一种基于双训练权重分配模型的线路风险评估方法及装置与流程

1.本发明涉及配电网线路风险预测技术领域，具体的，涉及一种基于双训练权重分配模型的线路风险评估方法及装置。


背景技术：

2.配电网线路的风险评估主要依靠智能化负荷预测，包括根据社会经济发展、人口增长及配网运行特性等因素进行预测。负荷预测的主要内容包括以下四类：全社会用电量和最大负荷、各电压等级网供最大负荷、配电网饱和负荷空间时间分布以及电力用户的最大负荷。对于某一电网中支线而言，用户的最大负荷尤为重要，进一步的决定了供电电压等级、选取电气设备和导体材料的主要根据。
3.近些年关于神经网络机器学习训练的方法逐渐兴起，特别是配电网大数据用于负荷预测、电动汽车充电设备需求、供电可靠性分析、用户参与需求响应潜力分析等场景，从而实现支撑配电网规则和运行、完善信息系统和提高用户满意度等价值。目前，一些研究已经着手将配电网大数据用于配电网的多项技术领域。对于配电网大数据处理本身，有学者针对配变负荷数据的特点提出适用于配电变压器的数据清洗方法，在spark计算引擎下进行缺失数据恢复流程的并行计算。在负荷预测领域，有学者针对电力用户侧数据的特点，将随机森林算法在mapreduce模式下进行并行化改造，分别在hbase和hdfs中进行数据存储和管理，以实现hadoop架构下的并行负荷预测。在配电网状态评价领域，也有学者提出关于如何利用大数据进行配电网状态检测和故障处理、配电网侧的运行评价、可靠性评估等。但总体来说，目前关于配电网大数据在配电网规划中应用的研究仍然较少，且针对负荷预测的方法总是单一，存在负荷预测结果的预测准确率低的问题，影响线路的风险评估结果。


技术实现要素：

4.本发明的目的是针对配电网中进行线路风险评估时，负荷预测结果准确率低的问题，提出了一种基于双训练权重分配模型的线路风险评估方法，能够基于大数据，通过双模型分别进行预测，能够捕捉到更精确的目标负荷预测数据，从而提高负荷预测结果的准确率以及线路风险评估的精度，进一步为制定对策提供有力的数据支撑，提高配网智能运维的效率。
5.第一方面，本发明实施例中提供的一种技术方案是一种基于双训练权重分配模型的线路风险评估方法，所述方法包括以下步骤：获取对象在不同工况下的历史负荷数据，对所述历史负荷数据进行预处理，得到历史负荷特征数据；将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，以及将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负荷预测数据；通过bp神经网络算法对所述第一负荷预测数据以及所述第二负荷预测数据进行权重优化，得到第一目标权重以及第二目标权重；
根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重计算目标负荷预测数据，并根据所述目标负荷预测数据确定线路风险指数。
6.可选的，所述获取对象在不同工况下的历史负荷数据，对所述历史负荷数据进行预处理，得到历史负荷特征数据，包括：获取所述对象在不同工况下的所述历史负荷数据，包括获取线路周期负荷数据以及线路特殊工况负荷数据，所述线路特殊工况负荷数据包括日期节点负荷数据、天气节点负荷数据以及客户投诉工单负荷数据；根据预设的预处理规则，对所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据进行标准化；基于所述线路周期负荷数据以及标准化后的所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据构建样本数据集；通过卷积神经网络对所述样本数据集中的数据进行特征提取，得到所述历史负荷特征数据。
7.可选的，在所述根据预设的预处理规则，对所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据进行标准化之前，方法还包括：获取预设时间区间内的所述客户投诉工单负荷数据；根据预定的投诉内容关键词，对所述客户投诉工单负荷数据进行无关数据清除，以及合并相同投诉内容的客户投诉工单。
8.可选的，所述将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，包括：构建所述历史负荷特征数据的时间序列，所述时间序列中包括多个时间节点，每个时间节点有对应的历史负荷特征数据；将当前时间节点对应的历史负荷特征数据作为所述目标循环神经网络模型的特征输入数据，并初始化所述目标循环神经网络模型的权重系数；根据当前时间节点的特征输入数据、上一时间节点的隐状态数据以及所述权重系数，通过双曲正切函数确定所述目标循环神经网络模型在当前时间节点的重置门与更新门；根据当前时间节点的所述重置门与所述更新门，输出所述第一负荷预测数据。
9.可选的，在所述将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负荷预测数据之前，所述方法还包括：根据所述历史负荷特征数据的时间序列计算自相关系数以及偏自相关系数，并基于所述自相关系数以及所述偏自相关系数的拖尾或截尾确定目标模型的类型；对所述目标模型中的参数进行预估检验，优化所述历史负荷特征数据的时间序列平稳性，其中，包括对所述目标模型的确定性因素参数分析以及对模型的随机时序参数分析；通过所述目标模型根据平稳性优化后的所述历史负荷特征数据的时间序列进行拟合，构建得到所述目标自回归移动平均模型。
10.可选的，所述bp神经网络算法包括输入层、隐藏层以及输出层，所述通过bp神经网
络算法对所述第一负荷预测数据以及所述第二负荷预测数据进行权重优化，包括：分别将所述第一负荷预测数据与所述第二负荷预测数据输入所述bp神经网络算法的输入层，结合输入层到隐藏层的参数以及隐藏层到输出层的参数，构建bp神经网络算法模型，所述参数包括权重及偏置项；初始化所述bp神经网络算法模型的权重及偏置项，并通过反向传播多次迭代各层输出以及损失函数的期望值；根据所述损失函数的期望值，确定所述bp神经网络算法模型中输入层到隐藏层的参数误差项，以及隐藏层到输出层的参数误差项；根据输入层到隐藏层的参数误差项以及隐藏层到输出层的参数误差项，更新所述bp神经网络算法模型中各层之间的权重和偏置项，直到满足预设迭代条件后，停止更新，并得到所述第一目标权重和所述第二目标权重，以及第一偏置项和第二偏置项。
