一种基于气象影响因素的配网故障风险评估方法

技术领域

本发明涉及一种基于气象影响因素的配网故障风险评估方法，属于电力系统的电网故障分析领域。

背景技术

配网作为电网向用户供电的最终环节，直接影响着社会正常生产生活秩序。由于地域分散、线路分支多、新旧设备混杂等因素，配网故障数量较高，约占整个电网故障数量的70%左右。配网故障的成因很多，如外力破坏、树线矛盾、恶劣天气、设备老化等。其中外力破坏具有偶然性，一般难以预测；而其他类型故障往往与天气有关，是由气象因素直接或间接造成的。目前，福建、江苏等多个网省电力公司都建立了电网气象监测预警系统，然而这些系统往往只在台风、冰雹、飓风等强对流气象下对所涉及的电网区域进行预警，并未将电网故障与常规的温度、湿度、风速和雨量等气象因素进行量化关联分析和预警提示。

因此，找出配网故障与气象各因素之间的关联关系并进行量化，进而利用天气预报对配网故障进行风险评估和预警具有重要的意义。

发明内容

本发明所要解决的是克服现有配网故障缺乏有效风险评估与预警手段的问题，提供一种基于气象影响因素的配网故障风险评估方法。

为解决上述技术问题，本发明提供一种基于气象影响因素的配网故障风险评估方法,其特征在于，包括以下步骤:

步骤一：历史气象数据抽取及特征化；

步骤二：利用Canopy算法计算得到历史气象数据的初始中心点；

步骤三：利用K-Means算法计算得到气象簇；

步骤四：抽取电网故障数据并与气象数据关联；

步骤五：将电网故障数据与气象簇进行关联映射；

步骤六：计算得出各个气象簇的故障气象熵；

步骤七：根据电网区域的天气预报数据，与气象簇进行关联，并根据对应气象簇的故障气象熵得到其故障风险评估等级；

前述的基于气象影响因素的配网故障风险评估方法，其特征在于，所述步骤1包括：

步骤1a:从气象信息系统中获取全省各自动气象站历史气象数据，取1-2年的数据，气象数据至少包括温度、湿度、雨量和风速因素；

步骤1b:将所有气象数据转换为特征值数据，直接使用数据值作为特征值，并根据数据重要程度设置权重系数，默认值均为1。

前述的基于气象影响因素的配网故障风险评估方法，其特征在于，所述步骤2具体为：取历史气象数据的温度、湿度、风速和雨量四个维度的值，利用Canopy聚类算法确定所有气象特征值初始中心点，对于Canopy算法的距离值参数t1和t2，初始设定为t1=30，t2=15。

前述的基于气象影响因素的配网故障风险评估方法，其特征在于，所述步骤3具体为：在步骤2得到气象特征值初始中心点的基础上，通过k-means聚类算法生成气象簇，并得到所有气象簇的中心坐标值；k-means最大迭代次数默认为20。

前述的基于气象影响因素的配网故障风险评估方法，其特征在于，所述步骤4具体为：从电网故障辅助分析系统中获取全省电网故障数据并与气象数据进行关联，首先根据故障原因将与气象无关的故障排除，然后对于每一条故障根据故障的发生时间和地理坐标到气象历史数据库中进行匹配，获取故障发生时的天气情况。

前述的基于气象影响因素的配网故障风险评估方法，其特征在于，所述步骤5具体为：利用步骤4中得到的电网故障气象数据与步骤3中计算得到的气象簇进行映射关联，计算故障气象数据与各气象簇中心点的欧式距离，并将故障与距离最小的气象簇中心点进行关联。

前述的基于气象影响因素的配网故障风险评估方法，其特征在于，所述步骤6具体为：在步骤5的基础上，对于每个气象簇计算其对应的故障气象熵，故障气象熵是一种用于量化故障气象统计相对率的指标，其计算公式为：故障气象熵 = (气象簇所关联的故障数量 / 总故障数量) / (气象簇包含的气象数量 / 总气象数量)。

前述的基于气象影响因素的配网故障风险评估方法，其特征在于，所述步骤7包括：

步骤7a:从格点天气预报中获取各电网区域的天气预报值计算该值与各气象簇中心点的欧式距离，取欧式距离最小的中心点，所述中心点所在气象簇即为该格点区域所属的气象簇；

步骤7b：根据格点区域所属的气象簇的故障气象熵给出该预报值对应的故障风险评估等级，故障风险评估等级根据故障气象熵规范化得到，取值区间为[0,3],各整数区间分别表示安全、黄色预警、橙色预警和红色预警。

前述的基于气象影响因素的配网故障风险评估方法，其特征在于，还包括以下步骤：进行气象要素因素增删和权重的调整，气象簇参数的变更，气象簇及故障气象熵的滚动更新计算，以实现对整个模型进行优化与完善。

