一种基于大数据分析的电力网络可靠性评估方法技术

本发明专利技术提供了一种基于大数据分析的电力网络可靠性评估方法，属于智能电网数据分析领域。本发明专利技术以电力网络基础运行数据为评价数据，并按照运行级别分为网络运行维度、电力运行数据、安全运行数据；通过采集得到的基础产生的大数据作为分析对象，引入深度评估分析模型，使得评估采用的信息更多，挖掘到的特征更为准确；针对高维度的电力网络输入数据，针对性的改进现有卷积网络，使得网络更加轻量化，改进型网络融合BN层以及改进后的残差网络让训练更加的稳定并防止过拟合、训练速度更快，且能获得优于传统评估方法的评估结果。且能获得优于传统评估方法的评估结果。且能获得优于传统评估方法的评估结果。

【技术实现步骤摘要】
一种基于大数据分析的电力网络可靠性评估方法


[0001]本专利技术属于智能电网数据分析领域，具体涉及一种基于大数据分析的电力网络可靠性评估方法。

技术介绍

[0002]随着我国社会经济发展与生活水平提高，人们对电能需求量也在日益增多，所以电网数据可谓“海量”。进行电力网络的可靠性评估的前提是采集好相关电网数据，但由于电网数据的“海量”特征，所以数据采集工作量非常庞大、工作难度非常高，很难实现对数据的全面、高效采集。不过，随着大数据在电网可靠性评估中的应用，这一问题迎刃而解。数据采集是大数据的最关键技术之一，利用大数据可以有效保障数据采集的完整性、数据埋点的规范性与准确性以及数据上报的实时性，从而减少错误发生率。
[0003]虽然通过大数据平台能够实现对“海量”电网数据的有效分析，但由于海量数据中包括很多无用数据，所以在开展数据分析工作前先要对数据进行有效的建模，并找到数据之间的准确规律，然后再利用数据网来进行数据分析和预算，以保证分析和预测的准确性。但现有技术不论是从评价指标以及数据分析准确性上都存在很大不足。在实际智能电网通信网的运行中，可靠性指标与可靠性准则之间、以及可靠性准则与可靠性度量之间的关系大部分为非线性。传统层次分析方法分析线性关系，导致可靠性评估与实际结果偏差较大。且经过指标计算后数据会因为指标评价方式严重失真，且可靠性评估做不到实时性。