11.可选的，所述根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重计算目标负荷预测数据，并根据所述目标负荷预测数据确定线路风险指数，包括：若所述损失函数的期望值满足所述预设期望值，则根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重确定所述目标负荷预测数据，其中，所述第一目标权重与所述第二目标权重之和等于1；基于预设的负荷数据与风险指数对应关系，根据所述目标负荷预测数据确定所述线路风险指数。
12.第二方面，本发明实施例中还提供的一种技术方案是一种基于双训练权重分配模型的线路风险评估装置，所述装置包括：获取模块，用于获取对象在不同工况下的历史负荷数据，对所述历史负荷数据进行预处理，得到历史负荷特征数据；训练模块，用于将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，以及将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负荷预测数据；优化模块，用于通过bp神经网络算法对所述第一负荷预测数据以及所述第二负荷预测数据进行权重优化，得到第一目标权重以及第二目标权重；计算模块，用于根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重计算目标预测数据，并根据所述目标预测数据确定线路风险指数。
13.第三方面，本发明实施例中提供的一种技术方案是一种电子设备，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如任一实施例中所述的一种基于双训练权重分配模型的线路风险评估方法中的步骤。
14.第四方面，本发明实施例中提供的一种技术方案是一种计算机可读存储介质，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如实施例中任一所述的一种基于双训练权重分配模型的线路风险评估方法中的步骤。
15.本发明的有益效果：本发明通过预先对获取到的历史负荷数据进行预处理，能够
获取到适应模型输入的历史负荷特征数据；且分别通过目标循环神经网络模型与目标自回归移动平均模型对历史负荷特征数据实现双模型训练，输出第一负荷预测数据以及第二负荷预测数据，其中，目标循环神经网络模型参数少，数据计算的时间成本低，目标自回归移动平均模型能够实现大量数据的回归分析和短期预测；最后，通过bp神经网络算法对第一负荷预测数据以及第二负荷预测数据进行权重分配，通过多次更新迭代实现网络权重的优化，为第一负荷预测数据与第二负荷预测数据找到最优的第一目标权重与第二目标权重，最后结合第一负荷预测数据、第一目标权重、第二负荷预测数据以及第二目标权重计算目标负荷预测数据，根据目标负荷预测数据确定线路风险指数。所以，本技术通过结合双模型的方式进行预测，且为双模型的预测结果分别拟合到最优的权重之后再计算目标负荷预测数据，克服单一训练模型的局限性，能够通过双模型进行预测，能够捕捉到更精确的目标负荷预测数据，从而提高负荷预测结果的准确率以及线路风险评估的精度，进一步为制定对策提供有力的数据支撑，提高配网智能运维的效率。
16.上述发明内容仅是本发明技术方案的概述，为了能够更清楚了解本发明的技术手段，而可依照说明书的内容予以实施，并且为了让本发明的上述和其它目的、特征和优点能够更明显易懂，以下特举本发明的具体实施方式。
附图说明
17.通过阅读参照以下附图所作的对非限制性实施例所作的详细描述,本发明的其它特征、目的和优点将会变得更明显。附图仅用于示出优选实施方式的目的，而并不认为是对本发明的限制。而且在整个附图中，用相同的参考符号表示相同的部件。
18.图1为本发明实施例提供的一种基于双训练权重分配模型的线路风险评估方法的流程图；图2为本发明实施例提供的目标循环神经网络模型的输入输出结构图；图3为本发明实施例提供的获取目标自回归移动平均模型的流程图；图4为本发明实施例提供的bp神经网络算法的具体工作流程图；图5为本发明实施例提供的一种基于双训练权重分配模型的线路风险评估装置的结构示意图；图6为本发明实施例提供电子设备的结构示意图。
具体实施方式
19.为使本发明的目的、技术方案以及优点更加清楚明白，下面结合附图和实施例对本发明作进一步详细说明，应当理解的是，此处所描述的具体实施方式仅是本发明的一种最佳实施例，仅用以解释本发明，并不限定本发明的保护范围，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。
20.在更加详细地讨论示例性实施例之前，应当提到的是，一些示例性实施例被描述成作为流程图描绘的处理或方法。虽然流程图将各项操作(或步骤)描述成顺序的处理，但是其中的许多操作(或步骤)可以被并行地、并发地或者同时实施。此外，各项操作的顺序可以被重新安排。当其操作完成时所述处理可以被终止，但是还可以具有未包括在附图中的附加步骤；所述处理可以对应于方法、函数、规程、子例程、子程序等等。
21.本发明的说明书和权利要求书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本发明的实施例能够以除了在这里图示或描述的那些以外的顺序实施。还应当理解的是，在本发明的各种实施例中，各过程的序号的大小并不意味着执行顺序的先后，各过程的执行顺序应以其功能和内在逻辑确定，而不应对本发明实施例的实施过程构成任何限定。
22.应当理解，在本发明中，“多个”是指两个或两个以上。“和/或”仅仅是一种描述关联对象的变量关系，表示可以存在三种关系，例如，和/或b，可以表示：单独存在a，同时存在a和b，单独存在b这三种情况。字符“/”一般表示前后关联对象是一种“或”的关系。“包含a、b和c”、“包含a、b、c”是指a、b、c三者都包含，“包含a、b或c”是指包含a、b、c三者之一，“包含a、b和/或c”是指包含a、b、c三者中任1个或任2个或3个。
