System.ArgumentOutOfRangeException: 索引和长度必须引用该字符串内的位置。 参数名: length 在 System.String.Substring(Int32 startIndex, Int32 length) 在 zhuanliShow.Bind()
【技术实现步骤摘要】
本专利技术涉及电力系统评估,具体为基于多源数据融合的供电系统安全性评估方法及系统。
技术介绍
1、随着电力系统的复杂性和规模的不断增加,供电系统的安全性评估变得尤为重要,供电系统安全性评估的目的是及时发现和解决潜在的安全隐患,确保电力供应的可靠性和稳定性,传统的供电系统安全性评估方法主要依赖于单一的数据源,如电力负荷数据、设备状态数据等,这使得评估结果可能存在局限性,现有技术中公开了输电线路静态电压稳定评估及趋优管控方法及装置,基于线路负载率、静态电压稳定性、线路覆冰程度、线路周围环境温度这四个指标对电力进行评估,上述专利基于电力系统内部的运行质量(线路、电压电流)、环境因素这两方面数据来源的融合构成综合评价指标,现有技术还考虑到用户端为供电系统直接使用的端部,如其中用户端设备直接发生故障、用户端设备使用年限过长、超额使用电量等等,有些情况不是直接导致供电系统损坏的原因,可是在用户端的使用上能够找出供电系统的薄弱点,从而用户端数据能够间接的影响供电系统的安全性,因此目前现有技术已经在供电质量、用户端使用状态、环境因素这三方面考虑实现供电系统的评估,这三个指标各有侧重,供电质量主要关注供电的稳定性和可靠性;环境因素主要考虑自然环境对供电系统的影响;用户端主要评估用户用电的稳定性和安全性,但是现有技术中对供电系统安全性评估具有一定的局限性,由于不同区域的供电结构是不同的,在不同的地理、气候和环境条件下,供电系统受到的影响因素也不同。例如,在环境复杂的区域,自然灾害、极端天气等环境因素可能对供电系统构成更大的威胁,用户端设备故障是影响
2、因此,亟需一种基于多源数据融合的供电系统安全性评估方法,能够准确评估供电系统的安全性。
技术实现思路
1、鉴于上述存在的问题,提出了本专利技术。
2、因此,本专利技术解决的技术问题是:如何实现对供电系统安全性的科学、准确评估,全面、准确地反映供电系统的实际运行状态,为供电系统的安全运行提供可靠保障。
3、为解决上述技术问题,本专利技术提供如下技术方案:一种基于多源数据融合的供电系统安全性评估方法,包括:获取供电系统的样本数据,建立供电系统安全评估指标体系;
4、建立神经网络模型并进行训练;
5、将待预测供电系统评估指标中的每个细化指标的具体数值输入至训练好的神经网络模型中,得到供电系统评估指标中的每个细化指标的最优权重值;
6、根据供电系统评估指标的每个细化指标的最优权重值以及供电系统评估指标中的每个细化指标的具体数值分别计算出供电系统中每个评估指标的评估值,根据供电系统中每个评估指标的评估值和供电系统中每个评估指标的综合权重值计算供电系统的评估值。
7、作为本专利技术所述的基于多源数据融合的供电系统安全性评估方法的一种优选方案,其中:所述建立神经网络模型并进行训练包括,所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型;
8、所述第一神经网络模型用于对供电质量指标中细化指标的最优权重进行预测,所述第二神经网络模型用于对用户端评估指标中的细化指标的最优权重进行预测,所述第三神经网络模型用于对环境因素评估指标中的细化指标的最优权重进行预测;
9、获取所述神经网络模型的训练集,将所述训练集输入至所述神经网络模型进行训练,获得训练好的神经网络模型。
10、作为本专利技术所述的基于多源数据融合的供电系统安全性评估方法的一种优选方案,其中:获取所述神经网络模型的训练集包括,获取供电系统的样本数据集;
11、获取所述样本数据集中每个数据的权重值;
12、根据样本数据集和所述样本数据集中每个数据的权重值获取训练集;
13、所述样本数据集包括供电质量数据集、用户端故障数据集、环境因素数据集;
14、所述第一神经网络模型包括,使用供电质量数据集中的具体数值作为输入xq,通过权重矩阵wq1和偏置向量bq1计算隐藏层输出hq,并应用双曲正切函数tanh进行激活:
15、
16、将隐藏层输出hq通过权重矩阵wq2和偏置向量bq2计算输出层的输出oq,并应用softmax函数进行归一化:
17、
18、所述第二神经网络模型包括,使用用户端数据集中的具体数值作为输入xu,通过权重矩阵wu1和偏置向量bu1计算隐藏层输出hu,并应用relu函数进行激活:
19、
20、将隐藏层输出hu通过权重矩阵wu2和偏置向量bu2计算输出层的输出ou,并应用softmax函数进行归一化:
