基于深度神经网络的电网灾情应急演练管理系统.pdf

《基于深度神经网络的电网灾情应急演练管理系统.pdf》由会员分享，可在线阅读，更多相关《基于深度神经网络的电网灾情应急演练管理系统.pdf（18页完成版）》请在专利查询网上搜索。

1、(19)中华人民共和国国家知识产权局 (12)发明专利申请 (10)申请公布号 (43)申请公布日 (21)申请号 202010653936.X (22)申请日 2020.07.08 (71)申请人 贵州电网有限责任公司 地址 550002 贵州省贵阳市南明区滨河路 17号 (72)发明人 林爽王裴培唐钰翔孙怡长 秦萃丽毛健余志强邹勇 吴歧李沛 (74)专利代理机构 南京禹为知识产权代理事务 所(特殊普通合伙) 32272 代理人 朱宝庆 (51)Int.Cl. G06Q 10/06(2012.01) G06Q 50/06(2012.01) G06N 3/04(2006.01) G06N 3/。

2、08(2006.01) (54)发明名称 一种基于深度神经网络的电网灾情应急演 练管理系统 (57)摘要 本发明公开了一种基于深度神经网络的电 网灾情应急演练管理系统， 包括灾情变量抓取模 块， 用于通过灾情断面的历史经验抓取灾情发生 时的电气量变化特征； 场景筛选分析模块， 与灾 情变量抓取模块连接， 通过分析电气量变化特征 获取规律， 并运用规律从众多场景中抓取相应的 灾害场景； 灾情自学习模块， 与场景筛选分析模 块连接， 采用深度神经网络算法进行灾害场景的 筛选； 评估分析模块， 与灾情自学习模块连接， 利 用筛选后的灾害场景对电网灾情的严重性进行 量化评估； 应急管理模块， 与评估分。

3、析模块连接， 根据量化评估的结果进行电网灾情应急演练管 理， 解决了现有电网灾情应急演练管理系统在面 对众多灾情场景数量的具体优化计算时存在求 解困难的问题。 权利要求书3页 说明书11页 附图3页 CN 112036680 A 2020.12.04 CN 112036680 A 1.一种基于深度神经网络的电网灾情应急演练管理系统， 其特征在于： 包括， 灾情变量抓取模块(100)， 用于通过灾情断面的历史经验抓取灾情发生时的电气量变 化特征； 场景筛选分析模块(200)， 与所述灾情变量抓取模块(100)连接， 通过分析所述电气量 变化特征获取规律， 并运用所述规律从众多场景中抓取相应的灾害。

4、场景； 灾情自学习模块(300)， 与所述场景筛选分析模块(200)连接， 采用深度神经网络算法 进行所述灾害场景的筛选； 评估分析模块(400)， 与所述灾情自学习模块(300)连接， 利用筛选后的所述灾害场景 对电网灾情的严重性进行量化评估； 应急管理模块(500)， 与所述评估分析模块(400)连接， 根据量化评估的结果进行电网 灾情应急演练管理。 2.根据权利要求1所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征在 于： 所述灾情变量抓取模块(100)抓取的所述电气量变化特征包括电流、 电压和频率。 3.根据权利要求2所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征。

5、在 于： 所述灾情自学习模块(300)包括， 预处理模块(301)， 用于对灾情断面的历史数据进行预处理， 并利用灾情评估指标建立 评级体系； 构建模块(302)， 用于构建神经网络模型， 并将灾情按其严重程度进行分类作为模型输 出； 训练模块(303)， 用于将经所述预处理模块(301)处理的所述灾情断面的历史数据加载 到所述神经网络模型后， 选取训练参数对其进行训练和学习； 输出模块(304)， 用于实时获取新的电网场景输入至完成训练的所述神经网络模型， 实 时获取灾情评估等级。 4.根据权利要求3所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征在 于： 所述预处理模块(301)。

6、对所述灾情断面的历史数据进行预处理， 并利用所述灾情评估指 标建立所述评级体系包括， 通过获取单元对灾情资料、 暴雨资料、 故障资料和电网分布数据进行收集； 通过处理单元通过危害辨识构建所述评级体系， 经过归一化处理之后作为网络的输 出。 5.根据权利要求3或4所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征 在于： 所述训练模块(303)将经所述预处理模块(301)处理的所述灾情断面的历史数据加载 到所述神经网络模型后， 选取训练参数对其进行训练和学习的方法包括以下步骤， 数据预处理； 网络初始化， 随机给定各连接权值及输入输出阈值； 给定训练样本和目标输出， 计算和输出各类神经元。