23.应当理解，在本发明中，“与a对应的b”、“与a相对应的b”、“a与b相对应”或者“b与a相对应”，表示b与a相关联，根据a可以确定b。根据a确定b并不意味着仅仅根据a确定b，还可以根据a和/或其他信息确定b。a与b的匹配，是a与b的相似度大于或等于预设的阈值。
24.实施例一如图1所示，图1为本发明实施例提供的一种基于双训练权重分配模型的线路风险评估方法的流程图。一种基于双训练权重分配模型的线路风险评估方法，所述方法包括以下步骤：s101、获取对象在不同工况下的历史负荷数据，对所述历史负荷数据进行预处理，得到历史负荷特征数据。
25.本实施例提供的一种基于双训练权重分配模型的线路风险评估方法可以用于供电局供电设备的负荷预测等场景中，且基于一种基于双训练权重分配模型的线路风险评估方法运行的电子设备可以通过有线连接方式或者无线连接方式的网络与其他电子设备进行通信，实现数据传输等功能。需要指出的是，上述无线连接方式可以包括但不限于3g/4g/5g连接、wifi连接、蓝牙连接、wimax连接、zigbee连接、uwb(ultra wideband)连接、以及其他现在已知或将来开发的无线连接方式。
26.具体的，上述对象可以指需要进行负荷预测的待预测主体，可以包括但不限于各地区的供电局、变电站、供电中转站、发电站等等。上述的工况可以分别对应天气、外力、特定事件、用户投诉等因素，因此可以获取某一时间段内不同因素环境下对象在配电网的线路中的历史负荷数据，负荷数据可以指线路的功率数据。其中，历史负荷数据可以指在过去某一时间段内不同工况下分别产生的负荷数据，同一时间段内不同工况下的负荷数据可以构成模型输入样本。上述对历史负荷数据进行预处理可以是通过一定的处理规则将混乱无序的历史负荷数据进行标准化，得到历史负荷特征数据，以便于作为模型的输入数据进行预测。
27.s102、将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，以及将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负荷预测数据。
28.具体的，上述目标循环神经网络模型可以指完成训练之后的循环神经网络模型，在本实施例中，具体可以是完成训练后的目标gru(gated recurrent unit)模型。目标gru
模型相对lstm，其内部门控更少，参数也更少，且能够有效捕捉长序列之间的语义关联，缓解梯度消失或爆炸现象。在本实施例中，因历史负荷特征数据是基于时间序列的负荷数据，每个时间节点都对应有负荷数据，因此可以将历史负荷特征数据输入到目标gru模型中，通过目标gru模型捕捉时间序列下负荷数据之间的语义关联，从而实现未来一段时间内的负荷数据预测，最终从目标gru模型输出第一负荷预测数据。
29.更具体的，上述目标自回归移动平均模型可以指完成训练之后得到的自回归移动平均模型(目标arma模型)，目标arma模型可用于大量数据的回归分析和短期预测，由自回归(autoregressive，ar)模型和滑动平均(movingaverage，ma)模型组成。将预处理后的历史负荷特征数据输入到目标arma模型中进行训练后，最终从目标arma模型输出第二负荷预测数据。从而通过双模型对同一历史负荷数据实现了两次预测，输出两个负荷预测数据。
30.s103、通过bp神经网络算法对所述第一负荷预测数据以及所述第二负荷预测数据进行权重优化，得到第一目标权重以及第二目标权重。
31.具体的，上述bp神经网络是一种按误差反向传播(简称误差反传)训练的多层前馈网络，其算法称为bp算法(bp神经网络算法)，基本思想是梯度下降法，利用梯度搜索技术，以使网络的损失函数的期望值最小。最终调整网络的权重。bp神经网络包括输入层、隐藏层以及输出层，层与层之间包括权重以及偏置项参数，每层包括多个神经元，且隐藏层的层数可以根据需要自定义，在本实施例中以一层为例。
32.更具体的，为了提高负荷预测数据的精准度，在本实施例中，将第一负荷预测数据以及第二负荷预测数据作为bp神经网络算法的输入，通过多次迭代计算后，使得bp神经网络的参数配置达到最优，且损失函数的期望值最小，然后将对应参数配置最优且损失函数的期望值最小时网络的输入层到隐藏层的权重以及隐藏层到输出层的圈子分别作为第一负荷预测数据的第一目标权重以及第二负荷预测数据的第二目标权重。通过双模型计算出第一负荷预测数据以及第二负荷预测数据后分别配置目标权重，能够提高目标负荷预测数据的预测精准度。
33.s104、根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重计算目标负荷预测数据，并根据所述目标负荷预测数据确定线路风险指数。
34.具体的，最终可以将第一负荷预测数据与第一目标权重相乘以及将第二负荷预测数据与第二目标权重相乘然后求和，最终计算得到目标负荷预测数据。目标负荷预测数据与线路风险指数存在预设对应关系，例如：目标负荷预测数据在依次递增的范围a、b、c时，范围a、b、c分别对应的线路风险等级为低级、中级、高级；或者对应的线路风险等级为风险依次递增的1级、2级、3级。当然，也可以是其他表示形式，在此不做唯一限定。因此，根据目标负荷预测数据可以判断线路风险指数，实现线路风险评估，以便于能够提前根据判断结果制定线路控制策略。
35.在本发明实施例中，本发明通过预先对获取到的历史负荷数据进行预处理，能够获取到适应模型输入的历史负荷特征数据；且分别通过目标gru模型与目标arma模型对历史负荷特征数据实现双模型训练，输出第一负荷预测数据以及第二负荷预测数据，其中，目标gru模型参数少，数据计算的时间成本低，目标arma模型能够实现大量数据的回归分析和短期预测；最后，通过bp神经网络算法对第一负荷预测数据以及第二负荷预测数据进行权
重分配，通过多次更新迭代实现网络权重的优化，为第一负荷预测数据与第二负荷预测数据找到最优的第一目标权重与第二目标权重，最后结合第一负荷预测数据、第一目标权重、第二负荷预测数据以及第二目标权重计算目标负荷预测数据，根据目标负荷预测数据确定线路风险指数。所以，本技术通过结合双模型的方式进行预测，且为双模型的预测结果分别拟合到最优的权重之后再计算目标负荷预测数据，克服单一训练模型的局限性，能够通过双模型进行预测，能够捕捉到更精确的目标负荷预测数据，从而提高负荷预测结果的准确率以及线路风险评估的精度，进一步为制定对策提供有力的数据支撑，提高配网智能运维的效率。
