一种面向电网气象灾害的应急物资需求预测方法及系统与流程
本发明涉及电网气象灾害应急处置技术领域，尤其涉及一种面向电网气象灾害的应急物资需求预测方法及系统。
背景技术：
本部分的陈述仅仅是提供了与本发明相关的背景技术信息，不必然构成在先技术。
自然灾害引发的电网突发事件具有不确定性、复杂性、紧迫性等特点，影响应急救援物资需求的不确定性。电网突发事件对社会经济的危害较为严重，应急决策人员需要根据事件发生的情况以最高的效率制定应急救援方案，合理调度应急人员及物资，尽可能满足现场需求。
应急物资需求预测的准确性，直接关系到电网抢修方案的确定、应急资源的有效配置和投资的经济性。现有的应急物资预测方法多采用模糊数学、神经网络、案例推理等方法搭建数学模型。基于网络模型的预测算法取得了一定的预测效果，然而在实际运用中，由于不同地区环境因素和设备因素的不同，其预测精度很难满足现场需求。现有的案例推理与智能算法结合的预测方法对数据样本要求较高，在处理多属性样本数据时存在权重确定主观化等问题，同时无法满足物资预测随突发事故演化而变化的过程。并且由于案例场景涉及的特征因素较多，只考虑灾害发生时的外部气象情景因素而忽略设备状态、地理环境等因素的影响势必会影响预测精度。
技术实现要素：
有鉴于此，本发明提出了一种面向电网气象灾害的应急物资需求预测方法及系统，能够准确、全面建立特征因素、事故规模和电网应急物资需求的关联关系，为电网突发事故应急决策提供科学的参考。
本发明实施方式的第一个方面，公开了一种面向电网气象灾害的应急物资需求预测方法，包括：
获取当前时刻电网事故发生时的气象数据、设备数据、地理环境数据及事故规模数据；或者当前时刻事故未发生时的气象数据、设备数据及地理环境数据；
将所述数据输入到包含输入信息与输出信息关联关系的预测网络，输出当前的物资需求预测结果；
其中，包含输入信息与输出信息关联关系的预测网络通过构建的事故-物资需求案例集，对应急物资需求预测模型进行训练得到；
所述事故-物资需求案例集以处理后的历史时刻电网事故发生时的气象数据、设备数据和地理环境数据，以及事故规模数据作为案例输入，以实际物资需求量数据作为案例输出；
所述应急物资需求预测模型基于深度置信网络构建。
本发明实施方式的第二个方面，公开了一种面向电网气象灾害的应急物资需求预测系统，包括：
数据获取模块，用于获取当前时刻电网事故发生时的气象数据、设备数据、地理环境数据及事故规模数据；或者当前时刻事故未发生时的气象数据、设备数据及地理环境数据；
数据预测模块，用于将所述数据输入到包含输入信息与输出信息关联关系的预测网络，输出当前的物资需求预测结果；
其中，数据预测模块包括：
事故-物资需求案例集单元，用于以处理后的历史时刻电网事故发生时的气象数据、设备数据和地理环境数据，以及事故规模数据作为案例输入，以实际物资需求量数据作为案例输出；构建事故-物资需求案例集；
应急物资需求预测模型单元，用于基于深度置信网络构建应急物资需求预测模型；
模型训练单元，用于通过构建的事故-物资需求案例集，对应急物资需求预测模型进行训练，得到包含输入信息与输出信息关联关系的预测网络。
本发明实施方式的第三个方面，公开了一种终端设备，其包括处理器和计算机可读存储介质，处理器用于实现各指令；计算机可读存储介质用于存储多条指令，其特征在于，所述指令适于由处理器加载并执行上述的面向电网气象灾害的应急物资需求预测方法。
本发明实施方式的第四个方面，公开了一种计算机可读存储介质，其中存储有多条指令，其特征在于，所述指令适于由终端设备的处理器加载并执行上述的面向电网气象灾害的应急物资需求预测方法。
与现有技术相比，本发明的有益效果是：
本发明以电网遭受气象灾害为前提，研究各种情景特征对电网突发事故应急需求的影响，以案例推理方法为指导，综合运用案例推理、回归分析、主成分分析、神经网络等理论构建电网突发事故应急决策的应急物资预测模型，能够准确、全面建立特征因素、事故规模和电网应急物资需求的关联关系，为电网突发事故应急决策提供科学的参考。
本发明提供一种分类并行输出结构，能够解决网络结构复杂问题、预测精度问题和训练时长问题。
本发明的其他特征和优点将在随后的说明书中阐述，或者，部分特征和优点可以从说明书推知或毫无疑义地确定，或者通过实施本发明的上述技术即可得知。
为使本发明的上述目的、特征和优点能更明显易懂，下文特举较佳实施例，并配合所附附图，作详细说明如下。
附图说明
图1示出了本发明实施例所提供的一种案例推理方法的流程图；
图2示出了本发明实施例所提供的一种所选输入因素的示意图；
