供电可靠性数据的处理方法及处理装置与流程

本发明涉及电力安全技术领域，尤其涉及一种供电可靠性数据的处理方法及处理装置。

背景技术：

配电网是电力系统的重要组成部分，其供电的安全可靠程度直接影响着国民经济的发展和人民生活水平的提升。配电网是电力用户与高压电网连接的桥梁，一旦发生故障或检修施工，即会造成用户端供电中断，直接影响用户的正常生活用电，严重时将造成生产秩序的混乱，带来巨大的经济损失。配电网供电可靠性是用来评估供电系统对用户持续供电的能力，在一定程度上体现了供电企业在电网建设、电网改造以及电网维护等各个方面的综合能力。进一步提升配网供电可靠性，不仅可以最大限度的满足电力用户的用电需求，同时也有利于促进电网建设的完善和发展。

目前，配电网的可靠性评估主要采用基于BP(Back Propagation，反向传播)神经网络的城市供电可靠性预测方法，将人工神经网络应用到供电可靠性研究当中。该方法找出影响供电可靠性的主要特征量，并将主要特征量的历史数据作为输入样本对人工神经网络进行训练。该方法具有一定的有效性，但其考虑的供电可靠性影响因素具有一定的局限性，且样本数据较少，预测结果的精度会受到一定影响。另外BP神经网络算法需要设置大量网络训练参数，容易陷入局部最优解，并且学习率的选择对结果的精度也比较敏感。

技术实现要素：

有鉴于此，有必要提供一种供电可靠性数据的处理方法及处理装置，能够克服BP神经网络训练速度缓慢、容易陷入局部最优的问题，有效提升供电可靠性分析的精度和稳定性，并能根据分析对配电网进行调整，提升供电可靠性。

一种供电可靠性数据的处理方法，其包括：

根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵；

对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；

多次调整隐含层神经元数，每次调整后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数；

根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；

根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。

在其中一个实施例中，所述若干极限学习机的学习样本包括若干训练集样本及若干测试集样本；所述计算对应的决定系数，包括：

将所述训练集样本代入预设的人工神经网络初始模型，计算得到隐含层输出矩阵；

根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，得到所述初始模型对应的训练模型；

将所述测试集样本代入所述训练模型，计算当前隐含层神经元数对应的供电可靠性计算值；

将所述供电可靠性计算值与预存的参考值进行对比，计算得到当前隐含层神经元数对应的决定系数。

在其中一个实施例中，所述根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，为：根据β＝H⁺T计算输出层权值；

其中，H为所述隐含层输出矩阵，H⁺为所述隐含层输出矩阵的穆尔一彭罗斯广义逆矩阵，β为所述输出层权值。

在其中一个实施例中，所述对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本，包括：

根据预设的特征方程，对所述第一矩阵的标准化矩阵进行求解处理，得到特征值和特征向量；

根据所述特征值及预设的贡献率计算公式，按照所述特征值由大到小的顺序依次计算累计贡献率，根据所述累计贡献率及预设阈值确定若干目标主成分；

根据所述特征值及所述特征向量计算所述若干目标主成分的载荷系数及主成分得分，并将所述若干目标主成分作为极限学习机的学习样本。

在其中一个实施例中，所述根据分析结果调整所述配电网，包括：根据分析结果对所述配电网的网架结构、设备及运行维护中的至少一种进行调整。

一种供电可靠性数据的处理装置，其包括：

矩阵构建模块，用于根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵；

第一计算模块，用于对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；

第二计算模块，用于多次调整隐含层神经元数，每次调整后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数；

