电网暴雨长期预测关键因子选取方法、装置及预测系统与流程

本公开涉及电网技术领域，尤其涉及一种电网暴雨长期预测关键因子选取方法、装置及预测系统。

背景技术：

电网暴雨灾害是夏季威胁电网最为严重的外部环境自然灾害，其带来的短时强降水容易导致变电站等重要电力设备淹没，造成电力设备损坏；同时，电网暴雨所引发的次生灾害如滑坡和泥石流等，可能造成杆塔倒塔和断线等事故；此外，电网暴雨容易导致水力发电站水库弃水，造成经济损失。

电网暴雨长期预测可提前预测不同地区电网暴雨的发生趋势，指导电网提前制定暴雨灾害防治措施和预案，最大化地减少暴雨灾害给电网带来的损失。但暴雨长期预测的关键因子(即影响暴雨长期预测的因素)众多，过多的输入变量会导致电网暴雨长期预测准确率大幅度降低，同时预测的计算量急剧增加。因此，电网暴雨长期预测关键因子的选取具有重要意义。

技术实现要素：

为了解决上述技术问题或者至少部分地解决上述技术问题，本公开提供了一种电网暴雨长期预测关键因子选取方法、装置及预测系统。

本公开提供了一种电网暴雨长期预测关键因子选取方法，包括：

基于待选取关键因子搭建bp神经网络，其中，待选取关键因子不同，搭建的bp神经网络不同，且降水量预测值作为所述bp神经网络的输出；

基于所述bp神经网络，从所述待选取关键因子中随机选取至少n-k个关键因子进行m次降水量预测值的计算，其中，n为待选取关键因子的个数，k大于或等于0，m为大于2的整数，且在每次降水量预测值的计算中，选取的关键因子不同；

在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；

基于所述预测准确率确定各选取的关键因子的影响指标；

对各所述影响指标由高到低进行排序，选取排名前q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。

可选的，随机选取至少n-k个关键因子采用蒙特卡洛抽样法。

可选的，基于所述预测准确率确定各选取的关键因子的影响指标，包括：

在i次降水量预测值的计算中，基于所述预测准确率及第j个关键因子的选取情况，确定第j个关键因子的第一影响指标；

基于第j个关键因子在m次降水量预测值计算得到的所述第一影响指标，确定第j个关键因子的第二影响指标，并作为所述第j个关键因子的影响指标。

可选的，所述第一影响指标的计算方法如下：

其中，r0为k等于0时得到的预测准确率，ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率；

所述第二影响指标的计算方法如下：

其中，l为第j个关键因子在m次降水量预测值计算中第一影响指标不为0的个数。

本公开提供了一种电网暴雨长期预测关键因子选取装置，包括：

神经网络搭建模块，用于基于待选取关键因子搭建bp神经网络，其中，待选取关键因子不同，搭建的bp神经网络不同，且降水量预测值作为所述bp神经网络的输出；

预测值计算模块，用于基于所述bp神经网络，从所述待选取关键因子中随机选取至少n-k个关键因子进行m次降水量预测值的计算，其中，n为待选取关键因子的个数，k大于或等于0，m为大于2的整数，且在每次降水量预测值的计算中，选取的关键因子不同；

准确率计算模块，用于在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；

影响指标确定模块，用于基于所述预测准确率确定各选取的关键因子的影响指标；

关键因子选取模块，用于对各所述影响指标由高到低进行排序，选取排名前q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。

