一种基于神经网络的自然灾害停电预测方法及系统与流程

1.本发明属于电力防灾减灾技术领域，具体涉及一种基于神经网络的自然灾害停电预测方法及系统。


背景技术：

2.近年来极端天气事件的发生频率不断增加，广泛分布于不同地理位置和气象区域的电网极易受到台风、暴雨、地震等自然灾害损害，不但扰乱了人民正常的生产生活秩序，带来巨大的经济损失，也造成严重的社会影响。
3.灾害和故障的停电预测是一个热门且值得研究的问题。目前对灾害下停电预测的研究，主要基于传统机器学习算法和bp神经网络，将灾害的相关特征作为影响因素进行输入，以停电指标作为输出建立预测模型，最终给出区域短期停电的预测值，为应急抢修的处置策略提供指导，有效分配应急资源，将灾害造成的经济和社会损失降到最低。但自然灾害的气象因素具有时序特征，对电网设施的损害也存在滞后性，而bp神经网络只能在给定一组输入的前提下直接计算输出，如果用来预测序列数据，则每一个原有的输入条件，将与上千个时间节点相关联，进而大大增加权重层中参数的数量，使得训练成本过高，成功的可能性很小。
4.灾害下停电预测所用的常见机器学习算法，包括线性回归、逻辑回归、随机森林、支持向量机等，因其实现简单，成本较低，在需求简单，数据量不大的前提下，能满足大多企业的需求。由于自然灾害的形成受多种因素的影响，造成的损害也与电网设施的地理环境有关，虽然存在一定规律性，但仍然有较强的复杂性和不确定性，因此很难找到一种传统预测模型能较好的拟合灾害下停电预测的需求。通用的方法利用常见的机器学习算法建立多个模型，对比建模结果，取最优的模型。但此种方法建模工程量大，效率低。


技术实现要素：

5.针对目前灾害下停电预测方法存在建模工程量大，训练成本高的问题，本发明提供了一种基于神经网络的自然灾害停电预测方法及系统。具体技术方案如下：
6.一种基于神经网络的自然灾害停电预测方法，包括以下步骤：
7.步骤s1，采集区域数据并对采集的数据进行清洗；所述数据包括区域对应的气象数据、地理数据、电网设施数据；
8.步骤s2，对区域处的地理位置进行网格划分；
9.步骤s3，构建lstm停电预测模型；
10.步骤s4，获取区域的特征数据，并将获取的特征数据输入构建的lstm停电预测模型,预测区域各个网格是否停电，并输出预测结果。
11.优选地，所述步骤s1中采集数据包括：
12.调用天气数据接口，获取各区域观测站的历史数据，包括温度、湿度、降雨量、风速的数值型数据；
13.调用接口从统计资料中获取地理数据、电网设施数据，所述地理数据包括海拔、坡度、地表类型；
14.所述电网设施数据包括箱变数、台变数、线路长度、塔杆数。
15.优选地，所述地理数据提前存储在对应的数据服务器中。
16.优选地，所述步骤s1中对数据进行清洗具体包括：
17.对时间序列中的空值数据进行清洗，或进行线性填充；
18.对采集重复的数据进行去重；
19.对范围错误的采集数据进行删除；
20.对比气象维度数据，验证数据的可靠性。
21.优选地，所述步骤s2中选择固定的网格大小1km*1km。
22.优选地，所述步骤s3具体包括以下步骤：
23.步骤s31，构建lstm神经网络预测模型，实现各网格的气象数据与灾害等级之间的关系映射；
24.步骤s32，将各网格的气象数据的训练数据样本输入lstm神经网络预测模型进行训练，得到训练后的lstm神经网络预测模型；将验证样本数据输入练后的lstm神经网络预测模型，验证练后的lstm神经网络预测模型的精度是否达到要求，若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的lstm神经网络预测模型；
25.步骤s33，将测试样本数据输入训练完成的lstm神经网络预测模型，测试训练完成的lstm神经网络预测模型的性能，若精度达到要求，则输出最终的lstm神经网络预测模型；
26.步骤s34，构建全连接层神经网络预测模型，实现各网格的特征值与停电标签之间的关系映射；
27.步骤s35，将各网格的灾害等级预测结果，与地理数据、电网设施数据的训练数据输入并进行训练，计算出预测值，并采用交叉熵作为损失函数，评估模型预测值与真实值之间的损失情况；
28.步骤s36，将验证样本数据输入训练后的全连接层神经网络预测模型，验证模型的精度是否达到要求，若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的全连接层神经网络预测模型。