图3示出了本发明实施例所提供的一种物资预测模型网络的示意图(含输入门结构)；
图4示出了本发明实施例所提供的一种预测模型构建的流程图；
图5示出了本发明实施例所提供的一种预测模型并行输出的结构图。
具体实施方式
应该指出，以下详细说明都是例示性的，旨在对本申请提供进一步的说明。除非另有指明，本发明使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是，这里所使用的术语仅是为了描述具体实施方式，而非意图限制根据本申请的示例性实施方式。如在这里所使用的，除非上下文另外明确指出，否则单数形式也意图包括复数形式，此外，还应当理解的是，当在本说明书中使用术语“包含”和/或“包括”时，其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
在不冲突的情况下，本发明中的实施例及实施例中的特征可以相互组合。
实施例一
考虑到电力系统中在遭受气象灾害影响发生事故时，应急抢修工作需要及时作出响应，准确确定现场应急物资需求量是应急抢修工作顺利进行的重要保障。本发明实施例提供了一种面向电网气象灾害的应急物资预测方法，能够较准确地预测事故现场应急物资的需求量，以下对本发明实施例进行详细介绍。
面向电网气象灾害的应急物资需求预测方法主要包括如下过程：
获取当前时刻电网事故发生时的气象数据、设备数据、地理环境数据及事故规模数据；或者当前时刻事故未发生时的气象数据、设备数据及地理环境数据；
将所述数据输入到包含输入信息与输出信息关联关系的预测网络，输出当前的物资需求预测结果。
其中，包含输入信息与输出信息关联关系的预测网络通过构建的事故-物资需求案例集，对应急物资需求预测模型进行训练得到。
具体地，根据案例推理方法，将量化和处理后的信息以及不需处理的气象信息和事故规模信息作为案例的输入，实际物资需求量作为案例输出，完成案例推理的案例表示阶段，构建事故-物资需求案例集；
参见图1所示的一种案例推理方法的流程图，该方法主要针对案例推理方法的案例表示和案例适配量阶段进行展开，该方法包括以下步骤：
步骤s101，根据物资影响因素和输出确定案例结构和适当的案例适配方法；其中，案例表示是指确定预测模型的输入、输出量，并根据输入量的特征对输入因素进行处理，以适合作为预测模型的输入；案例适配过程利用深度置信网络进行搭建，深度挖掘输入、输出之间的关系确定网络结构，在输入当前条件时预测当前的物资需求量。
在具体实施方式中，案例表示阶段预测模型输入的外部输入量选取为：风力、降雨量、降雪量，其为累积气象因素；风向、云量、温度、湿度、雷击密度为非累积气象因素；设备因素主成分1、设备因素主成分2为电网设备因素；地势起伏参数、高程标准差和局部全曲率为地形因素。内部输入量选取为个电压等级的线路及设备受灾规模。网络输出量为应急人员、应急资源、应急设备及工具、设备元件，每类人员/物资又包含多种具体品类。
步骤s102，基于深度学习方法，构建基于深度置信网络的预测模型，完成案例推理的案例适配阶段；
本实施例中，利用深度置信网络挖掘输入变量与输出变量之间复杂的关联关系。根据电网突发事故情景信息的完备性，预测模型可以分为两类：一类是事故未发生或事故规模未知的物资需求预测；另一类是抢修人员到达现场反馈了事故规模，但由于信息局限性，事故规模数据不准确，并且由于恶劣气象条件依然存在会扩大事故规模的情况。在第二类情况下，即使事故规模初步确定，仍然需要情景特征因素的辅助决策。
根据事故-物资需求案例集，对深度置信网络进行训练，得到具有深度学习和挖掘输入信息与输出信息关联关系的预测网络，在输入当前输入信息时，预测当前的物资需求；
其中，当前的输入信息分为两种情况，其一：事故未发生时，输入信息包含处理后的气象信息、设备因素量化处理信息、地理环境因素量化信息；其二：事故规模初步确定但不明确时，输入信息除包含其一信息外，还包含事故规模信息。
本发明实施例提供的上述应急物资预测方法，通过确定案例结构，即选择适当的输入、输出变量；进而根据深度置信网络搭建预测模型，分两种情况进行物资预测，满足根据实际情况的变化调整网络输入，更符合实际情况。本实施例提供的预测模型，能够较准确地预测当前气象灾害及事故规模情况下的应急物资需求量。
为便于理解，以下给出基于本实施例所选用的输入因素，参见图2所示的一种所选输入因素的示意图，根据各种输入因素的特征进行处理，以适合作为预测模型的输入，具体处理方法包括如下：
步骤s201，对于气象数据的处理：
