台风灾害配电网杆塔故障预测方法及系统.pdf

《台风灾害配电网杆塔故障预测方法及系统.pdf》由会员分享，可在线阅读，更多相关《台风灾害配电网杆塔故障预测方法及系统.pdf（23页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 201911352748.7 (22)申请日 2019.12.25 (71)申请人 国电南瑞科技股份有限公司 地址 211000 江苏省南京市江宁区诚信大 道19号 申请人 南瑞集团有限公司 国网福建省电力有限公司电力科学 研究院 国家电网有限公司 (72)发明人 郁琛杨皖浙倪明谢云云 常康吴涵刘冰倩 (74)专利代理机构 南京纵横知识产权代理有限 公司 32224 代理人 丁朋华 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.0。

2、1) G06Q 50/06(2012.01) G06N 3/08(2006.01) (54)发明名称 一种台风灾害配电网杆塔故障预测方法及 系统 (57)摘要 本发明公开了一种台风灾害配电网杆塔故 障预测方法和系统， 将实时采集的气象站数据输 入训练完成的基于BP神经网络的配电网杆塔故 障预测模型， 得到神经网络的输出结果， 预测杆 塔是否会发生跳闸故障； 所述基于BP神经网络的 配电网杆塔故障预测模型的训练样本包括： 从新 的故障样本集和非故障样本集中选取的部分故 障和非故障样本； 所述新的故障样本集是采用 SMOTE方法对原始故障样本进行过采样形成的； 所述新的非故障样本集是采用OSS方法。

3、对原始非 故障样本进行欠采样形成的； 该方法能够较为准 确地预测台风灾害发生过程中配电网杆塔故障 跳闸， 可为抢修物资调配、 故障后快速抢修等台 风灾害防御提供参考， 具有一定的理论价值和工 程价值。 权利要求书4页 说明书14页 附图4页 CN 111191832 A 2020.05.22 CN 111191832 A 1.一种台风灾害配电网杆塔故障预测方法， 其特征在于， 包括如下步骤： 将实时采集的气象站数据输入训练完成的基于BP神经网络的配电网杆塔故障预测模 型， 得到神经网络的输出结果， 预测杆塔是否会发生跳闸故障； 所述基于BP神经网络的配电网杆塔故障预测模型的训练样本包括： 从新。

4、的故障样本集 和非故障样本集中选取的部分故障和非故障样本； 所述新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的； 所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的。 2.根据权利要求1所述的台风灾害配电网杆塔故障预测方法， 其特征在于， 从台风相关 历史数据中提取发生故障和未发生故障杆塔处的台风特征信息， 形成原始故障样本集和原 始非故障样本集； 各杆塔处的台风特征信息包括： 各杆塔承受的极大风速X1， 各杆塔极大风速发生时风 向与杆塔所在线路走向夹角极大值X2， 各杆塔两分钟平均风速X3， 各杆塔风向与线路两分 钟平均夹角X4， 各杆塔降雨量X5。 3.。

5、根据权利要求2所述的台风灾害配电网杆塔故障预测方法， 其特征在于， 台风相关历 史数据包括配电网杆塔以及气象站经纬度信息、 杆塔处的气象参数、 受台风影响时间段内 的气象站的气象信息以及故障信息； 气象信息包括风速、 风向、 降雨量； 故障信息包括台风 影响下发生的杆塔故障信息； 采用离杆塔最近的三个气象站的数据加权计算杆塔处的气象参数， 不同气象站数据权 重的计算方法为： 式中， dm表示气象站m与该杆塔的距离， m1,2,3， km表示第m个气象站的数据权重； 杆塔处风速v0的计算方法为： 式中， vm表示气象站m的风速； 杆塔处风向a0的计算方法为： 式中， am表示气象站m的风向； a。

6、line表示杆塔所在线路走向与地球正北方向的夹角。 4.根据权利要求1所述的台风灾害配电网杆塔故障预测方法， 其特征在于， 新的故障样 本集是采用SMOTE方法对原始故障样本进行过采样形成的， 过程为： (1)随机提取原始故障样本中的部分样本， 形成用于过采样的故障样本集， 对该故障样 本集中每一个样本x， 搜索其a个最近邻故障样本； 权利要求书 1/4 页 2 CN 111191832 A 2 (2)对每一个样本x， 根据过采样倍率N， 在a个最近邻样本中随机选择N个故障样本， 记 为y1,y2.,yN， 按照下式生成N个增加的故障样本； xnewx+rand*(yt-x) 式中， t1,2。