技术实现思路

[0004]本专利技术的目的在于解决上述现有技术中存在的难题，提供一种基于大数据分析的电力网络可靠性评估方法，具体包含如下步骤：
[0005]步骤1，采集电力网络的多维度运行数据，包含通信网络数据、电力运行数据及安全运行数据；
[0006]其中，通信网络数据具体为采集电力网络数据包含速率、带宽、吞吐量、时延、时延带宽积、往返时间RTT和网络利用率；
[0007]电力运行数据，实时采集一定时间内的输电、各级配电网中电压、电流数据、频率数据，一次设备平均温度、二次设备平均温度数据；
[0008]安全运行数据，实时采集电力网络中负荷数据、输出功率数据、各级管理系统流量日志数据、IP访问量数据。
[0009]步骤2数据预处理，对上述采集的通信网络数据、电力运行数据及安全运行数据进行归一化处理；由于一定时间内数据维度较高，在归一化处理后进一步进行降维；本申请具体采用基于PCA主成分分析进行数据降维，将每个维度的数据降低为N*M维；具体对归一化后的所有特征进行中心化；求协方差矩阵C；求协方差矩阵C的特征值和相对应的特征向量；将原始特征投影到选取的特征向量上，得到降维后的各维度新特征F1、F2、F3；
[0010]步骤3深度特征提取及评估模型构建
[0011]分别提取不同可靠性级别下电力网络的多维度运行数据，得到带有可靠性级别标签的n个训练样本；之后降维后的数据按照维度分别进行深度特征提取，并进行评估模型的训练；本申请可靠性级别分为五级，分别为高可靠性、较高可靠性、一般可靠性、较低可靠性、极低可靠性。
[0012]具体本申请改进型深度特征提取网络结构为：将输入F1、F2、F3特征矩阵分别经过第1卷积层、BN层RELU函数层、BN层、输入F1、F2、F3特征还通过残差结构越接与BN输出层得到结果进行融合，之后经过3层残差结构以及最大池化层的深度特征提取，将三个输入分支得到的卷积特征进行全局平均池化融合(GAP)、最后经Softmax层进行可靠性评估结果输出。
[0013]步骤4实时采集上述多维运行数据，并进行上述步骤2以及步骤3处理得到待评估深度特征，利用步骤3构建的模型进行电力网络可靠性评估。
[0014]步骤5，输出可靠性评估结果，结果包括高可靠性、较高可靠性、一般可靠性、较低可靠性、极低可靠性其中之一。
[0015]与现有技术相比，本专利技术的有益效果是：本专利技术以电力网络基础运行数据为评价数据，并创新性将电力网络运行级别分为网络运行维度、电力运行数据、安全运行数据，以实际的运行数据作为直接分析数据；以往评价均是通过一些评价指标得到评价结果，并没有直接利用运行数据，本申请得到通过采集得到的多维度大数据作为直接分析对象，引入深度评估分析模型，使得评估采用的信息更多，挖掘到的特征更为准确；针对高维度的电力网络输入数据，针对性的改进现有卷积网络，使得网络更加轻量化，改进型网络融合BN层以及改进后的残差网络让训练更加的稳定并防止过拟合、训练速度更快，且能获得优于传统评估方法的评估结果。
附图说明
[0016]图1本申请深度特征提取及评估模型网络示意图。
具体实施方式
[0017]下面结合附图1对本专利技术作进一步详细描述，提供一种基于大数据分析的电力网络可靠性评估方法，具体包含如下步骤：
[0018]步骤1，采集电力网络的多维度运行数据，包含通信网络数据、电力运行数据及安全运行数据；
[0019]其中，通信网络数据具体为采集电力网络数据包含速率、带宽、吞吐量、时延、时延带宽积、往返时间RTT和网络利用率；
[0020]电力运行数据，实时采集一定时间内的输电、各级配电网中电压、电流数据、频率数据，一次设备平均温度、二次设备平均温度数据；
[0021]安全运行数据，实时采集电力网络中负荷数据、输出功率数据、各级管理系统流量日志数据、IP访问量数据。
[0022]步骤2数据预处理，对上述采集的通信网络数据、电力运行数据及安全运行数据进行归一化处理；由于一定时间内数据维度较高，在归一化处理后进一步进行降维；本申请具体采用基于PCA主成分分析进行数据降维，将每个维度的数据降低为N*M维；具体对归一化
后的所有特征进行中心化；求协方差矩阵C；求协方差矩阵C的特征值和相对应的特征向量；将原始特征投影到选取的特征向量上，得到降维后的各维度新特征F1、F2、F3；
[0023]步骤3深度特征提取及评估模型构建
[0024]分别提取不同可靠性级别下电力网络的多维度运行数据，得到带有可靠性级别标签的n个训练样本；之后降维后的数据按照维度分别进行深度特征提取，并进行评估模型的训练；本申请可靠性级别分为五级，分别为高可靠性、较高可靠性、一般可靠性、较低可靠性、极低可靠性。本申请中优选地样本数量n 为1000个。
[0025]具体本申请改进型深度特征提取网络结构为：将输入F1、F2、F3特征矩阵分别经过第1卷积层、BN层RELU函数层、BN层、输入F1、F2、F3特征还通过残差结构越接与BN输出层得到结果进行融合，之后经过3层残差结构以及最大池化层的深度特征提取，将三个输入分支得到的卷积特征进行全局平均池化融合、最后经Softmax层进行可靠性评估结果输出。具体训练中卷积核以及残差网络的最优参数可以有实验得到，本申请损失函数采用交叉熵损失。
[0026]步骤4实时采集上述多维运行数据，并进行上述步骤2以及步骤3处理得到待评估深度特征，利用步骤3构建的模型进行电力网络可靠性评估。
[0027]步骤5，输出可靠性评估结果，本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于大数据分析的电力网络可靠性评估方法，其特征在于：；步骤1，采集电力网络的多维度运行数据，包含通信网络数据、电力运行数据及安全运行数据；步骤2数据预处理，对上述采集的通信网络数据、电力运行数据及安全运行数据进行归一化处理；由于一定时间内数据维度较高，在归一化处理后进一步进行降维；步骤3深度特征提取及评估模型构建，分别提取不同可靠性级别下电力网络的多维度运行数据，得到带有可靠性级别标签的n个训练样本；之后降维后的数据按照维度分别进行深度特征提取，并进行评估模型的训练；本申请可靠性级别分为五级；步骤4实时采集上述多维运行数据，并进行上述步骤2以及步骤3处理得到待评估深度特征，利用步骤3构建的模型进行电力网络可靠性评估；步骤5，输出可靠性评估结果。2.根据权利要求1所述的基于大数据分析的电力网络可靠性评估方法，其特征在于：所述通信网络数据具体为采集电力网络数据包含速率、带宽、吞吐量、时延、时延带宽积、往返时间RTT和网络利用率；电力运行数据，实时采集一定时间内的输电、各级配电网中电压、电流数据、频率数据，一次设备平均温度、二次设备平均温度数据；安全运行数据，实时采集电力网络中负荷数据、输出功率数据、各级管理系统流量日志数据、IP访问量数据。3.根据权利要求2所述的基于大数据分析的电力网络可靠性评估方法，其特征在于：所述步骤2中采用基于PCA主成分分析进行数据降维，将每个维度的数据降低为N*M维；具体对归一化后的所有特征进行中心化；求协方差矩阵...

【专利技术属性】
技术研发人员：卫立，徐金锋，
申请(专利权)人：无锡格策电气有限公司，
类型：发明
国别省市：