一种综合考虑主客观影响因素的配电线路故障率预测方法与流程

1.本发明涉及配电线路故障率预测技术领域，具体地说，涉及一种综合考虑主客观影响因素的配电线路故障率预测方法。


背景技术：

2.配电线路承担着电能的传输和分配等功能，一旦发生故障将造成严重的损失。配电线路的正常运行不仅与其自身特性相关，还和外界影响因素密不可分。故障率是进行可靠性评估的重要指标，因此，有必要预测配电线路的故障率，分析影响配电线路故障率分布的影响因素，为制定检修计划提供理论支持。
3.传统概率论中的方差、期望等数字特征可以很好地反映配电线路故障发生的随机性，但是无法反映模糊性；模糊理论通过隶属函数精确刻画模糊对象的亦此亦比现象，把随机性和模糊性分开研究。但是随机性和模糊性有很强的关联性，而云理论是一种处理定性概念随机性和模糊性的综合有效的方法，而且在数据的挖掘和预测等方面有较多的可取之处。


技术实现要素：

4.本发明提出了一种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法。该方法首先建立各种主客观影响因素的量化指标，进一步建立计及各种主客观影响因素的三维关联云模型和配电线路的一维故障云模型。其次，搭建配电线路故障的三条件单规则语言预测规则。最后建立配电线路的故障率预测模型。
5.本发明提出的这种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法，包括以下步骤：
6.s1.建立各影响因素的量化指标，建立计及天气条件、生物主观因素与实际役龄的三维关联云模型和配电线路的一维故障云模型；
7.s2.搭建三条件单规则的语言预测规则，挖掘天气条件、生物主观因素、实际等效役龄和配电线路故障率之间的不确定推理规则；
8.s3.基于步骤s1和步骤s2，建立配电线路的故障率预测模型。
9.在步骤s1中，需要对各种主客观影响因素进行量化：
10.1)针对各种天气因素建立统一评价模型。首先将各天气参数进行规格化以消除不同量纲、不同数量级的影响，然后计算各天气参数与配电线路故障率的pearson相关系数，来描述各天气参数与故障率的关联程度。
[0011][0012]
式中，i为历史样本的组数，共n组；j为天气因素的个数，可根据实际问题和地理气候条件进行确定；x
ij
为第i组样本数据中第j个天气因素的参数；x
′
ij
为x
ij
规格化之后的数值，xi′j∈[0,1]。
[0013][0014]
式中，x
′i为第i组统计样本中相应天气因素规格化之后的值；yi为第i组样本所对应的故障率。
[0015]
在获得各天气参数与故障率之间的相关系数后，利用t分布检验法对与r对应的总体相关系数ρ进行假设检验。原假设h0：ρ＝0；备择假设h1：ρ≠0。t分布检验法的统计量为
[0016][0017]
同时，为了降低人为主观盲目性，引入假设检验p值分配权重求取天气影响因子：
[0018][0019]
式中，t表示检验统计量；tc表示根据统计数据计算得到的检验统计量。
[0020]
定义天气影响因素的重要度为τ＝1-p，各天气因素对设备故障率的“贡献”权重为：
[0021]
则天气的综合状况可以用下式表示：
[0022]
θ＝∑γjx
′j[0023]
2)针对各种人为、小动物等生物主观因素的影响建立统一评价模型。工作人员业务不熟练、误操作、场外施工对配电线路造成破坏、小动物活动等主观因素都可能会造成配电线路故障。本发明采用专家打分法对各种生物主观因素进行量化。
[0024]
影响程度很小较轻一般中等严重分值[0,0.2](0.2,0.4](0.4,0.6](0.6,0.8][0.8,1]
[0025]
3)针对服役年限和检修情况建立统一评价模型。通常采用役龄来表示配电线路的服役年限，不同服役年限的配电线路显然不同，役龄更大的配电线路显然更容易发生故障。但是所提到的役龄通常指的是设备实际服役的年限，即名义役龄。
[0026]
实际上，工作人员对配电线路进行检修会在一定程度上改善其性能，也就是说，维修后设备的故障率要低于维修前。如果考虑检修的影响，配电线路的实际等效役龄显然不会大于名义役龄。另外，随着维修次数的不断增加，每次检修对配电线路性能的提升效果也会不断降低。因此，本发明引入役龄回退因子来综合服役年限和检修情况的影响。
[0027][0028]