7、实际输出值； 调整输入层与隐含层、 隐含层与输出层间的连接权值； 进行重复迭代， 直到实际输出与目标输出误差达到预设要求结束训练， 则模型训练完 成。 6.根据权利要求5所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征在 权利要求书 1/3 页 2 CN 112036680 A 2 于： 所述训练模块(303)进行训练和学习还包括利用场景缩减方法， 具体为， 定义n维随机数据过程的概率分布P通过有限多的场景以 及其概率pi，来近似； 以Q定义由场景集及相应的概率值qj， j1， ， 表示的另一个n维随机变量过程 的概率测度； 以Q定义由场景集及相应的概率值qj， j1， ，表示的另一。

8、个所述n维随机变量过 程 的概率测度具体为， 其中，cT为场景在整个时段1,T中的概 率距离。 7.根据权利要求6所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征在 于： 所述灾情自学习模块(300)采用深度神经网络算法进行所述灾害场景的筛选还包括， 以Q表示 缩减后的概率测度， 即由场景集 jforj1,SJ， J代表被删除的场景 集合； 对于固定的基于场景集合表示的Q对于原概率分布P具有最小 的Dk-distance， 表示为： Dk(P,Q)pimincT( i, j) 缩减后保留的场景 j， 的概率qj表示为： qj:pj+pi 其中J(j):iI:jj(i)，表示保留场景的。

9、概 率值等于自身原有的概率值加上所有与之具有cT测度最小衡量下的被删除场景的概率值。 8.根据权利要求6或7所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征 在于： 所述评估分析模块(400)对电网灾情的严重性进行量化评估采用的方法流程包括， 计算场景对之间的距离 计算 选择设置J1:1,.,Su1； 权利要求书 2/3 页 3 CN 112036680 A 3 计算： 选择设置Ji:Ji-1uiJ:JS-s； 其中， cT( k, u)表示场景 之间的距离。 9.根据权利要求3或4或6或7所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征在于： 所述构建模块(302)构建的。

10、所述神经网络模型包括利用灰色关联分析法对灾 损数据进行计算， 得到综合关联度， 越大则表示灾情越严重。 10.根据权利要求9所述的基于深度神经网络的电网灾情应急演练管理系统， 其特征在 于： 所述应急管理模块(500)包括应急预案纠正改进模块(501)、 演练方案和培训纠正改进 模块(502)和评估指标和权重纠正改进模块(503)； 所述应急预案纠正改进模块(501)针对需要改善指标项所对应的应急处置目标进行跟 踪， 确定导致问题的根本原因、 纠正方法措施及完成时间， 对演习中发现的不足项和整改项 的纠正措施的实施情况追踪， 以实现闭环管理； 所述演练方案和培训纠正改进模块(502)利用应急处。

11、置分析记录数据和演练纠正措 施， 对演练方案和演前培训进行优化改进； 所述评估指标和权重纠正改进模块(503)利用应急处置分析记录数据和指标纠正措 施， 对评估指标体系及权重设定进行优化改进。 权利要求书 3/3 页 4 CN 112036680 A 4 一种基于深度神经网络的电网灾情应急演练管理系统 技术领域 0001 本发明涉及电网安全的技术领域， 尤其涉及一种基于深度神经网络的电网灾情应 急演练管理系统。 背景技术 0002 随着我国电力工业进入大电网、 大机组、 高电压、 高自动化的阶段， 电力系统管理 复杂性加大， 电力安全管理工作的难度也在加大， 作为整体运行风险的控制部门， 安监。

12、部在 管理全网安全生产应急管理工作面临着诸多难题， 体现在其配置的现有电网灾情应急演练 管理系统在面对众多灾情场景数量的具体优化计算时存在求解困难的问题， 无法对电网灾 情应急演练的管理作出及时有效的判断， 成为本领域亟待解决的问题之一。 发明内容 0003 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。 0004 鉴于上述现有电网灾情应急演练管理系统存在的问题， 提出了本发明。 0005 因此， 本发明解决。

