人工抑雷干预效果的评估方法及系统与流程
本发明涉及电网防灾减灾与人工影响天气交叉,具体涉及一种人工抑雷干预效果的评估方法及系统。
背景技术:
1、人工抑雷作业通常是指通过向强对流雷暴云团播撒高性能抑制材料(如导电粒子、冰核凝结核等),改变云团的电荷结构和起电过程,从而抑制或削弱雷电活动强度的主动防灾技术。人工抑雷作业的效果评估需要回答一个关键问题:人工干预对每基杆塔的雷击故障风险分别降低了多少?图神经网络因其天然的图结构数据处理能力,理论上非常适合将电网拓扑建模为图、通过邻居聚合实现杆塔级的精细化评估。然而,在实际应用中,纯数据驱动的图神经网络在人工抑雷领域面临无数据可训的根本性障碍,具体表现为:杆塔级标注数据极度稀缺,纯数据驱动模型无法有效训练。
2、因此,如何设计一种能准确评估人工抑雷干预效果的方法,是亟待解决的重要问题。
技术实现思路
1、为了解决现有技术无法准确评估人工抑雷干预效果的问题,本发明提出了一种人工抑雷干预效果的评估方法,步骤包括:在雷暴期间进行人工抑雷作业,获取人工抑雷作业前后电网系统中目标输电线路和关联电网设备的图结构数据;基于所述图结构数据,训练图神经网络模型预测图结构数据中各杆塔节点的雷击故障风险降低率,并使用总损失函数优化,直至总损失函数最小化,获得训练完成的图神经网络模型;所述总损失函数包括标准监督损失函数、物理一致性约束和物理方程残差约束;基于所述图结构数据,使用训练完成的图神经网络模型预测,获得图结构数据中各杆塔节点的雷击故障风险降低率预测值;基于各所述杆塔节点的雷击故障风险降低率预测值,对人工抑雷干预效果进行评估。
2、可选的,所述图结构数据包括多个杆塔节点、每个杆塔节点对应的杆塔电气相关特征、每两个杆塔节点之间的物理连接边和空间邻近边、多个杆塔节点中已标注杆塔节点对应的雷击故障风险降低率真实值。
3、可选的,所述基于所述图结构数据,训练图神经网络模型预测图结构数据中各杆塔节点的雷击故障风险降低率,并使用总损失函数优化,直至总损失函数最小化,获得训练完成的图神经网络模型,具体步骤包括:使用图神经网络模型预测,获得每个杆塔节点对应的雷击故障风险降低率预测值;基于多个杆塔节点、每个杆塔节点对应的雷击故障风险降低率预测值和雷击故障风险降低率真实值,使用标准监督损失函数计算,获得标准监督损失值;基于每两个杆塔节点、每两个杆塔节点对应的物理连接边和空间邻近边,使用物理一致性约束计算,获得物理一致性约束值;基于多个杆塔节点、每个杆塔节点对应的雷击故障风险降低率预测值和杆塔电气相关特征,使用物理方程残差约束计算,获得物理方程残差约束值;将所述标准监督损失值、所述物理一致性约束值和所述物理方程残差约束值加权求和,获得总损失函数值;基于所述总损失函数值,通过反向传播调整图神经网络模型,直至总损失函数值最小化,获得训练完成的图神经网络模型。
4、可选的,在所述基于各所述杆塔节点的雷击故障风险降低率预测值,对人工抑雷干预效果进行评估之后,还包括:基于所述图结构数据,以及训练完成的图神经网络模型,使用蒙特卡洛丢弃法对多个杆塔节点中的若干个未标注杆塔节点进行多次独立前向传播,获得每个未标注杆塔节点的预测值;基于所述若干个未标注杆塔节点的预测值,确定图结构数据中每个未标注杆塔节点的预测方差;将图结构数据中多个未标注杆塔节点的预测方差从大到小排序,选取排序在前的多个未标注杆塔节点,获得图结构数据的推荐标注杆塔节点;对所述图结构数据的推荐标注杆塔节点进行实测,获得图结构数据中推荐标注杆塔节点的雷击故障风险降低率实测值;利用图结构数据中推荐标注杆塔节点的雷击故障风险降低率实测值对所述图结构数据进行更新;将更新后的所述图结构数据用于下一次人工抑雷干预效果的评估。
5、可选的,所述物理一致性约束,计算公式为:
6、
7、其中,为图神经网络模型中总损失函数的物理一致性约束值;为图结构数据的空间邻近边集合;为图神经网络模型预测的杆塔节点的雷击故障风险降低率;为图神经网络模型预测的杆塔节点的雷击故障风险降低率;为图结构数据的物理连接边集合;为平滑系数;
8、
