CN112132308B - 电网暴雨长期预测关键因子选取方法、装置及预测系统 - Google Patents
电网暴雨长期预测关键因子选取方法、装置及预测系统 Download PDFInfo
- Publication number
- CN112132308B CN112132308B CN202010732500.XA CN202010732500A CN112132308B CN 112132308 B CN112132308 B CN 112132308B CN 202010732500 A CN202010732500 A CN 202010732500A CN 112132308 B CN112132308 B CN 112132308B
- Authority
- CN
- China
- Prior art keywords
- prediction
- precipitation
- key factors
- influence index
- key
- 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.)
- Active
Links
- 230000007774 longterm Effects 0.000 title claims abstract description 66
- 238000000034 method Methods 0.000 title claims abstract description 36
- 238000001556 precipitation Methods 0.000 claims abstract description 81
- 238000013528 artificial neural network Methods 0.000 claims abstract description 47
- 238000004364 calculation method Methods 0.000 claims abstract description 46
- 238000012163 sequencing technique Methods 0.000 claims abstract description 9
- 238000012614 Monte-Carlo sampling Methods 0.000 claims description 6
- 230000009471 action Effects 0.000 description 3
- 238000010586 diagram Methods 0.000 description 3
- 230000008569 process Effects 0.000 description 3
- 238000012545 processing Methods 0.000 description 3
- 238000004590 computer program Methods 0.000 description 2
- 230000006870 function Effects 0.000 description 2
- 238000005259 measurement Methods 0.000 description 2
- XLYOFNOQVPJJNP-UHFFFAOYSA-N water Substances O XLYOFNOQVPJJNP-UHFFFAOYSA-N 0.000 description 2
- 241000122205 Chamaeleonidae Species 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000002452 interceptive effect Effects 0.000 description 1
- 230000007246 mechanism Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000002265 prevention Effects 0.000 description 1
- 230000009467 reduction Effects 0.000 description 1
- 238000010187 selection method Methods 0.000 description 1
- 238000012360 testing method Methods 0.000 description 1
- 238000012549 training Methods 0.000 description 1
- 239000002699 waste material 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
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/02—Neural networks
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/045—Combinations of networks
-
- 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
- G06N3/08—Learning methods
- G06N3/084—Backpropagation, e.g. using gradient descent
-
- 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
