【技术实现步骤摘要】
一种基于洪涝灾害综合损失等级评估的洪涝灾前预测方法
[0001]本专利技术属于损失等级评估
,具体是一种基于洪涝灾害综合损失等级评估的洪涝灾前预测方法
。
技术介绍
[0002]电力系统作为全社会高度重要的公共事业和能源基础,在国家安全
、
经济发展和人民日常生活中占据着不可替代的地位
。
近年来,随着我国电网规模的不断扩大,电网结构也越来越复杂,各大区域电网互联使各区域电网之间的联系越来越密切,相互影响也越来越大
。
因此,保证电网的安全稳定运行具有非常重要的意义
。
一旦电网发生停电事故,极易引起电网大面积停电,给国民经济
、
国家公共安全和人民群众日常生活带来极大的影响
。
我国洪涝灾害频繁,一方面给城市的发展带来了极大的阻碍,另一方面对居民的生命财产安全造成了极大的威胁
。
随着电力工业的发展,洪涝灾害对电力行业造成的损失也越来越大
。
全社会各个方面对电力的需求日益增强,对电力损失承受的能力不断降低
。
[0003]目前,现有技术中缺少对洪涝灾害综合损失等级评估,以及缺少对洪涝灾害的灾前预测,严重限制了防灾和风险管理的工作
。
同时,洪涝灾害所涉及的数据量
、
数据面较为庞大,难以形成系统性分析
。
因此,如何利用大数据分析技术,对洪涝灾害损失进行灾前预测已经成为急需解决的技术问题
。
专 ...
【技术保护点】
【技术特征摘要】
1.
一种基于洪涝灾害综合损失等级评估的洪涝灾前预测方法,其特征在于,该方法具体包括如下步骤:
S1、
构建电力相关洪涝指标体系:建立电力相关洪涝指标体系,根据所述电力相关洪涝指标体系获取电力相关洪涝灾情数据,根据所述电力相关洪涝灾情数据检验电力相关洪涝指标体系中指标的有效性,得到电力相关洪涝指标体系数据;
S2、
电力相关洪涝灾害综合损失等级评估模型构建:针对步骤
S1
中电力相关洪涝灾情数据,构建电力相关洪涝灾害综合损失等级评估模型,所述洪涝灾害综合损失等级评估模型包括深度学习中的自编码器网络模型;电力相关洪涝灾害综合损失等级评估模型构建包括:构建自编码器网络模型:构建自编码器网络模型包括四个步骤,分别为:对步骤
S1
中的电力相关洪涝指标体系数据进行编码
、
对步骤
S1
中的电力相关洪涝指标体系数据进行解码
、
计算重构损失函数
、
提取潜在特征四步
。2.
根据权利要求1所述的一种基于洪涝灾害综合损失等级评估的洪涝灾前预测方法,其特征在于,步骤
S1
通过使用相关性分析法实现,具体为:
(1)
依据指标选取的原则,选取降雨量
、
倒塌电力设备数
、
倒塌和严损电力设备率
、
作为电力相关洪涝灾害综合损失等级评估指标;
(2)
相关系数用字母
r
表示,通过计算机计算各指标间的相关系数
r
,相关系数
r
的公式如下:其中,
Cov(X,Y)
为
X
与
Y
的协方差,
Var[X]
为
X
的方差,
Var[Y]
为
Y
的方差;根据相关系数
r
的绝对值确定显著性相关,当其大于等于
0.95
时表示显著性相关,表示指标选取重复,指标的实际有效性低,需要去除
。3.
根据权利要求1所述的一种基于洪涝灾害综合损失等级评估的洪涝灾前预测方法,其特征在于,构建自编码器网络模型具体包括:
S211、
对步骤
S1
中的电力相关洪涝指标体系数据进行编码:编码网络共有
K
层,第
k
层
(1≤k≤K)
是隐藏层,包含
n
k
个神经元,
n
k
是指编码网络中第
k
层的神经元个数,第
K
层是潜在特征层,编码网络输入有
n0个,
n0表示第0层共
n
个电力相关洪涝指标体系数据输入,输入向量视作网络的第0层,第
K
层的输出用
z
来表示,是神经网络的潜在特征层向量;编码网络神经元间信息传递公式如下:
其中,第
k
‑1层的
n
k
‑1个神经元的输出同时也是
k
层的输入,
i
表示网络第
k
‑1层的第
i
个神经元,
(1≤i≤n
k
‑1)
;第
k
层的
n
k
个神经元的输出同时也是
k+1
层的输入,
j
表示网络第
k
层的第
j
个神经元,
(1≤j≤n
k
)
,是连接的权重,线性加和单元的计算结果称作编码部分神经元的激活水平,
f
为激活函数;当达到第
K
层潜在特征层时,潜在特征
z
公式如下:其中,
z
【专利技术属性】
技术研发人员:夏令志,程洋,郑浩,胡跃云,刘静,刘宇舜,牛雷雷,操松元,甄超,方登州,王坤,张翼,
申请(专利权)人:国网安徽省电力有限公司电力科学研究院,
类型:发明
国别省市:
还没有人留言评论。发表了对其他浏览者有用的留言会获得科技券。