CN115545477A - 基于增量插值的输电线路阻塞风险概率评估方法及产品 - Google Patents

Abstract

本申请实施例涉及电力系统领域，公开了一种基于增量插值的输电线路阻塞风险概率评估方法及产品，包括：将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险；采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型；按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。通过使用历史数据训练优化的改良神经网络，并使用增量插值法对分位数下的输出结果进行改进，可以避免分位数交叉的问题，精确的输出线路阻塞的累积分布函数，实现对阻塞严重程度的全面评估。

Description

基于增量插值的输电线路阻塞风险概率评估方法及产品

技术领域

本申请实施例涉及电力系统领域，具体而言，涉及一种基于增量插值的输电线路阻塞风险概率评估方法及产品。

背景技术

市场化环境下，接入电网的各机组发电情况不再由计划决定，而是由机组申报的成本所决定，成本更低的机组有限中标发电。由于输电线路存在容量上限，即使有充裕的低成本机组，仍有可能由于输电线路阻塞造成外部低成本机组无法为目标区域供电，只能启用目标区域内的高成本机组，造成当地用电成本的上升甚至发生限电等。因此，在电网运行时，必须对各输电线路的阻塞风险进行充分的评估，指导电网的调度运行。

然而，当前采用的输电线路阻塞风险评估方法主要根据电网运行模拟进行，此方法只能利用电网运行模拟的数据判断线路阻塞与否，无法评估线路阻塞的严重度，也无法精确给出线路阻塞的累积分布函数。因此，如何全面评估线路阻塞风险，成为当前亟待解决的问题。

发明内容

本申请实施例在于提供一种基于增量插值的输电线路阻塞风险概率评估方法及产品，旨在解决如何全面评估线路阻塞风险的问题。

本申请实施例第一方面提供一种基于增量插值的输电线路阻塞风险概率评估方法，包括：

将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，所述优化的改良神经网络由优化的一般性全连接神经网络和优化的限定层组成；

采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型；

按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。

可选地，将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，包括：

将所述待评估时段的特征输入所述优化的一般全连接神经网络，输出分位数下对应的隐藏变量；

将所述分位数下对应的隐藏变量输入所述优化的限定层，根据所述限定层中分位数下对应的隐藏神经元，对所述分位数下对应的隐藏变量进行处理，得到分位数下对应的待取值阻塞风险。

可选地，采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型，包括：

当α_i<α<α_i+1，i＝1,2,…,m-1时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到非尾部待取值阻塞风险：

当0<α<α₁或1>α>α_m时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到尾部待取值阻塞风险：

其中，α为所述分位数，m为所述分位数的数目，

为所述待取值阻塞风险，x为所述待评估时段的特征，t′为待评估时段，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数；

将所述非尾部待取值阻塞风险和所述尾部待取值阻塞风险组成所述阻塞风险概率评估模型。

可选地，所述优化的限定层，按照如下方式获得：

将一般全连接神经网络输出的分位数下对应的隐藏变量输入限定层的第一隐藏神经元中，输出第一分位数下对应的待取值阻塞风险作为第一输出结果；

将所述第一输出结果输入下一分位数下对应的隐藏神经元中，并将每次得到的输出结果叠加至上一隐藏神经元的输出结果上，依次进行最终得到所述分位数下对应的待取值阻塞风险；

根据所述分位数下对应的待取值阻塞风险计算限定层的损失函数，并根据所述限定层的损失函数优化限定层的可训练参数，得到所述优化的限定层。

可选地，所述指数分布的参数(λ_L,ν_L)和(λ_R,ν_R)的取值按照如下方式进行计算：

根据第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，代入如下方程计算所述指数参数(λ_L,ν_L)：

根据第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，代入如下方程计算所述指数参数(λ_R,ν_R)：

