一种变压器的日最大负载率预测方法、装置、设备和介质与流程

1.本技术涉及负荷预测技术领域，尤其涉及一种变压器的日最大负载率预测方法、装置、设备和介质。


背景技术：

2.负荷预测对于电力系统规划、保障电网安全运行及经济效益具有重大的作用。以往的负荷预测的研究主要是针对市、区、县等系统级的总负荷，这些系统级的负荷都在mw以上。针对此类负荷预测问题，国内外学者进行了广泛而深入的研究，形成了一系列成熟而准确的预测方法，应用效果显著。最大负载率作为变压器运维的重要参考数据，如果能提前预测，将会对人员安排和运维策略制定提供重要的数据支撑。目前对于变压器的日最大负载率预测的研究相对较少，预测结果也都不太理想。


技术实现要素：

3.本技术提供了一种变压器的日最大负载率预测方法、装置、设备和介质，用于改善现有的变压器的日最大负载率预测方法存在的预测结果不理想的技术问题。
4.有鉴于此，本技术第一方面提供了一种变压器的日最大负载率预测方法，包括：
5.获取变压器在预测日前的历史数据；
6.对所述历史数据进行特征提取，得到特征数据；
7.通过预置第一预测模型对所述特征数据进行处理，得到所述变压器在所述预测日的第一最大负载率预测值；
8.通过预置第二预测模型对所述特征数据进行处理，得到所述变压器在所述预测日的第二最大负载率预测值；
9.将所述第一最大负载率预测值和所述第二最大负载率预测值输入到预置第三预测模型进行处理，得到所述变压器在所述预测日的最终最大负载率预测值。
10.可选的，所述对所述历史数据进行特征提取，得到特征数据，之后还包括：
11.对所述特征数据进行主成分分析，得到筛选特征。
12.可选的，所述预置第一预测模型为预置线性回归预测模型，所述预置第二预测模型为预置lstm预测模型。
13.可选的，所述预置第三预测模型的训练过程为：
14.获取所述预置第一预测模型在训练时的第一预测结果和所述预置第二预测模型在训练时的第二预测结果，所述预置第一预测模型和所述预置第二预测模型的训练集相同；
15.初始化第一参数和第二参数；
16.通过所述第一参数和所述第二参数对所述第一预测结果和所述第二预测结果中同一训练样本的预测结果进行线性组合，得到第三预测结果；
17.根据所述第三预测结果和真实标签，通过损失函数计算损失值；
18.当所述损失值大于预置阈值时，通过所述损失值更新所述第一参数和所述第二参数，并返回所述通过所述第一参数和所述第二参数对所述第一预测结果和所述第二预测结果中同一训练样本的预测结果进行线性组合，得到第三预测结果的步骤；
19.当所述损失值小于或等于预置阈值时，输出所述第一参数和所述第二参数，得到预置第三预测模型。
20.可选的，所述获取变压器在预测日前的历史数据，之后还包括：
21.对所述历史数据进行预处理，所述预处理包括数据去重、数据去错和数据填充。
22.本技术第二方面提供了一种变压器的日最大负载率预测装置，包括：
23.获取单元，用于获取变压器在预测日前的历史数据；
24.特征提取单元，用于对所述历史数据进行特征提取，得到特征数据；
25.第一预测单元，用于通过预置第一预测模型对所述特征数据进行处理，得到所述变压器在所述预测日的第一最大负载率预测值；
26.第二预测单元，用于通过预置第二预测模型对所述特征数据进行处理，得到所述变压器在所述预测日的第二最大负载率预测值；
27.第三预测单元，用于将所述第一最大负载率预测值和所述第二最大负载率预测值输入到预置第三预测模型进行处理，得到所述变压器在所述预测日的最终最大负载率预测值。
28.可选的，还包括：主成分分析单元，用于对所述特征数据进行主成分分析，得到筛选特征。
29.可选的，所述预置第三预测模型的训练过程为：
30.获取所述预置第一预测模型在训练时的第一预测结果和所述预置第二预测模型在训练时的第二预测结果，所述预置第一预测模型和所述预置第二预测模型的训练集相同；
31.初始化第一参数和第二参数；
32.通过所述第一参数和所述第二参数对所述第一预测结果和所述第二预测结果中同一训练样本的预测结果进行线性组合，得到第三预测结果；
33.根据所述第三预测结果和真实标签，通过损失函数计算损失值；
