一种变电站防汛风险组合评估方法

1.本技术涉及电网安全运行和数据处理领域，尤其是涉及一种变电站防汛风险组合评估方法。


背景技术：

2.电网防汛风险评估工作目前多采用人工经验方法，国内外常对防汛对象定性评估并按照红、橙、黄、蓝进行风险等级划分，其评估结果具有主观性且未能结合大数据优势，因此该方法效率不高、对不同防汛对象适用性不强。目前对风险定量评估算法大致分为：统计分析方法、机器学习算法、深度学习算法。
3.统计分析方法大多是基于物理机制的概念模型，对变电站防汛风险进行定性分析和物理过程模拟后，建立的数学评估模型。在电网防汛评估工作中，综合气象监测信息、水文信息、电网运行信息，结合专业技术人员的经验对防汛能力及可能造成的影响进行评估。由于采用定性方法进行评估，建模过程中往往将实际问题简单数学化，很难将所有影响因素考虑在内，因此在实际应用中，会导致评估不够准确。
4.机器学习算法以数据驱动构建模型，能够对变电站防汛数据进行特征提取和信息挖掘。虽然机器学习方法能够进行特征提取和信息挖掘，但其不能考虑到数据间的时序关系，会忽略一些具有时序关系的特征。
5.深度学习算法有较强的隐含波动规律挖掘能力，对变电站防汛数据中具有时序关系的气象监测信息挖掘能力更强，具有更强的数据适应性。然而变电站防汛数据中既有无时序关系的静态数据，如水文信息、电网运行信息，又包含有时序关系的气象监测信息，仅使用单一评估算法不能挖掘出全部特征信息。
6.目前变电站防汛风险评估任务的难点在于影响因素多，且数据通常混杂时序数据和非时序数据。因此，亟需一种能够结合时序数据和非时序数据的变电站防汛风险组合评估方法。


技术实现要素：

7.本发明实施例的目的在于提供一种变电站防汛风险组合评估方法，构建变电站防汛风险组合评估算法模型，能够以数据驱动方式代替主观经验评估方法，效率更高且更准确。
8.为解决上述技术问题，本发明所采用的技术方案是：
9.一种变电站防汛风险组合评估方法，包括：对多维度变电站防汛计量数据进行分析，将防汛数据集划分为静态数据部分和动态监测数据部分；构建基于lightgbm的静态数据评估子模型；构建基于lstm的动态监测数据评估子模型；采用熵权分配法将所述静态数据评估子模型和所述动态监测数据评估子模型进行有效组合，构建变电站防汛风险组合评估算法模型；利用所述变电站防汛风险组合评估算法模型对变电站防汛风险进行评估。
10.在一些实施例中，所述构建基于lightgbm的静态数据评估子模型，包括：将变电站
防汛数据集中静态数据的历史值xi＝{x
i1
,x
i2
,...,x
iq
}作为输入特征矩阵，对应的风险能力评估概率值作为输出量使用d中样本依次训练k棵回归树，且根据前树的评估效果建立树；待k棵回归树全部建成，将其评估值之和作为评估结果进行输出。
11.在一些实施例中，所述构建基于lstm的动态监测数据评估子模型，包括：将变电站防汛数据集中当前动态数据作为x
(t)
输入模型，设计时间滑窗处理数据计算动态累积值；利用lstm中的遗忘门、输入门和新记忆单元组合提取上一时刻输出与当前时刻输入的有用信息，得到长时记忆单元，由长时记忆单元计算得到评估结果y2。
12.在一些实施例中，所述采用熵权分配法将所述静态数据评估子模型和所述动态监测数据评估子模型进行有效组合，包括：采用熵权分配法衡量所述静态数据评估子模型和所述动态监测数据评估子模型的偏差程度，对评估偏差大的子模型分配较小的权重，构建变电站防汛风险组合评估算法模型。
13.在一些实施例中，所述静态数据部分来源于设备管理系统，包括变电站固有信息。
14.在一些实施例中，所述动态监测数据部分来源于各变电站建立的微气象站，包括雨量、温度、风速的气象数据。
