一种基于机器学习的电能计量自动化系统安全性评估方法技术方案

本发明专利技术公开了一种基于机器学习的电能计量自动化系统安全性评估方法，包括步骤：步骤S10，利用电能计量自动化系统采集获得多个电能计量装置的运行状态参数；步骤S11，对所采集的运行状态参数进行数据分析与清洗，形成设备安全评估数据集；步骤S12，采用基于熵权法的主成分分析法进行分析，获得高密度的安全评估数据；步骤S13，将所述高密度的安全评估数据输入一预先训练好的全连接神经网络模型进行综合评估，获得评估结果；步骤S14，输出以及显示所述评估结果。实施本发明专利技术，能够实现电能计量自动化系统安全程度的动态评估，且评价结果准确可靠。可靠。可靠。

【技术实现步骤摘要】
一种基于机器学习的电能计量自动化系统安全性评估方法


[0001]本专利技术应用于电能计量自动化安全性领域，涉及人工智能方法，具体涉及一种基于机器学习的电能计量自动化系统安全性评估方法。

技术介绍

[0002]随着智能电网建设的推进，电网规模的持续扩大，用户对电能的需求不断提高，电能计量的稳定性已经成为保障电网安全、确保准确性与公平性、提供优质服务的重要前提。目前，电能计量设备已实现自动化、智能化，可以快速稳定获取设备的功率、电压和电流等运行状态参数。但是，随着电能计量设备规模的扩大，电能计量自动化系统的暴露出一些不可忽视的安全性问题，受到研究人员的广泛关注。因此保障电能计量自动化系统的安全可靠已经成为确保我国电网安全和供用电双方贸易结算的公平和理性的重要前提。
[0003]目前，运用模糊数学的模糊综合评价方法广泛应用于电能计量装置的状态安全评估，但是模糊综合评价方法存在计算复杂，对指标权重矢量的确定主观性较强等缺点。现有的技术中，对评估电能计量设备的安全风险存在不够精确的不足之处。

