一种基于概率图模型的配电网线路风险量化预测方法

技术领域

本申请涉及电力行业信息化技术领域，尤其涉及一种基于概率图模型的配电网线路风险量化预测方法。

背景技术

作为供电系统的重要组成部分，配电网直接连接用电用户，这就对其运行的安全性与稳定性提出了更高的要求。配电网的特点包括：(1)设备的种类与数量众多，且它们之间的连接关系多样，形成了复杂的网络拓扑结构；(2)由于配电网中的设备安装密集，部分信号数据传输距离长，监测数据易失准；(3)大部分设备直接暴露在自然环境中，其运行效果容易受到诸多自然因素的影响。

从配电网的上述特点可以看出，一旦配电网发生故障，不仅难以定位发生故障的具体设备，而且要进行停电检修时还可能会因为不明确具体线路的供电范围而切断正常用户的电力供应。因此，相比于故障发生后进行修复，故障发生前进行精准预测并及时检修，不但能够有效降低运维成本，更能提高用电用户的满意度。

通过对目前的研究工作进行分析可知，大多数研究将配点网的故障预测视为一个分类问题，输出的预测结果粗略地分为“有故障”和“无故障”两种，无法实现对发生故障的可能性进行精细化预测。

发明内容

本申请提供了一种基于概率图模型的配电网线路风险量化预测方法，以解决大多数研究将配点网的故障预测视为一个分类问题，输出的预测结果粗略地分为“有故障”和“无故障”两种，无法实现对发生故障的可能性进行精细化预测的问题。

本申请采用的技术方案如下：

本发明提供了一种基于概率图模型的配电网线路风险量化预测方法，包括以下步骤：

收集配电网线路相关的的数据，包括配电网线路的网架结构、历史运行数据、历史故障检修数据；

对配电网线路相关的的数据进行预处理；

基于所述网架结构和专家经验，构建概率图模型的模型结构；

基于所述历史运行数据和所述历史故障检修数据，对所述概率图模型进行训练，确定随机变量之间的条件概率表；

基于训练完成的所述概率图模型，对目标配电网线路发生故障的概率进行预测。

进一步地，所述预处理包括：

缺失值的处理，包括缺失值的填充、删除；

异常值的处理，包括异常值的识别、删除、更改；

进一步地，不一致值的处理，包括将不一致值统一化。

所述训练完成的所述概率图模型包括：

各个随机变量以及它们之间的转移关系；

具有转移关系的随机变量之间的转移概率表。

进一步地，所述构建概率图模型的模型结构具体为：构建概率图模型中的贝叶斯网络的模型结构。

进一步地，基于所述历史运行数据和所述历史故障检修数据，对所述概率图模型进行训练，确定随机变量之间的条件概率表，包括：

基于所述历史运行数据和所述历史故障检修数据，对所述贝叶斯网络的模型结构进行训练，确定随机变量之间的条件概率表。

进一步地，基于训练完成的所述概率图模型，对目标配电网线路发生故障的概率进行预测，包括：

将收集到的配电网线路相关的的新数据进行预处理；

将预处理后的收集到的配电网线路相关的的新数据输入训练完成的所述概率图模型；

得到目标配电网线路发生故障的概率量化数值。

进一步地，基于训练完成的所述概率图模型，对目标配电网线路发生故障的概率进行预测，包括：

将收集到的配电网线路相关的的新数据进行预处理；

将预处理后的收集到的配电网线路相关的的新数据输入训练完成的所述概率图模型；

得到目标配电网线路发生故障的概率量化数值。

采用本申请的技术方案的有益效果如下：

本发明的一种基于概率图模型的配电网线路风险量化预测方法，包括以下步骤：收集配电网线路相关的的数据，包括配电网线路的网架结构、历史运行数据、历史故障检修数据；对配电网线路相关的的数据进行预处理；基于网架结构和专家经验，构建概率图模型的模型结构；基于历史运行数据和所述历史故障检修数据，对概率图模型进行训练，确定随机变量之间的条件概率表；基于训练完成的所述概率图模型，对目标配电网线路发生故障的概率进行预测。

本发明利用机器学习与人工智能的方法，对配电网线路发生故障可能性的预测视为分类任务，通过利用概率图模型对电网运行相关数据进行全面分析，训练得到故障预测模型，该模型能够给出配电网线路在未来一定时期内发生故障的概率大小，为运维检修工作的开展提供了更有力的依据。

附图说明

为了更清楚地说明本申请的技术方案，下面将对实施例中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动的前提下，还可以根据这些附图获得其他的附图。

图1为本发明一实施例的一种基于概率图模型的配电网线路风险量化预测方法的流程图；

图2为本发明一实施例的一种基于概率图模型的配电网线路风险量化预测方法中的故障预测模型的流程图；

图3为本发明一实施例的一种基于概率图模型的配电网线路风险量化预测方法中的贝叶斯网络结构示意图。

具体实施方式

下面将详细地对实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下实施例中描述的实施方式并不代表与本申请相一致的所有实施方式。仅是与权利要求书中所详述的、本申请的一些方面相一致的系统和方法的示例。

