CN113673742B - 配电变压器台区负荷预测方法、系统、装置及介质 - Google Patents

配电变压器台区负荷预测方法、系统、装置及介质 Download PDF

Info

Publication number
CN113673742B
CN113673742B CN202110752204.0A CN202110752204A CN113673742B CN 113673742 B CN113673742 B CN 113673742B CN 202110752204 A CN202110752204 A CN 202110752204A CN 113673742 B CN113673742 B CN 113673742B
Authority
CN
China
Prior art keywords
graph
neural network
undirected
distribution transformer
data
Prior art date
Legal status (The legal status is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the status listed.)
Active
Application number
CN202110752204.0A
Other languages
English (en)
Other versions
CN113673742A (zh
Inventor
陈俊斌
余涛
Current Assignee (The listed assignees may be inaccurate. Google has not performed a legal analysis and makes no representation or warranty as to the accuracy of the list.)
South China University of Technology SCUT
Original Assignee
South China University of Technology SCUT
Priority date (The priority date is an assumption and is not a legal conclusion. Google has not performed a legal analysis and makes no representation as to the accuracy of the date listed.)
Filing date
Publication date
Application filed by South China University of Technology SCUT filed Critical South China University of Technology SCUT
Priority to CN202110752204.0A priority Critical patent/CN113673742B/zh
Publication of CN113673742A publication Critical patent/CN113673742A/zh
Application granted granted Critical
Publication of CN113673742B publication Critical patent/CN113673742B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F18/00—Pattern recognition
    • G06F18/20—Analysing
    • G06F18/21—Design or setup of recognition systems or techniques; Extraction of features in feature space; Blind source separation
    • G06F18/214—Generating training patterns; Bootstrap methods, e.g. bagging or boosting
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06F—ELECTRIC DIGITAL DATA PROCESSING
    • G06F16/00—Information retrieval; Database structures therefor; File system structures therefor
    • G06F16/20—Information retrieval; Database structures therefor; File system structures therefor of structured data, e.g. relational data
    • G06F16/24—Querying
    • G06F16/245—Query processing
    • G06F16/2458—Special types of queries, e.g. statistical queries, fuzzy queries or distributed queries
    • G06F16/2465—Query processing support for facilitating data mining operations in structured databases
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06N—COMPUTING ARRANGEMENTS BASED ON SPECIFIC COMPUTATIONAL MODELS
    • G06N3/00—Computing arrangements based on biological models
    • G06N3/02—Neural networks
    • G06N3/04—Architecture, e.g. interconnection topology
    • G06N3/045—Combinations of networks
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q10/00—Administration; Management
    • G06Q10/04—Forecasting or optimisation specially adapted for administrative or management purposes, e.g. linear programming or "cutting stock problem"
    • G—PHYSICS
    • G06—COMPUTING; CALCULATING OR COUNTING
    • G06Q—INFORMATION AND COMMUNICATION TECHNOLOGY [ICT] SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES; SYSTEMS OR METHODS SPECIALLY ADAPTED FOR ADMINISTRATIVE, COMMERCIAL, FINANCIAL, MANAGERIAL OR SUPERVISORY PURPOSES, NOT OTHERWISE PROVIDED FOR
    • G06Q50/00—Information and communication technology [ICT] specially adapted for implementation of business processes of specific business sectors, e.g. utilities or tourism
    • G06Q50/06—Energy or water supply

Landscapes

  • Engineering & Computer Science (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Business, Economics & Management (AREA)
  • General Physics & Mathematics (AREA)
  • Economics (AREA)
  • Data Mining & Analysis (AREA)
  • General Engineering & Computer Science (AREA)
  • Health & Medical Sciences (AREA)
  • Strategic Management (AREA)
  • Human Resources & Organizations (AREA)
  • Marketing (AREA)
  • Databases & Information Systems (AREA)
  • General Business, Economics & Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Evolutionary Computation (AREA)
  • Tourism & Hospitality (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Artificial Intelligence (AREA)
  • Computational Linguistics (AREA)
  • Bioinformatics & Computational Biology (AREA)
  • Primary Health Care (AREA)
  • Probability & Statistics with Applications (AREA)
  • Evolutionary Biology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Water Supply & Treatment (AREA)
  • Biomedical Technology (AREA)
  • Computer Vision & Pattern Recognition (AREA)
  • Fuzzy Systems (AREA)
  • Computing Systems (AREA)
  • Bioinformatics & Cheminformatics (AREA)
  • Molecular Biology (AREA)
  • Development Economics (AREA)
  • Game Theory and Decision Science (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Operations Research (AREA)
  • Quality & Reliability (AREA)

