【技术实现步骤摘要】
本专利技术涉及电网运维管理领域，特别涉及一种智能型供电可靠性指标分级预测方法。
技术介绍
1、衡量供电网的优劣，需要通过多个可靠性数据的计算来显示。主要指标包括用户平均停电时间(aihc-1、aihc-2、aihc-3)，故障停电平均持续时间(mid-f)，供电可靠率(rs-1、rs-2、rs-3)等。
2、现有技术中供电网的供电可靠性指标的预测方法主要包括基于概率估算法和基于机器学习的神经网络预测法，均是通过对供电网的历史数据进行分析来实现预测效果，但由于供电网的供电可靠性指标容易受外界因素影响，如环境因素和实际使用情况导致采用现有的预测方法得到的供电可靠性指标数值与实际值存在较大偏差。为此，我们提出一种智能型供电可靠性指标分级预测方法。
技术实现思路
1、本专利技术的主要目的在于提供一种智能型供电可靠性指标分级预测方法，通过筛选在所述同质度阈值范围内的所述重要影响因素的历史数据作为同质化参数作为输入，以对应的所述供电可靠性指标值计算结果作为输出进行训练获取神经网络预测模型，通过预测模型输出在实时数据时的所述供电可靠性指标的预测值可以有效解决
技术介绍
中的问题。
2、为实现上述目的，本专利技术采取的技术方案为，
3、一种智能型供电可靠性指标分级预测方法，包括：
4、步骤一，获取电网系统供电可靠性相关的历史数据，计算在任一固定周期内的供电可靠性指标值，
5、其中，供电可靠性指标包括用户平均停电时间，具体为aihc-1、aih
6、其中，台账数据包括电网系统中各元件的型号、安装信息、铭牌参数等可靠性参数以及额定电流、额定电压、线路长度等参数；
7、运行数据包括量测数据包括元件的功率因数、有功功率、无功功率、电压、电流等数据；状态数据包括调度数据、电网安全信息、负荷节点异常数据、设备的开通和断开情况等数据；
8、负荷数据包括各个配电区域的实时负荷大小、各个负荷节点的预测负荷等数据；
9、环境数据包括大气压强、温度、日照强度、风速大小以及风向等数据。
10、步骤二，对获取的供电可靠性指标值与历史数据进行灰色关联度分析，计算供电可靠性指标值与不同类别数据的关联度，根据获取的所述关联度值确定所述供电可靠性指标影响程度的数据类别关联序，
11、具体步骤为：
12、s21，构建供电可靠性指标值与不同类别的历史数据的数据序列，记为：
13、e＝(e1，e2，...，ei)
14、f＝(f1，f2，...，fj)
15、式中，e为供电可靠性指标值数据序列，ei为第i个供电可靠性指标，f为各类别的历史数据的数据序列，fj为第j个类别数据值；
16、s22，对数据序列中各数据进行标准化处理，计算公式为：
17、
18、
19、式中，eiq为第i个供电可靠性指标的第q个数值的标准化值，eiq为第i个供电可靠性指标的第q个数值，为第i个供电可靠性指标的均值，fjq为第j个类别数据的第q个数值的标准化值，fjq为第j个类别数据的第q个数值，为第j个类别数据的均值，m1、m2、n均为数据样本量；
20、s23，计算数据序列中所有数据点的关联系数值，计算公式为：
21、
22、式中，ξjq为数据序列f中各数据点与数据序列e的关联系数，其中，mini[minq(|eiq-fjq|)]为取|eiq-fjq|计算结果的最小值minq(·)后再取所有计算的最小值中的最小值mini[·]，maxi[maxq(|eiq-fjq|)]为取|eiq-fjq|计算结果的最大值maxq(·)后再取所有计算的最大值中的最大值maxi[·]，ρ为分辨系数，取值范围为(0,1]，通常取ρ＝0.5；
23、s24，根据关联系数的计算结果计算关联度值，计算公式为：
24、
25、式中，rij为第i个供电可靠性指标与第j个类别数据的关联度；
26、s25，将获取的第i个供电可靠性指标与第j个类别数据的关联度按照大小顺序依次排列，即获得所述供电可靠性指标影响程度的数据类别关联序；
27、步骤三，设置各所述供电可靠性指标影响程度的关联度阈值[δrimin,1)，其中，δrimin为第i个供电可靠性指标值的关联度阈值最小值，根据获取的数据类别关联序筛选在所述关联度阈值内的数据类别作为所述供电可靠性指标的重要影响因素，其中，供电可靠性指标值的关联度阈值最小值δrimin根据经验公式进行确定，经验公式为：
28、
