CN113298318A - 一种新型的配电变压器重过载预测方法 - Google Patents
一种新型的配电变压器重过载预测方法 Download PDFInfo
- Publication number
- CN113298318A CN113298318A CN202110675267.0A CN202110675267A CN113298318A CN 113298318 A CN113298318 A CN 113298318A CN 202110675267 A CN202110675267 A CN 202110675267A CN 113298318 A CN113298318 A CN 113298318A
- Authority
- CN
- China
- Prior art keywords
- distribution transformer
- overload
- model
- prediction
- 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.)
- Pending
Links
- 238000009826 distribution Methods 0.000 title claims abstract description 125
- 238000000034 method Methods 0.000 title claims abstract description 31
- 238000012360 testing method Methods 0.000 claims abstract description 32
- 238000012549 training Methods 0.000 claims abstract description 29
- 230000007246 mechanism Effects 0.000 claims abstract description 21
- 238000004519 manufacturing process Methods 0.000 claims abstract description 13
- 238000004458 analytical method Methods 0.000 claims abstract description 6
- 238000001556 precipitation Methods 0.000 claims description 10
- 238000012795 verification Methods 0.000 claims description 8
- 238000004422 calculation algorithm Methods 0.000 claims description 6
- 230000000875 corresponding effect Effects 0.000 claims description 5
- 230000005611 electricity Effects 0.000 claims description 5
- 238000011176 pooling Methods 0.000 claims description 5
- 230000009466 transformation Effects 0.000 claims description 5
- 238000002372 labelling Methods 0.000 claims description 4
- 230000002596 correlated effect Effects 0.000 claims description 3
- 230000000694 effects Effects 0.000 claims description 3
- 238000013527 convolutional neural network Methods 0.000 abstract description 20
- 230000010365 information processing Effects 0.000 abstract description 4
- 230000006870 function Effects 0.000 description 9
- 238000000605 extraction Methods 0.000 description 6
- 230000008859 change Effects 0.000 description 5
- 239000013598 vector Substances 0.000 description 5
- 238000004364 calculation method Methods 0.000 description 4
- 238000010586 diagram Methods 0.000 description 3
- 230000009467 reduction Effects 0.000 description 3
- 230000009286 beneficial effect Effects 0.000 description 2
- 238000013136 deep learning model Methods 0.000 description 2
- 239000000284 extract Substances 0.000 description 2
- 238000010801 machine learning Methods 0.000 description 2
- 238000005070 sampling Methods 0.000 description 2
- 230000004913 activation Effects 0.000 description 1
