CN117455269B - 雪花型配电网供电安全预测方法、装置、设备和存储介质 - Google Patents
雪花型配电网供电安全预测方法、装置、设备和存储介质 Download PDFInfo
- Publication number
- CN117455269B CN117455269B CN202311770637.4A CN202311770637A CN117455269B CN 117455269 B CN117455269 B CN 117455269B CN 202311770637 A CN202311770637 A CN 202311770637A CN 117455269 B CN117455269 B CN 117455269B
- Authority
- CN
- China
- Prior art keywords
- target
- index
- distribution network
- model
- power distribution
- 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
Links
- 241000533950 Leucojum Species 0.000 title claims abstract description 91
- 238000000034 method Methods 0.000 title claims abstract description 43
- 230000001364 causal effect Effects 0.000 claims abstract description 51
- 238000012546 transfer Methods 0.000 claims description 95
- 239000011159 matrix material Substances 0.000 claims description 26
- 238000012360 testing method Methods 0.000 claims description 24
- 238000010238 partial least squares regression Methods 0.000 claims description 17
- 230000008859 change Effects 0.000 claims description 7
- 238000012886 linear function Methods 0.000 claims description 6
- 238000004590 computer program Methods 0.000 claims description 4
- 230000000694 effects Effects 0.000 abstract description 4
- 238000010586 diagram Methods 0.000 description 28
- 238000012795 verification Methods 0.000 description 17
- 238000004088 simulation Methods 0.000 description 12
- 238000004891 communication Methods 0.000 description 5
- 230000008569 process Effects 0.000 description 5
- 230000009471 action Effects 0.000 description 4
- 238000004458 analytical method Methods 0.000 description 4
- 230000008901 benefit Effects 0.000 description 4
- 230000007774 longterm Effects 0.000 description 4
- 238000007726 management method Methods 0.000 description 4
- 230000007246 mechanism Effects 0.000 description 4
- 230000009466 transformation Effects 0.000 description 4
- 230000006399 behavior Effects 0.000 description 3
- 238000011161 development Methods 0.000 description 3
- 230000004044 response Effects 0.000 description 3
- 230000000007 visual effect Effects 0.000 description 3
- 238000004364 calculation method Methods 0.000 description 2
- 238000012423 maintenance Methods 0.000 description 2
- 238000010200 validation analysis Methods 0.000 description 2
- 238000009825 accumulation Methods 0.000 description 1
- 238000004422 calculation algorithm Methods 0.000 description 1
- 238000009472 formulation Methods 0.000 description 1
- 230000006872 improvement Effects 0.000 description 1
- 238000013507 mapping Methods 0.000 description 1
- 239000000203 mixture Substances 0.000 description 1
- 238000012986 modification Methods 0.000 description 1
- 230000004048 modification Effects 0.000 description 1
- 238000012544 monitoring process Methods 0.000 description 1
- 230000003287 optical effect Effects 0.000 description 1
- 238000012545 processing Methods 0.000 description 1
- 238000013139 quantization 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
- 238000010206 sensitivity analysis Methods 0.000 description 1
- 230000003068 static effect Effects 0.000 description 1
- 238000007619 statistical method Methods 0.000 description 1
- 238000013519 translation Methods 0.000 description 1
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
- G06Q10/06—Resources, workflows, human or project management; Enterprise or organisation planning; Enterprise or organisation modelling
- G06Q10/063—Operations research, analysis or management
- G06Q10/0637—Strategic management or analysis, e.g. setting a goal or target of an organisation; Planning actions based on goals; Analysis or evaluation of effectiveness of goals
- G06Q10/06375—Prediction of business process outcome or impact based on a proposed change
-
- 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
- G06Q10/067—Enterprise or organisation modelling
-
- 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
- Business, Economics & Management (AREA)
- Human Resources & Organizations (AREA)