29.优选地，所述步骤s31和步骤s34中采用采用tensorflow.keras.layer构建lstm神经网络预测模型和全连接层神经网络预测模型。
30.优选地，所述步骤s32中还包括采用tensorflow.keras.loss中的categorical_crossentropy作为损失函数，评估模型预测值与真实值之间的损失情况；采用tensorflow.keras.optimizer对损失函数的偏导结果进行优化，以最小化损失函数。
31.优选地，所述步骤s33和s35中采用评估器tensorflow.keras.metrics来评估模型在测试数据上的性能。
32.一种基于神经网络的自然灾害停电预测系统，应用任一所述的预测方法，具体包括数据采集模块、网格划分模块、模型构建模块、停电预测模块；所述数据采集模块、网格划分模块分别与模型构建模块连接，所述数据采集模块、模型构建模块分别与停电预测模块连接；
33.所述数据采集模块用于通过天气接口获取区域的天气数据，通过电网接口获取区
域的地理数据、电网设施数据，以及获取区域的特征数据；
34.所述网格划分模块用于对区域进行网格划分；
35.所述模型构建模块用于根据数据采集模块采集的数据和网格划分模块划分网格的结果构建lstm停电预测模型，并进行训练，最后得到训练好的lstm停电预测模型；
36.所述停电预测模块用于将获取的区域的特征数据输入训练好的lstm停电预测模型进行预测区域的各个网格是否停电，进而输出预测结果至应用数据库或应用管理前端。
37.本发明的有益效果为：本发明提供了一种基于神经网络的自然灾害停电预测方法及系统，lstm网络结构既能处理时序数据，又能解决梯度消失、梯度爆炸和长期记忆能力不足等问题。该方法首先将预测目标区域划分为适当大小的网格，然后将气象维度(温度、湿度、降雨量、风速等)的时间序列数据作为输入，建立lstm停电预测模型预测各区域中短期某一时间节点的灾害等级，再结合地理维度(海拔、坡度、地表类型等)及电网设施维度(箱变数、台变数、线路长度、塔杆数等)预测同一时间节点的停电区域是否停电。本发明通过气象、地理和电网维度的多个相关因素，利用长短记忆网络建立停电预测模型，增强了灾害下停电预测模型的健壮性与准确性。而且本发明不需建立多个模型对比，建模成本低。
38.采用本发明的系统进行区域停电预测，方便快捷，增强了灾害下停电预测模型的健壮性与准确性。
附图说明
39.为了更清楚地说明本发明具体实施方式或现有技术中的技术方案，下面将对具体实施方式或现有技术描述中所需要使用的附图作简单地介绍。在所有附图中，类似的元件或部分一般由类似的附图标记标识。附图中，各元件或部分并不一定按照实际的比例绘制。
40.图1为本发明的方法流程图；
41.图2为本发明的系统原理图。
具体实施方式
42.下面将结合本发明实施例中的附图，对本发明实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例是本发明一部分实施例，而不是全部的实施例。基于本发明中的实施例，本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例，都属于本发明保护的范围。
43.应当理解，当在本说明书和所附权利要求书中使用时，术语“包括”和“包含”指示所描述特征、整体、步骤、操作、元素和/或组件的存在，但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
44.还应当理解，在本发明说明书中所使用的术语仅仅是出于描述特定实施例的目的而并不意在限制本发明。如在本发明说明书和所附权利要求书中所使用的那样，除非上下文清楚地指明其它情况，否则单数形式的“一”、“一个”及“该”意在包括复数形式。
45.还应当进一步理解，在本发明说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合，并且包括这些组合。
46.实施例1：
47.如图1所示，本发明的具体实施方式提供了一种基于神经网络的自然灾害停电预
测方法，该方法将目标区域网格化，并基于气象、地理和电网维度的多个相关因素，利用长短记忆网络建立停电预测模型。具体包括以下步骤：
