[发明专利]一种基于深度神经网络的电网灾情评估方法

权利要求书

1.一种基于深度神经网络的电网灾情评估方法，其特征在于：包括，

获取历史电网灾情场景数据进行统计分析；

对所述历史电网灾情场景数据进行预处理，利用灾情评估指标建立评级体系；

所述利用灾情评估指标建立评级体系包括，

其中，Q_v表示第v种指标类型的评估完整度，n、m表示迭代次数，Z_ij表示第j个灾情评估指标中第i个评估指标的权重系数，M_ij表示第j个灾情评估指标中第i个评估指标的数值，θ表示调整系数，Z_j表示第j个灾情评估指标的权重系数；

构建神经网络模型，并将灾情按其严重程度进行分类作为模型输出；

所述构建神经网络模型，并将灾情按其严重程度进行分类作为模型输出包括，

当Z10⁶，0.87Z_ij0.99时，表示为极重灾；

当10⁴≤Z≤10⁶，0.64≤Z_ij≤0.87时，表示重灾；

当10³Z10⁴，0.42Z_ij0.64时，表示中灾；

当10²≤Z≤10³，0.21≤Z_ij≤0.42时，表示轻灾；

当Z10²，0Z_ij0.21时，表示微灾；

经预处理的样本数据加载到所述神经网络模型后，选取训练参数对其进行训练和学习；

实时获取新的电网场景输入至完成训练的所述神经网络模型，实时获取灾情评估等级；

对所述历史电网灾情场景数据进行预处理包括，

对灾情资料、暴雨资料、故障资料和电网分布数据进行收集；

对收集的数据进行预处理：

数据清洗：空缺值清洗、格式内容清洗、逻辑错误清洗、非需求数据清洗；

数据变换：对数据进行特征构造、数据分级及数据量化；

数据集成：对数据变换后的数据进行数据统计，将数据合并到统一的数据存储中；

采用基于聚类的离群样本检测策略对数据样本中仍可能出现异常的样本进行检测剔除；

所述神经网络模型进行训练的过程包括以下步骤，

获取样本数据，对所述样本数据进行预处理，所述样本数据为按照灾情严重程度进行分类后的数据；

将样本数据输入神经网络模型，得到所述神经网络模型输出；

根据所述神经网络模型输出及预先指定的各连接权值及输入输出阈值，计算所述神经网络模型的调整数据；

将调整数据发送至参数服务器；

接收所述参数服务器反馈的按照预设叠加方式对各训练设备的调整数据叠加得到的叠加数据；

基于所述叠加数据，更新所述神经网络模型的网络参数，模型训练完成；

实时获取所述新的电网场景还包括利用场景缩减方法，包括以下步骤，

定义n维随机数据过程的概率分布P通过有限多的场景以及其概率p_i，来近似；

以Q定义由场景集及相应的概率值q_j，j＝1，……，表示的另一个n维随机变量过程的概率测度。

2.如权利要求1所述的基于深度神经网络的电网灾情评估方法，其特征在于：以Q定义由场景集及相应的概率值q_j，j＝1，……，表示的另一个所述n维随机变量过程的概率测度具体为，

其中，c_T为场景在整个时段{1,……,T}中的概率距离。