- 230000032683 aging Effects 0.000 description 1
- 238000013473 artificial intelligence Methods 0.000 description 1
- 238000010219 correlation analysis Methods 0.000 description 1
- 238000009795 derivation Methods 0.000 description 1
- 230000004927 fusion Effects 0.000 description 1
- 238000007477 logistic regression Methods 0.000 description 1
- 230000014759 maintenance of location Effects 0.000 description 1
- 238000012821 model calculation Methods 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000003012 network analysis Methods 0.000 description 1
- 238000007781 pre-processing Methods 0.000 description 1
- 230000008569 process Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000007637 random forest analysis Methods 0.000 description 1
- 238000000611 regression analysis Methods 0.000 description 1
- 238000011160 research Methods 0.000 description 1
- 238000003860 storage Methods 0.000 description 1
- 238000012706 support-vector machine Methods 0.000 description 1
Images
Classifications
-
- 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
- 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
- G06N3/044—Recurrent networks, e.g. Hopfield networks
-
- 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
- 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
-
- Y—GENERAL TAGGING OF NEW TECHNOLOGICAL DEVELOPMENTS; GENERAL TAGGING OF CROSS-SECTIONAL TECHNOLOGIES SPANNING OVER SEVERAL SECTIONS OF THE IPC; TECHNICAL SUBJECTS COVERED BY FORMER USPC CROSS-REFERENCE ART COLLECTIONS [XRACs] AND DIGESTS
- Y04—INFORMATION OR COMMUNICATION TECHNOLOGIES HAVING AN IMPACT ON OTHER TECHNOLOGY AREAS
- Y04S—SYSTEMS INTEGRATING TECHNOLOGIES RELATED TO POWER NETWORK OPERATION, COMMUNICATION OR INFORMATION TECHNOLOGIES FOR IMPROVING THE ELECTRICAL POWER GENERATION, TRANSMISSION, DISTRIBUTION, MANAGEMENT OR USAGE, i.e. SMART GRIDS
- Y04S10/00—Systems supporting electrical power generation, transmission or distribution
- Y04S10/50—Systems or methods supporting the power network operation or management, involving a certain degree of interaction with the load-side end user applications
Landscapes
- Engineering & Computer Science (AREA)
- Theoretical Computer Science (AREA)
- Physics & Mathematics (AREA)
- Business, Economics & Management (AREA)
- Health & Medical Sciences (AREA)
- General Physics & Mathematics (AREA)
- General Health & Medical Sciences (AREA)
- Economics (AREA)
- Software Systems (AREA)
- Mathematical Physics (AREA)
- Data Mining & Analysis (AREA)
- Molecular Biology (AREA)
- Computing Systems (AREA)
