CN110222743A - 电网事故的预案生成方法 - Google Patents
电网事故的预案生成方法 Download PDFInfo
- Publication number
- CN110222743A CN110222743A CN201910435686.XA CN201910435686A CN110222743A CN 110222743 A CN110222743 A CN 110222743A CN 201910435686 A CN201910435686 A CN 201910435686A CN 110222743 A CN110222743 A CN 110222743A
- Authority
- CN
- China
- Prior art keywords
- data
- power grid
- accident
- target
- grid accident
- 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 70
- 238000013528 artificial neural network Methods 0.000 claims abstract description 98
- 238000013145 classification model Methods 0.000 claims abstract description 71
- 230000006870 function Effects 0.000 claims description 83
- 238000012549 training Methods 0.000 claims description 78
- 239000013598 vector Substances 0.000 claims description 67
- 238000007476 Maximum Likelihood Methods 0.000 claims description 7
- 230000005611 electricity Effects 0.000 claims description 5
- 210000004218 nerve net Anatomy 0.000 claims 1
- 238000012545 processing Methods 0.000 description 10
- 238000010586 diagram Methods 0.000 description 9
- 238000000605 extraction Methods 0.000 description 9
- 230000008569 process Effects 0.000 description 8
- 238000010801 machine learning Methods 0.000 description 5
- 230000005540 biological transmission Effects 0.000 description 3
- 238000005516 engineering process Methods 0.000 description 3
- 238000011478 gradient descent method Methods 0.000 description 3
- 238000007726 management method Methods 0.000 description 3
- 210000005036 nerve Anatomy 0.000 description 3
- 238000004140 cleaning Methods 0.000 description 2
- 230000004927 fusion Effects 0.000 description 2
- NAWXUBYGYWOOIX-SFHVURJKSA-N (2s)-2-[[4-[2-(2,4-diaminoquinazolin-6-yl)ethyl]benzoyl]amino]-4-methylidenepentanedioic acid Chemical compound C1=CC2=NC(N)=NC(N)=C2C=C1CCC1=CC=C(C(=O)N[C@@H](CC(=C)C(O)=O)C(O)=O)C=C1 NAWXUBYGYWOOIX-SFHVURJKSA-N 0.000 description 1
- 230000006978 adaptation Effects 0.000 description 1
- 230000003044 adaptive effect Effects 0.000 description 1
- 238000013459 approach Methods 0.000 description 1
- 238000004364 calculation method Methods 0.000 description 1
- 230000008859 change Effects 0.000 description 1
- 238000007796 conventional method Methods 0.000 description 1
- 230000007717 exclusion Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000005192 partition Methods 0.000 description 1
- 238000003672 processing method Methods 0.000 description 1
- 230000009466 transformation Effects 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/20—Analysing
- G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
- G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
-
- 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
Landscapes
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- Entrepreneurship & Innovation (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Quality & Reliability (AREA)
- General Business, Economics & Management (AREA)
- Operations Research (AREA)
- Marketing (AREA)
- General Engineering & Computer Science (AREA)
- Life Sciences & Earth Sciences (AREA)
- Game Theory and Decision Science (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- Software Systems (AREA)
- Health & Medical Sciences (AREA)
- Biomedical Technology (AREA)
- General Health & Medical Sciences (AREA)
- Computational Linguistics (AREA)
- Computing Systems (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Molecular Biology (AREA)
- Educational Administration (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Evolutionary Biology (AREA)
