多源停电预测模型构建方法、系统、终端及存储介质与流程

本发明属于机器学习，具体涉及一种多源停电预测模型构建方法、系统、终端及存储介质。

背景技术：

1、随着社会的不断发展和科技的进步，电力已经成为现代社会不可或缺的基础设施。然而，停电事件给人们的生活和生产带来了严重的影响，不仅会给经济带来巨大的损失，还可能对公共安全和社会稳定产生严重影响。因此，对停电风险进行预警显得尤为重要。

2、现有的停电风险预警技术主要有以下几类：

3、基于气象因素的预警系统： 这种系统通常利用气象数据，如雷暴、大风、冰雪等天气状况，对电网可能遭受的影响进行预警。典型的应用有利用雷达和卫星数据预测雷暴活动，通过风速传感器监测大风情况等。

4、基于负载预测的预警系统：通过分析历史负载数据和用电规律，预测未来的负载变化情况，并根据预测结果进行预警。例如，利用大数据分析技术，对电力负载进行趋势分析和短期预测，以判断未来可能的负载峰值和波动。

5、综上所述，目前停电风险预警通常是基于单一因素的监测和分析，这种单因素预警的方法容易忽略其他可能导致停电的因素，无法全面评估停电风险，预警准确性不高，存在误报漏报的情况，影响应急措施的及时性和有效性。

技术实现思路

1、针对现有技术的上述不足，本发明提供一种多源停电预测模型构建方法、系统、终端及存储介质，以解决上述技术问题。

2、第一方面，本发明提供一种多源停电预测模型构建方法，包括：

3、获取台区气象数据、电网运行数据和停电记录数据；

4、挖掘台区气象数据、电网运行数据中与停电记录数据具有相关性的特征项，基于所述特征项从台区气象数据、电网运行数据筛选出训练数据；

5、对所述训练数据进行扩充，得到数据集；

6、构建停电预测模型，所述停电预测模型包括第一子模型和第二子模型，所述第一子模型的输出参数为电网运行特征值，所述第二子模型的输入层包括电网运行特征值和气象特征值；

7、利用所述数据集对所述停电预测模型进行训练，得到多源停电预测模型。

8、在一个可选的实施方式中，挖掘台区气象数据、电网运行数据中与停电记录数据具有相关性的特征项，基于所述特征项从台区气象数据、电网运行数据筛选出训练数据，包括：

9、基于台区气象数据统计气象样本数据，所述气象样本数据包括周平均风速，周最大风速，周平均降雨量，周最大降雨量，一周内的雷电天数，周平均温度，周平均湿度；

10、基于电网运行数据解析运行样本数据，所述运行样本数据包括各用户的月最大负载率、月最小负载率、月空载发生次数、月轻载发生次数、月过载发生次数、月最大三相不平衡度、月三相不平衡发生次数、月负荷率，月峰谷差率；

11、基于停电记录数据解析停电样本数据，所述停电样本数据包括台区周停电次数和单个用户的月停电次数；

12、对气象样本数据、运行样本数据及停电样本数据进行预处理；

13、计算预处理后的气象样本数据、运行样本数据与停电样本数据的皮尔逊相关系数，并基于相关系数筛选出特征项；

14、从台区气象数据、电网运行数据中提取特征项对应的特征数据，并提取与特征数据同一时间维度的停电记录，将提取的数据保存为训练数据，所述训练数据的时间尺度为日。

15、在一个可选的实施方式中，对所述训练数据进行扩充，得到数据集，包括：

16、为每个特征项设置对应的噪声水平，并基于所述噪声水平为特征项生成随机噪声；

17、对于每个停电事件样本，遍历其所有特征值，并将相应的随机噪声加到相应的特征值上，得到新样本；

18、利用timegan模型基于所述新样本生成模拟数据；

19、利用核密度函数计算每种特征的数据分布的高密度数据区域，并筛选出处于高密度数据区域中的模拟数据作为有效数据；

20、将所述有效数据添加至所述新样本，得到数据集。

21、在一个可选的实施方式中，所述第一子模型包括：

22、stacking模型，所述stacking模型的机模型包括lstm模型和xgboost模型。

23、在一个可选的实施方式中，所述第二子模型为贝叶斯神经网络模型，所述贝叶斯神经网络模型的输入层包括电网运行特征值和气象特征值；

24、所述第一子模型与所述第二子模型处于tensorflow框架中。

25、第二方面，本发明提供一种多源停电预测模型构建系统，包括：

26、数据获取模块，用于获取台区气象数据、电网运行数据和停电记录数据；

27、特征挖掘模块，用于挖掘台区气象数据、电网运行数据中与停电记录数据具有相关性的特征项，基于所述特征项从台区气象数据、电网运行数据筛选出训练数据；

28、数据扩充模块，用于对所述训练数据进行扩充，得到数据集；

29、模型构建模块，用于构建停电预测模型，所述停电预测模型包括第一子模型和第二子模型，所述第一子模型的输出参数为电网运行特征值，所述第二子模型的输入层包括电网运行特征值和气象特征值；

30、模型训练模块，用于利用所述数据集对所述停电预测模型进行训练，得到多源停电预测模型。

31、在一个可选的实施方式中，所述特征挖掘模块包括：

32、气象统计单元，用于基于台区气象数据统计气象样本数据，所述气象样本数据包括周平均风速，周最大风速，周平均降雨量，周最大降雨量，一周内的雷电天数，周平均温度，周平均湿度；

33、运行统计单元，用于基于电网运行数据解析运行样本数据，所述运行样本数据包括各用户的月最大负载率、月最小负载率、月空载发生次数、月轻载发生次数、月过载发生次数、月最大三相不平衡度、月三相不平衡发生次数、月负荷率，月峰谷差率；

34、停电统计单元，用于基于停电记录数据解析停电样本数据，所述停电样本数据包括台区周停电次数和单个用户的月停电次数；

35、预处理单元，用于对气象样本数据、运行样本数据及停电样本数据进行预处理；

36、相关计算单元，用于计算预处理后的气象样本数据、运行样本数据与停电样本数据的皮尔逊相关系数，并基于相关系数筛选出特征项；

37、数据提前单元，用于从台区气象数据、电网运行数据中提取特征项对应的特征数据，并提取与特征数据同一时间维度的停电记录，将提取的数据保存为训练数据，所述训练数据的时间尺度为日。

38、在一个可选的实施方式中，所述第一子模型包括：

39、stacking模型，所述stacking模型的机模型包括lstm模型和xgboost模型。

40、第三方面，提供一种终端，包括：

41、处理器、存储器，其中，

42、该存储器用于存储计算机程序，

43、该处理器用于从存储器中调用并运行该计算机程序，使得终端执行上述的终端的方法。

44、第四方面，提供了一种计算机存储介质，所述计算机可读存储介质中存储有指令，当其在计算机上运行时，使得计算机执行上述各方面所述的方法。

45、本发明的有益效果在于，本发明提供的多源停电预测模型构建方法、系统、终端及存储介质，综合考虑了影响停电的多种因素，从而提高了停电预测的全面性。此外，通过挖掘特征、扩充训练样本提升了训练样本数量，此外通过双层模型结构，实现基于气象数据和用电数据的停电预测。

46、此外，本发明设计原理可靠，结构简单，具有非常广泛的应用前景。