电网暴雨长期预测关键因子选取方法、装置及预测系统制造方法及图纸

本公开涉及一种电网暴雨长期预测关键因子选取方法、装置及预测系统。其中，方法包括基于待选取关键因子搭建BP神经网络；基于BP神经网络，从待选取关键因子中随机选取至少N‑k个关键因子进行M次降水量预测值的计算；在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；基于预测准确率确定各选取的关键因子的影响指标；对各影响指标由高到低进行排序，选取排名前Q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。本公开实施例通过选取电网暴雨长期预测关键因子，提高了电网暴雨长期预测的准确率，减少了预测的计算量。

【技术实现步骤摘要】
电网暴雨长期预测关键因子选取方法、装置及预测系统
本公开涉及电网
，尤其涉及一种电网暴雨长期预测关键因子选取方法、装置及预测系统。
技术介绍
电网暴雨灾害是夏季威胁电网最为严重的外部环境自然灾害，其带来的短时强降水容易导致变电站等重要电力设备淹没，造成电力设备损坏；同时，电网暴雨所引发的次生灾害如滑坡和泥石流等，可能造成杆塔倒塔和断线等事故；此外，电网暴雨容易导致水力发电站水库弃水，造成经济损失。电网暴雨长期预测可提前预测不同地区电网暴雨的发生趋势，指导电网提前制定暴雨灾害防治措施和预案，最大化地减少暴雨灾害给电网带来的损失。但暴雨长期预测的关键因子(即影响暴雨长期预测的因素)众多，过多的输入变量会导致电网暴雨长期预测准确率大幅度降低，同时预测的计算量急剧增加。因此，电网暴雨长期预测关键因子的选取具有重要意义。
技术实现思路
为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种电网暴雨长期预测关键因子选取方法、装置及预测系统。本公开提供了一种电网暴雨长期预测关键因子选取方法，包括：基于待选取关键因子搭建BP神经网络，其中，待选取关键因子不同，搭建的BP神经网络不同，且降水量预测值作为所述BP神经网络的输出；基于所述BP神经网络，从所述待选取关键因子中随机选取至少N-k个关键因子进行M次降水量预测值的计算，其中，N为待选取关键因子的个数，k大于或等于0，M为大于2的整数，且在每次降水量预测值的计算中，选取的关键因子不同；在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；基于所述预测准确率确定各选取的关键因子的影响指标；对各所述影响指标由高到低进行排序，选取排名前Q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。可选的，随机选取至少N-k个关键因子采用蒙特卡洛抽样法。可选的，基于所述预测准确率确定各选取的关键因子的影响指标，包括：在i次降水量预测值的计算中，基于所述预测准确率及第j个关键因子的选取情况，确定第j个关键因子的第一影响指标；基于第j个关键因子在M次降水量预测值计算得到的所述第一影响指标，确定第j个关键因子的第二影响指标，并作为所述第j个关键因子的影响指标。可选的，所述第一影响指标的计算方法如下：其中，R0为k等于0时得到的预测准确率，Ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率；所述第二影响指标的计算方法如下：其中，L为第j个关键因子在M次降水量预测值计算中第一影响指标不为0的个数。本公开提供了一种电网暴雨长期预测关键因子选取装置，包括：神经网络搭建模块，用于基于待选取关键因子搭建BP神经网络，其中，待选取关键因子不同，搭建的BP神经网络不同，且降水量预测值作为所述BP神经网络的输出；预测值计算模块，用于基于所述BP神经网络，从所述待选取关键因子中随机选取至少N-k个关键因子进行M次降水量预测值的计算，其中，N为待选取关键因子的个数，k大于或等于0，M为大于2的整数，且在每次降水量预测值的计算中，选取的关键因子不同；准确率计算模块，用于在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；影响指标确定模块，用于基于所述预测准确率确定各选取的关键因子的影响指标；关键因子选取模块，用于对各所述影响指标由高到低进行排序，选取排名前Q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。可选的，随机选取至少N-k个关键因子采用蒙特卡洛抽样法。可选的，所述影响指标确定模块包括：第一影响指标确定单元，用于在i次降水量预测值的计算中，基于所述预测准确率及第j个关键因子的选取情况，确定第j个关键因子的第一影响指标；第二影响指标确定单元，用于基于第j个关键因子在M次降水量预测值计算得到的所述第一影响指标，确定第j个关键因子的第二影响指标，并作为所述第j个关键因子的影响指标。可选的，所述第一影响指标的计算方法如下：其中，R0为k等于0时得到的预测准确率，Ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率；所述第二影响指标的计算方法如下：其中，L为第j个关键因子在M次降水量预测值计算中第一影响指标不为0的个数。本公开提供了一种电网暴雨长期预测系统，包括：处理器；用于存储所述处理器可执行指令的存储器；所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本公开提供的电网暴雨长期预测关键因子选取方法。本公开实施例提供的技术方案与现有技术相比具有如下优点：本公开实施例提供的技术方案基于待选取关键因子搭建BP神经网络；基于BP神经网络，从待选取关键因子中随机选取至少N-k个关键因子进行M次降水量预测值的计算；在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；基于预测准确率确定各选取的关键因子的影响指标；对各影响指标由高到低进行排序，选取排名前Q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。由此，本公开实施例通过选取电网暴雨长期预测关键因子，提高了电网暴雨长期预测的准确率，减少了预测的计算量。附图说明此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，在不付出创造性劳动性的前提下，还可以根据这些附图获得其他的附图。图1为本公开实施例提供的电网暴雨长期预测关键因子选取方法的流程示意图；图2为本公开实施例提供的电网暴雨长期预测关键因子选取装置的结构框图；图3为本公开实施例提供的电网暴雨长期预测系统的结构示意图。具体实施方式为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。图1为本公开实施例提供的电网暴雨长期预测关键因子选取方法的流程示意图。该关键因子选取方法适用于电网暴雨长期预测的情况，可以由电网暴雨长期预测关键因子选取装置执行，其中该电网暴雨长期预测关键因子选取装置可以采用软件和/或硬件的方式实现，一般可集成在电网暴雨长期预测系统中。如图1所示，本公开实施例提供的一种电网暴雨长期预测关键因子选取方法，包括：步骤110、基于待选取关键因子搭建B本文档来自技高网...

