CN115034608A - 基于配网要素和神经网络的配网风险评估方法 - Google Patents
基于配网要素和神经网络的配网风险评估方法 Download PDFInfo
- Publication number
- CN115034608A CN115034608A CN202210644697.0A CN202210644697A CN115034608A CN 115034608 A CN115034608 A CN 115034608A CN 202210644697 A CN202210644697 A CN 202210644697A CN 115034608 A CN115034608 A CN 115034608A
- Authority
- CN
- China
- Prior art keywords
- distribution network
- clustering
- risk
- machine learning
- network elements
- 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
Links
- 238000013528 artificial neural network Methods 0.000 title claims abstract description 55
- 238000000034 method Methods 0.000 title claims abstract description 42
- 238000012502 risk assessment Methods 0.000 title claims abstract description 34
- 238000010801 machine learning Methods 0.000 claims abstract description 53
- 238000005457 optimization Methods 0.000 claims abstract description 27
- 238000004422 calculation algorithm Methods 0.000 claims abstract description 26
- 238000011156 evaluation Methods 0.000 claims abstract description 20
- 238000013210 evaluation model Methods 0.000 claims abstract description 17
- 238000012549 training Methods 0.000 claims abstract description 15
- 239000002245 particle Substances 0.000 claims description 31
- 238000004364 calculation method Methods 0.000 claims description 12
- 238000012706 support-vector machine Methods 0.000 claims description 7
- 210000002569 neuron Anatomy 0.000 claims description 6
- 230000006978 adaptation Effects 0.000 claims description 4
- 230000003044 adaptive effect Effects 0.000 claims description 4
- 239000013598 vector Substances 0.000 claims description 4
- 238000012937 correction Methods 0.000 claims description 3
- 230000005484 gravity Effects 0.000 claims description 3
- 238000013507 mapping Methods 0.000 claims description 3
- 230000010354 integration Effects 0.000 claims 2
- 238000004949 mass spectrometry Methods 0.000 description 9
- 239000011159 matrix material Substances 0.000 description 4
- 230000002776 aggregation Effects 0.000 description 2
- 238000004220 aggregation Methods 0.000 description 2
- 238000010276 construction Methods 0.000 description 2
- 230000000694 effects Effects 0.000 description 2
