基于拓扑感知时空掩码自编码器的配电网安全运行特征提取与风险判别方法、系统、终端、计算机可读存储介质与流程
本发明属于配电网运行状态感知与安全风险分析领域,尤其涉及基于拓扑感知时空掩码自编码器的配电网安全运行特征提取与风险判别方法、系统、终端、计算机可读存储介质。
背景技术:
1、随着分布式光伏、分散式风电、新型储能和电动汽车充电负荷等资源大规模接入配电网,传统单向潮流逐步向双向、多源和随机潮流转变。负荷波动、分布式电源出力变化以及局部源荷不平衡可能引发节点电压越限、线路重载、变压器重载和反向潮流等多类型运行风险,且不同风险之间往往具有明显的关联性和叠加性。传统基于单一物理阈值的判别方式难以表征上述复杂风险状态之间的关联特征,也难以揭示风险在不同节点和不同时间尺度上的传播与演化规律。
2、近年来,人工智能、图神经网络、时序建模和自监督学习等技术的发展,为配电网运行状态特征提取和风险智能识别提供了新的技术路径。相关技术逐步由基于人工设定指标和固定阈值的规则判断,发展为利用深度学习模型从节点电压、线路潮流、设备负载率、负荷及分布式电源出力等多维运行数据中自动提取特征,并通过分类模型完成风险识别。部分研究采用卷积神经网络、循环神经网络、长短期记忆网络或自编码器提取运行状态特征,提升了对高维非线性运行数据的表达能力;另有研究将图卷积网络引入电力系统状态分析,以利用电网节点之间的连接关系开展空间特征传播。
3、中国专利申请cn116011329a公开了一种基于vae-lstm的低压配电网拓扑结构异常检测方法,通过低压用户电压时序数据训练模型,并根据重构数据与原始数据之间的差值判断拓扑异常。该方案能够利用正常样本学习时序特征,但主要服务于低压配电网拓扑校验,风险对象及输入状态量较为单一,未形成对节点、线路和变压器运行风险的统一表征。
4、中国专利申请cn118897973a公开了一种基于vae-bi-lstm-sam的电网电压数据异常检测方法,通过变分自编码器、双向长短期记忆网络和自注意力机制提取电压时序特征,并利用重构误差与阈值比较识别异常。该方案强化了时间依赖关系建模,但主要面向电压数据异常检测,从其公开方案看,未显式引入配电网拓扑邻接关系,也未进一步区分线路重载、变压器重载和反向潮流等不同运行风险。
5、综上,现有技术仍存在以下不足:一是多以单一电压、线路或故障数据为对象,难以统一识别电压越限、线路重载、变压器重载和反向潮流等风险;二是时序模型通常忽略配电网物理拓扑,难以刻画相邻节点及设备间的耦合关系;三是部分方法依赖异常样本或固定阈值,缺少仅利用正常运行样本学习安全运行模式的机制。
6、因此,有必要提出一种基于拓扑感知时空掩码自编码器的配电网安全运行特征提取与风险判别方法,通过正常运行样本学习配电网拓扑耦合关系和时间演化规律,提取隐含拓扑时空特征及多维重构误差特征,并结合物理约束构建差异化风险标签,实现配电网多类型运行风险的统一识别与节点级分析。
技术实现思路
1、为解决现有技术中配电网拓扑耦合关系刻画不足、异常样本依赖度较高以及多类型运行风险统一判别精度不足等问题,本发明提供基于拓扑感知时空掩码自编码器的配电网安全运行特征提取与风险判别方法、系统、终端、计算机可读存储介质。
2、本发明采用如下的技术方案。
3、第一方面,本发明公开了拓扑感知时空掩码自编码器的配电网安全运行特征提取与风险判别方法,所述方法包括以下步骤:
4、步骤1:采集配电网运行状态数据;
5、步骤2:基于配电网节点连接关系构建拓扑邻接矩阵,并将多维运行状态量组织为节点级时空状态张量;
6、步骤3:基于潮流计算结果和物理安全约束构造差异化运行风险标签;
7、步骤4:筛选正常运行状态样本,构建拓扑感知时空掩码自编码器模型,通过随机掩码重构学习方式对正常运行状态下的拓扑耦合关系和时序演化规律进行自监督学习,提取隐含安全运行特征和多维重构误差特征;
8、步骤5:将提取的安全运行特征与间接统计特征、时序变化特征进行融合,基于xgboost构建配电网运行风险判别模型,实现多类型运行风险的识别与分类。
9、步骤6:采用风险类型判别准确率、风险召回率、误报率等指标对风险判别结果进行评估。
10、进一步优选地,
11、步骤1中,所采集的配电网运行状态数据包括:拓扑结构数据、节点负荷数据、分布式电源数据以及节点电压、线路负载率、变压器负载率和上级电网交换功率等。