36.可选的，上述步骤s101，包括：s1011、获取所述对象在不同工况下的所述历史负荷数据，包括获取线路周期负荷数据以及线路特殊工况负荷数据，所述线路特殊工况负荷数据包括日期节点负荷数据、天气节点负荷数据以及客户投诉工单负荷数据。
37.具体的，上述线路周期负荷数据可以包括预设时间范围内正常工况下和故障工况下线路的负荷数据，其中，预设时间范围可以是一个月、半个月、半年或年等。上述日期节点负荷数据可以包括由于重要活动的日期因素影响线路负荷变化产生的负荷数据。上述天气节点负荷数据可以包括由于天气因素影响线路负荷变化产生的负荷数据，例如：梅雨季、三伏天、冬天雪季等。上述客户投诉工单负荷数据可以指客户投诉工单上提供的负荷数据。此外，还可以获取一些随机事件和极端事件下线路的负荷数据，例如：设备损坏、超负荷断电、发生自然灾害事故时的负荷数据等。
38.s1012、根据预设的预处理规则，对所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据进行标准化。
39.具体的，因负荷数据的工况类型不一，为了实现标准化，可以设定预处理规则，基于预处理规则对不同工况类型进行标准处理，包括对日期节点负荷数据、天气节点负荷数据以及客户投诉工单负荷数据进行标准化处理，例如：将日期因素标定年月日为数字格式；天气因素用数字标定，好天气标定为1、一般天气标定为2、差天气标定为3，其中，好天气代表晴天、多云，一般天气代表为小雨、小雪，坏天气代表为大雨、大雪、大风、暴雨等恶劣天气；对客户投诉工单提取包括线路的文本，根据投诉工单中投诉线路的数据设定优先级，且优先处理高优先级的线路。
40.s1013、基于所述线路周期负荷数据以及标准化后的所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据构建样本数据集。
41.s1014、通过卷积神经网络对所述样本数据集中的数据进行特征提取，得到所述历史负荷特征数据。
42.具体的，可以将预设时间区间内正常工况下和故障工况下线路的负荷数据以及标准化后的日期节点负荷数据、天气节点负荷数据以及客户投诉工单负荷数据进行组合，基于时间序列构建特征样本数据集，通过卷积神经网络对特征样本数据集中的各个特征样本数据进行特征提取，以在高维空间中形成高维预测特征向量，也即是以向量表示的历史负荷特征数据，最终将历史负荷特征数据输入到目标gru模型以及目标arma模型进行预测。
43.在本实施例中，通过采集不同工况下的负荷数据，能够更方位的进行负荷数据预测，且通过对历史负荷数据进行预处理能够保证数据的标准化，便于目标gru模型以及目标
arma模型快速识别。
44.在一种可能得实施例中，在上述步骤s1012之前，还包括：s1015、获取预设时间区间内的所述客户投诉工单负荷数据。
45.s1016、根据预定的投诉内容关键词，对所述客户投诉工单负荷数据进行无关数据清除，以及合并相同投诉内容的客户投诉工单。
46.具体的，上述预设时间区间可以是一年、两年或三年等。上述客户投诉工单中可以包括投诉内容、投诉线路、负荷数据等，可以是客户主动提交，也可以是通过待预测主体主动向客户进行满意度调查获取。因并非所有的投诉内容都与配电网的设备的自身状态相关，因此可以对获取到的客户投诉工单中的无关数据进行清除。其中，与配电网的设备自身状态相关的投诉内容主要包括以下几个方面：1、供电可靠投诉，例如：夏季炎热，常为用电高峰期，在超负荷状态下，易出现频繁停电的现象，影响客户正常生产、生活用电，电力企业在执行预安排停电，因未充分合理科学安排工作或遇到雷雨天气等因素，导致延时复电，且未及时告知客户，可能引起客户投诉。2、供电质量投诉，例如：由于负荷的变动以及调压的不及时导致的电压高低波动等问题易引起客户投诉。3、供电安全投诉，例如：由于意外事件的发生导致负荷过载，设备残旧、线路跌落等安全隐患，或者由于设备噪音、散热、以及各种施工方面的问题引起的客户投诉。
47.更具体的，为了从大量的投诉工单中提取出与配电网设备自身状态相关的投诉工单，可以根据预定的投诉内容关键词进行筛选，例如：预定的投诉内容关键词为质量、安全、可靠、超负荷、设备损坏、停电、电压不稳等。基于预定的投诉内容关键词进行筛选后，可以排除无关数据的客户投诉工单，并提取得到相关的客户投诉工单。因存在投诉内容实质相同的工单，因此可以对投诉内容相同的客户投诉工单进行合并，并记录每种相关客户投诉工单的合并数据量，基于合并数量可以判断出各线路的投诉数量，根据投诉数量可以为线路配置优先级，优先级高的优先处理。
48.可选的，结合图2所示，在上述步骤s102中，所述将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，包括：s1021、构建所述历史负荷特征数据的时间序列，所述时间序列中包括多个时间节点，每个时间节点有对应的历史负荷特征数据。
49.s1022、将当前时间节点对应的历史负荷特征数据作为所述目标循环神经网络模型的特征输入数据，并初始化所述目标循环神经网络模型的权重系数。
50.s1023、根据当前时间节点的特征输入数据、上一时间节点的隐状态数据以及所述权重系数，通过双曲正切函数确定所述目标循环神经网络模型在当前时间节点的重置门与更新门。
51.s1024、根据当前时间节点的所述重置门与所述更新门，输出所述第一负荷预测数据。
52.具体的，上述时间序列可以是t＝(t-n，，，，，t-2，t-1，t)，n为小于t的正整数。时间序列中包括多个时间节点，且对应每个时间节点存在对应的历史负荷特征数据。若t为当前时间节点，当存在一个当前的输入负荷特征数据x
t
和上一个节点传递下来的隐状态h
t-1
，隐状态h
t-1
包含了之前节点的相关信息。结合x
t
和h
t-1
进行计算，把当前时间节点t对应的历史负荷特征数据作为目标gru模型的特征输入数据，会得到当前隐藏节点的输出y
