(19)中华 人民共和国 国家知识产权局 (12)发明 专利申请 (10)申请公布号 (43)申请公布日 (21)申请 号 202111507700.6 (22)申请日 2021.12.10 (71)申请人 国网浙江省电力有限公司平阳县供 电公司 地址 325401 浙江省温州市 鳌江镇昆鳌大 道1155号 申请人 平阳县昌泰电力实业有限公司 　 国网浙江省电力有限公司电力科 学 研究院　 国网浙江省电力有限公司温州供电 公司　 温州图盛 控股集团有限公司 　 浙江工业大 学 (72)发明人 叶清泉　林厚飞　金建新　廖鸿图　 冯昌森　施亦治　林达　支秉忠　 陈伟　章玮　姜衍　张扬　洪彬峰　邓宝华　龚瑛　王万焕　 (74)专利代理 机构 杭州华鼎知识产权代理事务 所(普通合伙) 33217 代理人 欧阳俊 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06K 9/62(2022.01) (54)发明名称 一种基于RelieF-softmax算法的综合能源 系统故障风险预警方法 (57)摘要 一种基于RelieF ‑softmax算法的综合能源 系统故障风险预警方法， 构建综合能源系统模 型； 对故障特征数据进行预处理； 利用RelieF算 法根据特征对样本距离的远近区分能力来筛选 特征； 以故障发生频率和故障发生时影 响的住户 数量和范围作为故障风险等级划分的依据来进 行故障风险等级预测； 采用基于RelieF ‑softmax 算法进行综合能源系统故障风险预 警。 本发明能 有效避免错误分类高风险故障所带来的严重后 果， 降低预测出现误差带造成的代价。 权利要求书3页 说明书9页 附图3页 CN 114399157 A 2022.04.26 CN 114399157 A 1.一种基于RelieF ‑softmax算法的综合能源系统故障风险预警方法， 其特征在于， 包 括以下步骤： S1： 构建综合能源系统模型； S2： 对故障特征数据进行预处理， 数据预处理包括数据清洗、 数据变换、 数据集成和异 常样本数据剔除； S3： 根据特征对样本距离的远近区分能力来筛选特征， 从原始数据集中选择部分特征 构造一个最佳 特征子集， 使其能够描述原 始样本空间； S4： 综合能源系统的故障风险等级划分； S5： 基于RelieF ‑softmax算法进行综合能源系统故障风险预警， 对提取后的故障特征 分类以及对样本数据进行训练学习的方法。 2.如权利 要求1所述的一种基于RelieF ‑softmax算法的综合能源系统故障风险预警方 法， 其特征在于， 所述步骤S1中构建的综合能源系统模型， 利用电网子系统、 气网子系统之 间的能量相互转 化过程， 通过电转气技 术和燃气轮机设备实现。 3.如权利 要求1所述的一种基于RelieF ‑softmax算法的综合能源系统故障风险预警方 法， 其特征在于， 所述 步骤S2中， 数据预处 理方法如下： S2‑1： 数据清洗： 指针对原始数据中的空缺指、 重 复值、 异常值进行处理， 以确保数据集 在进行训练和测试时是完整且合理的； 数据空缺值处理是对原始数据中的记录缺 失进行平 均数或中位数补充替换或者将数据剔除； 数据重复值处理是对数据集里相似或重复数据进 行去除； 数据异常值处 理是根据原 始数据的逻辑关系， 针对偏差过 大的数据进行识别剔除； S2‑2： 数据变换： 指原始数据中复杂数据替换成易于分析的数据， 对连续数值进行离散 化分级处 理； S2‑3： 数据集成： 指进行 数据统计， 将数据集成到统一的数据库里； S2‑4： 异常样本数据剔除： 指针对原始数据集中出现的偏差极大、 极小数据、 错误输入 数据、 无意 义数据进行识别检查和剔除； S2‑5： 通过上述数据预处 理， 得到最终的故障特 征集合。 4.如权利 要求1所述的一种基于RelieF ‑softmax算法的综合能源系统故障风险预警方 法， 其特征在于， 所述 步骤S3中， 故障特 征的选择 方法如下： S3‑1： 对样本集D中的每一个特征赋予初始权重值W＝0， 每次从样本中随机抽取一个样 本s， 利用欧几里得距离公式， 计算出样 本s与其他样 本的距离， 在同类样本中， 找到与样本 s 距离最近的k个同类最近邻H； 在非同类样 本中， 找到与样 本s距离最近的非同类最近邻M； 距 离函数计算公式为： 式中， d(a,X,Y)表示样本X和样本 Y在特征a上的差值； 故障特征的权重值更新计算公式为： 权　利　要　求　书 1/3 页 2 CN 114399157 A 2式中,Wa是特征a的权重值， k是最近邻的样本数量， t是抽样次数， Hi， Mi分别表示与样本 s的同类最近邻和非同类最近邻， clas s为样本的数量占总样本数量的比值 函数； S3‑2： 采用基于聚类算法的分层抽样方法： 1)采用K‑maxmin聚类算法来进行分层抽样； 2)采用K‑maxmin聚类算法对初始的特征数据集进行 聚类， 然后再对聚类后的数据按比 列分层抽样， 占比选择初始样本中各类别占总样本的比例来确定抽样的次数分配到每种类 别上的次数， 即各类别抽样的总次数为m； S3‑3： 采用Pearson相关系数法来对两个相关性比较大特征进行筛选和剔除； Pearson 系数表示的相关性ρ ij的计算公式为： 式中cov(Di， Dj)是样本i和样本j之间的协方差， δDi， δDj分别是样本i和样本j的方差； 提取最优故障特 征变量： 对 采集到的原 始数据进行处 理， 提取出最终的特 征集合。 5.如权利 要求1所述的一种基于RelieF ‑softmax算法的综合能源系统故障风险预警方 法， 其特征在于， 所述 步骤S4中， 划分故障风险等级： S4‑1以馈线百公里的故障发生频率和故障发生时影响的住户数量和范围作为故障风 险等级划分的依据； 百公里故障率记为Si： 式中， Si为该区域内第i个馈线的百公里故障率， fij为第i个馈线上第j次故障发生时的 辨识标志， Li是第i个馈线的长度； 故障发生时的影响范围以百公里影响的住户数量作为标准， 其计算公式是： 式中， Ci表示第i条馈线上受故障影响的住户数量， nf是该区域一个月故障发生的总数， Fij是第i条馈线上第j次发故障发生时受影 响的变压器的集合， nij、 k和tij、 k分别表 示第i条 馈线上第j次故障中第k个受影响的变压器 影响的住户数量和受影响的时间； S4‑2将综合能源系 统故障风 险等级划分为三个等级： 一级、 二级、 三级； 分别对应三个 风险程度： 正常、 紧急、 严重 。 6.如权利 要求1所述的一种基于RelieF ‑softmax算法的综合能源系统故障风险预警方 法， 其特征在于， 所述 步骤S5中， 采用基于Rel ieF‑softmax算法进行故障风险等级预警： S5‑1输入m个数据{(x1， y1)， (x2， y2)， ...， (xm， ym)}， 其中x为输入向量， y是其对应输出 的类别向量， 设有K个类别， 则输出向量yi属于{1， 2， ...， K}； softmax回归主要是估计输入 数据归属于每一类的概 率， 对于任一输入向量， 其预测函数表达式为： 权　利　要　求　书 2/3 页 3 CN 114399157 A 3