基于气象灾害预测的输电线路运维投入优化方法及其系统与流程

1.本技术涉及运维投入优化技术领域，尤其涉及一种基于气象灾害预测的输电线路运维投入优化方法及其系统。


背景技术：

2.在科学技术的带动下,人们的生活水平显著提高，这也促使人们对电力资源有了更大的需求。对于电力企业来说,需要不断提高配电网的运行质量，保障配电网运行稳定与安全，这样才能更好地满足人们的用电需求。
3.但是，目前部分地区存在着主配网规划协调性不足、考虑用户资源的电网规划意识欠缺、电网资产形成与实际需求匹配性有待提升、电网运行维护投入水平及贡献水平区域性不均衡等现实发展问题。如果电网运行维护的投入策略出现了问题,将会给国家和人民带来众多损失和不便。因此，本技术提出一种基于基于气象灾害预测的输电线路运维投入优化方法及其系统，以解决现有电网运行故障预测及运维投入不能合理分配的问题。


技术实现要素：

4.本技术提供了一种基于气象灾害预测的输电线路运维投入优化方法及其系统，以解决现有电网运行故障预测及运维投入不能合理分配的问题。
5.本技术采用的技术方案如下：
6.基于气象灾害预测的输电线路运维投入优化方法，所述方法包括：
7.将电网的气象灾害相关因素进行划分，划分为三类致灾因素，所述三类致灾因素包括气象因素、设备因素和环境因素；
8.采用熵权法和层次分析法，分别计算所述三类致灾因素的主观权重和客观权重；
9.通过神经网络模型中网络参数的多重组合建立各类因素之间的耦合关系；
10.结合各类因素之间的耦合关系、所述主观权重和所述客观权重，建立所述三类致灾因素的特征提取模型；
11.利用所述特征提取模型对未知气象灾害场景的致灾因素进行特征提取，得到致灾因素抽象特征；
12.基于所述特征提取模型和支持向量机模型，建立复合故障预测模型，其中，所述复合故障预测模型用于表征所述致灾因素与电网故障之间的耦合关联关系；
13.将不同区域的气象灾害相关因素数据输入所述复合故障预测模型中，得到对应的气象灾害实际预测结果；
14.基于所述气象灾害实际预测结果建立输电线路运维投入优化模型，对运维投入进行优化。
15.进一步地，通过神经网络模型中网络参数的多重组合建立各类因素之间的耦合关系，包括：
16.根据所述主观权重和所述客观权重得到综合权重；
17.根据气象致灾因素的实时状态对所述综合权重进行修正，得到动态权重；
18.根据所述动态权重对气象灾害相关因素进行预处理；
19.利用预处理后的无标签数据样本，对改进深度收缩自编码网络进行预训练，通过逐层贪婪的方式，初步挖掘气象灾害相关因素内部的有效特征；
20.利用场景识别分类器，通过监督学习的方式对所述有效特征进行针对性调整，优化连接权重和偏置量，建立各类因素之间的耦合关联关系。
21.进一步地，对所述支持向量机模型进行训练，包括：
22.通过所述特征提取模型提取出的致灾因素抽象特征；
23.获取电网故障信息；
24.根据所述致灾因素抽象特征和所述电网故障信息训练所述支持向量机模型。
25.进一步地，基于所述气象灾害实际预测结果建立输电线路运维投入优化模型，对运维投入进行优化，包括：
26.将所述气象灾害实际预测结果进行累加，得到故障预测结果累加值；
27.根据所述故障预测结果累加值计算相应的运维投入优化系数；
28.根据所述运维投入优化系数决策对运维投入进行优化。
29.进一步地，本技术还提供基于气象灾害预测的输电线路运维投入优化系统，所述系统包括以下模块：
30.划分模块，用于将电网的气象灾害相关因素进行划分，划分为三类致灾因素，所述三类致灾因素包括气象因素、设备因素和环境因素；
31.权重计算模块，用于采用熵权法和层次分析法，分别计算所述三类致灾因素的主观权重和客观权重；
32.耦合关系建立模块，用于通过神经网络模型中网络参数的多重组合建立各类因素之间的耦合关系；