- 230000008569 process Effects 0.000 description 2
- 230000005540 biological transmission Effects 0.000 description 1
- 230000002860 competitive effect Effects 0.000 description 1
- 238000003066 decision tree Methods 0.000 description 1
- 238000011161 development Methods 0.000 description 1
- 238000005516 engineering process Methods 0.000 description 1
- 230000002068 genetic effect Effects 0.000 description 1
- 238000012423 maintenance Methods 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
- 238000012544 monitoring process Methods 0.000 description 1
- 238000010606 normalization Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000011160 research 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
- G06Q10/06—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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N20/00—Machine learning
- G06N20/10—Machine learning using kernel methods, e.g. support vector machines [SVM]
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
- G06N3/00—Computing arrangements based on biological models
- G06N3/004—Artificial life, i.e. computing arrangements simulating life
- G06N3/006—Artificial life, i.e. computing arrangements simulating life based on simulated virtual individual or collective life forms, e.g. social simulations or particle swarm optimisation [PSO]
-
- 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
-
- 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)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Economics (AREA)
- Strategic Management (AREA)
- General Physics & Mathematics (AREA)
- Entrepreneurship & Innovation (AREA)
- Software Systems (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- Health & Medical Sciences (AREA)
- Tourism & Hospitality (AREA)
- Development Economics (AREA)
- General Business, Economics & Management (AREA)
- Data Mining & Analysis (AREA)
- Mathematical Physics (AREA)
- Game Theory and Decision Science (AREA)
- Quality & Reliability (AREA)
- General Health & Medical Sciences (AREA)
- General Engineering & Computer Science (AREA)
- Computing Systems (AREA)
- Artificial Intelligence (AREA)
- Evolutionary Computation (AREA)
- Operations Research (AREA)