- General Engineering & Computer Science (AREA)
- Computational Linguistics (AREA)
- Human Resources & Organizations (AREA)
- Biophysics (AREA)
- Biomedical Technology (AREA)
- Artificial Intelligence (AREA)
- Life Sciences & Earth Sciences (AREA)
- Evolutionary Computation (AREA)
- Strategic Management (AREA)
- General Business, Economics & Management (AREA)
- Marketing (AREA)
- Tourism & Hospitality (AREA)
- Primary Health Care (AREA)
- Water Supply & Treatment (AREA)
- Public Health (AREA)
- Development Economics (AREA)
- Game Theory and Decision Science (AREA)
- Entrepreneurship & Innovation (AREA)
- Operations Research (AREA)
- Quality & Reliability (AREA)
- Management, Administration, Business Operations System, And Electronic Commerce (AREA)
Abstract
本发明涉及一种新型的配电变压器重过载预测方法,包括以下步骤:步骤S1:从营配调相关生产和管理***以及气象数据网获取基础数据;步骤S2:对各类特征量进行关联性分析,找出与配变重过载相关性强的特征量作为预测模型的输入;步骤S3:设计预测模型,利用数据集对模型进行训练和测试。本发明提出一种基于注意力机制的多尺度一维CNN‑LSTM网络的预测模型。该模型将多尺度一维CNN与LSTM网络相结合,可有效综合卷积神经网络的速度及轻量性与LSTM网络三种门对信息的处理能力。网络输出端引入的注意力机制,可对LSTM隐含层的输出进行注意力权重的分配,突出关键因素对配变重过载的影响力,最终实现配变重过载的预测,对实际的生产工作起到一定的指导作用。
Description
技术领域
本发明涉及配电网领域,大数据领域,人工智能领域,特别是一种新型的配电变压器重过载预测方法。
背景技术
气候变化、节假日及突发事件等都可能导致用电负荷陡然增加,使配电变压器处于重载甚至过载的运行状态中。配变重过载运行,不但可能导致供电可靠性下降,客户投诉率上升,服务满意度下降,并且容易造成配变绝缘层老化、使用寿命下降,甚至造成严重事故造成经济损失。对配电变压器重过载事件进行有效预警,可有效发挥事前引导作用,减少安全隐患、提升用电服务质量和社会满意度。目前针对配电变压器重过载的预测研究,大多数还是以负荷预测为切入点。利用历史负荷数据去外推负荷变化规律,并加入其它影响负荷变化的外部因素进行负荷预测,最后通过预测结果对重过载进行判断。但是目前配变重过载的治理多以实施周期较长的线路改切和设备改造为主要手段,短期负荷预测结果往往不足以提供足够的时间裕度消除重过载隐患。
现有的配变重过载预测大多以负荷预测为切入点,利用历史负荷数据去外推负荷变化规律,并加入其它影响负荷变化的外部因素进行负荷预测,最后通过预测结果对重过载进行判断。回归分析法、自回归积分滑动平均、负荷求导法等传统负荷预测方法,历史数据与预测数据的关系较为简单,在数据量少时表现良好。当今电力***运行数据不断朝向大数据量、多源异构、高精度化发展,传统的负荷预测方法开始显得力不从心。随机森林、支持向量机、逻辑回归模型等机器学习方法也在配变重过载预测领域取得良好的表现,但其在挖掘特征量间关联性,提取内在特征方面有待提高。
发明内容
有鉴于此,本发明的目的是提供一种新型的配电变压器重过载预测方法,直接以重过载事件为目标,分析影响配变重过载的各类因素,再利用机器学习模型进行预测。帮助电力部门及时采取措施,保障电网的安全稳定运行。
本发明采用以下方案实现:一种新型的配电变压器重过载预测方法,包括以下步骤:
步骤S1:从营配调相关生产和管理***以及气象数据网获取基础数据;
步骤S2:将获取的基础数据与配变重过载事件进行关联性分析,找出与配变重过载相关性强的特征量作为预测模型的输入;
步骤S3:设计预测模型,利用数据集对模型进行训练和测试;模型通过训练集进行自我学习,寻找最佳参数并保存;然后将测试集输入模型,得到测试集的测试结果即将测试配变关于步骤S2中寻找到的所有强关联性的特征量输入,模型会自动计算并判断其运行状态是正常、重载还是过载,实现预测。
进一步地,步骤S1中所述营配调相关生产和管理***包括调度管理***(DMS)、生产管理***(PMS)、用电信息采集***和配网调度智能管控平台(SMD)。
进一步地,步骤S1中所述基础数据包括配变自身属性数据、历史运行数据、用电客户信息、日期数据和气象数据,具体为配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日、日平均气温、月平均气温、日平均降水、日最大风力、日平均湿度和日最大风力风向;历史运行数据又包括负荷数据和重过载事件记录。
进一步地,所述步骤S2具体包括以下步骤:
步骤S21:对步骤S1中获取基础数据中的数值型变量进行离散化处理,对字符型变量进行归一化处理,并去除无效量;
所述数值型变量包括日平均气温、月平均气温、日平均降水、日最大风力、和日平均湿度;配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日和日最大风力风向均为字符型变量,;