33.特征提取模型建立模块，用于结合各类因素之间的耦合关系、所述主观权重和所述客观权重，建立所述三类致灾因素的特征提取模型；
34.特征提取模块，用于利用所述特征提取模型对未知气象灾害场景的致灾因素进行特征提取，得到致灾因素抽象特征；
35.复合故障预测模型建立模块，用于基于所述特征提取模型和支持向量机模型，建立复合故障预测模型，其中，所述复合故障预测模型用于表征所述致灾因素与电网故障之间的耦合关联关系；
36.气象灾害实际预测结果生成模块，用于将不同区域的气象灾害相关因素数据输入所述复合故障预测模型中，得到对应的气象灾害实际预测结果；
37.优化模块，用于基于所述气象灾害实际预测结果建立输电线路运维投入优化模型，对运维投入进行优化。
38.采用本技术的技术方案的有益效果如下：
39.本技术基于气象灾害预测的输电线路运维投入优化方法，包括以下步骤：将电网的气象灾害相关因素进行划分，划分为三类致灾因素，所述三类致灾因素包括气象因素、设备因素和环境因素；采用熵权法和层次分析法，分别计算所述三类致灾因素的主观权重和客观权重；通过神经网络模型中网络参数的多重组合建立各类因素之间的耦合关系；结合
各类因素之间的耦合关系、所述主观权重和所述客观权重，建立所述三类致灾因素的特征提取模型；利用所述特征提取模型对未知气象灾害场景的致灾因素进行特征提取，得到致灾因素抽象特征；基于所述特征提取模型和支持向量机模型，建立复合故障预测模型，其中，所述复合故障预测模型用于表征所述致灾因素与电网故障之间的耦合关联关系；将不同区域的气象灾害相关因素数据输入所述复合故障预测模型中，得到对应的气象灾害实际预测结果；基于所述气象灾害实际预测结果建立输电线路运维投入优化模型，对运维投入进行优化。本技术针对当前电网技改投资规模确定缺乏定量合理依据的问题，通过获取致灾因素与电网故障之间的耦合关联关系，建立复合故障预测模型，将不同区域的气象灾害相关因素数据输入所述复合故障预测模型中，得到对应的气象灾害实际预测结果；基于所述气象灾害实际预测结果建立输电线路运维投入优化模型，对运维投入进行优化。本技术能够为运维投入决策提供了定量依据，有利于高效准确地对运维投入进行合理分配。
附图说明
40.为了更清楚地说明本技术的技术方案，下面将对实施例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的前提下，还可以根据这些附图获得其他的附图。
41.图1为本技术实施例提供的基于气象灾害预测的输电线路运维投入优化方法的流程图；
42.图2为本技术实施例所提供的多层神经网络模型的层级分布图；
43.图3为本技术实施例所提供的多层神经网络模型的三层网络结构示意图；
44.图4为本技术实施例说他的基于支持向量机模型的最优超平面的示意图；
45.图5为本技术实施例所提供的svm结构图。
具体实施方式
46.为了使本技术领域的人员更好地理解本技术实施例中的技术方案，并使本技术实施例的上述目的、特征和优点能够更加明显易懂，下面结合附图对本技术实施例中的技术方案作进一步详细的说明。
47.参见图1，为本技术实施例提供的基于气象灾害预测的输电线路运维投入优化方法的流程图；图2为本技术实施例所提供的多层神经网络模型的层级分布图；图3为本技术实施例所提供的多层神经网络模型的三层网络结构示意图；图4为本技术实施例说他的基于支持向量机模型的最优超平面的示意图；图5为本技术实施例所提供的svm结构图。
48.如图1所示，本技术提供的基于气象灾害预测的输电线路运维投入优化方法，包括以下步骤：
49.步骤s1，将电网的气象灾害相关因素进行划分，划分为三类致灾因素，三类致灾因素包括气象因素、设备因素和环境因素。具体为：