可选的，随机选取至少n-k个关键因子采用蒙特卡洛抽样法。

可选的，所述影响指标确定模块包括：

第一影响指标确定单元，用于在i次降水量预测值的计算中，基于所述预测准确率及第j个关键因子的选取情况，确定第j个关键因子的第一影响指标；

第二影响指标确定单元，用于基于第j个关键因子在m次降水量预测值计算得到的所述第一影响指标，确定第j个关键因子的第二影响指标，并作为所述第j个关键因子的影响指标。

可选的，所述第一影响指标的计算方法如下：

其中，r0为k等于0时得到的预测准确率，ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率；

所述第二影响指标的计算方法如下：

其中，l为第j个关键因子在m次降水量预测值计算中第一影响指标不为0的个数。

本公开提供了一种电网暴雨长期预测系统，包括：

处理器；

用于存储所述处理器可执行指令的存储器；

所述处理器，用于从所述存储器中读取所述可执行指令，并执行所述指令以实现本公开提供的电网暴雨长期预测关键因子选取方法。

本公开实施例提供的技术方案与现有技术相比具有如下优点：

本公开实施例提供的技术方案基于待选取关键因子搭建bp神经网络；基于bp神经网络，从待选取关键因子中随机选取至少n-k个关键因子进行m次降水量预测值的计算；在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；基于预测准确率确定各选取的关键因子的影响指标；对各影响指标由高到低进行排序，选取排名前q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。由此，本公开实施例通过选取电网暴雨长期预测关键因子，提高了电网暴雨长期预测的准确率，减少了预测的计算量。

附图说明

此处的附图被并入说明书中并构成本说明书的一部分，示出了符合本公开的实施例，并与说明书一起用于解释本公开的原理。

为了更清楚地说明本公开实施例或现有技术中的技术方案，下面将对实施例或现有技术描述中所需要使用的附图作简单地介绍，显而易见地，对于本领域普通技术人员而言，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他的附图。

图1为本公开实施例提供的电网暴雨长期预测关键因子选取方法的流程示意图；

图2为本公开实施例提供的电网暴雨长期预测关键因子选取装置的结构框图；

图3为本公开实施例提供的电网暴雨长期预测系统的结构示意图。

具体实施方式

为了能够更清楚地理解本公开的上述目的、特征和优点，下面将对本公开的方案进行进一步描述。需要说明的是，在不冲突的情况下，本公开的实施例及实施例中的特征可以相互组合。

在下面的描述中阐述了很多具体细节以便于充分理解本公开，但本公开还可以采用其他不同于在此描述的方式来实施；显然，说明书中的实施例只是本公开的一部分实施例，而不是全部的实施例。

图1为本公开实施例提供的电网暴雨长期预测关键因子选取方法的流程示意图。该关键因子选取方法适用于电网暴雨长期预测的情况，可以由电网暴雨长期预测关键因子选取装置执行，其中该电网暴雨长期预测关键因子选取装置可以采用软件和/或硬件的方式实现，一般可集成在电网暴雨长期预测系统中。如图1所示，本公开实施例提供的一种电网暴雨长期预测关键因子选取方法，包括：

步骤110、基于待选取关键因子搭建bp神经网络。

其中，待选取关键因子不同，搭建的bp神经网络不同，且降水量预测值作为bp神经网络的输出。示例性的，若待选取关键因子的个数相同，但其中至少一个选取关键因子不同，则搭建的bp神经网络不同；若待选取关键因子的个数不同，则搭建的bp神经网络不同。即对于选取的任意一组选取关键因子，均需要通过所包含的关键因子进行bp神经网络训练来搭建bp神经网络。

步骤120、基于bp神经网络，从待选取关键因子中随机选取至少n-k个关键因子进行m次降水量预测值的计算。

其中，n为待选取关键因子的个数，k大于或等于0，m为大于2的整数，且在每次降水量预测值的计算中，选取的关键因子不同。

本方案中，在从待选取关键因子中随机选取至少n-k个关键因子后，确定该至少n-k个关键因子对应的bp神经网络，将从待选取关键因子中随机选取至少n-k个关键因子作为对应的bp神经网络的输入，则经由该bp神经网络输出对应的降水量预测值。在本公开一些实施例中，降水量预测值可以为一个月的降水量。

在本公开一些优选实施例中，随机选取至少n-k个关键因子采用蒙特卡洛抽样法。由此，在保证计算值接近真实值的情况下，减少运算次数，提高运算速度。

步骤130、在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率。

其中，历史降水量测量值为历史相同月份测得的降水量。预测准确率越高，说明选取的至少n-k个关键因子通过bp神经网络计算得到的降水量预测值越接近历史降水量测量值，即预测结果越准确。