步骤S22:构建事务集:以配电变压器重过载事件记录为基础,将其与包括日期、天气、用户因素和自身属性的各类因素相互匹配对应,形成配变重过载事务集;
步骤S23:寻找规则:根据需求设置最小支持度和最小置信度,将配变重过载作为目标,其他特征量作为输入;Apriori关联算法将遍历所有项集,得到所需的关联规则,将其中与配变重过载关联度高的特征量选为预测模型输入;
所述其他特征量包括配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日、日平均气温、月平均气温、日平均降水、日最大风力、日平均湿度、日最大风力风向;
支持度和置信度的公式如下:
支持度:
置信度:
支持度表示X和Y这一事件组合在总事务记录中出现的概率,置信度是指出现了项集X的事务中X和Y这一事件组合出现的概率;最小支持度Smin和最小置信度Cmin规定了支持度和置信度的阈值,只有达到这两个阈值才算强关联规则。
进一步地,所述步骤S3具体包括以下内容:设计的预测模型为多尺度一维CNN网络与LSTM网络的结合,并在输出端引入Attention(注意力)机制;
基于Attention机制的多尺度一维CNN-LSTM模型的整体结构由三部分组成:输入层,隐含层和输出层;其中,隐含层包括多尺度卷积层,池化层,LSTM层和全连接层;首先,多尺度一维CNN自适应地从输入信号中提取有效特征;然后,LSTM通过前者输出的丰富特征自动了解不同时间步长之间的关系;接着,在网络输出端引入注意力机制,目的在于对LSTM隐含层的输出进行注意力权重的分配,突出关键因素对配变重过载的影响力;最后,再由全连接层进行输出,从而实现配变重过载的预测;
根据步骤S2确定的模型输入量,构建出一个包含配变不同运行状态的数据库,并为样本打上标签;再将数据分为训练集、验证集和测试集,训练集与测试集数据比例为9:1,并在训练集中划分出20%的样本作为验证集;前二者用于模型的训练,通过计算误差函数反向传播不断调整网络参数,达到所设定的训练次数后保存参数,利用测试集测试模型的有效性;最后根据测试样本的预测标签跟真实标签去评价模型的预测性能。
采用交叉熵和L2正则化,模型训练目标为最小化损失函数:
其中,n为样本数,c为类别数,W表示权重,b表示偏置,λ为L2正则化的系数,y(t)(i)是值为0或1的变量,若第i个样本的类别和第t个类别相同,则其值为1,否则为0;表示第i个样本对应第t个类别的概率;
综合选取精确率P(Precision)、召回率R(Recall)、F1得分(F1-Score)来证明所提方法的有效性
式中,TP代表将正类预测为正类数,FP表示将负类预测为正类数、FN表示将正类预测为负类数;对配变重过载预测而言,三者得分越高表示模型预测效果越好。
与现有技术相比,本发明具有以下有益效果:
(1)本发明利用深度学习模型,对传统CNN模型进行了改进,采用多尺度的卷积核挖掘输入信息不同频度的特征,增强其特征提取能力的同时也利用特征融合丰富所提取的特征,便于后续网络分析。
(2)本发明将多尺度一维CNN与LSTM网络相结合,充分发挥了卷积神经网络的速度和轻量性以及LSTM网络对信息的处理能力,实现自适应提取特征,提升预测性能。
(3)本发明在LSTM网络输出端引入注意力机制,通过权重参数的计算,增强关键性因素对结果的影响力,从而提高预测准确率。
附图说明
图1为本发明实施例的配电变压器重过载预测流程图。
图2为本发明实施例的多尺度一维CNN结构图。
图3为本发明实施例的LSTM的结构图。
图4为本发明实施例的Attention机制的结构图。
图5为本发明实施例的基于Attention机制的多尺度一维CNN-LSTM模型。
具体实施方式
下面结合附图及实施例对本发明做进一步说明。
应该指出,以下详细说明都是例示性的,旨在对本申请提供进一步的说明。除非另有指明,本文使用的所有技术和科学术语具有与本申请所属技术领域的普通技术人员通常理解的相同含义。
需要注意的是,这里所使用的术语仅是为了描述具体实施方式,而非意图限制根据本申请的示例性实施方式。如在这里所使用的,除非上下文另外明确指出,否则单数形式也意图包括复数形式,此外,还应当理解的是,当在本说明书中使用术语“包含”和/或“包括”时,其指明存在特征、步骤、操作、器件、组件和/或它们的组合。
如图1所示,本实施例提供一种新型的配电变压器重过载预测方法,包括以下步骤:
步骤S1:从营配调相关生产和管理***以及气象数据网获取基础数据;
步骤S2:将获取的基础数据与配变重过载事件进行关联性分析,找出与配变重过载相关性强的特征量作为预测模型的输入;
步骤S3:设计预测模型,利用数据集对模型进行训练和测试;模型通过训练集进行自我学习,寻找最佳参数并保存;然后将测试集输入模型,得到测试集的测试结果即将测试配变关于步骤S2中寻找到的所有强关联性的特征量输入,模型会自动计算并判断其运行状态是正常、重载还是过载,实现预测。
在本实施例中,步骤S1中所述营配调相关生产和管理***包括调度管理***(DMS)、生产管理***(PMS)、用电信息采集***和配网调度智能管控平台(SMD)。
在本实施例中,步骤S1中所述基础数据包括配变自身属性数据、历史运行数据、用电客户信息、日期数据和气象数据,具体为配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日、日平均气温、月平均气温、日平均降水、日最大风力、日平均湿度和日最大风力风向;历史运行数据又包括负荷数据和重过载事件记录。
在本实施例中,所述步骤S2具体包括以下步骤:
步骤S21:对步骤S1中获取基础数据中的数值型变量进行离散化处理,对字符型变量进行归一化处理,并去除无效量;
所述数值型变量包括日平均气温、月平均气温、日平均降水、日最大风力、和日平均湿度;配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日和日最大风力风向均为字符型变量;
