[发明专利]一种基于多维云模型的输电线路故障率综合预测方法

摘要

本发明涉及一种基于多维云模型的输电线路故障率综合预测方法。根据雷电、覆冰、污闪等极端外部环境下输电线路故障率的历年统计数据，用大数据挖掘技术挖掘雷电、覆冰、污闪等外部环境的关联关系，并利用Cholesky分解过程得到不相关联的各种外部环境下输电线路故障率的统计数据。利用一种多维反向云发生器的生成算法，得到了各种极端外部环境因子历年统计数据的多维云评估模型，以及输电线路故障率的一维云模型，从而建立基于多维云模型的输电线路故障率综合评估模型，本发明考虑了多种外部环境下输电线路的故障率模型，而且可以定量预测输电线路的故障率，预测准确度高，计算方便，能够很好地应用于大电网输电线路的故障率预测。

主权项

一种基于多维云模型的输电线路故障率综合预测方法，其特征在于，包括故障率模型的建立和故障率预测方法两个步骤，其中，所述故障率模型的建立包括：步骤1、搜集雷电、覆冰、污闪等极端外部环境下输电线路故障率的历年统计数据，在历年统计数据中，输电线路的故障率数组用Z表示，雷电、覆冰、污闪等外部环境因子分别用数组X1,X2,X3,…,Xm表示；步骤2、对历年的统计数据进行标准化处理，并对雷电、覆冰、污闪等外部环境因子进行量化处理，具体是：预警系统数据中，将雷电、覆冰和污闪的等级分为1级、2级、黄色、橙色和红色5级；将雷电数据X1i、覆冰数据X2i、污闪数据X3i等进行等级划分，并进行打分，得到x1i,x2i,…,xmi；步骤3、利用大数据挖掘技术挖掘历史统计数据下，雷电、覆冰、污闪等各种极端外部环境的关联度R，具体方法是：气象预警系统和覆冰预测系统中外部环境数的据是历年的，具有大数据特征，可以对量化后的历年雷电、覆冰及污闪的日统计数据进行深度挖掘，计算出外部影响因子相互之间的协方差cov(xi,xj)(i,j＝1,2,…,n)，并按照公式计算出关联度矩阵R；步骤4、根据步骤2得到的各种极端外部因子的历年统计数据以及步骤3得到的各种极端外部环境的关联度R，利用Cholesky分解得到不相关联的各种外部环境下输电线路故障率的历年统计数据，具体方法如下：步骤4.1，根据Cholesky分解，将R分解成一个下三角矩阵L和LT的乘积，即R＝L·LT；步骤4.2，将随机变量X＝[x1i,x2i,…,xmi]转化成一个不相关的序列W＝[x′1i,x′2i,…,x′mi]，即W＝D·X，正交矩阵D＝L‑1；步骤5、利用一种多维反向云发生器的生成算法，得到各种极端外部环境因子历年统计数据的多维云评估模型的数字特征参数，以及输电线路故障率的一维云模型的数字特征参数，具体包括：步骤5.1、根据不相关的序列W中前k年内雷电、覆冰、污闪等各种极端外部环境下的历年统计数据x′1,x′2,…,x′m，以及m维正态云的隶属度公式对已知历年统计数据的云滴进行拟合，得到雷电、覆冰、污闪等各种极端外部环境因子的正态分布云的期望j＝1,…,m步骤5.2、将历年统计数据的云滴中μi≥1的点踢出，剩下z个云滴；步骤5.3、根据公式j＝1,…,m求出每个云滴的偏离度，再根据求出熵；步骤5.4、根据公式求出超熵；步骤5.5、根据步骤5.1至步骤5.4，利用m维不相关的序列W中前k年内雷电、覆冰、污闪等各种极端外部环境下的历年统计数据x′1,x′2,…,x′m的云滴，可以得到一个m维云模型发生器的数字特征参数CA(Ex1,En1,He1,…,Exm,Enm,Hem)；步骤5.6、重复步骤5.1至步骤5.4，当输入为前k年内输电线路故障率的统计数据z时，利用多维反向云发生器生成算法(m＝1)，得到输电线路故障率的云模型数字特征参数CB(Ex,En,He)；步骤6、根据多维云评估模型的参数及正向云发生器，建立基于多维云模型的输电线路故障率综合评估模型；所述故障率预测方法具体方法是，根据预测的输电线路外部环境因子，对输电线路的故障率进行定量预测，具体包括：步骤7.1、根据预测得到的雷电、覆冰、污闪等各种极端外部环境因子的数据X＝[x10,x20,…,xm0]及正交矩阵D，得到不相关的外部环境因子序列W＝[x′10,x′20,…,x′m0]；步骤7.2、利用环境因子的正态云滴A，计算[x′10,x′20,…,x′m0]的隶属度μA；步骤7.3、按照输电线路故障率和外部影响因子一一对应即隶属度相等的原则，在输电线路故障率的正态云滴B上找出隶属度μA的点zB，并作为雷电、覆冰、污闪等各种极端外部环境下输电线路的故障率的预测值。