其中，m为所述分位数的数目，

和

为所述第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，

和

为所述第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数。

可选地，将所述第一输出结果输入下一分位数下对应的隐藏神经元中，并将每次得到的输出结果叠加至上一隐藏神经元的输出结果上，按照如下方式进行计算：

q(α_i,x)＝q(α_i-1,x)+ReLU(w_i·h+b_i)；

其中，q(α_i,x)为第i输出结果，i＝2,…,m，m为所述分位数的数目，q(α_i-1,x) 为第i-1输出结果，θ_i＝[w_i,b_i]为第i隐藏神经元的可训练参数，h为所述分位数下对应的隐藏变量，ReLU(x)为激活函数，ReLU(x)＝max{0,x}。

本申请实施例第二方面提供一种基于增量插值的输电线路阻塞风险概率评估装置，包括：

分位数下待取值阻塞风险模块，用于将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，所述优化的改良神经网络由优化的一般性全连接神经网络和优化的限定层组成；

插值模块，用于采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型；

结果获取模块，用于按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。

其中，所述分位数下待取值阻塞风险模块，包括：

隐藏变量输出子模块，用于将所述待评估时段的特征输入所述优化的一般全连接神经网络，输出分位数下对应的隐藏变量；

限定子模块，用于将所述分位数下对应的隐藏变量输入所述优化的限定层，根据所述限定层中分位数下对应的隐藏神经元，对所述分位数下对应的隐藏变量进行处理，得到分位数下对应的待取值阻塞风险。

其中，所述插值模块，包括：

非尾部阻塞风险子模块，用于当α_i<α<α_i+1(i＝1,2,…,m-1)时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到非尾部待取值阻塞风险：

尾部阻塞风险子模块，用于当0<α<α₁或1>α>α_m时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到尾部待取值阻塞风险：

其中，α为所述分位数，m为所述分位数的数目，

为所述待取值阻塞风险，x为所述待评估时段的特征，t′为待评估时段，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数；

组合子模块，用于将所述非尾部待取值阻塞风险和所述尾部待取值阻塞风险组成所述阻塞风险概率评估模型。

其中，所述限定子模块，还包括：

第一输出子单元，用于将一般全连接神经网络输出的分位数下对应的隐藏变量输入限定层的第一隐藏神经元中，输出第一分位数下对应的待取值阻塞风险作为第一输出结果；

叠加输出子单元，用于将所述第一输出结果输入下一分位数下对应的隐藏神经元中，并将每次得到的输出结果叠加至上一隐藏神经元的输出结果上，依次进行最终得到所述分位数下对应的待取值阻塞风险；

优化子单元，用于根据所述分位数下对应的待取值阻塞风险计算限定层的损失函数，并根据所述限定层的损失函数优化限定层的可训练参数，得到所述优化的限定层。

其中，所述尾部阻塞风险子模块，包括：

第一指数参数子单元，用于根据第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，代入如下方程计算所述指数参数(λ_L,ν_L)：

第二指数参数子单元，用于根据第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，代入如下方程计算所述指数参数(λ_R,ν_R)：

其中，m为所述分位数的数目，

和

为所述第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，

和

为所述第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数。

其中，所述叠加输出子单元，还包括：

叠加计算子单元，用于按照如下方式进行计算：

q(α_i,x)＝q(α_i-1,x)+ReLU(w_i·h+b_i)；

其中，q(α_i,x)为第i输出结果，i＝2,…,m，m为所述分位数的数目，q(α_i-1,x) 为第i-1输出结果，θ_i＝[w_i,b_i]为第i隐藏神经元的可训练参数，h为所述分位数下对应的隐藏变量，ReLU(x)为激活函数，ReLU(x)＝max{0,x}。

本申请实施例第三方面提供了一种电子设备，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现第一方面中任一所述的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

本申请实施例第四方面提供了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现第一方面中任一所述的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

本申请实施例第五方面提供了一种计算机程序产品，包括计算机程序/ 指令，该计算机程序/指令被处理器执行时实现第一方面中任一所述的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