模型建立模块，用于根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；

调整模块，用于根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。

在其中一个实施例中，所述若干极限学习机的学习样本包括若干训练集样本及若干测试集样本；所述第二计算模块包括：

第一计算单元，用于将所述训练集样本代入预设的人工神经网络初始模型，计算得到隐含层输出矩阵；

第二计算单元，用于根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，得到所述初始模型对应的训练模型；

第三计算单元，用于将所述测试集样本代入所述训练模型，计算当前隐含层神经元数对应的供电可靠性计算值；

第四计算单元，用于将所述供电可靠性计算值与预存的参考值进行对比，计算得到当前隐含层神经元数对应的决定系数。

在其中一个实施例中，所述第二计算单元用于根据β＝H⁺T计算输出层权值；

其中，H为所述隐含层输出矩阵，H⁺为所述隐含层输出矩阵的穆尔一彭罗斯广义逆矩阵，β为所述输出层权值。

在其中一个实施例中，所述第一计算模块包括：

求解单元，用于根据预设的特征方程，对所述第一矩阵的标准化矩阵进行求解处理，得到特征值和特征向量；

第五计算单元，用于根据所述特征值及预设的贡献率计算公式，按照所述特征值由大到小的顺序依次计算累计贡献率，根据所述累计贡献率及预设阈值确定若干目标主成分，并将所述若干目标主成分作为极限学习机的学习样本；

第六计算单元，用于根据所述特征值及所述特征向量计算所述若干目标主成分的载荷系数及主成分得分。

上述供电可靠性数据的处理方法及处理装置，首先利用PCA技术融合多方面影响供电可靠性的特征指标以消除特征间的冗余性和相关性；进一步利用极限学习机算法训练供电可靠性预测模型。该方法利用统计学理论对特征指标进行预处理，有效的提升了极限学习机算法的泛化性能，克服了BP神经网络训练速度缓慢、容易陷入局部最优的问题，有效的提升了供电可靠性预测的精度和稳定性，并能根据分析对配电网进行调整，提升供电可靠性。

本发明实施例选取更多更全面的供电可靠性影响因素，挖掘多方面指标对供电可靠性的影响，并采集更多的数据样本训练人工神经网络，适用于多输入变量的情况，可以对配电网供电可靠性进行更加全面的分析，能够为提升配电网供电可靠性提供科学的决策参考依据。其中在建立神经网络模型前，对输入数据进行主成分分析的预处理，有效的实现了输入数据的降维，并去除各指标之间的相关性，提升了极限学习机训练模型的预测精度。而采用极限学习机训练神经网络，相对于传统的单隐含层前馈神经网络，极限学习机的预测精度高，稳定性强，训练速度快，泛化能力好。

附图说明

为了更清楚地说明本发明实施例或现有技术中的技术方案，下面将对实施例或现有技术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，对于本领域普通技术人员来讲，在不付出创造性劳动的前提下，还可以根据这些附图获得其他实施例的附图。

图1为一实施例的供电可靠性数据的处理方法的流程示意图；

图2为一实施例的供电可靠性数据的处理方法的原理示意图；

图3为另一实施例的供电可靠性数据的处理方法的流程示意图；

图4为又一实施例的供电可靠性数据的处理方法的流程示意图；

图5为又一实施例的供电可靠性数据的处理方法的流程示意图；

图6为一实施例的供电可靠性数据的处理装置的结构示意图；

图7为又一实施例的供电可靠性数据的处理装置的结构示意图；

图8为又一实施例的供电可靠性数据的处理装置的结构示意图。

具体实施方式

为了使本发明的目的、技术方案及优点更加清楚明白，以下结合附图及实施例，对本发明进行进一步详细说明。应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。

在本发明的描述中，需要理解的是，术语“第一”、“第二”仅用于描述目的，而不能理解为指示或暗示相对重要性或者隐含指明所指示的技术特征的数量。由此，限定有“第一”、“第二”的特征可以明示或者隐含地包括至少一个该特征。在本发明的描述中，“多个”的含义是至少两个，例如两个，三个等，除非另有明确具体的限定。

下面结合附图描述根据本发明实施例的供电可靠性数据的处理方法及处理装置。例如，供电可靠性数据的处理方法，包括以下步骤：根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵；对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；多次调整隐含层神经元数，每次调整隐含层神经元数后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数；根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。例如，调整配电网，包括对配电网的网架结构、设备、运行维护等进行调整，又如，对配电网的网架结构、设备、运行维护的参数或者指标等进行调整。

例如，图1为一实施例的供电可靠性数据的处理方法的流程示意图。如图1所示，所述处理方法包括以下步骤：

S110，根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵。

作为一种实施方式，收集各地区影响供电可靠性的若干个指标，构成变量采样的原始数据矩阵，即第一矩阵。收集供电可靠性评价指标数据，构成人工神经网络的输出变量矩阵，即第二矩阵。例如，第一矩阵记为X_n×p，第二矩阵记为T。

