【技术实现步骤摘要】
本申请涉及电网抢修资源预测方法，具体涉及一种基于地区特性的电网抢修资源消耗量预测方法。
技术介绍
1、随着电网规模的扩大和复杂性的增加，电网抢修工作在电网维护中变得尤为重要。如何在各种突发情况下高效组织抢修工作，确保电网的安全稳定运行，是电力公司面临的重大挑战。
2、现有的资源消耗预测方法往往基于简单的历史数据回归分析，缺乏对具体地区环境和抢修类型的深入分析，导致资源配置效率低下，抢修工作反应迟缓，严重影响了电网的供电可靠性和用户体验。
3、随着数据科学和人工智能技术的发展，可以利用复杂的算法和模型对电网抢修资源消耗量进行预测，成为提高电网运维效率的重要方向。例如，可以通过使用神经网络模型对电网抢修资源量进行预测，但是，不同的环境条件、不同的地理特点和不同的抢修类型的多维度影响会导致神经网络模型预测结果准确率较低，使用神经网络模型预测抢修项目的资源消耗方法存在不足。
技术实现思路
1、本申请提供一种基于地区特性的电网抢修资源消耗量预测方法，以提高电网抢修资源消耗量预测的准确性和可靠性。
2、本申请提供一种基于地区特性的电网抢修资源消耗量预测方法，包括：
3、获取抢修工程的抢修类型；所述抢修类型包括设备故障抢修、自然灾害抢修、预防性危害、人为因素抢修、特殊事件抢修；
4、基于所述抢修类型，获取所述抢修类型对应的抢修数据；所述抢修数据包括环境条件、地理位置、资源消耗类型、气象条件；
5、将所述抢修类型与所述抢修数据
6、对所述第一工程数据执行预处理，以得到第二工程数据；
7、基于改进粒子群优化算法，对所述第二工程数据执行聚类分析，以得到分析结果；所述改进粒子群优化算法为融合混沌映射、反向学习及柯西变异的粒子群算法；
8、将所述分析结果输入神经网络模型，以获取所述神经网络模型输出的抢修资源消耗量预测结果；所述神经网络模型为根据训练数据训练获得的长短期记忆人工神经网络模型，所述训练数据包括历史抢修数据以及所述历史数据对应的抢修资源消耗量，所述历史抢修数据为输入值，所述历史数据对应的抢修资源消耗量为输出参考值。
9、可选的，对所述第一工程数据执行预处理，以得到第二工程数据包括：
10、对所述第一工程数据执行数据清洗，以修正所述第一工程数据中的异常值；
11、对所述第一工程数据执行缺失值填补，以得到所述第二工程数据。
12、可选的，对所述第一工程数据执行数据清洗包括：
13、对所述第一工程数据执行尺度分析，以分解所述第一工程数据，得到若干数据集；
14、利用自适应混合模型对所述数据集执行聚类分析，以获得聚类中心；所述聚类分析通过最大期望算法动态调整聚类数目和模型参数；
15、根据所述聚类中心，计算所述数据集中每个数据点相对于所述聚类中心的马氏距离；
16、若所述数据点的所述马氏距离大于预设阈值，则将所述数据点标记为所述异常值；
17、获取所述异常值的相似数据点，并对所述相似数据点执行加权平均，以获取修正异常值；
18、将所述异常值替换为所述修正异常值，以修正所述第一工程数据中的所述异常值。
19、可选的，对所述第一工程数据执行缺失值填补，以得到所述第二工程数据包括：
20、扫描所述数据集，获取所述数据集中的缺失值及所述缺失值对应的特征；
21、基于所述缺失值对应的特征，获取所述数据集中与所述缺失值相似的邻域样本；所述缺失值相似的邻域样本为根据欧几里得距离、曼哈顿距离或余弦相似度方法计算得到。
22、对所述邻域样本执行加权平均，以得到平均值；
23、将所述平均值替换所述缺失值，以得到第二工程数据。
24、可选的，所述改进粒子群优化算法为融合混沌映射、反向学习以及柯西变异的粒子群优化算法。
25、可选的，所述方法还包括：
26、获取若干数据的所述训练数据；
27、构建初始长短期记忆人工神经网络模型；所述初始长短期记忆人工神经网络模型包括遗忘门、输入门、输出门和细胞状态；
28、将所述训练数据输入所述初始长短期记忆人工神经网络模型，以根据所述初始长短期记忆人工神经网络模型输出结果反向传播；得到完成训练的所述长短期记忆神经网络模型。
29、可选的，构建初始长短期记忆人工神经网络模型包括：
30、设置所述初始长短期记忆人工神经网络模型的初始参数配置；所述初始参数配置包括学习率、隐藏单元数、遗忘门权重；
31、使用自适应排序优化算法对所述初始参数配置进行优化。
32、可选的，使用自适应排序优化算法对所述初始参数配置进行优化包括：
33、设置自适应排序优化算法的初始温度；