风向、云量、温度、湿度、雷击密度，其为非累积气象因素，以故障时刻的精细化气象数据为输入，不作处理；风力、降雨量、降雪量，其为累积气象因素，通过多元回归分析法进行处理，具体方法是取故障发生时刻前3小时的时序信息作为累计气象因素的原始值，残阳频率为15min/次，共12个采样点，以与物资需求量的相关系数最大为目标，为实现作为预测模型的输入数据，采用多元回归方法的进行处理，计算过程如下：
x′i1＝a1xi1·t1+a2xi1·t2+...+akxi1·tk+b
其中，x′i1为时序气象信息xi1＝{xi1·t1,xi1·t2,...xi1·tk}处理后的修正量，k为参与拟合的自变量个数，ak、b为回归系数。
通过最小二乘估计法计算参数，公式为：
式中，yij为案例i第j类物资需求量，x′i1为时间序列气象因素的修正量，cov(x′i1,yi)为x′i1与yi的协方差，var[x′i1]为x′i1的方差，var[yi]为yi的方差。计算完成后，以皮尔逊相关系数验证处理的累积气象信息与物资量之间存在强相关性。
步骤s202，对于设备参数数据的处理：
设备参数数据包括电压等级、运行年限、设备自身安全系数、技术状态、设备缺陷、设备故障停运率，以危险指数法进行量化，然后通过主成分分析法进行处理。具体方法是：应用危险指数法的计算思路，以设备脆弱性水平对设备进行分级，最终确定技术状态、设备缺陷、故障停运率为量化设备脆弱性水平的指标，每项指标分级赋值，每项指标取值范围定为0～10，得到指标的量化指数。采用主成分分析法对量化后的指标进行处理，计算公式如下：
式中，x为原指标，e为原指标的变换矩阵f为转换后的新指标，用以反映设备因素。e1是由x的协方差矩阵最大特征根的单位特征相量转置而成，于是，第k主成分就是：
fk＝ek1x1+ek2x2+...+ekmxm。
主成分析法的具体求解步骤如下：
(1)计算数据集的协方差矩阵，将每个样本作为列向量构成一个矩阵，并对矩阵的每一个行向量进行0均值化，得到了m行n列的数据集矩阵，则其协方差矩阵为：
(2)计算协方差矩阵的特征值和单位特征向量；
(3)根据特征值和单位特征向量得到转换矩阵e，并计算得主成分分矩阵f；
(4)计算主成分的方差贡献率和累计方差贡献率，根据设置标准，选择k个主成分作为新指标。
步骤s203，对于地理环境数据的处理：
地理环境数据包括杆塔海拔、地势海拔，以地势起伏参数、高程标准差和局部全曲率进行量化处理。具体计算方法为：
t1＝max(hg,h′g)-min(hg,h′g,hd)+c1
式中，hg,h′g为相邻两基杆塔的海拔高度，hd为相邻两基杆塔间的沟谷低洼处的海拔高度，c1为海拔调整差，一般取10m，t1为观测区域内起伏高度平均值，即地势起伏参数。
在测量学中，将xi换成某一区域的高程值，标准差就成为高程标准差t2。
式中t3为局部全曲率，r、s分别表示x、y方向二阶偏导数，t表示x、y方向偏导数。
步骤s204，各类输入因素经量化处理后，利用皮尔逊相关系数验证经处理的输入因素与物资需求量之间存在强相关性。
在前述输入特征因素处理后，结合事故规模因素和网络输出量，基于深度置信网络，构建预测模型，进行案例适配，参见图3示出的一种物资预测模型网络的示意图(含输入门结构)，该模型的构建方法是：
步骤s301，以图3左侧的各输入量和右侧的各输出量建立历史案例集，以历史案例集为训练样本对深度置信网络进行训练。σ与
本实施例基于深度置信网路的预测模型结构设计为具有两个隐藏层的四层神经网络，通过无监督训练和有监督学习对网络进行训练。当网络进行完第一层网络训练后，就将各因子进行了第一次的特征提取，在训练完各层结构后使各因子输出变量得到一定程度的特征表达。其次本发明通过实证比较方法在此范围内寻找最优神经元个数，经仿真验证在隐藏层保留12个神经元可以使训练达到最优。
步骤s302，考虑样本数量对预测精度的影响，当样本数量达到一定阈值时，预测模型的各项评价指标就会趋于稳定，本实施例在实际实验中，综合考虑分类准确率和效率等因素，将训练集样本数量确定在阈值附近即选定500组训练样本集就可以满足实验要求。
本发明实施例提供的上述网络构建和训练方法，能够较准确地表达输出变量与输出变量的关联性，从而获得精确的预测结构。
为便于总体理解，以下给出应急预测模型的总体工作流程，参见图4示出的一种预测模型构建的流程图，该模型的工作步骤是：
步骤s401，选取样本数据的获取及预处理：根据是否已有事故规模数据，决定参与训练的案例数据类型。情景描述性特征因素选择气象因素、设备因素和地形因素，事故规模数据选择线路及杆塔的损毁长度及数量，输出变量根据实际需求选定。
