CN116090795B - 一种基于dnn的配网网格动态资源规划方法和装置 - Google Patents

一种基于dnn的配网网格动态资源规划方法和装置 Download PDF

Info

Publication number
CN116090795B
CN116090795B CN202310313701.XA CN202310313701A CN116090795B CN 116090795 B CN116090795 B CN 116090795B CN 202310313701 A CN202310313701 A CN 202310313701A CN 116090795 B CN116090795 B CN 116090795B
Authority
CN
China
Prior art keywords
grid
distribution
data
unit
feature
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
CN202310313701.XA
Other languages
English (en)
Other versions
CN116090795A (zh
Inventor
姜磊
赵梦
曲滨涛
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.)
Brilliant Data Analytics Inc
Original Assignee
Brilliant Data Analytics Inc
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 Brilliant Data Analytics Inc filed Critical Brilliant Data Analytics Inc
Priority to CN202310313701.XA priority Critical patent/CN116090795B/zh
Publication of CN116090795A publication Critical patent/CN116090795A/zh
Application granted granted Critical
Publication of CN116090795B publication Critical patent/CN116090795B/zh
Active legal-status Critical Current
Anticipated expiration legal-status Critical

Links

Images

Classifications

    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J3/00—Circuit arrangements for ac mains or ac distribution networks
    • 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
    • G06F16/21—Design, administration or maintenance of databases
    • G06F16/215—Improving data quality; Data cleansing, e.g. de-duplication, removing invalid entries or correcting typographical errors
    • 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
    • G06F16/29—Geographical information 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
    • G06N3/08—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
    • G06Q10/00—Administration; Management
    • G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
    • G06Q10/063—Operations research, analysis or management
    • G06Q10/0631—Resource planning, allocation, distributing or scheduling for enterprises or organisations
    • G06Q10/06312—Adjustment or analysis of established resource schedule, e.g. resource or task levelling, or dynamic rescheduling
    • 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
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/10—Power transmission or distribution systems management focussing at grid-level, e.g. load flow analysis, node profile computation, meshed network optimisation, active network management or spinning reserve management
    • H—ELECTRICITY
    • H02—GENERATION; CONVERSION OR DISTRIBUTION OF ELECTRIC POWER
    • H02J—CIRCUIT ARRANGEMENTS OR SYSTEMS FOR SUPPLYING OR DISTRIBUTING ELECTRIC POWER; SYSTEMS FOR STORING ELECTRIC ENERGY
    • H02J2203/00—Indexing scheme relating to details of circuit arrangements for AC mains or AC distribution networks
    • H02J2203/20—Simulating, e g planning, reliability check, modelling or computer assisted design [CAD]
    • 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)
  • Business, Economics & Management (AREA)
  • Theoretical Computer Science (AREA)
  • Physics & Mathematics (AREA)
  • Human Resources & Organizations (AREA)
  • General Physics & Mathematics (AREA)
  • Databases & Information Systems (AREA)
  • Economics (AREA)
  • Health & Medical Sciences (AREA)
  • General Engineering & Computer Science (AREA)
  • Data Mining & Analysis (AREA)
  • Strategic Management (AREA)
  • General Health & Medical Sciences (AREA)
  • Marketing (AREA)
  • Quality & Reliability (AREA)
  • Tourism & Hospitality (AREA)
  • General Business, Economics & Management (AREA)
  • Entrepreneurship & Innovation (AREA)
  • Life Sciences & Earth Sciences (AREA)
  • Computational Linguistics (AREA)
  • Water Supply & Treatment (AREA)
  • Development Economics (AREA)
  • Primary Health Care (AREA)
  • Educational Administration (AREA)
  • Artificial Intelligence (AREA)
  • Biomedical Technology (AREA)
  • Biophysics (AREA)
  • Public Health (AREA)
  • Game Theory and Decision Science (AREA)
  • Evolutionary Computation (AREA)
  • Molecular Biology (AREA)
  • Computing Systems (AREA)
  • Operations Research (AREA)
  • Mathematical Physics (AREA)
  • Software Systems (AREA)
  • Power Engineering (AREA)
  • Remote Sensing (AREA)
  • Supply And Distribution Of Alternating Current (AREA)

Abstract

本发明涉及用电规划技术领域，揭露了一种基于DNN的配网网格动态资源规划方法，包括：获取待配电区域的历史配电数据，从历史配电数据提取出标准配电网格数据和标准配电资源数据；根据标准配电网格数据对待配电区域划分成配电网格区域组；按照配电网格区域组将标准配电资源数据划分成网格配电资源数据组，生成网格配电资源数据组的网格时序配电数据序列；利用网格时序配电数据序列将初级网格配电模型训练成标准网格配电模型；获取待配电区域的实时用电数据，利用所有的标准网格配电模型和实时用电数据对待配电区域进行供电调整。本发明还提出一种基于DNN的配网网格动态资源规划装置。本发明可以提高配电网格资源规划时的灵活性。

