本發(fā)明涉及電力安全技術(shù)領(lǐng)域，尤其涉及一種供電可靠性數(shù)據(jù)的處理方法及處理裝置。

背景技術(shù)：

配電網(wǎng)是電力系統(tǒng)的重要組成部分，其供電的安全可靠程度直接影響著國(guó)民經(jīng)濟(jì)的發(fā)展和人民生活水平的提升。配電網(wǎng)是電力用戶與高壓電網(wǎng)連接的橋梁，一旦發(fā)生故障或檢修施工，即會(huì)造成用戶端供電中斷，直接影響用戶的正常生活用電，嚴(yán)重時(shí)將造成生產(chǎn)秩序的混亂，帶來巨大的經(jīng)濟(jì)損失。配電網(wǎng)供電可靠性是用來評(píng)估供電系統(tǒng)對(duì)用戶持續(xù)供電的能力，在一定程度上體現(xiàn)了供電企業(yè)在電網(wǎng)建設(shè)、電網(wǎng)改造以及電網(wǎng)維護(hù)等各個(gè)方面的綜合能力。進(jìn)一步提升配網(wǎng)供電可靠性，不僅可以最大限度的滿足電力用戶的用電需求，同時(shí)也有利于促進(jìn)電網(wǎng)建設(shè)的完善和發(fā)展。

目前，配電網(wǎng)的可靠性評(píng)估主要采用基于BP(Back Propagation，反向傳播)神經(jīng)網(wǎng)絡(luò)的城市供電可靠性預(yù)測(cè)方法，將人工神經(jīng)網(wǎng)絡(luò)應(yīng)用到供電可靠性研究當(dāng)中。該方法找出影響供電可靠性的主要特征量，并將主要特征量的歷史數(shù)據(jù)作為輸入樣本對(duì)人工神經(jīng)網(wǎng)絡(luò)進(jìn)行訓(xùn)練。該方法具有一定的有效性，但其考慮的供電可靠性影響因素具有一定的局限性，且樣本數(shù)據(jù)較少，預(yù)測(cè)結(jié)果的精度會(huì)受到一定影響。另外BP神經(jīng)網(wǎng)絡(luò)算法需要設(shè)置大量網(wǎng)絡(luò)訓(xùn)練參數(shù)，容易陷入局部最優(yōu)解，并且學(xué)習(xí)率的選擇對(duì)結(jié)果的精度也比較敏感。

技術(shù)實(shí)現(xiàn)要素：

有鑒于此，有必要提供一種供電可靠性數(shù)據(jù)的處理方法及處理裝置，能夠克服BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度緩慢、容易陷入局部最優(yōu)的問題，有效提升供電可靠性分析的精度和穩(wěn)定性，并能根據(jù)分析對(duì)配電網(wǎng)進(jìn)行調(diào)整，提升供電可靠性。

一種供電可靠性數(shù)據(jù)的處理方法，其包括：

根據(jù)影響供電可靠性的若干指標(biāo)構(gòu)建第一矩陣，根據(jù)供電可靠性的評(píng)價(jià)指標(biāo)數(shù)據(jù)構(gòu)建第二矩陣；

對(duì)所述第一矩陣的相關(guān)系數(shù)矩陣進(jìn)行主成分分析計(jì)算，得到若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本；

多次調(diào)整隱含層神經(jīng)元數(shù)，每次調(diào)整后根據(jù)所述第二矩陣、所述若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本及預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算對(duì)應(yīng)的決定系數(shù)；

根據(jù)多次調(diào)整隱含層神經(jīng)元數(shù)計(jì)算得到的所述決定系數(shù)，得到最佳隱含層神經(jīng)元數(shù)，建立供電可靠性數(shù)據(jù)的處理模型；

根據(jù)所述處理模型對(duì)配電網(wǎng)進(jìn)行可靠性分析，并根據(jù)分析結(jié)果調(diào)整所述配電網(wǎng)。

在其中一個(gè)實(shí)施例中，所述若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本包括若干訓(xùn)練集樣本及若干測(cè)試集樣本；所述計(jì)算對(duì)應(yīng)的決定系數(shù)，包括：

將所述訓(xùn)練集樣本代入預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算得到隱含層輸出矩陣；

根據(jù)所述第二矩陣及所述隱含層輸出矩陣計(jì)算輸出層權(quán)值，得到所述初始模型對(duì)應(yīng)的訓(xùn)練模型；

將所述測(cè)試集樣本代入所述訓(xùn)練模型，計(jì)算當(dāng)前隱含層神經(jīng)元數(shù)對(duì)應(yīng)的供電可靠性計(jì)算值；

將所述供電可靠性計(jì)算值與預(yù)存的參考值進(jìn)行對(duì)比，計(jì)算得到當(dāng)前隱含層神經(jīng)元數(shù)對(duì)應(yīng)的決定系數(shù)。

在其中一個(gè)實(shí)施例中，所述根據(jù)所述第二矩陣及所述隱含層輸出矩陣計(jì)算輸出層權(quán)值，為：根據(jù)β＝H⁺T計(jì)算輸出層權(quán)值；

其中，H為所述隱含層輸出矩陣，H⁺為所述隱含層輸出矩陣的穆爾一彭羅斯廣義逆矩陣，β為所述輸出層權(quán)值。

在其中一個(gè)實(shí)施例中，所述對(duì)所述第一矩陣的相關(guān)系數(shù)矩陣進(jìn)行主成分分析計(jì)算，得到若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本，包括：

根據(jù)預(yù)設(shè)的特征方程，對(duì)所述第一矩陣的標(biāo)準(zhǔn)化矩陣進(jìn)行求解處理，得到特征值和特征向量；

根據(jù)所述特征值及預(yù)設(shè)的貢獻(xiàn)率計(jì)算公式，按照所述特征值由大到小的順序依次計(jì)算累計(jì)貢獻(xiàn)率，根據(jù)所述累計(jì)貢獻(xiàn)率及預(yù)設(shè)閾值確定若干目標(biāo)主成分；

根據(jù)所述特征值及所述特征向量計(jì)算所述若干目標(biāo)主成分的載荷系數(shù)及主成分得分，并將所述若干目標(biāo)主成分作為極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本。

在其中一個(gè)實(shí)施例中，所述根據(jù)分析結(jié)果調(diào)整所述配電網(wǎng)，包括：根據(jù)分析結(jié)果對(duì)所述配電網(wǎng)的網(wǎng)架結(jié)構(gòu)、設(shè)備及運(yùn)行維護(hù)中的至少一種進(jìn)行調(diào)整。

