雷电动态预测下电网的易损性预警方法及系统与流程

1.本发明属于电力系统风险与防控领域，具体涉及雷电动态预测下电网的易损性预警方法及系统。


背景技术：

2.我国大部分地区雷电活动频发，并且雷击是引起输电线路跳闸最主要的原因，故而当部分重要输电通道地处雷电活动高发、地形地貌复杂的区域时，雷击引发多回同跳等严重电网事故的风险便客观存在。在雷电天候下完全停运联络线的做法成本过高，但在不停运线路的情况下一旦雷击跳闸事件发生，不仅会造成直接经济损失，同时因重要线路故障，潮流发生转移，可能会造成严重的连锁故障，代价同样高昂。
3.在雷电预测的结果下，如何针对雷电风险对电网进行易损性预警，同时采用相应的动态防雷方法，是电网防雷的重要研究方向。雷电风险下易损性预警使得电网在雷电事故下网络能保持安全稳定运行而减少负荷损失，在重大雷电事故下可避免大量损失负荷，甚至防止电网解列的能力。在传统电网事故下，电网系统可通过网络重构达到在偶发事故下减少负荷损失的能力，改善系统的易损性；在动态防雷过程中，系统可通过电网动态拓扑调整和关键设施法拉第笼构建保证重要用户不间断供电来达到增强网络抗风险能力，改善电网系统的易损性。


技术实现要素：

4.为解决现有技术中存在的不足，本发明的目的在于，提供一种雷电动态预测下电网的易损性预警方法及系统。
5.本发明采用如下的技术方案：雷电动态预测下电网的易损性预警方法，包括以下步骤：步骤1，采集气象历史数据与落雷历史数据；其中，气象历史数据包括气温、气压、降水、风速、风向与湿度数据；落雷历史数据包括含雷电流幅值、雷击过电流极性、落雷有效放电次数；步骤2，对步骤1采集的数据进行预处理；步骤3，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率；步骤4，选择落雷预测概率最大的线路为雷电分区重点线路；步骤5，建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源负荷节点对间的二端口输入阻抗；步骤6，建立改进的网供能力模型，计算全局网供能力；步骤7，计算重点线路跳闸后全局网供能力变化量，得出雷电动态预测下的每条重点线路跳闸后的电网全局易损性指标，实现雷电预警。
6.步骤2包括以下内容：
步骤201，对采集的数据进行清洗；步骤202，对清洗好的数据进行标准化处理和离散化处理。
7.在步骤201中，对采集的数据中的异常值进行替换，再采用拉格朗日插值法补充缺失值；其中正常值与异常值的划分方式为：定义间距:其中，为间距，表示间距上限值，气象历史数据与落雷历史数据分别有的数据大于，表示间距下限值，气象历史数据与落雷历史数据分别有的数据小于；根据间距，定义上下界：根据间距，定义上下界：为正常数据下界，为正常数据上界，在上下界范围内的为正常值；在上下界之外的为异常值，对其选用边界值进行代替。
8.在步骤202中，标准化的方法为：在步骤202中，标准化的方法为：其中，表示标准化后数据，表示标准化前数据，表示标准化前数据的均值，表示标准化前的标准差，表示数据总量；对数据进行离散化处理的方法为：，其中，表示离散化处理后描述气象历史数据间相关性强度的系数，表示总的样本数，表示样本类别数，表示离散后区间数，表示属于区间类别为的样本数量，表示类别是的
样本数量，表示属于区间的样本数量，区间代表样本取值范围，是样本最小值，是样本最大值；区间的求取方法是将所有样本的数据升序排列后，再按照样本类别进行分类得到的区间；计算排序后相邻样本的中点，将所有中点作为断点放入断点集；初始化断点集，其为包含与两个断点的集合，此时的值为0；选取一个不属于但属于中的断点加入到中，计算此时的值，将该断点从中拿出；再取一个不属于但属于中的其他断点加入到中，计算此时的值，再将其拿出；重复该方法，直到所有断点都被加入过计算过值后，比较之前计算过的所有值，选择能使值最大的断点将其保留在中；此时中有三个断点，计算此时的不一致率，方法为：其中，是样本数量最多的对应的类别号；如果小于阈值，则输出此时的，即离散化数据集，否则使用上述方法往加入第四个断点，计算不一致率比较其与阈值的大小；一直往加入断点直至不一致率小于阈值，输出此时的，即离散化数据集。