Description

一种基于DNN的配网网格动态资源规划方法和装置
技术领域
本发明涉及用电规划技术领域，尤其涉及一种基于DNN的配网网格动态资源规划方法和装置。
背景技术
配电网是指从输电网或地区发电厂接受电能，通过配电设施就地分配或按电压逐级分配给各类用户的电力网结构，为了方便对配电网进行统一管理，提高配电效率，需要对配电网进行网格划分，并为每个配电网格进行电力资源规划。
现有的配电网格资源规划方法多为基于固定的供电区域实现配电网格划分，并根据配电网格的负载平均值进行电力资源规划，实际过程中，基于固定的供电区域实现配电网格划分可能会导致配电网格过大，缺乏灵活性，且根据配电网格的负载平均值进行电力资源规划无法满足季节周期变化造成的供电需求变化，从而可能会导致进行配电网格资源规划时的灵活性较差。
发明内容
本发明提供一种基于DNN的配网网格动态资源规划方法和装置，其主要目的在于解决进行配电网格资源规划时的灵活性较差的问题。
为实现上述目的，本发明提供的一种基于DNN的配网网格动态资源规划方法，包括：
获取待配电区域的历史配电数据，将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据；
按照供电单元将所述标准配电网格数据划分成多个单元配电网格数据，逐个提取出所述单元配电网格数据的单元分区特征，根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组，其中，所述根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，包括：将所有的单元分区特征拆分成多个单元分区特征组，并为各个单元分区特征组随机筛选出初级单元分区中心特征；利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度：
Figure SMS_1
其中，
Figure SMS_5
是指所述单元特征匹配度，/>
Figure SMS_6
是指第/>
Figure SMS_10
个，/>
Figure SMS_3
是指所述初级单元分区中心特征的总维度，且所述初级单元分区中心特征的总维度与所述单元分区特征的总维度相同，
Figure SMS_8
是指所述初级单元分区中心特征中的第/>
Figure SMS_11
维特征，/>
Figure SMS_12
指所述单元分区特征中的第/>
Figure SMS_4
维特征，/>
Figure SMS_7
是指所述初级单元分区中心特征中的单元位置特征的横坐标，/>
Figure SMS_9
是指所述单元分区特征中的单元位置特征的横坐标，/>
Figure SMS_13
是指所述初级单元分区中心特征中的单元位置特征的纵坐标，/>
Figure SMS_2
是指所述单元分区特征中的单元位置特征的纵坐标；根据所述单元特征匹配度重新对所有的单元分区特征进行分组，得到多个次级单元分区特征组；计算出各个次级单元分区特征组对应的次级单元分区中心特征，并计算出各个次级单元分区中心特征与对应的所述初级单元分区中心特征之间的中心特征匹配度；根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，并根据各个单元分区特征类将所述待配电区域划分成多个初级配电网格区域；逐个对所述初级配电网格区域进行孤立点融合操作，得到配电网格区域；
按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，逐个选取所述网格配电资源数据组中的网格配电资源数据作为目标网格配电资源数据，利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列；
分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集；
获取待配电区域的实时用电数据，利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整。
可选地，所述将所述历史配电网格数据清洗成标准配电网格数据，包括：
按照数据种类将所述历史配电网格数据拆分成多个单种类历史配电数据集；
逐个选取所述单种类历史配电数据集作为目标种类历史配电数据集，将所述目标种类历史配电数据集对应的数据类型作为目标数据类型，并获取所述目标种类历史配电数据集对应的数据值域；
根据所述目标数据类型从所述目标种类历史配电数据集中筛除乱码数据，得到目标种类初级配电数据集；
根据所述数据值域从所述目标种类初级配电数据集中筛除越位数据和重复数据，得到目标种类标准配电数据集，并将所有的目标种类标准配电数据集汇集成标准配电网格数据。
可选地，所述逐个提取出所述单元配电网格数据的单元分区特征，包括：
逐个选取所述单元配电网格数据的作为目标单元配电网格数据，从所述目标单元配电网格数据中提取出单元位置数据、单元行政类型数据、单元地理类型数据以及单元用电类型数据；
对所述单元位置数据进行坐标系转化，得到单元位置特征，将所述单元行政类型数据词向量化成单元行政特征，将所述单元地理类型数据词向量化成单元地理特征，将所述单元用电类型数据词向量化成单元用电特征；
将所述单元位置特征、所述单元行政特征、所述单元地理特征以及所述单元用电特征汇集成所述目标单元配电网格数据的单元分区特征。
可选地，所述根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，包括：
将所有的中心特征匹配度的平均值作为标准中心特征匹配度，判断所述标准中心特征匹配度是否大于预设的匹配度阈值；
若是，则将所述次级单元分区中心特征作为初级单元分区中心特征，并返回所述利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度的步骤；
若否，则逐个将所述次级单元分区特征组作为单元分区特征类。
可选地，所述按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，包括：
逐个选取所述配电网格区域组中的配电网格区域作为目标配电网格区域，将所述标准配电资源数据中与所述目标配电网格区域对应的部分数据作为网格配电资源数据；
将所有的网格配电资源数据汇集成网格配电资源数据组。
可选地，所述利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列，包括：
按照由远到近的时间顺序对所述目标网格配电资源数据进行排序，得到时序网格配电资源数据；
从所述时序网格配电资源数据中提取出数据总时域，利用预设的时域窗口逐帧选取所述数据总时域中对应的窗口周期时域作为目标窗口周期时域；
从所述时序网格配电资源数据中提取出所述目标窗口周期时域对应的部分资源数据作为网格时序配电数据，并将所有的网格时序配电数据汇集成网格时序配电数据序列。
可选地，所述分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，包括：
对所述网格时序配电数据序列进行递归卷积，得到短期配电特征；
对所述网格时序配电数据序列进行跳转卷积，得到长期配电特征；
利用如下的配电特征连接算法对所述短期配电特征和所述长期配电特征进行特征融合，得到时序配电特征：
Figure SMS_14
其中，
Figure SMS_15
是指第/>
Figure SMS_22
时刻的所述时序配电特征，/>
Figure SMS_23
是所述短期配电特征的特征权重，
Figure SMS_17
是指第/>
Figure SMS_21
时刻的所述短期配电特征，/>
Figure SMS_24
是指第/>
Figure SMS_27
时刻，/>
Figure SMS_18
是指所述长期配电特征在跳转卷积时跳过的隐藏单元的数量，/>
Figure SMS_20
是指第/>
Figure SMS_25
时刻的所述长期配电特征的特征权重，/>
Figure SMS_26
是指第
Figure SMS_16
时刻的所述长期配电特征，/>
Figure SMS_19
是所述配电特征连接算法对应的融合系数；
利用多头注意力机制提取出所述网格时序配电数据序列对应的网格注意力配电特征。
可选地，所述利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，包括：
利用预设的初级网格配电模型生成所述目标网格配电特征对应的初级分析网格时序配电数据，并将所有的初级分析网格时序配电数据汇集成分析网格时序配电数据；
计算出所述分析网格时序配电数据与所述网格时序配电数据序列之间的损失值；
判断所述损失值是否小于预设的损失阈值；
若否，则根据所述损失值对所述初级网格配电模型的模型参数进行迭代更新，并返回所述利用预设的初级网格配电模型生成所述目标网格配电特征对应的初级分析网格时序配电数据的步骤；
若是，则将所述初级网格配电模型作为标准网格配电模型。
可选地，所述利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，包括：
按照所述配电网格区域组将所述实时用电数据划分成网格实时用电数据组；
逐个选取所述网格实时用电数据组中的网格实时用电数据作为目标网格实时用电数据，从所述标准网格配电模型集中选取出所述目标网格实时用电数据对应的标准网格配电模型作为目标标准网格配电模型；
利用所述目标标准网格配电模型计算出所述目标网格实时用电数据对应的实时配电数据，并将所有的实时配电数据汇集成实施配电数据集。
为了解决上述问题，本发明还提供一种基于DNN的配网网格动态资源规划装置，所述装置包括：
数据清洗模块，用于获取待配电区域的历史配电数据，将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据；