12、进一步优选地,
13、基于配电网节点连接关系构建拓扑邻接矩阵方法可以表述如下过程:
14、基于配电网节点连接关系构建拓扑邻接矩阵时,首先将配电网表示为图结构:
15、
16、其中:
17、
18、表示参与潮流计算的母线节点集合,为节点数量;表示节点之间的电气连接关系,包括配电线路连接关系以及变压器高低压侧连接关系。若节点与节点之间存在一条在运线路或变压器连接,则认为二者在拓扑上相邻,并在邻接矩阵中赋值为 1;否则赋值为0。由此可构建原始拓扑邻接矩阵:
19、
20、其元素定义如下:
21、
22、由于配电网线路和变压器连接通常可视为无向电气连接,因此所构建的邻接矩阵满足:
23、
24、为保留节点自身运行状态信息,在原始邻接矩阵中加入单位矩阵:
25、
26、得到含自连接的邻接矩阵:
27、
28、进一步计算节点度矩阵:
29、
30、其中:
31、
32、为了避免不同节点连接度差异对特征传播造成影响,对邻接矩阵进行对称归一化处理,得到归一化拓扑邻接矩阵:
33、
34、所述归一化邻接矩阵用于拓扑感知时空掩码自编码器中的图卷积特征传播过程,使节点状态特征能够沿配电网物理拓扑在相邻节点之间传递,从而刻画节点电压、线路负载率、变压器负载率及源荷功率状态之间的空间耦合关系。
35、进一步优选地,
36、步骤3中,基于潮流计算结果和物理安全约束构造差异化运行风险标签,具体包括如下步骤:
37、s31:获取各时刻潮流计算结果
38、对于任一运行样本时刻,基于配电网拓扑结构、节点负荷、分布式电源出力和设备参数进行潮流计算,得到该时刻的节点电压、线路负载率、变压器负载率以及上级电网交换功率等运行状态量。
39、节点电压集合表示为:
40、
41、线路负载率集合表示为:
42、
43、变压器负载率集合表示为:
44、
45、其中,表示时刻第个节点的电压幅值,表示时刻第条线路的负载率,表示时刻第台变压器的负载率;、、分别表示节点数量、线路数量和变压器数量。
46、上级电网交换有功功率表示为:,当时,表示配电网从上级电网购电;当时,表示配电网向上级电网反送功率。
47、s32:设置物理安全约束阈值:
48、根据配电网安全运行要求,设置节点电压上下限、线路负载率上限、变压器负载率上限以及反向潮流判别阈值。
49、节点电压约束为:
50、
51、线路负载率约束为:
52、
53、变压器负载率约束为:
54、
55、反向潮流约束为:
56、
57、其中,和分别表示节点电压下限和上限;表示线路重载判别阈值;表示变压器重载判别阈值;表示反向潮流判别阈值。在本实施例中,可取,,,,。
58、s33:构造电压越限风险判别标志
59、对于时刻,若任一节点电压低于下限或高于上限,则判定该样本触发电压越限风险。定义电压越限风险标志为:
60、
61、其中,越大,表示电压越限程度越严重。
62、s34:构造线路重载风险判别标志
63、对于时刻,若任一线路负载率超过线路重载阈值,则判定该样本触发线路重载风险。定义线路重载风险标志为:
64、
65、其中,表示时刻存在线路重载风险;表示未触发线路重载风险。
66、线路重载严重度可定义为:
67、
68、s35:构造变压器重载风险判别标志
69、对于时刻,若任一变压器负载率超过变压器重载阈值,则判定该样本触发变压器重载风险。定义变压器重载风险标志为:
70、
71、其中,表示时刻存在变压器重载风险;表示未触发变压器重载风险。
72、变压器重载严重度可定义为:
73、
74、s36:构造反向潮流风险判别标志
75、对于时刻,若上级电网交换功率小于反向潮流判别阈值,则判定配电网出现反向潮流风险。定义反向潮流风险标志为:
76、
77、其中,表示时刻存在反向潮流风险;表示未触发反向潮流风险。
78、当时,上式可写为:
79、
80、反向潮流严重度可定义为:
81、
82、其中,表示功率归一化基准值。
83、s37:构造多类型风险标志向量
84、综合上述四类风险判别结果,构造时刻的多类型风险标志向量:
85、
86、同时构造风险严重度向量:
87、
88、其中,用于表示样本是否触发各类风险,用于表征各类风险的越限程度或风险强度。
89、s38:构造差异化运行风险标签
