[发明专利]一种基于深度神经网络的电网灾情评估方法

说明书

本发明公开了一种基于深度神经网络的电网灾情评估方法，包括获取历史电网灾情场景数据进行统计分析；对所述历史电网灾情场景数据进行预处理，利用灾情评估指标建立评级体系；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；经预处理的样本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；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，解决了现有基于场景的灾情评估优化模型具体的优化计算面临求解困难的问题。

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评估方法。

背景技术

近年来，电网运行环境日趋恶劣和复杂，雨雪冰冻、风暴潮、台风、暴雨雷电等强对流灾害，雾霾、大风、沙尘暴、山火等极端天气(指历史上罕见的气象事件，发生概率小、社会影响大)和用电服务，以及电网设施故障产生的危险隐患对电网的影响越来越大。电网发生的隐患不能及时了解及作出补救措施，导致在电网运行中会造成不可估量的损失。

目前，研究者通过建立灾害模型来进行电网灾情的评估，在重大灾害模型研究方面，国内外学者应用3S和计算机技术，结合各种数学方法，形成了大量的定性和定量化的灾情评估模型，随着这方面技术快速发展，自然灾害灾情评估模型库正逐渐成为防灾减灾工作的一种有效工具，为全面掌握和分析灾害损失，为应急管理提供了科学依据。但现有的基于场景的灾情评估优化模型的计算效果取决于场景数量的大小，为充分表示随机变量的特征，直接由场景生成方法得到的场景数量通常是巨大的，这将使得具体的优化计算面临求解困难，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。

鉴于上述现有基于场景的灾情评估优化模型存在的问题，提出了本发明。

因此，本发明解决的技术问题是：解决现有基于场景的灾情评估优化模型具体的优化计算面临求解困难的问题。

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评估方法，包括获取历史电网灾情场景数据进行统计分析；对所述历史电网灾情场景数据进行预处理，利用灾情评估指标建立评级体系；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；经预处理的样本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；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评估方法的一种优选方案，其中：利用获取的所述历史电网灾情场景数据进行预处理，并建立所述评级体系包括对灾情资料、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评估方法的一种优选方案，其中：构建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评估方法的一种优选方案，其中：所述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；获取所述比较序列与所述参考序列的关联系数；得出综合关联度。

作为本发明所述的基于深度神经网络的电网灾情评估方法的一种优选方案，其中：所述神经网络模型利用误差反向传播神经网络进行训练，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。