CN113837477B 数据双驱动的台风灾害下电网故障预测方法、装置和设备 （西安交通大学）

JP2020042705A,2020.03.19US2020285900A1,2020.09.10US2017093905A1,2017.03.30HuilinZheng等.AStackingEnsMajorAdverseCardiovaPatientsWithAcuteC郑凌铭;舒胜文;陈彬;吴涵;黄建业;钱健.李重桂;李录平;刘瑞;杨波;陈茜;邓子豪.数据双驱动的台风灾害下电网故障预测方本发明公开了一种数据双驱动的台风灾害将台风灾害下配电网受灾情况的多元影响因素23步骤1，采集台风灾害下电网故障的多元影响数据以及被预测区域电网永久跳闸次数输入至步骤3中优化后的双通道预测模型，得到未来台风灾害下该研究区域电网故障情况所述步骤2的过程为：用Borderline-SMOTE1算法，根据高维通过判别模型检验训练集和测试集数据分布的差异，并根据差异大小对Borderline-SMOTE1算法进行参数调优，最终应用参数优化后的Borderline-SMOTE1算法均衡致灾数据4r、查全率R和F1度量得到宏查准率macro-p、宏查全率步骤2.6.3、使用判别模型区分致灾训练集与致灾测试集的能力衡量两者的样本分布计算输出模块，用于根据采集的数据集训练预测模型计算输出模块包括致灾数据集构建模块、均衡化处理致灾数据集构建模块，用于根据数据的时域变化属性将其划分为静态数据和动态数5预测模型构建模块，用于利用前馈神经网络提取致灾数据集中静态数据输出模块，用于收集未来台风灾害下预测区域相应的多元影响6步骤3.3.3、根据查准率、查全率R和F1度量得到宏查准率macro-p、宏查全率7[0003]对台风灾害下配电网故障预测方法的研究主要分为基于致灾机理的物理模型和样技术(SMOTE)生成少数类样本均衡数据集，或者采用代价敏感学习方法给不同的类别赋[0004]物理模型在建模复杂度的限制下，难以对配电网设备故障的影响因素进行全面系统日益完善，当前的研究多聚焦于通过数据驱动模型预测台风灾害下的配电网故障情况。但现有的数据驱动模型只考虑了每个时间截面中各影响因素与配电网故障之间的关[0006]为达到上述目的，本发明所述一种数据双驱动的台风灾害下配电网故障预测方[0007]步骤1，采集台风灾害下电网故障的多元影响数据以及被预测区域电网永久跳闸8将其输入至步骤3中优化后的双通道预测模型，得到未来台风灾害下该研究区域电网故障成；接着通过判别模型检验训练集和测试集数据分布的差异，并根据差异大小对9[0038]本发明将台风灾害下配电网故障情况的多元影响因素归类为静态数据和动态数[0039]本发明使用的Borderline-SMOTE1算法基于K近邻算法对决策边界处的样本进行[0047]为了使本发明的目的和技术方案更加清晰和便于理解。以下结基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对上述术语在本发明中的具体含义。下配电网故障的多元影响因素，并根据数据的时域变化属性(台风过境期间数据的变化幅差异大小对Borderline-SMOTE1算法进行参数调优，最终应用参数优化后的Borderline-入至步骤3中优化后的双通道预测模型，得到未来台风灾害下该研究区域配电网故障情况习的方法具有一定的主观性，且参数调整过程比较繁琐，因此，本发明基于Borderline-[0064]过采样技术中常用的SMOTE算法在选择目标样本进行样本生成时具有较大的盲目性与随机性，容易生成对界定决策边界无意义或有干扰的新样本。所以本发明基于[0068](2)危险类样本：最近邻样本中一半以下的样本为轻度故障样本，如图2中的B样[0079](3)判别模型的测试结果分析：使用判别模型区分致灾训练集与致灾测试集的能差异小，可以直接用于预测模型的训练和测试。其中，判别模型的准确率阈值一般定为度消失与梯度爆炸问题。[0091]LSTM基于三种门控信号对当前时刻的输入信息xt和上一时刻的短期记忆ht-1进行h(ux,+⃞ha+b)(5)(7)[0096]为了进一步增强网络对动态数据的特征提取能力，本发明采用了多头注意力机数据信息。多头注意力机制首先将数据Q映射至多个子空间，并利用自注意力公式Attention(Q)计算数据间的关联性与依赖性。第i个头对应的自注意力值MultiHead(Q)：[0103]本发明首先利用LSTM网络提取动态数据特征，接着将多头注意力机制层添加至[0105]本发明采用前馈神经网络对静态数据进行处理，采用多头自注意力机制强化的LSTM网络对动态数据进行处理,最终将两者提取的深层特征进行拼接，并通过线性层映射均机制综合考虑预测模型在致灾测试集中不同类型样本集合中的表现，具体过程阐述如率macro-R和宏F1值macro-F1共三个指标，综合衡量预测模型的性能，具体的计算公式如F1和准确率共四个指标对台风灾害下配电网故障情况预测模型的性[0123]所述预测装置如果以软件功能单元的形式实现并作为独立的产盘、计算机存储器、只读存储器(ROM，Read-OnlyMemory)、随机存取存储