15.本发明提供的一种变电站防汛风险组合评估方法，利用变电站防汛风险组合评估算法模型对变电站防汛风险进行评估，该算法模型以数据为驱动构建lightgbm和lstm组合评估算法模型，能够最大限度的利用现有信息进行评估。首先对变电站防汛数据集进行分析，根据数据特点划分静态、动态数据部分，其次针对划分出的静态、动态数据部分分别采用lightgbm和lstm建立评估子模型，即，针对数据集中的非时序数据部分采用lightgbm评估模型，时序数据部分采用lstm评估模型，之后通过熵权分配法实现两个子模型间的有效组合，构建变电站防汛风险组合评估算法模型。
16.本发明提供的一种变电站防汛风险组合评估方法，能够针对变电站防汛数据集的特点进行分析和划分，并且针对划分出来不同数据的特点构建与其相适应的子模型，更贴合于实际应用，且考虑的因素更加全面。同时，采用熵权分配法实现子模型间的有效组合，能够提高组合评估算法模型的精确度，使用本发明的组合评估算法模型能够更好的挖掘数据特征，最大限度的利用现有信息进行评估。本发明的变电站防汛风险组合评估算法模型以数据驱动方式代替主观经验评估方法，效率更高且更准确。
附图说明
17.为了更清楚地说明本公开中的技术方案，下面将对本公开一些实施例中所需要使用的附图作简单地介绍，显而易见地，下面描述中的附图仅仅是本公开的一些实施例的附图，对于本领域普通技术人员来讲，还可以根据这些附图获得其他的附图。此外，以下描述中的附图可以视作示意图，并非对本公开实施例所涉及的产品的实际尺寸、方法的实际流程等的限制。
18.图1为根据本公开一些实施例中的变电站防汛风险组合评估算法框架；
19.图2为根据本公开一些实施例中的lightgbm变电站防汛风险评估子模型；
20.图3为根据本公开一些实施例中的lstm变电站防汛风险评估子模型；
21.图4为根据本公开一些实施例中的变电站防汛评估任务中常见机器学习深度学习
算法性能对比图；
22.图5为根据本公开一些实施例中的变电站防汛评估任务中组合模型评估对比图。
具体实施方式
23.下面将结合附图，对本公开一些实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅仅是本公开一部分实施例，而不是全部的实施例。基于本公开所提供的实施例，本领域普通技术人员所获得的所有其他实施例，都属于本公开保护的范围。
24.除非上下文另有要求，否则，在整个说明书和权利要求书中，术语“包括”被解释为开放、包含的意思，即为“包含，但不限于”。在说明书的描述中，术语“一个实施例”、“一些实施例”、“示例性实施例”、“示例”或“一些示例”等旨在表明与该实施例或示例相关的特定特征、结构、材料或特性包括在本公开的至少一个实施例或示例中。上述术语的示意性表示不一定是指同一实施例或示例。此外，所述的特定特征、结构、材料或特点可以以任何适当方式包括在任何一个或多个实施例或示例中。
25.本发明实施例提供一种变电站防汛风险组合评估方法，如图1所示，包括：s100～s500。
26.s100，对多维度变电站防汛计量数据进行分析，将防汛数据集划分为静态数据部分和动态监测数据部分。
27.s200，构建基于lightgbm的静态数据评估子模型。
28.上述变电站防汛数据的静态数据部分具有维度多、容量不多的特点，因此，基于lightgbm构建静态数据评估子模型。
29.s300，构建基于lstm的动态监测数据评估子模型。
30.上述变电站防汛数据的动态监测数据部分一般采用固定的时间间隔进行记录，相邻数据之间具有时序关系的特点，因此，基于lstm构建动态监测数据评估子模型。
31.s400，采用熵权分配法将静态数据评估子模型和动态监测数据评估子模型进行有效组合，构建变电站防汛风险组合评估算法模型。
32.s500，利用变电站防汛风险组合评估算法模型对变电站防汛风险进行评估。