例如，收集各地区影响供电可靠性的p个指标，构成第一矩阵X_n×p。第一矩阵X_n×p中，n表示采集样本数，p表示待评价的影响供电可靠性的指标个数，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个样本在第j(j＝1,2,3,...,p)个指标上的观测值。又如，第一矩阵表示为：

其中，p个影响供电可靠性的指标包括配电网的网架结构指标、技术装备指标、设备质量指标及运维检修指标四类，其中网架结构指标包括环网率、网络接线标准化率、站间联络率及线路平均分段数等至少一种；技术装备指标包括绝缘化率、架空绝缘化率及电缆化率等至少一种；设备质量指标包括报废配电变压器的平均寿命、报废开关柜的平均寿命及配网设备累计缺陷数等至少一种；中压故障停电平均持续时间、急修到位平均时间、故障定位平均时间、复电平均时间等运维检修指标。

其中，供电可靠性评价指标包括：供电可靠率RS-1，供电可靠率(不计外部影响)RS-2，供电可靠率(不计限电)RS-3等。

S120，对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本。

本发明实施例采用主成分分析对多种供电影响因素进行融合降维，并将得到的综合变量作为输入量利用极限学习机训练人工神经网络模型。

其中，主成分分析(Principal Component Analysis，PCA)是一种重要的数据统计方法，其设法将原来众多具有一定相关性的数据指标，通过线性组合得到新的综合变量，这些综合变量不仅保留了原始变量的绝大部分信息，而且彼此之间互不相关，实现了降维的目的，使问题得到了最佳综合。极限学习机(Extreme Learning Machine，ELM)是一种有效的单隐层前馈神经网络学习算法，具有训练速度快且泛化性能好的优点。

一般主成分分析可采用协方差矩阵或相关系数矩阵来进行分析。本实施例中，考虑到影响供电可靠性的各个指标量纲不同，为了消除不同量纲的影响，采用第一矩阵的相关系数矩阵进行主成分分析。

其中，在步骤S120之前，还包括步骤：计算得到所述第一矩阵的相关系数矩阵。例如，对第一矩阵进行标准化处理得到其标准化矩阵，该标准化矩阵记为对该标准化矩阵求解，得到其相关系数矩阵，该相关系数矩阵记为R。

作为一种实施方式，对第一矩阵进行标准化处理时，为了消除由于原始变量量纲不同所带来的影响，原始数据矩阵采用z分数标准化(z-score)方法进行处理，即：

其中，X_j为第一矩阵X_n×p中第j列的数据；E(X_j)为X_j的均值，亦可表示为Var(X_j)为X_j的方差。

作为一种实施方式，任意两个变量之间的相关系数的计算公式如下：

其中，r_ij表示X_i与X_j之间的相关系数，且r_ij＝r_ji。

根据相关系数的计算公式得到标准化后p个变量指标之间的相关系数，并构成相关系数矩阵R，即：

S130，多次调整隐含层神经元数，每次调整后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数。

其中，在极限学习建模过程中，理论上隐含层神经元的个数与训练集样本数相同时，极限学习可以完全逼近训练样本。但训练集样本的拟合效果好不代表测试集的预测正确率就会高。通过大量实验测试，发现当隐含层神经元的个数达到一定值时，预测样本的正确率呈现下降趋势。因此，本发明实施例多次调整隐含层神经元数，综合训练集的拟合程度以及测试集的正确率，以决定最佳的神经元个数。

作为一种实施方式，在调整隐含层神经元数并计算决定系数之前，先选定初始模型所需的参数或获取初始模型所需的预设参数。例如，选定或获取预设的三层神经网络隐含层激活函数以及隐含层神经元个数，并选取网络输入侧与隐含层神经元的连接权值及偏移量。

S140，根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型。例如，根据多次调整隐含层神经元数，计算得到若干对应的所述决定系数，选取最接近1的决定系数，确定其所对应的隐含层神经元数，以之作为最佳隐含层神经元数。然后，根据该最佳隐含层神经元数，建立供电可靠性数据的处理模型。

本发明实施例中，决定系数代表模型的拟合优度，决定系数越大，表示模型的拟合效果越接近真实值。例如，决定系数的范围为[0，1]，决定系数越接近1表示模型性能越好，决定系数接越近于0则表示模型性能较差。

