面向变电站防汛的熵权分配混杂风险评估.pdf
《面向变电站防汛的熵权分配混杂风险评估.pdf》由会员分享,可在线阅读,更多相关《面向变电站防汛的熵权分配混杂风险评估.pdf(9页珍藏版)》请在咨信网上搜索。
1、电 力 系 统 及 其 自 动 化 学 报Proceedings of the CSU-EPSA第 35 卷 第 7 期2023 年 7 月Vol.35 No.7Jul.2023面向变电站防汛的熵权分配混杂风险评估王津宇1,兰光宇2,卢明1,李哲1,石英3(1.国网河南省电力公司电力科学研究院,郑州 450052;2.国网河南省电力公司,郑州 450000;3.武汉理工大学自动化学院,武汉 430070)摘要:针对传统电网防汛评估方法主观性强、适应性差和准确性低的问题,提出一种基于熵权分配的变电站实时防汛风险混杂评估模型。首先,根据多维静、动态数据对变电站防汛风险评估的影响程度,分别引入轻量级
2、梯度提升机与长短期记忆神经网络构建变电站防汛静、动态数据评估子模型;然后,利用熵权法分配权重实现两子模型的有效组合;最后,进行对比实验,实验结果显示本文模型优于主流的单一评估模型和组合评估模型。算例分析表明,所提变电站防汛风险评估算法具有较强的适应性与较高的准确性。关键词:变电站;防汛;混杂风险评估;机器学习;深度学习中图分类号:TM732,TP181文献标志码:A文章编号:1003-8930(2023)07-0074-09DOI:10.19635/ki.csu-epsa.001134Hybrid Risk Assessment of Entropy Weight Allocation for
3、 Substation Flood ControlWANG Jinyu1,LAN Guangyu2,LU Ming1,LI Zhe1,SHI Ying3(1.Electric Power Research Institute,State Grid Henan Electric Power Company,Zhengzhou 450052,China;2.State Grid Henan Electric Power Company,Zhengzhou 450000,China;3.School of Automation,WuhanUniversity of Technology,Wuhan
4、430070,China)Abstract:Aimed at the problems of strong subjectivity,poor adaptability and low accuracy of the traditional power gridflood control assessment methods,a real-time flood control hybrid risk assessment model for substations based on entropy weight allocation is proposed.First,according to
5、 the difference in the influences of multi-dimensional static and dynamic data on the substation flood control risk assessment,the LightGBM and LSTM algorithms are introduced to construct sub-models for substation flood control static and dynamic risk assessment.Then,the entropy weight method isused
6、 to allocate weights to achieve an effective combination of the two sub-models.A contrast experiment shows that theproposed model outperforms the mainstream single and hybrid assessment models.The result of an example shows thatthe proposed substation flood control risk assessment algorithm has a st