9.步骤3包括以下内容：步骤301，构建深度学习网络；步骤302，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，当模型训练的损失值变化连续3次在0.01以内完成训练，得到训练好的落雷概率预测模型；步骤303，实时采集气象数据，使用步骤2的预处理方法对气象数据进行预处理后，输入至训练好的落雷概率预测模型训练得到落雷预测概率。
10.在步骤301中，每个深度学习网络至少为一层，每层至少由两个神经元构成，每个神经元包括一个输入门、一个遗忘门、一个候选层以及一个输出门；每一个神经元接受上一时刻的学习单元状态、上一时刻的输出以及本时刻的输入，计
算得到本时刻的学习单元状态以及本时刻的输出；模型训练的损失函数：其中n为训练样本数量；为预测值，为真实值。
11.输入门满足以下关系式：其中，表示激活函数，表示输入门本时刻输入的权重，表示输入门本时刻输出的权重，表示输入门本时刻输出的补偿项；遗忘门满足以下关系式：其中，表示遗忘门本时刻输入的权重，表示遗忘门本时刻输出的权重，表示遗忘门本时刻输出的补偿项；输出门满足以下关系式：其中，表示输出门本时刻输入的权重，表示输出门本时刻输出的权重，表示输出门本时刻输出的补偿项；候选层满足以下关系式：其中，表示候选层本时刻输入的权重，表示候选层本时刻输出的权重；本时刻的学习单元状态满足以下关系式：其中，表示按位乘，表示按位加；本时刻的输出满足以下关系式：满足以下关系式：皆为在模型训练过程中不断更新的参数，更新目标是为了使得模型训练的损失函数值最小。
12.激活函数满足以下关系式：其中，表示激活函数的输入值。
13.在步骤5中，所述电网网络的加权拓扑模型将所有电厂、变电站和负荷都看作网络中的节点，在合并双回线路并改进参数的情况下，从而定义一个矩阵[a
ij
]，如果i，j之间有线路或者变压器进行电气连接，就让a
ij
为1，若其中没有直接电气连接，则将a
ij
赋值为0；将电网中的变压器合线路看作边，将每个边的权重值定义为电网中线路的等值电抗值或者该线路输送中的有功功率，同时定义从电源指向负荷的流动方向为边的方向。
[0014]
在步骤5中，各个电源负荷节点对间的二端口输入阻抗满足以下关系式：式中，——节点阻抗矩阵中节点i的自阻抗；——节点阻抗矩阵中节点j的自阻抗；——节点阻抗矩阵中节点i，j的互阻抗；——节点i，j间二端口网络输入阻抗。
[0015]
在所述步骤6中，网供能力模型满足以下关系式：网供能力模型可表示为：其中，为网供能力指标；，——电源节点和负荷节点的数目；——电源节点所在的集合；——负荷节点所在的集合；——电源节点i与节点j之间的加权距离；的值越小，说明电源点和负荷点的电气距离越小，这两个节点间传输电能的效率也越高。
[0016]
在步骤6中，全局网供能力满足以下关系式：
其中，——节点i，j间二端口网络输入阻抗；——负荷节点j的有功负荷量；——电源节点i的有功容量；表示雷击线路跳闸后的改进网供能力指标；越大，表明网络的供电效率越高。
[0017]
步骤7包括以下内容：步骤701，基于易损度对雷电风险的量化定义；改进的网供能力指标满足以下关系式：其中，表示改进的网供能力指标；表示雷击线路跳闸前的改进网供能力指标；步骤702，计算全局易损性指标；雷电风险下的电网系统全局易损性指标满足以下关系式：当超过所设定阈值时，对雷电进行预警。
[0018]