13、的技术问题是： 解决现有电网灾情应急演练管理系统在面对众 多灾情场景数量的具体优化计算时存在求解困难的问题。 0006 为解决上述技术问题， 本发明提供如下技术方案： 一种基于深度神经网络的电网 灾情应急演练管理系统， 包括灾情变量抓取模块， 用于通过灾情断面的历史经验抓取灾情 发生时的电气量变化特征； 场景筛选分析模块， 与所述灾情变量抓取模块连接， 通过分析所 述电气量变化特征获取规律， 并运用所述规律从众多场景中抓取相应的灾害场景； 灾情自 学习模块， 与所述场景筛选分析模块连接， 采用深度神经网络算法进行所述灾害场景的筛 选； 评估分析模块， 与所述灾情自学习模块连接， 利用筛选后的所。

14、述灾害场景对电网灾情的 严重性进行量化评估； 应急管理模块， 与所述评估分析模块连接， 根据量化评估的结果进行 电网灾情应急演练管理。 0007 作为本发明所述的基于深度神经网络的电网灾情应急演练管理系统的一种优选 方案， 其中： 所述灾情变量抓取模块抓取的所述电气量变化特征包括电流、 电压和频率。 0008 作为本发明所述的基于深度神经网络的电网灾情应急演练管理系统的一种优选 方案， 其中： 所述灾情自学习模块包括预处理模块， 用于对灾情断面的历史数据进行预处 理， 并利用灾情评估指标建立评级体系； 构建模块， 用于构建神经网络模型， 并将灾情按其 严重程度进行分类作为模型输出； 训练模块，。

15、 用于将经所述预处理模块处理的所述灾情断 面的历史数据加载到所述神经网络模型后， 选取训练参数对其进行训练和学习； 输出模块， 用于实时获取新的电网场景输入至完成训练的所述神经网络模型， 实时获取灾情评估等 级。 0009 作为本发明所述的基于深度神经网络的电网灾情应急演练管理系统的一种优选 说明书 1/11 页 5 CN 112036680 A 5 方案， 其中： 所述预处理模块对灾情断面的历史数据进行预处理， 并利用灾情评估指标建立 评级体系包括通过获取单元对灾情资料、 暴雨资料、 故障资料和电网分布数据进行收集； 通 过处理单元通过危害辨识构建所述评级体系， 经过归一化处理之后作为网络的。

16、输出。 0010 作为本发明所述的基于深度神经网络的电网灾情应急演练管理系统的一种优选 方案， 其中： 所述训练模块将经所述预处理模块处理的所述灾情断面的历史数据加载到所 述神经网络模型后， 选取训练参数对其进行训练和学习的方法包括以下步骤， 数据预处理； 网络初始化， 随机给定各连接权值及输入输出阈值； 给定训练样本和目标输出， 计算和输出 各类神经元实际输出值； 调整输入层与隐含层、 隐含层与输出层间的连接权值； 进行重复迭 代， 直到实际输出与目标输出误差达到预设要求结束训练， 则模型训练完成。 0011 作为本发明所述的基于深度神经网络的电网灾情应急演练管理系统的一种优选 方案， 其中。

17、： 所述训练模块进行训练和学习还包括利用场景缩减方法， 具体为， 定义n维随机 数据过程的概率分布P通过有限多的场景以及其概率pi， 来近似； 以Q定义由场景集及相应的概率值qj， j1， ， 表示的另一个n维随 机变量过程的概率测度； 以Q定义由场景集及相应的概率值qj， j1， ， 表示的另 一个所述n维随机变量过程的概率测度具体为， 0012 0013 0014其中，t1， T， cT为场景在整个时段1,T中的概 率距离。 0015 作为本发明所述的基于深度神经网络的电网灾情应急演练管理系统的一种优选 方案， 其中： 所述灾情自学习模块采用深度神经网络算法进行所述灾害场景的筛选还包括， 。

18、0016 以Q表示 缩减后的概率测度， 即由场景集 jforj1,SJ， J代表被删除的 场景集合； 0017对于固定的基于场景集合表示的Q对于原概率分布P 具有 最小的Dk-distance， 表示为： 0018 Dk(P,Q)pimincT( i, j) 0019缩减后保留的场景 j， 的概率qj表示为： 0020 qj:pj+pi 0021其中J(j):iI:jj(i)，表示保留场景 的概率值等于自身原有的概率值加上所有与之具有cT测度最小衡量下的被删除场景的概 率值。 说明书 2/11 页 6 CN 112036680 A 6 0022 作为本发明所述的基于深度神经网络的电网灾情应急演。

