CN113837477B - 数据双驱动的台风灾害下电网故障预测方法、装置和设备 - Google Patents
数据双驱动的台风灾害下电网故障预测方法、装置和设备 Download PDFInfo
- Publication number
- CN113837477B CN113837477B CN202111139000.6A CN202111139000A CN113837477B CN 113837477 B CN113837477 B CN 113837477B CN 202111139000 A CN202111139000 A CN 202111139000A CN 113837477 B CN113837477 B CN 113837477B
- Authority
- CN
- China
- Prior art keywords
- disaster
- data
- causing
- sample
- prediction model
- 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
- 238000000034 method Methods 0.000 title claims abstract description 50
- 238000009826 distribution Methods 0.000 claims abstract description 81
- 230000003068 static effect Effects 0.000 claims abstract description 53
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 230000015654 memory Effects 0.000 claims abstract description 18
- 238000013528 artificial neural network Methods 0.000 claims abstract description 17
- 238000013507 mapping Methods 0.000 claims abstract description 10
- 238000012549 training Methods 0.000 claims description 48
- 238000012360 testing method Methods 0.000 claims description 47
- 238000004422 calculation algorithm Methods 0.000 claims description 43
- 230000006870 function Effects 0.000 claims description 21
- 238000004364 calculation method Methods 0.000 claims description 14
- 230000008569 process Effects 0.000 claims description 12
- 238000011160 research Methods 0.000 claims description 12
- 239000011159 matrix material Substances 0.000 claims description 11
- 238000012545 processing Methods 0.000 claims description 10
- 230000008859 change Effects 0.000 claims description 9
- ORILYTVJVMAKLC-UHFFFAOYSA-N Adamantane Natural products C1C(C2)CC3CC1CC2C3 ORILYTVJVMAKLC-UHFFFAOYSA-N 0.000 claims description 7
- 238000010276 construction Methods 0.000 claims description 7
- 238000005259 measurement Methods 0.000 claims description 5
- 210000002569 neuron Anatomy 0.000 claims description 5
- 238000005457 optimization Methods 0.000 claims description 5
- 238000005070 sampling Methods 0.000 claims description 5
- 231100001261 hazardous Toxicity 0.000 claims description 3
- 238000012423 maintenance Methods 0.000 claims description 3
- 238000002156 mixing Methods 0.000 claims description 3
- 238000001556 precipitation Methods 0.000 claims description 3
- 239000000956 alloy Substances 0.000 claims 1
- 229910045601 alloy Inorganic materials 0.000 claims 1
- 230000009471 action Effects 0.000 abstract description 7
- 239000010410 layer Substances 0.000 description 22
- 238000010586 diagram Methods 0.000 description 9
- 230000006403 short-term memory Effects 0.000 description 9
- 238000004590 computer program Methods 0.000 description 7
- 238000000605 extraction Methods 0.000 description 4
- 201000004569 Blindness Diseases 0.000 description 3
- 230000005540 biological transmission Effects 0.000 description 3
- 230000000694 effects Effects 0.000 description 3
- 230000001965 increasing effect Effects 0.000 description 3
- 230000007787 long-term memory Effects 0.000 description 3
- 230000007774 longterm Effects 0.000 description 3
- 238000009825 accumulation Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 2
- 238000013461 design Methods 0.000 description 2
- 238000011156 evaluation Methods 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000003860 storage Methods 0.000 description 2