90、根据多类型风险标志向量,将样本划分为正常运行状态或不同类型风险状态。定义样本风险标签如下:
91、
92、其中,表示正常运行状态,表示电压越限风险,表示线路重载风险,表示变压器重载风险,表示反向潮流风险。
93、上述标签构造方式采用主导风险优先判别策略。当同一运行样本同时触发多类风险时,按照电压越限、线路重载、变压器重载、反向潮流的优先级确定主导风险标签。
94、s39:构造多风险叠加标志
95、由于配电网运行风险可能存在耦合传播,一个样本可能同时触发多类风险。因此,进一步构造多风险叠加标志:
96、
97、其中,表示该样本为多风险叠加工况,表示该样本未发生多风险叠加。
98、s310:形成特征提取与风险判别所需的标签数据集
99、最终,对于每个运行样本,形成如下标签信息:
100、
101、其中,为主导风险标签,为多类型风险触发标志向量,为风险严重度向量,为多风险叠加标志。
102、由此可得到配电网运行样本的差异化风险标签数据集:
103、
104、其中,表示样本总数。该标签数据集用于后续风险判别模型的监督训练与测试评价,使模型能够区分正常运行、电压越限风险、线路重载风险、变压器重载风险和反向潮流风险等不同运行状态。
105、进一步优选地,
106、步骤4中,筛选正常运行状态样本,构建拓扑感知时空掩码自编码器模型,通过随机掩码重构学习方式对正常运行状态下的拓扑耦合关系和时序演化规律进行自监督学习,提取隐含安全运行特征和多维重构误差特征,具体包括以下步骤:
107、s41:筛选正常运行状态样本
108、根据运行状态标签或物理安全约束判别结果,从训练样本集合中筛选正常运行状态样本,构成正常样本集合:
109、
110、其中,表示样本时刻索引,表示第个样本为正常运行状态,表示训练集样本集合,表示训练集中的正常运行状态样本集合。模型训练阶段仅使用正常运行状态样本,不使用异常样本及其风险标签。
111、s42:构建节点级运行状态特征:
112、对于任一时刻,将配电网中第个节点的运行状态表示为多维特征向量:
113、
114、其中,表示节点在时刻的电压幅值;表示与节点相连线路的平均负载率;表示与节点相连线路的最大负载率;表示与节点相关的变压器负载率;表示系统净负荷功率;表示上级电网交换功率。
115、将所有节点的状态特征组合为节点状态矩阵:
116、
117、其中:
118、
119、表示配电网节点数量,表示每个节点的状态特征维度。
120、s43:构建时序状态窗口
121、为刻画配电网运行状态的时间演化规律,选取长度为的历史时间窗口,将连续时刻的节点状态矩阵组合为时空状态张量:
122、
123、其中:
124、
125、表示时间窗口长度,表示以时刻为终点的节点级时空运行状态样本。
126、s44:对正常样本状态量进行标准化处理
127、标准化参数仅由训练集正常样本计算得到:
128、
129、
130、其中,和分别表示第个状态特征在正常样本集合中的均值和标准差。
131、标准化后的节点状态特征为:
132、
133、由此得到标准化后的时空状态张量:
134、
135、s45:构建随机掩码输入
136、为了采用自监督重构学习方式学习正常运行模式,对输入时空状态张量随机遮蔽部分状态量。定义掩码矩阵:
137、
138、其中,表示对应位置的状态量被遮蔽,表示对应位置的状态量被保留。
139、掩码矩阵中的元素服从伯努利分布:
140、
141、其中,表示掩码比例。
142、经过随机掩码后的输入为:
143、
144、其中,表示逐元素乘法。
145、s46:构建拓扑感知时空掩码自编码器
146、首先,利用归一化拓扑邻接矩阵对节点状态特征进行图卷积传播,以刻画相邻节点之间的空间拓扑耦合关系:
147、
148、
149、其中,表示时空窗口中第个时刻的掩码节点状态矩阵;表示归一化拓扑邻接矩阵;、表示图卷积层的可学习权重矩阵;、表示偏置项;表示非线性激活函数。
150、随后,将连续时间窗口内的节点拓扑表征输入时序编码器,学习节点状态随时间变化的演化规律:
151、
152、其中,表示带参数的时序编码器,表示融合拓扑耦合关系与时序演化规律后的隐含表征。
153、进一步通过解码器对被遮蔽的节点状态进行重构:
154、
155、其中,表示带参数的解码器,表示模型重构得到的时空状态张量。