19、练管理系统的一种优选 方案， 其中： 所述评估分析模块(400)对电网灾情的严重性进行量化评估采用的方法流程包 括， 0023 计算场景对之间的距离 0024 0025 计算 0026 0027选择设置J1:1,.,Su1； 0028 计算： 0029 0030 0031选择设置Ji:Ji-1uiJ:JS-s； 0032其中， cT( k, u)表示场景 之间的距离。 0033 作为本发明所述的基于深度神经网络的电网灾情应急演练管理系统的一种优选 方案， 其中： 所述构建模块构建的所述神经网络模型包括利用灰色关联分析法对灾损数据 进行计算， 得到综合关联度， 越大则表示灾情越严重。 0034 。

20、作为本发明所述的基于深度神经网络的电网灾情应急演练管理系统的一种优选 方案， 其中： 所述应急管理模块包括应急预案纠正改进模块、 演练方案和培训纠正改进模块 和评估指标和权重纠正改进模块； 所述应急预案纠正改进模块针对需要改善指标项所对应 的应急处置目标进行跟踪， 确定导致问题的根本原因、 纠正方法措施及完成时间， 对演习中 发现的不足项和整改项的纠正措施的实施情况追踪， 以实现闭环管理； 所述演练方案和培 训纠正改进模块利用应急处置分析记录数据和演练纠正措施， 对演练方案和演前培训进行 优化改进； 所述评估指标和权重纠正改进模块利用应急处置分析记录数据和指标纠正措 施， 对评估指标体系及权重。

21、设定进行优化改进。 0035 本发明的有益效果： 本发明提供的基于深度神经网络的电网灾情应急演练管理系 统通过灾情断面的历史经验， 抓住灾情发生时电气量变化特征， 从众多场景中抓取相应的 灾害场景， 而后通过其内配置的基于深度神经网络的电网灾情评估自学习模块采用深度神 经网络算法进行场景筛选， 进而对电网灾情的严重性进行量化评估， 解决了现有电网灾情 应急演练管理系统在面对众多灾情场景数量的具体优化计算时存在求解困难的问题。 附图说明 0036 为了更清楚地说明本发明实施例的技术方案， 下面将对实施例描述中所需要使用 的附图作简单地介绍， 显而易见地， 下面描述中的附图仅仅是本发明的一些实施例。

22、， 对于本 领域普通技术人员来讲， 在不付出创造性劳动性的前提下， 还可以根据这些附图获得其它 的附图。 其中： 说明书 3/11 页 7 CN 112036680 A 7 0037 图1为本发明提供的基于深度神经网络的电网灾情应急演练管理系统的系统模块 图； 0038 图2为10个月内的地区灾情详况示意图； 0039 图3为本发明涉及的应急演练管理体系流程示意图； 0040 图4为本发明系统应用的实际拓扑图； 0041 图5为本发明系统中提供的基于深度神经网络的电网灾情评估方法的方法流程 图。 具体实施方式 0042 为使本发明的上述目的、 特征和优点能够更加明显易懂， 下面结合说明书附图对。

23、 本发明的具体实施方式做详细的说明， 显然所描述的实施例是本发明的一部分实施例， 而 不是全部实施例。 基于本发明中的实施例， 本领域普通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， 都应当属于本发明的保护的范围。 0043 在下面的描述中阐述了很多具体细节以便于充分理解本发明， 但是本发明还可以 采用其他不同于在此描述的其它方式来实施， 本领域技术人员可以在不违背本发明内涵的 情况下做类似推广， 因此本发明不受下面公开的具体实施例的限制。 0044 其次， 此处所称的 “一个实施例” 或 “实施例” 是指可包含于本发明至少一个实现方 式中的特定特征、 结构或特性。 在本说明书中不。

24、同地方出现的 “在一个实施例中” 并非均指 同一个实施例， 也不是单独的或选择性的与其他实施例互相排斥的实施例。 0045 本发明结合示意图进行详细描述， 在详述本发明实施例时， 为便于说明， 表示器件 结构的剖面图会不依一般比例作局部放大， 而且所述示意图只是示例， 其在此不应限制本 发明保护的范围。 此外， 在实际制作中应包含长度、 宽度及深度的三维空间尺寸。 0046 同时在本发明的描述中， 需要说明的是， 术语中的 “上、 下、 内和外” 等指示的方位 或位置关系为基于附图所示的方位或位置关系， 仅是为了便于描述本发明和简化描述， 而 不是指示或暗示所指的装置或元件必须具有特定的方位、。