34.当所述损失值大于预置阈值时，通过所述损失值更新所述第一参数和所述第二参数，并返回所述通过所述第一参数和所述第二参数对所述第一预测结果和所述第二预测结果中同一训练样本的预测结果进行线性组合，得到第三预测结果的步骤；
35.当所述损失值小于或等于预置阈值时，输出所述第一参数和所述第二参数，得到预置第三预测模型。
36.本技术第三方面提供了一种变压器的日最大负载率预测设备，所述设备包括处理器以及存储器；
37.所述存储器用于存储程序代码，并将所述程序代码传输给所述处理器；
38.所述处理器用于根据所述程序代码中的指令执行第一方面任一种所述的变压器的日最大负载率预测方法。
39.本技术第四方面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用于存储程序代码，所述程序代码被处理器执行时实现第一方面任一种所述的变压器的日最大
负载率预测方法。
40.从以上技术方案可以看出，本技术具有以下优点：
41.本技术提供了一种变压器的日最大负载率预测方法，包括：获取变压器在预测日前的历史数据；对历史数据进行特征提取，得到特征数据；通过预置第一预测模型对特征数据进行处理，得到变压器在预测日的第一最大负载率预测值；通过预置第二预测模型对特征数据进行处理，得到变压器在预测日的第二最大负载率预测值；将第一最大负载率预测值和第二最大负载率预测值输入到预置第三预测模型进行处理，得到变压器在预测日的最终最大负载率预测值。
42.本技术中，考虑到对压器变进行日最大负载率预测困难较大，因此，在提取到变压器在预测日前的历史数据的特征数据后，分别通过预置第一预测模型和预置第二预测模型进行日最大负载率预测，得到变压器在预测日的第一最大负载率预测值、第二最大负载率预测值，再通过预置第三预测模型结合第一最大负载率预测值和第二最大负载率预测值进行处理，得到变压器在预测日的最终最大负载率预测值，通过两个不同的预测模型分别进行预测，再结合这两个预测模型的预测结果获取最终的预测结果，即便某一预测模型预测错误，也可以通过另外一个预测模型进行纠正，相比于单一的预测模型进行预测，预测结果的准确性和稳定性更高，改善了现有的变压器的日最大负载率预测方法存在的预测结果不理想的技术问题。
附图说明
43.为了更清楚地说明本技术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简单地介绍，显而易见地，下面描述中的附图仅仅是本技术的一些实施例，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它的附图。
44.图1为本技术实施例提供的一种变压器的日最大负载率预测方法的一个流程示意图；
45.图2为本技术实施例提供的某变压器的日最大负载率预测值和实际值的对比图；
46.图3为本技术实施例提供的一种变压器的日最大负载率预测装置的一个结构示意图。
具体实施方式
47.本技术提供了一种变压器的日最大负载率预测方法、装置、设备和介质，用于改善现有的变压器的日最大负载率预测方法存在的预测结果不理想的技术问题。
48.为了使本技术领域的人员更好地理解本技术方案，下面将结合本技术实施例中的附图，对本技术实施例中的技术方案进行清楚、完整地描述，显然，所描述的实施例仅是本技术一部分实施例，而不是全部的实施例。基于本技术中的实施例，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，都属于本技术保护的范围。
49.为了便于理解，请参阅图1，本技术实施例提供了一种变压器的日最大负载率预测方法，包括：
50.步骤101、获取变压器在预测日前的历史数据。
51.获取变压器在预测日前的历史数据，该历史数据包括历史负荷数据、历史温度数据、历史天气数据、历史日前数据等。
52.在实际运行过程中，变压器的历史数据常出现错误、冗余、缺失等问题，因此可以进一步对历史数据进行预处理，预处理包括数据去重、数据去错和数据填充。具体的，可以去除历史负荷数据中的错误数据，例如数据错误值设置为负载率小于0或大于100；还可以去除冗余数据，即相同的数据重复出现；还可以去除历史温度数据中的历史日最高气温和最低气温的错误值，例如，在广州地区，错误值可以设置为气温值小于-15℃的气温值，或者最低气温大于最高气温的；针对缺失的最大负载率和气温数据可以采取前后一天平均值的方式进行数据填充。
