[发明专利]一种电网暴雨灾害风险预测方法、系统及存储介质

权利要求书

1.一种电网暴雨灾害风险预测方法，其特征在于，包括以下步骤：

S1：选取历史暴雨灾害的相关数据构建初始样本数据集，将所述初始样本数据集分为训练样本数据集和验证样本数据集，并根据所述训练样本数据集初始化受限玻尔兹曼机算法的参数值；

S2：反复学习与更新所述参数值，直至所述受限玻尔兹曼机算法满足所述训练样本数据集的收敛性；

S3：根据求解最大化受限玻尔兹曼机中算法的对数似然函数获得深度学习后的受限玻尔兹曼机算法的参数值，并通过所述验证样本数据集验证所述受限玻尔兹曼机算法的预测精度E_avg，若所述预测精度E_avg在预先设定精度以内，则进行步骤S4，反之，则返回步骤S2；

S4：从所述训练样本数据集中选取K个高级特征要素作为反向传播算法的输入参数集{x₁,x₂,...,x_k}，并建立基于反向传播算法的电网暴雨灾害风险预测模型；

S5：根据所述反向传播算法对所述电网暴雨灾害风险预测模型的参数进行调整，得到暴雨灾害预测模型：

式中，y_i表示由K个高级特征要素中第i特征要素预测的暴雨灾害日数，ψ_ji表示i,j神经元对应的暴雨灾害日数，ω_ji表示i,j神经元之间的影响权重。

2.根据权利要求1所述的电网暴雨灾害风险预测方法，其特征在于，

所述步骤S2中的反复学习与更新所述参数值具体包括以下步骤：

(1)分别计算所述受限玻尔兹曼机算法中的显示层、隐藏层的条件概率：当已知显示层v的状态时，计算隐藏层h第j个神经元的激活概率为：

式中，h_j表示隐藏层h第j个神经元，v_i表示显示层的第i个神经元，M表示显示层的节点数量，a_j表示显示层第j个神经元的偏置；

当已知隐藏层h的状态时，计算显示层v第i个神经元的激活概率为：

式中，b_i表示隐藏层第i个神经元的偏置,N表示隐藏层的节点数量；

其中，上述公式都以f(x)＝1/(1+e^-x)为激励函数；

(2)更新显示层偏置a_j、隐藏层偏置b_i以及两层相互之间的权重ω_ij直至所述受限玻尔兹曼机算法满足所述训练集样本的收敛性；

所述步骤S3中的预测精度E_avg的计算公式为：

式中，X_i表示第i个样本中输电线路暴雨灾害实际值；Y_i表示第i个样本中输电线路暴雨灾害预测值。