- 230000032683 aging Effects 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 230000015572 biosynthetic process Effects 0.000 description 1
- 210000004027 cell Anatomy 0.000 description 1
- 238000004891 communication Methods 0.000 description 1
- 230000001186 cumulative effect Effects 0.000 description 1
- 238000013480 data collection Methods 0.000 description 1
- 238000013523 data management Methods 0.000 description 1
- 230000007547 defect Effects 0.000 description 1
- 238000001514 detection method Methods 0.000 description 1
- 230000008034 disappearance Effects 0.000 description 1
- 230000009977 dual effect Effects 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002708 enhancing effect Effects 0.000 description 1
- 238000004880 explosion Methods 0.000 description 1
- 239000000284 extract Substances 0.000 description 1
- 239000011229 interlayer Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000004540 process dynamic Methods 0.000 description 1
- 238000012958 reprocessing Methods 0.000 description 1
- 238000005728 strengthening Methods 0.000 description 1
- 238000003786 synthesis reaction Methods 0.000 description 1
- 238000012795 verification Methods 0.000 description 1
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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/044—Recurrent networks, e.g. Hopfield 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
- G06N3/04—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
- G06N3/04—Architecture, e.g. interconnection topology
- G06N3/048—Activation functions
-
- 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
- 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
- G06T—IMAGE DATA PROCESSING OR GENERATION, IN GENERAL
- G06T3/00—Geometric image transformations in the plane of the image
- G06T3/40—Scaling of whole images or parts thereof, e.g. expanding or contracting
- G06T3/4007—Scaling of whole images or parts thereof, e.g. expanding or contracting based on interpolation, e.g. bilinear interpolation
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- General Physics & Mathematics (AREA)
- Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- General Health & Medical Sciences (AREA)
- Software Systems (AREA)
- Economics (AREA)
- Evolutionary Computation (AREA)
- Computational Linguistics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Biophysics (AREA)
- Mathematical Physics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Data Mining & Analysis (AREA)
- Human Resources & Organizations (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (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
本发明公开了一种数据双驱动的台风灾害下电网故障预测方法、装置和设备,所述方法包括:构建致灾数据集、均衡化致灾数据集、构建双通道预测模型以及用双通道预测模型进行预测,将台风灾害下配电网受灾情况的多元影响因素归类为静态数据和动态数据,并利用前馈神经网络提取静态数据的特征,利用多头自注意力机制强化后的长短期记忆网络提取动态数据的特征,最终采用线性层对提取的所有特征进行融合,建立多元影响因素与配电网受灾情况的映射关系。充分考虑了静态数据对配电网受灾情况作用的稳定性和动态数据对配电网受灾情况作用的时变性与累积性,构建了准确率更高、可解释性更强的台风灾害下配电网故障预测模型。
Description
技术领域
本发明属于电网故障预测技术领域,具体涉及一种数据双驱动的台风灾害下电网故障预测方法、装置和设备。
背景技术
台风灾害影响范围大、持续时间长,近年来随着全球气候的变化,台风及以上强度的热带气旋占比在不断上升,对沿海地区输配电网络的正常运作造成了巨大的威胁。相比输电网,配电网的设备数量更多,设备的老化问题严重,更易受台风等自然灾害的影响。因此,需要针对台风的破坏性和配电网的脆弱性,研究台风灾害下配电网故障预测方法,为配电网的弹性增强策略提供可靠的先验信息。
对台风灾害下配电网故障预测方法的研究主要分为基于致灾机理的物理模型和基于历史数据的数据驱动模型。物理模型的研究思路是根据实际风速的概率分布和设备自身的设计风速,建立配电网线路和杆塔的风荷载模型,并结合设备所处的地理环境、设备自身的使用年限等因素对模型进行修正,从而得到台风灾害下线路和杆塔的故障概率。数据驱动模型的研究思路通常是基于历史的气象信息、地理信息和电网信息,构建包含致灾因素和网络故障的数据集,通过机器学习模型对数据集进行学习并建立相应的映射关系。同时,考虑到台风灾害下配电网的故障数据中包含大量故障数量为零的样本,使得机器学习模型在故障数量不为零的样本中产生较大的预测偏差,现有研究通常采用合成少数类过采样技术(SMOTE)生成少数类样本均衡数据集,或者采用代价敏感学习方法给不同的类别赋予不同的惩罚系数,提高模型对少数类样本的学习侧重度。