本发明还公开了基于雷电动态预测下电网的易损性预警方法的雷电动态预测下电网的易损性预警系统，包括历史数据采集模块、数据预处理模块、落雷概率预测模块、电网网络加权拓扑模型计算模块、全局网供能力计算模块以及雷电预警模块；历史数据采集模块采集气象历史数据与落雷历史数据并将所采集的数据输入至数据预处理模块；数据预处理模块对输入数据进行清洗后进行标准化以及离散化处理，并将预处理后的数据输入至落雷概率预测模块；落雷概率预测模块构建深度学习网络，之后将接受到的输入数据输入至深度学习网络进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率，选择落雷预测概率最大的线路为雷电分区重点线路，并将选择结果输入至雷电预警模块；电网网络加权拓扑模型计算模块建立电网网络的加权拓扑模型，计算出该加权拓
扑模型中各个电源—负荷节点对间的二端口输入阻抗，并将计算结果输入至全局网供能力计算模块；全局网供能力计算模块根据输入的结果计算雷电风险下电网的易损度，并将易损度输入至雷电预警模块；所述雷电预警模块根据易损度计算改进网供能力指标以及全局易损性指标，当全局易损性指标超过所设定阈值时，对雷电进行预警。
[0019]
本发明的有益效果在于，与现有技术相比，提供一种合理利用好落雷预测和电网拓扑结构，从而给出可靠的雷电风险下的易损性预警，以此给电网动态拓扑调整提供建议。本发明建立了一种在雷电动态预测下的电网易损性预警体系，以直观的形式表达落雷事件的严重度。从而为以后的动态防雷解决方案提供重要的量化参考。
附图说明
[0020]
图1为本发明雷电动态预测下电网的易损性预警方法的方法流程图；图2为本发明所构建的深度学习网络中的一个神经元的结构图；图3为本发明二端网络电路等效图；图4为本发明变压器等值模型图；图5为本发明线路集中参数等值模型图。
具体实施方式
[0021]
下面结合附图对本技术作进一步描述。以下实施例仅用于更加清楚地说明本发明的技术方案，而不能以此来限制本技术的保护范围。
[0022]
本发明公开了雷电动态预测下电网的易损性预警方法，具体流程图如图1所示，包括以下步骤：步骤1，采集气象历史数据与落雷历史数据；其中，气象历史数据包括气温、气压、降水、风速、风向与湿度数据；落雷历史数据包括含雷电流幅值、雷击过电流极性、落雷有效放电次数；步骤2，对步骤1采集的数据进行预处理；步骤201，首先对采集的数据进行清洗；对采集的数据中的异常值进行替换，再采用拉格朗日插值法补充缺失值；其中正常值与异常值的划分方式为：定义间距:其中，为间距，表示间距上限值，气象历史数据与落雷历史数据分别有的数据大于，表示间距下限值，气象历史数据与落雷历史数据分别有的数据小于；根据间距，定义上下界：
为正常数据下界，为正常数据上界，在上下界范围内的为正常值；在上下界之外的为异常值，对其选用边界值进行代替。
[0023]
步骤202，对清洗好的数据进行标准化处理和离散化处理；标准化的方法为：标准化的方法为：其中，表示标准化后数据，表示标准化前数据，表示标准化前数据的均值，表示标准化前的标准差，表示数据总量；对数据进行离散化处理的方法为：，其中，表示离散化处理后描述气象历史数据间相关性强度的系数，表示总的样本数，表示样本类别数，表示离散后区间数，表示属于区间类别为的样本数量，表示类别是的样本数量，表示属于区间的样本数量，区间代表样本取值范围，是样本最小值，是样本最大值。
[0024]
区间的求取方法是将所有样本的数据升序排列后，再按照样本类别进行分类得到的区间。
[0025]
计算排序后相邻样本的中点，将所有中点作为断点放入断点集；初始化断点集，其为包含与两个断点的集合，此时的值为0；选取一个不属于但属于中的断点加入到中，计算此时的值，将该断点从中拿出；再取一个不属于但属于中的其他断点加入到中，计算此时的值，
再将其拿出。重复该方法，直到所有断点都被加入过计算过值后，比较之前计算过的所有值，选择能使值最大的断点将其保留在中。此时中有三个断点，计算此时的不一致率，方法为：其中，是样本数量最多的对应的类别号。