7、,N； t为过采样次数， yt表示样本x的第t个近邻样本， rand表示0至1之间 的一个随机数； xnew表示新增加的故障样本； (3)将增加的故障样本加入原始故障样本中， 形成新的故障样本。 5.根据权利要求1所述的台风灾害配电网杆塔故障预测方法， 其特征在于， 所述新的非 故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的， 过程为： (1)将原始样本集记为S， 在原始非故障样本集中随机选取一个非故障样本与所有原始 故障样本建立新的数据集C； (2)用数据集C的样本对S中的所有非故障样本进行最近邻分类， 将重新分类的非故障 样本的分类结果与它们原始的分类结果作比较， 将比较结果错。

8、误的非故障样本加入到数据 集C中； (3)对数据集C， 遍历数据集C中每个样本的最近邻样本， 如果存在两个属于不同类别的 样本xr和xw， xr和xw之间的欧式距离用d(xr,xw)表示， 且不存在另外一个样本xl使d(xr,xl)d (xr,xw)或者d(xw,xl)d(xr,xw)， 则(xr,xw)成一个联系对， 删除联系对中的非故障样本， 形成 新的非故障样本集。 6.根据权利要求1所述的台风灾害配电网杆塔故障预测方法， 其特征在于， 训练完成基 于BP神经网络的配电网杆塔故障预测模型， 过程包括： 设训练样本为x1,x2,xi,xn共n个样本， i1,2,n， 预测模型第i个样本xi。

9、的输入 特征为xi1,xi2xipT， 共有p维， 分别对应： 杆塔承受的极大风速X1， 极大风速发生时风向与 线路走向夹角极大值X2， 杆塔两分钟平均风速X3， 风向与线路两分钟平均夹角X4， 降雨量X5； 第i个样本输出设为yi， 表示下一时段杆塔是否发生台风跳闸故障； 将X1、 X2、 X3、 X4、 X5分别归 一化到0,1区间之内： 式中， u 表示X1、 X2、 X3、 X4或X5归一化后的值； u表示X1、 X2、 X3、 X4或X5的原始值； umin表示 X1、 X2、 X3、 X4或X5最小值； umax表示X1、 X2、 X3、 X4或X5的最大值； 输入层共有p+1个神。

10、经元， 输入样本为： xi1 ,xi2xip ,-1T； 隐层神经元共有q+1个， 第i个样本第k个隐层神经元的净输入netik为： 式中， wjk为第j个输入层神经元与第k个隐层神经元间的权值， xij为输入层第i个样本第 j个神经元输入值； 第i个样本第k个隐层神经元的输出mik为： 输出层设置一个神经元， 该神经元与隐层神经元以权值wk连接， 第i个样本的网络输出 neti为： 权利要求书 2/4 页 3 CN 111191832 A 3 BP神经网络的训练采用标准的误差反传算法调整隐层与输入层、 输出层与隐层间的权 值向量； 当输入一个样本xi后， 经过网络逐层正向传播得到隐层输出为m。

11、i1,mi2miq， 输出层 输出为yi， 若yi与样本实际输出yi不符， 则进入误差反传阶段， 将输出误差通过隐层向输入 层逐层反传， 并将误差传递给各层神经元， 并基于此误差调整各单元的连接权值， 第k个隐 层神经元输出层权值调整量wk为： wk 1(yi-yi)f(yi)mik 1(yi-yi)yi(1-yi)mik,k1,2.q+1 第j个输入层神经元与第k个隐层神经元间的权值调整量wjk为： wjk 2(yi-yi)yi(1-yi)wkmik(1-mik)xij, j1,2.p+1,k1,2.q+1 式中， 1和 2为学习率， f(yi)为输出层激活函数的偏微分； 采用平均均方误差e。

12、描述BP 神经网络的拟合性能， 当e小于设定的阈值e0或训练轮次r达到设定的迭代次数rmax时结束 训练： 最终得到基于BP神经网络的配电网杆塔故障预测模型。 7.一种台风灾害配电网杆塔故障预测系统， 其特征在于， 包括： 气象站数据采集模块， 用于实时采集气象站数据； 预测模块， 用于将实时采集的气象站数据输入训练完成的基于BP神经网络的配电网杆 塔故障预测模型， 得到神经网络的输出结果， 预测杆塔是否会发生跳闸故障； 所述基于BP神 经网络的配电网杆塔故障预测模型的训练样本包括： 从新的故障样本集和非故障样本集中 选取的部分故障和非故障样本； 所述新的故障样本集是采用SMOTE方法对原始故。