53.步骤102、对历史数据进行特征提取，得到特征数据。
54.由于变压器的负荷随机波动性大，容易受温度、用电行为、节假日、用电类型、重大社会活动等多因素的影响，使得预测困难较大。但变压器的负荷数据存在明显的周期性，主要体现在以下几个方面：
55.1)每日负荷曲线其整体规律相似，前一日的负荷与前七日的负荷关联性最强；
56.2)同一星期类型日负荷规律相似；
57.3)工作日、休息日负荷规律各自相似，不同年度法定节假日的规律相似。
58.上述负荷变化规律为短期负荷数据的特征提取提供了指导，基于此，本技术实施例对历史负荷数据的相关性进行分析，从而提取最为关联的负荷数据，主要提取的特征包括：预测日前一日的最大负荷数据、最高气温、最低气温、天气、预测日是否为工作日、预测日前一日是否为工作日、预测日对应周几、预测日对应月份。
59.进一步，还可以对特征数据进行主成分分析，以提取最为相关的特征，得到筛选特征，将筛选特征作为最终的特征数据进行预测，可以减少计算量，有助于提高预测效率。
60.步骤103、通过预置第一预测模型对特征数据进行处理，得到变压器在预测日的第一最大负载率预测值。
61.本技术实施例中的预置第一预测模型可以为预置线性回归预测模型，预置线性回归预测模型的训练过程为：根据变压器的历史数据构造训练集，训练集中的训练样本的标签为变压器在历史预测日的最大负载率；对训练集进行预处理后，然后进行特征提取，得到训练集的特征数据，还可以对训练集的特征数据进行主成分分析；将训练集的特征数据输入到线性回归模型进行训练，得到线性回归模型的第一预测结果；根据第一预测结果和标签，通过损失函数计算损失值，然后根据该损失值，通过梯度下降法对线性回归模型中的参数进行更新，直至该线性回归模型收敛，得到训练好的线性回归模型，将训练好的线性回归模型作为预置线性回归预测模型。其中，损失函数可以为平方损失函数，收敛条件可以为迭代次数达到最大迭代次数或损失值低于预置损失阈值，在此不做具体限定。
62.通过预置线性回归预测模型对特征数据进行处理，得到变压器在预测日的第一最大负载率预测值。
63.步骤104、通过预置第二预测模型对特征数据进行处理，得到变压器在预测日的第二最大负载率预测值。
64.本技术实施例中的预置第二预测模型可以为预置lstm预测模型，预置lstm预测模型的训练过程具体为：获取训练集，该训练集与训练预置线性回归预测模型时的训练集相
同；然后提取特征数据，通过训练集的特征数据训练lstm网络(长短期记忆网络)，得到lstm网络的第二预测结果；根据第二预测结果和标签，通过损失函数计算损失值，然后根据该损失值，通过adam优化算法对lstm网络中的参数进行更新，直至该lstm网络收敛，得到训练好的lstm模型，将训练好的lstm模型作为预置lstm预测模型。其中，损失函数可以为均方误差损失函数，收敛条件可以为迭代次数达到最大迭代次数或损失值低于预置损失阈值，在此不做具体限定。
65.本技术中的lstm网络由输入层、lstm层和输出层构成，输入层的输入数据为特征数据，lstm层具有若干个神经元，输出层为全连接层，输出维度为1，采用sigmoid的作为激活函数，输出结果为预测日的最大负载率。在训练时，lstm网络的网络层保持不变，epochs可以选取60，batch_size可以选取3。为了得到更贴近真实的预测数据可以通过增加epoch的数量训练更加复杂的lstm网络。
66.通过lstm预测模型对特征数据进行处理，得到变压器在预测日的第二最大负载率预测值。
67.步骤105、将第一最大负载率预测值和第二最大负载率预测值输入到预置第三预测模型进行处理，得到变压器在预测日的最终最大负载率预测值。
68.进一步，预置第三预测模型的训练过程为：
69.获取预置第一预测模型在训练时的第一预测结果和预置第二预测模型在训练时的第二预测结果，预置第一预测模型和预置第二预测模型的训练集相同；
70.初始化第一参数和第二参数；
71.通过第一参数和第二参数对第一预测结果和第二预测结果中同一训练样本的预测结果进行线性组合，得到第三预测结果；