48.步骤s1，采集区域数据并对采集的数据进行清洗；所述数据包括区域对应的气象数据、地理数据、电网设施数据。
49.采集数据包括：
50.调用天气数据接口，获取各区域观测站的历史数据，包括温度、湿度、降雨量、风速的数值型数据；具体包括24小时每小时的天气数据、48小时每小时的天气数据、72小时每小时的天气数据的数据，以及对应未来1天的预测灾害等级、未来2天的预测灾害等级、未来3天的预测灾害等级。
51.调用接口从统计资料中获取地理数据、电网设施数据，所述地理数据包括海拔、坡度、地表类型；
52.所述电网设施数据包括箱变数、台变数、线路长度、塔杆数。
53.对数据进行清洗具体包括：
54.对时间序列中的空值数据进行清洗，或进行线性填充；具体的，对采集到的天气数据(时序数据)的空值进行线性填充；对采集到的其他数据的空值进行删除。
55.对采集重复的数据进行去重；
56.对范围错误的采集数据进行删除，不同标签的数据范围会有不同，可参考国标和实际的历史采集值进行范围界定；例如降雨量不可能是负值。
57.对比气象维度数据，验证数据的可靠性。
58.其中，地理数据这些静态数据提前存储在对应的数据服务器中，为下一次的预测评估节省大量的数据收集时间，提高了预测效率。
59.还包括对数据进行预处理，具体包括：
60.对灾害等级进行标注：
61.灾害等级的界定基于未来24小时累计降雨量、未来48小时累计降雨量、未来72小时累计降雨量来进行综合判断，标准与目标地域的平均降水量相关。
62.对数据进行标准化；
63.将处理后的数据按比例6:2:2划分为训练数据样本、测试数据样本和验证数据样本。
64.步骤s2，对区域处的地理位置进行网格划分。太小的网格会伴随过多的未停电区域样本，导致样本数据极不均衡，造成模型预测结果向多数类样本偏离；而太大的网格容易导致样本特征数据精度不高，进而影响预测的准确性。
65.因此，本发明根据所处的地理位置(经纬度)选择固定的网格大小1km*1km，能够将各特征变量均统一到相同的网格，保证了数据精度，同时为收集数据带来一定便利。当预测评估区域较大，网格数较多时，规范化的网格划分会为数据处理带来极大便利，如静态数据的提前存储(如海拔、坡度等这类短时间基本不变动的变量)，为下一次的预测评估节省大量的数据收集时间。此外，由于气象因素及地理因素等均会对配网停电故障造成影响，使用静态规范的地理网格，而不使用动态变化的网格，也在一定程度上保证样本来源的统一性。
66.步骤s3，构建lstm停电预测模型；具体包括以下步骤：
67.步骤s31，构建三层lstm神经网络预测模型；具体采用
68.tensorflow.keras.layer构建lstm神经网络预测模型，实现各网格的气象数据与灾害等级之间的关系映射。
69.步骤s32，将各网格的气象数据的训练数据样本输入lstm神经网络预测模型进行训练，得到训练后的lstm神经网络预测模型；将验证样本数据输入练后的lstm神经网络预测模型，验证练后的lstm神经网络预测模型的精度是否达到要求，即通过验证集对模型进行评分，若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的lstm神经网络预测模型。具体地，采用tensorflow.keras.loss中的categorical_crossentropy作为损失函数，评估模型预测值与真实值之间的损失情况；采用tensorflow.keras.optimizer对损失函数的偏导结果进行优化，以最小化损失函数。
70.步骤s33，将测试样本数据输入训练完成的lstm神经网络预测模型，测试训练完成的lstm神经网络预测模型的性能，若精度达到要求，即通过测试集对模型进行评分，则输出最终的lstm神经网络预测模型；具体采用评估器tensorflow.keras.metrics来评估模型在测试数据上的性能。
71.步骤s34，采用tensorflow.keras.layer构建三层全连接层神经网络预测模型，实现各网格的特征值与停电标签之间的关系映射。
72.步骤s35，将各网格的灾害等级预测结果，与地理数据、电网设施数据的训练数据输入并进行训练，计算出预测值，并采用tensorflow.keras.loss中的交叉熵作为损失函数，评估模型预测值与真实值之间的损失情况；损失函数最小化是本次评估的目的，因此需要计算损失函数关于模型变量的导数，将求出的导数值传入优化器tensorflow.keras.optimizer，并使用优化器更新模型参数，以最小化损失函数。