一種供電可靠性數(shù)據(jù)的處理裝置，其包括：

矩陣構(gòu)建模塊，用于根據(jù)影響供電可靠性的若干指標(biāo)構(gòu)建第一矩陣，根據(jù)供電可靠性的評(píng)價(jià)指標(biāo)數(shù)據(jù)構(gòu)建第二矩陣；

第一計(jì)算模塊，用于對(duì)所述第一矩陣的相關(guān)系數(shù)矩陣進(jìn)行主成分分析計(jì)算，得到若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本；

第二計(jì)算模塊，用于多次調(diào)整隱含層神經(jīng)元數(shù)，每次調(diào)整后根據(jù)所述第二矩陣、所述若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本及預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算對(duì)應(yīng)的決定系數(shù)；

模型建立模塊，用于根據(jù)多次調(diào)整隱含層神經(jīng)元數(shù)計(jì)算得到的所述決定系數(shù)，得到最佳隱含層神經(jīng)元數(shù)，建立供電可靠性數(shù)據(jù)的處理模型；

調(diào)整模塊，用于根據(jù)所述處理模型對(duì)配電網(wǎng)進(jìn)行可靠性分析，并根據(jù)分析結(jié)果調(diào)整所述配電網(wǎng)。

在其中一個(gè)實(shí)施例中，所述若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本包括若干訓(xùn)練集樣本及若干測(cè)試集樣本；所述第二計(jì)算模塊包括：

第一計(jì)算單元，用于將所述訓(xùn)練集樣本代入預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算得到隱含層輸出矩陣；

第二計(jì)算單元，用于根據(jù)所述第二矩陣及所述隱含層輸出矩陣計(jì)算輸出層權(quán)值，得到所述初始模型對(duì)應(yīng)的訓(xùn)練模型；

第三計(jì)算單元，用于將所述測(cè)試集樣本代入所述訓(xùn)練模型，計(jì)算當(dāng)前隱含層神經(jīng)元數(shù)對(duì)應(yīng)的供電可靠性計(jì)算值；

第四計(jì)算單元，用于將所述供電可靠性計(jì)算值與預(yù)存的參考值進(jìn)行對(duì)比，計(jì)算得到當(dāng)前隱含層神經(jīng)元數(shù)對(duì)應(yīng)的決定系數(shù)。

在其中一個(gè)實(shí)施例中，所述第二計(jì)算單元用于根據(jù)β＝H⁺T計(jì)算輸出層權(quán)值；

其中，H為所述隱含層輸出矩陣，H⁺為所述隱含層輸出矩陣的穆爾一彭羅斯廣義逆矩陣，β為所述輸出層權(quán)值。

在其中一個(gè)實(shí)施例中，所述第一計(jì)算模塊包括：

求解單元，用于根據(jù)預(yù)設(shè)的特征方程，對(duì)所述第一矩陣的標(biāo)準(zhǔn)化矩陣進(jìn)行求解處理，得到特征值和特征向量；

第五計(jì)算單元，用于根據(jù)所述特征值及預(yù)設(shè)的貢獻(xiàn)率計(jì)算公式，按照所述特征值由大到小的順序依次計(jì)算累計(jì)貢獻(xiàn)率，根據(jù)所述累計(jì)貢獻(xiàn)率及預(yù)設(shè)閾值確定若干目標(biāo)主成分，并將所述若干目標(biāo)主成分作為極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本；

第六計(jì)算單元，用于根據(jù)所述特征值及所述特征向量計(jì)算所述若干目標(biāo)主成分的載荷系數(shù)及主成分得分。

上述供電可靠性數(shù)據(jù)的處理方法及處理裝置，首先利用PCA技術(shù)融合多方面影響供電可靠性的特征指標(biāo)以消除特征間的冗余性和相關(guān)性；進(jìn)一步利用極限學(xué)習(xí)機(jī)算法訓(xùn)練供電可靠性預(yù)測(cè)模型。該方法利用統(tǒng)計(jì)學(xué)理論對(duì)特征指標(biāo)進(jìn)行預(yù)處理，有效的提升了極限學(xué)習(xí)機(jī)算法的泛化性能，克服了BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度緩慢、容易陷入局部最優(yōu)的問題，有效的提升了供電可靠性預(yù)測(cè)的精度和穩(wěn)定性，并能根據(jù)分析對(duì)配電網(wǎng)進(jìn)行調(diào)整，提升供電可靠性。

本發(fā)明實(shí)施例選取更多更全面的供電可靠性影響因素，挖掘多方面指標(biāo)對(duì)供電可靠性的影響，并采集更多的數(shù)據(jù)樣本訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，適用于多輸入變量的情況，可以對(duì)配電網(wǎng)供電可靠性進(jìn)行更加全面的分析，能夠?yàn)樘嵘潆娋W(wǎng)供電可靠性提供科學(xué)的決策參考依據(jù)。其中在建立神經(jīng)網(wǎng)絡(luò)模型前，對(duì)輸入數(shù)據(jù)進(jìn)行主成分分析的預(yù)處理，有效的實(shí)現(xiàn)了輸入數(shù)據(jù)的降維，并去除各指標(biāo)之間的相關(guān)性，提升了極限學(xué)習(xí)機(jī)訓(xùn)練模型的預(yù)測(cè)精度。而采用極限學(xué)習(xí)機(jī)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，相對(duì)于傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)，極限學(xué)習(xí)機(jī)的預(yù)測(cè)精度高，穩(wěn)定性強(qiáng)，訓(xùn)練速度快，泛化能力好。

附圖說明

為了更清楚地說明本發(fā)明實(shí)施例或現(xiàn)有技術(shù)中的技術(shù)方案，下面將對(duì)實(shí)施例或現(xiàn)有技術(shù)描述中所需要使用的附圖作簡(jiǎn)單地介紹，顯而易見地，下面描述中的附圖僅僅是本發(fā)明的一些實(shí)施例，對(duì)于本領(lǐng)域普通技術(shù)人員來講，在不付出創(chuàng)造性勞動(dòng)的前提下，還可以根據(jù)這些附圖獲得其他實(shí)施例的附圖。

