基于气象大数据的配网故障数量预测

doi:10.13438/j.cnki.jdzk.2019.01.013

吉首大学学报（自然科学版）

基于气象大数据的配网故障数量预测

贺电，谭渡渡，何海零，邹晟，钟佳辰，王庭婷

（1.国网长沙供电分公司，湖南长沙 410000;2.国网湖南供电服务中心（计量中心），湖南长沙 414004）

出版日期:2019-01-25 发布日期:2019-01-26
作者简介:贺电(1987—)，男，湖南长沙人，国网长沙供电分公司工程师，硕士，主要从事电网运营、电网大数据研究.

Quantity Prediction of Distribution Network FaultsBased on Big Meteorological Data

HE Dian,TAN Dudu,HE Hailing,ZOU Sheng,ZHONG Jiacheng,WANG Tingting

(1.Changsha Power Company of State Grid,Changsha 410000,China;2.Hunan Power Supply Service Center (Metrology Center) of State Gird,Changsha 414004,China)

Online:2019-01-25 Published:2019-01-26

摘要/Abstract

摘要：

将配网故障抢修历史数据与庞大的温度、降雨、雷电等气象数据相结合，建立了一种具有天气敏感性的神经网络组合预测模型.该模型利用最大相关系数实时调整导致抢修数量变化的主要气象因素，精确预测故障发生的数量、类型和变化趋势，为抢修人员和物资的提前部署提供定性、定量指导.

关键词： 气象, 大数据, 配网故障, 抢修工单, 人工神经网络, 最大信息熵原理

Abstract:

With historical data of distribution network faults and big data of temperature,rainfall,and lighting,a weather-sensitive neural network predicting modelis proposed.Based on the maximum correlation coefficient of faults and meteorological factors,the main meteorological factors are real-time adjusted.The number,type and trend of the faults are accurately predicted.The result provides qualitative and quantitative reference for staff and materials deployment.

Key words: meteorological factors, big data；distribution network fault, urgent repair order, neural network model, maximum information entropy principle

贺电，谭渡渡，何海零，邹晟，钟佳辰，王庭婷. 基于气象大数据的配网故障数量预测[J]. 吉首大学学报（自然科学版）, DOI: 10.13438/j.cnki.jdzk.2019.01.013.

HE Dian,TAN Dudu,HE Hailing,ZOU Sheng,ZHONG Jiacheng,WANG Tingting. Quantity Prediction of Distribution Network FaultsBased on Big Meteorological Data[J]. Journal of Jishou University（Natural Sciences Edition), DOI: 10.13438/j.cnki.jdzk.2019.01.013.

参考文献

[1] 孟军，施萱轩，陈中，等.配电网故障抢修驻点选址与抢修任务分配优化策略[J].广东电力,2018,31(3):120-126.
[2] 卢建昌,樊围国.大数据时代下数据挖掘技术在电力企业中的应用[J].广东电力,2014,27(9):88-94.
[3] 梁志锋.配电网故障分析与预测系统的应用研究[J].科技创新与应用,2016(33):179.
[4] 张斌,刘阳升,宋尖,等.考虑高温累积效应的夏季日最大负荷预测[J].湖南电力,2012,32(4):5-9.
[5] SUGANTHI L,SAMUEL A A.Energy Models for Demand Forecasting—A Review[J].Renewable and Sustainable Energy Reviews,2012,16(12):1 223-1 240.
[6] 刘军,李安均,赵丽萍.基于TS模糊神经网络的覆冰厚度预测模型[J].湖南电力,2012,32(3):1-4.
[7] RAZA M Q,KHOSRAVI A.A Review on Artificial Intelligence Based Load Demand Forecasting Techniques for Smart Grid and Buildings[J].Renewable and Sustainable Energy Reviews,2015，50:1 352-1 372.
[8] BALIYAN A,GAURAV K,MISHRA S K.A Review of Short Term Load Forecasting Using Artificial Neural Network Models[J].Procedia Computer Science,2015，48:121-125.
[9] 贺电.大型风电场短期功率预测研究[D].北京:北京交通大学，2011.
[10] 任丽娜.基于Elman神经网络的中期负荷预测模型研究[D].兰州：兰州大学,2007.
[11] 史峰,王小川,郁磊,等.MATLAB神经网络30个案例[M].北京:北京航天航空出版社,2010.
[12] 李童飞,舒小雨,胡梓锡，等.基于支持向量回归和统计分析的配网故障分区预测模型[J].科技风,2016(18):13-14.
[13] 杨叔子,吴雅,轩建平,等.时间序列分析的工程应用(上册)[M].武汉:华中科技大学出版社,2007.
[14] 张善文,雷英杰,冯有前.MATLAB在时间序列分析中的应用[M].西安:西安电子科技大学出版社,2007.
[15] 马星河,闫炳耀,唐云峰,等.基于优选组合预测技术的中长期负荷预测[J].电力系统及其自动化学报,2015,27(6):62-67.
[16] HE Dian,WU Junyong,JI Luyu,et al.An Integrated Model for Wind Power Forecasting Based on Maximum Entropy Principle[C].ICEEAC2010.IEEE,2010:V3-560- V3-563.
[17] 朱成骐,孙宏斌,张伯明.基于最大信息熵原理的短期负荷预测综合模型[J].中国电机工程学报,2005,25(19):1-6.
[18] 石峰,莫忠息.信息论基础[M].武汉:武汉大学出版社,2006.

基于气象大数据的配网故障数量预测

Quantity Prediction of Distribution Network FaultsBased on Big Meteorological Data

PDF (PC)

可视化

摘要/Abstract

引用本文

使用本文

参考文献

相关文章 10

编辑推荐

Metrics

本文评价

[1]	杨勇, 付强. 大数据技术与民族地区智慧扶贫[J]. 吉首大学学报（自然科学版）, 2020, 41(5): 92-96.
[2]	王军. 安徽省某地区中长期电力负荷预测[J]. 吉首大学学报（自然科学版）, 2018, 39(6): 46-49.
[3]	杨博，黄斌. 疾病症状与类型关系的苗医药大数据挖掘方法[J]. 吉首大学学报（自然科学版）, 2017, 38(6): 20-24.
[4]	魏三强. 大数据在动漫产业中的应用[J]. 吉首大学学报（自然科学版）, 2017, 38(3): 40-45.
[5]	钱育蓉，于炯，英昌甜，杨兴耀. 一种分区BP人工神经网络图像差值算法[J]. 吉首大学学报（自然科学版）, 2016, 37(3): 28-33.
[6]	李思川, 吴生虎, 黄毅, 史凯. 盆地气候条件下成都城区O₃与NO₂相互作用的时间尺度分析[J]. journal6, 2015, 36(1): 61-66.
[7]	陈文伟, 陈晟. 从数据到决策的大数据时代[J]. journal6, 2014, 35(3): 31-36.
[8]	孙宝京. 基于正交多项式拟合的气象数据处理方法[J]. journal6, 2013, 34(5): 49-52.
[9]	孙宝京. 远缘选优策略遗传算法在高空气象探测中的应用[J]. journal6, 2012, 33(4): 53-59.
[10]	温芝元, 曹乐平. 神经网络在项目财务评价上的应用[J]. journal6, 2005, 26(3): 86-90.