一种利用贝叶斯网络提升配电网韧性的方法

本发明属于电力系统领域，涉及配电网的韧性提升技术，特别涉及利用贝叶斯网络来提高配电网的供电可靠性和抵御灾害事件能力的方法。

背景技术：

1、在频发的台风、地震、洪水、夏季风暴和冬季风暴等灾害事件影响下，电力系统配电网大面积停电的风险大为增加。配电网的韧性用于评估电力系统在遭受严重冲击后抵御扰动、维持供电和恢复故障前状态的能力。高韧性配电网是智能电网的重要性能指标之一，对构建安全、可靠、高效的韧性配电系统具有重要理论和工程意义。为了提高主动配电网的长期韧性，电力公司的首要任务是对其系统在各种影响因素下的韧性进行综合评估，从而发现薄弱环节，提出针对性的改进升级措施。

2、目前配电网韧性评估技术存在如下问题：(1)多集中于单个灾害事件对配电网韧性进行评估，较少考虑多种因素综合作用下电力系统的长期韧性，无法适用于电力系统长期韧性的综合评估；(2)现有技术通常基于随机抽样生成故障场景，易忽视小概率事件的影响；(3)由于电力系统状态在长时间尺度上持续演化，以及电力系统在韧性事件中实时变化，其韧性往往呈现动态特性，然而现有研究较少考虑这一因素；(4)若要在新的电力系统状态下得到配电网韧性指标，现有方法需要重新进行韧性评估；(5)电力公司积累了大量的历史故障数据，但对数据的价值还未进行充分挖掘。

3、因此，有必要提出一种新的配电网韧性综合评估方法，以解决上述问题。

技术实现思路

1、本发明的目的是提供一种利用贝叶斯网络提升配电网韧性的方法，能够最大限度地提升配电网的韧性，降低故障对电力系统的影响。

2、本发明的技术方案是：一种利用贝叶斯网络提升配电网韧性的方法，所述方法包括以下步骤：

3、步骤1：基于配电网故障的原始数据集进行故障事件编码；

4、步骤2：基于所述故障事件编码的数据集，以故障事件为分析单元，提取影响配电网韧性的重要变量并作离散化处理，得到训练集；

5、步骤3：基于所述重要变量间的相依和因果关系，构建贝叶斯网络模型并利用所述训练集训练所述贝叶斯网络模型参数；

6、步骤4：基于所述贝叶斯网络模型参数的初步训练结果，对所述贝叶斯网络模型进行调整和优化；

7、步骤5：采用留一交叉验证结合混淆矩阵和评价指标对优化后的所述贝叶斯网络模型进行评估；

8、步骤6：基于所述贝叶斯网络模型训练结果，采用调整概率分布的方法进行灵敏度分析，识别影响配电网韧性的关键变量。

9、上文中，所述步骤1中的所述故障事件定义为：若在某地区的一个连续时间段内，发生故障数量等于恢复故障数量，且该时间段内任意时间点至少存在一个停电故障，则称这一时间段内所有停电故障组成的集合为一个故障事件。所述故障事件编码的定义为：某地区配电网故障事件的唯一标识，同属一个故障事件的停电故障的编码相同。

10、进一步地，所述步骤1中，基于配电网故障的原始数据集进行故障事件编码，找到属于同一个事件中的停电故障，具体包括：

11、步骤1.1：数据排序

12、将数据按照停电故障发生时间的先后进行排序；

13、步骤1.2：定义向量

14、定义两个向量so和sr，向量维度均为样本容量n，其中so＝{-1,-1,…,-1}，每一个元素均对应故障发生时间，sr＝{+1,+1,…,+1}，每一个元素对应故障恢复时间，将向量so和向量sr合并为一个维度为2n的向量sc；