73.步骤s36，将验证样本数据输入训练后的全连接层神经网络预测模型，验证模型的精度是否达到要求，即通过验证集对模型进行评分，若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的全连接层神经网络预测模型。具体采用评估器tensorflow.keras.metrics来评估模型在测试数据上的性能。
74.步骤s4，获取区域的特征数据，判断获取的特征数据是否有效，并将获取的特征数据输入构建的lstm停电预测模型,预测区域各个网格是否停电，并输出预测结果。需要进行预测时，通过调用接口采集最新的气象数据、地理数据和电网设施数据，并采用最终的lstm及全连接层神经网络预测模型,预测区域各个网格是否停电，并输出预测结果。
75.实施例2：
76.如图2所示，本发明的具体实施方式还提供了一种基于神经网络的自然灾害停电预测系统，应用所述的预测方法，具体包括数据采集模块、网格划分模块、模型构建模块、停电预测模块；所述数据采集模块、网格划分模块分别与模型构建模块连接，所述数据采集模块、模型构建模块分别与停电预测模块连接；
77.所述数据采集模块用于通过天气接口获取区域的天气数据，通过电网接口获取区域的地理数据、电网设施数据，以及获取区域的特征数据；具体原理见实施例1的步骤s1。
78.所述网格划分模块用于对区域进行网格划分；具体原理见实施例1的步骤s2。所述模型构建模块用于根据数据采集模块采集的数据和网格划分模块划分网格的结果构建lstm停电预测模型，并进行训练，最后得到训练好的lstm停电预测模型；具体原理见实施例1的步骤s3。
79.所述停电预测模块用于将获取的区域的特征数据输入训练好的lstm停电预测模型进行预测区域的各个网格是否停电，进而输出预测结果至应用数据库或应用管理前端。具体原理见实施例1的步骤s4。
80.本领域普通技术人员可以意识到，结合本文中所公开的实施例描述的各示例的单元，能够以电子硬件、计算机软件或者二者的结合来实现，为了清楚地说明硬件和软件的可互换性，在上述说明中已经按照功能一般性地描述了各示例的组成。这些功能究竟以硬件还是软件方式来执行，取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能，但是这种实现不应认为超出本发明的范围。
81.在本技术所提供的实施例中，应该理解到，单元的划分，仅仅为一种逻辑功能划分，实际实现时可以有另外的划分方式，例如多个单元可结合为一个单元，一个单元可拆分为多个单元，或一些特征可以忽略等。
82.最后应说明的是：以上各实施例仅用以说明本发明的技术方案，而非对其限制；尽管参照前述各实施例对本发明进行了详细的说明，本领域的普通技术人员应当理解：其依然可以对前述各实施例所记载的技术方案进行修改，或者对其中部分或者全部技术特征进行等同替换；而这些修改或者替换，并不使相应技术方案的本质脱离本发明各实施例技术方案的范围，其均应涵盖在本发明的权利要求和说明书的范围当中。

技术特征：
1.一种基于神经网络的自然灾害停电预测方法，其特征在于，包括以下步骤：步骤s1，采集区域数据并对采集的数据进行清洗；所述数据包括区域对应的气象数据、地理数据、电网设施数据；步骤s2，对区域处的地理位置进行网格划分；步骤s3，构建lstm停电预测模型；步骤s4，获取区域的特征数据，并将获取的特征数据输入构建的lstm停电预测模型,预测区域各个网格是否停电，并输出预测结果。2.根据权利要求1所述的一种基于神经网络的自然灾害停电预测方法，其特征在于，所述步骤s1中采集数据包括：调用天气数据接口，获取各区域观测站的历史数据，包括温度、湿度、降雨量、风速的数值型数据；调用接口从统计资料中获取地理数据、电网设施数据，所述地理数据包括海拔、坡度、地表类型；所述电网设施数据包括箱变数、台变数、线路长度、塔杆数。3.根据权利要求2所述的一种基于神经网络的自然灾害停电预测方法，其特征在于，所述地理数据提前存储在对应的数据服务器中。4.根据权利要求1所述的一种基于神经网络的自然灾害停电预测方法，其特征在于，所述步骤s1中对数据进行清洗具体包括：对时间序列中的空值数据进行清洗，或进行线性填充；对采集重复的数据进行去重；对范围错误的采集数据进行删除；对比气象维度数据，验证数据的可靠性。