50.梳理各类气象因素对电网的影响，分析气象灾害对电网的致灾机理和影响程度，整理电网气象灾害致灾因素特征及其他灾害相关因素，结合目前精细化的气象数值预报和电网各类系统的历史信息等，将电网气象灾害相关要素划分以气象因素为主的气象因素，以设备属性因素、运行因素和运维检修因素组成的设备因素，以地理环境因素、社会环境因
素组成的环境因素，为后续电网故障率的预测提供支撑与参考。
51.步骤s11，气象致灾因素是引发电网气象灾害的主要因素，主要识别结果如下表1所示。表1为气象致灾因素表。
52.表1气象致灾因素表
[0053][0054][0055]
表2设备因素数据表
[0056][0057]
步骤s12，设备因素是电网气象灾害承受者，综合电网pms、gis等系统的台账信息、设备故障记录、设备检修记录和设备缺陷记录等电网历史数据，将设备因素整理为设备属性参数、运行工况参数和运维检修参数三类。如表2所示为设备因素数据表。
[0058]
步骤s13，环境因素除了包括电网设备所在区域内的地形地貌、植被情况等地理环境外，还包括其他特殊环境场景。这些环境因素可能在气象因素诱发下对电网安全产生影响，最终导致电力系统故障。如表3所示为环境因素数据表。
[0059]
表3环境因素数据表
[0060][0061]
步骤s2，采用熵权法和层次分析法，分别计算三类致灾因素的主观权重和客观权重。具体为
[0062]
依据电网气象灾害致灾要素与电网故障之间的关系，提出致灾要素动态权重确定方法，用主、客观赋权方法得到致灾要素的主观权重和客观权重，从而判断不同要素的重要程度，为后续模型的构建提供支撑与参考。
[0063]
步骤s21，采用层次分析法。
[0064]
层次分析法(analytic hierarchy process简称ahp)是将与决策总是有关的元素分解成目标、准则、方案等层次，在此基础之上进行定性和定量分析的决策方法。层次分析方适用于多个应用场景，层次分析法的主要原理是是将决策问题按总目标、各层子目标、评价准自上而下分成不同的评价层次结构，可以分别成为目标层、准则层、方案层，然后得结合不同层级之间的实际关系，运用求解判断矩阵特征向量的办法，求得每一层次的各元素对上一层次某元素的优先权重，最后再加权和的方法递阶归并各备择方案对总目标的最终
权重，此最终权重最大者即为最优方案。
[0065]
首先，根据重要性标度理论，构造两两比较判断矩阵a：
[0066]
a＝(a
ij
)n×n(i,j＝1,2,
…
,n)
[0067]
然后将判断矩阵a归一化处理，计算公式为：
[0068][0069]
权重的计算公式为：
[0070][0071]
最后判断一致性，如果通过一致性检验，结果有效。不通过要对结果进行调整。
[0072]
步骤s22，采用熵权法。
[0073]
一般来说，若某个指标的信息熵越小，表明指标值得变异程度越大，提供的信息量越多，在综合评价中所能起到的作用也越大，其权重也就越大。相反，某个指标的信息熵越大，表明指标值得变异程度越小，提供的信息量也越少，在综合评价中所起到的作用也越小，其权重也就越小。熵权法作为一种客观综合评价方法，主要是根据各指标传递给决策者的信息量大小来确定其权重。
[0074]
评价模型为：设用n个评价指标决策评价m个待选方案。x
ik
：待选方案k的评价指标i的估计值。x
i*
：评价指标i的理想值。x
i*
值大小因评价指标特性不同而异，对于收益性指标，x
i*
越大越好；对于损失性指标(逆指标)，x
i*
越小越好(也可先转成正指标)。
[0075]
定义x
ik
对于的x
i*
接近度d
ik
：
[0076][0077]dik
归一化处理：
[0078][0079]
总体熵：用n个评价指标评价m个待选方案的熵e为：
[0080][0081]
指标与方案无关时的总体熵：
[0082]
如果评价指标的相对重要性与待选方案无关，则熵由下列公式计算求得：
[0083][0084]
式中：
[0085]
