基于多层极限学习机的电力安全评估方法及相关设备与流程

本技术涉及电力安全检测领域，尤其涉及一种基于多层极限学习机的电力安全评估方法及相关设备。

背景技术：

1、电力系统作为现代社会重要的基础设施，其安全稳定运行对于保障国民经济和社会生活的正常运转具有重要意义，随着电力系统规模的不断扩大和新能源的并网，系统的复杂性日益增加，这为电力系统的安全稳定运行提出了更高要求。

2、电力系统作为一个庞大的非线性系统，具有数据量大、数据类型复杂等特点，其安全性评估需要综合运用状态估计、电压和频率稳定性分析等技术。但随着电力系统的复杂性和数据量的增长，传统方法在处理实时动态数据和复杂模式识别时存在局限性。

技术实现思路

1、有鉴于此，本技术的目的在于提出一种基于多层极限学习机的电力安全评估方法及相关设备。

2、作为本技术的一个方面，提供了一种基于多层极限学习机的电力安全评估方法，包括：

3、根据电力数据集，确定输入数据集和输出数据集；所述电力数据集包括所述电力系统的历史数据和离线仿真数据；所述输入数据集用于表征电气数据；所述输出数据集用于表征所述电气数据的安全等级类别；

4、确定多层极限学习机模型的第一权重矩阵以及偏置矩阵；所述多层极限学习机模型包括输入层、隐含层和输出层；所述第一权重矩阵用于表征所述输入层到所述隐含层的权重矩阵；

5、基于极限学习机自动编码器，将所述输入数据集映射到所述隐含层中，并根据所述第一权重矩阵和所述偏置矩阵，确定所述隐含层的特征向量；

6、将所述特征向量作为下一层所述隐含层的输入向量，利用所述极限学习机自动编码器，确定第n层和第n-1层所述隐含层的特征向量；

7、根据所述输出数据集和第n-1层所述隐含层的特征向量，确定第二权重矩阵，完成训练；所述第二权重矩阵用于表征第n层所述隐含层到所述输出层的权重矩阵。

8、可选的，所述隐含层的特征向量满足如下表达式：

9、h＝sf(w1x+b)；

10、其中，w1为所述第一权重矩阵，b为所述偏置矩阵，sf为激活函数，用于为极限学习机网络添加非线性映射。

11、可选的，所述将所述特征向量作为下一层所述隐含层的输入向量，利用所述极限学习机自动编码器，确定第n层和第n-1层所述隐含层的特征向量，包括：

12、将所述特征向量映射到下一层所述隐含层中，得到下一层所述隐含层的输入向量；

13、确定所述第一权重矩阵的重构矩阵；所述重构矩阵为所述第一权重矩阵的转置矩阵；

14、根据所述输入向量和所述重构矩阵，确定下一层所述隐含层的特征向量；

15、基于所述极限学习机自动编码器，确定所述隐含层中第n层和第n-1层的特征向量；其中，第n层所述隐含层的特征向量满足如下表达式：

16、

17、其中，hn为第n层所述隐含层的特征向量，hn-1为第n-1层所述隐含层的特征向量，为第n层所述隐含层的所述重构矩阵。

18、可选的，所述第二权重矩阵满足如下表达式：

19、

20、其中，w2为所述第二权重矩阵，为hn的穆尔-彭罗斯广义逆矩阵，t为所述输出数据集。

21、可选的，所述第一权重矩阵和所述偏置矩阵满足如下表达式：

22、wtw＝i；

23、btb＝i；

24、其中，w为所述第一权重矩阵，wt为所述第一权重矩阵的转置矩阵，b为所述偏置矩阵，bt为所述偏置矩阵的转置矩阵，i为单位向量。

25、可选的，在所述完成训练之后，还包括：

26、获取测试样本集；所述测试样本数据集为所述电力数据集中随机选取的一组样本数据；所述测试样本数据集包括样本和对应的状态指标；所述状态指标包括安全和不安全；

27、将所述测试样本集输入到所述多层极限学习机模型中，确定预测结果；

28、基于所述预测结果，确定所述多层极限学习机模型的平均百分比误差和准确率；所述平均百分比误差满足如下表达式：

29、

30、其中，i为样本数量，yi为第i个样本的实际值，为第i个样本的预测值，ybase为所述状态指标的事故前基准值；

31、所述准确率满足如下表达式：

32、

33、其中，eac1为状态安全样本评估准确率，eac2为状态不安全样本评估准确率，ntp为安全样本被准确评估为安全样本的数量，nfp为安全样本被误判为不安全样本的数量，ntn为不安全样本被准确评估为不安全样本的数量，nfn为不安全样本被误判为安全样本的数量。

34、可选的，配置所述多层极限学习机模型的超参数；所述超参数包括所述隐含层的层数、所述隐含层的神经元个数以及学习率。

35、作为本技术的第二个方面，提供了一种基于多层极限学习机的电力安全评估装置，包括：确定模块、以及处理模块；

36、所述确定模块用于，根据电力数据集，确定输入数据集和输出数据集；所述电力数据集包括电力系统的历史数据和离线仿真数据；所述输入数据集用于表征电气数据；所述输出数据集用于表征所述电气数据的安全等级类别；

