基于數(shù)據(jù)挖掘技術(shù)的配電網(wǎng)故障預(yù)測研究.pdf

1、近年來，隨著城鄉(xiāng)居民生活水平顯著提高，人們對于配電網(wǎng)供電可靠性的要求日益提高，然而電力公司只能被動應(yīng)對配電網(wǎng)故障，這使得配電網(wǎng)可靠性的提升存在瓶頸。實(shí)現(xiàn)配電網(wǎng)故障預(yù)測可為電力公司提供配電網(wǎng)運(yùn)營維護(hù)決策支持，具有重大的經(jīng)濟(jì)和社會效益。國內(nèi)相關(guān)研究尚不深入，國外研究相對深入，但在我國應(yīng)用具有很大的局限性。因此，本文研究了基于數(shù)據(jù)挖掘技術(shù)的配電網(wǎng)故障預(yù)測方法，針對電力公司實(shí)際需求預(yù)測了饋線的月故障等級，并提出將饋線故障預(yù)測結(jié)果應(yīng)用與搶修駐點(diǎn)優(yōu)

2、化的方法。
　　首先，本文全面分析饋線故障影響因素，對某市的配電網(wǎng)信息系統(tǒng)進(jìn)行深入調(diào)研，提取饋線故障預(yù)測所需數(shù)據(jù)，為饋線故障預(yù)測奠定基礎(chǔ)。針對原始數(shù)據(jù)可能存在的質(zhì)量問題，開發(fā)程序包對原始數(shù)據(jù)進(jìn)行清洗、變換和集成。另外提出了一種基于聚類的離群樣本診斷方法，該方法引入輪廓值法確定最佳聚類數(shù)，采用粒子群優(yōu)化算法優(yōu)化聚類中心，可有效提升聚類效果，從而準(zhǔn)確剔除離群樣本，避免了離群樣本對預(yù)測模型的不良影響。
　　其次，本文利用數(shù)據(jù)探索分

3、析方法剔除冗余、非強(qiáng)相關(guān)的故障特征變量，初步確定了故障相關(guān)特征變量集。并采用特征選擇方法從故障相關(guān)特征變量集篩選出最優(yōu)故障特征變量子集，從而合理確定饋線故障預(yù)測模型的輸入變量，避免輸入變量選擇不當(dāng)導(dǎo)致的模型預(yù)測準(zhǔn)確率下降。
　　再次，本文針對電力公司實(shí)際需求和模型優(yōu)化要求對饋線的月故障發(fā)生的次數(shù)劃分等級，提出了預(yù)測饋線月故障等級的方法。方法采用具有調(diào)節(jié)參數(shù)少、泛化誤差有上限和可避免過擬合等突出優(yōu)點(diǎn)的隨機(jī)森林算法構(gòu)建饋線故障預(yù)測模型

4、，并優(yōu)化了隨機(jī)森林算法的分類樹構(gòu)建過程和關(guān)鍵參數(shù)。模型對饋線月故障等級的預(yù)測準(zhǔn)確率高達(dá)92.92％。同時(shí)，通過建立基于C4.5決策樹、支持向量機(jī)和人工神經(jīng)網(wǎng)絡(luò)算法的饋線故障預(yù)測模型進(jìn)行比較，發(fā)現(xiàn)本文構(gòu)建的饋線故障預(yù)測模型的預(yù)測準(zhǔn)確率明顯較高，證明了隨機(jī)森林算法用于構(gòu)建饋線故障預(yù)測模型的正確性和有效性。
　　最后，論文考慮搶修到達(dá)時(shí)間等約束條件，以搶修駐點(diǎn)與其負(fù)責(zé)的各饋線的距離總和最小為優(yōu)化目標(biāo)函數(shù)，構(gòu)建基于饋線故障預(yù)測結(jié)果的搶修駐