7、rong adaptability and a high accuracy.Keywords:substation;flood control;hybrid risk assessment;machine learning;deep learning夏季极端暴雨天气频发,电网设备及其附属设施的安全运行受到严峻挑战。面对暴雨天气,如果应对不及时将会给设备的正常运行带来极大的冲击1。2021年河南省连遭暴雨袭击,据国家电网最新统计显示,暴雨已导致河南郑州、洛阳、许昌、焦作、南阳和平顶山等多地电力设施受损,800多条城市配电线路、超过98万户用电受到影响。电网的防汛风险评估是电网安全稳定运行的保障,
8、也是提升供电可靠性的重要环节,它不仅能为防汛工作提供科学依据,也能加强变电站安全管控,将灾害影响程度降到最低。目前,电网防汛风险评估通常采用人工经验方法2,国内外常对防汛对象定性评估并按红、橙、黄、蓝进行风险等级划分,但其结果具有一定的主观性,对不同防汛对象适用性差。当今对风险定量评估算法分为统计分析、机器学习、深度学习和混杂评估算法3。统计分析大多基于物理机制4,对变电站防汛风险进行定性分析和物理过程模拟后,建立数学评估模型,综合气象监测信息、水文信息和电网运行信息,对防汛能力进行评估5。由于采用定性方法评估建模过程中往往将实际问题简化,很难将所有影响因素考虑在内,导致在实际应用中评估结果不
9、够准确。收稿日期:2022-07-25;修回日期:2022-09-28网络出版时间:2022-10-25 13:51:09基金项目:国网河南省电力公司电力科学研究院科技项目(ZC202108)王津宇等:面向变电站防汛的熵权分配混杂风险评估王津宇等:面向变电站防汛的熵权分配混杂风险评估75第 35 卷机器学习采用数据驱动构建模型6,能够对变电站防汛数据进行特征提取和更深入的信息挖掘。文献7采用机器学习的动态聚类方法提取北京城区短历时暴雨时空分布的动态特征。文献8在短期负荷预测任务中使用轻量级梯度提升机LightGBM(light gradient boosting machine)单一算法预测效
10、果较好且速度快,但该算法在某些时刻会出现较大误差。机器学习虽能有效的处理非时序数据,但难以捕获时序数据特征,导致最终丢失部分与防汛相关的有效信息。深度学习9具有较强的隐含波动规律挖掘能力,可以弥补上述不足,具有更强的数据适应性。针对洪涝灾害具有突发性强、预见期短的特点,文献10利用长短期记忆LSTM(long short-term memory)神经网络模型在连续时间序列上寻找规律,对汉江流域安康段进行洪水预报。然而变电站防汛数据中既有无时序关系的静态数据,例如水文信息、电网运行信息,又包含有时序关系的气象监测信息,仅使用单一评估算法难以有效提取全部特征信息。多模型组合评估能充分利用现有信息进
11、行最有效的评估,其中需对多模型进行权重分配,最终完成组合评估11。文献12采用 LSTM 神经网络和随机森林 RF(random forest)分类技术评估总溢流量。由LSTM网络完成评估,将评估结果输入RF算法实现等级分类,该方法适用于流量时刻变化的水量评估,忽略了静态数据。文献13将极端梯度提升XGBoost(extreme gradient boosting)与LSTM加权融合,进行风力发电机定子绕组温度预测,证明混杂评估方法能够有效预测绕组超温情况,具有较好的工程应用价值。常用的权重分配有主观赋权法、客观赋权法和主客观综合赋权法14。主观赋权法多依赖于专家的知识经验,客观赋权法主要依靠
12、样本数据,目前防汛评估缺乏可靠划分标准,采用客观赋权法更为合适,其中,熵权法最常见且精确度较高。综上所述,目前变电站防汛风险评估任务的难点在于影响因素多,数据类型混杂,且包括时序和非时序数据。本文使用基于熵权分配的混杂评估模型来研究变电站防汛风险。首先,针对非时序防汛数据采用LightGBM评估子模型,时序防汛数据采用LSTM评估子模型;然后,通过熵权分配算法将两个评估结果进行混杂融合,得到最终的变电站风险评估值;最后,采用20个变电站的实际数据对所提评估模型进行训练,并在祥符变电站中加以应用。1变电站防汛的混杂风险评估模型1.1变电站防汛数据分析和风险评估算法变电站防汛风险评估是电网安全稳定
