CN108898247A - 一种电网暴雨灾害风险预测方法、系统及存储介质 - Google Patents

Abstract

本发明涉及电力系统的气象灾害技术领域，公开了一种电网暴雨灾害风险预测方法、系统及存储介质；以减轻输电线路遭受的暴雨灾害，提高输电线路应对暴雨灾害的能力和安全稳定运行水平，达到主动性强、智能程度高、应用范围广的目的；本发明根据训练样本数据集初始化受限玻尔兹曼机算法的参数值，反复学习与更新参数值，至受限玻尔兹曼机算法满足训练样本数据集的收敛性，通过验证样本数据集验证受限玻尔兹曼机算法的预测精度E_avg，若预测精度E_avg不在预先设定精度以内，则继续更新参数，直至满足预测精度；进一步建立基于反向传播算法的电网暴雨灾害预测模型，最后根据反向传播算法对电网暴雨灾害预测模型的参数进行调整，并得到暴雨灾害风险预测模型。

Description

一种电网暴雨灾害风险预测方法、系统及存储介质

技术领域

本发明涉及电力系统的气象灾害技术领域，尤其涉及一种电网暴雨灾害风险预测方法、系统及存储介质。

背景技术

自然灾害给电网带来不可避免的影响，其中暴雨灾害与覆冰、污秽灾害影响范围最广，据统计，在众多灾害中，暴雨灾害占据80％以上。暴雨灾害会导致输电线路倒塔、断线并表现为久性故障，损坏变电站设备，甚至导致受灾厂站全停，严重威胁电网安全运行，且造成了重大的经济损失和社会影响。输电线路暴雨灾害问题已成为当前威胁线路安全的最大威胁之一，我国中东部以及南方地区是暴雨多发区域，受复杂地形特点等因素的影响，输电线路暴雨灾害事故屡有发生，给人们的生活带来了极大的不便和危害。因此，对输电线路暴雨灾害风险分析预警的研究将具有重要的意义和工程实用价值。

目前，国内学者已开展了输电线路暴雨灾害风险预警的相关研究，包括基于事件演化动力学的风险评估方法、基于情景分析的灾害风险评估方法、基于历史灾情数据的灾害风险评估方法、基于指标体系的灾害风险评估方法、基于遥感和GIS技术的灾害风险评估方法以及基于智能算法的灾害风险评估方法等。其中，基于事件演化动力学的风险评估方法和基于情景分析的灾害风险评估方法注重事件演化的物理过程分析，但暴雨灾害存在历史规律性和影响因子不确定性，该方法不能充分发挥历史数据的价值；基于历史灾情数据的评估一般经历了极值评估法、概率评估法和模糊评估法3个阶段，而极值评估法通常在风险评估时存在比较明显的偏差，概率评估法在遇到数据样本较少而无法准确获得样本的概率分布时，评估结果将会出现较大的偏差，模糊评估法评估结果多是关系或模糊集，无法直接进行比较；基于指标体系的风险评估方法被认为是目前最广泛应用也是最有以异议的方法，该方法由于缺少研究复杂灾害的各个风险评估要素之间的联系，以及其演化过程不能非常好地进行模拟，难以体现出灾害的不确定性与动态性，风险评估的结果存在不准性；基于遥感和GIS技术的灾害风险评估往往受限于遥感图像的空间分辨率程度，很难在小尺度的区域内进行比较精准的灾害损失估算及风险评估；基于情景分析的风险评估大都是对灾害风险场景的模拟，而对出现某种灾害风险评估的具体有效执行的模拟还未涉及，同样存在一定的局限性；基于智能算法的灾害风险评估方法主要依赖于历史数据的积累和经验，结合相关模型通过初步的机器学习方法进行暴雨灾害风险评估，但一般的智能算法仅停留在片面的机器学习过程，不能够深入学习暴雨灾害风险特征，进而预测预警准确率较低。

发明内容

本发明目的在于提供一种电网暴雨灾害风险预测方法、系统及存储介质，以减轻输电线路遭受的暴雨灾害，提高输电线路应对暴雨灾害的能力和安全稳定运行水平，达到主动性强、智能程度高、应用范围广的目的。

为实现上述目的，本发明提供了一种电网暴雨灾害风险预测方法，包括以下步骤：

S1：选取历史暴雨灾害的相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网暴雨灾害风险预测模型；

S5：根据所述反向传播算法对所述电网暴雨灾害风险预测模型的参数进行调整，得到暴雨灾害预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的暴雨灾害日数，ψ_ij表示i,j神经元对应的暴雨灾害日数，ω_ij表示i,j神经元之间的影响权重。

优选地，所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率：当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元，v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i表示隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ij直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg的计算公式为：

式中，X_i表示第i个样本中输电线路暴雨灾害实际值；Y_i表示第i个样本中输电线路暴雨灾害预测值。

与上述方法相对应地，本发明还提供一种电网暴雨灾害风险预测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述程序时实现以下步骤：

S1：选取历史暴雨灾害的相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网暴雨灾害风险预测模型；

S5：根据所述反向传播算法对所述电网暴雨灾害风险预测模型的参数进行调整，得到暴雨灾害预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的暴雨灾害日数，ψ_ij表示i,j神经元对应的暴雨灾害日数，ω_ij表示i,j神经元之间的影响权重。