通过比较每次调整对应的所述决定系数，选取决定系数接近1时的隐含层神经元数作为最优解，能够使得处理模型具有较高的拟合优度，利用该处理模型对配电网进行可靠性分析，能够使得分析结果与配电网的实际情况更接近。

S150，根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。例如，根据分析结果对所述配电网的网架结构、设备及运行维护中的至少一种进行调整。例如，根据所述处理模型对配电网进行可靠性分析，得到分析结果，然后根据分析结果调整所述配电网。

具体地，上述调整包括但不限于对配电网的环网率、网络接线情况、站间联络率、线路平均分段数、电缆长度、架空绝缘线缆长度、检修周期等进行调整。

如图2所示，上述供电可靠性数据的处理方法，首先利用PCA技术融合多方面影响供电可靠性的特征指标以消除特征间的冗余性和相关性；进一步利用极限学习机算法训练供电可靠性预测模型。该方法利用统计学理论对特征指标进行预处理，有效的提升了极限学习机算法的泛化性能，克服了BP神经网络训练速度缓慢、容易陷入局部最优的问题，有效的提升了供电可靠性预测的精度和稳定性。

本发明实施例选取更多更全面的供电可靠性影响因素，挖掘多方面指标对供电可靠性的影响，并采集更多的数据样本训练人工神经网络，适用于多输入变量的情况，可以对配电网供电可靠性进行更加全面的分析，能够为提升配电网供电可靠性提供科学的决策参考依据。其中在建立神经网络模型前，对输入数据进行主成分分析的预处理，有效的实现了输入数据的降维，并去除各指标之间的相关性，提升了极限学习机训练模型的预测精度。而采用极限学习机训练神经网络，相对于传统的单隐含层前馈神经网络，极限学习机的预测精度高，稳定性强，训练速度快，泛化能力好。

作为一种实施方式，在步骤S140之后，上述供电可靠性数据的处理方法还包括：利用训练好的神经网络即上述处理模型，对输入变量进行灵敏度分析，量化各相关的影响因素对配电网供电可靠性的影响程度，从而为供电企业制定可靠性提升策略提供科学有效的依据。

例如，选取一组样本数据进行灵敏度分析，对神经网络输入的m个变量根据控制变量的原则，依次单独将变量值增大或减少10％，代入训练好的神经网络中得到供电可靠率预测结果，将预测结果与变量值未变化前的供电可靠率预测值进行对比，得到m个供电可靠率预测值的改变量。将m个数据按照绝对值由大到小进行排序，得到对供电可靠率预测结果影响的相关程度。此结果为供电企业制定提高可靠性的具体措施提供了科学有效的参考依据，有利于合理高效地进行可靠性管理工作。

其中，灵敏度分析可以用来考察微小变化对建立模型的影响程度。

在一个实施例中，在步骤S130之前，上述供电可靠性数据的处理方法还包括如下步骤：

s130a，确定人工神经网络的训练集和测试集样本；例如选取上述学习样本的90％为训练集样本，其余10％为测试集样本。其中，为了使建立的模型具有良好的泛化性，需要尽量多且具有代表性的样本。

s130b，给定三层神经网络隐含层激活函数f(x)以及隐含层神经元个数k。

其中，三层单向前馈型神经网络包括输入层、隐含层及输出层。输入层包含m个神经元，对应于主成分分析得到的m个目标主成分；隐含层包括k个神经元；输出层包括h个神经元，对应于h个输出变量。

其中，上述激活函数f(x)不仅可以为非线性激活函数，如S型函数、正弦函数或复合函数，也可以为不可微函数。

s130c，选取网络输入层与隐含层神经元的连接权值a_ij和阈值b_ij。例如随机选取网络输入层与隐含层神经元的连接权值a_ij和阈值b_ij。

其中输入层与隐含层之间的连接权值记为a，隐含层的阈值记为b，则：

其中，a_ij输入层第j个神经元与隐含层第i个神经元之间的连接权值。

作为一种实施方式，为了简化训练过程，使参数设置更加容易，在选取网络输入层与隐含层神经元的连接权值a_ij和隐含层的阈值b_ij后，后续步骤不再对该连接权值a_ij和该阈值b_ij进行调整，只需调整神经元个数，即可得到唯一的最优解。

在一个实施例中，如图3所示，步骤S130包括如下步骤：

S131，将训练集样本代入预设的人工神经网络初始模型，计算得到隐含层输出矩阵。

S132，根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，得到所述初始模型对应的训练模型。

例如，根据β＝H⁺T计算输出层权值。其中，H为所述隐含层输出矩阵，H⁺为所述隐含层输出矩阵的穆尔一彭罗斯(Moore-Penrose)广义逆矩阵，β为所述输出层权值。

S133，将所述测试集样本代入所述训练模型，计算当前隐含层神经元数对应的供电可靠性计算值。

S134，将所述供电可靠性计算值与预存的参考值进行对比，计算得到当前隐含层神经元数对应的决定系数。

其中，训练模型的评价指标采用决定系数R²，其计算公式为：

其中，为测试集中第i个样本的供电可靠性计算值；y_i为测试集中第i个样本的参考值(即真实值)；l为测试集样本数。

本发明实施例中，改变隐含层的神经元个数，重复上述步骤S131-步骤S134，比较不同隐含层神经元个数对应的均值误差和决定系数，从而训练得到最优的隐含层神经元个数。由此利用ELM训练完成与供电可靠率预测有关的神经网络，即供电可靠性数据的处理模型。

在一个实施例中，如图5所示，步骤S120包括：

S121，根据预设的特征方程，对所述第一矩阵的标准化矩阵进行求解处理，得到特征值和特征向量。

例如，预设的特征方程为|λE-R|＝0，求解该特征方程，得到p个特征值λ_i(i＝1,2...p)，然后根据|λ_iE-R|e_i＝0，分别求出λ_i对应的特征向量e_i(i＝1,2,3,...,p)。

S122，根据所述特征值及预设的贡献率计算公式，按照所述特征值由大到小的顺序依次计算累计贡献率，根据所述累计贡献率及预设阈值确定若干目标主成分。

其中，上述p个特征值按由大到小的顺序排列，即λ₁≥λ₂≥λ₃...≥λ_p≥0。依次计算累计贡献率，即按照上述排序，依次计算前m个主成分累计贡献率，其中m＝1,2,3,...,p。

例如，预设的贡献率计算公式为：

则前m个主成分累计贡献率Q_Σ(m)计算公式如下：

在本实施例中，若前m个主成分的累积贡献率达到预设阈值，则取前m个主成分作为目标主成分。例如，每次计算得到一累计贡献率后，判断当前累计贡献率是否大于或等于预设阈值，是则选取当前已计算的前m个主成分作为目标主成分。例如，预设阈值为85％～95％，又如，预设阈值为90％。

S123，根据所述特征值及所述特征向量计算所述若干目标主成分的载荷系数及主成分得分，并将所述若干目标主成分作为极限学习机的学习样本。

例如，载荷系数的计算公式为：

由上式得到目标主成分的载荷系数如表1所示：

表1

其中X₁,X₂,...,X_p为原变量(即第一矩阵中的p个元素)，Z₁,Z₂,...,Z_m为m个目标主成分，且m≤p。

主成分分析是将X₁,X₂,...,X_p线性组合成新的综合变量，即上述若干目标主成分的表达式为：

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_k1²+l_k2²+l_k3²+…+l_kp²＝1，k＝1,2,...,m。

其中，Z_i与Z_j(i≠j)线性互不相关；并且，Z₁为X₁,X₂,...,X_p的所有线性组合中方差最大者，称为原变量的第一主成分；Z₂为与Z₁不相关的X₁,X₂,...,X_p的所有线性组合中方差最大者，称为原变量的第二主成分；依此类推，Z_m为与Z_m-1,...,Z₂,Z₁均不相关的所有线性组合中方差最大者，称为原变量的第m主成分。

将原始样本数据(即第一矩阵中的p个元素)，或者将原始样本数据与标准化后的样本数据(即上述p个元素的标准化数据)之差代入上述目标主成分的表达式中，即可计算出主成分得分Z＝(Z₁,Z₂,...Z_m)＝(z_ij)_n×m。

其中，或者，

......

