[发明专利]一种用于设备状态检修的电力系统优化决策方法

摘要

本发明公开了一种用于设备状态检修的电力系统优化决策方法，根据电力系统中各个电力设备的运行参数，生成电力网络的拓扑结构图，根据各个电力设备运行参数，构建训练样本集，将训练样本集输入神经网络模型，进行神经网络模型的学习训练，对电力设备的当前状态值进行数据聚类，对聚类后的电力设备数据利用隐马尔科夫模型进行参数训练，通过对电力系统的设备进行实时状态的优化决策处理，充分利用了对向传播神经网络的自组织、自学习能力等优点，有针对性地指导企业对供配电网进行相关节能改造，实现工业企业提高用电效率、节约用电成本、提高经济效益的目的。

主权项

1.一种用于设备状态检修的电力系统优化决策方法，其特征在于，该方法包括如下步骤：步骤1)、根据电力系统中各个电力设备的运行参数，生成电力网络的拓扑结构图；步骤2)、根据各个电力设备运行参数，构建训练样本集，对各个电力设备的运行参数划分区间，然后进行归一化处理，将其置于(0，1)区间，利用均匀随机数在各级指标变化区间内随机插入指标样本值；步骤3)、将训练样本集输入神经网络模型，进行神经网络模型的学习训练；在神经网络模型中，对每一采样时刻t，基于电力设备的当前状态和历史运行状态，在每一采样时刻依据所获取的电力设备的当前状态值进行离散二维位置序列，采用一阶差分方法对其进行处理，获取新的电力设备离散位置序列；步骤4)、对电力设备的当前状态值进行数据聚类，对处理后新的电力设备的当前状态值确定离散二维位置序列值，通过设定聚类的个数，最后采用K‑means聚类算法分别对其进行聚类；步骤5)、对聚类后的电力设备数据利用隐马尔科夫模型进行参数训练，依据最新获得的观测值对隐马尔科夫模型参数进行重新估计；基于电力设备当前状态的隐状态，在特定时刻通过设定预测时域，获取未来时段电力设备的可能状态预测值。