t
和传递给
下一个节点的隐状态h
t
，输出的y
t
即为预测得到的第一负荷预测数据。目标gru模型的输入输出结构如图2所示。更具体的，首先，通过上一个节点传输下来的隐状态h
t-1
和当前节点的输入负荷特征数据x
t
来获取目标gru模型中的两个门控状态，如下公式(1)和(2)所示：r
t
＝tanh(wr·
[h
t-1
，x
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(1)z
t
＝tanh(wz·
[h
t-1
，x
t
])
ꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(2)其中，r
t
代表重置门(reset gate)，z
t
代表更新门(update gate)，wr、wz分别代表权重矩阵(权重系数)，tanh为双曲正切函数。
[0053]
通过将x
t
和h
t-1
拼接进行线性变换，再经过双曲正切函数激活，将重置门的值作用在隐状态h
t-1
上，可以将目标gru模型的重置门以及更新门的数据转换到[-1，1]范围内，实现归一化处理。将r
t
的值用于隐藏状态的公式(3)中，如下：h
′
t
＝tanh(w
·
[r
t
*h
t-1
，x
t
])
ꢀꢀꢀꢀꢀꢀ
(3)其中，w表示隐藏状态下的权重。
[0054]
结合上述公式(3)、h
t-1
、z
t
可以得到当前节点的隐状态h
t
，如下式(4)所示：h
t
＝(1-z
t
)*h
t-1
+z
t
*h
′
t
ꢀꢀꢀ
(4)具体的，上述重置门r
t
的作用有助于捕捉时间序列里短期的依赖关系，重置门r
t
的值越小，则与h
t-1
的乘积越小，h
t-1
的信息添加到候选状态就越少。更新门z
t
用于控制前一节点的状态信息被带入到当前状态中的程度，能够帮助目标gru模型决定要将多少上一节点传递的负荷特征数据传递到当前节点中，当(1-z
t
)越大，保留的负荷特征数据就越多。上述目标gru模型不会随时间而清除以前的信息，它会保留相关的信息并传递到下一个节点。最终计算得到的当前节点的隐状态h
t
即为目标gru模型最终输出的第一负荷预测数据。
[0055]
在一些实施例中，在上述步骤s102中，在所述将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负荷预测数据之前，还包括：s1025、根据所述历史负荷特征数据的时间序列计算自相关系数以及偏自相关系数，并基于所述自相关系数以及所述偏自相关系数的拖尾或截尾确定目标模型的类型。
[0056]
s1026、对所述目标模型中的参数进行预估检验，优化所述历史负荷特征数据的时间序列平稳性，其中，包括对所述目标模型的确定性因素参数分析以及对模型的随机时序参数分析。
[0057]
s1027、通过所述目标模型根据平稳性优化后的所述历史负荷特征数据的时间序列进行拟合，构建得到所述目标自回归移动平均模型。
[0058]
具体的，上述自相关系数(acf，autocorrelation function)可以表示度量历史负荷特征数据对现在产生的影响，偏自相关系数(pacf，partial autocorrelation function)可以指在自相关系数的基础上，在计算相关性时移除了中间变量的间接影响。将历史负荷特征数据的时间序列作为输入，基于自相关系数的计算方式以及偏自相关系数的计算方式可以得到自相关计算结果，根据自相关计算结果可以确定acf图和pacf图，然后根据acf图和pacf图的拖尾或者截尾，建立适合的ar(p)模型、ma(q)模型、arma(p,q)模型，根据ar(p)模型、ma(q)模型、arma(p,q)模型可以确定对应历史负荷特征数据的时间序列的目标模型。进一步对目标模型中的未知参数进行估计及检验，检验通过后表示目标arma模型构建完成。其中，因获取的历史负荷特征数据大多情况下是非平稳的数据，因而需要对非平稳的历史负荷特征数据进行分析。其中，可以把对非平稳的历史负荷特征数据的时间序列
的分析分为两类：确定性因素参数分析：可以指把历史负荷特征数据的所有时间序列的变化归结于长期趋势、循环变动和随机波动3个因素的综合影响。其中，长期趋势通常是根据历史负荷的数据经验来进行合理推测，循环变动可以包含日期节点因素和天气节点因素带来的影响，随机波动可以包含一些随机事件和极端事件所带来的影响。循环变动和随机波动的随机性较大，难以确定和分析，通常会造成目标模型拟合效果达不到最佳。
[0059]
第二，随机时序参数分析：为了弥补确定性参数分析的不足，可以使用随机序列模型来进行分析。在本实施例中，具体方式为通过建立arima模型，对非平稳的时间序列进行分析，将非平稳的时间序列转化为平稳的时间序列，然后再进行时间序列的建模。其中，arima为差分运算和arma模型的组合。通过将相距一定距离的两个时间序列的值进行减法运算后，非平稳序列就会显示出平稳数据的特征，这时称这个序列为差分平稳序列，然后用目标模型进行拟合，最终构建得到目标arma模型。其中，差分平稳序列即平稳性优化后的历史负荷特征数据的时间序列。具体流程框图如图3所示。
[0060]
可选的，结合图4所示，上述步骤s103包括：s1031、分别将所述第一负荷预测数据与所述第二负荷预测数据输入所述bp神经网络算法的输入层，结合输入层到隐藏层的参数以及隐藏层到输出层的参数，构建bp神经网络算法模型，所述参数包括权重及偏置项。
[0061]
s1032、初始化所述bp神经网络算法模型的权重及偏置项，并通过反向传播多次迭代各层输出以及损失函数的期望值。
[0062]
s1033、根据所述损失函数的期望值，确定所述bp神经网络算法模型中输入层到隐藏层的参数误差项，以及隐藏层到输出层的参数误差项。
[0063]
s1034、根据输入层到隐藏层的参数误差项以及隐藏层到输出层的参数误差项，更新所述bp神经网络算法模型中各层之间的权重和偏置项，直到满足预设迭代条件后，停止更新，并得到所述第一目标权重和所述第二目标权重，以及第一偏置项和第二偏置项。
[0064]
