CN111898802A

CN111898802A - 一种基于深度神经网络的电网灾情评估方法

Info

Publication number: CN111898802A
Application number: CN202010653236.0A
Authority: CN
Inventors: 林爽; 王裴培; 唐钰翔; 孙怡长; 秦萃丽; 毛健; 余志强; 邹勇; 吴歧; 李沛
Original assignee: Guizhou Power Grid Co Ltd
Current assignee: Guizhou Power Grid Co Ltd
Priority date: 2020-07-08
Filing date: 2020-07-08
Publication date: 2020-11-06
Also published as: CN113408816A; CN113408816B

Abstract

本发明公开了一种基于深度神经网络的电网灾情评估方法，包括获取历史电网灾情场景数据进行统计分析；对所述历史电网灾情场景数据进行预处理，利用灾情评估指标建立评级体系；构建神经网络模型，并将灾情按其严重程度进行分类作为模型输出；经预处理的样本数据加载到所述神经网络模型后，选取训练参数对其进行训练和学习；实时获取新的电网场景输入至完成训练的所述神经网络模型，实时获取灾情评估等级，解决了现有基于场景的灾情评估优化模型具体的优化计算面临求解困难的问题。

Description

一种基于深度神经网络的电网灾情评估方法

技术领域

本发明涉及电网安全的技术领域，尤其涉及一种基于深度神经网络的电网灾情评估方法。

背景技术

近年来，电网运行环境日趋恶劣和复杂，雨雪冰冻、风暴潮、台风、暴雨雷电等强对流灾害，雾霾、大风、沙尘暴、山火等极端天气(指历史上罕见的气象事件，发生概率小、社会影响大)和用电服务，以及电网设施故障产生的危险隐患对电网的影响越来越大。电网发生的隐患不能及时了解及作出补救措施，导致在电网运行中会造成不可估量的损失。

目前，研究者通过建立灾害模型来进行电网灾情的评估，在重大灾害模型研究方面，国内外学者应用3S和计算机技术，结合各种数学方法，形成了大量的定性和定量化的灾情评估模型，随着这方面技术快速发展，自然灾害灾情评估模型库正逐渐成为防灾减灾工作的一种有效工具，为全面掌握和分析灾害损失，为应急管理提供了科学依据。但现有的基于场景的灾情评估优化模型的计算效果取决于场景数量的大小，为充分表示随机变量的特征，直接由场景生成方法得到的场景数量通常是巨大的，这将使得具体的优化计算面临求解困难，成为本领域亟待解决的问题之一。

发明内容

本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。

鉴于上述现有基于场景的灾情评估优化模型存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决现有基于场景的灾情评估优化模型具体的优化计算面临求解困难的问题。

为解决上述技术问题，本发明提供如下技术方案：一种基于深度神经网络的电网灾情评估方法，包括获取历史电网灾情场景数据进行统计分析；对所述历史电网灾情场景数据进行预处理，利用灾情评估指标建立评级体系；构建神经网络模型，并将灾情按其严重程度进行分类作为模型输出；经预处理的样本数据加载到所述神经网络模型后，选取训练参数对其进行训练和学习；实时获取新的电网场景输入至完成训练的所述神经网络模型，实时获取灾情评估等级。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：利用获取的所述历史电网灾情场景数据进行预处理，并建立所述评级体系包括对灾情资料、暴雨资料、故障资料和电网分布数据进行收集；通过危害辨识构建所述评级体系，经过归一化处理之后作为网络的输出。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：构建神经网络模型包括利用灰色关联分析法对灾损数据进行计算，得到综合关联度，越大则表示灾情越严重。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：所述综合关联度的获取包括确定参考序列和比较序列；定义灾情损失最大时的函数转换值为参考序列、求差序列；获取所述比较序列与所述参考序列的关联系数；得出综合关联度。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：所述神经网络模型利用误差反向传播神经网络进行训练，包括以下步骤，数据预处理；网络初始化，随机给定各连接权值及输入输出阈值；给定训练样本和目标输出，计算和输出各类神经元实际输出值；调整输入层与隐含层、隐含层与输出层间的连接权值；进行重复迭代，直到实际输出与目标输出误差达到预设要求结束训练，则模型训练完成。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：实时获取所述新的电网场景还包括利用场景缩减方法，包括以下步骤，