33.本发明提供的一种变电站防汛风险组合评估方法，利用变电站防汛风险组合评估算法模型对变电站防汛风险进行评估，该算法模型以数据为驱动构建lightgbm和lstm组合评估算法模型，能够最大限度的利用现有信息进行评估。首先对变电站防汛数据集进行分析，根据数据特点划分静态、动态数据部分，其次针对划分出的静态、动态数据部分分别采用lightgbm和lstm建立评估子模型，即，针对数据集中的非时序数据部分采用lightgbm评估模型，时序数据部分采用lstm评估模型，之后通过熵权分配法实现两个子模型间的有效组合，构建变电站防汛风险组合评估算法模型。
34.在一些实施例中，静态数据部分来源于设备管理系统，包括变电站固有信息。
35.上述变电站固有信息长期保持不变，以往使用这些信息对变电站防汛风险能力进行静态工程方法的评估。具体情况如表1所示：
36.表1变电站防汛静态数据情况
[0037][0038]
在一些实施例中，动态监测数据部分来源于各变电站建立的微气象站，包括雨量、温度、风速的气象数据。
[0039]
上述动态监测数据部分一般以1个小时为间隔进行采样，属于时序数据，可对变电站实时防汛能力产生影响。
[0040]
在一些实施例中，如图2所示，所述构建基于lightgbm的静态数据评估子模型，包括：s210～s230。
[0041]
s210，将变电站防汛数据集中静态数据的历史值xi＝{x
i1
,x
i2
,...,x
iq
}作为输入特征矩阵，对应的风险能力评估概率值作为输出量由此变电站防汛静态数据可以表示为：
[0042]
d＝{(xi,y),i＝1,2,...,n}
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)
[0043]
s220，使用d中样本依次训练k棵回归树，且根据前树的评估效果建立树。
[0044]
其中，使用基于直方图的特征离散化降低内存消耗、加快运行速度。
[0045]
s230，待k棵回归树全部建成，将其评估值之和作为评估结果(即上述风险能力评估概率值)进行输出。即
[0046][0047]
在一些实施例中，如图3所示，所述构建基于lstm的动态监测数据评估子模型，包括：s310～s320。
[0048]
s310，将变电站防汛数据集中当前动态数据作为x
(t)
输入模型，设计时间滑窗处理
数据计算动态累积值。
[0049]
s320，利用lstm中的遗忘门、输入门和新记忆单元组合提取上一时刻输出与当前时刻输入的有用信息，得到长时记忆单元，由长时记忆单元计算得到评估结果y2。
[0050]c(t-1)
、c
(t)
分别表示上一时刻与当前时刻的长时记忆单元；f
(t)
、i
(t)
、o
(t)
分别表示遗忘门、输入门、新记忆单元和输出门。
[0051]
其中，遗忘门、输入门和新记忆单元能够提取上一时刻的输出h
(t-1)
与当前时刻的输入x
(t)
中的有用信息，得到长时记忆单元c
(t)
：
[0052][0053]
然后，由输出门与长时记忆单元计算得到防汛风险评估值，计算方法为：
[0054]h(t)
＝o
(t)
tanh(c
(t)
)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(4)
[0055]
最终t时刻的h
(t)
即为基于lstm的动态监测数据评估子模型生成的评估结果
[0056]
采用lstm的记忆结构，能够考虑前序数据对后序数据评估结果的作用情况，满足防汛数据中动态监测数据部分的时序特性，提升对防汛风险评估的可靠性，更加符合实际情况。
[0057]
在一些实施例中，所述采用熵权分配法将所述静态数据评估子模型和所述动态监测数据评估子模型进行有效组合，包括：
[0058]
采用熵权分配法衡量静态数据评估子模型和动态监测数据评估子模型的偏差程度，对评估偏差大的子模型分配较小的权重，构建变电站防汛风险组合评估算法模型。
