CN112036680A - 一种基于深度神经网络的电网灾情应急演练管理*** - Google Patents

一种基于深度神经网络的电网灾情应急演练管理*** Download PDF

Info

Publication number
CN112036680A
CN112036680A CN202010653936.XA CN202010653936A CN112036680A CN 112036680 A CN112036680 A CN 112036680A CN 202010653936 A CN202010653936 A CN 202010653936A CN 112036680 A CN112036680 A CN 112036680A
Authority
CN
China
Prior art keywords
disaster
module
scene
power grid
neural network
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
Application number
CN202010653936.XA
Other languages
English (en)
Inventor
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
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
Guizhou Power Grid Co Ltd
Original Assignee
Guizhou Power Grid Co Ltd
Priority date (The priority date 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 date listed.)
Filing date
Publication date
Application filed by Guizhou Power Grid Co Ltd filed Critical Guizhou Power Grid Co Ltd
Priority to CN202010653936.XA priority Critical patent/CN112036680A/zh
Publication of CN112036680A publication Critical patent/CN112036680A/zh
Priority to CN202110767767.7A priority patent/CN113379326B/zh
Pending legal-status Critical Current

Links

Images

Classifications

    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q10/00Administration; Management
    • G06Q10/06Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/04Architecture, e.g. interconnection topology
    • G06N3/045Combinations of networks
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06NCOMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00Computing arrangements based on biological models
    • G06N3/02Neural networks
    • G06N3/08Learning methods
    • GPHYSICS
    • G06COMPUTING; CALCULATING OR COUNTING
    • G06QINFORMATION 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
    • G06Q50/00Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06Energy or water supply
    • YGENERAL 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
    • Y04INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
    • Y04SSYSTEMS 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
    • Y04S10/00Systems supporting electrical power generation, transmission or distribution
    • Y04S10/50Systems 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)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Health & Medical Sciences (AREA)
  • Economics (AREA)
  • General Physics & Mathematics (AREA)
  • General Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Data Mining & Analysis (AREA)
  • Tourism & Hospitality (AREA)
  • Computing Systems (AREA)
  • General Engineering & Computer Science (AREA)
  • Evolutionary Computation (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Computational Linguistics (AREA)
  • Biophysics (AREA)
  • General Business, Economics & Management (AREA)
  • Biomedical Technology (AREA)
  • Molecular Biology (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Marketing (AREA)
  • Artificial Intelligence (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Game Theory and Decision Science (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)
  • Educational Administration (AREA)
  • Development Economics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Primary Health Care (AREA)
  • Management, Administration, Business Operations System, And Electronic Commerce (AREA)

Abstract

本发明公开了一种基于深度神经网络的电网灾情应急演练管理***,包括灾情变量抓取模块,用于通过灾情断面的历史经验抓取灾情发生时的电气量变化特征;场景筛选分析模块,与灾情变量抓取模块连接,通过分析电气量变化特征获取规律,并运用规律从众多场景中抓取相应的灾害场景;灾情自学习模块,与场景筛选分析模块连接,采用深度神经网络算法进行灾害场景的筛选;评估分析模块,与灾情自学习模块连接,利用筛选后的灾害场景对电网灾情的严重性进行量化评估;应急管理模块,与评估分析模块连接,根据量化评估的结果进行电网灾情应急演练管理,解决了现有电网灾情应急演练管理***在面对众多灾情场景数量的具体优化计算时存在求解困难的问题。

