CN104794534A - 一种基于改进深度学习模型的电网安全态势预测方法 - Google Patents

Abstract

本发明公开了一种基于改进深度学习模型的电网安全态势预测方法，属于电力系统安全技术领域。所述方法通过电网数据采集和预处理进行电网安全态势评估；针对电网安全态势评估的指标数据具有关联性强、维数高的特点，提出一种改进的自编码网络方法降低指标数据的维数，利用降维后的数据样本和对应下一时间监测点的电网安全态势值构造训练样本集；最后采用一种改进的深度信念网络构建具有多输入多输出的深度学习态势预测模型进行电网安全态势预测。本发明可以有效的提高电网安全态势预测的速度和预测精度。

Description

一种基于改进深度学习模型的电网安全态势预测方法

技术领域

本发明属于电力系统安全技术领域，尤其涉及一种基于改进深度学习模型的电网安全态势预测方法。

背景技术

现有电力调度系统仍以“经验型+分析型”为主，其自动化和智能化程度不高，主要原因是系统缺乏对电网运行状态发展变化情况的准确掌控。同时，系统各类分析应用软件提供的分析结果只侧重电网运行的某一方面，缺乏从全网整体运行态势上给出综合分析结果及决策建议，需要调度运行人员通过手动调阅各类分析结果，基于人工经验和离线策略进行操作控制。因此，随着电网规模快速扩大以及运行复杂性的不断提升，调度运行人员的工作压力随之加大，确保电网安全经济运行的难度也日益增大。电网安全态势感知是掌握电网运行轨迹的重要技术手段，通过对广域时空范围内，对涉及电网运行变化的各类因素的采集、理解与预测，力求准确有效地掌握电网的安全态势，使得电网的安全管理从被动变为主动。调度员可以判断系统安全所处状态的趋势，能在电网遭受扰动和故障之前，及时采取防御措施和安全策略。从适应我国未来智能电网发展需求出发，结合电网自身的特征，需要建立一套覆盖电网各个层面的指标体系，从而可以定量的描述电网各个部分的特征并通过综合计算最终得出描述电网总体状态的安全态势值。

目前电网安全态势预测，主要是利用时间序列分析预测、智能预测、组合预测、基于灰色理论的预测方法等，只是预测未来态势值，并未说明态势值的大小具体代表电网所处的安全等级，同时很少分析态势变化的趋势和解释电网安全态势要素的动力学特征，属于被动感知，不能从整体上综合理解电网安全态势，对调度人员的辅助决策支持不够，调度人员只能获得局部数据和信息，不能够实时全面感知电力系统安全风险态势。

发明内容

本发明提供一种基于改进深度学习模型的电网安全态势预测方法，所述方法包括如下步骤：

步骤1：电网数据采集和预处理：采集电网历史数据和实时数据，具体包括电网设备状态信息、电网稳态数据信息、电网动态数据信息、电网暂态故障信息、运行环境数据等，然后对采集的电网数据进行清洗和格式化统一等预处理。

步骤2：电网安全态势评估：通过层次分析法和Delphi法构建电网安全态势评估指标体系，将采集的电网数据按照时间监测点的顺序，依次输入到层次化的电网安全态势评估指标体系中，与电网安全态势评估指标体系的权重矩阵做乘法，通过计算得到每个时间监测点的电网安全态势值。

步骤3：针对电网安全态势评估的指标数据具有关联性强、维数高的特点，提出一种改进的自编码网络(Autoencoder)方法降低指标数据的维数，利用降维后的数据样本和对应下一时间监测点的电网安全态势值构造训练样本集。

步骤4：电网安全态势预测：采用一种改进的深度信念网络(DeepBeliefNetwork,DBN)构建具有多输入多输出的深度学习态势预测模型，利用深度学习态势预测模型对训练样本集进行迭代训练，从而确定电网安全态势预测模型，再结合降维后的数据样本预测当前时刻T之后T+1,T+2，.....，T+n时刻的电网安全态势。

本发明的优点在于：

(1)采集历史和实时的电网数据，采用改进的自编码网络(Autoencoder)方法对电网安全态势评估的高维指标数据进行约简，约简后的特征值包含原指标数据的信息，能够代替原指标数据进行后续的预测工作，并可以有效的提高电网安全态势预测的速度。

(2)利用改进的深度信念网络(DBN)构建电网安全态势预测模型，结合采集的电网数据，学习降维后的指标数据和对应下一时间点的电网安全态势值关系，利用历史值来训练构建的电网安全态势预测模型。改进的深度信念网络具有强大的非线性映射能力，可以有效的提高预测精度。

