一种基于多源数据融合的供电系统安全性评估方法及系统与流程

本发明涉及电力系统评估，具体为基于多源数据融合的供电系统安全性评估方法及系统。

背景技术：

1、随着电力系统的复杂性和规模的不断增加，供电系统的安全性评估变得尤为重要，供电系统安全性评估的目的是及时发现和解决潜在的安全隐患，确保电力供应的可靠性和稳定性，传统的供电系统安全性评估方法主要依赖于单一的数据源，如电力负荷数据、设备状态数据等，这使得评估结果可能存在局限性，现有技术中公开了输电线路静态电压稳定评估及趋优管控方法及装置，基于线路负载率、静态电压稳定性、线路覆冰程度、线路周围环境温度这四个指标对电力进行评估，上述专利基于电力系统内部的运行质量(线路、电压电流)、环境因素这两方面数据来源的融合构成综合评价指标，现有技术还考虑到用户端为供电系统直接使用的端部，如其中用户端设备直接发生故障、用户端设备使用年限过长、超额使用电量等等，有些情况不是直接导致供电系统损坏的原因，可是在用户端的使用上能够找出供电系统的薄弱点，从而用户端数据能够间接的影响供电系统的安全性，因此目前现有技术已经在供电质量、用户端使用状态、环境因素这三方面考虑实现供电系统的评估，这三个指标各有侧重，供电质量主要关注供电的稳定性和可靠性；环境因素主要考虑自然环境对供电系统的影响；用户端主要评估用户用电的稳定性和安全性，但是现有技术中对供电系统安全性评估具有一定的局限性，由于不同区域的供电结构是不同的，在不同的地理、气候和环境条件下，供电系统受到的影响因素也不同。例如，在环境复杂的区域，自然灾害、极端天气等环境因素可能对供电系统构成更大的威胁，用户端设备故障是影响供电系统稳定性的一个重要因素，对于高故障率的电网结构，用户端设备故障可能更为频繁，对供电系统安全性的影响也更大，为此仍采用统一的方法对系统安全性进行评估，使得评估指标的权重设置缺乏灵活性，无法充分考虑多个方面对供电系统安全性的影响，从而影响评估的准确性，降低了计算精度。

2、因此，亟需一种基于多源数据融合的供电系统安全性评估方法，能够准确评估供电系统的安全性。

技术实现思路

1、鉴于上述存在的问题，提出了本发明。

2、因此，本发明解决的技术问题是：如何实现对供电系统安全性的科学、准确评估，全面、准确地反映供电系统的实际运行状态，为供电系统的安全运行提供可靠保障。

3、为解决上述技术问题，本发明提供如下技术方案：一种基于多源数据融合的供电系统安全性评估方法，包括：获取供电系统的样本数据，建立供电系统安全评估指标体系；

4、建立神经网络模型并进行训练；

5、将待预测供电系统评估指标中的每个细化指标的具体数值输入至训练好的神经网络模型中，得到供电系统评估指标中的每个细化指标的最优权重值；

6、根据供电系统评估指标的每个细化指标的最优权重值以及供电系统评估指标中的每个细化指标的具体数值分别计算出供电系统中每个评估指标的评估值，根据供电系统中每个评估指标的评估值和供电系统中每个评估指标的综合权重值计算供电系统的评估值。

7、作为本发明所述的基于多源数据融合的供电系统安全性评估方法的一种优选方案，其中：所述建立神经网络模型并进行训练包括，所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；

8、所述第一神经网络模型用于对供电质量指标中细化指标的最优权重进行预测，所述第二神经网络模型用于对用户端评估指标中的细化指标的最优权重进行预测，所述第三神经网络模型用于对环境因素评估指标中的细化指标的最优权重进行预测；