Description

一种基于深度神经网络的电网灾情应急演练管理***
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应急演练管理***。
背景技术
随着我国电力工业进入大电网、大机组、高电压、高自动化的阶段,电力***管理复杂性加大,电力安全管理工作的难度也在加大,作为整体运行风险的控制部门,安监部在管理全网安全生产应急管理工作面临着诸多难题,体现在其配置的现有电网灾情应急演练管理***在面对众多灾情场景数量的具体优化计算时存在求解困难的问题,无法对电网灾情应急演练的管理作出及时有效的判断,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。
鉴于上述现有电网灾情应急演练管理***存在的问题,提出了本发明。
因此,本发明解决的技术问题是:解决现有电网灾情应急演练管理***在面对众多灾情场景数量的具体优化计算时存在求解困难的问题。
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应急演练管理***,包括灾情变量抓取模块,用于通过灾情断面的历史经验抓取灾情发生时的电气量变化特征;场景筛选分析模块,与所述灾情变量抓取模块连接,通过分析所述电气量变化特征获取规律,并运用所述规律从众多场景中抓取相应的灾害场景;灾情自学习模块,与所述场景筛选分析模块连接,采用深度神经网络算法进行所述灾害场景的筛选;评估分析模块,与所述灾情自学习模块连接,利用筛选后的所述灾害场景对电网灾情的严重性进行量化评估;应急管理模块,与所述评估分析模块连接,根据量化评估的结果进行电网灾情应急演练管理。
作为本发明所述的基于深度神经网络的电网灾情应急演练管理***的一种优选方案,其中:所述灾情变量抓取模块抓取的所述电气量变化特征包括电流、电压和频率。
作为本发明所述的基于深度神经网络的电网灾情应急演练管理***的一种优选方案,其中:所述灾情自学习模块包括预处理模块,用于对灾情断面的历史数据进行预处理,并利用灾情评估指标建立评级体系;构建模块,用于构建神经网络模型,并将灾情按其严重程度进行分类作为模型输出;训练模块,用于将经所述预处理模块处理的所述灾情断面的历史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;输出模块,用于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应急演练管理***的一种优选方案,其中:所述预处理模块对灾情断面的历史数据进行预处理,并利用灾情评估指标建立评级体系包括通过获取单元对灾情资料、暴雨资料、故障资料和电网分布数据进行收集;通过处理单元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应急演练管理***的一种优选方案,其中:所述训练模块将经所述预处理模块处理的所述灾情断面的历史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的方法包括以下步骤,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应急演练管理***的一种优选方案,其中:所述训练模块进行训练和学习还包括利用场景缩减方法,具体为,定义n维随机数据过程
Figure RE-GDA0002748719740000021
的概率分布P通过有限多的场景
Figure RE-GDA0002748719740000022
以及其概率pi
Figure RE-GDA0002748719740000023
来近似;以Q定义由场景集
Figure RE-GDA0002748719740000024
及相应的概率值qj,j=1,……,
Figure RE-GDA0002748719740000025
表示的另一个n维随机变量过程
Figure RE-GDA0002748719740000026
的概率测度;以Q定义由场景集
Figure RE-GDA0002748719740000027
及相应的概率值qj,j=1,……,
Figure RE-GDA0002748719740000028
表示的另一个所述n维随机变量过程
Figure RE-GDA0002748719740000029
的概率测度具体为,
Figure RE-GDA00027487197400000210
Figure RE-GDA00027487197400000211
其中,
Figure RE-GDA0002748719740000031
t=1,……T,cT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应急演练管理***的一种优选方案,其中:所述灾情自学习模块采用深度神经网络算法进行所述灾害场景的筛选还包括,
以Q表示ξ缩减后的概率测度,即由场景集ξjforj∈{1,……,S}\J,J代表被删除的场景集合;
对于固定的
Figure RE-GDA0002748719740000032
基于场景集合
Figure RE-GDA0002748719740000033
表示的Q对于原概率分布P 具有最小的Dk-distance,表示为:
Dk(P,Q)=∑pimincTij)
缩减后保留的场景ξj
Figure RE-GDA0002748719740000034
的概率qj表示为:
qj:=pj+∑pi
其中J(j):={i∈I:j=j(i)},
Figure RE-GDA0002748719740000035
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应急演练管理***的一种优选方案,其中:所述评估分析模块(400)对电网灾情的严重性进行量化评估采用的方法流程包括,
计算场景对之间的距离
Figure RE-GDA0002748719740000036
计算
Figure RE-GDA0002748719740000037
选择
Figure RE-GDA0002748719740000038
设置J[1]:={1,...,S}\{u1};
计算:
Figure RE-GDA0002748719740000039
Figure RE-GDA00027487197400000310