附图说明

图1为本发明提供的电网安全态势预测方法流程图；

图2为受限波尔兹曼机(RBM)的典型拓扑结构图；

图3为自编码网络(Autoencoder)预训练和展开过程图；

图4为改进的自编码网络(Autoencoder)微调过程；

图5为改进的深度信念网络(DBN)。

具体实施方式

下面结合附图，对优选实施例作详细说明。应该强调的是，下述说明仅仅是示例性的，而不是为了限制本发明的范围及其应用。

构建电网安全态势评估指标体系和计算电网安全态势值是电网安全态势预测的前提。为此，本发明引入通过层次分析法构建电网安全态势评估指标体系，建好评估指标体系之后，就可以根据指标权重，计算得到每个时间监测点的电网安全态势值。针对电网安全态势评估指标数据具有关联性强、维数高的特点，提出采用改进的自编码网络(Autoencoder)方法降低指标数据的维数，将降维后的数据样本和对应下一时间监测点的电网安全态势值构造成训练样本集。提出通过受限玻尔兹曼机(RBM)的叠置构建具有多输入多输出结构的电网安全态势预测模型，利用所述的电网安全态势预测模型对训练样本集进行迭代训练，学习序列之间的内在关系，经过训练确定基于深度信念网络(DBN)的电网安全态势预测模型，利用确定的电网安全态势预测模型，结合实时电网数据，预测当前时刻T之后T+1,T+2.......T+n时刻的态势值，进而确定电网态势的发展趋势，得到更高层次的电网安全预测、预警及辅助决策信息。

图1是本发明提供的一种基于改进深度学习模型的电网安全态势预测方法流程图，结合图1，本发明提供的电网安全态势预测方法包括如下的步骤：

步骤1：电网数据采集和预处理：采集电网数据，包括历史数据和实时数据，具体包括电网设备状态信息、电网稳态数据信息、电网动态数据信息、电网暂态故障信息、运行环境数据等，然后对采集的电网数据进行清洗和格式化统一等预处理。

所述的预处理，是指去除冗余、复杂及错误的电网数据，抽取高质量的电网数据，将电网数据按照指定XML格式进行转化统一。

步骤2：电网安全态势评估：通过层次分析法和Delphi法构建电网安全态势评估指标体系，将采集的电网数据按照时间监测点的顺序，依次输入到层次化的电网安全态势评估指标体系中，得到每个时间监测点的电网安全态势值。

所述的电网安全态势评估指标体系，主要包括电网的结构、运行、设备、技术、外部风险指标5大类指标。

层次分析法通过将复杂的问题分解为能够量化的一系列指标，并在不同层级上重新组织这些指标，实现综合评价过程。与传统的公共决策方法相比，层次分析法有助于在不同的决策中，做出更综合的判断确保了评价的客观性和可信性，并为科学的综合决策奠定了基础。

采用Delphi法构建的电网安全态势评估指标集，最顶层也称为目标层即电网安全态势，分目标层包括电网的结构、运行、设备、技术、外部风险指标5大类。

指标中结构风险指标包括节点脆弱性指标、线路脆弱性指标和N-1校验指标，运行风险指标包括动态安全风险和静态安全风险，动态安全风险包括功角失稳指标、频率失稳指标、电压失稳指标，静态安全风险包括线路过载指标、电压器过载指标和电压裕度指标，设备风险指标包括一次设备风险和二次设备风险，技术风险指标包括同杆并架双回线路指标和网架结构合理性等，外部风险包括气象环境因素和人为因素。

采用模糊理论的方法对电网安全态势评估值进行计算。通过分析指标两两之间的相对重要性比较值建立模糊一致判断矩阵，并进行排序，最后确定指标体系中每个指标的最终权重，具体如下：

(1)根据0.1-0.9标度法如表1所示，请专家比较指标两两之间的相对重要性给出比较值，建立模糊互补判断矩阵，矩阵公式为：

其中f_ij为指标两两之间的比较值，i＝1,2,…,n；j＝1,2,…,n。

表1如下：

表1 0.1-0.9标度及描述

将模糊互补判断矩阵A′转换为模糊一致判断矩阵A，计算公式为A＝(a_ij)_n×n。

其中 $a_{\mathrm{ij}}=\frac{r_i-r_j}{2n}+0.5;$

$r_i=\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}(i=\mathrm{1,2},..,n),r_j=\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{f}_{\mathrm{ij}}(j=\mathrm{1,2},..,n);$

得出的一致判断矩阵A为：

计算出各指标的权重向量W_i，权重向量W_i计算公式为：

$W_i=\frac{1}{n}-\frac{1}{2a}+\frac{1}{\mathrm{na}}\underset{j=1}{\overset{n}{\mathrm{\Σ}}}{a}_{\mathrm{ij}}$

式中i＝1,2,.....,n，n为指标个数，若a越大，权重间的差异越小；a越小，权重间的差异越大；若权重间的差异最大。

(2)构造隶属度矩阵；

将电力SCADA系统网络安全风险的评语等级划分为5级，即很安全、安全、中等、危险和很危险，评语集记为v_j(j＝1,2,...m)。指标集为u_i(i＝1,2,...n)，请若干专家对不同的风险指标等级进行划分，若对于指标u_i，有w_ij个v_j评语，则指标u_i隶属于评语v_j的隶属度r_ij如下：

$r_{\mathrm{ij}}=\frac{w_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\Σ}}}{w}_{\mathrm{ij}}}$

通过以上计算即可得到隶属度矩阵R＝(r_ij)_n×m。

(3)模糊综合评判；

多级模糊综合评判矩阵B计算公式如下：

其中“ο”称为模糊合成算子，当权重向量集W＝(w₁,w₂,..w_n)和隶属度矩阵R均归一化时，即为矩阵乘法运算。多级模糊综合评判结果为评判矩阵B。

(4)系统综合评分值；

采用加权平均法对不同的等级的评语集v_j规定值β_j，本文采用规定β＝(0.1,0.3,0.5,0.7,0.9)^T，即电网系统安全等级中安全赋值为0.1，较安全赋值为0.3，一般安全赋值为0.5，较危险赋值为0.7，危险赋值为0.9等。综合评分结果如下：

