李童飛 舒小雨 胡梓錫 張郁 苑波

摘 要：城市配網(wǎng)故障預測為搶修工作高效計劃與開展提供了重要依據(jù)。本文提出了基于支持向量回歸的城市配網(wǎng)故障分區(qū)預測模型，該模型以支持向量回歸方法為核心，以故障量和氣象因素為輸入，采用回歸參數(shù)優(yōu)選等方法進一步優(yōu)化預測建模；同時將城市劃分為若干個區(qū)域，結(jié)合歷史故障統(tǒng)計分析，計算每個區(qū)域的故障概率，將預測故障數(shù)量值進一步細化到區(qū)塊內(nèi)，實現(xiàn)了配網(wǎng)故障數(shù)量的分區(qū)預測。在城市配網(wǎng)中的實際算例驗證了模型的有效性。

關鍵詞：配網(wǎng)；故障；預測；支持向量機；SVM

近年來社會公眾對供電企業(yè)供電服務的要求和期望越來越高，電力保障水平和供電服務水平更是廣大人民群眾最關心的問題。配網(wǎng)搶修業(yè)務是體現(xiàn)供電企業(yè)服務水平的重要環(huán)節(jié)，準確的配網(wǎng)故障預測，為超前配置搶修資源、科學開展搶修工作提供了有力依據(jù)，在目前供電企業(yè)搶修壓力普遍較大的情況下，具有重要意義。

目前，國內(nèi)外對于配網(wǎng)故障方面的研究較少，主要在故障定位[ 1 ]、搶修任務分配[ 2 ]、搶修流程優(yōu)化[ 3 ]等方面，文獻[ 4 ]提出了一種基于氣象因素和時間序列分析的配電網(wǎng)故障數(shù)量預測模型，時間序列模型是一種典型的時序分析方法，其特點就是重點考慮故障的時序相關性，該方法將氣象信息以附加模型的方式加入建模，在一定程度上彌補了單純時間序列方法的不足。

本文提出了一種基于支持向量回歸和統(tǒng)計分析方法的配網(wǎng)故障分區(qū)預測模型，支持向量回歸是不同于傳統(tǒng)時間序列模型的新一代智能算法，隨著電網(wǎng)采集和監(jiān)控技術(shù)的發(fā)展，更多的配網(wǎng)數(shù)據(jù)可以被收集利用，采用智能算法可以更好地挖掘數(shù)據(jù)之間的相關性，發(fā)現(xiàn)隱含信息，從而更好地實現(xiàn)配網(wǎng)故障的精準預測。

1 支持向量回歸模型簡介

支持向量機是由Vapnik及其領導的貝爾實驗室提出的一種機器學習技術(shù)，在很多應用領域中獲得目前為止最好的性能。故障預測領域用到的主要是支持向量回歸模型。下面簡要介紹一下本文用到的？著-支持向量回歸模型原理。

假定有歷史數(shù)據(jù)樣本（x1，y1），···，（xN，yN），其中x∈Rn，y∈R這些樣本依據(jù)某種概率密度P（x，y）分布。支持向量回歸（Support Vector Regression，SVR）問題就是希望找到一個可行的擬合函數(shù)f（x）=〈？棕·？準（x）〉+b來回歸這些訓練點，使得回歸誤差（或者稱損失）最小，但由于是未知函數(shù)，因此應該考慮最小化

支持向量回歸是基于結(jié)構(gòu)風險最小化的，而不是傳統(tǒng)意義上的經(jīng)驗風險最小化，在樣本不多的情況下仍舊可以保證較好的預測能力，目前被廣泛應用于各種類型的預測之中并取得了良好效果。

2 城市配網(wǎng)分區(qū)預測模型

模型以支持向量回歸算法為核心，將預測日之前一段時期的故障、天氣數(shù)據(jù)作為訓練樣本，以預測日前2日的故障情況和當日預測天氣數(shù)據(jù)為輸入，獲得預測日的故障數(shù)量預測值。

將預測范圍劃分為若干個區(qū)域，基于歷史數(shù)據(jù)進行統(tǒng)計分析，得出每個區(qū)域發(fā)生故障數(shù)量和類型概率，并將其與總體預測故障數(shù)量相結(jié)合，即可以得出每個區(qū)域發(fā)生的故障數(shù)量、類型預測值，為搶修計劃安排與駐點優(yōu)化提供有力支撐。

2.1 回歸參數(shù)選擇

支持向量回歸的參數(shù)選擇問題，主要就是核函數(shù)K（x，y）及其參數(shù)、懲罰因子C的選擇問題。核函數(shù)K（x，y）的選擇沒有固定依據(jù)，但為了更好地模擬樣本非線性，應把樣本向量盡量映射到非線性空間中，一般都采用非線性的核函數(shù)如多項式核和RBF核。

