[发明专利]基于随机森林和多层架构聚类的配电网故障预测方法

说明书

本发明公开了一种基于随机森林和多层架构聚类的配电网故障预测方法，涉及电力系统及其自动化技术领域，获取配电网数据构建数据集，采用随机森林方法对数据集进行配电网故障特征选取，采用多层架构聚类模型对配电网故障特征进行类聚，并对类聚后的配网故障特征采用改进灰色关联分析法确定预测模型的输入样本，采用极限学习机构建预测模型；将输入样本通过所述预测模型进行配电网故障预测。通过随机森林和多层架构聚类的配电网故障预测方法解决了现有的故障处理模式仍然还是依靠配电自动化或者日常巡检来把控，可以通过随机森林和多层架构聚类的配电网故障预测方法来进行预测，实现提前进行故障处理，提高配电网供电可靠性与安全性。

技术领域

本发明属于电力系统及其自动化技术领域，尤其涉及一种基于随机森林和多层架构聚类的配电网故障预测方法。

背景技术

配电网是一个结构和运行方式复杂的动态系统，而线路故障原因更是多种多样，预防故障发生、以及故障后快速定位是提升配电网安全运行水平、提高供电可靠性的重要手段。据统计，接近一半的故障是可以预警的，准确把握配电网故障源特征分析，找出故障信号与故障的原因之间的关联关系，发现故障早期运行风险特征演化规律，及时提出预警与预防措施，是开展差异化运维、降低故障率的有效手段。多地配电网存在配电设备多、装备水平低、运维人员素质不高、运维手段相对落后、信息化和智能化水平较低等问题；同时，受网架多样化、电源多元化、用户需求多样、运行环境多变等因素影响，配电网的运行控制变得复杂。配电网状态感知与诊断离不开现场量测数据，但海量数据价值密度低、信息采集点欠完备，导致配电网的状态评估、异常与故障分析难度增大，现有的故障处理模式仍然还是依靠配电自动化或者日常巡检来把控，故障风险分析的不足可能导致关联性故障的发生，严重影响了配电网供电可靠性与安全性。

配电网中负荷分散，线路长，设备多，尤其在一些边远地区，由于运行维护条件较差，保护措施较少，在配电网设备运行过程中要经受狂风、暴雨、雷电、大雪等各种恶劣的自然灾害因素影响，同时还要经受各种因为用户故障、配网设备老化等因素引起的配电网故障。当配电网中的保护设备安装不当，参数整定不合理时容易出现保护设备误动作，拒动，严重时可能出现设备损坏，越级跳闸等事故发生。设备温升过高、绝缘下降、甚至设备烧损，主要原因是变压器长期三相不平衡偏相运行，或者设备容量选型偏小。当配电网中过电压达到一定程度时，会造成瓷瓶损坏，绝缘击穿损坏设备。绝缘子老化后会产生裂纹折断，出现接地和短路事故。预防性试验未按周期安排，或者在配电网设备运行过程中维护不及时，留下隐患造成设备故障发生。

随机森林是一种并行的集成学习模型，使用决策树为基础分类器，通过bootstrap重采样技术从原始数据集中随机地抽取K个bootstrap数据集，然后分别训练K个决策树来构成随机森林分类器，最后通过少数服从多数的投票方式进行分类决策。由于训练决策树分类器时遵循了样本随机和特征随机的规则，随机森林算法有泛化能力强、不易过拟合、模型简单和分类效果好等特点，被广泛应用于分类、预测和特征选择等问题中。对随机森林的研究也有很多集中到实际的应用方面，比如空间特征识别、网络完全检测、信息抽取、生物芯片等，都取得了非常好的结果。国内现在关注的重点集中在一些领域的应用上，对理论的探讨还比较少。模糊c均值聚类融合了模糊理论的精髓。相较于k-means的硬聚类，模糊c提供了更加灵活的聚类结果。因为大部分情况下，数据集中的对象不能划分成为明显分离的簇，指派一个对象到一个特定的簇有些生硬，也可能会出错。故，对每个对象和每个簇赋予一个权值，指明对象属于该簇的程度。当然，基于概率的方法也可以给出这样的权值，但是有时候我们很难确定一个合适的统计模型，因此使用具有自然地、非概率特性的模糊c均值就是一个比较好的选择。

随着配电网自动化系统的不断革新以及配网系统中智能终端技术和通信技术的不断提高，系统信息会逐渐的向多元化，高效化发展，我们可通过对这些多源数据信息进行融合和分析，更能有效地排查故障原因。因而，在配电网故障预测的过程中，需考虑多种影响因素对配电网不同故障类型的共同作用，同时根据配电网信息系统数据可获取性原则选择配电网故障类型相关程度高的影响因素形成输入样本，优化预测模型输入，实现配电网故障预测同时提高预测准确性。

发明内容