本发明涉及电力系统安全的，尤其涉及一种电网深度学习雷电概率密度预警方法。
背景技术：
1、在电网运行中，雷电是一种常见的天气现象，但其带来的雷击可能对电网设备造成损坏，甚至导致停电等严重后果。为了保障电网的安全稳定运行，及时预警和防范雷电风险至关重要，而通过雷电概率密度预警，电网运营单位能够提前做好应对措施，最大限度地降低雷电带来的不利影响，确保电力供应的稳定性和可靠性。
2、传统的雷电概率密度预警方法通常基于统计模型或物理模型，需要大量的气象数据和电网数据进行建模和分析。然而，这些方法往往受限于模型的复杂性和准确性，难以准确预测雷电风险。因此，需要一种更加灵活、高效且准确的预警方法来提高电网的安全性。
技术实现思路
1、本部分的目的在于概述本发明的实施例的一些方面以及简要介绍一些较佳实施例。在本部分以及本申请的说明书摘要和发明名称中可能会做些简化或省略以避免使本部分、说明书摘要和发明名称的目的模糊，而这种简化或省略不能用于限制本发明的范围。
2、鉴于上述现有一种电网深度学习雷电概率密度预警方法存在的问题，提出了本发明。
3、为解决上述技术问题，本发明提供如下技术方案：
4、一种电网深度学习雷电概率密度预警方法，其特征在于，该方法包括以下步骤：
5、步骤一：数据采集；收集与电网运行状态相关的数据；
6、步骤二：特征提取；对采集到的数据进行特征提取，并挖掘出与雷电风险相关的特征；
7、步骤三：深度学习模型构建；基于步骤二中提取的特征，构建深度学习模型进行学习和训练；
8、步骤四：模型训练；使用历史数据对深度学习模型进行训练，不断优化模型参数，以提高对雷电风险的预测能力；
9、步骤五：概率密度预测；利用训练好的深度学习模型，对未来一段时间内的雷电概率密度进行预测。
10、作为本发明所述一种电网深度学习雷电概率密度预警方法的一种优选方案，其中：所述步骤一中所收集的数据是电网运行状态和雷电风险相关的数据，包括：气象数据、电网拓扑数据、设备状态数据。
11、作为本发明所述一种电网深度学习雷电概率密度预警方法的一种优选方案，其中：所述步骤二中，挖掘出与雷电风险相关的特征的实现步骤为：
12、s1：通过延迟坐标法将收集到的时间序列数据转换为相空间中的点，即选择合适的延迟时间和嵌入维度，将原始时间序列映射到相空间中的点集；
13、s2：选择合适的延迟时间和嵌入维度进行相空间重构；
14、s3：在相空间中，计算多种混沌特征来描述数据的非线性动力学特性，混沌特征包括：lyapunov指数，其用于衡量系统在相空间中的敏感性与稳定性；
15、kolmogorov-sinai熵，其用于衡量系统的信息量，也被称为系统的混乱度；
16、吸引子维数，其用于描述系统在相空间中的维度，反映系统的复杂度和自由度；
17、其中，在提取混沌特征之后，可以将这些特征用作预测模型的输入。
18、作为本发明所述一种电网深度学习雷电概率密度预警方法的一种优选方案，其中：所述延迟坐标法的方法步骤为：
19、s11：设定延时时间τ和嵌入维度m；
20、s12：根据选择的延迟时间τ和嵌入维度m，可以从原始时间序列x(t)中构建出延迟向量序列x(t)，其中每个延迟向量包含了m个延迟时间间隔的数据，其构建方式为：
21、x(t)＝[x(t)，x(t-τ)，x(t-2τ)，...，x(t-(m-1)τ)]。
22、其中，x(t)是一个向量，表示在时刻t的延迟向量，x(t)是原始时间序列在时刻t的值；
23、s13：将构建好的延时向量序列x(t)看作相空间中的点，可以得到相空间中的相轨迹。
24、作为本发明所述一种电网深度学习雷电概率密度预警方法的一种优选方案，其中：根据所提取的混沌特征作为输入特征，得到一个全连接的深度神经网络，该模型的表达式为：