【技术保护点】
1.一种电网暴雨长期预测关键因子选取方法，其特征在于，包括：/n基于待选取关键因子搭建BP神经网络，其中，待选取关键因子不同，搭建的BP神经网络不同，且降水量预测值作为所述BP神经网络的输出；/n基于所述BP神经网络，从所述待选取关键因子中随机选取至少N-k个关键因子进行M次降水量预测值的计算，其中，N为待选取关键因子的个数，k大于或等于0，M为大于2的整数，且在每次降水量预测值的计算中，选取的关键因子不同；/n在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；/n基于所述预测准确率确定各选取的关键因子的影响指标；/n对各所述影响指标由高到低进行排序，选取排名前Q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。/n

【技术特征摘要】
1.一种电网暴雨长期预测关键因子选取方法，其特征在于，包括：
基于待选取关键因子搭建BP神经网络，其中，待选取关键因子不同，搭建的BP神经网络不同，且降水量预测值作为所述BP神经网络的输出；
基于所述BP神经网络，从所述待选取关键因子中随机选取至少N-k个关键因子进行M次降水量预测值的计算，其中，N为待选取关键因子的个数，k大于或等于0，M为大于2的整数，且在每次降水量预测值的计算中，选取的关键因子不同；
在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；
基于所述预测准确率确定各选取的关键因子的影响指标；
对各所述影响指标由高到低进行排序，选取排名前Q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。


2.根据权利要求1所述的电网暴雨长期预测关键因子选取方法，其特征在于，随机选取至少N-k个关键因子采用蒙特卡洛抽样法。


3.根据权利要求1所述的电网暴雨长期预测关键因子选取方法，其特征在于，基于所述预测准确率确定各选取的关键因子的影响指标，包括：
在i次降水量预测值的计算中，基于所述预测准确率及第j个关键因子的选取情况，确定第j个关键因子的第一影响指标；
基于第j个关键因子在M次降水量预测值计算得到的所述第一影响指标，确定第j个关键因子的第二影响指标，并作为所述第j个关键因子的影响指标。


4.根据权利要求3所述的电网暴雨长期预测关键因子选取方法，其特征在于，所述第一影响指标的计算方法如下：



其中，R0为k等于0时得到的预测准确率，Ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率；
所述第二影响指标的计算方法如下：



其中，L为第j个关键因子在M次降水量预测值计算中第一影响指标不为0的个数。


5.一种电网暴雨长期预测关键因子选取装置，其特征在于，包括：
神经网络搭建模块，用于基于待选取关键因子搭建BP神经网络，其中，待选取关键因子不同，搭建的BP神经网络不同，且降水量预测值...

【专利技术属性】
技术研发人员：简洲，叶钰，徐勋建，郭俊，李丽，
申请(专利权)人：国网湖南省电力有限公司，国网湖南省电力有限公司防灾减灾中心，国家电网有限公司，
类型：发明
国别省市：湖南;43