本發(fā)明涉及智能電網(wǎng)領(lǐng)域，具體為一種有源低壓配網(wǎng)戶變關(guān)系預(yù)測方法。

背景技術(shù)：

1、有源低壓配網(wǎng)戶變關(guān)系預(yù)測方法，指基于低壓配電網(wǎng)的實時運行數(shù)據(jù)、歷史數(shù)據(jù)以及用戶用電行為等信息，通過數(shù)據(jù)分析、模型構(gòu)建和算法優(yōu)化等手段，實現(xiàn)對用戶與變壓器之間關(guān)系的預(yù)測；該方法能夠提前發(fā)現(xiàn)戶變關(guān)系中的潛在問題，為配電網(wǎng)的規(guī)劃和運維提供決策支持，對于提高配電網(wǎng)的運維管理效率、減少線損、優(yōu)化供電服務(wù)等方面具有重要意義。

2、傳統(tǒng)的有源低壓配網(wǎng)戶變關(guān)系的預(yù)測方法可以歸納為三大類：a.依賴于歷史用電數(shù)據(jù)和統(tǒng)計模型，通過分析過去的用電行為和供電關(guān)系進(jìn)而預(yù)測未來變化趨勢的基于數(shù)據(jù)分析的方法，但是其對數(shù)據(jù)質(zhì)量要求較高，預(yù)測的結(jié)果會受到數(shù)據(jù)的缺失、噪聲或異常值的影響，進(jìn)而導(dǎo)致預(yù)測的準(zhǔn)確性下降；b.通過物理模型和檢測數(shù)據(jù)理解有源低壓配網(wǎng)的戶變關(guān)系，進(jìn)而預(yù)測用戶用電行為和供電關(guān)系的基于模型的方法，但是該方法建模復(fù)雜度和計算成本較高，不利于大面積的推廣使用；c.結(jié)合了數(shù)據(jù)分析和模型方法的優(yōu)點，能夠在大量歷史數(shù)據(jù)中發(fā)現(xiàn)潛在規(guī)律，并結(jié)合物理模型提高準(zhǔn)確性的混合方法，但是這種混合方法需要足夠的歷史數(shù)據(jù)，且模型的復(fù)雜度高、解釋性差，其雖然結(jié)合了數(shù)據(jù)分析和模型方法的優(yōu)點，同樣也具備了他們的缺點。

3、中國專利，公開號：cn?112308459a，公開日：2021年2月2日，公開了一種電網(wǎng)戶變關(guān)系的識別方法及識別裝置、電子設(shè)備，包括有：獲取影響電網(wǎng)戶變關(guān)系的多個基礎(chǔ)特征；對多個基礎(chǔ)特征的數(shù)據(jù)進(jìn)行處理，得到多個標(biāo)準(zhǔn)化數(shù)據(jù)；基于多個標(biāo)準(zhǔn)化數(shù)據(jù)，構(gòu)建多個戶變關(guān)系識別模型；采用多個模型評估指標(biāo)從多個戶變關(guān)系識別模型中選取目標(biāo)關(guān)系識別模型；采用目標(biāo)關(guān)系識別模型確定正常戶變關(guān)系和異常戶變關(guān)系。而該發(fā)明在戶變關(guān)系數(shù)據(jù)的處理過程中，不僅需要處理多個標(biāo)準(zhǔn)化數(shù)據(jù)，還需要構(gòu)建多個戶變關(guān)系識別模型，進(jìn)而使得數(shù)據(jù)的處理過程復(fù)雜且龐大。

技術(shù)實現(xiàn)思路

1、本發(fā)明的目的是針對現(xiàn)有技術(shù)在戶變關(guān)系預(yù)測的過程中，需要處理多個標(biāo)準(zhǔn)化數(shù)據(jù)并構(gòu)建多個戶變關(guān)系識別模型導(dǎo)致的數(shù)據(jù)處理效率低下的問題；提出了一種有源低壓配網(wǎng)戶變關(guān)系預(yù)測方法，通過對獲取的有源低壓戶變關(guān)系數(shù)據(jù)進(jìn)行vdm分解得到子序列，并采用psr構(gòu)建子序列的相空間矩陣，得到訓(xùn)練bilstm網(wǎng)絡(luò)需要的訓(xùn)練集和驗證集，以及最后輸入psr-bilstm網(wǎng)絡(luò)進(jìn)行預(yù)測的測試集，并在進(jìn)行預(yù)測之前結(jié)合ssa算法優(yōu)化了psr和bilstm網(wǎng)絡(luò)得到psr-bilstm網(wǎng)絡(luò)，本發(fā)明克服了戶變關(guān)系數(shù)據(jù)預(yù)測的過程中需要處理多個標(biāo)準(zhǔn)化數(shù)據(jù)并構(gòu)建多個戶變關(guān)系識別模型導(dǎo)致的數(shù)據(jù)處理效率低下的問題。

2、第一方面，本發(fā)明實施例中提供的一種技術(shù)方案是，一種有源低壓配網(wǎng)戶變關(guān)系預(yù)測方法，包括以下步驟：

3、s1、獲取有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)，得到原始數(shù)據(jù)集；

4、s2、對原始數(shù)據(jù)集進(jìn)行vmd分解得到子序列；

5、s3、利用psr構(gòu)建子序列的相空間矩陣，并將其劃分為訓(xùn)練集、驗證集和測試集；

6、s4、基于訓(xùn)練集和驗證集對bilstm網(wǎng)絡(luò)進(jìn)行訓(xùn)練；

7、s5、基于測試集結(jié)合ssa算法對psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)進(jìn)行評估得到并輸出最優(yōu)參數(shù)組合；

8、s6、將測試集作為psr-bilstm網(wǎng)絡(luò)的輸入，結(jié)合最優(yōu)參數(shù)組合輸出最優(yōu)子序列的預(yù)測結(jié)果；s7、將所有最優(yōu)子序列的預(yù)測結(jié)果進(jìn)行累加得到目標(biāo)預(yù)測結(jié)果。

9、本方案中，采用vdm分解原始數(shù)據(jù)，消除了原始數(shù)據(jù)中缺失值、異常值以及噪聲對數(shù)據(jù)本身的影響，使原始數(shù)據(jù)整體更加的完整、干凈，并將原始數(shù)據(jù)分解成了多個包含原始數(shù)據(jù)特征的子序列，達(dá)到了使用少量原始數(shù)據(jù)就可以觀察到其內(nèi)部的變化規(guī)律和變化趨勢的效果；同時為了避免原始數(shù)據(jù)信息丟失、保留原始數(shù)據(jù)的特征，基于vdm分解得到的子序列構(gòu)建子序列的相空間矩陣，所述子序列的相空間矩陣保留了子序列的動態(tài)特性和內(nèi)部結(jié)構(gòu)，使得子序列的關(guān)鍵信息得以保留；另外，基于子序列的相空間矩陣訓(xùn)練bilstm網(wǎng)絡(luò)，所述bilstm網(wǎng)絡(luò)可以學(xué)習(xí)子序列包含的原始數(shù)據(jù)的長期依賴關(guān)系并捕獲原始數(shù)據(jù)的過去和未來，是進(jìn)行數(shù)據(jù)預(yù)測的關(guān)鍵步驟；并且在bilstm網(wǎng)絡(luò)的訓(xùn)練過程中，采用ssa算法對psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)進(jìn)行評估得到最優(yōu)參數(shù)組合，不僅可以得到性能最佳的psr-bilstm網(wǎng)絡(luò)，還增強(qiáng)了psr-bilstm網(wǎng)絡(luò)的泛化能力，減少了psr-bilstm網(wǎng)絡(luò)的訓(xùn)練時間和處理數(shù)據(jù)的成本。

10、作為優(yōu)選，所述s2中，對原始數(shù)據(jù)集進(jìn)行vmd分解得到子序列的具體過程為：

11、s21、輸入原始數(shù)據(jù)集，并利用hilbert變換計算模態(tài)函數(shù)的解析信號，得到模態(tài)函數(shù)的單側(cè)頻譜；

12、s22、基于模態(tài)函數(shù)的單側(cè)頻譜和中心角頻率進(jìn)行混疊計算，得到模態(tài)函數(shù)的基礎(chǔ)頻率帶；

13、s23、基于模態(tài)函數(shù)的基礎(chǔ)頻率帶構(gòu)建變分模型，并求解變分模型的最優(yōu)解將原始數(shù)據(jù)分解為多個初始子序列；

14、s24、篩選初始子序列得到子序列。

15、本方案中，輸入原始數(shù)據(jù)集后，利用hilbert變換計算模態(tài)函數(shù)的解析信號得到模態(tài)函數(shù)的單側(cè)頻譜，消除了解析信號中的負(fù)頻率成分，有效提高了信號處理的精度和效率；并基于模態(tài)函數(shù)的單側(cè)頻譜和中心角頻率進(jìn)行混疊計算得到模態(tài)函數(shù)的基礎(chǔ)頻率帶，準(zhǔn)確的估計出模態(tài)的頻率并提高信號分解的精度；最后通過求解變分模型的最優(yōu)解將原始數(shù)據(jù)分解為初始子序列，再次提高了信號分解的精度，進(jìn)一步的，通過篩選剔除了殘缺子序列從而得到一組完美的子序列，達(dá)到了提高數(shù)據(jù)質(zhì)量、數(shù)據(jù)分析效率的效果。

16、作為優(yōu)選，所述s23中，基于模態(tài)函數(shù)的基礎(chǔ)頻率帶構(gòu)建變分模型，并求解變分模型的最優(yōu)解將原始數(shù)據(jù)分解為多個初始子序列的具體過程為：

17、s231、基于模態(tài)函數(shù)的基礎(chǔ)頻率帶結(jié)合高斯平滑方法建立有約束條件的變分模型；

18、s232、基于有約束條件的變分模型構(gòu)建無約束條件的變分模型；

19、s233、基于無約束條件的變分模型結(jié)合交替方向乘子法計算得到最優(yōu)解，同時將原始數(shù)據(jù)分解為多個初始子序列。

20、本方案中，基于模態(tài)函數(shù)的基礎(chǔ)頻率帶結(jié)合高斯平滑方法建立有約束條件的變分模型，能夠精確估計和分離基礎(chǔ)頻率帶的成分，在去除基礎(chǔ)頻率帶中的噪聲和干擾的同時保留其主要特征；隨后以有約束條件的變分模型為基礎(chǔ)構(gòu)建無約束條件的變分模型，通過減少約束條件提高模型的的靈活性得以探索更廣泛的解空間，提高泛化能力的同時提高求解的效率，大大增強(qiáng)了模型的性能，并通過減少約束條件降低模型的復(fù)雜度達(dá)到簡化模型構(gòu)建的效果；最后，基于無約束條件的變分模型結(jié)合交替方向乘子法計算得到最優(yōu)解，同時將原始數(shù)據(jù)分解為多個初始子序列，由于交替方向乘子法其本身具有較好的收斂性能，能夠分解簡化問題并同時求解多個簡化后的子問題，達(dá)到了顯著提高數(shù)據(jù)計算效率的效果。

21、作為優(yōu)選，所述s3中，利用psr構(gòu)建子序列的相空間矩陣，并將其劃分為訓(xùn)練集、驗證集和測試集的具體過程為：

22、s31、輸入子序列，并選擇psr的延遲時間和嵌入維度；

23、s32、基于psr的延遲時間和嵌入維度將子序列數(shù)據(jù)轉(zhuǎn)換為空間點集，并構(gòu)建相空間；

24、s33、將子序列數(shù)據(jù)映射到相空間中得到多維空間點集，并重構(gòu)相空間；

25、s34、把多維空間點集劃分為訓(xùn)練集、驗證集和測試集。

26、本方案中，選擇psr的延遲時間和嵌入維度有助于減少子序列中不需要的信息，有效避免了子序列中的信息冗余，并提高了輸出的訓(xùn)練集、驗證集和測試集中數(shù)據(jù)的精度。

27、作為優(yōu)選，所述s4中，基于訓(xùn)練集和驗證集對bilstm網(wǎng)絡(luò)進(jìn)行訓(xùn)練的具體過程為：s41、將獲取的訓(xùn)練集進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)訓(xùn)練集；

28、s42、定義并配置bilstm網(wǎng)絡(luò)的架構(gòu)和參數(shù)；

29、s43、基于標(biāo)準(zhǔn)訓(xùn)練集對bilstm網(wǎng)絡(luò)進(jìn)行訓(xùn)練，并利用驗證集上的參數(shù)對bilstm網(wǎng)絡(luò)中的參數(shù)進(jìn)行調(diào)優(yōu)。

30、本方案中，標(biāo)準(zhǔn)化處理訓(xùn)練集可以簡化bilstm網(wǎng)絡(luò)訓(xùn)練時的數(shù)據(jù)處理流程，使得bilstm網(wǎng)絡(luò)在訓(xùn)練過程中可以更專注于學(xué)習(xí)數(shù)據(jù)中的實際模式和關(guān)系，有效提高bilstm網(wǎng)絡(luò)的性能；其次，通過觀察bilstm網(wǎng)絡(luò)在驗證集上性能的變化進(jìn)行bilstm網(wǎng)絡(luò)參數(shù)的優(yōu)化調(diào)整，在提高bilstm網(wǎng)絡(luò)泛化能力的同時有效避免了bilstm網(wǎng)絡(luò)的過擬合與欠擬合；最后，經(jīng)過上述步驟訓(xùn)練得到的bilstm網(wǎng)絡(luò)，其具有準(zhǔn)確預(yù)測子序列未來變化趨勢的能力，并基于預(yù)測的能力達(dá)到了優(yōu)化決策制定的效果。