156、s47:构建掩码重构损失函数
157、由于模型目标是根据未被遮蔽的运行状态恢复被遮蔽的状态量,因此仅在掩码位置计算重构误差,得到掩码重构损失函数:
158、
159、其中,表示 frobenius 范数,表示掩码矩阵中被遮蔽位置的数量。
160、通过最小化掩码重构损失函数,模型仅基于正常运行状态样本学习配电网正常运行状态下的拓扑耦合关系和时序演化规律。
161、s48:提取隐含安全运行特征
162、模型训练完成后,将任一运行样本输入训练好的拓扑感知时空掩码自编码器,提取其隐含安全运行表征。对隐含表征进行池化处理,得到样本级隐含特征向量:
163、
164、其中:
165、
166、表示隐含特征维度,表示第个样本的拓扑时空安全运行特征。
167、s49:提取多维重构误差特征
168、对于输入样本,计算其真实状态与重构状态之间的偏差。
169、总重构误差定义为:
170、
171、第类状态量的重构误差定义为:
172、
173、第个节点的重构误差定义为:
174、
175、最大异常敏感节点定义为:
176、
177、最大节点重构误差定义为:
178、
179、由此,第个样本最终提取的安全运行特征可表示为:
180、
181、其中,表示融合隐含拓扑时空特征、多维重构误差特征和异常敏感节点信息的安全运行特征向量。对于正常样本,表征配电网常态安全运行模式;对于异常样本,表征其相对于正常安全运行模式的偏离程度,并可作为后续差异化运行风险判别模型的输入。
182、进一步优选地,
183、步骤5中,将提取的安全运行特征与间接统计特征、时序变化特征进行融合,基于xgboost构建配电网运行风险判别模型,实现多类型运行风险的识别与分类,其具体实现过程如下:
184、s51:获取拓扑感知时空掩码自编码器提取的安全运行特征
185、由步骤3可知,对于任一运行样本,经拓扑感知时空掩码自编码器提取后,可得到样本级安全运行特征向量:
186、
187、其中,表示隐含拓扑时空特征,表示总重构误差,表示第类状态量的重构误差,表示最大节点重构误差,表示最大异常敏感节点。
188、该特征向量用于表征样本相对于配电网正常安全运行模式的偏离程度。
189、s52:构建间接统计特征
190、为避免直接使用风险标签生成规则对应的阈值变量,同时增强模型对运行状态整体分布特征的刻画能力,基于潮流状态量构建间接统计特征。
191、对于时刻,节点电压均值可定义为:
192、
193、节点电压标准差可定义为:
194、
195、线路负载率均值可定义为:
196、
197、线路负载率标准差可定义为:
198、
199、变压器负载率均值可定义为:
200、
201、变压器负载率标准差可定义为:
202、
203、其中,、、分别表示节点数量、线路数量和变压器数量;、、分别表示节点电压、线路负载率和变压器负载率。
204、进一步构建源荷匹配相关特征。设时刻的总负荷有功功率为,分布式电源总出力为,则净负荷为:
205、
206、分布式电源渗透率定义为:
207、
208、负荷与新能源出力比定义为:
209、
210、净负荷比例定义为:
211、
212、其中,为极小正数,用于避免分母为零。
213、由此,时刻的间接统计特征可表示为:
214、
215、其中,表示时刻的间接统计特征向量。
216、s53:构建时序变化特征
217、配电网运行风险不仅与当前运行状态有关,还与运行状态的短时变化和周期性变化有关。因此,进一步构建时序变化特征。
218、对于任一运行变量,定义其一阶时间变化量为:
219、
220、定义其短周期时间变化量为:
221、
222、定义其日周期变化量为:
223、
224、其中,表示短周期滞后步长,表示日周期滞后步长。在 15 分钟分辨率数据中,若一天包含 96 个采样点,则可取。
225、对于配电网运行变量集合:
226、
227、可分别计算其不同时间尺度下的变化特征,得到时序变化特征向量:
228、
229、其中,表示时刻的时序变化特征向量。
230、为进一步刻画日内周期性和季节周期性,可构建时间周期编码特征。设时刻所在日内采样点序号为,一天内总采样点数为,则日内周期特征为:
231、
232、设时刻所在月份为,则月度周期特征为:
233、