物理模型在建模复杂度的限制下,难以对配电网设备故障的影响因素进行全面化、精细化的建模,从而损失一定的预测精度。随着电力部门和气象部门的数据收集与管理***日益完善,当前的研究多聚焦于通过数据驱动模型预测台风灾害下的配电网故障情况。但现有的数据驱动模型只考虑了每个时间截面中各影响因素与配电网故障之间的关系,没有考虑到部分因素对配电网故障作用的累积性。同时目前研究采用的SMOTE算法在样本合成对象的选择过程中具有一定的盲目性和随机性,生成的少数类样本质量较差,而代价敏感学习方法在确定各类别的惩罚系数时,需要根据模型性能对参数进行反复调整,且调整的方向较为主观。
发明内容
本发明提供了一种数据双驱动的台风灾害下电网故障预测方法、装置和设备,提高台风灾害下配电网故障预测方法的准确率和可解释性,增强配电网应对台风灾害的抵御能力。
为达到上述目的,本发明所述一种数据双驱动的台风灾害下配电网故障预测方法,包括以下步骤:
步骤1,采集台风灾害下电网故障的多元影响数据以及被预测区域电网永久跳闸次数总和,并根据数据的时域变化属性将其划分为静态数据和动态数据,利用静态数据、动态数据和预测区域电网永久跳闸次数总和构建致灾数据集;
步骤2,对致灾数据集进行均衡化处理;
步骤3,利用前馈神经网络提取致灾数据集中静态数据的特征,利用长短期记忆网络和多头自注意力机制提取致灾数据集中动态数据的序列特征,建立台风灾害下电网故障的双通道预测模型,并基于样本均衡处理后的致灾数据集,进行模型参数的求解和调优,最终得到优化后的双通道预测模型;并对其性能进行评估;若性能符合要求则进行步骤4,否则继续进行优化;
步骤4,收集未来台风灾害下预测区域相应的多元影响数据,并构建致灾数据集,将其输入至步骤3中优化后的双通道预测模型,得到未来台风灾害下该研究区域电网故障情况的预测值。
进一步的,步骤1中,静态数据包括森林覆盖率、土地类型、电网的维护程度和人口密度,所述动态数据包括台风中心与区域中心的距离、台风的中心最低气压、台风的近中心最大风速、台风的移动速度、台风的移动方向角、七级风圈半径、预测区域的平均风速和预测区域的降水量。
进一步的,步骤2的过程为:用Borderline-SMOTE1算法,根据高维空间中致灾数据集的分布对少数类样本集合进行划分,并针对划分后决策边界处的少数类样本进行样本生成;接着通过判别模型检验训练集和测试集数据分布的差异,并根据差异大小对Borderline-SMOTE1算法进行参数调优,最终应用参数优化后的Borderline-SMOTE1算法均衡致灾数据集。
进一步的,步骤2包括以下步骤:
步骤2.1、使用K近邻算法计算每一个轻度故障类样本的m个最近邻样本;
步骤2.2、根据轻度故障类样本的m个最近邻样本中轻度故障样本的占比,将其分安全类样本、危险类样本和噪声类样本;
步骤2.3、针对每一个危险类样本xi,在其K个最近邻样本中选择所需数量的轻度故障类样本;
步骤2.4、对于每一个被选择的近邻样本xj′,使用线性插值生成轻度故障类新样本xi,j;
步骤2.5、将生成的轻度故障类新样本添加至原致灾训练集中,得到更新后的致灾数据集;
步骤2.6、对更新后的的致灾数据集进行检验,若符合要求则进行步骤3,若不符合要求对Borderline-SMOTE1算法进行调参,直至致灾数据集符合要求。
进一步的,步骤2.6包括以下步骤:
步骤2.6.1、针对致灾训练集进行随机采样,使采样后的训练集与致灾测试集的样本数量相等;接着将训练集样本和测试集样本的标签分别置为0和1,混合形成判别数据集,并按比例将其划分为新的训练集和测试集;
步骤2.6.2、以新的训练集和测试集为基础,以交叉熵函数为损失函数,通过误差反向传播法得到判别模型每个参数值的梯度,进而通过Adam梯度下降算法对判别模型所有参数进行更新,得到致灾训练集与致灾测试集的判别准确率;
步骤2.6.3、使用判别模型区分致灾训练集与致灾测试集的能力衡量两者的样本分布差异,当判别准确率高于准确率阈值时,对Borderline-SMOTE1算法的最近邻样本数等参数进行调整;当判别准确率低于准确率阈值时,执行步骤3。
进一步的,步骤3包括以下步骤:
步骤3.1、基于前馈神经网络从静态数据中提取静态特征;基于长短期记忆网络与多头注意力机制从动态数据中提取动态特征;
步骤3.2、将静态特征和动态特征进行拼接,并通过线性层映射为电网各故障情况类型的预测概率,取最大概率值对应受灾类型为样本的预测故障情况类型,得到预测模型;使用交叉熵函数作为损失函数,衡量预测值与实际值的差异程度;接着通过误差反向传播算法得到交叉熵函数对模型中每一个参数的梯度值;最后结合学习率、批大小以及各层神经元数量,使用小批量Adam算法对预测模型参数进行更新;
3.3、以查准率和查全率为基本指标体系,并引入宏平均机制综合考虑预测模型在致灾测试集中不同类型样本集合中的表现,对预测模型进行评估。
进一步的,步骤3.3包括以下步骤:
步骤3.3.1、根据致灾测试集输入至预测模型后得到的预测值,统计致灾测试集中每个样本是否属于该受灾类型的实际值与预测值,共形成三个二分类混淆矩;
步骤3.3.2、根据矩阵元素得到每一个混淆矩阵对应的一组真阳性TPi、假阳性FPi、真阴性TNi和假阴性FNi,进而得到相应的查准率Pi和查全率Ri;
步骤3.3.3、根据查准率Pi、查全率Ri和F1度量得到宏查准率macro-P、宏查全率macro-R和宏F1值macro-F1;
步骤3.3.4、根据宏查准率、宏查全率、宏F1和准确率共四个指标对台风灾害下电网故障情况预测模型的性能进行评估。
一种台风灾害下电网故障预测装置,包括:
采集模块,用于采集数据,并将采集的数据传递至计算输出模块;所述数据包括致台风灾害下电网故障的多元影响数据以及被预测区域电网永久跳闸次数总和,以及实时台风数据;
计算输出模块,用于根据采集的数据集训练预测模型,并根据预测模型和实时台风数据输出电网故障预测值。
一种计算机设备,包括电连接的存储器和处理器,所述存储器上存储有可在处理器上运行的计算程序,所述处理器执行所述计算程序时,实现权利要求1-8中任意一项所述的方法的步骤。
与现有技术相比,本发明至少具有以下有益的技术效果:
本发明将台风灾害下配电网故障情况的多元影响因素归类为静态数据和动态数据,并利用前馈神经网络提取静态数据的特征,利用多头自注意力机制强化后的长短期记忆网络提取动态数据的特征,最终采用线性层对提取的所有特征进行融合,建立多元影响因素与配电网故障情况的映射关系。本发明构建的双通道预测模型充分考虑了静态数据对配电网受灾情况作用的稳定性和动态数据对配电网故障情况作用的时变性与累积性,构建了准确率更高、可解释性更强的台风灾害下配电网故障预测模型。
本发明使用的Borderline-SMOTE1算法基于K近邻算法对决策边界处的样本进行识别,并使用随机线性插值进行新样本合成,克服了现有样本不均衡处理方式中样本生成过程的盲目性和随机性、惩罚系数确定方式的主观性和繁琐性等缺点,有效降低了致灾数据集的不均衡度,为电网故障情况预测模型的训练奠定了较好的数据基础,有助于提高台风灾害下配电网故障预测方法的准确性,进而增强配电网应对台风灾害的抵御能力。
附图说明
图1为致灾数据集的示意图;
图2为Borderline-SMOTE1算法的轻度故障类样本分类示意图;
图3为判别模型检验样本分布的原理图;
图4为LSTM的单元结构图;
图5为双通道预测模型的网络结构图;
图6为本发明提供的电网故障预测装置的模块结构示意图;
图7为本发明提供的计算机设备的结构示意图。
具体实施方式