- Supply And Distribution Of Alternating Current (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开涉及一种电网事故的预案生成方法。所述方法包括：获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故；基于径向基函数的神经网络分类模型，根据所述目标电网事故数据确定所述待处理电网事故的事故类型；基于概率顺序模型的神经网络分级模型，根据所述目标电网事故数据确定所述待处理电网事故的事故等级；根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据。本发明公开可根据电网事故预案库自动生成事故处理预案，不仅能提升事故处理效率，而且还能排除人为干扰并节约人力成本。
Description
技术领域
本发明公开涉及计算机技术领域，尤其涉及一种电网事故的预案生成方法。
背景技术
电力系统安全是电力系统运行的重要保障。随着电网规模的不断扩大，电网事故发生的原因可能比较简单或者非常复杂，但电网事故的数据来源却非常广泛，若能充分利用来自于各种渠道的电网数据，则对电网事故的处理具有非常积极的意义。
在现有的电网事故处理方法中，需要人为查找故障源并判明故障原因，从而找到排除故障的方法。但人为处理的方法往往更多的依赖于经验，这样不仅会减小事故的处理效率，而且容易受到人为因素的干扰。
发明内容
为克服相关技术中存在的问题，本发明公开实施例提供一种电网事故的预案生成方法及装置。所述技术方案如下：
根据本发明公开实施例的第一方面，提供一种电网事故的预案生成方法，包括：
获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故；
基于径向基函数的神经网络分类模型，根据所述目标电网事故数据确定所述待处理电网事故的事故类型；
基于概率顺序模型的神经网络分级模型，根据所述目标电网事故数据确定所述待处理电网事故的事故等级；
根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据。
在一个实施例中，所述方法还包括：
获取多个历史电网事故数据以及各个历史电网事故数据的事故类型，以得到电网事故类型的训练数据集；
根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型。
在一个实施例中，所述根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型包括：
自所述历史电网事故数据中提取历史特征数据向量xt＝(xt1，xt2，…，xtd)，以作为所述基于径向基函数的神经网络分类模型的输入数据，xt为特征数据向量，d为特征向量的维度；
根据公式(1)计算所述基于径向基函数的神经网络分类模型中的隐藏层节点qth；
其中，mh为径向基函数的均值参数，sh为径向基函数的延展参数；
根据公式(2)计算所述基于径向基函数的神经网络分类模型中的输出层节点Cti；
其中，Cti为输出的类别值，wih为Ci与隐藏层径向基函数qh计算节点的边的权重。
在一个实施例中，所述根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型还包括：
采用梯度下降的方法确定所述wih、所述mh和所述sh的更新方程；
所述wih的更新方程为公式(3)：
所述mh的更新方程为公式(4)：
所述sh的更新方程为公式(5)：
其中，η为学习率，N为训练数据集的样本数量，rti为特征数据向量xt的实际类别，若xt属于Ci，则rti＝1，否则rti＝0，xtj为特征数据向量xt的第j个分量，mhj为径向基函数的均值参数mh的第j个分量，sh为径向基函数的延展参数。
在一个实施例中，所述方法还包括：
获取多个历史电网事故数据以及各个历史电网事故数据的事故等级，以得到电网事故级别的训练数据集；
根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型。
在一个实施例中，所述根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型包括：
自所述历史电网事故数据中提取历史特征数据向量x＝(x1，x2，…，xd)，以作为所述基于概率顺序模型的神经网络分类模型的输入数据，x为特征数据向量，d为特征向量的维度；
根据公式(6)定义所述历史电网事故数据对应的事故等级属于预设等级的概率；
采用最大似然估计法结合公式(6)和公式(7)估算所述基于概率顺序模型的神经网络分级模型的参数α和β；
其中，σ为yi的标准差，yi为电网事故等级，α0，α1，α2，…αL为基于概率顺序模型的神经网络分级模型的参数，β0，β1，β2，…βp为基于概率顺序模型的神经网络分级模型的参数。
在一个实施例中，所述根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据包括：
根据所述事故类型和所述事故等级在所述电网事故预案库中查询匹配出至少一个候选预案数据；
计算所述目标电网事故数据与各个所述候选预案数据之间的相似度，并将所述相似度最大的候选预案数据确定为所述目标预案数据。
在一个实施例中，所述计算所述目标电网事故数据与各个所述候选预案数据之间的相似度包括：
采用公式(8)计算所述目标电网事故数据与所述候选预案数据的相似度：
cos(xnew，qt)＝||xnew·qt||/||xnew||||qt|| (8)；
其中，xnew为目标电网事故数据对应的目标特征数据向量，qt是从所述电网事故预案库中查询匹配到的候选预案数据。
在一个实施例中，所述方法还包括：
获取目标对象的当前密级以及所述目标预案数据对应的预设密级；
向所述当前密级大于所述预设密级的目标对象发送所述目标预案数据。
根据本发明公开实施例的第二方面，提供一种电网事故的预案生成装置，包括：
数据获取模块，用于获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故；
第一确定模块，用于基于径向基函数的神经网络分类模型，根据所述目标电网事故数据确定所述待处理电网事故的事故类型；
第二确定模块，用于基于概率顺序模型的神经网络分级模型，根据所述目标电网事故数据确定所述待处理电网事故的事故等级；
预案生成模块，用于根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据。
在一个实施例中，所述装置还包括：
第一获取模块，用于获取多个历史电网事故数据以及各个历史电网事故数据的事故类型，以得到电网事故类型的训练数据集；
第一训练模块，用于根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型。
在一个实施例中，所述第一训练模块包括：
第一提取单元，用于自所述历史电网事故数据中提取历史特征数据向量xt＝(xt1，xt2，…，xtd)，以作为所述基于径向基函数的神经网络分类模型的输入数据，xt为特征数据向量，d为特征向量的维度；
第一计算单元，用于根据公式(1)计算所述基于径向基函数的神经网络分类模型中的隐藏层节点qth；
其中，mh为径向基函数的均值参数，sh为径向基函数的延展参数；
分类单元，用于根据公式(2)计算所述基于径向基函数的神经网络分类模型中的输出层节点Cti；
其中，Cti为输出的类别值，wih为Ci与隐藏层径向基函数qh计算节点的边的权重。
在一个实施例中，所述第一训练模块还包括：
参数确定单元，用于采用梯度下降的方法确定所述wih、所述mh和所述sh的更新方程；
所述wih的更新方程为公式(3)：
所述mh的更新方程为公式(4)：
所述sh的更新方程为公式(5)：
其中，η为学习率，N为训练数据集的样本数量，rti为特征数据向量xt的实际类别，若xt属于Ci，则rti＝1，否则rti＝0，xtj为特征数据向量xt的第j个分量，mhj为径向基函数的均值参数mh的第j个分量，sh为径向基函数的延展参数。
在一个实施例中，所述装置还包括：
第二获取模块，用于获取多个历史电网事故数据以及各个历史电网事故数据的事故等级，以得到电网事故级别的训练数据集；
第二训练模块，用于根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型。