其中，γi为配电线路的维修因子；αi为第i次维修的役龄回退因子；δi为第 i次维修的损耗因子，表示维修次数和性能提升程度的关系；αc为初始回退因子，当设备大修时αc＝0.5，小修时αc＝0.3。则配电线路的实际等效役龄可表示为
[0029]
t
eq
＝t
acture
γ
[0030]
式中，t
eq
为实际等效役龄；t
acture
为名义役龄。
[0031]
4)建立三维关联云模型和配电线路的一维故障云模型。由于本发明所采用的云模型理论不再强调精确的函数表征，而是采用3个数字特征来表示概念的整体不确定性，因此本发明根据逆向云发生器生成反映天气条件、生物主观因素、实际等效役龄这3个定性概念随机模糊特征的云：
[0032]
a)据样本点xi计算数据样本的均值则期望值
[0033]
b)将的点剔除，剩余m个云滴。
[0034]
c)计算剩余每个云滴的偏离值
[0035]
d)计算熵
[0036]
e)计算超熵
[0037]
由此生成三维因素关联云模型c1(e
xa
,e
xb
,e
nc
,e
na
,e
nb
,e
nc
,h
ea
,h
eb
,h
ec
)，用来表征天气条件、生物主观因素、实际等效役龄这3个影响因素的定性概念；同时生成一维故障云模型c2(e
xd
,e
nd
,h
ed
)，用来表征配电线路故障率的定性概念。
[0038]
在步骤s2中，根据s1中本发明对各种主客观影响因素的评价与量化，本发明搭建了配电线路故障率的云语言预测规则：若天气越恶劣、生物主观影响越大、实际等效役龄越大，则配电线路的故障率越高。
[0039]
在步骤s3中，基于步骤s1中对各种主客观影响因素的量化和步骤s2中搭建的云语言预测规则，建立配电线路的故障率预测模型如图2所示，具体步骤为：
[0040]
a)基于逆向云生成算法生成的表示影响故障率因素的三维关联云模型 c1(e
xa
,e
xb
,e
nc
,e
na
,e
nb
,e
nc
,h
ea
,h
eb
,h
ec
)以及一维故障率趋势云模型 c2(e
xd
,e
nd
,h
ed
)。
[0041]
b)输入(x1,x2,x3)，根据三维云模型的隶属度函数表达式求取设备在该三维状态下的隶属度u：
[0042][0043]
c)在已知隶属度u的情况下，根据一维云模型的隶属度函数反求出该隶属度下的故障率y：
[0044][0045]
综上所述，本发明提供一种综合考虑天气条件、生物主观因素、检修情况、服役年
限等方面的配电线路故障率预测方法。该方法能够对各种主客观影响因素影响下的配电线路的故障率进行挖掘预测，有利于提升配电线路的运检效率，提高相关企业的精细化管理水平。
附图说明
[0046]
为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，根据这些附图获得其他的附图仍属于本发明的范畴。
[0047]
图1为本发明公开的一种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法的流程图。
[0048]
图2为本发明所建立的配电线路故障率预测模型图。
具体实施方式
[0049]
为使本发明的目的、技术方案和优点更加清楚、明确，下面结合附图并举实施例对本发明作进一步详细描述。
[0050]
实施例：
[0051]
如图1所示，一种综合考虑天气条件、生物主观因素、检修情况、服役年限等方面的配电线路故障率预测方法，包括以下步骤：
[0052]
s1.建立各影响因素的量化指标，建立计及天气条件、生物主观因素与实际役龄的三维关联云模型和配电线路的一维故障云模型；
[0053]
s2.搭建三条件单规则的语言预测规则，挖掘天气条件、生物主观因素、实际等效役龄和配电线路故障率之间的不确定推理规则；
[0054]
s3.基于步骤s1和步骤s2，建立配电线路的故障率预测模型。
[0055]
具体实施时，步骤s1中：
[0056]
针对辽宁某地电网10kv架空配电线路的故障数据和收集到的相关统计数据。求得三种主客观影响因素的量化值；
[0057]
1)首先将各天气参数进行规格化以消除不同量纲、不同数量级的影响，然后计算各天气参数与配电线路故障率的pearson相关系数，来描述各天气参数与故障率的关联程度。具体计算公式如下。
[0058][0059][0060]