- Engineering & Computer Science (AREA)
- Strategic Management (AREA)
- Economics (AREA)
- Entrepreneurship & Innovation (AREA)
- General Physics & Mathematics (AREA)
- Physics & Mathematics (AREA)
- Theoretical Computer Science (AREA)
- Marketing (AREA)
- Educational Administration (AREA)
- General Business, Economics & Management (AREA)
- Tourism & Hospitality (AREA)
- Quality & Reliability (AREA)
- Game Theory and Decision Science (AREA)
- Operations Research (AREA)
- Development Economics (AREA)
- Health & Medical Sciences (AREA)
- Public Health (AREA)
- Water Supply & Treatment (AREA)
- General Health & Medical Sciences (AREA)
- Primary Health Care (AREA)
- Supply And Distribution Of Alternating Current (AREA)
Abstract
本发明实施例提供一种雪花型配电网供电安全预测方法、装置、设备和存储介质,该方法包括:确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素;根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图;根据因果关系图,建立用于预测供电安全的动力学模型;根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测,解决了现有技术对雪花型配电网的供电安全情况预测准确性较低的技术问题,达到了对雪花型配电网的供电安全情况准确预测的技术效果。
Description
技术领域
本发明属于电力技术领域,特别涉及一种雪花型配电网供电安全预测方法、装置、设备和存储介质。
背景技术
雪花型配电网供电安全管理是确保电网运行安全和用户用电安全的关键,匹雪花型配电网作为供电***的最后一公里,直接影响用户的用电质量和安全,一旦发生事故,不仅会造成设备的损坏和停电,还会威胁相关人员的生命财产安全,因此,雪花型配电网的供电安全管理尤为重要。
现有技术中,通常基于历史数据对雪花型配电网的单项指标进行趋势平移、曲线拟合等方式,得到未来年份的雪花型配电网供电安全情况的预测值,预测准确性较差,也有基于随机森林法、向量机等方式对未来供电安全情况进行预测,但这些算法更适用于短期预测和静态预测,且会忽略供电***中多个影响因素之间的关系,导致预测准确率不高。
可见,现有技术中存在对雪花型配电网的供电安全情况预测准确性较低的技术问题。
发明内容
本发明提出一种雪花型配电网供电安全预测方法、装置、设备及存储介质,以解决现有技术中对雪花型配电网的供电安全情况预测准确性较低的的技术问题。
第一方面,本发明提供了一种雪花型配电网供电安全预测方法,包括:
确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素;
根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图;
根据因果关系图,建立用于预测供电安全的动力学模型;
根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测。
进一步的,确定雪花型配电网的至少一个目标指标,包括:
获取影响供电安全的至少一个初始指标,并根据初始指标生成鱼骨图,其中,鱼骨图用于梳理初始指标的层次;
根据鱼骨图,确定目标指标,其中,目标指标包括容载比和负荷转移率。
进一步的,确定目标指标对应的至少一个目标特征,包括:
根据目标指标生成第一矩阵;
根据影响目标指标的至少一个初始特征,并根据初始特征生成第二矩阵;
根据第一矩阵和第二矩阵,生成PLS回归模型;
根据PLS回归模型计算每个初始特征的VIP得分;
根据VIP得分,确定目标特征。
进一步的,根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图,包括:
将目标指标和目标特征作为节点,其中,节点包括影响节点和被影响节点;
使用带箭头的边连接存在关系的节点,得到因果关系图,其中,箭头的方向由影响因素指向被影响因素。
进一步的,根据因果关系图,建立用于预测供电安全的动力学模型,包括:
根据因果关系图,生成栈流图;
根据栈流图,建立用于预测容载比的第一子模型,其中,第一子模型包括第一状态变量方程、第一速率方程和第一辅助方程,第一状态变量方程为:,/>是负荷转移率/>时刻的值,是负荷转移率初始时刻/>的值,/>是负荷转移率在t时刻的变化速率,是负荷转移率的输入速率,/>是负荷转移率的输出速率,第一速率方程为:/>,/>是负荷转移率的辅助变量值,是负荷转移率的外生变量值,/>为线性函数,第一辅助方程为:,/>是除负荷转移率的辅助变量/>之外的其他辅助变量;
根据栈流图,建立用于预测负荷转移率的第二子模型,其中,第二子模型包括第二状态变量方程、第二速率方程和第二辅助方程,第二状态变量方程为:,是容载比/>时刻的值,/>是容载比初始时刻/>的值,/>是容载比在t时刻变化的速率,/>是容载比的输入速率,/>是容载比的输出速率,第二速率方程为:/>,/>是容载比的辅助变量的值,/>是容载比的外生变量的值,第二辅助方程为:,/>是除容载比的辅助变量/>之外的其他辅助变量。
进一步的,根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测,包括:
预测雪花型配电网在将来预设时间段的容载比和负荷转移率;
根据雪花型配电网在将来预设时间段的容载比和负荷转移率,预测雪花型配电网在将来预设时间段的供电安全情况。
第二方面,本发明提供了一种雪花型配电网供电安全预测装置,包括:
确定模块,用于确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素;
生成模块,用于根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图;
建立模块,用于根据因果关系图,建立用于预测供电安全的动力学模型;
预测模块,用于根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测。
进一步的,确定模块包括获取单元和第一确定单元;
获取单元,用于获取影响供电安全的至少一个初始指标,并根据初始指标生成鱼骨图,其中,鱼骨图用于梳理初始指标的层次;
第一确定单元,用于根据鱼骨图,确定目标指标,其中,目标指标包括容载比和负荷转移率。
进一步的,确定模块还包括第一生成单元、第二生成单元、第三生成单元、计算单元和第二确定单元;
第一生成单元,用于根据目标指标生成第一矩阵;
第二生成单元,用于根据影响目标指标的至少一个初始特征,并根据初始特征生成第二矩阵;
第三生成单元,用于根据第一矩阵和第二矩阵,生成PLS回归模型;
计算单元,用于根据PLS回归模型计算每个初始特征的VIP得分;
第二确定单元,用于根据VIP得分,确定目标特征。
进一步的,生成模块包括节点确定单元和边生成单元;
节点确定单元,用于将目标指标和目标特征作为节点,其中,节点包括影响节点和被影响节点;
边生成单元,用于使用带箭头的边连接存在关系的节点,得到因果关系图,其中,箭头的方向由影响因素指向被影响因素。
进一步的,建立模块包括第四生成单元、第一建立单元和第二建立单元;
第四生成单元,用于根据因果关系图,生成栈流图;
第一建立单元,用于根据栈流图,建立用于预测容载比的第一子模型,其中,第一子模型包括第一状态变量方程、第一速率方程和第一辅助方程,第一状态变量方程为:,/>是负荷转移率/>时刻的值,是负荷转移率初始时刻/>的值,/>是负荷转移率在t时刻的变化速率,是负荷转移率的输入速率,/>是负荷转移率的输出速率,第一速率方程为:/>,/>是负荷转移率的辅助变量值,是负荷转移率的外生变量值,/>为线性函数,第一辅助方程为:,/>是除负荷转移率的辅助变量/>之外的其他辅助变量;
第二建立单元,用于根据栈流图,建立用于预测负荷转移率的第二子模型,其中,第二子模型包括第二状态变量方程、第二速率方程和第二辅助方程,第二状态变量方程为:,是容载比/>时刻的值,/>是容载比初始时刻/>的值,/>是容载比在t时刻变化的速率,/>是容载比的输入速率,/>是容载比的输出速率,第二速率方程为:/>,/>是容载比的辅助变量的值,/>是容载比的外生变量的值,第二辅助方程为:,/>是除容载比的辅助变量/>之外的其他辅助变量。
进一步的,预测模块包括第一预测单元和第二预测单元;
第一预测单元,用于预测雪花型配电网在将来预设时间段的容载比和负荷转移率;