在一个实施例中，所述第二训练模块包括：
第二提取单元，用于自所述历史电网事故数据中提取历史特征数据向量x＝(x1，x2，…，xd)，以作为所述基于概率顺序模型的神经网络分类模型的输入数据，x为特征数据向量，d为特征向量的维度；
定义单元，用于根据公式(6)定义所述历史电网事故数据对应的事故等级属于预设等级的概率；
第二计算单元，采用最大似然估计法结合公式(6)和公式(7)估算所述基于概率顺序模型的神经网络分级模型的参数α和β；
其中，σ为yi的标准差，yi为电网事故等级，α0，α1，α2，…αL为基于概率顺序模型的神经网络分级模型的参数，β0，β1，β2，…βp为基于概率顺序模型的神经网络分级模型的参数。
在一个实施例中，所述预案生成模块包括：
查询单元，用于根据所述事故类型和所述事故等级在所述电网事故预案库中查询匹配出至少一个候选预案数据；
确定单元，用于计算所述目标电网事故数据与各个所述候选预案数据之间的相似度，并将所述相似度最大的候选预案数据确定为所述目标预案数据。
在一个实施例中，所述确定单元包括：
相似度计算单元，用于采用公式(9)计算所述目标电网事故数据与所述候选预案数据的相似度：
cos(xnew，qt)＝||xnew·qt||/||xnew||||qt|| (9)；
其中，xnew为目标电网事故数据对应的目标特征数据向量，qt是从所述电网事故预案库中查询匹配到的候选预案数据。
在一个实施例中，所述装置还包括：
密级获取模块，用于获取目标对象的当前密级以及所述目标预案数据对应的预设密级；
数据发送模块，用于向所述当前密级大于所述预设密级的目标对象发送所述目标预案数据。
根据本发明公开实施例的第三方面，提供一种电网事故的预案生成装置，包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，所述处理器被配置为执行第一方面任一实施例所述方法的步骤。
根据本发明公开实施例的第四方面，提供一种计算机可读存储介质，其上存储有计算机指令，该指令被处理器执行时实现第一方面任一实施例所述方法的步骤。
本发明公开的实施例提供的技术方案可以包括以下有益效果：
本发明公开技术方案可根据目标电网事故数据在电网事故预案库中自动匹配出相应的事故预案，从而实现电网事故的自动化处理，这样不仅可提升事故处理效率，而且还能排除人为干扰并节约人力成本。由于本发明公开的技术方案采用机器学习的方法来自动生成事故预案，因此具有很强的适应性。
应当理解的是，以上的一般描述和后文的细节描述仅是示例性和解释性的，并不能限制本发明公开。
附图说明
此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本发明公开的实施例，并与说明书一起用于解释本发明公开的原理。
图1是根据示例性实施例示出的电网事故的预案生成方法流程图；
图2是根据示例性实施例示出的基于径向基函数的神经网络分类模型的训练过程示意图；
图3是根据示例性实施例示出的基于径向基函数的双层神经网络结构图；
图4是根据示例性实施例示出的基于概率顺序模型的神经网络分级模型的训练过程示意图；
图5是根据示例性实施例示出的目标预案数据的确定方法流程图；
图6是根据示例性实施例示出的电网事故的预案生成及推送方法流程图；
图7a是根据示例性实施例示出的电网事故的预案生成装置的模块图一；
图7b是根据示例性实施例示出的电网事故的预案生成装置的模块图二；
图7c是根据示例性实施例示出的电网事故的预案生成装置的模块图三；
图7d是根据示例性实施例示出的电网事故的预案生成装置的模块图四；
图7e是根据示例性实施例示出的电网事故的预案生成装置的模块图五；
图7f是根据示例性实施例示出的电网事故的预案生成装置的模块图六；
图7g是根据示例性实施例示出的电网事故的预案生成装置的模块图七；
图7h是根据示例性实施例示出的电网事故的预案生成装置的模块图八；
图7i是根据示例性实施例示出的电网事故的预案生成装置的模块图九；
图8是根据示例性实施例示出的用于电网事故的预案生成装置的框图。
具体实施方式
这里将详细地对示例性实施例进行说明，其示例表示在附图中。下面的描述涉及附图时，除非另有表示，不同附图中的相同数字表示相同或相似的要素。以下示例性实施例中所描述的实施方式并不代表与本发明公开相一致的所有实施方式。相反，它们仅是与如所附权利要求书中所详述的、本发明公开的一些方面相一致的装置和方法的例子。
本发明公开实施例所提供的技术方案涉及一种电网事故的预案生成方法，可应用于服务器，其目的在于根据目标电网事故数据在电网事故预案库中自动匹配出相应的事故预案。相关技术中，电网事故处理往往需要人为查找故障源并判明故障原因，从而找到排除故障的方法，但人为处理方法更多的依赖于经验，这样不仅会减小事故的处理效率，而且容易受到人为因素的干扰。基于此，本发明公开技术方案可根据目标电网事故数据在电网事故预案库中自动匹配出相应的事故预案，从而实现电网事故的自动化处理，这样不仅可提升事故处理效率，而且还能排除人为干扰并节约人力成本。由于本发明公开的技术方案采用机器学习的方法来自动生成事故预案，因此具有很强的适应性。
图1示例性示出了本发明公开实施例所提供的电网事故的预案生成方法流程图。根据图1所示，所述预案生成方法具体包括如下步骤：
S101、获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故；
S102、基于径向基函数的神经网络分类模型，根据目标电网事故数据确定待处理电网事故的事故类型；
S103、基于概率顺序模型的神经网络分级模型，根据目标电网事故数据确定待处理电网事故的事故等级；
S104、根据事故类型和事故等级，在电网事故预案库中确定待处理电网事故的目标预案数据。
其中，电网事故预案库中存储有历史电网事故数据及其所属的事故类型和事故等级，历史电网事故数据用于表征已处理的电网事故，目标电网事故数据用于表征待处理的电网事故，本实施例可根据已处理的电网事故的备案来确定待处理的电网事故的预案，从而自动生成所需的电网事故预案。
需要说明的是：本实施例中的事故类型和事故等级均可自由定义，一旦定义好事故类型和事故等级之后，所有的电网事故均需以该定义为原则进行划分，以便实现事故类型以及事故等级的统一性。
基于上述步骤S101-S104可知，本发明公开实施例可根据目标电网事故数据在电网事故预案库中自动匹配出相应的事故预案，从而实现电网事故的自动化处理，这样不仅可提升事故处理效率，而且还能排除人为干扰并节约人力成本。由于本发明公开技术方案采用机器学习的方法来自动生成事故预案，因此具有很强的适应性。
下面结合具体实施例来对本发明公开技术方案的各个步骤进行详细的说明。
在步骤S101中，获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故。
示例的，电网事故类型多样，因此关于电网事故的数据也很多，其具体包括电力生产事故数据、高压电力传输事故数据、变电相关事故数据、低压电网相关事故数据、工业用户电网事故数据、居民用户电网事故数据、以及其它与电网相关的数据。本实施例中，目标电网事故数据用于表征待处理的电网事故，其可以是采集到的原始数据，当然也可以是经过清洗融合的数据。其中，数据的清洗主要包括确实数据的处理以及数据的归一化处理，数据的融合主要是指按照时间维度对数据进行简单的合并处理。在实际训练或预测时，所有的数据都要进行特征提取，每条数据都可被表征为多个维度的数据向量，这些特征最终会被用于训练模型以及结果预测。
在步骤S102中，基于径向基函数的神经网络分类模型，根据目标电网事故数据确定待处理电网事故的事故类型。
示例的，在获取到目标电网事故数据的特征数据向量之后，可将该特征数据向量作为分类模型的输入数据以输入至基于径向基函数的神经网络分类模型，该分类模型根据输入数据即可得到一输出结果，即目标电网事故数据所属的事故类型。应当理解的是，在分类模型训练完成之后用于事故类型的预测时，只需要提供目标电网事故数据的特征数据向量即可得到分类结果，因此分类模型的训练对于其后期的预测十分重要。
图2示例性示出了基于径向基函数的神经网络分类模型的训练过程示意图。根据图2可知，所述训练过程包括：
S201、获取多个历史电网事故数据以及各个历史电网事故数据的事故类型，以得到电网事故类型的训练数据集；
S202、根据电网事故类型的训练数据集对基于径向基函数的神经网络进行训练，以得到所需的分类模型。