34、基于所述初始温度，计算所述初始长短期记忆人工神经模型在验证集上的损失函数；
35、根据所述损失函数，获取所述初始参数配置的第一适应度；
36、添加随机扰动，以生成第一参数配置；
37、基于所述第一参数配置，计算所述初始长短期记忆人工神经模型的第二适应度；
38、将所述第一适应度和所述第二适应度代入自适应排序优化算法的接受概率函数，判断所述第一参数配置是否优于初始参数配置；
39、若所述第一参数配置优于所述初始参数配置，则将所述初始参数配置替换为所述第一参数配置；
40、降低所述初始温度，直至满足终止条件。
41、可选的，所述终止条件为所述初始温度小于设定最低温度，或迭代次数达到最大迭代次数。
42、由以上技术方案可知，本申请提供一种基于地区特性的电网抢修资源消耗量预测方法，包括：获取抢修工程的抢修类型；所述抢修类型包括设备故障抢修、自然灾害抢修、预防性危害、人为因素抢修、特殊事件抢修；基于所述抢修类型，获取所述抢修类型对应的抢修数据；所述抢修数据包括环境条件、地理位置、资源消耗类型、气象条件；将所述抢修类型与所述抢修数据整合，得到第一工程数据；对所述第一工程数据执行预处理，以得到第二工程数据；基于改进粒子群优化算法，对所述第二工程数据执行聚类分析，以得到分析结果；所述改进粒子群优化算法为融合混沌映射、反向学习及柯西变异的粒子群算法；将所述分析结果输入神经网络模型，以获取所述神经网络模型输出的抢修资源消耗量预测结果；所述神经网络模型为根据训练数据训练获得的长短期记忆人工神经网络模型，所述训练数据包括历史抢修数据以及所述历史数据对应的抢修资源消耗量，所述历史抢修数据为输入值，所述历史数据对应的抢修资源消耗量为输出参考值。本申请中通过对电网抢修工程进行详细分类，通过改进粒子群优化算法优化抢修项目的分类和资源消耗模式的识别，提高电网抢修资源消耗量预测的准确性和可靠性。
本文档来自技高网...【技术保护点】
1.一种基于地区特性的电网抢修资源消耗量预测方法，其特征在于，包括：
2.根据权利要求1所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，对所述第一工程数据执行预处理，以得到第二工程数据包括：
3.根据权利要求2所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，对所述第一工程数据执行数据清洗包括：
4.根据权利要求3所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，对所述第一工程数据执行缺失值填补，以得到所述第二工程数据包括：
5.根据权利要求1所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，所述方法还包括：
6.根据权利要求5所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，构建初始长短期记忆人工神经网络模型包括：
7.根据权利要求6所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，使用自适应排序优化算法对所述初始参数配置进行优化包括：
8.根据权利要求7所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，所述终止条件为所述初
...【技术特征摘要】
1.一种基于地区特性的电网抢修资源消耗量预测方法，其特征在于，包括：
2.根据权利要求1所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，对所述第一工程数据执行预处理，以得到第二工程数据包括：
3.根据权利要求2所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，对所述第一工程数据执行数据清洗包括：
4.根据权利要求3所述的基于地区特性的电网抢修资源消耗量预测方法，其特征在于，对所述第一工程数据执行缺失值填补，以得到所述第二工程数据包括：
5.根据权利要...
【专利技术属性】
技术研发人员：李燕，申亚波，黄耀德，徐其丹，崔翔，
申请(专利权)人：国网新疆电力有限公司经济技术研究院，
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。