13、障样本进 行过采样形成的； 所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形 成的。 8.根据权利要求7所述的台风灾害配电网杆塔故障预测系统， 其特征在于， 从台风相关 历史数据中提取发生故障和未发生故障杆塔处的台风特征信息， 形成原始故障样本集和原 始非故障样本集； 各杆塔处的台风特征信息包括： 各杆塔承受的极大风速X1， 各杆塔极大风速发生时风 向与杆塔所在线路走向夹角极大值X2， 各杆塔两分钟平均风速X3， 各杆塔风向与线路两分 钟平均夹角X4， 各杆塔降雨量X5。 9.根据权利要求1所述的台风灾害配电网杆塔故障预测系统， 其特征在于， 新的故障样 本集是采用SMOTE方。

14、法对原始故障样本进行过采样形成的， 过程为： (1)随机提取原始故障样本中的部分样本， 形成用于过采样的故障样本集， 对该故障样 本集中每一个样本x， 搜索其a个最近邻故障样本； 权利要求书 3/4 页 4 CN 111191832 A 4 (2)对每一个样本x， 根据过采样倍率N， 在a个最近邻样本中随机选择N个故障样本， 记 为y1,y2.,yN， 按照下式生成N个增加的故障样本； xnewx+rand*(yt-x) 式中， t1,2,N； t为过采样次数， yt表示样本x的第t个近邻样本， rand表示0至1之间 的一个随机数； xnew表示新增加的故障样本； (3)将增加的故障样本加入。

15、原始故障样本中， 形成新的故障样本。 所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的， 过程为： (1)将原始样本集记为S， 在原始非故障样本集中随机选取一个非故障样本与所有原始 故障样本建立新的数据集C； (2)用数据集C的样本对S中的所有非故障样本进行最近邻分类， 将重新分类的非故障 样本的分类结果与它们原始的分类结果作比较， 将比较结果错误的非故障样本加入到数据 集C中； (3)对数据集C， 遍历数据集C中每个样本的最近邻样本， 如果存在两个属于不同类别的 样本xr和xw， xr和xw之间的欧式距离用d(xr,xw)表示， 且不存在另外一个样本xl使d(xr,xl)。

16、d (xr,xw)或者d(xw,xl)d(xr,xw)， 则(xr,xw)成一个联系对， 删除联系对中的非故障样本， 形成 新的非故障样本集。 10.一种存储一个或多个程序的计算机可读存储介质， 其特征在于： 所述一个或多个程 序包括指令， 所述指令当由计算设备执行时， 使得所述计算设备执行根据权利要求1至6所 述的台风灾害配电网杆塔故障预测方法中的任一方法。 权利要求书 4/4 页 5 CN 111191832 A 5 一种台风灾害配电网杆塔故障预测方法及系统 技术领域 0001 本发明属于电力系统防灾减灾技术领域， 具体是一种基于BP神经网络的台风灾害 配电网杆塔故障预测方法及系统。 背景。

17、技术 0002 地球温室效应和生态环境的不断恶化， 导致风涝灾害等极端自然灾害呈现越来越 高发的态势。 频发的自然灾害造成的杆塔跳闸故障是影响我国电网安全稳定运行的重要原 因。 其中， 台风又是影响我国沿海地区最严重的自然灾害。 我国台风灾害多发生在夏秋两 季， 具有突发性强， 破坏力大的特点， 给我国沿海地区各省市造成了严重的社会、 经济危害。 从当前我国沿海地区如福建等省份的风涝灾害事后统计来看， 配电网杆塔是台风灾害的高 致灾对象。 据我国沿海地区各省市的杆塔跳闸数据表明， 台风灾害引起的杆塔故障已占到 跳闸总数的30以上， 严重影响了电网， 尤其是配电网的安全稳定运行。 0003 电网。

18、灾害历史数据包括电网内部数据以及外部气象数据等， 同时具有时空属性、 多维、 多尺度、 不确定、 周期性强、 属性相关度高等特点， 仅用传统方法对气象环境数据进行 分析和处理会遇到不少困难。 神经网络在模式识别、 优化计算、 非线性映射中表现出极高的 优越性。 台风路径存在一定的规律性， 具有大数据的特征， 同时配电网杆塔高压跳闸预警也 是一个模式识别分类问题， 所以台风环境下的电网故障预警十分适用于神经网络模型。 BP 神经网络是一种按照误差逆向传播算法训练的多层前馈神经网络， 是目前应用最广泛的神 经网络。 但现有预测方法误差较大、 数据处理复杂。 发明内容 0004 本发明的目的在于提供。