具体而言，本实施例可基于给定的训练数据集来对分类模型进行训练，该训练数据集包括多个历史电网事故数据以及各个历史电网事故数据对应的事故类型和事故等级，其可表征为这里表示存在N个历史电网事故数据记录，每个历史电网事故数据记录都有事故类别rt和事故等级yt。示例的，如果按照电路事故类型划分，则电网事故类型包括漏电事故、断线事故、接地事故和短路事故等。需要说明的是：关于事故类型的划分并非是固定的，其可根据实际需求而预先定义，在训练模型时只需给定已经标注的数据即可。
基于此，本实施例采用基于径向基函数的三层节点神经网络来实现电网事故分类模型。图3示意性绘示了基于径向基函数的双层神经网络结构图。该双层神经网络中的三层节点分别为输入层节点、隐藏层节点和输出层节点，其中，C1，C2，…，Ci，…，Ck表示神经网络的K个类的输出，当数据被划分为类i时，Ci的输出值最大，其它Cj，j≠i都小于Ci。
输入层节点的数据包括d个维度，即每条数据记录有d个属性并采用d个特征值来表达。示例的，自历史电网事故数据中提取历史特征数据向量xt＝(xt1，xt2，…，xtd)，以作为基于径向基函数的三层节点神经网络分类模型的输入数据，xt为特征数据向量，d为特征向量的维度。
隐藏层节点就是基于径向基函数的实现。假设隐藏层节点数为z+l(包括常数项节点)，这里规定q0＝1，即有常数项。当输入xt＝(xt1，xt2，…，xtd)时，可根据公式(1)计算基于径向基函数的神经网络分类模型中的隐藏层节点qth：
其中，mh为径向基函数的均值参数，sh为径向基函数的延展参数。需要说明的是：本实施例可对其它隐藏层节点的计算功能做类似定义，这里不再赘述。
输出层节点即为电网事故类型的输出结果。这里可根据公式(2)计算基于径向基函数的神经网络分类模型中的输出层节点Cti：
其中，Cti为输出的类别值，wih为Ci与隐藏层径向基函数qh计算节点的边的权重。这是软最大化方法，保证输出结果的总和等于1，即：
这里，为了求解基于径向基函数的三层节点神经网络中的各个参数的值，需要采用梯度下降方法给出更新方程。在采用梯度下降方法时，给定的误差函数定义为互熵函数即公式(9)：
其中，梯度下降方法的更新方法是指，例如给定权重向量w，则第i+1次迭代的向量值为wi+1＝wi+Δwi，η是学习率，可设为常数。
基于此，所述wih、所述mh和所述sh的更新方程可被确定为如下形式：
所述wih的更新方程为公式(3)：
所述mh的更新方程为公式(4)：
所述sh的更新方程为公式(5)：
其中，η为学习率，N为训练数据集的样本数量，rti为特征数据向量xt的实际类别，若xt属于Ci，则rti＝1，否则rti＝0，xtj为特征数据向量xt的第j个分量，mhj为径向基函数的均值参数mh的第j个分量，sh为径向基函数的延展参数，可预先定义例如s1＝s2＝…＝sz＝0.1。
基于上述过程便可完成对基于径向基函数的三层节点神经网络分类模型的训练，从而确定出该分类模型中的各项参数。在对目标电网事故进行预测时，只需向该分类模型中输入目标电网事故数据，即可得到该目标电网事故对应的事故类型。
在步骤S103中，基于概率顺序模型的神经网络分级模型，根据目标电网事故数据确定待处理电网事故的事故等级。
示例的，在获取到目标电网事故数据的特征数据向量之后，可将该特征数据向量作为分级模型的输入数据以输入至基于概率顺序模型(probit模型)的神经网络分级模型，该分级模型根据输入数据即可得到一输出结果，即目标电网事故数据所属的事故等级。应当理解的是，在分级模型训练完成之后用于事故等级的预测时，只需要提供目标电网事故数据的特征数据向量即可得到分级结果，因此分级模型的训练对于其后期的预测十分重要。
图4示例性示出了基于概率顺序模型的神经网络分级模型的训练过程示意图。根据图4可知，所述训练过程包括：
S401、获取多个历史电网事故数据以及各个历史电网事故数据的事故等级，以得到电网事故级别的训练数据集；
S402、根据电网事故级别的训练数据集对基于概率顺序模型的神经网络进行训练，以得到所需的分级模型。
具体而言，本实施例可基于给定的训练数据集来对分级模型进行训练，该训练数据集包括多个历史电网事故数据以及各个历史电网事故数据对应的事故类型和事故等级，其可表征为这里表示存在N个历史电网事故数据记录，每个历史电网事故数据记录都有事故类别rt和事故等级yt。示例的，如果按照事故级别划分，则电网事故等级包括一般电网事故、中度电网事故、严重电网事故、特别严重电网事故等。需要说明的是：关于事故等级的划分并非是固定的，其可根据实际需求而预先定义，在训练模型时只需给定已经标注的数据即可。
基于此，本实施例可采用基于概率顺序模型的神经网络来实现电网事故分级模型。假设事故等级被定义为s1，s2，…，sL，并给定实数范围-∞＝α0＜α1＜…＜αL-1＜αL＝∞，则基于概率顺序模型的神经网络分级模型可将电网事故数据对应的事故等级属于预设等级的概率表示为：
其中，x＝(x1，x2，…，xd)为历史电网事故数据对应的历史特征数据向量，x为特征数据向量，d为特征向量的维度，α和β为基于概率顺序模型的神经网络分级模型的参数。
这里，为了求解基于概率顺序模型的神经网络分级模型中的各个参数的值，还需做如下定义：
其中，p是给定的阶，yi为电网事故等级，σ为yi的标准差，α0，α1，α2，…αL和β0，β1，β2，…βp均为基于概率顺序模型的神经网络分级模型的参数。
基于此，采用最大似然估计法结合公式(6)和公式(7)即可估算出基于概率顺序模型的神经网络分级模型中的参数α0，α1，α2，…αL以及β0，β1，β2，…βp，此时便可得到所需的分级模型。其中，在采用该分级模型预测目标电网事故所属的事故等级时，可计算出目标电网事故数据对应的事故等级属于预设等级的概率，此时选取最大概率对应的事故等级作为最终的事故等级输出即可。
基于上述过程便可完成对基于概率顺序模型的神经网络分级模型的训练，从而确定出该分级模型中的各项参数。在对目标电网事故进行预测时，只需向该分级模型中输入目标电网事故数据，即可得到该目标电网事故对应的事故等级。
在步骤S104中，根据事故类型和事故等级，在电网事故预案库中确定待处理电网事故的目标预案数据。
示例的，电网事故预案库中存储有很多电网事故预案，服务器在接收到新的电网事故数据即目标电网事故数据并确定出具体的事故类型和事故等级之后，便可在电网事故预案库中查询匹配相应的事故预案数据作为候选预案数据。由于输出的候选预案数据可能包括很多项，因此本实施例还需在多个候选预案数据中确定出最为合适的目标预案数据。
图5示例性示出了目标预案数据的确定方法流程图。根据图5可知，该确定过程具体包括：
S501、根据事故类型和事故等级在电网事故预案库中查询匹配出至少一个候选预案数据；
S502、计算目标电网事故数据与各个候选预案数据的相似度，并将相似度最大的候选预案数据确定为目标预案数据。
其中，目标电网事故数据与候选预案数据之间的相似度可采用公式(8)来确定：
cos(xnew，qt)＝||xnew·qt||/||xnew||||qt|| (8)；
其中，xnew为目标电网事故数据对应的目标特征数据向量，qt是从电网事故预案库中查询匹配到的候选预案数据，而cos值最大的候选预案数据即为最合适的目标预案数据。
如此一来，本发明公开技术方案所涉及的电网事故的预案生成方法，不仅可实现电网事故预案的自动化生成，从而排除人为干扰以给出正确合适的预案并节约人力成本，而且还能提升电网事故的处理效率。由于本发明公开技术方案采用机器学习方法来自动生成事故预案，而且事故类别和事故等级均可自由定义，因此具有很强的适应性。
本发明公开实施例中，在获取到所需的目标预案数据之后，还可根据用户的密级权限来对目标预案数据进行推送，以便用户及时查询该目标预案数据。基于此，图6示例性示出了电网事故的预案生成及推送方法流程图。根据图6可知，所述方法进一步包括：
S601、获取目标对象的当前密级以及目标预案数据对应的预设密级；
S602、向当前密级大于预设密级的目标对象发送该目标预案数据。
示例的，在电网事故预案库中还存储有事故预案的预设密级，服务器在获取目标预案数据的同时还获取了该目标预案数据对应的密级。服务器在向用户发送目标预案数据之前，需要验证用户即目标对象的密级，只有在满足目标对象的当前密级大于目标预案数据的预设密级时，才会发送该目标预案数据。