- Computational Linguistics (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Molecular Biology (AREA)
- Life Sciences & Earth Sciences (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Medical Informatics (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明公开了一种基于配网要素和神经网络的配网风险评估方法，包括以下步骤：S1、对配网要素进行聚类，获取配网关键要素，所述配网要素包括评估区域内的内部数据和外部数据；S2、通过配网关键要素对集合神经网络进行训练，获得风险评估模型，所述集合神经网络采用优化算法进行训练；S3、通过风险评估模型动态评估配网风险，将预测样本集输入风险评估模型，风险评估模型输出预测结果对配网风险进行评估。本发明根据不同配网要素进行聚类，可大大降低风险预测的机器模型难度，集合多个机器学习对配网风险进行动态评估，对大量数据信息进行有效的分析，能更全面合理地评估风险，避免或减少由于配电网故障引起的停电损失，提高供电可靠性和电能质量。
Description
技术领域
本发明涉及电力技术领域，具体地说，尤其涉及一种基于配网要素和神经网络的配网风险评估方法。
背景技术
配电网作为连接输电网络与用户的重要中间环节，其运行态势直接影响用电可靠性和电能质量。随着社会经济的不断发展，配电网的建设、运行及管理开始进入“精细化”阶段，而其作为坚强智能电网建设的关键环节之一，全社会都对其比较关注。随着配电网规模日渐增大，其网络结构也日渐复杂，所以配电网运行数据采集的难度也日渐增大，并且其影响因素众多，仅从单一方面难以对配电网运行态势进行描述，需要汇集多方面指标的信息，因此增加了配电网风险评估的难度。
发明内容
本发明的目的在于解决现有技术难以对配电网风险进行评估的问题，提供一种基于配网要素和神经网络的配网风险评估方法，对评估区域的大量数据进行有效的分析，能更全面合理地对配网风险进行评估。
为了实现上述目的，本发明所采用的技术方案如下：
一种基于配网要素和神经网络的配网风险评估方法，包括以下步骤：
S1、对配网要素进行聚类，获取配网关键要素，所述配网要素包括评估区域内的内部数据和外部数据；
S2、通过配网关键要素对集合神经网络进行训练，获得风险评估模型，所述集合神经网络采用优化算法进行训练；
S3、通过风险评估模型动态评估配网风险，将预测样本集输入风险评估模型，风险评估模型输出预测结果对配网风险进行评估。
进一步，所述内部数据包括电压***、巡视APP、营配、资产一体化***、电能量平台、计量自动化***、营销一体化***、营销运监***、能量管理***、电网运行管理***、配用电***、快速复电***的数据。
进一步，所述外部数据包括气象、人口、地域、经济、时间节气的数据。
进一步，步骤S1中，对配网要素进行聚类的方式为；首先预设所述配网要素的预设聚类数目，获取预设聚类数目的聚类误差，由预设聚类误差确定配网要素的最优聚类数目；根据配网要素最优聚类数目，将配网要素聚类，获得多个配网关键要素。
进一步，根据配网要素最优聚类数目，将配网要素聚类的方式为：将配网要素的数据输入，随机选择一个点作为初始聚类中心点，根据训练数据与聚类中心点的距离计算成为下一聚类中心的概率，轮盘法选出下一聚类中心，判断聚类中心数目是否达到最优聚类数目，若没有达到，继续进行聚类，若达到最优聚类数目，将每个配网要素分配到与聚类中心欧式距离最近的点，依据均值重新计算各族聚类中心，若收敛则输出聚类结果，若不收敛重新进行分配到与聚类中心欧式距离最近的点，依据均值重新计算各族聚类中心，直到收敛。
进一步，集合神经网络包括神经网络、支持向量机、极限学习机和/或其他机器学习。
进一步，步骤S2中，采用优化算法对集合神经网络进行训练的方式为：设置优化算法的种群规模、粒子维度数目、最大迭代次数、横向交叉概率和纵向交叉概率参数；计算每个优化粒子的适配值，得到优化粒子的个体最优值和全局最优值，再将所述优化粒子的个体最优值和全局最优值进行比较，取适配值更优者作为当前最优位置对集合神经网络的参数进行调整。
进一步，采用优化算法对集合神经网络进行训练时，建立优化粒子与风险评估模型的权值和阈值之间的映射，即将风险评估模型的权值和阈值编码成实数向量表示种群中的个体，所述权值与阈值构成了优化算法的初始种群。
进一步，采用优化算法对集合神经网络进行训练时，优化对象包括修正量对隐含层与输出层之间的连接权值、输出层各神经元的阈值、输入层与隐含层之间的连接权值、进行隐含层各神经元的阈值。
进一步，步骤S2中，为优化集合神经网络中不同机器学习结果的权重，采用虚拟预测计算不同机器学习模型的相对误差熵值与变异程度系数，包括以下步骤：
S21、计算第j个机器学习模型在第t时刻的相对误差的比重pjt，pjt的计算公式为：
式中，ejt为t时刻第j种机器学习预测方法的预测相对误差；yt为t时刻的实际值；yjt为t时刻第j种机器学习预测方法的预测值；
k为机器学习模型数目；