有益效果：

本申请实施例提供了一种基于增量插值的输电线路阻塞风险概率评估方法及产品，包括：将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，所述优化的改良神经网络由优化的一般性全连接神经网络和优化的限定层组成；采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型；按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。本申请实施例通过使用历史数据训练优化的改良神经网络，并使用增量插值法对分位数下的输出结果进行改进，可以避免分位数交叉的问题，精确的输出线路阻塞的累积分布函数，实现对阻塞严重程度的全面评估，从而为电网运行生成概率场景，便于指导电网运行和规划工作的开展。

附图说明

为了更清楚地说明本申请实施例的技术方案，下面将对本申请实施例的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申请的一些实施例，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他的附图。

图1是本申请一实施例提出的基于增量插值的输电线路阻塞风险概率评估方法流程图；

图2是本申请一实施例提出的优化的限定层示意图；

图3是本申请一实施例提出的基于增量插值的输电线路阻塞风险概率评估装置示意图；

图4是本申请一实施例提出的电子设备示意图。

具体实施方式

下面将结合本申请实施例中的附图，对本申请实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本申请一部分实施例，而不是全部的实施例。基于本申请中的实施例，本领域普通技术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，都属于本申请保护的范围。

相关技术中，输电线路阻塞风险评估方法主要根据电网运行模拟进行，假定用电侧的需求处于一定范围内，随后生成一定的发用电场景，通过直流最优潮流(DirectCurrent Optimal Power Flow，DCOPF)模型计算输电线路容量约束下各机组的中标情况，并通过电力系统的功率传输转移分布因子 (Power Transfer Distribution Factors，PTDF)矩阵和各节点的功率注入情况计算线路阻塞。此方法常用于在规划等中长期阶段进行阻塞风险评估，对电网实际运行的数据考虑不足，且只能判断线路是否阻塞，而无法实现对阻塞严重程度的判断。

有鉴于此，本申请实施例提出一种基于增量插值的输电线路阻塞风险概率评估方法，图1示出了一种基于增量插值的输电线路阻塞风险概率评估方法流程图，如图1所示，包括如下步骤：

S101、将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险。

将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，所述优化的改良神经网络由优化的一般性全连接神经网络和优化的限定层组成。

S102、采用线性插值的方式，对分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型。

S103、按照预设间隔对所述分位数进行赋值，利用优化的改良神经网络和阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。

具体实施步骤S101之前，首先需要获取用于训练改良神经网络的训练数据，该训练数据为一定历史时段内电网运行的小时级关键边界数据和待评估的目标线路阻塞约束对偶变量最优值历史数据。具体而言，假设电网分为 K个主要运行区域，由符号k＝1,2,…,K表示，以符号t＝1,2,…,T表示历史时段T中的第t个时段。关键边界数据包括各主要运行区域各时段的火电、水电、风电、光伏机组出力情况以及负荷情况，分别由符号

L_k,t表示。目标线路阻塞约束对偶变量最优值由电网历史运行中的安全约束经济调度问题求解而得，具体的计算方法可参见现有技术，此处不再赘述。

经求解得到对于目标线路l阻塞约束对偶变量最优值为

根据线性规划的互补松弛定理可知，

意味着线路没有发生任何阻塞，

意味着线路发生了阻塞，并且

越大，表明线路阻塞越严重，因此可以用目标线路阻塞约束对偶变量最优值

代表线路阻塞的严重程度。

设待评估线路为l，则待评估的目标线路阻塞约束对偶变量最优值历史数据可用符号

表示。

此外，获取待评估时段t′的各主要运行区域的火电、水电、风电、光伏机组出力预测情况以及负荷预测情况，分别用符号

表示。

将获取到的待评估的目标线路阻塞约束对偶变量最优值历史数据

与关键边界数据

组成训练数据，并令

构建训练数据集，其中，一组(x_t,y_t)对应训练数据集中的一个训练样本，x_t为输入值，y_t为目标值。

至此，得到了用于训练的改良神经网络的训练数据集，该训练数据集用于训练该改良神经网络。本申请实施例中的改良神经网络是在一般全连接神经网络模型中，增加了限定层作为最后一层，组合成该改良神经网络。其中，一般全连接神经网络为传统结构的多层全连接层神经网络，本申请对该一般神经网络的本身结构和隐含层不做具体限定。需要说明的是，为了方便描述，本申请实施例对于改良神经网络的训练会将一般全连接神经网络与限定层的训练优化分开说明，但是实际训练时两部分作为整体的改良神经网络是同时进行训练的。