- G06Q10/0639—Performance analysis of employees; Performance analysis of enterprise or organisation operations
- G06Q10/06393—Score-carding, benchmarking or key performance indicator [KPI] analysis
-
- 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
-
- 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
- G06Q50/10—Services
- G06Q50/26—Government or public services
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Business, Economics & Management (AREA)
- Engineering & Computer Science (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Marketing (AREA)
- General Health & Medical Sciences (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Educational Administration (AREA)
- Entrepreneurship & Innovation (AREA)
- Biophysics (AREA)
- Molecular Biology (AREA)
- Biomedical Technology (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Primary Health Care (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Computational Linguistics (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
Abstract
本公开涉及一种电网暴雨长期预测关键因子选取方法、装置及预测系统。其中,方法包括基于待选取关键因子搭建BP神经网络;基于BP神经网络,从待选取关键因子中随机选取至少N‑k个关键因子进行M次降水量预测值的计算;在每次降水量预测值的计算中,基于得到的降水量预测值和历史降水量测量值的比值,得到预测准确率;基于预测准确率确定各选取的关键因子的影响指标;对各影响指标由高到低进行排序,选取排名前Q个影响指标对应的关键因子,作为用于电网暴雨长期预测的关键因子。本公开实施例通过选取电网暴雨长期预测关键因子,提高了电网暴雨长期预测的准确率,减少了预测的计算量。
Description
技术领域
本公开涉及电网技术领域,尤其涉及一种电网暴雨长期预测关键 因子选取方法、装置及预测系统。
背景技术
电网暴雨灾害是夏季威胁电网最为严重的外部环境自然灾害,其 带来的短时强降水容易导致变电站等重要电力设备淹没,造成电力设 备损坏;同时,电网暴雨所引发的次生灾害如滑坡和泥石流等,可能 造成杆塔倒塔和断线等事故;此外,电网暴雨容易导致水力发电站水 库弃水,造成经济损失。
电网暴雨长期预测可提前预测不同地区电网暴雨的发生趋势,指 导电网提前制定暴雨灾害防治措施和预案,最大化地减少暴雨灾害给 电网带来的损失。但暴雨长期预测的关键因子(即影响暴雨长期预测 的因素)众多,过多的输入变量会导致电网暴雨长期预测准确率大幅 度降低,同时预测的计算量急剧增加。因此,电网暴雨长期预测关键 因子的选取具有重要意义。
发明内容
为了解决上述技术问题或者至少部分地解决上述技术问题,本公 开提供了一种电网暴雨长期预测关键因子选取方法、装置及预测系统。
本公开提供了一种电网暴雨长期预测关键因子选取方法,包括:
基于待选取关键因子搭建BP神经网络,其中,待选取关键因子不 同,搭建的BP神经网络不同,且降水量预测值作为所述BP神经网络 的输出;
基于所述BP神经网络,从所述待选取关键因子中随机选取至少 N-k个关键因子进行M次降水量预测值的计算,其中,N为待选取关 键因子的个数,k大于或等于0,M为大于2的整数,且在每次降水量 预测值的计算中,选取的关键因子不同;
在每次降水量预测值的计算中,基于得到的降水量预测值和历史 降水量测量值的比值,得到预测准确率;
基于所述预测准确率确定各选取的关键因子的影响指标;
对各所述影响指标由高到低进行排序,选取排名前Q个影响指标 对应的关键因子,作为用于电网暴雨长期预测的关键因子。
可选的,随机选取至少N-k个关键因子采用蒙特卡洛抽样法。
可选的,基于所述预测准确率确定各选取的关键因子的影响指标, 包括:
在i次降水量预测值的计算中,基于所述预测准确率及第j个关键 因子的选取情况,确定第j个关键因子的第一影响指标;
基于第j个关键因子在M次降水量预测值计算得到的所述第一影 响指标,确定第j个关键因子的第二影响指标,并作为所述第j个关键 因子的影响指标。
可选的,所述第一影响指标的计算方法如下:
其中,R0为k等于0时得到的预测准确率,Ri为k大于0时在第i 次降水量预测值的计算中得到的预测准确率;
所述第二影响指标的计算方法如下:
其中,L为第j个关键因子在M次降水量预测值计算中第一影响 指标不为0的个数。
本公开提供了一种电网暴雨长期预测关键因子选取装置,包括:
神经网络搭建模块,用于基于待选取关键因子搭建BP神经网络, 其中,待选取关键因子不同,搭建的BP神经网络不同,且降水量预测 值作为所述BP神经网络的输出;
预测值计算模块,用于基于所述BP神经网络,从所述待选取关键 因子中随机选取至少N-k个关键因子进行M次降水量预测值的计算, 其中,N为待选取关键因子的个数,k大于或等于0,M为大于2的整 数,且在每次降水量预测值的计算中,选取的关键因子不同;
准确率计算模块,用于在每次降水量预测值的计算中,基于得到 的降水量预测值和历史降水量测量值的比值,得到预测准确率;
影响指标确定模块,用于基于所述预测准确率确定各选取的关键 因子的影响指标;
关键因子选取模块,用于对各所述影响指标由高到低进行排序, 选取排名前Q个影响指标对应的关键因子,作为用于电网暴雨长期预 测的关键因子。
可选的,随机选取至少N-k个关键因子采用蒙特卡洛抽样法。
可选的,所述影响指标确定模块包括:
第一影响指标确定单元,用于在i次降水量预测值的计算中,基于 所述预测准确率及第j个关键因子的选取情况,确定第j个关键因子的 第一影响指标;
第二影响指标确定单元,用于基于第j个关键因子在M次降水量 预测值计算得到的所述第一影响指标,确定第j个关键因子的第二影响 指标,并作为所述第j个关键因子的影响指标。
可选的,所述第一影响指标的计算方法如下:
其中,R0为k等于0时得到的预测准确率,Ri为k大于0时在第i 次降水量预测值的计算中得到的预测准确率;
所述第二影响指标的计算方法如下:
其中,L为第j个关键因子在M次降水量预测值计算中第一影响 指标不为0的个数。
本公开提供了一种电网暴雨长期预测系统,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行 所述指令以实现本公开提供的电网暴雨长期预测关键因子选取方法。
本公开实施例提供的技术方案与现有技术相比具有如下优点:
本公开实施例提供的技术方案基于待选取关键因子搭建BP神经 网络;基于BP神经网络,从待选取关键因子中随机选取至少N-k个关 键因子进行M次降水量预测值的计算;在每次降水量预测值的计算中, 基于得到的降水量预测值和历史降水量测量值的比值,得到预测准确 率;基于预测准确率确定各选取的关键因子的影响指标;对各影响指 标由高到低进行排序,选取排名前Q个影响指标对应的关键因子,作 为用于电网暴雨长期预测的关键因子。由此,本公开实施例通过选取 电网暴雨长期预测关键因子,提高了电网暴雨长期预测的准确率,减 少了预测的计算量。
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 合本公开的实施例,并与说明书一起用于解释本公开的原理。
为了更清楚地说明本公开实施例或现有技术中的技术方案,下面 将对实施例或现有技术描述中所需要使用的附图作简单地介绍,显而 易见地,对于本领域普通技术人员而言,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他的附图。
图1为本公开实施例提供的电网暴雨长期预测关键因子选取方法 的流程示意图;
图2为本公开实施例提供的电网暴雨长期预测关键因子选取装置 的结构框图;
图3为本公开实施例提供的电网暴雨长期预测系统的结构示意图。
具体实施方式
为了能够更清楚地理解本公开的上述目的、特征和优点,下面将 对本公开的方案进行进一步描述。需要说明的是,在不冲突的情况下, 本公开的实施例及实施例中的特征可以相互组合。
在下面的描述中阐述了很多具体细节以便于充分理解本公开,但 本公开还可以采用其他不同于在此描述的方式来实施;显然,说明书 中的实施例只是本公开的一部分实施例,而不是全部的实施例。
图1为本公开实施例提供的电网暴雨长期预测关键因子选取方法 的流程示意图。该关键因子选取方法适用于电网暴雨长期预测的情况, 可以由电网暴雨长期预测关键因子选取装置执行,其中该电网暴雨长 期预测关键因子选取装置可以采用软件和/或硬件的方式实现,一般可 集成在电网暴雨长期预测系统中。如图1所示,本公开实施例提供的 一种电网暴雨长期预测关键因子选取方法,包括:
步骤110、基于待选取关键因子搭建BP神经网络。
其中,待选取关键因子不同,搭建的BP神经网络不同,且降水量 预测值作为BP神经网络的输出。示例性的,若待选取关键因子的个数 相同,但其中至少一个选取关键因子不同,则搭建的BP神经网络不同; 若待选取关键因子的个数不同,则搭建的BP神经网络不同。即对于选 取的任意一组选取关键因子,均需要通过所包含的关键因子进行BP神 经网络训练来搭建BP神经网络。
步骤120、基于BP神经网络,从待选取关键因子中随机选取至少 N-k个关键因子进行M次降水量预测值的计算。
其中,N为待选取关键因子的个数,k大于或等于0,M为大于2 的整数,且在每次降水量预测值的计算中,选取的关键因子不同。
本方案中,在从待选取关键因子中随机选取至少N-k个关键因子 后,确定该至少N-k个关键因子对应的BP神经网络,将从待选取关键 因子中随机选取至少N-k个关键因子作为对应的BP神经网络的输入, 则经由该BP神经网络输出对应的降水量预测值。在本公开一些实施例 中,降水量预测值可以为一个月的降水量。
在本公开一些优选实施例中,随机选取至少N-k个关键因子采用 蒙特卡洛抽样法。由此,在保证计算值接近真实值的情况下,减少运 算次数,提高运算速度。
步骤130、在每次降水量预测值的计算中,基于得到的降水量预测 值和历史降水量测量值的比值,得到预测准确率。
其中,历史降水量测量值为历史相同月份测得的降水量。预测准 确率越高,说明选取的至少N-k个关键因子通过BP神经网络计算得到 的降水量预测值越接近历史降水量测量值,即预测结果越准确。
步骤140、基于预测准确率确定各选取的关键因子的影响指标。