为了使本发明的目的和技术方案更加清晰和便于理解。以下结合附图和实施例,对本发明进行进一步的详细说明,此处所描述的具体实施例仅用于解释本发明,并非用于限定本发明。
在本发明的描述中,需要理解的是,术语“中心”、“纵向”、“横向”、“上”、“下”、“前”、“后”、“左”、“右”、“竖直”、“水平”、“顶”、“底”、“内”、“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”仅用于描述目的,而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此,限定有“第一”、“第二”的特征可以明示或者隐含地包括一个或者更多个该特征。在本发明的描述中,除非另有说明,“多个”的含义是两个或两个以上。在本发明的描述中,需要说明的是,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,也可以是可拆卸连接,或一体地连接;可以是机械连接,也可以是电连接;可以是直接相连,也可以通过中间媒介间接相连,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
参照图1,一种基于静动态数据双驱动的台风灾害下配电网故障预测方法,包括四大部分,分别为构建致灾数据集、均衡化致灾数据集、构建双通道预测模型和预测未来台风灾害下区域配电网的故障情况。
步骤1,从气象信息、地理信息、电网信息、人口信息四个角度出发,选取台风灾害下配电网故障的多元影响因素,并根据数据的时域变化属性(台风过境期间数据的变化幅度)将其划分为静态数据和动态数据,构建致灾数据集;
步骤2,针对致灾数据集中的样本不均衡现象,使用Borderline-SMOTE1算法,根据高维空间中致灾数据集的分布对少数类样本集合进行划分,并针对划分后决策边界处的少数类样本进行样本生成;接着通过判别模型检验训练集和测试集数据分布的差异,并根据差异大小对Borderline-SMOTE1算法进行参数调优,最终应用参数优化后的Borderline-SMOTE1算法均衡致灾数据集;
步骤3,利用前馈神经网络提取致灾数据集中静态数据的特征,利用长短期记忆网络(LSTM)和多头自注意力机制提取致灾数据集中动态数据的序列特征,建立台风灾害下配电网故障的双通道预测模型,并基于样本均衡处理后的致灾数据集,结合交叉熵损失函数和误差反向传播法等进行模型参数的求解和调优,最终得到优化后的双通道预测模型,并对其性能进行评估。若性能符合要求则进行步骤4,否则继续进行优化。
步骤4,收集未来台风灾害下某研究区域相应的数据,并构建致灾数据集,将其输入至步骤3中优化后的双通道预测模型,得到未来台风灾害下该研究区域配电网故障情况的预测值。
各步骤的具体过程如下:
1、构建致灾数据集
本发明从气象信息、地理信息、电网信息和人口信息四个角度选取致灾数据,并根据台风过境期间数据的时域变化情况将其分为静态数据和动态数据,共同构成致灾数据集的样本,最后与台风灾害下配电网的故障情况类型结合形成致灾数据集。
在台风过境的时间尺度内,部分致灾数据基本不发生变化,对配电网故障情况的影响具有稳定性。故将此类致灾数据归类为静态数据,包括森林覆盖率、土地类型、电网的维护程度和人口密度共四种数据。而部分致灾数据随时间变化较大,对配电网故障情况的影响具有时变性和累积性。故将此类致灾数据归类为动态数据,包括台风中心与区域中心的距离、台风的中心最低气压、台风的近中心最大风速、台风的移动速度、台风的移动方向角、七级风圈半径、区域的平均风速、区域的降水量共八种数据。需要注意的是,静态数据由单个时间截面的数据构成,动态数据由连续48小时的序列数据构成。
考虑到台风灾害伴随有强风和强降雨,对配电网的架空线路、地下电缆和杆塔等电力元件均会造成一定程度的破坏,因此本发明对台风灾害下配电网连续24个小时的永久跳闸次数进行求和,跳闸次数总和为0时认为该区域配电网正常运行,跳闸次数总和为1至9次时认为该区域配电网轻度故障,跳闸次数总和大于9次时认为该区域配电网重度故障,以配电网故障情况的这三种受灾情况类型作为致灾数据集的标签。
2、综上所述,本发明结合静、动态数据形成致灾数据集样本,并以配电网故障情况类型作为数据集样本标签,共同构成最终的致灾数据集,并按照八比二的比例将其划分为致灾训练集和致灾测试集。样本及样本标签的示意图如图1所示,其中f1、f2、f3和f4为为静态数据,f,i,j为动态数据,i=5,6,……12;j=1,2,……48;第i项第j个小时的动态数据,nLO,k为第k个小时的跳闸次数,k=1,2,……24;均衡化致灾数据集。
台风作为极端自然灾害的一种,发生的概率较低,覆盖的区域范围也比较有限。因此,致灾数据集中正常运行类的样本数量最多、轻度故障类的样本数量其次、重度故障类的样本数量最少,即轻度故障类样本和重度故障类样本均为少数类样本。
致灾数据集的样本不均衡现象,使得配电网故障情况预测模型在训练过程中缺乏针对少数类样本的学习,最终导致其对少数类样本的预测准确率偏低。考虑到代价敏感学习的方法具有一定的主观性,且参数调整过程比较繁琐,因此,本发明基于Borderline-SMOTE1算法降低致灾数据集的不均衡度,并通过判别模型检验生成少数类样本的质量。
1)Borderline-SMOTE1样本生成算法
过采样技术中常用的SMOTE算法在选择目标样本进行样本生成时具有较大的盲目性与随机性,容易生成对界定决策边界无意义或有干扰的新样本。所以本发明基于Borderline-SMOTE1算法,根据少数类样本周围的类型分布特点对其进行划分,并选择距离决策边界近的少数类样本进行样本生成,降低致灾数据集的不均衡度。以生成轻度故障类样本为例对Borderline-SMOTE1的算法步骤进行阐述,重度故障类样本的生成过程同理。需要注意的是,样本生成算法仅应用于致灾训练集。
Step1:使用K近邻算法计算每一个轻度故障类样本的m个最近邻样本;
Step2:根据轻度故障类样本的m个最近邻样本中轻度故障样本的占比,将其分为以下三类,分类示意图如图2所示。
(1)安全类样本:最近邻样本中一半以上的样本均为轻度故障样本,如图2中的A样本;
(2)危险类样本:最近邻样本中一半以下的样本为轻度故障样本,如图2中的B样本;
(3)噪声类样本:最近邻样本无轻度故障样本,如图2中的C样本;
Step3:针对每一个危险类样本xi,在其K个最近邻样本中选择所需数量的轻度故障类样本;
Step4:对于每一个被选择的近邻样本x′j,使用线性插值生成轻度故障类新样本xi,j,计算公式为:
xi,j=xi+γ(x′j-xi) (1)
式中,γ为介于0到1之间的随机数。
Step5:将生成的轻度故障类新样本添加至原致灾训练集中。
2)对致灾数据集进行检验
考虑到生成少数类样本的添加人为改变了致灾训练集的数据分布,当生成样本的质量较低时,致灾训练集和致灾测试集的样本分布差异会增大,进而导致预测模型在致灾测试集上的泛化能力降低。故本发明设计了判别模型,对添加生成样本后的致灾训练集和致灾测试集进行样本分布检验,并根据检验结果对样本生成方法的参数设置进行调整,具体的原理如图3所示。下面介绍判别模型检验样本分布差异的具体过程。
(1)判别数据集的构建:判别数据集基于自监督学习的思想,利用训练集和测试集的样本划分情况作为判别数据集的标签来源。考虑到致灾训练集的样本数量一般是致灾测试集样本数量的数倍,故针对致灾训练集进行随机采样,保证采样后的训练集与致灾测试集的样本数量相等。接着将训练集样本和测试集样本的标签分别置为0和1,混合形成判别数据集,并按8:2的比例将其划分为新的训练集和测试集。
(2)判别模型的训练过程:以新的训练集和测试集为基础,以交叉熵函数为损失函数,通过误差反向传播法得到判别模型每个参数值的梯度,进而通过Adam梯度下降算法对判别模型所有参数进行更新,得到致灾训练集与致灾测试集的判别准确率。