25、
26、其中，x是输入特征矩阵，每一行代表一个样本，每一列代表一个特征；
27、其中，第一层隐藏层的计算：w1是第一层隐藏层的权重矩阵，b1是第一层隐藏层的偏置向量，σ是激活函数，比如sigmoid、relu、tanh等；
28、第二层输出层的计算：w2是输出层的权重矩阵，b2是输出层的偏置向量，是模型的输出，表示预测的雷电概率密度。
29、作为本发明所述一种电网深度学习雷电概率密度预警方法的一种优选方案，其中：所述步骤四中模型训练的方式为：
30、s1：数据准备，将历史数据整理成适合深度学习模型训练的格式；
31、s2：从历史数据中提取混沌特征作为模型的输入特征，同时根据历史雷电事件的发生情况生成相应的标签(即目标值)，表示该时间段内是否发生雷电事件；
32、s3：将数据集划分为训练集、验证集和测试集；通常采用交叉验证或留出法来划分数据集，以确保模型的泛化能力和可靠性；
33、s4：使用训练集中的数据来训练模型，在训练过程中，通过将模型的预测结果与真实标签之间的差异(损失)最小化来优化模型参数；
34、s5：使用验证集中的数据来评估模型的性能和泛化能力；
35、s6：根据模型在验证集上的性能，调整模型的结构、超参数或其他相关参数，以提高模型的性能和泛化能力。
36、作为本发明所述一种电网深度学习雷电概率密度预警方法的一种优选方案，其中：在进行评估模型性能和泛化能力的同时，通过计算模型在验证集上的损失函数值或其他评估指标，包括：准确率、召回率来评估模型的效果。
37、如上所述的一种电网深度学习雷电概率密度预警方法的预警系统，该系统包括以下功能模块：数据采集模块，收集与电网运行状态相关的数据；特征提取模块，对采集到的数据进行特征提取，并挖掘出与雷电风险相关的特征；模型构建模块，提取的特征，构建深度学习模型进行学习；模型训练模块，使用历史数据对深度学习模型进行训练，不断优化模型参数，以提高对雷电风险的预测能力；以及预测模块，利用训练好的深度学习模型，对未来一段时间内的雷电概率密度进行预测。
38、本发明的有益效果：
39、1、本发明与传统的统计模型或物理模型相比，本发明采用了深度学习模型进行雷电概率密度预警，能够更好地捕捉数据之间的非线性关系，提高预测准确度；
40、2、本发明基于深度学习模型的实时训练和预测能力，可以提供实时的雷电概率密度预警，帮助电网运维人员及时采取措施，降低雷电对电网的影响。
1.一种电网深度学习雷电概率密度预警方法，其特征在于，该方法包括以下步骤：
2.根据权利要求1所述的一种电网深度学习雷电概率密度预警方法，其特征在于：所述步骤一中所收集的数据是电网运行状态和雷电风险相关的数据，包括：气象数据、电网拓扑数据、设备状态数据。
3.根据权利要求2所述的一种电网深度学习雷电概率密度预警方法，其特征在于：所述步骤二中，挖掘出与雷电风险相关的特征的实现步骤为：
4.根据权利要求3所述的一种电网深度学习雷电概率密度预警方法，其特征在于：所述延迟坐标法的方法步骤为：
5.根据权利要求4所述的一种电网深度学习雷电概率密度预警方法，其特征在于：根据所提取的混沌特征作为输入特征，得到一个全连接的深度神经网络，该模型的表达式为：
6.根据权利要求5所述的一种电网深度学习雷电概率密度预警方法，其特征在于：所述步骤四中模型训练的方式为：
7.根据权利要求6所述的一种电网深度学习雷电概率密度预警方法，其特征在于：在进行评估模型性能和泛化能力的同时，通过计算模型在验证集上的损失函数值或其他评估指标，包括：准确率、召回率来评估模型的效果。
8.根据权利要求7所述的一种电网深度学习雷电概率密度预警方法的预警系统，其特征在于：该系统包括以下功能模块：