25、 以特定的方位构造和操作， 因此 不能理解为对本发明的限制。 此外， 术语 “第一、 第二或第三” 仅用于描述目的， 而不能理解 为指示或暗示相对重要性。 0047 本发明中除非另有明确的规定和限定， 术语 “安装、 相连、 连接” 应做广义理解， 例 如： 可以是固定连接、 可拆卸连接或一体式连接； 同样可以是机械连接、 电连接或直接连接， 也可以通过中间媒介间接相连， 也可以是两个元件内部的连通。 对于本领域的普通技术人 员而言， 可以具体情况理解上述术语在本发明中的具体含义。 0048 实施例1 0049 现有电网灾情应急演练管理系统在面对众多灾情场景数量的具体优化计算时存 在求解困难的。

26、问题， 无法对电网灾情应急演练的管理作出及时有效的判断， 成为本领域亟 待解决的问题之一。 0050 故此， 请参阅图15， 本发明提供一种基于深度神经网络的电网灾情应急演练管 理系统， 包括： 0051 灾情变量抓取模块100， 用于通过灾情断面的历史经验抓取灾情发生时的电气量 变化特征； 说明书 4/11 页 8 CN 112036680 A 8 0052 场景筛选分析模块200， 与灾情变量抓取模块100连接， 通过分析电气量变化特征 获取规律， 并运用规律从众多场景中抓取相应的灾害场景； 0053 灾情自学习模块300， 与场景筛选分析模块200连接， 采用深度神经网络算法进行 灾害场。

27、景的筛选； 0054 评估分析模块400， 与灾情自学习模块300连接， 利用筛选后的灾害场景对电网灾 情的严重性进行量化评估； 0055 应急管理模块500， 与评估分析模块400连接， 根据量化评估的结果进行电网灾情 应急演练管理。 0056 具体的， 灾情变量抓取模块100抓取的电气量变化特征包括电流、 电压和频率。 0057 进一步的， 灾情自学习模块300包括： 0058 预处理模块301， 用于对灾情断面的历史数据进行预处理， 并利用灾情评估指标建 立评级体系； 0059 构建模块302， 用于构建神经网络模型， 并将灾情按其严重程度进行分类作为模型 输出； 0060 训练模块30。

28、3， 用于将经预处理模块301处理的灾情断面的历史数据加载到神经网 络模型后， 选取训练参数对其进行训练和学习； 0061 输出模块304， 用于实时获取新的电网场景输入至完成训练的神经网络模型， 实时 获取灾情评估等级。 0062 其中， 预处理模块301对灾情断面的历史数据进行预处理， 并利用灾情评估指标建 立评级体系包括： 0063 通过获取单元对灾情资料、 暴雨资料、 故障资料和电网分布数据进行收集； 0064 通过处理单元通过危害辨识构建评级体系， 经过归一化处理之后作为网络的输 出。 0065 其中， 评估指标包括受灾面积、 伤亡人数和直接经济损失。 0066 采用如下公式将数据进。

29、行归一化处理， 0067 0068 进行归一化处理的公式作为模型的数据输入有助于简化模型的计算， 加快模型的 数据输出。 0069 如下表1所示为灾害等级及单指标分级标准： 0070 表1： 灾害等级及单指标分级标准 说明书 5/11 页 9 CN 112036680 A 9 0071 0072 而后利用灾害分级指标的函数转化进行相应的函数转化， 如下： 0073 (1)受灾面积(hm2)与伤亡人数(人)的转化函数 0074 0075 (2)经济损失(元)的转化函数 0076 0077 更进一步的， 训练模块303将经预处理模块301处理的灾情断面的历史数据加载到 神经网络模型后， 选取训练参。

30、数对其进行训练和学习的方法包括以下步骤： 0078 数据预处理； 0079 网络初始化， 随机给定各连接权值及输入输出阈值； 0080 给定训练样本和目标输出， 计算和输出各类神经元实际输出值； 0081 调整输入层与隐含层、 隐含层与输出层间的连接权值； 0082 进行重复迭代， 直到实际输出与目标输出误差达到预设要求结束训练， 则模型训 练完成。 0083 优选的， 训练模块303进行训练和学习还包括利用场景缩减方法， 具体为： 0084定 义 n 维 随 机 数 据 过 程的 概 率 分 布 P 通 过 有 限 多 的 场 景 以及其概率pi，来近似； 0085 场景缩减算法决定一个场景。