Abstract

本发明公开了一种配电变压器台区负荷预测方法、系统、装置及介质，其中方法包括：获取配电变压器的运行数据，根据运行数据获取负荷功率序列；在时间上按照预设的滑动窗口长度对所述负荷功率序列进行划分，获得多个功率序列；根据所述功率序列构建获得若干个无向图；将所述无向图输入预设的图卷积神经网络中进行预测，获得负荷预测数据。本发明通过无向图将配电变压器台区的运行数据转化为非欧式空间下的图数据，采用图卷积神经网络充分挖掘图数据中的属性特征和时间关联性特征，根据挖掘到的特征进行预测，提高预测精准度，可广泛应用于电力电网技术领域。

Description

配电变压器台区负荷预测方法、系统、装置及介质
技术领域
本发明涉及电力电网技术领域，尤其涉及一种配电变压器台区负荷预测方法、系统、装置及介质。
背景技术
负荷预测往往用于电网调度部门进行日常调度控制业务需求，精准的负荷预测有助于提高电网侧能量管理效率，提高输发电设备的利用率。现有的配电变压器台区负荷预测方法主要有两种，一种是回归分析、时间序列法等传统预测方法。由于电力负荷带有显著的非线性、时变性，仅仅依靠负荷值序列来预测未来负荷难以达到精度要求。另一种是以神经网络、支持向量机等为代表的机器学习算法。虽然此类机器学习方法可以兼顾气象等环境因素的影响，但由于神经网络的输入为离散化的作为输入，往往会忽略输入变量之间的相关性，同时需要一个大规模的构建神经网络模型，给计算机内存和算力均带来极大的负担。
发明内容
为至少一定程度上解决现有技术中存在的技术问题之一，本发明的目的在于提供一种基于图卷积神经网络构建适用于配电变压器台区负荷预测的方法、系统、装置及介质。
本发明所采用的技术方案是：
一种配电变压器台区负荷预测方法，包括以下步骤：
获取配电变压器的运行数据，根据运行数据获取负荷功率序列；
在时间上按照预设的滑动窗口长度对所述负荷功率序列进行划分，获得多个功率序列；
根据所述功率序列构建获得若干个无向图；
将所述无向图输入预设的图卷积神经网络中进行预测，获得负荷预测数据；
其中，所述图卷积神经网络用于对无向图中的非欧式空间下的图数据进行挖掘，获取所述图数据中的属性特征和时间关联性特征。
进一步地，所述配电变压器台区负荷预测方法还包括构建并训练图卷积神经网络的步骤：
获取配电变压器的第一运行数据，根据第一运行数据获取第一负荷功率序列；
在时间上按照预设的滑动窗口长度对所述第一负荷功率序列进行划分，获得多个第一功率序列；
根据所述第一功率序列构建获得若干个第一无向图；
构建带残差机制的图卷积神经网络；
根据所述第一无向图和预设的损失函数对图卷积神经网络进行训练，获得训练后的图卷积神经网络。
进一步地，所述图卷积神经网络包括1个第一全连接层、4个图残差卷积层、1个图池化层以及4个第二全连接层；
所述第一全连接层用于将无向图的低维数据转换成高维数据；
所述图残差卷积层用于根据无向图的高维数据提取结构特征；
所述图池化层用于对提取到的结构特征进行聚合，获得聚合信息；
所述第二全连接层用于将聚合信息与预测负荷进行非线性映射。
进一步地，所述根据所述功率序列构建获得若干个无向图，包括：
获取所述功率序列的初始功率点和结束功率点作为无向图的节点；
将任意两个节点相连形成边，根据所述两个节点之间的时间间隔获取权重，并将所述权重赋予所述边；
对所有所述节点进行连边并对所述边赋予权重后，获得若干个无向图。
进一步地，所述图卷积神经网络通过以下公式对无向图进行特征提取：
Figure BDA0003145196960000021
其中，ei,j为边的权重；
Figure BDA0003145196960000022
为第i个节点经过k次卷积后的节点特征；Γ表示可导的，且与输入顺序无关的函数；γ和φ表示可导的函数。
进一步地，所述带残差机制的图卷积神经网络的表达式为：
Figure BDA0003145196960000023
其中，σ()为激活函数；αl表示原始特征的残差衰减因子；βl表示权重矩阵的衰减因子；In为单位矩阵；W(l)表示第l个权重矩阵。
进一步地，所述损失函数的表达式为：
Figure BDA0003145196960000024
其中，yn为模型真实值；
Figure BDA0003145196960000025
为模型预测值。
