一种电网设施防汛预报方法及系统技术方案

本发明专利技术公开了一种电网设施防汛预报方法及系统，涉及电网设施防汛预报技术领域，通过进行K

【技术实现步骤摘要】
一种电网设施防汛预报方法及系统


[0001]本专利技术属于变电站洪涝风险预报
，具体是一种电网设施防汛预报方法及系统。

技术介绍

[0002]按照雨区分布，我国暴雨类型主要分为华南暴雨、江淮梅雨锋暴雨以及北方暴雨。由于暴雨特别是极端暴雨过程发生发展的机理相当复杂，暴雨预报十分困难，由此，暴雨始终是气象学者研究的重点之一。电力是国家的主要能源和经济命脉。安全、优质的电力供给是保证国计民生稳定的关键因素，电力系统的安全稳定运行直接关系到国家的生产建设和人民的生活秩序现代电力系统的复杂性决定了电网事故影响范围广、波及速度快。
[0003]目前的电网设施防汛预报中仅利用气象条件等因素计算洪涝数据，缺少对变电站洪涝风险的识别与评估，缺少精细化的变电站洪涝灾害监测预警方法，无法提供洪涝灾中和灾后的监测预警服务，因此迫切需要改进；基于此，提供一种解决方案。

技术实现思路

[0004]本专利技术旨在至少解决现有技术中存在的技术问题之一；为此，本专利技术提出了一种电网设施防汛预报方法及系统。
[0005]一种电网设施防汛预报方法，该方法具体包括下述步骤：
[0006]步骤一：对所述洪涝灾害数据、电网设施数据以及环境数据进行归一化处理，通过确定洪涝灾害数据、电网设施数据以及环境数据样本最大值、最小值来将原始数据样本按一定比例缩放到[0，1]内；
[0007]步骤二：经过归一化后的输入数据通过的编码器进行编码，将数据映射至特征空间h＝{h1,h2,...,h
m
}，映射后的数据经过函数y＝g(h)表示的解码器进行解码，将特征表示h重构为与数据相同的输出；
[0008]其中，编码公式为：
[0009]p1为编码过程的权重矩阵，q1为编码过程的偏置向量，S
f
为非线性激活激活函数；
[0010]解码公式为：
[0011]p2为解码过程的权重矩阵，q2为解码过程的偏置向量，S
g
为非线性激活激活函数；其中，S
f
、S
g
采用Sigmoid函数，
[0012]步骤三：对所述自编码网络进行逐层训练，输出预测输出值：
[0013]S01:建立自编码器交叉熵损失函数L
t
，将自编码器交叉熵损失函数L
t
输入至循环神经网络，通过循环神经网络的门控结构将自编码器交叉熵损失函数L
t
映射为分类器的参数，重置门O
t
将损失函数L
t
与上一时刻t
‑
1的隐含状态h
t
‑1进行结合，更新门Z
t
控制上一时刻
t
‑
1的隐含状态h
t
‑1；
[0014]S02、关联损失函数L
t
与循环神经网络记忆细胞信息；
[0015]S03、重复步骤S01的操作，对循环神经网络的隐含状态h
t
‑1进行持续更新；
[0016]步骤四：采用K
‑
means对预测输出值进行聚类，将预测的电网设施防汛受灾程度分到不同的类中。
[0017]与现有技术相比，本专利技术的有益效果是：
[0018]本专利技术的电网设施防汛预报方法，通过进行K
‑
means聚类分析处理，避免了人为主观意识，从而避免了对原始数据的转换可能影响电网设施防汛预报结果的问题；避免了传统方法中指标赋权问题，从而避免了指标赋权方法的不合理性对最终评估结果的影响。
[0019]其次，利用反向传播算法建立深度学习模型，将数据输入至深度学习模型进行训练，通过学习器度量分类器在分类任务上的性能来自动学习分类器的参数，可靠性高，有效缓解模型过拟合的问题，有效改善当前深度学习模型的连续学习能力，使得电网设施防汛预报更为准确，降低了灾害所带来的电网设备损坏的风险。
附图说明
[0020]图1为本专利技术电网设施防汛预报方法的工作流程图；
[0021]图2为本专利技术电网设施防汛预报系统的原理图。
具体实施方式
[0022]下面将结合实施例对本专利技术的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本专利技术一部分实施例，而不是全部的实施例。基于本专利技术中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其它实施例，都属于本专利技术保护的范围。
[0023]请参阅图1，本申请提供了一种电网设施防汛预报方法及系统，包括；
[0024]S1、采集影响电网设施的致灾因子数据，所述致灾因子数据包括洪涝灾害数据、电网设施数据以及环境数据；
[0025]所述洪涝灾害数据包括降雨量数据、降雨强度数据、降雨持续日数据、平均降雨量数据、最大降雨量数据；所述电网设施数据包括电网设施类型数据、电网设施型号数据、电网设施生产厂家数据、电网设施尺寸数据、电网设施安装方式数据、电网设施投运时间数据；所述环境数据包括电网设施所在区域内的地形地貌数据、植被情况数据；
[0026]S2、对洪涝灾害数据、电网设施数据以及环境数据进行归一化处理，得到归一化处理后的数据，归一化处理具体方式为：
[0027]通过离差标准化方法对所述洪涝灾害数据、电网设施数据以及环境数据进行归一化处理，具体归一化公式如下：
[0028][0029]其中，x为洪涝灾害数据、电网设施数据以及环境数据，x
i
为与数据x对应的第i个样本数据，min{x}为数据x中的最小值，max{x}为数据x中的最大值，为经过归一化后的输
入数据。
[0030]具体的，通过离差标准化方法对所述洪涝灾害数据、电网设施数据以及环境数据进行归一化处理，标准化处理后的数据具有数据稳定性，能够明显提高深度自编码网络的收敛性和学习能力。
[0031]S3、建立自编码网络，将所述归一化处理后的数据进行编码和解码，得到解码输出数据，具体方式为：
[0032]S31、经过归一化后的输入数据通过的编码器进行编码，将数据映射至特征空间h＝{h1,h2,...,h
m
}；
[0033]S32、编码公式为：其中，p1为编码过程的权重矩阵，q1为编码过程的偏置向量，S
f
为非线性激活激活函数；
[0034]S33、解码公式为：其中，p2为解码过程的权重矩阵，q2为解码过程的偏置向量，S
g
为非线性激活激活函数。
[0035]其中，S
f
、S
g
采用Sigmoid函数，
[0036]S4、对所述自编码网络进行逐层训练，输出预测输出值：
[0037]步骤41、建立自编码器交叉熵损失函数L
t
，其中，N为样本数量即为归一化后的输入数据数量，为经过归一化后的输入数据，z为预测输出值；
[0038]步骤42、将自编码器交叉熵损失本文档来自技高网...