具体而言，目标对象即电网事故预案接收者可用手机注册信息F。电网事故预案服务器在接收到目标对象的注册信息F时，可根据该注册信息F在系统中自动核对预留信息S。若C(F，S)＝1，则表明注册是允许的，其中C(F，S)是关键信息匹配函数。需要说明的是：注册信息F与预留信息S都是一条一条的信息，因此本实施例可对每条信息进行哈希计算并进行多项匹配。
这里采用的哈希函数如公式(10)所示：
其中，a是预留信息S提供者预留的手机号码，x是要被哈希的信息按照64bit分段取的数据，然后取数据的加法运算。W与N是两个预案推送平台提供的质数，Z＝W×N。
这里采用的多项匹配方法如公式(11)所示：
若任意注册信息F中的任一条数据的哈希值都能与预留信息S中的某条数据的哈希值匹配，那么C(F，S)＝1，否则C(F，S)＝0。其中，当C(F，S)＝1时，则表示电网事故预案接收者注册成功。
在完成注册之后，电网事故预案服务器便可根据目标对象的当前密级和目标预案数据的预设密级来推送电网事故预案。其中，每个目标对象都需要根据职位级别的高低信息来分配密级，只有目标对象的当前密级大于或等于目标预案数据的预设密级，服务器才会向其发送电网事故预案数据。示例的，若要给某个手机用户发送电网事故预案数据，可给定具有n个目标预案数据的集合D，D＝{D1，D2，…，Dn}，其密级分别对应为L＝{L1，L2，…，Ln}，则最终发送的目标预案集合为D′＝{di|di∈D，且Li≥U}，其中U是某个用户的密级。这里，密级等级数越大表示密级越高，而密级越高则对用户的职位要求越高。基于此，符合条件的目标对象即可通过手机接收预案平台推送的信息，从而可在手机中相应的电网预案APP中浏览目标预案数据。
下述为本发明公开装置实施例，可以用于执行本发明公开方法实施例。
图7a是根据示例性实施例示出的电网事故的预案生成装置的结构示意图，该装置可通过软件、硬件或者两者的结合实现成为电子设备的部分或者全部。根据图7a所示，所述预案生成装置包括数据获取模块701、第一确定模块702、第二确定模块703和预案生成模块704。其中，数据获取模块701用于获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故；第一确定模块702用于基于径向基函数的神经网络分类模型，根据目标电网事故数据确定所述待处理电网事故的事故类型；第二确定模块703用于基于概率顺序模型的神经网络分级模型，根据目标电网事故数据确定待处理电网事故的事故等级；预案生成模块704用于根据事故类型和事故等级在电网事故预案库中确定待处理电网事故的目标预案数据。
在一个实施例中，参考图7b所示，所述预案生成装置还包括第一获取模块705和第一训练模块706。其中，第一获取模块705用于获取多个历史电网事故数据以及各个历史电网事故数据的事故类型，以得到电网事故类型的训练数据集；第一训练模块706用于根据电网事故类型的训练数据集对基于径向基函数的神经网络进行训练，以得到所需的分类模型。
在一个实施例中，参考图7c所示，所述第一训练模块706包括第一提取单元7061、第一计算单元7062和分类单元7063。其中，第一提取单元7061用于自所述历史电网事故数据中提取历史特征数据向量xt＝(xt1，xt2，…，xtd)，以作为所述基于径向基函数的神经网络分类模型的输入数据，xt为特征数据向量，d为特征向量的维度；第一计算单元7062用于根据公式(1)计算所述基于径向基函数的神经网络分类模型中的隐藏层节点qth；其中，mh为径向基函数的均值参数，sh为径向基函数的延展参数；分类单元7063用于根据公式(2)计算所述基于径向基函数的神经网络分类模型中的输出层节点Cti；其中，Cti为输出的类别值，wih为Ci与隐藏层径向基函数qh计算节点的边的权重。
在一个实施例中，参考图7d所示，所述第一训练模块706还包括参数确定单元7064，该参数确定单元7064用于采用梯度下降的方法确定所述wih、所述mh和所述sh的更新方程；所述wih的更新方程根据公式(3)确定，所述mh的更新方程根据公式(4)确定，所述sh的更新方程根据公式(5)确定；其中，η为学习率，N为训练数据集的样本数量，rti为特征数据向量xt的实际类别，若xt属于Ci，则rti＝1，否则rti＝0，xtj为特征数据向量xt的第j个分量，mhj为径向基函数的均值参数mh的第j个分量，sh为径向基函数的延展参数。
在一个实施例中，参考图7e所示，所述预案生成装置还包括第二获取模块707和第二训练模块708。其中，第二获取模块707用于获取多个历史电网事故数据以及各个历史电网事故数据的事故等级，以得到电网事故级别的训练数据集；第二训练模块708用于根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型。
在一个实施例中，参考图7f所示，所述第二训练模块708包括第二提取单元7081、定义单元7082和第二计算单元7083。其中，第二提取单元7081用于自所述历史电网事故数据中提取历史特征数据向量x＝(x1，x2，…，xd)，以作为所述基于概率顺序模型的神经网络分类模型的输入数据，x为特征数据向量，d为特征向量的维度；定义单元7082用于根据公式(6)定义所述历史电网事故数据对应的事故等级属于预设等级的概率；第二计算单元7083采用最大似然估计法结合公式(6)和公式(7)估算所述基于概率顺序模型的神经网络分级模型的参数α和β；其中，σ为yi的标准差，yi为电网事故等级，α0，α1，α2，…αL为基于概率顺序模型的神经网络分级模型的参数，β0，β1，β2，…βp为基于概率顺序模型的神经网络分级模型的参数。
在一个实施例中，参考图7g所示，所述预案生成模块704包括查询单元7041和确定单元7042。其中，查询单元7041用于根据所述事故类型和所述事故等级在所述电网事故预案库中查询匹配出至少一个候选预案数据；确定单元7042用于计算所述目标电网事故数据与各个所述候选预案数据之间的相似度，并将所述相似度最大的候选预案数据确定为所述目标预案数据。
在一个实施例中，参考图7h所示，所述确定单元7042包括相似度计算单元7043，该相似度计算单元7043用于采用公式(8)计算所述目标电网事故数据与所述候选预案数据的相似度；其中，xnew为目标电网事故数据对应的目标特征数据向量，qt是从电网事故预案库中查询匹配到的候选预案数据。
在一个实施例中，参考图7i所示，所述预案生成装置还包括密级获取模块709和数据发送模块710。其中，密级获取模块709用于获取目标对象的当前密级以及所述目标预案数据对应的预设密级；数据发送模块710用于向所述当前密级大于所述预设密级的目标对象发送所述目标预案数据。
本发明公开实施例所提供的电网事故的预案生成装置，可根据目标电网事故数据在电网事故预案库中自动匹配出相应的事故预案，从而实现电网事故的自动化处理，这样不仅可提升事故处理效率，而且还能排除人为干扰并节约人力成本。由于本发明公开的技术方案采用机器学习的方法来自动生成事故预案，因此具有很强的适应性。
关于上述实施例中的装置，其各个模块执行操作的具体方式已经在有关该方法的实施例中进行了详细描述，此处将不做详细阐述说明。
本发明公开实施例还提供一种电网事故的预案生成装置，该装置包括：
处理器；
用于存储处理器可执行指令的存储器；
其中，处理器被配置为执行：
获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故；
基于径向基函数的神经网络分类模型，根据所述目标电网事故数据确定所述待处理电网事故的事故类型；
基于概率顺序模型的神经网络分级模型，根据所述目标电网事故数据确定所述待处理电网事故的事故等级；
根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据。
在一个实施例中，上述处理器还可被配置为：
获取多个历史电网事故数据以及各个历史电网事故数据的事故类型，以得到电网事故类型的训练数据集；
根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型。
在一个实施例中，上述处理器还可被配置为：
自所述历史电网事故数据中提取历史特征数据向量xt＝(xt1，xt2，…，xtd)，以作为所述基于径向基函数的神经网络分类模型的输入数据，xt为特征数据向量，d为特征向量的维度；
根据公式(1)计算所述基于径向基函数的神经网络分类模型中的隐藏层节点qth；
其中，mh为径向基函数的均值参数，sh为径向基函数的延展参数；
根据公式(2)计算所述基于径向基函数的神经网络分类模型中的输出层节点Cti；
