CN117332218A - 台区末端电压预测方法及预测终端 - Google Patents
台区末端电压预测方法及预测终端 Download PDFInfo
- Publication number
- CN117332218A CN117332218A CN202311125155.3A CN202311125155A CN117332218A CN 117332218 A CN117332218 A CN 117332218A CN 202311125155 A CN202311125155 A CN 202311125155A CN 117332218 A CN117332218 A CN 117332218A
- Authority
- CN
- China
- Prior art keywords
- sequence
- terminal voltage
- obtaining
- time
- input
- 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.)
- Pending
Links
- 238000000034 method Methods 0.000 title claims abstract description 57
- 239000011159 matrix material Substances 0.000 claims abstract description 76
- 239000013598 vector Substances 0.000 claims description 111
- 238000009826 distribution Methods 0.000 claims description 26
- 238000004590 computer program Methods 0.000 claims description 22
- 230000006870 function Effects 0.000 claims description 11
- 238000003860 storage Methods 0.000 claims description 5
- 230000008569 process Effects 0.000 description 8
- 238000012549 training Methods 0.000 description 6
- 238000010586 diagram Methods 0.000 description 5
- 238000007796 conventional method Methods 0.000 description 4
- 238000012545 processing Methods 0.000 description 4
- 230000004044 response Effects 0.000 description 4
- 238000004364 calculation method Methods 0.000 description 3
- 230000008878 coupling Effects 0.000 description 3
- 238000010168 coupling process Methods 0.000 description 3
- 238000005859 coupling reaction Methods 0.000 description 3
- 238000001514 detection method Methods 0.000 description 3
- 238000011423 initialization method Methods 0.000 description 3
- 238000010606 normalization Methods 0.000 description 3
- 230000001364 causal effect Effects 0.000 description 2
- 238000004891 communication Methods 0.000 description 2
- 230000005611 electricity Effects 0.000 description 2
- 238000004519 manufacturing process Methods 0.000 description 2
- 238000013178 mathematical model Methods 0.000 description 2
- YHXISWVBGDMDLQ-UHFFFAOYSA-N moclobemide Chemical compound C1=CC(Cl)=CC=C1C(=O)NCCN1CCOCC1 YHXISWVBGDMDLQ-UHFFFAOYSA-N 0.000 description 2
- 238000013179 statistical model Methods 0.000 description 2
- 230000002159 abnormal effect Effects 0.000 description 1
- 238000003491 array Methods 0.000 description 1
- 230000009286 beneficial effect Effects 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 230000010485 coping Effects 0.000 description 1
