CN115081680A - 一种基于异质特征融合的停电风险预测方法 - Google Patents
一种基于异质特征融合的停电风险预测方法 Download PDFInfo
- Publication number
- CN115081680A CN115081680A CN202210560987.7A CN202210560987A CN115081680A CN 115081680 A CN115081680 A CN 115081680A CN 202210560987 A CN202210560987 A CN 202210560987A CN 115081680 A CN115081680 A CN 115081680A
- Authority
- CN
- China
- Prior art keywords
- power failure
- result
- failure risk
- method based
- risk prediction
- 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.)
- Granted
Links
Images
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
- G06N3/08—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
- G06Q10/0635—Risk analysis of enterprise or organisation activities
-
- 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
- Engineering & Computer Science (AREA)
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- Tourism & Hospitality (AREA)
- Operations Research (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Biomedical Technology (AREA)
- Biophysics (AREA)
- Computational Linguistics (AREA)
- Data Mining & Analysis (AREA)
- Evolutionary Computation (AREA)
- General Health & Medical Sciences (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Educational Administration (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于异质特征融合的停电风险预测方法,包含以下步骤:S1:从预测时刻前的历史停电数据中生成停电风险的趋势特征,从该趋势特征的高阶表示中提取近期趋势对预测时刻停电风险的影响,并输出结果一;S2:对环境特征张量进行降维计算,将降维计算结果进行空间权重的分配与结果一相加,随后经过激活函数后,得到最终风险预测结果;本发明的技术方案能够使预测模型学习得到更全面的各类异质特征综合影响与停电风险之间的交互关系,加强了停电风险建模的全面性,提高其预测精确度。
Description
技术领域
本发明涉及一种停电风险预测模型,具体涉及一种基于异质特征融合的停电风险预测方法。
背景技术
停电风险预测模型(Outage Prediction Model,OPM)旨在预测部署区域内产生停电事故的风险。良好的预测模型可以精确预测、识别出具有较高停电风险的区域,方便工作人员针对性地实施升级改造或运维检修策略,对于节省人力、经济成本的同时提升电网运行的稳定性和可靠性具有十分重要的意义。随着数据挖掘技术与机器学习方法的发展,基于环境(如天气条件等)数据驱动的机器学习方法在停电预测任务中得到了广泛的应用,并取得了一定的效果。然而,在大部分时间内,气候变化较为平缓,天气条件并不显著。这就导致仅基于环境条件的停电风险预测模型虽然在极端环境下表现良好,但在长期预测任务上却不理想。因此如何利用多类特征对风险进行更丰富的建模,称为了亟需研究的问题。
发明内容
针对现有技术中存在的问题,本发明提出了一种新的解决方案。
一种基于异质特征融合的停电风险预测方法,包含以下步骤:
S1:从预测时刻前的历史停电数据中生成停电风险的趋势特征,从该趋势特征的高阶表示中提取近期趋势对预测时刻停电风险的影响,并输出结果一;
S2:对环境特征张量进行降维计算,将降维计算结果进行空间权重的分配与结果一相加,随后经过激活函数后,得到最终风险预测结果。
所述步骤S1中所述生成趋势特征为:从预测时刻前的历史停电数据中提取T个时间单位形成序列RT,作为近期停电风险的趋势特征;所述步骤S1中从高阶表示中提取采用多层循环卷积神经网络。
所述RT的计算公式为:
上式中,符号i、f、o、C、h分别表示多层循环卷积的输入信息、遗忘信息、输出信息、状态信息与将要传递的隐藏信息;W、b则表示信息间的网络中训练的卷积权重与偏置项,下标t表示序列的时间步;随着循环过程中的计算,最终将循环卷积输出的最后一个隐藏信息h 作为本层的输出结果一OC。
所述步骤S2中,所述最终的风险预测结果的计算公式为:
OE=Conv1×1(Convn(E))
上式中,E表示环境特征张量,Convn表示多层卷积计算,Conv1×1表示降维使用的1*1 卷积,Wm表示可参数可训练矩阵的权重,表示风险的最终预测结果,sigmoid为激活函数, OE为降维计算结果,OF为相加后的结果。
还包括步骤S3:利用交叉熵函数计算当前训练批的损失值,并利用神经网络的反向传播机制,更新步骤S1、S2各个参数。
所述损失值的计算公式为:
本发明的有益效果:
本发明提出了一种基于异质特征融合的停电风险预测方法,本发明所提出的方法,除了考虑了传统停电风险预测模型中参考的环境特征(天气、地理等特征),还通过循环卷积网络与参数训练矩阵将停电风险的趋势和环境特征这两种异质特征进行了融合。通过这种方式,能够使预测模型学习得到更全面的各类异质特征综合影响与停电风险之间的交互关系。提出采用循环卷积方式对停电风险的趋势进行建模输出高阶特征,以及采用卷积与参数训练矩阵将环境特征进行最终结果的融合,加强了停电风险建模的全面性,提高其预测精确度。在我国杭州、保定两个城市2018年五月至2021年三月的停电事故数据集上的实验表明,本发明在停电风险预测任务上取得了较好的性能。
附图说明
为了更清楚地说明本发明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,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的前提下,还可以根据这些附图获得其他的附图。
