[发明专利]区域电网异常扰动数量预测方法、装置、介质及电子设备

权利要求书

1.一种区域电网异常扰动数量预测方法，其特征在于，包括：

采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对所述区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果；

根据预先训练的GARCH预测模型对所述区域电网数据进行预测分析，确定第二振荡扰动数量预测结果；

利用熵权法对所述第一振荡扰动数量预测结果以及所述第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，所述异常扰动数量预测结果用于指示所述区域电网的异常扰动程度；

根据所述异常扰动数量预测结果以及所述扰动空间预测结果，确定所述预测时间的异常扰动数量预测结果。

2.根据权利要求1所述的方法，其特征在于，所述区域电网数据包括日最大振幅、振幅均值、振动数量、最弱阻尼以及均值阻尼时间序列数据，根据预先训练的LSTM模型对所述区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果的操作，包括：

根据所述LSTM预测模型分别对所述区域电网的所述预定时间内传感器的所述日最大振幅、所述振幅均值、所述振动数量、所述最弱阻尼以及所述均值阻尼时间序列数据进行预测，分别确定每个传感器的传感器振荡扰动数量预测结果；

根据每个传感器的传感器振荡扰动数量预测结果，确定所述第一振荡扰动数量预测结果以及所述扰动空间预测结果。

3.根据权利要求2所述的方法，其特征在于，根据预先训练的GARCH预测模型对所述区域电网数据进行预测分析，确定第二振荡扰动数量预测结果的操作，包括：

根据所述GARCH预测模型对所述预定时间内的所述振动数量时间序列进行预测，确定所述区域电网的所述第二振荡扰动数量预测结果。

4.根据权利要求1所述的方法，其特征在于，还包括：通过下述步骤对所述LSTM预测模型进行训练：

采集区域电网历史数据，并对所述区域电网历史数据进行预处理，确定日最大振幅、振幅均值、数量、最弱阻尼、均值阻尼时间序列数据以及日异常扰动数量数据；

将所述日最大振幅、振幅均值、振动数量、最弱阻尼、均值阻尼时间序列数据作为输入数据，并将所述日异常扰动数量数据作为输出，根据ARMA模型对所述LSTM预测模型进行初始化定阶；

利用遗传算法对所述LSTM预测模型进行超参数计算，确定所述LSTM预测模型的超参数。

5.根据权利要求1所述的方法，其特征在于，还包括：

采集所述预测时间的日振荡异常扰动数量；

根据所述异常扰动数量预测结果以及所述日振荡扰动数量，确定预测误差；

根据所述预测误差对所述GARCH预测模型进行参数优化。

6.一种区域电网异常扰动数量预测装置，其特征在于，包括：

第一确定模块，用于采集预测时间之间的预定时间内的区域电网数据，并根据预先训练的LSTM预测模型对所述区域电网数据进行预测分析，确定第一振荡扰动数量预测结果以及扰动空间预测结果；

第二确定模块，用于根据预先训练的GARCH预测模型对所述区域电网数据进行预测分析，确定第二振荡扰动数量预测结果；

第三确定模块，用于利用熵权法对所述第一振荡扰动数量预测结果以及所述第二振荡扰动数量预测结果进行融和处理，确定区域电网的异常扰动数量预测结果，所述异常扰动数量预测结果用于指示所述区域电网的异常扰动程度；

第四确定模块，用于根据所述异常扰动数量预测结果以及所述扰动空间预测结果，确定所述预测时间的异常扰动数量预测结果。