- 238000012937 correction Methods 0.000 description 1
- 238000013461 design Methods 0.000 description 1
- 230000000694 effects Effects 0.000 description 1
- 238000000802 evaporation-induced self-assembly Methods 0.000 description 1
- 230000003993 interaction Effects 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 230000002093 peripheral effect Effects 0.000 description 1
- 238000005070 sampling Methods 0.000 description 1
- 238000006467 substitution reaction Methods 0.000 description 1
Classifications
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F18/00—Pattern recognition
- G06F18/10—Pre-processing; Data cleansing
- G06F18/15—Statistical pre-processing, e.g. techniques for normalisation or restoring missing data
-
- 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
- G06F18/213—Feature extraction, e.g. by transforming the feature space; Summarisation; Mappings, e.g. subspace methods
-
- 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
- G06N3/0464—Convolutional networks [CNN, ConvNet]
-
- 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
- G06N3/08—Learning methods
-
- 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
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2123/00—Data types
- G06F2123/02—Data types in the time domain, e.g. time-series data
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/02—Preprocessing
-
- G—PHYSICS
- G06—COMPUTING; CALCULATING OR COUNTING
- G06F—ELECTRIC DIGITAL DATA PROCESSING
- G06F2218/00—Aspects of pattern recognition specially adapted for signal processing
- G06F2218/08—Feature extraction
- G06F2218/10—Feature extraction by analysing the shape of a waveform, e.g. extracting parameters relating to peaks
-
- 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
- G06N3/048—Activation functions
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Data Mining & Analysis (AREA)
- General Physics & Mathematics (AREA)
- Life Sciences & Earth Sciences (AREA)
- Artificial Intelligence (AREA)
- Health & Medical Sciences (AREA)
- Evolutionary Computation (AREA)
- General Engineering & Computer Science (AREA)
- General Health & Medical Sciences (AREA)
- Business, Economics & Management (AREA)
- Computer Vision & Pattern Recognition (AREA)
- Biophysics (AREA)
- Economics (AREA)
- Biomedical Technology (AREA)
- Bioinformatics & Computational Biology (AREA)
- Computational Linguistics (AREA)
- Bioinformatics & Cheminformatics (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- Mathematical Physics (AREA)