优选地，所述处理器执行所述程序时，还包括：

所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i为隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg采用计算公式为：

式中，X_i表示第i个样本中输电线路暴雨灾害实际值；Y_i表示第i个样本中输电线路暴雨灾害预测值。

同理，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，所述程序被处理器执行时实现上述方法的步骤。

本发明具有以下有益效果：

本发明提供一种电网暴雨灾害风险预测方法、系统及存储介质，利用深度学习中的受限玻尔兹曼机算法构建能进行无监督学习电网暴雨灾害的模型，并通过有监督的反向传播算法进行调整，得到电网暴雨灾害风险预测模型，以更全面更精确地考虑影响暴雨灾害的因素，减轻电网输电线路遭受的暴雨灾害，在实现主动性强，智能程度高，考虑因素全面细致的基础上进一步提高电网输电线路应对暴雨灾害的能力和安全稳定的运行水平。

下面将参照附图，对本发明作进一步详细的说明。

附图说明

构成本申请的一部分的附图用来提供对本发明的进一步理解，本发明的示意性实施例及其说明用于解释本发明，并不构成对本发明的不当限定。在附图中：

图1是本发明优选实施例的电网暴雨灾害风险预测方法的流程示意图。

具体实施方式

以下结合附图对本发明的实施例进行详细说明，但是本发明可以由权利要求限定和覆盖的多种不同方式实施。

实施例1

参见图1，本实施例提供一种电网暴雨灾害风险预测方法，包括以下步骤：

S1：选取历史暴雨灾害的相关数据构建初始样本数据集，将初始样本数据集分为训练样本数据集和验证样本数据集，并根据训练样本数据集初始化受限玻尔兹曼机算法的参数值。

具体地，选取中国2010年-2017年的42组历史电网暴雨灾害的相关数据作为初始样本数据集，每组数据分别包括气象特征要素数据、地形地势数据、输电线路各基杆塔的基础特征、土体密实度、地层岩性、土体中碎石含量、坡面特征特性、以及泥石流致灾因子数据等数据。将前38组数据作为训练样本数据集，后4组数据作为验证样本数据集。其中，气象特征要素数据包括降水量、风速、风向对导线轴向的夹角、温度、湿度等；地形地势数据包括冷冻地带、风口地区等；泥石流致灾因子数据包括泥位、泥速、次声和地声等；将它们共同构成的输入数据作为输电线路暴雨灾害初始训练样本集：

A＝{(X₁,y₁,z₁),(X₂,y₂,z₂),...,(X₃₈,y₃₈,z₃₈)}；

其中，X_i为第i个输电线路暴雨灾害样本特征因素向量，y_i＝{-1,1}为第i个样本的发生暴雨灾害的标记，其中，-1表示输电线路未发生暴雨灾害，1表示输电线路发生暴雨灾害，z_i＝{0,1,2,3,...}为第i个输电线路暴雨灾害发生事故的持续时间，具体地，以天数为暴雨灾害持续时间的单位。

进一步地，初始化受限玻尔兹曼机算法的参数，将显示层中的节点变量值初为v＝{v_i|i＝0,...,M}，将隐藏层中的节点变量值初始为h＝{h_j|j＝0,...,N}，将显示层和隐藏层相互之间的权重初始为ω＝{ω_ij|i＝0,...,M,j＝0,...,N}，其中，N表示隐藏的神经元个数，M表示显示层的神经元个数。具体地，本实施例中具体取值为M＝30，N＝30。

S2：反复学习与更新参数值，直至受限玻尔兹曼机算法满足训练样本数据集的收敛性。

进一步地，根据训练样本数据集的收敛性对受限玻尔兹曼机算法进行迭代判断，若该受限玻尔兹曼机算法不满足该训练样本数据集的收敛性，则修改该受限玻尔兹曼机算法的参数。具体地，计算显示层和隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元，v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i为隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数。

然后，根据显示层和隐藏层的条件概率更新显示层偏置a_i、隐藏层偏置b_j以及两层相互之间的权重ω_ij直至该受限玻尔兹曼机算法满足该训练集样本的收敛性。

需要说明的是，受限玻尔兹曼机模型是一个基于热力学的能量模型，它是一种具有显示层v＝{v₁,v₂,...,v_M}和隐藏层h＝{h₁,h₂,...,h_N}，层内无连接，层间对称连接且无自反馈的神经网络模型，属于无监督的生成模型。对于一组给定的状态(v,h)可定义其能量函数E(v,h)，显示层v和隐藏层h的联合概率分布表示为P(v,h)，此时能量函数被定义为：

式中，v_i表示显示层的第i个神经元，h_i表示隐藏层的第j个神经元，ω_ij为隐藏层第i个神经元与显示层第j个神经元的连接权值，a_i为显示层第i个神经元的偏置，b_i为显示层第i个神经元的偏置，M和N分别为显示层和隐藏层的节点数量。

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过验证样本数据集验证受限玻尔兹曼机算法的预测精度E_avg，若预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2。