第二预测单元,用于根据雪花型配电网在将来预设时间段的容载比和负荷转移率,预测雪花型配电网在将来预设时间段的供电安全情况。
第三方面,本发明提供了一种电子设备,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当一个或多个程序被一个或多个处理器执行,使得一个或多个处理器实现如第一方面所述的雪花型配电网供电安全预测方法。
第四方面,本发明还提供了一种计算机可读存储介质,其上存储有计算机程序,该计算机程序被处理器执行时实现如第一方面所述的雪花型配电网供电安全预测方法。
本发明实施例提供一种雪花型配电网供电安全预测方法、装置、设备和存储介质,该方法包括:确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素,通过根据影响雪花型配电网供电安全的指标及指标对应的主要电力因素,对雪花型配电网将来的供电安全进行预测,提高了预测准确性;根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图,通过对目标指标和影响因素进行层次划分,充分考虑了各指标和因素间的相互关系,提高了预测准确性;根据因果关系图,建立用于预测供电安全的动力学模型,利用了动力学模型在动态数据预测及长期预测的优越性,提高了预测准确性;根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测,解决了现有技术对雪花型配电网的供电安全情况预测准确性较低的技术问题,达到了对雪花型配电网的供电安全情况准确预测的技术效果。
本发明的其它特征和优点将在随后的说明书中阐述,并且,部分地从说明书中变得显而易见,或者通过实施本发明而了解。本发明的目的和其他优点可通过在说明书、权利要求书以及附图中所指出的结构来实现和获得。
附图说明
为了更清楚地说明本发明实施例或现有技术中的技术方案,下面将对实施例或现有技术描述中所需要使用的附图作一简单地介绍,显而易见地,下面描述中的附图是本发明的一些实施例,对于本领域普通技术人员来讲,在不付出创造性劳动的前提下,还可以根据这些附图获得其他的附图。
图1为本发明实施例提供的一种雪花型配电网供电安全预测方法的流程示意图;
图2为本发明实施例提供的由鱼骨图梳理初始指标层次的示意图;
图3为本发明实施例提供的由PLS-VIP方法确定目标特征的示意图;
图4为本发明实施例提供的负荷转移率及对应的目标特征的关系示意图;
图5为本发明实施例提供的容载比及对应的目标特征的关系示意图;
图6为本发明实施例提供的因果关系图的示意图;
图7为本发明实施例提供的栈流图的示意图;
图8为本发明实施例提供的验证区域2010年-2020年的负荷转移率预测值与实际值的对比图;
图9为本发明实施例提供的一种雪花型配电网供电安全预测装置的结构示意图;
图10为本发明实施例提供的一种电子设备的结构示意图。
具体实施方式
为使本发明实施例的目的、技术方案和优点更加清楚,下面将结合本发明实施例中的附图,对本发明实施例中的技术方案进行清楚、完整地说明,显然,所描述的实施例是本发明一部分实施例,而不是全部的实施例。基于本发明中的实施例,本领域普通技术人员在没有做出创造性劳动前提下所获得的所有其他实施例,都属于本发明保护的范围。
下文的公开提供了许多不同的实施例或例子用来实现本发明的不同结构。为了简化本发明的公开,下文中对特定例子的部件和设置进行描述。当然,它们仅仅为示例,并且目的不在于限制本发明。此外,本发明可以在不同例子中重复参考数字和/或字母。这种重复是为了简化和清楚的目的,其本身不指示所讨论各种实施例和/或设置之间的关系。
为了解决现有技术中存在的对雪花型配电网的供电安全情况预测准确性较低的技术问题,本发明实施例提供了一种雪花型配电网供电安全预测方法,如图1所示:图1为本发明实施例提供的一种雪花型配电网供电安全预测的流程示意图,该方法包括:
S101:确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素;
S102:根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图;
S103:根据因果关系图,建立用于预测供电安全的动力学模型;
S104:根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测。
本发明实施例通过确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素,通过根据影响雪花型配电网供电安全的指标及指标对应的主要电力因素,对雪花型配电网将来的供电安全进行预测,提高了预测准确性;根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图,通过对目标指标和影响因素进行层次划分,充分考虑了各指标和因素间的相互关系,提高了预测准确性;根据因果关系图,建立用于预测供电安全的动力学模型,利用了动力学模型在动态数据预测及长期预测的优越性,提高了预测准确性;根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测,解决了现有技术对雪花型配电网的供电安全情况预测准确性较低的技术问题,达到了对雪花型配电网的供电安全情况准确预测的技术效果。
在一个可选的实施例中,确定雪花型配电网的至少一个目标指标,包括:
获取影响供电安全的至少一个初始指标,并根据初始指标生成鱼骨图,其中,鱼骨图用于梳理初始指标的层次;
根据鱼骨图,确定目标指标,其中,目标指标包括容载比和负荷转移率。
需要说明的是,可以通过专家法获取初始指标,专家法作用机理是收集领域相关的专业知识,通过问卷调查、访谈、小组讨论等方式提供其专业意见和知识,回答研究问题,将专家提供的信息进行整合和分析以形成定性结论或建议,得到初始指标,然后构建鱼骨图用于从初始指标中得到目标指标,根据鱼骨图确定目标指标的方式本发明实施例中不作限定,可以根据鱼骨图中梳理出的信息层次得到目标指标。
在一个可选的实施例中,如图2所示:图2为本发明实施例提供的由鱼骨图梳理初始指标层次的示意图,根据实际需求明确需要进行预测的具体指标,影响雪花型配电网指标的维度众多,先采用文献整理法和专家讨论法相结合的方式绘制指标的影响维度鱼骨图,再对影响维度的作用关系层级进行梳理,采用文献整理和专家讨论的方式绘制鱼骨图,总结影响指标的维度。
在一个可选的实施例中,确定目标指标对应的至少一个目标特征,包括:
根据目标指标生成第一矩阵;
根据影响目标指标的至少一个初始特征,并根据初始特征生成第二矩阵;
根据第一矩阵和第二矩阵,生成PLS回归模型;
根据PLS回归模型计算每个初始特征的VIP得分;
根据VIP得分,确定目标特征。
在一个可选的实施例中,如图3所示:图3为本发明实施例提供的由PLS-VIP方法确定目标特征的示意图,具体包括:标准化矩阵和/>,利用最大最小值方法进行数据归一化,建立影响因素矩阵/>和目标变量矩阵/>。通过解释性检验和LOO交叉检验确定潜在变量个数,建立初始模型以包含所有的影响因素,建立偏最小二乘回归模型,获取响应变量与解释变量之间的关系,通过将解释变量与响应变量的协方差最大化来创建潜在变量,每个主成分都与响应变量和解释变量之间的权重向量相关联,权重向量用于将原始的解释变量投影到主成分空间中。计算变量的VIP值,通过计算各解释变量对主成分的贡献度以衡量解释变量的重要性;VIP值高的解释变量对模型的贡献大,反之贡献小。开展解释性检验以评估每个潜在变量对总方差的贡献程度,根据方差比例选择解释性检验的阈值。按照其对总方差的贡献程度排序,从初始模型中逐步选择VIP值大于设定阈值的潜在变量,计算已选择潜在变量的总方差贡献。后续每一步均将下一个最重要的潜在变量添加到模型中,再次计算已选择潜在变量的总方差贡献比例,当已选择的潜在变量总方差贡献比例超过了预定的解释性检验阈值时,停止选择潜在变量。使用已选择的潜在变量构建模型,并使用LOO交叉检验来评估模型的性能;每次LOO交叉检验时,将一个潜在变量从数据集中移除,然后使用剩余的潜在变量进行模型拟合;使用拟合的模型对被移除的潜在变量进行预测,并计算预测误差,可以使用均方根误差进行性能度量。重复以上步骤,计算代表模型平均性能的LOO交叉检验得分,根据交叉检验得分选择潜在变量的数量,以最小化LOO-CV得分。选择具有最低LOO-CV得分的潜在变量数量,即可获得预测性能最好的模型。通过结合解释性检验和LOO交叉检验,选择适合的潜在变量数量使模型既能够解释足够的方差,又能提供良好的预测性能。选择具有最高信息价值潜在变量数量的同时,也避免了过度拟合。将筛选后的潜在变量映射为原影响因素,这些影响因素即为主要影响因素,作为***动力学模型的输入变量。
在上述实施例的基础上,本发明提供了一个可选的实施例,如表1所示:表1提供了影响雪花型配电网的供电安全的多个初始指标,以及每个初始指标对应的多个初始特征,通过鱼骨图进行层次分析得到目标指标。得到目标指标和对应的初始特征后,使用PLS-VIP对指标的影响因素VIP值进行计算初始特征的VIP值,得到目标特征。
表1
如表2和表3所示:表2提供了使用PLS-VIP法计算目标指标对应的多个初始特征的VIP值。表3提供了根据初始特征的VIP值筛选出的目标特征。
表2
序号 | 影响因素 | VIP值 | 序号 | 影响因素 | VIP值 |
1 | 网架投资 (容载比) | 1.3208 | 13 | 人口增速 (容载比) | 1.4947 |