19、一种基于BP神经网络的台风灾害配电网杆塔故障预测方 法及系统， 解决了现有预测方法误差较大、 数据处理复杂的问题。 0005 实现本发明目的的技术解决方案为： 一种台风灾害配电网杆塔故障预测方法， 包 括如下步骤： 0006 将实时采集的气象站数据输入训练完成的基于BP神经网络的配电网杆塔故障预 测模型， 得到神经网络的输出结果， 预测杆塔是否会发生跳闸故障； 0007 所述基于BP神经网络的配电网杆塔故障预测模型的训练样本包括： 从新的故障样 本集和非故障样本集中选取的部分故障和非故障样本； 0008 所述新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的； 0009 所述新的。

20、非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的。 0010 进一步的， 从台风相关历史数据中提取发生故障和未发生故障杆塔处的台风特征 信息， 形成原始故障样本集和原始非故障样本集； 0011 各杆塔处的台风特征信息包括： 各杆塔承受的极大风速X1， 各杆塔极大风速发生 时风向与杆塔所在线路走向夹角极大值X2， 各杆塔两分钟平均风速X3， 各杆塔风向与线路 两分钟平均夹角X4， 各杆塔降雨量X5。 说明书 1/14 页 6 CN 111191832 A 6 0012 进一步的， 台风相关历史数据包括配电网杆塔以及气象站经纬度信息、 杆塔处的 气象参数、 受台风影响时间段内的气象站的。

21、气象信息以及故障信息； 气象信息包括风速、 风 向、 降雨量； 故障信息包括台风影响下发生的杆塔故障信息； 0013 采用离杆塔最近的三个气象站的数据加权计算杆塔处的气象参数， 不同气象站数 据权重的计算方法为： 0014 0015 式中， dm表示气象站m与该杆塔的距离， m1,2,3， km表示第m个气象站的数据权重； 0016 杆塔处风速v0的计算方法为： 0017 0018 式中， vm表示气象站m的风速 0019 杆塔处风向a0的计算方法为： 0020 0021 式中， am表示气象站m的风向； aline表示杆塔所在线路走向与地球正北方向的夹角。 0022 进一步的， 新的故障样本。

22、集是采用SMOTE方法对原始故障样本进行过采样形成的， 过程为： 0023 (1)随机提取原始故障样本中的部分样本， 形成用于过采样的故障样本集， 对该故 障样本集中每一个样本x， 搜索其a个最近邻故障样本； 0024 (2)对每一个样本x， 根据过采样倍率N， 在a个最近邻样本中随机选择N个故障样 本， 记为y1,y2.,yN， 按照下式生成N个增加的故障样本； 0025 xnewx+rand*(yt-x) 0026 式中， t1,2,N； t为过采样次数， yt表示样本x的第t个近邻样本， rand表示0至1 之间的一个随机数； xnew表示新增加的故障样本； 0027 (3)将增加的故障。

23、样本加入原始故障样本中， 形成新的故障样本。 0028 进一步的， 所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样 形成的， 过程为： 0029 (1)将原始样本集记为S， 在原始非故障样本集中随机选取一个非故障样本与所有 原始故障样本建立新的数据集C； 0030 (2)用数据集C的样本对S中的所有非故障样本进行最近邻分类， 将重新分类的非 故障样本的分类结果与它们原始的分类结果作比较， 将比较结果错误的非故障样本加入到 数据集C中； 0031 (3)对数据集C， 遍历数据集C中每个样本的最近邻样本， 如果存在两个属于不同类 别的样本xr和xw， xr和xw之间的欧式距离用d(。

24、xr,xw)表示， 且不存在另外一个样本xl使d(xr, 说明书 2/14 页 7 CN 111191832 A 7 xl)d(xr,xw)或者d(xw,xl)d(xr,xw)， 则(xr,xw)成一个联系对， 删除联系对中的非故障样 本， 形成新的非故障样本集。 0032 进一步的， 训练完成基于BP神经网络的配电网杆塔故障预测模型， 过程包括： 0033 设训练样本为x1,x2,xi,xn共n个样本， i1,2,n， 预测模型第i个样本xi的 输入特征为xi1,xi2xipT， 共有p维， 分别对应： 杆塔承受的极大风速X1， 极大风速发生时风 向与线路走向夹角极大值X2， 杆塔两分钟平均。

25、风速X3， 风向与线路两分钟平均夹角X4， 降雨 量X5； 第i个样本输出设为yi， 表示下一时段杆塔是否发生台风跳闸故障； 将X1、 X2、 X3、 X4、 X5 分别归一化到0,1区间之内： 0034 0035 式中， u 表示X1、 X2、 X3、 X4或X5归一化后的值； u表示X1、 X2、 X3、 X4或X5的原始值； umin 表示X1、 X2、 X3、 X4或X5最小值； umax表示X1、 X2、 X3、 X4或X5的最大值； 0036 输入层共有p+1个神经元， 输入样本为： xi1 ,xi2xip ,-1T； 0037 隐层神经元共有q+1个， 第i个样本第k个隐层神经元。