- Software Systems (AREA)
- Evolutionary Biology (AREA)
- Probability & Statistics with Applications (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- Human Resources & Organizations (AREA)
- Marketing (AREA)
- Primary Health Care (AREA)
- Strategic Management (AREA)
- Tourism & Hospitality (AREA)
- General Business, Economics & Management (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本申请适用于电力系统电压预测技术领域,提供了台区末端电压预测方法及预测终端,该方法包括:获取第一时段内的台区末端电压序列;其中,第一时段为截止到当前时刻之前的预设历史时段;基于台区末端电压序列和时间卷积网络,得到输入序列;基于权重矩阵和输入序列,得到输出序列;权重矩阵表征输入序列中的每一个元素的权重;基于输出序列,得到第二时段内的台区末端电压预测结果,其中,第二时段的起始时刻为当前时刻。本申请能够对预测台区末端电压进行准确预测。
Description
技术领域
本申请属于电力系统电压预测技术领域,尤其涉及台区末端电压预测方法及预测终端。
背景技术
在电力系统中,为了保证用户正常用电,台区末端电压需要在一定的范围内保持稳定。进一步的,为了保证台区末端电压在一定的范围内保持稳定,需要对台区末端电压进行预测,以便得到这个稳定的范围,传统的预测方法通常是基于数学模型或统计模型进行预测,如ARIMA模型等。
但是上述这些传统的方法需要建立复杂的模型,并且对数据的要求较高。然而,由于电力系统的复杂性和不确定性,台区末端电压的稳定性不足,致使上述的传统方法大多预测结果不够准确,无法满足生产生活需要。
发明内容
为克服相关技术中存在的台区末端电压预测结果不准确的技术问题,本申请实施例提供了台区末端电压预测方法及预测终端。
本申请是通过如下技术方案实现的:
第一方面,本申请实施例提供了一种台区末端电压预测方法,包括:
获取第一时段内的台区末端电压序列;其中,第一时段为截止到当前时刻之前的预设历史时段。
基于台区末端电压序列和时间卷积网络,得到输入序列。
基于权重矩阵和输入序列,得到输出序列;权重矩阵表征输入序列中的每一个元素的权重。
基于输出序列,得到第二时段内的台区末端电压预测结果,其中,第二时段的起始时刻为当前时刻。
结合第一方面,在一些可能的实现方式中,基于权重矩阵和输入序列,得到输出序列,具体包括:基于权重矩阵和输入序列,得到概率分布序列。对概率分布序列进行反卷积操作,得到输出序列。
结合第一方面,在一些可能的实现方式中,权重矩阵包括查询向量矩阵、键向量矩阵和值向量矩阵,输入序列中的每一个元素均有对应的查询向量矩阵、键向量矩阵和值向量矩阵。
基于权重矩阵和输入序列,得到概率分布序列,包括:基于查询向量矩阵和输入序列确定查询向量序列。基于键向量矩阵和输入序列键向量序列。基于值向量矩阵和输入序列值向量序列。根据查询向量序列、键向量序列和值向量序列,得到概率分布序列。
结合第一方面,在一些可能的实现方式中,概率分布序列通过以下公式计算:
其中,Z为概率分布序列,Q为查询向量序列,K为键向量序列,V为值向量序列,dk为键向量序列的维度。
结合第一方面,在一些可能的实现方式中,查询向量序列为:Q=WQX,其中,WQ为查询向量矩阵,X为输入序列。键向量序列为:K=WKX,其中,WK为键向量矩阵。值向量序列为:V=WVX,其中,WV为值向量矩阵。
结合第一方面,在一些可能的实现方式中,基于台区末端电压序列和时间卷积网络,得到输入序列,具体包括:基于时间卷积网络对台区末端电压序列进行卷积,得到第一序列。基于第一序列和归一化指数函数,得到输入序列。
结合第一方面,在一些可能的实现方式中,时间卷积网络包括多个卷积层,基于时间卷积网络对台区末端电压序列进行卷积,得到第一序列,具体包括:基于时间卷积网络中的多个卷积层依次对台区末端电压序列进行卷积,得到第一序列。
结合第一方面,在一些可能的实现方式中,在基于台区末端电压序列和时间卷积网络,得到输入序列之前,方法还包括:根据台区末端电压的历史数据对第一时段内的台区末端电压序列进行拟合,得到修正后的台区末端电压序列。
基于台区末端电压序列和时间卷积网络,得到输入序列,包括:基于修正后的台区末端电压序列和时间卷积网络,得到输入序列。
第二方面,本申请实施例提供了一种预测终端,包括:处理器和存储器,该存储器用于存储计算机程序,所述处理器执行所述计算机程序时实现如第一方面任一项所述的台区末端电压预测方法。
第三方面,本申请实施例提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现如第一方面任一项所述的台区末端电压预测方法。
第四方面,本申请实施例提供了一种计算机程序产品,当计算机程序产品在预测终端上运行时,使得预测终端执行上述第一方面中任一项所述的台区末端电压预测方法。
可以理解的是,上述第二方面至第四方面的有益效果可以参见上述第一方面中的相关描述,在此不再赘述。
本申请实施例与现有技术相比存在的有益效果是:
本申请通过时间卷积网络和权重矩阵对现有的台区末端电压序列(第一时段内的台区末端电压序列)进行预测,得到未来的台区末端电压序列(第二时段内的台区末端电压预测结果),即通过今天的台区末端电压数据,准确预测明天的台区末端电压数据,解决了现有技术中台区末端电压预测结果不准确的技术问题,可以为电力系统保证用户正常用电提供数据参考,提高用户用电的稳定性。