[0026]
如果小于阈值，则输出此时的，即离散化数据集，否则使用上述方法往加入第四个断点，计算不一致率比较其与阈值的大小；一直往加入断点直至不一致率小于阈值，输出此时的，即离散化数据集。在本实施例中阈值取0.01。
[0027]
步骤3，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率；步骤301，构建深度学习网络；图2为所构建深度学习网络中一个神经元的结构图，每个深度学习网络至少为一层，每层至少由两个神经元构成，每个神经元包括一个输入门、一个遗忘门、一个候选层以及一个输出门；每一个神经元接受上一时刻的学习单元状态、上一时刻的输出以及本时刻的输入，计算得到本时刻的学习单元状态以及本时刻的输出；输入门计算公式为：其中，表示激活函数，表示输入门本时刻输入的权重，表示输入门本时刻输出的权重，表示输入门本时刻输出的补偿项；激活函数的计算公式为：其中，表示激活函数的输入值，对于输入门计算公式而言，输入至为；遗忘门计算公式为：
其中，表示遗忘门本时刻输入的权重，表示遗忘门本时刻输出的权重，表示遗忘门本时刻输出的补偿项；输出门计算公式为：其中，表示输出门本时刻输入的权重，表示输出门本时刻输出的权重，表示输出门本时刻输出的补偿项；候选层计算公式为：其中，表示候选层本时刻输入的权重，表示候选层本时刻输出的权重；本时刻的学习单元状态计算方法为：其中，表示按位乘，表示按位加；本时刻的输出计算方法为：在本发明中， 皆为在模型训练过程中不断更新的参数，参数更新的目标是将模型训练的损失函数值变为最小。
[0028]
构建有效的深度学习模型需要确定网络层数与每层神经元数。确定方法可以用网格化搜索的方法，网格化搜索的方法本质就是利用可变的网格范围循环遍历所有结果，表现最好的参数就是最优结果，模型训练的损失函数：其中n为训练样本数量；为预测值，为真实值。
[0029]
步骤302，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，当模型训练的损失值变化连续3次在0.01以内完成训练，得到训练好的落雷概率预测模型；步骤303，实时采集气象数据，使用步骤2的预处理方法对气象数据进行预处理后，输入至训练好的落雷概率预测模型训练得到落雷预测概率；步骤4，选择落雷预测概率最大的线路为雷电分区重点线路；步骤5，建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源负荷节
点对间的二端口输入阻抗；假设有两个节点分别为为i，j，如果节点i和j之间有直接的连接，那么在我们的网络里面，i和j之间就有1条边，这条边就可以用(i,j)或ij来表示，那么i，j就被叫做这条边的两个端点。在这样的基础下，在一个网络g中，可以将g中所有节点的集合表示成v(g)，将g中所有边的集合表示成e(g)，从而该网络可表示成：在网络g中节点数为，边数为，e(g)中的每条边都会有v(g)中相应的两个节点相对应，从而表示出完整网络。
[0030]
将电网模型建模为拓扑模型，将所有电厂、变电站和负荷都看作网络中的节点，在合并双回线路并改进参数的情况下，将电网中的变压器合线路看作边。
[0031]
在变压器等值过程中，为了方便多电压等级网络的参数计算，一般忽略励磁支路的影响采用如图4所示的模型进行简化。
[0032]
其中，主线路的阻抗为，主线路左右分支线路的阻抗分别为为与，为折算至一次侧的变压器阻抗，；表示变压器阻值实部，表示变压器阻值虚部，k表示变压器变比，、是一次绕组侧的实际电压和电流，、是二次绕组侧的实际电压和电流；在电网模型建模过程中，所使用的线路集中参数等值模型如图5所示，主线路的阻抗为，左右分支线路上的阻抗都为，与分别满足以下关系式：其中，是单位长度线路的电感，是单位长度线路的电抗，是单位长度线路的内阻值，是单位长度线路的长度；定义一个矩阵[a