S22、计算第j个机器学习模型的预测相对误差的熵值Hj，Hj的计算公式为：
式中，n表示学习总时长，pjt为t时刻第j个机器学习模型的相对误差的比重；
S23、计算第j个机器学习模型的预测相对误差的变异程度系数Dj，Dj的计算公式为：
Dj＝1-Hj
式中，Hj为第j个机器学习模型的预测相对误差的熵值；
S24、计算第j个机器学习模型的权重系数Wj，Wj的计算公式为：
式中，Dj为第j个机器学习模型的预测相对误差的变异程度系数，k为机器学习模型数目，
与现有技术相比，本发明根据不同配网要素指标对评估区域进行聚类，可大大降低评估区域风险预测的机器模型难度，集合多个机器学习的风险评估模型对评估区域低压部分运行风险进行动态评估，对评估区域运行与故障过程中产生的大量数据信息进行有效的分析，并正确选择风险指标，建立更全面合理的风险评估***评估风险，避免或减少由于配电网故障引起的停电损失，提高供电可靠性和电能质量。
附图说明
图1为本发明基于配网要素和神经网络的配网风险评估方法实施例的总体流程图。
图2为本发明基于配网要素和神经网络的配网风险评估方法实施例的聚类流程图。
图3为本发明基于配网要素和神经网络的配网风险评估方法实施例的风险评估模型流程图。
具体实施方式
下面结合附图和具体实施例对本发明一种基于配网要素和神经网络的配网风险评估方法作进一步说明。
请参阅图1，本发明公开了一种基于配网要素和神经网络的配网风险评估方法，具体包括以下步骤：
S1、对配网要素进行聚类，获取配网关键要素，所述配网要素包括评估区域内的内部数据和外部数据。
S2、通过配网关键要素对集合神经网络进行训练，获得风险评估模型，所述集合神经网络采用优化算法进行训练。
S3、通过风险评估模型动态评估配网风险，将预测样本集输入风险评估模型，风险评估模型输出预测结果对配网风险进行评估。
所述内部数据包括电压***、巡视APP、营配(供电可靠性)、营配(快速复电)、资产一体化***、电能量平台、计量自动化***、营销一体化***、营销运监***、EMS(能量管理***)、电网运行管理***、配用电***、快速复电***等业务***的数据。所述外部数据包括气象、人口、地域、经济、时间节气等的数据。
根据不同配网要素指标对评估区域进行聚类，可大大降低评估区域风险预测的机器模型难度。由于评估区域风险评估涉及到相关性因子及故障指标因素众多，如何对此高维数据进行准确聚类是一个难点问题。针对评估区域风险预测特点，本发明首先对配网要素进行聚类，获取配网关键要素。具体实施步骤如下：
将配网要素的数据进行聚类。首先预设所述配网要素的预设聚类数目为J，J＝8-12，J优选为10。获取预设聚类数目的聚类误差，由预设聚类误差确定配网要素的最优聚类数目。
聚类误差表示为：
其中，Ci是第i个聚类，p是Ci中的样本点，mi是Ci中所有样本的均值，SSE是所有样本的聚类误差，代表了聚类效果的好坏，k∈J表示预设聚类数目中的一聚类数目。
当k小于真实聚类数目时，J的增大会大幅增加每个簇的聚合程度，故SSE的下降幅度会很大，而当J到达最优聚类数目时，再增加J所得到的聚合程度回报会迅速变小，所以SSE的下降幅度会骤减，然后随着J值的继续增大而趋于平缓，由此即可判断当J＝k时为最优聚类数目。
根据所述最优聚类数目，对配网要素进行聚类，具体步骤如图2所示，将配网要素的数据输入，随机选择一个点作为初始聚类中心点，根据训练数据与聚类中心点的距离计算成为下一聚类中心的概率，轮盘法选出下一聚类中心，判断聚类中心数目是否达到最优聚类数目，若没有达到，继续进行聚类，若达到最优聚类数目，将每个配网要素分配到与聚类中心欧式距离最近的点，依据均值重新计算各族聚类中心，若收敛则输出聚类结果，若不收敛重新进行分配到与聚类中心欧式距离最近的点，依据均值重新计算各族聚类中心，直到收敛。
确定配网要素最优聚类数目后，将配网要素聚类，获得多个配网关键要素，配网关键要素包括中压台风影响、评估区域综合治理机制、低压跳闸、低压故障、气象和时间节气。通过集合神经网络对配网关键要素进行学习，确定配网关键要素的权重系数，建立风险评估模型，通过风险评估模型输出预测结果对配网风险进行评估。
单一机器学习预测方法在不同环境下其评估区域过载风险预测效果存在较大差异，同时缺乏动态自适应预测能力。如图3所示，本实施例中，集合神经网络包括神经网络、支持向量机、极限学习机和其他机器学习，其他机器学习可为决策树、随机森林、贝叶斯学习等。将神经网络、支持向量机、极限学习机和其他机器学习进行集合能够综合发挥不同机器模型的优点，可以提供更为优越的泛化性能，为自适应预测技术指明了方向。集合机器学习通过产生一组个体学习器(或称为弱学习器，其通常由现有的学习算法从训练数据中产生，如神经网路、支持向量机等)，再利用某种策略将它们结合起来，从而形成风险评估模型。
神经网络、支持向量机、极限学习机和其他机器学习时，需要针对不同算法进行针对性训练及超参数优化。典型机器学习如神经网络、支持向量机，极限学习机在进行大规模训练学习时，算法容易遭受局部最优和早熟，出现训练停滞问题，从而影响预测精度和泛化推广能力。本发明采用优化算法对集合神经网络进行训练，采用优化算法训练时，可有效避免局部最优和早熟问题，相比遗传算法、粒子群算法等，优化算法在解决维数灾难问题和全局收敛性能方面具有明显的优势。