参见图1至图3。

本申请提供的一种基于概率图模型的配电网线路风险量化预测方法，包括以下步骤：

S01：收集配电网线路相关的的数据，包括配电网线路的网架结构、历史运行数据、历史故障检修数据；

配电网故障预测主要针对的是具有较长发展周期的趋势性故障、具有累积效应的故障及具一定统计规律的故障等，它以当前设备或系统的状态为起点，结合已知测试对象的结构特性、运行参数、气象因素、环境条件及历史数据等，对其未来的状态进行预测，从而预知配电网风险，提前检修或预案，保障配电网稳定安全运行。

本发明实际上是采用机器学习的方法对配电网线路发生故障的可能性进行预测，因此，首先需要收集并预处理与此任务相关的数据。

S02：对配电网线路相关的的数据进行预处理；

预处理的目标是使收集到的数据更加的规范，以便于模型的利用。其中，所述预处理包括：

缺失值的处理，包括缺失值的填充、删除；

异常值的处理，包括异常值的识别、删除、更改；

不一致值的处理，包括将不一致值统一化；

其中，在不一致值的处理中，基于字典表进行映射到同一表示标准下。例如，对于“电压等级”性，有的表示为“22”，有的表示为“AC100221”，通过字典表，将它们都转化为“22kV”。

预处理后的数据能够便于模型更容易识别出不同类样本之间的特点。

S03：基于所述网架结构和专家经验，构建概率图模型的模型结构；

所述构建概率图模型的模型结构具体为：构建概率图模型中的贝叶斯网络的模型结构。

本发明中利用概率图模型，具体地，利用概率图模型中的贝叶斯网络构建模型结构。贝叶斯网络被誉为目前处理不确定知识的表达和推理的最有效的模型之一。作为贝叶斯方法的扩展，贝叶斯网络本质上是一种有向图结构，是人工智能、图论、概率与统计理论以及决策分析等学科技术相互结合的产物，可以应用于依赖多种控制因素的决策，可以利用不完全、不精确的知识进行计算与推理。

作为一种概率图模型，贝叶斯网络的结构是一个有向无环图(Directed AcyclicGraph，DAG)，其中，节点表示的是随机变量，该随机变量可以是任何问题的抽象表达，有向边表示的是随机变量之间的依赖关系。

贝叶斯网络的一个重要性质就是条件独立性假设，其内容为：贝叶斯网络中的每个节点V

p(V

其中，Π(V

本发明对于贝叶斯网络结构的确定采用的是专家经验法，即基于专家经验来对贝叶斯网络中代表随机变量的节点和代表变量之间因果关系的联系进行判断。图3为贝叶斯网络的一个示意图。

S04：基于所述历史运行数据和所述历史故障检修数据，对概率图模型进行训练，确定随机变量之间的条件概率表；

基于所述历史运行数据和历史故障检修数据，对所述贝叶斯网络的模型结构进行训练，确定随机变量之间的条件概率表。

贝叶斯网络参数学习的核心目标是：给定网络的结构G和训练数据集D，利用先验知识，确定G中各个节点的条件概率分布。对于完备的训练数据集的学习，常见的学习方法包括：最大似然估计(Maximum Likelihood Estimation，MLE)和贝叶斯估计(BayesianEstimation，BE)。需要注意的是，这两种方法都要求数据集满足独立同分布的条件。

基于贝叶斯网络结构，利用标记的样本数据(历史运行数据和历史故障检修数据)对网络中每个节点的参数进行学习。在样本数据充足的情况下，有以下公式成立：

P(X

其中，Num(X

S05：基于训练完成的所述概率图模型，对目标配电网线路发生故障的概率进行预测。

具体包括以下步骤：

将收集到的配电网线路相关的的新数据进行预处理；

将预处理后的收集到的配电网线路相关的的新数据输入训练完成的所述概率图模型；得到目标配电网线路发生故障的概率量化数值。

其中，所述训练完成的所述概率图模型包括：各个随机变量以及它们之间的转移关系以及具有转移关系的随机变量之间的转移概率表。

结合配电网系统的特点，本发明创新了线路故障预警方法，利用贝叶斯网络结构来建立故障预测模型，以充分利用配电网复杂的拓扑信息；在预测结果上，模型输出的是发生故障的可能性的高低，更能为相关业务人员提供决策依据。

本发明利用机器学习与人工智能的方法，对配电网线路发生故障可能性的预测视为分类任务，通过利用概率图模型对电网运行相关数据进行全面分析，训练得到故障预测模型，该模型能够给出配电网线路在未来一定时期内发生故障的概率大小，为运维检修工作的开展提供了更有力的依据。

本申请提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本申请总的构思下的几个示例，并不构成本申请保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本申请方案所扩展出的任何其他实施方式都属于本申请的保护范围。