技术实现思路

[0004]本专利技术所要解决的技术问题在于，提供一种基于机器学习的电能计量自动化系统安全性评估方法，能够实现电能计量自动化系统安全程度的动态评估，评价结果准确可靠。
[0005]作为本专利技术的一方面，提供了一种基于机器学习的电能计量自动化系统安全性评估方法，其至少包括如下步骤：
[0006]步骤S10，利用电能计量自动化系统采集获得多个电能计量装置的运行状态参数，所述运行状态参数至少包括电压、电流和功率物理参数；
[0007]步骤S11，对所采集的运行状态参数进行数据分析与清洗，去除无效数据，处理缺失数据，形成设备安全评估数据集；
[0008]步骤S12，对所述设备安全评估数据集，采用基于熵权法的主成分分析法进行分析，获得高密度的安全评估数据；
[0009]步骤S13，将所述高密度的安全评估数据输入一预先训练好的全连接神经网络模型进行综合评估，获得评估结果；
[0010]步骤S14，输出以及显示所述评估结果，所述评估结果包括各电能计量装置的安全性等级。
[0011]优选地，所述步骤S11进一步包括：
[0012]在数据清洗后，在多个电能计量装置中选取n个作为评价对象，在每一评价对象中的运行状态参数中选取设m个作为进行主成分分析的指标变量：x1,x2,
…
,x
m
；建立如下的全评估指标数据矩阵X＝(x
ij
)
n*m
作为设备安全评估数据集：
[0013][0014]其中，x
ij
代表第i个评价对象的第j个指标。
[0015]优选地，所述步骤S12进一步包括：
[0016]步骤S120，对所述全评估指标数据矩阵中的原始数据进行标准化无量纲化处理，获得标准化后的数据矩阵
[0017][0018]其中，代表经过标准化处理后的第i个评价对象的第j个指标，其表达式为：
[0019][0020]为第j个指标的样本均值，其表达式为：
[0021][0022]S
j
为第j个指标的标准差，其表达式为：
[0023][0024]步骤S121，采用如下的信息熵计算公式计算出所述标准化后的数据矩阵每个指标的信息熵E
j
：
[0025][0026]其中p
ij
为第j个指标中第i个评价对象的第j个指标占比，其表达式为：
[0027][0028]步骤S122，基于计算出的所有指标的信息熵，以下述公式计算获得每个指标的权重参数W
j
：
[0029][0030]步骤S123，获得各指标之间的相关系数，建立如下的相关系数矩阵R＝(r
ij
)
m
×
m
：
[0031][0032]其中，r
ij
是第i个指标与第j个指标的相关系数，其表达式为：
[0033][0034]步骤S124，根据所构建的相关系数矩阵，通过公式Au＝λu对相关系数矩阵进行特征值与特征向量求解，将计算出的特征值需由大到小排序，则相关系数矩阵的特征值为λ1≥λ2≥
…
≥λ
m
≥0，其对应的特征向量为u1,u2,
…
,u
m
,其中u
j
＝(u
1j
,u
2j
,
…
,u
nj
)
T
,(j＝1,2,...,m)；由特征向量组成m个新的指标变量(y1,y2,
…
,y
m
)：
[0035][0036]式中，y1是第1主成分,y2是第2主成分，...，y
m
是第m主成分，而为公式(2)中标准化后数据集矩阵的列向量；
[0037]步骤S125，在所述m个新的指标变量(y1,y2,
…
,y
m
)中选择p个指标变量y1,y2,
…
,y
p
作为p个主成分，代替所述m个新的指标变量，作为高密度的安全评估数据。
[0038]优选地，所述步骤S125中以下述的方法选择主成份：
[0039]采用下述公式计算每一主成分y
j
的的信息贡献率b
j
和所有主成份的累积贡献率α
p
：
[0040][0041][0042]当a
p
接近0.95时，则将前p个主成分指标变量y1,y2,
…
,y
p
确定为所选择的p个主成分。
[0043]优选地，所述步骤S13中，所述预先训练好的全连接神经网络模型包括一个输入层、若干个隐藏层和一个输出层，其中，输入层神经元的数量对应上述安全指标主成分个数(p个)，隐藏层的个数预先指定，输出层的个数对应于安全性等级的数量。
[0044]优选地，进一步包括预先形成并训练全连接神经网络模型，形成训练好的全连接神经网络模型的步骤，包括：
[0045]步骤S20，构建一个全连接神经网络模型，包括一个输入层、若干个隐藏层和一个输出层，其中，输入层神经元的数量安全指标主成分个数，隐藏层的个数预先指定，输出层的个数对应于安全性等级的数量；
[0046]步骤S21，获取用于训练的测试集和验证集，并选择合适的损失函数与优化器，对测试集数据进行迭代训练，使最终的损失率最小；
[0047]步骤S22，基于损失率参数，利用所述验证集对神经网络模型进行调优，通过调整学习率与迭代次数，防止神经网络出现过拟合或欠拟合状态，提高模型收敛速度与精度，获得训练好的全连接神经网络模型。
[0048]优选地，所述步骤S21中的测试集和验证集通过下述方式获得：
[0049]利用前述步本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种基于机器学习的电能计量自动化系统安全性评估方法，其特征在于，至少包括如下步骤：步骤S10，利用电能计量自动化系统采集获得多个电能计量装置的运行状态参数，所述运行状态参数至少包括电压、电流和功率物理参数；步骤S11，对所采集的运行状态参数进行数据分析与清洗，去除无效数据，处理缺失数据，形成设备安全评估数据集；步骤S12，对所述设备安全评估数据集，采用基于熵权法的主成分分析法进行分析，获得高密度的安全评估数据；步骤S13，将所述高密度的安全评估数据输入一预先训练好的全连接神经网络模型进行综合评估，获得评估结果；步骤S14，输出以及显示所述评估结果，所述评估结果包括各电能计量装置的安全性等级。2.如权利要求1所述的方法，其特征在于，所述步骤S11进一步包括：在数据清洗后，在多个电能计量装置中选取n个作为评价对象，在每一评价对象中的运行状态参数中选取设m个作为进行主成分分析的指标变量：x1,x2,
…
,x
m
；建立如下的全评估指标数据矩阵X＝(x
ij
)
n*m
作为设备安全评估数据集：其中，x
ij
代表第i个评价对象的第j个指标。3.如权利要求2所述的方法，其特征在于，所述步骤S12进一步包括：步骤S120，对所述全评估指标数据矩阵中的原始数据进行标准化无量纲化处理，获得标准化后的数据矩阵标准化后的数据矩阵其中，代表经过标准化处理后的第i个评价对象的第j个指标，其表达式为：代表经过标准化处理后的第i个评价对象的第j个指标，其表达式为：为第j个指标的样本均值，其表达式为：S
j
为第j个指标的标准差，其表达式为：
步骤S121，采用如下的信息熵计算公式计算出所述标准化后的数据矩阵每个指标的信息熵E
j
：其中p
ij
为第j个指标中第i个评价对象的第j个指标占比，其表达式为：步骤S122，基于计算出的所有指标的信息熵，以下述公式计算获得每个指标的权重参数W
j
：步骤S123，获得各指标之间的相关系数，建立如下的相关系数矩阵R＝(r
ij
)
m
×
m
：其中，r
ij
是第i个指标与第j个指标的相关系数，其表达式为：步骤S124，根据所构建的相关系数矩阵，通过公式Au＝λu对相关系数矩阵进行特征值与特征向量求解，将计算出的特征值需由大到小排序，则相关系数矩阵的特征值为λ1≥λ2≥
…
≥λ
m
≥0，其对应的特征向量为u1,u2,

【专利技术属性】
技术研发人员：何智帆，刘涛，梁洪浩，孙文龙，陈晓伟，马越，
申请(专利权)人：深圳供电局有限公司，
类型：发明
国别省市：