2 | 110kV变电容量 (容载比) | 1.3112 | 14 | 人口增长率 (容载比) | 1.3874 |
3 | 35kV变电容量 (容载比) | 1.5307 | 15 | GDP (容载比) | 1.3603 |
4 | 10kV变电容量 (容载比) | 1.2312 | 16 | GDP增速 (容载比) | 1.3409 |
5 | 110kV容载比 (容载比) | 1.3975 | 17 | GDP增长率 (容载比) | 1.3232 |
6 | 35kV容载比 (容载比) | 1.5575 | 1 | 电网投资 (负荷转移率) | 1.5009 |
7 | 10kV容载比 (容载比) | 1.6521 | 2 | 完善网架类投资占比(负荷转移率) | 1.4762 |
8 | 110kV供电负荷 (容载比) | 1.2293 | 3 | 10kV满足N-1主变占比 (负荷转移率) | 1.5015 |
9 | 35kV供电负荷 (容载比) | 1.4161 | 4 | 10kV满足N-1线路占比 (负荷转移率) | 1.0569 |
10 | 10kV供电负荷 (容载比) | 1.3939 | 5 | 35kV满足N-1主变占比 (负荷转移率) | 1.3328 |
11 | 全社会最大负荷 (容载比) | 1.2898 | 6 | 35kV满足N-1线路占比 (负荷转移率) | 1.3871 |
12 | 供电人口 (容载比) | 1.4961 | 7 | 110kV满足N-1主变占比 (负荷转移率) | 1.2026 |
8 | 110kV满足N-1线路占比 (负荷转移率) | 1.2201 |
表3
在一个可选的实施例中,如图4和图5所示:图4为本发明实施例提供的负荷转移率及对应的目标特征的关系示意图,图5为本发明实施例提供的容载比及对应的目标特征的关系示意图。将预测指标的主要影响因素划分为不同的层次可以使层级结构清晰分明、便于理清主要影响因素之间庞杂的相互关系。使用***动力学仿真模型的目的是利用***动力学模型刻画某区域雪花型配电网状况发展与变化过程,理清各指标主要影响因素之间的逻辑关系,准确合理地设计变量描述层次结构关系。对于层级作用关系不明朗的影响因素,可结合其他方法帮助梳理,以简化动力学建模过程。建模后,通过适当简化及量化处理建立影响因素间的***动力学关系方程,模拟该区域雪花型配电网***的动态发展过程并预测其未来的指标情况。
在一个可选的实施例中,根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图,包括:
将目标指标和目标特征作为节点,其中,节点包括影响节点和被影响节点;
使用带箭头的边连接存在关系的节点,得到因果关系图,其中,箭头的方向由影响因素指向被影响因素。
在一个可选的实施例中,如图6所示,图6为本发明实施例提供的因果关系图的示意图,将目标指标和目标特征间的作用关系层级以节点的形式表示在图中,箭头来表示因果关系,箭头指向表示因果关系的方向,再根据业务逻辑确定因果关系是正向还是负向,寻找***图中的反馈环路和延迟结构,并在此基础上进行完善和美化。
在一个可选的实施例中,根据因果关系图,建立用于预测供电安全的动力学模型,包括:
根据因果关系图,生成栈流图;
在一个可选的实施例中,如图7所示,图7为本发明实施例提供的栈流图的示意图,将因果关系图转化为栈流图方便可以对***中的数量进行量化和测量,方便将变量和数据输入***动力学软件进行模拟和分析,栈流图中流入和流出代表影响积累的方向和过程。从因果关系图中选择供电人口、GDP、GDP增长率为起点来建立栈流图,根据因果关系图中的箭头方向,确定信息流动的方向,形成信息的流动路径,按照箭头的方向,逐步添加其他节点直到涵盖整个因果关系图的信息流动路径。
根据栈流图,建立用于预测容载比的第一子模型,其中,第一子模型包括第一状态变量方程、第一速率方程和第一辅助方程,第一状态变量方程为:,/>是负荷转移率/>时刻的值,是负荷转移率初始时刻/>的值,/>是负荷转移率在t时刻的变化速率,是负荷转移率的输入速率,/>是负荷转移率的输出速率,第一速率方程为:/>,/>是负荷转移率的辅助变量值,是负荷转移率的外生变量值,/>为线性函数,第一辅助方程为:,/>是除负荷转移率的辅助变量/>之外的其他辅助变量;
根据栈流图,建立用于预测负荷转移率的第二子模型,其中,第二子模型包括第二状态变量方程、第二速率方程和第二辅助方程,第二状态变量方程为:,是容载比/>时刻的值,/>是容载比初始时刻/>的值,/>是容载比在t时刻变化的速率,/>是容载比的输入速率,/>是容载比的输出速率,第二速率方程为:/>,/>是容载比的辅助变量的值,/>是容载比的外生变量的值,第二辅助方程为:,/>是除容载比的辅助变量/>之外的其他辅助变量。
在上述实施例的基础上,本发明还提供了一种可选的实施例,如表4所示:表4提供了栈流图中每个节点的在动力学模型中的类型,包括A(auxiliary)、R(rate)、E(exogenous)等。
表4
本发明实施例中的负荷转移率和容载比均为水平变量,模型方程的建立主要参考了历史统计资料,并利用SPSS回归分析寻找变量间的相关关系,将TJ市某区域作为验证区域,模型输入数据依据验证区域2010-2020年历史数据,变量关系方程式使用Vensim PLE软件的可视化操作界面输入。
在一个可选的实施例中,根据验证结果解释和调整模型,如果模型能够较好地拟合实际观测数据,并且通过敏感性分析得到合理的结论,则表明模型验证较为成功。如果模型模拟结果与实际观测数据差异较大,则需要根据验证结果对模型进行调整和优化,例如,可能需要重新估计参数值,调整初始条件或结构方程,以提高模型的拟合性和预测能力。具体到应用软件进行模型验证时,模型的验证主要分为直观逻辑验证和运行结果验证两部分,重点在于对运行结果的验证。直观逻辑验证一是直观检查***目标、划分的边界是否合理,变量之间的逻辑因果关系是否清晰,模型方程是否合理、正确;二是通过软件在计算机上运行模型,进行方程检验和量纲检验以确保仿真模型方程表达的正确性。运行结果验证就是检验模型行为与实际***的一致性,主要采用统计方法对***动力学模型的模拟结果进行检验。一般将模型的运行结果与历史数据相比较,以仿真数据偏离历史数据的程度大小,检验模型行为与实际***是否一致。相对偏离度公式为:,其中,是/>年/>因素模拟结果的相对偏离度;/>是/>年/>因素的模拟运行结果,/> 年/>因素的历史数据,通常/>的变量数量占70%以上且相对偏离度不超过10%,则认为模型行为良好,否则,需要修改模型及相关参数重新验证。
在一个可选的实施例中,根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测,包括:
预测雪花型配电网在将来预设时间段的容载比和负荷转移率;
根据雪花型配电网在将来预设时间段的容载比和负荷转移率,预测雪花型配电网在将来预设时间段的供电安全情况。
具体的,可以根据容载比和雪花型配电网的供电安全间的关系,以及负荷转移率和雪花型配电网的供电安全间的关系,对和雪花型配电网在将来预设时间段的供电安全情况进行预测,其中,容载比和雪花型配电网的供电安全间的关系,以及负荷转移率和雪花型配电网的供电安全间的关系可以由相关人员预先得到。
在一个可选的实施例中,以TJ市某区域作为验证区域,将验证区域2010年至2025年的配电***为例进行历史仿真,主要输出指标是负荷转移率以及容载比,GDP初始值设定为14013.4亿元,人口设定为6589万人,该地区电网投资初始值为19.73 亿元,如表5和表6所示,表5提供了验证区域2010年-2020年的负荷转移率预测值与实际值的对比结果,表6提供了验证区域2010年-2020年的容载比预测值与实际值的对比结果。
表5
时间 | 负荷转移率仿真值 | 负荷转移率实际值 | 误差值 | 相对误差(%) |
2010(1) | 57.69 | 60.06 | -2.37 | -3.95 |
2010(2) | 59.15 | 57.78 | 1.37 | 2.37 |
2010(3) | 59.32 | 61.45 | -2.13 | -3.47 |
2010(4) | 60.22 | 61.54 | -1.32 | -2.14 |
2011(1) | 60.98 | 63.56 | -2.58 | -4.06 |
2011(2) | 61.84 | 63.06 | -1.22 | -1.93 |
2011(3) | 62.52 | 65.12 | -2.6 | -3.99 |
2011(4) | 61.78 | 64.14 | -2.36 | -3.68 |
2012(1) | 59.72 | 65.09 | -5.37 | -8.25 |
2012(2) | 63.66 | 65.23 | -1.57 | -2.41 |
2012(3) | 64.76 | 68.13 | -3.37 | -4.95 |
2012(4) | 65.38 | 67.36 | -1.98 | -2.94 |
2013(1) | 65.32 | 68.98 | -3.66 | -5.31 |
2013(2) | 65.77 | 68.23 | -2.46 | -3.61 |
2013(3) | 65.34 | 69.99 | -4.65 | -6.64 |
