基于支持向量回归和统计分析的配网故障分区预测模型

李童飞 舒小雨 胡梓锡 张郁 苑波

摘 要：城市配网故障预测为抢修工作高效计划与开展提供了重要依据。本文提出了基于支持向量回归的城市配网故障分区预测模型，该模型以支持向量回归方法为核心，以故障量和气象因素为输入，采用回归参数优选等方法进一步优化预测建模；同时将城市划分为若干个区域，结合历史故障统计分析，计算每个区域的故障概率，将预测故障数量值进一步细化到区块内，实现了配网故障数量的分区预测。在城市配网中的实际算例验证了模型的有效性。

关键词：配网；故障；预测；支持向量机；SVM

近年来社会公众对供电企业供电服务的要求和期望越来越高，电力保障水平和供电服务水平更是广大人民群众最关心的问题。配网抢修业务是体现供电企业服务水平的重要环节，准确的配网故障预测，为超前配置抢修资源、科学开展抢修工作提供了有力依据，在目前供电企业抢修压力普遍较大的情况下，具有重要意义。

目前，国内外对于配网故障方面的研究较少，主要在故障定位[ 1 ]、抢修任务分配[ 2 ]、抢修流程优化[ 3 ]等方面，文献[ 4 ]提出了一种基于气象因素和时间序列分析的配电网故障数量预测模型，时间序列模型是一种典型的时序分析方法，其特点就是重点考虑故障的时序相关性，该方法将气象信息以附加模型的方式加入建模，在一定程度上弥补了单纯时间序列方法的不足。

本文提出了一种基于支持向量回归和统计分析方法的配网故障分区预测模型，支持向量回归是不同于传统时间序列模型的新一代智能算法，随着电网采集和监控技术的发展，更多的配网数据可以被收集利用，采用智能算法可以更好地挖掘数据之间的相关性，发现隐含信息，从而更好地实现配网故障的精准预测。

1 支持向量回归模型简介

支持向量机是由Vapnik及其领导的贝尔实验室提出的一种机器学习技术，在很多应用领域中获得目前为止最好的性能。故障预测领域用到的主要是支持向量回归模型。下面简要介绍一下本文用到的？着-支持向量回归模型原理。

假定有历史数据样本（x1，y1），···，（xN，yN），其中x∈Rn，y∈R这些样本依据某种概率密度P（x，y）分布。支持向量回归（Support Vector Regression，SVR）问题就是希望找到一个可行的拟合函数f（x）=〈？棕·？准（x）〉+b来回归这些训练点，使得回归误差（或者称损失）最小，但由于是未知函数，因此应该考虑最小化

支持向量回归是基于结构风险最小化的，而不是传统意义上的经验风险最小化，在样本不多的情况下仍旧可以保证较好的预测能力，目前被广泛应用于各种类型的预测之中并取得了良好效果。

2 城市配网分区预测模型

模型以支持向量回归算法为核心，将预测日之前一段时期的故障、天气数据作为训练样本，以预测日前2日的故障情况和当日预测天气数据为输入，获得预测日的故障数量预测值。

将预测范围划分为若干个区域，基于历史数据进行统计分析，得出每个区域发生故障数量和类型概率，并将其与总体预测故障数量相结合，即可以得出每个区域发生的故障数量、类型预测值，为抢修计划安排与驻点优化提供有力支撑。

2.1 回归参数选择

支持向量回归的参数选择问题，主要就是核函数K（x，y）及其参数、惩罚因子C的选择问题。核函数K（x，y）的选择没有固定依据，但为了更好地模拟样本非线性，应把样本向量尽量映射到非线性空间中，一般都采用非线性的核函数如多项式核和RBF核。

核函数参数和惩罚因子的选择可通过交叉验证法（Cross-Validation）、引导指令法（Bootstraping）和贝叶斯方法（Bayesian）等；本文采用了文献[ 8 ]介绍的网格搜索法（Grid Search）网格搜索法看似简单，但却是简洁实用的方法，其优点是可以保证收敛性和局部优解且寻参时间短。当然，网格搜索范围和步长选择的好坏也直接影响着搜索结果的优劣。

2.2 基于统计分析的分区预测

使用标准网格或其他分区方法将预测配网范围划分为A个区，根据历史故障数据统计可得一段时期内该范围中总故障量为F，第i个分区内的第j类故障数量为Bij

3 算例分析

将基于支持向量回归和统计分析的配网故障分区预测模型应用于华北某市配网算例中，以验证该模型的有效性。输入选择预测前两日故障数量、预测日最高温度、预测日降水状况、预测日风力等输入数据。模型训练样本选择预测日前30日的相应输入值作为历史样本，输出值作为检验目标值。

本文采用华北某市电网2016年5月1日～6月10日共41组数据进行算例分析。其中采用5月1日至5月31日31组数据作为初始训练样本，对6月1日至6月10日10个工作日的数据进行模拟预测，以检验预测精度。算例的核函数采用多项式核，网格搜索法搜索范围为，经搜索，确定参数值分别为、核函数参数g=0.25。以此为基础预测10天的故障总量值如表1：

可以看出，预测准确率在94%以上，总体预测值具有良好效果。将城市划分为9个区域，以6月2日为例，可得9个区域的预测值如表2所示：

由上表可知，分区预测的最大误差绝对值为2，误差量很低，进一步证明了模型预测的效果。

4 结语

本文采用支持向量回归和统计分析结合的方法对城市配网故障进行了分区预测，并结合灵敏度分析、参数选择等方法对模型进行了进一步优化，给出了预测模型建模的完整流程，经算例检验模型具有较强的实用性和可操作性。随着今后数据采集技术的不断提升，数据维度和精度的不断提高，该方法可以将更多维的数据进一步纳入输入输出空间，不断提升预测精度，对配网抢修工作进行更大的支撑。

参考文献：

[1] 翁蓝天，刘开培，刘晓莉等.复杂配电网故障定位的链表法[J].电工技术学报，2009，24（5）：190-196.

[2] 杨丽君，张晶，程慧琳等.基于最优效用的配电网多故障抢修任务分配策略[J].电工技术学报，2014，29（6）：263-270，289.

[3] 周元祺，陈志樑，张麟等.利用故障抢修管理系统优化配电网故障抢修流程[J].供用电，2012，29（3）：51-54.

[4] 张鹏飞，瞿海妮，肖其师等.基于气象因素和时间序列分析的配電网故障数量预测[J].陕西电力，2016，44（1）：68-72.

[5] Nello Cristianini，John Shawe-Taylor，支持向量机导论（中文版），北京：电子工业出版社.

[6] 李元诚，方廷健，于尔铿.短期负荷预测的支持向量机研究，中国电机工程学报，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] 奉国和，SVM分类核函数及参数选择比较，计算机工程与应用，2011，47（3）：123-124，128.