$p=\frac{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{b_j}^k{\mathrm{\β}}_j}{\underset{j=1}{\overset{m}{\mathrm{\Σ}}}{b_j}^k}$

其中k＝1，b_j为多级模糊综合评判矩阵元素，j＝1,2,…,m。

根据以上计算过程，可计算得出电网安全态势值p，根据安全风险等级表2，评价得出电网安全风险状况，表2如下所示。

表2安全风险等级表

图2是本发明提供的一种RBM权值学习的详细过程图。

受限波兹曼机由两层网络构成，分别称为可见层和隐含层，且每层均是由若干神经元构成，RBM的结构如图2。

从图2中可以看出，从可见层神经元输入数据，根据神经元v_i更新隐含层神经元h_j的状态，再由隐含层神经元h_j重构出可见层神经元v_i的状态，接着根据重构出的可见层神经元v_i的状态再重构出隐含层神经元h_j的状态，完成一次RBM的训练学习过程，调整权重。可见层和隐含层的权重更新公式如下：

Δw_ij＝ε(<v_ih_j>_data-<v_ih_j>_recon)

式中ε为学习率，i为可见层神经元个数，j为隐含层神经元个数；v_i为可见层神经元，h_j为隐含层神经元；<v_ih_j>_data指可见层神经元与隐含层神经元在输入数据下的二进制状态乘积；<v_ih_j>_recon指可见层神经元与隐含层神经元在重构数据下的二进制状态乘积。

步骤3：针对电网安全态势评估指标数据具有关联性强、维数高的特点，提出一种改进的自编码网络(Autoencoder)算法降低指标数据的维数，利用降维后的数据样本和对应下一时间监测点的电网安全态势值构造训练样本集。

将每一层RBM的隐含层与下一层RBM的可见层合并为一层，这样依此合并展开得到自编码网络，其中编码网络和解码网络相互对称，如图3所示，图3为自编码网络预训练和展开过程。严格地讲，自编码网络的实现主要包括两个过程，预训练过程(Pretraining)和微调过程(Fine-tuning)，预训练到微调过程的过渡过程，可称为展开过程，预训练过程可通过调整权重获得比较合适的初始权重，并展开生成使用该初始权重的编码网络和解码网络，微调过程微调权重以得到更好的重构数据，本发明对自编码网络(Autoencoder)算法的微调过程加以改进，从而达到更好的重构效果。初始权重的大小直接影响微调过程的重构效果。权重过大，很难找到局部极小；权重过小，使得前几层的梯度过小，很难训练含有多层隐含层的自编码网络。预训练过程通过最小化原始输入数据与重构编码的差异训练权重，得到初始权重。

图4为改进的自编码(Autoencoder)网络的微调过程。微调过程通过共轭梯度法调整权重以使重构误差达到最小，并可预先设置微调过程的次数，多次调整已达到最好的重构效果，其结构如图4所示。一般情况下，微调过程先通过解码网络再通过编码网络反向传播重构误差调解权重。微调过程参数的选取对重构结果的影响很小，预训练过程得到的初始权重，其精确值几乎不影响后期的微调过程，对于微调过程占主要影响因素的是权重取值范围。本发明改进了传统的自编码网络，如图4中，输入数据样本为D＝{x₀,x_i,…,x_n}，在传统的自编码方法中，输入数据样本x_i仅被用来重构自己，重构误差||x′_i-x_i||衡量x_i和x′_i之间的距离，在改进的自编码网络中，x_i通过k-nearest算法计算输入值x_i(i＝1,2,..,n)的重构权重集S_i＝{S_ij,S_ik......}和x_i(i＝1,2,..,n)的重构集Ω_i＝{j,k......},从而重构一组实例{x_j,x_k....}，(j,k∈R)，重构误差S_ij||x_j-x′_i||²衡量x_j和x′_i之间的加权距离。

图3自编码网络(Autoencoder)预训练和展开过程，预训练和展开过程的具体步骤如下：

步骤31:输入数据样本D＝{x₀,…x_i,…,x_n}，n为输入数据样本的个数，完成一次RBM训练学习过程，调整权重。受限玻尔兹曼机由两层网络构成，分别称为可见层和隐含层，且每层均是由若干神经元构成，第一层受限玻尔兹曼机RBM可见层包含的神经元个数即为输入样本的个数。

从可见层神经元输入数据，根据神经元v_i更新隐含层神经元h_j的状态。再由隐含层神经元h_j重构出可见层神经元v_i的状态，接着根据重构出的可见层神经元v_i的状态再重构出隐含层神经元h_j的状态，完成一次受限玻尔兹曼机RBM训练学习过程，调整权重。

可见层和隐含层的权重更新公式如下：

Δw_ij＝ε(<v_ih_j>_data-<v_ih_j>_recon)