72.根据第三预测结果和真实标签，通过损失函数计算损失值；
73.当损失值大于预置阈值时，通过损失值更新第一参数和第二参数，并返回通过第一参数和第二参数对第一预测结果和第二预测结果中同一训练样本的预测结果进行线性组合，得到第三预测结果的步骤；
74.当损失值小于或等于预置阈值时，输出第一参数和第二参数，得到预置第三预测模型。
75.本技术实施例中，通过综合预置第一预测模型和预置第二预测模型的预测结果进行训练，得到最优的线性组合，即得到预置第三预测模型。预置第三预测模型可以表示为：ay1+by2，其中，a为第一参数，b为第二参数，y1为第一预测结果，y2为第二预测结果。预置第三预测模型的损失函数可以采用平方损失函数。
76.预测时，将第一最大负载率预测值和第二最大负载率预测值输入到预置第三预测模型进行处理，得到变压器在预测日的最终最大负载率预测值。请参考图2，本技术实施例对某地区的某台变压器对预测模型进行试验。历史负荷数据选取了某地区某变压器2017年7月1日至2018年6月30日的共12个月的负荷数据，搭载设备为windows8 64操作系统，基于python开发环境的keras深度学习框架，底层采用tensorflow。最终预测结果可以参考图2提供的变压器负载率实际值与预测值的对比，通过图2可以看出，本技术实施例所提出的方法可以很好的反应出变压器负荷的变化规律，虚线为预测值，实线为实际值。本技术实施例采用平均绝对误差预测模型的精度进行评估。结果显示，本技术实施例提出的预测模型平
均绝对误差为4％，预测结果较为准确。
77.本技术实施例中，考虑到对压器变进行日最大负载率预测困难较大，因此，在提取到变压器在预测日前的历史数据的特征数据后，分别通过预置第一预测模型和预置第二预测模型进行日最大负载率预测，得到变压器在预测日的第一最大负载率预测值、第二最大负载率预测值，再通过预置第三预测模型结合第一最大负载率预测值和第二最大负载率预测值进行处理，得到变压器在预测日的最终最大负载率预测值，通过两个不同的预测模型分别进行预测，再结合这两个预测模型的预测结果获取最终的预测结果，即便某一预测模型预测错误，也可以通过另外一个预测模型进行纠正，相比于单一的预测模型进行预测，预测结果的准确性和稳定性更高，改善了现有的变压器的日最大负载率预测方法存在的预测结果不理想的技术问题。
78.请参考图3，本技术实施例提供了一种变压器的日最大负载率预测装置，包括：
79.获取单元，用于获取变压器在预测日前的历史数据；
80.特征提取单元，用于对历史数据进行特征提取，得到特征数据；
81.第一预测单元，用于通过预置第一预测模型对特征数据进行处理，得到变压器在预测日的第一最大负载率预测值；
82.第二预测单元，用于通过预置第二预测模型对特征数据进行处理，得到变压器在预测日的第二最大负载率预测值；
83.第三预测单元，用于将第一最大负载率预测值和第二最大负载率预测值输入到预置第三预测模型进行处理，得到变压器在预测日的最终最大负载率预测值。
84.作为进一步地改进，装置还包括：主成分分析单元，用于对特征数据进行主成分分析，得到筛选特征。
85.作为进一步地改进，装置还包括：预处理单元，用于对历史数据进行预处理，预处理包括数据去重、数据去错和数据填充。
86.作为进一步地改进，预置第三预测模型的训练过程为：
87.获取预置第一预测模型在训练时的第一预测结果和预置第二预测模型在训练时的第二预测结果，预置第一预测模型和预置第二预测模型的训练集相同；
88.初始化第一参数和第二参数；
89.通过第一参数和第二参数对第一预测结果和第二预测结果中同一训练样本的预测结果进行线性组合，得到第三预测结果；
90.根据第三预测结果和真实标签，通过损失函数计算损失值；
91.当损失值大于预置阈值时，通过损失值更新第一参数和第二参数，并返回通过第一参数和第二参数对第一预测结果和第二预测结果中同一训练样本的预测结果进行线性组合，得到第三预测结果的步骤；
92.当损失值小于或等于预置阈值时，输出第一参数和第二参数，得到预置第三预测模型。
