和非故障样本库B中的本体参数、气象参数、极端灾害类型、运行状态参数和故障发生后的停电时长进行数值化预处理，将预处理后的两个样本库整合成训练样本库X；步骤5：基于步骤4中的训练样本库X，采用BP神经网络方法，对配电网在极端灾害下的停电概率和停电时长进行训练，建立基于BP神经网络的配电网极端灾害下的停电预测模型；步骤6：在预测阶段，基于步骤5中训练得到的停电预测模型，输入需要预测的某个时刻的极端灾害类型、气象参数、配电网本体参数和运行状态参数，可得到可能的停电概率与停电时长，最终实现配电网极端灾害下的停电概率与停电时长的预测。2.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的本体参数包括配电网的杆塔信息和线路信息。3.根据权利要求2所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的杆塔信息包括：杆塔类型、经度、纬度、海拔高度、地质环境信息、水平档距、垂直档距以及杆塔的绝缘子串型号、串数、绝缘子片数、耐张塔转角。4.根据权利要求2所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的线路信息包括：电压等级、线路规格、线路类型、回路数量、输电长度、设计风速、设计冰厚、分裂数和分裂间隙。5.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的极端灾害类型包括：大风、暴雨、降雪、雨夹雪四种类型。6.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的气象参数包括：温度、湿度、瞬时风速大小、1小时内的平均风速、瞬时风向、风向与线路夹角、是否有冻雨、是否有降水、降水量、多谱勒雷达原始参数。7.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，所述的运行状态参数包括电流信息与开关状态信息。8.根据权利要求1所述的基于BP神经网络的配电网极端灾害下停电预测方法，其特征在于，步骤5所述的基于BP神经网络的配电网极端灾害下的停电预测模型建立步骤如下：5.1将BP网络设计为三层，其中输入层为S，输出层为O，隐藏层为H，隐藏层神经元的个数计算公式为：
其中，a为输入层的神经元个数，即输入参数的个数；c为输出层的神经元个数，即输出参数的个数；b为隐藏层的神经元个数；Υ为调节常数，取值1～10；5.2配电网在极端灾害下的训练样本集X：X＝{(X1,y
11
,y
12
)...

【专利技术属性】
技术研发人员：刘善峰，卢明，李哲，郭志民，王磊，马建伟，冯光，袁少光，田杨阳，毛万登，孙芊，王超，王津宇，
申请(专利权)人：国家电网有限公司，
类型：发明
国别省市：