圖1為一實(shí)施例的供電可靠性數(shù)據(jù)的處理方法的流程示意圖；

圖2為一實(shí)施例的供電可靠性數(shù)據(jù)的處理方法的原理示意圖；

圖3為另一實(shí)施例的供電可靠性數(shù)據(jù)的處理方法的流程示意圖；

圖4為又一實(shí)施例的供電可靠性數(shù)據(jù)的處理方法的流程示意圖；

圖5為又一實(shí)施例的供電可靠性數(shù)據(jù)的處理方法的流程示意圖；

圖6為一實(shí)施例的供電可靠性數(shù)據(jù)的處理裝置的結(jié)構(gòu)示意圖；

圖7為又一實(shí)施例的供電可靠性數(shù)據(jù)的處理裝置的結(jié)構(gòu)示意圖；

圖8為又一實(shí)施例的供電可靠性數(shù)據(jù)的處理裝置的結(jié)構(gòu)示意圖。

具體實(shí)施方式

為了使本發(fā)明的目的、技術(shù)方案及優(yōu)點(diǎn)更加清楚明白，以下結(jié)合附圖及實(shí)施例，對(duì)本發(fā)明進(jìn)行進(jìn)一步詳細(xì)說明。應(yīng)當(dāng)理解，此處所描述的具體實(shí)施例僅僅用以解釋本發(fā)明，并不用于限定本發(fā)明。

在本發(fā)明的描述中，需要理解的是，術(shù)語(yǔ)“第一”、“第二”僅用于描述目的，而不能理解為指示或暗示相對(duì)重要性或者隱含指明所指示的技術(shù)特征的數(shù)量。由此，限定有“第一”、“第二”的特征可以明示或者隱含地包括至少一個(gè)該特征。在本發(fā)明的描述中，“多個(gè)”的含義是至少兩個(gè)，例如兩個(gè)，三個(gè)等，除非另有明確具體的限定。

下面結(jié)合附圖描述根據(jù)本發(fā)明實(shí)施例的供電可靠性數(shù)據(jù)的處理方法及處理裝置。例如，供電可靠性數(shù)據(jù)的處理方法，包括以下步驟：根據(jù)影響供電可靠性的若干指標(biāo)構(gòu)建第一矩陣，根據(jù)供電可靠性的評(píng)價(jià)指標(biāo)數(shù)據(jù)構(gòu)建第二矩陣；對(duì)所述第一矩陣的相關(guān)系數(shù)矩陣進(jìn)行主成分分析計(jì)算，得到若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本；多次調(diào)整隱含層神經(jīng)元數(shù)，每次調(diào)整隱含層神經(jīng)元數(shù)后根據(jù)所述第二矩陣、所述若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本及預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算對(duì)應(yīng)的決定系數(shù)；根據(jù)多次調(diào)整隱含層神經(jīng)元數(shù)計(jì)算得到的所述決定系數(shù)，得到最佳隱含層神經(jīng)元數(shù)，建立供電可靠性數(shù)據(jù)的處理模型；根據(jù)所述處理模型對(duì)配電網(wǎng)進(jìn)行可靠性分析，并根據(jù)分析結(jié)果調(diào)整所述配電網(wǎng)。例如，調(diào)整配電網(wǎng)，包括對(duì)配電網(wǎng)的網(wǎng)架結(jié)構(gòu)、設(shè)備、運(yùn)行維護(hù)等進(jìn)行調(diào)整，又如，對(duì)配電網(wǎng)的網(wǎng)架結(jié)構(gòu)、設(shè)備、運(yùn)行維護(hù)的參數(shù)或者指標(biāo)等進(jìn)行調(diào)整。

例如，圖1為一實(shí)施例的供電可靠性數(shù)據(jù)的處理方法的流程示意圖。如圖1所示，所述處理方法包括以下步驟：

S110，根據(jù)影響供電可靠性的若干指標(biāo)構(gòu)建第一矩陣，根據(jù)供電可靠性的評(píng)價(jià)指標(biāo)數(shù)據(jù)構(gòu)建第二矩陣。

作為一種實(shí)施方式，收集各地區(qū)影響供電可靠性的若干個(gè)指標(biāo)，構(gòu)成變量采樣的原始數(shù)據(jù)矩陣，即第一矩陣。收集供電可靠性評(píng)價(jià)指標(biāo)數(shù)據(jù)，構(gòu)成人工神經(jīng)網(wǎng)絡(luò)的輸出變量矩陣，即第二矩陣。例如，第一矩陣記為X_n×p，第二矩陣記為T。

例如，收集各地區(qū)影響供電可靠性的p個(gè)指標(biāo)，構(gòu)成第一矩陣X_n×p。第一矩陣X_n×p中，n表示采集樣本數(shù)，p表示待評(píng)價(jià)的影響供電可靠性的指標(biāo)個(gè)數(shù)，即X_n×p＝(X₁,X₂,X₃,...X_p)，X_j＝(x_1j,x_2j,x_3j,...,x_nj)′，x_nj表示第n個(gè)樣本在第j(j＝1,2,3,...,p)個(gè)指標(biāo)上的觀測(cè)值。又如，第一矩陣表示為：

其中，p個(gè)影響供電可靠性的指標(biāo)包括配電網(wǎng)的網(wǎng)架結(jié)構(gòu)指標(biāo)、技術(shù)裝備指標(biāo)、設(shè)備質(zhì)量指標(biāo)及運(yùn)維檢修指標(biāo)四類，其中網(wǎng)架結(jié)構(gòu)指標(biāo)包括環(huán)網(wǎng)率、網(wǎng)絡(luò)接線標(biāo)準(zhǔn)化率、站間聯(lián)絡(luò)率及線路平均分段數(shù)等至少一種；技術(shù)裝備指標(biāo)包括絕緣化率、架空絕緣化率及電纜化率等至少一種；設(shè)備質(zhì)量指標(biāo)包括報(bào)廢配電變壓器的平均壽命、報(bào)廢開關(guān)柜的平均壽命及配網(wǎng)設(shè)備累計(jì)缺陷數(shù)等至少一種；中壓故障停電平均持續(xù)時(shí)間、急修到位平均時(shí)間、故障定位平均時(shí)間、復(fù)電平均時(shí)間等運(yùn)維檢修指標(biāo)。

其中，供電可靠性評(píng)價(jià)指標(biāo)包括：供電可靠率RS-1，供電可靠率(不計(jì)外部影響)RS-2，供電可靠率(不計(jì)限電)RS-3等。

S120，對(duì)所述第一矩陣的相關(guān)系數(shù)矩陣進(jìn)行主成分分析計(jì)算，得到若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本。

本發(fā)明實(shí)施例采用主成分分析對(duì)多種供電影響因素進(jìn)行融合降維，并將得到的綜合變量作為輸入量利用極限學(xué)習(xí)機(jī)訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)模型。

其中，主成分分析(Principal Component Analysis，PCA)是一種重要的數(shù)據(jù)統(tǒng)計(jì)方法，其設(shè)法將原來眾多具有一定相關(guān)性的數(shù)據(jù)指標(biāo)，通過線性組合得到新的綜合變量，這些綜合變量不僅保留了原始變量的絕大部分信息，而且彼此之間互不相關(guān)，實(shí)現(xiàn)了降維的目的，使問題得到了最佳綜合。極限學(xué)習(xí)機(jī)(Extreme Learning Machine，ELM)是一種有效的單隱層前饋神經(jīng)網(wǎng)絡(luò)學(xué)習(xí)算法，具有訓(xùn)練速度快且泛化性能好的優(yōu)點(diǎn)。