定义n维随机数据过程

的概率分布P通过有限多的场景

以及其概率p_i，

来近似；以Q定义由场景集

及相应的概率值q_j，

表示的另一个n维随机变量过程

的概率测度。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：以Q定义由场景集

及相应的概率值q_j，

表示的另一个所述n维随机变量过程

的概率测度具体为，

其中，

c_T为场景在整个时段{1,……,T}中的概率距离。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：所述场景缩减还包括，

以Q表示ξ缩减后的概率测度，即由场景集ξ^jforj∈{1,……,S}\J，J代表被删除的场景集合；

对于固定的

基于场景集合

表示的Q对于原概率分布 P具有最小的D_k-distance，表示为：

缩减后保留的场景ξ^j，

的概率q_j表示为：

其中J(j):＝{i∈I:j＝j(i)}，

表示保留场景的概率值等于自身原有的概率值加上所有与之具有cT测度最小衡量下的被删除场景的概率值。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：以固定的删除场景数量#J寻找最优的场景集J的最优缩减问题可表述为，

其中，S′＝S-#J＞0表示缩减后保留的场景数量。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：利用目标函数结构开发快速启发式算法求解所述最优缩减问题，所述快速启发式算法流程为，

计算场景对之间的距离

计算

选择

设置J^[1]:＝{1,...,S}\{u₁}；

计算：

选择

设置J^[i]:＝J^[i-1]\{u_i}J:＝J^[S-s]；

其中，c_T(ξ^k,ξ^u)表示场景

之间的距离。

本发明的有益效果：本发明提供的基于深度神经网络的电网灾情评估方法在保证求解可行性的前提下，在尽量减少场景数量的同时保持了随机变量场景树模型的重要特征，通过某种概率度量控制随机过程近似程度的场景缩减技术能够有效的满足要求，解决了现有基于场景的灾情评估优化模型具体的优化计算面临求解困难的问题。

附图说明

为了更清楚地说明本发明实施例的技术方案，下面将对实施例描述中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本发明的一些实施例，对于本领域普通技术人员来讲，在不付出创造性劳动性的前提下，还可以根据这些附图获得其它的附图。其中：

图1为本发明提供的基于深度神经网络的电网灾情评估方法的方法流程图；

图2为10个月内的地区灾情详况示意图。

具体实施方式

为使本发明的上述目的、特征和优点能够更加明显易懂，下面结合说明书附图对本发明的具体实施方式做详细的说明，显然所描述的实施例是本发明的一部分实施例，而不是全部实施例。基于本发明中的实施例，本领域普通人员在没有做出创造性劳动前提下所获得的所有其他实施例，都应当属于本发明的保护的范围。

在下面的描述中阐述了很多具体细节以便于充分理解本发明，但是本发明还可以采用其他不同于在此描述的其它方式来实施，本领域技术人员可以在不违背本发明内涵的情况下做类似推广，因此本发明不受下面公开的具体实施例的限制。

其次，此处所称的“一个实施例”或“实施例”是指可包含于本发明至少一个实现方式中的特定特征、结构或特性。在本说明书中不同地方出现的“在一个实施例中”并非均指同一个实施例，也不是单独的或选择性的与其他实施例互相排斥的实施例。

本发明结合示意图进行详细描述，在详述本发明实施例时，为便于说明，表示器件结构的剖面图会不依一般比例作局部放大，而且所述示意图只是示例，其在此不应限制本发明保护的范围。此外，在实际制作中应包含长度、宽度及深度的三维空间尺寸。

同时在本发明的描述中，需要说明的是，术语中的“上、下、内和外”等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。此外，术语“第一、第二或第三”仅用于描述目的，而不能理解为指示或暗示相对重要性。

本发明中除非另有明确的规定和限定，术语“安装、相连、连接”应做广义理解，例如：可以是固定连接、可拆卸连接或一体式连接；同样可以是机械连接、电连接或直接连接，也可以通过中间媒介间接相连，也可以是两个元件内部的连通。对于本领域的普通技术人员而言，可以具体情况理解上述术语在本发明中的具体含义。

实施例1

现有的基于场景的灾情评估优化模型的计算效果取决于场景数量的大小，为充分表示随机变量的特征，直接由场景生成方法得到的场景数量通常是巨大的，这将使得具体的优化计算面临求解困难。