步骤S22:构建事务集:以配电变压器重过载事件记录为基础,将其与包括日期、天气、用户因素和自身属性的各类因素相互匹配对应,形成配变重过载事务集;
步骤S23:寻找规则:根据需求设置最小支持度和最小置信度,将配变重过载作为目标,其他特征量作为输入;Apriori关联算法将遍历所有项集,得到所需的关联规则,将其中与配变重过载关联度高的特征量选为预测模型输入;与配变重过载关联度高的特征量选为预测模型输入,取决于所设置的最小支持度Smin和最小置信度Cmin,本实施例中所设置的分别为Smin30%和Cmin70%。
所述其他特征量包括配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日、日平均气温、月平均气温、日平均降水、日最大风力、日平均湿度、日最大风力风向;
支持度和置信度的公式如下:
支持度:
置信度:
支持度表示X和Y这一事件组合在总事务记录中出现的概率,置信度是指出现了项集X的事务中X和Y这一事件组合出现的概率;最小支持度Smin和最小置信度Cmin规定了支持度和置信度的阈值,只有达到这两个阈值才算强关联规则。
如图5所示,在本实施例中,所述步骤S3具体包括以下内容:设计的预测模型为多尺度一维CNN网络与LSTM网络的结合,并在输出端引入Attention(注意力)机制;
基于Attention机制的多尺度一维CNN-LSTM模型的整体结构由三部分组成:输入层,隐含层和输出层;堆叠方式按照模型的结构,从下往上前者的输出作为后者的输入;其中,隐含层包括多尺度卷积层,池化层,LSTM层和全连接层;首先,多尺度一维CNN自适应地从输入信号中提取有效特征;然后,LSTM通过前者输出的丰富特征自动了解不同时间步长之间的关系;接着,在网络输出端引入注意力机制,目的在于对LSTM隐含层的输出进行注意力权重的分配,突出关键因素对配变重过载的影响力;最后,再由全连接层进行输出,从而实现配变重过载的预测;
根据步骤S2确定的模型输入量,构建出一个包含配变不同运行状态的数据库,并为样本打上标签;(数据库中含有配变正常运行、配变重载运行、配变过载运行三种类别的样本,这个“正常”、“重载”、“过载”就是样本的标签)再将数据分为训练集、验证集和测试集,训练集与测试集数据比例为9:1,并在训练集中划分出20%的样本作为验证集;前二者用于模型的训练,通过计算误差函数反向传播不断调整网络参数,达到所设定的训练次数后利用测试集测试模型的有效性;最后根据测试样本的预测标签跟真实标签去评价模型的预测性能。
采用交叉熵和L2正则化,模型训练目标为最小化损失函数:
其中,n为样本数,c为类别数,W表示权重,b表示偏置,λ为L2正则化的系数,y(t)(i)是值为0或1的变量,若第i个样本的类别和第t个类别相同,则其值为1,否则为0;表示第i个样本对应第t个类别的概率;
综合选取精确率P(Precision)、召回率R(Recall)、F1得分(F1-Score)来证明所提方法的有效性
式中,TP代表将正类预测为正类数,FP表示将负类预测为正类数、FN表示将正类预测为负类数;对配变重过载预测而言,三者得分越高表示模型预测效果越好。
较佳的,本实施例利用深度学习模型,提出一种基于注意力机制的多尺度一维CNN-LSTM(convolutional neural network-long short-term memory)网络的预测模型。该模型将多尺度一维CNN与LSTM网络相结合,可有效综合卷积神经网络的速度及轻量性与LSTM网络三种门对信息的处理能力。网络输出端引入的注意力机制,可对LSTM隐含层的输出进行注意力权重的分配,突出关键因素对配变重过载的影响力,最终实现配变重过载的预测,对实际的生产工作起到一定的指导作用。
较佳的,在本实施例中,第一部分是基础数据的获取,从营配调相关生产和管理***以及气象数据网站去获取基础数据,用以支撑后续的关联性分析和配变重过载预测,基础数据信息包括配变自身属性数据、历史运行数据(负荷数据、重过载事件记录)、用电客户信息、日期数据、气象数据。
包括:配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日、日平均气温、月平均气温、日平均降水、日最大风力、日平均湿度、日最大风力风向。
第二部分是关联性分析,关联分析是为了探究诸多内外部因素与配变重过载之间的关联度,择优选择输入变量以简化预测模型,提高计算效率和预测精度。本发明所采用的是Apriori关联算法,该算法利用逐层搜索的迭代方法找出数据库中项集的关系,以形成规则,挖掘的对象一般是事务数据集。关联规则可定义为:设T={t1,t2,t3,…,tk,…,tm}为事务数据库,tk为T的第k件事务,I={i1,i2,i3,…,ik}是二元属性的集合,其中的元素称为项,对任意k,X与Y是I的子集,在事务数据集中寻找X与Y的关联关系,关联关系记为关联规则里有两个重要概念:支持度和置信度。支持度表示X和Y这一事件组合在总事务记录中出现的概率,置信度是指出现了项集X的事务中X和Y这一事件组合出现的概率。最小支持度Smin和最小置信度Cmin规定了支持度和置信度的阈值,只有达到这两个阈值才算强关联规则。其中支持度和置信度的公式如下:
支持度:
置信度:
具体实施方法为:
(1)数据预处理
Apriori关联算法一般适用于离散型数据,所以应先对第一部分中所获取的数值型变量进行离散化处理,以气温数据为例:0℃之下定义为极低温度;0-10℃定义为低温;10-20℃定义为中温;20-30℃定义为高温;30℃之上定义为极高温度。同理对其他数值型变量进行离散化处理。
(2)构建事务集
以配电变压器重过载事件记录为基础,将其与日期、天气、用户因素、自身属性等各类因素相互匹配对应,形成配变重过载事务集。
(3)寻找规则
根据需求设置最小支持度和最小置信度,将配变重过载作为目标,其他特征量作为输入。算法将遍历所有项集,得到所需的关联规则,将其中与配变重过载关联度较高的特征量选为预测模型输入