网格分割模块，用于按照供电单元将所述标准配电网格数据划分成多个单元配电网格数据，逐个提取出所述单元配电网格数据的单元分区特征，根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组，其中，所述根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，包括：将所有的单元分区特征拆分成多个单元分区特征组，并为各个单元分区特征组随机筛选出初级单元分区中心特征；利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度：
Figure SMS_28
其中，
Figure SMS_32
是指所述单元特征匹配度，/>
Figure SMS_33
是指第/>
Figure SMS_37
个，/>
Figure SMS_31
是指所述初级单元分区中心特征的总维度，且所述初级单元分区中心特征的总维度与所述单元分区特征的总维度相同，
Figure SMS_34
是指所述初级单元分区中心特征中的第/>
Figure SMS_38
维特征，/>
Figure SMS_40
指所述单元分区特征中的第/>
Figure SMS_29
维特征，/>
Figure SMS_35
是指所述初级单元分区中心特征中的单元位置特征的横坐标，/>
Figure SMS_36
是指所述单元分区特征中的单元位置特征的横坐标，/>
Figure SMS_39
是指所述初级单元分区中心特征中的单元位置特征的纵坐标，/>
Figure SMS_30
是指所述单元分区特征中的单元位置特征的纵坐标；根据所述单元特征匹配度重新对所有的单元分区特征进行分组，得到多个次级单元分区特征组；计算出各个次级单元分区特征组对应的次级单元分区中心特征，并计算出各个次级单元分区中心特征与对应的所述初级单元分区中心特征之间的中心特征匹配度；根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，并根据各个单元分区特征类将所述待配电区域划分成多个初级配电网格区域；逐个对所述初级配电网格区域进行孤立点融合操作，得到配电网格区域；
数据分割模块，用于按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，逐个选取所述网格配电资源数据组中的网格配电资源数据作为目标网格配电资源数据，利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列；
模型训练模块，用于分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集；
资源规划模块，用于获取待配电区域的实时用电数据，利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整。
本发明实施例通过将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，可以方便后续的配电电网的网格规划以及对每个配电网格的用电特征的提取，通过将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据，可以提高数据集的准确性，从而提高后续供电规划的匹配度，通过根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组，可以按照每个最小供电区域的地理、行政以及用电特征进行网格规划，从而提高配电网格规划的灵活度；通过按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，可以对每个配电网格区域单独进行配电特征分析，通过利用所述时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列，可以方便后续提取出每个配电网格区域对应的时序配电特征；
通过将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集，可以为每个配电网格区域单独训练出对应的标准网格配电模型，从而能够更加动态地对待配电区域进行配电分析，提高配电网格资源规划的准确性，通过利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整，能够为每个配电网格区域进行实时的配电数据分析，从而提高了配电网格资源规划的灵活性。因此本发明提出的基于DNN的配网网格动态资源规划方法和装置，可以解决进行配电网格资源规划时的灵活性较差的问题。
附图说明
图1为本发明一实施例提供的基于DNN的配网网格动态资源规划方法的流程示意图；
图2为本发明一实施例提供的提取单元分区特征的流程示意图；
图3为本发明一实施例提供的提取网格时序配电特征和网格注意力配电特征的流程示意图；
图4为本发明一实施例提供的基于DNN的配网网格动态资源规划装置的功能模块图；
本发明目的的实现、功能特点及优点将结合实施例，参照附图做进一步说明。
具体实施方式
应当理解，此处所描述的具体实施例仅仅用以解释本发明，并不用于限定本发明。
本申请实施例提供一种基于DNN的配网网格动态资源规划方法。所述基于DNN的配网网格动态资源规划方法的执行主体包括但不限于服务端、终端等能够被配置为执行本申请实施例提供的该方法的电子设备中的至少一种。换言之，所述基于DNN的配网网格动态资源规划方法可以由安装在终端设备或服务端设备的软件或硬件来执行，所述软件可以是区块链平台。所述服务端包括但不限于：单台服务器、服务器集群、云端服务器或云端服务器集群等。所述服务器可以是独立的服务器，也可以是提供云服务、云数据库、云计算、云函数、云存储、网络服务、云通信、中间件服务、域名服务、安全服务、内容分发网络(ContentDelivery Network，CDN)、以及大数据和人工智能平台等基础云计算服务的云服务器。
参照图1所示，为本发明一实施例提供的基于DNN的配网网格动态资源规划方法的流程示意图。在本实施例中，所述基于DNN的配网网格动态资源规划方法包括：
S1、获取待配电区域的历史配电数据，将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据。
本发明实施例中，所述待配电区域是指需要进行配电网格资源规划的区域，所述历史配电数据是包括所述待配电区域过去时间段内每个供电单位所在的地理位置、行政类型以及地理类型，每个供电单位的用电类型以及用电负荷等数据。
详细地，所述历史配电网格数据是指所述待配电区域中每个供电单位的地理位置、地理类型、行政类型以及用电类型，所述历史配电资源数据是指所述待配电区域中每个供电单位的用电负荷，其中，所述地理位置是指所述供电单位的地理位置，例如安徽省合肥市某街道，所述地理类型是指所述供电单位所处的地理环境类型，例如平原、河流以及沙漠等，所述行政类型是指所述供电单位所处的行政区域类型，例如乡村、工业区、学校、商业区等，所述用电类型是指所述供电单位所需的电力类型，例如工业用电，市民用电，政府用电等。
本发明实施例中，所述将所述历史配电网格数据清洗成标准配电网格数据，包括：
按照数据种类将所述历史配电网格数据拆分成多个单种类历史配电数据集；
逐个选取所述单种类历史配电数据集作为目标种类历史配电数据集，将所述目标种类历史配电数据集对应的数据类型作为目标数据类型，并获取所述目标种类历史配电数据集对应的数据值域；
根据所述目标数据类型从所述目标种类历史配电数据集中筛除乱码数据，得到目标种类初级配电数据集；
根据所述数据值域从所述目标种类初级配电数据集中筛除越位数据和重复数据，得到目标种类标准配电数据集，并将所有的目标种类标准配电数据集汇集成标准配电网格数据。
具体地，所述数据种类是指地理位置、地理类型、行政类型、用电类型以及用电负荷等种类，所述数据类型是指每种单种类历史配电数据集对应的数据存储类型与格式，例如数据种类为地理类型的数据对应的数据类型为汉字字符型，所述数据值域是指每种单种类历史配电数据集的数据值域范围，例如数据种类为用电负荷的数据对应的数据值域大于零。
详细地，所述乱码数据是指不符合目标数据类型的数据，例如数据类型为汉字字符型时出现的英文字符，所述越位数据是指超出所述数据值域的数据，例如数据值域为正数时出现的负数，所述重复数据是指重复录入的数据，例如同时出现两个地址相同的数据。
详细地，所述将所述历史配电资源数据清洗成标准配电资源数据的方法与上述步骤S1中的所述将所述历史配电网格数据清洗成标准配电网格数据的方法一致，这里不再赘述。
本发明实施例中，通过将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，可以方便后续的配电电网的网格规划以及对每个配电网格的用电特征的提取，通过将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据，可以提高数据集的准确性，从而提高后续供电规划的匹配度。
S2、按照供电单元将所述标准配电网格数据划分成多个单元配电网格数据，逐个提取出所述单元配电网格数据的单元分区特征，根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组。
本发明实施例中，所述单元配电网格数据是指每个供电单元对应的标准配电网格数据，所述单元分区特征是指每个供电单元的用电区域特征。
本发明实施例中，参照图2所示，所述逐个提取出所述单元配电网格数据的单元分区特征，包括：
S21、逐个选取所述单元配电网格数据的作为目标单元配电网格数据，从所述目标单元配电网格数据中提取出单元位置数据、单元行政类型数据、单元地理类型数据以及单元用电类型数据；