首先将训练数据集中的训练样本的输入值

输入一般全连接神经网络，以符号α₁,α₂,…,α_m-1,α_m代表该组特定分位数(满足0<α₁<α₂<…<α_m-1<α_m<1)。经过该一般全连接神经网络映射后，输出x_t在分位数下对应的隐藏变量h。根据隐藏变量h计算一般全连接神经网络的损失函数，并基于损失函数值，对一般全连接神经网络中的可训练参数进行训练优化，得到优化的一般全连接神经网络。

在得到x_t在分位数下对应的隐藏变量h后，将该隐藏变量h输入限定层。图2示出了优化的限定层示意图，如图2所示，限定层由与该组特定分位数个数m相同数目的隐藏神经元组成。首先将x_t在分位数下对应的隐藏变量h 输入第一隐藏神经元中，第一隐藏神经元使用线性激活函数，设其可训练参数为θ₁＝[w₁,b₁]，输出第一分位数下对应的待取值阻塞风险作为第一输出结果：

q(α₁,x)＝w₁·h+b₁

其中，q(α₁,x)为第一分位数下对应的待取值阻塞风险，h为输入值x在分位数下对应的隐藏变量h，θ₁＝[w₁,b₁]为第一隐藏神经元的可训练参数。

然后，将所述第一输出结果输入下一分位数下对应的隐藏神经元中，并将每次得到的输出结果叠加至上一隐藏神经元的输出结果上，依次进行最终得到所述分位数下对应的待取值阻塞风险，其中第二至第m隐藏神经元使用 ReLU激活函数ReLU(x)＝max{0,x}，按照如下方式进行计算：

q(α_i,x)＝q(α_i-1,x)+ReLU(w_i·h+b_i)；

其中，q(α_i,x)为第i输出结果，i＝2,…,m，m为所述分位数的数目，q(α_i-1,x) 为第i-1输出结果，θ_i＝[w_i,b_i]为第i隐藏神经元的可训练参数，h为所述分位数下对应的隐藏变量，ReLU(x)为激活函数，ReLU(x)＝max{0,x}。

以第二隐藏神经元为例，将上述第一分位数下对应的待取值阻塞风险 q(α₁,x)输入第二隐藏神经元中，其可训练参数为θ₂＝[w₂,b₂]，其经第二隐藏神经元叠加后输出第二分位数下对应的待取值阻塞风险，作为第二输出结果：

q(α₂,x)＝q(α₁,x)+ReLU(w₂·h+b₂)

其中，q(α₂,x)为第二分位数下对应的待取值阻塞风险，q(α₁,x)为第一分位数下对应的待取值阻塞风险，h为输入值x在分位数下对应的隐藏变量h，θ₂＝[w₂,b₂]为第二隐藏神经元的可训练参数。

由于ReLU激活函数的输出为正数或0，因此在每次经过隐藏神经元的叠加后，输出的待取值风险均不小于之前的待取值风险，即可保证最终的 q(α₁,x)≤q(α₂,x)≤…≤q(α_m,x)。通过在一般全连接神经网络后添加限定层对其进行处理，避免了更大分位数反而对应更小的阻塞严重程度的分位数交叉情况，确保q(α₁,x),q(α₂,x),…,q(α_m,x)是单调递增的。将得到的分位数下对应的待取值阻塞风险q(α₁,x),q(α₂,x),…,q(α_m,x)作为限定层对于输入值x对应的输出值。