步骤140、基于预测准确率确定各选取的关键因子的影响指标。

具体的，在i次降水量预测值的计算中，基于预测准确率及第j个关键因子的选取情况，确定第j个关键因子的第一影响指标；

基于第j个关键因子在m次降水量预测值计算得到的第一影响指标，确定第j个关键因子的第二影响指标，并作为第j个关键因子的影响指标。

可选的，第一影响指标的计算方法如下：

其中，r0为k等于0时得到的预测准确率，ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率；

第二影响指标的计算方法如下：

其中，l为第j个关键因子在m次降水量预测值计算中第一影响指标不为0的个数。

步骤150、对各影响指标由高到低进行排序，选取排名前q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。

该方案中，关键因子的影响指标越高，说明对电网暴雨长期预测准确率的影响越大，关键因子的影响指标越低，说明对电网暴雨长期预测的干扰越大。因此，本公开通过选取影响指标较高的多个关键因子用于电网暴雨长期预测，减少了电网暴雨长期预测时的关键因子的数量，即滤除了干扰预测准确率的关键因子，从而提高了电网暴雨长期预测的准确率，同时，关键因子数量的减少，大大减少了电网暴雨长期预测的计算量。

本公开实施例提供的技术方案基于待选取关键因子搭建bp神经网络；基于bp神经网络，从待选取关键因子中随机选取至少n-k个关键因子进行m次降水量预测值的计算；在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；基于预测准确率确定各选取的关键因子的影响指标；对各影响指标由高到低进行排序，选取排名前q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。由此，本公开实施例通过选取电网暴雨长期预测关键因子，提高了电网暴雨长期预测的准确率，减少了预测的计算量。

基于上述技术方案，在本公开一具体实施例中，电网暴雨长期预测关键因子选取方法包括：

1、电网某区域待选取的11个电网暴雨长期预测关键因子为{印度副高面积指数,印缅槽,厄尔尼诺指数,东亚大槽强度指数,亚洲径向环流指数,亚洲纬向环流指数,亚洲极涡,南方涛动指数,西南低涡,副热带高压,西太平洋副高面积指数}，降水量预测值(当月降水总量)记为pr；

2、搭建bp神经网络，待选取的11个电网暴雨长期预测关键因子作为输入，pr作为输出，此时预测准确率为72.3％；

3、总共进行100次降水量预测值的计算，在第i次计算中，从11个电网暴雨长期预测关键因子中随机选取不少于7个因子作为输入，pr作为输出，计算此时的bp神经网络的预测准确率为ri，同时计算第j个预测关键因子的影响指标rji；

4、计算电网暴雨长期预测关键因子的影响指标：

{0.397,0.662,0.557,0.062,0.613,0.126,0.334,0.003,0.667,0.403,0.646}

5、将电网暴雨长期预测关键因子根据对应的影响指标由高到低进行排序，取出排名前4个影响指标对应的关键因子，即可生成电网暴雨长期预测关键因子集{副热带高压,印缅槽,厄尔尼诺指数,西南低涡}。

图2为本公开实施例提供的电网暴雨长期预测关键因子选取装置的结构框图。如图2所示，本公开提供的一种电网暴雨长期预测关键因子选取装置，包括：

神经网络搭建模块201，用于基于待选取关键因子搭建bp神经网络，其中，待选取关键因子不同，搭建的bp神经网络不同，且降水量预测值作为bp神经网络的输出；

预测值计算模块202，用于基于bp神经网络，从待选取关键因子中随机选取至少n-k个关键因子进行m次降水量预测值的计算，其中，n为待选取关键因子的个数，k大于或等于0，m为大于2的整数，且在每次降水量预测值的计算中，选取的关键因子不同；

