[发明专利]一种台风灾害配电网杆塔故障预测方法及系统

说明书

本发明公开了一种台风灾害配电网杆塔故障预测方法和系统，将实时采集的气象站数据输入训练完成的基于BP神经网络的配电网杆塔故障预测模型，得到神经网络的输出结果，预测杆塔是否会发生跳闸故障；所述基于BP神经网络的配电网杆塔故障预测模型的训练样本包括：从新的故障样本集和非故障样本集中选取的部分故障和非故障样本；所述新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的；所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的；该方法能够较为准确地预测台风灾害发生过程中配电网杆塔故障跳闸，可为抢修物资调配、故障后快速抢修等台风灾害防御提供参考，具有一定的理论价值和工程价值。

技术领域

本发明属于电力系统防灾减灾技术领域，具体是一种基于BP神经网络的台风灾害配电网杆塔故障预测方法及系统。

背景技术

地球温室效应和生态环境的不断恶化，导致风涝灾害等极端自然灾害呈现越来越高发的态势。频发的自然灾害造成的杆塔跳闸故障是影响我国电网安全稳定运行的重要原因。其中，台风又是影响我国沿海地区最严重的自然灾害。我国台风灾害多发生在夏秋两季，具有突发性强，破坏力大的特点，给我国沿海地区各省市造成了严重的社会、经济危害。从当前我国沿海地区如福建等省份的风涝灾害事后统计来看，配电网杆塔是台风灾害的高致灾对象。据我国沿海地区各省市的杆塔跳闸数据表明，台风灾害引起的杆塔故障已占到跳闸总数的30％以上，严重影响了电网，尤其是配电网的安全稳定运行。

电网灾害历史数据包括电网内部数据以及外部气象数据等，同时具有时空属性、多维、多尺度、不确定、周期性强、属性相关度高等特点，仅用传统方法对气象环境数据进行分析和处理会遇到不少困难。神经网络在模式识别、优化计算、非线性映射中表现出极高的优越性。台风路径存在一定的规律性，具有大数据的特征，同时配电网杆塔高压跳闸预警也是一个模式识别分类问题，所以台风环境下的电网故障预警十分适用于神经网络模型。BP神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络，是目前应用最广泛的神经网络。但现有预测方法误差较大、数据处理复杂。

发明内容

本发明的目的在于提供一种基于BP神经网络的台风灾害配电网杆塔故障预测方法及系统，解决了现有预测方法误差较大、数据处理复杂的问题。

实现本发明目的的技术解决方案为：一种台风灾害配电网杆塔故障预测方法，包括如下步骤：

将实时采集的气象站数据输入训练完成的基于BP神经网络的配电网杆塔故障预测模型，得到神经网络的输出结果，预测杆塔是否会发生跳闸故障；

所述基于BP神经网络的配电网杆塔故障预测模型的训练样本包括：从新的故障样本集和非故障样本集中选取的部分故障和非故障样本；

所述新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的；

所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的。

进一步的，从台风相关历史数据中提取发生故障和未发生故障杆塔处的台风特征信息，形成原始故障样本集和原始非故障样本集；

各杆塔处的台风特征信息包括：各杆塔承受的极大风速X1，各杆塔极大风速发生时风向与杆塔所在线路走向夹角极大值X2，各杆塔两分钟平均风速X3，各杆塔风向与线路两分钟平均夹角X4，各杆塔降雨量X5。

进一步的，台风相关历史数据包括配电网杆塔以及气象站经纬度信息、杆塔处的气象参数、受台风影响时间段内的气象站的气象信息以及故障信息；气象信息包括风速、风向、降雨量；故障信息包括台风影响下发生的杆塔故障信息；

采用离杆塔最近的三个气象站的数据加权计算杆塔处的气象参数，不同气象站数据权重的计算方法为：