【技术保护点】

【技术特征摘要】
1.一种电网设施防汛预报方法，其特征在于，该方法具体包括下述步骤：步骤一：对所述洪涝灾害数据、电网设施数据以及环境数据进行归一化处理，通过确定洪涝灾害数据、电网设施数据以及环境数据样本最大值、最小值来将原始数据样本按一定比例缩放到[0，1]内；步骤二：经过归一化后的输入数据通过的编码器进行编码，将数据映射至特征空间h＝{h1,h2,...,h
m
}，映射后的数据经过函数y＝g(h)表示的解码器进行解码，将特征表示h重构为与数据相同的输出；其中，编码公式为：p1为编码过程的权重矩阵，q1为编码过程的偏置向量，S
f
为非线性激活激活函数；解码公式为：p2为解码过程的权重矩阵，q2为解码过程的偏置向量，S
g
为非线性激活激活函数；其中，S
f
、S
g
采用Sigmoid函数，步骤三：对所述自编码网络进行逐层训练，输出预测输出值：S01:建立自编码器交叉熵损失函数L
t
，将自编码器交叉熵损失函数L
t
输入至循环神经网络，通过循环神经网络的门控结构将自编码器交叉熵损失函数L
t
映射为分类器的参数，重置门O
t
将损失函数L
t
与上一时刻t
‑
1的隐含状态h
t
‑1进行结合，更新门Z
t
控制上一时刻t
‑
1的隐含状态h
t
‑1；S02、关联损失函数L
t
与循环神经网络记忆细胞信息；S03、重复步骤S01的操作，对循环神经网络的隐含状态h
t
‑1进行持续更新；步骤四：采用K
‑
means对预测输出值进行聚类，将预测的电网设施防汛受灾程度分到不同的类中。2.根据权利要求1所述的一种电网设施防汛预报方法，其特征在于，在进行步骤一之前还需进行下述步骤：采集影响电网设施的致灾因子数据，所述致灾因子数据包括洪涝灾害数据、电网设施数据以及环境数据；所述洪涝灾害数据包括降雨量数据、降雨强度数据、降雨持续日数据、平均降雨量数据、最大降雨量数据；所述电网设施数据包括电网设施类型数据、电网设施型号数据、电网设施生产厂家数据、电网设施尺寸数据、电网设施安装方式数据、电网设施投运时间数据；所述环境数据包括电网设施所在区域内的地形地貌数据、植被情况数据。3.根据权利要求1所述的一种电网设施防汛预报方法，其特征在于，对洪涝灾害数据、电网设施数据以及环境数据进行归一化处理具体方式为：通过离差标准化方法对所述洪涝灾害数据、电网设施数据以及环境数据进行归一化处理，具体归一化公式如下：
其中，x为洪涝灾害数据、电网设施数据以及环境数据，x
i
为与数据x对应的第i个样本数据，min{x}为数据x中的最小值，max{x}为数据x中的最大值，为经过归一化后的输入数据。具体的，通过离差标准化方...

【专利技术属性】
技术研发人员：夏令志，郑浩，程洋，刘静，刘宇舜，胡跃云，牛雷雷，操松元，甄超，方登州，张翼，王坤，童杨，
申请(专利权)人：国网安徽省电力有限公司电力科学研究院，
类型：发明
国别省市：