选择
Figure RE-GDA00027487197400000311
设置J[i]:=J[i-1]\{ui}J:=J[S-s]
其中,cTku)表示场景
Figure RE-GDA00027487197400000312
之间的距离。
作为本发明所述的基于深度神经网络的电网灾情应急演练管理***的一种优选方案,其中:所述构建模块构建的所述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应急演练管理***的一种优选方案,其中:所述应急管理模块包括应急预案纠正改进模块、演练方案和培训纠正改进模块和评估指标和权重纠正改进模块;所述应急预案纠正改进模块针对需要改善指标项所对应的应急处置目标进行跟踪,确定导致问题的根本原因、纠正方法措施及完成时间,对演习中发现的不足项和整改项的纠正措施的实施情况追踪,以实现闭环管理;所述演练方案和培训纠正改进模块利用应急处置分析记录数据和演练纠正措施,对演练方案和演前培训进行优化改进;所述评估指标和权重纠正改进模块利用应急处置分析记录数据和指标纠正措施,对评估指标体系及权重设定进行优化改进。
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应急演练管理***通过灾情断面的历史经验,抓住灾情发生时电气量变化特征,从众多场景中抓取相应的灾害场景,而后通过其内配置的基于深度神经网络的电网灾情评估自学习模块采用深度神经网络算法进行场景筛选,进而对电网灾情的严重性进行量化评估,解决了现有电网灾情应急演练管理***在面对众多灾情场景数量的具体优化计算时存在求解困难的问题。
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应急演练管理***的***模块图;
图2为10个月内的地区灾情详况示意图;
图3为本发明涉及的应急演练管理体系流程示意图;
图4为本发明***应用的实际拓扑图;
图5为本发明***中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。
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
现有电网灾情应急演练管理***在面对众多灾情场景数量的具体优化计算时存在求解困难的问题,无法对电网灾情应急演练的管理作出及时有效的判断,成为本领域亟待解决的问题之一。
故此,请参阅图1~5,本发明提供一种基于深度神经网络的电网灾情应急演练管理***,包括:
灾情变量抓取模块100,用于通过灾情断面的历史经验抓取灾情发生时的电气量变化特征;
场景筛选分析模块200,与灾情变量抓取模块100连接,通过分析电气量变化特征获取规律,并运用规律从众多场景中抓取相应的灾害场景;
灾情自学习模块300,与场景筛选分析模块200连接,采用深度神经网络算法进行灾害场景的筛选;
评估分析模块400,与灾情自学习模块300连接,利用筛选后的灾害场景对电网灾情的严重性进行量化评估;
应急管理模块500,与评估分析模块400连接,根据量化评估的结果进行电网灾情应急演练管理。
具体的,灾情变量抓取模块100抓取的电气量变化特征包括电流、电压和频率。
进一步的,灾情自学习模块300包括:
预处理模块301,用于对灾情断面的历史数据进行预处理,并利用灾情评估指标建立评级体系;
构建模块302,用于构建神经网络模型,并将灾情按其严重程度进行分类作为模型输出;
训练模块303,用于将经预处理模块301处理的灾情断面的历史数据加载到神经网络模型后,选取训练参数对其进行训练和学习;
输出模块304,用于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,预处理模块301对灾情断面的历史数据进行预处理,并利用灾情评估指标建立评级体系包括:
通过获取单元对灾情资料、暴雨资料、故障资料和电网分布数据进行收集;
通过处理单元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,
Figure RE-GDA0002748719740000071
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
Figure RE-GDA0002748719740000072
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
Figure RE-GDA0002748719740000073
(2)经济损失(元)的转化函数
Figure RE-GDA0002748719740000074
更进一步的,训练模块303将经预处理模块301处理的灾情断面的历史数据加载到神经网络模型后,选取训练参数对其进行训练和学习的方法包括以下步骤:
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。
优选的,训练模块303进行训练和学习还包括利用场景缩减方法,具体为:
定义n维随机数据过程
Figure RE-GDA0002748719740000081
的概率分布P通过有限多的场景
Figure RE-GDA0002748719740000082
以及其概率pi
Figure RE-GDA0002748719740000083
来近似;
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Dk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
Figure RE-GDA0002748719740000084
及相应的概率值qj,j=1,……,
Figure RE-GDA0002748719740000085
表示的另一个n维随机变量过程
Figure RE-GDA0002748719740000086
的概率测度,则此概率距离的定义为:
Figure RE-GDA0002748719740000087
Figure RE-GDA0002748719740000088
其中,
Figure RE-GDA0002748719740000089
t=1,……T,cT为场景在整个时段{1,……,T} 中的概率距离。
以Q定义由场景集ξj及相应的概率值qj,j=1,……,