具体的，bp神经网络算法包括输入层、隐藏层以及输出层，输入层与隐藏层之间、隐藏层与输出层之间分别包括有权重与偏置项。若设定输入层到隐藏层的权重与偏置项分别为w和b1，隐藏层到输出层的权重与偏置项分别为v和b2，激活函数为g1与g2。此时，目标gru模型输出的第一负荷预测数据与目标arma模型输出的第二负荷预测数据(arma样本)作为输入层的输入数据，将得到bp神经网络中输入层到隐藏层以及隐藏层到输出层的计算公式如公式(5)与(6)所示：net1＝w
t
x+b1，h＝g1(net1)
ꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀꢀ
(5)其中，x为第一负荷预测数据与第二负荷预测数据构成的向量，h表示激活函数激活后的值，y表示bp神经网络算法模型的输出值。
[0065]
结合上述公式(5)与(6)进行转换，可以构建得到bp神经网络算法模型如公式(7)所示：然后对bp神经网络算法模型中的权重以及偏置项分别进行初始化，分别记为：
通过激活向前传播，可以得到bp神经网络算法模型中各层的输出值以及损失函数的期望值，根据各层的输出值与期望值可以计算误差。其中，损失函数如公式(8)所示：根据损失函数进行反向传播及多次迭代后，可以计算bp神经网络算法模型的输出层的误差项以及隐藏层的误差项，其中：输出层的误差项具体可以是计算损失函数关于输出层的梯度值或偏导数，如式(9)，根据链式法则有：隐藏层的误差项具体可以是计算损失函数关于隐藏层的梯度值或偏导数，如式(10)，根据链式法则有：然后，根据输出层的误差项和隐藏层的误差项对bp神经网络算法模型中的输出层及隐藏层的权重以及偏置项进行更新，如下式(11)、(12)所示：及隐藏层的权重以及偏置项进行更新，如下式(11)、(12)所示：式中，η表示学习率，k＝1，2，3，...，n，k表示更新次数或迭代次数，k＝1表示第一次更新，以此类推。
[0066]
具体的，上述预设迭代条件可以包括更新次数阈值、迭代次数阈值，误差阈值等，当每次迭代之后，可以将更新次数、迭代次数、损失函数计算的误差与预设迭代条件进行比较判断，满足预设迭代条件的情况下便可以停止更新。此时，将得到bp神经网络算法模型的第一目标权重和所述第二目标权重，以及第一偏置项和第二偏置项，并将最后更新得到的两个权重分别作为第一负荷预测数据的第一目标权重，以及第二负荷数据的第二目标权重。
[0067]
可选的，上述步骤s104，包括：s1041、若所述损失函数的期望值满足所述预设期望值，则根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重确定所述目标负荷预测数据，其中，所述第一目标权重与所述第二目标权重之和等于1。
[0068]
s1042、基于预设的负荷数据与风险指数对应关系，根据所述目标负荷预测数据确定所述线路风险指数。
[0069]
具体的，计算目标负荷预测数据y
t
的计算公式如下式(13)所示：
其中，f
it
{i＝1，2}包括第一负荷预测数据以及第二负荷预测数据，wi{i＝1，2}包括第一负荷预测数据的第一目标权重与第二负荷预测数据的第二目标权重。
[0070]
其中，计算得到目标负荷预测数据y
t
后，便可以根据预设的负荷数据与风险指数对应关系，确定路线对应的路线风险指数，实现线路风险评估，为提前制定对策提供有力的数据支撑，以便运维人员能够提前根据路线风险指数制定线路控制策略，例如：增加负荷供应、线路检修等。
[0071]
实施例二如图5所示，图5为对应一种基于双训练权重分配模型的线路风险评估方法提出的一种基于双训练权重分配模型的线路风险评估装置，所述装置50包括：获取模块501，用于获取对象在不同工况下的历史负荷数据，对所述历史负荷数据进行预处理，得到历史负荷特征数据；训练模块502，用于将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，以及将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负荷预测数据；优化模块503，用于通过bp神经网络算法对所述第一负荷预测数据以及所述第二负荷预测数据进行权重优化，得到第一目标权重以及第二目标权重；计算模块504，用于根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重计算目标预测数据，并根据所述目标预测数据确定线路风险指数。
[0072]
可选的，获取模块501具体用于：获取所述对象在不同工况下的所述历史负荷数据，包括获取线路周期负荷数据以及线路特殊工况负荷数据，所述线路特殊工况负荷数据包括日期节点负荷数据、天气节点负荷数据以及客户投诉工单负荷数据；根据预设的预处理规则，对所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据进行标准化；基于所述线路周期负荷数据以及标准化后的所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据构建样本数据集；通过卷积神经网络对所述样本数据集中的数据进行特征提取，得到所述历史负荷特征数据。
[0073]
可选的，装置50还包括：工单获取模块，用于获取预设时间区间内的所述客户投诉工单负荷数据；筛选模块，用于根据预定的投诉内容关键词，对所述客户投诉工单负荷数据进行无关数据清除，以及合并相同投诉内容的客户投诉工单。
[0074]
可选的，训练模块502具体用于：构建所述历史负荷特征数据的时间序列，所述时间序列中包括多个时间节点，每个时间节点有对应的历史负荷特征数据；
将当前时间节点对应的历史负荷特征数据作为所述目标循环神经网络模型的特征输入数据，并初始化所述目标循环神经网络模型的权重系数；根据当前时间节点的特征输入数据、上一时间节点的隐状态数据以及所述权重系数，通过双曲正切函数确定所述目标循环神经网络模型在当前时间节点的重置门与更新门；根据当前时间节点的所述重置门与所述更新门，输出所述第一负荷预测数据。
[0075]
