一種基于氣象影響因素的配網故障風險評估方法
【專利摘要】本發明公開了一種基于氣象影響因素的配網故障風險評估方法，其特征在于，包括如下步驟：1）歷史氣象數據抽取及特征化；2）利用Canopy算法計算得到歷史氣象數據的初始中心點；3）利用K-Means算法計算得到氣象簇；4）抽取電網故障數據并與氣象數據關聯；5）將電網故障數據與氣象簇進行關聯映射；6）計算得出各個氣象簇的故障氣象熵；7）根據電網區域的天氣預報數據，與氣象簇進行關聯，并根據對應氣象簇的故障氣象熵得到其故障風險評估等級。本發明旨在建立配網故障與氣象各因素之間的關聯關系并進行量化，進而利用天氣預報對配網故障進行風險評估和預警。
【專利說明】-種基于氣象影響因素的配網故障風險評估方法

【技術領域】
[0001] 本發明涉及一種基于氣象影響因素的配網故障風險評估方法，屬于電力系統的電 網故障分析領域。

【背景技術】
[0002] 配網作為電網向用戶供電的最終環節，直接影響著社會正常生產生活秩序。由于 地域分散、線路分支多、新舊設備混雜等因素，配網故障數量較高，約占整個電網故障數量 的70%左右。配網故障的成因很多，如外力破壞、樹線矛盾、惡劣天氣、設備老化等。其中外 力破壞具有偶然性，一般難以預測；而其他類型故障往往與天氣有關，是由氣象因素直接或 間接造成的。目前，福建、江蘇等多個網省電力公司都建立了電網氣象監測預警系統，然而 這些系統往往只在臺風、冰雹、颶風等強對流氣象下對所涉及的電網區域進行預警，并未將 電網故障與常規的溫度、濕度、風速和雨量等氣象因素進行量化關聯分析和預警提示。
[0003] 因此，找出配網故障與氣象各因素之間的關聯關系并進行量化，進而利用天氣預 報對配網故障進行風險評估和預警具有重要的意義。