21、
22、所述第三神经网络模型包括,使用环境因素数据集中的具体数值作为输入xe,通过权重矩阵we1和偏置向量be1计算隐藏层输出he,并应用sigmoid函数进行激活:
23、
24、将隐藏层输出he通过权重矩阵we2和偏置向量be2计算输出层的输出oe,并应用softmax函数进行归一化:
25、
26、其中,hq表示供电质量神经网络隐藏层输出,wq1表示供电质量神经网络输入层到隐藏层的权重矩阵,xq表示供电质量细化指标的具体数值,bq1表示供电质量神经网络隐藏层偏置向量tanh表示双曲正切激活函数,kq(t)表示供电质量时间调节矩阵,oq表示供电质量神经网络输出,wq2表示供电质量神经网络隐藏层到输出层的权重矩阵,bq2表示供电质量神经网络输出层偏置向量,vqk表示供电质量神经网络辅助矩阵,hqk表示供电质量神经网络辅助隐藏层输出,σ表示sigmoid激活函数,hu表示用户端神经网络隐藏层输出,wu1表示用户端神经网络输入层到隐藏层的权重矩阵,xu表示用户端细化指标的具体数值,bu1表示用户端神经网络隐藏层偏置向量,relu表示relu激活函数,ku(t)表示用户端时间调节矩阵,ou表示用户端神经网络输出,wu2表示用户端神经网络隐藏层到输出层的权重矩阵,bu2表示用户端神经网络输出层偏置向量,vuk表示用户端神经网络辅助矩阵,huk表示用户端神经网络辅助隐藏层输出,he表示环境因素神经网络隐藏层输出,we1表示环境因素神经网络输入层到隐藏层的权重矩阵,xe表示环境因素细化指标的具体数值,be1表示环境因素神经网络隐藏层偏置向量,ke(t)表示环境因素时间调节矩阵,oe表示环境因素神经网络输出,we2表示环境因素神经网络隐藏层到输出层的权重矩阵,be2表示环境因素神经网络输出层偏置向量,vek表示环境因素神经网络辅助矩阵,hek表示环境因素神经网络辅助隐藏层输出,z表示归一化常数。
27、5.作为本专利技术所述的基于多源数据融合的供电系统安全性评估方法本文档来自技高网...
【技术保护点】
1.一种基于多源数据融合的供电系统安全性评估方法,其特征在于,包括:
2.如权利要求1所述的基于多源数据融合的供电系统安全性评估方法,其特征在于:所述建立神经网络模型并进行训练包括,所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型;
3.如权利要求2所述的基于多源数据融合的供电系统安全性评估方法,其特征在于:获取所述神经网络模型的训练集包括,获取供电系统的样本数据集;
4.如权利要求3所述的基于多源数据融合的供电系统安全性评估方法,其特征在于:所述供电质量数据集为供电质量评估指标下的细化指标的具体数值,所述供电质量评估指标的细化指标包括网架互联率、平均供电半径、高损配变比、绝缘化率、综合线损率、三相不平衡度、非线性负载率、冲击性负荷、并网节点电压平均合格率;
5.如权利要求4所述的基于多源数据融合的供电系统安全性评估方法,其特征在于:所述用户端故障数据集为用户端评估指标下的细化指标的具体数值,用户端评估指标的细化指标包括:设备故障率、系统故障停电率、高运行年限设备率、平均停电用户数、用户平均停电持续时间;
...【技术特征摘要】
1.一种基于多源数据融合的供电系统安全性评估方法,其特征在于,包括:
2.如权利要求1所述的基于多源数据融合的供电系统安全性评估方法,其特征在于:所述建立神经网络模型并进行训练包括,所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型;
3.如权利要求2所述的基于多源数据融合的供电系统安全性评估方法,其特征在于:获取所述神经网络模型的训练集包括,获取供电系统的样本数据集;
4.如权利要求3所述的基于多源数据融合的供电系统安全性评估方法,其特征在于:所述供电质量数据集为供电质量评估指标下的细化指标的具体数值,所述供电质量评估指标的细化指标包括网架互联率、平均供电半径、高损配变比、绝缘化率、综合线损率、三相不平衡度、非线性负载率、冲击性负荷、并网节点电压平均合格率;
5.如权利要求4所述的基于多源数据融合的供电系统安全性评估方法,其特征在于:所述用户端故障数据集为用户端评估指标下的细化指标的具体数值,用户端评估指标的细化指标包括:设备故障率、系统故障停电率、高运行年限设备率、平均停电用户...
【专利技术属性】
技术研发人员:周忠强,万会江,马建伟,姬源,陈胜,任庭昊,王荣,唐洁瑶,周坤,黄育松,梁铃,陈智祺,李俊林,张洪略,
申请(专利权)人:贵州电网有限责任公司,
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。