第三部分配变重过载的模型预测。本发明所设计的预测模型为多尺度一维CNN网络与LSTM网络的结合,并在输出端引入Attention(注意力)机制。下文将分板块进行介绍。
(1)多尺度一维CNN
CNN模型采用局部连接和共享权值的方式,直接从原始数据中通过卷积层和池化层交替使用来获取有效表征,自动提取数据的局部特征,并建立稠密、完备的特征向量。该模型能够对数据进行更高层次和更抽象的处理,有效降低了特征提取和数据重构的复杂度,提高了数据质量。配变重过载预测模型所使用数据,是与配电变压器重过载相关的各类信息,包含与时间信息相关的数据,适合采用一维CNN进行特征提取。此外,传统的CNN层叠式结构基本采用一个个卷积层的堆叠,且每层都使用同一尺寸的卷积核。实际上,不同尺度和跨度的卷积核更能够提取输入信号中不同频度的特征,再把这些特征结合起来,获得的特征提取往往比单一卷积核的效果要好。因此本发明对传统CNN模型进行改进,采用3个不同尺度的卷积核对输入层全区域并行采样,采样结束后将各自提取的特征向量按照全连接的方式融合,以提取多样化的特征,特征提取原理如图2所示。相比于单一卷积核提取特征,该方法囊括了多种尺度,所提取特征更为饱满,更有利于后续的分析。
(2)LSTM网络
如图3所示LSTM由3个门来控制信息状态,分别为遗忘门、输入门和输出门。遗忘门中输入xt和中间输出ht-1经过sigmoid函数得到一个0-1的向量,共同决定状态记忆单元Ct-1的遗忘部分;输入门中xt和ht-1分别经过sigmoid和tanh函数变化后共同决定状态记忆单元中保留向量。输出门中由更新后的Ct和ot共同决定输出ht。计算公式如下所示:
ft=σ(Wf[ht-1,xt]+bf)
it=σ(Wi[ht-1,xt]+bi)
gt=tanh(Wc[ht-1,xt]+bg)
Ct=ftCt-1+itgt
ot=σ(Wo[ht-1,xt]+bo)
ht=ot tanh(Ct)
式中:ft,it,gt,ot,ht和Ct分别代表遗忘门、输入门、输入节点、输出门、中间输出和状态单元的状态;W和b表示对应的权重系数矩阵和偏置项;σ和tanh分别表示sigmoid和双曲正切激活函数。(3)Attention机制
人类在感知事物时,往往不会关注全部,而是根据需求观察特定部分,把注意力放在关键位置,从而忽略次要信息,放大关键信息。Attention是模仿人类注意力而提出来的一种解决问题的方法,通过对输入特征分配权重的方式,突出重要信息的影响,在不影响模型计算和存储开销的同时提升预测准确率,其结构如图4所示。
其中,xt(t∈[1,n])表示输入序列,ht(t∈[1,n])表示对应输入序列的隐含层状态值,αt(t∈[1,n])表示Attention机制对隐含层输出的注意力权重分配,y表示Attention层的输出。Attention层的各参量计算公式为:
et=u tanh(wht+b)
式中:et表示t时刻由LSTM隐含层输出向量ht所决定的注意力概率分布值;u和w表示权重系数,b表示偏置项;st表示Attention层t时刻输出。
(4)完整模型
本实施例考虑将上述网络相结合用于配电变压器重过载预测,通过三者结合可有效综合卷积神经网络的速度及轻量性与LSTM网络三种门和注意力机制对信息的处理能力。所设计模型结构如图5所示。
该模型的整体结构由三部分组成:输入层,隐含层和输出层。其中隐含层包括多尺度卷积层,池化层,LSTM层和全连接层。首先,多尺度一维CNN自适应地从输入信号中提取有效特征;然后,LSTM可以通过前者输出的丰富特征自动了解不同时间步长之间的关系;接着,在网络输出端引入注意力机制,目的在于对LSTM隐含层的输出进行注意力权重的分配,突出关键因素对配变重过载的影响力;最后,再由全连接层进行输出,从而实现配变重过载的预测。
根据第二部分确定的模型输入量,构建出一个包含配变不同运行状态的数据库,并为样本打上标签。再将数据分为训练集、验证集和测试集,前二者用于模型的训练,通过计算误差函数反向传播不断调整网络参数,达到所设定的训练次数后保存参数,利用测试集测试模型的有效性。最后根据测试样本的预测标签跟真实标签去评价模型的预测性能。
以上所述仅为本发明的较佳实施例,凡依本发明申请专利范围所做的均等变化与修饰,皆应属本发明的涵盖范围。
Claims (6)
1.一种新型的配电变压器重过载预测方法,其特征在于:包括以下步骤:
步骤S1:从营配调相关生产和管理***以及气象数据网获取基础数据;
步骤S2:将获取的基础数据与配变重过载事件进行关联性分析,找出与配变重过载相关性强的特征量作为预测模型的输入;
步骤S3:设计预测模型,利用数据集对模型进行训练和测试;模型通过训练集进行自我学习,寻找最佳参数并保存;然后将测试集输入模型,得到测试集的测试结果即将测试配变关于步骤S2中寻找到的所有强关联性的特征量输入,模型会自动计算并判断其运行状态是正常、重载还是过载,实现预测。
2.根据权利要求1所述的一种新型的配电变压器重过载预测方法,其特征在于:步骤S1中所述营配调相关生产和管理***包括调度管理***、生产管理***、用电信息采集***和配网调度智能管控平台。
3.根据权利要求1所述的一种新型的配电变压器重过载预测方法,其特征在于:步骤S1中所述基础数据包括配变自身属性数据、历史运行数据、用电客户信息、日期数据和气象数据,具体为配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日、日平均气温、月平均气温、日平均降水、日最大风力、日平均湿度和日最大风力风向;历史运行数据又包括负荷数据和重过载事件记录。
4.根据权利要求1所述的一种新型的配电变压器重过载预测方法,其特征在于:所述步骤S2具体包括以下步骤:
步骤S21:对步骤S1中获取基础数据中的数值型变量进行离散化处理,对字符型变量进行归一化处理,并去除无效量;