S22、对所述单元位置数据进行坐标系转化，得到单元位置特征，将所述单元行政类型数据词向量化成单元行政特征，将所述单元地理类型数据词向量化成单元地理特征，将所述单元用电类型数据词向量化成单元用电特征；
S23、将所述单元位置特征、所述单元行政特征、所述单元地理特征以及所述单元用电特征汇集成所述目标单元配电网格数据的单元分区特征。
详细地，所述单元位置特征是指位置的经纬度特征，所述将所述单元行政类型数据词向量化成单元行政特征包括将所述单元行政类型数据依次进行文本分词和词向量化操作，得到单元行政特征。
详细地，所述将所述单元地理类型数据词向量化成单元地理特征以及所述将所述单元用电类型数据词向量化成单元用电特征的方法与上述步骤S2中的将所述单元行政类型数据词向量化成单元行政特征地方法一致，这里不再赘述。
具体地，所述配电网格区域是指由多个供电单元对应的供电区域组成的供电网格所对应的区域。
详细地，所述根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，包括：
将所有的单元分区特征拆分成多个单元分区特征组，并为各个单元分区特征组随机筛选出初级单元分区中心特征；
利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度：
Figure SMS_41
其中，
Figure SMS_44
是指所述单元特征匹配度，/>
Figure SMS_47
是指第/>
Figure SMS_51
个，/>
Figure SMS_45
是指所述初级单元分区中心特征的总维度，且所述初级单元分区中心特征的总维度与所述单元分区特征的总维度相同，
Figure SMS_46
是指所述初级单元分区中心特征中的第/>
Figure SMS_50
维特征，/>
Figure SMS_52
指所述单元分区特征中的第/>
Figure SMS_42
维特征，/>
Figure SMS_48
是指所述初级单元分区中心特征中的单元位置特征的横坐标，/>
Figure SMS_49
是指所述单元分区特征中的单元位置特征的横坐标，/>
Figure SMS_53
是指所述初级单元分区中心特征中的单元位置特征的纵坐标，/>
Figure SMS_43
是指所述单元分区特征中的单元位置特征的纵坐标；
根据所述单元特征匹配度重新对所有的单元分区特征进行分组，得到多个次级单元分区特征组；
计算出各个次级单元分区特征组对应的次级单元分区中心特征，并计算出各个次级单元分区中心特征与对应的所述初级单元分区中心特征之间的中心特征匹配度；
根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，并根据各个单元分区特征类将所述待配电区域划分成多个初级配电网格区域；
逐个对所述初级配电网格区域进行孤立点融合操作，得到配电网格区域。
详细地，所述为各个单元分区特征组随机筛选出初级单元分区中心特征是指随机在各个单元分区特征组中选取出一个单元分区特征作为对应的初级单元分区中心特征。
本发明实施例中，通过利用所述单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度，可以根据各个配电单元之间的物理距离、单元行政类型、单元地理类型以及所述单元用电类型之间的相似度计算出配电单元之间的特征匹配度，从而提高特征匹配度的准确性。
详细地，所述根据所述单元特征匹配度重新对所有的单元分区特征进行分组，得到多个次级单元分区特征组是指将单元分区特征分配到单元特征匹配度最大的初级单元分区中心特征所在的单元分区特征组中，得到次级单元分区特征组。
详细地，所述计算出各个次级单元分区特征组对应的次级单元分区中心特征是指计算出与所述次级单元分区特征组中各个单元分区特征之间匹配度都相同的特征作为次级单元分区中心特征，所述中心特征匹配度是指次级单元分区中心特征与对应的所述初级单元分区中心特征之间的单元特征匹配度。
本发明实施例中，所述根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，包括：
将所有的中心特征匹配度的平均值作为标准中心特征匹配度，判断所述标准中心特征匹配度是否大于预设的匹配度阈值；
若是，则将所述次级单元分区中心特征作为初级单元分区中心特征，并返回所述利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度的步骤；
若否，则逐个将所述次级单元分区特征组作为单元分区特征类。
详细地，所述逐个对所述初级配电网格区域进行孤立点融合操作，得到配电网格区域是指将所述初级配电网格区域中配电单元数量小于预设单元数量阈值的网格区域分配到辅警的初级配电网格区域中，从而减少初级配电网格区域中的孤立点区域。
本发明实施例中，通过根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组，可以按照每个最小供电区域的地理、行政以及用电特征进行网格规划，从而提高配电网格规划的灵活度。
S3、按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，逐个选取所述网格配电资源数据组中的网格配电资源数据作为目标网格配电资源数据，利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列。
本发明实施例中，所述网格配电资源数据组是由多个网格配电资源数据组成的数组，所述网格配电资源数据是指一个配电网格区域对应的所有供电单元的标准配电资源数据。
本发明实施例中，所述按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，包括：
逐个选取所述配电网格区域组中的配电网格区域作为目标配电网格区域，将所述标准配电资源数据中与所述目标配电网格区域对应的部分数据作为网格配电资源数据；
将所有的网格配电资源数据汇集成网格配电资源数据组。
详细地，所述时域窗口是指固定时长的滑动窗口，其中，所述时域窗口的窗口长度可以是一周、一天或者一个月，所述网格时序配电数据序列是由多个网格时序配电数据组成的时序序列数据，且每个网格时序配电数据是指时序窗口一次滑动过程中窗口时域对应的目标网格配电资源数据。
本发明实施例中，所述利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列，包括：
按照由远到近的时间顺序对所述目标网格配电资源数据进行排序，得到时序网格配电资源数据；
从所述时序网格配电资源数据中提取出数据总时域，利用预设的时域窗口逐帧选取所述数据总时域中对应的窗口周期时域作为目标窗口周期时域；
从所述时序网格配电资源数据中提取出所述目标窗口周期时域对应的部分资源数据作为网格时序配电数据，并将所有的网格时序配电数据汇集成网格时序配电数据序列。
本发明实施例中，通过按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，可以对每个配电网格区域单独进行配电特征分析，通过利用所述时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列，可以方便后续提取出每个配电网格区域对应的时序配电特征。
S4、分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集。
本发明实施例中，参照图3所示，所述分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，包括：
S31、对所述网格时序配电数据序列进行递归卷积，得到短期配电特征；
S32、对所述网格时序配电数据序列进行跳转卷积，得到长期配电特征；
S33、利用如下的配电特征连接算法对所述短期配电特征和所述长期配电特征进行特征融合，得到时序配电特征：
Figure SMS_54
其中，
Figure SMS_57
是指第/>
Figure SMS_60
时刻的所述时序配电特征，/>
Figure SMS_63
是所述短期配电特征的特征权重，
Figure SMS_55
是指第/>
Figure SMS_59
时刻的所述短期配电特征，/>
Figure SMS_65
是指第/>
Figure SMS_67
时刻，/>
Figure SMS_56
是指所述长期配电特征在跳转卷积时跳过的隐藏单元的数量，/>
Figure SMS_62
是指第/>
Figure SMS_64
时刻的所述长期配电特征的特征权重，/>
Figure SMS_66
是指第
Figure SMS_58
时刻的所述长期配电特征，/>
Figure SMS_61
是所述配电特征连接算法对应的融合系数；
S34、利用多头注意力机制提取出所述网格时序配电数据序列对应的网格注意力配电特征。
具体地，通过利用所述配电特征连接算法对所述短期配电特征和所述长期配电特征进行特征融合，得到时序配电特征，可以根据长期配电特征与短期配电特征之间的跳转时序差进行特征融合，从而保证了时序配电特征同时包含短期配电特征和所述长期配电特征。
详细地，可以利用全连接网络将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征。
本发明实施例中，所述利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，包括：
利用预设的初级网格配电模型生成所述目标网格配电特征对应的初级分析网格时序配电数据，并将所有的初级分析网格时序配电数据汇集成分析网格时序配电数据；
计算出所述分析网格时序配电数据与所述网格时序配电数据序列之间的损失值；