可选的，装置50还包括：模型确定模块，用于根据所述历史负荷特征数据的时间序列计算自相关系数以及偏自相关系数，并基于所述自相关系数以及所述偏自相关系数的拖尾或截尾确定目标模型的类型；平稳分析模块，用于对所述目标模型中的参数进行预估检验，优化所述历史负荷特征数据的时间序列平稳性，其中，包括对所述目标模型的确定性因素参数分析以及对模型的随机时序参数分析；拟合模块，用于通过所述目标模型根据平稳性优化后的所述历史负荷特征数据的时间序列进行拟合，构建得到所述目标自回归移动平均模型。
[0076]
可选的，优化模块503具体用于：分别将所述第一负荷预测数据与所述第二负荷预测数据输入所述bp神经网络算法的输入层，结合输入层到隐藏层的参数以及隐藏层到输出层的参数，构建bp神经网络算法模型，所述参数包括权重及偏置项；初始化所述bp神经网络算法模型的权重及偏置项，并通过反向传播多次迭代各层输出以及损失函数的期望值；根据所述损失函数的期望值，确定所述bp神经网络算法模型中输入层到隐藏层的参数误差项，以及隐藏层到输出层的参数误差项；根据输入层到隐藏层的参数误差项以及隐藏层到输出层的参数误差项，更新所述bp神经网络算法模型中各层之间的权重和偏置项，直到满足预设迭代条件后，停止更新，并得到所述第一目标权重和所述第二目标权重，以及第一偏置项和第二偏置项。
[0077]
可选的，计算模块504具体用于：若所述损失函数的期望值满足所述预设期望值，则根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重确定所述目标负荷预测数据，其中，所述第一目标权重与所述第二目标权重之和等于1；基于预设的负荷数据与风险指数对应关系，根据所述目标负荷预测数据确定所述线路风险指数。
[0078]
本发明实施例提供的一种基于双训练权重分配模型的线路风险评估装置能够实现上述方法实施例中一种基于双训练权重分配模型的线路风险评估方法实现的各个过程，且可以达到相同的有益效果，为避免重复，这里不再赘述。
[0079]
参见图6，图6是本发明实施例提供的一种电子设备的结构示意图，如图6所示，包括：存储器602、处理器601及存储在存储器602上并可在处理器601上运行的数据管理方法的计算机程序。本发明实施例提供的电子设备能够实现上述方法实施例中一种基于双训练权重分配模型的线路风险评估方法实现的各个过程，且可以达到相同的有益效果，为避免
重复，这里不再赘述。
[0080]
需要指出的是，本技术领域技术人员可以理解，这里的电子设备是一种能够按照事先设定或存储的指令，自动进行数值计算和/或信息处理的设备，其硬件包括但不限于微处理器、专用集成电路(application specific integrated circuit，asic)、可编程门阵列(field－programmable gatearray，fpga)、数字处理器(digital signal processor，dsp)、嵌入式设备等。电子设备可以是桌上型计算机、笔记本、掌上电脑及云端服务器等计算设备。电子设备可以通过键盘、鼠标、遥控器、触摸板或声控设备等方式进行人机交互。
[0081]
本发明实施例还提供一种计算机可读存储介质，计算机可读存储介质上存储有计算机程序，该计算机程序被处理器执行时实现本发明实施例提供的一种基于双训练权重分配模型的线路风险评估方法的各个过程，且能达到相同的技术效果，为避免重复，这里不再赘述。
[0082]
需要说明的是，可读存储介质包括闪存、硬盘、多媒体卡、卡型存储器(例如，sd或dx存储器等)、随机访问存储器(ram)、静态随机访问存储器(sram)、只读存储器(rom)、电可擦除可编程只读存储器(eeprom)、可编程只读存储器(prom)、磁性存储器、磁盘、光盘等。在一些实施例中，存储器可以是电子设备的内部存储单元，例如该电子设备的硬盘或内存。在另一些实施例中，存储器也可以是电子设备的外部存储设备，例如该电子设备上配备的插接式硬盘，智能存储卡(smart media card,smc)，安全数字(secure digital,sd)卡，闪存卡(flash card)等。当然，存储器还可以既包括电子设备的内部存储单元也包括其外部存储设备。本实施例中，存储器通常用于存储安装于电子设备的操作系统和各类应用软件，例如一种基于双训练权重分配模型的线路风险评估方法的程序代码等。此外，存储器还可以用于暂时地存储已经输出或者将要输出的各类数据。
[0083]
本领域普通技术人员可以理解实现上述实施例方法中的全部或部分流程，是可以通过计算机程序来指令相关的硬件来完成的，程序可存储于一计算机可读取存储介质中，该程序在执行时，可包括如上述各方法的实施例的流程。
[0084]
以上所述具体实施方式为本发明一种基于双训练权重分配模型的线路风险评估方法的较佳实施方式，并非以此限定本发明的具体实施范围，本发明的范围包括并不限于本具体实施方式，凡依照本发明之形状、结构所作的等效变化均在本发明的保护范围内。

技术特征：
1.一种基于双训练权重分配模型的线路风险评估方法，其特征在于，所述方法包括以下步骤：获取对象在不同工况下的历史负荷数据，对所述历史负荷数据进行预处理，得到历史负荷特征数据；将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，以及将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负荷预测数据；通过bp神经网络算法对所述第一负荷预测数据以及所述第二负荷预测数据进行权重优化，得到第一目标权重以及第二目标权重；根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重计算目标负荷预测数据，并根据所述目标负荷预测数据确定线路风险指数。2.如权利要求1所述的一种基于双训练权重分配模型的线路风险评估方法，其特征在于，所述获取对象在不同工况下的历史负荷数据，对所述历史负荷数据进行预处理，得到历史负荷特征数据，包括：获取所述对象在不同工况下的所述历史负荷数据，包括获取线路周期负荷数据以及线路特殊工况负荷数据，所述线路特殊工况负荷数据包括日期节点负荷数据、天气节点负荷数据以及客户投诉工单负荷数据；根据预设的预处理规则，对所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据进行标准化；基于所述线路周期负荷数据以及标准化后的所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据构建样本数据集；通过卷积神经网络对所述样本数据集中的数据进行特征提取，得到所述历史负荷特征数据。