CN108898247A - 一种电网暴雨灾害风险预测方法、系统及存储介质 - Google Patents
一种电网暴雨灾害风险预测方法、系统及存储介质 Download PDFInfo
- Publication number
- CN108898247A CN108898247A CN201810653334.7A CN201810653334A CN108898247A CN 108898247 A CN108898247 A CN 108898247A CN 201810653334 A CN201810653334 A CN 201810653334A CN 108898247 A CN108898247 A CN 108898247A
- Authority
- CN
- China
- Prior art keywords
- indicate
- rainfall disaster
- neuron
- sample data
- algorithm
- Prior art date
- Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 74
- 238000012549 training Methods 0.000 claims abstract description 37
- 230000005540 biological transmission Effects 0.000 claims abstract description 30
- 230000005611 electricity Effects 0.000 claims abstract description 26
- 238000013480 data collection Methods 0.000 claims abstract description 22
- 210000002569 neuron Anatomy 0.000 claims description 54
- 230000006870 function Effects 0.000 claims description 16
- 230000004913 activation Effects 0.000 claims description 12
- 238000004364 calculation method Methods 0.000 claims description 8
- 238000013135 deep learning Methods 0.000 claims description 7
- 238000004590 computer program Methods 0.000 claims description 6
- 230000005284 excitation Effects 0.000 claims description 6
- 238000005303 weighing Methods 0.000 claims description 6
- 239000011521 glass Substances 0.000 claims 2
- 210000005036 nerve Anatomy 0.000 claims 2
- 239000010410 layer Substances 0.000 description 83
- 238000012502 risk assessment Methods 0.000 description 10
- 238000004458 analytical method Methods 0.000 description 4
- 241000208340 Araliaceae Species 0.000 description 2
- 235000005035 Panax pseudoginseng ssp. pseudoginseng Nutrition 0.000 description 2
- 235000003140 Panax quinquefolius Nutrition 0.000 description 2
- 239000012141 concentrate Substances 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 235000008434 ginseng Nutrition 0.000 description 2
- 230000001939 inductive effect Effects 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 239000011435 rock Substances 0.000 description 2
- 238000004088 simulation Methods 0.000 description 2
- 239000002689 soil Substances 0.000 description 2
- 241000196324 Embryophyta Species 0.000 description 1
- 238000009825 accumulation Methods 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000010586 diagram Methods 0.000 description 1
- 230000010429 evolutionary process Effects 0.000 description 1
- 238000000605 extraction Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000003062 neural network model Methods 0.000 description 1
- 238000001556 precipitation Methods 0.000 description 1
- 230000008439 repair process Effects 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 239000004575 stone Substances 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q10/00—Administration; Management
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
- G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
- G06Q50/06—Energy or water supply
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- Theoretical Computer Science (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Physics & Mathematics (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Educational Administration (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
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Eavg,若预测精度Eavg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
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Eavg,若所述预测精度Eavg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,...,xk},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,yi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,ψij表示i,j神经元对应的暴雨灾害日数,ωij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,hj表示隐藏层h第j个神经元,vi表示显示层的第i个神经元,M表示显示层的节点数量,aj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,bi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aj、隐藏层偏置bi以及两层相互之间的权重ωij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Eavg的计算公式为:
式中,Xi表示第i个样本中输电线路暴雨灾害实际值;Yi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Eavg,若所述预测精度Eavg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,...,xk},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,yi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,ψij表示i,j神经元对应的暴雨灾害日数,ωij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,hj表示隐藏层h第j个神经元vi表示显示层的第i个神经元,M表示显示层的节点数量,aj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,bi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aj、隐藏层偏置bi以及两层相互之间的权重ωji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Eavg采用计算公式为:
式中,Xi表示第i个样本中输电线路暴雨灾害实际值;Yi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,Xi为第i个输电线路暴雨灾害样本特征因素向量,yi={-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,zi={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={vi|i=0,...,M},将隐藏层中的节点变量值初始为h={hj|j=0,...,N},将显示层和隐藏层相互之间的权重初始为ω={ωij|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,hj表示隐藏层h第j个神经元,vi表示显示层的第i个神经元,M表示显示层的节点数量,aj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,bi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ai、隐藏层偏置bj以及两层相互之间的权重ωij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,...,vM}和隐藏层h={h1,h2,...,hN},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,vi表示显示层的第i个神经元,hi表示隐藏层的第j个神经元,ωij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,ai为显示层第i个神经元的偏置,bi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Eavg,若预测精度Eavg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aj、隐藏层偏置bi以及两层相互之间的权重ωij记为θ={ai,bj,ωij},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,vt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Eavg≤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,Xi表示第i个样本中输电线路暴雨灾害实际值;Yi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,...,xk},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,yi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,ψij表示i,j神经元对应的暴雨灾害日数,ωij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Eavg,若预测精度Eavg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,...,xk},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,yi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,ψij表示i,j神经元对应的暴雨灾害日数,ωij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,hj表示隐藏层h第j个神经元vi表示显示层的第i个神经元,M表示显示层的节点数量,aj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,bi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aj、隐藏层偏置bi以及两层相互之间的权重ωji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Eavg采用计算公式为:
式中,Xi表示第i个样本中输电线路暴雨灾害实际值;Yi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Eavg,若所述预测精度Eavg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,...,xk},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,yi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,ψji表示i,j神经元对应的暴雨灾害日数,ωji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,hj表示隐藏层h第j个神经元,vi表示显示层的第i个神经元,M表示显示层的节点数量,aj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,bi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aj、隐藏层偏置bi以及两层相互之间的权重ωij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Eavg的计算公式为:
式中,Xi表示第i个样本中输电线路暴雨灾害实际值;Yi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Eavg,若所述预测精度Eavg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,...,xk},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,yi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,ψij表示i,j神经元对应的暴雨灾害日数,ωij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,hj表示隐藏层h第j个神经元vi表示显示层的第i个神经元,M表示显示层的节点数量,aj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,bi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aj、隐藏层偏置bi以及两层相互之间的权重ωji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Eavg采用计算公式为:
式中,Xi表示第i个样本中输电线路暴雨灾害实际值;Yi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。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653334.7A CN108898247A (zh) | 2018-06-22 | 2018-06-22 | 一种电网暴雨灾害风险预测方法、系统及存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN201810653334.7A CN108898247A (zh) | 2018-06-22 | 2018-06-22 | 一种电网暴雨灾害风险预测方法、系统及存储介质 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN108898247A true CN108898247A (zh) | 2018-11-27 |
Family
ID=64345556
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN201810653334.7A Pending CN108898247A (zh) | 2018-06-22 | 2018-06-22 | 一种电网暴雨灾害风险预测方法、系统及存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN108898247A (zh) |
Cited By (9)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615109A (zh) * | 2018-12-29 | 2019-04-12 | 大唐河南清洁能源有限责任公司 | 基于小样本数据的深度学习风电告警信息分析方法 |
CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
CN110062336A (zh) * | 2019-04-18 | 2019-07-26 | 湖南科大天河通信股份有限公司 | 防空防灾警报的播报方法、装置、电子设备及存储介质 |
CN111291027A (zh) * | 2020-01-15 | 2020-06-16 | 杭州华网信息技术有限公司 | 一种数据预处理方法 |
CN111310785A (zh) * | 2020-01-15 | 2020-06-19 | 杭州华网信息技术有限公司 | 一种国家电网机械外破预测方法 |