所述数值型变量包括日平均气温、月平均气温、日平均降水、日最大风力、和日平均湿度;配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日和日最大风力风向均为字符型变量;
步骤S22:构建事务集:以配电变压器重过载事件记录为基础,将其与包括日期、天气、用户因素和自身属性的各类因素相互匹配对应,形成配变重过载事务集;
步骤S23:寻找规则:根据需求设置最小支持度和最小置信度,将配变重过载作为目标,其他特征量作为输入;Apriori关联算法将遍历所有项集,得到所需的关联规则,将其中与配变重过载关联度高的特征量选为预测模型输入;
所述其他特征量包括配变铭牌容量、配变类型、配变所处区域类型、用户分类、星期、季度、节假日、日平均气温、月平均气温、日平均降水、日最大风力、日平均湿度、日最大风力风向;
支持度和置信度的公式如下:
支持度:
置信度:
支持度表示X和Y这一事件组合在总事务记录中出现的概率,置信度是指出现了项集X的事务中X和Y这一事件组合出现的概率;最小支持度Smin和最小置信度Cmin规定了支持度和置信度的阈值,只有达到这两个阈值才算强关联规则。
5.根据权利要求1所述的一种新型的配电变压器重过载预测方法,其特征在于:所述步骤S3具体包括以下内容:设计的预测模型为多尺度一维CNN网络与LSTM网络的结合,并在输出端引入Attention机制;
基于Attention机制的多尺度一维CNN-LSTM模型的整体结构由三部分组成:输入层,隐含层和输出层;其中,隐含层包括多尺度卷积层,池化层,LSTM层和全连接层;首先,多尺度一维CNN自适应地从输入信号中提取有效特征;然后,LSTM通过前者输出的丰富特征自动了解不同时间步长之间的关系;接着,在网络输出端引入注意力机制,目的在于对LSTM隐含层的输出进行注意力权重的分配,突出关键因素对配变重过载的影响力;最后,再由全连接层进行输出,从而实现配变重过载的预测。
6.根据步骤S2确定的模型输入量,构建出一个包含配变不同运行状态的数据库,并为样本打上标签;再将数据分为训练集、验证集和测试集,训练集与测试集数据比例为9:1,并在训练集中划分出20%的样本作为验证集;前二者用于模型的训练,通过计算误差函数反向传播不断调整网络参数,达到所设定的训练次数后保存参数,利用测试集测试模型的有效性;最后根据测试样本的预测标签跟真实标签去评价模型的预测性能;
采用交叉熵和L2正则化,模型训练目标为最小化损失函数:
其中,n为样本数,c为类别数,W表示权重,b表示偏置,λ为L2正则化的系数,y(t)(i)是值为0或1的变量,若第i个样本的类别和第t个类别相同,则其值为1,否则为0;表示第i个样本对应第t个类别的概率;
综合选取精确率P、召回率R、F1得分来证明所提方法的有效性
式中,TP代表将正类预测为正类数,FP表示将负类预测为正类数、FN表示将正类预测为负类数;对配变重过载预测而言,三者得分越高表示模型预测效果越好。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675267.0A CN113298318A (zh) | 2021-06-18 | 2021-06-18 | 一种新型的配电变压器重过载预测方法 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202110675267.0A CN113298318A (zh) | 2021-06-18 | 2021-06-18 | 一种新型的配电变压器重过载预测方法 |
Publications (1)
Publication Number | Publication Date |
---|---|
CN113298318A true CN113298318A (zh) | 2021-08-24 |
Family
ID=77328711
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202110675267.0A Pending CN113298318A (zh) | 2021-06-18 | 2021-06-18 | 一种新型的配电变压器重过载预测方法 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN113298318A (zh) |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488404A (zh) * | 2020-12-07 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及*** |
CN114548510A (zh) * | 2022-01-18 | 2022-05-27 | 国网江西省电力有限公司南昌供电分公司 | 基于混合注意力机制的电力负荷预测方法及*** |
CN115587617A (zh) * | 2022-10-17 | 2023-01-10 | 国网黑龙江省电力有限公司 | 长时间序列的序列信息捕捉方法及装置、短期用电量预测方法及装置 |
Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180065498A (ko) * | 2016-12-08 | 2018-06-18 | 한국항공대학교산학협력단 | 딥 신경망 학습 방법 및 그를 이용한 다음 예측 영상 생성 방법 |
CN110807550A (zh) * | 2019-10-30 | 2020-02-18 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
CN111091143A (zh) * | 2019-11-22 | 2020-05-01 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络和K-means聚类的配变重过载预警方法 |