9、其中,为物理相似性权重;为图结构数据中杆塔节点的线路特征;为图结构数据中杆塔节点的线路特征;为高斯核带宽参数。
10、可选的,所述物理方程残差约束,计算公式为:
11、
12、其中,为图神经网络模型中总损失函数的物理方程残差约束值;为图神经网络模型预测的杆塔节点的雷击故障风险降低率;为图结构数据中的所有杆塔节点;
13、
14、其中,为图结构数据中杆塔节点的理论风险降低率;为人工抑雷作业前的地闪密度;为人工抑雷作业后的地闪密度;为人工抑雷作业前的雷电流幅值分布;为人工抑雷作业后的雷电流幅值分布;为图结构数据中杆塔节点的屏蔽失效概率函数;为雷电流幅值;为图结构数据中目标输电线路耐受雷电流下限值。
15、可选的,所述总损失函数值,计算公式为:
16、
17、其中,为图神经网络模型的总损失函数值;为物理一致性约束的权重系数,的取值与图结构数据中已标注杆塔节点数成反比;为物理方程残差约束的权重系数,的取值与图结构数据中已标注杆塔节点数成反比;为图神经网络模型的标准监督损失函数;为图神经网络模型中总损失函数的物理一致性约束;为图神经网络模型中总损失函数的物理方程残差约束值。
18、可选的,所述基于各所述杆塔节点的雷击故障风险降低率预测值,对人工抑雷干预效果进行评估,步骤包括:基于各所述杆塔节点:若所述杆塔节点的雷击故障风险降低率预测值处于预设的高效益段区间时,则确定该杆塔节点的雷击故障风险降低率预测值所对应的评估结果为人工干预效果显著;若所述杆塔节点的雷击故障风险降低率预测值处于预设的中效益段区间时,则确定该杆塔节点的雷击故障风险降低率预测值所对应的评估结果为人工干预效果明显;若所述杆塔节点的雷击故障风险降低率预测值处于预设的低效益段区间时,则确定该杆塔节点的雷击故障风险降低率预测值所对应的评估结果为人工干预效果有限;若所述杆塔节点的雷击故障风险降低率预测值处于预设的无效段区间时,则确定该杆塔节点的雷击故障风险降低率预测值所对应的评估结果为人工干预效果不显著。
19、再一方面,本技术还提供了一种人工抑雷干预效果的评估系统,包括:数据获取模块,用于在雷暴期间进行人工抑雷作业,获取人工抑雷作业前后电网系统中目标输电线路和关联电网设备的图结构数据;损失优化训练模块,用于基于所述图结构数据,训练图神经网络模型预测图结构数据中各杆塔节点的雷击故障风险降低率,并使用总损失函数优化,直至总损失函数最小化,获得训练完成的图神经网络模型;所述总损失函数包括标准监督损失函数、物理一致性约束和物理方程残差约束;模型预测模块,用于基于所述图结构数据,使用训练完成的图神经网络模型预测,获得图结构数据中各杆塔节点的雷击故障风险降低率预测值;干预效果评估模块,用于基于各所述杆塔节点的雷击故障风险降低率预测值,对人工抑雷干预效果进行评估。
20、可选的,所述图结构数据包括多个杆塔节点、每个杆塔节点对应的杆塔电气相关特征、每两个杆塔节点之间的物理连接边和空间邻近边、多个杆塔节点中已标注杆塔节点对应的雷击故障风险降低率真实值。
21、可选的,所述损失优化训练模块,具体用于:使用图神经网络模型预测,获得每个杆塔节点对应的雷击故障风险降低率预测值;基于多个杆塔节点、每个杆塔节点对应的雷击故障风险降低率预测值和雷击故障风险降低率真实值,使用标准监督损失函数计算,获得标准监督损失值;基于每两个杆塔节点、每两个杆塔节点对应的物理连接边和空间邻近边,使用物理一致性约束计算,获得物理一致性约束值;基于多个杆塔节点、每个杆塔节点对应的雷击故障风险降低率预测值和杆塔电气相关特征,使用物理方程残差约束计算,获得物理方程残差约束值;将所述标准监督损失值、所述物理一致性约束值和所述物理方程残差约束值加权求和,获得总损失函数值;基于所述总损失函数值,通过反向传播调整图神经网络模型,直至总损失函数值最小化,获得训练完成的图神经网络模型。