13、运行的基本保障。国网河南省电力公司提供了变电站多维计量数据,包含变电站基础信息和微气象数据,前者属于静态影响因素,微气象数据实时变化,属于动态监测数据。变电站防汛静态数据来源于设备管理系统,主要有变电站基础信息和周围地理信息,如表1所示。变电站防汛监测数据包括各站建立的微气象站,含有极大风速、相对湿度、温度、雨量、风向、气压、辐照度和风速信息。监测数据间隔采样为1 h,属于时序防汛数据,对变电站实时防汛能力影响较大。由于静态数据量不会随着时间的变化而改变,直接融合动态监测数据训练模型,会降低动态数据的作用效果,最终导致变电站防汛风险评估结果不准确。本文提出的变电站防汛风险混杂评估算法框架如图1
14、所示。针对变电站防汛数据特点,构建基于LightGBM的静态数据评估子模型和基于LSTM的动态监测数据评估子模型,多模型混杂融合采用熵权分配策略。图1中,xi、xdi和yi分别为变电站第i个样本的静、动态防汛特征数据和真实的防汛风险概率值;n为样本数;y1(xi)和y2(xdi)分别为静、动态评估子模型输出的防汛风险概率预测结果;wl,j为子模型权重系数,wl,1、wl,2为静、动态评估子模型对应的权重系数;yi为变电站防汛风险概率组合预测值。表 1变电站防汛静态数据情况Tab.1Static data of substation flood control数据类别变电站基础信息周围地理信息数
15、据内容基础信息储水能力排水能力地势情况气候条件数据指标电压等级站内面积站址水深标高排污井大小排水泵数量功率排水泵出力海拔平均降水量单位kVm2mm3个kWm3/hmmm电 力 系 统 及 其 自 动 化 学 报76第 7 期1.2变电站防汛风险评估子模型构建1.2.1基于 LightGBM 的防汛静态数据评估子模型针对变电站防汛静态数据的样本容量不多及特征维度较多的特点,使用LightGBM作为评估变电站防汛风险的子模型。梯度提升决策树 GBDT(gradient boosted decision tree)泛化能力强,它使用全部样本依次训练K棵回归树,且根据前树的预测误差调节后树的权重,变电
16、站防汛风险概率预测结果F()xi可以通过求K棵回归树的加权平均值得到,即F()xi=k=1Kkfk()xi(1)式中:k为第k棵回归树的权重;fk()xi为第i个样本第k棵回归树的预测值。LightGBM通过梯度单边采样和互斥特征绑定策略对GBDT改进,分别减小了样本容量和特征维度带来的计算复杂度。梯度单边采样轻量化策略通过在信息增益计算过程中减少样本使用数量,实现算法的轻量化。在计算信息增益时,改变训练过程样本的系数,将训练重点放在误差很大的样本上,梯度最大的前a%样本作为子集A,剩余样本随机采样b%作为子集B,将子集B的系数设置为(1-a)/b,此时信息增益Vj()d可表示为Vj()d=x
17、iAleftgi+1-abxiBleftgi2n njleft()d+xiArightgi+1-abxiBrightgi2n njright()d(2)式中:gi为损失函数的一阶负梯度;njleft()d、njright()d分别为变电站防汛数据在第j维特征的分割点d左、右的样本个数;Aleft、Bleft、Aright、Bright分别为训练子集A、B在分割点d左、右的样本集,将最大化信息增益的特征和叶节点作为最佳分裂特征与最佳分裂叶节点。针对特征维度带来的计算复杂度,考虑高维特征空间普遍存在大量互斥特征,造成维度冗余,因此引入互斥特征绑定的轻量化策略,结合直方图算法,将偏移量加在原始特征上
