基于深度学习的电力运行风险预警方法及系统

专利主权项内容

1.一种基于深度学习的电力运行风险预警方法，其特征在于，包括：利用气象预警平台获取被监测电力线路所在区域未来监测时间窗口内的气象数据；所述未来监测时间窗口表示电力运行风险预警起始时间戳和终止时间戳之间的时间段；对所述未来监测时间窗口内的气象数据进行关键参数提取，获得电力运行风险诱因参数集合；根据电网历史运维故障记录，设置电力线路故障类型集合；将所述电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析，获得气象故障关联度，所述气象故障关联度表示所述电力运行风险诱因参数集合与每种故障类型之间的关联度；收集被监测电力线路的历史运行数据，并将历史运行数据上传至深度学习平台进行时序关联训练，获得电力线路运行预测模型；所述电力线路运行预测模型的输入为时间窗口，输出为线路运行电气参数集合；将所述未来监测时间窗口输入至电力线路运行预测模型，获得被监测电力线路在未来监测时间窗口内的线路运行电气参数集合；将所述线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析，获得电气故障关联度，所述电气故障关联度表示所述线路运行电气参数集合与每种故障类型之间的关联度；将对应相同故障类型的气象故障关联度与电气故障关联度进行加权计算，获得在未来监测时间窗口内该故障类型的故障易发指数；将易发指数超过预设阈值的故障类型筛选出来，并与对应的故障易发指数相关联，获得易发故障类型集合，并将易发故障类型集合向运维人员进行提醒；将所述电力运行风险诱因参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析的方法，包括：准备好历史的气象数据和历史的电力线路故障数据，电力线路故障数据包括电力线路故障的类型，气象数据包括气象参数；通过标准化方法对历史的气象数据和历史的电力线路故障数据进行标准化，以确保它们在相同的尺度上；使用相关系数，确定气象参数与不同故障类型之间的关联度，通过执行统计显著性检验，以确定相关性是否显著；为每种气象参数和每种故障类型分配权重，以反映气象参数在故障发生概率中的相对重要性；根据相关性分析和权重计算的结果，得出每种气象参数与每种故障类型之间的关联度；将所述线路运行电气参数集合分别与电力线路故障类型集合中的各种故障类型进行相关性分析的方法，包括：收集被监测电力线路的历史运行电气参数数据和历史的电力线路故障数据，电力线路故障数据包括电力线路故障的类型；对每个电力线路故障类型进行相关性分析，计算线路运行电气参数与每种故障类型之间的关联度。。 （来 自 马 克 数 据 网）