这样，评价指标i对待选方案决策评价的相对重要性的不确定性可由下列条件熵确定。
[0086]
评价指标i的条件熵
[0087][0088]
由熵的极值性可知，即di1≈di2≈
…
dik，越接近相等，条件熵就越大，评价指标对待选方案评价决策的不确定性也就越大。
[0089]
用对上式进行归一化处理，就得到表征评价指标i的评价决策重要性的熵值。
[0090][0091]
综合权重计算方式为：综合权重＝0.8*主观权重+0.2*客观权重。
[0092]
步骤s3，通过神经网络模型中网络参数的多重组合建立各类因素之间的耦合关系,包括：
[0093]
根据主观权重和客观权重得到综合权重；
[0094]
根据气象致灾因素的实时状态对综合权重进行修正，得到动态权重；
[0095]
根据动态权重对气象灾害相关因素进行预处理；
[0096]
利用预处理后的无标签数据样本，对改进深度收缩自编码网络进行预训练，通过逐层贪婪的方式，初步挖掘气象灾害相关因素内部的有效特征；
[0097]
利用场景识别分类器，通过监督学习的方式对有效特征进行针对性调整，优化连接权重和偏置量，建立各类因素之间的耦合关联关系。
[0098]
步骤s4，结合各类因素之间的耦合关系、主观权重和客观权重，建立三类致灾因素的特征提取模型。
[0099]
步骤s5，利用模型对未知场景的致灾因素进行特征提取，得到致灾因素抽象特征，并由场景识别分类器获取三类致灾因素与气象灾害场景关联度。具体为：
[0100]
在网络预训练完成后通过场景识别分类器来对整个深度自编码网络进行整体调整，利用bp算法对网络各层的连接权重和偏置量进行整体优化更新，得到与电网气象灾害相关联的深度特征提取网络。利用场景识别分类器建立三类致灾因素与电网气象灾害之间的关联关系。在预训练阶段可以利用尽可能多的无标签数据分别训练三个子网络，然后利用带有灾害场景标签的相关联的样本对网络进行微调，通过场景分类识别建立三类致灾因素与灾害场景的关联映射关系，使网络对输入致灾因素的知识学习更加符合电网气象灾害的各类场景，以此间接建立起三个子网络提取的抽象特征之间的耦合关系。
[0101]
步骤s51，首先，针对气象致灾因素，基于专家经验和其历史数据确定气象致灾因素组合权重，并根据气象致灾因素实时状态来对组合权重进行修正，利用获得的动态权重来对气象因素进行初步预处理；
[0102]
步骤s52，利用预处理后的无标签数据样本，对改进深度收缩自编码网络进行预训练，通过逐层贪婪的方式，使网络无监督的初步挖掘致灾因素内部的有效特征；
[0103]
步骤s53，利用场景识别分类器，通过监督学习的方式对网络参数进行针对性微调，优化整个网络的连接权重和偏置量，建立各类因素之间的耦合关联关系，完成网络训练。
[0104]
如图2所示，一个多层神经网络模型分为三层：输入层、输出层和中间层。设n为输入层单元个数，l为中间层单元个数，m为输出层单元个数。中间层不与实际的输入、输出相联接，故又称为隐含层。
[0105]
正是由于bp算法中加入了隐含层，才使输入到输出间可以映射任何函数关系。bp网络的学习，由四个过程组成，输入模式由输入层经中间层向输出层方向“模式顺序传播”，网络的希望输出与网络实际输出之差的误差信号，由输出层经中间层向输入层逐层进行修正连接权的“误差逆序传播”，由“模式顺序传播”与“误差逆序传播”的反复交替进行的网络“学习记忆”训练过程，使网络趋向收敛，即全局误差极小值的“学习收敛”过程，直至实际输出值与希望输出值较好吻合为止。
[0106]
从数学意义上讲，bp网是利用训练样本实现从输入到输出的映射。如图3所示，若输入层节点数为n，输出层节点数为m，则网络是从rn到rm的一个高度非线性映射。bp网络不需要知道描述这种映射的具体数学表达式，而只是在所选网络的拓扑结构下，通过学习算法调整各神经元的阈值和连接权值，使误差信号最小。