采用优化算法对集合神经网络进行训练的方式为：设置优化算法的种群规模、粒子维度数目、最大迭代次数、横向交叉概率和纵向交叉概率参数；计算每个优化粒子的适配值，得到优化粒子的个体最优值和全局最优值；再将所述优化粒子的个体最优值和全局最优值进行比较，取适配值更优者作为当前最优位置对集合神经网络的参数进行调整。
采用优化算法对集合神经网络进行训练时，建立优化粒子与风险评估模型的权值和阈值之间的映射，即将风险评估模型的权值和阈值编码成实数向量表示种群中的个体，随机产生成这些实数向量的群体，优化对象包括：修正量对隐含层与输出层之间的连接权值、输出层各神经元的阈值、输入层与隐含层之间的连接权值、进行隐含层各神经元的阈值，所述权值与阈值构成了优化算法的初始种群。
具体地，本实施例采用优化算法对集合神经网络进行训练，包括：
(1)初始化种群
假设X是一个随机生成的具有D列和M行的矩阵，它表示由M个个体组成的D维总体。
(2)横向交叉操作
对种群中所有粒子进行两两不重复随机组合，共M/2对组合，对每对组合，根据下式对粒子进行横向交叉：
式中，r1和r2是[0,1]上均匀分布的随机值；c1和c2是[-1,1]上均匀分布的随机值；X(i,d)和X(j,d)分别为父代粒子X(i)、X(j)的第d维；MShc(i,d)和MShc(j,d)分别为X(i)、X(j)通过横向交叉产生的第d维子代，称为中庸解。
横向交叉结果保存在中庸解矩阵MShc中，计算粒子适应度值，并与其父代粒子X(i)、X(j)的适应度值作比较，适应度值小的保留在X中，参与下一次迭代。
对横向交叉得到的粒子的每一维进行归一化，然后对粒子所有的维进行不重复两两随机配对，共D/2对，对任意一对维，生成一个随机数rand，若rand<Pv(Pv通常取0.2～0.8)，则对该对维进行纵向交叉操作。
(3)纵向交叉操作
与横向交叉不同，纵向交叉式所有粒子在不同维之间进行的操作。假设纵向交叉是在粒子X(i)的d1和d2维上进行的，则它们进行纵向交叉后产生的中庸解MSvc(i,d)为：
MSvc(i,d)＝r·X(i,d1)+(1-r)·X(i,d2)
i∈N(1,M),d1,d2∈N(1,D)
式中，X(i,d1)表示父代粒子X(i)的第1维，X(i,d2)表示父代粒子X(i)的第2维，r为[0,1]上均匀分布的随机数；MSvc(i,d)为粒子i第d1维和d2维纵向交叉后产生的子代。
纵向交叉结果保存在中庸解矩阵MSvc中，对纵向交叉结果反归一化后，计算中庸解矩阵中粒子的适应度值，与其父代粒子进行适应度值比较，适应度值好的粒子保存在X中，进行下一次迭代。
通过横向交叉和纵向交叉产生的子代和父代进行竞争操作，不断产生新的种群；若新的适应值优于当前个体最优，则用该适应值取代当前个体最优；若更新后的个体最优值优于当前全局最优解，则用该个体最优值取代当前全局最优解，以完成对风险评估模型的优化。
在集合多个混合机器学习模型框架下，基于不同机器学习算法获得评估区域风险预测结果存在差异，如何优化不同机器学习结果的权重是集合机器学习方法是否应用成功的关键。本发明采用虚拟预测计算不同机器学习模型针对不同预测尺度的相对误差熵值与变异程度系数，从而解决评估区域风险预测集合机器学习预测权重系数难以确定和动态自适应能力差的问题。主要实施步骤如下：
S21、计算第j个机器学习模型在第t时刻的相对误差的比重pjt，pjt的计算公式为：
式中，ejt为t时刻第j种机器学习预测方法的预测相对误差；yt为t时刻的实际值；yjt为t时刻第j种机器学习预测方法的预测值；
k为机器学习模型数目；本发明中设置k＝4。
S22、计算第j个机器学习模型的预测相对误差的熵值Hj，Hj的计算公式为：
式中，n表示总学习时长，pjt为t时刻第j个机器学习模型的相对误差的比重；
S23、计算第j个机器学习模型的预测相对误差的变异程度系数Dj，Dj的计算公式为：
Dj＝1-Hj
式中，Hj为第j个机器学习模型的预测相对误差的熵值；
S24、计算第j个机器学习模型的权重系数Wj，Wj的计算公式为：
式中，Dj为第j个机器学习模型的预测相对误差的变异程度系数，k为机器学习模型数目，
综上所述，本发明采用上述集合多个机器学***，为迎峰度夏、节假日保供电和日常的主动服务和主动检修等提供支撑。
上述说明是针对本发明较佳可行实施例的详细说明，但实施例并非用以限定本发明的专利申请范围，凡本发明所揭示的技术精神下所完成的同等变化或修饰变更，均应属于本发明所涵盖专利范围。
Claims (10)
1.一种基于配网要素和神经网络的配网风险评估方法，其特征在于，包括以下步骤：
S1、对配网要素进行聚类，获取配网关键要素，所述配网要素包括评估区域内的内部数据和外部数据；
S2、通过配网关键要素对集合神经网络进行训练，获得风险评估模型，所述集合神经网络采用优化算法进行训练；
S3、通过风险评估模型动态评估配网风险，将预测样本集输入风险评估模型，风险评估模型输出预测结果对配网风险进行评估。
2.如权利要求1的基于配网要素和神经网络的配网风险评估方法，其特征在于，所述内部数据包括电压***、巡视APP、营配、资产一体化***、电能量平台、计量自动化***、营销一体化***、营销运监***、能量管理***、电网运行管理***、配用电***、快速复电***的数据。