CN112257956A (zh) * | 2020-11-10 | 2021-01-22 | 国网湖南省电力有限公司 | 预测输电线路遭受暴雨灾害的方法、装置和设备 |
CN113570133A (zh) * | 2021-07-26 | 2021-10-29 | 广西电网有限责任公司电力科学研究院 | 一种应对强降雨的输配电线路风险预测方法及系统 |
CN114580307A (zh) * | 2022-05-05 | 2022-06-03 | 湖南大学 | 考虑暴雨时空分布的分布式供电系统涉电安全感知方法 |
CN115660424A (zh) * | 2022-10-28 | 2023-01-31 | 国网四川省电力公司 | 一种基于gis的灾害要素分析预警系统 |
Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182514A (zh) * | 2017-12-13 | 2018-06-19 | 国网湖南省电力有限公司 | 一种电网覆冰舞动风险预测方法、系统及存储介质 |
-
2018
- 2018-06-22 CN CN201810653334.7A patent/CN108898247A/zh active Pending
Patent Citations (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN108182514A (zh) * | 2017-12-13 | 2018-06-19 | 国网湖南省电力有限公司 | 一种电网覆冰舞动风险预测方法、系统及存储介质 |
Cited By (14)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN109615109A (zh) * | 2018-12-29 | 2019-04-12 | 大唐河南清洁能源有限责任公司 | 基于小样本数据的深度学习风电告警信息分析方法 |
CN110008301A (zh) * | 2019-04-12 | 2019-07-12 | 杭州鲁尔物联科技有限公司 | 基于机器学习的区域性地质灾害易发性预测方法及装置 |
CN110062336A (zh) * | 2019-04-18 | 2019-07-26 | 湖南科大天河通信股份有限公司 | 防空防灾警报的播报方法、装置、电子设备及存储介质 |
CN110062336B (zh) * | 2019-04-18 | 2022-03-18 | 湖南科大天河通信股份有限公司 | 防空防灾警报的播报方法、装置、电子设备及存储介质 |
CN111291027B (zh) * | 2020-01-15 | 2023-08-15 | 浙江华网恒业科技有限公司 | 一种数据预处理方法 |
CN111291027A (zh) * | 2020-01-15 | 2020-06-16 | 杭州华网信息技术有限公司 | 一种数据预处理方法 |
CN111310785A (zh) * | 2020-01-15 | 2020-06-19 | 杭州华网信息技术有限公司 | 一种国家电网机械外破预测方法 |
CN112257956A (zh) * | 2020-11-10 | 2021-01-22 | 国网湖南省电力有限公司 | 预测输电线路遭受暴雨灾害的方法、装置和设备 |
CN113570133A (zh) * | 2021-07-26 | 2021-10-29 | 广西电网有限责任公司电力科学研究院 | 一种应对强降雨的输配电线路风险预测方法及系统 |
CN113570133B (zh) * | 2021-07-26 | 2024-05-24 | 广西电网有限责任公司电力科学研究院 | 一种应对强降雨的输配电线路风险预测方法及系统 |
CN114580307A (zh) * | 2022-05-05 | 2022-06-03 | 湖南大学 | 考虑暴雨时空分布的分布式供电系统涉电安全感知方法 |
US11821961B2 (en) | 2022-05-05 | 2023-11-21 | Hunan University | Method for electricity-related security awareness of distributed power supply systems considering spatio-temporal distribution of rainstorms |
CN115660424A (zh) * | 2022-10-28 | 2023-01-31 | 国网四川省电力公司 | 一种基于gis的灾害要素分析预警系统 |
CN115660424B (zh) * | 2022-10-28 | 2024-02-13 | 国网四川省电力公司 | 一种基于gis的灾害要素分析预警系统 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN108898247A (zh) | 一种电网暴雨灾害风险预测方法、系统及存储介质 | |
CN105426970B (zh) | 一种基于离散动态贝叶斯网络的气象威胁评估方法 | |
CN108182514A (zh) | 一种电网覆冰舞动风险预测方法、系统及存储介质 | |
Aksoy et al. | A multicase comparative assessment of the ensemble Kalman filter for assimilation of radar observations. Part II: Short-range ensemble forecasts | |
Lian et al. | Landslide displacement prediction with uncertainty based on neural networks with random hidden weights | |
CN105184423B (zh) | 一种风电场集群风速预测方法 | |
Mohamed et al. | Population MCMC methods for history matching and uncertainty quantification | |
CN109523090A (zh) | 一种输电线路暴雨滑坡预测方法及系统 | |
CN109408965A (zh) | 基于地震动参数的房屋震害矩阵曲线化分析系统及方法 | |
Ebrahim et al. | Downscaling technique uncertainty in assessing hydrological impact of climate change in the Upper Beles River Basin, Ethiopia | |
Nagahamulla et al. | An ensemble of artificial neural networks in rainfall forecasting | |
CN104077478A (zh) | 一种下击暴流非平稳脉动风速的数值模拟方法 | |
CN102298728B (zh) | 一种目标威胁程度评估方法 | |
CN107220409A (zh) | 一种基于粒子机制免疫人群搜索的组网雷达布站方法 | |
CN107368928A (zh) | 一种古建筑沉降的组合预测方法及系统 | |
Mallick et al. | Gene-expression programming for the assessment of surface mean pressure coefficient on building surfaces | |
CN115877483A (zh) | 一种基于随机森林和gru的台风路径预报方法 | |
Patel et al. | Generalized Calibration of the Hargreaves Equation for Evapotranspiration under Different Climate Conditions. | |
Mishra et al. | Trend and persistence of precipitation under climate change scenarios for Kansabati basin, India | |
CN109829583A (zh) | 基于概率编程技术的山火风险预测方法 | |
CN105956715A (zh) | 一种土壤墒情预测方法及装置 | |
CN106503793B (zh) | 一种基于改进差分算法的神经网络短期风速预测方法 | |
Zhang et al. | The impact of dropsonde data on a numerical simulation of landfalling T yphoon M angkhut | |
CN109472049B (zh) | 宏观人群恐慌传播动力学模型建立方法及动力学模型应用 | |
CN104679988A (zh) | 一种基于云topsis的多属性决策方法 |
Legal Events
Date | Code | Title | Description |
---|---|---|---|
PB01 | Publication | ||
PB01 | Publication | ||
SE01 | Entry into force of request for substantive examination | ||
SE01 | Entry into force of request for substantive examination | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20181127 |
|
RJ01 | Rejection of invention patent application after publication |