具体的,在i次降水量预测值的计算中,基于预测准确率及第j个 关键因子的选取情况,确定第j个关键因子的第一影响指标;
基于第j个关键因子在M次降水量预测值计算得到的第一影响指 标,确定第j个关键因子的第二影响指标,并作为第j个关键因子的影 响指标。
可选的,第一影响指标的计算方法如下:
其中,R0为k等于0时得到的预测准确率,Ri为k大于0时在第i 次降水量预测值的计算中得到的预测准确率;
第二影响指标的计算方法如下:
其中,L为第j个关键因子在M次降水量预测值计算中第一影响 指标不为0的个数。
步骤150、对各影响指标由高到低进行排序,选取排名前Q个影 响指标对应的关键因子,作为用于电网暴雨长期预测的关键因子。
该方案中,关键因子的影响指标越高,说明对电网暴雨长期预测 准确率的影响越大,关键因子的影响指标越低,说明对电网暴雨长期 预测的干扰越大。因此,本公开通过选取影响指标较高的多个关键因 子用于电网暴雨长期预测,减少了电网暴雨长期预测时的关键因子的 数量,即滤除了干扰预测准确率的关键因子,从而提高了电网暴雨长 期预测的准确率,同时,关键因子数量的减少,大大减少了电网暴雨 长期预测的计算量。
本公开实施例提供的技术方案基于待选取关键因子搭建BP神经 网络;基于BP神经网络,从待选取关键因子中随机选取至少N-k个关 键因子进行M次降水量预测值的计算;在每次降水量预测值的计算中, 基于得到的降水量预测值和历史降水量测量值的比值,得到预测准确 率;基于预测准确率确定各选取的关键因子的影响指标;对各影响指 标由高到低进行排序,选取排名前Q个影响指标对应的关键因子,作 为用于电网暴雨长期预测的关键因子。由此,本公开实施例通过选取 电网暴雨长期预测关键因子,提高了电网暴雨长期预测的准确率,减 少了预测的计算量。
基于上述技术方案,在本公开一具体实施例中,电网暴雨长期预 测关键因子选取方法包括:
1、电网某区域待选取的11个电网暴雨长期预测关键因子为{印度 副高面积指数,印缅槽,厄尔尼诺指数,东亚大槽强度指数,亚洲径向环流 指数,亚洲纬向环流指数,亚洲极涡,南方涛动指数,西南低涡,副热带高压, 西太平洋副高面积指数},降水量预测值(当月降水总量)记为Pr;
2、搭建BP神经网络,待选取的11个电网暴雨长期预测关键因子 作为输入,Pr作为输出,此时预测准确率为72.3%;
3、总共进行100次降水量预测值的计算,在第i次计算中,从11 个电网暴雨长期预测关键因子中随机选取不少于7个因子作为输入, Pr作为输出,计算此时的BP神经网络的预测准确率为Ri,同时计算 第j个预测关键因子的影响指标Rji;
4、计算电网暴雨长期预测关键因子的影响指标:
{0.397,0.662,0.557,0.062,0.613,0.126,0.334,0.003,0.667,0.403, 0.646}
5、将电网暴雨长期预测关键因子根据对应的影响指标由高到低进 行排序,取出排名前4个影响指标对应的关键因子,即可生成电网暴 雨长期预测关键因子集{副热带高压,印缅槽,厄尔尼诺指数,西南低 涡}。
图2为本公开实施例提供的电网暴雨长期预测关键因子选取装置 的结构框图。如图2所示,本公开提供的一种电网暴雨长期预测关键 因子选取装置,包括:
神经网络搭建模块201,用于基于待选取关键因子搭建BP神经网 络,其中,待选取关键因子不同,搭建的BP神经网络不同,且降水量 预测值作为BP神经网络的输出;
预测值计算模块202,用于基于BP神经网络,从待选取关键因子 中随机选取至少N-k个关键因子进行M次降水量预测值的计算,其中, N为待选取关键因子的个数,k大于或等于0,M为大于2的整数,且 在每次降水量预测值的计算中,选取的关键因子不同;
准确率计算模块203,用于在每次降水量预测值的计算中,基于得 到的降水量预测值和历史降水量测量值的比值,得到预测准确率;
影响指标确定模块204,用于基于预测准确率确定各选取的关键因 子的影响指标;
关键因子选取模块205,用于对各影响指标由高到低进行排序,选 取排名前Q个影响指标对应的关键因子,作为用于电网暴雨长期预测 的关键因子。
可选的,随机选取至少N-k个关键因子采用蒙特卡洛抽样法。
可选的,影响指标确定模块包括:
第一影响指标确定单元,用于在i次降水量预测值的计算中,基于 预测准确率及第j个关键因子的选取情况,确定第j个关键因子的第一 影响指标;
第二影响指标确定单元,用于基于第j个关键因子在M次降水量 预测值计算得到的第一影响指标,确定第j个关键因子的第二影响指 标,并作为第j个关键因子的影响指标。
可选的,第一影响指标的计算方法如下:
其中,R0为k等于0时得到的预测准确率,Ri为k大于0时在第i 次降水量预测值的计算中得到的预测准确率;
第二影响指标的计算方法如下:
其中,L为第j个关键因子在M次降水量预测值计算中第一影响 指标不为0的个数。
本公开实施例所提供的电网暴雨长期预测关键因子选取装置可执 行本发明任意实施例所提供的电网暴雨长期预测关键因子选取方法, 具备执行方法相应的功能模块和有益效果。
另外,本公开实施例还提供了一种电网暴雨长期预测系统,包括: 处理器;用于存储处理器可执行指令的存储器;处理器,用于从存储 器中读取可执行指令,并执行指令以实现本公开实施例提供的电网暴 雨长期预测关键因子选取方法。
图3为本公开实施例提供的一种电网暴雨长期预测系统的结构示 意图。如图3所示,电网暴雨长期预测系统300包括一个或多个处理 器301和存储器302。
处理器301可以是中央处理单元(CPU)或者具有数据处理能力 和/或指令执行能力的其他形式的处理单元,并且可以控制电网暴雨长 期预测系统300中的其他组件以执行期望的功能。