式中ε为学习率，i为可见层神经元个数，j为隐含层神经元个数；v_i为可见层神经元，h_j为隐含层神经元；<v_ih_j>_data指可见层神经元与隐含层神经元在输入数据下的二进制状态乘积；<v_ih_j>_recon指可见层神经元与隐含层神经元在重构数据下的二进制状态乘积。

步骤32:将每一层RBM的隐含层与下一层RBM的可见层合并为一层，这样依此合并展开得到自编码网络，对一层RBM进行学习调整权值得到的输出，作为学习下一个RBM的输入。设置第2,3,...,m层RBM结构，逐层学习，得到最终的初始权值。完成自编码网络的预训练过程。

改进的自编码(Autoencoder)网络的微调过程如图4所示，改进自编码网络的微调过程具体步骤如下：

步骤33：输入的数据样本集D＝{x₀,…x_i,…,x_n}先经过编码网络得到低维编码，再经过解码网络得到重构数据。编码函数为f_θ，解码函数为g_θ，

$f_{\mathrm{\&theta;}}=\frac{1}{1+e^{-x_i}}$

$g_{\mathrm{\&theta;}}=\frac{1}{1+e^{-y_i}}$

参数θ＝{W,b,W′,d}，其中b、d分别为编码器和解码器的偏差向量，W、W'分别为编码器和解码器的权重矩阵。

输入高维数据经过编码器得到的低维编码如下：

y_i＝f_θ(x_i),i＝(1,2,..,n)；

低维编码经过解码器得到的重构数据如下：

x′_i＝g_θ(y_i),i＝(1,2,..,n)；

步骤34：通过k-nearest算法，计算输入值x_i(i＝1,2,..,n)的重构权重集S_i和x_i(i＝1,2,..,n)的重构集Ω_i,其中S_i＝{S_ij,S_ik......}，S_ij为输入值x_i和输入值x_j通过k-nearest算法计算得出的相似性，S_ik为输入值x_i和输入值x_k之间通过k-nearest算法计算得出的相似性，Ω_i＝{j,k......}。

步骤35：通过随机梯度下降算法调整重构误差使其达到最小。基于重构误差最小的原则调整权重Θ＝(W,W′)。整体重构误差为：

$E(W,W^{\&prime;})=\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{S}_{\mathrm{ij}}L(x_i^{\&prime;},x_i)$

其中参数Θ＝(W,W′)，W为输入层与隐含层之间权重，W′为隐含层与输出层之间权重，L(x_j,x′_i)为重构误差函数，重构误差函数的选取通常根据输入样本的取值范围和特征决定，若输入数据为连续实数，则重构误差函数如公式：

L(x_j,x′_i)＝||x_j-x′_i||

若输入数据为二进制数，一般选取重构误差函数为交叉熵损失函数如公式：

$L(x_j,x_i^{\&prime;})=-{\mathrm{\&Sigma;}}_{i=1}^{d_x}{x}_j\log \left(x_i^{\&prime;}\right)+(1-x_j)\log (1-x_i^{\&prime;})$

改进的自编码网络(Autoencoder)算法通过最小化整体重构误差E(W,W′)来更新权重Θ＝(W,W′)。

$(W,W^{\&prime;})=\arg \min \underset{i,j}{\mathrm{\&Sigma;}}{S}_{\mathrm{ij}}{\left|\right|x_j-f_{\mathrm{\&theta;}}\left(W^{\&prime;}{g}_{\mathrm{\&theta;}}\left(W{x}_i\right)\right)\left|\right|}^2$

步骤36：计算隐含层值{y₁,y₂......y_n}，同样通过k-nearest算法更新y_i的重构权重S_i和重构集Ω_i，其中S_i＝{S_ij,S_ik......}，S_ij为输入值x_i和输入值x_j通过k-nearest算法计算得出的相似性，S_ik为输入值x_i和输入值x_k之间通过k-nearest算法计算得出的相似性，Ω_i＝{j,k......}。

重复步骤35中通过最小化整体重构误差E(W,W′)来更新权重Θ＝(W,W′)；

步骤37：重复步骤35和步骤36直到收敛。

在传统的自编码方法中，输入数据样本x_i仅被用来重构自己，重构误差||x′_i-x_i||衡量的是x_i和x′_i之间的距离，在改进的自编码网络算法中，x_i通过k-nearest算法计算输入值x_i(i＝1,2,..,n)的重构权重集S_i＝{S_ij,S_ik......}和x_i(i＝1,2,..,n)的重构集Ω_i＝{j,k......},从而重构一组实例{x_j,x_k....}，重构误差S_ij||x_j-x′_i||²衡量的是x_j和x′_i之间的加权距离。传统的自编码网络算法是一种无监督的算法，不能有效利用标签信息，即输入数据之间的关系，改进的自编码网络算法可以在学习更多更加不同的灵活数据的过程中有效利用标签信息来重构数据，改进的自编码网络的微调过程通过反向传播重构误差调解权重以使重构误差函数最小，以达到最优的重构效果。

使用改进的Autoencoder方法将电网安全态势高维的评估指标数据约减为低维的指标数据。记经过上述步骤约减后的低维数据为m为属性约减后指标数据的维数，属性约减的预训练过程和微调过程，使约减后的低维数据能重构出原高维数据，即能够反映高维指标涵盖的信息。