本发明所采用的另一技术方案是：
一种配电变压器台区负荷预测系统，包括：
数据获取模块，用于获取配电变压器的运行数据，根据运行数据获取负荷功率序列；
数据分段模块，用于在时间上按照预设的滑动窗口长度对所述负荷功率序列进行划分，获得多个功率序列；
构图模块，用于根据所述功率序列构建获得若干个无向图；
预测模块，用于将所述无向图输入预设的图卷积神经网络中进行预测，获得负荷预测数据；
其中，所述图卷积神经网络用于对无向图中的图数据进行挖掘，获取所述图数据中的属性特征和时间关联性特征。
本发明所采用的另一技术方案是：
一种配电变压器台区负荷预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现上所述方法。
本发明所采用的另一技术方案是：
一种存储介质，其中存储有处理器可执行的程序，所述处理器可执行的程序在由处理器执行时用于执行如上所述方法。
本发明的有益效果是：本发明通过无向图将配电变压器台区的运行数据转化为非欧式空间下的图数据，采用图卷积神经网络充分挖掘图数据中的属性特征和时间关联性特征，根据挖掘到的特征进行预测，提高预测精准度。
附图说明
为了更清楚地说明本发明实施例或者现有技术中的技术方案，下面对本发明实施例或者现有技术中的相关技术方案附图作以下介绍，应当理解的是，下面介绍中的附图仅仅为了方便清晰表述本发明的技术方案中的部分实施例，对于本领域的技术人员而言，在无需付出创造性劳动的前提下，还可以根据这些附图获取到其他附图。
图1是本发明实施例中一种配电变压器台区负荷预测方法的步骤流程图；
图2是本发明实施例中无向图构建过程图；
图3是本发明实施例中引入残差机制的图卷积神经网络示意图
图4是本发明实施例中多图并行化训练示意图；
图5是本发明实施例中一种配电变压器台区负荷预测方法的结构流程图。
具体实施方式
下面详细描述本发明的实施例，所述实施例的示例在附图中示出，其中自始至终相同或类似的标号表示相同或类似的元件或具有相同或类似功能的元件。下面通过参考附图描述的实施例是示例性的，仅用于解释本发明，而不能理解为对本发明的限制。对于以下实施例中的步骤编号，其仅为了便于阐述说明而设置，对步骤之间的顺序不做任何限定，实施例中的各步骤的执行顺序均可根据本领域技术人员的理解来进行适应性调整。
在本发明的描述中，需要理解的是，涉及到方位描述，例如上、下、前、后、左、右等指示的方位或位置关系为基于附图所示的方位或位置关系，仅是为了便于描述本发明和简化描述，而不是指示或暗示所指的装置或元件必须具有特定的方位、以特定的方位构造和操作，因此不能理解为对本发明的限制。
在本发明的描述中，若干的含义是一个或者多个，多个的含义是两个以上，大于、小于、超过等理解为不包括本数，以上、以下、以内等理解为包括本数。如果有描述到第一、第二只是用于区分技术特征为目的，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或者隐含指明所指示的技术特征的先后关系。
本发明的描述中，除非另有明确的限定，设置、安装、连接等词语应做广义理解，所属技术领域技术人员可以结合技术方案的具体内容合理确定上述词语在本发明中的具体含义。
如图1和图5所示，本实施例提供一种配电变压器台区负荷预测方法，包括以下步骤：
S1、构建并训练图卷积神经网络。
其中，步骤S1具体包括步骤S11-S15：
S11、获取配电变压器的第一运行数据，根据第一运行数据获取第一负荷功率序列。
S12、在时间上按照预设的滑动窗口长度对第一负荷功率序列进行划分，获得多个第一功率序列。
首先根据负荷功率序列按照滑动窗口长度进行分段，得到多个时间段上的功率序列，具体负荷功率序列分段的步骤，包括：
将负荷功率序列
Figure BDA0003145196960000041
按预设的滑动窗口长度k进行分段，得到第一段序列
Figure BDA0003145196960000042
每次滑动将窗口向前移动一个采样点，从而形成T-k+1个功率序列P＝[P1,P2,…,PT-k+1]T。
S13、根据第一功率序列构建获得若干第一个无向图。
根据每一段功率序列单独构建成无向图，得到若干个无向图，具体构建无向图的步骤如下：