存储器302可以包括一个或多个计算机程序产品,所述计算机程 序产品可以包括各种形式的计算机可读存储介质,例如易失性存储器 和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储 器(RAM)和/或高速缓冲存储器(cache)等。所述非易失性存储器例 如可以包括只读存储器(ROM)、硬盘、闪存等。在所述计算机可读存 储介质上可以存储一个或多个计算机程序指令,处理器301可以运行 所述程序指令,以实现上文所述的本公开的实施例的电网暴雨长期预 测关键因子选取方法以及/或者其他期望的功能。在所述计算机可读存 储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。
在一个示例中,电网暴雨长期预测系统300还可以包括:输入装 置303和输出装置304,这些组件通过总线系统和/或其他形式的连接 机构(未示出)互连。
此外,该输入装置303还可以包括例如键盘、鼠标等等。
该输出装置304可以向外部输出各种信息,包括确定出的距离信 息、方向信息等。该输出装置304可以包括例如显示器、扬声器、打 印机、以及通信网络及其所连接的远程输出设备等等。
当然,为了简化,图3中仅示出了该电网暴雨长期预测系统300 中与本公开有关的组件中的一些,省略了诸如总线、输入/输出接口等 等的组件。除此之外,根据具体应用情况,电网暴雨长期预测系统300 还可以包括任何其他适当的组件。
需要说明的是,在本文中,诸如“第一”和“第二”等之类的关 系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来, 而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系 或者顺序。而且,术语“包括”、“包含”或者其任何其他变体意在涵 盖非排他性的包含,从而使得包括一系列要素的过程、方法、物品或 者设备不仅包括那些要素,而且还包括没有明确列出的其他要素,或 者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有 更多限制的情况下,由语句“包括一个……”限定的要素,并不排除 在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要 素。
以上所述仅是本公开的具体实施方式,使本领域技术人员能够理 解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说 将是显而易见的,本文中所定义的一般原理可以在不脱离本公开的精 神或范围的情况下,在其它实施例中实现。因此,本公开将不会被限 制于本文所述的这些实施例,而是要符合与本文所公开的原理和新颖 特点相一致的最宽的范围。
Claims (5)
1.一种电网暴雨长期预测关键因子选取方法,其特征在于,包括:
基于待选取关键因子搭建BP神经网络,其中,待选取关键因子不同,搭建的BP神经网络不同,且降水量预测值作为所述BP神经网络的输出;
基于所述BP神经网络,从所述待选取关键因子中随机选取至少N-k个关键因子进行M次降水量预测值的计算,其中,N为待选取关键因子的个数,k大于或等于0,M为大于2的整数,且在每次降水量预测值的计算中,选取的关键因子不同;
在每次降水量预测值的计算中,基于得到的降水量预测值和历史降水量测量值的比值,得到预测准确率;
基于所述预测准确率确定各选取的关键因子的影响指标;
对各所述影响指标由高到低进行排序,选取排名前Q个影响指标对应的关键因子,作为用于电网暴雨长期预测的关键因子;
基于所述预测准确率确定各选取的关键因子的影响指标,包括:
在i次降水量预测值的计算中,基于所述预测准确率及第j个关键因子的选取情况,确定第j个关键因子的第一影响指标;
基于第j个关键因子在M次降水量预测值计算得到的所述第一影响指标,确定第j个关键因子的第二影响指标,并作为所述第j个关键因子的影响指标;
所述第一影响指标的计算方法如下:
其中,R0为k等于0时得到的预测准确率,Ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率;
所述第二影响指标的计算方法如下:
其中,L为第j个关键因子在M次降水量预测值计算中第一影响指标不为0的个数。
2.根据权利要求1所述的电网暴雨长期预测关键因子选取方法,其特征在于,随机选取至少N-k个关键因子采用蒙特卡洛抽样法。
3.一种电网暴雨长期预测关键因子选取装置,其特征在于,包括:
神经网络搭建模块,用于基于待选取关键因子搭建BP神经网络,其中,待选取关键因子不同,搭建的BP神经网络不同,且降水量预测值作为所述BP神经网络的输出;
预测值计算模块,用于基于所述BP神经网络,从所述待选取关键因子中随机选取至少N-k个关键因子进行M次降水量预测值的计算,其中,N为待选取关键因子的个数,k大于或等于0,M为大于2的整数,且在每次降水量预测值的计算中,选取的关键因子不同;
准确率计算模块,用于在每次降水量预测值的计算中,基于得到的降水量预测值和历史降水量测量值的比值,得到预测准确率;
影响指标确定模块,用于基于所述预测准确率确定各选取的关键因子的影响指标;
关键因子选取模块,用于对各所述影响指标由高到低进行排序,选取排名前Q个影响指标对应的关键因子,作为用于电网暴雨长期预测的关键因子;
所述影响指标确定模块包括:
第一影响指标确定单元,用于在i次降水量预测值的计算中,基于所述预测准确率及第j个关键因子的选取情况,确定第j个关键因子的第一影响指标;
第二影响指标确定单元,用于基于第j个关键因子在M次降水量预测值计算得到的所述第一影响指标,确定第j个关键因子的第二影响指标,并作为所述第j个关键因子的影响指标;
所述第一影响指标的计算方法如下:
其中,R0为k等于0时得到的预测准确率,Ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率;