31、作為優(yōu)選，所述s41中，將獲取的訓(xùn)練集進(jìn)行標(biāo)準(zhǔn)化處理，得到標(biāo)準(zhǔn)訓(xùn)練集的具體過程為：

32、將訓(xùn)練集中的子序列轉(zhuǎn)換成向量形式并對其進(jìn)行填充或截斷，得到標(biāo)準(zhǔn)訓(xùn)練集。

33、本方案中，將訓(xùn)練集中的子序列轉(zhuǎn)換成向量形式并對其進(jìn)行填充或截斷，使訓(xùn)練集中的子序列具有相同的長度和相同的形式，以便于對子序列進(jìn)行批處理和并行計算，顯著提高了bilstm網(wǎng)絡(luò)的數(shù)據(jù)處理效率。

34、作為優(yōu)選，所述s5中，基于測試集結(jié)合ssa算法對psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)進(jìn)行評估得到并輸出最優(yōu)參數(shù)組合的具體過程為：

35、s51、將測試集中的子序列轉(zhuǎn)換為向量形式并對其進(jìn)行填充或截斷，得到標(biāo)準(zhǔn)測試集；

36、s52、將標(biāo)準(zhǔn)測試集輸入psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)，同時以psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)中的參數(shù)作為麻雀個體組建種群；

37、s53、計算所述麻雀種群中每個個體的適應(yīng)度以及發(fā)現(xiàn)者和加入者在種群中的比例；

38、s54、根據(jù)發(fā)現(xiàn)者在種群中的比例選取種群中適應(yīng)度高的個體作為發(fā)現(xiàn)者，根據(jù)發(fā)現(xiàn)者的位置更新公式更新所述發(fā)現(xiàn)者的位置；

39、s55、根據(jù)加入者在種群中的比例選取種群中適應(yīng)度接近發(fā)現(xiàn)者的個體作為加入者，根據(jù)加入者的位置更新公式更新所述加入者的位置；

40、s56、隨機(jī)選取種群中的個體作為警戒者，根據(jù)警戒者的位置更新公式更新所述警戒者的位置；s57、重復(fù)執(zhí)行步驟s53-s56，直至滿足預(yù)設(shè)的停止條件時輸出最優(yōu)麻雀位置，即輸出最優(yōu)參數(shù)組合。

41、本方案中，所述發(fā)現(xiàn)者作為種群中找到最佳食物源的個體，其具備全局搜索的能力，能夠在全局的范圍內(nèi)發(fā)現(xiàn)最好的解；所述加入者作為發(fā)現(xiàn)者的跟隨者，其具備局部搜索的能力，能夠在發(fā)現(xiàn)者的周圍發(fā)現(xiàn)可能好的解；所述警戒者從發(fā)現(xiàn)者和加入者中隨機(jī)選取，并且隨機(jī)走向，以擴(kuò)大種群探索的區(qū)域，進(jìn)而探索潛在的新解，有效避免ssa算法陷入局部最優(yōu)解的狀況。

42、作為優(yōu)選，所述s6中，將測試集作為psr-bilstm網(wǎng)絡(luò)的輸入，結(jié)合最優(yōu)參數(shù)組合輸出最優(yōu)子序列的預(yù)測結(jié)果的具體過程為：

43、s61、將最優(yōu)參數(shù)組合引入psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)，得到最優(yōu)psr-bilstm網(wǎng)絡(luò)；

44、s62、基于最優(yōu)psr-bilstm網(wǎng)絡(luò)對測試集進(jìn)行預(yù)測，找到最優(yōu)子序列的預(yù)測結(jié)果并輸出。

45、本方案中，將最優(yōu)參數(shù)組合引入psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)得到最優(yōu)psr-bilstm網(wǎng)絡(luò)，不僅可以降低psr-bilstm網(wǎng)絡(luò)處理輸入數(shù)據(jù)的成本、提高psr-bilstm網(wǎng)絡(luò)預(yù)測的準(zhǔn)確性，還增強(qiáng)了psr-bilstm網(wǎng)絡(luò)的泛化能力。