准确率计算模块203，用于在每次降水量预测值的计算中，基于得到的降水量预测值和历史降水量测量值的比值，得到预测准确率；

影响指标确定模块204，用于基于预测准确率确定各选取的关键因子的影响指标；

关键因子选取模块205，用于对各影响指标由高到低进行排序，选取排名前q个影响指标对应的关键因子，作为用于电网暴雨长期预测的关键因子。

可选的，随机选取至少n-k个关键因子采用蒙特卡洛抽样法。

可选的，影响指标确定模块包括：

第一影响指标确定单元，用于在i次降水量预测值的计算中，基于预测准确率及第j个关键因子的选取情况，确定第j个关键因子的第一影响指标；

第二影响指标确定单元，用于基于第j个关键因子在m次降水量预测值计算得到的第一影响指标，确定第j个关键因子的第二影响指标，并作为第j个关键因子的影响指标。

可选的，第一影响指标的计算方法如下：

其中，r0为k等于0时得到的预测准确率，ri为k大于0时在第i次降水量预测值的计算中得到的预测准确率；

第二影响指标的计算方法如下：

其中，l为第j个关键因子在m次降水量预测值计算中第一影响指标不为0的个数。

本公开实施例所提供的电网暴雨长期预测关键因子选取装置可执行本发明任意实施例所提供的电网暴雨长期预测关键因子选取方法，具备执行方法相应的功能模块和有益效果。

另外，本公开实施例还提供了一种电网暴雨长期预测系统，包括：处理器；用于存储处理器可执行指令的存储器；处理器，用于从存储器中读取可执行指令，并执行指令以实现本公开实施例提供的电网暴雨长期预测关键因子选取方法。

图3为本公开实施例提供的一种电网暴雨长期预测系统的结构示意图。如图3所示，电网暴雨长期预测系统300包括一个或多个处理器301和存储器302。

处理器301可以是中央处理单元(cpu)或者具有数据处理能力和/或指令执行能力的其他形式的处理单元，并且可以控制电网暴雨长期预测系统300中的其他组件以执行期望的功能。

存储器302可以包括一个或多个计算机程序产品，所述计算机程序产品可以包括各种形式的计算机可读存储介质，例如易失性存储器和/或非易失性存储器。所述易失性存储器例如可以包括随机存取存储器(ram)和/或高速缓冲存储器(cache)等。所述非易失性存储器例如可以包括只读存储器(rom)、硬盘、闪存等。在所述计算机可读存储介质上可以存储一个或多个计算机程序指令，处理器301可以运行所述程序指令，以实现上文所述的本公开的实施例的电网暴雨长期预测关键因子选取方法以及/或者其他期望的功能。在所述计算机可读存储介质中还可以存储诸如输入信号、信号分量、噪声分量等各种内容。

在一个示例中，电网暴雨长期预测系统300还可以包括：输入装置303和输出装置304，这些组件通过总线系统和/或其他形式的连接机构(未示出)互连。

此外，该输入装置303还可以包括例如键盘、鼠标等等。

该输出装置304可以向外部输出各种信息，包括确定出的距离信息、方向信息等。该输出装置304可以包括例如显示器、扬声器、打印机、以及通信网络及其所连接的远程输出设备等等。

当然，为了简化，图3中仅示出了该电网暴雨长期预测系统300中与本公开有关的组件中的一些，省略了诸如总线、输入/输出接口等等的组件。除此之外，根据具体应用情况，电网暴雨长期预测系统300还可以包括任何其他适当的组件。

需要说明的是，在本文中，诸如“第一”和“第二”等之类的关系术语仅仅用来将一个实体或者操作与另一个实体或操作区分开来，而不一定要求或者暗示这些实体或操作之间存在任何这种实际的关系或者顺序。而且，术语“包括”、“包含”或者其任何其他变体意在涵盖非排他性的包含，从而使得包括一系列要素的过程、方法、物品或者设备不仅包括那些要素，而且还包括没有明确列出的其他要素，或者是还包括为这种过程、方法、物品或者设备所固有的要素。在没有更多限制的情况下，由语句“包括一个……”限定的要素，并不排除在包括所述要素的过程、方法、物品或者设备中还存在另外的相同要素。

以上所述仅是本公开的具体实施方式，使本领域技术人员能够理解或实现本公开。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的，本文中所定义的一般原理可以在不脱离本公开的精神或范围的情况下，在其它实施例中实现。因此，本公开将不会被限制于本文所述的这些实施例，而是要符合与本文所公开的原理和新颖特点相一致的最宽的范围。