[发明专利]数据双驱动的台风灾害下电网故障预测方法、装置和设备

权利要求书

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2.3、针对每一个危险类样本，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，使用线性插值生成轻度故障类新样本；

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3.3.2、根据矩阵元素得到每一个混淆矩阵对应的一组真阳性、假阳性、真阴性和假阴性，进而得到相应的查准率和查全率；

步骤3.3.3、根据查准率、查全率和F1度量得到宏查准率、宏查全率和宏F1值；

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。