如图2所述，以每一个节点代表一个功率点，每个节点都与其他节点相连形成边，每条边赋予其基于时间间隔的权重，代表两个节点之间的时间密切关系，形成一个无向图，如此重复，将所有功率序列形成若干个无向图。
S14、构建带残差机制的图卷积神经网络。
该带残差机制的图卷积神经网络包括1个全连接层、4个图残差卷积层、1个图池化层以及4个全连接层。其中，1个全连接层用于将无向图的低维数据转换成高维数据，比如说原来只有功率这一个特征，转成32维或者多维的特征；4个图残差卷积层用于根据无向图的高维数据提取结构特征；1个图池化层用于对提取到的结构特征进行聚合，获得聚合信息；4个全连接层用于将聚合信息与预测负荷进行非线性映射。
图卷积神经网络用于对邻居节点消息的传递，转换和聚合实现特征的提取。图卷积神经网络采用以下表达式提取节点的特征：
Figure BDA0003145196960000051
式中：ei,j为边的权重；
Figure BDA0003145196960000052
为第i个节点经过k次卷积后的节点特征；Γ表示可导的，与输入顺序无关的函数，例如求最大值，最小值或平均值；γ和φ表示可导的函数。
另外，图卷积神经网络中通过残差机制的引入，可以防止节点信息趋于一致。如图3所示，引入残差机制的图卷积神经网络，增加图卷积网络深度的同时，加入初始残差连接和恒等映射。对于每一层，初始残差从输入层构建一个跳跃连接，保证了每个节点的信息随着卷积次数的增多始终能保留初始输入特征的一部分；恒等映射则在权值矩阵中添加一个单位矩阵，保证深度模型至少与浅层模型的性能相同。加入残差机制的图卷积网络的表达式为：
Figure BDA0003145196960000053
式中：αl表示原始特征的残差衰减因子；βl表示权重矩阵的衰减因子；In为单位矩阵。
S15、根据无向图和预设的损失函数对图卷积神经网络进行训练，获得训练后的图卷积神经网络。
在对图卷积神经网络的训练过程中，引入均方误差作为网络训练的损失函数，损失函数的表达式如下：
Figure BDA0003145196960000061
参见图4，本实施例使用图拼接的方式实现多图并行化训练，将多个图的邻接矩阵和特征矩阵按对角线分别进行拼接，形成一个总的稀疏的邻接矩阵和特征矩阵，从而创建出包含多个孤立子图的巨型图。由于图卷积网络中的权值共享机制，将该巨型图送入带残差的卷积神经网络中的训练结果与将多个子图分别进行训练相同，以节省网络的训练时间。
S2、获取配电变压器的运行数据，根据运行数据获取负荷功率序列。这里的运行数据可以指的是配电变压器正在运行的负载功率数据。
S3、在时间上按照预设的滑动窗口长度对负荷功率序列进行划分，获得多个功率序列。
划分的具体方式如下：
将负荷功率序列
Figure BDA0003145196960000062
按预设的滑动窗口长度k进行分段，得到第一段序列
Figure BDA0003145196960000063
每次滑动将窗口向前移动一个采样点，从而形成T-k+1个功率序列P＝[P1,P2,…,PT-k+1]T。
S4、根据功率序列构建获得若干个无向图。
构建无向图的步骤如下：
参见图2，以每一个节点代表一个功率点，每个节点都与其他节点相连形成边，每条边赋予其基于时间间隔的权重，代表两个节点之间的时间密切关系，形成一个无向图，如此重复，将所有功率序列形成若干个无向图。
S5、将无向图输入预设的图卷积神经网络中进行预测，获得负荷预测数据。其中，图卷积神经网络用于对无向图中的图数据进行挖掘，获取图数据中的属性特征和时间关联性特征。
在实际应用时，根据步骤S2将当下运行的功率数据，建成图数据，将图数据输入步骤S1构建得到的图卷积神经网络，得到负荷预测数据。另外，根据实际运行数据与预测数据的误差，对图卷积神经网络进行在线微调训练。
以下结合具体实施例对上述方法进行详细解释说明。
本实施例采用某个配电变压器台区为说明对象，该配电变压器为某个工业厂房供电。数据为2019年1月1日-2020年6月30日共计546天的数据，采样点间距为15min，即一天有96个数据点，即共有52416个负荷采样点。
本实施例设计了10层网络构建负荷预测模型，其中网络的输入为由滑动窗截取的有功功率转换的图数据，输出为下一时间段的实际运行有功功率。首先使用1个全连接层进行特征变换，其后使用4个图残差卷积层提取图数据的结构特征，然后使用1个图池化层聚合信息，最后使用4个全连接层实现图卷积神经网络到预测负荷的非线性映射。本实施例中采用的窗口长度为60个采样点，即每个图有60个节点，滑动步长为1。