-
2021
- 2021-06-18 CN CN202110675267.0A patent/CN113298318A/zh active Pending
Patent Citations (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
KR20180065498A (ko) * | 2016-12-08 | 2018-06-18 | 한국항공대학교산학협력단 | 딥 신경망 학습 방법 및 그를 이용한 다음 예측 영상 생성 방법 |
CN110807550A (zh) * | 2019-10-30 | 2020-02-18 | 国网上海市电力公司 | 基于神经网络的配变重过载识别预警方法及终端设备 |
CN111091143A (zh) * | 2019-11-22 | 2020-05-01 | 国网新疆电力有限公司电力科学研究院 | 基于深度信念网络和K-means聚类的配变重过载预警方法 |
Non-Patent Citations (2)
Title |
---|
张蕾: "基于神经网络的地区配变重过载预测研究", 《中国优秀博硕士学位论文全文数据库(硕士)》 * |
杨秀: "基于关注指标和深度学习的台区配变重过载预警方法研究", 《智慧电力》 * |
Cited By (3)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN112488404A (zh) * | 2020-12-07 | 2021-03-12 | 广西电网有限责任公司电力科学研究院 | 一种配电网大规模电力负荷多线程高效预测方法及*** |
CN114548510A (zh) * | 2022-01-18 | 2022-05-27 | 国网江西省电力有限公司南昌供电分公司 | 基于混合注意力机制的电力负荷预测方法及*** |
CN115587617A (zh) * | 2022-10-17 | 2023-01-10 | 国网黑龙江省电力有限公司 | 长时间序列的序列信息捕捉方法及装置、短期用电量预测方法及装置 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN109754113B (zh) | 基于动态时间规整与长短时间记忆的负荷预测方法 | |
Al-Janabi et al. | A new method for prediction of air pollution based on intelligent computation | |
Ke et al. | Short-term electrical load forecasting method based on stacked auto-encoding and GRU neural network | |
CN113298318A (zh) | 一种新型的配电变压器重过载预测方法 | |
Du et al. | Power load forecasting using BiLSTM-attention | |
CN110648014B (zh) | 一种基于时空分位数回归的区域风电预测方法及*** | |
CN111148118A (zh) | 基于时间序列的流量预测和载波关断方法和*** | |
CN109583565A (zh) | 基于注意力模型长短时记忆网络的洪水预测方法 | |
CN111525587B (zh) | 一种基于无功负荷态势的电网无功电压控制方法及*** | |
CN110837915B (zh) | 一种基于混合集成深度学习的电力***低压负荷点预测及概率预测方法 | |
CN110674636A (zh) | 一种用电行为分析方法 | |
CN111461921A (zh) | 一种基于机器学习的负荷建模典型用户数据库更新方法 | |
CN111311001B (zh) | 基于DBSCAN算法和特征选择的Bi-LSTM网络短期负荷预测方法 | |
CN115660855A (zh) | 一种融合新闻数据的股票收盘价预测方法 | |
CN113627070A (zh) | 一种短期光伏功率预测方法 | |
CN116307103A (zh) | 一种基于硬参数共享多任务学习的交通事故预测方法 | |
CN113344279B (zh) | 基于lstm-sam模型和池化的居民负荷预测方法 | |
CN111680712A (zh) | 基于日内相似时刻的变压器油温预测方法、装置及*** | |
CN113762591B (zh) | 一种基于gru和多核svm对抗学习的短期电量预测方法及*** | |
CN116797274A (zh) | 一种基于Attention-LSTM-LightGBM的共享单车需求量预测方法 | |
CN115481788B (zh) | 相变储能***负荷预测方法及*** | |
CN113537607B (zh) | 停电预测方法 | |
CN112232557B (zh) | 基于长短期记忆网络的转辙机健康度短期预测方法 | |
CN115423091A (zh) | 一种条件对抗神经网络训练方法、场景生成方法和*** | |
CN115310355A (zh) | 考虑多能耦合的综合能源***多元负荷预测方法及*** |
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 | ||
RJ01 | Rejection of invention patent application after publication |
Application publication date: 20210824 |
|
RJ01 | Rejection of invention patent application after publication |