26、的净输入netik为： 0038 0039 式中， wjk为第j个输入层神经元与第k个隐层神经元间的权值， xij为输入层第i个 样本第j个神经元输入值； 0040 第i个样本第k个隐层神经元的输出mik为： 0041 0042 输出层设置一个神经元， 该神经元与隐层神经元以权值wk连接， 第i个样本的网络 输出neti为： 0043 0044 0045 BP神经网络的训练采用标准的误差反传算法调整隐层与输入层、 输出层与隐层间 的权值向量； 当输入一个样本xi后， 经过网络逐层正向传播得到隐层输出为mi1,mi2miq， 输 出层输出为yi， 若yi与样本实际输出yi不符， 则进入误差反传阶。

27、段， 将输出误差通过隐层向 输入层逐层反传， 并将误差传递给各层神经元， 并基于此误差调整各单元的连接权值， 第k 个隐层神经元输出层权值调整量wk为： 0046 wk 1(yi-yi)f(yi)mik 0047 1(yi-yi)yi(1-yi)mik,k1,2.q+1 0048 第j个输入层神经元与第k个隐层神经元间的权值调整量wjk为： 0049 wjk 2(yi-yi)yi(1-yi)wkmik(1-mik)xij,j1,2.p+1,k1,2.q+1 0050 式中，1和 2为学习率， f(yi)为输出层激活函数的偏微分； 采用平均均方误差e描 述BP神经网络的拟合性能， 当e小于设定的。

28、阈值e0或训练轮次r达到设定的迭代次数rmax时 结束训练： 说明书 3/14 页 8 CN 111191832 A 8 0051 0052 最终得到基于BP神经网络的配电网杆塔故障预测模型。 0053 一种台风灾害配电网杆塔故障预测系统， 其特征在于， 包括： 0054 气象站数据采集模块， 用于实时采集气象站数据； 0055 预测模块， 用于将实时采集的气象站数据输入训练完成的基于BP神经网络的配电 网杆塔故障预测模型， 得到神经网络的输出结果， 预测杆塔是否会发生跳闸故障； 所述基于 BP神经网络的配电网杆塔故障预测模型的训练样本包括： 从新的故障样本集和非故障样本 集中选取的部分故障和。

29、非故障样本； 所述新的故障样本集是采用SMOTE方法对原始故障样 本进行过采样形成的； 所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采 样形成的。 0056 进一步的， 从台风相关历史数据中提取发生故障和未发生故障杆塔处的台风特征 信息， 形成原始故障样本集和原始非故障样本集； 0057 各杆塔处的台风特征信息包括： 各杆塔承受的极大风速X1， 各杆塔极大风速发生 时风向与杆塔所在线路走向夹角极大值X2， 各杆塔两分钟平均风速X3， 各杆塔风向与线路 两分钟平均夹角X4， 各杆塔降雨量X5。 0058 进一步的， 新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的，。

30、 过程为： 0059 (1)随机提取原始故障样本中的部分样本， 形成用于过采样的故障样本集， 对该故 障样本集中每一个样本x， 搜索其a个最近邻故障样本； 0060 (2)对每一个样本x， 根据过采样倍率N， 在a个最近邻样本中随机选择N个故障样 本， 记为y1,y2.,yN， 按照下式生成N个增加的故障样本； 0061 xnewx+rand*(yt-x) 0062 式中， t1,2,N； t为过采样次数， yt表示样本x的第t个近邻样本， rand表示0至1 之间的一个随机数； xnew表示新增加的故障样本； 0063 (3)将增加的故障样本加入原始故障样本中， 形成新的故障样本。 0064。

31、 所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的， 过 程为： 0065 (1)将原始样本集记为S， 在原始非故障样本集中随机选取一个非故障样本与所有 原始故障样本建立新的数据集C； 0066 (2)用数据集C的样本对S中的所有非故障样本进行最近邻分类， 将重新分类的非 故障样本的分类结果与它们原始的分类结果作比较， 将比较结果错误的非故障样本加入到 数据集C中； 0067 (3)对数据集C， 遍历数据集C中每个样本的最近邻样本， 如果存在两个属于不同类 别的样本xr和xw， xr和xw之间的欧式距离用d(xr,xw)表示， 且不存在另外一个样本xl使d(xr, xl)d。