判断所述损失值是否小于预设的损失阈值；
若否，则根据所述损失值对所述初级网格配电模型的模型参数进行迭代更新，并返回所述利用预设的初级网格配电模型生成所述目标网格配电特征对应的初级分析网格时序配电数据的步骤；
若是，则将所述初级网格配电模型作为标准网格配电模型。
详细地，可以利用平均损失值算法计算出所述分析网格时序配电数据与所述网格时序配电数据序列之间的损失值，可以利用梯度下降算法根据所述损失值对所述初级网格配电模型的模型参数进行迭代更新。
本发明实施例中，通过将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集，可以为每个配电网格区域单独训练出对应的标准网格配电模型，从而能够更加动态地对待配电区域进行配电分析，提高配电网格资源规划的准确性。
S5、获取待配电区域的实时用电数据，利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整。
本发明实施例中，所述实时用电数据是指所述待配电区域中每个配电单元的实时时间段内的用电量，用电类型相关数据。
本发明实施例中，所述利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，包括：
按照所述配电网格区域组将所述实时用电数据划分成网格实时用电数据组；
逐个选取所述网格实时用电数据组中的网格实时用电数据作为目标网格实时用电数据，从所述标准网格配电模型集中选取出所述目标网格实时用电数据对应的标准网格配电模型作为目标标准网格配电模型；
利用所述目标标准网格配电模型计算出所述目标网格实时用电数据对应的实时配电数据，并将所有的实时配电数据汇集成实施配电数据集。
本发明实施例中，通过利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整，能够为每个配电网格区域进行实时的配电数据分析，从而提高了配电网格资源规划的灵活性。
本发明实施例通过将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，可以方便后续的配电电网的网格规划以及对每个配电网格的用电特征的提取，通过将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据，可以提高数据集的准确性，从而提高后续供电规划的匹配度，通过根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组，可以按照每个最小供电区域的地理、行政以及用电特征进行网格规划，从而提高配电网格规划的灵活度；通过按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，可以对每个配电网格区域单独进行配电特征分析，通过利用所述时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列，可以方便后续提取出每个配电网格区域对应的时序配电特征；
通过将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集，可以为每个配电网格区域单独训练出对应的标准网格配电模型，从而能够更加动态地对待配电区域进行配电分析，提高配电网格资源规划的准确性，通过利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整，能够为每个配电网格区域进行实时的配电数据分析，从而提高了配电网格资源规划的灵活性。因此本发明提出的基于DNN的配网网格动态资源规划方法，可以解决进行配电网格资源规划时的灵活性较差的问题。
如图4所示，是本发明一实施例提供的基于DNN的配网网格动态资源规划装置的功能模块图。
本发明所述基于DNN的配网网格动态资源规划装置100可以安装于电子设备中。根据实现的功能，所述基于DNN的配网网格动态资源规划装置100可以包括数据清洗模块101、网格分割模块102、数据分割模块103、模型训练模块104及资源规划模块105。本发明所述模块也可以称之为单元，是指一种能够被电子设备处理器所执行，并且能够完成固定功能的一系列计算机程序段，其存储在电子设备的存储器中。
在本实施例中，关于各模块/单元的功能如下：
所述数据清洗模块101，用于获取待配电区域的历史配电数据，将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据；
所述网格分割模块102，用于按照供电单元将所述标准配电网格数据划分成多个单元配电网格数据，逐个提取出所述单元配电网格数据的单元分区特征，根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组，其中，所述根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，包括：将所有的单元分区特征拆分成多个单元分区特征组，并为各个单元分区特征组随机筛选出初级单元分区中心特征；利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度：
Figure SMS_68
其中，
Figure SMS_69
是指所述单元特征匹配度，/>
Figure SMS_74
是指第/>
Figure SMS_76
个，/>
Figure SMS_71
是指所述初级单元分区中心特征的总维度，且所述初级单元分区中心特征的总维度与所述单元分区特征的总维度相同，
Figure SMS_75
是指所述初级单元分区中心特征中的第/>
Figure SMS_78
维特征，/>
Figure SMS_80
指所述单元分区特征中的第/>
Figure SMS_72
维特征，/>
Figure SMS_73
是指所述初级单元分区中心特征中的单元位置特征的横坐标，/>
Figure SMS_77
是指所述单元分区特征中的单元位置特征的横坐标，/>
Figure SMS_79
是指所述初级单元分区中心特征中的单元位置特征的纵坐标，/>
Figure SMS_70
是指所述单元分区特征中的单元位置特征的纵坐标；根据所述单元特征匹配度重新对所有的单元分区特征进行分组，得到多个次级单元分区特征组；计算出各个次级单元分区特征组对应的次级单元分区中心特征，并计算出各个次级单元分区中心特征与对应的所述初级单元分区中心特征之间的中心特征匹配度；根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，并根据各个单元分区特征类将所述待配电区域划分成多个初级配电网格区域；逐个对所述初级配电网格区域进行孤立点融合操作，得到配电网格区域；
所述数据分割模块103，用于按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，逐个选取所述网格配电资源数据组中的网格配电资源数据作为目标网格配电资源数据，利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列；
所述模型训练模块104，用于分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集；
所述资源规划模块105，用于获取待配电区域的实时用电数据，利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整。
详细地，本发明实施例中所述基于DNN的配网网格动态资源规划装置100中所述的各模块在使用时采用与上述图1至图3中所述的基于DNN的配网网格动态资源规划方法一样的技术手段，并能够产生相同的技术效果，这里不再赘述。
在本发明所提供的几个实施例中，应该理解到，所揭露的设备，装置和方法，可以通过其它的方式实现。例如，以上所描述的装置实施例仅仅是示意性的，例如，所述模块的划分，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。
所述作为分离部件说明的模块可以是或者也可以不是物理上分开的，作为模块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模块来实现本实施例方案的目的。
另外，在本发明各个实施例中的各功能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，也可以采用硬件加软件功能模块的形式实现。
对于本领域技术人员而言，显然本发明不限于上述示范性实施例的细节，而且在不背离本发明的精神或基本特征的情况下，能够以其他的具体形式实现本发明。
因此，无论从哪一点来看，均应将实施例看作是示范性的，而且是非限制性的，本发明的范围由所附权利要求而不是上述说明限定，因此旨在将落在权利要求的等同要件的含义和范围内的所有变化涵括在本发明内。不应将权利要求中的任何附关联图标记视为限制所涉及的权利要求。
本申请实施例可以基于人工智能技术对相关的数据进行获取和处理。其中，人工智能（Artificial Intelligence，AI)是利用数字计算机或者数字计算机控制的机器模拟、延伸和扩展人的智能，感知环境、获取知识并使用知识获得最佳结果的理论、方法、技术及应用***。
此外，显然“包括”一词不排除其他单元或步骤，单数不排除复数。***实施例中陈述的多个单元或装置也可以由一个单元或装置通过软件或者硬件来实现。第一、第二等词语用来表示名称，而并不表示任何特定的顺序。
最后应说明的是，以上实施例仅用以说明本发明的技术方案而非限制，尽管参照较佳实施例对本发明进行了详细说明，本领域的普通技术人员应当理解，可以对本发明的技术方案进行修改或等同替换，而不脱离本发明技术方案的精神和范围。