在获取到该输入值x的输出值对应的输出值q(α₁,x),q(α₂,x),…,q(α_m,x)后，根据分位数下对应的待取值阻塞风险q(α₁,x),q(α₂,x),…,q(α_m,x)，使用一般神经网络训练所采用的随机梯度下降法计算限定层的损失函数，本申请实施例中，定义该限定层损失函数为加总的弹球损失(Pinball loss)函数，单个分位数下的弹球损失定义如下：

其中，loss_i为分位数α_i下的弹球损失，y为训练数据集中输入值x对应的目标值，q(α_i,x)为分位数α_i下对应的待取值阻塞风险。

然后根据所述限定层的弹球损失函数训练优化限定层的可训练参数θ＝[w,b]，得到所述优化的限定层。

所得到的优化的限定层和优化的一般全连接神经网络，组成优化的改良神经网络。至此完成了对于改良神经网络的训练优化，该优化的改良神经网络可以将输入的关键边界数据映射为分位数下对应的待取值阻塞风险，该分位数下对应的待取值阻塞风险可以转化为目标线路阻塞约束对偶变量最优值来评估线路阻塞的严重程度。

在得到优化的改良神经网络后，执行步骤S101。具体实施步骤S101时，首先将所述待评估时段t′的特征

输入所述优化的一般全连接神经网络，经过优化的一般全连接神经网络的映射，输出分位数下对应的隐藏变量h。

随后将所述分位数下对应的隐藏变量h输入所述优化的限定层，根据所述限定层中分位数下对应的隐藏神经元，对所述分位数下对应的隐藏变量h 进行处理，得到分位数下对应的待取值阻塞风险

具体的优化的一般全连接神经网络和优化的限定层对于输入的映射过程与上述神经网络训练过程类似，详见上述神经网络的训练过程，此处不再赘述。

由于上述优化的改良神经网络对于输入值的处理是基于特定分位数α₁,α₂,…,α_m-1,α_m(满足0<α₁<α₂<…<α_m-1<α_m<1)进行的，因此输出的分位数下对应的待取值阻塞风险不能完全覆盖所有分位数范围α∈(0,1)内的情况，因此需要执行步骤S102，使用增量插值法对分位数下对应的待取值阻塞风险

进行改进，实现对任意分位数下的线路阻塞严重程度的全面评估。

具体实施步骤S102时，将分位数下对应的待取值阻塞风险

设为

本申请实施例采取线性插值算法，需要对非尾部待取值阻塞风险和尾部待取值阻塞风险分别进行计算，具体的计算过程如下：

当α_i<α<α_i+1，i＝1,2,…,m-1时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到非尾部待取值阻塞风险：

其中，α为所述分位数，m为所述分位数的数目，

为所述待取值阻塞风险，x为所述待评估时段的特征，t′为待评估时段。

当0<α<α₁或1>α>α_m时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到尾部待取值阻塞风险。首先使用指数分布来推断

由指数分布的性质可知：

对上式进行变换，可以得到尾部待取值阻塞风险：

其中，α为所述分位数，m为所述分位数的数目，

为所述待取值阻塞风险，x为所述待评估时段的特征，t′为待评估时段，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数。

所述指数分布的参数(λ_L,ν_L)和(λ_R,ν_R)的取值按照如下方式进行计算：

根据两组第一尾部分位数与第一尾部分位数对应的待取值阻塞风险

和

代入如下方程中计算所述指数参数(λ_L,ν_L)：

根据两组第二尾部分位数与第二尾部分位数对应的待取值阻塞风险

和

代入如下方程中计算所述指数参数(λ_R,ν_R)：

其中，m为所述分位数的数目，

和

为所述第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，

和

为所述第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数。根据上面两组方程确定(λ_L,ν_L)和(λ_R,ν_R)，以使得式所表征的曲线分别经过

和

至此得到了经过增量插值算法处理的可以覆盖所有分位数范围α∈(0,1) 的非尾部待取值阻塞风险和尾部待取值阻塞风险。将所述非尾部待取值阻塞风险和所述尾部待取值阻塞风险组成所述阻塞风险概率评估模型。

