[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；

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；

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。

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：利用获取的所述历史电网灾情场景数据进行预处理，并建立所述评级体系包括，

对灾情资料、暴雨资料、故障资料和电网分布数据进行收集；

通过危害辨识构建所述评级体系，经过归一化处理之后作为网络的输出。

3.如权利要求1或2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：构建所述神经网络模型包括利用灰色关联分析法对灾损数据进行计算，得到综合关联度，越大则表示灾情越严重。

4.如权利要求3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：所述综合关联度的获取包括，

确定参考序列和比较序列；

定义灾情损失最大时的函数转换值为参考序列、求差序列；

获取所述比较序列与所述参考序列的关联系数；

得出所述综合关联度。

5.如权利要求4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：所述神经网络模型利用误差反向传播神经网络进行训练，包括以下步骤，

数据预处理；

网络初始化，随机给定各连接权值及输入输出阈值；

给定训练样本和目标输出，计算和输出各类神经元实际输出值；

调整输入层与隐含层、隐含层与输出层间的连接权值；

进行重复迭代，直到实际输出与目标输出误差达到预设要求结束训练，则模型训练完成。

6.如权利要求5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：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，表示的另一个n维随机变量过程的概率测度。

7.如权利要求6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，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。

8.如权利要求6或7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：所述场景缩减还包括，

以Q表示ξ缩减后的概率测度，即由场景集ξ^jforj∈{1,……,S}\J，J代表被删除的场景集合；

对于固定的基于场景集合表示的Q对于原概率分布P具有最小的D_k-distance，表示为：

D_k(P,Q)＝∑p_iminc_T(ξⁱ,ξ^j)

缩减后保留的场景ξ^j，的概率q_j表示为：

q_j:＝p_j+∑p_i

其中J(j):＝{i∈I:j＝j(i)}，表示保留场景的概率值等于自身原有的概率值加上所有与之具有c_T测度最小衡量下的被删除场景的概率值。