2013(4) | 66.38 | 69.61 | -3.23 | -4.64 |
2014(1) | 66.11 | 70.38 | -4.27 | -6.07 |
2014(2) | 66.06 | 71.54 | -5.48 | -7.66 |
2014(3) | 66.17 | 71.97 | -5.8 | -8.06 |
2014(4) | 66.25 | 72.46 | -6.21 | -8.57 |
2015(1) | 65.01 | 72.34 | -7.33 | -10.14 |
2015(2) | 66.26 | 71.38 | -5.12 | -7.17 |
2015(3) | 65.34 | 73.01 | -7.67 | -10.51 |
2015(4) | 64.9 | 73.02 | -8.12 | -11.12 |
2016(1) | 66.05 | 72.52 | -6.47 | -8.92 |
2016(2) | 67.01 | 73.05 | -6.04 | -8.27 |
2016(3) | 66.44 | 72.88 | -6.44 | -8.84 |
2016(4) | 66.42 | 73.02 | -6.6 | -9.04 |
2017(1) | 66.44 | 74.01 | -7.57 | -10.23 |
2017(2) | 66.32 | 74.18 | -7.86 | -10.59 |
2017(3) | 66.47 | 73.23 | -6.76 | -9.23 |
2017(4) | 65.52 | 75.19 | -9.67 | -12.86 |
2018(1) | 66.73 | 71.89 | -5.16 | -7.178 |
2018(2) | 65.5 | 71.35 | -5.85 | -8.2 |
2018(3) | 65.09 | 72.03 | -6.94 | -9.63 |
2018(4) | 65.98 | 72.92 | -6.94 | -9.52 |
2019(1) | 62.74 | 67.75 | -5.01 | -7.39 |
2019(2) | 63.76 | 68.34 | -4.58 | -6.7 |
2019(3) | 63.28 | 67.97 | -4.69 | -6.9 |
2019(4) | 63.31 | 69.21 | -5.9 | -8.52 |
2020(1) | 64.54 | 70.33 | -5.79 | -8.23 |
2020(2) | 65.22 | 71.22 | -6 | -8.42 |
2020(3) | 63.78 | 72.01 | -8.23 | -11.43 |
2020(4) | 63.59 | 71.87 | -8.28 | -11.52 |
表6
时间 | 容载比仿真 | 实际容载比 | 误差值 | 相对误差(%) |
2010(1) | 1.74 | 1.73 | 0.01 | 0.58 |
2010(2) | 1.71 | 1.75 | -0.04 | -2.29 |
2010(3) | 1.72 | 1.78 | -0.06 | -3.37 |
2010(4) | 1.67 | 1.72 | -0.05 | -2.91 |
2011(1) | 1.63 | 1.74 | -0.11 | -6.32 |
2011(2) | 1.62 | 1.74 | -0.12 | -6.89 |
2011(3) | 1.64 | 1.77 | -0.13 | -7.34 |
2011(4) | 1.63 | 1.76 | -0.13 | -7.39 |
2012(1) | 1.59 | 1.71 | -0.12 | -7.02 |
2012(2) | 1.58 | 1.7 | -0.12 | -7.06 |
2012(3) | 1.54 | 1.7 | -0.16 | -9.41 |
2012(4) | 1.54 | 1.68 | -0.14 | -8.33 |
2013(1) | 1.59 | 1.67 | -0.08 | -4.79 |
2013(2) | 1.54 | 1.63 | -0.09 | -5.52 |
2013(3) | 1.55 | 1.63 | -0.08 | -4.91 |
2013(4) | 1.54 | 1.64 | -0.1 | -6.1 |
2014(1) | 1.55 | 1.72 | -0.17 | -9.88 |
2014(2) | 1.55 | 1.72 | -0.17 | -9.88 |
2014(3) | 1.56 | 1.73 | -0.17 | -9.83 |
2014(4) | 1.57 | 1.73 | -0.16 | -9.25 |
2015(1) | 1.58 | 1.71 | -0.13 | -7.6 |
2015(2) | 1.6 | 1.7 | -0.1 | -5.88 |
2015(3) | 1.61 | 1.72 | -0.11 | -6.4 |
2015(4) | 1.61 | 1.72 | -0.11 | -6.39 |
2016(1) | 1.63 | 1.71 | -0.08 | -4.68 |
2016(2) | 1.62 | 1.72 | -0.1 | -5.81 |
2016(3) | 1.62 | 1.74 | -0.12 | -6.9 |
2016(4) | 1.64 | 1.73 | -0.09 | -5.2 |
2017(1) | 1.63 | 1.7 | -0.07 | -4.12 |
2017(2) | 1.61 | 1.69 | -0.08 | -4.73 |
2017(3) | 1.6 | 1.72 | -0.12 | -6.98 |
2017(4) | 1.58 | 1.66 | -0.08 | -4.82 |
2018(1) | 1.57 | 1.7 | -0.13 | -7.65 |
2018(2) | 1.58 | 1.71 | -0.13 | -7.6 |
2018(3) | 1.58 | 1.7 | -0.12 | -7.06 |
2018(4) | 1.6 | 1.68 | -0.08 | -4.76 |
2019(1) | 1.6 | 1.71 | -0.11 | -6.43 |
2019(2) | 1.64 | 1.72 | -0.08 | -4.65 |
2019(3) | 1.64 | 1.73 | -0.09 | -5.2 |
2019(4) | 1.65 | 1.74 | -0.09 | -5.17 |
2020(1) | 1.66 | 1.74 | -0.08 | -4.6 |
2020(2) | 1.7 | 1.76 | -0.06 | -3.41 |
2020(3) | 1.73 | 1.78 | -0.05 | -2.81 |
2020(4) | 1.76 | 1.79 | -0.03 | -1.68 |
如图8所示,图8为本发明实施例提供的验证区域2010年-2020年的负荷转移率预测值与实际值的对比图。如表7所示,表7提供了目标指标的预测值及偏差幅值,预测结果的相对偏差均在3%,表明所提指标预测方法具有良好的预测精确度。
表7
指标 | 2020年实际统计值 | 2020年仿真预测值 | 偏差幅值 | 相对偏差 |
负荷转移率 | 72.69 | 72.11 | -0.58 | -0.80% |
容载比 | 1.82 | 1.81 | -0.01 | -0.55% |
需要说明的是,***动力学一个突出的优点在于能处理高阶次、非线性、复杂时变***问题,能够把***的机制分解成简单的各种实体和元素,因此能够把***中存在的复杂现象拆解成简单的有效机制,方便对***进行多种分析。通过对模型因果关系图的分析、对模型方程和变量的合理选取,大大提高了结果的预测精度,有助于准确预测雪花型配电网未来年份的真实状态。
本发明实施例提供的动力学模型与雪花型配电网指标预测相结合的方法,具有如下应用前景:
(1)长期规划和政策制定:10kV容载比、10kV变电容量、35kV容载比、35kV变电容量、投资规模等,对应着不同的规划方案,通过建立***动力学模型,可用于评估不同规划方案对容载比和负荷转移率的影响,从而制定可持续发展和容量规划策略。通过调整10kV容载比、35kV变电容量、投资规模等因素,还可获得优化容载比或负荷转移率的调控策略。
(2)风险管理:***动力学模型可以用于分析不同情景下容载比和负荷转移率的风险,帮助电网运营者制定风险管理策略,优化容量规划决策,及时升级或扩建设备,防止过载和不稳定情况的发生。
(3)容量规划和扩建:***动力学可以帮助规划者评估未来的负荷需求,预测***容量是否足够,以及是否需要升级或扩建设备,有助于优化容量规划决策,确保电网的可靠性和稳定性。
(4)设备状态监测和维护:通过建立***动力学模型,可以监测雪花型配电网中各种设备,如配电变压器、柱上开关、环网单元、线路等的状态,预测设备的寿命和维护需求,以提高设备的利用率和可靠性。
(5)电能质量分析:***动力学可以用于分析电力质量问题,从而确定问题的根本原因,并提供解决方案。
(6)电力市场仿真:在电力市场模拟中,***动力学方法可以用于模拟市场参与者的行为、定价机制和交易规则,以评估市场效率和竞争性。