获取样本数据及根据数据特征进行预处理后，鉴于样本类型及量级不同，对样本数据进行归一化处理。
步骤s402，上述样本数据的选取及处理完成了案例推理的案例表示阶段。
其次，根据事故规模数据是否存在，选择适当的网络输入模型。进而进行网络训练。网络训练包含两个阶段，其一：无监督训练：以全体训练样本数据集特征向量作为输入，自底向上每次训练一个rbm。在每一层，参数空间wk都由第k-1层计算得到的数据构建。通过设置网络结构参数，包括网络隐藏层的数目、各层神经元个数等构建预测模型深度置信网络；其二：参数微调：根据实际需求设定输出层的神经元即结果类别和数量，将标注的样本数据集作为预训练后dbn的输入，其对应的标签作为输出。以交叉熵作为代价函数，采用梯度下降法自顶向下微调整个模型的参数，直到迭代次数达到设定值为止，完成整个网络参数的训练过程，全面建立特征因素和决策因素的关联映射关系。
最终得到具有预测作用的网络。实测相关输入数据，经上述相应特征因素相同的处理方法处理后，作为网络输入，实现电网突发事故应急物资预测。
作为一种可选的实施方式，为解决网络输出对预测精度和训练时长的问题，图5示出了一种预测模型并行输出的结构图，其中，网络输出初步设定为应急人员、应急资源、应急设备及工具、设备元件四类，每类物资内包含具体的物资种类。根据应急物资的分类情况，以每类人员或物资的输出训练一个相应的网络，每个网络的输出为同类物资，设置预测模型的并行训练和输出结构，从而解决网络结构复杂问题、预测精度问题和训练时长问题。
实施例二
在一个或多个实施方式中，公开了一种面向电网气象灾害的应急物资需求预测系统，包括：
数据获取模块，用于获取当前时刻电网事故发生时的气象数据、设备数据、地理环境数据及事故规模数据；或者当前时刻事故未发生时的气象数据、设备数据及地理环境数据；
数据预测模块，用于将所述数据输入到包含输入信息与输出信息关联关系的预测网络，输出当前的物资需求预测结果；
其中，数据预测模块包括：
事故-物资需求案例集单元，用于以处理后的历史时刻电网事故发生时的气象数据、设备数据和地理环境数据，以及事故规模数据作为案例输入，以实际物资需求量数据作为案例输出；构建事故-物资需求案例集；
应急物资需求预测模型单元，用于基于深度置信网络构建应急物资需求预测模型；
模型训练单元，用于通过构建的事故-物资需求案例集，对应急物资需求预测模型进行训练，得到包含输入信息与输出信息关联关系的预测网络。
需要说明的是，上述各模块和单元的具体工作过程或者实现方式均采用实施例一中的方法实现，不再赘述。
实施例三
在一个或多个实施方式中，公开了一种终端设备，包括服务器，所述服务器包括存储器、处理器及存储在存储器上并可在处理器上运行的计算机程序，所述处理器执行所述程序时实现实施例一中的面向电网气象灾害的应急物资需求预测方法。为了简洁，在此不再赘述。
应理解，本实施例中，处理器可以是中央处理单元cpu，处理器还可以是其他通用处理器、数字信号处理器dsp、专用集成电路asic，现成可编程门阵列fpga或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器可以包括只读存储器和随机存取存储器，并向处理器提供指令和数据、存储器的一部分还可以包括非易失性随机存储器。例如，存储器还可以存储设备类型的信息。
在实现过程中，上述方法的各步骤可以通过处理器中的硬件的集成逻辑电路或者软件形式的指令完成。
实施例一中的面向电网气象灾害的应急物资需求预测方法可以直接体现为硬件处理器执行完成，或者用处理器中的硬件及软件模块组合执行完成。软件模块可以位于随机存储器、闪存、只读存储器、可编程只读存储器或者电可擦写可编程存储器、寄存器等本领域成熟的存储介质中。该存储介质位于存储器，处理器读取存储器中的信息，结合其硬件完成上述方法的步骤。为避免重复，这里不再详细描述。
本领域普通技术人员可以意识到，结合本实施例描述的各示例的单元即算法步骤，能够以电子硬件或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本申请的范围。
上述虽然结合附图对本发明的具体实施方式进行了描述，但并非对本发明保护范围的限制，所属领域技术人员应该明白，在本发明的技术方案的基础上，本领域技术人员不需要付出创造性劳动即可做出的各种修改或变形仍在本发明的保护范围以内。
- 还没有人留言评论。精彩留言会获得点赞！