下面具体说明基于图卷积神经网络实现配电变压器台区短期负荷预测的步骤：
步骤一，建立负荷功率序列图数据。首先根据负荷功率序列按照滑动窗口长度进行分度，得到多个时间段攻略序列，对每一段60个采样点的负荷数据攻略序列单独构建成无向图，得到若干个无向图。
步骤二，构建带残差机制的图卷积神经网络。首先使用1个全连接层进行特征变换，其后使用4个图残差卷积层提取图数据的结构特征，然后使用1个图池化层聚合信息，最后使用4个全连接层实现图卷积神经网络到预测负荷的非线性映射，通过残差机制的引入，可以防止节点信息趋于一致。
步骤三，通过步骤二构建的带残差机制的图卷积神经网络的输出与实际功率之间误差为损失函数，定义损失函数为
Figure BDA0003145196960000071
对第一步提及的多张无向图进行并行化批处理训练，得到训练后的图卷积神经网络。
步骤四，在实际应用时，根据第一步将当下运行时间段构建成图数据，输入第三步得到的图卷积神经网络，得到负荷预测数据。并根据实际运行数据与预测数据的误差根据第三步进行在线微调训练。
由上可知，本实施例方法基于图理论，将配电变压器台区第一运行数据转化为非欧式空间下的图数据，利用图深度学习技术充分挖掘图数据中的属性特征和时间关联性特征，构建适用于负荷预测的图表示学习。引入带残差机制的图卷积神经网络对图数据进行学习，为了提高训练效率，引入多图并行批处理的技术。通过优化图卷积网络的参数，达到根据当前运行时间段信息精准预测未来时间段负荷的目的。
综上所述，本实施例方法相对于现有技术，具有如下有益效果：
(1)本实施例可用于配电变压器负荷预测问题，其结果能够精准预测配电变压器负荷，并实现在线持续学习。
(2)本实施例提出的方法收集每个节点与周围节点的关系，考虑节点间的时间关系，能够有效提高预测精度。
(3)本实施例提出的智慧算法利用图卷积神经网络的权值共享机制，有效降低算法对内存空间及算力的需求，能够大幅提升训练效率和计算速度。
本实施例还提供一种配电变压器台区负荷预测系统，包括：
数据获取模块，用于获取配电变压器的运行数据，根据运行数据获取负荷功率序列；
数据分段模块，用于在时间上按照预设的滑动窗口长度对所述负荷功率序列进行划分，获得多个功率序列；
构图模块，用于根据所述功率序列构建获得若干个无向图；
预测模块，用于将所述无向图输入预设的图卷积神经网络中进行预测，获得负荷预测数据；
其中，所述图卷积神经网络用于对无向图中的图数据进行挖掘，获取所述图数据中的属性特征和时间关联性特征。
本实施例的一种配电变压器台区负荷预测系统，可执行本发明方法实施例所提供的一种配电变压器台区负荷预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本实施例还提供一种配电变压器台区负荷预测装置，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现图1所示方法。
本实施例的一种配电变压器台区负荷预测装置，可执行本发明方法实施例所提供的一种配电变压器台区负荷预测方法，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
本申请实施例还公开了一种计算机程序产品或计算机程序，该计算机程序产品或计算机程序包括计算机指令，该计算机指令存储在计算机可读存介质中。计算机设备的处理器可以从计算机可读存储介质读取该计算机指令，处理器执行该计算机指令，使得该计算机设备执行图1所示的方法。
本实施例还提供了一种存储介质，存储有可执行本发明方法实施例所提供的一种配电变压器台区负荷预测方法的指令或程序，当运行该指令或程序时，可执行方法实施例的任意组合实施步骤，具备该方法相应的功能和有益效果。
在一些可选择的实施例中，在方框图中提到的功能/操作可以不按照操作示图提到的顺序发生。例如，取决于所涉及的功能/操作，连续示出的两个方框实际上可以被大体上同时地执行或所述方框有时能以相反顺序被执行。此外，在本发明的流程图中所呈现和描述的实施例以示例的方式被提供，目的在于提供对技术更全面的理解。所公开的方法不限于本文所呈现的操作和逻辑流程。可选择的实施例是可预期的，其中各种操作的顺序被改变以及其中被描述为较大操作的一部分的子操作被独立地执行。
