[发明专利]一种基于贝叶斯神经网络的天气相关故障预测方法

说明书

本发明公开了一种基于贝叶斯神经网络的天气相关故障预测方法，包括，通过气象站收集天气数据，并收集相应的故障计数记录；基于贝叶斯神经网络构建初始天气相关故障预测模型；从天气数据中提取五个天气特征，并根据故障计数记录将天气故障计数分为三个故障风险等级，利用Pearson相关系数计算五个天气特征与三个故障风险等级之间的相关性；训练初始天气相关故障预测模型，获得天气相关故障预测模型，通过天气相关故障预测模型预测天气相关故障；本发明基于贝叶斯网络构建预测模型，针对于不平衡的数据集其预测结果的可靠性较高，并且能够适应小数据集；同时该模型具有估计预测不确定性的能力，能够实时获取最大天气相关风险。

技术领域

本发明涉及的技术领域，尤其涉及一种基于贝叶斯神经网络的天气相关故障预测方法。

背景技术

在不利的天气条件下，分布系统的可靠性经常受到挑战，与天气相关的故障发生的可能性很大；预测配电系统中与天气相关的故障数量，可为操作和维护提供指导信息，提高公用事业公司的风险管理能力。

为了预测与天气相关的故障数量，现已建有许多不同的模型。线性回归模型和指数回归模型分别用于模拟闪电和风的影响。所有这些统计模型都基于某些数据假设。在实际分析中，共分量数据可能不能满足相应的假设，这将削弱所用统计模型的效果。

虽然机器学习的预测的准确率较高，但预测技术仍有进一步发展的潜力。数据特征对预测模型的稳健性提出了重大挑战，大多数样品属于一个类，即零故障，零故障样本导致机器学习模型很容易导致过度拟合，从而导致预测性能下降。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有存在的问题，提出了本发明。

因此，本发明提供了一种贝叶斯神经网络的天气相关故障预测方法，能够使决策者知道可能的最大天气相关风险，有助于调整操作和维护决策过程。

为解决上述技术问题，本发明提供如下技术方案：包括，通过气象站收集天气数据，并通过公用事业公司收集相应的故障计数记录；基于贝叶斯神经网络构建初始天气相关故障预测模型；从所述天气数据中提取五个天气特征，并根据故障计数记录将天气故障计数分为三个故障风险等级，利用Pearson相关系数计算所述五个天气特征与三个故障风险等级之间的相关性；结合所述相关性和信息论准则训练初始天气相关故障预测模型，获得天气相关故障预测模型，通过天气相关故障预测模型预测天气相关故障。

作为本发明所述的基于贝叶斯神经网络的天气相关故障预测方法的一种优选方案，其中：所述故障计数记录包括故障位置、故障类型。

作为本发明所述的基于贝叶斯神经网络的天气相关故障预测方法的一种优选方案，其中：所述五个天气特征包括每周平均风速、每周最大风速、每周平均降雨量、每周最大降雨量和一周内的闪电天数。

作为本发明所述的基于贝叶斯神经网络的天气相关故障预测方法的一种优选方案，其中：所述初始天气相关故障预测模型包括，

其中，x_i为样本x在第i个属性上的取值，d为神经元数目，c为样本类别。

作为本发明所述的基于贝叶斯神经网络的天气相关故障预测方法的一种优选方案，其中：所述相关性包括，

其中，X为所述五种个天气特征，Y为所述三个故障风险等级，ρ为相关系数。

作为本发明所述的基于贝叶斯神经网络的天气相关故障预测方法的一种优选方案，其中：还包括，基于信息论准则定义评分函数s(B|D)：