[发明专利]一种基于小样本数据的电力系统可靠性动态实时评估方法

说明书

本发明公开了基于小样本数据的电力系统可靠性动态实时评估方法，所述评估包括以下步骤：步骤1：基于资源整合机制动态收集数据；实时监测设备的运作情况，当故障事件发生时获取投运时刻和故障时刻；步骤2：根据数学期望公式计算相应的经验可靠度；步骤3：以步骤2的经验可靠度值作为BP神经网络的输入，步骤1获得的故障时刻作为输出，进行BP神经网络训练；步骤4：随机生成可靠度值作为输入，利用步骤3训练完的BP神经网络进行模拟仿真，生成扩充可靠性数据；步骤5：利用步骤4生成的扩充可靠性数据样本对分布模型进行拟合，确定合适的分布模型，加入动态与实时评估机制方法库。

技术领域

本发明涉及的电力系统可靠性评估技术领域，特别是涉及电力系统可靠性动态实时评估方法。

背景技术

电力系统覆盖面广，涉及大规模网络，同时存在许多不确定性因素，因此运行在一定的可靠性范围内是电力系统的基本保证。电力行业对可靠性评估日渐重视的同时面临着诸多难题，如计算建模困难、模糊性高、系统规模大导致随机性高等。近年来，国内外的评估方法如可靠性工程数据分析方法、Markov模型法、GO法及故障树法等对评估的数据样本大小有一定的要求。目前传统的可靠性评估方法缺乏动态性、实时性。

随着物联网技术的飞速发展，大量的传感器在电力系统设备中得到了广泛运用，可靠性评估的动态实时性能得到一定的发展。常用的小样本数据分析方法有贝叶斯方法，该方法通过小样本形式下不同种类、来源的先验信息得到较完整的后验信息，适用于小样本得到较为精准的概率估计值。

Bootstrap方法首先确定适合样本量大小的经验公式，再通过将原始小样本转化成大样本并估计负荷模型参数的近似分布，但实证表明该方法解决小样本问题有一定几率导致较大的误差。

蒙特卡罗方法是一种概率统计理论的随机抽样方法，其数学模型的建立和样本量的大小会影响结果的准确性，该方法简单且容易实现，但小样本难以准确定义数学模型，会影响最终的评估效果。

因此希望有一种基于小样本数据的电力系统可靠性动态实时评估方法以解决现有技术中存在的问题。

发明内容

本发明针对电力系统提出基于BP神经网络的小样本下动态与实时可靠性评估方法。其中神经网络的输入为经验公式计算所得的经验可靠度，输出为失效时间数据，再通过学习训练进行数据扩充，最后通过对分布函数模型的拟合分析得到电力系统的评估结果。

本发明公开了一种基于小样本数据的电力系统可靠性动态实时评估方法，所述评估包括以下步骤：

步骤1：基于资源整合机制动态收集数据；实时监测设备的运作情况，当故障事件发生时获取投运时刻和故障时刻；

步骤2：根据数学期望公式计算相应的经验可靠度，具体公式如下：

其中，i为变量编号，N为样本数量；

步骤3：以步骤2的经验可靠度值作为BP神经网络的输入，步骤1获得的故障时刻作为输出，进行BP神经网络训练；

步骤4：利用步骤3训练完的BP神经网络模型，输入随机生成的可靠度值，输出可靠性数据，生成扩充数据；

步骤5：利用步骤4生成的扩充可靠性数据样本对多个分布模型进行拟合，根据拟合度值确定分布模型，将不同大小的样本量匹配相应合适的分布模型和经验公式，加入动态与实时评估机制方法库，当下次评估工作开启时，动态匹配合适的方法模型。优选地,所述步骤4设定经验可靠度范围值，将经验可靠度范围值内的随机数从小到大排成向量并输入所述训练完的BP神经网络中进行仿真。

优选地，所述步骤5对威布尔分布模型和指数分布模型这两种连续型分布模型进行拟合。

优选地，所述威布尔分布模型的故障概率密度函数：