所述第二影响指标的计算方法如下:
其中,L为第j个关键因子在M次降水量预测值计算中第一影响指标不为0的个数。
4.根据权利要求3所述的电网暴雨长期预测关键因子选取装置,其特征在于,随机选取至少N-k个关键因子采用蒙特卡洛抽样法。
5.一种电网暴雨长期预测系统,其特征在于,包括:
处理器;
用于存储所述处理器可执行指令的存储器;
所述处理器,用于从所述存储器中读取所述可执行指令,并执行所述指令以实现上述权利要求1-2中任一所述的电网暴雨长期预测关键因子选取方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732500.XA CN112132308B (zh) | 2020-07-27 | 2020-07-27 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202010732500.XA CN112132308B (zh) | 2020-07-27 | 2020-07-27 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN112132308A CN112132308A (zh) | 2020-12-25 |
CN112132308B true CN112132308B (zh) | 2023-07-25 |
Family
ID=73850545
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202010732500.XA Active CN112132308B (zh) | 2020-07-27 | 2020-07-27 | 电网暴雨长期预测关键因子选取方法、装置及预测系统 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN112132308B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008176851A (ja) * | 2007-01-18 | 2008-07-31 | Akita Denshi Systems:Kk | 音楽選曲再生方法 |
CN106203518A (zh) * | 2016-07-14 | 2016-12-07 | 国网湖南省电力公司 | 一种基于空间聚类的水库流域暴雨特征因子辨识方法 |
CN108595764A (zh) * | 2018-03-26 | 2018-09-28 | 北京航空航天大学 | 电路模块行为级建模方法及系统 |
CN109272721A (zh) * | 2018-11-01 | 2019-01-25 | 西安工程大学 | 基于kpca-foa-lssvm的滑坡灾害预报方法 |
CN109948948A (zh) * | 2019-03-29 | 2019-06-28 | 广东电网有限责任公司 | 一种母线负荷关键指标筛选方法、系统及相关装置 |
CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
CN110929808A (zh) * | 2019-12-11 | 2020-03-27 | 国网湖南省电力有限公司 | 舞动温度的多要素智能修正方法及系统 |
Family Cites Families (2)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US7542816B2 (en) * | 2005-01-27 | 2009-06-02 | Outland Research, Llc | System, method and computer program product for automatically selecting, suggesting and playing music media files |
JP6742894B2 (ja) * | 2016-06-09 | 2020-08-19 | 株式会社日立製作所 | データ予測システムおよびデータ予測方法 |
-
2020
- 2020-07-27 CN CN202010732500.XA patent/CN112132308B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
JP2008176851A (ja) * | 2007-01-18 | 2008-07-31 | Akita Denshi Systems:Kk | 音楽選曲再生方法 |
CN106203518A (zh) * | 2016-07-14 | 2016-12-07 | 国网湖南省电力公司 | 一种基于空间聚类的水库流域暴雨特征因子辨识方法 |
CN108595764A (zh) * | 2018-03-26 | 2018-09-28 | 北京航空航天大学 | 电路模块行为级建模方法及系统 |
CN109272721A (zh) * | 2018-11-01 | 2019-01-25 | 西安工程大学 | 基于kpca-foa-lssvm的滑坡灾害预报方法 |
CN110046645A (zh) * | 2019-03-04 | 2019-07-23 | 三峡大学 | 一种基于主成分分析与bp神经网络的藻类水华预测方法 |
CN109948948A (zh) * | 2019-03-29 | 2019-06-28 | 广东电网有限责任公司 | 一种母线负荷关键指标筛选方法、系统及相关装置 |