Claims (10)

1.一种基于DNN的配网网格动态资源规划方法，其特征在于，所述方法包括：
S1：获取待配电区域的历史配电数据，将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据，其中，所述历史配电网格数据是指所述待配电区域中每个供电单位的地理位置、地理类型、行政类型以及用电类型，所述历史配电资源数据是指所述待配电区域中每个供电单位的用电负荷；
S2：按照供电单元将所述标准配电网格数据划分成多个单元配电网格数据，逐个提取出所述单元配电网格数据的单元分区特征，根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组，其中，所述根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，包括：
S21：将所有的单元分区特征拆分成多个单元分区特征组，并为各个单元分区特征组随机筛选出初级单元分区中心特征；
S22：利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度：
Figure QLYQS_1
其中，
Figure QLYQS_4
是指所述单元特征匹配度，/>
Figure QLYQS_8
是指第/>
Figure QLYQS_10
个，/>
Figure QLYQS_2
是指所述初级单元分区中心特征的总维度，且所述初级单元分区中心特征的总维度与所述单元分区特征的总维度相同，/>
Figure QLYQS_7
是指所述初级单元分区中心特征中的第/>
Figure QLYQS_11
维特征，/>
Figure QLYQS_13
指所述单元分区特征中的第/>
Figure QLYQS_3
维特征，/>
Figure QLYQS_6
是指所述初级单元分区中心特征中的单元位置特征的横坐标，/>
Figure QLYQS_9
是指所述单元分区特征中的单元位置特征的横坐标，/>
Figure QLYQS_12
是指所述初级单元分区中心特征中的单元位置特征的纵坐标，/>
Figure QLYQS_5
是指所述单元分区特征中的单元位置特征的纵坐标；
S23：根据所述单元特征匹配度重新对所有的单元分区特征进行分组，得到多个次级单元分区特征组；
S24：计算出各个次级单元分区特征组对应的次级单元分区中心特征，并计算出各个次级单元分区中心特征与对应的所述初级单元分区中心特征之间的中心特征匹配度；
S25：根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，并根据各个单元分区特征类将所述待配电区域划分成多个初级配电网格区域；
S26：逐个对所述初级配电网格区域进行孤立点融合操作，得到配电网格区域；
S3：按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，逐个选取所述网格配电资源数据组中的网格配电资源数据作为目标网格配电资源数据，利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列；
S4：分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集；
S5：获取待配电区域的实时用电数据，利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整。
2.如权利要求1所述的基于DNN的配网网格动态资源规划方法，其特征在于，所述将所述历史配电网格数据清洗成标准配电网格数据，包括：
按照数据种类将所述历史配电网格数据拆分成多个单种类历史配电数据集；
逐个选取所述单种类历史配电数据集作为目标种类历史配电数据集，将所述目标种类历史配电数据集对应的数据类型作为目标数据类型，并获取所述目标种类历史配电数据集对应的数据值域；
根据所述目标数据类型从所述目标种类历史配电数据集中筛除乱码数据，得到目标种类初级配电数据集；
根据所述数据值域从所述目标种类初级配电数据集中筛除越位数据和重复数据，得到目标种类标准配电数据集，并将所有的目标种类标准配电数据集汇集成标准配电网格数据。
3.如权利要求1所述的基于DNN的配网网格动态资源规划方法，其特征在于，所述逐个提取出所述单元配电网格数据的单元分区特征，包括：
逐个选取所述单元配电网格数据作为目标单元配电网格数据，从所述目标单元配电网格数据中提取出单元位置数据、单元行政类型数据、单元地理类型数据以及单元用电类型数据；
对所述单元位置数据进行坐标系转化，得到单元位置特征，将所述单元行政类型数据词向量化成单元行政特征，将所述单元地理类型数据词向量化成单元地理特征，将所述单元用电类型数据词向量化成单元用电特征；
将所述单元位置特征、所述单元行政特征、所述单元地理特征以及所述单元用电特征汇集成所述目标单元配电网格数据的单元分区特征。
4.如权利要求1所述的基于DNN的配网网格动态资源规划方法，其特征在于，所述根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，包括：
将所有的中心特征匹配度的平均值作为标准中心特征匹配度，判断所述标准中心特征匹配度是否大于预设的匹配度阈值；
若是，则将所述次级单元分区中心特征作为初级单元分区中心特征，并返回所述利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度的步骤；
若否，则逐个将所述次级单元分区特征组作为单元分区特征类。
5.如权利要求1所述的基于DNN的配网网格动态资源规划方法，其特征在于，所述按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，包括：
逐个选取所述配电网格区域组中的配电网格区域作为目标配电网格区域，将所述标准配电资源数据中与所述目标配电网格区域对应的部分数据作为网格配电资源数据；
将所有的网格配电资源数据汇集成网格配电资源数据组。
6.如权利要求1所述的基于DNN的配网网格动态资源规划方法，其特征在于，所述利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列，包括：
按照由远到近的时间顺序对所述目标网格配电资源数据进行排序，得到时序网格配电资源数据；
从所述时序网格配电资源数据中提取出数据总时域，利用预设的时域窗口逐帧选取所述数据总时域中对应的窗口周期时域作为目标窗口周期时域；
从所述时序网格配电资源数据中提取出所述目标窗口周期时域对应的部分资源数据作为网格时序配电数据，并将所有的网格时序配电数据汇集成网格时序配电数据序列。