32、(xr,xw)或者d(xw,xl)d(xr,xw)， 则(xr,xw)成一个联系对， 删除联系对中的非故障样 本， 形成新的非故障样本集。 0068 一种存储一个或多个程序的计算机可读存储介质， 所述一个或多个程序包括指 令， 所述指令当由计算设备执行时， 使得所述计算设备执行根据前述的台风灾害配电网杆 说明书 4/14 页 9 CN 111191832 A 9 塔故障预测方法中的任一方法。 0069 本发明所达到的有益效果： 0070 1)根据基于BP神经网络的台风灾害下配电网杆塔故障预测模型以及实时采集的 气象站数据， 达到对配电网线路故障进行精度较高的预测的效果； 0071 2)根据对台。

33、风灾害发生过程中配电网杆塔故障跳闸的预测， 可为抢修物资调配、 故障后快速抢修等台风灾害防御提供参考， 具有一定的理论价值和工程价值。 附图说明 0072 图1为本发明实施例中的一种台风灾害配电网杆塔故障预测方法流程图； 0073 图2本发明实施例中的另一种台风灾害配电网杆塔故障预测方法流程图； 0074 图3为本发明实施例中的一种BP神经网络结构图； 0075 图4为本发明实施例中的一种单极性S型变换函数sigmoid函数图像； 0076 图5为本发明实施例中的一种BP神经网络训练流程图； 0077 图6为本发明实施例中的一种BP神经网络训练样本误差分布图； 0078 图7为本发明实施例中的。

34、一种BP神经网络测试样本误差分布图。 具体实施方式 0079 下面结合附图对本发明作进一步描述。 以下实施例仅用于更加清楚地说明本发明 的技术方案， 而不能以此来限制本发明的保护范围。 0080 实施例1： 0081 如图1所示， 一种台风灾害配电网杆塔故障预测方法， 包括如下步骤： 0082 将实时采集的气象站数据输入训练完成的基于BP神经网络的配电网杆塔故障预 测模型， 得到神经网络的输出结果， 预测杆塔是否会发生跳闸故障； 0083 所述基于BP神经网络的配电网杆塔故障预测模型的训练样本包括： 从新的故障样 本集和非故障样本集中选取的部分故障和非故障样本； 0084 所述新的故障样本集是。

35、采用SMOTE方法对原始故障样本进行过采样形成的； 0085 所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样形成的。 0086 进一步的， 从台风相关历史数据中提取发生故障和未发生故障杆塔处的台风特征 信息， 形成原始故障样本集和原始非故障样本集； 0087 各杆塔处的台风特征信息包括： 各杆塔承受的极大风速X1， 各杆塔极大风速发生 时风向与杆塔所在线路走向夹角极大值X2， 各杆塔两分钟平均风速X3， 各杆塔风向与线路 两分钟平均夹角X4， 各杆塔降雨量X5。 0088 进一步的， 台风相关历史数据包括配电网杆塔以及气象站经纬度信息、 杆塔处的 气象参数、 受台风影响时间段内。

36、的气象站的气象信息以及故障信息； 气象信息包括风速、 风 向、 降雨量； 故障信息包括台风影响下发生的杆塔故障信息； 0089 采用离杆塔最近的三个气象站的数据加权计算杆塔处的气象参数， 不同气象站数 据权重的计算方法为： 说明书 5/14 页 10 CN 111191832 A 10 0090 0091 式中， dm表示气象站m与该杆塔的距离， m1,2,3， km表示第m个气象站的数据权重； 0092 杆塔处风速v0的计算方法为： 0093 0094 式中， vm表示气象站m的风速； 0095 杆塔处风向a0的计算方法为： 0096 0097 式中， am表示气象站m的风向； aline表。

37、示杆塔所在线路走向与地球正北方向的夹角。 0098 进一步的， 新的故障样本集是采用SMOTE方法对原始故障样本进行过采样形成的， 过程为： 0099 (1)随机提取原始故障样本中的部分样本， 形成用于过采样的故障样本集， 对该故 障样本集中每一个样本x， 搜索其a个最近邻故障样本； 0100 (2)对每一个样本x， 根据过采样倍率N， 在a个最近邻样本中随机选择N个故障样 本， 记为y1,y2.,yN， 按照下式生成N个增加的故障样本； 0101 xnewx+rand*(yt-x) 0102 式中， t1,2,N； t为过采样次数， yt表示样本x的第t个近邻样本， rand表示0至1 之间。

38、的一个随机数； xnew表示新增加的故障样本； 0103 (3)将增加的故障样本加入原始故障样本中， 形成新的故障样本。 0104 进一步的， 所述新的非故障样本集是采用OSS方法对原始非故障样本进行欠采样 形成的， 过程为： 0105 (1)将原始样本集记为S， 在原始非故障样本集中随机选取一个非故障样本与所有 原始故障样本建立新的数据集C； 0106 (2)用数据集C的样本对S中的所有非故障样本进行最近邻分类， 将重新分类的非 故障样本的分类结果与它们原始的分类结果作比较， 将比较结果错误的非故障样本加入到 数据集C中； 0107 (3)对数据集C， 遍历数据集C中每个样本的最近邻样本， 。