一般主成分分析可采用協(xié)方差矩陣或相關(guān)系數(shù)矩陣來進(jìn)行分析。本實(shí)施例中，考慮到影響供電可靠性的各個(gè)指標(biāo)量綱不同，為了消除不同量綱的影響，采用第一矩陣的相關(guān)系數(shù)矩陣進(jìn)行主成分分析。

其中，在步驟S120之前，還包括步驟：計(jì)算得到所述第一矩陣的相關(guān)系數(shù)矩陣。例如，對(duì)第一矩陣進(jìn)行標(biāo)準(zhǔn)化處理得到其標(biāo)準(zhǔn)化矩陣，該標(biāo)準(zhǔn)化矩陣記為對(duì)該標(biāo)準(zhǔn)化矩陣求解，得到其相關(guān)系數(shù)矩陣，該相關(guān)系數(shù)矩陣記為R。

作為一種實(shí)施方式，對(duì)第一矩陣進(jìn)行標(biāo)準(zhǔn)化處理時(shí)，為了消除由于原始變量量綱不同所帶來的影響，原始數(shù)據(jù)矩陣采用z分?jǐn)?shù)標(biāo)準(zhǔn)化(z-score)方法進(jìn)行處理，即：

其中，X_j為第一矩陣X_n×p中第j列的數(shù)據(jù)；E(X_j)為X_j的均值，亦可表示為Var(X_j)為X_j的方差。

作為一種實(shí)施方式，任意兩個(gè)變量之間的相關(guān)系數(shù)的計(jì)算公式如下：

其中，r_ij表示X_i與X_j之間的相關(guān)系數(shù)，且r_ij＝r_ji。

根據(jù)相關(guān)系數(shù)的計(jì)算公式得到標(biāo)準(zhǔn)化后p個(gè)變量指標(biāo)之間的相關(guān)系數(shù)，并構(gòu)成相關(guān)系數(shù)矩陣R，即：

S130，多次調(diào)整隱含層神經(jīng)元數(shù)，每次調(diào)整后根據(jù)所述第二矩陣、所述若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本及預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算對(duì)應(yīng)的決定系數(shù)。

其中，在極限學(xué)習(xí)建模過程中，理論上隱含層神經(jīng)元的個(gè)數(shù)與訓(xùn)練集樣本數(shù)相同時(shí)，極限學(xué)習(xí)可以完全逼近訓(xùn)練樣本。但訓(xùn)練集樣本的擬合效果好不代表測(cè)試集的預(yù)測(cè)正確率就會(huì)高。通過大量實(shí)驗(yàn)測(cè)試，發(fā)現(xiàn)當(dāng)隱含層神經(jīng)元的個(gè)數(shù)達(dá)到一定值時(shí)，預(yù)測(cè)樣本的正確率呈現(xiàn)下降趨勢(shì)。因此，本發(fā)明實(shí)施例多次調(diào)整隱含層神經(jīng)元數(shù)，綜合訓(xùn)練集的擬合程度以及測(cè)試集的正確率，以決定最佳的神經(jīng)元個(gè)數(shù)。

作為一種實(shí)施方式，在調(diào)整隱含層神經(jīng)元數(shù)并計(jì)算決定系數(shù)之前，先選定初始模型所需的參數(shù)或獲取初始模型所需的預(yù)設(shè)參數(shù)。例如，選定或獲取預(yù)設(shè)的三層神經(jīng)網(wǎng)絡(luò)隱含層激活函數(shù)以及隱含層神經(jīng)元個(gè)數(shù)，并選取網(wǎng)絡(luò)輸入側(cè)與隱含層神經(jīng)元的連接權(quán)值及偏移量。

S140，根據(jù)多次調(diào)整隱含層神經(jīng)元數(shù)計(jì)算得到的所述決定系數(shù)，得到最佳隱含層神經(jīng)元數(shù)，建立供電可靠性數(shù)據(jù)的處理模型。例如，根據(jù)多次調(diào)整隱含層神經(jīng)元數(shù)，計(jì)算得到若干對(duì)應(yīng)的所述決定系數(shù)，選取最接近1的決定系數(shù)，確定其所對(duì)應(yīng)的隱含層神經(jīng)元數(shù)，以之作為最佳隱含層神經(jīng)元數(shù)。然后，根據(jù)該最佳隱含層神經(jīng)元數(shù)，建立供電可靠性數(shù)據(jù)的處理模型。

本發(fā)明實(shí)施例中，決定系數(shù)代表模型的擬合優(yōu)度，決定系數(shù)越大，表示模型的擬合效果越接近真實(shí)值。例如，決定系數(shù)的范圍為[0，1]，決定系數(shù)越接近1表示模型性能越好，決定系數(shù)接越近于0則表示模型性能較差。

通過比較每次調(diào)整對(duì)應(yīng)的所述決定系數(shù)，選取決定系數(shù)接近1時(shí)的隱含層神經(jīng)元數(shù)作為最優(yōu)解，能夠使得處理模型具有較高的擬合優(yōu)度，利用該處理模型對(duì)配電網(wǎng)進(jìn)行可靠性分析，能夠使得分析結(jié)果與配電網(wǎng)的實(shí)際情況更接近。

S150，根據(jù)所述處理模型對(duì)配電網(wǎng)進(jìn)行可靠性分析，并根據(jù)分析結(jié)果調(diào)整所述配電網(wǎng)。例如，根據(jù)分析結(jié)果對(duì)所述配電網(wǎng)的網(wǎng)架結(jié)構(gòu)、設(shè)備及運(yùn)行維護(hù)中的至少一種進(jìn)行調(diào)整。例如，根據(jù)所述處理模型對(duì)配電網(wǎng)進(jìn)行可靠性分析，得到分析結(jié)果，然后根據(jù)分析結(jié)果調(diào)整所述配電網(wǎng)。

具體地，上述調(diào)整包括但不限于對(duì)配電網(wǎng)的環(huán)網(wǎng)率、網(wǎng)絡(luò)接線情況、站間聯(lián)絡(luò)率、線路平均分段數(shù)、電纜長(zhǎng)度、架空絕緣線纜長(zhǎng)度、檢修周期等進(jìn)行調(diào)整。