9、获取所述神经网络模型的训练集，将所述训练集输入至所述神经网络模型进行训练，获得训练好的神经网络模型。

10、作为本发明所述的基于多源数据融合的供电系统安全性评估方法的一种优选方案，其中：获取所述神经网络模型的训练集包括，获取供电系统的样本数据集；

11、获取所述样本数据集中每个数据的权重值；

12、根据样本数据集和所述样本数据集中每个数据的权重值获取训练集；

13、所述样本数据集包括供电质量数据集、用户端故障数据集、环境因素数据集；

14、所述第一神经网络模型包括，使用供电质量数据集中的具体数值作为输入xq,通过权重矩阵wq1和偏置向量bq1计算隐藏层输出hq,并应用双曲正切函数tanh进行激活：

15、

16、将隐藏层输出hq通过权重矩阵wq2和偏置向量bq2计算输出层的输出oq，并应用softmax函数进行归一化：

17、

18、所述第二神经网络模型包括，使用用户端数据集中的具体数值作为输入xu,通过权重矩阵wu1和偏置向量bu1计算隐藏层输出hu，并应用relu函数进行激活：

19、

20、将隐藏层输出hu通过权重矩阵wu2和偏置向量bu2计算输出层的输出ou，并应用softmax函数进行归一化:

21、

22、所述第三神经网络模型包括，使用环境因素数据集中的具体数值作为输入xe，通过权重矩阵we1和偏置向量be1计算隐藏层输出he，并应用sigmoid函数进行激活：

23、

24、将隐藏层输出he通过权重矩阵we2和偏置向量be2计算输出层的输出oe，并应用softmax函数进行归一化：

25、

26、其中，hq表示供电质量神经网络隐藏层输出，wq1表示供电质量神经网络输入层到隐藏层的权重矩阵，xq表示供电质量细化指标的具体数值，bq1表示供电质量神经网络隐藏层偏置向量tanh表示双曲正切激活函数，kq(t)表示供电质量时间调节矩阵，oq表示供电质量神经网络输出，wq2表示供电质量神经网络隐藏层到输出层的权重矩阵，bq2表示供电质量神经网络输出层偏置向量，vqk表示供电质量神经网络辅助矩阵，hqk表示供电质量神经网络辅助隐藏层输出，σ表示sigmoid激活函数，hu表示用户端神经网络隐藏层输出，wu1表示用户端神经网络输入层到隐藏层的权重矩阵，xu表示用户端细化指标的具体数值，bu1表示用户端神经网络隐藏层偏置向量，relu表示relu激活函数，ku(t)表示用户端时间调节矩阵，ou表示用户端神经网络输出，wu2表示用户端神经网络隐藏层到输出层的权重矩阵，bu2表示用户端神经网络输出层偏置向量，vuk表示用户端神经网络辅助矩阵，huk表示用户端神经网络辅助隐藏层输出，he表示环境因素神经网络隐藏层输出，we1表示环境因素神经网络输入层到隐藏层的权重矩阵，xe表示环境因素细化指标的具体数值，be1表示环境因素神经网络隐藏层偏置向量，ke(t)表示环境因素时间调节矩阵，oe表示环境因素神经网络输出，we2表示环境因素神经网络隐藏层到输出层的权重矩阵，be2表示环境因素神经网络输出层偏置向量，vek表示环境因素神经网络辅助矩阵，hek表示环境因素神经网络辅助隐藏层输出，z表示归一化常数。

27、5.作为本发明所述的基于多源数据融合的供电系统安全性评估方法的一种优选方案，其中：所述供电质量数据集为供电质量评估指标下的细化指标的具体数值，所述供电质量评估指标的细化指标包括网架互联率、平均供电半径、高损配变比、绝缘化率、综合线损率、三相不平衡度、非线性负载率、冲击性负荷、并网节点电压平均合格率；

28、所述供电质量评估指标的计算公式为：

29、

30、其中，q供表示供电质量评估指标的值，xi(t)表示细化指标i在时间t上的具体数值；ωi(t)表示细化指标i的时间权重函数；αi(u)表示辅助函数，用于处理时间u上的调整因子；βjk表示归一化因子；γjk(v)表示时间v上的调整函数；ai和bi表示积分上下限，用于细化指标xi(t)的时间区间；ci和di表示积分上下限，用于辅助函数αi(u)的时间区间；j和k表示归一化因子和调整函数的索引；m和p分别表示归一化因子和调整函数的总数。