31、子集合， 并分配给修改过的场景新的概率。 从一个概 率P和Q之间的距离这个角度来讲， 相应被缩减的概率分布Q是最接近原概率分布P的。 0086 此概率距离平衡了场景概率及场景值间的距离。 Kantorovich概率距离Dk作为一 种常用的概率度量， 在以多个场景表示离散概率分布的情况下相当于一个线性运输问题。 0087以Q定义由场景集及相应的概率值qj， j1， ， 表示的另一个n维随机变量 过程 的概率测度， 则此概率距离的定义为： 说明书 6/11 页 10 CN 112036680 A 10 0088 0089 0090其中，t1， T， cT为场景在整个时段1,T 中的 概率距离。 0。

32、091以Q定义由场景集 j及相应的概率值qj， j1， ， 表示的另一个所述 n维随机 变量过程的概率测度具体为， 0092 0093 0094其中，t1， T， cT为场景在整个时段1,T中的概 率距离。 0095 进一步的， 灾情自学习模块300采用深度神经网络算法进行灾害场景的筛选还包 括： 0096 以Q表示 缩减后的概率测度， 即由场景集 jforj1,SJ， J代表被删除的 场景集合； 0097对于固定的基于场景集合表示的Q对于原概率分布P 具有 最小的Dk-distance， 表示为： 0098 Dk(P,Q)pimincT( i, j) 0099缩减后保留的场景 j， 的概率q。

33、j表示为： 0100 qj:pj+pi 0101其中J(j):iI:jj(i)，其表示了最优 的概率重新分配原则， 表示保留场景的概率值等于自身原有的概率值加上所有与之具有cT 测度最小衡量下的被删除场景的概率值。 0102 以固定的删除场景数量#J寻找最优的场景集J的最优缩减问题可表述为： 0103 0104 其中， S S-#J0表示缩减后保留的场景数量， 式中描述的是一个场景覆盖问 题， 是一个NP难问题， 难以找到一般意义下的有效求解算法， 本发明利用目标函数结构开发 快速启发式算法， 如下： 说明书 7/11 页 11 CN 112036680 A 11 0105 假设#J1， 即只。

34、删除一个场景， 前述问题可描述为： 0106 0107 如果在l1,.,S达到最小值， 即删除的场景为 l， 利用概率的重新分配原 则， 可得到缩减后的概率测度Q； 如果其相应的场景概率为 qjqj+ pl， 而对于所有的qlpl； 这种最优的删除一个场景可以不断的迭代重复直至预定 删除场景数量达到S-S 的目标。 0108 更进一步的， 评估分析模块400对电网灾情的严重性进行量化评估采用的方法流 程包括： 0109 计算场景对之间的距离 0110 0111 计算 0112 0113选择设置J1:1,.,Su1； 0114 计算： 0115 0116 0117选择设置Ji:Ji-1uiJ:J。

35、S-s； 0118其中， cT( k, u)表示场景 之间的距离。 0119 其中， 构建模块302构建的神经网络模型包括利用灰色关联分析法对灾损数据进 行计算， 得到综合关联度， 越大则表示灾情越严重。 0120 进一步的， 综合关联度的获取包括： 0121 确定参考序列和比较序列； 0122 定义灾情损失最大时的函数转换值为参考序列、 求差序列； 0123 获取比较序列与参考序列的关联系数； 0124 得出综合关联度。 0125 其中， 灰色关联分析法是根据因素之间发展趋势的相似或相异程度， 亦即 “灰色关 联度” ， 作为衡量因素间关联程度的一种方法。 具体的计算步骤如下： 0126 确。

36、定反映系统行为特征的参考数列和影响系统行为的比较数列。 反映系统行为特 征的数据序列， 称为参考数列。 影响系统行为的因素组成的数据序列， 称比较数列； 0127 对参考数列和比较数列进行无量纲化处理。 由于系统中各因素的物理意义不同， 导致数据的量纲也不一定相同， 不便于比较， 或在比较时难以得到正确的结论。 因此在进行 灰色关联度分析时， 一般都要进行无量纲化的数据处理； 0128 求参考数列与比较数列的灰色关联系数 (Xi)。 所谓关联程度， 实质上是曲线间几 说明书 8/11 页 12 CN 112036680 A 12 何形状的差别程度。 因此曲线间差值大小， 可作为关联程度的衡量尺。