此外，虽然在功能性模块的背景下描述了本发明，但应当理解的是，除非另有相反说明，所述的功能和/或特征中的一个或多个可以被集成在单个物理装置和/或软件模块中，或者一个或多个功能和/或特征可以在单独的物理装置或软件模块中被实现。还可以理解的是，有关每个模块的实际实现的详细讨论对于理解本发明是不必要的。更确切地说，考虑到在本文中公开的装置中各种功能模块的属性、功能和内部关系的情况下，在工程师的常规技术内将会了解该模块的实际实现。因此，本领域技术人员运用普通技术就能够在无需过度试验的情况下实现在权利要求书中所阐明的本发明。还可以理解的是，所公开的特定概念仅仅是说明性的，并不意在限制本发明的范围，本发明的范围由所附权利要求书及其等同方案的全部范围来决定。
所述功能如果以软件功能单元的形式实现并作为独立的产品销售或使用时，可以存储在一个计算机可读取存储介质中。基于这样的理解，本发明的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以使得一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本发明各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：U盘、移动硬盘、只读存储器(ROM，Read-Only Memory)、随机存取存储器(RAM，Random Access Memory)、磁碟或者光盘等各种可以存储程序代码的介质。
在流程图中表示或在此以其他方式描述的逻辑和/或步骤，例如，可以被认为是用于实现逻辑功能的可执行指令的定序列表，可以具体实现在任何计算机可读介质中，以供指令执行系统、装置或设备(如基于计算机的系统、包括处理器的系统或其他可以从指令执行系统、装置或设备取指令并执行指令的系统)使用，或结合这些指令执行系统、装置或设备而使用。就本说明书而言，“计算机可读介质”可以是任何可以包含、存储、通信、传播或传输程序以供指令执行系统、装置或设备或结合这些指令执行系统、装置或设备而使用的装置。
计算机可读介质的更具体的示例(非穷尽性列表)包括以下：具有一个或多个布线的电连接部(电子装置)，便携式计算机盘盒(磁装置)，随机存取存储器(RAM)，只读存储器(ROM)，可擦除可编辑只读存储器(EPROM或闪速存储器)，光纤装置，以及便携式光盘只读存储器(CDROM)。另外，计算机可读介质甚至可以是可在其上打印所述程序的纸或其他合适的介质，因为可以例如通过对纸或其他介质进行光学扫描，接着进行编辑、解译或必要时以其他合适方式进行处理来以电子方式获得所述程序，然后将其存储在计算机存储器中。
应当理解，本发明的各部分可以用硬件、软件、固件或它们的组合来实现。在上述实施方式中，多个步骤或方法可以用存储在存储器中且由合适的指令执行系统执行的软件或固件来实现。例如，如果用硬件来实现，和在另一实施方式中一样，可用本领域公知的下列技术中的任一项或他们的组合来实现：具有用于对数据信号实现逻辑功能的逻辑门电路的离散逻辑电路，具有合适的组合逻辑门电路的专用集成电路，可编程门阵列(PGA)，现场可编程门阵列(FPGA)等。
在本说明书的上述描述中，参考术语“一个实施方式/实施例”、“另一实施方式/实施例”或“某些实施方式/实施例”等的描述意指结合实施方式或示例描述的具体特征、结构、材料或者特点包含于本发明的至少一个实施方式或示例中。在本说明书中，对上述术语的示意性表述不一定指的是相同的实施方式或示例。而且，描述的具体特征、结构、材料或者特点可以在任何的一个或多个实施方式或示例中以合适的方式结合。
尽管已经示出和描述了本发明的实施方式，本领域的普通技术人员可以理解：在不脱离本发明的原理和宗旨的情况下可以对这些实施方式进行多种变化、修改、替换和变型，本发明的范围由权利要求及其等同物限定。
以上是对本发明的较佳实施进行了具体说明，但本发明并不限于上述实施例，熟悉本领域的技术人员在不违背本发明精神的前提下还可做作出种种的等同变形或替换，这些等同的变形或替换均包含在本申请权利要求所限定的范围内。