37、所述确定模块还用于，确定多层极限学习机模型的第一权重矩阵以及偏置矩阵；所述多层极限学习机模型包括输入层、隐含层和输出层；所述第一权重矩阵用于表征所述输入层到所述隐含层的权重矩阵；

38、所述处理模块用于，基于极限学习机自动编码器，将所述输入数据集映射到所述隐含层中，并根据所述第一权重矩阵和所述偏置矩阵，确定所述隐含层的特征向量；

39、所述处理模块还用于，将所述特征向量作为下一层所述隐含层的输入向量，利用所述极限学习机自动编码器，确定第n层和第n-1层所述隐含层的特征向量；

40、所述确定模块还用于，根据所述输出数据集和第n-1层所述隐含层的特征向量，确定第二权重矩阵，完成训练；所述第二权重矩阵用于表征第n层所述隐含层到所述输出层的权重矩阵。

41、可选的，所述隐含层的特征向量满足如下表达式：

42、h＝sf(w1x+b)；

43、其中，w1为所述第一权重矩阵，b为所述偏置矩阵，sf为激活函数，用于为极限学习机网络添加非线性映射。

44、可选的，所述处理模块具体用于，将所述特征向量映射到下一层所述隐含层中，得到下一层所述隐含层的输入向量；

45、确定所述第一权重矩阵的重构矩阵；所述重构矩阵为所述第一权重矩阵的转置矩阵；

46、根据所述输入向量和所述重构矩阵，确定下一层所述隐含层的特征向量；

47、基于所述极限学习机自动编码器，确定所述隐含层中第n层和第n-1层的特征向量；其中，第n层所述隐含层的特征向量满足如下表达式：

48、

49、其中，hn为第n层所述隐含层的特征向量，hn-1为第n-1层所述隐含层的特征向量，为第n层所述隐含层的所述重构矩阵。

50、可选的，所述第二权重矩阵满足如下表达式：

51、

52、其中，w2为所述第二权重矩阵，为hn的穆尔-彭罗斯广义逆矩阵，t为所述输出数据集。

53、可选的，所述第一权重矩阵和所述偏置矩阵满足如下表达式：

54、wtw＝i；

55、btb＝i；

56、其中，w为所述第一权重矩阵，wt为所述第一权重矩阵的转置矩阵，b为所述偏置矩阵，bt为所述偏置矩阵的转置矩阵，i为单位向量。

57、可选的，所述基于多层极限学习机的电力安全评估装置还包括获取模块。

58、所述获取模块用于，获取测试样本集；所述测试样本数据集为所述电力数据集中随机选取的一组样本数据；所述测试样本数据集包括样本和对应的状态指标；所述状态指标包括安全和不安全；

59、所述确定模块还用于，将所述测试样本集输入到所述多层极限学习机模型中，确定预测结果；

60、所述确定模块还用于，基于所述预测结果，确定所述多层极限学习机模型的平均百分比误差和准确率；所述平均百分比误差满足如下表达式：

61、

62、其中，i为样本数量，yi为第i个样本的实际值，为第i个样本的预测值，ybase为所述状态指标的事故前基准值；

63、所述准确率满足如下表达式：

64、

65、其中，eac1为状态安全样本评估准确率，eac2为状态不安全样本评估准确率，ntp为安全样本被准确评估为安全样本的数量，nfp为安全样本被误判为不安全样本的数量，ntn为不安全样本被准确评估为不安全样本的数量，nfn为不安全样本被误判为安全样本的数量。

66、可选的，所述基于多层极限学习机的电力安全评估装置还包括配置模块。

67、所述配置模块用于，配置所述多层极限学习机模型的超参数；所述超参数包括所述隐含层的层数、所述隐含层的神经元个数以及学习率。

68、作为本技术的第三个方面，一种电子设备，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，其特征在于，所述处理器执行所述程序时实现如上述基于多层极限学习机的电力安全评估方法。

69、作为本技术的第四个方面，提供了一种非暂态计算机可读存储介质，所述非暂态计算机可读存储介质存储计算机指令，所述计算机指令用于使所述计算机执行本技术所提供的上述基于多层极限学习机的电力安全评估方法。

70、从上面所述可以看出，本技术提供的基于多层极限学习机的电力安全评估方法及相关设备，通过利用极限学习机的自动编码器特性，能够高效地处理电力系统的大量历史数据和离线仿真数据，这有助于快速提取数据中的关键特征，为电力系统的安全评估提供有力支持，进一步的，多层极限学习机模型通过堆叠多个隐含层，将当前层的特征向量作为下一层隐含层的输入向量，利用自动编码器确定第n层和第n-1层隐含层的特征向量，使模型能够学习到数据的深层特征，从而提高模型的预测精度，此外，极限学习机的特点是在训练过程中不需要调整隐含层的权重，从而实现显著减少模型的训练时间，节省计算资源，使电力系统能够及时检测和预测潜在风险，确保电力系统的安全稳定运行。