故此，请参阅图1和图2，本发明提供一种基于深度神经网络的电网灾情评估方法，包括：

S1：获取历史电网灾情场景数据进行统计分析；

需要说明的是：电网灾情场景数据包括灾情资料、暴雨资料、故障资料和电网分布数据。

S2：对灾情场景数据进行预处理，利用灾情评估指标建立评级体系；

进一步的，利用获取的历史电网灾情场景数据进行预处理，并建立评级体系包括：

对灾情资料、暴雨资料、故障资料和电网分布数据进行收集；

通过危害辨识构建评级体系，经过归一化处理之后作为网络的输出。

其中，评估指标包括受灾面积、伤亡人数和直接经济损失。

采用如下公式将数据进行归一化处理，

进行归一化处理的公式作为模型的数据输入有助于简化模型的计算，加快模型的数据输出。

如下表1所示为灾害等级及单指标分级标准：

表1：灾害等级及单指标分级标准

指标	极重灾	重灾	中灾	轻灾	微灾
						受灾面积(hm<sup>2</sup>)	＞10<sup>5</sup>	10<sup>4</sup>～10<sup>5</sup>	10<sup>3</sup>～10<sup>4</sup>	10<sup>2</sup>～10<sup>3</sup>	＜10<sup>2</sup>
伤亡人数(人)	＞10<sup>5</sup>	10<sup>4</sup>～10<sup>5</sup>	10<sup>3</sup>～10<sup>4</sup>	10<sup>2</sup>～10<sup>3</sup>	＜10<sup>2</sup>
						经济损失(元)	＞10<sup>8</sup>	10<sup>7</sup>～10<sup>8</sup>	10<sup>6</sup>～10<sup>7</sup>	10<sup>5</sup>～10<sup>6</sup>	＜10<sup>5</sup>

而后利用灾害分级指标的函数转化进行相应的函数转化，如下：

(1)受灾面积(hm2)与伤亡人数(人)的转化函数

(2)经济损失(元)的转化函数

S3：构建神经网络模型，并将灾情按其严重程度进行分类作为模型输出；

进一步的，构建神经网络模型包括利用灰色关联分析法对灾损数据进行计算，得到综合关联度，越大则表示灾情越严重。

更进一步的，综合关联度的获取包括：

确定参考序列和比较序列；

定义灾情损失最大时的函数转换值为参考序列、求差序列；

获取比较序列与参考序列的关联系数；

得出综合关联度。

其中，灰色关联分析法是根据因素之间发展趋势的相似或相异程度，亦即“灰色关联度”，作为衡量因素间关联程度的一种方法。具体的计算步骤如下：

确定反映系统行为特征的参考数列和影响系统行为的比较数列。反映系统行为特征的数据序列，称为参考数列。影响系统行为的因素组成的数据序列，称比较数列；

对参考数列和比较数列进行无量纲化处理。由于系统中各因素的物理意义不同，导致数据的量纲也不一定相同，不便于比较，或在比较时难以得到正确的结论。因此在进行灰色关联度分析时，一般都要进行无量纲化的数据处理；

求参考数列与比较数列的灰色关联系数ξ(Xi)。所谓关联程度，实质上是曲线间几何形状的差别程度。因此曲线间差值大小，可作为关联程度的衡量尺度。对于一个参考数列X0有若干个比较数列X1,X2,…,Xn，各比较数列与参考数列在各个时刻(即曲线中的各点)的关联系数ξ(Xi)可由下列公式算出：

其中ρ为分辨系数，ρ>0，通常取0.5；

通过以下公式求关联度ri：

因为关联系数是比较数列与参考数列在各个时刻(即曲线中的各点)的关联程度值，所以它的数不止一个，而信息过于分散不便于进行整体性比较。因此有必要将各个时刻(即曲线中的各点)的关联系数集中为一个值，即求其平均值，作为比较数列与参考数列间关联程度的数量表示；

关联度排序。因素间的关联程度，主要是用关联度的大小次序描述，而不仅是关联度的大小。将m个子序列对同一母序列的关联度按大小顺序排列起来，便组成了关联序，记为{x}，它反映了对于母序列来说各子序列的“优劣”关系。若r0i>r0j，则称{xi}对于同一母序列{x0}优于{xj}，记为{xi}>{xj}；若 r0i表1代表旗县参考数列、比较数列特征值。