234、将上述周期编码并入时序变化特征,可得到扩展后的时序特征:
235、
236、s54:融合多源运行特征,构建风险判别输入向量
237、将拓扑感知时空掩码自编码器提取的安全运行特征、间接统计特征及时序变化特征进行融合,得到用于风险判别的综合特征向量:
238、
239、其中,表示第个样本的综合风险判别特征向量,表示安全运行特征,表示间接统计特征,表示时序变化特征。
240、对于全部样本,可构建特征-标签数据集:
241、
242、其中,表示由物理安全约束构造得到的风险标签,表示样本总数。
243、s55:划分训练集和测试集
244、将特征-标签数据集按照设定比例划分为训练集和测试集。设训练集比例为,测试集比例为,则有:
245、
246、其中:
247、
248、在本实施例中,取训练集与测试集的比例为7:3。训练阶段保留训练集样本标签,用于监督学习;测试阶段隐藏测试集标签,仅将测试集特征输入训练完成的风险判别模型,模型输出预测风险标签后再与真实标签进行对比评价。
249、s56:基于 xgboost 构建多类型风险判别模型
250、采用 xgboost 构建配电网运行风险判别模型。xgboost 将多个分类回归树进行加性集成,其第个样本的模型输出可表示为:
251、
252、其中,表示树的数量,表示第棵分类回归树,表示第个样本的综合特征向量。
253、对于多分类风险判别问题,模型输出每一类风险的得分。设风险类别数为,则第类风险的判别得分为:
254、
255、其中,。在本实施例中,风险类别包括正常运行、电压越限风险、线路重载风险、变压器重载风险和反向潮流风险,因此,通过 softmax 函数将各类得分转换为类别概率:
256、
257、最终预测风险类别为:
258、
259、其中,表示样本属于第类风险的预测概率,表示模型输出的预测风险标签。
260、s57:构建 xgboost 训练目标函数
261、xgboost 通过最小化损失函数与模型复杂度正则项之和完成训练。整体目标函数可表示为:
262、
263、其中,表示多分类损失函数,表示第棵树的复杂度正则项。
264、对于多分类任务,损失函数可采用交叉熵损失:
265、
266、其中,为指示函数。当时,,否则为 0。
267、xgboost 中单棵树的正则项可表示为:
268、
269、其中,表示第棵树的叶子节点数量,表示第棵树第个叶子节点的权重,和为正则化系数。
270、通过最小化目标函数,模型学习综合特征向量与差异化风险标签之间的非线性映射关系。
271、s58:处理类别不均衡问题
272、考虑到实际配电网运行中正常样本数量通常多于异常风险样本,为避免模型偏向多数类样本,可在训练过程中引入类别权重。对于类别,其权重可定义为:
273、
274、其中,表示训练集中属于类别的样本数量,表示类别总数。
275、加权交叉熵损失可表示为:
276、
277、通过引入类别权重,可提高模型对电压越限、线路重载、变压器重载和反向潮流等少数风险类别的识别能力。
278、s59:输出多类型运行风险识别结果
279、训练完成后,对于测试集中任一样本,将其综合特征向量输入训练好的xgboost 风险判别模型,得到预测标签:
280、
281、其中,表示训练完成的 xgboost 多分类风险判别模型。
282、根据预测标签输出对应风险类型:
283、
284、s510:形成风险识别结果数据集
285、对于测试集中每个样本,输出其真实标签、预测标签、预测概率和识别结果,形成风险识别结果数据集:
286、
287、其中,表示测试样本真实风险标签,仅用于模型评价;表示模型预测风险标签;表示样本属于第类风险的预测概率。
288、进一步定义识别正确标志:
289、
290、其中,表示样本风险类型识别正确,表示样本风险类型识别错误。
291、由此可将风险识别结果用于后续风险类型判别准确率、召回率、误报率指标计算,实现对配电网多类型运行风险识别性能的综合评价。
292、进一步优选地,
293、步骤6中,采用风险类型判别准确率、风险召回率、误报率等指标对风险判别结果进行评估。其中,风险类型判别准确率的计算公式如下:
294、
295、其中,表示真实风险样本中风险类型识别正确的样本数,表示真实风险样本总数。