应当理解的是,以上的一般描述和后文的细节描述仅是示例性和解释性的,并不能限制本说明书。
附图说明
为了更清楚地说明本申请实施例中的技术方案,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申请的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动性的前提下,还可以根据这些附图获得其他的附图。
图1是本申请一实施例提供的台区末端电压预测方法的应用场景示意图;
图2是本申请一实施例提供的台区末端电压预测方法的流程示意图;
图3是本申请一实施例提供的RESNET残差网络的跳接思想示意图;
图4是本申请一实施例提供的台区末端电压的预测结果与实际的对比图;
图5是本申请一实施例提供的台区末端电压预测装置的结构示意图;
图6是本申请一实施例提供的预测终端的结构示意图。
具体实施方式
以下描述中,为了说明而不是为了限定,提出了诸如特定系统结构、技术之类的具体细节,以便透彻理解本申请实施例。然而,本领域的技术人员应当清楚,在没有这些具体细节的其它实施例中也可以实现本申请。在其它情况中,省略对众所周知的系统、装置、电路以及方法的详细说明,以免不必要的细节妨碍本申请的描述。
应当理解,当在本申请说明书和所附权利要求书中使用时,术语“包括”指示所描述特征、整体、步骤、操作、元素和/或组件的存在,但并不排除一个或多个其它特征、整体、步骤、操作、元素、组件和/或其集合的存在或添加。
还应当理解,在本申请说明书和所附权利要求书中使用的术语“和/或”是指相关联列出的项中的一个或多个的任何组合以及所有可能组合,并且包括这些组合。
如在本申请说明书和所附权利要求书中所使用的那样,术语“如果”可以依据上下文被解释为“当...时”或“一旦”或“响应于确定”或“响应于检测到”。类似地,短语“如果确定”或“如果检测到[所描述条件或事件]”可以依据上下文被解释为意指“一旦确定”或“响应于确定”或“一旦检测到[所描述条件或事件]”或“响应于检测到[所描述条件或事件]”。
另外,在本申请说明书和所附权利要求书的描述中,术语“第一”、“第二”、“第三”等仅用于区分描述,而不能理解为指示或暗示相对重要性。
在本申请说明书中描述的参考“一个实施例”或“一些实施例”等意味着在本申请的一个或多个实施例中包括结合该实施例描述的特定特征、结构或特点。由此,在本说明书中的不同之处出现的语句“在一个实施例中”、“在一些实施例中”、“在其他一些实施例中”、“在另外一些实施例中”等不是必然都参考相同的实施例,而是意味着“一个或多个但不是所有的实施例”,除非是以其他方式另外特别强调。术语“包括”、“包含”、“具有”及它们的变形都意味着“包括但不限于”,除非是以其他方式另外特别强调。
在电力系统中,为了保证用户正常用电,台区末端电压需要在一定的范围内保持稳定。进一步的,为了保证台区末端电压在一定的范围内保持稳定,需要对台区末端电压进行预测,以便得到这个稳定的范围,传统的预测方法通常是基于数学模型或统计模型进行预测,如ARIMA模型等。
但是上述这些传统的方法需要建立复杂的模型,并且对数据的要求较高。然而,由于电力系统的复杂性和不确定性,台区末端电压的稳定性不足,致使上述的传统方法大多预测结果不够准确,无法满足生产生活需要。
基于上述问题,本申请实施例提出了一种台区末端电压预测方法,该方法可以通过时间卷积网络和权重矩阵对现有的台区末端电压序列进行预测,得到未来的台区末端电压序列,即通过今天的台区末端电压数据,准确预测明天的台区末端电压数据,可以为电力系统保证用户正常用电提供数据参考,有利于电力系统为应对各种情况提前做出准备,提高用户用电的稳定性。
举例说明,本申请实施例可以应用到如图1所示的示例性场景中。在该场景中,数据获取设备10获取第一时段内的台区末端电压序列,并将第一时段内的台区末端电压序列发送给台区末端电压预测设备20,台区末端电压预测设备20进行预测得到第二时段内的台区末端电压预测结果,第二时段内的台区末端电压预测结果即为需要的台区末端电压预测结果。
图2是本申请一实施例提供的台区末端电压预测方法的流程示意性图,参照图2,对该台区末端电压预测方法的详述如下:
步骤101,获取第一时段内的台区末端电压序列。
示例性的,第一时段为截止到当前时刻之前的预设历史时段。
具体的,台区末端电压序列中的数据存在时间标识。例如,第一时段内存在96个数据,这96个数据为一天内每隔15分钟采集一次的数据,第一个数据和第二数据之间存在15分钟的时间间隔。台区末端电压序列中的数据存在时间标识,便于在数据出现异常时,对数据进行纠正和补足。
步骤102,基于台区末端电压序列和时间卷积网络,得到输入序列。
示例性的,基于台区末端电压序列和时间卷积网络,得到输入序列,具体包括:基于时间卷积网络对台区末端电压序列进行卷积,得到第一序列。基于第一序列和归一化指数函数,得到输入序列。
具体的,为了保证对历史时间的预测不受未来时间信息的影响,起始时刻为T的预测输出序列只根据T-1时刻与T-1时刻之前的数据卷积运算得到。这种计算方法称为因果卷积。当预测生成序列中的下一个数据时,前一次预测生成的数据将进入下一个输入序列,简而言之,当得到T时刻的预测输出之后,为了预测T+1时刻的输出时,此时根据T时刻与T时刻之前的数据卷积进行运算。
示例性的,时间卷积网络包括多个卷积层,基于时间卷积网络对台区末端电压序列进行卷积,得到第一序列,具体包括:基于时间卷积网络中的多个卷积层依次对台区末端电压序列进行卷积,得到第一序列。
具体的,为了扩大观测区域的范围,在因果卷积的基础上,还可以采用扩展卷积方法,扩展卷积的基本思路为在卷积核元素之间添加0元素增大卷积核元素的大小。