Figure RE-GDA00027487197400000810
表示的另一个所述 n维随机变量过程
Figure RE-GDA00027487197400000811
的概率测度具体为,
Figure RE-GDA00027487197400000812
Figure RE-GDA00027487197400000813
其中,
Figure RE-GDA00027487197400000814
t=1,……T,cT为场景在整个时段{1,……,T}中的概率距离。
进一步的,灾情自学习模块300采用深度神经网络算法进行灾害场景的筛选还包括:
以Q表示ξ缩减后的概率测度,即由场景集ξjforj∈{1,……,S}\J,J代表被删除的场景集合;
对于固定的
Figure RE-GDA00027487197400000815
基于场景集合
Figure RE-GDA00027487197400000816
表示的Q对于原概率分布P 具有最小的Dk-distance,表示为:
Dk(P,Q)=∑pimincTij)
缩减后保留的场景ξj
Figure RE-GDA0002748719740000091
的概率qj表示为:
qj:=pj+∑pi
其中J(j):={i∈I:j=j(i)},
Figure RE-GDA0002748719740000092
其表示了最优的概率重新分配原则,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。
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:
Figure RE-GDA0002748719740000093
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:
Figure RE-GDA0002748719740000094
如果在l∈{1,......,S}达到最小值,即删除的场景为ξl,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
Figure RE-GDA0002748719740000095
其相应的场景概率为 qj=qj+pl,而对于所有的
Figure RE-GDA0002748719740000096
ql=pl;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。
更进一步的,评估分析模块400对电网灾情的严重性进行量化评估采用的方法流程包括:
计算场景对之间的距离
Figure RE-GDA0002748719740000097
计算
Figure RE-GDA0002748719740000098
选择
Figure RE-GDA0002748719740000099
设置J[1]:={1,...,S}\{u1};
计算:
Figure RE-GDA0002748719740000101
Figure RE-GDA0002748719740000102
选择
Figure RE-GDA0002748719740000103
设置J[i]:=J[i-1]\{ui}J:=J[S-s]
其中,cTku)表示场景
Figure RE-GDA0002748719740000104
之间的距离。
其中,构建模块302构建的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。
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***行为特征的参考数列和影响***行为的比较数列。反映***行为特征的数据序列,称为参考数列。影响***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***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:
Figure RE-GDA0002748719740000105
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:
Figure RE-GDA0002748719740000106
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。
额外的,应急管理模块500包括应急预案纠正改进模块501、演练方案和培训纠正改进模块502和评估指标和权重纠正改进模块503;
应急预案纠正改进模块501针对需要改善指标项所对应的应急处置目标进行跟踪,确定导致问题的根本原因、纠正方法措施及完成时间,对演习中发现的不足项和整改项的纠正措施的实施情况追踪,以实现闭环管理;
演练方案和培训纠正改进模块502利用应急处置分析记录数据和演练纠正措施,对演练方案和演前培训进行优化改进;
评估指标和权重纠正改进模块503利用应急处置分析记录数据和指标纠正措施,对评估指标体系及权重设定进行优化改进。
选用一家电网公司(贵州电网遵义局),同时采用现有应急***及本发明进行为期10月的灾情应急效果评估,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:灾情应急效果对比表
应急时间(min) 应急准确度(100%) 出现无法应急的次数(次)
现有技术 6.001 79.44 4
本发明 6.71 92.18 0
具体的,在采用本发明模型进行灾情应急时,利用本发明***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***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***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”、“***”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***、分布式***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***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。