将该若干目标主成分作为极限学习机算法的学习样本。例如，对得到的m个目标主成分重新命名，从而建立极限学习机算法的学习样本。例如通过比较主成分载荷的大小，可以分析出每个主成分反映的主要原始指标信息，根据每个主成分的主要原始指标信息反映的共同含义进行命名。例如第一主成分反映的主要信息为主站接入终端数量、主站接入计量系统准实时数据数量，则可以认为第一主成分表示配网自动化水平。

请参阅图5，其为一具体实施例的供电可靠性数据的分析方法的流程示意图。如图5所示，该分析方法包括：

S501，输入影响供电可靠性的p个指标，得到原始数据矩阵X_n×p。此外，还需收集供电可靠性评价指标数据，构成人工神经网络的输出变量矩阵T。

S502，对原始数据进行标准化处理得到标准化矩阵

S503，对标准化矩阵求解相关系数矩阵R。

S504，对相关系数矩阵R计算特征根λ_i(i＝1,2,...,p)和特征向量e_i(i＝1,2,3...p)。

S505，计算主成分贡献率，确定主成分个数；例如，求出累计贡献率，初步估计主成分个数，所选取的主成分个数应使累计贡献率达到85％～95％。

S506，计算主成分得分，建立ELM学习样本；例如，计算主成分载荷以及主成分得分，并对得到的m个主成分重新命名，从而建立极限学习机算法的学习样本。

S507，输入ELM学习样本；例如，确定人工神经网络的训练集和测试集样本，又如选取样本的90％为训练集样本，其余10％为测试集样本；

S508，确定隐含层神经元个数以及隐含层激活函数；例如，给定三层神经网络隐含层激活函数f(x)以及隐含层神经元个数h；

S509，随机选取网络输入层与隐含层神经元的连接权值a_ij和偏移量b_ij。

S510，计算输出层权值。例如，将训练集数据代入初始设定的人工神经网络中，可计算得到隐含层输出矩阵H；根据β＝H⁺T计算输出层权值，其中H⁺表示矩阵H的Moore-Penrose广义逆，T为人工神经网络输出变量组成的矩阵；

S511，输出供电可靠性指标的预测值；例如将测试集代入训练完成的人工神经网络中，计算出测试集输出的预测值，即供电可靠率的预测值。

S512，计算决定系数；例如将测试集供电可靠率预测值与真实值进行对比，计算决定系数R²。

S513，确定最佳隐含层神经元个数，完成与供电可靠率预测有关的神经网络的建模。例如，改变隐含层神经元个数，重复上述步骤S510到步骤S512，比较不同隐含层神经元个数对应的决定系数，从而训练得到最优的隐含层神经元个数，由此利用ELM训练完成了与供电可靠率预测有关的神经网络的建模。利用训练好的神经网络对输入变量进行灵敏度分析，量化各相关的影响因素对配电网供电可靠性的影响程度，为供电企业制定可靠性提升策略提供科学有效的依据。

S514，根据模型对配电网进行可靠性分析及调整。

本发明实施例在建立神经网络模型前，对输入数据进行主成分分析的预处理，有效的实现了输入数据的降维，并去除各指标之间的相关性，提升了极限学习机训练模型的预测精度。而采用极限学习机训练神经网络，相对于传统的单隐含层前馈神经网络，极限学习机的预测精度高，稳定性强，训练速度快，泛化能力好。

请参阅图6，其为本发明一实施例的供电可靠性数据的处理装置的结构示意图。例如，所述处理装置采用上述任一实施例所述的处理方法实现；如图6所示，该处理装置10可包括顺序连接的矩阵构建模块11、第一计算模块12、第二计算模块13、模型建立模块14及调整模块15。

矩阵构建模块，用于根据影响供电可靠性的若干指标构建第一矩阵，根据供电可靠性的评价指标数据构建第二矩阵；

第一计算模块，用于对所述第一矩阵的相关系数矩阵进行主成分分析计算，得到若干极限学习机的学习样本；

第二计算模块，用于多次调整隐含层神经元数，每次调整后根据所述第二矩阵、所述若干极限学习机的学习样本及预设的人工神经网络初始模型，计算对应的决定系数；

模型建立模块，用于根据多次调整隐含层神经元数计算得到的所述决定系数，得到最佳隐含层神经元数，建立供电可靠性数据的处理模型；

调整模块，用于根据所述处理模型对配电网进行可靠性分析，并根据分析结果调整所述配电网。

在一个实施例中，所述若干极限学习机的学习样本包括若干训练集样本及若干测试集样本；如图7所示，所述第二计算模块包括顺序连接的第一计算单元、第二计算单元、第三计算单元及第四计算单元，其中：