在某些具体实施例中,卷积层可以为六层,第一层卷积层将台区末端电压序列中的数据处理为多个向量,假设台区末端电压序列中有96个数据,那么处理为96个向量,将数据排列成96x1的形状。将台区末端电压序列转换为固定长度的向量,输入第二层卷积层。
第二层卷积层定义了64个卷积核大小为7的一维滤波器,输入的向量的64个不同的特征在第二层被训练,训练完成后将第二层卷积层的结果输入第三层。
第三层卷积层定义了64个卷积核大小为13(在每个卷积核的元素之间增加了1个0元素,即中间增加了6个0元素,卷积核大小变为13)的一维滤波器,输入的向量的64个不同的特征在第三层被训练,训练完成后将第三层卷积层的结果输入第四层。
第四层卷积层定义了64个卷积核大小为19(在每个卷积核的元素之间增加了2个0元素,即中间增加了12个0元素,卷积核大小变为19)的一维滤波器,输入的向量的64个不同的特征在第四层被训练,训练完成后将第四层卷积层的结果输入第五层。
第五层卷积层定义了64个卷积核大小为31(在每个卷积核的元素之间增加了4个0元素,即中间增加了24个0元素,卷积核大小变为31)的一维滤波器,输入的向量的64个不同的特征在第五层被训练,训练完成后将第五层卷积层的结果输入第六层。
第六层卷积层将第五层卷积的结果和M个大小为7的卷积核进行卷积,得到第一序列,之后通过归一化函数对第一序列进行处理得到M个数据的输入序列。其中,归一化函数为:其中,zi为第一序列,通过归一化项保证输出的数值之和等于1,且输出的每个数值的范围都在(0,1)之间。
其中,在某些具体实施例中,第二层卷积层和第三层卷积层还可以采用RESNET残差网络的跳接思想,如图3所示,根据图3可以得到,第二层卷积层得到的最终输出结果为输入第二层卷积层的输入数据和第二层卷积层卷积数据的总和,第三层卷积层的最终输出结果同理。
示例性的,在基于台区末端电压序列和时间卷积网络,得到输入序列之前,方法还包括:根据台区末端电压的历史数据对第一时段内的台区末端电压序列进行拟合,得到修正后的台区末端电压序列。
其中,当第一时段内的台区末端电压序列中的数据没有错误或者缺失的时候,会根据台区末端电压的历史数据对第一时段内的台区末端电压序列进行拟合,纠正错误的数据,补全缺失的数据。台区末端电压的历史数据为历史中相同时间标识的正确无误的历史数据。对第一时段内的台区末端电压序列进行拟合可以提高第一时段内的台区末端电压序列中数据的准确性,使后续预测结果更加准确。
基于台区末端电压序列和时间卷积网络,得到输入序列,包括:基于修正后的台区末端电压序列和时间卷积网络,得到输入序列。
步骤103,基于权重矩阵和输入序列,得到输出序列。
示例性的,权重矩阵表征输入序列中的每一个元素的权重。
示例性的,基于权重矩阵和输入序列,得到输出序列,具体包括:基于权重矩阵和输入序列,得到概率分布序列。对概率分布序列进行反卷积操作,得到输出序列。
具体的,反卷积操作通过解码器实现,解码器采用了反卷积和实时采样操作。反卷积是通过计算的输出并结合已知输入(概率分布序列)来预测未知输入的过程。解码器通过反卷积等操作步骤逐步得到预测结果序列中的元素,即将先前生成的固定向量(概率分布序列)转换为输出序列。时间卷积网络在输入的同时进行采样,对解码器的反卷积进行训练修正,进而使台区末端电压预测的准确性得到了提高。
示例性的,权重矩阵包括查询向量矩阵、键向量矩阵和值向量矩阵,输入序列中的每一个元素均有对应的查询向量矩阵、键向量矩阵和值向量矩阵。
具体的,权重矩阵可以通过随机初始化的方法或者0初始化的方法或者He初始化的方法得到。
基于权重矩阵和输入序列,得到概率分布序列,包括:基于查询向量矩阵和输入序列确定查询向量序列。基于键向量矩阵和输入序列键向量序列。基于值向量矩阵和输入序列值向量序列。根据查询向量序列、键向量序列和值向量序列,得到概率分布序列。
示例性的,概率分布序列通过以下公式计算:
其中,Z为概率分布序列,Q为查询向量序列,K为键向量序列,V为值向量序列,dk为键向量序列的维度。其中,查询向量序列的维度和键向量序列的维度相同。
示例性的,查询向量序列为:Q=WQX,其中,WQ为查询向量矩阵,X为输入序列。键向量序列为:K=WKX,其中,WK为键向量矩阵。值向量序列为:V=WVX,其中,WV为值向量矩阵。
步骤104,基于输出序列,得到第二时段内的台区末端电压预测结果。
示例性的,第二时段的起始时刻为当前时刻。第二时段中的台区末端电压为需要预测的部分,通俗来说,第二时段为起始时刻是当前时刻的未来时间,需要对第二时段中的台区末端电压进行预测,以便根据预测结果对现有的电力系统做出相应的调整。
举例来说,以3月1日的台区末端电压序列(第一时段内的台区末端电压序列)为例,预测3月2日的台区末端电压序列(第二时段内的台区末端电压序列)。
进一步的,如果想要预测更多数据,就需要使用已经预测的数据进行后续的预测,例如预测3月3日的台区末端电压序列时,此时就需要将预测得到的第二时段内的台区末端电压序列(3月2日的台区末端电压序列)作为已知序列进行后续的预测。
具体的,为了验证本方法的预测结果的准确性,如图4所示,从图中不难看出,随着时间的推移,预测结果与实际结果之间的差距越来越小,预测准确度越来越高,能够满足电力系统的日常所需,为保证用户正常用电提供数据参考,提高用户用电的稳定性。
具体的,本预测方法的训练目标为概率最大化,即得到最有可能的预测结果,假设,第一时段内的台区末端电压序列x1,x2,...,xm,第二时段内的台区末端电压预测结果yn,yn-1,...,y1,使用公式表示第一时段内的台区末端电压序列和第二时段内的台区末端电压预测结果之间的关系为:
上述台区末端电压预测方法,该方法可以通过时间卷积网络和权重矩阵对现有的台区末端电压序列(第一时段内的台区末端电压序列)进行预测,得到未来的台区末端电压序列(第二时段内的台区末端电压预测结果),即通过今天的台区末端电压数据,准确预测明天的台区末端电压数据,解决了现有技术中台区末端电压预测结果不准确的技术问题,可以为电力系统保证用户正常用电提供数据参考,提高用户用电的稳定性。
应理解,上述实施例中各步骤的序号的大小并不意味着执行顺序的先后,各过程的执行顺序应以其功能和内在逻辑确定,而不应对本申请实施例的实施过程构成任何限定。
对应于上文实施例所述的台区末端电压预测方法,图3示出了本申请实施例提供的台区末端电压预测装置的结构框图,为了便于说明,仅示出了与本申请实施例相关的部分。
参见图5,本申请实施例中的台区末端电压预测装置可以包括:获取模块301、卷积模块302、计算模块303和结果模块304。
可选的,获取模块301,用于获取第一时段内的台区末端电压序列。
示例性的,第一时段为截止到当前时刻之前的预设历史时段。
可选的,卷积模块302,用于基于台区末端电压序列和时间卷积网络,得到输入序列。
示例性的,卷积模块302还用于:基于时间卷积网络对台区末端电压序列进行卷积,得到第一序列。基于第一序列和归一化指数函数,得到输入序列。
示例性的,卷积模块302还用于:基于时间卷积网络中的多个卷积层依次对台区末端电压序列进行卷积,得到第一序列。
示例性的,在基于台区末端电压序列和时间卷积网络,得到输入序列之前,卷积模块302还用于:根据台区末端电压的历史数据对第一时段内的台区末端电压序列进行拟合,得到修正后的台区末端电压序列。
卷积模块302还用于:基于修正后的台区末端电压序列和时间卷积网络,得到输入序列。
可选的,计算模块303,用于基于权重矩阵和输入序列,得到输出序列。
示例性的,权重矩阵表征输入序列中的每一个元素的权重。
示例性的,计算模块303还用于:基于权重矩阵和输入序列,得到概率分布序列。对概率分布序列进行反卷积操作,得到输出序列。
示例性的,权重矩阵包括查询向量矩阵、键向量矩阵和值向量矩阵,输入序列中的每一个元素均有对应的查询向量矩阵、键向量矩阵和值向量矩阵。
计算模块303还用于:基于查询向量矩阵和输入序列确定查询向量序列。基于键向量矩阵和输入序列键向量序列。基于值向量矩阵和输入序列值向量序列。根据查询向量序列、键向量序列和值向量序列,得到概率分布序列。
示例性的,概率分布序列通过以下公式计算:
其中,Z为概率分布序列,Q为查询向量序列,K为键向量序列,V为值向量序列,dk为键向量序列的维度。
示例性的,查询向量序列为:Q=WQX,其中,WQ为查询向量矩阵,X为输入序列。键向量序列为:K=WKX,其中,WK为键向量矩阵。值向量序列为:V=WVX,其中,WV为值向量矩阵。
可选的,结果模块304,用于基于输出序列,得到第二时段内的台区末端电压预测结果。
示例性的,第二时段的起始时刻为当前时刻。第二时段中的台区末端电压为需要预测的部分,通俗来说,第二时段为起始时刻是当前时刻的未来时间,需要对第二时段中的台区末端电压进行预测,以便根据预测结果对现有的电力系统做出相应的调整。
需要说明的是,上述装置/单元之间的信息交互、执行过程等内容,由于与本申请方法实施例基于同一构思,其具体功能及带来的技术效果,具体可参见方法实施例部分,此处不再赘述。
所属领域的技术人员可以清楚地了解到,为了描述的方便和简洁,仅以上述各功能单元、模块的划分进行举例说明,实际应用中,可以根据需要而将上述功能分配由不同的功能单元、模块完成,即将所述装置的内部结构划分成不同的功能单元或模块,以完成以上描述的全部或者部分功能。实施例中的各功能单元、模块可以集成在一个处理单元中,也可以是各个单元单独物理存在,也可以两个或两个以上单元集成在一个单元中,上述集成的单元既可以采用硬件的形式实现,也可以采用软件功能单元的形式实现。另外,各功能单元、模块的具体名称也只是为了便于相互区分,并不用于限制本申请的保护范围。上述系统中单元、模块的具体工作过程,可以参考前述方法实施例中的对应过程,在此不再赘述。
本申请实施例还提供了一种预测终端,参见图6,该预测终端500可以包括:至少一个处理器510、存储器520,该存储器520用于存储计算机程序521,所述处理器510用于调用并运行所述存储器520中存储的计算机程序521实现上述任意各个方法实施例中的步骤,例如图2所示实施例中的步骤101至步骤104。或者,处理器510执行所述计算机程序时实现上述各装置实施例中各模块/单元的功能,例如图5所示模块301至304的功能。
示例性的,计算机程序521可以被分割成一个或多个模块/单元,一个或者多个模块/单元被存储在存储器520中,并由处理器510执行,以完成本申请。所述一个或多个模块/单元可以是能够完成特定功能的一系列计算机程序段,该程序段用于描述计算机程序在预测终端500中的执行过程。
本领域技术人员可以理解,图6仅仅是预测终端的示例,并不构成对预测终端的限定,可以包括比图示更多或更少的部件,或者组合某些部件,或者不同的部件,例如输入输出设备、网络接入设备、总线等。
处理器510可以是中央处理单元(Central Processing Unit,CPU),还可以是其他通用处理器、数字信号处理器(Digital Signal Processor,DSP)、专用集成电路(Application Specific Integrated Circuit,ASIC)、现成可编程门阵列(Field-Programmable Gate Array,FPGA)或者其他可编程逻辑器件、分立门或者晶体管逻辑器件、分立硬件组件等。通用处理器可以是微处理器或者该处理器也可以是任何常规的处理器等。