具体执行步骤S103时，按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。例如，在分位数范围α∈(0,1)内，以较小间隔0.001选取一组分位数α，即令α＝0.001,0.002,…,0.999，重复上述步骤S101和S102的流程，输出一组该分位数(α＝0.001,0.002,…,0.999)下对应的一系列

作为阻塞风险概率评估模型，得到在系统边界为x_t′的情况下，目标线路l的阻塞风险概率评估结果。

然后，将

作为横坐标，对应的α作为纵坐标，在直角坐标系中作出每组

对应的点，即为待评估时刻目标线路l阻塞约束对偶变量的最优值

的累计分布函数图。该累计分布函数可以用于评估阻塞的严重程度。

本申请实施例提供了一种基于增量插值的输电线路阻塞风险概率评估方法，包括：将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，所述优化的改良神经网络由优化的一般性全连接神经网络和优化的限定层组成；采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型；按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。本申请实施例通过使用历史数据训练优化的改良神经网络，并使用增量插值法对分位数下的输出结果进行改进，可以避免分位数交叉的问题，精确的输出线路阻塞的累积分布函数，实现对阻塞严重程度的全面评估，从而为电网运行生成概率场景，便于指导电网运行和规划工作的开展。

基于同一发明构思，本申请实施例提供了一种基于增量插值的输电线路阻塞风险概率评估装置，图3示出了基于增量插值的输电线路阻塞风险概率评估装置示意图，如图3所示，包括：

分位数下待取值阻塞风险模块，用于将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，所述优化的改良神经网络由优化的一般性全连接神经网络和优化的限定层组成；

插值模块，用于采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型；

结果获取模块，用于按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。

其中，所述分位数下待取值阻塞风险模块，包括：

隐藏变量输出子模块，用于将所述待评估时段的特征输入所述优化的一般全连接神经网络，输出分位数下对应的隐藏变量；

限定子模块，用于将所述分位数下对应的隐藏变量输入所述优化的限定层，根据所述限定层中分位数下对应的隐藏神经元，对所述分位数下对应的隐藏变量进行处理，得到分位数下对应的待取值阻塞风险。

其中，所述插值模块，包括：

非尾部阻塞风险子模块，用于当α_i<α<α_i+1(i＝1,2,…,m-1)时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到非尾部待取值阻塞风险：

尾部阻塞风险子模块，用于当0<α<α₁或1>α>α_m时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到尾部待取值阻塞风险：

其中，α为所述分位数，m为所述分位数的数目，

为所述待取值阻塞风险，x为所述待评估时段的特征，t′为待评估时段，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数；

组合子模块，用于将所述非尾部待取值阻塞风险和所述尾部待取值阻塞风险组成所述阻塞风险概率评估模型。

其中，所述限定子模块，还包括：

第一输出子单元，用于将一般全连接神经网络输出的分位数下对应的隐藏变量输入限定层的第一隐藏神经元中，输出第一分位数下对应的待取值阻塞风险作为第一输出结果；

叠加输出子单元，用于将所述第一输出结果输入下一分位数下对应的隐藏神经元中，并将每次得到的输出结果叠加至上一隐藏神经元的输出结果上，依次进行最终得到所述分位数下对应的待取值阻塞风险；

优化子单元，用于根据所述分位数下对应的待取值阻塞风险计算限定层的损失函数，并根据所述限定层的损失函数优化限定层的可训练参数，得到所述优化的限定层。

其中，所述尾部阻塞风险子模块，包括：

第一指数参数子单元，用于根据第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，代入如下方程计算所述指数参数(λ_L,ν_L)：

第二指数参数子单元，用于根据第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，代入如下方程计算所述指数参数(λ_R,ν_R)：