31、作为本发明所述的基于多源数据融合的供电系统安全性评估方法的一种优选方案，其中：所述用户端故障数据集为用户端评估指标下的细化指标的具体数值，用户端评估指标的细化指标包括：设备故障率、系统故障停电率、高运行年限设备率、平均停电用户数、用户平均停电持续时间；

32、所述用户端评估指标的计算公式为：

33、

34、其中，q用表示用户端评估指标的值，xi表示细化指标i的具体数值；ωi表示细化指标i的权重；αi表示细化指标i的调整因子；fi(t)表示细化指标i在时间t上的函数；ai和bi表示积分上下限，用于细化指标xi的时间区。

35、作为本发明所述的基于多源数据融合的供电系统安全性评估方法的一种优选方案，其中：所述环境因素数据集为环境因素评估指标下的细化指标的具体数值，环境因素评估指标的细化指标包括：温度、风速风向、覆冰程度；

36、所述环境因素评估指标的计算公式为：

37、

38、其中，q环表示映环境因素评估指标的值，xi表示细化指标i的具体数值，ωi表示细化指标i的权重；αi表示细化指标i的调整因子，fi(t)表示细化指标i在时间t上的函数；βj表示归一化因子；gj(u)表示时间u上的调整函数ai和bi表示积分上下限，用于细化指标xi的时间区间；cj和dj表示积分上下限，用于调整函数gj(u)的时间区间；k表示归一化因子的总数。

39、作为本发明所述的基于多源数据融合的供电系统安全性评估方法的一种优选方案，其中：所述训练集包括第一训练集、第二训练集和第三训练集，所述第一训练集，用于对所述第一神经网络模型进行训练；所述第二训练集，用于对所述第二神经网络模型进行训练；所述第三训练集，用于对所述第三神经网络模型进行训练；

40、所述第一训练集包括供电质量评估指标的细化指标的具体数值与所述供电质量评估指标的细化指标的权重值；第二训练集包括所述用户端评估指标的细化指标的具体数值与所述用户端评估指标的细化指标的权重值；第三训练集包括所述环境因素评估指标的细化指标的具体数值与所述环境因素评估指标的细化指标的权重值；

41、将所述第一训练集输入至第一神经网络模型进行训练，获得训练好的第一神经网络模型，将所述第二训练集输入至第二神经网络模型进行训练，获得训练好的第二神经网络模型，将所述第三训练集输入至第三神经网络模型进行训练，获得训练好的第三神经网络模型。

42、一种基于多源数据融合的供电系统安全性评估系统，包括，供电系统安全评估指标体系建立模块：获取供电系统的样本数据，建立供电系统安全评估指标体系；

43、神经网络模型建立与训练模块：建立神经网络模型并进行训练；

44、最优权重值输出模块：将待预测供电系统评估指标中的每个细化指标的具体数值输入至训练好的神经网络模型中，得到供电系统评估指标中的每个细化指标的最优权重值；

45、评估值计算模块：根据供电系统评估指标的每个细化指标的最优权重值以及供电系统评估指标中的每个细化指标的具体数值分别计算出供电系统中每个评估指标的评估值，根据供电系统中每个评估指标的评估值和供电系统中每个评估指标的综合权重值计算供电系统的评估值。

46、一种计算机设备，包括：存储器和处理器；所述存储器存储有计算机程序，其中：所述处理器执行所述计算机程序时实现本发明中任一项所述的方法的步骤。

47、一种计算机可读存储介质，其上存储有计算机程序，其中：所述计算机程序被处理器执行时实现本发明中任一项所述的方法的步骤。

48、本发明的有益效果：1、本发明采用神经网络模型对供电系统每个评估指标中细化指标的最优权重值进行实时预测，根据神经网络模型实时计算得到细化指标的最优权重计算每个细化指标的评估值进而计算出每个评估指标的评估值，每个评估指标的评估值通过实时计算的最优权重值得到，减少了计算的误差，通过每个评估指标的评估值以及对应的综合权重值计算得到的供电系统评估值更加准确，提高了计算精度。