15、步骤1.3：计算累计和sa

16、将向量sc中元素按照时间先后排序，并计算向量sc的累计和，得到向量sa，记为向量sa中第k个元素的值：

17、

18、其中，向量为向量sc中的第i个元素的取值；

19、步骤1.4：获取间隔位置

20、从向量sa中找出值为0的元素位置，形成一个新的向量p。记pi为向量p中的第i个元素，pi/2为原始数据集中第i个事件与第i+1个事件的分隔位置；

21、步骤1.5：故障事件编码

22、基于向量p，对各停电故障进行故障事件编码，确保同属一个事件的停电故障编码相同。

23、进一步地，所述步骤2具体包括：

24、步骤2.1：确定主要原因e

25、对每个故障事件，计算事件中停电故障的原因频数，选择频数最高的原因作为主要原因，若频数相同，则将最先出现的作为主要原因，根据主要原因划分事件类别；

26、步骤2.2：计算故障次数o

27、对每个故障事件，计算事件中包含的停电故障次数；

28、步骤2.3：计算深度n

29、对每个故障事件，基于所述步骤1中所述向量sa和向量p，计算事件发生过程中同一时间达到的最大故障次数o，以确定事件的深度；

30、步骤2.4：计算反应时间t0

31、对每个故障事件，计算事件的反应时间t0：

32、t0＝tr-t0

33、其中，t0为故障事件的发生时间，tr为事件中第一次出现故障被修复的时间；

34、步骤2.5：计算平均恢复率λr

35、对每个故障事件，计算事件包含的各故障的平均恢复率λir以及事件的平均恢复率λr：

36、λir＝o/ti

37、

38、其中，o为事件的故障次数，ti为某个事件中第i个故障的持续时间，t为各故障持续时间的总和；

39、步骤2.6：计算恢复时间tr

40、对每个故障事件，计算恢复时间tr：

41、tr＝t1-tr

42、其中，t1为故障事件的结束时间，tr为事件中第一次出现故障被修复的时间；

43、步骤2.7：计算面积a

44、对每个故障事件，基于所述步骤1中所述向量sa和向量p，计算事件在坐标轴上形成的唯一曲线与坐标轴形成的封闭图形的面积，单位为次数·分钟。

45、步骤2.8：计算受影响客户的总分钟损失l

46、对每个故障事件，将所包含故障导致的受影响客户的分钟损失相加；

47、步骤2.9：对提取的变量进行离散化处理

48、除主要原因e，将其余数值型变量离散为三分类变量，离散方法包括等频离散法和按级数离散结合手动离散法两种方法。

49、进一步地，所述步骤2.9具体包括：

50、2.9.1：等频离散法

51、对数据进行排序后划分区间，使得各区间内的数据个数为总量的1/3；

52、2.9.2：按级数离散结合手动离散法

53、根据数值型变量范围确定数量级大小及分组边界，将原始数据映射到相应的分组中，每个数据点都会被离散化为对应的分组。特别地，由于变量o和变量n的极差一般小于102，按级数离散的方式并不适用，需人为划分界点。

54、进一步地，步骤3所述影响配电网韧性的重要变量间的相依和因果关系，具体如下：

55、主要原因e：导致配电网故障事件发生的主要原因，直接影响故障次数o、平均恢复率λr和反应时间t0；

56、故障次数o：受主要原因e的影响，同时直接影响恢复时间tr和深度n；

57、平均恢复率λr：受主要原因e的影响，同时直接影响恢复时间tr与深度n；

58、深度n：受平均恢复率λr与故障次数o的影响，同事直接影响面积a与受影响客户的总分钟损失l；

59、反应时间t0：受主要原因e的影响，同时直接影响面积a与受影响客户的总分钟损失l；

60、恢复时间tr：受故障次数o与平均恢复率λr的影响，同时直接影响面积a与受影响客户的总分钟损失l；

61、面积a：受深度n、反应时间t0与恢复时间tr的直接影响；

62、受影响客户的总分钟损失l：受深度n、反应时间t0与恢复时间tr的直接影响；

63、进一步地，所述步骤3具体包括：

64、步骤3.1：构建贝叶斯网络结构

65、将影响配电网韧性的重要变量作为节点变量，基于变量之间的相依和因果关系，定义贝叶斯网络结构图节点之间的概率依赖关系，构建一个贝叶斯网络模型；

66、步骤3.2：训练模型参数

67、基于已构建的贝叶斯网络结构，将数据集划分为训练集和测试集，利用训练集计算贝叶斯网络模型结构下的每个节点对应的条件概率表，得到完整的贝叶斯网络模型，利用测试集对贝叶斯网络模型的准确性进行验证，其中，g为定义在{x1,x2,…,xn}上的一个贝叶斯网络模型，其联合概率分布表示为各节点的条件概率分布的乘积，即：

68、

69、其中，xi为贝叶斯网络的节点，parg(xi)为节点xi的父节点，pi(xi|parg(xi))为节点条件概率。

70、进一步地，所述步骤4具体包括：

71、步骤4.1：评估模型

72、分别计算所述贝叶斯网络模型的准确率、精确率、召回率和f1分数，其中，f1分数是精确率和召回率的加权调和平均数；

73、步骤4.2：优化模型

74、基于配电网实际运行情况，结合数据与评估结果，考虑调整数据离散化方式、模型参数与结构。

75、进一步地，所述步骤5具体包括：

76、步骤5.1：留一交叉验证结合混淆矩阵

77、为评估贝叶斯网络结构的准确性，采用留一交叉验证的方式结合混淆矩阵的方法，以进一步计算准确率、精确率、召回率和f1分数；

78、其中，留一交叉验证是一种常用的交叉验证方法，将数据集中的每个样本依次作为验证集，其余样本作为训练集，重复多次模型训练和评估过程，以评估模型在不同数据集上的性能；混淆矩阵是一种用于评估分类模型性能的表格，以真实类别和预测类别为基础，统计模型的分类结果，展现模型在不同类别上的表现。