37、度。 对于一个参考数列 X0有若干个比较数列X1,X2,Xn， 各比较数列与参考数列在各个时刻(即曲线中的各点) 的关联系数 (Xi)可由下列公式算出： 0129 0130 其中 为分辨系数， 0， 通常取0.5； 0131 通过以下公式求关联度ri： 0132 0133 因为关联系数是比较数列与参考数列在各个时刻(即曲线中的各点)的关联程度 值， 所以它的数不止一个， 而信息过于分散不便于进行整体性比较。 因此有必要将各个时刻 (即曲线中的各点)的关联系数集中为一个值， 即求其平均值， 作为比较数列与参考数列间 关联程度的数量表示； 0134 关联度排序。 因素间的关联程度， 主要是用关联度。

38、的大小次序描述， 而不仅是关联 度的大小。 将m个子序列对同一母序列的关联度按大小顺序排列起来， 便组成了关联序， 记 为x， 它反映了对于母序列来说各子序列的 “优劣” 关系。 若r0ir0j， 则称xi对于同一 母序列x0优于xj， 记为xixj； 若r0i表1 代表旗县参考数列、 比较数列特征值。 0135 额外的， 应急管理模块500包括应急预案纠正改进模块501、 演练方案和培训纠正 改进模块502和评估指标和权重纠正改进模块503； 0136 应急预案纠正改进模块501针对需要改善指标项所对应的应急处置目标进行跟 踪， 确定导致问题的根本原因、 纠正方法措施及完成时间， 对演习中发。

39、现的不足项和整改项 的纠正措施的实施情况追踪， 以实现闭环管理； 0137 演练方案和培训纠正改进模块502利用应急处置分析记录数据和演练纠正措施， 对演练方案和演前培训进行优化改进； 0138 评估指标和权重纠正改进模块503利用应急处置分析记录数据和指标纠正措施， 对评估指标体系及权重设定进行优化改进。 0139 选用一家电网公司(贵州电网遵义局)， 同时采用现有应急系统及本发明进行为期 10月的灾情应急效果评估， 如图2所示， 为10个月内的地区灾情详况， 如下表2所示， 为采用 本发明以及现有技术进行灾情评估的效果对比表： 0140 表2： 灾情应急效果对比表 0141 应急时间(mi。

40、n) 应急准确度(100) 出现无法应急的次数(次) 现有技术 6.001 79.44 4 本发明 6.71 92.18 0 0142 具体的， 在采用本发明模型进行灾情应急时， 利用本发明系统进行各项指标的绝 对差值计算得出： 0143 01(0.562， 0.244， 0.137， 0.092)， 02(0.372， 0.245， 0.241， 0.159) 0144 03(0.517， 0.272， 0.309， 0.350)， 04(0.327， 0.205， 0.053， 0.020) 0145 05(0.356， 0.306， 0.046， 0.061)， 06(0.453， 0.。

41、316， 0.258， 0.148) 说明书 9/11 页 13 CN 112036680 A 13 0146 07(0.393， 0.269， 0.133， 0.021)， 08(0.493， 0.250， 0.362， 0.281) 0147 09(0.534， 0.140， 0.345， 0.169)， 10(0.267， 0.123， 0.173， 0.040) 0148 再根据本发明提供的优化公式得出： 0149 01(0.640， 0.804， 0.879， 0.916)，02(0.729， 0.803， 0.806， 0.863) 0150 03(0.659， 0.786， 0.。

42、764， 0.741)，04(0.754， 0.829， 0.949， 0.980) 0151 05(0.737， 0.766， 0.956， 0.943)，06(0.688， 0.759， 0.795， 0.871) 0152 07(0.718， 0.788， 0.883， 0.979)，08(0.670， 0.799， 0.734， 0.781) 0153 09(0.652， 0.877， 0.743， 0.855)，010(0.789， 0.890， 0.853， 0.962)。 0154 应当认识到， 本发明的实施例可以由计算机硬件、 硬件和软件的组合、 或者通过存 储在非暂时性计算机。

43、可读存储器中的计算机指令来实现或实施。 所述方法可以使用标准编 程技术-包括配置有计算机程序的非暂时性计算机可读存储介质在计算机程序中实现， 其 中如此配置的存储介质使得计算机以特定和预定义的方式操作根据在具体实施例中 描述的方法和附图。 每个程序可以以高级过程或面向对象的编程语言来实现以与计算机系 统通信。 然而， 若需要， 该程序可以以汇编或机器语言实现。 在任何情况下， 该语言可以是编 译或解释的语言。 此外， 为此目的该程序能够在编程的专用集成电路上运行。 0155 此外， 可按任何合适的顺序来执行本文描述的过程的操作， 除非本文另外指示或 以其他方式明显地与上下文矛盾。 本文描述的过。

44、程(或变型和/或其组合)可在配置有可执 行指令的一个或多个计算机系统的控制下执行， 并且可作为共同地在一个或多个处理器上 执行的代码(例如， 可执行指令、 一个或多个计算机程序或一个或多个应用)、 由硬件或其组 合来实现。 所述计算机程序包括可由一个或多个处理器执行的多个指令。 0156 进一步， 所述方法可以在可操作地连接至合适的任何类型的计算平台中实现， 包 括但不限于个人电脑、 迷你计算机、 主框架、 工作站、 网络或分布式计算环境、 单独的或集成 的计算机平台、 或者与带电粒子工具或其它成像装置通信等等。 本发明的各方面可以以存 储在非暂时性存储介质或设备上的机器可读代码来实现， 无论。

45、是可移动的还是集成至计算 平台， 如硬盘、 光学读取和/或写入存储介质、 RAM、 ROM等， 使得其可由可编程计算机读取， 当 存储介质或设备由计算机读取时可用于配置和操作计算机以执行在此所描述的过程。 此 外， 机器可读代码， 或其部分可以通过有线或无线网络传输。 当此类媒体包括结合微处理器 或其他数据处理器实现上文所述步骤的指令或程序时， 本文所述的发明包括这些和其他不 同类型的非暂时性计算机可读存储介质。 当根据本发明所述的方法和技术编程时， 本发明 还包括计算机本身。 计算机程序能够应用于输入数据以执行本文所述的功能， 从而转换输 入数据以生成存储至非易失性存储器的输出数据。 输出信。

46、息还可以应用于一个或多个输出 设备如显示器。 在本发明优选的实施例中， 转换的数据表示物理和有形的对象， 包括显示器 上产生的物理和有形对象的特定视觉描绘。 0157 如在本申请所使用的， 术语 “组件” 、“模块” 、“系统” 等等旨在指代计算机相关实 体， 该计算机相关实体可以是硬件、 固件、 硬件和软件的结合、 软件或者运行中的软件。 例 如， 组件可以是， 但不限于是： 在处理器上运行的处理、 处理器、 对象、 可执行文件、 执行中的 线程、 程序和/或计算机。 作为示例， 在计算设备上运行的应用和该计算设备都可以是组件。 一个或多个组件可以存在于执行中的过程和/或线程中， 并且组件可。

47、以位于一个计算机中 以及/或者分布在两个或更多个计算机之间。 此外， 这些组件能够从在其上具有各种数据结 说明书 10/11 页 14 CN 112036680 A 14 构的各种计算机可读介质中执行。 这些组件可以通过诸如根据具有一个或多个数据分组 (例如， 来自一个组件的数据， 该组件与本地系统、 分布式系统中的另一个组件进行交互和/ 或以信号的方式通过诸如互联网之类的网络与其它系统进行交互) 的信号， 以本地和/或 远程过程的方式进行通信。 0158 应说明的是， 以上实施例仅用以说明本发明的技术方案而非限制， 尽管参照较佳 实施例对本发明进行了详细说明， 本领域的普通技术人员应当理解， 可以对本发明的技术 方案进行修改或者等同替换， 而不脱离本发明技术方案的精神和范围， 其均应涵盖在本发 明的权利要求范围当中。 说明书 11/11 页 15 CN 112036680 A 15 图1 图2 说明书附图 1/3 页 16 CN 112036680 A 16 图3 图4 说明书附图 2/3 页 17 CN 112036680 A 17 图5 说明书附图 3/3 页 18 CN 112036680 A 18 。