【發明內容】

[0004] 本發明所要解決的是克服現有配網故障缺乏有效風險評估與預警手段的問題，提 供一種基于氣象影響因素的配網故障風險評估方法。
[0005] 為解決上述技術問題，本發明提供一種基于氣象影響因素的配網故障風險評估方 法，其特征在于，包括以下步驟： 步驟一：歷史氣象數據抽取及特征化； 步驟二：利用Canopy算法計算得到歷史氣象數據的初始中心點； 步驟三：利用K-Means算法計算得到氣象簇； 步驟四：抽取電網故障數據并與氣象數據關聯； 步驟五：將電網故障數據與氣象簇進行關聯映射； 步驟六：計算得出各個氣象簇的故障氣象熵； 步驟七：根據電網區域的天氣預報數據，與氣象簇進行關聯，并根據對應氣象簇的故障 氣象熵得到其故障風險評估等級； 前述的基于氣象影響因素的配網故障風險評估方法，其特征在于，所述步驟1包括： 步驟la:從氣象信息系統中獲取全省各自動氣象站歷史氣象數據，取1-2年的數據，氣 象數據至少包括溫度、濕度、雨量和風速因素； 步驟lb:將所有氣象數據轉換為特征值數據，直接使用數據值作為特征值，并根據數 據重要程度設置權重系數，默認值均為1。
[0006] 前述的基于氣象影響因素的配網故障風險評估方法，其特征在于，所述步驟2具 體為：取歷史氣象數據的溫度、濕度、風速和雨量四個維度的值，利用Canopy聚類算法確定 所有氣象特征值初始中心點，對于Canopy算法的距離值參數tl和t2,初始設定為tl=30， t2=15〇
[0007] 前述的基于氣象影響因素的配網故障風險評估方法，其特征在于，所述步驟3具 體為：在步驟2得到氣象特征值初始中心點的基礎上，通過k-means聚類算法生成氣象簇， 并得到所有氣象簇的中心坐標值；k-means最大迭代次數默認為20。
[0008] 前述的基于氣象影響因素的配網故障風險評估方法，其特征在于，所述步驟4具 體為：從電網故障輔助分析系統中獲取全省電網故障數據并與氣象數據進行關聯，首先根 據故障原因將與氣象無關的故障排除，然后對于每一條故障根據故障的發生時間和地理坐 標到氣象歷史數據庫中進行匹配，獲取故障發生時的天氣情況。
[0009] 前述的基于氣象影響因素的配網故障風險評估方法，其特征在于，所述步驟5具 體為：利用步驟4中得到的電網故障氣象數據與步驟3中計算得到的氣象簇進行映射關聯， 計算故障氣象數據與各氣象簇中心點的歐式距離，并將故障與距離最小的氣象簇中心點進 行關聯。
[0010] 前述的基于氣象影響因素的配網故障風險評估方法，其特征在于，所述步驟6具 體為：在步驟5的基礎上，對于每個氣象簇計算其對應的故障氣象熵，故障氣象熵是一種用 于量化故障氣象統計相對率的指標，其計算公式為：故障氣象熵=(氣象簇所關聯的故障 數量/總故障數量）/(氣象簇包含的氣象數量/總氣象數量）。
[0011] 前述的基于氣象影響因素的配網故障風險評估方法，其特征在于，所述步驟7包 括： 步驟7a:從格點天氣預報中獲取各電網區域的天氣預報值計算該值與各氣象簇中心 點的歐式距離，取歐式距離最小的中心點，所述中心點所在氣象簇即為該格點區域所屬的 氣象簇； 步驟7b :根據格點區域所屬的氣象簇的故障氣象熵給出該預報值對應的故障風險評 估等級，故障風險評估等級根據故障氣象熵規范化得到，取值區間為[0, 3]，各整數區間分 別表示安全、黃色預警、橙色預警和紅色預警。
[0012] 前述的基于氣象影響因素的配網故障風險評估方法，其特征在于，還包括以下步 驟：進行氣象要素因素增刪和權重的調整，氣象簇參數的變更，氣象簇及故障氣象熵的滾動 更新計算，以實現對整個模型進行優化與完善。
[0013] 本發明的有益效果是，在配網故障與氣象歷史數據的基礎上，建立配網故障與氣 象各因素之間的關聯模型并進行量化，進而利用天氣預報對配網故障進行風險評估和預 警，為配網調度、巡檢和搶修提供輔助決策支持。