图1是基于异质特征融合的停电风险预测方法的模型示意图;
图2是循环卷积层的结构示意图;
图3是模型在杭州市区域停电风险数据集上的实验结果;
图4是模型在杭州市区域停电风险数据集上的实验结果;
具体实施方式
下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地描述,显然,所描述的实施例仅仅是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有付出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
本发明公开的基于异质特征融合的停电风险预测方法,将异质数据根据其特点构建成可作为模型输入的特征,然后使用与之相适配的神经网络进行融合,以更全面地对停电风险进行建模。所谓数据的特点,是指其数据结构不同,如环境数据为矩阵式的规则分布,而趋势中则含有时间信息,呈序列式结构。
本发明提出的异质数据融合方式通过阶段式的架构实现端到端训练。以停电风险趋势为起始的每个阶段对不同结构的特征实现融合,自底向上传递该阶段所提取到的高阶特征表示,最终降维进行预测结果的输出。整体模型如图1所示,之后将按步骤进行说明。
步骤1.停电风险趋势循环卷积层。
首先,从预测时刻前的历史停电数据中提取T个时间单位形成序列RT,作为近期停电风险的趋势特征。之后,该层中设置的多层循环卷积神经网络将从该特征的高阶表示中提取近期趋势对预测时刻停电风险的影响。其中循环卷积层的结构如图2所示,其对RT的计算公式可以形式化为:
上式中,符号i、f、o、C、h分别表示循环卷积单元的输入信息、遗忘信息、输出信息、状态信息与将要传递的隐藏信息。W、b则表示信息间的网络中训练的卷积权重与偏置项,下标t表示序列的时间步,代表Hamada乘积。随着循环过程中的计算,最终将循环卷积输出的最后一个隐藏信息h作为本层的输出OC,提交给模型的下一层,即步骤2。
步骤2.环境特征融合层。
本层中利用所设计的融合模块,使模型动态地调整环境特征对停电风险分布影响的权重。首先,对于环境特征张量E,首先以多层卷积的方式对其进行空间特征抽取,并将其结果以 1*1卷积的方式进行降维。之后,以一个参数可训练的矩阵进行权重的调整与相加,经过激活函数后得到最终的风险预测结果。该过程可以形式化为:
OE=Conv1×1(Convn(E))
最后,在该步骤计算损失值,并后向传播更新模型中所有可训练参数的权重。模型的损失值L计算如下:
并利用神经网络的反向传播机制,更新步骤1、2各层中的参数,其中,神经网络的反向传播机制将自动更新模型中的参数。
通过上述步骤后,即可实现对所提出基于异质特征融合的停电风险预测模型的构建与训练。
为了验证模型的有效性,在我国两个城市的停电记录数据集上进行了实验。此外,还进一步分析了模型在对不同类型特征融合时对停电风险预测的能力。
图3展示了在中国杭州市2018年5月至2021年3月数据集上模型的整体性能。整体上,本发明的模型在两个指标上均取得了最佳结果。相比于只依赖单一趋势特征的模型ConvLSTM,本模型的CE值指标提升了1.4%,MSE值则提升了0.8%,总体平均性能提升15.7%。
图4展示了在中国保定市2018年5月至2020年6月数据集上模型的整体性能。本发明的模型在两个指标上取得了最优结果。相比于只依赖单一趋势特征的模型ConvLSTM,本模型的CE值提升了1.3%,MSE值则提升了0.4%。总体平均性能提升19.8%。
总而言之,本模型在预测停电风险的整体性能上取得了较好的效果。实验验证了对异质特征进行融合后的性能提升,进而验证了模型的有效性。
以上所述仅为本发明的较佳实施例而已,并不用以限制本发明,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 (6)
1.一种基于异质特征融合的停电风险预测方法,其特征在于,包含以下步骤:
S1:从预测时刻前的历史停电数据中生成停电风险的趋势特征,从该趋势特征的高阶表示中提取近期趋势对预测时刻停电风险的影响,并输出结果一;
S2:对环境特征张量进行降维计算,将降维计算结果进行空间权重的分配与结果一相加,随后经过激活函数后,得到最终风险预测结果。
2.根据权利要求1所述的基于异质特征融合的停电风险预测方法,其特征在于,所述步骤S1中所述生成趋势特征为:从预测时刻前的历史停电数据中提取T个时间单位形成序列RT,作为近期停电风险的趋势特征;所述步骤S1中从高阶表示中提取采用多层循环卷积神经网络。
5.根据权利要求1所述的基于异质特征融合的停电风险预测方法,其特征在于,还包括步骤S3:利用交叉熵函数计算当前训练批的损失值,并利用神经网络的反向传播机制,更新步骤S1、S2各个参数。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560987.7A CN115081680B (zh) | 2022-05-23 | 2022-05-23 | 一种基于异质特征融合的停电风险预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202210560987.7A CN115081680B (zh) | 2022-05-23 | 2022-05-23 | 一种基于异质特征融合的停电风险预测方法 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN115081680A true CN115081680A (zh) | 2022-09-20 |
CN115081680B CN115081680B (zh) | 2023-06-20 |
Family
ID=83249774
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202210560987.7A Active CN115081680B (zh) | 2022-05-23 | 2022-05-23 | 一种基于异质特征融合的停电风险预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN115081680B (zh) |
Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN113095648A (zh) * | 2021-04-01 | 2021-07-09 | 南京邮电大学 | 基于数据驱动的配电网故障停电风险指标评估方法及系统 |
CN113128740A (zh) * | 2019-12-31 | 2021-07-16 | 国网山东省电力公司威海供电公司 | 一种基于恶劣天气的停电损害预测方法 |