5.根据权利要求1所述的一种基于神经网络的自然灾害停电预测方法，其特征在于，所述步骤s2中选择固定的网格大小1km*1km。6.根据权利要求1所述的一种基于神经网络的自然灾害停电预测方法，其特征在于，所述步骤s3具体包括以下步骤：步骤s31，构建lstm神经网络预测模型，实现各网格的气象数据与灾害等级之间的关系映射；步骤s32，将各网格的气象数据的训练数据样本输入lstm神经网络预测模型进行训练，得到训练后的lstm神经网络预测模型；将验证样本数据输入练后的lstm神经网络预测模型，验证练后的lstm神经网络预测模型的精度是否达到要求，若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的lstm神经网络预测模型；步骤s33，将测试样本数据输入训练完成的lstm神经网络预测模型，测试训练完成的lstm神经网络预测模型的性能，若精度达到要求，则输出最终的lstm神经网络预测模型；步骤s34，构建全连接层神经网络预测模型，实现各网格的特征值与停电标签之间的关系映射；步骤s35，将各网格的灾害等级预测结果，与地理数据、电网设施数据的训练数据输入并进行训练，计算出预测值，并采用交叉熵作为损失函数，评估模型预测值与真实值之间的损失情况；
步骤s36，将验证样本数据输入训练后的全连接层神经网络预测模型，验证模型的精度是否达到要求，若达不到精度要求则继续对模型进行训练，若达到精度要求则输出训练完成的全连接层神经网络预测模型。7.根据权利要求6所述的一种基于神经网络的自然灾害停电预测方法，其特征在于，所述步骤s31和步骤s34中采用采用tensorflow.keras.layer构建lstm神经网络预测模型和全连接层神经网络预测模型。8.根据权利要求6所述的一种基于神经网络的自然灾害停电预测方法，其特征在于，所述步骤s32中还包括采用tensorflow.keras.loss中的categorical_crossentropy作为损失函数，评估模型预测值与真实值之间的损失情况；采用tensorflow.keras.optimizer对损失函数的偏导结果进行优化，以最小化损失函数。9.根据权利要求1所述的一种基于神经网络的自然灾害停电预测方法，其特征在于，所述步骤s33和s35中采用评估器tensorflow.keras.metrics来评估模型在测试数据上的性能。10.一种基于神经网络的自然灾害停电预测系统，其特征在于，应用权利要求1-9任一所述的预测方法，具体包括数据采集模块、网格划分模块、模型构建模块、停电预测模块；所述数据采集模块、网格划分模块分别与模型构建模块连接，所述数据采集模块、模型构建模块分别与停电预测模块连接；所述数据采集模块用于通过天气接口获取区域的天气数据，通过电网接口获取区域的地理数据、电网设施数据，以及获取区域的特征数据；所述网格划分模块用于对区域进行网格划分；所述模型构建模块用于根据数据采集模块采集的数据和网格划分模块划分网格的结果构建lstm停电预测模型，并进行训练，最后得到训练好的lstm停电预测模型；所述停电预测模块用于将获取的区域的特征数据输入训练好的lstm停电预测模型进行预测区域的各个网格是否停电，进而输出预测结果至应用数据库或应用管理前端。

技术总结
本发明属于电力防灾减灾技术领域，具体涉及一种基于神经网络的自然灾害停电预测方法及系统。该方法首先将预测目标区域划分为适当大小的网格，然后将气象维度（温度、湿度、降雨量、风速等）的时间序列数据作为输入，建立LSTM停电预测模型预测各区域中短期某一时间节点的灾害等级，再结合地理维度（海拔、坡度、地表类型等）及电网设施维度（箱变数、台变数、线路长度、塔杆数等）预测同一时间节点的停电区域是否停电。本发明通过气象、地理和电网维度的多个相关因素，利用长短记忆网络建立停电预测模型，增强了灾害下停电预测模型的健壮性与准确性。采用本发明的系统进行区域停电预测，方便快捷，增强了灾害下停电预测模型的健壮性与准确性。准确性。准确性。


技术研发人员：俸波 张炜 周毅波 尹立群 李珊 陈千懿 黄伟翔 刘阳升 覃剑 赵绪亮
受保护的技术使用者：广西电网有限责任公司电力科学研究院
技术研发日：2023.03.07
技术公布日：2023/8/4