S4：经预处理的样本数据加载到所述神经网络模型后，选取训练参数对其进行训练和学习；

具体的，神经网络模型利用误差反向传播神经网络进行训练，包括以下步骤：

数据预处理；

网络初始化，随机给定各连接权值及输入输出阈值；

给定训练样本和目标输出，计算和输出各类神经元实际输出值；

调整输入层与隐含层、隐含层与输出层间的连接权值；

进行重复迭代，直到实际输出与目标输出误差达到预设要求结束训练，则模型训练完成。

S5：实时获取新的电网场景输入至完成训练的神经网络模型，实时获取灾情评估等级。

其中，实时获取新的电网场景还包括利用场景缩减方法，具体为：

假设n维随机数据过程

的概率分布P通过有限多的场景

以及他们的概率p_i，

来近似估计。

场景缩减算法决定一个场景子集合，并分配给修改过的场景新的概率。从一个概率P和Q之间的距离这个角度来讲，相应被缩减的概率分布Q是最接近原概率分布P的。

此概率距离平衡了场景概率及场景值间的距离。Kantorovich概率距离D_k作为一种常用的概率度量，在以多个场景表示离散概率分布的情况下相当于一个线性运输问题。

以Q定义由场景集

及相应的概率值q_j，

表示的另一个n 维随机变量过程

的概率测度，则此概率距离的定义为：

其中，

c_T为场景在整个时段{1,……,T}中的概率距离。

在此以Q表示ξ缩减后的概率测度，即由场景集ξ^jforj∈{1,……,S}\J，J 代表被删除的场景集合。对于固定的

基于场景集合

表示的Q对于原概率分布P具有最小的D_k-distance，表示为：

D_k(P,Q)＝∑p_i min c_T(ξⁱ,ξ^j)

缩减后保留的场景ξ^j，

的概率q_j表示为：

其中J(j):＝{i∈I:j＝j(i)}，

其表示了最优的概率重新分配原则，即保留场景的概率值等于自身原有的概率值加上所有与之具有c_T测度最小衡量下的被删除场景的概率值。

以固定的删除场景数量#J寻找最优的场景集J的最优缩减问题可表述为：

其中，S′＝S-#J＞0表示缩减后保留的场景数量，式中描述的是一个场景覆盖问题，是一个NP难问题，难以找到一般意义下的有效求解算法，本发明利用目标函数结构开发快速启发式算法，如下：

假设#J＝1，即只删除一个场景，前述问题可描述为：

如果在l∈{1,......,S}达到最小值，即删除的场景为ξ^l，利用概率的重新分配原则，可得到缩减后的概率测度Q；如果

其相应的场景概率为q_j＝q_j+p_l，而对于所有的

这种最优的删除一个场景可以不断的迭代重复直至预定删除场景数量达到S-S′的目标。

算法流程如下：

计算场景对之间的距离

计算

选择

设置J^[1]:＝{1,...,S}\{u₁}

计算：

选择

设置J^[i]:＝J^[i-1]\{u_i}J:＝J^[S-s]；

J:＝J^[S-s]就是删除场景以后得到的集合，式中：c_T(ξ^k，ξ^u)表示场景

之间的距离。

选用一家电网公司(贵州电网遵义局)，同时采用现有评估方法及本发明进行为期10月的灾情评估，如图2所示，为10个月内的地区灾情详况，如下表2所示，为采用本发明以及现有技术进行灾情评估的效果对比表：

表2：灾情评估效果对比表

	评估时间(min)	评估准确度(100％)	出现无法评估的次数(次)
				现有技术	6.001	79.44	4
本发明	6.71	92.18	0

由上表2所示，在10个月内的灾情评估中，采用本发明不会出现无法评估的现象，且评估的准确度远高于现有技术的评估准确度。

具体的，在采用本发明模型进行灾情评估时，利用本发明优化模型进行各项指标的绝对差值计算得出：

Δ₀₁＝(0.562，0.244，0.137，0.092)，Δ₀₂＝(0.372，0.245，0.241，0.159)

Δ₀₃＝(0.517，0.272，0.309，0.350)，Δ₀₄＝(0.327，0.205，0.053，0.020)

Δ₀₅＝(0.356，0.306，0.046，0.061)，Δ₀₆＝(0.453，0.316，0.258，0.148)