如圖2所示，上述供電可靠性數(shù)據(jù)的處理方法，首先利用PCA技術(shù)融合多方面影響供電可靠性的特征指標(biāo)以消除特征間的冗余性和相關(guān)性；進(jìn)一步利用極限學(xué)習(xí)機(jī)算法訓(xùn)練供電可靠性預(yù)測(cè)模型。該方法利用統(tǒng)計(jì)學(xué)理論對(duì)特征指標(biāo)進(jìn)行預(yù)處理，有效的提升了極限學(xué)習(xí)機(jī)算法的泛化性能，克服了BP神經(jīng)網(wǎng)絡(luò)訓(xùn)練速度緩慢、容易陷入局部最優(yōu)的問題，有效的提升了供電可靠性預(yù)測(cè)的精度和穩(wěn)定性。

本發(fā)明實(shí)施例選取更多更全面的供電可靠性影響因素，挖掘多方面指標(biāo)對(duì)供電可靠性的影響，并采集更多的數(shù)據(jù)樣本訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，適用于多輸入變量的情況，可以對(duì)配電網(wǎng)供電可靠性進(jìn)行更加全面的分析，能夠?yàn)樘嵘潆娋W(wǎng)供電可靠性提供科學(xué)的決策參考依據(jù)。其中在建立神經(jīng)網(wǎng)絡(luò)模型前，對(duì)輸入數(shù)據(jù)進(jìn)行主成分分析的預(yù)處理，有效的實(shí)現(xiàn)了輸入數(shù)據(jù)的降維，并去除各指標(biāo)之間的相關(guān)性，提升了極限學(xué)習(xí)機(jī)訓(xùn)練模型的預(yù)測(cè)精度。而采用極限學(xué)習(xí)機(jī)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，相對(duì)于傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)，極限學(xué)習(xí)機(jī)的預(yù)測(cè)精度高，穩(wěn)定性強(qiáng)，訓(xùn)練速度快，泛化能力好。

作為一種實(shí)施方式，在步驟S140之后，上述供電可靠性數(shù)據(jù)的處理方法還包括：利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)即上述處理模型，對(duì)輸入變量進(jìn)行靈敏度分析，量化各相關(guān)的影響因素對(duì)配電網(wǎng)供電可靠性的影響程度，從而為供電企業(yè)制定可靠性提升策略提供科學(xué)有效的依據(jù)。

例如，選取一組樣本數(shù)據(jù)進(jìn)行靈敏度分析，對(duì)神經(jīng)網(wǎng)絡(luò)輸入的m個(gè)變量根據(jù)控制變量的原則，依次單獨(dú)將變量值增大或減少10％，代入訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)中得到供電可靠率預(yù)測(cè)結(jié)果，將預(yù)測(cè)結(jié)果與變量值未變化前的供電可靠率預(yù)測(cè)值進(jìn)行對(duì)比，得到m個(gè)供電可靠率預(yù)測(cè)值的改變量。將m個(gè)數(shù)據(jù)按照絕對(duì)值由大到小進(jìn)行排序，得到對(duì)供電可靠率預(yù)測(cè)結(jié)果影響的相關(guān)程度。此結(jié)果為供電企業(yè)制定提高可靠性的具體措施提供了科學(xué)有效的參考依據(jù)，有利于合理高效地進(jìn)行可靠性管理工作。

其中，靈敏度分析可以用來考察微小變化對(duì)建立模型的影響程度。

在一個(gè)實(shí)施例中，在步驟S130之前，上述供電可靠性數(shù)據(jù)的處理方法還包括如下步驟：

s130a，確定人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集樣本；例如選取上述學(xué)習(xí)樣本的90％為訓(xùn)練集樣本，其余10％為測(cè)試集樣本。其中，為了使建立的模型具有良好的泛化性，需要盡量多且具有代表性的樣本。

s130b，給定三層神經(jīng)網(wǎng)絡(luò)隱含層激活函數(shù)f(x)以及隱含層神經(jīng)元個(gè)數(shù)k。

其中，三層單向前饋型神經(jīng)網(wǎng)絡(luò)包括輸入層、隱含層及輸出層。輸入層包含m個(gè)神經(jīng)元，對(duì)應(yīng)于主成分分析得到的m個(gè)目標(biāo)主成分；隱含層包括k個(gè)神經(jīng)元；輸出層包括h個(gè)神經(jīng)元，對(duì)應(yīng)于h個(gè)輸出變量。

其中，上述激活函數(shù)f(x)不僅可以為非線性激活函數(shù)，如S型函數(shù)、正弦函數(shù)或復(fù)合函數(shù)，也可以為不可微函數(shù)。

s130c，選取網(wǎng)絡(luò)輸入層與隱含層神經(jīng)元的連接權(quán)值a_ij和閾值b_ij。例如隨機(jī)選取網(wǎng)絡(luò)輸入層與隱含層神經(jīng)元的連接權(quán)值a_ij和閾值b_ij。

其中輸入層與隱含層之間的連接權(quán)值記為a，隱含層的閾值記為b，則：

其中，a_ij輸入層第j個(gè)神經(jīng)元與隱含層第i個(gè)神經(jīng)元之間的連接權(quán)值。

作為一種實(shí)施方式，為了簡(jiǎn)化訓(xùn)練過程，使參數(shù)設(shè)置更加容易，在選取網(wǎng)絡(luò)輸入層與隱含層神經(jīng)元的連接權(quán)值a_ij和隱含層的閾值b_ij后，后續(xù)步驟不再對(duì)該連接權(quán)值a_ij和該閾值b_ij進(jìn)行調(diào)整，只需調(diào)整神經(jīng)元個(gè)數(shù)，即可得到唯一的最優(yōu)解。

在一個(gè)實(shí)施例中，如圖3所示，步驟S130包括如下步驟：

S131，將訓(xùn)練集樣本代入預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算得到隱含層輸出矩陣。

S132，根據(jù)所述第二矩陣及所述隱含層輸出矩陣計(jì)算輸出層權(quán)值，得到所述初始模型對(duì)應(yīng)的訓(xùn)練模型。

例如，根據(jù)β＝H⁺T計(jì)算輸出層權(quán)值。其中，H為所述隱含層輸出矩陣，H⁺為所述隱含層輸出矩陣的穆爾一彭羅斯(Moore-Penrose)廣義逆矩陣，β為所述輸出層權(quán)值。

S133，將所述測(cè)試集樣本代入所述訓(xùn)練模型，計(jì)算當(dāng)前隱含層神經(jīng)元數(shù)對(duì)應(yīng)的供電可靠性計(jì)算值。

S134，將所述供電可靠性計(jì)算值與預(yù)存的參考值進(jìn)行對(duì)比，計(jì)算得到當(dāng)前隱含層神經(jīng)元數(shù)對(duì)應(yīng)的決定系數(shù)。