在获得各天气参数与故障率之间的相关系数后，利用t分布检验法对与r对应的总体相关系数ρ进行假设检验。原假设h0：ρ＝0；备择假设h1：ρ≠0。t分布检验法的统计量为
[0061]
[0062]
同时，为了降低人为主观盲目性，引入假设检验p值分配权重求取天气影响因子：
[0063][0064]
式中，t表示检验统计量；tc表示根据统计数据计算得到的检验统计量。
[0065]
定义天气影响因素的重要度为τ＝1-p，各天气因素对设备故障率的“贡献”权重为：
[0066]
则天气的综合状况可以用下式表示：
[0067]
θ＝∑γjx
′j[0068]
2)针对各种人为、小动物等生物主观因素的影响建立统一评价模型。采用专家打分法，按照下表所示的打分标准对各种生物主观因素进行量化。
[0069]
影响程度很小较轻一般中等严重分值[0,0.2](0.2,0.4](0.4,0.6](0.6,0.8][0.8,1]
[0070]
3)通过引入役龄回退因子来综合服役年限和检修情况的影响，配电线路的实际等效役龄按下式计算。
[0071][0072]
其中，γi为配电线路的维修因子；αi为第i次维修的役龄回退因子；δi为第 i次维修的损耗因子，表示维修次数和性能提升程度的关系；αc为初始回退因子，当设备大修时αc＝0.5，小修时αc＝0.3。则配电线路的实际等效役龄可表示为
[0073]
t
eq
＝t
acture
γ
[0074]
式中，t
eq
为实际等效役龄；t
acture
为名义役龄。
[0075]
本实施例根据历史统计数据，计算得到天气条件、生物主观因素、实际等效役龄和故障率的量化指标如下表所示。
[0076][0077]
4)建立三维关联云模型和配电线路的一维故障云模型。由于本发明所采用的云模型理论不再强调精确的函数表征，而是采用3个数字特征来表示概念的整体不确定性，因此本发明根据逆向云发生器生成反映天气条件、生物主观因素、实际等效役龄这3个定性概念随机模糊特征的云：
[0078]
a)据样本点xi计算数据样本的均值则期望值
[0079]
b)将的点剔除，剩余m个云滴。
[0080]
c)计算剩余每个云滴的偏离值
[0081]
d)计算熵
[0082]
e)计算超熵
[0083]
c1(0.275,0.255,12.44,0.0677,0.094,2.0404,0.0227,0.0159,0.479)是通过上述步骤生成的三维关联云模型，用来表征天气条件、生物主观因素、实际等效役龄这3个影响因素的定性概念；同时生成一维故障云模型c2(0.1756,0.0777,0.0297)，用来表征配电线路故障率的定性概念。
[0084]
在步骤s2中，根据s1中本发明对各种主客观影响因素的评价与量化，本发明搭建
了配电线路故障率的云语言预测规则：若天气越恶劣、生物主观影响越大、实际等效役龄越大，则配电线路的故障率越高。
[0085]
在步骤s3中，基于步骤s1中对各种主客观影响因素的量化和步骤s2中搭建的云语言预测规则，建立配电线路的故障率预测模型如下所示。
[0086]
a)基于逆向云生成算法生成的表示影响故障率因素的三维关联云模型 c1(e
xa
,e
xb
,e
na
,e
nb
,h
ea
,h
eb
,e
nc
,h
ec
,h
ec
)以及一维故障率趋势云模型 c2(e
xd
,e
nd
,h
ed
)。
[0087]
b)输入(x1,x2,x3)，根据三维云模型的隶属度函数表达式求取设备在该三维状态下的隶属度u：
[0088][0089]
c)在已知隶属度u的情况下，根据一维云模型的隶属度函数反求出该隶属度下的故障率y：
[0090][0091]
本发明通过编写matlab程序对配电线路的故障率进行预测。已知该地配电网其中一条线路当年的天气情况评分为0.27，生物主观因素评分为0.25，实际等效役龄为14.5，将上述3个参数输入三维正向云发生器，得到该状态下的隶属度为0.818，把该隶属度输入到一维故障正向云发生器中，得到对应的故障率为0.1834次/(年
·
100km)。
[0092]
由于本发明的故障率预测模型是基于云推理模型建立的，而云推理将随机性和模糊性很好的结合在一起，每一次预测过程都具有不确定性，表现为三维关联云与一维故障云具有模糊对应关系。为了获得更准确的故障率预测值，取 100次预测结果的均值0.1852次/(年
·
100km)作为该配电线路当年故障率的预测值。