存储器520可以是预测终端的内部存储单元,也可以是预测终端的外部存储设备,例如插接式硬盘,智能存储卡(Smart Media Card,SMC),安全数字(Secure Digital,SD)卡,闪存卡(Flash Card)等。所述存储器520用于存储所述计算机程序以及预测终端所需的其他程序和数据。所述存储器520还可以用于暂时地存储已经输出或者将要输出的数据。
总线可以是工业标准体系结构(Industry Standard Architecture,ISA)总线、外部设备互连(Peripheral Component,PCI)总线或扩展工业标准体系结构(ExtendedIndustry Standard Architecture,EISA)总线等。总线可以分为地址总线、数据总线、控制总线等。为便于表示,本申请附图中的总线并不限定仅有一根总线或一种类型的总线。
本申请实施例提供的台区末端电压预测方法可以应用于计算机、可穿戴设备、车载设备、平板电脑、笔记本电脑、上网本等预测终端上,本申请实施例对预测终端的具体类型不作任何限制。
本申请实施例还提供了一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,所述计算机程序被处理器执行时实现可实现上述台区末端电压预测方法各个实施例中的步骤。
本申请实施例提供了一种计算机程序产品,当计算机程序产品在移动终端上运行时,使得移动终端执行时实现可实现上述台区末端电压预测方法各个实施例中的步骤。
所述集成的单元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,本申请实现上述实施例方法中的全部或部分流程,可以通过计算机程序来指令相关的硬件来完成,所述的计算机程序可存储于一计算机可读存储介质中,该计算机程序在被处理器执行时,可实现上述各个方法实施例的步骤。其中,所述计算机程序包括计算机程序代码,所述计算机程序代码可以为源代码形式、对象代码形式、可执行文件或某些中间形式等。所述计算机可读介质至少可以包括:能够将计算机程序代码携带到拍照装置/预测终端的任何实体或装置、记录介质、计算机存储器、只读存储器(ROM,Read-Only Memory)、随机存取存储器(RAM,RandomAccess Memory)、电载波信号、电信信号以及软件分发介质。例如U盘、移动硬盘、磁碟或者光盘等。
在上述实施例中,对各个实施例的描述都各有侧重,某个实施例中没有详述或记载的部分,可以参见其它实施例的相关描述。
本领域普通技术人员可以意识到,结合本文中所公开的实施例描述的各示例的单元及算法步骤,能够以电子硬件、或者计算机软件和电子硬件的结合来实现。这些功能究竟以硬件还是软件方式来执行,取决于技术方案的特定应用和设计约束条件。专业技术人员可以对每个特定的应用来使用不同方法来实现所描述的功能,但是这种实现不应认为超出本申请的范围。
在本申请所提供的实施例中,应该理解到,所揭露的装置/网络设备和方法,可以通过其它的方式实现。例如,以上所描述的装置/网络设备实施例仅仅是示意性的,例如,所述模块或单元的划分,仅仅为一种逻辑功能划分,实际实现时可以有另外的划分方式,例如多个单元或组件可以结合或者可以集成到另一个系统,或一些特征可以忽略,或不执行。另一点,所显示或讨论的相互之间的耦合或直接耦合或通讯连接可以是通过一些接口,装置或单元的间接耦合或通讯连接,可以是电性,机械或其它的形式。
所述作为分离部件说明的单元可以是或者也可以不是物理上分开的,作为单元显示的部件可以是或者也可以不是物理单元,即可以位于一个地方,或者也可以分布到多个网络单元上。可以根据实际的需要选择其中的部分或者全部单元来实现本实施例方案的目的。
以上所述实施例仅用以说明本申请的技术方案,而非对其限制;尽管参照前述实施例对本申请进行了详细的说明,本领域的普通技术人员应当理解:其依然可以对前述各实施例所记载的技术方案进行修改,或者对其中部分技术特征进行等同替换;而这些修改或者替换,并不使相应技术方案的本质脱离本申请各实施例技术方案的精神和范围,均应包含在本申请的保护范围之内。
Claims (10)
1.一种台区末端电压预测方法,其特征在于,包括:
获取第一时段内的台区末端电压序列;其中,第一时段为截止到当前时刻之前的预设历史时段;
基于所述台区末端电压序列和时间卷积网络,得到输入序列;
基于权重矩阵和所述输入序列,得到输出序列;所述权重矩阵表征所述输入序列中的每一个元素的权重;
基于所述输出序列,得到第二时段内的台区末端电压预测结果,其中,所述第二时段的起始时刻为当前时刻。
2.如权利要求1所述的台区末端电压预测方法,其特征在于,所述基于权重矩阵和所述输入序列,得到输出序列,具体包括:
基于所述权重矩阵和所述输入序列,得到概率分布序列;
对所述概率分布序列进行反卷积操作,得到所述输出序列。
3.如权利要求2所述的台区末端电压预测方法,其特征在于,所述权重矩阵包括查询向量矩阵、键向量矩阵和值向量矩阵,所述输入序列中的每一个元素均有对应的查询向量矩阵、键向量矩阵和值向量矩阵;
所述基于所述权重矩阵和所述输入序列,得到概率分布序列,包括:
基于所述查询向量矩阵和所述输入序列确定查询向量序列;
基于所述键向量矩阵和所述输入序列键向量序列;
基于所述值向量矩阵和所述输入序列值向量序列;
根据所述查询向量序列、所述键向量序列和所述值向量序列,得到概率分布序列。
4.如权利要求3所述的台区末端电压预测方法,其特征在于,所述概率分布序列通过以下公式计算:
其中,Z为所述概率分布序列,Q为所述查询向量序列,K为所述键向量序列,V为所述值向量序列,dk为所述键向量序列维度。
5.如权利要求3所述的台区末端电压预测方法,其特征在于,所述查询向量序列为:Q=WQX,其中,WQ为所述查询向量矩阵,X为所述输入序列;
所述键向量序列为:K=WKX,其中,WK为所述键向量矩阵;
所述值向量序列为:V=WVX,其中,WV为所述值向量矩阵。