其中，訓(xùn)練模型的評(píng)價(jià)指標(biāo)采用決定系數(shù)R²，其計(jì)算公式為：

其中，為測(cè)試集中第i個(gè)樣本的供電可靠性計(jì)算值；y_i為測(cè)試集中第i個(gè)樣本的參考值(即真實(shí)值)；l為測(cè)試集樣本數(shù)。

本發(fā)明實(shí)施例中，改變隱含層的神經(jīng)元個(gè)數(shù)，重復(fù)上述步驟S131-步驟S134，比較不同隱含層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)的均值誤差和決定系數(shù)，從而訓(xùn)練得到最優(yōu)的隱含層神經(jīng)元個(gè)數(shù)。由此利用ELM訓(xùn)練完成與供電可靠率預(yù)測(cè)有關(guān)的神經(jīng)網(wǎng)絡(luò)，即供電可靠性數(shù)據(jù)的處理模型。

在一個(gè)實(shí)施例中，如圖5所示，步驟S120包括：

S121，根據(jù)預(yù)設(shè)的特征方程，對(duì)所述第一矩陣的標(biāo)準(zhǔn)化矩陣進(jìn)行求解處理，得到特征值和特征向量。

例如，預(yù)設(shè)的特征方程為|λE-R|＝0，求解該特征方程，得到p個(gè)特征值λ_i(i＝1,2...p)，然后根據(jù)|λ_iE-R|e_i＝0，分別求出λ_i對(duì)應(yīng)的特征向量e_i(i＝1,2,3,...,p)。

S122，根據(jù)所述特征值及預(yù)設(shè)的貢獻(xiàn)率計(jì)算公式，按照所述特征值由大到小的順序依次計(jì)算累計(jì)貢獻(xiàn)率，根據(jù)所述累計(jì)貢獻(xiàn)率及預(yù)設(shè)閾值確定若干目標(biāo)主成分。

其中，上述p個(gè)特征值按由大到小的順序排列，即λ₁≥λ₂≥λ₃...≥λ_p≥0。依次計(jì)算累計(jì)貢獻(xiàn)率，即按照上述排序，依次計(jì)算前m個(gè)主成分累計(jì)貢獻(xiàn)率，其中m＝1,2,3,...,p。

例如，預(yù)設(shè)的貢獻(xiàn)率計(jì)算公式為：

則前m個(gè)主成分累計(jì)貢獻(xiàn)率Q_Σ(m)計(jì)算公式如下：

在本實(shí)施例中，若前m個(gè)主成分的累積貢獻(xiàn)率達(dá)到預(yù)設(shè)閾值，則取前m個(gè)主成分作為目標(biāo)主成分。例如，每次計(jì)算得到一累計(jì)貢獻(xiàn)率后，判斷當(dāng)前累計(jì)貢獻(xiàn)率是否大于或等于預(yù)設(shè)閾值，是則選取當(dāng)前已計(jì)算的前m個(gè)主成分作為目標(biāo)主成分。例如，預(yù)設(shè)閾值為85％～95％，又如，預(yù)設(shè)閾值為90％。

S123，根據(jù)所述特征值及所述特征向量計(jì)算所述若干目標(biāo)主成分的載荷系數(shù)及主成分得分，并將所述若干目標(biāo)主成分作為極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本。

例如，載荷系數(shù)的計(jì)算公式為：

由上式得到目標(biāo)主成分的載荷系數(shù)如表1所示：

表1

其中X₁,X₂,...,X_p為原變量(即第一矩陣中的p個(gè)元素)，Z₁,Z₂,...,Z_m為m個(gè)目標(biāo)主成分，且m≤p。

主成分分析是將X₁,X₂,...,X_p線性組合成新的綜合變量，即上述若干目標(biāo)主成分的表達(dá)式為：

Z₁＝l₁₁X₁+l₁₂X₂+l₁₃X₃+...+l_1pX_p；

Z₂＝l₂₁X₁+l₂₂X₂+l₂₃X₃+...+l_2pX_p；

......

Z_m＝l_m1X₁+l_m2X₂+l_m3X₃+...+l_mpX_p。

其中l(wèi)_k1²+l_k2²+l_k3²+…+l_kp²＝1，k＝1,2,...,m。

其中，Z_i與Z_j(i≠j)線性互不相關(guān)；并且，Z₁為X₁,X₂,...,X_p的所有線性組合中方差最大者，稱為原變量的第一主成分；Z₂為與Z₁不相關(guān)的X₁,X₂,...,X_p的所有線性組合中方差最大者，稱為原變量的第二主成分；依此類推，Z_m為與Z_m-1,...,Z₂,Z₁均不相關(guān)的所有線性組合中方差最大者，稱為原變量的第m主成分。

將原始樣本數(shù)據(jù)(即第一矩陣中的p個(gè)元素)，或者將原始樣本數(shù)據(jù)與標(biāo)準(zhǔn)化后的樣本數(shù)據(jù)(即上述p個(gè)元素的標(biāo)準(zhǔn)化數(shù)據(jù))之差代入上述目標(biāo)主成分的表達(dá)式中，即可計(jì)算出主成分得分Z＝(Z₁,Z₂,...Z_m)＝(z_ij)_n×m。

其中，或者，

......

將該若干目標(biāo)主成分作為極限學(xué)習(xí)機(jī)算法的學(xué)習(xí)樣本。例如，對(duì)得到的m個(gè)目標(biāo)主成分重新命名，從而建立極限學(xué)習(xí)機(jī)算法的學(xué)習(xí)樣本。例如通過比較主成分載荷的大小，可以分析出每個(gè)主成分反映的主要原始指標(biāo)信息，根據(jù)每個(gè)主成分的主要原始指標(biāo)信息反映的共同含義進(jìn)行命名。例如第一主成分反映的主要信息為主站接入終端數(shù)量、主站接入計(jì)量系統(tǒng)準(zhǔn)實(shí)時(shí)數(shù)據(jù)數(shù)量，則可以認(rèn)為第一主成分表示配網(wǎng)自動(dòng)化水平。

請(qǐng)參閱圖5，其為一具體實(shí)施例的供電可靠性數(shù)據(jù)的分析方法的流程示意圖。如圖5所示，該分析方法包括：

S501，輸入影響供電可靠性的p個(gè)指標(biāo)，得到原始數(shù)據(jù)矩陣X_n×p。此外，還需收集供電可靠性評(píng)價(jià)指標(biāo)數(shù)據(jù)，構(gòu)成人工神經(jīng)網(wǎng)絡(luò)的輸出變量矩陣T。