Δ₀₇＝(0.393，0.269，0.133，0.021)，Δ₀₈＝(0.493，0.250，0.362，0.281)

Δ₀₉＝(0.534，0.140，0.345，0.169)，Δ₁₀＝(0.267，0.123，0.173，0.040)

再根据本发明提供的优化公式得出：

ξ₀₁＝(0.640，0.804，0.879，0.916)，ξ₀₂＝(0.729，0.803，0.806，0.863)

ξ₀₃＝(0.659，0.786，0.764，0.741)，ξ₀₄＝(0.754，0.829，0.949，0.980)

ξ₀₅＝(0.737，0.766，0.956，0.943)，ξ₀₆＝(0.688，0.759，0.795，0.871)

ξ₀₇＝(0.718，0.788，0.883，0.979)，ξ₀₈＝(0.670，0.799，0.734，0.781)

ξ₀₉＝(0.652，0.877，0.743，0.855)，ξ₀₁₀＝(0.789，0.890，0.853，0.962)。

应当认识到，本发明的实施例可以由计算机硬件、硬件和软件的组合、或者通过存储在非暂时性计算机可读存储器中的计算机指令来实现或实施。所述方法可以使用标准编程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现，其中如此配置的存储介质使得计算机以特定和预定义的方式操作——根据在具体实施例中描述的方法和附图。每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系统通信。然而，若需要，该程序可以以汇编或机器语言实现。在任何情况下，该语言可以是编译或解释的语言。此外，为此目的该程序能够在编程的专用集成电路上运行。

此外，可按任何合适的顺序来执行本文描述的过程的操作，除非本文另外指示或以其他方式明显地与上下文矛盾。本文描述的过程(或变型和/或其组合) 可在配置有可执行指令的一个或多个计算机系统的控制下执行，并且可作为共同地在一个或多个处理器上执行的代码(例如，可执行指令、一个或多个计算机程序或一个或多个应用)、由硬件或其组合来实现。所述计算机程序包括可由一个或多个处理器执行的多个指令。

进一步，所述方法可以在可操作地连接至合适的任何类型的计算平台中实现，包括但不限于个人电脑、迷你计算机、主框架、工作站、网络或分布式计算环境、单独的或集成的计算机平台、或者与带电粒子工具或其它成像装置通信等等。本发明的各方面可以以存储在非暂时性存储介质或设备上的机器可读代码来实现，无论是可移动的还是集成至计算平台，如硬盘、光学读取和/或写入存储介质、RAM、ROM等，使得其可由可编程计算机读取，当存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。此外，机器可读代码，或其部分可以通过有线或无线网络传输。当此类媒体包括结合微处理器或其他数据处理器实现上文所述步骤的指令或程序时，本文所述的发明包括这些和其他不同类型的非暂时性计算机可读存储介质。当根据本发明所述的方法和技术编程时，本发明还包括计算机本身。计算机程序能够应用于输入数据以执行本文所述的功能，从而转换输入数据以生成存储至非易失性存储器的输出数据。输出信息还可以应用于一个或多个输出设备如显示器。在本发明优选的实施例中，转换的数据表示物理和有形的对象，包括显示器上产生的物理和有形对象的特定视觉描绘。

如在本申请所使用的，术语“组件”、“模块”、“系统”等等旨在指代计算机相关实体，该计算机相关实体可以是硬件、固件、硬件和软件的结合、软件或者运行中的软件。例如，组件可以是，但不限于是：在处理器上运行的处理、处理器、对象、可执行文件、执行中的线程、程序和/或计算机。作为示例，在计算设备上运行的应用和该计算设备都可以是组件。一个或多个组件可以存在于执行中的过程和/或线程中，并且组件可以位于一个计算机中以及/ 或者分布在两个或更多个计算机之间。此外，这些组件能够从在其上具有各种数据结构的各种计算机可读介质中执行。这些组件可以通过诸如根据具有一个或多个数据分组(例如，来自一个组件的数据，该组件与本地系统、分布式系统中的另一个组件进行交互和/或以信号的方式通过诸如互联网之类的网络与其它系统进行交互)的信号，以本地和/或远程过程的方式进行通信。

应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或者等同替换，而不脱离本发明技术方案的精神和范围，其均应涵盖在本发明的权利要求范围当中。