System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术属于电网运维领域,具体涉及一种考虑设备特征的电网运维方案规划方法及系统。
技术介绍
1、电网企业在为电力系统制定运维方案时,通常需要根据电网运维成本来制定对应的方案。随着电网企业精益化管理需求的不断提高,其对于电网运维成本测算的精准度要求也更高。
2、目前已有的电网运维成本预测方法大多聚焦于电网本身资产状况,忽略了电网各类设备年龄结构、健康状况等多因素耦合的影响,直接导致电网运维费用预测结果不准确,基于运维成本制定的运维方案不符合实际的运维需求。
技术实现思路
1、本专利技术的目的是针对现有技术存在的上述问题,提供一种考虑设备特征的电网运维方案规划方法及系统。
2、为实现以上目的,本专利技术的技术方案如下:
3、第一方面,本专利技术提出一种考虑设备特征的电网运维方案规划方法,包括:
4、s1、采用改进的elman神经网络构建电网设备运维成本预测模型,所述改进的elman神经网络采用天鹰算法对elman神经网络的学习率进行寻优;
5、s2、将电网设备特征项历史数据作为样本集输入电网设备运维成本预测模型,得到运维成本预测结果,并根据运维成本预测结果规划电网运维方案,其中,所述电网设备特征项包括设备健康状况特征因子、设备年龄结构特征因子、设备往年运维成本均值。
6、所述s1包括:
7、s11、随机生成多个elman神经网络的学习率初始值,并初始化天鹰算法的参数,包括天鹰种群数量、种群位置、搜索步
8、s12、针对各学习率值,在elman神经网络上执行训练,并基于如下适应度函数评估其适应度:
9、
10、上式中,f为适应度,k为系数,yi、oi为elman神经网络的实际输出值、期望输出值,n为样本数;
11、s13、选取适应度较高的一组学习率值作为下一代的候选;
12、s14、对所选的学习率值进行变异操作,以生成下一代的学习率;
13、s15、采用新生成的学习率值更新elman神经网络的学习率参数;
14、s16、检查算法是否满足收敛条件,若满足,则终止算法,并输出具有最佳性能的学习率值;否则返回s12进行下一次迭代。
15、所述s11中,天鹰种群数量的初始值采用以下公式确定:
16、
17、上式中,num为天鹰种群数量,g为[0,3]内的自然数;
18、种群位置的初始化采用halton序列得到,halton序列的基数为设备样本数n。
19、所述s1还包括:
20、将电网设备特征项的历史数据作为训练样本集输入如下多元线性回归模型,得到权重w和偏差值b,并在初始化elman神经网络参数时将权重w赋值给输入层到隐藏层的权重,将偏差值b赋值给相应的偏置项:
21、yi=wt·xi+b+ei
22、上式中,xi、yi分别为多元线性回归模型的输入、输出向量,i=1,2,…,n,n为设备样本数,ei为第i个样本的预测误差;
23、所述s2中,电网设备运维成本预测模型为:
24、
25、上式中,xi、yi分别为第i个样本的输入、输出数据,f(a,h,l)i为电网设备运维成本函数,w为权重,b为偏差值,为设置的非线性函数。
26、所述设备健康状况特征因子、设备年龄结构特征因子基于以下公式计算得到:
27、hi=100eα-ε(fi+ti)
28、
29、上式中,hi为第i台设备的设备健康状况特征因子,α为设备的可靠性系数,ε为环境系数,fi为第i台设备的故障频率,ti为第i台设备的单次故障运维时长,li为第i台设备的年龄结构特征因子,t为设备的运行年限,f(t)、g(t)为误差函数。
30、所述电网设备特征项还包括设备所属地区、设备类别、电压等级、生产厂家。
31、第二方面,本专利技术提出一种考虑设备特征的电网运维方案规划系统,包括电网设备运维成本预测模型构建模块、电网运维方案规划模块;
32、所述电网设备运维成本预测模型构建模块用于采用改进的elman神经网络构建电网设备运维成本预测模型,所述改进的elman神经网络采用天鹰算法对elman神经网络的学习率进行寻优;
33、所述电网运维方案规划模块用于将电网设备特征项历史数据作为样本集输入电网设备运维成本预测模型,得到运维成本预测结果,并根据运维成本预测结果规划电网运维方案,所述电网设备特征项包括设备健康状况特征因子、设备年龄结构特征因子、设备往年运维成本均值。
34、所述电网设备运维成本预测模型构建模块用于根据以下方法构建电网设备运维成本预测模型:
35、s11、随机生成多个elman神经网络的学习率初始值,并初始化天鹰算法的参数,包括天鹰种群数量、种群位置、搜索步长、收敛阈值、最大迭代次数;
36、s12、针对各学习率值,在elman神经网络上执行训练,并基于如下适应度函数评估其适应度:
37、
38、上式中,f为适应度,k为系数,yi、oi为elman神经网络的实际输出值、期望输出值,n为样本数;
39、s13、选取适应度较高的一组学习率值作为下一代的候选;
40、s14、对所选的学习率值进行变异操作,以生成下一代的学习率;
41、s15、采用新生成的学习率值更新elman神经网络的学习率参数;
42、s16、检查算法是否满足收敛条件,若满足,则终止算法,并输出具有最佳性能的学习率值;否则返回s12进行下一次迭代。
43、所述电网设备运维成本预测模型构建模块还用于:
44、将电网设备特征项的历史数据作为训练样本集输入如下多元线性回归模型,得到权重w和偏差值b,并在初始化elman神经网络参数时将权重w赋值给输入层到隐藏层的权重,将偏差值b赋值给相应的偏置项:
45、yi=wt·xi+b+ei
46、上式中,xi、yi分别为多元线性回归模型的输入、输出向量,i=1,2,…,n,n为设备样本数,ei为第i个样本的预测误差;
47、所述电网设备运维成本预测模型为:
48、
49、上式中,xi、yi分别为第i个样本的输入、输出数据,f(a,h,l)i为电网设备运维成本函数,w为权重,b为偏差值,为设置的非线性函数。
50、所述电网设备特征项还包括设备所属地区、设备类别、电压等级、生产厂家;
51、所述系统还包括数据前处理模块,所述数据前处理模块包括设备健康状况特征因子计算单元、设备年龄结构特征因子计算单元、数据填补单元、特征合并单元;
52、所述设备健康状况特征因子计算单元用于根据以下公式计算设备健康状况特征因子:
53、hi=100eα-ε本文档来自技高网...
【技术保护点】
1.一种考虑设备特征的电网运维方案规划方法,其特征在于:
2.根据权利要求1所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
3.根据权利要求2所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
4.根据权利要求1或2所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
5.根据权利要求1或2所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
6.根据权利要求1或2所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
7.一种考虑设备特征的电网运维方案规划系统,其特征在于:
8.根据权利要求7所述的一种考虑设备特征的电网运维方案规划系统,其特征在于:
9.根据权利要求7所述的一种考虑设备特征的电网运维方案规划系统,其特征在于:
10.根据权利要求7所述的一种考虑设备特征的电网运维方案规划系统,其特征在于:
【技术特征摘要】
1.一种考虑设备特征的电网运维方案规划方法,其特征在于:
2.根据权利要求1所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
3.根据权利要求2所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
4.根据权利要求1或2所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
5.根据权利要求1或2所述的一种考虑设备特征的电网运维方案规划方法,其特征在于:
【专利技术属性】
技术研发人员:熊一,汪子兵,杨林,徐灵风,廖晓红,孙利平,熊川羽,马莉,舒思睿,张童彦,
申请(专利权)人:国网湖北省电力有限公司经济技术研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。