基于相同的构思,本发明实施例提供了一种雪花型配电网供电安全预测装置,如图9所示:图9为本发明实施例提供的一种雪花型配电网供电安全预测装置的结构示意图,该装置包括:
确定模块201,用于确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素;
生成模块202,用于根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图;
建立模块203,用于根据因果关系图,建立用于预测供电安全的动力学模型;
预测模块204,用于根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测。
本发明实施例通过确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素,通过根据影响雪花型配电网供电安全的指标及指标对应的主要电力因素,对雪花型配电网将来的供电安全进行预测,提高了预测准确性;根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图,通过对目标指标和影响因素进行层次划分,充分考虑了各指标和因素间的相互关系,提高了预测准确性;根据因果关系图,建立用于预测供电安全的动力学模型,利用了动力学模型在动态数据预测及长期预测的优越性,提高了预测准确性;根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测,解决了现有技术对雪花型配电网的供电安全情况预测准确性较低的技术问题,达到了对雪花型配电网的供电安全情况准确预测的技术效果。
进一步的,确定模块201包括获取单元和第一确定单元;
获取单元,用于获取影响供电安全的至少一个初始指标,并根据初始指标生成鱼骨图,其中,鱼骨图用于梳理初始指标的层次;
第一确定单元,用于根据鱼骨图,确定目标指标,其中,目标指标包括容载比和负荷转移率。
进一步的,确定模块201还包括第一生成单元、第二生成单元、第三生成单元、计算单元和第二确定单元;
第一生成单元,用于根据目标指标生成第一矩阵;
第二生成单元,用于根据影响目标指标的至少一个初始特征,并根据初始特征生成第二矩阵;
第三生成单元,用于根据第一矩阵和第二矩阵,生成PLS回归模型;
计算单元,用于根据PLS回归模型计算每个初始特征的VIP得分;
第二确定单元,用于根据VIP得分,确定目标特征。
进一步的,生成模块202包括节点确定单元和边生成单元;
节点确定单元,用于将目标指标和目标特征作为节点,其中,节点包括影响节点和被影响节点;
边生成单元,用于使用带箭头的边连接存在关系的节点,得到因果关系图,其中,箭头的方向由影响因素指向被影响因素。
进一步的,建立模块203包括第四生成单元、第一建立单元和第二建立单元;
第四生成单元,用于根据因果关系图,生成栈流图;
第一建立单元,用于根据栈流图,建立用于预测容载比的第一子模型,其中,第一子模型包括第一状态变量方程、第一速率方程和第一辅助方程,第一状态变量方程为:,/>是负荷转移率/>时刻的值,是负荷转移率初始时刻/>的值,/>是负荷转移率在t时刻的变化速率,是负荷转移率的输入速率,/>是负荷转移率的输出速率,第一速率方程为:/>,/>是负荷转移率的辅助变量值,是负荷转移率的外生变量值,/>为线性函数,第一辅助方程为:,/>是除负荷转移率的辅助变量/>之外的其他辅助变量;
第二建立单元,用于根据栈流图,建立用于预测负荷转移率的第二子模型,其中,第二子模型包括第二状态变量方程、第二速率方程和第二辅助方程,第二状态变量方程为:,是容载比/>时刻的值,/>是容载比初始时刻/>的值,/>是容载比在t时刻变化的速率,/>是容载比的输入速率,/>是容载比的输出速率,第二速率方程为:/>,/>是容载比的辅助变量的值,/>是容载比的外生变量的值,第二辅助方程为:,/>是除容载比的辅助变量/>之外的其他辅助变量。
进一步的,预测模块204包括第一预测单元和第二预测单元;
第一预测单元,用于预测雪花型配电网在将来预设时间段的容载比和负荷转移率;
第二预测单元,用于根据雪花型配电网在将来预设时间段的容载比和负荷转移率,预测雪花型配电网在将来预设时间段的供电安全情况。
以上所描述的装置实施例仅仅是示意性的,其中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模块来实现本实施例方案的目的。
如图10所示,本发明实施例还提供了一种设备,包括处理器301、通信接口302、存储器303和通信总线304,其中,处理器301,通信接口302,存储器303通过通信总线304完成相互间的通信。
存储器303,用于存储计算机程序。
在本发明一个实施例中,处理器301,用于执行存储器303上所存储的程序时,实现前述任意一个方法实施例提供的雪花型配电网供电安全预测方法,包括:
确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素;
根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图;
根据因果关系图,建立用于预测供电安全的动力学模型;
根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测。
本发明实施例还提供了一种计算机可读存储介质,其上存储有计算机程序,计算机程序被处理器执行时实现如前述任意一个方法实施例提供的雪花型配电网供电安全预测方法,包括:
确定雪花型配电网的至少一个目标指标,以及目标指标对应的至少一个目标特征,其中,目标指标包括影响雪花型配电网的供电安全的指标,目标特征包括影响目标指标的电力因素;
根据目标指标、目标特征,以及目标指标和目标特征之间的关系,生成因果关系图;
根据因果关系图,建立用于预测供电安全的动力学模型;
根据动力学模型,对雪花型配电网在将来预设时间段的供电安全情况进行预测。
通过以上的实施方式的描述,本领域的技术人员可以清楚地了解到各实施方式可借助软件加通用硬件平台的方式来实现,当然也可以通过硬件。基于这样的理解,上述技术方案本质上或者说对相关技术做出贡献的部分可以以软件产品的形式体现出来,该计算机软件产品可以存储在计算机可读存储介质中,如ROM/RAM、磁碟、光盘等,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)执行各个实施例或者实施例的某些部分的方法。
应理解的是,文中使用的术语仅出于描述特定示例实施方式的目的,而无意于进行限制。除非上下文另外明确地指出,否则如文中使用的单数形式“一”、“一个”以及“所述”也可以表示包括复数形式。术语“包括”、“包含”、“含有”以及“具有”是包含性的,并且因此指明所陈述的特征、步骤、操作、元件和/或部件的存在,但并不排除存在或者添加一个或多个其它特征、步骤、操作、元件、部件、和/或它们的组合。文中描述的方法步骤、过程、以及操作不解释为必须要求它们以所描述或说明的特定顺序执行,除非明确指出执行顺序。还应当理解,可以使用另外或者替代的步骤。
以上仅是本发明的具体实施方式,使本领域技术人员能够理解或实现本发明。对这些实施例的多种修改对本领域的技术人员来说将是显而易见的,本文中所定义的一般原理可以在不脱离本发明的精神或范围的情况下,在其它实施例中实现。因此,本发明将不会被限制于本文所示的这些实施例,而是要符合与本文所发明的原理和新颖特点相一致的最宽的范围。
Claims (4)
1.一种雪花型配电网供电安全预测方法,其特征在于,包括:
确定所述雪花型配电网的至少一个目标指标,以及所述目标指标对应的至少一个目标特征,其中,所述目标指标包括影响所述雪花型配电网的供电安全的指标,所述目标特征包括影响所述目标指标的电力因素;
所述确定所述雪花型配电网的至少一个目标指标,包括:
获取影响所述供电安全的至少一个初始指标,并根据所述初始指标生成鱼骨图,其中,所述鱼骨图用于梳理所述初始指标的层次;
根据所述鱼骨图,确定所述目标指标,其中,所述目标指标包括容载比和负荷转移率;
所述确定所述目标指标对应的至少一个目标特征,包括:
根据所述目标指标生成第一矩阵;
根据影响所述目标指标的至少一个初始特征,并根据所述初始特征生成第二矩阵;
根据所述第一矩阵和所述第二矩阵,生成PLS回归模型,包括:
建立包含所有的目标特征的偏最小二乘回归模型,获取初始特征和初始指标之间的关系,通过将所述初始特征和所述初始指标的协方差最大化,创建潜在变量,每个主成分与所述初始指标和所述初始特征之间的权重向量相关联,所述权重向量用于将初始特征投影到主成分空间中;
根据所述PLS回归模型,计算每个所述初始特征的VIP得分;
根据所述VIP得分,确定所述目标特征,包括:
开展解释性检验,以评估每个所述潜在变量对总方差的贡献程度,根据方差比例选择解释性检验的阈值,按照所述潜在变量对总方差的贡献程度,从所述偏最小二乘回归模型中,选择VIP值大于设定阈值的所述潜在变量,计算已选择潜在变量的总方差贡献,逐步将下一个最重要的所述潜在变量添加到模型中,并计算已选择的所述潜在变量的总方差贡献比例,当已选择的所述潜在变量的总方差贡献比例超过预定的解释性检验阈值时,停止选择所述潜在变量,使用已选择的所述潜在变量构建模型,并使用LOO交叉检验来评估所述模型的性能,当进行LOO交叉检验时,将一个所述潜在变量从数据集中移除,使用剩余的所述潜在变量进行模型拟合,使用拟合的模型对被移除的所述潜在变量进行预测,并计算预测误差,使用均方根误差进行性能度量,重复所述将一个所述潜在变量从数据集中移除,使用剩余的所述潜在变量进行模型拟合的步骤,计算LOO交叉检验得分,根据LOO交叉检验得分选择所述潜在变量的数量,选择使LOO交叉检验得分最低的所述潜在变量的数量,将所述数量的所述潜在变量作为所述目标特征;