18、,以实现互斥特征的分别放置。通过引入梯度单边采样和互斥特征绑定的轻量化策略,LightGBM算法降低了样本容量和高维特征带来的计算复杂度,凭借优越的非线性拟合能力和对高维大样本数据的适应能力,适用于变电站防汛预测任务。变电站防汛静态特征数据xi=x1,x2,xm作为输入特征矩阵,其中m为单样本静态特征数,对应风险能力评估概率值作为输出量yi。由此变电站防汛静态数据可表示为D=()xi,yi,i=1,2,n。基于LightGBM的变电站防汛风险静态评估子模型算法流程如图2所示。图2中,k、K分别为当前回归树迭代次数和预设的最大迭代次数;fk()xi为第i个样本第k棵回归树的预测结果。由图2可知,
19、构建基于LightGBM的变电站防汛静态评估子模型,由建立回归树和集成多棵回归树进行集成预测两步组成,回归树目标函数和集成预测构建的具体过程如下。(1)回归树目标函数。为避免过拟合,将第k棵 回 归 树 的 目 标 函 数k表 示 为 损 失 函 数Loss()yi,yki与模型复杂度()fk()xi的和,即k=Loss()yi,yki+()fk()xi(3)式中,yki为第i个样本防汛风险能力评估概率的k次迭代预测值。损失函数的计算考虑了前k-1棵树对该树的影响作用,即Loss()yi,yki=Loss()yi,yk-1i+fk()xi(4)模型复杂度则由叶节点数J、叶节点系数、正则化系数和
20、权重j(j=1,2,J)来表示,即图 1变电站防汛混杂风险评估算法框架Fig.1Framework of hybrid risk assessment algorithmfor substation flood control变电站防汛多维数据D=(xi,xdi,yi),i=1,2,n基于LightGBM的防汛静态数据评估子模型基于熵权法求解权重向量约束条件wl,10,1,j=1,2wl,1+wl,2=1变电站防汛风险组合预测值yi=wl,1y1(xi)+wl,2y2(xdi)基于LSTM的防汛动态数据评估子模型+y1(xi)y2(xdi)w=(wl,1,wl,2)王津宇等:面向变电站防汛的熵
21、权分配混杂风险评估77第 35 卷图 2基于 LightGBM 的变电站防汛风险静态评估子模型Fig.2LightGBM-based sub-model of static riskassessment for substation flood control开始变电站防汛静态数据D=(xi,yi),i=1,2,n初始化第k棵回归树的目标函数基于直方图的特征离散化计算特征的信息增益优选最佳分裂特征优选最佳分裂叶节点k=k+1结束防汛风险预测结果yi=k=1Kfk(xi)k达到预设迭代次数K?树达到预设深度?是否是否集成预测建立第k棵回归树()fk()xi=J+12j=1J2j(5)因此,目标函
22、数可改写为k=Loss()yi,yk-1i+fk()xi+J+12j=1J2j(6)按照泰勒公式展开,选取最大化目标函数的叶节点权重作为参数获得第k棵树的最佳目标函数,即k=-12j=1JiIjgi2iIjsi+J(7)式中:si为损失函数的二阶梯度值;Ij为叶子节点j对应的样本集。由最佳目标函数,进一步计算信息增益,并将最大化信息增益的特征和叶节点作为最佳分裂特征与叶节点,即可确定回归树的完整结构。(2)集成预测。依次训练K棵回归树,且根据前树的评估效果建立树。待K棵回归树全部建成,将其评估值之和作为评估结果yi进行输出,即yi=k=1Kfk()xi(8)1.2.2基于 LSTM 的防汛动态
23、数据评估子模型由于变电站防汛动态数据每1 h记录1次,相邻数据存在明显时序关系,属于长时序数据,引入LSTM15网络有效处理跨度较长的时间数据,满足变电站防汛动态数据的时序依赖特点,提升变电站防汛风险评估的可靠性。LSTM的结构如图3所示。图 3中,ct-1、ht-1分别为t-1时刻LSTM网络结构隐含层内部状态和外部状态;xt、ct和ht分别为t时刻的输入数据和隐含层内、外部状态;、tanh分别为Sigmoid和双曲正切激活函数;ft、it和ot分别为遗忘门、输入门和输出门;ct为候选状态。当变电站防汛的序列内位置标号t的数据xt输入到LSTM模型时,便与位置标号t-1的内部状态量ct-1和
