多元复杂城市电网多源数据驱动的故障预测方法及其系统

1.一种多元复杂城市电网多源数据驱动的故障预测方法，其特征在于，包括以下步骤：步骤1：采集历史动态电气量，并将其划分为多元序列分析ARIMAX算法的训练集和测试集，并进行算法训练和故障预测日的动态电气量预测，生成预测动态电气量；步骤2：分析电网数据中的静态开关量和静态物理量，以及步骤1所得预测动态电气量，以此判断静态开关量是否存在动作量；步骤3：选取电网的节点负荷、输电线路为故障预测的监控对象，对预测动态电气量和静态物理量进行无量纲化处理，采用逐步回归分析法建立回归模型，通过逐步回归分析法确立预测自变量系数，根据公式(1)得出区域内监控对象的故障危险性系数 其中， 为区域内监控对象的故障危险性系数，X i 指代预测动态电气量及静态物理量中的数据，i取值范围为1至n，n代表数据类别总数；步骤4：利用步骤3的方式对历史动态电气量和静态物理量进行历史故障危险性系数计算，将计算结果划分为训练集和测试集，训练SVM算法；步骤5：利用步骤4训练好的SVM算法对输入的每个时刻各个节点的预测故障危险系数进行测试，并判断是否存在发生故障的可能性，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行，其中，SVM为支持向量机；步骤6：利用步骤5所得SVM算法分类输出的故障节点数据，遍历每个可疑故障对应的a i 系数，选取数值最大的可疑故障的系数对应的静态物理量X i ，读取故障数据库，输出该数据出现问题后发生的故障类型，提取可疑故障指标，当电力系统发生故障时，同一电气量或物理量出现问题后导致一种或两种以上故障类型，相应的可疑故障指标为一种或两种以上，当可疑故障类型数目是一种时，则输出可疑故障概要信息表，当可疑故障类型数目是两种以上时，则跳转步骤7；步骤7：舍弃步骤6所选取的最大的可疑故障的系数，选取此时最大的可疑故障的系数对应数据类型X i ，读取故障数据库，输出该数据出现问题后导致的故障类型，判断可疑故障类型数目是否为一种，当可疑故障类型数目是两种以上时，则重新执行步骤7，当可疑故障类型数目是一种时，则输出可疑故障概要信息表；步骤8：根据步骤6和步骤7所得可疑故障概要信息表调取每个采集样本点的静态电气量预测值，形成可疑故障详细信息；步骤9：计算故障距离；步骤10：结合步骤8所得可疑故障详细信息与步骤9所得故障距离，形成故障超前感知全信息整合，并传输至反馈调度端。 2.根据权利要求1所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：所述步骤1中，ARIMAX算法的时间序列模型参数选定为ARIMAX(1，1，1)。 3.根据权利要求1所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：所述步骤2中，当采集的静态开关量不存在动作量时，则舍弃静态开关量，输入两类数据，包括预测动态电气量以及静态物理量；当采集的静态开关量存在动作量时，则输入三类数据，包括静态开关量、预测动态电气量以及静态物理量。 4.根据权利要求1所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：所述步骤3中，每个自变量的数据都需要通过公式(2)进行无量纲化处理，其中，x * 为无量纲化后数值，x为初始自变量数据值，x μ 为自变量数据均值，x δ 为自变量数据标准差。 5.根据权利要求1所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：所述步骤8中，检测每个时间点t的静态电气量预测值γ，是否满足公式(3)，γ max 为故障发生阈值，阈值取1.0～1.2倍峰值，记录不满足公式(3)此刻时间t sta ，继续检测直至预测值γ恢复满足公式(3)，记录时间t end ，t sta 为开始时刻，t end 为结束时刻，γ t ≤γ max (3)。 6.根据权利要求5所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：所述阈值取1.15倍峰值。 7.根据权利要求5所述的多元复杂城市电网多源数据驱动的故障预测方法，其特征在于：所述步骤9中，计算公式(4)、(5)得到故障距离结果，其中x为故障点到可疑故障设备节点端口的位置距离，l为线路总长，v为行波波速，t sta 为开始时刻，t end 为结束时刻，L为线路电感，C为线路电容； 8.一种利用权利要求1-7中任一权利要求所述一种多元复杂城市电网多源数据驱动的故障预测方法的故障预测系统，所述故障预测系统包括电气量预测模块、数据读取模块、回归模型建立模块、故障可能性数据挖掘模块、可疑故障迭代模块、故障距离及时间计算模块、故障超前感知全信息整合模块，其特征在于：所述电气量预测模块利用历史电气量对未来电气量进行预测，读取历史动态电气量，作为多元序列分析ARIMAX算法的训练集和测试集，从而进行算法训练和故障预测日的动态电气量预测，得到预测动态电气预测量；所述数据读取模块读取电网数据，包括静态开关量、预测动态电气量和历史及预测静态物理量，其中动态电气量包括输入/输出电压值、输入/输出电流值以及有功功率，静态物理量包括气象数据、地理数据、季节、电力系统电力元件维修数与更换数；所述回归模型建立模块分析所采集的静态开关量是否存在动作量，当采集的静态开关量不存在动作量时，则舍弃静态开关量，输入两类数据，包括动态电气量以及静态物理量；存在动作量时输入三类数据，包括静态开关量、动态电气量以及静态物理量；选取其中的节点负荷、输电线路为故障预测的监控对象，对动态电气量和静态物理量进行无量纲化处理，采用逐步回归分析法建立回归模型，自变量包括动态电气量和静态物理量，且每个自变量的数据进行无量纲化处理，通过逐步回归分析法确立自变量系数；所述故障可能性数据挖掘模块利用故障危险性系数构造大数据故障超前感知模型，即利用故障危险性系数训练SVM算法，对故障预测对象即电网节点进行故障危险系数是否存在发生故障的可能性的数据挖掘，即使用历史故障类型及其对应故障危险性系数进行数据集训练，数据集包括所读取的动态电气量和静态物理量，使用训练完成后的SVM算法对实时输入的每个时刻各个节点的故障危险系数进行测试，输出所得到的数据分类结果散点图，以此预计电力系统发生故障或正常运行，其中，SVM为支持向量机；所述可疑故障迭代模块对SVM算法数据挖掘输出的节点数据构造可疑故障数据集，遍历每个可疑故障对应的a i 系数，选取数值最大的可疑故障的系数对应的静态物理量X i ，读取故障数据库，输出该类数据出现问题后最易发生的故障类型，即提取可疑故障指标，可疑故障指标指代故障类型，当电力系统发生故障时，同一电气量或物理量出现问题后导致一种或一种以上故障类型，相应的可疑故障指标为一种或一种以上，当可疑故障类型数目是一种以上时，则舍弃上一步所选取的最大的可疑故障的系数，继续进行迭代，选取此时最大的可疑故障的系数对应数据类型X，读取故障数据库，输出该类数据出现问题后导致的故障类型，判断可疑故障类型数目是否为一种，当可疑故障类型数目是一种以上时，则重新执行，当可疑故障类型数目是一种时，则输出可疑故障概要信息表，可疑故障概要信息表包括位置、可疑故障类型以及数据类型X对应时间序号，最终根据所得可疑故障概要信息表对应每个采集样本点的静态电气量预测值，形成可疑故障详细信息，其中静态电气量包括电流值和功率值；所述故障距离及时间计算模块计算得到故障距离及故障时间结果；所述故障超前感知全信息整合模块结合所得可疑故障详细信息与所得故障发生时间和故障距离，形成故障超前感知全信息整合，根据可疑故障类型读取超前控制指令库，调用建议预防控制措施，下发至反馈调度端。