(3)判别模型的测试结果分析:使用判别模型区分致灾训练集与致灾测试集的能力衡量两者的样本分布差异。当判别准确率高于准确率阈值时,说明致灾训练集和致灾测试集的样本分布差异较大,需要对致灾训练集进行重构处理,即对Borderline-SMOTE1算法的最近邻样本数等参数进行调整;当判别准确率低于准确率阈值时,说明两者的样本分布差异小,可以直接用于预测模型的训练和测试。其中,判别模型的准确率阈值一般定为70%。
3、构建双通道预测模型
为了考虑静态数据作用的稳定性和动态数据作用的时变性与累积性,本发明提出了一种具备可解释性的神经网络架构,分别对静态数据和动态数据进行特征提取,进而建立其与台风灾害下配电网故障情况类型的映射关系。下面分别对静动态数据的特征提取过程以及双通道预测模型的训练方法进行详细阐述。
3.1基于前馈神经网络的静态特征提取
前馈神经网络由输入层、隐藏层和输出层构成,各层神经元之间是全连接的,不存在层内连接结构与跨层连接结构,故前馈神经网络的信息传递过程是单向的。考虑到台风灾害的静态数据对配电网故障情况作用的稳定性,故本发明针对48小时内保持不变的静态数据,采用多层的前馈神经网络逐层提取其静态特征。
3.2基于长短期记忆网络与多头注意力机制的动态特征提取
与前馈神经网络不同,长短期记忆(LSTM)网络不仅在层与层之间传递信息,而且在同一层内传递信息。通过这种层内连接结构的加入,LSTM对数据的处理具有“记忆性”和“传递性”。同时,LSTM的单元结构中含有多个门结构,可以有效处理层间连接结构带来的梯度消失与梯度***问题。
LSTM的每一个单元均包含遗忘门、输入门和输出门三种门结构,在同一层之间传递信息时同时传递门结构处理后的长期记忆和短期记忆,LSTM的单元结构如图4所示。LSTM根据当前时刻的输入信息xt和上一时刻的短期记忆ht-1,分别计算遗忘门门控信号ft、输入门门控信号it和输出门门控信号ot:
ft=σ(Ufxt+Wfht-1+bf) (2)
it=σ(Uixt+Wiht-1+bi) (3)
ot=σ(Uoxt+Woht-1+bo) (4)
式中,σ指Sigmoid激活函数,Uf为当前输入xt与遗忘门结构的连接权重,Ui为当前输入xt与输入门结构的连接权重,UO为当前输入xt与输出门结构的连接权重,Wf为上一时刻的短期记忆ht-1与遗忘门结构的连接权重,Wi为上一时刻的短期记忆ht-1与输入门结构的连接权重,WO为上一时刻的短期记忆ht-1与输出门结构的连接权重,bf为遗忘门结构的偏置,bi为输入门结构的偏置,bo为输出门结构的偏置。
LSTM基于三种门控信号对当前时刻的输入信息xt和上一时刻的短期记忆ht-1进行再处理,从而更新长期记忆ct和短期记忆ht,具体的计算式为:
为了进一步增强网络对动态数据的特征提取能力,本发明采用了多头注意力机制,利用多个映射子空间全方位、多角度地提取已知数据中的关键成分,最大化利用已知的数据信息。多头注意力机制首先将数据Q映射至多个子空间,并利用自注意力公式Attention(Q)计算数据间的关联性与依赖性。第i个头对应的自注意力值headi(Q)的具体计算式如下:
headi(Q)=Attention(QWi Q,QWi K,QWi V) (9)
式中,dQ为输入数据Q的维度,i=1,2,...,h为注意力机制的头数,Wi Q、Wi K、Wi V分别是第i个头对应的子空间变换矩阵。
接着将所有头的输出进行拼接,通过线性层映射为最终的注意力加权后的值,即MultiHead(Q):
MultiHead(Q)=Concat(head1,...,headh)WO (10)
式中,Concat为拼接操作,Wo为输出映射矩阵。
本发明首先利用LSTM网络提取动态数据特征,接着将多头注意力机制层添加至LSTM网络后,进一步提取动态数据中的深层动态数据特征,为最终映射关系的建立奠定基础。
3.3双通道预测模型的网络结构与训练方法
本发明采用前馈神经网络对静态数据进行处理,采用多头自注意力机制强化的LSTM网络对动态数据进行处理,最终将两者提取的深层特征进行拼接,并通过线性层映射为配电网各故障情况类型的预测概率,取最大概率值对应受灾类型为样本的预测故障情况类型,预测模型的网络结构如图5所示。其中,需要在前馈神经网络的第一个线性层后添加相应的批标准化层和非线性激活函数,提高预测模型的收敛性。
由于台风灾害下配电网故障情况类型的预测属于分类问题,故本发明在致灾训练集的基础上,使用交叉熵函数作为损失函数,衡量预测值与实际值的差异程度。接着通过误差反向传播算法得到交叉熵函数对模型中每一个参数的梯度值。最后结合学习率、批大小以及各层神经元数量等超参数,使用小批量Adam算法对预测模型参数进行更新。
3.4双通道预测模型的评估方法
由于本发明中配电网故障情况类型的预测为三分类问题,且致灾测试集各类别的样本数量不相等。为了缓解多数类样本评估结果对预测准确率的主导作用、全面考虑预测模型在各类别的性能表现,本发明以查准率、查全率和F1度量为基本指标体系,并引入宏平均机制综合考虑预测模型在致灾测试集中不同类型样本集合中的表现,具体过程阐述如下。
首先根据致灾测试集输入至预测模型后得到的预测值,统计致灾测试集中每个样本是否属于该受灾类型的实际值与预测值,共可形成三个二分类混淆矩。矩阵形成后,根据矩阵元素得到每一个混淆矩阵对应的一组真阳性TPi、假阳性FPi、真阴性TNi和假阴性FNi,进而得到相应的查准率Pi和查全率Ri。最后根据宏平均机制得到宏查准率macro-P、宏查全率macro-R和宏F1值macro-F1共三个指标,综合衡量预测模型的性能,具体的计算公式如下。
考虑到预测准确率能直观突出模型的性能,故本发明选取宏查准率、宏查全率、宏F1和准确率共四个指标对台风灾害下配电网故障情况预测模型的性能进行评估。
4、用双通道预测模型进行预测
采集台风过境前气象部门发布的气象预测数据和各研究区域的地理数据、人口数据和电网数据,构建相应的致灾数据集,并将其输入至参数优化后的双通道预测模型中,得到未来台风灾害下各研究区域配电网故障情况类型的预测值。
实施例2
如图6所示,本发明提供的一种一种台风灾害下电网故障预测装置,包括采集模块和计算输出模块;
其中,采集模块,用于采集数据,并将采集的数据传递至计算输出模块;所述数据包括历史动态数据、静态数据和实时台风数据,实时台风数据包括动态数据和静态数据。
计算输出模块,用于根据历史动态数据、静态数据和被预测区域电网永久跳闸次数总和训练预测模型,然后根据预测模型和实时动态数据、静态数据输出电网故障预测值。
实施例3
如图7所示,本发明提供的一种计算机设备,包括电连接的存储器和处理器,其中,存储器上存储有可在处理器上运行的计算程序,所述处理器执行所述计算程序时,实现上述的预测方法的步骤。
实施例4
所述预测装置如果以软件功能单元的形式实现并作为独立的产品销售或使用时,可以存储在一个计算机可读取存储介质中。基于这样的理解,本发明实现上述实施例方法中的全部或部分流程,也可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质可以包括:能够携带所述计算机程序代码的任何实体或装置、记录介质、U盘、移动硬盘、磁碟、光盘、计算机存储器、只读存储器(ROM,Read-OnlyMemory)、随机存取存储器(RAM,RandomAccessMemory)、电载波信号、电信信号以及软件分发介质等。需要说明的是,所述计算机可读介质包含的内容可以根据司法管辖区内立法和专利实践的要求进行适当的增减,例如在某些司法管辖区,根据立法和专利实践,计算机可读介质不包括电载波信号和电信信号。
本发明是一种通用的台风灾害下配电网故障情况预测模型,利用本发明的方法进行预测,可以有效降低固有的数据集不均衡问题,提高生成样本的质量。同时,本发明的预测方法考虑了静态数据作用的稳定性和动态数据作用的累计性,进一步提高了预测模型的准确性和可解释性,为配电网应对台风灾害提供了更为准确的预测信息。
以上内容仅为说明本发明的技术思想,不能以此限定本发明的保护范围,凡是按照本发明提出的技术思想,在技术方案基础上所做的任何改动,均落入本发明权利要求书的保护范围之内。