7.如权利要求1所述的基于DNN的配网网格动态资源规划方法，其特征在于，所述分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，包括：
对所述网格时序配电数据序列进行递归卷积，得到短期配电特征；
对所述网格时序配电数据序列进行跳转卷积，得到长期配电特征；
利用如下的配电特征连接算法对所述短期配电特征和所述长期配电特征进行特征融合，得到时序配电特征：
Figure QLYQS_14
其中，
Figure QLYQS_16
是指第/>
Figure QLYQS_22
时刻的所述时序配电特征，/>
Figure QLYQS_25
是所述短期配电特征的特征权重，/>
Figure QLYQS_17
是指第/>
Figure QLYQS_19
时刻的所述短期配电特征，/>
Figure QLYQS_23
是指第/>
Figure QLYQS_26
时刻，/>
Figure QLYQS_15
是指所述长期配电特征在跳转卷积时跳过的隐藏单元的数量，/>
Figure QLYQS_21
是指第/>
Figure QLYQS_24
时刻的所述长期配电特征的特征权重，/>
Figure QLYQS_27
是指第/>
Figure QLYQS_18
时刻的所述长期配电特征，/>
Figure QLYQS_20
是所述配电特征连接算法对应的融合系数；
利用多头注意力机制提取出所述网格时序配电数据序列对应的网格注意力配电特征。
8.如权利要求1所述的基于DNN的配网网格动态资源规划方法，其特征在于，所述利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，包括：
利用预设的初级网格配电模型生成所述目标网格配电特征对应的初级分析网格时序配电数据，并将所有的初级分析网格时序配电数据汇集成分析网格时序配电数据；
计算出所述分析网格时序配电数据与所述网格时序配电数据序列之间的损失值；
判断所述损失值是否小于预设的损失阈值；
若否，则根据所述损失值对所述初级网格配电模型的模型参数进行迭代更新，并返回所述利用预设的初级网格配电模型生成所述目标网格配电特征对应的初级分析网格时序配电数据的步骤；
若是，则将所述初级网格配电模型作为标准网格配电模型。
9.如权利要求1所述的基于DNN的配网网格动态资源规划方法，其特征在于，所述利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，包括：
按照所述配电网格区域组将所述实时用电数据划分成网格实时用电数据组；
逐个选取所述网格实时用电数据组中的网格实时用电数据作为目标网格实时用电数据，从所述标准网格配电模型集中选取出所述目标网格实时用电数据对应的标准网格配电模型作为目标标准网格配电模型；
利用所述目标标准网格配电模型计算出所述目标网格实时用电数据对应的实时配电数据，并将所有的实时配电数据汇集成实时配电数据集。
10.一种基于DNN的配网网格动态资源规划装置，其特征在于，所述装置包括：
数据清洗模块，用于获取待配电区域的历史配电数据，将所述历史配电数据划分为历史配电网格数据以及历史配电资源数据，将所述历史配电网格数据清洗成标准配电网格数据，将所述历史配电资源数据清洗成标准配电资源数据，其中，所述历史配电网格数据是指所述待配电区域中每个供电单位的地理位置、地理类型、行政类型以及用电类型，所述历史配电资源数据是指所述待配电区域中每个供电单位的用电负荷；
网格分割模块，用于按照供电单元将所述标准配电网格数据划分成多个单元配电网格数据，逐个提取出所述单元配电网格数据的单元分区特征，根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，并将所有的配电网格区域汇集成配电网格区域组，其中，所述根据所有的单元分区特征对所述待配电区域进行网格划分，得到多个配电网格区域，包括：将所有的单元分区特征拆分成多个单元分区特征组，并为各个单元分区特征组随机筛选出初级单元分区中心特征；利用如下的单元特征匹配度算法计算出各个初级单元分区中心特征与各个单元分区特征之间的单元特征匹配度：
Figure QLYQS_28
其中，
Figure QLYQS_32
是指所述单元特征匹配度，/>
Figure QLYQS_34
是指第/>
Figure QLYQS_37
个，/>
Figure QLYQS_29
是指所述初级单元分区中心特征的总维度，且所述初级单元分区中心特征的总维度与所述单元分区特征的总维度相同，/>
Figure QLYQS_35
是指所述初级单元分区中心特征中的第/>
Figure QLYQS_36
维特征，/>
Figure QLYQS_39
指所述单元分区特征中的第/>
Figure QLYQS_31
维特征，/>
Figure QLYQS_33
是指所述初级单元分区中心特征中的单元位置特征的横坐标，/>
Figure QLYQS_38
是指所述单元分区特征中的单元位置特征的横坐标，/>
Figure QLYQS_40
是指所述初级单元分区中心特征中的单元位置特征的纵坐标，/>
Figure QLYQS_30
是指所述单元分区特征中的单元位置特征的纵坐标；根据所述单元特征匹配度重新对所有的单元分区特征进行分组，得到多个次级单元分区特征组；计算出各个次级单元分区特征组对应的次级单元分区中心特征，并计算出各个次级单元分区中心特征与对应的所述初级单元分区中心特征之间的中心特征匹配度；根据所有的中心特征匹配度将各个次级单元分区特征组迭代更新成单元分区特征类，并根据各个单元分区特征类将所述待配电区域划分成多个初级配电网格区域；逐个对所述初级配电网格区域进行孤立点融合操作，得到配电网格区域；
数据分割模块，用于按照所述配电网格区域组将所述标准配电资源数据划分成网格配电资源数据组，逐个选取所述网格配电资源数据组中的网格配电资源数据作为目标网格配电资源数据，利用预设的时域窗口提取出所述目标网格配电资源数据对应的网格时序配电数据序列；
模型训练模块，用于分别提取出所述网格时序配电数据序列对应的网格时序配电特征和网格注意力配电特征，将所述网格时序配电特征和所述网格注意力配电特征融合成目标网格配电特征，利用所有的目标网格配电特征和所述网格时序配电数据序列对预设的初级网格配电模型进行训练，得到标准网格配电模型，并将所有的标准网格配电模型汇集成标准网格配电模型集；
资源规划模块，用于获取待配电区域的实时用电数据，利用所述标准网格配电模型集分析出所述实时用电数据对应的实时配电数据集，根据所述实时配电数据集对所述待配电区域进行供电调整。
CN202310313701.XA 2023-03-28 2023-03-28 一种基于dnn的配网网格动态资源规划方法和装置 Active CN116090795B (zh)