[0107]
设模型为三层网络结构，输入层单元数为n个；隐含层一般来说，单元个数大于输入层2倍，所以应取l》2n个；输出层单元个数m个。设ep为模式p下全网络的误差函数；t
pj
为模式p下节点j的希望输出值；o
pj
为模式p下节点j的实际输出值；w
ij
为节点i到j之间联系的权重，θj为节点j的阈值。
[0108]
定义误差函数e
p
为各节点希望输出值与实际输出值之差的平方和为：
[0109][0110]
要减少误差函数e
p
的值，就要使权重的变化量δw
ij
正比于σ
pjopk
，即
[0111]
δw
ij
＝ησ
pjopk
[0112]
式中
η
为比例系数。一旦求出σ
pj
，则可对权重进行调整。σ
pj
的表达式可以写成
[0113][0114]
net
pj
为，在方式p下节点j的净输入
[0115][0116]
取s型函数作为阈函数(s的意义为修正系数)，则有：
[0117]
f(x)＝1/(1+e-sx
)
[0118]
求导可得
[0119]
步骤s6，基于特征提取模型和支持向量机模型，建立复合故障预测模型，其中，复合故障预测模型用于表征致灾因素与电网故障之间的耦合关联关系；
[0120]
以电网故障信息为基础，以svm(即支持向量机)来训练一个复合故障预测网络，全面建立多类型致灾因素和电网故障间的耦合关联关系，实现相应场景下对电网故障的预测。
[0121]
利用上述三个子网络和svm建立一个可以应对多来源、多类别数据样本的复合故障预测模型，通过将场景分类识别子网络提取的特征串联并结合电网故障信息来训练svm
模型，全面建立致灾因子与电网故障之间的关联映射关系。利用训练好的模型进行故障预警。在完成整个模型的训练过程后，即可以输入不同地区的实际数据，实现对不同地区电网气象灾害场景的分类识别及故障预测。
[0122]
支持向量机最初用于解决分类问题，预测技术是在其基础上的发展，下文主要介绍其分类理论以及在预测技术上的应用推广。设训练样本集为{(xi,yi),i＝1,2,
…
,l}，其中xi∈rn是输入模式的第i个例子，yi∈{+1,-1}是两类分类问题对应的目标输出。支持向量分类机的目标就是构造一个决策函数(分类超平面)，将测试数据尽可能正确地分类，下面就对此进行讨论。
[0123]
如图4所示，如果存在分类超平面：
[0124]
《ω,x》+b＝0
[0125]
满足约束条件：
[0126]
yi(《ω,x》+b)-1≥0,i＝1,2,
…
,l
[0127]
则称训练集是线性可分的。其中《w,x》表示向量的内积；ω∈rn为可调的权值向量，b∈r为偏置。
[0128]
由统计学习理论可知，如果训练样本集没有被超平面错误分开，并且距超平面最近的样本数据与分类超平面之间的距离最大，则该超平面为最优超平面(optimalhyperplane)。由此得到的决策函数：
[0129]
f(x)＝sgn(《ω,x》+b)
[0130]
其推广能力最佳。其中sgn(
·
)为符号函数。
[0131]
利用lagrange优化方法及wofle对偶理论，可以将上述问题转化为其对偶问题，即最大化泛函：
[0132][0133][0134]
其中，αi为样本i对应的lagrange乘子。
[0135]
上式是具有不等式约束的二次规划问题，存在唯一解，且解中只有少部分αi不为零，其对应的样本就是支持向量，解上述问题得到最优分类函数为：
[0136][0137]
其中，nsv为支持向量个数，b是分类阈值，可用两类中任意一对支持向量取中值求得。
[0138]
通过引入松驰项ξi实现广义分类面，解决训练样本线性不可分的情况，即折衷考虑最小错分样本和最大分类间隔。对于非线性问题，可通过非线性变换将其转化为某个高维空间中的线性问题，然后在这个高维空间中寻求最优分类面。仅有样本间的内积运算(xi·