其中，Cti为输出的类别值，wih为Ci与隐藏层径向基函数qh计算节点的边的权重。
在一个实施例中，上述处理器还可被配置为：
采用梯度下降的方法确定所述wih、所述mh和所述sh的更新方程；
所述wih的更新方程为公式(3)：
所述mh的更新方程为公式(4)：
所述sh的更新方程为公式(5)：
其中，η为学习率，N为训练数据集的样本数量，rti为特征数据向量xt的实际类别，若xt属于Ci，则rti＝1，否则rti＝0，xtj为特征数据向量xt的第j个分量，mhj为径向基函数的均值参数mh的第j个分量，sh为径向基函数的延展参数。
在一个实施例中，上述处理器还可被配置为：
获取多个历史电网事故数据以及各个历史电网事故数据的事故等级，以得到电网事故级别的训练数据集；
根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型。
在一个实施例中，上述处理器还可被配置为：
自所述历史电网事故数据中提取历史特征数据向量x＝(x1，x2，…，xd)，以作为所述基于概率顺序模型的神经网络分类模型的输入数据，x为特征数据向量，d为特征向量的维度；
根据公式(6)定义所述历史电网事故数据对应的事故等级属于预设等级的概率；
采用最大似然估计法结合公式(6)和公式(7)估算所述基于概率顺序模型的神经网络分级模型的参数α和β；
其中，σ为yi的标准差，yi为电网事故等级，α0，α1，α2，…αL为基于概率顺序模型的神经网络分级模型的参数，β0，β1，β2，…βp为基于概率顺序模型的神经网络分级模型的参数。
在一个实施例中，上述处理器还可被配置为：
根据所述事故类型和所述事故等级在所述电网事故预案库中查询匹配出至少一个候选预案数据；
计算所述目标电网事故数据与各个所述候选预案数据之间的相似度，并将所述相似度最大的候选预案数据确定为所述目标预案数据。
在一个实施例中，上述处理器还可被配置为：
采用公式(8)计算所述目标电网事故数据与所述候选预案数据的相似度：
cos(xnew，qt)＝||xnew·qt||/||xnew||||qt|| (8)；
其中，xnew为目标电网事故数据对应的目标特征数据向量，qt是从所述电网事故预案库中查询匹配到的候选预案数据。
在一个实施例中，上述处理器还可被配置为：
获取目标对象的当前密级以及所述目标预案数据对应的预设密级；
向所述当前密级大于所述预设密级的目标对象发送所述目标预案数据。
图8是根据示例性实施例示出的用于电网事故的预案生成装置的结构框图。例如，装置80可被提供为一服务器。装置80包括处理组件802，其进一步包括一个或多个处理器，以及由存储器804所代表的存储器资源，用于存储可由处理组件802的执行的指令，例如应用程序。存储器804中存储的应用程序可以包括一个或一个以上的每一个对应于一组指令的模块。此外，处理组件802被配置为执行指令，以执行上述方法。
装置80还可以包括一个电源组件806被配置为执行装置80的电源管理，一个有线或无线网络接口808被配置为将装置80连接到网络，和一个输入/输出(I/O)接口610。装置80可以操作基于存储在存储器804的操作系统，例如Windows ServerTM，Mac OS XTM，UnixTM，LinuxTM，FreeBSDTM或类似。
本发明公开实施例还提供一种非临时性计算机可读存储介质，当存储介质中的指令由装置80的处理器执行时，使得装置80能够执行上述电网事故的预案生成方法，所述方法包括：
获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故；
基于径向基函数的神经网络分类模型，根据所述目标电网事故数据确定所述待处理电网事故的事故类型；
基于概率顺序模型的神经网络分级模型，根据所述目标电网事故数据确定所述待处理电网事故的事故等级；
根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据。
在一个实施例中，所述方法还包括：
获取多个历史电网事故数据以及各个历史电网事故数据的事故类型，以得到电网事故类型的训练数据集；
根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型。
在一个实施例中，所述根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型包括：
自所述历史电网事故数据中提取历史特征数据向量xt＝(xt1，xt2，…，xtd)，以作为所述基于径向基函数的神经网络分类模型的输入数据，xt为特征数据向量，d为特征向量的维度；
根据公式(1)计算所述基于径向基函数的神经网络分类模型中的隐藏层节点qth；
其中，mh为径向基函数的均值参数，sh为径向基函数的延展参数；
根据公式(2)计算所述基于径向基函数的神经网络分类模型中的输出层节点Cti；
其中，Cti为输出的类别值，wih为Ci与隐藏层径向基函数qh计算节点的边的权重。
在一个实施例中，所述根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型还包括：
采用梯度下降的方法确定所述wih、所述mh和所述sh的更新方程；
所述wih的更新方程为公式(3)：
所述mh的更新方程为公式(4)：
所述sh的更新方程为公式(5)：
其中，η为学习率，N为训练数据集的样本数量，rti为特征数据向量xt的实际类别，若xt属于Ci，则rti＝1，否则rti＝0，xtj为特征数据向量xt的第j个分量，mhj为径向基函数的均值参数mh的第j个分量，sh为径向基函数的延展参数。
在一个实施例中，所述方法还包括：
获取多个历史电网事故数据以及各个历史电网事故数据的事故等级，以得到电网事故级别的训练数据集；
根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型。
在一个实施例中，所述根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型包括：
自所述历史电网事故数据中提取历史特征数据向量x＝(x1，x2，…，xd)，以作为所述基于概率顺序模型的神经网络分类模型的输入数据，x为特征数据向量，d为特征向量的维度；
根据公式(6)定义所述历史电网事故数据对应的事故等级属于预设等级的概率；
采用最大似然估计法结合公式(6)和公式(7)估算所述基于概率顺序模型的神经网络分级模型的参数α和β；
其中，σ为yi的标准差，yi为电网事故等级，α0，α1，α2，…αL为基于概率顺序模型的神经网络分级模型的参数，β0，β1，β2，…βp为基于概率顺序模型的神经网络分级模型的参数。
在一个实施例中，所述根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据包括：
根据所述事故类型和所述事故等级在所述电网事故预案库中查询匹配出至少一个候选预案数据；
计算所述目标电网事故数据与各个所述候选预案数据之间的相似度，并将所述相似度最大的候选预案数据确定为所述目标预案数据。
在一个实施例中，所述计算所述目标电网事故数据与各个所述候选预案数据之间的相似度包括：
采用公式(8)计算所述目标电网事故数据与所述候选预案数据的相似度：
cos(xnew，qt)＝||xnew·qt||/||xnew||||qt|| (8)；
其中，xnew为目标电网事故数据对应的目标特征数据向量，qt是从所述电网事故预案库中查询匹配到的候选预案数据。
在一个实施例中，所述方法还包括：
获取目标对象的当前密级以及所述目标预案数据对应的预设密级；
向所述当前密级大于所述预设密级的目标对象发送所述目标预案数据。
本领域技术人员在考虑说明书及实践这里公开的公开后，将容易想到本发明公开的其它实施方案。本申请旨在涵盖本发明公开的任何变型、用途或者适应性变化，这些变型、用途或者适应性变化遵循本发明公开的一般性原理并包括本发明公开未公开的本技术领域中的公知常识或惯用技术手段。说明书和实施例仅被视为示例性的，本发明公开的真正范围和精神由所附的权利要求指出。
应当理解的是，本发明公开并不局限于上面已经描述并在附图中示出的精确结构，并且可以在不脱离其范围进行各种修改和改变。本发明公开的范围应由所附的权利要求来限制。
Claims (9)
1.一种电网事故的预案生成方法，其特征在于，包括：
获取目标电网事故数据，所述目标电网事故数据指向待处理电网事故；