Claims (5)
1.数据双驱动的台风灾害下电网故障预测方法,其特征在于,包括以下步骤:
步骤1,采集台风灾害下电网故障的多元影响数据以及被预测区域电网永久跳闸次数总和,并根据数据的时域变化属性将其划分为静态数据和动态数据,利用静态数据、动态数据和预测区域电网永久跳闸次数总和构建致灾数据集;按照跳闸次数总和分为区域配电网轻度故障,区域配电网重度故障,区域配电网正常运行,将这三种受灾情况类型作为致灾数据集的标签;
步骤2,对致灾数据集进行均衡化处理;
步骤3,利用前馈神经网络提取致灾数据集中静态数据的特征,利用长短期记忆网络和多头自注意力机制提取致灾数据集中动态数据的序列特征,建立台风灾害下电网故障的双通道预测模型,并基于样本均衡处理后的致灾数据集,进行模型参数的求解和调优,最终得到优化后的双通道预测模型;并对其性能进行评估;若性能符合要求则进行步骤4,否则继续进行优化;
步骤4,收集未来台风灾害下预测区域相应的多元影响数据,并构建致灾数据集,将其输入至步骤3中优化后的双通道预测模型,得到未来台风灾害下该研究区域电网故障情况的预测值;
所述步骤2的过程为:用Borderline-SMOTE1算法,根据高维空间中致灾数据集的分布对少数类样本集合进行划分,并针对划分后决策边界处的少数类样本进行样本生成;接着通过判别模型检验训练集和测试集数据分布的差异,并根据差异大小对Borderline-SMOTE1算法进行参数调优,最终应用参数优化后的Borderline-SMOTE1算法均衡致灾数据集;
所述步骤2包括以下步骤:
步骤2.1、使用K近邻算法计算每一个轻度故障类样本的m个最近邻样本;
步骤2.2、根据轻度故障类样本的m个最近邻样本中轻度故障样本的占比,将其分安全类样本、危险类样本和噪声类样本;
步骤2.5、将生成的轻度故障类新样本添加至原致灾训练集中,得到更新后的致灾数据集;
步骤2.6、对更新后的的致灾数据集进行检验,若符合要求则进行步骤3,若不符合要求对Borderline-SMOTE1算法进行调参,直至致灾数据集符合要求;
所述步骤3包括以下步骤:
步骤3.1、基于前馈神经网络从静态数据中提取静态特征;基于长短期记忆网络与多头注意力机制从动态数据中提取动态特征;
步骤3.2、将静态特征和动态特征进行拼接,并通过线性层映射为电网各故障情况类型的预测概率,取最大概率值对应受灾类型为样本的预测故障情况类型,得到预测模型;使用交叉熵函数作为损失函数,衡量预测值与实际值的差异程度;接着通过误差反向传播算法得到交叉熵函数对模型中每一个参数的梯度值;最后结合学习率、批大小以及各层神经元数量,使用小批量Adam算法对预测模型参数进行更新;
步骤3.3、以查准率和查全率为基本指标体系,并引入宏平均机制综合考虑预测模型在致灾测试集中不同类型样本集合中的表现,对预测模型进行评估;
所述步骤3.3包括以下步骤:
步骤3.3.1、根据致灾测试集输入至预测模型后得到的预测值,统计致灾测试集中每个样本是否属于该受灾类型的实际值与预测值,共形成三个二分类混淆矩;
步骤3.3.4、根据宏查准率、宏查全率、宏F1和准确率共四个指标对台风灾害下电网故障情况预测模型的性能进行评估。
2.根据权利要求1所述的数据双驱动的台风灾害下电网故障预测方法,其特征在于,所述步骤1中,静态数据包括森林覆盖率、土地类型、电网的维护程度和人口密度,所述动态数据包括台风中心与区域中心的距离、台风的中心最低气压、台风的近中心最大风速、台风的移动速度、台风的移动方向角、七级风圈半径、预测区域的平均风速和预测区域的降水量。
3.根据权利要求1所述的数据双驱动的台风灾害下电网故障预测方法,其特征在于,所述步骤2.6包括以下步骤:
步骤2.6.1、针对致灾训练集进行随机采样,使采样后的训练集与致灾测试集的样本数量相等;接着将训练集样本和测试集样本的标签分别置为0和1,混合形成判别数据集,并按比例将其划分为新的训练集和测试集;
步骤2.6.2、以新的训练集和测试集为基础,以交叉熵函数为损失函数,通过误差反向传播法得到判别模型每个参数值的梯度,进而通过Adam梯度下降算法对判别模型所有参数进行更新,得到致灾训练集与致灾测试集的判别准确率;
步骤2.6.3、使用判别模型区分致灾训练集与致灾测试集的能力衡量两者的样本分布差异,当判别准确率高于准确率阈值时,对Borderline-SMOTE1算法的最近邻样本数等参数进行调整;当判别准确率低于准确率阈值时,执行步骤3。
4.一种台风灾害下电网故障预测装置,其特征在于,包括:
采集模块,用于采集数据,并将采集的数据传递至计算输出模块;所述数据包括致台风灾害下电网故障的多元影响数据以及被预测区域电网永久跳闸次数总和,以及实时台风数据;
计算输出模块,用于根据采集的数据集训练预测模型,并根据预测模型和实时台风数据输出电网故障预测值;
计算输出模块包括致灾数据集构建模块、均衡化处理模块、预测模型构建模块和输出模块;
致灾数据集构建模块,用于根据数据的时域变化属性将其划分为静态数据和动态数据,利用静态数据、动态数据和预测区域电网永久跳闸次数总和构建致灾数据集;按照跳闸次数总和分为区域配电网轻度故障,区域配电网重度故障,区域配电网正常运行,将这三种受灾情况类型作为致灾数据集的标签;
均衡化处理模块,用于对致灾数据集进行均衡化处理;
预测模型构建模块,用于利用前馈神经网络提取致灾数据集中静态数据的特征,利用长短期记忆网络和多头自注意力机制提取致灾数据集中动态数据的序列特征,建立台风灾害下电网故障的双通道预测模型,并基于样本均衡处理后的致灾数据集,进行模型参数的求解和调优,最终得到优化后的双通道预测模型;并将其性能优化至符合要求;
输出模块,用于收集未来台风灾害下预测区域相应的多元影响数据,并构建致灾数据集,将其输入至优化后的双通道预测模型,得到未来台风灾害下该研究区域电网故障情况的预测值;
所述对致灾数据集进行均衡化处理的过程为:用Borderline-SMOTE1算法,根据高维空间中致灾数据集的分布对少数类样本集合进行划分,并针对划分后决策边界处的少数类样本进行样本生成;接着通过判别模型检验训练集和测试集数据分布的差异,并根据差异大小对Borderline-SMOTE1算法进行参数调优,最终应用参数优化后的Borderline-SMOTE1算法均衡致灾数据集;
所述对致灾数据集进行均衡化处理包括以下步骤:
步骤2.1、使用K近邻算法计算每一个轻度故障类样本的m个最近邻样本;
步骤2.2、根据轻度故障类样本的m个最近邻样本中轻度故障样本的占比,将其分安全类样本、危险类样本和噪声类样本;
步骤2.5、将生成的轻度故障类新样本添加至原致灾训练集中,得到更新后的致灾数据集;
步骤2.6、对更新后的的致灾数据集进行检验,若符合要求则进行步骤3,若不符合要求对Borderline-SMOTE1算法进行调参,直至致灾数据集符合要求;
所述预测模型构建模块运行以下步骤:
步骤3.1、基于前馈神经网络从静态数据中提取静态特征;基于长短期记忆网络与多头注意力机制从动态数据中提取动态特征;
步骤3.2、将静态特征和动态特征进行拼接,并通过线性层映射为电网各故障情况类型的预测概率,取最大概率值对应受灾类型为样本的预测故障情况类型,得到预测模型;使用交叉熵函数作为损失函数,衡量预测值与实际值的差异程度;接着通过误差反向传播算法得到交叉熵函数对模型中每一个参数的梯度值;最后结合学习率、批大小以及各层神经元数量,使用小批量Adam算法对预测模型参数进行更新;
3.3、以查准率和查全率为基本指标体系,并引入宏平均机制综合考虑预测模型在致灾测试集中不同类型样本集合中的表现,对预测模型进行评估;
所述步骤3.3包括以下步骤:
步骤3.3.1、根据致灾测试集输入至预测模型后得到的预测值,统计致灾测试集中每个样本是否属于该受灾类型的实际值与预测值,共形成三个二分类混淆矩;
