供电可靠性数据的处理方法及处理装置制造方法及图纸

本发明专利技术提出一种供电可靠性数据的处理方法及处理装置，其中该处理方法包括：根据影响供电可靠性的若干指标和供电可靠性的评价指标数据分别构建第一矩阵和第二矩阵；对第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；多次调整隐含层神经元数，每次调整后计算对应的决定系数；根据每次调整对应的决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；根据处理模型对配电网进行可靠性分析，并根据分析结果对配电网进行调整。本发明专利技术实施例能够克服BP神经网络训练速度慢、易陷入局部最优的问题，有效提升供电可靠性分析的精度和稳定性，并能根据分析对配电网进行调整，提升供电可靠性。

【技术实现步骤摘要】
供电可靠性数据的处理方法及处理装置
本专利技术涉及电力安全
，尤其涉及一种供电可靠性数据的处理方法及处理装置。
技术介绍
配电网是电力系统的重要组成部分，其供电的安全可靠程度直接影响着国民经济的发展和人民生活水平的提升。配电网是电力用户与高压电网连接的桥梁，一旦发生故障或检修施工，即会造成用户端供电中断，直接影响用户的正常生活用电，严重时将造成生产秩序的混乱，带来巨大的经济损失。配电网供电可靠性是用来评估供电系统对用户持续供电的能力，在一定程度上体现了供电企业在电网建设、电网改造以及电网维护等各个方面的综合能力。进一步提升配网供电可靠性，不仅可以最大限度的满足电力用户的用电需求，同时也有利于促进电网建设的完善和发展。目前，配电网的可靠性评估主要采用基于BP(BackPropagation，反向传播)神经网络的城市供电可靠性预测方法，将人工神经网络应用到供电可靠性研究当中。该方法找出影响供电可靠性的主要特征量，并将主要特征量的历史数据作为输入样本对人工神经网络进行训练。该方法具有一定的有效性，但其考虑的供电可靠性影响因素具有一定的局限性，且样本数据较少，预测结果的精度会受到一定影响。另外BP神经网络算法需要设置大量网络训练参数，容易陷入局部最优解，并且学习率的选择对结果的精度也比较敏感。
技术实现思路
有鉴于此，有必要提供一种供电可靠性数据的处理方法及处理装置，能够克服BP神经网络训练速度缓慢、容易陷入局部最优的问题，有效提升供电可靠性分析的精度和稳定性，并能根据分析对配电网进行调整，提升供电可靠性。一种供电可靠性数据的处理方法，其包括：根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵；对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；多次调整隐含层神经元数，每次调整后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数；根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。在其中一个实施例中，所述若干极限学习机的学习样本包括若干训练集样本及若干测试集样本；所述计算对应的决定系数，包括：将所述训练集样本代入预设的人工神经网络初始模型，计算得到隐含层输出矩阵；根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，得到所述初始模型对应的训练模型；将所述测试集样本代入所述训练模型，计算当前隐含层神经元数对应的供电可靠性计算值；将所述供电可靠性计算值与预存的参考值进行对比，计算得到当前隐含层神经元数对应的决定系数。在其中一个实施例中，所述根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，为：根据β＝H+T计算输出层权值；其中，H为所述隐含层输出矩阵，H+为所述隐含层输出矩阵的穆尔一彭罗斯广义逆矩阵，β为所述输出层权值。在其中一个实施例中，所述对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本，包括：根据预设的特征方程，对所述第一矩阵的标准化矩阵进行求解处理，得到特征值和特征向量；根据所述特征值及预设的贡献率计算公式，按照所述特征值由大到小的顺序依次计算累计贡献率，根据所述累计贡献率及预设阈值确定若干目标主成分；根据所述特征值及所述特征向量计算所述若干目标主成分的载荷系数及主成分得分，并将所述若干目标主成分作为极限学习机的学习样本。在其中一个实施例中，所述根据分析结果调整所述配电网，包括：根据分析结果对所述配电网的网架结构、设备及运行维护中的至少一种进行调整。一种供电可靠性数据的处理装置，其包括：矩阵构建模块，用于根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵；第一计算模块，用于对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；第二计算模块，用于多次调整隐含层神经元数，每次调整后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数；模型建立模块，用于根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；调整模块，用于根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。在其中一个实施例中，所述若干极限学习机的学习样本包括若干训练集样本及若干测试集样本；所述第二计算模块包括：第一计算单元，用于将所述训练集样本代入预设的人工神经网络初始模型，计算得到隐含层输出矩阵；第二计算单元，用于根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，得到所述初始模型对应的训练模型；第三计算单元，用于将所述测试集样本代入所述训练模型，计算当前隐含层神经元数对应的供电可靠性计算值；第四计算单元，用于将所述供电可靠性计算值与预存的参考值进行对比，计算得到当前隐含层神经元数对应的决定系数。在其中一个实施例中，所述第二计算单元用于根据β＝H+T计算输出层权值；其中，H为所述隐含层输出矩阵，H+为所述隐含层输出矩阵的穆尔一彭罗斯广义逆矩阵，β为所述输出层权值。在其中一个实施例中，所述第一计算模块包括：求解单元，用于根据预设的特征方程，对所述第一矩阵的标准化矩阵进行求解处理，得到特征值和特征向量；第五计算单元，用于根据所述特征值及预设的贡献率计算公式，按照所述特征值由大到小的顺序依次计算累计贡献率，根据所述累计贡献率及预设阈值确定若干目标主成分，并将所述若干目标主成分作为极限学习机的学习样本；第六计算单元，用于根据所述特征值及所述特征向量计算所述若干目标主成分的载荷系数及主成分得分。上述供电可靠性数据的处理方法及处理装置，首先利用PCA技术融合多方面影响供电可靠性的特征指标以消除特征间的冗余性和相关性；进一步利用极限学习机算法训练供电可靠性预测模型。该方法利用统计学理论对特征指标进行预处理，有效的提升了极限学习机算法的泛化性能，克服了BP神经网络训练速度缓慢、容易陷入局部最优的问题，有效的提升了供电可靠性预测的精度和稳定性，并能根据分析对配电网进行调整，提升供电可靠性。本专利技术实施例选取更多更全面的供电可靠性影响因素，挖掘多方面指标对供电可靠性的影响，并采集更多的数据样本训练人工神经网络，适用于多输入变量的情况，可以对配电网供电可靠性进行更加全面的分析，能够为提升配电网供电可靠性提供科学的决策参考依据。其中在建立神经网络模型前，对输入数据进行主成分分析的预处理，有效的实现了输入数据的降维，并去除各指标之间的相关性，提升了极限学习机训练模型的预测精度。而采用极限学习机训练神经网络，相对于传统的单隐含层前馈神经网络，极限学习机的预测精度高，稳定性强，训练速度快，泛化能力好。附图说明为了更清楚地说明本专利技术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，下面描述中的附图仅仅是本专利技术的一些实施例，对于本领域普通技术人员来讲，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实施例的附图。图1为一实施例的供电可靠性数据的处理方法的流程示意图；图2为一实施例的供电可靠性数据的处理本文档来自技高网...