具体地，将显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ij记为θ＝{a_i,b_j,ω_ij}，则偏置和连接层权重的计算公式为：

式中，T表示训练样本数据集的个数，v^t表示第t个输入样本，L(θ)表示训练样本数据集上的对数似然函数，该函数的具体计算公式如下：

进一步地，利用更新参数后的玻尔兹曼机算法对验证样本数据集中的数据进行预测，并将预测值与验证样本数据集中的实际值进行比较，当预测精度E_avg≤0.1时，继续进行下一步，反之，返回步骤S2。其中，预测精度计算公式为：

式中，X_i表示第i个样本中输电线路暴雨灾害实际值；Y_i表示第i个样本中输电线路暴雨灾害预测值。

S4：从训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网暴雨灾害风险预测模型。

具体地，从训练样本数据集中提取8个高级抽象特征要素可记作为输入参数集{x₁,x₂,...,x₈}，建立基于反向传播算法的电网暴雨灾害风险预测模型。

S5：根据反向传播算法对电网暴雨灾害风险预测模型的参数进行调整，得到暴雨灾害预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的暴雨灾害日数，ψ_ij表示i,j神经元对应的暴雨灾害日数，ω_ij表示i,j神经元之间的影响权重。

实施例2

与上述方法实施例相对应地，本实施例提供一种电网暴雨灾害风险预测系统，包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，处理器执行程序时实现以下步骤：

S1：选取历史暴雨灾害的相关数据构建初始样本数据集，将初始样本数据集分为训练样本数据集和验证样本数据集，并根据训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新参数值，直至受限玻尔兹曼机算法满足训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过验证样本数据集验证受限玻尔兹曼机算法的预测精度E_avg，若预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网暴雨灾害风险预测模型；

S5：根据反向传播算法对电网暴雨灾害风险预测模型的参数进行调整，得到暴雨灾害预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的暴雨灾害日数，ψ_ij表示i,j神经元对应的暴雨灾害日数，ω_ij表示i,j神经元之间的影响权重。

作为本实施例优选的实施方式，处理器执行程序时，还包括：

步骤S2中的反复学习与更新参数值具体包括以下步骤：

(1)分别计算受限玻尔兹曼机算法中的显示层、隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i为隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji直至受限玻尔兹曼机算法满足训练集样本的收敛性；

步骤S3中的预测精度E_avg采用计算公式为：

式中，X_i表示第i个样本中输电线路暴雨灾害实际值；Y_i表示第i个样本中输电线路暴雨灾害预测值。

同理，本发明还提供一种计算机可读存储介质，其上存储有计算机程序，程序被处理器执行时实现实施例1中方法的步骤。

如上所述，本发明提供一种电网暴雨灾害风险预测方法、系统及存储介质，利用深度学习中的受限玻尔兹曼机算法构建能进行无监督学习电网暴雨灾害的模型，并通过有监督的反向传播算法进行调整，得到电网暴雨灾害风险预测模型，以更全面更精确地考虑影响暴雨灾害的因素，减轻电网输电线路遭受的暴雨灾害，在实现主动性强，智能程度高，考虑因素全面细致的基础上进一步提高电网输电线路应对暴雨灾害的能力和安全稳定的运行水平。

以上所述仅为本发明的优选实施例而已，并不用于限制本发明，对于本领域的技术人员来说，本发明可以有各种更改和变化。凡在本发明的精神和原则之内，所作的任何修改、等同替换、改进等，均应包含在本发明的保护范围之内。

Claims (5)

1.一种电网暴雨灾害风险预测方法，其特征在于，包括以下步骤：

S1：选取历史暴雨灾害的相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网暴雨灾害风险预测模型；

S5：根据所述反向传播算法对所述电网暴雨灾害风险预测模型的参数进行调整，得到暴雨灾害预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的暴雨灾害日数，ψ_ji表示i,j神经元对应的暴雨灾害日数，ω_ji表示i,j神经元之间的影响权重。

2.根据权利要求1所述的电网暴雨灾害风险预测方法，其特征在于，

所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率：当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元，v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i表示隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ij直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg的计算公式为：

式中，X_i表示第i个样本中输电线路暴雨灾害实际值；Y_i表示第i个样本中输电线路暴雨灾害预测值。

3.一种电网暴雨灾害风险预测系统，包括存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，其特征在于，所述处理器执行所述程序时实现以下步骤：

S1：选取历史暴雨灾害的相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网暴雨灾害风险预测模型；

S5：根据所述反向传播算法对所述电网暴雨灾害风险预测模型的参数进行调整，得到暴雨灾害预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的暴雨灾害日数，ψ_ij表示i,j神经元对应的暴雨灾害日数，ω_ij表示i,j神经元之间的影响权重。

4.根据权利要求3所述的电网暴雨灾害风险预测系统，其特征在于，所述处理器执行所述程序时，还包括：

所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率，即，当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i为隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ji直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg采用计算公式为：

式中，X_i表示第i个样本中输电线路暴雨灾害实际值；Y_i表示第i个样本中输电线路暴雨灾害预测值。

5.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述程序被处理器执行时实现权利要求1或2所述方法的步骤。