步骤3.3.4、根据宏查准率、宏查全率、宏F1和准确率共四个指标对台风灾害下电网故障情况预测模型的性能进行评估。
5.一种计算机设备,其特征在于,包括:电连接的存储器和处理器,所述存储器上存储有可在处理器上运行的计算程序,所述处理器执行所述计算程序时,实现权利要求1-3中任意一项所述的方法的步骤。
Priority Applications (2)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111139000.6A CN113837477B (zh) | 2021-09-27 | 2021-09-27 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
PCT/CN2022/081314 WO2023045278A1 (zh) | 2021-09-27 | 2022-03-17 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202111139000.6A CN113837477B (zh) | 2021-09-27 | 2021-09-27 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN113837477A CN113837477A (zh) | 2021-12-24 |
CN113837477B true CN113837477B (zh) | 2023-06-27 |
Family
ID=78970684
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202111139000.6A Active CN113837477B (zh) | 2021-09-27 | 2021-09-27 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
Country Status (2)
Country | Link |
---|---|
CN (1) | CN113837477B (zh) |
WO (1) | WO2023045278A1 (zh) |
Families Citing this family (22)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN113537552A (zh) * | 2021-04-28 | 2021-10-22 | 桂林电子科技大学 | 基于混合深度学习及注意力机制的学生表现预测方法 |
CN113837477B (zh) * | 2021-09-27 | 2023-06-27 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
CN116016219A (zh) * | 2022-12-20 | 2023-04-25 | 缀初网络技术(上海)有限公司 | 边缘云服务器流失预测方法及装置 |
CN116522764B (zh) * | 2023-04-17 | 2023-12-19 | 华中科技大学 | 一种考虑气候变化影响下的热浪-洪水复合灾害评估方法 |
CN116629465B (zh) * | 2023-07-26 | 2024-01-12 | 李波 | 智能电网视频监控与风险预测响应*** |
CN117034755B (zh) * | 2023-08-07 | 2024-06-18 | 兰州理工大学 | 一种融合多头注意力机制的冷轧钢力学性能预测方法 |
CN117390948A (zh) * | 2023-08-10 | 2024-01-12 | 苏州黑盾环境股份有限公司 | 基于多头注意力长短时记忆神经网络冷水机组监测方法 |
CN116910493B (zh) * | 2023-09-12 | 2023-12-08 | 山东能源数智云科技有限公司 | 基于多源特征提取的设备故障诊断模型的构建方法及装置 |
CN116956197B (zh) * | 2023-09-14 | 2024-01-19 | 山东理工昊明新能源有限公司 | 基于深度学习的能源设施故障预测方法、装置及电子设备 |
CN116933981B (zh) * | 2023-09-15 | 2023-12-08 | 安徽方能电气技术有限公司 | 基于停复电事件数据监测的区域电力稳定性分析评价方法 |
CN117422438B (zh) * | 2023-10-07 | 2024-03-29 | 国家电网有限公司华东分部 | 一种输电线路加固方案的确定方法及装置 |
CN117056402B (zh) * | 2023-10-12 | 2024-04-02 | 国网浙江省电力有限公司余姚市供电公司 | 一种基于多源信号的电机诊断方法、装置及存储介质 |
CN117056734B (zh) * | 2023-10-12 | 2024-02-06 | 山东能源数智云科技有限公司 | 基于数据驱动的设备故障诊断模型的构建方法及装置 |
CN117347803A (zh) * | 2023-10-25 | 2024-01-05 | 爱科特科技(海南)有限公司 | 一种局部放电检测方法、***、设备及介质 |
CN117150243B (zh) * | 2023-10-27 | 2024-01-30 | 湘江实验室 | 一种基于故障影响解耦网络的故障隔离与估计方法 |
CN117216485B (zh) * | 2023-11-09 | 2024-01-30 | 国网山东省电力公司电力科学研究院 | 一种基于客观赋权的输电录波鸟害故障判别方法及*** |
CN117495147B (zh) * | 2023-12-22 | 2024-03-22 | 中国石油大学(华东) | 一种考虑段间压裂工艺差异的裂缝网络扩展智能预测方法 |
CN117522177B (zh) * | 2024-01-08 | 2024-03-12 | 国网江苏省电力有限公司信息通信分公司 | 一种智能电网稳定性预测方法 |
CN117828490B (zh) * | 2024-03-06 | 2024-05-17 | 南京信息工程大学 | 一种基于集成学习的对台风灾害预报方法及*** |
CN117909719B (zh) * | 2024-03-19 | 2024-05-24 | 勤源(江苏)科技有限公司 | 基于自主学习算法的终端物联设备监控预警方法及*** |
CN117973440B (zh) * | 2024-04-02 | 2024-06-14 | 长江三峡集团实业发展(北京)有限公司 | 基于LSTM-Transformer模型的区域电离层延迟预测方法 |
CN117992861B (zh) * | 2024-04-04 | 2024-06-21 | 国网湖北省电力有限公司 | 一种电力数据精准度稽查方法及*** |
Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354757A (zh) * | 2008-09-08 | 2009-01-28 | 中国科学院地理科学与资源研究所 | 一种精细尺度下的动态风险及易损性预测方法 |
CN109814527A (zh) * | 2019-01-11 | 2019-05-28 | 清华大学 | 基于lstm循环神经网络工业设备故障预测方法及装置 |
JP2020042705A (ja) * | 2018-09-13 | 2020-03-19 | いすゞ自動車株式会社 | 故障予測装置、故障予測方法及びプログラム |
CN111191832A (zh) * | 2019-12-25 | 2020-05-22 | 国电南瑞科技股份有限公司 | 一种台风灾害配电网杆塔故障预测方法及*** |