Claims (7)

1.一种配电变压器台区负荷预测方法，其特征在于，包括以下步骤：
获取配电变压器的运行数据，根据运行数据获取负荷功率序列；
在时间上按照预设的滑动窗口长度对所述负荷功率序列进行划分，获得多个功率序列；
根据所述功率序列构建获得若干个无向图；
将所述无向图输入预设的图卷积神经网络中进行预测，获得负荷预测数据；
其中，所述图卷积神经网络用于对无向图中的图数据进行挖掘，获取所述图数据中的属性特征和时间关联性特征；
所述配电变压器台区负荷预测方法还包括构建并训练图卷积神经网络的步骤：
获取配电变压器的第一运行数据，根据第一运行数据获取第一负荷功率序列；
在时间上按照预设的滑动窗口长度对所述第一负荷功率序列进行划分，获得多个第一功率序列；
根据所述第一功率序列构建获得若干个第一无向图；
构建带残差机制的图卷积神经网络；
根据所述第一无向图和预设的损失函数对图卷积神经网络进行训练，获得训练后的图卷积神经网络；
所述根据所述功率序列构建获得若干个无向图，包括：
获取所述功率序列的初始功率点和结束功率点作为无向图的节点；
将任意两个节点相连形成边，根据所述两个节点之间的时间间隔获取权重，并将所述权重赋予所述边；
对所有所述节点进行连边并对所述边赋予权重后，获得若干个无向图；
所述图卷积神经网络通过以下公式对无向图进行特征提取：
Figure FDA0003608300010000011
其中，ei,j为边的权重；
Figure FDA0003608300010000012
为第i个节点经过k次卷积后的节点特征；Γ表示可导的，且与输入顺序无关的函数；γ和φ表示可导的函数。
2.根据权利要求1所述的一种配电变压器台区负荷预测方法，其特征在于，所述图卷积神经网络包括1个第一全连接层、4个图残差卷积层、1个图池化层以及4个第二全连接层；
所述第一全连接层用于将无向图的低维数据转换成高维数据；
所述图残差卷积层用于根据无向图的高维数据提取结构特征；
所述图池化层用于对提取到的结构特征进行聚合，获得聚合信息；
所述第二全连接层用于将聚合信息与预测负荷进行非线性映射。
3.根据权利要求1所述的一种配电变压器台区负荷预测方法，其特征在于，所述带残差机制的图卷积神经网络的表达式为：
Figure FDA0003608300010000021
其中，σ()为激活函数；αl表示原始特征的残差衰减因子；βl表示权重矩阵的衰减因子；In为单位矩阵；W(l)表示第l个权重矩阵。
4.根据权利要求1所述的一种配电变压器台区负荷预测方法，其特征在于，所述损失函数的表达式为：
Figure FDA0003608300010000022
其中，yn为模型真实值；
Figure FDA0003608300010000023
为模型预测值。
5.一种配电变压器台区负荷预测系统，其特征在于，包括：
数据获取模块，用于获取配电变压器的运行数据，根据运行数据获取负荷功率序列；
数据分段模块，用于在时间上按照预设的滑动窗口长度对所述负荷功率序列进行划分，获得多个功率序列；
构图模块，用于根据所述功率序列构建获得若干个无向图；
预测模块，用于将所述无向图输入预设的图卷积神经网络中进行预测，获得负荷预测数据；
其中，所述图卷积神经网络用于对无向图中的图数据进行挖掘，获取所述图数据中的属性特征和时间关联性特征；
所述配电变压器台区负荷预测系统还包括构建并训练图卷积神经网络的模块：
获取配电变压器的第一运行数据，根据第一运行数据获取第一负荷功率序列；
在时间上按照预设的滑动窗口长度对所述第一负荷功率序列进行划分，获得多个第一功率序列；
根据所述第一功率序列构建获得若干个第一无向图；
构建带残差机制的图卷积神经网络；
根据所述第一无向图和预设的损失函数对图卷积神经网络进行训练，获得训练后的图卷积神经网络；
所述根据所述功率序列构建获得若干个无向图，包括：
获取所述功率序列的初始功率点和结束功率点作为无向图的节点；
将任意两个节点相连形成边，根据所述两个节点之间的时间间隔获取权重，并将所述权重赋予所述边；
对所有所述节点进行连边并对所述边赋予权重后，获得若干个无向图；
所述图卷积神经网络通过以下公式对无向图进行特征提取：
Figure FDA0003608300010000031
其中，ei,j为边的权重；
Figure FDA0003608300010000032
为第i个节点经过k次卷积后的节点特征；Γ表示可导的，且与输入顺序无关的函数；γ和φ表示可导的函数。
6.一种配电变压器台区负荷预测装置，其特征在于，包括：
至少一个处理器；
至少一个存储器，用于存储至少一个程序；
当所述至少一个程序被所述至少一个处理器执行，使得所述至少一个处理器实现权利要求1-4任一项所述方法。
7.一种存储介质，其中存储有处理器可执行的程序，其特征在于，所述处理器可执行的程序在由处理器执行时用于执行如权利要求1-4任一项所述方法。
CN202110752204.0A 2021-07-02 2021-07-02 配电变压器台区负荷预测方法、系统、装置及介质 Active CN113673742B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202110752204.0A CN113673742B (zh) 2021-07-02 2021-07-02 配电变压器台区负荷预测方法、系统、装置及介质