基于径向基函数的神经网络分类模型，根据所述目标电网事故数据确定所述待处理电网事故的事故类型；
基于概率顺序模型的神经网络分级模型，根据所述目标电网事故数据确定所述待处理电网事故的事故等级；
根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据。
2.根据权利要求1所述的方法，其特征在于，还包括：
获取多个历史电网事故数据以及各个历史电网事故数据的事故类型，以得到电网事故类型的训练数据集；
根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型。
3.根据权利要求2所述的方法，其特征在于，所述根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型包括：
自所述历史电网事故数据中提取历史特征数据向量xt＝(xt1，xt2，…，xtd)，以作为所述基于径向基函数的神经网络分类模型的输入数据，xt为特征数据向量，d为特征向量的维度；
根据公式(1)计算所述基于径向基函数的神经网络分类模型中的隐藏层节点qth；
其中，mh为径向基函数的均值参数，sh为径向基函数的延展参数；
根据公式(2)计算所述基于径向基函数的神经网络分类模型中的输出层节点Cti；
其中，Cti为输出的类别值，wih为Ci与隐藏层径向基函数qh计算节点的边的权重。
4.根据权利要求3所述的方法，其特征在于，所述根据所述电网事故类型的训练数据集对所述基于径向基函数的神经网络进行训练，以得到所需的分类模型还包括：
采用梯度下降的方法确定所述wih、所述mh和所述sh的更新方程；
所述wih的更新方程为公式(3)：
所述mh的更新方程为公式(4)：
所述sh的更新方程为公式(5)：
其中，η为学习率，N为训练数据集的样本数量，rti为特征数据向量xt的实际类别，若xt属于Ci，则rti＝1，否则rti＝0，xtj为特征数据向量xt的第j个分量，mhj为径向基函数的均值参数mh的第j个分量，sh为径向基函数的延展参数。
5.根据权利要求1所述的方法，其特征在于，还包括：
获取多个历史电网事故数据以及各个历史电网事故数据的事故等级，以得到电网事故级别的训练数据集；
根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型。
6.根据权利要求5所述的方法，其特征在于，所述根据所述电网事故级别的训练数据集对所述基于概率顺序模型的神经网络进行训练，以得到所需的分级模型包括：
自所述历史电网事故数据中提取历史特征数据向量x＝(x1，x2，…，xd)，以作为所述基于概率顺序模型的神经网络分类模型的输入数据，x为特征数据向量，d为特征向量的维度；
根据公式(6)定义所述历史电网事故数据对应的事故等级属于预设等级的概率；
采用最大似然估计法结合公式(6)和公式(7)估算所述基于概率顺序模型的神经网络分级模型的参数α和β；
其中，σ为yi的标准差，yi为电网事故等级，α0，α1，α2，…αL为基于概率顺序模型的神经网络分级模型的参数，β0，β1，β2，…βp为基于概率顺序模型的神经网络分级模型的参数。
7.根据权利要求1所述的方法，其特征在于，所述根据所述事故类型和所述事故等级在电网事故预案库中确定所述待处理电网事故的目标预案数据包括：
根据所述事故类型和所述事故等级在所述电网事故预案库中查询匹配出至少一个候选预案数据；
计算所述目标电网事故数据与各个所述候选预案数据之间的相似度，并将所述相似度最大的候选预案数据确定为所述目标预案数据。
8.根据权利要求7所述的方法，其特征在于，所述计算所述目标电网事故数据与各个所述候选预案数据之间的相似度包括：
采用公式(8)计算所述目标电网事故数据与所述候选预案数据的相似度：
cos(xnew，qt)＝||xnew·qt||/||xnew||||qt|| (8)；
其中，xnew为目标电网事故数据对应的目标特征数据向量，qt是从所述电网事故预案库中查询匹配到的候选预案数据。
9.根据权利要求1-8任一项所述的方法，其特征在于，还包括：
获取目标对象的当前密级以及所述目标预案数据对应的预设密级；
向所述当前密级大于所述预设密级的目标对象发送所述目标预案数据。
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910435686.XA CN110222743A (zh) | 2019-05-23 | 2019-05-23 | 电网事故的预案生成方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN201910435686.XA CN110222743A (zh) | 2019-05-23 | 2019-05-23 | 电网事故的预案生成方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN110222743A true CN110222743A (zh) | 2019-09-10 |
Family
ID=67817871
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN201910435686.XA Pending CN110222743A (zh) | 2019-05-23 | 2019-05-23 | 电网事故的预案生成方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN110222743A (zh) |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091284A (zh) * | 2019-12-12 | 2020-05-01 | 中国移动通信集团内蒙古有限公司 | 通信事故识别模型的训练方法、装置、设备及存储介质 |
| CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
| CN111723873A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种电力序列数据分类方法和装置 |
Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| JP2012230671A (ja) * | 2011-04-22 | 2012-11-22 | Mitsubishi Electric Corp | シーンにおけるオブジェクトを分類する方法 |
| CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
| US20130232094A1 (en) * | 2010-07-16 | 2013-09-05 | Consolidated Edison Company Of New York | Machine learning for power grid |
| CN106557879A (zh) * | 2016-11-25 | 2017-04-05 | 北京南瑞电研华源电力技术有限公司 | 确定电网停电事故的处置预案的方法以及系统 |
| CN107766816A (zh) * | 2017-10-18 | 2018-03-06 | 河海大学 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
| CN109061299A (zh) * | 2018-06-15 | 2018-12-21 | 南京邮电大学 | 一种基于径向基函数神经网络的电力系统谐波检测方法 |
| CN109492857A (zh) * | 2018-09-18 | 2019-03-19 | 中国电力科学研究院有限公司 | 一种配电网故障风险等级预测方法和装置 |
| CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
-
2019
- 2019-05-23 CN CN201910435686.XA patent/CN110222743A/zh active Pending