ij
]，如果i，j之间有线路或者变压器进行电气连接，就让a
ij
为1，若其中没有直接电气连接，则将a
ij
赋值为0。在电网基础拓扑建模的基础上，将每个边的权重值定义为电网中线路的等值电抗值或者该线路输送中的有功功率，同时定义从电源指向负荷的流动方向为边的方向，构成了一张具有权重和方向的电网结构图，从而对电网进行分析和评估。
[0033]
因为电力系统中的功率的传输并非仅取决于节点间的最短路径，而是要满足基尔
霍夫定律，之前的网供能力指标基于最短传输路径的指标计算明显不符电力网的实际。电力网络中，功率从电源节点流向负荷节点，忽略线路损耗，功率流将取决于节点电压和线路电抗，因此，从电源节点i到负荷节点j的功率传输可近似表示为式中，——流经从节点i到节点j线路的有功功率；——节点i的电压；——节点j的电压——节点i与节点j间的相角差；——从节点i到节点j线路的阻抗。
[0034]
上式表明，在系统在稳定运行时，电源—负荷节点对间传输的功率与节点对间的等值阻抗呈反比关系。为更好的反映系统实际，本节将用节点间的等值阻抗来反映电源节点与负荷节点的电气距离。
[0035]
从电路等值理论的角度，二端网络的输入阻抗可作为电源节点和负荷节点间的等值阻抗。根据电路等值理论，网络中任意2个非接地点的等值阻抗即为从该2个节点组成的端口向网络看进去的输入阻抗，其物理意义如图3所示；为求取该输入阻抗，从一端口向网络注入单位电流，则两端点间的电位差即是此二端网络的输入阻抗，在节点阻抗矩阵中可表示为：式中，——节点阻抗矩阵中节点i的自阻抗；——节点阻抗矩阵中节点j的自阻抗；——节点阻抗矩阵中节点i，j的互阻抗；——节点i，j间二端口网络输入阻抗；步骤6，建立改进的网供能力模型，计算全局网供能力；将电网表示为一个具有权重和方向的网络，即矩阵，式中，v为网络中节点的集合，l为线路的集合，w为每条线路上的权重。将节点划分为电源节点和负荷节点，则网供能力模型可表示为：
式中，为网供能力指标；，——电源节点和负荷节点的数目；——电源节点所在的集合；——负荷节点所在的集合；——电源节点i与某个特定的负荷节点j之间的加权距离。
[0036]
在此处表示系统中某个特定的电源节点i与某个特定的负荷节点j之间的加权距离，的值越小，说明电源点和负荷点的电气距离越小，这两个节点间传输电能的效率也越高。
[0037]
网供能力指标e假设电能通过最短路径d
ij
传输，上述分析证明了这种假设远远不符合电力系统实际，从电源节点流向负荷节点的功率大小与网络拓扑结构和网络参数有关。除此之外，之前的网供能力指标也没有考虑网络中电源功率与负荷的大小，这两者也影响电源—负荷节点对间的传输效能的因素。
[0038]
综上所述，可行的电网易损度指标应该涵盖网络拓扑结构、电源功率，负荷大小和网络参数。基于此，本发明提出了一种改进的网供能力指标来评价雷电风险下电网的易损度如下：式中，——节点i，j间二端口网络输入阻抗；i为电源节点，j为负荷节点；——负荷节点j的有功负荷量；——电源节点i的有功容量；表示雷击线路跳闸后的改进网供能力指标；越大，表明网络的供电效率越高。指标兼顾了负荷节点本身的负荷量、电源节点的容量和电源—负荷节点对间距离对网络传输效率的综合影响：与负荷节点自身功率成反比，即负荷量越小，该节点对系统的易损性影响越小； 则近似表示电源节点i对负荷节点j的贡献功率，其大小随着两者之间的距离呈指数衰减。
[0039]
步骤7，计算重点线路跳闸后全局网供能力变化量，得出雷电动态预测下的每条重点线路跳闸后的电网全局易损性指标，从而实现雷电预警步骤701，基于易损度对雷电风险的量化定义；在雷电风险下，不同电力线路受到雷击风险的能力是不同的，同时在电网实际运行中，为满足不同的负荷水平，电力系统的拓扑结构也是变化的。不同电力线路遭受雷击跳闸必然会导致e
‘