本发明的有益效果是，在配网故障与气象历史数据的基础上，建立配网故障与气象各因素之间的关联模型并进行量化，进而利用天气预报对配网故障进行风险评估和预警，为配网调度、巡检和抢修提供辅助决策支持。

附图说明

附图1是本发明所述的一种基于气象影响因素的配网故障风险评估方法总体流程。

具体实施方式

下面将结合附图对本发明做更详细的说明。

参照图1所示，一种基于气象影响因素的配网故障风险评估方法, 其特征在于，利用聚类分析技术建立气象簇，并用故障气象熵对配网故障与气象簇之间的关联度进行量化，进而可以利用天气预报对配网故障进行风险评估和预警。

为了有效地运用本方法，至少应保证具备一年完整的配网故障数据和历史气象数据。其中，配网故障数据应具备以下字段：故障发生时间、故障发生地点经纬度坐标、所属变电站、故障设备名称、故障电压等级、故障原因等；历史气象数据应具备以下字段：数据时间、气象站经纬度坐标、气象站id、温度、湿度、风速、雨量等。本方法包括以下七个步骤：

步骤一：历史气象数据抽取及特征化。从气象信息系统中获取全省各自动气象站历史气象数据，至少应包含温度、湿度、风速和雨量四个字段。可以直接使用数据值作为特征值，并根据数据重要程度设置权重系数，默认值均为1。在此过程中，应丢弃空值和异常值。由于历史气象数据量较大，典型的自动气象站10分钟一条数据，一年一个气象站数据量可达52560，全省近1000各个气象站一年数据量可达到5千多万。为了减少后续步骤的计算量，可以根据需要采用抽样的方式来减少数据量。具体抽样方法可以从时间和空间上进行数据削减，如：增大数据时间间隔，或减掉一部分自动气象站，或将前两者结合起来使用。值得注意的是应保证抽样的典型性和均匀性，从而不造成数据特征有大的失真。

步骤二：计算得到历史气象数据的初始中心点（以温度、湿度、风速和雨量四个维度的值来进行表征）。利用Canopy聚类算法确定所有气象特征值初始中心点，Canopy算法的距离值参数t1、t2需要结合特征值进行考虑。初始可以设定t1=30，t2=15，后期可以根据实际效果调整参数值。

步骤三：计算得到气象簇（以温度、湿度、风速和雨量四个维度的值来进行表征气象簇的中心点）。在步骤二得到气象特征值初始中心点的基础上，通过k-means聚类算法生成气象簇，并得到所有气象簇的中心坐标值。k-means算法的距离测量方法默认为平方欧几里得距离测量方法，最大迭代次数默认为20，该参数可以在后期根据实验效果进行适当调整。

步骤四：抽取电网故障数据并与气象数据关联。从电网故障辅助分析系统中获取全省电网故障数据，并与气象数据进行关联。首先根据故障原因将人为外力破坏等与气象无关的故障排除，接着对于每一条故障根据故障的发生时间和地理坐标到气象历史数据库中进行匹配，即：先根据故障发生地点找到距离最近的自动气象站，再获取该自动气象站与故障发生时间最为接近的一条气象数据。

步骤五：将电网故障数据与气象簇关联映射。利用步骤四中得到的电网故障气象数据与步骤三中计算得到的气象簇进行映射关联，具体做法是计算故障气象数据与各气象簇中心点的欧式距离，并将故障与距离最小的气象簇（中心点）进行关联。经过该步骤，所有的电网故障数据都被归类划分到各个气象簇之中。

步骤六：计算得出各个气象簇的故障气象熵。在步骤五的基础上，对于每个气象簇计算其对应的故障气象熵。故障气象熵是一种用于量化故障气象统计相对率的指标，其计算公式为：故障气象熵 = (气象簇所关联的故障数量 / 总故障数量) / (气象簇包含的气象数量 / 总气象数量)。

步骤七：根据电网区域的天气预报数据，计算获得其故障风险评估等级。首先，从格点天气预报中获取各电网区域的天气预报值，计算该值与各气象簇中心的欧式距离，取距离最小的中心点，从而得出其所属的气象簇。然后根据该气象簇的故障气象熵给出该预报值对应的故障风险评估等级。故障风险评估等级可根据故障气象熵规范化得到，建议取值区间为[0,3],各整数区间分别表示安全、黄色预警、橙色预警和红色预警。

步骤八：模型的优化和完善。根据实际应用结果，对整个模型进行优化与完善，如进行气象要素因素增删和权重的调整，气象簇参数的变更，气象簇及故障气象熵的滚动更新计算等。

步骤二和步骤三运算时间较长，建议在基于Hadoop的大数据平台上利用Mahout组件来进行并行计算，以提高计算的效率。

以上已以较佳实施例公开了本发明，然其并非用以限制本发明，凡采用等同替换或者等效变换方式所获得的技术方案，均落在本发明的保护范围之内。