[发明专利]基于GA-BP神经网络的配电网故障大数据分析方法和系统

权利要求书

1.一种基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述方法包括如下步骤：

步骤1：采集配电网线路的故障数据，对故障数据进行分析，获取导致线路故障的原因因子；

步骤2：以所述原因因子为自变量，以发生线路故障的次数为因变量，采用标准化逐步回归方法，从所述原因因子中筛选出导致线路故障的关键因子；

步骤3：对所述关键因子的数据进行归一化处理，得到归一化特征数据；

步骤4：对所述归一化特征数据进行主成分分析，获取每条故障线路的主成分风险值；

步骤5：对所述每条故障线路的主成分风险值进行回归分析，获得故障线路的主成分风险值计算模型；

步骤6：利用斯皮尔曼系数计算公式，计算得出每条线路的主成分风险值与发生线路故障的次数之间的斯皮尔曼系数ρ，用于量化每条线路的主成分风险值与发生线路故障的次数之间的关系；

步骤7：根据所述斯皮尔曼系数ρ，构造系数修正公式对所述主成分风险值计算模型进行修正，得到主成分风险值计算优化模型，并利用所述主成分风险值计算优化模型重新计算得出每条故障线路的最佳主成分风险值；

步骤8：将所述每条故障线路的最佳主成分风险值组合成为最佳主成分风险值集，将所述最佳主成分风险值集分为训练数据和测试数据，利用GA-BP神经网络对所述训练数据进行训练，得到故障线路的风险值神经网络计算模型；并将所述测试数据导入所述风险值神经网络计算模型，计算获得每条故障线路的实际风险值和预测风险值；

步骤9：引入决定系数计算公式，将所述故障线路的实际风险值和预测风险值代入所述决定系数计算公式进行计算，得到实际风险值和预测风险值之间的决定系数，用于对利用GA-BP神经网络来获得每条故障线路的实际风险值和预测风险值的可靠性进行量化。

2.根据权利要求1所述的基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述步骤1获取原因因子的方法为：

步骤1.1：提取出所有故障原因，按照设备情况、运行情况和外部情况将提取出的故障原因分为3类；

步骤1.2：针对所述故障原因中的每一个故障因子，按照对配电线路故障影响程度的大小进行打分，得到故障原因因子。

3.根据权利要求1所述的基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述步骤2筛选关键因子的具体方法为：

步骤2.1：以所述原因因子为自变量，以发生线路故障的次数为因变量，对所述自变量数据和因变量数据进行Z-score标准化，得到标准化特征数据；

步骤2.2：对所述标准化特征数据进行逐步回归计算，得到标准化回归系数和显著性P值；

步骤2.3：根据所述显著性P值筛选出对配电线路故障影响具有显著性的关键因子。

4.根据权利要求1所述的基于GA—BP神经网络的配电网故障大数据分析方法，其特征在于，所述步骤4获取每条故障线路的主成分风险值的具体方法为：

步骤4.1：对所述归一化特征数据进行主成分分析，得到主成分因子载荷矩阵和各个主成分的贡献率；

步骤4.2：根据所述主成分因子载荷矩阵，将各个主成分转换为用变量的线性组合表示，并计算出各个主成分值；

步骤4.3：构造综合评价函数，将所述各个主成分值代入所述综合评价函数，计算出每条故障线路的主成分风险模拟值；所述综合评价函数的公式为其中，α_i表示各主成分的贡献率，Z_i表示各主成分值；

步骤4.4：利用公式risk_value＝[score+abs(min(score))]×10对所述每条故障线路的主成分风险模拟值进行转换，得到每条故障线路的主成分风险值。