【專利附圖】

【附圖說明】
[0014] 附圖1是本發明所述的一種基于氣象影響因素的配網故障風險評估方法總體流 程。

【具體實施方式】
[0015] 下面將結合附圖對本發明做更詳細的說明。
[0016] 參照圖1所示，一種基于氣象影響因素的配網故障風險評估方法，其特征在于， 利用聚類分析技術建立氣象簇，并用故障氣象熵對配網故障與氣象簇之間的關聯度進行量 化，進而可以利用天氣預報對配網故障進行風險評估和預警。
[0017] 為了有效地運用本方法，至少應保證具備一年完整的配網故障數據和歷史氣象數 據。其中，配網故障數據應具備以下字段：故障發生時間、故障發生地點經緯度坐標、所屬變 電站、故障設備名稱、故障電壓等級、故障原因等；歷史氣象數據應具備以下字段：數據時 間、氣象站經緯度坐標、氣象站id、溫度、濕度、風速、雨量等。本方法包括以下七個步驟： 步驟一：歷史氣象數據抽取及特征化。從氣象信息系統中獲取全省各自動氣象站歷史 氣象數據，至少應包含溫度、濕度、風速和雨量四個字段。可以直接使用數據值作為特征值， 并根據數據重要程度設置權重系數，默認值均為1。在此過程中，應丟棄空值和異常值。由 于歷史氣象數據量較大，典型的自動氣象站10分鐘一條數據，一年一個氣象站數據量可達 52560,全省近1000各個氣象站一年數據量可達到5千多萬。為了減少后續步驟的計算量， 可以根據需要采用抽樣的方式來減少數據量。具體抽樣方法可以從時間和空間上進行數據 削減，如：增大數據時間間隔，或減掉一部分自動氣象站，或將前兩者結合起來使用。值得注 意的是應保證抽樣的典型性和均勻性，從而不造成數據特征有大的失真。
[0018] 步驟二：計算得到歷史氣象數據的初始中心點（以溫度、濕度、風速和雨量四個維 度的值來進行表征)。利用Canopy聚類算法確定所有氣象特征值初始中心點，Canopy算法 的距離值參數tl、t2需要結合特征值進行考慮。初始可以設定tl=30, t2=15,后期可以根 據實際效果調整參數值。
[0019] 步驟三：計算得到氣象簇（以溫度、濕度、風速和雨量四個維度的值來進行表征氣 象簇的中心點)。在步驟二得到氣象特征值初始中心點的基礎上，通過k-means聚類算法生 成氣象簇，并得到所有氣象簇的中心坐標值。k-means算法的距離測量方法默認為平方歐幾 里得距離測量方法，最大迭代次數默認為20,該參數可以在后期根據實驗效果進行適當調 整。
[0020] 步驟四：抽取電網故障數據并與氣象數據關聯。從電網故障輔助分析系統中獲取 全省電網故障數據，并與氣象數據進行關聯。首先根據故障原因將人為外力破壞等與氣象 無關的故障排除，接著對于每一條故障根據故障的發生時間和地理坐標到氣象歷史數據庫 中進行匹配，即：先根據故障發生地點找到距離最近的自動氣象站，再獲取該自動氣象站與 故障發生時間最為接近的一條氣象數據。
[0021] 步驟五：將電網故障數據與氣象簇關聯映射。利用步驟四中得到的電網故障氣象 數據與步驟三中計算得到的氣象簇進行映射關聯，具體做法是計算故障氣象數據與各氣象 簇中心點的歐式距離，并將故障與距離最小的氣象簇(中心點)進行關聯。經過該步驟，所有 的電網故障數據都被歸類劃分到各個氣象簇之中。
[0022] 步驟六：計算得出各個氣象簇的故障氣象熵。在步驟五的基礎上，對于每個氣象簇 計算其對應的故障氣象熵。故障氣象熵是一種用于量化故障氣象統計相對率的指標，其計 算公式為：故障氣象熵=(氣象簇所關聯的故障數量/總故障數量）/(氣象簇包含的 氣象數量/總氣象數量）。
[0023] 步驟七：根據電網區域的天氣預報數據，計算獲得其故障風險評估等級。首先，從 格點天氣預報中獲取各電網區域的天氣預報值，計算該值與各氣象簇中心的歐式距離，取 距離最小的中心點，從而得出其所屬的氣象簇。然后根據該氣象簇的故障氣象熵給出該預 報值對應的故障風險評估等級。故障風險評估等級可根據故障氣象熵規范化得到，建議取 值區間為[0, 3]，各整數區間分別表示安全、黃色預警、橙色預警和紅色預警。
[0024] 步驟八：模型的優化和完善。根據實際應用結果，對整個模型進行優化與完善，如 進行氣象要素因素增刪和權重的調整，氣象簇參數的變更，氣象簇及故障氣象熵的滾動更 新計算等。