xj)被涉及，因此在高维空间中只需进行内积运算，而内积运算可通过原空间中的函数实现。根据hilbert-schmidt原理，只要核函数k(xi·
xj)满足mercer条件，它就对应某一交
换空间中的内积。
[0139]
因此，用满足mercer条件的核函数k(xi·
xj)代替式中的内积，就可实现某种非线性变换后的线性分类，则最优分类函数变为：
[0140][0141]
总之，如图5所示，svm就是通过某种事先选择的非线性映射，将输入向量映射到一个高维特征空间，在这个特征空间中构造最优分类超平面。在形式上，svm分类函数类似于神经网络，输出是中间节点的线性组合，每个中间节点对应一个支持向量，如下图所示。神经网络的中间节点数要靠经验或对比实验进行选取，逻辑的不同会对网络性能产生很大影响；而svm的中间节点数由计算自动确定。
[0142]
通过引入ε不敏感损失函数，将svm分类理论中得到的结果推广，使其可用于函数拟合，有了这种推广，svm方法成为高维空间中函数表达的一般方法，它可以用于各种函数估计问题，包括密度估计问题和求解线性算子方程问题。引入松驰变量ξi和ξ
i*
，构造如下优化问题：
[0143][0144][0145]
其中，常数c是惩罚系数。
[0146]
其对偶空间的优化问题为：
[0147][0148][0149]
其中，αi,是lagrange乘子。
[0150]
求解此问题，得到最优的lagrange乘子αi,从而得到拟合函数：
[0151][0152]
步骤s7，将不同区域的气象灾害相关因素数据输入复合故障预测模型中，得到对应的气象灾害实际预测结果。
[0153]
步骤s8，基于气象灾害实际预测结果建立输电线路运维投入优化模型，对运维投入进行优化。根据不同地区的实际预测结果，设置相应的运维投入决策优化系数。结合故障
预测结果，将不场景的预测结果进行累加，最后通过得出，根据故障预测结果累加值的大小对运维投入进行优化，故障预测结果大的地区分配的运维投入规模较大。具体为：将气象灾害实际预测结果进行累加，得到故障预测结果累加值；
[0154]
根据故障预测结果累加值计算相应的运维投入优化系数；
[0155]
根据运维投入优化系数决策对运维投入进行优化。
[0156]
本技术实施例还提供一种基于气象灾害预测的输电线路运维投入优化系统，系统包括以下模块：
[0157]
划分模块，用于将电网的气象灾害相关因素进行划分，划分为三类致灾因素，三类致灾因素包括气象因素、设备因素和环境因素；
[0158]
权重计算模块，用于采用熵权法和层次分析法，分别计算三类致灾因素的主观权重和客观权重；
[0159]
耦合关系建立模块，用于通过神经网络模型中网络参数的多重组合建立各类因素之间的耦合关系；
[0160]
特征提取模型建立模块，用于结合各类因素之间的耦合关系、主观权重和客观权重，建立三类致灾因素的特征提取模型；
[0161]
特征提取模块，用于利用特征提取模型对未知气象灾害场景的致灾因素进行特征提取，得到致灾因素抽象特征；
[0162]
复合故障预测模型建立模块，用于基于特征提取模型和支持向量机模型，建立复合故障预测模型，其中，复合故障预测模型用于表征致灾因素与电网故障之间的耦合关联关系；
[0163]
气象灾害实际预测结果生成模块，用于将不同区域的气象灾害相关因素数据输入复合故障预测模型中，得到对应的气象灾害实际预测结果；
[0164]
优化模块，用于基于气象灾害实际预测结果建立输电线路运维投入优化模型，对运维投入进行优化。
[0165]
本技术提供的实施例之间的相似部分相互参见即可，以上提供的具体实施方式只是本技术总的构思下的几个示例，并不构成本技术保护范围的限定。对于本领域的技术人员而言，在不付出创造性劳动的前提下依据本技术方案所扩展出的任何其他实施方式都属于本技术的保护范围。