的变化。本发明用改进的网供能力指标来定义评估不同电力线路遭受雷击跳闸后对系统的影响，从而提前制定解决方案，即：式中，表示雷击线路跳闸前的改进网供能力指标。
[0040]
可以看出，值表明雷击线路跳闸对整个电网系统易损性指标的影响，的绝对值越大表明雷击线路跳闸对系统的影响越大。
[0041]
步骤702，计算全局易损性指标；从上述概率模型即可得到雷电风险下每条重点线路落雷概率向量值为risk，结合定义的网供能力指标，从而定义雷电风险下的电网系统全局易损性指标：当超过所设定阈值时，对雷电进行预警；本发明还公开了基于雷电动态预测下电网的易损性预警方法的雷电动态预测下电网的易损性预警系统，包括历史数据采集模块、数据预处理模块、落雷概率预测模块、电网网络加权拓扑模型计算模块、全局网供能力计算模块以及雷电预警模块；历史数据采集模块采集气象历史数据与落雷历史数据并将所采集的数据输入至数据预处理模块；数据预处理模块对输入数据进行清洗后进行标准化以及离散化处理，并将预处理后的数据输入至落雷概率预测模块；落雷概率预测模块构建深度学习网络，之后将接受到的输入数据输入至深度学习网络进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率，选择落雷预测概率最大的线路为雷电分区重点线路，并将选择结果输入至雷电预警模块；电网网络加权拓扑模型计算模块建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源—负荷节点对间的二端口输入阻抗，并将计算结果输入至全局网供能力计算模块；全局网供能力计算模块根据输入的结果计算雷电风险下电网的易损度，并将易损度输入至雷电预警模块；雷电预警模块根据易损度计算改进网供能力指标以及全局易损性指标，当全局易损性指标超过所设定阈值时，对雷电进行预警。
[0042]
本发明申请人结合说明书附图对本发明的实施示例做了详细的说明与描述，但是
本领域技术人员应该理解，以上实施示例仅为本发明的优选实施方案，详尽的说明只是为了帮助读者更好地理解本发明精神，而并非对本发明保护范围的限制，相反，任何基于本发明的发明精神所作的任何改进或修饰都应当落在本发明的保护范围之内。

技术特征：
1.雷电动态预测下电网的易损性预警方法，其特征在于，所述电网的易损性预警方法包括以下步骤：步骤1，采集气象历史数据与落雷历史数据；其中，气象历史数据包括气温、气压、降水、风速、风向与湿度数据；落雷历史数据包括含雷电流幅值、雷击过电流极性、落雷有效放电次数；步骤2，对步骤1采集的数据进行预处理；步骤3，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率；步骤4，选择落雷预测概率最大的线路为雷电分区重点线路；步骤5，建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源负荷节点对间的二端口输入阻抗；步骤6，建立改进的网供能力模型，计算全局网供能力；步骤7，计算重点线路跳闸后全局网供能力变化量，得出雷电动态预测下的每条重点线路跳闸后的电网全局易损性指标，实现雷电预警。2.根据权利要求1所述的雷电动态预测下电网的易损性预警方法，其特征在于：所述步骤2包括以下内容：步骤201，对采集的数据进行清洗；步骤202，对清洗好的数据进行标准化处理和离散化处理。3.根据权利要求2所述的雷电动态预测下电网的易损性预警方法，其特征在于：在所述步骤201中，对采集的数据中的异常值进行替换，再采用拉格朗日插值法补充缺失值；其中正常值与异常值的划分方式为：定义间距:其中，为间距，表示间距上限值，气象历史数据与落雷历史数据分别有的数据大于，表示间距下限值，气象历史数据与落雷历史数据分别有的数据小于；根据间距，定义上下界：根据间距，定义上下界：为正常数据下界，为正常数据上界，在上下界范围内的为正常值；在上下界之外的为异常值，对其选用边界值进行代替。4.根据权利要求2或3所述的雷电动态预测下电网的易损性预警方法，其特征在于：在所述步骤202中，标准化的方法为：