步骤4：电网安全态势预测：采用一种改进的深度信念网络(Deep Belief Network)构建具有多输入多输出的深度学习态势预测模型，利用深度学习模型对训练样本集进行迭代训练，从而确定电网安全态势预测模型，再结合电网实时数据样本预测当前时刻T之后T+1,T+2.....T+n时刻的电网安全态势，图5为改进的深度信念网络(DBN)的详细过程图。

电网安全态势预测的具体步骤如下：

步骤41：通过改进的受限玻尔兹曼机(RBM)的叠置构建具有多输入多输出结构的改进的深度信念网络(DBN)电网安全态势预测模型。

所述受限波兹曼机由两层网络构成，分别称为可见层和隐含层。受限玻尔兹曼机(RBM)具备的能量定义为：

$E(v,h|\&PartialD;)=-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i{v}_i-\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{b}_j{h}_j-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{v}_i{W}_{\mathrm{ij}}{h}_j$

是受限波尔兹曼机的参数，v_i表示第i个可见层神经元，h_j表示第j个隐含层神经元，W_ij表示v_i和h_j的连接权值，a_i表示第i个可见层单元的阈值，b_j表示第j个隐含层单元的阈值；

基于该能量函数，可得到联合概率分布：

$p(v,h|\&PartialD;)=e^{-E(v,h|\&PartialD;)}Z(\&PartialD;)$

其中，为归一化项，也称为配分函数。实际问题中，我们最关心的是RBM所定义的关于似然函数的分布即它是联合概率的边缘分布。

可见层和隐含层内部的神经元没有互连，只有层间的神经元有连接，给定可见层状态时，各个隐含层节点的激活状态之间是相对独立的，此时，第j个隐含层节点的激活概率为：

$p(h_j=1|v,\&PartialD;)=\mathrm{\&sigma;}(b_j+\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{v}_i{W}_{\mathrm{ji}})$

当给定隐含层状态时，第i个可见层节点的激活概率为：

$p(v_i=1|h,\&PartialD;)=\mathrm{\&sigma;}(a_i+\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{h}_j{W}_{\mathrm{ji}})$

式中σ(x)＝1/(1+e^-x)为激活函数，一般选取sigmoid函数作为激活函数，a_i,b_j分别为第i个可见层节点的阈值和第j个隐含层节点的阈值，W_ij＝W_ji为v_i和h_j之间的连接权值，h_j表示第j个隐含层神经元。

步骤42：结合训练样本集U＝{l₀,…,l_m,p}，为降维后的数据样本，这里p为对应下一时间检测点的安全态势值，对输入的那一层进行无监督训练，训练的目标在于学习出参数的值，以拟合给定的训练数据，保持能量守恒，参数可以通过求在训练集(设样本数目为m)上的极大对数似然函数得到，即

${\&PartialD;}^{*}={\arg }_{\&PartialD;}\max \underset{i=1}{\overset{m}{\mathrm{\&Sigma;}}}\ln p\left(v_i\right|\&PartialD;)$

原始的深度信念网络算法(DBN)无法建模连续数据，为了建模连续数据，本发明提出一种改进的深度信念网络算法(DBN)，即在RBM的可见层添加一个零均值的高斯噪声从而引入一个连续随机单元，对于CRBM而言，隐含层中每个单元的输入均来自于可见层中所有单元的状态，按照各个可见层神经元对每个隐含层神经元贡献的大小，对它们之间的连接赋以相应重要的权值，即每个隐含层神经元的输出值是所有可见层输出值按照对其贡献大小的加权和。对比原有的深度信念网络算法(DBN)，参数更新的计算方法发生改变，从而适应连续数据。

隐含层神经元输出值计算公式如下：

式中:v_i为第i个可见层单元，函数φ_j的表达式如下：

N_j(0,1)表示零均值、单位方差的高斯随机变量，l_j为函数φ_j的变量。

常数ξ和N_j(0,1)共同产生了一个噪声输入分量n_j＝ξN_j(0,1),其概率分布为：

$p\left(n_j\right)=\frac{1}{\mathrm{\&xi;}2\mathrm{\&pi;}}\exp \left(\frac{{{-n}_j}^2}{2{\mathrm{\&xi;}}^2}\right)$

是渐近线在θ_L和θ_H处的sigmoid函数。θ_L为sigmoid函数S型渐近线曲线的参数趋向-∞时函数值的极限，θ_H为参数趋向+∞时函数值的极限，一般θ_L＝0，θ_H＝1，参数c_j控制着sigmoid曲线的斜率,为噪声控制变量,当c_j由小变大时,可以完成从无噪声的确定性状态到二进制随机状态的平滑过渡。

步骤43：更新改进的RBM的权值{W′_ij}以及“噪声控制”参数a_j,b_j。

ΔW′_ij＝η_w(<v_ih_j>_data-<v_ih_j>_recon)

$\mathrm{\&Delta;}{a}_i=\frac{{\mathrm{\&eta;}}_w}{{a_j}^2}({<{v_i}^2>}_{\mathrm{data}}-{<{v_i}^2>>}_{\mathrm{recon}})$

