本發(fā)明涉及配電，更具體地涉及一種中長期區(qū)域用戶的配電策略確定方法、裝置、設(shè)備。

背景技術(shù)：

1、隨著經(jīng)濟(jì)發(fā)展和社會用電需求的不斷增長，電量需求呈現(xiàn)出較為復(fù)雜的變化趨勢，而電量需求受到多種因素的影響，電網(wǎng)面臨著日益增長的復(fù)雜性和異常波動的挑戰(zhàn)，在制定中長期區(qū)域用戶電力規(guī)劃時(shí)，需要準(zhǔn)確預(yù)測未來用電，進(jìn)而對電網(wǎng)的配電策略進(jìn)行針對性調(diào)整以滿足用戶需求，現(xiàn)有技術(shù)中缺少對于中長期區(qū)域用戶配電策略進(jìn)行針對性調(diào)整的方法。

技術(shù)實(shí)現(xiàn)思路

1、鑒于上述問題，本發(fā)明提供了中長期區(qū)域用戶的配電策略確定方法、裝置、設(shè)備。

2、根據(jù)本發(fā)明的第一個方面，提供了一種中長期區(qū)域用戶的配電策略確定方法，包括：獲取針對目標(biāo)區(qū)域在歷史時(shí)段內(nèi)的目標(biāo)歷史時(shí)序信息，其中，上述目標(biāo)歷史時(shí)序信息包括：目標(biāo)歷史用電時(shí)序信息、目標(biāo)歷史氣象時(shí)序信息和目標(biāo)歷史配電交易時(shí)序信息；基于譜聚類算法，對上述目標(biāo)歷史時(shí)序信息進(jìn)行聚類，得到目標(biāo)因素的時(shí)序信息，其中，上述目標(biāo)因素表征與歷史用電量關(guān)聯(lián)緊密的影響因素；利用時(shí)序神經(jīng)網(wǎng)絡(luò)對上述目標(biāo)因素的時(shí)序信息進(jìn)行特征提取，得到上述目標(biāo)因素的變化特征和影響權(quán)重，其中，上述變化特征包括：周期性變化特征和實(shí)時(shí)變化特征，上述影響權(quán)重表征各變化特征對目標(biāo)時(shí)段的目標(biāo)用電時(shí)序數(shù)據(jù)的影響程度，上述時(shí)序神經(jīng)網(wǎng)絡(luò)是以樣本歷史用電數(shù)據(jù)為標(biāo)簽進(jìn)行訓(xùn)練得到的；以及利用上述時(shí)序神經(jīng)網(wǎng)絡(luò)對上述目標(biāo)因素的變化特征和影響權(quán)重進(jìn)行處理，得到上述目標(biāo)時(shí)段的目標(biāo)用電數(shù)據(jù)，以基于上述目標(biāo)用電時(shí)序數(shù)據(jù)確定針對上述目標(biāo)區(qū)域的配電網(wǎng)的配電策略。

3、根據(jù)本發(fā)明的實(shí)施例，上述時(shí)序神經(jīng)網(wǎng)絡(luò)包括多尺度路由模塊，上述多尺度路由模塊包括特征提取層、池化層和路徑選擇層，上述利用時(shí)序神經(jīng)網(wǎng)絡(luò)對上述目標(biāo)因素的時(shí)序信息進(jìn)行特征提取，得到上述目標(biāo)因素的變化特征和影響權(quán)重，包括：利用上述特征提取層對上述目標(biāo)因素的時(shí)序信息進(jìn)行離散傅里葉變換，得到頻率分量序列；并對前k個頻率分量進(jìn)行逆離散傅里葉變換，得到上述目標(biāo)因素的周期性變化特征，k為大于1的整數(shù)；?利用上述池化層對上述目標(biāo)因素的周期性變化特征進(jìn)行平均池化和加權(quán)處理，得到上述目標(biāo)因素的實(shí)時(shí)變化特征；以及利用路徑選擇層將基于上述周期性變化特征和上述實(shí)時(shí)變化特征輸入多尺度路由器，生成上述影響權(quán)重。

4、根據(jù)本發(fā)明的實(shí)施例，上述時(shí)序神經(jīng)網(wǎng)絡(luò)還包括：多尺度注意力模塊和多尺度聚合模塊，上述利用上述時(shí)序神經(jīng)網(wǎng)絡(luò)對上述目標(biāo)因素的變化特征和影響權(quán)重進(jìn)行處理，得到上述目標(biāo)時(shí)段的目標(biāo)用電時(shí)序數(shù)據(jù)，包括：利用上述多尺度注意力模塊基于注意力機(jī)制對上述周期性變化特征進(jìn)行融合，得到融合周期性變化特征；利用上述多尺度注意力模塊基于上述注意力機(jī)制對上述實(shí)時(shí)變化特征進(jìn)行融合，得到融合實(shí)時(shí)變化特征；以及利用上述多尺度聚合模塊，按照上述影響權(quán)重對上述融合周期性變化特征和上述融合實(shí)時(shí)變化特征進(jìn)行處理，生成上述目標(biāo)用電時(shí)序數(shù)據(jù)。