296、风险召回率用于评价某一类风险样本被模型正确识别出来的比例。对于第类风险,定义第类风险样本集合为:
297、
298、第类风险召回率定义为:
299、
300、其中,表示测试集中真实属于第类风险的样本数量。
301、误报率用于评价真实正常运行样本被模型错误识别为风险样本的比例。对于测试集中的正常样本集合,若模型预测标签大于 0,则表示该正常样本被误判为某类风险。误报率定义为:
302、
303、其中,表示真实正常样本被误判为风险样本的数量,表示真实正常样本总数。
304、第二方面,本发明公开了基于拓扑感知时空掩码自编码器的配电网安全运行特征提取与风险判别系统,包括数据采集与预处理模块、拓扑与时空状态构建模块、正常样本筛选模块、安全运行特征提取模块、风险标签构建模块、风险判别模型构建模块以及风险识别与评估模块;
305、数据采集与预处理模块,用于采集配电网拓扑结构数据和运行状态数据,并进行缺失值处理、时间对齐和标准化处理;
306、拓扑与时空状态构建模块,用于根据节点连接关系构建归一化拓扑邻接矩阵,并将连续时刻的节点运行状态组织为时空状态张量;
307、正常样本筛选模块,用于根据运行标签或物理安全约束筛选正常运行状态样本,作为安全运行特征提取模型的训练数据;
308、安全运行特征提取模块,用于构建并训练拓扑感知时空掩码自编码器,提取正常样本和异常样本的隐含拓扑时空特征、重构误差特征及异常敏感节点;
309、风险标签构建模块,用于基于节点电压、线路负载率、变压器负载率和上级电网交换功率等物理安全约束,构建正常运行、电压越限、线路重载、变压器重载和反向潮流风险标签;
310、风险判别模型构建模块,用于融合安全运行特征、间接统计特征和时序变化特征,并利用带标签的训练集训练xgboost多分类风险判别模型;
311、风险识别与评估模块,用于将测试集特征输入训练完成的风险判别模型,输出风险预测结果,并采用风险类型判别准确率、风险召回率、误报率对风险识别结果进行评估。
312、第三方面,本发明提供一种终端,包括处理器及存储介质;
313、所述存储介质用于存储指令;
314、所述处理器用于根据所述指令进行操作以执行本发明第一方面中任一项所述方法的步骤。
315、第四方面,本发明提供一种计算机可读存储介质,其上存储有计算机程序,该程序被处理器执行时实现本发明第一方面中任一项所述方法的步骤。
316、本发明的有益效果在于,与现有技术相比:
317、1、现有配电网运行风险判别方法多依赖节点电压、线路负载率和变压器负载率等单一物理量的固定阈值,难以反映不同设备之间的关联关系。本发明基于配电网线路连接关系和变压器连接关系构建拓扑邻接矩阵,并将拓扑结构引入运行特征提取过程,实现了对相邻节点、线路及变压器之间电气耦合关系的有效刻画,提高了配电网复杂运行状态的空间特征表征能力;
318、2、本发明构建拓扑感知时空掩码自编码器,仅利用正常运行状态样本开展自监督训练,通过随机掩码重构、拓扑邻域特征传播和时序演化建模,学习配电网正常安全运行状态下的拓扑耦合规律与时间变化规律,降低了特征提取模型对大量异常样本及人工标注数据的依赖,适用于真实风险样本数量较少、类别分布不均衡的配电网运行场景;
319、3、相较于仅根据物理安全约束判断运行指标是否已经越限的方法,本发明通过隐含拓扑时空特征、总重构误差、状态量重构误差和节点重构误差,刻画运行样本相对于正常安全运行模式的偏离程度,能够实现电压越限、线路重载、变压器重载和反向潮流等多类型风险的差异化识别;
320、4、本发明采用风险类型判别准确率、风险召回率、误报率等指标对风险判别结果进行综合评估,使风险识别性能评价更加全面、客观。
版权声明:本站专利文献数据主要来源于国家知识产权局等公开渠道,由 技术新讯 进行整理汇编。页面设计及数据汇编的著作权归本站所有。全部内容仅供个人学习、科研评估与技术交流参考,严禁用于任何商业用途(包括但不限于直接生产制造、技术转让、倒卖数据等)。
免责条款:专利技术具有时效性,本站不对资料的绝对准确性、完整性和可实施性提供任何明示或暗示的担保。因参考本站内容造成的直接或间接损失,本站不承担相关法律责任。若您认为本站内容有侵权问题,请及时提供权属证明与我们联系,本站将在核实后依法处理。反馈意见:yyfuon@163.com