39、如果存在两个属于不同类 别的样本xr和xw， xr和xw之间的欧式距离用d(xr,xw)表示， 且不存在另外一个样本xl使d(xr, xl)d(xr,xw)或者d(xw,xl)d(xr,xw)， 则(xr,xw)成一个联系对， 删除联系对中的非故障样 本， 形成新的非故障样本集。 0108 进一步的， 训练完成基于BP神经网络的配电网杆塔故障预测模型， 过程包括： 0109 设训练样本为x1,x2,xi,xn共n个样本， i1,2,n， 预测模型第i个样本xi的 输入特征为xi1,xi2xipT， 共有p维， 分别对应： 杆塔承受的极大风速X1， 极大风速发生时风 说明书 6/14 页 11 。

40、CN 111191832 A 11 向与线路走向夹角极大值X2， 杆塔两分钟平均风速X3， 风向与线路两分钟平均夹角X4， 降雨 量X5； 第i个样本输出设为yi， 表示下一时段杆塔是否发生台风跳闸故障； 将X1、 X2、 X3、 X4、 X5 分别归一化到0,1区间之内： 0110 0111 式中， u 表示X1、 X2、 X3、 X4或X5归一化后的值； u表示X1、 X2、 X3、 X4或X5的原始值； umin 表示X1、 X2、 X3、 X4或X5最小值； umax表示X1、 X2、 X3、 X4或X5的最大值； 0112 输入层共有p+1个神经元， 输入样本为： xi1 ,xi2x。

41、ip ,-1T； 0113 隐层神经元共有q+1个， 第i个样本第k个隐层神经元的净输入netik为： 0114 0115 式中， wjk为第j个输入层神经元与第k个隐层神经元间的权值， xij为输入层第i个 样本第j个神经元输入值； 0116 第i个样本第k个隐层神经元的输出mik为： 0117 0118 输出层设置一个神经元， 该神经元与隐层神经元以权值wk连接， 第i个样本的网络 输出neti为： 0119 0120 0121 BP神经网络的训练采用标准的误差反传算法调整隐层与输入层、 输出层与隐层间 的权值向量； 当输入一个样本xi后， 经过网络逐层正向传播得到隐层输出为mi1,mi2。

42、miq， 输 出层输出为yi， 若yi与样本实际输出yi不符， 则进入误差反传阶段， 将输出误差通过隐层向 输入层逐层反传， 并将误差传递给各层神经元， 并基于此误差调整各单元的连接权值， 第k 个隐层神经元输出层权值调整量wk为： 0122 wk 1(yi-yi)f(yi)mik 0123 1(yi-yi)yi(1-yi)mik,k1,2.q+1 0124 第j个输入层神经元与第k个隐层神经元间的权值调整量wjk为： 0125 wjk 2(yi-yi)yi(1-yi)wkmik(1-mik)xij,j1,2.p+1,k1,2.q+1 0126 式中，1和 2为学习率， f(yi)为输出层激活。

43、函数的偏微分； 采用平均均方误差e描 述BP神经网络的拟合性能， 当e小于设定的阈值e0或训练轮次r达到设定的迭代次数rmax时 结束训练： 0127 0128 最终得到基于BP神经网络的配电网杆塔故障预测模型。 0129 实施例2： 0130 如图2所示， 一种台风灾害配电网杆塔故障预测方法， 包括如下步骤： 说明书 7/14 页 12 CN 111191832 A 12 0131 步骤1、 采集台风相关历史数据并计算杆塔处的气象参数； 0132 所述台风相关历史数据， 包括配电网杆塔以及气象站经纬度信息、 受台风影响时 间段内的气象站的气象信息以及故障信息； 气象信息包括风速、 风向、 降。

44、雨量； 故障信息包 括台风影响下发生的杆塔故障信息(即跳闸信息)。 0133 采用离杆塔最近的三个气象站的数据加权计算杆塔处的气象参数， 不同气象站数 据权重的计算方法为： 0134 0135 式中， dm表示气象站m与该杆塔的距离， m1,2,3， km表示第m个气象站的数据权重。 0136 杆塔处风速v0的计算方法为： 0137 0138 式中， vm表示气象站m的风速； 0139 杆塔处风向a0的计算方法为： 0140 0141 式中， am表示气象站m的风向； aline表示该杆塔所在线路走向与地球正北方向的夹 角， 可以通过该杆塔与相邻同线路杆塔经纬度信息求出。 0142 步骤2， 。