其中，m为所述分位数的数目，

和

为所述第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，

和

为所述第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数。

其中，所述叠加输出子单元，还包括：

叠加计算子单元，用于按照如下方式进行计算：

q(α_i,x)＝q(α_i-1,x)+ReLU(w_i·h+b_i)；

其中，q(α_i,x)为第i输出结果，i＝2,…,m，m为所述分位数的数目，q(α_i-1,x) 为第i-1输出结果，θ_i＝[w_i,b_i]为第i隐藏神经元的可训练参数，h为所述分位数下对应的隐藏变量，ReLU(x)为激活函数，ReLU(x)＝max{0,x}。

基于同一发明构思，本申请实施例公开了一种电子设备，图4示出了本申请实施例公开的电子设备示意图，如图4所示，电子设备100包括：存储器110和处理器120，存储器110与处理器120之间通过总线通信连接，存储器110中存储有计算机程序，该计算机程序可在处理器120上运行，以实现本申请实施例公开的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

基于同一发明构思，本申请实施例公开了一种计算机可读存储介质，其上存储有计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请实施例公开的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

基于同一发明构思，本申请还提供了一种计算机程序产品，包括计算机程序/指令，该计算机程序/指令被处理器执行时实现本申请实施例公开的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

本说明书中的各个实施例均采用递进的方式描述，每个实施例重点说明的都是与其他实施例的不同之处，各个实施例之间相同相似的部分互相参见即可。

本发明实施例是参照根据本发明实施例的方法、装置、电子设备和计算机程序产品的流程图和/或方框图来描述的。应理解可由计算机程序指令实现流程图和/或方框图中的每一流程和/或方框、以及流程图和/或方框图中的流程和/或方框的结合。可提供这些计算机程序指令到通用计算机、专用计算机、嵌入式处理机或其他可编程数据处理终端设备的处理器以产生一个机器，使得通过计算机或其他可编程数据处理终端设备的处理器执行的指令产生用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的装置。

这些计算机程序指令也可存储在能引导计算机或其他可编程数据处理终端设备以特定方式工作的计算机可读存储器中，使得存储在该计算机可读存储器中的指令产生包括指令装置的制造品，该指令装置实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能。

这些计算机程序指令也可装载到计算机或其他可编程数据处理终端设备上，使得在计算机或其他可编程终端设备上执行一系列操作步骤以产生计算机实现的处理，从而在计算机或其他可编程终端设备上执行的指令提供用于实现在流程图一个流程或多个流程和/或方框图一个方框或多个方框中指定的功能的步骤。

尽管已描述了本发明实施例的优选实施例，但本领域内的技术人员一旦得知了基本创造性概念，则可对这些实施例做出另外的变更和修改。所以，所附权利要求意欲解释为包括优选实施例以及落入本发明实施例范围的所有变更和修改。

最后，还需要说明的是，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、物品或者终端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、物品或者终端设备所固有的要素。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、物品或者终端设备中还存在另外的相同要素。

以上对本发明所提供的基于增量插值的输电线路阻塞风险概率评估方法及产品，进行了详细介绍，本文中应用了具体个例对本发明的原理及实施方式进行了阐述，以上实施例的说明只是用于帮助理解本发明的方法及其核心思想；同时，对于本领域的一般技术人员，依据本发明的思想，在具体实施方式及应用范围上均会有改变之处，综上所述，本说明书内容不应理解为对本发明的限制。

Claims (10)

1.一种基于增量插值的输电线路阻塞风险概率评估方法，其特征在于，包括：

将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，所述优化的改良神经网络由优化的一般性全连接神经网络和优化的限定层组成；

采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型；

按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。

2.根据权利要求1所述的基于增量插值的输电线路阻塞风险概率评估方法，其特征在于，将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，包括：

将所述待评估时段的特征输入所述优化的一般全连接神经网络，输出分位数下对应的隐藏变量；

将所述分位数下对应的隐藏变量输入所述优化的限定层，根据所述限定层中分位数下对应的隐藏神经元，对所述分位数下对应的隐藏变量进行处理，得到分位数下对应的待取值阻塞风险。