$\mathrm{\&Delta;}{b}_j=\frac{{\mathrm{\&eta;}}_w}{{a_j}^2}({<{h_j}^2>}_{\mathrm{data}}-{<{h_j}^2>>}_{\mathrm{recon}})$

η_w为预训练的学习率，＜●＞_data为训练数据集所定义的分布之上的数学期望，＜●＞_recon为重构的模型所定义的分布上的数学期望。

步骤44：输入层与第一个隐含层h¹(x)之间构成一个RBM，通过上述步骤的训练方法使其达到能量平衡；第一层改进的RBM1训练完成之后，把其隐含层节点的激活概率矢量作为输入数据来训练下一层h²(x)的RBM2，以此类推，训练L层改进的RBM，L为深度神经网络隐含层的层数，图5以3层为例，最终完成改进的深度信念网络算法(DBN)的训练过程，得到初始权重W_i(i＝1,2,3,....,L)。

步骤45：完成无监督的逐层预训练之后，对于原始的输入l，以目标输出作为监督信号，构造损失函数，采用梯度下降法，使用有监督的学习对改进的DBN进行微调,微调过程调整权重W′_i(i＝1,2,....,L)，L为深度神经网络隐含层的层数，以使重构误差达到最小。完成改进的DBN的训练和微调过程，得到确定的基于改进的深度信念网络的电网安全态势预测模型。

步骤46：根据改进的DBN，结合电网实时数据样本预测当前时刻T之后T+1,T+2.....T+n时刻的电网安全态势。

以上所述，仅为本发明较佳的具体实施方式，但本发明的保护范围并不局限于此，任何熟悉本技术领域的技术人员在本发明揭露的技术范围内，可轻易想到的变化或替换，都应涵盖在本发明的保护范围之内。因此，本发明的保护范围应该以权利要求的保护范围为准。

Claims (3)

1.一种基于改进深度学习模型的电网安全态势预测方法，其特征在于，所述方法包括如下步骤：

步骤1：电网数据采集和预处理：采集电网历史数据和实时数据，具体包括电网设备状态信息、电网稳态数据信息、电网动态数据信息、电网暂态故障信息、运行环境数据等，然后对采集的电网数据进行清洗和格式化统一预处理；

步骤2：电网安全态势评估：通过层次分析法和Delphi法构建电网安全态势评估指标体系，将采集的电网数据按照时间监测点的顺序，依次输入到层次化的电网安全态势评估指标体系中，与电网安全态势评估指标体系的权重矩阵做乘法，通过计算得到每个时间监测点的电网安全态势值；

步骤3：针对电网安全态势评估的指标数据具有关联性强、维数高的特点，提出一种改进的自编码网络方法降低指标数据的维数，利用降维后的数据样本和对应下一时间监测点的电网安全态势值构造训练样本集；

所述的改进的自编码网络方法具体步骤为：

步骤31:输入数据样本D＝{x₀,…x_i,…,x_n}，n为输入数据样本的个数，完成一次RBM训练学习过程，调整权重；

从受限玻尔兹曼机可见层神经元输入数据，根据神经元v_i更新隐含层神经元h_j的状态；再由隐含层神经元h_j重构出可见层神经元v_i的状态，接着根据重构出的可见层神经元v_i的状态再重构出隐含层神经元h_j的状态，完成一次受限玻尔兹曼机RBM训练学习过程，调整权重；

可见层和隐含层的权重更新公式如下：

Δw_ij＝ε(<v_ih_j>_data-<v_ih_j>_recon)

式中ε为学习率，i为可见层神经元个数，j为隐含层神经元个数；v_i为可见层神经元，h_j为隐含层神经元；<v_ih_j>_data指可见层神经元与隐含层神经元在输入数据下的二进制状态乘积；<v_ih_j>_recon指可见层神经元与隐含层神经元在重构数据下的二进制状态乘积；

步骤32:将每一层RBM的隐含层与下一层RBM的可见层合并为一层，这样依此合并展开得到自编码网络，对一层RBM进行学习调整权值得到的输出，作为学习下一个RBM的输入；设置第2,3,...,m层RBM结构，逐层学习，得到最终的初始权值；完成自编码网络的预训练过程；

步骤33：输入的数据样本集D＝{x₀,…x_i,…,x_n}先经过编码网络得到低维编码，再经过解码网络得到重构数据。编码函数为f_θ，解码函数为g_θ，

$f_{\mathrm{\&theta;}}=\frac{1}{1+e^{{-x}_i}}$

$g_{\mathrm{\&theta;}}=\frac{1}{1+e^{{-y}_i}}$

参数θ＝{W,b,W′,d}，其中b、d分别为编码器和解码器的偏差向量，W、W'分别为编码器和解码器的权重矩阵；

输入高维数据经过编码器得到的低维编码如下：

y_i＝f_θ(x_i),i＝(1,2,..,n)；

低维编码经过解码器得到的重构数据如下：

x'_i＝g_θ(y_i),i＝(1,2,..,n)；

步骤34：通过k-nearest算法，计算输入值x_i(i＝1,2,..,n)的重构权重集S_i和x_i(i＝1,2,..,n)的重构集Ω_i,其中S_i＝{S_ij,S_ik......}，S_ij为输入值x_i和输入值x_j通过k-nearest算法计算得出的相似性，S_ik为输入值x_i和输入值x_k之间通过k-nearest算法计算得出的相似性，Ω_i＝{j,k......}；