Claims (10)

1.一种基于深度神经网络的电网灾情应急演练管理***,其特征在于:包括,
灾情变量抓取模块(100),用于通过灾情断面的历史经验抓取灾情发生时的电气量变化特征;
场景筛选分析模块(200),与所述灾情变量抓取模块(100)连接,通过分析所述电气量变化特征获取规律,并运用所述规律从众多场景中抓取相应的灾害场景;
灾情自学习模块(300),与所述场景筛选分析模块(200)连接,采用深度神经网络算法进行所述灾害场景的筛选;
评估分析模块(400),与所述灾情自学习模块(300)连接,利用筛选后的所述灾害场景对电网灾情的严重性进行量化评估;
应急管理模块(500),与所述评估分析模块(400)连接,根据量化评估的结果进行电网灾情应急演练管理。
2.根据权利要求1所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述灾情变量抓取模块(100)抓取的所述电气量变化特征包括电流、电压和频率。
3.根据权利要求2所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述灾情自学习模块(300)包括,
预处理模块(301),用于对灾情断面的历史数据进行预处理,并利用灾情评估指标建立评级体系;
构建模块(302),用于构建神经网络模型,并将灾情按其严重程度进行分类作为模型输出;
训练模块(303),用于将经所述预处理模块(301)处理的所述灾情断面的历史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;
输出模块(304),用于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。
4.根据权利要求3所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述预处理模块(301)对所述灾情断面的历史数据进行预处理,并利用所述灾情评估指标建立所述评级体系包括,
通过获取单元对灾情资料、暴雨资料、故障资料和电网分布数据进行收集;
通过处理单元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。
5.根据权利要求3或4所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述训练模块(303)将经所述预处理模块(301)处理的所述灾情断面的历史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的方法包括以下步骤,
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。
6.根据权利要求5所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述训练模块(303)进行训练和学习还包括利用场景缩减方法,具体为,
定义n维随机数据过程
Figure FDA0002576017210000021
的概率分布P通过有限多的场景
Figure FDA0002576017210000022
以及其概率pi
Figure FDA0002576017210000023
来近似;
以Q定义由场景集
Figure FDA0002576017210000024
及相应的概率值qj,j=1,……,
Figure FDA0002576017210000025
表示的另一个n维随机变量过程
Figure FDA0002576017210000026
的概率测度;
以Q定义由场景集
Figure FDA0002576017210000027
及相应的概率值qj,j=1,……,
Figure FDA0002576017210000028
表示的另一个所述n维随机变量过程
Figure FDA0002576017210000029
的概率测度具体为,
Figure FDA00025760172100000210
其中,
Figure FDA00025760172100000211
cT为场景在整个时段{1,……,T}中的概率距离。
7.根据权利要求6所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述灾情自学习模块(300)采用深度神经网络算法进行所述灾害场景的筛选还包括,
以Q表示ξ缩减后的概率测度,即由场景集ξjforj∈{1,……,S}\J,J代表被删除的场景集合;
对于固定的
Figure FDA0002576017210000031
基于场景集合
Figure FDA0002576017210000032
表示的Q对于原概率分布P具有最小的Dk-distance,表示为:
Dk(P,Q)=∑pimincT(ξij)
缩减后保留的场景ξj
Figure FDA0002576017210000033
的概率qj表示为:
qj:=pj+∑pi
其中J(j):={i∈I:j=j(i)},
Figure FDA0002576017210000034
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。
8.根据权利要求6或7所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述评估分析模块(400)对电网灾情的严重性进行量化评估采用的方法流程包括,
计算场景对之间的距离
Figure RE-FDA0002748719730000035
计算
Figure RE-FDA0002748719730000036
选择
Figure RE-FDA0002748719730000037
设置J[1]:={1,...,S}\{u1};
计算:
Figure RE-FDA0002748719730000038
Figure RE-FDA0002748719730000039
选择
Figure RE-FDA00027487197300000310
设置J[i]:=J[i-1]\{ui}J:=J[S-s]
其中,cTku)表示场景
Figure RE-FDA00027487197300000311
之间的距离。
9.根据权利要求3或4或6或7所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述构建模块(302)构建的所述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。
10.根据权利要求9所述的基于深度神经网络的电网灾情应急演练管理***,其特征在于:所述应急管理模块(500)包括应急预案纠正改进模块(501)、演练方案和培训纠正改进模块(502)和评估指标和权重纠正改进模块(503);
所述应急预案纠正改进模块(501)针对需要改善指标项所对应的应急处置目标进行跟踪,确定导致问题的根本原因、纠正方法措施及完成时间,对演习中发现的不足项和整改项的纠正措施的实施情况追踪,以实现闭环管理;
所述演练方案和培训纠正改进模块(502)利用应急处置分析记录数据和演练纠正措施,对演练方案和演前培训进行优化改进;
所述评估指标和权重纠正改进模块(503)利用应急处置分析记录数据和指标纠正措施,对评估指标体系及权重设定进行优化改进。
CN202010653936.XA 2020-07-08 2020-07-08 一种基于深度神经网络的电网灾情应急演练管理*** Pending CN112036680A (zh)