3.如权利要求1的基于配网要素和神经网络的配网风险评估方法，其特征在于，所述外部数据包括气象、人口、地域、经济、时间节气的数据。
4.如权利要求1的基于配网要素和神经网络的配网风险评估方法，其特征在于，步骤S1中，对配网要素进行聚类的方式为；首先预设所述配网要素的预设聚类数目，获取预设聚类数目的聚类误差，由预设聚类误差确定配网要素的最优聚类数目；根据配网要素最优聚类数目，将配网要素聚类，获得多个配网关键要素。
5.如权利要求4的基于配网要素和神经网络的配网风险评估方法，其特征在于，根据配网要素最优聚类数目，将配网要素聚类的方式为：将配网要素的数据输入，随机选择一个点作为初始聚类中心点，根据训练数据与聚类中心点的距离计算成为下一聚类中心的概率，轮盘法选出下一聚类中心，判断聚类中心数目是否达到最优聚类数目，若没有达到，继续进行聚类，若达到最优聚类数目，将每个配网要素分配到与聚类中心欧式距离最近的点，依据均值重新计算各族聚类中心，若收敛则输出聚类结果，若不收敛重新进行分配到与聚类中心欧式距离最近的点，依据均值重新计算各族聚类中心，直到收敛。
6.如权利要求1的基于配网要素和神经网络的配网风险评估方法，其特征在于，集合神经网络包括神经网络、支持向量机、极限学习机和/或其他机器学习。
7.如权利要求1的基于配网要素和神经网络的配网风险评估方法，其特征在于，步骤S2中，采用优化算法对集合神经网络进行训练的方式为：设置优化算法的种群规模、粒子维度数目、最大迭代次数、横向交叉概率和纵向交叉概率参数；计算每个优化粒子的适配值，得到优化粒子的个体最优值和全局最优值；再将所述优化粒子的个体最优值和全局最优值进行比较，取适配值更优者作为当前最优位置对集合神经网络的参数进行调整。
8.如权利要求7的基于配网要素和神经网络的配网风险评估方法，其特征在于，采用优化算法对集合神经网络进行训练时，建立优化粒子与风险评估模型的权值和阈值之间的映射，即将风险评估模型的权值和阈值编码成实数向量表示种群中的个体，所述权值与阈值构成了优化算法的初始种群。
9.如权利要求8的基于配网要素和神经网络的配网风险评估方法，其特征在于，采用优化算法对集合神经网络进行训练时，优化对象包括修正量对隐含层与输出层之间的连接权值、输出层各神经元的阈值、输入层与隐含层之间的连接权值、进行隐含层各神经元的阈值。
10.如权利要求7的基于配网要素和神经网络的配网风险评估方法，其特征在于，步骤S2中，为优化集合神经网络中不同机器学习结果的权重，采用虚拟预测计算不同机器学习模型的相对误差熵值与变异程度系数，包括以下步骤：
S21、计算第j个机器学习模型在第t时刻的相对误差的比重pjt，pjt的计算公式为：
式中，ejt为t时刻第j种机器学习预测方法的预测相对误差；yt为t时刻的实际值；yjt为t时刻第j种机器学习预测方法的预测值；
j＝1，2，…，k；k为机器学习模型数目；
S22、计算第j个机器学习模型的预测相对误差的熵值Hj，Hj的计算公式为：
式中，n表示学习总时长，pjt为t时刻第j个机器学习模型的相对误差的比重；
S23、计算第j个机器学习模型的预测相对误差的变异程度系数Dj，Dj的计算公式为：
Dj＝1-Hj
式中，Hj为第j个机器学习模型的预测相对误差的熵值；
S24、计算第j个机器学习模型的权重系数Wj，Wj的计算公式为：
式中，Dj为第j个机器学习模型的预测相对误差的变异程度系数，k为机器学习模型数目，
Priority Applications (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210644697.0A CN115034608A (zh) | 2022-06-09 | 2022-06-09 | 基于配网要素和神经网络的配网风险评估方法 |
Applications Claiming Priority (1)
| Application Number | Priority Date | Filing Date | Title |
|---|---|---|---|
| CN202210644697.0A CN115034608A (zh) | 2022-06-09 | 2022-06-09 | 基于配网要素和神经网络的配网风险评估方法 |
Publications (1)
| Publication Number | Publication Date |
|---|---|
| CN115034608A true CN115034608A (zh) | 2022-09-09 |
Family
ID=83122133
Family Applications (1)
| Application Number | Title | Priority Date | Filing Date |
|---|---|---|---|
| CN202210644697.0A Pending CN115034608A (zh) | 2022-06-09 | 2022-06-09 | 基于配网要素和神经网络的配网风险评估方法 |
Country Status (1)
