[发明专利]考虑极端气象动态的配电网停电范围预测方法及系统

说明书

本申请涉及考虑极端气象动态的配电网停电范围预测方法及系统，采用历史气象灾害数据，对配电网可能发生的停电事故进行仿真，得到配网停电事件仿真数据；建立具有气象动态以及配网设备关联关系的贝叶斯网络；采用历史气象灾害数据及配网停电事件仿真数据进行贝叶斯网络的训练，确定仿真参数，得到训练完成的贝叶斯网络；结合气象预报进行配电网停电范围预测。考虑了气象的动态分布情况尤其是充分考虑气象灾害的动态过程，考虑了气象动态对配电网的影响情况，从配电网的结构及气象动态两方面对停电范围进行了预测，避免了条件缺失导致预测存在较为严重的不准确情况，能够实现准确的配电网停电范围预测，且具有应用时间越长预测结果越准确的优点。

技术领域

本申请涉及停电预测领域，特别是涉及考虑极端气象动态的配电网停电范围预测方法及系统。

背景技术

近年来，提升配电网弹性相关研究受到学术和工程领域广泛关注，相关研究旨在增强配电网抵御极端气象灾害能力，减少灾害下系统停电损失。在各种气象灾害中，台风天气对沿海地区电网冲击频次高、影响大。2012年，飓风“桑迪”造成美国15个州约750万用户停电；2015年，台风“彩虹”造成广州广南500kV变电站全站失压。经统计，平均每年登陆我国的台风有9.09个。

对台风可能造成的停电范围进行预测，能够为灾后恢复、灾情快速响应、灾前资源调配提供强有力的支持，从而能够极大的提高弹性配电网的弹性。因此有必要研究台风冲击下配网停电范围的预测及其应对，但是传统方法基本上仅仅考虑了气象灾害的静态分布，使得预测存在较为严重的不准确情况，仅仅能做一些简单的定性分析。

贝叶斯网络(Bayesian network)，又称信念网络(belief network)或是有向无环图模型(directed acyclic graphical model)，是一种概率图型模型，借由有向无环图(directed acyclic graphs,or DAGs)中得知一组随机变量{X₁,X₂,...,X_n}及其n组条件概率分布(conditional probability distributions,or CPDs)的性质。举例而言，贝叶斯网络可用来表示疾病和其相关症状间的概率关系；倘若已知某种症状下，贝叶斯网络就可用来计算各种可能罹患疾病之发生概率。一般而言，贝叶斯网络的有向无环图中的节点表示随机变量，它们可以是可观察到的变量，抑或是隐变量、未知参数等。连接两个节点的箭头代表此两个随机变量是具有因果关系或是非条件独立的；而两个节点间若没有箭头相互连接一起的情况就称其随机变量彼此间为条件独立。若两个节点间以一个单箭头连接在一起，表示其中一个节点是“因(parents)”，另一个是“果(descendants or children)”，两节点就会产生一个条件概率值。比方说，以X_i表示第i个节点，而X_i的“因”以P_i表示，X_i的“果”以表示C_i。大部分的情况下，贝叶斯网络适用在节点的性质是属于离散型的情况下，且依照条件概率写出条件概率表(conditional probability table,or CPT)。写出条件概率表后就很容易将事情给条理化，且轻易地得知此贝叶斯网络结构图中各节点间之因果关系。因此可以借助贝叶斯网络进行配电网弹性相关因果关系研究。

发明内容

基于此，有必要提供一种考虑极端气象动态的配电网停电范围预测方法及系统。

一种考虑极端气象动态的配电网停电范围预测方法，其包括如下步骤：

采用历史气象灾害数据，对配电网可能发生的停电事故进行仿真，得到配网停电事件仿真数据；

建立具有气象动态以及配网设备关联关系的贝叶斯网络；

根据所述历史气象灾害数据及所述配网停电事件仿真数据进行贝叶斯网络的训练，确定仿真参数，得到训练完成的贝叶斯网络；