一种电力系统可靠性影响因素灵敏度计算方法技术领域
本发明涉及电力信息管理领域，更具体地，涉及电力系统可靠性的影响因素灵敏
度计算方法。
背景技术
目前，电力系统的可靠性与运行环境和系统运行规划方式等因素密切相关，而影
响因素与可靠性指标之间往往呈现出复杂的动态高维非线性关系。传统的基于元件可靠性
推演系统可靠性的方法，由于需要借助历史统计和相对稳定的系统结构，以保障正确描述
随机变量相关性和甄选模型结构，而现如今，在电力市场不断放开和新能源并网等需求的
持续刺激下，各个地区的配电网系统结构正在发生快速变化，传统基于统计推理的可靠性
预测方法难以有效实施和应用。
数据驱动型的建模方式为建立快速变化的输入数据和输出之间的关系提供了新
的思路。目前，已有研究提出数据驱动型的可靠性指标建模和数值预测方法。由何剑,程林,
孙元章,王鹏在2008年的《电力系统与保护》中，发表的《计及天气预测的电力系统运行可靠
性短期评估》提出计及天气预测的电力系统短期可靠性预测模型，采用支持向量机对气温
和风速进行预测，并推导了系统各部分的失效概率对系统切负荷概率、电力不足期望值以
及电量不足期望值的贡献度。由赵渊,周念成,谢开贵等在2005年《电网技术》中发表的《大
电力系统可靠性评估的灵敏度分析》一文中推导了失负荷概率、失负荷频率和电力不足期
望等大电力系统可靠性指标对元件有效度、无效度、故障率和修复率的灵敏度。A.M.L.da
Silva,A.C.R.和L.C.Nascimento在2014年的达拉莫PMAPS国际会议上所作的
《Data calibration based on Monte Carlo simulation and evolutionary
optimization》一文基于元件可靠性参数对系统可靠性指标的灵敏度的概念和序贯蒙特卡
洛仿真算法，提出一种元件可靠性参数校核方法。H.Ge和S.Asgarpoor,在2014年的IEEE
Transactions on Power Delivery上发表的《Reliability and Maintainability
Improvement of Substations With Aging Infrastructure》提出一种变电站可用率相对
于其组成元件可用率的灵敏度，并用该灵敏度的规范值来表征各个元件对于变电站可靠性
的贡献。T.X.Zhu在《A New Methodology of Analytical Formula Deduction and
Sensitivity Analysis of EENS in Bulk Power System Reliability Assessment》一文
中针对复合电力系统可靠性指标期望却供电量，推导了元件故障率和修复率的灵敏度。
R.Arya,S.Choube,L.Arya,and R.Shrivastava在《Application of Sensitivity
Analysis for Improving Reliability Indices of a Radial Distribution System》中
提出基于元件维护成本灵敏度分析的元件故障率和修复时间优化方法。在此基础上，本发
明提出一种基于BP神经网络的配电网可靠性关联因素灵敏度计算方法。
发明内容
本发明提供一种克服上述问题或者至少部分地解决上述问题的方法。
根据本发明的一个方面，提供一种电力系统可靠性的影响因素灵敏度计算方法，
包括：步骤1，在可靠性指标的神经网络中选择N条链路，所述链路满足以下条件：在神经网
络的每一层中各选取一个神经元组成一条链路，所述被选取的神经元必须逐层依次直接相
连；步骤2，分别计算所述各条链路中某一影响因素的灵敏度指标，计算所有链路的灵敏度
指标均值作为所述影响因素对可靠性指标的灵敏度。
本申请提出一种电力系统可靠性的影响因素灵敏度计算方法，该方法能够有效识
别给定神经网络模型下，可靠性指标的各个关联因素的灵敏度的大小和相对重要性，为大
数据环境下系统可靠性的管理和系统建设提供了有价值的数值分析工具。本发明通过实际
数据的仿真实验可以有效地将其影响因素区分为有利因素和不利因素，并根据对所给指标
的灵敏度贡献，将同性质影响因素的灵敏度重要程度进行量化排序。
附图说明
图1为根据本发明实施例的整体流程图示意图；
图2为根据本发明实施例可靠性指标的神经网络的结构示意图；
图3为根据本发明实施例的整体流程图示意图。
具体实施方式
下面结合附图和实施例，对本发明的具体实施方式作进一步详细描述。以下实施
例用于说明本发明，但不用来限制本发明的范围。
在图1中，在本发明的一个具体实施例，示出一种电力系统可靠性的影响因素灵敏
度计算方法。总体来说，包括：步骤1，在可靠性指标的神经网络中选择N条链路，所述链路满
足以下条件：在神经网络的每一层中各选取一个神经元组成一条链路，所述被选取的神经
