基于支持向量回歸和統計分析的配網故障分區預測模型

李童飛 舒小雨 胡梓錫 張郁 苑波

摘 要：城市配網故障預測為搶修工作高效計劃與開展提供了重要依據。本文提出了基于支持向量回歸的城市配網故障分區預測模型，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，采用回歸參數優選等方法進一步優化預測建模；同時將城市劃分為若干個區域，結合歷史故障統計分析，計算每個區域的故障概率，將預測故障數量值進一步細化到區塊內，實現了配網故障數量的分區預測。在城市配網中的實際算例驗證了模型的有效性。

關鍵詞：配網；故障；預測；支持向量機；SVM

近年來社會公眾對供電企業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。配網搶修業務是體現供電企業服務水平的重要環節，準確的配網故障預測，為超前配置搶修資源、科學開展搶修工作提供了有力依據，在目前供電企業搶修壓力普遍較大的情況下，具有重要意義。

目前，國內外對于配網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故障數量預測模型，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計分析方法的配網故障分區預測模型，支持向量回歸是不同于傳統時間序列模型的新一代智能算法，隨著電網采集和監控技術的發展，更多的配網數據可以被收集利用，采用智能算法可以更好地挖掘數據之間的相關性，發現隱含信息，從而更好地實現配網故障的精準預測。

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，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。

假定有歷史數據樣本（x1，y1），···，（xN，yN），其中x∈Rn，y∈R這些樣本依據某種概率密度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，因此應該考慮最小化

支持向量回歸是基于結構風險最小化的，而不是傳統意義上的經驗風險最小化，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 城市配網分區預測模型

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、天氣數據作為訓練樣本，以預測日前2日的故障情況和當日預測天氣數據為輸入，獲得預測日的故障數量預測值。

將預測范圍劃分為若干個區域，基于歷史數據進行統計分析，得出每個區域發生故障數量和類型概率，并將其與總體預測故障數量相結合，即可以得出每個區域發生的故障數量、類型預測值，為搶修計劃安排與駐點優化提供有力支撐。

2.1 回歸參數選擇

支持向量回歸的參數選擇問題，主要就是核函數K（x，y）及其參數、懲罰因子C的選擇問題。核函數K（x，y）的選擇沒有固定依據，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如多項式核和RBF核。

核函數參數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 ]介紹的網格搜索法（Grid Search）網格搜索法看似簡單，但卻是簡潔實用的方法，其優點是可以保證收斂性和局部優解且尋參時間短。當然，網格搜索范圍和步長選擇的好壞也直接影響著搜索結果的優劣。

2.2 基于統計分析的分區預測

使用標準網格或其他分區方法將預測配網范圍劃分為A個區，根據歷史故障數據統計可得一段時期內該范圍中總故障量為F，第i個分區內的第j類故障數量為Bij

3 算例分析

將基于支持向量回歸和統計分析的配網故障分區預測模型應用于華北某市配網算例中，以驗證該模型的有效性。輸入選擇預測前兩日故障數量、預測日最高溫度、預測日降水狀況、預測日風力等輸入數據。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2016年5月1日～6月10日共41組數據進行算例分析。其中采用5月1日至5月31日31組數據作為初始訓練樣本，對6月1日至6月10日10個工作日的數據進行模擬預測，以檢驗預測精度。算例的核函數采用多項式核，網格搜索法搜索范圍為，經搜索，確定參數值分別為、核函數參數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個區域，以6月2日為例，可得9個區域的預測值如表2所示：

由上表可知，分區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 結語

本文采用支持向量回歸和統計分析結合的方法對城市配網故障進行了分區預測，并結合靈敏度分析、參數選擇等方法對模型進行了進一步優化，給出了預測模型建模的完整流程，經算例檢驗模型具有較強的實用性和可操作性。隨著今后數據采集技術的不斷提升，數據維度和精度的不斷提高，該方法可以將更多維的數據進一步納入輸入輸出空間，不斷提升預測精度，對配網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.復雜配電網故障定位的鏈表法[J].電工技術學報，2009，24（5）：190-196.

[2] 楊麗君，張晶，程慧琳等.基于最優效用的配電網多故障搶修任務分配策略[J].電工技術學報，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優化配電網故障搶修流程[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故障數量預測[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，Fuzzy Sets and Systems，2003，138：271～281.

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