22、可选的,所述系统还包括:主动学习样本推荐模块;所述主动学习样本推荐模块,用于基于所述图结构数据,以及训练完成的图神经网络模型,使用蒙特卡洛丢弃法对多个杆塔节点中的若干个未标注杆塔节点进行多次独立前向传播,获得每个未标注杆塔节点的预测值;基于所述若干个未标注杆塔节点的预测值,确定图结构数据中每个未标注杆塔节点的预测方差;将图结构数据中多个未标注杆塔节点的预测方差从大到小排序,选取排序在前的多个未标注杆塔节点,获得图结构数据的推荐标注杆塔节点;对所述图结构数据的推荐标注杆塔节点进行实测,获得图结构数据中推荐标注杆塔节点的雷击故障风险降低率实测值;利用图结构数据中推荐标注杆塔节点的雷击故障风险降低率实测值对所述图结构数据进行更新;将更新后的所述图结构数据用于下一次人工抑雷干预效果的评估。
23、可选的,所述物理一致性约束,计算公式为:
24、
25、其中,为图神经网络模型中总损失函数的物理一致性约束值;为图结构数据的空间邻近边集合;为图神经网络模型预测的杆塔节点的雷击故障风险降低率;为图神经网络模型预测的杆塔节点的雷击故障风险降低率;为图结构数据的物理连接边集合;为平滑系数;
26、
27、其中,为物理相似性权重;为图结构数据中杆塔节点的线路特征;为图结构数据中杆塔节点的线路特征;为高斯核带宽参数。
28、可选的,所述物理方程残差约束,计算公式为:
29、
30、其中,为图神经网络模型中总损失函数的物理方程残差约束值;为图神经网络模型预测的杆塔节点的雷击故障风险降低率;为图结构数据中的所有杆塔节点;
31、
32、其中,为图结构数据中杆塔节点的理论风险降低率;为人工抑雷作业前的地闪密度;为人工抑雷作业后的地闪密度;为人工抑雷作业前的雷电流幅值分布;为人工抑雷作业后的雷电流幅值分布;为图结构数据中杆塔节点的屏蔽失效概率函数;为雷电流幅值;为图结构数据中目标输电线路耐受雷电流下限值。
33、可选的,所述总损失函数值,计算公式为:
34、
35、其中,为图神经网络模型的总损失函数值;为物理一致性约束的权重系数,的取值与图结构数据中已标注杆塔节点数成反比;为物理方程残差约束的权重系数,的取值与图结构数据中已标注杆塔节点数成反比;为图神经网络模型的标准监督损失函数;为图神经网络模型中总损失函数的物理一致性约束;为图神经网络模型中总损失函数的物理方程残差约束值。
36、可选的,所述干预效果评估模块,具体用于:基于各所述杆塔节点:若所述杆塔节点的雷击故障风险降低率预测值处于预设的高效益段区间时,则确定该杆塔节点的雷击故障风险降低率预测值所对应的评估结果为人工干预效果显著;若所述杆塔节点的雷击故障风险降低率预测值处于预设的中效益段区间时,则确定该杆塔节点的雷击故障风险降低率预测值所对应的评估结果为人工干预效果明显;若所述杆塔节点的雷击故障风险降低率预测值处于预设的低效益段区间时,则确定该杆塔节点的雷击故障风险降低率预测值所对应的评估结果为人工干预效果有限;若所述杆塔节点的雷击故障风险降低率预测值处于预设的无效段区间时,则确定该杆塔节点的雷击故障风险降低率预测值所对应的评估结果为人工干预效果不显著。
37、再一方面,本技术还提供了一种计算设备,包括:一个或多个处理器;处理器,用于执行一个或多个程序;当所述一个或多个程序被所述一个或多个处理器执行时,实现如上述所述的一种人工抑雷干预效果的评估方法。
38、再一方面,本技术还提供了一种计算机可读存储介质,其上存有计算机程序,所述计算机程序被执行时,实现如上述所述的一种人工抑雷干预效果的评估方法。
39、与现有技术相比,本发明的有益效果为:
40、本发明提供了一种人工抑雷干预效果的评估方法及系统,通过图结构数据训练图神经网络模型预测图结构数据中各杆塔节点的雷击故障风险降低率,并使用总损失函数优化,获得训练完成的图神经网络模型,并且总损失函数包括有标准监督损失函数、物理一致性约束和物理方程残差约束;其中,物理一致性约束和物理方程残差约束的双重约束能在图结构数据中标注数据缺乏的情况下防止模型训练过程中的过拟合,使得图神经网络模型在少量标注样本时仍能准确预测各杆塔节点的雷击故障风险降低率预测值,进而能通过各杆塔节点的雷击故障风险降低率预测值准确进行杆塔级人工抑雷干预效果的评估。
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