元必须逐层依次直接相连；步骤2，分别计算所述各条链路中某一影响因素的灵敏度指标，
计算所有链路的灵敏度指标均值作为所述影响因素对可靠性指标的灵敏度。
在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方
法，所述数据网络为BP神经网络。
在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方
法，所述可靠性指标能够为：用户年均停电小时数。
在本发明另一个具体实施例中，所述影响因素能够为：绝缘馈线比、联络线比例、
分段与馈线的数量比、单位分段平均用户数或年均馈线容载比。
图2中，在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计
算方法，如所示，所述可靠性指标的神经网络各个网络包含的隐藏层、神经元个数以及传递
函数。
在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方
法，步骤2中所述分别计算所述各条链路中某一影响因素的灵敏度指标，通过以下步骤实
现。借助连续导数法则，推导给定可靠性指标的神经网络下的可靠性指标和单一影响因素
之间的解析关系表达式如下：类似图2所示的一个三层神经网络所示的符号含义，对于包含
一个输入层(第0层)，M个隐藏层以及一个输出层的其它神经网络，各个层级的输入输出通
用关系模型为：
o(k+1)(j)＝h(k+1)(n(k+1)(i)) (2)
其中，o(k+1)(j)＝I(j)，h(k)()表示第k层的传递函数。
根据偏导数的链式求导法则，从最后一层，即M+1层开始，从公式(2)出发进行偏导
数求取运算，即可以得到：
其中I为可靠性指标，F为影响因素，M为所述可靠性指标的神经网络中隐藏层的个
数，i为各层中神经元编号。
在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方
法，所述步骤1前还包括：利用样本增广技术对可靠性的各影响因素数据小样本进行初级增
广，得到初级增广矩阵AE；基于初级增广矩阵AE进行单输出神经网络训练。
图3中，在本发明另一个具体实施例中以用户年均停电小时数(TOH)指标为例进行
灵敏度计算方法的介绍，示出一种电力系统可靠性的影响因素灵敏度计算方法。包括以下
步骤：(一)针对可靠性指标TOH，选定三个不同的BP神经网络可靠性模型，所选用的各个网
络包含的隐藏层、神经元个数以及传递函数如下表1所示。
(二)对各个网络均利用Matlab神经网络工具箱采Levenberg Marquardt
optimization算法进行训练，其它参数均采用软件包默认设置；影响因素和可靠性指标的
定义以及相关原始统计数据汇总于下表。
(三)利用核密度拟合技术对原始数据进行100倍扩充后，对每个BP神经，控制训练
精度为样本预测和实际值的均方差小于0.019。
(四)根据给定的人工神经网络可靠性模型，依据对“神经元链路”的定义，找到一
条满足条件的指标TOH和可转供馈线比例的“神经元链路”。计算这条神经元链路的灵敏度
指标并取所有链路的灵敏度均值作为影响因素可转供馈线比例对指标TOH的灵敏度。
(五)针对可靠性指标TOH，依次独立重复上段落中步骤，即可得到可靠性指标TOH
对其影响因素“绝缘馈线比”、“联络线比例”、“分段与馈线的数量比”“单位分段平均用户
数”以及“年均馈线容载比”的灵敏度。
针对每个可靠性指标，依次独立重复上述步骤(三)至(五)，即可得到每一个可靠
性指标对其影响因素的灵敏度。
在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方
法，所述步骤1前还包括：利用样本增广技术对可靠性的各影响因素数据小样本进行初级增
广，得到初级增广矩阵AE；基于初级增广矩阵AE进行单输出神经网络训练。
在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方
法，所述对各神经网络训练包括：利用Matlab神经网络工具箱采Levenberg Marquardt
optimization算法进行训练，其它参数均采用软件包默认设置。
在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方
法，所述步骤1中利用样本增广技术对可靠性的各影响因素数据小样本进行初级增广，包
括：利用核密度拟合技术对小样本进行增广。
在本发明另一个具体实施例中，一种电力系统可靠性的影响因素灵敏度计算方
法，对每个BP神经，控制训练精度为样本预测和实际值的均方差小于0.019。
最后，本申请的方法仅为较佳的实施方案，并非用于限定本发明的保护范围。凡在
本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护
范围之内。