S502，對(duì)原始數(shù)據(jù)進(jìn)行標(biāo)準(zhǔn)化處理得到標(biāo)準(zhǔn)化矩陣

S503，對(duì)標(biāo)準(zhǔn)化矩陣求解相關(guān)系數(shù)矩陣R。

S504，對(duì)相關(guān)系數(shù)矩陣R計(jì)算特征根λ_i(i＝1,2,...,p)和特征向量e_i(i＝1,2,3...p)。

S505，計(jì)算主成分貢獻(xiàn)率，確定主成分個(gè)數(shù)；例如，求出累計(jì)貢獻(xiàn)率，初步估計(jì)主成分個(gè)數(shù)，所選取的主成分個(gè)數(shù)應(yīng)使累計(jì)貢獻(xiàn)率達(dá)到85％～95％。

S506，計(jì)算主成分得分，建立ELM學(xué)習(xí)樣本；例如，計(jì)算主成分載荷以及主成分得分，并對(duì)得到的m個(gè)主成分重新命名，從而建立極限學(xué)習(xí)機(jī)算法的學(xué)習(xí)樣本。

S507，輸入ELM學(xué)習(xí)樣本；例如，確定人工神經(jīng)網(wǎng)絡(luò)的訓(xùn)練集和測(cè)試集樣本，又如選取樣本的90％為訓(xùn)練集樣本，其余10％為測(cè)試集樣本；

S508，確定隱含層神經(jīng)元個(gè)數(shù)以及隱含層激活函數(shù)；例如，給定三層神經(jīng)網(wǎng)絡(luò)隱含層激活函數(shù)f(x)以及隱含層神經(jīng)元個(gè)數(shù)h；

S509，隨機(jī)選取網(wǎng)絡(luò)輸入層與隱含層神經(jīng)元的連接權(quán)值a_ij和偏移量b_ij。

S510，計(jì)算輸出層權(quán)值。例如，將訓(xùn)練集數(shù)據(jù)代入初始設(shè)定的人工神經(jīng)網(wǎng)絡(luò)中，可計(jì)算得到隱含層輸出矩陣H；根據(jù)β＝H⁺T計(jì)算輸出層權(quán)值，其中H⁺表示矩陣H的Moore-Penrose廣義逆，T為人工神經(jīng)網(wǎng)絡(luò)輸出變量組成的矩陣；

S511，輸出供電可靠性指標(biāo)的預(yù)測(cè)值；例如將測(cè)試集代入訓(xùn)練完成的人工神經(jīng)網(wǎng)絡(luò)中，計(jì)算出測(cè)試集輸出的預(yù)測(cè)值，即供電可靠率的預(yù)測(cè)值。

S512，計(jì)算決定系數(shù)；例如將測(cè)試集供電可靠率預(yù)測(cè)值與真實(shí)值進(jìn)行對(duì)比，計(jì)算決定系數(shù)R²。

S513，確定最佳隱含層神經(jīng)元個(gè)數(shù)，完成與供電可靠率預(yù)測(cè)有關(guān)的神經(jīng)網(wǎng)絡(luò)的建模。例如，改變隱含層神經(jīng)元個(gè)數(shù)，重復(fù)上述步驟S510到步驟S512，比較不同隱含層神經(jīng)元個(gè)數(shù)對(duì)應(yīng)的決定系數(shù)，從而訓(xùn)練得到最優(yōu)的隱含層神經(jīng)元個(gè)數(shù)，由此利用ELM訓(xùn)練完成了與供電可靠率預(yù)測(cè)有關(guān)的神經(jīng)網(wǎng)絡(luò)的建模。利用訓(xùn)練好的神經(jīng)網(wǎng)絡(luò)對(duì)輸入變量進(jìn)行靈敏度分析，量化各相關(guān)的影響因素對(duì)配電網(wǎng)供電可靠性的影響程度，為供電企業(yè)制定可靠性提升策略提供科學(xué)有效的依據(jù)。

S514，根據(jù)模型對(duì)配電網(wǎng)進(jìn)行可靠性分析及調(diào)整。

本發(fā)明實(shí)施例在建立神經(jīng)網(wǎng)絡(luò)模型前，對(duì)輸入數(shù)據(jù)進(jìn)行主成分分析的預(yù)處理，有效的實(shí)現(xiàn)了輸入數(shù)據(jù)的降維，并去除各指標(biāo)之間的相關(guān)性，提升了極限學(xué)習(xí)機(jī)訓(xùn)練模型的預(yù)測(cè)精度。而采用極限學(xué)習(xí)機(jī)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，相對(duì)于傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)，極限學(xué)習(xí)機(jī)的預(yù)測(cè)精度高，穩(wěn)定性強(qiáng)，訓(xùn)練速度快，泛化能力好。

請(qǐng)參閱圖6，其為本發(fā)明一實(shí)施例的供電可靠性數(shù)據(jù)的處理裝置的結(jié)構(gòu)示意圖。例如，所述處理裝置采用上述任一實(shí)施例所述的處理方法實(shí)現(xiàn)；如圖6所示，該處理裝置10可包括順序連接的矩陣構(gòu)建模塊11、第一計(jì)算模塊12、第二計(jì)算模塊13、模型建立模塊14及調(diào)整模塊15。

矩陣構(gòu)建模塊，用于根據(jù)影響供電可靠性的若干指標(biāo)構(gòu)建第一矩陣，根據(jù)供電可靠性的評(píng)價(jià)指標(biāo)數(shù)據(jù)構(gòu)建第二矩陣；

第一計(jì)算模塊，用于對(duì)所述第一矩陣的相關(guān)系數(shù)矩陣進(jìn)行主成分分析計(jì)算，得到若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本；

第二計(jì)算模塊，用于多次調(diào)整隱含層神經(jīng)元數(shù)，每次調(diào)整后根據(jù)所述第二矩陣、所述若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本及預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算對(duì)應(yīng)的決定系數(shù)；

模型建立模塊，用于根據(jù)多次調(diào)整隱含層神經(jīng)元數(shù)計(jì)算得到的所述決定系數(shù)，得到最佳隱含層神經(jīng)元數(shù)，建立供電可靠性數(shù)據(jù)的處理模型；

調(diào)整模塊，用于根據(jù)所述處理模型對(duì)配電網(wǎng)進(jìn)行可靠性分析，并根據(jù)分析結(jié)果調(diào)整所述配電網(wǎng)。

在一個(gè)實(shí)施例中，所述若干極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本包括若干訓(xùn)練集樣本及若干測(cè)試集樣本；如圖7所示，所述第二計(jì)算模塊包括順序連接的第一計(jì)算單元、第二計(jì)算單元、第三計(jì)算單元及第四計(jì)算單元，其中：