Priority Applications (2)

Application Number Priority Date Filing Date Title
CN202010653936.XA CN112036680A (zh) 2020-07-08 2020-07-08 一种基于深度神经网络的电网灾情应急演练管理***
CN202110767767.7A CN113379326B (zh) 2020-07-08 2021-07-07 一种基于深度神经网络的电网灾情应急演练管理***

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202010653936.XA CN112036680A (zh) 2020-07-08 2020-07-08 一种基于深度神经网络的电网灾情应急演练管理***

Publications (1)

Publication Number Publication Date
CN112036680A true CN112036680A (zh) 2020-12-04

Family

ID=73578992

Family Applications (2)

Application Number Title Priority Date Filing Date
CN202010653936.XA Pending CN112036680A (zh) 2020-07-08 2020-07-08 一种基于深度神经网络的电网灾情应急演练管理***
CN202110767767.7A Active CN113379326B (zh) 2020-07-08 2021-07-07 一种基于深度神经网络的电网灾情应急演练管理***

Family Applications After (1)

Application Number Title Priority Date Filing Date
CN202110767767.7A Active CN113379326B (zh) 2020-07-08 2021-07-07 一种基于深度神经网络的电网灾情应急演练管理***

Country Status (1)

Country Link
CN (2) CN112036680A (zh)

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408816A (zh) * 2020-07-08 2021-09-17 贵州电网有限责任公司 一种基于深度神经网络的电网灾情评估方法

Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867110A (zh) * 2012-08-22 2013-01-09 广东电网公司电力科学研究院 一种输电线路杆塔基础边坡暴雨灾害风险评估方法
CN106339971A (zh) * 2016-08-19 2017-01-18 贵州电网有限责任公司遵义供电局 一种应急演练管理及评估分析***
CN109800961A (zh) * 2018-12-27 2019-05-24 深圳市中电数通智慧安全科技股份有限公司 一种火灾救援决策方法、装置、存储介质及终端设备
CN111144656A (zh) * 2019-12-27 2020-05-12 兰州大方电子有限责任公司 一种基于gis的灾害评价分析方法