79、步骤5.2：计算评价指标

80、基于所述步骤5.1所得所述混淆矩阵，分别计算准确率、精确率、召回率和f1分数。

81、进一步地，所述步骤6具体包括：

82、步骤6.1：研究主要原因e中对配电网韧性影响最大的原因类别

83、基于训练好的模型，计算变量e取定时，变量a、l的条件概率p(a＝a|e＝i)和p(l＝b|e＝i)；

84、根据条件概率计算结果，假设得到：e＝e1时，a＝3的概率最大；e＝e2时，l＝3的概率最大；

85、基于假设得到的类别e1和e2，计算变量e取定时，变量λr、t0、tr、o的条件概率p(λr|e＝ei)、p(t0|e＝ei)、p(tr|e＝ei)及p(o|e＝ei)，如表1所示：

86、表1

87、 <![cdata[p(x|e＝e_i)]]> 1 2 3 <![cdata[x＝λ^r]]> <![cdata[x＝t⁰]]> <![cdata[x＝t^r]]> x＝o  

88、步骤6.2：研究变量a、l对其他变量的灵敏度

89、对贝叶斯网络中的节点变量逐一进行灵敏度分析，针对三分类变量，调整类别1和类别3的概率，针对主要原因e，基于所述步骤6.1的结果，调整概率p(a＝3|e)与p(l＝3|e)最大时变量e对应的类别，即对配电网韧性影响最大的原因类别。

90、进一步地，所述步骤6.2具体包括：

91、6.2.1：选定目标变量

92、在贝叶斯网络结构中，选择需进一步分析的节点变量；

93、6.2.2：调整目标变量的概率分布

94、调整方法以变量λr为例阐述，若概率p(λr＝1)取值增大20％，则需调整概率p(λr＝2)和p(λr＝3)取值，调整方法如下：

95、调整前后变量λr的概率分布如表2和表3所示：

96、表2调整前变量λr的概率分布

97、 <![cdata[λ^r]]> 1 2 3 <![cdata[p(λ^r)]]> <![cdata[a₁]]> <![cdata[a₂]]> <![cdata[a₃]]>

98、表3调整后变量λr的概率分布

99、 <![cdata[λ^r]]> 1 2 3 <![cdata[p(λ^r)]]> <![cdata[1.2a₁]]> <![cdata[a₂/(1-a₁)·(1-1.2a₁)]]> <![cdata[a₃/(1-a₁)·(1-1.2a₁)]]>

100、经过上述概率分布调整，保证变量λr所有取值概率之和为1；

101、6.2.3：计算变量a、l不同取值比例的变化率

102、计算方式以变量λr为例阐述，具体如下表4和表5所示：

103、表4

104、 a 1 2 3 <![cdata[调整前p(a|λ^r)]]> <![cdata[a₁]]> <![cdata[a₂]]> <![cdata[a₃]]> <![cdata[调整后p(a|λ^r)]]> <![cdata[a₁′]]> <![cdata[a₂′]]> <![cdata[a₃′]]> 变化率 <![cdata[(a₁-a₁′)/a₁]]> <![cdata[(a₂-a₂′)/a₂]]> <![cdata[(a₃-a₃′)/a₃]]>

105、表5

106、 l 1 2 3 <![cdata[调整前p(l|λ^r)]]> <![cdata[a₁]]> <![cdata[a₂]]> <![cdata[a₃]]> <![cdata[调整后p(l|λ^r)]]> <![cdata[a₁′]]> <![cdata[a₂′]]> <![cdata[a₃′]]> 变化率 <![cdata[(a₁-a₁′)/a₁]]> <![cdata[(a₂-a₂′)/a₂]]> <![cdata[(a₃-a₃′)/a₃]]>

107、。

108、进一步地，基于所述步骤6的灵敏度分析结果，可分析得到调整后使得目标条件概率变化最为显著的因素，即影响配电网韧性的关键因素。

109、上文中，步骤2所得影响配电网韧性的重要变量及简要说明，如表6所示：

110、表6

111、

112、其中，变量e、o、n，t0、λr、tr为影响配电网韧性的具体因素，变量a、l为配电网韧性的实际表现。

113、与现有技术相比，本发明的优点在于：

114、1、准确可靠：本发明能够提供更可靠的决策支持，通过贝叶斯网络模型和灵敏度分析技术，识别影响配电网韧性的关键因素，实现更准确有效的资源分配和控制策略制定，从而提升配电网的韧性。

115、2、经济效益：通过合理利用资源、精准控制决策，本发明能够有效降低系统运行成本和用户损失，提升电力系统的经济效益。