6.如权利要求1所述的台区末端电压预测方法,其特征在于,所述基于所述台区末端电压序列和时间卷积网络,得到输入序列,具体包括:
基于时间卷积网络对所述台区末端电压序列进行卷积,得到第一序列;
基于所述第一序列和归一化指数函数,得到所述输入序列。
7.如权利要求6所述的台区末端电压预测方法,其特征在于,所述时间卷积网络包括多个卷积层,所述基于时间卷积网络对所述台区末端电压序列进行卷积,得到第一序列,具体包括:
基于所述时间卷积网络中的多个卷积层依次对所述台区末端电压序列进行卷积,得到所述第一序列。
8.如权利要求1所述的台区末端电压预测方法,其特征在于,在所述基于所述台区末端电压序列和时间卷积网络,得到输入序列之前,所述方法还包括:
根据台区末端电压的历史数据对所述第一时段内的台区末端电压序列进行拟合,得到修正后的台区末端电压序列;
所述基于所述台区末端电压序列和时间卷积网络,得到输入序列,包括:
基于所述修正后的台区末端电压序列和所述时间卷积网络,得到所述输入序列。
9.一种预测终端,包括:处理器和存储器,所述存储器中存储有可在所述处理器上运行的计算机程序,其特征在于,所述处理器执行所述计算机程序时实现如权利要求1至8任一项所述的台区末端电压预测方法。
10.一种计算机可读存储介质,所述计算机可读存储介质存储有计算机程序,其特征在于,所述计算机程序被处理器执行时实现如权利要求1至8任一项所述的台区末端电压预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311125155.3A CN117332218A (zh) | 2023-09-01 | 2023-09-01 | 台区末端电压预测方法及预测终端 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311125155.3A CN117332218A (zh) | 2023-09-01 | 2023-09-01 | 台区末端电压预测方法及预测终端 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN117332218A true CN117332218A (zh) | 2024-01-02 |
Family
ID=89274553
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311125155.3A Pending CN117332218A (zh) | 2023-09-01 | 2023-09-01 | 台区末端电压预测方法及预测终端 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117332218A (zh) |
-
2023
- 2023-09-01 CN CN202311125155.3A patent/CN117332218A/zh active Pending
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109871909B (zh) | 图像识别方法及装置 | |
CN109949290B (zh) | 路面裂缝检测方法、装置、设备及存储介质 | |
CN110008080B (zh) | 基于时间序列的业务指标异常检测方法、装置和电子设备 | |
CN108985489B (zh) | 一种风险预测方法、风险预测装置和终端设备 | |
CN114414935A (zh) | 基于大数据的配电网馈线故障区域自动化定位方法和系统 | |
CN112214402B (zh) | 一种代码验证算法的选择方法、装置及存储介质 | |
CN112395179B (zh) | 一种模型训练方法、磁盘预测方法、装置及电子设备 | |
CN111104438A (zh) | 时间序列的周期性确定方法、装置及电子设备 | |
CN113516275A (zh) | 一种配电网超短期负荷预测方法、装置及终端设备 | |
CN112668455B (zh) | 人脸年龄识别方法、装置、终端设备及存储介质 | |
CN112508308A (zh) | 一种数据处理方法、装置、设备及可读存储介质 | |
CN110472788B (zh) | 一种人员信息预测方法及装置 | |
CN117332218A (zh) | 台区末端电压预测方法及预测终端 | |
CN116452242A (zh) | 一种基于拟合回归的游戏利润预测方法、装置及设备 | |
CN114970985A (zh) | 维修器材需求预测方法、装置及终端 | |
CN113449062B (zh) | 轨迹处理方法、装置、电子设备和存储介质 | |
CN116009675A (zh) | 功耗确定方法、装置、存储介质及电子设备 | |
CN113093702B (zh) | 故障数据的预测方法和装置、电子设备和存储介质 | |
CN114547552A (zh) | 模拟数据的生成方法、装置、智能终端及存储介质 | |
CN113192315B (zh) | 一种交通流量分布预测方法、预测装置及终端设备 | |
CN113779926A (zh) | 一种电路的检测方法、装置、电子设备及可读存储介质 | |
CN111191827A (zh) | 一种数据波动趋势的预测方法及装置 | |
CN117135756B (zh) | 异构无线网络资源分配方法、装置及终端设备 | |
CN116912634B (zh) | 目标追踪模型的训练方法及装置 | |
CN111144973B (zh) | 问题排名方法及计算机可读存储介质 |
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 |