Patent Citations (8)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| US20130232094A1 (en) * | 2010-07-16 | 2013-09-05 | Consolidated Edison Company Of New York | Machine learning for power grid |
| JP2012230671A (ja) * | 2011-04-22 | 2012-11-22 | Mitsubishi Electric Corp | シーンにおけるオブジェクトを分類する方法 |
| CN103091603A (zh) * | 2013-01-14 | 2013-05-08 | 华北电力大学 | 一种输电线路故障智能分类和定位方法 |
| CN106557879A (zh) * | 2016-11-25 | 2017-04-05 | 北京南瑞电研华源电力技术有限公司 | 确定电网停电事故的处置预案的方法以及系统 |
| CN107766816A (zh) * | 2017-10-18 | 2018-03-06 | 河海大学 | 一种基于lvq神经网络的高压断路器机械故障识别方法 |
| CN109061299A (zh) * | 2018-06-15 | 2018-12-21 | 南京邮电大学 | 一种基于径向基函数神经网络的电力系统谐波检测方法 |
| CN109492857A (zh) * | 2018-09-18 | 2019-03-19 | 中国电力科学研究院有限公司 | 一种配电网故障风险等级预测方法和装置 |
| CN109614981A (zh) * | 2018-10-17 | 2019-04-12 | 东北大学 | 基于斯皮尔曼等级相关的卷积神经网络的电力系统智能故障检测方法及系统 |
Non-Patent Citations (3)
| Title |
|---|
| FANG SANG等: "Predicting Severity and Duration of Road Traffic Accident", 《MATHEMATICAL PROBLEM IN ENGINEERING》 * |
| ZHANG LIYING等: "A New Fault Diagnosis Model of Electric Power Grid Based on Rough Set and Neural Network", 《2012 FOURTH INTERNATIONAL CONFERENCE ON MULTIMEDIA INFORMATION NETWORKING AND SECURITY》 * |
| 刘登峰: "电网故障信息综合处理与诊断系统研究", 《中国优秀硕士学位论文全文数据库工程科技Ⅱ辑》 * |
Cited By (3)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN111091284A (zh) * | 2019-12-12 | 2020-05-01 | 中国移动通信集团内蒙古有限公司 | 通信事故识别模型的训练方法、装置、设备及存储介质 |
| CN111428864A (zh) * | 2020-04-08 | 2020-07-17 | 重庆软汇科技股份有限公司 | 一种基于神经网络的自动事务生成方法及系统 |
| CN111723873A (zh) * | 2020-06-29 | 2020-09-29 | 南方电网科学研究院有限责任公司 | 一种电力序列数据分类方法和装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107391542B (zh) | 一种基于文件知识图谱的开源软件社区专家推荐方法 | |
| Xiao et al. | Optimal computing budget allocation for complete ranking | |
| CN110222743A (zh) | 电网事故的预案生成方法 | |
| CN111400504A (zh) | 企业关键人的识别方法和装置 | |
| CN113822315A (zh) | 属性图的处理方法、装置、电子设备及可读存储介质 | |
| Palau et al. | Collaborative prognostics in social asset networks | |
| Trovati et al. | An entropy-based approach to real-time information extraction for industry 4.0 | |
| Li et al. | Learning-based predictive control via real-time aggregate flexibility | |
| KR101522306B1 (ko) | 유사도 특성을 이용한 메타휴리스틱 알고리즘에 기반한 시스템 및 그 제어방법 | |
| Praynlin et al. | Performance analysis of software effort estimation models using neural networks | |
| US11775852B2 (en) | Network optimization | |
| Gupta et al. | Evaluation, selection and ranking of software reliability growth models using multi criteria decision making approach | |
| Zhang et al. | Fuzzy stochastic Petri nets and analysis of the reliability of multi‐state systems | |
| Hamrouni et al. | An evolutionary algorithm for collaborative mobile crowdsourcing recruitment in socially connected iot systems | |
| CN109728958A (zh) | 一种网络节点信任预测方法、装置、设备及介质 | |
| Sarkale et al. | Decision automation for electric power network recovery | |
| Javed et al. | Random neural network learning heuristics | |
| Bao et al. | Storm-gan: spatio-temporal meta-gan for cross-city estimation of human mobility responses to covid-19 | |
| CN107544248A (zh) | 一种移动机器人中的任务优化方法及设备 | |
| Zhou et al. | Linguistic multi-criteria group decision-making method combining cloud model and evidence theory | |
| CN113761375A (zh) | 基于神经网络的消息推荐方法、装置、设备及存储介质 | |
| Wu et al. | Bayesian stochastic configuration networks for robust data modeling | |
| Mao et al. | Full Data-Processing Power Load Forecasting Based on Vertical Federated Learning | |
| Liu et al. | Distributed Ordinal Regression Over Networks | |
| Li et al. | V-shaped sampling based on kendall-distance to enhance optimization with ranks |
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: 20190910 |