CN114006826A (zh) * | 2022-01-04 | 2022-02-01 | 南京信息工程大学 | 一种融合流量特征的网络流量预测方法 |
-
2022
- 2022-05-23 CN CN202210560987.7A patent/CN115081680B/zh active Active
Patent Citations (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2021109318A1 (zh) * | 2019-12-03 | 2021-06-10 | 东南大学 | 一种城市路网短期交通运行状态估计与预测方法 |
CN113128740A (zh) * | 2019-12-31 | 2021-07-16 | 国网山东省电力公司威海供电公司 | 一种基于恶劣天气的停电损害预测方法 |
CN113095648A (zh) * | 2021-04-01 | 2021-07-09 | 南京邮电大学 | 基于数据驱动的配电网故障停电风险指标评估方法及系统 |
CN114006826A (zh) * | 2022-01-04 | 2022-02-01 | 南京信息工程大学 | 一种融合流量特征的网络流量预测方法 |
Non-Patent Citations (3)
Title |
---|
侯慧: "基于高效数据降维的配电网风灾停电用户数量预测模型", 电力系统自动化 * |
徐晓春 等: "基于多源信息融合的配电网停电风险预警方法研究", 机械与电子 * |
李小玉 等: "基于天气因素的配电网故障停电风险预测研究", 河北电力技术 * |
Also Published As
Publication number | Publication date |
---|---|
CN115081680B (zh) | 2023-06-20 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
Şahin et al. | Forecasting the cumulative number of confirmed cases of COVID-19 in Italy, UK and USA using fractional nonlinear grey Bernoulli model | |
CN111160008B (zh) | 一种实体关系联合抽取方法及系统 | |
CN111127246A (zh) | 一种输电线路工程造价的智能预测方法 | |
Yao et al. | Short-term load forecasting method based on feature preference strategy and LightGBM-XGboost | |
Zhang et al. | Module partition of complex mechanical products based on weighted complex networks | |
CN113609965B (zh) | 文字识别模型的训练方法及装置、存储介质、电子设备 | |
CN111860989B (zh) | 一种基于蚁群算法优化的lstm神经网络短时交通流量预测方法 | |
Wu et al. | Reliability apportionment approach for spacecraft solar array using fuzzy reasoning Petri net and fuzzy comprehensive evaluation | |
CN113868432A (zh) | 一种用于钢铁制造企业的知识图谱自动构建方法和系统 | |
CN110648055A (zh) | 基于卷积神经网络的电力事故事件与诱因关系构建方法 | |
CN105912773A (zh) | 一种新的基于数据挖掘技术的智能冲压工艺设计方法 | |
CN114091361B (zh) | 基于气象事件的transformer模型构建方法 | |
Abbasimehr et al. | A novel XGBoost-based featurization approach to forecast renewable energy consumption with deep learning models | |
Rodríguez-Gracia et al. | Review of artificial intelligence techniques in green/smart buildings | |
CN116757369B (zh) | 一种基于注意力机制的碳排放分析方法及系统 | |
KR102315668B1 (ko) | 클라우드 기반의 머신러닝 플랫폼과 사전정의 모델을 활용한 엔지니어링 데이터 관리 및 분석 장치 | |
CN115081680A (zh) | 一种基于异质特征融合的停电风险预测方法 | |
CN113449072A (zh) | 基于深度学习的挖掘机故障知识图谱的构建方法 | |
CN117472511A (zh) | 容器资源监控方法、装置、计算机设备和存储介质 | |
Luo et al. | A dynamic Gaussian process surrogate model-assisted particle swarm optimisation algorithm for expensive structural optimisation problems | |
CN115629576A (zh) | 非侵入式柔性负荷聚合特性辨识与优化方法、装置及设备 | |
Shang et al. | Long-, medium-, and short-term nested optimized-scheduling model for cascade hydropower plants: development and practical application | |
CN113792828A (zh) | 基于深度学习的电网负荷预测方法、系统、设备及介质 | |
Zhou et al. | A novel trustworthiness measurement model based on weight and user feedback | |
Qu et al. | A physics-informed and attention-based graph learning approach for regional electric vehicle charging demand prediction |
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 |