5、根據(jù)本發(fā)明的實(shí)施例，上述利用上述多尺度注意力模塊基于注意力機(jī)制對上述周期性變化特征進(jìn)行融合，得到融合周期性變化特征，包括：將上述周期性變化特征進(jìn)行劃分，得到多個第一特征向量；基于自注意力機(jī)制將各上述第一特征向量進(jìn)行內(nèi)部融合，得到各融合后的第一特征；基于交互注意力機(jī)制在各上述第一特征向量之間進(jìn)行融合，得到融合后的第二特征；以及將上述各融合后的第一特征和上述融合后的第二特征進(jìn)行拼接，得到上述融合周期性變化特征。

6、根據(jù)本發(fā)明的實(shí)施例，上述利用上述多尺度注意力模塊基于上述注意力機(jī)制對上述實(shí)時(shí)變化特征進(jìn)行融合，得到融合實(shí)時(shí)變化特征，包括：將上述實(shí)時(shí)變化特征進(jìn)行劃分，得到多個第二特征向量；基于自注意力機(jī)制將各上述第二特征向量進(jìn)行內(nèi)部融合，得到各融合后的第三特征；基于交互注意力機(jī)制在各上述第二特征向量之間進(jìn)行融合，得到融合后的第四特征；以及將上述各融合后的第三特征和上述融合后的第四特征進(jìn)行拼接，得到上述融合實(shí)時(shí)變化特征。

7、根據(jù)本發(fā)明的實(shí)施例，在獲取針對目標(biāo)區(qū)域在歷史時(shí)段內(nèi)的目標(biāo)歷史時(shí)序信息之前，上述方法還包括：獲取針對目標(biāo)區(qū)域在歷史時(shí)段內(nèi)的初始?xì)v史時(shí)序信息，其中，上述初始?xì)v史時(shí)序信息包括：初始?xì)v史用電時(shí)序信息、初始?xì)v史氣象時(shí)序信息和初始?xì)v史配電交易時(shí)序信息；利用孤立森林算法分別從上述初始?xì)v史時(shí)序信息中確定異常信息和與上述異常信息對應(yīng)的異常時(shí)刻；其中，上述異常信息包括以下至少之一：歷史異常用電信息、歷史異常氣象信息和歷史異常配電交易時(shí)序信息；以及去除上述異常信息，并基于與上述異常時(shí)刻相鄰的至少兩個正常時(shí)刻對應(yīng)的歷史信息，修正上述異常信息，得到上述目標(biāo)歷史時(shí)序信息。

8、根據(jù)本發(fā)明的實(shí)施例，上述基于譜聚類算法，對上述目標(biāo)歷史時(shí)序信息進(jìn)行聚類，得到目標(biāo)因素的時(shí)序信息，包括：根據(jù)上述目標(biāo)歷史時(shí)序信息構(gòu)建相似度矩陣，其中，上述相似度矩陣中各元素表征各因素與歷史用電量的關(guān)聯(lián)度；根據(jù)上述相似度矩陣分別計(jì)算鄰接矩陣和度矩陣；根據(jù)上述鄰接矩陣和上述度矩陣，生成拉普拉斯矩陣；基于本征遞增原則，計(jì)算歸一化后的上述拉普拉斯矩陣中的前t個本征值對應(yīng)的t個本征向量，t為大于1的整數(shù)；以及對上述t個本征向量進(jìn)行聚類，得到上述目標(biāo)因素的時(shí)序信息。

9、根據(jù)本發(fā)明的實(shí)施例，上述基于上述目標(biāo)用電時(shí)序數(shù)據(jù)確定針對上述目標(biāo)區(qū)域的配電網(wǎng)的配電策略，包括：基于上述目標(biāo)用電時(shí)序數(shù)據(jù)，確定各時(shí)刻對應(yīng)的用電負(fù)荷數(shù)據(jù)和相鄰時(shí)刻的用電負(fù)荷數(shù)據(jù)的變化趨勢；以及基于上述用電負(fù)荷數(shù)據(jù)和上述變化趨勢，確定上述配電策略。