3.根据权利要求1所述的基于增量插值的输电线路阻塞风险概率评估方法，其特征在于，采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型，包括：

当α_i<α<α_i+1，i＝1,2,…,m-1时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到非尾部待取值阻塞风险：

当0<α<α₁或1>α>α_m时，对所述分位数下对应的待取值阻塞风险按照如下算法计算得到尾部待取值阻塞风险：

其中，α为所述分位数，m为所述分位数的数目，

为所述待取值阻塞风险，x为所述待评估时段的特征，t′为待评估时段，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数；

将所述非尾部待取值阻塞风险和所述尾部待取值阻塞风险组成所述阻塞风险概率评估模型。

4.根据权利要求2所述的基于增量插值的输电线路阻塞风险概率评估方法，其特征在于，所述优化的限定层，按照如下方式获得：

将一般全连接神经网络输出的分位数下对应的隐藏变量输入限定层的第一隐藏神经元中，输出第一分位数下对应的待取值阻塞风险作为第一输出结果；

将所述第一输出结果输入下一分位数下对应的隐藏神经元中，并将每次得到的输出结果叠加至上一隐藏神经元的输出结果上，依次进行最终得到所述分位数下对应的待取值阻塞风险；

根据所述分位数下对应的待取值阻塞风险计算限定层的损失函数，并根据所述限定层的损失函数优化限定层的可训练参数，得到所述优化的限定层。

5.根据权利要求3所述的基于增量插值的输电线路阻塞风险概率评估方法，其特征在于，所述指数分布的参数(λ_L,ν_L)和(λ_R,ν_R)的取值按照如下方式进行计算：

根据第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，代入如下方程计算所述指数参数(λ_L,ν_L)：

根据第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，代入如下方程计算所述指数参数(λ_R,ν_R)：

其中，m为所述分位数的数目，

和

为所述第一尾部分位数与第一尾部分位数对应的待取值阻塞风险，

和

为所述第二尾部分位数与第二尾部分位数对应的待取值阻塞风险，(λ_L,ν_L)和(λ_R,ν_R)为指数分布的参数。

6.根据权利要求4所述的基于增量插值的输电线路阻塞风险概率评估方法，其特征在于，将所述第一输出结果输入下一分位数下对应的隐藏神经元中，并将每次得到的输出结果叠加至上一隐藏神经元的输出结果上，按照如下方式进行计算：

q(α_i,x)＝q(α_i-1,x)+ReLU(w_i·h+b_i)；

其中，q(α_i,x)为第i输出结果，i＝2,…,m，m为所述分位数的数目，q(α_i-1,x)为第i-1输出结果，θ_i＝[w_i,b_i]为第i隐藏神经元的可训练参数，h为所述分位数下对应的隐藏变量，ReLU(x)为激活函数，ReLU(x)＝max{0,x}。

7.一种基于增量插值的输电线路阻塞风险概率评估装置，其特征在于，包括：

分位数下待取值阻塞风险模块，用于将待评估时段的特征输入优化的改良神经网络中，得到分位数下对应的待取值阻塞风险，所述优化的改良神经网络由优化的一般性全连接神经网络和优化的限定层组成；

插值模块，用于采用线性插值的方式，对所述分位数下对应的待取值阻塞风险基于预设算法进行处理，得到阻塞风险概率评估模型；

结果获取模块，用于按照预设间隔对所述分位数进行赋值，利用所述优化的改良神经网络和所述阻塞风险概率评估模型，获取目标线路的阻塞风险概率评估结果。

8.一种电子设备，其特征在于，包括存储器、处理器及存储在存储器上的计算机程序，所述处理器执行所述计算机程序以实现权利要求1-6中任一所述的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

9.一种计算机可读存储介质，其上存储有计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6中任一所述的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

10.一种计算机程序产品，包括计算机程序/指令，其特征在于，该计算机程序/指令被处理器执行时实现权利要求1-6中任一所述的基于增量插值的输电线路阻塞风险概率评估方法中的步骤。

Images