第一计算单元，用于将所述训练集样本代入预设的人工神经网络初始模型，计算得到隐含层输出矩阵；

第二计算单元，用于根据所述第二矩阵及所述隐含层输出矩阵计算输出层权值，得到所述初始模型对应的训练模型；

第三计算单元，用于将所述测试集样本代入所述训练模型，计算当前隐含层神经元数对应的供电可靠性计算值；

第四计算单元，用于将所述供电可靠性计算值与预存的参考值进行对比，计算得到当前隐含层神经元数对应的决定系数。

在一个实施例中，所述第二计算单元用于根据β＝H⁺T计算输出层权值；

其中，H为所述隐含层输出矩阵，H⁺为所述隐含层输出矩阵的穆尔一彭罗斯广义逆矩阵，β为所述输出层权值。

在一个实施例中，如图8所示，所述第一计算模块包括：

求解单元，用于根据预设的特征方程，对所述第一矩阵的标准化矩阵进行求解处理，得到特征值和特征向量；

第五计算单元，用于根据所述特征值及预设的贡献率计算公式，按照所述特征值由大到小的顺序依次计算累计贡献率，根据所述累计贡献率及预设阈值确定若干目标主成分；

第六计算单元，用于根据所述特征值及所述特征向量计算所述若干目标主成分的载荷系数及主成分得分，并将所述若干目标主成分作为极限学习机的学习样本。

在一个实施例中，所述调整模块包括调整单元，用于根据所述分析结果对所述配电网的网架结构、设备及运行维护中的至少一种进行调整。

例如，所述调整模块还包括分析单元，用于根据所述处理模型对配电网进行可靠性分析。

本发明又一实施例是，一种供电可靠性数据的处理装置，其采用上述任一实施例所述供电可靠性数据的处理方法；例如，一种供电可靠性数据的处理装置，其采用上述任一实施例所述的供电可靠性数据的处理方法实现；又如，一种供电可靠性数据的处理装置，其具有上述任一实施例所述的供电可靠性数据的处理方法所对应的功能模块。

上述供电可靠性数据的处理装置，选取更多更全面的供电可靠性影响因素，挖掘多方面指标对供电可靠性的影响，并采集更多的数据样本训练人工神经网络，适用于多输入变量的情况，可以对配电网供电可靠性进行更加全面的分析，能够为提升配电网供电可靠性提供科学的决策参考依据。其中在建立神经网络模型前，对输入数据进行主成分分析的预处理，有效的实现了输入数据的降维，并去除各指标之间的相关性，提升了极限学习机训练模型的预测精度。而采用极限学习机训练神经网络，相对于传统的单隐含层前馈神经网络，极限学习机的预测精度高，稳定性强，训练速度快，泛化能力好。

应该说明的是，上述装置实施例中，所包括的各个模块只是按照功能逻辑进行划分的，但并不局限于上述的划分，只要能够实现相应的功能即可；另外，各功能模块的具体名称也只是为了便于相互区分，并不用于限制本发明的保护范围。

另外，本领域普通技术人员可以理解实现上述各实施例方法中的全部或部分步骤是可以通过程序来指令相关的硬件来完成，相应的程序可以存储于可读取存储介质中，所述存储介质，如ROM/RAM、磁盘、光盘等。

以上所述实施例的各技术特征可以进行任意的组合，为使描述简洁，未对上述实施例中的各个技术特征所有可能的组合都进行描述，然而，只要这些技术特征的组合不存在矛盾，都应当认为是本说明书记载的范围。

以上所述实施例仅表达了本发明的几种实施方式，其描述较为具体和详细，但并不能因此而理解为对发明专利范围的限制。应当指出的是，对于本领域的普通技术人员来说，在不脱离本发明构思的前提下，还可以做出若干变形和改进，这些都属于本发明的保护范围。因此，本发明专利的保护范围应以所附权利要求为准。