10、本發(fā)明的第二方面提供了一種中長期區(qū)域用戶的配電策略確定裝置，包括：獲取模塊，用于獲取針對目標(biāo)區(qū)域在歷史時(shí)段內(nèi)的目標(biāo)歷史時(shí)序信息，其中，上述目標(biāo)歷史時(shí)序信息包括：目標(biāo)歷史用電時(shí)序信息、目標(biāo)歷史氣象時(shí)序信息和目標(biāo)歷史配電交易時(shí)序信息；聚類模塊，用于基于譜聚類算法，對上述目標(biāo)歷史時(shí)序信息進(jìn)行聚類，得到目標(biāo)因素的時(shí)序信息，其中，上述目標(biāo)因素表征與歷史用電量關(guān)聯(lián)緊密的影響因素；特征提取模塊，用于利用時(shí)序神經(jīng)網(wǎng)絡(luò)對上述目標(biāo)因素的時(shí)序信息進(jìn)行特征提取，得到上述目標(biāo)因素的變化特征和影響權(quán)重；其中，上述變化特征包括：周期性變化特征和實(shí)時(shí)變化特征；上述影響權(quán)重表征各變化特征對目標(biāo)時(shí)段的目標(biāo)用電時(shí)序數(shù)據(jù)的影響程度；以及處理模塊，用于利用上述時(shí)序神經(jīng)網(wǎng)絡(luò)對上述目標(biāo)因素的變化特征和影響權(quán)重進(jìn)行處理，得到上述目標(biāo)時(shí)段的目標(biāo)用電數(shù)據(jù)，以基于上述目標(biāo)用電時(shí)序數(shù)據(jù)確定針對上述目標(biāo)區(qū)域的配電網(wǎng)的配電策略。

11、根據(jù)本發(fā)明的實(shí)施例，上述時(shí)序神經(jīng)網(wǎng)絡(luò)包括多尺度路由模塊，上述多尺度路由模塊包括特征提取層、池化層和路徑選擇層，上述特征提取模塊包括：離散傅里葉變換子模塊，用于利用上述特征提取層對上述目標(biāo)因素的時(shí)序信息進(jìn)行離散傅里葉變換，得到頻率分量序列；并對前k個頻率分量進(jìn)行逆離散傅里葉變換，得到上述目標(biāo)因素的周期性變化特征，k為大于1的整數(shù)；池化子模塊，用于利用上述池化層對上述目標(biāo)因素的周期性變化特征進(jìn)行平均池化和加權(quán)處理，得到上述目標(biāo)因素的實(shí)時(shí)變化特征；以及影響權(quán)重生成子模塊，用于利用路徑選擇層將基于上述周期性變化特征和上述實(shí)時(shí)變化特征輸入多尺度路由器，生成上述影響權(quán)重。

12、根據(jù)本發(fā)明的實(shí)施例，上述時(shí)序神經(jīng)網(wǎng)絡(luò)還包括：多尺度注意力模塊和多尺度聚合模塊，上述處理模塊包括：周期性融合子模塊，用于利用上述多尺度注意力模塊基于注意力機(jī)制對上述周期性變化特征進(jìn)行融合，得到融合周期性變化特征；實(shí)時(shí)融合子模塊，用于利用上述多尺度注意力模塊基于上述注意力機(jī)制對上述實(shí)時(shí)變化特征進(jìn)行融合，得到融合實(shí)時(shí)變化特征；以及多尺度聚合子模塊，用于利用上述多尺度聚合模塊，按照上述影響權(quán)重對上述融合周期性變化特征和上述融合實(shí)時(shí)變化特征進(jìn)行處理，生成上述目標(biāo)用電時(shí)序數(shù)據(jù)。

13、根據(jù)本發(fā)明的實(shí)施例，上述多尺度聚合子模塊包括：劃分單元，用于將上述周期性變化特征進(jìn)行劃分，得到多個第一特征向量；內(nèi)部融合單元，用于基于自注意力機(jī)制將各上述第一特征向量進(jìn)行內(nèi)部融合，得到各融合后的第一特征；第二特征融合單元，用于基于交互注意力機(jī)制在各上述第一特征向量之間進(jìn)行融合，得到融合后的第二特征；以及周期性拼接單元，用于將上述各融合后的第一特征和上述融合后的第二特征進(jìn)行拼接，得到上述融合周期性變化特征。

14、根據(jù)本發(fā)明的實(shí)施例，上述實(shí)時(shí)融合子模塊包括：第二劃分單元，用于將上述實(shí)時(shí)變化特征進(jìn)行劃分，得到多個第二特征向量；第二內(nèi)部融合單元，用于基于自注意力機(jī)制將各上述第二特征向量進(jìn)行內(nèi)部融合，得到各融合后的第三特征；第四特征融合單元，用于基于交互注意力機(jī)制在各上述第二特征向量之間進(jìn)行融合，得到融合后的第四特征；以及實(shí)時(shí)拼接單元，用于將上述各融合后的第三特征和上述融合后的第四特征進(jìn)行拼接，得到上述融合實(shí)時(shí)變化特征。