Priority Applications (1)

Application Number Priority Date Filing Date Title
CN202310313701.XA CN116090795B (zh) 2023-03-28 2023-03-28 一种基于dnn的配网网格动态资源规划方法和装置

Applications Claiming Priority (1)

Application Number Priority Date Filing Date Title
CN202310313701.XA CN116090795B (zh) 2023-03-28 2023-03-28 一种基于dnn的配网网格动态资源规划方法和装置

Publications (2)

Publication Number Publication Date
CN116090795A CN116090795A (zh) 2023-05-09
CN116090795B true CN116090795B (zh) 2023-07-14

Family

ID=86201049

Family Applications (1)

Application Number Title Priority Date Filing Date
CN202310313701.XA Active CN116090795B (zh) 2023-03-28 2023-03-28 一种基于dnn的配网网格动态资源规划方法和装置

Country Status (1)

Country Link
CN (1) CN116090795B (zh)

Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991718A (zh) * 2019-11-25 2020-04-10 国网河北省电力有限公司高邑县供电分公司 一种配电网网格化规划方法

Family Cites Families (4)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
WO2019216449A1 (ko) * 2018-05-09 2019-11-14 주식회사 알고리고 전력수요 데이터와 이종데이터의 시공간적 융합을 통한 시계열 인공신경망 전기차 전력수요예측 방법 및 장치
CN115187134A (zh) * 2022-08-05 2022-10-14 国网河北省电力有限公司经济技术研究院 基于网格的配电网规划方法、装置及终端设备
CN115758255B (zh) * 2023-01-10 2023-05-05 佰聆数据股份有限公司 一种融合模型下的用电异常行为分析方法和装置
CN115795329B (zh) * 2023-02-06 2023-04-11 佰聆数据股份有限公司 一种基于大数据网格下的用电异常行为分析方法和装置

Patent Citations (1)

* Cited by examiner, † Cited by third party
Publication number Priority date Publication date Assignee Title
CN110991718A (zh) * 2019-11-25 2020-04-10 国网河北省电力有限公司高邑县供电分公司 一种配电网网格化规划方法

Also Published As

Publication number Publication date
CN116090795A (zh) 2023-05-09

Similar Documents

Publication Publication Date Title
Huang et al. Forecasting hourly solar irradiance using hybrid wavelet transformation and Elman model in smart grid
CN108446293B (zh) 一种基于城市多源异构数据构建城市画像的方法
Ozkan et al. A novel wind power forecast model: Statistical hybrid wind power forecast technique (SHWIP)
US20190155234A1 (en) Modeling and calculating normalized aggregate power of renewable energy source stations
CN109508823B (zh) 一种基于场景分析法的配电网中分布式电源规划方法
CN106021508A (zh) 基于社交媒体的突发事件应急信息挖掘方法
CN106529731A (zh) 一种区域电网光伏电站集群划分方法
CN115795329B (zh) 一种基于大数据网格下的用电异常行为分析方法和装置
CN112925870B (zh) 一种人口空间化方法及***
CN115758255B (zh) 一种融合模型下的用电异常行为分析方法和装置
CN112149887A (zh) 一种基于数据时空特征的pm2.5浓度预测方法
CN111797132A (zh) 考虑时空相关性的多可再生能源电站功率场景生成方法
CN108345662A (zh) 一种考虑用户分布区域差异的签到微博数据加权统计方法
CN116090795B (zh) 一种基于dnn的配网网格动态资源规划方法和装置
CN112486676B (zh) 一种基于边缘计算的数据共享分发装置
CN114282336A (zh) 一种新能源电站出力场景生成方法及***
Chen et al. Graph neural network-based wind farm cluster speed prediction
Zhang et al. Graph neural network based short-term solar irradiance forcasting model considering surrounding meteorological factors
CN114511239B (zh) 土壤重金属污染风险区划分方法、装置、电子设备及介质
Colak et al. Automatic sunspot classification for real-time forecasting of solar activities
CN114117064A (zh) 一种基于多时间粒度的知识动态演化方法及应用
CN110991083B (zh) 一种光伏电站模型确定方法、装置、设备及储存介质
Engerer et al. Real-time simulations of 15,000+ distributed PV arrays at sub-grid level using the regional PV simulation system (RPSS)
CN112000389A (zh) 一种配置推荐方法、***、装置及计算机存储介质
Jiang et al. Understanding Base Stations' Behaviors and Activities with Big Data Analysis

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