[0059]
针对变电站防汛风险组合评估模型权重分配的实际意义，规定约束条件为：
[0060][0061]
利用熵权分配法求解上述两个子模型的权重，同时实现模型组合，其主要步骤如下：
[0062][0063]
为验证本发明所提供的一种变电站防汛风险组合评估方法的有效性，下面进行单一算法的对比实验、组合模型对比实验，以验证本发明所提供模型的性能，同时验证本发明相对于主流机器学习、深度学习以及组合模型的突出优势。
[0064]
针对变电站防汛数据的特征量纲差异，通过最小-最大值无量纲化(min-max normalization)处理，将数据映射到[0,1]区间内，即
[0065][0066]
将处理后的数据作为数据集，并按照7:3的比例划分为训练集与测试集。为适应变电站防汛数据集，选取拟合优度r2衡量测试集预测与观测值的拟合程度，r2越接近于1，说明拟合程度越好，模型评估结果越贴切实际。
[0067][0068]
为具体验证模型的准确性，选用平均绝对误差(mae)作为一个衡量模型准确性的指标，平均误差能很好的反映评估值误差的实际情况，mae值越小模型越准确。
[0069][0070]
另外，选用均方误差(mse)评价数据的变化程度，mse值越小说明模型评估具有更好的精度。
[0071][0072]
为验证本实例提出的模型有效性，基于相同的数据，比较本实例所提方法与lightgbm、lstm算法以及常见的机器学习、深度学习算法的效果。对比结果如表2所示，直观如图4所示。
[0073]
表2单一变电站防汛评估算法的对比实验结果
[0074]
[0075][0076]
观察表2以及图4可知，划分动静态数据后使用本发明所提供的模型进行实验，mae指标相较于单一lightgbm算法降低了31.57％，相较于lstm算法降低了48.2％。证明本发明所提供的模型在变电站防汛能力评估工作中表现更优。
[0077]
对比机器学习算法可知，lightgbm算法性能稍高于xgboost算法，并且运行速度较快。对比深度学习算法，lstm算法效果较好，是由于它既能像卷积神经网络(cnn)一样提取变电站防汛数据信息又能比循环神经网络(rnn)的时序信息挖掘能力更强。并且机器学习算法普遍优于深度学习方法，这是因为变电站防汛数据中静态数据部分的维度较高，动态监测数据部分中对最终评估结果影响较大的是雨量数据，雨量数据变化不大时防汛数据会静态化，不变的数据相当于缩减了数据量，这时机器学习对小数据效果会更好。
[0078]
本发明所提供的模型能够按照数据的特性划分动、静态数据分别构建适应数据特性的评估子模型，然后按照熵权分配法分配权重的模型，误差指标小于单一的主流机器学习和深度学习评估算法。
[0079]
单一算法性能对比结果较好的算法，按照本实例所述的数据集划分策略和机器学习与深度学习的组合策略，进行对比实验，组合模型的性能对比结果如表3所示。展示测试集中的部分结果，并绘制各混杂模型的评估结果与实际数据对比曲线如图5所示。
[0080]
表3组合变电站防汛评估算法的对比实验结果
[0081][0082][0083]
由表3可知，划分动静态数据集后，利用混杂模型评估效果比单一模型好且本实例模型误差指标更小。由图5可知，黑色实线为实际数据值，红色虚线为本实例模型评估，相比于其他两个混杂模型，本实例模型的评估结果更贴近实际数据。
[0084]
综上所述，针对高精度要求的变电站防汛风险评估场景中，本发明所提供的模型能够在满足速度的前提下获得最高的精度，最适用于变电站防汛风险评估。
[0085]
最后说明的是，以上实施例仅用以说明本发明的技术方案而非限制，本领域普通技术人员对本发明的技术方案所做的其他修改或者等同替换，只要不脱离本发明技术方案的精神和范围，均应涵盖在本发明的权利要求范围当中。