根据所述目标指标、所述目标特征,以及所述目标指标和所述目标特征之间的关系,生成因果关系图,包括:
将所述目标指标和所述目标特征作为节点,其中,所述节点包括影响节点和被影响节点;
使用带箭头的边连接存在关系的所述节点,得到所述因果关系图,其中,所述箭头的方向由影响因素指向被影响因素;
根据所述因果关系图,建立用于预测所述供电安全的动力学模型,包括:
根据所述因果关系图,生成栈流图;
根据所述栈流图,建立用于预测所述容载比的第一子模型,其中,所述第一子模型包括第一状态变量方程、第一速率方程和第一辅助方程,所述第一状态变量方程为:,/>是所述负荷转移率/>时刻的值,/>是所述负荷转移率初始时刻/>的值,/>是所述负荷转移率在t时刻的变化速率,/>是所述负荷转移率的输入速率,/>是所述负荷转移率的输出速率,所述第一速率方程为:/>,/>是所述负荷转移率的辅助变量值,/>是所述负荷转移率的外生变量值,/>为线性函数,所述第一辅助方程为:/>,/>是除所述负荷转移率的辅助变量/>之外的其他辅助变量;
根据所述栈流图,建立用于预测所述负荷转移率的第二子模型,其中,所述第二子模型包括第二状态变量方程、第二速率方程和第二辅助方程,所述第二状态变量方程为:,/>是所述容载比/>时刻的值,是所述容载比初始时刻/>的值,/>是所述容载比在t时刻变化的速率,是所述容载比的输入速率,/>是所述容载比的输出速率,所述第二速率方程为:/>,/>是所述容载比的辅助变量的值,/>是所述容载比的外生变量的值,所述第二辅助方程为:,/>是除所述容载比的辅助变量/>之外的其他辅助变量;
根据偏离度公式,计算所述动力学模型的预测结果的相对偏离度,其中,所述相对偏离度公式满足:,/>是第/>年第/>个目标指标的预测结果的相对偏离度,是第/>年第/>个目标指标的预测结果,/>是第/>年第/>个目标指标的历史数据,当的目标指标的数量占全部目标指标的70%以上,且所述相对偏离度不超过10%,则确定所述动力学模型良好,否则重新训练所述动力学模型;
根据所述动力学模型,对所述雪花型配电网在将来预设时间段的供电安全情况进行预测,包括:
预测所述雪花型配电网在将来预设时间段的容载比和负荷转移率;
根据所述雪花型配电网在将来预设时间段的容载比和负荷转移率,预测所述雪花型配电网在将来预设时间段的供电安全情况。
2.一种雪花型配电网供电安全预测装置,其特征在于,包括:
确定模块,用于确定所述雪花型配电网的至少一个目标指标,以及所述目标指标对应的至少一个目标特征,其中,所述目标指标包括影响所述雪花型配电网的供电安全的指标,所述目标特征包括影响所述目标指标的电力因素;
所述确定模块包括获取单元和第一确定单元;
所述获取单元,用于获取影响所述供电安全的至少一个初始指标,并根据所述初始指标生成鱼骨图,其中,所述鱼骨图用于梳理所述初始指标的层次;
所述第一确定单元,用于根据所述鱼骨图,确定所述目标指标,其中,所述目标指标包括容载比和负荷转移率;
所述确定模块还包括第一生成单元、第二生成单元、第三生成单元、计算单元和第二确定单元;
所述第一生成单元,用于根据所述目标指标生成第一矩阵;
所述第二生成单元,用于根据影响所述目标指标的至少一个初始特征,并根据所述初始特征生成第二矩阵;
所述第三生成单元,用于根据所述第一矩阵和所述第二矩阵,生成PLS回归模型,包括:
建立包含所有的目标特征的偏最小二乘回归模型,获取初始特征和初始指标之间的关系,通过将所述初始特征和所述初始指标的协方差最大化,创建潜在变量,每个主成分与所述初始指标和所述初始特征之间的权重向量相关联,所述权重向量用于将初始特征投影到主成分空间中;
所述计算单元,用于根据所述PLS回归模型计算每个所述初始特征的VIP得分;
所述第二确定单元,用于根据所述VIP得分,确定所述目标特征,包括:
开展解释性检验,以评估每个所述潜在变量对总方差的贡献程度,根据方差比例选择解释性检验的阈值,按照所述潜在变量对总方差的贡献程度,从所述偏最小二乘回归模型中,选择VIP值大于设定阈值的所述潜在变量,计算已选择潜在变量的总方差贡献,逐步将下一个最重要的所述潜在变量添加到模型中,并计算已选择的所述潜在变量的总方差贡献比例,当已选择的所述潜在变量的总方差贡献比例超过了预定的解释性检验阈值时,停止选择所述潜在变量,使用已选择的所述潜在变量构建模型,并使用LOO交叉检验来评估所述模型的性能,当进行LOO交叉检验时,将一个所述潜在变量从数据集中移除,使用剩余的所述潜在变量进行模型拟合,使用拟合的模型对被移除的所述潜在变量进行预测,并计算预测误差,使用均方根误差进行性能度量,重复所述将一个所述潜在变量从数据集中移除,使用剩余的所述潜在变量进行模型拟合的步骤,计算LOO交叉检验得分,根据LOO交叉检验得分选择所述潜在变量的数量,选择使LOO交叉检验得分最低的所述潜在变量的数量,将所述数量的所述潜在变量作为所述目标特征;生成模块,用于根据所述目标指标、所述目标特征,以及所述目标指标和所述目标特征之间的关系,生成因果关系图;
所述生成模块包括节点确定单元和边生成单元;
所述节点确定单元,用于将所述目标指标和所述目标特征作为节点,其中,所述节点包括影响节点和被影响节点;
所述边生成单元,用于使用带箭头的边连接存在关系的所述节点,得到所述因果关系图,其中,所述箭头的方向由影响因素指向被影响因素;
建立模块,用于根据所述因果关系图,建立用于预测所述供电安全的动力学模型;
所述建立模块包括第四生成单元、第一建立单元和第二建立单元;
所述第四生成单元,用于根据所述因果关系图,生成栈流图;
所述第一建立单元,用于根据所述栈流图,建立用于预测所述容载比的第一子模型,其中,所述第一子模型包括第一状态变量方程、第一速率方程和第一辅助方程,所述第一状态变量方程为:,/>是所述负荷转移率/>时刻的值,/>是所述负荷转移率初始时刻/>的值,/>是所述负荷转移率在t时刻的变化速率,/>是所述负荷转移率的输入速率,/>是所述负荷转移率的输出速率,所述第一速率方程为:/>,是所述负荷转移率的辅助变量值,/>是所述负荷转移率的外生变量值,/>为线性函数,所述第一辅助方程为:/>,/>是除所述负荷转移率的辅助变量/>之外的其他辅助变量;
所述第二建立单元,用于根据所述栈流图,建立用于预测所述负荷转移率的第二子模型,其中,所述第二子模型包括第二状态变量方程、第二速率方程和第二辅助方程,所述第二状态变量方程为:,/>是所述容载比/>时刻的值,/>是所述容载比初始时刻/>的值,/>是所述容载比在t时刻变化的速率,/>是所述容载比的输入速率,/>是所述容载比的输出速率,所述第二速率方程为:/>,/>是所述容载比的辅助变量的值,/>是所述容载比的外生变量的值,所述第二辅助方程为:,/>是除所述容载比的辅助变量/>之外的其他辅助变量;
根据偏离度公式,计算所述动力学模型的预测结果的相对偏离度,其中,所述相对偏离度公式满足:,/>是第/>年第/>个目标指标的预测结果的相对偏离度,是第/>年第/>个目标指标的预测结果,/>是第/>年第/>个目标指标的历史数据,当的目标指标的数量占全部目标指标的70%以上,且所述相对偏离度不超过10%,则确定所述动力学模型良好,否则重新训练所述动力学模型;
预测模块,用于根据所述动力学模型,对所述雪花型配电网在将来预设时间段的供电安全情况进行预测;
所述预测模块包括第一预测单元和第二预测单元;
所述第一预测单元,用于预测所述雪花型配电网在将来预设时间段的容载比和负荷转移率;
所述第二预测单元,用于根据所述雪花型配电网在将来预设时间段的容载比和负荷转移率,预测所述雪花型配电网在将来预设时间段的供电安全情况。
3.一种电子设备,其特征在于,包括:
一个或多个处理器;
存储器,用于存储一个或多个程序;
当所述一个或多个程序被所述一个或多个处理器执行,使得所述一个或多个处理器实现如权利要求1所述的雪花型配电网供电安全预测方法。
4.一种计算机可读存储介质,其上存储有计算机程序,其特征在于,该计算机程序被处理器执行时实现如权利要求1所述的雪花型配电网供电安全预测方法。
Priority Applications (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311770637.4A CN117455269B (zh) | 2023-12-21 | 2023-12-21 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
Applications Claiming Priority (1)
Application Number | Priority Date | Filing Date | Title |
---|---|---|---|
CN202311770637.4A CN117455269B (zh) | 2023-12-21 | 2023-12-21 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
Publications (2)
Publication Number | Publication Date |
---|---|