第一計(jì)算單元，用于將所述訓(xùn)練集樣本代入預(yù)設(shè)的人工神經(jīng)網(wǎng)絡(luò)初始模型，計(jì)算得到隱含層輸出矩陣；

第二計(jì)算單元，用于根據(jù)所述第二矩陣及所述隱含層輸出矩陣計(jì)算輸出層權(quán)值，得到所述初始模型對(duì)應(yīng)的訓(xùn)練模型；

第三計(jì)算單元，用于將所述測(cè)試集樣本代入所述訓(xùn)練模型，計(jì)算當(dāng)前隱含層神經(jīng)元數(shù)對(duì)應(yīng)的供電可靠性計(jì)算值；

第四計(jì)算單元，用于將所述供電可靠性計(jì)算值與預(yù)存的參考值進(jìn)行對(duì)比，計(jì)算得到當(dāng)前隱含層神經(jīng)元數(shù)對(duì)應(yīng)的決定系數(shù)。

在一個(gè)實(shí)施例中，所述第二計(jì)算單元用于根據(jù)β＝H⁺T計(jì)算輸出層權(quán)值；

其中，H為所述隱含層輸出矩陣，H⁺為所述隱含層輸出矩陣的穆爾一彭羅斯廣義逆矩陣，β為所述輸出層權(quán)值。

在一個(gè)實(shí)施例中，如圖8所示，所述第一計(jì)算模塊包括：

求解單元，用于根據(jù)預(yù)設(shè)的特征方程，對(duì)所述第一矩陣的標(biāo)準(zhǔn)化矩陣進(jìn)行求解處理，得到特征值和特征向量；

第五計(jì)算單元，用于根據(jù)所述特征值及預(yù)設(shè)的貢獻(xiàn)率計(jì)算公式，按照所述特征值由大到小的順序依次計(jì)算累計(jì)貢獻(xiàn)率，根據(jù)所述累計(jì)貢獻(xiàn)率及預(yù)設(shè)閾值確定若干目標(biāo)主成分；

第六計(jì)算單元，用于根據(jù)所述特征值及所述特征向量計(jì)算所述若干目標(biāo)主成分的載荷系數(shù)及主成分得分，并將所述若干目標(biāo)主成分作為極限學(xué)習(xí)機(jī)的學(xué)習(xí)樣本。

在一個(gè)實(shí)施例中，所述調(diào)整模塊包括調(diào)整單元，用于根據(jù)所述分析結(jié)果對(duì)所述配電網(wǎng)的網(wǎng)架結(jié)構(gòu)、設(shè)備及運(yùn)行維護(hù)中的至少一種進(jìn)行調(diào)整。

例如，所述調(diào)整模塊還包括分析單元，用于根據(jù)所述處理模型對(duì)配電網(wǎng)進(jìn)行可靠性分析。

本發(fā)明又一實(shí)施例是，一種供電可靠性數(shù)據(jù)的處理裝置，其采用上述任一實(shí)施例所述供電可靠性數(shù)據(jù)的處理方法；例如，一種供電可靠性數(shù)據(jù)的處理裝置，其采用上述任一實(shí)施例所述的供電可靠性數(shù)據(jù)的處理方法實(shí)現(xiàn)；又如，一種供電可靠性數(shù)據(jù)的處理裝置，其具有上述任一實(shí)施例所述的供電可靠性數(shù)據(jù)的處理方法所對(duì)應(yīng)的功能模塊。

上述供電可靠性數(shù)據(jù)的處理裝置，選取更多更全面的供電可靠性影響因素，挖掘多方面指標(biāo)對(duì)供電可靠性的影響，并采集更多的數(shù)據(jù)樣本訓(xùn)練人工神經(jīng)網(wǎng)絡(luò)，適用于多輸入變量的情況，可以對(duì)配電網(wǎng)供電可靠性進(jìn)行更加全面的分析，能夠?yàn)樘嵘潆娋W(wǎng)供電可靠性提供科學(xué)的決策參考依據(jù)。其中在建立神經(jīng)網(wǎng)絡(luò)模型前，對(duì)輸入數(shù)據(jù)進(jìn)行主成分分析的預(yù)處理，有效的實(shí)現(xiàn)了輸入數(shù)據(jù)的降維，并去除各指標(biāo)之間的相關(guān)性，提升了極限學(xué)習(xí)機(jī)訓(xùn)練模型的預(yù)測(cè)精度。而采用極限學(xué)習(xí)機(jī)訓(xùn)練神經(jīng)網(wǎng)絡(luò)，相對(duì)于傳統(tǒng)的單隱含層前饋神經(jīng)網(wǎng)絡(luò)，極限學(xué)習(xí)機(jī)的預(yù)測(cè)精度高，穩(wěn)定性強(qiáng)，訓(xùn)練速度快，泛化能力好。

應(yīng)該說明的是，上述裝置實(shí)施例中，所包括的各個(gè)模塊只是按照功能邏輯進(jìn)行劃分的，但并不局限于上述的劃分，只要能夠?qū)崿F(xiàn)相應(yīng)的功能即可；另外，各功能模塊的具體名稱也只是為了便于相互區(qū)分，并不用于限制本發(fā)明的保護(hù)范圍。

另外，本領(lǐng)域普通技術(shù)人員可以理解實(shí)現(xiàn)上述各實(shí)施例方法中的全部或部分步驟是可以通過程序來指令相關(guān)的硬件來完成，相應(yīng)的程序可以存儲(chǔ)于可讀取存儲(chǔ)介質(zhì)中，所述存儲(chǔ)介質(zhì)，如ROM/RAM、磁盤、光盤等。

以上所述實(shí)施例的各技術(shù)特征可以進(jìn)行任意的組合，為使描述簡(jiǎn)潔，未對(duì)上述實(shí)施例中的各個(gè)技術(shù)特征所有可能的組合都進(jìn)行描述，然而，只要這些技術(shù)特征的組合不存在矛盾，都應(yīng)當(dāng)認(rèn)為是本說明書記載的范圍。

以上所述實(shí)施例僅表達(dá)了本發(fā)明的幾種實(shí)施方式，其描述較為具體和詳細(xì)，但并不能因此而理解為對(duì)發(fā)明專利范圍的限制。應(yīng)當(dāng)指出的是，對(duì)于本領(lǐng)域的普通技術(shù)人員來說，在不脫離本發(fā)明構(gòu)思的前提下，還可以做出若干變形和改進(jìn)，這些都屬于本發(fā)明的保護(hù)范圍。因此，本發(fā)明專利的保護(hù)范圍應(yīng)以所附權(quán)利要求為準(zhǔn)。