45、从台风相关历史数据中提取发生故障和未发生故障杆塔处的台风特征信 息， 形成原始故障样本集和原始非故障样本集， 组成原始样本集； 0143 将发生台风的时间， 按30min为间隔划分为离散的时间段， 分别统计各个时间段内 各杆塔处的的台风信息， 各杆塔处的台风信息包括： 各杆塔承受的极大风速X1(给定时段内 的瞬时风速的最大值)， 各杆塔极大风速发生时风向与杆塔所在线路走向夹角极大值X2， 各 杆塔两分钟平均风速(1小时时间段内两分钟平均风速的平均值， 即气象台给出的监测信息 是两分钟平均风速， 取这一个小时中给出的所有两分钟平均风速的平均值)X3， 各杆塔风向 与线路两分钟平均夹角(1小时时间。

46、段内两分钟平均夹角的平均值)X4， 各杆塔降雨量X5。 发 生故障的杆塔的所述台风信息形成原始故障样本集， 未发生故障的杆塔的所述台风信息形 成原始非故障样本集。 0144 步骤3、 对原始故障样本集和原始非故障样本集重采样后形成新的故障样本集和 非故障样本集； 0145 步骤3-1， 采用SMOTE(合成少数类过采样技术)方法对原始故障样本进行过采样， 形成新的故障样本集： 0146 (1)随机提取原始故障样本中的50(也可为其他比例， 此处举例为50)的样本， 形成用于过采样的故障样本集， 对该故障样本集中每一个样本x， 搜索其a(通常取5)个最近 邻故障样本； 说明书 8/14 页 13。

47、 CN 111191832 A 13 0147 (2)对每一个样本x， 根据过采样倍率N， 在a个最近邻样本中随机选择N个故障样 本， 记为y1,y2.,yN， 按照下式生成N个增加的故障样本； 0148 xnewx+rand*(yt-x) 0149 式中， t1,2,N； t为过采样次数， yt表示样本x的第t个近邻样本， N为过采样倍 率， rand表示0至1之间的一个随机数； xnew表示新增加的故障样本； x表示当前待采样的原始 故障样本； 0150 (3)将增加的故障样本加入原始故障样本中， 形成新的故障样本。 0151 步骤3-2， 采用OSS(单边选择算法)对原始非故障样本进行欠。

48、采样， 形成新的非故 障样本集， 包括步骤： 0152 (1)将步骤2得到的原始样本集记为S， 在原始非故障样本集中随机选取一个非故 障样本与所有原始故障样本建立新的数据集C； 0153 (2)用数据集C的样本对S中的所有非故障样本进行最近邻分类， 将重新分类的非 故障样本的分类结果与它们原始的分类结果作比较， 将比较结果错误的非故障样本加入到 数据集C中， 以此删除非故障样本集中远离故障样本的 “安全样本” ； 0154 最近邻分类， 是对S中的每一个非故障样本， 找到它在C中欧式距离最近的一个样 本， 将该样本的类别作为这个非故障样本的新类别； 0155 (3)对数据集C， 遍历数据集C中。

49、每个样本的最近邻样本， 如果存在两个属于不同类 别的样本xr和xw， xr和xw之间的欧式距离用d(xr,xw)表示， 且不存在另外一个样本xl使d(xr, xl)d(xr,xw)或者d(xw,xl)d(xr,xw)， 则(xr,xw)成一个联系对， 删除联系对中的非故障样 本， 以此删除非故障样本集中处于故障样本分布范围内的 “噪声样本” 以及处于分类边界的 “边界样本” ， 形成新的非故障样本集。 0156 步骤4、 从新的故障样本集和非故障样本集中选取部分故障和非故障样本作为训 练样本训练基于BP神经网络的配电网杆塔故障预测模型； 0157 步骤4-1， 设训练样本为x1,x2,xi,x。

50、n共n个样本， i1,2,n， i表示样本序 号； 预测模型第i个样本xi的输入特征为xi1,xi2xipT， 共有p维， 在本模型中， 取p5， 分别 对应： 杆塔承受的极大风速X1， 极大风速发生时风向与线路走向夹角极大值X2， 杆塔两分钟 平均风速X3， 风向与线路两分钟平均夹角X4， 降雨量X5。 第i个样本输出设为yi， 表示下一时 段杆塔是否发生台风跳闸故障(若故障， yi为1， 未故障， yi为0)。 将X1、 X2、 X3、 X4、 X5分别归一 化到0,1区间之内： 0158 0159 式中， u 表示X1、 X2、 X3、 X4或X5归一化后的值； u表示X1、 X2、 X。