29、式中，rimax为第i个供电可靠性指标的关联序中的最大关联度值，rimin为第i个供电可靠性指标的关联序中的最小关联度值，γ为第i个供电可靠性指标的关联序中的关联度值个数，ν为第i个供电可靠性指标的关联序中的关联度值大于关联度均值的个数；
30、步骤四，采集电网系统供电可靠性的重要影响因素的实时数据，其中，采集的实时数据的采样时间小于一个固定周期，计算历史数据中所述重要影响因素在任一固定周期内及实时数据的均值，通过匹配模型计算实时数据的均值与历史数据均值之间的同质度，设置同质度阈值范围，筛选在所述同质度阈值范围内的所述重要影响因素的历史数据作为同质化参数，其中，所述匹配模型的表达式为：
31、
32、式中，dλk为第k个重要影响因素的实时数据的均值与第λ个周期的历史数据均值之间的同质度，为第k个重要影响因素的实时数据的均值，为第k个重要影响因素第λ个周期的历史数据均值之间的均值，
33、同质度阈值的确定步骤为：
34、s41，任意选取历史数据中θ个固定周期，分别计算在计算θ个固定周期周期内为第k个重要影响因素的第μ个周期的历史数据的均值，记作
35、s42，通过匹配模型分别计算实时数据的均值与第μ个周期的历史数据均值之间同质度dμk；
36、s43，利用获取的同质度dμk数值创建数据集，记作，计算同质度dμk数据集中的均值其中，均值的计算公式为：
37、
38、式中，dμkmin为数据集中的最小值，dμkmax为数据集中的最大值；
39、s44，通过同质度dμk数据集中的均值确定同质度阈值的取值范围，其中，取值范围为：
40、步骤五，以获取的重要影响因素的同质化参数作为输入，以对应的所述供电可靠性指标值计算结果作为输出进行训练获取神经网络预测模型，通过预测模型输出在实时数据时的所述供电可靠性指标的预测值，其中，所述神经网络预测模型的隐含层节点个数根据以下计算公式确定，其中，公式的表达式为：
41、
42、式本文档来自技高网...
【技术保护点】
1.一种智能型供电可靠性指标分级预测方法，其特征在于，包括：
2.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，在步骤四中，所述匹配模型的表达式为：
3.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，步骤二的具体步骤为：
4.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，在步骤三中，供电可靠性指标值的关联度阈值最小值Δrimin根据经验公式进行确定，经验公式为：
5.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，在步骤五中，所述神经网络预测模型的隐含层节点个数根据以下计算公式确定，其中，公式的表达式为：
6.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，所述神经网络预测模型的输入层节点个数与供电可靠性指标的重要影响因素个数相等。
7.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，在步骤四中，同质度阈值的确定步骤为：
8.根据权利要求1所述的一种智能型供电可
...【技术特征摘要】
1.一种智能型供电可靠性指标分级预测方法，其特征在于，包括：
2.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，在步骤四中，所述匹配模型的表达式为：
3.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，步骤二的具体步骤为：
4.根据权利要求1所述的一种智能型供电可靠性指标分级预测方法，其特征在于，在步骤三中，供电可靠性指标值的关联度阈值最小值δrimin根据经验公式进行确定，经验公式为：
5.根据权利要求1所述的一种智能型供电可靠性指标分级预...
【专利技术属性】
技术研发人员：赵永生，凌松，赵爱华，陈金鑫，唐亮，梁晓伟，张靖，张良，陶晓峰，张昭，
申请(专利权)人：国网安徽省电力有限公司，
类型：发明
国别省市：
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。