CN110929808A (zh) * | 2019-12-11 | 2020-03-27 | 国网湖南省电力有限公司 | 舞动温度的多要素智能修正方法及系统 |
Non-Patent Citations (2)
Title |
---|
基于主成分分析与BP神经网络的矿井涌水量预测研究;张宪峰 等;煤炭技术;第37卷(第06期);第201-203页 * |
投影寻踪回归与BP神经网络方法在前汛期降水预测中的比较研究;杨永生 等;气象与环境学报;第24卷(第01期);第14-17页 * |
Also Published As
Publication number | Publication date |
---|---|
CN112132308A (zh) | 2020-12-25 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Chen et al. | Streamflow forecast uncertainty evolution and its effect on real-time reservoir operation | |
Vanem et al. | Statistical description and modelling of extreme ocean wave conditions | |
Lin et al. | The exploration of a temporal convolutional network combined with encoder-decoder framework for runoff forecasting | |
Petrov et al. | Prediction of extreme significant wave heights using maximum entropy | |
CN110428084B (zh) | 一种基于自适应双层优化的风电功率非参数区间预测方法 | |
CN102426674A (zh) | 一种基于马尔科夫链的电力系统负荷预测方法 | |
Suleman et al. | Empirical approach to modeling and forecasting inflation in Ghana | |
CN103150635A (zh) | 电力设备运维方法 | |
Tonn et al. | Hurricane Isaac: a longitudinal analysis of storm characteristics and power outage risk | |
CN103699668A (zh) | 基于数据断面一致性的配电网电气设备组合状态评估方法 | |
Wu et al. | Reservoirs regulate the relationship between hydrological drought recovery water and drought characteristics | |
Cai et al. | Extreme value prediction via a quantile function model | |
CN113592165A (zh) | 基于旬倾向和物理模态建模的次季节气候预测方法与系统 | |
Pan et al. | Analysis of the variation characteristics of runoff and sediment in the Yellow River within 70 years | |
Yan et al. | Design flood estimation with varying record lengths in Norway under stationarity and nonstationarity scenarios | |
Wei et al. | Parametric wave spectrum model for typhoon-generated waves based on field measurements in nearshore strait water | |
CN114897272A (zh) | 污水检查井的液位预测方法、装置、电子设备及存储介质 | |
CN112132308B (zh) | 电网暴雨长期预测关键因子选取方法、装置及预测系统 | |
Ahmad et al. | Modelling of extreme rainfall in Punjab: Pakistan using bayesian and frequentist approach | |
CN116645013A (zh) | 一种城市生态韧性评估预警方法、装置及相关设备 | |
CN116706884A (zh) | 光伏发电量的预测方法、装置、终端及存储介质 | |
CN115271154B (zh) | 一种多项式与偏最小二乘耦合的非线性回归洪水要素预测方法 | |
Petrov et al. | Maximum entropy estimates of extreme significant wave heights from satellite altimeter data | |
Dong et al. | Return value estimation of significant wave heights with maximum entropy distribution | |
CN116522594A (zh) | 基于卷积神经网络的时间自适应暂态稳定预测方法及装置 |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |