(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 202111520565.9 (22)申请日 2021.12.13 (71)申请人 广西电网有限责任公司北海供电局 地址 536000 广西壮 族自治区北海市海 城 区北部湾东路27号供电大厦 申请人 广西电网有限责任公司 (72)发明人 戚焕兴　廖云　黄莹璇　罗添允　 蔡宛达　杨加意　潘连荣　袁亚湘　 (74)专利代理 机构 广州市专 注鱼专利代理有限 公司 44456 代理人 刘玉珠 (51)Int.Cl. G06Q 10/04(2012.01) G06Q 10/06(2012.01) G06Q 50/06(2012.01)G06N 3/08(2006.01) (54)发明名称 一种电力调度故障处 理操作量预测方法 (57)摘要 本发明公开一种电力调度故障处理操作量 预测方法， 包括： 获取电网故障历史数据； 对电网 故障历史数据进行量化处理， 对气象数据和电力 负荷进行标签化处理； 对量化处理后的数据进行 样本平衡； 基于平衡后的数据搭建线性拟合模 型， 根据数据权重甄选关键的训练数据类型； 确 定并搭建DBN模型； 利用电网故障历史数据对DBN 模型进行训练； 利用DBN模型预测将来一段时间 内的电力调度故障处理操作量。 本发 明可对未来 7天内电力调度故障处理操作量进行有效预测。 作为电力调度值班计划的依据， 在预先预测知晓 故障处理操作量多的情况下提前安排加强值班。 为电力调度运行的提前风险管控有重大意义， 改 变了现有事后应急处 理的窘境。 权利要求书1页 说明书9页 附图7页 CN 114219146 A 2022.03.22 CN 114219146 A 1.一种电力调度故障处 理操作量预测方法， 其特 征在于， 包括以下步骤： 步骤S1、 获取电网故障历史数据； 步骤S2、 对电网故障历史数据进行量化处理， 形成电力调度故障处理操作量数据， 对气 象数据和电力负荷进行 标签化处 理； 步骤S3、 对量 化处理后的数据按SMOTE算法进行样本平衡； 步骤S4、 基于平衡后的数据搭建线性拟合模型， 根据数据权重甄选关键的训练数据类 型； 步骤S5、 确定并搭建DBN模型； 步骤S6、 调节网络参数、 选择适宜训练算法， 利用电网故障历史数据对DBN模型进行训 练； 步骤S7、 利用DBN模型 预测将来 一段时间内的电力调度故障处 理操作量。 2.根据权利要求1所述的电力调度故障处理操作量预测方法， 其特征在于， 所述对电网 故障历史数据进行量 化处理包括： 步骤S201、 以某一时间单位作为区间划分， 将该某一时间单位内的每一项电网故障类 型赋予分值， 同一类电网故障类型分值相同， 电网故障将转化为直观反 映调度故障处理操 作量的分值； 步骤S202、 统计该某一时间单位内同一类电网故障类型出现的次数， 计算同一类电网 故障类型的总分值， 形成量 化的电网故障操作数据。 3.根据权利要求2所述的电力调度故障处理操作量预测方法， 其特征在于， 所述时间单 位按小时或天为单位。 4.根据权利要求2所述的电力调度故障处理操作量预测方法， 其特征在于， 所述同一类 电网故障类型的总分值 ＝每一项电网故障类型的单一分值 ×该电网故障类型 出现的次数。 5.根据权利要求1所述的电力调度故障处理操作量预测方法， 其特征在于， 所述关键的 训练数据类型包括气温、 降雨 量、 云量、 气压、 风速、 电力负荷。 6.根据权利要求1所述的电力调度故障处理操作量预测方法， 其特征在于， 所述电网故 障历史数据包括故障时的气象数据、 电力负荷。权　利　要　求　书 1/1 页 2 CN 114219146 A 2一种电力调度故障处理操作量预测方 法 技术领域 [0001]本发明涉及电网调度控制技术领域， 特别涉及一种电力调度故障处理操作量预测 方法。 背景技术 [0002]电力调度值班应合理安排值班人数， 以满足值班工作量的要求。 目前， 广西电网调 度值班方式主要依据计划工作量安排， 在故障多发期间因调 度值班人员不足导致的故障处 理时间长、 人员过劳， 工作量堵塞等问题长期存在。 电力调度故障处理操作量的可靠预测是 实现合理调度潮汐值班的前提条件， 如果无法提前预测调度故障处理操作量， 将不能很好 地提前做好 值班人员的排班安 排， 因此有必要对现有技 术进行改进。 发明内容 [0003]本发明的目的是提供一种电力调度故障处理操作量预测方法， 可以解决现有技术 中不能提前预测调度故障处理操作量而导致的在故障多发期间因调度值班人员不足导致 的故障处 理时间长、 人员过劳、 工作量堵塞等问题。 [0004]本发明的目的是通过以下技 术方案实现的： [0005]本发明提供一种电力调度故障处 理操作量预测方法， 包括以下步骤： [0006]步骤S1、 获取电网故障历史数据； [0007]步骤S2、 对电网故障历史数据进行量化 处理， 形成电力调度故障处理操作量数据， 对气象数据和电力负荷进行 标签化处 理； [0008]步骤S3、 对量 化处理后的数据按SMOTE算法进行样本平衡； [0009]步骤S4、 基于平衡后的数据搭建线性拟合模型， 根据数据权重甄选关键的训练数 据类型； [0010]步骤S5、 确定并搭建DBN模型； [0011]步骤S6、 调节网络参数、 选择适宜训练算法， 利用电网故障历史数据 对DBN 模型进 行训练； [0012]步骤S7、 利用DBN模型 预测将来 一段时间内的电力调度故障处 理操作量。 [0013]进一步的， 所述对电网故障历史数据进行量 化处理包括： [0014]步骤S201、 以某一时间单位作为区间划分， 将该某一时间单位内的每一项电网故 障类型赋予分值， 同一类电网故障类型分值相同， 电网故障将转化为直观反映调度故障处 理操作量的分值； [0015]步骤S202、 统计该某一时间单位内同一类电网故障类型出现的次数， 计算同一类 电网故障类型的总分值， 形成量 化的电网故障操作数据。 [0016]进一步的， 所述时间单位按 小时或天为单位。 [0017]进一步的， 所述同一类电网故障类型的总分值＝每一项电网故障类型的单一分值 ×该电网故障类型 出现的次数。说　明　书 1/9 页 3 CN 114219146 A 3