| Country | Link |
|---|---|
| CN (1) | CN115034608A (zh) |
Cited By (1)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703165A (zh) * | 2023-08-03 | 2023-09-05 | 国网山西省电力公司营销服务中心 | 一种电力计量数据安全风险评估方法及装置 |
-
2022
- 2022-06-09 CN CN202210644697.0A patent/CN115034608A/zh active Pending
Cited By (2)
| Publication number | Priority date | Publication date | Assignee | Title |
|---|---|---|---|---|
| CN116703165A (zh) * | 2023-08-03 | 2023-09-05 | 国网山西省电力公司营销服务中心 | 一种电力计量数据安全风险评估方法及装置 |
| CN116703165B (zh) * | 2023-08-03 | 2024-01-19 | 国网山西省电力公司营销服务中心 | 一种电力计量数据安全风险评估方法及装置 |
Similar Documents
| Publication | Publication Date | Title |
|---|---|---|
| CN107516170B (zh) | 一种基于设备故障概率和电网运行风险的差异自愈控制方法 | |
| CN116070886B (zh) | 水资源***多维适应性调控方法及*** | |
| CN104123595B (zh) | 一种配电网负荷预测方法及*** | |
| CN105069519A (zh) | 一种智能电网园区终端用户能源需求状况动态预测***及方法 | |
| CN111191854A (zh) | 一种基于线性回归及神经网络的光伏发电预测模型和方法 | |
| CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
| TWI540533B (zh) | 智慧型短期電力發電量預測方法 | |
| CN111461921B (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
| CN112668821A (zh) | 一种基于风沙区域绝缘子故障概率的配电线路风险分析方法 | |
| CN111612244A (zh) | 基于qra-lstm的日前光伏功率非参数概率预测方法 | |
| CN113379116A (zh) | 基于聚类和卷积神经网络的台区线损预测方法 | |
| CN109190786A (zh) | 一种光伏发电效率的组合预测方法 | |
| Sun et al. | Edge computing terminal equipment planning method for real-time online monitoring service of power grid | |
| CN115034608A (zh) | 基于配网要素和神经网络的配网风险评估方法 | |
| CN113327047B (zh) | 基于模糊综合模型的电力营销服务渠道决策方法及*** | |
| CN104778368A (zh) | 一种针对高维多目标优化问题的Pareto集个体排序方法 | |
| CN112488443B (zh) | 一种基于数据驱动的配电设备利用率评估的方法及*** | |
| CN114611757A (zh) | 基于遗传算法与改进深度残差网络的电力***短期负荷预测方法 | |
| CN115622056B (zh) | 一种基于线性加权和选解法的储能优化配置方法及*** | |
| CN112836876A (zh) | 一种基于深度学习的配电网线路负荷预测方法 | |
| CN109615142A (zh) | 一种基于小波分析的风电场风速组合预测方法 | |
| CN115186882A (zh) | 一种基于聚类的可控负荷空间密度预测方法 | |
| CN113822473B (zh) | 一种基于多维数据的牵引力能耗合理区间预测方法 | |
| Chen et al. | Short-time photovoltaic power prediction considering relative influential factor based on typical weather conditions | |
| Li et al. | Flexible transmission network expansion planning under uncertainty based on a self-adaptive clustering technique |
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 |