[发明专利]一种基于恶劣天气跳闸事故的电网故障预测方法及系统

说明书

本公开提供了一种基于恶劣天气跳闸事故的电网故障预测方法及系统，采用K‑means聚类算法的思想对与跳闸事故相关的恶劣天气数据进行挖掘，并采用离散化采样方法平衡各特征区间内的样本因子数据权重，将分布不均匀的数据集变成均匀的数据集，减少了数据的计算规模，提高了模型的泛化能力；然后通过构建的BP神经网络模型对天气数据进行判断和预测，提高了针对恶劣天气数据引发跳闸事故预测的效率和准确度，从而在电网抗灾抢险中由被动接受风险，改为主动防御，缩短预警到启动响应时间，保障了电网运行的稳定性。

技术领域

本公开属于电力系统安全预测技术领域，尤其涉及一种基于恶劣天气跳闸事故的电网故障预测方法及系统。

背景技术

本部分的陈述仅仅是提供了与本公开相关的背景技术信息，不必然构成在先技术。

恶劣天气一直是造成电力系统运行故障的重要因素之一，所引起的电网负荷急剧波动及线路跳闸对设备安全运行及人身安全造成严重威胁。一旦发生恶劣天气线路跳闸后，值班调度员一方面需要进行事故处理，及时准确隔离故障点恢复停电区域供电，同时向省调、公司领导及各部门汇报整个地区电网跳闸信息、电网负荷损失情况、异常处理情况；另一方面还需要按照模板要求报送恶劣天气跳闸信息统计表，恶劣天气频发的时间段，造成的跳闸线路越多，恶劣天气跳闸统计合格率越低，无法及时有效保障配电网的正常运行。

虽然在恶劣天气到来之前，气象部门会对其做出一定的预报，但却很难及时对恶劣天气导致的线路故障提前进行有效预测与严重性评估。通过对2015-2020恶劣天气发生的频次及天气预报准确预报的情况进行统计发现，准确率在30％左右，因此，靠天气预报来应对恶劣天气发生的跳闸情况是远远不够的。当前应对恶劣天气的预警机制，主要依赖天气预报发布的各区域的天气信息，不能对恶劣天气造成的电网故障进行准确高效的预测，不能形成电网领域有针对性的安全预警机制。

发明内容

为克服上述现有技术的不足，本公开提供了一种基于恶劣天气跳闸事故的电网故障预测方法及系统，首先采用聚类算法的思想剔除与跳闸事故无关的数据，提高数据之间的相关性，然后基于离散化采样方法将非均匀样本数据集转变为均匀数据集，减少了数据的计算规模，提高了模型拟合性能与泛化能力；最后利用BP神经网络对恶劣天气引发跳闸事故的概率进行预测，提高了的效率和准确度。

为实现上述目的，本公开的一个或多个实施例提供了一种基于恶劣天气跳闸事故的电网故障预测方法：

一种基于恶劣天气跳闸事故的电网故障预测方法，包括：

获取历史恶劣天气与跳闸事故的数据；

采用聚类算法模型和离散化采样方法对获取的数据进行预处理，得到训练样本；

构建跳闸事故预测模型，并利用训练样本对模型进行训练，得到训练好的跳闸事故预测模型；

将待预测的天气数据输入训练好的跳闸事故预测模型，得到预测结果。

进一步地，所述历史恶劣天气与跳闸事故的数据包括：发生恶劣天气时对应的温度、暴雨、大风、雷击、冰雹、霜冻信息，以及该天气是否发生跳闸事故。

进一步地，所述预处理包括：采用聚类算法对历史恶劣天气与跳闸事故的数据进行相关性判定并剔除非相关数据，得到初始样本数据。

进一步地，所述对历史恶劣天气与跳闸事故的数据进行相关性判定并剔除非相关数据，具体为：先通过K-means聚类算法将分散的数据聚成k类，利用轮廓稀疏确定最佳k值，再分别计算每类的数据离群因子，将离群因子过大的数据判定为非相关并剔除。

进一步地，采用数据点离群因子描述元素的离群点程度，将数据点离群因子值大于2的点判定为离群点，将其判定为非相关数据并剔除。

进一步地，所述预处理还包括：采用离散化采样方法将初始样本数据转变为均匀数据集。