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202110752204.0A CN113673742B (zh) 2021-07-02 2021-07-02 配电变压器台区负荷预测方法、系统、装置及介质

Publications (2)

Publication Number Publication Date
CN113673742A CN113673742A (zh) 2021-11-19
CN113673742B true CN113673742B (zh) 2022-06-14

Family

ID=78538484

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202110752204.0A Active CN113673742B (zh) 2021-07-02 2021-07-02 配电变压器台区负荷预测方法、系统、装置及介质

Country Status (1)

Country Link
CN (1) CN113673742B (zh)

Families Citing this family (3)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN114358520B (zh) * 2021-12-15 2024-07-19 华南理工大学 一种电力系统经济调度决策的方法、系统、装置及介质
CN114692740A (zh) * 2022-03-21 2022-07-01 华南理工大学 一种非侵入式负荷分解改进方法、装置及存储介质
CN116258355B (zh) * 2023-05-15 2023-08-11 国网浙江省电力有限公司永康市供电公司 适用于多点功率估计的配电台区负荷曲线分解方法及装置

Family Cites Families (2)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
US10418811B2 (en) * 2017-09-12 2019-09-17 Sas Institute Inc. Electric power grid supply and load prediction using cleansed time series data
CN112508170B (zh) * 2020-11-19 2024-08-16 中南大学 一种基于生成对抗网络的多相关时间序列预测系统及方法

Also Published As

Publication number Publication date
CN113673742A (zh) 2021-11-19

Similar Documents

Publication Publication Date Title
CN113673742B (zh) 配电变压器台区负荷预测方法、系统、装置及介质
Gasparin et al. Deep learning for time series forecasting: The electric load case
Wu et al. Data-driven remaining useful life prediction via multiple sensor signals and deep long short-term memory neural network
US20210216880A1 (en) Method, equipment, computing device and computer-readable storage medium for knowledge extraction based on textcnn
CN107944410B (zh) 一种基于卷积神经网络的跨领域面部特征解析方法
CN109190672A (zh) 电力系统运行工况无监督聚类方法及装置
CN113822467B (zh) 一种电力区域负荷的图神经网络预测方法
CN113870046B (zh) 电力设备故障诊断方法及设备
CN112862092B (zh) 一种异构图卷积网络的训练方法、装置、设备和介质
CN110188919A (zh) 一种基于长短期记忆网络的负荷预测方法
Li et al. Federated anomaly detection on system logs for the internet of things: A customizable and communication-efficient approach
Wang et al. Short‐term probabilistic forecasting for regional wind power using distance‐weighted kernel density estimation
CN110610019A (zh) 转移概率部分未知的马尔科夫跳变系统的动力学分析方法
Huang et al. Multi‐group particle swarm optimisation for transmission expansion planning solution based on LU decomposition
Wu et al. Parameter identification of single-phase inverter based on improved moth flame optimization algorithm
CN117596191A (zh) 一种电力物联网异常检测方法、装置及存储介质
CN115080795A (zh) 一种多充电站协同负荷预测方法及装置
Alhanaf et al. Intelligent fault detection and classification schemes for smart grids based on deep neural networks
CN115456093A (zh) 一种基于注意力图神经网络的高性能图聚类方法
Liu et al. Grey-based approach for estimating Weibull model and its application
CN112241785B (zh) 一种基于深度强化学习的图书采访方法
Qin et al. A hybrid deep learning model for short‐term load forecasting of distribution networks integrating the channel attention mechanism
CN117252105A (zh) 一种在线类增量连续学习的对比多级回放方法及组件
CN116933860A (zh) 暂态稳定评估模型更新方法、装置、电子设备及存储介质
CN107122472A (zh) 大规模非结构化数据提取方法、其系统、分布式数据管理平台

Legal Events

Date Code Title Description
PB01 Publication
PB01 Publication
SE01 Entry into force of request for substantive examination
SE01 Entry into force of request for substantive examination
GR01 Patent grant
GR01 Patent grant