核函數(shù)參數(shù)和懲罰因子的選擇可通過交叉驗證法（Cross-Validation）、引導指令法（Bootstraping）和貝葉斯方法（Bayesian）等；本文采用了文獻[ 8 ]介紹的網(wǎng)格搜索法（Grid Search）網(wǎng)格搜索法看似簡單，但卻是簡潔實用的方法，其優(yōu)點是可以保證收斂性和局部優(yōu)解且尋參時間短。當然，網(wǎng)格搜索范圍和步長選擇的好壞也直接影響著搜索結(jié)果的優(yōu)劣。

2.2 基于統(tǒng)計分析的分區(qū)預測

使用標準網(wǎng)格或其他分區(qū)方法將預測配網(wǎng)范圍劃分為A個區(qū)，根據(jù)歷史故障數(shù)據(jù)統(tǒng)計可得一段時期內(nèi)該范圍中總故障量為F，第i個分區(qū)內(nèi)的第j類故障數(shù)量為Bij

3 算例分析

將基于支持向量回歸和統(tǒng)計分析的配網(wǎng)故障分區(qū)預測模型應用于華北某市配網(wǎng)算例中，以驗證該模型的有效性。輸入選擇預測前兩日故障數(shù)量、預測日最高溫度、預測日降水狀況、預測日風力等輸入數(shù)據(jù)。模型訓練樣本選擇預測日前30日的相應輸入值作為歷史樣本，輸出值作為檢驗目標值。

本文采用華北某市電網(wǎng)2016年5月1日～6月10日共41組數(shù)據(jù)進行算例分析。其中采用5月1日至5月31日31組數(shù)據(jù)作為初始訓練樣本，對6月1日至6月10日10個工作日的數(shù)據(jù)進行模擬預測，以檢驗預測精度。算例的核函數(shù)采用多項式核，網(wǎng)格搜索法搜索范圍為，經(jīng)搜索，確定參數(shù)值分別為、核函數(shù)參數(shù)g=0.25。以此為基礎預測10天的故障總量值如表1：

可以看出，預測準確率在94%以上，總體預測值具有良好效果。將城市劃分為9個區(qū)域，以6月2日為例，可得9個區(qū)域的預測值如表2所示：

由上表可知，分區(qū)預測的最大誤差絕對值為2，誤差量很低，進一步證明了模型預測的效果。

4 結(jié)語

本文采用支持向量回歸和統(tǒng)計分析結(jié)合的方法對城市配網(wǎng)故障進行了分區(qū)預測，并結(jié)合靈敏度分析、參數(shù)選擇等方法對模型進行了進一步優(yōu)化，給出了預測模型建模的完整流程，經(jīng)算例檢驗模型具有較強的實用性和可操作性。隨著今后數(shù)據(jù)采集技術(shù)的不斷提升，數(shù)據(jù)維度和精度的不斷提高，該方法可以將更多維的數(shù)據(jù)進一步納入輸入輸出空間，不斷提升預測精度，對配網(wǎng)搶修工作進行更大的支撐。

參考文獻：

[1] 翁藍天，劉開培，劉曉莉等.復雜配電網(wǎng)故障定位的鏈表法[J].電工技術(shù)學報，2009，24（5）：190-196.

[2] 楊麗君，張晶，程慧琳等.基于最優(yōu)效用的配電網(wǎng)多故障搶修任務分配策略[J].電工技術(shù)學報，2014，29（6）：263-270，289.

[3] 周元祺，陳志樑，張麟等.利用故障搶修管理系統(tǒng)優(yōu)化配電網(wǎng)故障搶修流程[J].供用電，2012，29（3）：51-54.

[4] 張鵬飛，瞿海妮，肖其師等.基于氣象因素和時間序列分析的配電網(wǎng)故障數(shù)量預測[J].陜西電力，2016，44（1）：68-72.

[5] Nello Cristianini，John Shawe-Taylor，支持向量機導論（中文版），北京：電子工業(yè)出版社.

[6] 李元誠，方廷健，于爾鏗.短期負荷預測的支持向量機研究，中國電機工程學報，2003，23（6）：55～59.

[7] Dug Hun Hong，Changha Hwang. Support vector fuzzy regression machines，F(xiàn)uzzy Sets and Systems，2003，138：271～281.

[8] 奉國和，SVM分類核函數(shù)及參數(shù)選擇比較，計算機工程與應用，2011，47（3）：123-124，128.