其中，表示标准化后数据，表示标准化前数据，表示标准化前数据的均值，表示标准化前的标准差，表示数据总量；对数据进行离散化处理的方法为：，其中，表示离散化处理后描述气象历史数据间相关性强度的系数，表示总的样本数，表示样本类别数，表示离散后区间数，表示属于区间类别为的样本数量，表示类别是的样本数量，表示属于区间的样本数量，区间代表样本取值范围，是样本最小值，是样本最大值；区间的求取方法是将所有样本的数据升序排列后，再按照样本类别进行分类得到的区间；计算排序后相邻样本的中点，将所有中点作为断点放入断点集；初始化断点集，其为包含与两个断点的集合，此时的值为0；选取一个不属于但属于中的断点加入到中，计算此时的值，将该断点从中拿出；再取一个不属于但属于中的其他断点加入到中，计算此时的值，再将其拿出；重复该方法，直到所有断点都被加入过计算过值后，比较之前计算过的所有值，选择能使值最大的断点将其保留在中；此时中有三个断点，计算此时的不一致率，方法为：
其中，是样本数量最多的对应的类别号；如果小于阈值，则输出此时的，即离散化数据集，否则使用上述方法往加入第四个断点，计算不一致率比较其与阈值的大小；一直往加入断点直至不一致率小于阈值，输出此时的，即离散化数据集。5.根据权利要求1所述的雷电动态预测下电网的易损性预警方法，其特征在于：所述步骤3包括以下内容：步骤301，构建深度学习网络；步骤302，将步骤2预处理后的数据输入至构建的深度学习网络中进行训练，当模型训练的损失值变化连续3次在0.01以内完成训练，得到训练好的落雷概率预测模型；步骤303，实时采集气象数据，使用步骤2的预处理方法对气象数据进行预处理后，输入至训练好的落雷概率预测模型训练得到落雷预测概率。6.根据权利要求5所述的雷电动态预测下电网的易损性预警方法，其特征在于：在所述步骤301中，每个深度学习网络至少为一层，每层至少由两个神经元构成，每个神经元包括一个输入门、一个遗忘门、一个候选层以及一个输出门；每一个神经元接受上一时刻的学习单元状态、上一时刻的输出以及本时刻的输入，计算得到本时刻的学习单元状态以及本时刻的输出；模型训练的损失函数：其中n为训练样本数量；为预测值，为真实值。7.根据权利要求6所述的雷电动态预测下电网的易损性预警方法，其特征在于：所述输入门满足以下关系式：其中，表示激活函数，表示输入门本时刻输入的权重，表示输入门本时刻输出的权重，表示输入门本时刻输出的补偿项；遗忘门满足以下关系式：其中，表示遗忘门本时刻输入的权重，表示遗忘门本时刻输出的权重，表示遗忘门本时刻输出的补偿项；
输出门满足以下关系式：其中，表示输出门本时刻输入的权重，表示输出门本时刻输出的权重，表示输出门本时刻输出的补偿项；候选层满足以下关系式：其中，表示候选层本时刻输入的权重，表示候选层本时刻输出的权重；本时刻的学习单元状态满足以下关系式：其中，表示按位乘，表示按位加；本时刻的输出满足以下关系式：满足以下关系式：满足以下关系式：皆为在模型训练过程中不断更新的参数，更新目标是为了使得模型训练的损失函数值最小。8.根据权利要求7所述的雷电动态预测下电网的易损性预警方法，其特征在于：所述激活函数满足以下关系式：其中，表示激活函数的输入值。9.根据权利要求1所述的雷电动态预测下电网的易损性预警方法，其特征在于：在所述步骤5中，所述电网网络的加权拓扑模型将所有电厂、变电站和负荷都看作网络中的节点，在合并双回线路并改进参数的情况下，从而定义一个矩阵[a
ij
]，如果i，j之间有线路或者变压器进行电气连接，就让a
ij
为1，若其中没有直接电气连接，则将a
ij