【技术保护点】
一种供电可靠性数据的处理方法，其特征在于，包括：根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵；对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；多次调整隐含层神经元数，每次调整后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数；根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。

【技术特征摘要】
1.一种供电可靠性数据的处理方法，其特征在于，包括：根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵；对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；多次调整隐含层神经元数，每次调整后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数；根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。2.根据权利要求1所述的处理方法，其特征在于，所述若干极限学习机的学习样本包括若干训练集样本及若干测试集样本；所述计算对应的决定系数，包括：将所述训练集样本代入预设的人工神经网络初始模型，计算得到隐含层输出矩阵；根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，得到所述初始模型对应的训练模型；将所述测试集样本代入所述训练模型，计算当前隐含层神经元数对应的供电可靠性计算值；将所述供电可靠性计算值与预存的参考值进行对比，计算得到当前隐含层神经元数对应的决定系数。3.根据权利要求2所述的处理方法，其特征在于，所述根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，为：根据β＝H+T计算输出层权值；其中，H为所述隐含层输出矩阵，H+为所述隐含层输出矩阵的穆尔一彭罗斯广义逆矩阵，β为所述输出层权值。4.根据权利要求1所述的处理方法，其特征在于，所述对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本，包括：根据预设的特征方程，对所述第一矩阵的标准化矩阵进行求解处理，得到特征值和特征向量；根据所述特征值及预设的贡献率计算公式，按照所述特征值由大到小的顺序依次计算累计贡献率，根据所述累计贡献率及预设阈值确定若干目标主成分；根据所述特征值及所述特征向量计算所述若干目标主成分的载荷系数及主成分得分，并将所述若干目标主成分作为极限学习机的学习样本。5.根据权利要求1所述的处理方法，其特征在于，所述根据分析结果调整所述配电网，包括：根据分析结果对所述配电网的网架结构、设备及运行维护中的至少一种进行调整。6.一种供电可靠性数据的处理装置，其特征在于，...

【专利技术属性】
技术研发人员：简淦杨，于力，史训涛，魏文潇，白浩，雷金勇，郭晓斌，李昊飞，李清，余涛，
申请(专利权)人：南方电网科学研究院有限责任公司，中国南方电网有限责任公司电网技术研究中心，华南理工大学，
类型：发明
国别省市：广东,44