[0025] 步驟二和步驟三運算時間較長，建議在基于Hadoop的大數據平臺上利用Mahout 組件來進行并行計算，以提高計算的效率。
[0026] 以上已以較佳實施例公開了本發明，然其并非用以限制本發明，凡采用等同替換 或者等效變換方式所獲得的技術方案，均落在本發明的保護范圍之內。
【權利要求】
1. 一種基于氣象影響因素的配網故障風險評估方法，其特征在于，包括以下步驟： 步驟一：歷史氣象數據抽取及特征化； 步驟二：利用Canopy算法計算得到歷史氣象數據的初始中心點； 步驟三：利用K-Means算法計算得到氣象簇； 步驟四：抽取電網故障數據并與氣象數據關聯； 步驟五：將電網故障數據與氣象簇進行關聯映射； 步驟六：計算得出各個氣象簇的故障氣象熵； 步驟七：根據電網區域的天氣預報數據，與氣象簇進行關聯，并根據對應氣象簇的故障 氣象熵得到其故障風險評估等級。
2. 根據權利要求1所述的基于氣象影響因素的配網故障風險評估方法，其特征在于， 所述步驟1包括： 步驟la:從氣象信息系統中獲取全省各自動氣象站歷史氣象數據，取1-2年的數據，氣 象數據至少包括溫度、濕度、雨量和風速因素； 步驟lb:將所有氣象數據轉換為特征值數據，直接使用數據值作為特征值，并根據數 據重要程度設置權重系數，默認值均為1。
3. 根據權利要求2所述的基于氣象影響因素的配網故障風險評估方法，其特征在于， 所述步驟2具體為：取歷史氣象數據的溫度、濕度、風速和雨量四個維度的值，利用Canopy 聚類算法確定所有氣象特征值初始中心點，對于Canopy算法的距離值參數11和t2，初始設 定為 tl=30, t2=15。
4. 根據權利要求3所述的基于氣象影響因素的配網故障風險評估方法，其特征在于， 所述步驟3具體為：在步驟2得到氣象特征值初始中心點的基礎上，通過k-means聚類算法 生成氣象簇，并得到所有氣象簇的中心坐標值；k-means最大迭代次數默認為20。
5. 根據權利要求4所述的基于氣象影響因素的配網故障風險評估方法，其特征在于， 所述步驟4具體為：從電網故障輔助分析系統中獲取全省電網故障數據并與氣象數據進行 關聯，首先根據故障原因將與氣象無關的故障排除，然后對于每一條故障根據故障的發生 時間和地理坐標到氣象歷史數據庫中進行匹配，獲取故障發生時的天氣情況。
6. 根據權利要求5所述的基于氣象影響因素的配網故障風險評估方法，其特征在于， 所述步驟5具體為：利用步驟4中得到的電網故障氣象數據與步驟3中計算得到的氣象簇 進行映射關聯，計算故障氣象數據與各氣象簇中心點的歐式距離，并將故障與距離最小的 氣象族進行關聯。
7. 根據權利要求6所述的基于氣象影響因素的配網故障風險評估方法，其特征在于， 所述步驟6具體為：在步驟5的基礎上，對于每個氣象簇計算其對應的故障氣象熵，故障氣 象熵是一種用于量化故障氣象統計相對率的指標，其計算公式為：故障氣象熵=(氣象簇 所關聯的故障數量/總故障數量）/(氣象簇包含的氣象數量/總氣象數量）。
8. 根據權利要求7所述的基于氣象影響因素的配網故障風險評估方法，其特征在于， 所述步驟7包括： 步驟7a:從格點天氣預報中獲取各電網區域的天氣預報值計算該值與各氣象簇中心 點的歐式距離，取歐式距離最小的中心點，所述中心點所在氣象簇即為該格點區域所屬的 氣象簇； 步驟7b :根據格點區域所屬的氣象簇的故障氣象熵給出該預報值對應的故障風險評 估等級，故障風險評估等級根據故障氣象熵規范化得到，取值區間為[0, 3]，各整數區間分 別表示安全、黃色預警、橙色預警和紅色預警。
9.根據權利要求8所述的基于氣象影響因素的配網故障風險評估方法，其特征在于， 還包括以下步驟：進行氣象要素因素增刪和權重的調整，氣象簇參數的變更，氣象簇及故障 氣象熵的滾動更新計算，以實現對整個模型進行優化與完善。
【文檔編號】G06Q50/06GK104123682SQ201410361584
【公開日】2014年10月29日 申請日期:2014年7月28日 優先權日:2014年7月28日
【發明者】陳錦銘, 李斌, 郭雅娟, 張小易, 袁宇波, 袁曉冬, 何劍, 黃偉, 陳昊, 郭靜 申請人:國家電網公司, 江蘇省電力公司, 江蘇省電力公司電力科學研究院, 江蘇省電力公司南京供電公司