赋值为0；将电网中的变压器合线路看作边，将每个边的权重值定义为电网中线路的等值电抗值或者该线路输送中的有功功率，同时定义从电源指向负荷的流动方向为边的方向。10.根据权利要求1或9所述的雷电动态预测下电网的易损性预警方法，其特征在于：在所述步骤5中，各个电源负荷节点对间的二端口输入阻抗满足以下关系式：式中，——节点阻抗矩阵中节点i的自阻抗；
——节点阻抗矩阵中节点j的自阻抗；——节点阻抗矩阵中节点i，j的互阻抗；——节点i，j间二端口网络输入阻抗。11.根据权利要求10所述的雷电动态预测下电网的易损性预警方法，其特征在于：在所述步骤6中，所述网供能力模型满足以下关系式：网供能力模型可表示为：其中，为网供能力指标；，——电源节点和负荷节点的数目；——电源节点所在的集合；——负荷节点所在的集合；——电源节点i与节点j之间的加权距离；的值越小，说明电源点和负荷点的电气距离越小，这两个节点间传输电能的效率也越高。12.根据权利要求11所述的雷电动态预测下电网的易损性预警方法，其特征在于：在所述步骤6中，全局网供能力满足以下关系式：其中，——节点i，j间二端口网络输入阻抗；——负荷节点j的有功负荷量；——电源节点i的有功容量；表示雷击线路跳闸后的改进网供能力指标；越大，表明网络的供电效率越高。13.根据权利要求12所述的雷电动态预测下电网的易损性预警方法，其特征在于：所述步骤7包括以下内容：步骤701，基于易损度对雷电风险的量化定义；改进的网供能力指标满足以下关系式：
其中，表示改进的网供能力指标；表示雷击线路跳闸前的改进网供能力指标；步骤702，计算全局易损性指标；雷电风险下的电网系统全局易损性指标满足以下关系式：当超过所设定阈值时，对雷电进行预警。14.基于权利要求1-13任一一项所述的雷电动态预测下电网的易损性预警方法的雷电动态预测下电网的易损性预警系统，其特征在于：所述雷电动态预测下电网的易损性预警系统包括历史数据采集模块、数据预处理模块、落雷概率预测模块、电网网络加权拓扑模型计算模块、全局网供能力计算模块以及雷电预警模块；所述历史数据采集模块采集气象历史数据与落雷历史数据并将所采集的数据输入至数据预处理模块；所述数据预处理模块对输入数据进行清洗后进行标准化以及离散化处理，并将预处理后的数据输入至落雷概率预测模块；所述落雷概率预测模块构建深度学习网络，之后将接受到的输入数据输入至深度学习网络进行训练，得到落雷概率预测模型并对实时采集的气象数据进行预测得到落雷预测概率，选择落雷预测概率最大的线路为雷电分区重点线路，并将选择结果输入至雷电预警模块；所述电网网络加权拓扑模型计算模块建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源—负荷节点对间的二端口输入阻抗，并将计算结果输入至全局网供能力计算模块；所述全局网供能力计算模块根据输入的结果计算雷电风险下电网的易损度，并将易损度输入至雷电预警模块；所述雷电预警模块根据易损度计算改进网供能力指标以及全局易损性指标，当全局易损性指标超过所设定阈值时，对雷电进行预警。

技术总结
雷电动态预测下电网的易损性预警方法及系统，首先通过采集气象历史数据与落雷历史数据，构建的深度学习网络预测得到落雷预测概率，然后选择落雷预测概率最大的线路为雷电分区重点线路，建立电网网络的加权拓扑模型，计算出该加权拓扑模型中各个电源负荷节点对间的二端口输入阻抗，之后建立改进的网供能力模型计算重点线路跳闸后全局网供能力变化量，最后得出雷电动态预测下的每条重点线路跳闸后的电网全局易损性指标以实现雷电预警。本发明建立的一种在雷电动态预测下的电网易损性预警方法，以直观的形式表达落雷事件的严重度，从而为以后的动态防雷解决方案提供重要的量化参考。化参考。化参考。


技术研发人员：冯家欢 华夏 方志浩 洪奕 童充 吴志坚 付柳笛 胡涛 徐洋 苏俊霖 石旭江 项敏
受保护的技术使用者：国网江苏省电力有限公司苏州供电分公司
技术研发日：2022.02.07
技术公布日：2022/3/8