15、根據(jù)本發(fā)明的實(shí)施例，上述裝置還包括：初始?xì)v史時(shí)序信息獲取模塊，用于獲取針對目標(biāo)區(qū)域在歷史時(shí)段內(nèi)的初始?xì)v史時(shí)序信息，其中，上述初始?xì)v史時(shí)序信息包括：初始?xì)v史用電時(shí)序信息、初始?xì)v史氣象時(shí)序信息和初始?xì)v史配電交易時(shí)序信息；異常時(shí)刻確定模塊，用于利用孤立森林算法分別從上述初始?xì)v史時(shí)序信息中確定異常信息和與上述異常信息對應(yīng)的異常時(shí)刻；其中，上述異常信息包括以下至少之一：歷史異常用電信息、歷史異常氣象信息和歷史異常配電交易時(shí)序信息；以及去除模塊，用于去除上述異常信息，并基于與上述異常時(shí)刻相鄰的至少兩個正常時(shí)刻對應(yīng)的歷史信息，修正上述異常信息，得到上述目標(biāo)歷史時(shí)序信息。

16、根據(jù)本發(fā)明的實(shí)施例，上述聚類模塊包括：相似度矩陣構(gòu)建子模塊，用于根據(jù)上述目標(biāo)歷史時(shí)序信息構(gòu)建相似度矩陣，其中，上述相似度矩陣中各元素表征各因素與歷史用電量的關(guān)聯(lián)度；計(jì)算子模塊，用于根據(jù)上述相似度矩陣分別計(jì)算鄰接矩陣和度矩陣；拉普拉斯矩陣生成子模塊，用于根據(jù)上述鄰接矩陣和上述度矩陣，生成拉普拉斯矩陣；本征向量計(jì)算子模塊，用于基于本征遞增原則，計(jì)算歸一化后的上述拉普拉斯矩陣中的前t個本征值對應(yīng)的t個本征向量，t為大于1的整數(shù)；以及聚類子模塊，用于對上述t個本征向量進(jìn)行聚類，得到上述目標(biāo)因素的時(shí)序信息。

17、根據(jù)本發(fā)明的實(shí)施例，上述處理模塊包括：變化趨勢確定子模塊，用于基于上述目標(biāo)用電時(shí)序數(shù)據(jù)，確定各時(shí)刻對應(yīng)的用電負(fù)荷數(shù)據(jù)和相鄰時(shí)刻的用電負(fù)荷數(shù)據(jù)的變化趨勢；以及配電策略確定子模塊，用于基于上述用電負(fù)荷數(shù)據(jù)和上述變化趨勢，確定上述配電策略。

18、本發(fā)明的第三方面提供了一種電子設(shè)備，包括：一個或多個處理器；存儲器，用于存儲一個或多個計(jì)算機(jī)程序，其中，上述一個或多個處理器執(zhí)行上述一個或多個計(jì)算機(jī)程序以實(shí)現(xiàn)上述方法的步驟。

19、本發(fā)明的第四方面還提供了一種計(jì)算機(jī)可讀存儲介質(zhì)，其上存儲有計(jì)算機(jī)程序或指令，上述計(jì)算機(jī)程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述方法的步驟。

20、本發(fā)明的第五方面還提供了一種計(jì)算機(jī)程序產(chǎn)品，包括計(jì)算機(jī)程序或指令，上述計(jì)算機(jī)程序或指令被處理器執(zhí)行時(shí)實(shí)現(xiàn)上述方法的步驟。

21、根據(jù)本發(fā)明實(shí)施例，通過譜聚類算法來對目標(biāo)歷史時(shí)序信息進(jìn)行聚類，從而得到與歷史用電量關(guān)聯(lián)緊密的影響因素?cái)?shù)據(jù)，可以篩選出目標(biāo)歷史時(shí)序信息中影響因素?cái)?shù)據(jù)較大的點(diǎn)，從而更準(zhǔn)確地捕捉數(shù)據(jù)的內(nèi)在構(gòu)成，減少噪聲干擾，進(jìn)一步地降低計(jì)算復(fù)雜度；通過時(shí)序神經(jīng)網(wǎng)絡(luò)來提取目標(biāo)因素的變化特征和影響權(quán)重，從而得到目標(biāo)時(shí)段的目標(biāo)用電數(shù)據(jù)，進(jìn)而確定針對于目標(biāo)區(qū)域配電網(wǎng)的配電策略，可以捕捉到時(shí)序信息中復(fù)雜的時(shí)序特性，從而針對性的根據(jù)變化特征和影響權(quán)重來調(diào)整配電策略，優(yōu)化電網(wǎng)資源分配，進(jìn)一步地提高電網(wǎng)運(yùn)行的效率，增強(qiáng)了電網(wǎng)可靠性。