93.本技术实施例中，考虑到对压器变进行日最大负载率预测困难较大，因此，在提取到变压器在预测日前的历史数据的特征数据后，分别通过预置第一预测模型和预置第二预测模型进行日最大负载率预测，得到变压器在预测日的第一最大负载率预测值、第二最大负载率预测值，再通过预置第三预测模型结合第一最大负载率预测值和第二最大负载率预
测值进行处理，得到变压器在预测日的最终最大负载率预测值，通过两个不同的预测模型分别进行预测，再结合这两个预测模型的预测结果获取最终的预测结果，即便某一预测模型预测错误，也可以通过另外一个预测模型进行纠正，相比于单一的预测模型进行预测，预测结果的准确性和稳定性更高，改善了现有的变压器的日最大负载率预测方法存在的预测结果不理想的技术问题。
94.本技术实施例还提供了一种变压器的日最大负载率预测设备，设备包括处理器以及存储器；
95.存储器用于存储程序代码，并将程序代码传输给处理器；
96.处理器用于根据程序代码中的指令执行前述方法实施例中的变压器的日最大负载率预测方法。
97.本技术实施例还提供了一种计算机可读存储介质，计算机可读存储介质用于存储程序代码，程序代码被处理器执行时实现前述方法实施例中的变压器的日最大负载率预测方法。
98.所属领域的技术人员可以清楚地了解到，为描述的方便和简洁，上述描述的装置和单元的具体工作过程，可以参考前述方法实施例中的对应过程，在此不再赘述。
99.本技术的说明书及上述附图中的术语“第一”、“第二”、“第三”、“第四”等(如果存在)是用于区别类似的对象，而不必用于描述特定的顺序或先后次序。应该理解这样使用的数据在适当情况下可以互换，以便这里描述的本技术的实施例例如能够以除了在这里图示或描述的那些以外的顺序实施。此外，术语“包括”和“具有”以及他们的任何变形，意图在于覆盖不排他的包含，例如，包含了一系列步骤或单元的过程、方法、系统、产品或设备不必限于清楚地列出的那些步骤或单元，而是可包括没有清楚地列出的或对于这些过程、方法、产品或设备固有的其它步骤或单元。
100.应当理解，在本技术中，“至少一个(项)”是指一个或者多个，“多个”是指两个或两个以上。“和/或”，用于描述关联对象的关联关系，表示可以存在三种关系，例如，“a和/或b”可以表示：只存在a，只存在b以及同时存在a和b三种情况，其中a，b可以是单数或者复数。字符“/”一般表示前后关联对象是一种“或”的关系。“以下至少一项(个)”或其类似表达，是指这些项中的任意组合，包括单项(个)或复数项(个)的任意组合。例如，a，b或c中的至少一项(个)，可以表示：a，b，c，“a和b”，“a和c”，“b和c”，或“a和b和c”，其中a，b，c可以是单个，也可以是多个。
101.在本技术所提供的几个实施例中，应该理解到，所揭露的装置和方法，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信连接可以是通过一些接口，装置或单元的间接耦合或通信连接，可以是电性，机械或其它的形式。
102.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。
103.另外，在本技术各个实施例中的各功能单元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。
104.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，本技术的技术方案本质上或者说对现有技术做出贡献的部分或者该技术方案的全部或部分可以以软件产品的形式体现出来，该计算机软件产品存储在一个存储介质中，包括若干指令用以通过一台计算机设备(可以是个人计算机，服务器，或者网络设备等)执行本技术各个实施例所述方法的全部或部分步骤。而前述的存储介质包括：u盘、移动硬盘、只读存储器(英文全称：read-only memory，英文缩写：rom)、随机存取存储器(英文全称：random access memory，英文缩写：ram)、磁碟或者光盘等各种可以存储程序代码的介质。
105.以上所述，以上实施例仅用以说明本技术的技术方案，而非对其限制；尽管参照前述实施例对本技术进行了详细的说明，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技术各实施例技术方案的精神和范围。