CN117455269A CN117455269A (zh) | 2024-01-26 |
CN117455269B true CN117455269B (zh) | 2024-04-16 |
Family
ID=89591255
Family Applications (1)
Application Number | Title | Priority Date | Filing Date |
---|---|---|---|
CN202311770637.4A Active CN117455269B (zh) | 2023-12-21 | 2023-12-21 | 雪花型配电网供电安全预测方法、装置、设备和存储介质 |
Country Status (1)
Country | Link |
---|---|
CN (1) | CN117455269B (zh) |
Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682843A (zh) * | 2017-01-05 | 2017-05-17 | 贵州大学 | 一种配电网滚动规划后评价模型建模方法 |
CN106980905A (zh) * | 2017-03-15 | 2017-07-25 | 南方电网科学研究院有限责任公司 | 配电网供电可靠性预测方法和*** |
CN108805443A (zh) * | 2018-06-07 | 2018-11-13 | 华北电力大学 | 一种电网性能综合评价方法和*** |
CN110991843A (zh) * | 2019-11-22 | 2020-04-10 | 国网山东省电力公司临沂供电公司 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
CN113408869A (zh) * | 2021-05-29 | 2021-09-17 | 国网福建省电力有限公司经济技术研究院 | 一种配电网建设目标风险评估方法 |
CN113822583A (zh) * | 2021-09-24 | 2021-12-21 | 广东电网有限责任公司 | 配电网投资需求预测方法、装置、终端设备及介质 |
CN116307215A (zh) * | 2023-03-24 | 2023-06-23 | 广东电网有限责任公司广州供电局 | 一种电力***的负荷预测方法、装置、设备及存储介质 |
Family Cites Families (1)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
WO2011119484A1 (en) * | 2010-03-23 | 2011-09-29 | Iogenetics, Llc | Bioinformatic processes for determination of peptide binding |
-
2023
- 2023-12-21 CN CN202311770637.4A patent/CN117455269B/zh active Active
Patent Citations (7)
Publication number | Priority date | Publication date | Assignee | Title |
---|---|---|---|---|
CN106682843A (zh) * | 2017-01-05 | 2017-05-17 | 贵州大学 | 一种配电网滚动规划后评价模型建模方法 |
CN106980905A (zh) * | 2017-03-15 | 2017-07-25 | 南方电网科学研究院有限责任公司 | 配电网供电可靠性预测方法和*** |
CN108805443A (zh) * | 2018-06-07 | 2018-11-13 | 华北电力大学 | 一种电网性能综合评价方法和*** |
CN110991843A (zh) * | 2019-11-22 | 2020-04-10 | 国网山东省电力公司临沂供电公司 | 考虑城市化发展及电能替代效应的饱和电力需求预测方法 |
CN113408869A (zh) * | 2021-05-29 | 2021-09-17 | 国网福建省电力有限公司经济技术研究院 | 一种配电网建设目标风险评估方法 |
CN113822583A (zh) * | 2021-09-24 | 2021-12-21 | 广东电网有限责任公司 | 配电网投资需求预测方法、装置、终端设备及介质 |
CN116307215A (zh) * | 2023-03-24 | 2023-06-23 | 广东电网有限责任公司广州供电局 | 一种电力***的负荷预测方法、装置、设备及存储介质 |
Non-Patent Citations (3)
Title |
---|
中国碳排放影响因素的变量筛选研究—基于PLS-VIP方法;刘贤赵;杨旭;;环境生态学;20191215(08);第1-6页 * |
基于***动力学的电网可靠性指标影响因素分析;曾鸣;钟琼雄;李源非;;电力建设;20151201(12);第1-6页 * |
曾鸣 ; 钟琼雄 ; 李源非 ; .基于***动力学的电网可靠性指标影响因素分析.电力建设.2015,(12),第1-6页. * |
Also Published As
Publication number | Publication date |
---|---|
CN117455269A (zh) | 2024-01-26 |
Similar Documents
Publication | Publication Date | Title |
---|---|---|
CN103310296B (zh) | 一种基于扰动评估和趋势分析的操作票安全校核方法 | |
CN109525435A (zh) | 一种电网业务服务器运行状态预警方法 | |
CN113313371B (zh) | 配电网风险评估方法、装置、计算机设备及存储介质 | |
CN107305651B (zh) | 一种输电***可靠性评估方法和*** | |
CN112001644A (zh) | 一种配电网运行可靠性检测方法、装置、终端及存储介质 | |
CN115392627A (zh) | 一种配电网的在线风险评估方法及*** | |
CN111967777A (zh) | 一种储能促进清洁能源利用价值的综合评价方法 | |
CN113065715A (zh) | 一种综合能源***多元负荷超短期预测方法 | |
CN106408016A (zh) | 一种配电网停电时间自动识别模型构造方法 | |
CN115545514A (zh) | 基于健康度评估的配电融合设备差异化运维方法及装置 | |
CN104218571A (zh) | 一种风力发电设备的运行状态评估方法 | |
CN114154716B (zh) | 一种基于图神经网络的企业能耗预测方法及装置 | |
CN113300373B (zh) | 一种基于prmse评价指标的稳定裕度值预测方法及装置 | |
CN117455269B (zh) | 雪花型配电网供电安全预测方法、装置、设备和存储介质 | |
Gu et al. | Investigation on the quality assurance procedure and evaluation methodology of machine learning building energy model systems | |
CN112800674A (zh) | 一种基于极限学习机的电力***元件可靠性参数计算方法 | |
Ma et al. | Probabilistic vulnerability assessment based on power flow and voltage distribution | |
CN106874607A (zh) | 基于多层级变权理论的电网自组织临界态定量评估方法 | |
CN112905956B (zh) | 一种基于电网运行特征分析的配网计量事件核对方法 | |
Chinnaiyan et al. | Monte Carlo simulation for reliability assessment of component based software systems | |
CN112884318A (zh) | 一种电网突发事件应急演练评估方法、装置及存储介质 | |
CN111724057A (zh) | 一种配网台区的投资后评估方法 | |
Wang et al. | HARRD: Real-time software rejuvenation decision based on hierarchical analysis under weibull distribution | |
CN109886583A (zh) | 基于全寿命周期费用的电力设备成本最优评估方法和*** | |
Amini et al. | Duration-dependent stochastic fluid processes and solar energy revenue modeling |
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 |