CN113191585A (zh) * | 2021-03-23 | 2021-07-30 | 广东电网有限责任公司东莞供电局 | 一种输电线路的台风致灾风险评估方法 |
Family Cites Families (4)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
US9262124B2 (en) * | 2011-11-21 | 2016-02-16 | International Business Machines Corporation | Natural disaster forecasting |
US10050990B2 (en) * | 2014-12-29 | 2018-08-14 | Guidewire Software, Inc. | Disaster scenario based inferential analysis using feedback for extracting and combining cyber risk information |
CN109933881A (zh) * | 2019-03-06 | 2019-06-25 | 武汉大学 | 一种基于优化深度信念网络的电力电子电路故障诊断方法 |
CN113837477B (zh) * | 2021-09-27 | 2023-06-27 | 西安交通大学 | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 |
-
2021
- 2021-09-27 CN CN202111139000.6A patent/CN113837477B/zh active Active
-
2022
- 2022-03-17 WO PCT/CN2022/081314 patent/WO2023045278A1/zh unknown
Patent Citations (5)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN101354757A (zh) * | 2008-09-08 | 2009-01-28 | 中国科学院地理科学与资源研究所 | 一种精细尺度下的动态风险及易损性预测方法 |
JP2020042705A (ja) * | 2018-09-13 | 2020-03-19 | いすゞ自動車株式会社 | 故障予測装置、故障予測方法及びプログラム |
CN109814527A (zh) * | 2019-01-11 | 2019-05-28 | 清华大学 | 基于lstm循环神经网络工业设备故障预测方法及装置 |
CN111191832A (zh) * | 2019-12-25 | 2020-05-22 | 国电南瑞科技股份有限公司 | 一种台风灾害配电网杆塔故障预测方法及*** |
CN113191585A (zh) * | 2021-03-23 | 2021-07-30 | 广东电网有限责任公司东莞供电局 | 一种输电线路的台风致灾风险评估方法 |
Non-Patent Citations (5)
Title |
---|
A Stacking Ensemble Prediction Model for the Occurrences of Major Adverse Cardiovascular Events in Patients With Acute Coronary Syndrome on Imbalanced Data;Huilin Zheng等;IEEE Access;全文 * |
基于T-S模糊神经网络的模型在台风灾情预测中的应用――以海南为例;张广平;张晨晓;谢忠;;灾害学(第02期);全文 * |
应用机器学习技术预测强雨雪天气过程中的积雪;张远汀;龚伟伟;叶钰;徐希源;徐勋建;蔡泽林;陆佳政;韩俊浩;叶飞;许婧;;科学技术与工程(15);全文 * |
强台风环境下基于格点化和支持向量机的10 kV杆塔受损量预测方法;郑凌铭;舒胜文;陈彬;吴涵;黄建业;钱健;;高电压技术(第01期);全文 * |
风电机组智能状态评估与故障预测研究进展;李重桂;李录平;刘瑞;杨波;陈茜;邓子豪;;电站***工程(第04期);全文 * |
Also Published As
Publication number | Publication date |
---|---|
CN113837477A (zh) | 2021-12-24 |
WO2023045278A1 (zh) | 2023-03-30 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN113837477B (zh) | 数据双驱动的台风灾害下电网故障预测方法、装置和设备 | |
CN102496069B (zh) | 基于模糊层次分析法的电缆多状态安全运行评估方法 | |
CN106707099A (zh) | 基于异常用电检测模型的监测定位方法 | |
Yao et al. | A support vector machine with the tabu search algorithm for freeway incident detection | |
CN115270965B (zh) | 一种配电网线路故障预测方法和装置 | |
CN114548637A (zh) | 一种基于ahp-rst的电力通信骨干数据网络安全综合评估方法 | |
CN106778841A (zh) | 异常用电检测模型的建立方法 | |
CN113807570B (zh) | 基于XGBoost的水库大坝风险等级评估方法及*** | |
CN113327022B (zh) | 一种防雷安全风险管理***及方法 | |
CN109492756B (zh) | 基于深度学习的多要素导线舞动预警方法及相关装置 | |
CN111680875A (zh) | 基于概率基线模型的无人机状态风险模糊综合评价方法 | |
CN114186641B (zh) | 一种基于深度学习的滑坡易发性评价方法 | |
CN115130375A (zh) | 一种岩爆烈度预测方法 | |
CN106656357A (zh) | 一种工频通信信道状态评估***和方法 | |
Manninen et al. | Health index prediction of overhead transmission lines: a machine learning approach | |
CN114692692B (zh) | 一种基于微波衰减信号融合核极限学习机的降雪识别方法 | |
CN116738192A (zh) | 一种基于数字孪生的安全数据评估方法及*** | |
CN117238126A (zh) | 一种连续流道路场景下的交通事故风险评估方法 | |
CN113689053B (zh) | 一种基于随机森林的强对流天气架空线停电预测方法 | |
CN116976318A (zh) | 基于深度学习和模型推理的电网倒闸操作票智能审核*** | |
CN113780094B (zh) | 基于混合高斯模型和隐马尔可夫模型的周界入侵识别方法 | |
CN116029220B (zh) | 一种电压互感器运行误差评估方法、***、设备及介质 | |
CN117009923A (zh) | 基于多源信息融合的隧道超前地质灾害智能判识方法 | |
CN112232329A (zh) | 入侵信号识别的多核svm训练、报警方法、装置及*** | |
CN117272840B (zh) | 一种高速公路恶劣天气预警方法及*** |
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 | ||
GR01 | Patent grant | ||
GR01 | Patent grant |