49、2、本发明基于供电系统中每个细化指标实时产生的数据值以及权重值作为训练集，对神经网络模型进行训练，训练好的神经网络模型可以预测出最优权重值，提高了评估计算的准确度。

技术特征：

1.一种基于多源数据融合的供电系统安全性评估方法，其特征在于，包括：

2.如权利要求1所述的基于多源数据融合的供电系统安全性评估方法，其特征在于：所述建立神经网络模型并进行训练包括，所述神经网络模型包括第一神经网络模型、第二神经网络模型和第三神经网络模型；

3.如权利要求2所述的基于多源数据融合的供电系统安全性评估方法，其特征在于：获取所述神经网络模型的训练集包括，获取供电系统的样本数据集；

4.如权利要求3所述的基于多源数据融合的供电系统安全性评估方法，其特征在于：所述供电质量数据集为供电质量评估指标下的细化指标的具体数值，所述供电质量评估指标的细化指标包括网架互联率、平均供电半径、高损配变比、绝缘化率、综合线损率、三相不平衡度、非线性负载率、冲击性负荷、并网节点电压平均合格率；

5.如权利要求4所述的基于多源数据融合的供电系统安全性评估方法，其特征在于：所述用户端故障数据集为用户端评估指标下的细化指标的具体数值，用户端评估指标的细化指标包括：设备故障率、系统故障停电率、高运行年限设备率、平均停电用户数、用户平均停电持续时间；

6.如权利要求5所述的基于多源数据融合的供电系统安全性评估方法，其特征在于：所述环境因素数据集为环境因素评估指标下的细化指标的具体数值，环境因素评估指标的细化指标包括：温度、风速风向、覆冰程度；

7.如权利要求6所述的基于多源数据融合的供电系统安全性评估方法，其特征在于：所述训练集包括第一训练集、第二训练集和第三训练集，所述第一训练集，用于对所述第一神经网络模型进行训练；所述第二训练集，用于对所述第二神经网络模型进行训练；所述第三训练集，用于对所述第三神经网络模型进行训练；

8.一种采用如权利要求1至7任一所述方法的一种基于多源数据融合的供电系统安全性评估系统，其特征在于：

9.一种计算机设备，包括存储器和处理器，所述存储器存储有计算机程序，其特征在于，所述处理器执行所述计算机程序时实现权利要求1至7中任一项所述的方法的步骤。

10.一种计算机可读存储介质，其上存储有计算机程序，其特征在于，所述计算机程序被处理器执行时实现权利要求1至7中任一项所述的方法的步骤。

技术总结
本发明公开了一种基于多源数据融合的供电系统安全性评估方法及系统，包括：获取供电系统的样本数据，建立供电系统安全评估指标体系；建立神经网络模型并进行训练；将待预测供电系统评估指标中的每个细化指标的具体数值输入至训练好的神经网络模型中，得到供电系统评估指标中的每个细化指标的最优权重值；计算出供电系统中每个评估指标的评估值，根据供电系统中每个评估指标的评估值和供电系统中每个评估指标的综合权重值计算供电系统的评估值。本发明通过多源数据融合和神经网络模型的结合，显著提高了供电系统安全性评估的准确性和全面性，确保评估结果更加科学和可靠。这为供电系统的安全运行提供了强有力的保障。

技术研发人员：周忠强,万会江,马建伟,姬源,陈胜,任庭昊,王荣,唐洁瑶,周坤,黄育松,梁铃,陈智祺,李俊林,张洪略
受保护的技术使用者：贵州电网有限责任公司
技术研发日：
技术公布日：2024/9/23