Family Cites Families (6)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN104346538B (zh) * 2014-11-26 2017-09-05 中国测绘科学研究院 基于三种灾情因子控制的地震灾害评估方法
CN105336081A (zh) * 2015-11-26 2016-02-17 电子科技大学中山学院 一种基于模糊神经网络的电气火灾监控终端及其处理步骤
CN108230805B (zh) * 2017-12-26 2020-05-08 全球能源互联网研究院有限公司 一种基于情景构建的电力应急演练推演***
CN108280553B (zh) * 2018-02-24 2020-10-02 中山大学 基于gis-神经网络集成的山洪灾害风险区划及预测方法
CN109033561A (zh) * 2018-07-05 2018-12-18 平安煤炭开采工程技术研究院有限责任公司 矿井通风***抗灾能力评价方法及装置
CN112836937A (zh) * 2021-01-11 2021-05-25 合肥中科加点智能科技有限公司 基于熵权与bp神经网络技术的洪涝灾害损失评估方法

Patent Citations (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN102867110A (zh) * 2012-08-22 2013-01-09 广东电网公司电力科学研究院 一种输电线路杆塔基础边坡暴雨灾害风险评估方法
CN106339971A (zh) * 2016-08-19 2017-01-18 贵州电网有限责任公司遵义供电局 一种应急演练管理及评估分析***
CN109800961A (zh) * 2018-12-27 2019-05-24 深圳市中电数通智慧安全科技股份有限公司 一种火灾救援决策方法、装置、存储介质及终端设备
CN111144656A (zh) * 2019-12-27 2020-05-12 兰州大方电子有限责任公司 一种基于gis的灾害评价分析方法

Non-Patent Citations (1)

* Cited by examiner, † Cited by third party
Title
刘红岭: "电力市场环境下水电***的优化调度及风险管理研究", 《中国博士学位论文全文数据库 经济与管理科学辑》 *

Cited By (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN113408816A (zh) * 2020-07-08 2021-09-17 贵州电网有限责任公司 一种基于深度神经网络的电网灾情评估方法

Also Published As

Publication number Publication date
CN113379326B (zh) 2022-12-20
CN113379326A (zh) 2021-09-10

Similar Documents

Publication Publication Date Title
TWI539298B (zh) 具取樣率決定機制的量測抽樣方法 與其電腦程式產品
US9996444B2 (en) Automated methods and systems for calculating hard thresholds
CN116559598B (zh) 一种智慧配电网故障定位方法及***
CN111292020B (zh) 一种基于随机森林的电网实时运行风险评估方法及***
CN113095402B (zh) 一种基于编码输入的生成对抗网络故障检测方法及***
CN112116198B (zh) 数据驱动的流程工业状态感知网络关键节点筛选方法
CN108399434B (zh) 基于特征提取的高维时间序列数据的分析预测方法
CN111709668A (zh) 基于数据挖掘技术的电网设备参数风险识别方法及装置
US11132790B2 (en) Wafer map identification method and computer-readable recording medium
Dong Combining unsupervised and supervised learning for asset class failure prediction in power systems
CN113379326B (zh) 一种基于深度神经网络的电网灾情应急演练管理***
CN117992776B (zh) 基于人工智能的电网设备健康状态实时预测方法
CN111967140A (zh) 一种考虑混合不确定性的性能退化实验建模与分析方法
CN110555384A (zh) 基于图像数据的牛肉大理石纹自动分级***及方法
CN117149581A (zh) 一种基于关联规则算法的异常信息分析预警方法及***
Timmermans et al. Using Bagidis in nonparametric functional data analysis: predicting from curves with sharp local features
CN113408816B (zh) 一种基于深度神经网络的电网灾情评估方法
Bossavy et al. An edge model for the evaluation of wind power ramps characterization approaches
CN111680572A (zh) 一种电网运行场景动态判定方法及***
CN116611022B (zh) 智慧校园教育大数据融合方法及平台
CN110633874B (zh) 一种变电站二次设备状态监测方法及可读存储介质
CN116258467B (zh) 一种电力施工管控***
Jagesar et al. exploring smartphone Geolocation data quality for reliable feature extraction
TWI623905B (zh) 連續性製程之趨勢變因鑑定方法與系統
CN117937438A (zh) 一种电网调度控制***异常数据辨识和校正的方法及***

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
WD01 Invention patent application deemed withdrawn after publication
WD01 Invention patent application deemed withdrawn after publication

Application publication date: 20201204