46、作為優(yōu)選，所述s61中，將最優(yōu)參數(shù)組合引入psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)，得到最優(yōu)psr-bilstm網(wǎng)絡(luò)的具體過程為：

47、s611、將最優(yōu)參數(shù)組合中的psr最優(yōu)參數(shù)對應(yīng)引入psr重構(gòu)有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)的相空間矩陣；

48、s612、將最優(yōu)參數(shù)組合中的bilstm網(wǎng)絡(luò)最優(yōu)參數(shù)對應(yīng)引入bilstm網(wǎng)絡(luò)結(jié)合重構(gòu)的相空間矩陣訓(xùn)練得到最優(yōu)psr-bilstm網(wǎng)絡(luò)。

49、本方案中，重構(gòu)有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)的相空間矩陣，進(jìn)一步減少了數(shù)據(jù)缺失值、異常值和噪聲對預(yù)測結(jié)果的影響，使psr-bilstm網(wǎng)絡(luò)的預(yù)測結(jié)果更加精準(zhǔn)。

50、作為優(yōu)選，所述s62中，基于最優(yōu)psr-bilstm網(wǎng)絡(luò)對測試集進(jìn)行預(yù)測，找到最優(yōu)子序列的預(yù)測結(jié)果并輸出的具體過程為：

51、s621、將測試集中的子序列轉(zhuǎn)換為向量形式并對其進(jìn)行填充或截斷，得到標(biāo)準(zhǔn)測試集；

52、s622、將標(biāo)準(zhǔn)測試集輸入最優(yōu)psr-bilstm網(wǎng)絡(luò)中進(jìn)行預(yù)測，得到每個子序列的預(yù)測結(jié)果；s623、計算子序列的性能指標(biāo)，并根據(jù)子序列的性能指標(biāo)更新最優(yōu)psr-bilstm網(wǎng)絡(luò)參數(shù)；所述性能指標(biāo)包括有：均方根誤差、平均絕對誤差和平均絕對比例誤差；

53、s624、重復(fù)執(zhí)行s622-s623，直到找到最優(yōu)子序列的預(yù)測結(jié)果并輸出。

54、本方案中，通過反復(fù)執(zhí)行s622-s623并計算子序列的性能指標(biāo)判斷找到最優(yōu)子序列的預(yù)測結(jié)果，極大提高了子序列預(yù)測結(jié)果的準(zhǔn)確性。

55、本發(fā)明至少具備如下實質(zhì)性效果：

56、本發(fā)明提出一種有源低壓配網(wǎng)戶變關(guān)系預(yù)測方法，所述方法包括：獲取有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)并對其進(jìn)行vmd分解得到子序列，消除了原始數(shù)據(jù)中缺失值、異常值以及噪聲的影響，使原始數(shù)據(jù)整體更加的完整、干凈，同時分解后的子序列保留了有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)的特征；隨后利用psr構(gòu)建子序列的相空間矩陣并訓(xùn)練bilstm網(wǎng)絡(luò)，基于所述子序列保留了有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)的特征，進(jìn)而所述子序列的相空間矩陣保留了有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)的動態(tài)特性和內(nèi)部結(jié)構(gòu)，使得在bilstm網(wǎng)絡(luò)的訓(xùn)練過程中使用少量的有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)就可以觀察到數(shù)據(jù)的內(nèi)部變化規(guī)律和趨勢；最后，基于ssa算法尋找psr和訓(xùn)練好的bilstm網(wǎng)絡(luò)的最優(yōu)參數(shù)組合，并將最優(yōu)參數(shù)組合引入psr和bilstm網(wǎng)絡(luò)得到psr-bilstm網(wǎng)絡(luò)對有源低壓配網(wǎng)戶變關(guān)系數(shù)據(jù)進(jìn)行預(yù)測，得到目標(biāo)預(yù)測結(jié)果，由于在預(yù)測過程中需要使用最優(yōu)參數(shù)組合對psr和bilstm網(wǎng)絡(luò)進(jìn)行優(yōu)化，所以預(yù)測數(shù)據(jù)的過程中只使用一個psr-bilstm網(wǎng)絡(luò)即可，避免了大量模型的建立，顯著提高了數(shù)據(jù)處理的效率。

57、上述
技術(shù)實現(xiàn)要素：
僅是本發(fā)明技術(shù)方案的概述，為了能夠更清楚了解本發(fā)明的技術(shù)手段，而可依照說明書的內(nèi)容予以實施，并且為了讓本發(fā)明的上述和其它目的、特征和優(yōu)點能夠更明顯易懂，以下特舉本發(fā)明的具體實施方式。