3.如权利要求2所述的一种基于双训练权重分配模型的线路风险评估方法，其特征在于，在所述根据预设的预处理规则，对所述日期节点负荷数据、所述天气节点负荷数据以及所述客户投诉工单负荷数据进行标准化之前，方法还包括：获取预设时间区间内的所述客户投诉工单负荷数据；根据预定的投诉内容关键词，对所述客户投诉工单负荷数据进行无关数据清除，以及合并相同投诉内容的客户投诉工单。4.如权利要求1所述的一种基于双训练权重分配模型的线路风险评估方法，其特征在于，所述将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，包括：构建所述历史负荷特征数据的时间序列，所述时间序列中包括多个时间节点，每个时间节点有对应的历史负荷特征数据；将当前时间节点对应的历史负荷特征数据作为所述目标循环神经网络模型的特征输入数据，并初始化所述目标循环神经网络模型的权重系数；根据当前时间节点的特征输入数据、上一时间节点的隐状态数据以及所述权重系数，通过双曲正切函数确定所述目标循环神经网络模型在当前时间节点的重置门与更新门；根据当前时间节点的所述重置门与所述更新门，输出所述第一负荷预测数据。5.如权利要求4所述的一种基于双训练权重分配模型的线路风险评估方法，其特征在于，在所述将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负
荷预测数据之前，所述方法还包括：根据所述历史负荷特征数据的时间序列计算自相关系数以及偏自相关系数，并基于所述自相关系数以及所述偏自相关系数的拖尾或截尾确定目标模型的类型；对所述目标模型中的参数进行预估检验，优化所述历史负荷特征数据的时间序列平稳性，其中，包括对所述目标模型的确定性因素参数分析以及对模型的随机时序参数分析；通过所述目标模型根据平稳性优化后的所述历史负荷特征数据的时间序列进行拟合，构建得到所述目标自回归移动平均模型。6.如权利要求1至5中任一所述的一种基于双训练权重分配模型的线路风险评估方法，其特征在于，所述bp神经网络算法包括输入层、隐藏层以及输出层，所述通过bp神经网络算法对所述第一负荷预测数据以及所述第二负荷预测数据进行权重优化，包括：分别将所述第一负荷预测数据与所述第二负荷预测数据输入所述bp神经网络算法的输入层，结合输入层到隐藏层的参数以及隐藏层到输出层的参数，构建bp神经网络算法模型，所述参数包括权重及偏置项；初始化所述bp神经网络算法模型的权重及偏置项，并通过反向传播多次迭代各层输出以及损失函数的期望值；根据所述损失函数的期望值，确定所述bp神经网络算法模型中输入层到隐藏层的参数误差项，以及隐藏层到输出层的参数误差项；根据输入层到隐藏层的参数误差项以及隐藏层到输出层的参数误差项，更新所述bp神经网络算法模型中各层之间的权重和偏置项，直到满足预设迭代条件后，停止更新，并得到所述第一目标权重和所述第二目标权重，以及第一偏置项和第二偏置项。7.如权利要求6所述的一种基于双训练权重分配模型的线路风险评估方法，其特征在于，所述根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重计算目标负荷预测数据，并根据所述目标负荷预测数据确定线路风险指数，包括：若所述损失函数的期望值满足所述预设期望值，则根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重确定所述目标负荷预测数据，其中，所述第一目标权重与所述第二目标权重之和等于1；基于预设的负荷数据与风险指数对应关系，根据所述目标负荷预测数据确定所述线路风险指数。8.一种基于双训练权重分配模型的线路风险评估装置，其特征在于，所述装置包括：获取模块，用于获取对象在不同工况下的历史负荷数据，对所述历史负荷数据进行预处理，得到历史负荷特征数据；训练模块，用于将所述历史负荷特征数据输入目标循环神经网络模型进行训练，得到第一负荷预测数据，以及将所述历史负荷特征数据输入目标自回归移动平均模型进行训练，得到第二负荷预测数据；优化模块，用于通过bp神经网络算法对所述第一负荷预测数据以及所述第二负荷预测数据进行权重优化，得到第一目标权重以及第二目标权重；计算模块，用于根据所述第一负荷预测数据、所述第一目标权重、所述第二负荷预测数据以及所述第二目标权重计算目标预测数据，并根据所述目标预测数据确定线路风险指数。
9.一种电子设备，其特征在于，包括：存储器、处理器及存储在所述存储器上并可在所述处理器上运行的计算机程序，所述处理器执行所述计算机程序时实现如权利要求1至7中任一项所述的一种基于双训练权重分配模型的线路风险评估方法中的步骤。10.一种计算机可读存储介质，其特征在于，所述计算机可读存储介质上存储有计算机程序，所述计算机程序被处理器执行时实现如权利要求1至7中任一项所述的一种基于双训练权重分配模型的线路风险评估方法中的步骤。

技术总结
本发明公开一种基于双训练权重分配模型的线路风险评估方法及装置，涉及配电网线路风险预测技术领域，方法包括：获取对象在不同工况下的历史负荷数据，对历史负荷数据进行预处理，得到历史负荷特征数据，并输入目标循环神经网络模型以及目标自回归移动平均模型进行训练，分别得到第一负荷预测数据与第二负荷预测数据；通过BP神经网络算法对第一负荷预测数据以及第二负荷预测数据进行权重优化，得到第一目标权重与第二目标权重；根据第一负荷预测数据、第一目标权重、第二负荷预测数据以及第二目标权重计算目标负荷预测数据并确定线路风险指数。本发明能够捕捉到更精确的目标负荷预测数据，从而提高负荷预测结果的准确率以及线路风险评估的精度。线路风险评估的精度。线路风险评估的精度。


技术研发人员：王晔辰 卢纯义 黄健 杨震 侯虎成 于津 吕默影 范彬彬 张元吉 刘晓谦 郑腾飞 吴敏航 宋俊杰
受保护的技术使用者：国网浙江省电力有限公司金华供电公司
技术研发日：2023.04.21
技术公布日：2023/9/14