24、外部状态ht-1一起作为影响量进行运算。最终得到在序列数据内位置标号t数据在模型的输出ht。外部状态量ht经过特征维度转化后即可应用。LSTM模型有效性的关键之处在于控制内部状态ct,使网络的每一个输出均受到内部状态特征的影响。因此,LSTM的3个门结构分别为遗忘门、输入门和输出门。遗忘门ft用来控制LSTM是否能以一定概率来遗忘上一位置数据的输出状态,选择性的得到过滤后的结果,即ft=(Wfht-1,xt+bf)(9)式中,Wf、bf分别为遗忘门关联的权重矩阵和偏置向量。输入门it是用来处理当前位置的序列数据的输入,输出用于更新训练的特征信息。这一步包含两部分,是通过层来决定使用哪些数值来训
25、练更新;是用tanh层即双曲正切激活函数来生成新的候选值ct,即it=(Wiht-1,xt+bi)ct=tanh(Wcht-1,xt+bc)(10)图 3LSTM 结构Fig.3Structure of LSTM遗忘门 输入门新记忆单元输出门长时记忆单元tanhtanh+cthtotctitftct-1htht-1xt电 力 系 统 及 其 自 动 化 学 报78第 7 期式中,Wi、bi和Wc、bc分别为输入门和候选状态关联的权重矩阵和偏置向量。将输入门和遗忘门的结果结合,更新状态ct为ct=ftct-1+itct(11)经过这个阶段后,LSTM当前记忆与过往序列的记忆共同组合完成单元状态c
- 配套讲稿:
如PPT文件的首页显示word图标,表示该PPT已包含配套word讲稿。双击word图标可打开word文档。
- 特殊限制:
部分文档作品中含有的国旗、国徽等图片,仅作为作品整体效果示例展示,禁止商用。设计者仅对作品中独创性部分享有著作权。
- 关 键 词:
- 面向 变电站 防汛 分配 混杂 风险 评估
1、咨信平台为文档C2C交易模式,即用户上传的文档直接被用户下载,收益归上传人(含作者)所有;本站仅是提供信息存储空间和展示预览,仅对用户上传内容的表现方式做保护处理,对上载内容不做任何修改或编辑。所展示的作品文档包括内容和图片全部来源于网络用户和作者上传投稿,我们不确定上传用户享有完全著作权,根据《信息网络传播权保护条例》,如果侵犯了您的版权、权益或隐私,请联系我们,核实后会尽快下架及时删除,并可随时和客服了解处理情况,尊重保护知识产权我们共同努力。
2、文档的总页数、文档格式和文档大小以系统显示为准(内容中显示的页数不一定正确),网站客服只以系统显示的页数、文件格式、文档大小作为仲裁依据,平台无法对文档的真实性、完整性、权威性、准确性、专业性及其观点立场做任何保证或承诺,下载前须认真查看,确认无误后再购买,务必慎重购买;若有违法违纪将进行移交司法处理,若涉侵权平台将进行基本处罚并下架。
3、本站所有内容均由用户上传,付费前请自行鉴别,如您付费,意味着您已接受本站规则且自行承担风险,本站不进行额外附加服务,虚拟产品一经售出概不退款(未进行购买下载可退充值款),文档一经付费(服务费)、不意味着购买了该文档的版权,仅供个人/单位学习、研究之用,不得用于商业用途,未经授权,严禁复制、发行、汇编、翻译或者网络传播等,侵权必究。
4、如你看到网页展示的文档有www.zixin.com.cn水印,是因预览和防盗链等技术需要对页面进行转换压缩成图而已,我们并不对上传的文档进行任何编辑或修改,文档下载后都不会有水印标识(原文档上传前个别存留的除外),下载后原文更清晰;试题试卷类文档,如果标题没有明确说明有答案则都视为没有答案,请知晓;PPT和DOC文档可被视为“模板”,允许上传人保留章节、目录结构的情况下删减部份的内容;PDF文档不管是原文档转换或图片扫描而得,本站不作要求视为允许,下载前自行私信或留言给上传者【自信****多点】。
5、本文档所展示的图片、画像、字体、音乐的版权可能需版权方额外授权,请谨慎使用;网站提供的党政主题相关内容(国旗、国徽、党徽--等)目的在于配合国家政策宣传,仅限个人学习分享使用,禁止用于任何广告和商用目的。
6、文档遇到问题,请及时私信或留言给本站上传会员【自信****多点】,需本站解决可联系【 微信客服】、【 QQ客服】,若有其他问题请点击或扫码反馈【 服务填表】;文档侵犯商业秘密、侵犯著作权、侵犯人身权等,请点击“【 版权申诉】”(推荐),意见反馈和侵权处理邮箱:1219186828@qq.com;也可以拔打客服电话:4008-655-100;投诉/维权电话:4009-655-100。