步骤35：通过随机梯度下降算法调整重构误差使其达到最小。基于重构误差最小的原则调整权重Θ＝(W,W′)，整体重构误差为：

$E(W,W^{\&prime;})=\underset{j\&Element;{\mathrm{\&Omega;}}_i}{\mathrm{\&Sigma;}}{S}_{\mathrm{ij}}L(x_i^{\&prime;},x_i)$

其中参数Θ＝(W,W′)，W为输入层与隐含层之间权重，W′为隐含层与输出层之间权重，L(x_j,x_i′)为重构误差函数，重构误差函数的选取通常根据输入样本的取值范围和特征决定，若输入数据为连续实数，则重构误差函数如公式：

L(x_j,x'_i)＝||x_j-x'_i||

若输入数据为二进制数，选取重构误差函数为交叉熵损失函数如公式：

$L(x_j,x_i^{\&prime;})=-{\mathrm{\&Sigma;}}_{i=1}^{d_x}{x}_j\log \left(x_i^{\&prime;}\right)+(1-x_j)\log (1-x_i^{\&prime;})$

通过最小化整体重构误差E(W,W′)来更新权重Θ＝(W,W′)；

$(W,W^{\&prime;})=\arg \min \underset{i,j}{\mathrm{\&Sigma;}}{S}_{\mathrm{ij}}\left|\right|x_j-f_{\mathrm{\&theta;}}\left(W^{\&prime;}{g}_{\mathrm{\&theta;}}\left({\mathrm{Wx}}_i\right)\right)|{|}^2;$

步骤36：计算隐含层值{y₁,y₂......y_n}，同样通过k-nearest算法更新y_i的重构权重S_i和重构集Ω_i，其中S_i＝{S_ij,S_ik......}，S_ij为输入值x_i和输入值x_j通过k-nearest算法计算得出的相似性，S_ik为输入值x_i和输入值x_k之间通过k-nearest算法计算得出的相似性，Ω_i＝{j,k......}；

重复步骤35中通过最小化整体重构误差E(W,W′)来更新权重Θ＝(W,W′)；

步骤37：重复步骤35和步骤36直到收敛；

步骤4：电网安全态势预测：采用一种改进的深度信念网络构建具有多输入多输出的深度学习态势预测模型，利用深度学习态势预测模型对训练样本集进行迭代训练，从而确定电网安全态势预测模型，再结合降维后的数据样本预测当前时刻T之后T+1,T+2，.....，T+n时刻的电网安全态势。

2.根据权利要求1所述的一种基于改进深度学习模型的电网安全态势预测方法，其特征在于，步骤4的具体步骤如下：

步骤41：通过改进的受限玻尔兹曼机的叠置构建具有多输入多输出结构的改进的深度信念网络电网安全态势预测模型；

所述受限波兹曼机由两层网络构成，分别称为可见层和隐含层；受限玻尔兹曼机具备的能量定义为：

$E(v,h|\&PartialD;)=-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_i{v}_i-\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{b}_j{h}_j-\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{v}_i{W}_{\mathrm{ij}}{h}_j$

是受限波尔兹曼机的参数，v_i表示第i个可见层神经元，h_j表示第j个隐含层神经元，W_ij表示v_i和h_j的连接权值，a_i表示第i个可见层单元的阈值，b_j表示第j个隐含层单元的阈值；

基于该能量函数，得到联合概率分布：

$p(v,h|\&PartialD;)=e^{-E(v,h|\&PartialD;)}Z(\&PartialD;)$

其中，为归一化项，也称为配分函数；

第j个隐含层节点的激活概率为：

$p=(h_i=1|h,\&PartialD;)=\mathrm{\&sigma;}(b_i+\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{v}_j{W}_{\mathrm{ji}})$

当给定隐含层状态时，第i个可见层节点的激活概率为：

$p=(v_i=1|h,\&PartialD;)=\mathrm{\&sigma;}(a_i+\underset{i=1}{\overset{j}{\mathrm{\&Sigma;}}}{h}_j{W}_{\mathrm{ji}})$

式中σ(x)＝1/(1+e^-x)为激活函数，选取sigmoid函数作为激活函数，a_i,b_j分别为第i个可见层节点的阈值和第j个隐含层节点的阈值，W_ij＝W_ji为v_i和h_j之间的连接权值，h_j表示第j个隐含层神经元；

步骤42：结合训练样本集U＝{l₀,…,l_m,p}，为降维后的数据样本，这里p为对应下一时间检测点的安全态势值，对输入的那一层进行无监督训练，训练的目标在于学习出参数的值，以拟合给定的训练数据，保持能量守恒，参数通过求在训练集上的极大对数似然函数得到；隐含层神经元输出值计算公式如下：

式中:v_i为第i个可见层单元，函数φ_j的表达式如下：

N_j(0,1)表示零均值、单位方差的高斯随机变量，l_j为函数φ_j的变量。

常数ξ和N_j(0,1)共同产生了一个噪声输入分量n_j＝ξN_j(0,1),其概率分布为：

$p\left(n_j\right)=\frac{1}{\mathrm{\&xi;}2\mathrm{\&pi;}}\exp \left(\frac{-{n_j}^2}{{2\mathrm{\&xi;}}^2}\right)$

是渐近线在θ_L和θ_H处的sigmoid函数,θ_L为sigmoid函数S型渐近线曲线的参数趋向-∞时函数值的极限，θ_H为参数趋向+∞时函数值的极限，参数c_j控制着sigmoid曲线的斜率,为噪声控制变量；

步骤43：更新改进的RBM的权值{W_ij'}以及“噪声控制”参数a_j,b_j；

ΔW'_ij＝η_w(<v_ih_j>_data-<v_ih_j>_recon)

$\mathrm{\&Delta;}{a}_i=\frac{{\mathrm{\&eta;}}_w}{{a_j}^2}({\&lang;{v_i}^2\&rang;}_{\mathrm{data}}-{\&lang;{v_i}^2\&rang;\&rang;}_{\mathrm{recon}})$

$\mathrm{\&Delta;}{b}_j=\frac{{\mathrm{\&eta;}}_w}{{a_j}^2}({\&lang;{h_j}^2\&rang;}_{\mathrm{data}}-{\&lang;{h_j}^2\&rang;\&rang;}_{\mathrm{recon}})$

η_w为预训练的学习率，＜·＞_data为训练数据集所定义的分布之上的数学期望，＜·＞_recon为重构的模型所定义的分布上的数学期望；

步骤44：输入层与第一个隐含层h¹(x)之间构成一个RBM，通过上述步骤的训练方法使其达到能量平衡；第一层改进的RBM1训练完成之后，把其隐含层节点的激活概率矢量作为输入数据来训练下一层h²(x)的RBM2，以此类推，训练L层改进的RBM，L为深度神经网络隐含层的层数，最终完成改进的深度信念网络算法的训练过程，得到初始权重W_i,i＝1,2,3,....,L,；

步骤45：完成无监督的逐层预训练之后，对于原始的输入，以目标输出作为监督信号，构造损失函数，采用梯度下降法，使用有监督的学习对改进的DBN进行微调,微调过程调整权重W′_i(i＝1,2,....,L)，L为深度神经网络隐含层的层数，以使重构误差达到最小；完成改进的DBN的训练和微调过程，得到确定的基于改进的深度信念网络的电网安全态势预测模型；

步骤46：根据改进的DBN，结合电网实时数据样本预测当前时刻T之后T+1,T+2.....T+n时刻的电网安全态势。

3.根据权利要求1所述的一种基于改进深度学习模型的电网安全态势预测方法，其特征在于，所述的电网安全态势评估，具体如下：

(1)根据指标两两之间的相对重要性给出比较值，建立模糊互补判断矩阵，矩阵公式为：

其中f_ij为指标两两之间的比较值，i＝1,2,…,n；j＝1,2,…,n；

将模糊互补判断矩阵A′转换为模糊一致判断矩阵A，计算公式为A＝(a_ij)_n×n；

其中 $a_{\mathrm{ij}}=\frac{r_i-r_j}{2n}+0.5;$

$r_i=\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_{\mathrm{ij}}(i=\mathrm{1,2},..,n),r_j=\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{f}_{\mathrm{ij}}(j=\mathrm{1,2},..,n);$

得出的一致判断矩阵A为：

计算出各指标的权重向量W_i，权重向量W_i计算公式为：

$W_i=\frac{1}{n}-\frac{1}{2a}+\frac{1}{\mathrm{na}}\underset{j=1}{\overset{n}{\mathrm{\&Sigma;}}}{a}_{\mathrm{ij}}$

式中i＝1,2,.....,n，n为指标个数，若a越大，权重间的差异越小；a越小，权重间的差异越大；若权重间的差异最大；

(2)构造隶属度矩阵；

将电力系统网络安全风险的评语等级划分为5级，即很安全、安全、中等、危险和很危险，评语集记为v_j,j＝1,2,...m,，指标集为u_i,i＝1,2,...n,，对不同的风险指标等级进行划分，若对于指标u_i，有w_ij个v_j评语，则指标u_i隶属于评语v_j的隶属度r_ij如下：

$r_{\mathrm{ij}}=\frac{w_{\mathrm{ij}}}{\underset{i=1}{\overset{n}{\mathrm{\&Sigma;}}}{w}_{\mathrm{ij}}}$

通过以上计算即得到隶属度矩阵R＝(r_ij)_n×m；

(3)模糊综合评判；

多级模糊综合评判矩阵B计算公式如下：

其中“о”称为模糊合成算子，当权重向量集W＝(w₁,w₂,..w_n)和隶属度矩阵R均归一化时，即为矩阵乘法运算；多级模糊综合评判结果为评判矩阵B；

(4)系统综合评分值；

采用加权平均法对不同的等级的评语集v_j规定值β_j，综合评分结果如下：

$p=\frac{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{b_j}^k{\mathrm{\&beta;}}_j}{\underset{j=1}{\overset{m}{\mathrm{\&Sigma;}}}{b}_j^k}$

其中k＝1，b_j为多级模糊综合评判矩阵元素，j＝1,2,…,m；

根据以上计算过程，计算得出电网安全态势值p。